Nghiên cứu và chế tạo drone phát hiện cháy rừng bằng xử lý ảnh

Đồ án chế tạo drone phát hiện cháy rừng bằng xử lý ảnh Yolov5 tại ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Lê Võ Trung Thông
• Người hướng dẫn: PGS.TS. Lê Mỹ Hà
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật điều khiển và tự động hóa
• Đề tài: Nghiên cứu và chế tạo drone phát hiện cháy rừng bằng xử lý ảnh
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan chế tạo drone phát hiện cháy rừng tại ĐH SPKT TP

Đề tài nghiên cứu và chế tạo thiết bị bay không người lái phục vụ công tác cảnh báo lâm nghiệp được thực hiện tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Dự án do sinh viên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa triển khai dưới sự hướng dẫn chuyên môn từ Phòng thí nghiệm Hệ thống Thông minh ISLab. Nền tảng quadcopter bốn động cơ được lựa chọn nhằm tối ưu hóa khả năng cơ động trên địa hình đồi núi phức tạp. Thiết bị kết hợp công nghệ điều khiển bay ổn định với hệ thống camera thu nhận dữ liệu thị giác. Mô hình đáp ứng yêu cầu giám sát môi trường trên quy mô rộng lớn. Các phương tiện bay không người lái mang lại tầm nhìn bao quát từ trên cao. Dữ liệu hình ảnh được truyền trực tiếp về trung tâm điều khiển mặt đất với độ trễ thấp. Nghiên cứu tập trung giải quyết bài toán phát hiện sớm nguy cơ cháy thông qua thuật toán nhận dạng điểm ảnh đặc trưng. Thành công bước đầu khẳng định năng lực ứng dụng khoa học kỹ thuật hiện đại vào thực tiễn phòng chống thiên tai tại Việt Nam. Đề tài mở ra tiềm năng thương mại hóa và mở rộng sang các lĩnh vực cứu hộ lâm nghiệp khẩn cấp.

1.1. Bối cảnh nghiên cứu thiết bị bay tại ISLab

Phòng thí nghiệm Hệ thống Thông minh ISLab thuộc Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh là cái nôi phát triển dự án. Nhóm tác giả tận dụng nền tảng cơ sở vật chất sẵn có để thử nghiệm các hệ thống nhúng và cảm biến chuyên dụng. Xu hướng nghiên cứu tập trung vào bài toán tự động hóa trong bảo vệ tài nguyên quốc gia. Các vụ cháy rừng liên tục gây thiệt hại lớn về kinh tế và đa dạng sinh học. Phương thức tuần tra thủ công bộc lộ nhiều điểm hạn chế về tốc độ phản ứng. Do đó việc chế tạo thiết bị bay tự hành mang tính ứng dụng thực tiễn rất cao. Nền tảng nghiên cứu này mở đường cho các sáng kiến bảo vệ rừng thông minh tiếp theo.

1.2. Mục tiêu kỹ thuật của mô hình quadcopter

Mục tiêu trọng tâm của dự án là chế tạo hoàn chỉnh cấu trúc quadcopter bốn cánh quạt có độ ổn định cơ học cao. Thiết bị cần duy trì trạng thái lơ lửng cân bằng và chuyển hướng linh hoạt theo các trục Euler. Khung thân máy bay được tính toán kỹ lưỡng để chịu tải hệ thống mạch xử lý và camera. Thời gian bay được tối ưu hóa nhằm đáp ứng các hành trình khảo sát thực địa kéo dài. Hệ thống thông tin liên lạc không dây đảm bảo truyền tải tín hiệu ổn định ở cự ly xa. Ngoài ra phần mềm điều khiển chuyến bay phải tương thích hoàn toàn với các thuật toán nhận dạng ảnh tự động. Toàn bộ thông số thiết kế đều hướng đến khả năng vận hành bền bỉ trong môi trường khắc nghiệt.

