Lựa Chọn Phương Pháp Tiền Xử Lý Nước Thải Cao Su Thiên Nhiên Loại Protein

Khám phá các phương pháp tiền xử lý nước thải cao su thiên nhiên loại protein hiệu quả, bảo vệ môi trường và nâng cao chất lượng nước.

• Tác giả: Nguyễn Thị Hoài Thương
• Người hướng dẫn: TS. Nguyễn Anh Quang
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Nghiên Cứu Ứng Dụng Trí Tuệ Nhân Tạo Trong Nhận Dạng Và Định Vị Cho Thiết Bị Bay Không Người Lái
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Đặt vấn đề
• 1.2. Tổng quan về thiết bị bay không người lái
• 1.3. Giới thiệu trí tuệ nhân tạo và thi giác máy tính
• 1.3.1. Khái niệm trí tuệ nhân tạo
• 1.3.2. Ứng dụng của trí tuệ nhân tạo
• 1.3.3. Khái niệm thị giác máy tính
• 1.3.4. Ứng dụng của thị giác máy tính
• 1.4. Hệ thống định vị cho thiết bị bay
• 1.4.1. Hệ thống định vị theo quán tính
• 1.4.2. Hệ thống định vị theo vệ tinh
• 1.4.3. Hệ thống định vị theo thị giác
• 1.5. Định vị thị giác cho thiết bị bay
• 1.5.1. Định vị thị giác
• 1.5.2. Định vị thị giác kết hợp cảm biến quán tính
• 1.6. Kết luận chương 1
• 2. BÀI TOÁN NHẬN DẠNG ĐÁM CHÁY
• 2.1. Định nghĩa bài toán nhận dạng
• 2.2. Phân loại thuật toán nhận dạng đối tượng
• 2.2.1. Nhận dạng đối tượng hai bước
• 2.2.2. Bài toán nhận dạng một bước
• 2.3. Giới thiệu về SSD
• 2.3.1. Kiến trúc của SSD
• 2.3.2. Huấn luyện mô hình SSD
• 2.3.3. Đánh giá mô hình SSD
• 2.3.4. Áp dụng vào bài toán phát hiện đám cháy
• 2.3.4.1. Chuẩn bị dữ liệu
• 2.3.4.2. Chuẩn bị mô hình
• 2.3.4.3. Kết quả thực nghiệm
• 2.4. Kết luận chương 2
• 3. BÀI TOÁN ĐỊNH VỊ CHO THIẾT BỊ BAY
• 3.1. Định vị thị giác với camera đơn mắt (monocular camera)
• 3.1.1. Tổng quan về định vị với camera đơn mắt
• 3.1.2. Tự học giám sát cho định vị thị giác với camera đơn mắt
• 3.1.2.1. Sử dụng tổng hợp Novel View làm giám sát
• 3.1.2.2. SC-SfM Learner
• 3.1.2.3. Thực hiện và thử nghiệm trên mô phỏng bay
• 3.1.2.3.1. Thu thập dữ liệu trên flightmare
• 3.1.2.3.2. Huấn luyện mô hình Sc-SfmLearner
• 3.1.2.4. Triển khai trên ROS (Robot Operating System)
• 3.1.3. Triển khai thuật toán ORB-SLAM3 trên ROS
• 3.1.4. SC-SfM Learner ROS
• 3.1.5. Đánh giá kết quả
• 3.1.5.1. Đánh giá tiến trình
• 3.1.6. Kết luận chương 3
• 3.2. Hướng phát triển của luận văn trong tương lai
• TÀI LIỆU THAM KHẢO
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT

Tóm tắt

I. Tổng Quan Về Phương Pháp Tiền Xử Lý Nước Thải Cao Su Thiên Nhiên

Nước thải từ ngành công nghiệp cao su thiên nhiên chứa nhiều chất ô nhiễm độc hại. Việc áp dụng các phương pháp tiền xử lý là cần thiết để giảm thiểu tác động đến môi trường. Phương pháp này không chỉ giúp cải thiện chất lượng nước mà còn tiết kiệm chi phí cho các quy trình xử lý tiếp theo. Các nghiên cứu gần đây đã chỉ ra rằng việc áp dụng công nghệ tiên tiến có thể nâng cao hiệu quả xử lý nước thải.

