Tổng quan về luận án

Trong kỷ nguyên chuyển đổi số và đô thị hóa thông minh, nhu cầu tự động hóa giám sát an ninh, an toàn hạ tầng và phòng chống thiên tai đang đối mặt với những thách thức chưa từng có. Theo thống kê quốc tế, "số lượng camera giám sát (CCTV – Closed-circuit Television) sẽ đạt ngưỡng 1 tỷ đơn vị trong năm 2022" và tiếp tục tăng trưởng bùng nổ trên phạm vi toàn cầu. Tuy nhiên, phần lớn các luồng dữ liệu thị giác khổng lồ này hiện vẫn chưa được khai thác tối ưu do sự thiếu hụt các thuật toán phát hiện bất thường có khả năng hoạt động theo thời gian thực với độ tin cậy cao trên các thiết bị tính toán biên và máy chủ phân tán. Luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật Máy tính (Mã số: 9.06) của Nghiên cứu sinh Vũ Hoài Nam, dưới sự hướng dẫn khoa học của PGS. Phạm Văn Cường tại Học viện Công nghệ Bưu chính Viễn thông (Hà Nội, 2023), với đề tài "Phát hiện một số sự kiện bất thường dựa trên hình ảnh sử dụng mô hình phân cấp", đã tiếp cận trực diện bài toán mang tính thời sự và cấp thiết này.

Khoảng trống nghiên cứu then chốt mà luận án nhận diện xuất phát từ sự hạn chế của các phương pháp học sâu nguyên khối (monolithic end-to-end deep learning) và các mô hình phát hiện đối tượng đơn chặng/hai chặng tiêu chuẩn (YOLO, Faster R-CNN, SSD, Mask R-CNN). Trong các bài toán giám sát thực tế từ camera cố định hoặc thiết bị bay không người lái (UAV), các đối tượng bất thường thường có kích thước rất nhỏ, hình dạng không đồng nhất, xuất hiện ở khoảng cách xa trong không gian nền phức tạp, đồng thời tần suất xuất hiện tự nhiên rất thấp dẫn đến sự mất cân bằng dữ liệu nghiêm trọng. Khi áp dụng trực tiếp các mô hình học sâu nguyên khối lên toàn bộ khung ảnh gốc, hệ thống thường gặp hai nút thắt kỹ thuật lớn: tỉ lệ cảnh báo giả (false alarm rate) rất cao do nhiễu nền chiếm đa số, và chi phí tính toán vượt quá giới hạn phần cứng của các hệ thống nhúng thời gian thực.

Để giải quyết triệt để các rào cản trên, luận án đã xác lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để loại bỏ phần lớn vùng nền không liên quan và đối tượng gây nhiễu trong ảnh tĩnh nhằm tối ưu hóa độ chính xác và giảm tải tính toán cho bộ phân loại học sâu?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để tích hợp liên kết thời gian giữa các khung hình liên tiếp vào mô hình phân cấp nhằm mô hình hóa chính xác các biến đổi động của đối tượng bất thường mà vẫn duy trì tốc độ xử lý thời gian thực?
  • Giả thuyết nghiên cứu 1 (H1): Kiến trúc phân cấp đa tầng (kết hợp các bộ lọc dựa trên luật/xử lý ảnh truyền thống ở tầng đầu và mạng nơ-ron tích chập sâu ở tầng sau) sẽ giúp giảm thiểu đáng kể tỉ lệ cảnh báo giả so với mô hình học sâu đầu cuối xử lý trực tiếp trên ảnh gốc.
  • Giả thuyết nghiên cứu 2 (H2): Việc bám vết vùng nghi ngờ và trích xuất đồng thời đặc trưng không gian - thời gian (thông qua CNN kết hợp BiLSTM) trên các tensor đã được cắt lọc sẽ duy trì tính nhất quán của chuyển động, phân biệt triệt để đối tượng bất thường động với các đối tượng gây nhiễu có màu sắc tương đồng.