II. Thách thức giám sát và drone phát hiện cháy rừng tại chỗ

Công tác bảo vệ rừng tại Việt Nam hiện đang đối mặt với vô vàn khó khăn do biến đổi khí hậu diễn biến phức tạp. Địa hình đồi núi hiểm trở khiến lực lượng kiểm lâm khó tiếp cận các điểm nóng một cách nhanh chóng. Các phương thức quan sát truyền thống từ đài canh chòi cao thường bị che khuất tầm nhìn bởi khói mù hoặc tán cây rậm rạp. Hình ảnh từ vệ tinh khí tượng có độ trễ lớn và độ phân giải không gian chưa đủ chi tiết để phát hiện những đốm lửa nhỏ mới bùng phát. Khi đám cháy bùng phát thành quy mô lớn thì việc khống chế đòi hỏi nguồn nhân lực khổng lồ kèm theo chi phí vô cùng tốn kém. Nguy cơ thương vong đối với lực lượng cứu hỏa luôn ở mức báo động cao. Những hạn chế này đặt ra bài toán cấp bách về việc hiện đại hóa công nghệ giám sát trên không. Sự xuất hiện của drone trang bị thị giác nhân tạo mang lại giải pháp đột phá. Thiết bị có thể thâm nhập các khu vực nguy hiểm mà con người không thể đặt chân tới. Nhờ vậy thời gian phản ứng trước các thảm họa cháy rừng được rút ngắn đáng kể.

2.1. Giới hạn của phương pháp tuần tra truyền thống

Cách thức kiểm tra rừng bằng sức người tồn tại nhiều rủi ro cố hữu. Kiểm lâm viên phải di chuyển bộ qua những cánh rừng sâu hiểm trở và dốc đá gập ghềnh. Tốc độ tuần tra chậm chạp cản trở việc cập nhật tình hình thực tế trên diện rộng. Khi phát hiện đám cháy thì lửa thường đã lan ra diện tích lớn. Thêm vào đó việc thiếu trang thiết bị bảo hộ khiến tính mạng nhân sự bị đe dọa thường trực. Các phương tiện tuần tra mặt đất không thể vượt qua suối sâu hay vách núi cao. Hệ thống giám sát thủ công không thể duy trì liên tục suốt cả ngày lẫn đêm. Do đó hiệu quả phòng ngừa hỏa hoạn chưa đạt được kỳ vọng mong muốn.

2.2. Khó khăn khí động học khi vận hành quadcopter

Môi trường vùng núi và thung lũng thường xuyên xuất hiện gió lốc xoáy cùng luồng khí nhiễu loạn. Các yếu tố thời tiết này tác động mạnh mẽ lên chuyển động của drone bốn động cơ. Thiết bị rất dễ mất cân bằng tư thế nếu hệ thống điều khiển không bù sai số kịp thời. Mô hình động học Euler phi tuyến đòi hỏi các thuật toán điều khiển phản hồi cực kỳ nhanh. Vận tốc góc p, q, r đo trên hệ trục tọa độ thân máy bay luôn thay đổi thất thường. Khi máy bay rung lắc dữ dội thì chất lượng khung hình thu nhận từ camera sẽ bị giảm sút nghiêm trọng. Hiện tượng nhòe mờ gây cản trở cho quá trình trích xuất đặc trưng đám cháy. Nhóm nghiên cứu buộc phải tối ưu cả cơ khí lẫn thuật toán cân bằng.