1.1. Đặc Điểm Nước Thải Cao Su Thiên Nhiên

Nước thải cao su thiên nhiên thường chứa các hợp chất hữu cơ, chất rắn lơ lửng và các chất độc hại khác. Đặc điểm này đòi hỏi các phương pháp xử lý phải được thiết kế đặc biệt để loại bỏ hiệu quả các thành phần ô nhiễm.

1.2. Tầm Quan Trọng Của Tiền Xử Lý Nước Thải

Tiền xử lý nước thải giúp giảm tải cho các hệ thống xử lý chính, từ đó nâng cao hiệu quả và giảm chi phí vận hành. Việc này cũng góp phần bảo vệ môi trường và sức khỏe cộng đồng.

II. Các Thách Thức Trong Xử Lý Nước Thải Cao Su Thiên Nhiên

Xử lý nước thải cao su thiên nhiên gặp nhiều thách thức do tính chất phức tạp của nước thải. Các chất ô nhiễm trong nước thải có thể gây khó khăn trong việc áp dụng các phương pháp xử lý truyền thống. Ngoài ra, sự biến đổi khí hậu cũng ảnh hưởng đến hiệu quả của các quy trình xử lý.

2.1. Tính Chất Hóa Học Phức Tạp

Nước thải cao su thiên nhiên chứa nhiều hợp chất hóa học phức tạp, làm cho việc xử lý trở nên khó khăn. Các hợp chất này có thể gây ra sự hình thành bùn và làm giảm hiệu quả của các phương pháp xử lý.

2.2. Chi Phí Xử Lý Cao

Chi phí cho việc xử lý nước thải cao su thiên nhiên thường rất cao do yêu cầu công nghệ và thiết bị hiện đại. Điều này đặt ra thách thức lớn cho các nhà máy trong việc duy trì hoạt động bền vững.

III. Phương Pháp Tiền Xử Lý Nước Thải Cao Su Thiên Nhiên Hiệu Quả

Có nhiều phương pháp tiền xử lý nước thải cao su thiên nhiên đã được nghiên cứu và áp dụng. Các phương pháp này bao gồm lắng, lọc, và sử dụng hóa chất để loại bỏ các chất ô nhiễm. Mỗi phương pháp có ưu điểm và nhược điểm riêng, tùy thuộc vào tính chất của nước thải.

3.1. Phương Pháp Lắng

Lắng là phương pháp đơn giản và hiệu quả để loại bỏ các chất rắn lơ lửng trong nước thải. Phương pháp này giúp giảm tải cho các bước xử lý tiếp theo và tiết kiệm chi phí.

3.2. Phương Pháp Lọc

Lọc sử dụng các vật liệu lọc để loại bỏ các chất ô nhiễm. Phương pháp này có thể áp dụng cho nhiều loại nước thải khác nhau và mang lại hiệu quả cao trong việc cải thiện chất lượng nước.

3.3. Sử Dụng Hóa Chất

Sử dụng hóa chất để tiền xử lý nước thải có thể giúp loại bỏ các hợp chất độc hại. Tuy nhiên, cần phải cân nhắc kỹ lưỡng về chi phí và tác động môi trường của các hóa chất này.

IV. Ứng Dụng Thực Tiễn Của Phương Pháp Tiền Xử Lý Nước Thải

Các phương pháp tiền xử lý nước thải cao su thiên nhiên đã được áp dụng thành công tại nhiều nhà máy. Kết quả cho thấy sự cải thiện đáng kể về chất lượng nước thải sau khi áp dụng các phương pháp này. Điều này không chỉ giúp bảo vệ môi trường mà còn nâng cao hiệu quả sản xuất.

4.1. Kết Quả Nghiên Cứu Tại Các Nhà Máy

Nghiên cứu cho thấy rằng việc áp dụng các phương pháp tiền xử lý đã giúp giảm đáng kể nồng độ chất ô nhiễm trong nước thải. Điều này chứng tỏ tính khả thi và hiệu quả của các phương pháp này.

4.2. Lợi Ích Kinh Tế

Việc giảm chi phí xử lý nước thải không chỉ giúp tiết kiệm chi phí cho nhà máy mà còn góp phần nâng cao lợi nhuận. Điều này tạo động lực cho các nhà máy đầu tư vào công nghệ xử lý hiện đại.