Khung lý thuyết của luận án được xây dựng dựa trên sự liên kết giữa lý thuyết biểu diễn thị giác đa tỷ lệ (Multi-scale Visual Representation), xử lý thông tin thô-đến-tinh (Coarse-to-Fine Information Processing) và mô hình hóa chuỗi thời gian đệ quy. Đóng góp đột phá của luận án nằm ở việc chuẩn hóa cấu trúc mô hình phân cấp linh hoạt, đồng thời công bố hai bộ dữ liệu chuẩn quy mô lớn phục vụ cộng đồng học thuật: bộ dữ liệu sạt lở đường miền núi LandslidePTIT (2.963 ảnh) và bộ dữ liệu lửa giám sát FirePTIT (1.032 video với độ dài từ 16 giây đến trên 15 phút). Nghiên cứu được tài trợ bởi Quỹ Đổi mới sáng tạo Vingroup (VINIF) thuộc Viện Nghiên cứu Dữ liệu lớn (VINBIGDATA), khẳng định chất lượng và giá trị thực tiễn vượt trội.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy các hướng tiếp cận phát hiện sự kiện bất thường qua thị giác máy tính đã trải qua sự chuyển dịch mạnh mẽ từ các phương pháp tham số/phi tham số truyền thống sang học sâu chuyên sâu. Trong phân nhóm bất thường tĩnh, các nghiên cứu thăm dò địa chất và thảm họa sạt lở truyền thống chủ yếu dựa trên Radar xuyên đất (Ground Penetrating Radar - [35]), hệ thống LiDAR ([36], [37]), hoặc mô hình độ cao số DEM từ ảnh vệ tinh NAIP ([8]). Nhóm tác giả [96] tiếp cận bài toán sạt lở thông qua mô hình kết hợp túi từ trực quan hóa (BoVW), phân tích ngữ nghĩa tiềm ẩn xác suất (pLSA) và bộ phân loại K-láng giềng gần nhất (KNN) trên lưới ô đặc trưng Color-SIFT. Nhóm nghiên cứu [97] lại xây dựng mô hình phân loại đa nhãn trong khuôn khổ trường ngẫu nhiên có điều kiện (CRF) nhằm nắm bắt tương quan ngữ cảnh không gian. Gần đây hơn, các nghiên cứu ứng dụng UAV như nghiên cứu của [38] trên vùng núi dốc 80 độ (112 ảnh ở độ cao 60m) hay nghiên cứu giám sát Tasmania [39] đã sử dụng phân tích đối tượng hình ảnh (OBIA). Tuy nhiên, các kỹ thuật phân đoạn đa cấp độ như trong [104] chỉ đạt độ chính xác khiêm tốn 77,7%, làm tăng cảnh báo giả; trong khi việc đưa trực tiếp các mạng sâu phức tạp như Mask R-CNN kết hợp ResNet-50/ResNet-101 ([106]) hay mạng CNN sâu của [105] lại làm tăng đột biến độ phức tạp tính toán, không đáp ứng yêu cầu xử lý thời gian thực trên bo mạch biên.

Trong phân nhóm bất thường động, các tranh luận học thuật tập trung vào sự cân bằng giữa đặc trưng không gian tĩnh và đặc trưng biến đổi động học. Với bài toán phát hiện lửa, các nghiên cứu sơ khai tập trung mô hình hóa không gian màu như RGB ([128]-[131]), YCbCr ([132]-[134]), YUV ([135]) và Lab ([136]). Để phân biệt với vật thể có màu sắc tương tự, phép trừ nền hoặc sai phân khung hình được tích hợp nhằm nhận diện chuyển động ([129], [130]). Đặc tính nhấp nháy tại biên ngọn lửa được mô hình hóa qua biến đổi Wavelet 1-D ([19]), đạo hàm thời gian tích lũy ([128]), hoặc mô hình Markov ẩn HMM để xác định tần số nhấp nháy xấp xỉ 10 Hz ([130]). Mặc dù vậy, các mô hình xác suất và thống kê thủ công này đòi hỏi ngưỡng quyết định cứng nhắc: ngưỡng lỏng sinh ra nhiều cảnh báo giả, trong khi ngưỡng nghiêm ngặt lại gây bỏ sót mục tiêu.

Khi học sâu phát triển, việc ứng dụng mạng CNN đơn lẻ ([137], [138]) hoặc các mạng phát hiện đối tượng như YOLO, Faster R-CNN, SSD ([139]) đã cải thiện năng lực nhận diện cục bộ nhưng hoàn toàn bỏ qua tương quan thời gian giữa các khung hình liên tiếp. Các tiếp cận kết hợp CNN-LSTM ([83], [142]) đã khắc phục điểm yếu này bằng cách đưa chuỗi ảnh hoặc luồng quang học vào trích xuất không-thời gian. Dẫu vậy, các mô hình của [83] và [142] vẫn nhận trực tiếp toàn bộ ảnh thô vào mạng, khiến các ngọn lửa có kích thước nhỏ ở khoảng cách xa bị áp đảo bởi thông tin nền, dẫn đến suy giảm độ chính xác nhận dạng.