III. Giải pháp chế tạo drone phát hiện cháy rừng bằng xử lý ảnh

Nhóm tác giả tại ĐH SPKT TP.HCM đã xây dựng giải pháp kỹ thuật tích hợp đồng bộ giữa phần cứng và phần mềm thông minh. Hệ thống cơ khí sử dụng khung thân bốn cánh quạt carbon siêu nhẹ nhằm giảm trọng lượng tổng thể. Bốn động cơ không chổi than được điều khiển thông qua bộ biến tần điều tốc ESC điện tử. Cơ chế bay lơ lửng, tiến, lùi và chuyển hướng được kiểm soát thông qua vi sai lực nâng của các cặp cánh đối xứng. Bộ vi xử lý trung tâm đảm nhận nhiệm vụ thu nhận dữ liệu từ cảm biến con quay hồi chuyển và gia tốc kế. Dòng dữ liệu hình ảnh độ nét cao truyền liên tục về khối xử lý thị giác máy tính chuyên biệt. Thuật toán phân tích màu sắc không gian HSV kết hợp với phân đoạn chuyển động nhằm bóc tách ngọn lửa và làn khói. Bộ lọc nhiễu quang học giúp loại trừ ánh nắng phản xạ và các nguồn nhiệt nhân tạo. Khi phát hiện đám cháy, hệ thống lập tức trích xuất tọa độ GPS và kích hoạt cảnh báo truyền về màn hình điều khiển.

3.1. Thiết kế khí động học và hệ thống động lực

Cấu trúc quadcopter được thiết kế đối xứng dạng chữ X nhằm tối đa hóa lực nâng khí động học. Bốn động cơ điện được phân bổ đều tại các đầu mút của cánh tay đòn chịu lực. Chiều quay của các cánh quạt đối diện được bố trí ngược chiều nhau để triệt tiêu mô-men xoắn tự nhiên. Khi muốn nâng độ cao, vận tốc cả bốn động cơ tăng dần cho đến khi tổng lực nâng thắng trọng lực. Chuyển động tiến hoặc lùi được tạo ra bằng cách thay đổi tốc độ chênh lệch giữa các cặp động cơ trước và sau. Khi cần quay đầu, sai lệch vận tốc giữa các cặp quay thuận và nghịch sẽ tạo ra mô-men quay thân máy bay. Hệ thống đáp ứng linh hoạt các mệnh lệnh bay phức tạp.

3.2. Thuật toán xử lý ảnh nhận diện ngọn lửa

Quy trình nhận diện bắt đầu bằng việc chuyển đổi ảnh màu RGB sang không gian màu HSV để phân lập sắc độ lửa. Các ngưỡng màu vàng cam và đỏ rực được thiết lập để lọc tách vùng nghi vấn khỏi thảm thực vật xanh. Tiếp theo thuật toán phân tích sự biến đổi hình học giữa các khung hình liên tiếp để phát hiện chuyển động nhấp nháy đặc trưng của lửa. Phương pháp trừ nền giúp nhận biết sự xuất hiện của các cột khói bốc lên cao. Mô hình tính toán độ tin cậy để hạn chế tối đa các tình huống báo động giả do phản quang mặt trời. Tốc độ xử lý khung hình đạt mức ổn định theo thời gian thực. Toàn bộ chu trình phân tích diễn ra độc lập ngay trên thiết bị nhúng.

IV. Hiệu quả ứng dụng drone phát hiện cháy rừng trong thực tế

Đề tài tốt nghiệp tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh đã chứng minh tính khả thi vượt trội của phương pháp giám sát lâm nghiệp thông minh. Mô hình drone kết hợp xử lý ảnh giúp giảm thiểu phụ thuộc vào nhân lực tuần tra mặt đất vốn tiềm ẩn nhiều nguy cơ rủi ro. Khả năng phát hiện sớm các đám cháy quy mô nhỏ cho phép lực lượng kiểm lâm dập tắt hỏa hoạn trước khi ngọn lửa bùng phát diện rộng. Hệ thống cung cấp hình ảnh trực quan cùng tọa độ chính xác của tâm điểm cháy về trung tâm chỉ huy điều hành. Giải pháp này giúp tiết kiệm đáng kể ngân sách bảo vệ tài nguyên rừng hàng năm. Không chỉ dừng lại ở bài toán lâm nghiệp, công nghệ này còn mở ra tiềm năng lớn cho các hoạt động cứu hộ cứu nạn và khảo sát địa hình hiểm trở. Các kết quả nghiên cứu là nền tảng vững chắc để tiếp tục hoàn thiện sản phẩm ở cấp độ thương mại phục vụ xã hội. Dự án đóng góp tích cực vào tiến trình chuyển đổi số trong quản lý tài nguyên thiên nhiên tại Việt Nam.