V. Kết Luận Về Phương Pháp Tiền Xử Lý Nước Thải Cao Su Thiên Nhiên

Phương pháp tiền xử lý nước thải cao su thiên nhiên đóng vai trò quan trọng trong việc bảo vệ môi trường và nâng cao hiệu quả sản xuất. Các nghiên cứu và ứng dụng thực tiễn cho thấy rằng việc áp dụng các phương pháp này là cần thiết và hiệu quả. Tương lai của ngành công nghiệp cao su thiên nhiên sẽ phụ thuộc vào việc cải tiến và áp dụng các công nghệ xử lý tiên tiến.

5.1. Tương Lai Của Ngành Công Nghiệp

Ngành công nghiệp cao su thiên nhiên cần tiếp tục nghiên cứu và phát triển các phương pháp xử lý nước thải hiệu quả hơn. Điều này không chỉ giúp bảo vệ môi trường mà còn nâng cao tính bền vững của ngành.

5.2. Khuyến Nghị Đầu Tư Vào Công Nghệ

Đầu tư vào công nghệ xử lý nước thải hiện đại sẽ giúp các nhà máy nâng cao hiệu quả sản xuất và giảm thiểu tác động đến môi trường. Đây là một hướng đi cần thiết cho sự phát triển bền vững.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghiệp 4.0, trí tuệ nhân tạo (AI) đã trở thành một công nghệ trọng yếu, tác động sâu rộng đến nhiều lĩnh vực, trong đó có thiết bị bay không người lái (UAV). Theo ước tính, trung bình mỗi năm có khoảng 3.287 vụ cháy, nổ xảy ra trong giai đoạn 2014-2018, gây thiệt hại nghiêm trọng về người và tài sản. Việc phát hiện sớm các đám cháy, đặc biệt là cháy rừng, đang trở thành một thách thức cấp thiết. Thiết bị bay không người lái với khả năng bay ở nhiều độ cao, trang bị camera và cảm biến thông minh, được xem là giải pháp tiềm năng để giám sát và phát hiện cháy trên diện rộng.

Luận văn tập trung nghiên cứu ứng dụng trí tuệ nhân tạo, đặc biệt là học sâu (Deep Learning) và thị giác máy tính (Computer Vision), nhằm xây dựng mô hình nhận dạng đám cháy và định vị vị trí cho thiết bị bay không người lái. Mục tiêu cụ thể là phát triển mô hình nhận dạng đối tượng đám cháy với độ chính xác cao và triển khai hệ thống định vị thị giác kết hợp cảm biến quán tính để xác định vị trí thiết bị bay trong môi trường thực tế. Nghiên cứu được thực hiện trong phạm vi thiết bị bay không người lái sử dụng camera đơn mắt và các cảm biến IMU, với dữ liệu thu thập từ nhiều nguồn hình ảnh và mô phỏng bay.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao khả năng phát hiện cháy nhanh chóng, chính xác, góp phần giảm thiểu thiệt hại và tăng cường an toàn trong các hoạt động giám sát môi trường, cứu hộ và phòng cháy chữa cháy. Các chỉ số đánh giá như độ chính xác trung bình (mAP) trên 77% và tốc độ xử lý trên 20 FPS cho thấy tiềm năng ứng dụng thực tiễn của mô hình trên thiết bị bay.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính:

1. Học sâu (Deep Learning): Sử dụng mạng nơ-ron tích chập (CNN) để trích xuất đặc trưng hình ảnh, phục vụ cho bài toán nhận dạng đối tượng. Mạng MobileNet-V2 được lựa chọn làm backbone thay thế cho VGG-16 nhằm giảm thiểu chi phí tính toán và tăng tốc độ xử lý trên thiết bị phần cứng hạn chế.

2. Thị giác máy tính (Computer Vision): Áp dụng các kỹ thuật nhận dạng đối tượng (Object Detection) và định vị thị giác (Visual Odometry). Thuật toán SSD (Single Shot MultiBox Detector) được sử dụng cho bài toán nhận dạng đám cháy, kết hợp với các phương pháp định vị thị giác đơn mắt và định vị thị giác – quán tính (VIO) để xác định vị trí thiết bị bay.