+-----------------------------------------------------------------------------------+
|                            TIẾN TRÌNH Y VĂN QUỐC TẾ                               |
+-----------------------------------------------------------------------------------+
|  Phương pháp truyền thống / Thủ công   |  Học sâu nguyên khối (Monolithic Deep)   |
|  - BoVW + pLSA + KNN ([96])            |  - Mask R-CNN + ResNet ([106])           |
|  - Trường ngẫu nhiên có điều kiện ([97])|  - 3DCNN / CNN-LSTM toàn khung ([83,142])|
|  - Wavelet, HMM, trừ nền ([19,128,130])|  - YOLO, Faster R-CNN thô ([139])        |
|  -> Nhược điểm: Ngưỡng cứng, phụ thuộc |  -> Nhược điểm: Chi phí tính toán cực cao,|
|     đặc trưng nông, dễ báo động giả.   |     bị nhiễu nền áp đảo khi vật thể nhỏ. |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                      ĐỊNH VỊ CỦA LUẬN ÁN (VŨ HOÀI NAM, 2023)                      |
|  Mô hình phân cấp đa tầng (Hierarchical Framework):                               |
|  Tầng 1: Bộ lọc nhanh / Xử lý ảnh / U-Net -> Thu hẹp không gian tìm kiếm (ROIs)   |
|  Tầng 2: Bám vết Hungary / BiLSTM -> Mô hình hóa tương quan chuỗi thời gian       |
|  Tầng 3: CNN sâu (MobileNet v3 / ResNet-18) -> Phân loại chính xác trên ROIs      |
+-----------------------------------------------------------------------------------+

So sánh với các nghiên cứu quốc tế điển hình:

  1. So sánh với nghiên cứu hố sụt của [9]: Tác giả [9] sử dụng camera nhiệt trên UAV thu thập 11 video (5-45 phút) qua 4 mùa, phân tích điểm lạnh kết hợp CNN nông và Random Forest với đặc trưng thủ công. Luận án định vị vượt trội hơn nhờ đề xuất kiến trúc U-Net tối ưu kết hợp bộ lọc dựa trên luật và thuật toán Hungary để bám vết đa khung hình, triệt tiêu các đối tượng lạnh giả mạo mà [9] gặp phải.
  2. So sánh với nghiên cứu phát hiện lửa của [10] và [142]: Nghiên cứu [10] dùng tập Fire YOLO với 9.200 ảnh nhân bản lên 211.000 mẫu nhưng chỉ phân tích trên ảnh tĩnh, trong khi [142] áp dụng CNN-LSTM trên luồng quang học toàn khung ảnh. Luận án khắc phục hạn chế của cả hai bằng cách kết hợp bản đồ năng lượng biên, bản đồ phân loại điểm ảnh để khoanh vùng ứng viên, sau đó mới đưa các tensor ứng viên nhỏ gọn qua kiến trúc CNN-BiLSTM, vừa giảm tải FLOPs vừa tăng độ nhạy phát hiện lửa nhỏ ở xa.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào lý thuyết thị giác máy tính và biểu diễn học sâu thông qua việc tái cấu trúc quy trình phân loại từ nguyên khối sang phân cấp thích ứng:

  • Mở rộng lý thuyết trích xuất đặc trưng có cấu trúc: Thách thức quan điểm phổ biến rằng các mạng nơ-ron học sâu sâu tầng (deep end-to-end networks) luôn vượt trội trong mọi tác vụ. Luận án chứng minh trên cơ sở thực nghiệm rằng đối với bài toán mất cân bằng dữ liệu và đối tượng mục tiêu kích thước nhỏ, việc phân tách bài toán thành hai chặng – chặng trích lọc ứng viên nhanh (candidate proposal via coarse filtering) và chặng xác thực phân biệt sâu (deep discriminative verification) – mang lại hiệu năng biểu diễn và tổng quát hóa cao hơn hẳn.
  • Mô hình hóa không gian trạng thái chuỗi thời gian của đối tượng bất thường: Thiết lập mô hình toán học cho chuỗi tensor đầu vào $\tau = {\tau_1, \tau_2, ..., \tau_N}$, trong đó tensor được chuyển đổi qua hàm lọc tầng 1 $f_{tier1}(\tau) \to \tau^$ với $|\tau^| \le |\tau|$, loại bỏ các thành phần nền trước khi ánh xạ vào không gian trạng thái ẩn của mạng nơ-ron hồi quy hai chiều BiLSTM. Điều này thiết lập một nguyên lý mới trong việc tối ưu hóa năng lượng tính toán cho các mô hình thị giác không-thời gian.
                    KHUNG PHÂN TÍCH PHÂN CẤP ĐỘC ĐÁO
               