4.1. Khả năng nhân rộng trong công tác kiểm lâm

Mô hình có khả năng triển khai rộng rãi tại các vườn quốc gia và khu bảo tồn thiên nhiên trên toàn quốc. Chi phí sản xuất thiết bị trong nước thấp hơn nhiều so với việc nhập khẩu hệ thống ngoại nhập đắt đỏ. Các ban quản lý rừng có thể dễ dàng tiếp cận và làm chủ quy trình vận hành bảo trì thiết bị. Drone hỗ trợ lập lịch bay tuần tra tự động theo các lộ trình được cài đặt sẵn trước mỗi chuyến bay. Khi phát hiện bất thường, dữ liệu hình ảnh được chuyển tải ngay tức khắc về trạm điều phối trung tâm. Điều này nâng cao năng lực sẵn sàng ứng phó trong mọi tình huống khẩn cấp. Chính quyền địa phương có thể chủ động khoanh vùng và kiểm soát thảm họa hiệu quả.

4.2. Định hướng tích hợp trí tuệ nhân tạo tương lai

Bước phát triển tiếp theo của hệ thống tập trung vào việc nhúng các mạng nơ-ron tích chập sâu như YOLO vào phần cứng bay. Nâng cấp này giúp tối ưu hóa khả năng phân loại khói lửa trong điều kiện thời tiết sương mù dày đặc. Ngoài ra việc kết hợp thêm cảm biến hồng ngoại tầm nhiệt sẽ nâng cao hiệu quả tuần tra ban đêm. Đội ngũ nghiên cứu cũng hướng đến khả năng kết nối nhiều drone thành một mạng lưới phối hợp tự hành. Khi một thiết bị phát hiện hỏa hoạn, các máy bay xung quanh sẽ tự động tiếp cận hỗ trợ lập bản đồ cháy 3D. Đây là hướng đi then chốt nhằm nâng tầm công nghệ phòng cháy chữa cháy lâm nghiệp thông minh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Cháy rừng là một vấn đề môi trường nghiêm trọng trên phạm vi toàn cầu, gây thiệt hại nặng nề đến đa dạng sinh học, phá hủy môi trường sống của động thực vật và con người, đồng thời là một trong những tác nhân gia tăng biến đổi khí hậu. Hàng năm, hàng triệu hecta rừng bị thiêu rụi do các nguyên nhân tự nhiên hoặc do hoạt động của con người. Trong công tác quản lý và bảo vệ rừng, việc phát hiện sớm và kịp thời các đám cháy là yếu tố mang tính quyết định nhằm giảm thiểu tối đa các tổn thất. Tuy nhiên, trước diện tích rừng rộng lớn và đặc điểm địa hình hiểm trở, các phương pháp giám sát và phát hiện cháy rừng truyền thống bộc lộ nhiều hạn chế kỹ thuật:

• Phương pháp tuần tra mặt đất (Ground patrol): Mặc dù lực lượng tuần tra có thể tiếp cận trực tiếp hiện trường, phương pháp này bị hạn chế lớn bởi địa hình đồi núi phức tạp và thời gian phản ứng chậm. Đám cháy thường chỉ được phát hiện khi đã bùng phát và lan rộng, gây khó khăn nghiêm trọng cho công tác khống chế và dập lửa.
• Hệ thống giám sát qua vệ tinh (Satellite monitoring system): Đây là giải pháp công nghệ cho phép quan sát vùng phủ sóng rộng lớn từ không gian. Tuy nhiên, độ phân giải hình ảnh từ vệ tinh thường ở mức thấp, đồng thời chu kỳ chụp lặp lại không liên tục và dễ bị che khuất bởi mây mù, dẫn đến việc không cung cấp được thông tin chi tiết về các đám cháy nhỏ mới hình thành.
• Hệ thống camera và cảm biến cố định (Fixed camera and sensor system): Giải pháp này hỗ trợ giám sát liên tục tại các vị trí trọng điểm có nguy cơ cao. Nhược điểm lớn nhất là không thể bao quát diện tích rộng lớn; do camera và cảm biến được đặt cố định tại một tọa độ, phạm vi quan sát bị giới hạn và không thể theo dõi các khu vực nằm ngoài tầm nhìn của thiết bị.