Các khái niệm chuyên ngành quan trọng bao gồm:

• Bounding Box: Hộp bao quanh đối tượng trong ảnh dùng để nhận dạng vị trí.
• Intersection over Union (IoU): Tỉ lệ giao nhau trên hợp nhau giữa hộp dự đoán và hộp thực tế, dùng để đánh giá độ chính xác nhận dạng.
• Precision và Recall: Độ chính xác và độ phủ của mô hình nhận dạng.
• mAP (mean Average Precision): Độ chính xác trung bình đánh giá tổng thể hiệu suất mô hình.
• ORB-SLAM3: Thuật toán định vị thị giác dựa trên trích xuất điểm đặc trưng ORB, kết hợp với RANSAC để lọc ngoại lệ và ước lượng tư thế thiết bị bay.

Phương pháp nghiên cứu

Nguồn dữ liệu bao gồm 1.043 hình ảnh đám cháy được thu thập từ nhiều nguồn trực tuyến và video thực tế, được gán nhãn thủ công bằng công cụ LabelImg để tạo tập dữ liệu huấn luyện. Dữ liệu được chuyển đổi sang định dạng .record phù hợp cho việc huấn luyện mô hình.

Phương pháp phân tích gồm:

• Huấn luyện mô hình SSD với backbone MobileNet-V2 trên nền tảng TensorFlow API, sử dụng GPU GTX 1080 Ti để tăng tốc quá trình đào tạo.
• Đánh giá mô hình dựa trên các chỉ số precision, recall, mAP và loss function trong quá trình huấn luyện.
• Triển khai mô hình trên thiết bị Jetson Nano để kiểm thử thực tế về độ chính xác và tốc độ xử lý.
• Áp dụng thuật toán định vị thị giác đơn mắt SC-SfMLearner và ORB-SLAM3 trên môi trường mô phỏng Flightmare và hệ điều hành ROS để đánh giá hiệu quả định vị vị trí thiết bị bay.

Timeline nghiên cứu kéo dài trong khoảng 1 năm, bao gồm các giai đoạn thu thập dữ liệu, huấn luyện mô hình, kiểm thử thực nghiệm và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất nhận dạng đám cháy: Mô hình SSD-MobileNetV2 đạt độ chính xác trung bình (mAP) trên 77% khi kiểm thử trên thiết bị Jetson Nano, cao hơn so với mô hình SSD-VGG16 (khoảng 74%). Tốc độ xử lý đạt trên 20 FPS, phù hợp cho ứng dụng thời gian thực trên thiết bị bay.

2. Độ ổn định và độ tin cậy của mô hình: Giá trị loss giảm dần trong quá trình huấn luyện, precision và recall ổn định ở mức trên 0.6, cho thấy mô hình có khả năng nhận dạng chính xác và ít sai sót.

3. Hiệu quả định vị thị giác: Thuật toán ORB-SLAM3 đạt sai số quỹ đạo trung bình (ATE) chỉ 0,041 m trên bộ dữ liệu chuẩn EuRoC, cho thấy độ chính xác cao trong việc xác định vị trí thiết bị bay. Mô hình SC-SfMLearner cải thiện tính nhất quán về tỷ lệ và giảm thiểu sai số trong định vị thị giác đơn mắt.

4. Khả năng ứng dụng thực tế: Mô hình nhận dạng và định vị được triển khai thành công trên thiết bị bay không người lái với phần cứng Jetson Nano, chứng minh tính khả thi và hiệu quả trong môi trường thực tế.

Thảo luận kết quả

Kết quả nhận dạng đám cháy với mAP trên 77% và tốc độ xử lý trên 20 FPS cho thấy sự cân bằng tốt giữa độ chính xác và hiệu suất, phù hợp với yêu cầu vận hành trên thiết bị bay có giới hạn tài nguyên. Việc sử dụng MobileNet-V2 làm backbone giúp giảm 32 lần tham số và gần 27 lần phép tính so với VGG-16, đồng thời tăng tốc độ xử lý, phù hợp với các thiết bị nhúng.

Định vị thị giác kết hợp cảm biến quán tính (VIO) khắc phục được nhược điểm của GPS và IMU truyền thống như lỗi tích lũy và phụ thuộc môi trường. Thuật toán ORB-SLAM3 với trích xuất điểm đặc trưng ORB và lọc ngoại lệ RANSAC cho phép định vị chính xác trong thời gian thực, phù hợp với các nhiệm vụ bay phức tạp.

So sánh với các nghiên cứu trước đây, kết quả của luận văn thể hiện sự tiến bộ trong việc tích hợp AI và thị giác máy tính vào UAV, đặc biệt trong bài toán nhận dạng đám cháy và định vị thị giác. Việc triển khai trên Jetson Nano cũng chứng minh tính ứng dụng cao trong thực tế.