+-------------------------------------------------------------+
|                      ẢNH / VIDEO GỐC                         |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
| TẦNG 1: BỘ LỌC YẾU & PHÂN ĐOẠN NHANH (Fast / Weak Filters)   |
| - Phân đoạn U-Net / SD-UNet / Phân tích vùng liên thông     |
| - Bộ lọc dựa trên luật h_rule (Diện tích, Tỷ lệ khung, Màu) |
| - Bản đồ năng lượng biên & Điểm ảnh di chuyển               |
+-------------------------------------------------------------+
                              |
                              v [Tập Tensor ứng viên \tau^*]
+-------------------------------------------------------------+
| TẦNG 2: MÔ HÌNH HÓA THỜI GIAN & BÁM VẾT (Temporal / Tracking)|
| - Thuật toán Hungary (Hungarian Algorithm) liên kết vị trí  |
| - Mạng BiLSTM trích xuất biến đổi động qua các bước thời gian|
+-------------------------------------------------------------+
                              |
                              v [Đặc trưng không-thời gian]
+-------------------------------------------------------------+
| TẦNG 3: BỘ PHÂN LOẠI HỌC SÂU MẠNH (Strong Deep Classifiers) |
| - Mạng MobileNet v3 / ResNet-18 trên các Tensor đã cắt nhỏ  |
| - Hàm kích hoạt Softmax / Quyết định nhị phân               |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|       CẢNH BÁO BẤT THƯỜNG CHÍNH XÁC (REAL-TIME ALERT)       |
+-------------------------------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp nhuần nhuyễn 3 trụ cột lý thuyết:

  1. Lý thuyết mạng nơ-ron tích chập (CNN) của LeCun, He et al. (trích xuất đặc trưng hình thái không gian);
  2. Lý thuyết bộ nhớ dài-ngắn hạn hai chiều (BiLSTM) của Hochreiter, Schmidhuber, Graves (nắm bắt phụ thuộc chuỗi hai chiều quá khứ - tương lai);
  3. Lý thuyết ghép cặp tối ưu phân đôi (Bipartite Matching) thông qua thuật toán Hungary (Kuhn) nhằm liên kết chính xác quỹ đạo của các đối tượng qua các khung hình liên tiếp.

Điều kiện biên của khung phân tích được xác định rõ ràng: Áp dụng tối ưu cho các luồng dữ liệu giám sát từ camera có góc nhìn bao quát rộng, camera gắn trên UAV bay ở độ cao ổn định (40m - 60m), hoặc hệ thống CCTV độ phân giải cao giám sát các khu vực an ninh yêu cầu cảnh báo tức thời.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (positivism paradigm) kết hợp phương pháp nghiên cứu thực nghiệm - kỹ thuật (empirical-engineering research). Thiết kế nghiên cứu là sự kết hợp đa tầng có hệ thống giữa xử lý tín hiệu ảnh số, phân đoạn ngữ nghĩa và mô hình học sâu chuỗi.

Quy trình giải quyết vấn đề gồm 2 giai đoạn chính:

  • Giai đoạn 1 - Thiết kế kiến trúc: Phân tích bản chất vật lý và hình thái học của từng dạng bất thường để thiết kế các bộ lọc tầng 1 chuyên biệt, sau đó tích hợp các mạng học sâu nhẹ (MobileNet v3, ResNet-18, SD-UNet) và mạng nơ-ron hồi quy (BiLSTM).
  • Giai đoạn 2 - Đánh giá và xác thực thực nghiệm: Huấn luyện trên các tập dữ liệu tự xây dựng và tập dữ liệu đối sánh quốc tế; kiểm thử tính khả thi trên các bo mạch tính toán nhúng biên (embedded systems).
                      MA TRẬN PHÂN LOẠI VÀ PHƯƠNG PHÁP CỦA LUẬN ÁN
+--------------------+----------------------------+-------------------------------------+
| Thuộc tính         | Sự kiện Bất thường Tĩnh    | Sự kiện Bất thường Động             |
+--------------------+----------------------------+-------------------------------------+
| Đối tượng điển hình| Hố sụt (Sinkhole), Sạt lở  | Đám cháy (Fire), Khói, Tai nạn      |
| Đặc trưng dữ liệu  | Ảnh tĩnh, Khung hình đơn   | Video, Chuỗi khung hình liên tiếp   |
| Bộ lọc Tầng 1      | SD-UNet, Quy tắc hình học  | Bản đồ năng lượng biên, Màu sắc     |
| Xử lý trung gian   | Thuật toán Hungary (HA)    | Phép trừ nền, Bám vết chuyển động   |
| Mô hình học sâu    | MobileNet v3 / ResNet-18   | CNN (ResNet-18) + BiLSTM            |
| Hàm mất mát chính  | Jaccard Loss, Cross-Entropy| Cross-Entropy, Binary Classification|
+--------------------+----------------------------+-------------------------------------+

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện qua các giao thức kiểm chuẩn nghiêm ngặt:

  • Giao thức lọc dựa trên luật ($h_{rule}$): "Mô hình phân cấp được xây dựng với các chặng đầu là các bộ lọc yếu nhưng tốc độ xử lý cao, trong khi các chặng sau là các bộ lọc mạnh nhưng tốc độ xử lý chậm hơn để đưa ra kết luận về sự kiện bất thường." Tại tầng 1, thuật toán phân tích thành phần liên thông (Connected Component Analysis) trích xuất diện tích ($A$), chiều rộng ($W$), chiều dài ($L$) của các tensor nghi ngờ. Các đối tượng có kích thước không thỏa mãn điều kiện hình thái học ($A < \theta_{min}$ hoặc $A > \theta_{max}$, tỷ lệ khung bao bất hợp lý) sẽ bị triệt tiêu ngay lập tức.
  • Giao thức bám vết Hungary (Hungarian Algorithm): Sử dụng ma trận chi phí khoảng cách Euclid và chỉ số chồng lấn IoU để liên kết định danh các hố sụt hoặc vùng sạt lở qua các khung hình của UAV, triệt tiêu sai số do rung lắc của thiết bị bay.
  • Kiểm định độ tin cậy và độ hội tụ: Mô hình phân đoạn SD-UNet được tối ưu bằng hàm mất mát Jaccard Loss: $$\mathcal{L}_{J} = 1 - \frac{\sum |Y \cap \hat{Y}|}{\sum |Y \cup \hat{Y}|}$$ Quá trình huấn luyện MobileNet v3 và BiLSTM sử dụng thuật toán tối ưu Adam, hàm kích hoạt Swish và Sigmoid/Tanh trong các cổng tế bào LSTM, đảm bảo đường cong mất mát (loss curve) hội tụ ổn định không xảy ra hiện tượng quá khớp (overfitting).

Data và phân tích

Luận án tiến hành thu thập, chuẩn hóa và công bố hai bộ dữ liệu quy mô lớn, đóng vai trò bản lề trong đánh giá thực nghiệm:

  1. Bộ dữ liệu LandslidePTIT:
    • Quy mô: Gồm 2.963 ảnh thu thập từ các tuyến đường đèo vùng núi phía Bắc Việt Nam sau các đợt mưa lũ lớn.
    • Đặc trưng: Bao gồm đa dạng các dạng thái sạt lở thực tế: đất trượt, đá rơi, bùn lún và sụt lún nền đường.
    • Tăng cường dữ liệu (Augmentation): Tích hợp hiệu ứng mô phỏng điều kiện thời tiết phức tạp sau bão như sương mù dày đặc và mưa nhỏ rải rác nhằm kiểm tra độ bền vững (robustness) của thuật toán.
  2. Bộ dữ liệu FirePTIT:
    • Quy mô: Gồm 1.032 video giám sát thu thập từ camera an ninh thực tế với thời lượng dao động từ 16 giây đến trên 15 phút mỗi video.
    • Đặc trưng: Bao phủ các góc quay đa dạng, quy mô đám cháy từ nhỏ đến lớn, màu sắc ngọn lửa biến thiên (đỏ, vàng, trắng), môi trường từ trong nhà đến ngoài trời.
    • Mẫu phủ định khó (Hard Negatives): Chứa hàng nghìn khung hình có các đối tượng dễ gây báo động giả như đèn pha xe hơi, ánh hoàng hôn phản chiếu, biển quảng cáo led màu đỏ-vàng, người đi bộ mặc áo màu sặc sỡ và các công trình kiến trúc phát sáng.
  3. Bộ dữ liệu đối sánh hố sụt nhiệt (Thermal Sinkhole Dataset): 11 video có độ dài từ 5 đến 45 phút thu từ camera nhiệt gắn trên UAV qua cả 4 mùa trong năm tại các công trường xây dựng ([9]).

Phát hiện đột phá và implications

Những phát hiện then chốt

Các kết quả thực nghiệm trong luận án đã mang lại những phát hiện có ý nghĩa khoa học sâu sắc:

  1. Triệt tiêu hiện tượng báo động giả nhờ cắt lọc đa tầng: Việc áp dụng bộ lọc yếu tầng 1 kết hợp phân đoạn đã loại bỏ hơn 85% các vùng nhiễu nền trước khi dữ liệu đi vào mạng nơ-ron tích chập. Độ chính xác phân loại của mô hình phân cấp đạt mức vượt trội so với các mô hình một chặng truyền thống.
  2. Đột phá về tốc độ suy luận trên phần cứng nhúng: Thay vì đưa toàn bộ khung ảnh độ phân giải cao ($1920 \times 1080$ hoặc $4K$) vào mạng CNN sâu, việc chỉ đưa các tensor ứng viên đã cắt nhỏ (vùng ROI kích thước $64 \times 64$ hoặc $128 \times 128$) vào MobileNet v3 / ResNet-18 đã giúp giảm tải hơn 70% số lượng phép tính dấu phẩy động (FLOPs). Hệ thống đạt tốc độ xử lý thời gian thực (từ 25 đến trên 30 FPS) trên các bo mạch tính toán nhúng gắn trên UAV.
  3. Năng lực phân biệt vượt bậc của BiLSTM đối với bất thường động: Kết quả so sánh trên tập FirePTIT cho thấy các mô hình chỉ dựa trên màu sắc hoặc CNN 2D đơn thuần có tỉ lệ cảnh báo giả cao khi gặp ánh đèn xe hoặc bề mặt phản quang. Việc tích hợp mạng BiLSTM để trích xuất đặc trưng thời gian hai chiều đã mô hình hóa trọn vẹn dao động ngẫu nhiên của biên lửa, loại bỏ gần như tuyệt đối các cảnh báo giả từ nguồn sáng nhân tạo tĩnh hoặc chuyển động tịnh tiến.
  4. Tính ưu việt của phân đoạn SD-UNet trong điều kiện thời tiết khắc nghiệt: Mô hình phân đoạn đường và phát hiện sạt lở đề xuất duy trì chỉ số IoU (Intersection over Union) cao và ổn định ngay cả trên các ảnh bị biến dạng bởi hiệu ứng sương mù và mưa lũ nhân tạo trong tập LandslidePTIT.
                      SO SÁNH HIỆU NĂNG KIẾN TRÚC
+---------------------------+-------------------+--------------------+------------------+
| Phương pháp / Kiến trúc   | Độ chính xác (%)  | Tỉ lệ báo giả (%)  | Tốc độ (FPS)     |
+---------------------------+-------------------+--------------------+------------------+
| CNN truyền thống / YOLO   | Trung bình - Khá  | Cao (Nhiễu nền)    | Trung bình       |
| 3DCNN toàn khung ảnh      | Khá               | Trung bình         | Thấp (< 10 FPS)  |
| CNN-LSTM trực tiếp        | Khá - Tốt         | Trung bình         | Thấp - Trung bình|
| MÔ HÌNH PHÂN CẤP ĐỀ XUẤT  | RẤT CAO           | CỰC THẤP           | CAO (Real-time)  |
+---------------------------+-------------------+--------------------+------------------+

Implications đa chiều

  • Ý nghĩa lý thuyết: Xác lập khung phương pháp luận mới cho bài toán thị giác máy tính trong bối cảnh dữ liệu mất cân bằng và tài nguyên biên hạn chế; chứng minh sự tương hỗ tối ưu giữa kỹ thuật xử lý ảnh cổ điển (rule-based image processing) và học sâu hiện đại (deep representation learning).
  • Đổi mới phương pháp luận: Cung cấp quy trình trích xuất và bám vết đối tượng theo chuỗi thời gian khả dụng cho nhiều bài toán giám sát an ninh khác nhau (phát hiện khói, theo dõi dòng chảy lũ quét, nhận diện hành vi bạo lực).
  • Ứng dụng thực tiễn: Tạo tiền đề triển khai trực tiếp các hệ thống giám sát tự động trên UAV phục vụ công tác cứu hộ cứu nạn của lực lượng Phòng cháy chữa cháy và Cứu nạn cứu hộ (PCCC & CNCH), Tổng cục Đường bộ và các ban quản lý dự án xây dựng.
  • Khuyến nghị chính sách: Cung cấp cơ sở khoa học để các cơ quan quản lý nhà nước ban hành tiêu chuẩn kỹ thuật về hệ thống camera giám sát giao thông thông minh và trung tâm điều hành đô thị thông minh (IOC) cấp tỉnh/thành phố.

Limitations và Future Research

Luận án đã thẳng thắn chỉ ra các giới hạn kỹ thuật cần tiếp tục hoàn thiện:

  • Giới hạn về điều kiện biên môi trường: Các bộ lọc tầng 1 dựa trên màu sắc và ngưỡng nhiệt vẫn có thể suy giảm độ nhạy trong các tình huống thời tiết cực đoan chưa có trong tập dữ liệu (ví dụ: bão tuyết, khói đen dày đặc che khuất hoàn toàn ngọn lửa, hoặc nền nhiệt độ môi trường bằng đúng nhiệt độ hố sụt).
  • Phụ thuộc vào phần cứng thu nhận: Đối với bài toán hố sụt, mô hình đòi hỏi camera nhiệt chuyên dụng, vốn có giá thành cao hơn đáng kể so với camera RGB thông thường.
  • Khả năng mở rộng đa lớp sự kiện đồng thời: Hệ thống hiện tối ưu hóa theo từng module phân cấp riêng biệt cho từng loại sự kiện (hố sụt, sạt lở, lửa); chưa tích hợp thành một siêu mạng nơ-ron duy nhất có khả năng phát hiện đồng thời tất cả các loại bất thường trong cùng một khung nhìn.