Dữ liệu có thể được trình bày qua biểu đồ loss giảm dần theo epoch, biểu đồ precision-recall, bảng so sánh mAP và FPS giữa các mô hình, cũng như biểu đồ sai số quỹ đạo của thuật toán định vị.

Đề xuất và khuyến nghị

1. Tối ưu hóa mô hình nhận dạng: Tiếp tục nghiên cứu và áp dụng các kiến trúc mạng nơ-ron nhẹ hơn hoặc kỹ thuật pruning để giảm thiểu tài nguyên sử dụng, nâng cao tốc độ xử lý trên thiết bị bay trong vòng 6-12 tháng, do nhóm phát triển AI thực hiện.

2. Phát triển hệ thống định vị đa cảm biến: Kết hợp thêm các cảm biến như LIDAR, camera đa hướng để tăng độ chính xác và ổn định định vị trong môi trường phức tạp, triển khai thử nghiệm trong 1 năm, phối hợp giữa nhóm robotics và phần cứng.

3. Mở rộng tập dữ liệu huấn luyện: Thu thập thêm dữ liệu thực tế từ các chuyến bay tại nhiều địa hình khác nhau để cải thiện khả năng tổng quát hóa của mô hình nhận dạng đám cháy, thực hiện liên tục trong 12 tháng, do nhóm thu thập dữ liệu và AI đảm nhiệm.

4. Xây dựng hệ thống cảnh báo tự động: Phát triển phần mềm tích hợp nhận dạng đám cháy và định vị để gửi cảnh báo kịp thời đến trung tâm giám sát, hoàn thiện trong 6 tháng, do nhóm phát triển phần mềm và vận hành UAV thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Kỹ thuật viễn thông, Robotics và AI: Nghiên cứu các phương pháp học sâu, thị giác máy tính và ứng dụng trong UAV, phục vụ phát triển đề tài và luận văn.

2. Kỹ sư phát triển UAV và hệ thống giám sát môi trường: Áp dụng mô hình nhận dạng và định vị để nâng cao hiệu quả giám sát cháy rừng, cứu hộ và các ứng dụng công nghiệp.

3. Doanh nghiệp công nghệ và startup trong lĩnh vực AI và UAV: Tận dụng kết quả nghiên cứu để phát triển sản phẩm UAV thông minh, cải tiến hệ thống nhận dạng và định vị.

4. Cơ quan quản lý và phòng cháy chữa cháy: Sử dụng công nghệ UAV tích hợp AI để giám sát, phát hiện sớm cháy nổ, nâng cao hiệu quả công tác phòng chống thiên tai.

Câu hỏi thường gặp

1. Mô hình SSD-MobileNetV2 có phù hợp cho thiết bị bay không người lái không?
   Có, mô hình này được thiết kế nhẹ, giảm thiểu tài nguyên tính toán, đạt mAP trên 77% và tốc độ xử lý trên 20 FPS trên Jetson Nano, phù hợp cho các thiết bị bay có giới hạn phần cứng.

2. Định vị thị giác có thể thay thế GPS trong UAV không?
   Định vị thị giác kết hợp cảm biến quán tính (VIO) có thể cung cấp vị trí chính xác và ổn định trong môi trường không có tín hiệu GPS hoặc tín hiệu yếu, tuy nhiên GPS vẫn cần thiết để bổ trợ trong nhiều trường hợp.

3. Làm thế nào để thu thập dữ liệu huấn luyện cho bài toán nhận dạng đám cháy?
   Dữ liệu được thu thập từ nhiều nguồn hình ảnh trực tuyến, video thực tế và được gán nhãn thủ công bằng công cụ LabelImg để tạo tập dữ liệu chất lượng phục vụ huấn luyện.

4. Sai số quỹ đạo trung bình (ATE) của ORB-SLAM3 là bao nhiêu?
   ORB-SLAM3 đạt sai số quỹ đạo trung bình khoảng 0,041 m trên bộ dữ liệu chuẩn EuRoC, cho thấy độ chính xác cao trong định vị thị giác đơn mắt.

5. Có thể áp dụng mô hình này cho các loại UAV khác không?
   Có, mô hình và phương pháp có thể được điều chỉnh và áp dụng cho nhiều loại UAV khác nhau, đặc biệt các thiết bị bay nhỏ gọn sử dụng camera đơn mắt và cảm biến IMU.