Chương trình nghiên cứu 5–10 năm tới bao gồm:

  1. Nghiên cứu tích hợp cơ chế chú ý không-thời gian thông qua Vision Transformers (ViT) và TimeSformer vào mô hình phân cấp để thay thế hoàn toàn các bộ lọc thủ công ở tầng 1 mà vẫn bảo toàn tốc độ tính toán.
  2. Ứng dụng kỹ thuật học tự giám sát (Self-supervised Learning) và học ít mẫu (Few-shot Learning) nhằm giảm thiểu sự phụ thuộc vào việc gán nhãn thủ công cho các sự kiện thảm họa hiếm gặp.
  3. Mở rộng thử nghiệm mô hình học liên kết (Federated Learning) để huấn luyện phân tán trên hàng nghìn camera biên mà không cần truyền video thô về trung tâm dữ liệu, bảo đảm tính riêng tư và tiết kiệm băng thông mạng.

Tác động và ảnh hưởng

Luận án đã tạo ra những tác động học thuật và kinh tế - xã hội rõ nét:

  • Tác động học thuật: Các công trình nghiên cứu cốt lõi của luận án đã được công bố trên các tạp chí khoa học quốc tế uy tín thuộc danh mục ISI/Scopus và hội nghị chuyên ngành (công bố [CT1] đến [CT6]). Các bài báo này mở ra hướng tiếp cận mới trong việc thiết kế mô hình học máy phân cấp nhẹ cho thiết bị bay không người lái.
  • Chuyển giao công nghệ công nghiệp: Bộ giải pháp phân cấp có khả năng tích hợp trực tiếp vào chip SoC của các nhà sản xuất camera giám sát thông minh trong nước và quốc tế, nâng cao giá trị gia tăng cho các sản phẩm công nghệ Make-in-Vietnam.
  • Lợi ích xã hội và ứng phó thiên tai: Đóng góp công cụ đắc lực giúp giảm thiểu thiệt hại về người và tài sản thông qua khả năng cảnh báo sớm các vụ sạt lở đường đèo hiểm trở và phát hiện kịp thời các vụ cháy rừng, cháy nổ đô thị trong "khung giờ vàng" cứu nạn.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Khoa học máy tính / Kỹ thuật máy tính: Tiếp cận nguồn tài liệu tham khảo chuẩn mực về kiến trúc phân cấp, phương pháp xử lý dữ liệu chuỗi video và phương pháp luận thiết kế hệ thống học sâu biên.
  • Cộng đồng R&D Doanh nghiệp Công nghệ: Khai thác miễn phí cấu trúc giải thuật và hai bộ dữ liệu quy chuẩn LandslidePTIT và FirePTIT để huấn luyện, kiểm thử và thương mại hóa các sản phẩm AI Camera.
  • Cơ quan Quản lý Nhà nước và Lực lượng Ứng phó Khẩn cấp: Sở Giao thông Vận tải, Cục Phòng chống Thiên tai, Cục Cảnh sát PCCC & CNCH có được giải pháp công nghệ tin cậy, chi phí thấp để tự động hóa công tác giám sát địa bàn rộng lớn.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nền tảng nào?

Đóng góp lý thuyết độc đáo nhất là việc hình thành Khung phân tích phân cấp thích ứng đa tầng (Multi-tier Adaptive Hierarchical Framework), mở rộng Lý thuyết biểu diễn thị giác không-thời gian (Spatiotemporal Visual Representation Theory). Thay vì xử lý đồng nhất trên toàn bộ không gian dữ liệu như các mạng CNN-LSTM truyền thống, mô hình phân tách không gian tìm kiếm thành các tập hợp tensor thu hẹp liên tiếp $\tau \to \tau^* \to \hat{Y}$, chứng minh rằng việc kết hợp bộ lọc hình thái học/luật ở tầng thô với mạng nơ-ron sâu ở tầng tinh giúp tối ưu hóa ranh giới quyết định (decision boundary) trong điều kiện dữ liệu mất cân bằng nghiêm trọng.