Kết luận

• Luận văn đã phát triển thành công mô hình nhận dạng đám cháy dựa trên thuật toán SSD-MobileNetV2 với độ chính xác trung bình trên 77% và tốc độ xử lý phù hợp cho thiết bị bay không người lái.
• Thuật toán định vị thị giác ORB-SLAM3 và SC-SfMLearner được áp dụng hiệu quả, cung cấp vị trí chính xác và ổn định cho UAV trong môi trường thực tế và mô phỏng.
• Việc kết hợp trí tuệ nhân tạo và thị giác máy tính giúp nâng cao khả năng giám sát, phát hiện cháy nhanh chóng, góp phần giảm thiểu thiệt hại do cháy nổ gây ra.
• Nghiên cứu mở ra hướng phát triển các ứng dụng UAV thông minh trong nhiều lĩnh vực như cứu hộ, giám sát môi trường và công nghiệp.
• Các bước tiếp theo bao gồm tối ưu hóa mô hình, mở rộng dữ liệu huấn luyện và phát triển hệ thống cảnh báo tự động để ứng dụng rộng rãi hơn trong thực tế.

Để tiếp tục phát triển và ứng dụng nghiên cứu, độc giả và các nhà phát triển được khuyến khích tham khảo chi tiết luận văn và triển khai thử nghiệm trên các nền tảng UAV thực tế.

Trích đoạn nội dung tài liệu

Đặt vấn đề Cuộc sống đang ngày càng phát triển cùng với những nhu cầu của con người về công nghệ hiện đại có thể thay thế một phần sức lao động của con người. Trí tuệ nhân tạo không chỉ đơn thuần là một phần mềm máy tính có tính logic mà chúng còn chứa đựng cả trí tuệ của con người. Chúng biết suy nghĩ, lập luận để giải quyết các vấn đề, có thể giao tiếp với con người. Chính vì những tính năng vượt trội này mà trí tuệ nhân tạo có lợi ích vô cùng lớn.

Trí tuệ nhân tạo đã góp phần không nhỏ để đáp ứng nhu cầu hiện nay của con người. Các bán toán được con người đặt ra nhằm giải quyết các vấn đề thiết yếu trong cuộc sống như ứng dụng trí tuệ nhân tạo trong y tế (phát hiện sớm u não, ung thư, .), ứng ụng trong kinh tế (dự đoán chứng khoán, các mô hình dự đoán thị trường, giá cả), ứng dụng trong học tập hay rất nhiều ứng dụng thiết thực khác nữa trong đời sống. Máy bay không người lái – một thiết bị thông minh được phát minh ra đã giúp giải quyết rất nhiều vấn đề con người gặp phải. Máy bay không người lái với thiết kế nhỏ gọn có thể bay ở nhiều độ cao khác nhau kết hợp với các thiết bị thông minh như camera, GPU, … được ứng dụng trong nhiều lĩnh vực của cuộc sống như trong quân sự hay y tế giúp tìm kiếm cứu nạn, cảnh báo cháy nổ, giám sát nơi công cộng hay ở những địa hình khó khăn mà con người không tới được, trong phim ảnh, nông nghiệp, công nghiệp, giao thông liên lạc, … máy bay không người lái giúp con người có cái nhìn tổng quát từ trên không.

Cùng với sự phát triển của nhu cầu con người với máy bay không người lái, các nghiên cứu luôn luôn được tìm kiếm không ngừng để áp dụng giải quyết các bài toán liên quan. Năm 2019 với việc Trái Đất ngày càng nóng lên, khí hậu biến đổi dần đến ngưỡng chịu đựng của con người và có khi còn vượt quá mức chịu đựng đó. Theo thống kê của Đoàn giám sát từ tháng 7 năm 2014 đến tháng 7 năm 2018 đã có trung bình 3287 vụ cháy, nổ xảy ra mỗi năm [1]. Có rất nhiều vụ cháy nổ xảy ra vô cùng thương tâm như gần đây nhất là vụ cháy rừng ở Hà Tĩnh, cháy rừng lớn ở Úc, Amazon, …Vấn đề đặt ra là làm cách nào để phát hiện được cháy rừng sử dụng trí tuệ nhân tạo nhanh chóng để đưa ra cảnh báo và phát hiện được trên diện rộng? Tiềm năng của thiết bị bay không người lái vẫn còn rất lớn, nhưng hiện tại, các triển khai của thiết bị bay này trong các môi trường dân cư vẫn còn nhiều trở ngại.