2. Sự đổi mới về phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây?

So với nghiên cứu của [9] (sử dụng đặc trưng nhiệt thủ công và Random Forest trên toàn khung ảnh) và nghiên cứu của [142] (dùng CNN-LSTM xử lý luồng quang học toàn khung ảnh), luận án đổi mới phương pháp luận qua việc:

  • Tích hợp mạng phân đoạn SD-UNet kết hợp thuật toán gán Hungary để bám vết đối tượng đa khung hình, loại bỏ triệt để rung lắc UAV mà phương pháp của [9] không giải quyết được.
  • Đưa trực tiếp các tensor ROI cục bộ đã được lọc nhiễu vào mạng BiLSTM thay vì đưa toàn bộ khung ảnh thô như [142], giúp tăng tốc độ xử lý lên trên 25 FPS trên bo mạch nhúng và triệt tiêu báo động giả từ các nguồn sáng nền.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có số liệu minh chứng là gì?

Phát hiện bất ngờ nhất là việc các mô hình học sâu nguyên khối tiên tiến (như Faster R-CNN hay YOLOv4/v5) lại cho kết quả nhận diện sạt lở và hố sụt kém hơn mô hình phân cấp kết hợp bộ lọc dựa trên luật khi dữ liệu bị nhiễu thời tiết (sương mù, mưa nhỏ). Trên tập LandslidePTIT với 2.963 ảnh, bộ lọc luật tầng 1 kết hợp MobileNet v3 duy trì độ chính xác cao hơn rõ rệt và giảm tới hơn 40% cảnh báo giả so với các mô hình một chặng chạy trực tiếp trên ảnh gốc.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) hoàn chỉnh không?

Có. Luận án cung cấp chi tiết:

  • Toàn bộ tham số siêu dữ liệu huấn luyện của mạng U-Net, SD-UNet, MobileNet v3, ResNet-18 và BiLSTM (kích thước batch, tốc độ học learning rate, hàm tối ưu Adam, số lớp ẩn LSTM).
  • Mã giả của các bộ lọc dựa trên luật $h_{rule}$, công thức toán học tính ngưỡng kênh màu $H, R$, diện tích liên thông, và hàm mất mát Jaccard Loss.
  • Cấu trúc thư mục, quy cách gán nhãn ground-truth và phân chia tập Train/Validation/Test của hai bộ dữ liệu LandslidePTIT và FirePTIT.

5. Lộ trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình hướng tới: Xây dựng nền tảng giám sát thảm họa thông minh tự trị hoàn toàn (Autonomous Disaster Surveillance System). Trong đó, giai đoạn 1–3 năm tập trung chuyển đổi xương sống mô hình sang Vision Transformers và TimeSformer nhẹ; giai đoạn 4–6 năm tích hợp công nghệ học liên kết (Federated Learning) trên mạng lưới UAV phối hợp bầy đàn (Swarm UAVs); giai đoạn 7–10 năm hoàn thiện hệ thống suy luận đa phương thức (Multimodal Foundation Models) kết hợp dữ liệu ảnh quang học, ảnh nhiệt, radar SAR và cảm biến rung chấn địa chấn.

Kết luận

  1. Luận án đã giải quyết thành công bài toán cốt lõi trong giám sát an ninh - an toàn hiện đại: nâng cao độ chính xác nhận dạng, triệt tiêu cảnh báo giả và bảo đảm tốc độ xử lý thời gian thực cho các sự kiện bất thường tĩnh và động.
  2. Đề xuất thành công mô hình mạng phân cấp đa tầng độc đáo, kết hợp hài hòa giữa các bộ lọc yếu/phân đoạn nhanh ở tầng đầu và các bộ phân loại học sâu mạnh (MobileNet v3, ResNet-18, BiLSTM) ở tầng sau.
  3. Ứng dụng thành công thuật toán Hungary và mạng nơ-ron hồi quy hai chiều BiLSTM để mô hình hóa sự liên kết không gian - thời gian, theo dõi chính xác quỹ đạo và động học của các đối tượng bất thường phức tạp.
  4. Đóng góp cho cộng đồng khoa học hai bộ cơ sở dữ liệu quy chuẩn quy mô lớn: LandslidePTIT (2.963 ảnh sạt lở) và FirePTIT (1.032 video giám sát lửa thực tế), giải quyết tình trạng khan hiếm dữ liệu thực nghiệm.
  5. Mở ra 3 hướng nghiên cứu mới đầy tiềm năng: Tối ưu hóa mô hình học sâu cho thiết bị bay không người lái tự trị, xử lý thị giác máy tính trong điều kiện thời tiết cực đoan, và xây dựng hệ thống cảnh báo sớm thảm họa đa quy mô theo thời gian thực.
  6. Kết quả nghiên cứu khẳng định bước tiến vững chắc của ngành Kỹ thuật Máy tính Việt Nam trong việc làm chủ và sáng tạo các công nghệ trí tuệ nhân tạo có tính ứng dụng thực tiễn cao, phục vụ đắc lực cho sự nghiệp bảo vệ an toàn tính mạng con người và phát triển kinh tế - xã hội bền vững.