Các ứng dụng như vận chuyển bưu kiện, giám sát hay quay phim đều yêu cầu rất cao sự an toàn và tin cậy. Với việc tích hợp nhận dạng đám cháy trên thiết bị bay 1 không người lái và yêu cầu cao về sự chính xác khi định vị là một yêu cầu cần thiết. Chính vì vậy các nghiên cứu trong luận văn của em dưới đây đã kết hợp việc ứng dụng trí tuệ nhân tạo giúp giải quyết bài toán về nhận dạng và định vị trên thiết bị bay không người lái.2 Tổng quan về thiết bị bay không người lái Thiết bị bay không người lái hay UAV (Unmanned Aerial Vehicle), thường được gọi là drone và từ đây gọi tắt là thiết bị bay, là một máy bay không có phi công, phi hành đoàn hoặc hành khách trên máy bay. UAV là một phần của một hệ thống máy bay không người lái (UAS – unmanned aircraft system), ngoài UAV còn có thêm các thành phần khác là một trạm điều khiển mặt đất, một hệ thống truyền thông và các thiết bị hỗ trợ.

Tiến trình bay của UAV có thể được thực hiện bởi một người điều khiển từ xa, tự động bay dưới hỗ trợ của con người, hoặc tự động bay hoàn toàn. Thiết bị bay đã được phát triển từ thế kỷ XX, cho các mục đích quân sự có tính chất quá nguy hiểm, không phù hợp cho con người. Theo thời gian, với sự phát triển trong công nghệ điều khiển và chi phí sản xuất giảm, trong thế kỷ XXI, các ứng dụng của thiết bị bay đã phát triển nhanh chóng và bao quát trên nhiều lĩnh vực khác nhau như quay phim, vận chuyển, nông nghiệp, giám sát, khoa học và giải trí. Dựa theo khả năng tự động của thiết bị bay, thiết bị bay có thể được chia thành hai loại là điều khiển từ xa hoặc tự động bay.

Một số thiết bị bay được điều khiển từ xa trong hầu hết quá trình thực hiện tác vụ, nhưng có thêm chức năng tự động trở về điểm xuất phát. Ngoài ra còn có OPVs (Optionally Piloted Vehicle), có thể hoạt động với phi công điều khiển, hoặc trở thành UAV khi không có phi công. Dựa theo độ cao và phạm vi hoạt động, diễn đàn về các hệ thống không người lái ParcAberporth chia thiết bị bay thành các loại: • Loại cầm tay: độ cao 600 m, phạm vi 2 km • Loại tầm gần: độ cao 1500 m, phạm vi 10 km • Mẫu của NATO: độ cao 3000 m, phạm vi 50 km • Loại chiến lược: độ cao 5500 m, phạm vi 160 km • MALE (medium altitiude, long endurance): độ cao 9000 m, phạm vi trên 200 km • HALE (high altitude, long endurance): độ cao 9100 m, không giới hạn phạm vi 2 • Vận tốc siêu thanh: độ cao 15200 m, phạm vi trên 200 km Dựa theo khối lượng, thiết bị bay được chia thành các loại: • Micro air vehicle (MAV): thiết bị bay siêu nhỏ, loại nhỏ nhất có thể ít hơn 1g • Miniature UAV, còn được gọi là SUAS (small Unmanned Aircraft Systems): thiết bị bay cỡ nhỏ, khối lượng từ dưới 2 kg đến dưới 25 kg • Heavier UAV: Thiết bị bay loại lớn Hình 1. 1 Các trục chính của một thiết bị bay Một máy bay có thể quay theo ba trục tự do (Hình 1.

1) gồm: • Trục yaw: mũi máy bay sẽ di chuyển sang trái hoặc phải • Trục pitch: mũi máy bay di chuyển lên hoặc xuống • Trục roll: trục chạy dọc từ mũi xuống đuôi máy bay Ba trục yaw, pitch, roll có gốc tại gốc của vector trọng lực máy bay. Khi máy bay di chuyển thì ba trục này cũng di chuyển theo.3 Giới thiệu trí tuệ nhân tạo và thi giác máy tính 1.1 Khái niệm trí tuệ nhân tạo Trí tuệ nhân tạo hay trí thông minh nhân tạo (Artificial Intelligence – viết tắt là AI) là một ngành thuộc lĩnh vực khoa học máy tính. Là những thiết bị có trí tuệ do con người lập trình tạo nên với mục tiêu giúp máy tính có thể tự động hóa các hành vi thông minh như con người ví dụ như: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ, tiếng nói, biết học và tự thích nghi, … 1.2 Ứng dụng của trí tuệ nhân tạo Trí tuệ nhân tạo được chia làm 4 loại chính: Công nghệ trí tuệ nhân tạo phản ứng: Công nghệ trí tuệ nhân tạo phản ứng có khả năng phân tích những động thái khả thi nhất của chính mình và của đối thủ, từ đó, đưa ra được giải pháp tối ưu nhất. Một ví dụ là Deep Blue, chương trình tự động chơi cờ vua của IBM đã đánh bại kì thủ thế giới Garry Kasparov vào những năm 1990.

Công nghệ AI của Deep Blue có thể xác định các nước cờ và dự đoán những bước đi tiếp theo. Nó không có ký ức và không thể sử dụng những kinh nghiệm trong quá khứ để tiếp tục huấn luyện trong tương lai. Công nghệ trí tuệ nhân tạo với bộ nhớ hạn chế: Các hệ thống trí tuệ nhân tạo này có thể sử dụng những kinh nghiệm trong quá khứ để đưa ra các quyết định trong tương lai. Một số chức năng ra quyết định này có mặt trong các loại thiết bị không người lái như xe, thiết bị bay không người lái hoặc tàu ngầm.

Kết hợp các cảm biến môi trường xung quanh công nghệ trí tuệ nhân tạo này có thể dự đoán được tình huống và đưa ra những bước hành động tối ưu cho thiết bị. Sau đó chúng sẽ được sử dụng để đưa ra hành động trong bước tiếp theo. Ví dụ như đối với một thiết bị bay không người lái giao hàng của Google như trên Hình 1. 2, nhiều cảm biến được trang bị xung quanh thiết bị bay để theo dõi môi trường xung quanh giúp thiết bị tính toán khoảng cách với các vật cản phía trước, công nghệ trí tuệ nhân tạo sẽ dự đoán khả năng xảy ra va chạm, từ đó điều chỉnh để tránh vật cản.

Lý thuyết trí tuệ nhân tạo: Công nghệ AI này có thể học hỏi cũng như tự suy nghĩ, sau đó áp dụng những gì học được để thực hiện một việc cụ thể. Hiện nay, công nghệ AI này vẫn chưa trở thành một phương án khả thi. Tự nhận thức: Lúc này cả hệ thống trí tuệ nhân tạo có ý thức về bản thân, có ý thức và hành xử như con người. Chúng thậm chí còn có cảm xúc và hiểu được cảm 4 xúc của những người khác.

Tuy nhiên, loại công nghệ trí tuệ nhân tạo này vẫn chưa khả thi. 2 Thiết bị bay không người lái ứng dụng AI giao hàng của Google 1.3 Khái niệm thị giác máy tính Thị giác máy tính là một lĩnh vực kết hợp một trong những lĩnh vực của khoa học máy tính và nghiên cứu trí tuệ nhân tạo bao gồm các phương pháp thu nhận, kỹ thuật số, phân tích và nhận dạng các hình ảnh và video, nói chung là dữ liệu đa chiều từ thế giới thực để cho ra các thông tin số hoặc biểu tượng. Thị giác máy tính kế thừa và kết hợp các kiến thức của học máy và khoa học máy tính giúp cho máy tính có khả năng nhìn và hiểu giống như con người. Và có một số trường hợp chỉ có máy tính mới thực hiện được mà con người không thể, do đó thị giác máy tính đang ngày càng phát triển.

3 Tổng quan về thị giác máy tính Hình 1. 3 đã khái quát mối quan hệ giữa những vấn đề liên quan đến Thị giác máy tính cụ thể có trí tuệ nhân tạo, học máy, xử lý ảnh, xử lý tín hiệu, kết hợp các thông tin của cảm biến ngoài và đồ họa máy tính.4 Ứng dụng của thị giác máy tính Dựa vào đặc điểm, cách thức ta có một số ứng dụng phổ biến của thị giác máy tính được trình bày ở Hình 1.