Để khắc phục các điểm nghẽn nêu trên, đề tài đề xuất giải pháp kết hợp giữa thiết bị bay không người lái (UAV/drone) và kỹ thuật xử lý ảnh. Thiết bị bay có khả năng tự động tuần tra theo lộ trình lập sẵn, ghi nhận hình ảnh từ trên cao và xử lý dữ liệu thời gian thực để nhận diện các dấu hiệu cháy, đồng thời trích xuất tọa độ GPS để gửi cảnh báo về trạm điều khiển mặt đất.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định cụ thể như sau:

• Mục đích: Nghiên cứu và chế tạo thiết bị bay không người lái dạng quadcopter ứng dụng công nghệ xử lý ảnh để phát hiện cháy rừng (Research and Construction of a Drone for Forest Fire Detection using Image Processing).
• Mục tiêu nghiên cứu (được đánh số theo văn bản):
  1. Xây dựng hệ thống drone tự động vận hành theo lộ trình xác định trước dựa trên hệ thống định vị toàn cầu GPS.
  2. Tích hợp hệ thống xử lý ảnh để nhận diện đám cháy trong thời gian thực.
  3. Gửi thông điệp cảnh báo kèm tọa độ GPS chính xác về trạm điều khiển mặt đất khi phát hiện đám cháy.

Về đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Thiết bị bay bốn cánh quạt (quadcopter), các giải thuật điều khiển bay, giao thức truyền thông không dây, mô hình mạng nơ-ron tích chập (CNN) phát hiện đối tượng, và máy tính nhúng xử lý biên.
• Phạm vi không gian và thời gian: Nghiên cứu tập trung vào việc thiết kế, chế tạo và thử nghiệm một mô hình mẫu (prototype). Các đợt thử nghiệm bay thực địa được thực hiện vào cuối tháng 12 tại một khu vực có nguy cơ cháy rừng thấp. Các chuyến bay thử nghiệm được giới hạn ở cự ly ngắn và thời lượng ngắn do các giới hạn phần cứng ban đầu của mô hình thực nghiệm.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết liên ngành bao gồm động lực học bay, điều khiển tự động, truyền thông vô tuyến và thị giác máy tính:

• Hệ tọa độ và góc Euler (Euler Angles): Hệ thống sử dụng ba góc xoay Euler do Leonhard Euler đề xuất để mô tả hướng của vật thể rắn trong không gian ba chiều:

  • Góc lắc ngang Roll ($\phi$): Chuyển động quay quanh trục X. Ma trận quay $R_x(\phi)$: $$R_x(\phi) = \begin{bmatrix} 1 & 0 & 0 \ 0 & \cos\phi & -\sin\phi \ 0 & \sin\phi & \cos\phi \end{bmatrix}$$
  • Góc chúc ngóc Pitch ($\theta$): Chuyển động quay quanh trục Y. Ma trận quay $R_y(\theta)$: $$R_y(\theta) = \begin{bmatrix} \cos\theta & 0 & \sin\theta \ 0 & 1 & 0 \ -\sin\theta & 0 & \cos\theta \end{bmatrix}$$
  • Góc quay hướng Yaw ($\psi$): Chuyển động quay quanh trục Z. Ma trận quay $R_z(\psi)$: $$R_z(\psi) = \begin{bmatrix} \cos\psi & -\sin\psi & 0 \ \sin\psi & \cos\psi & 0 \ 0 & 0 & 1 \end{bmatrix}$$
  • Ma trận quay tổng hợp khi thực hiện phép xoay theo thứ tự Yaw, Pitch, Roll (Z, Y, X): $R = R_z(\psi) R_y(\theta) R_x(\phi)$.

• Động học Quadcopter (Quadcopter Kinematics): Vị trí của quadcopter trong hệ quy chiếu quán tính được xác định bởi tọa độ không gian 3 chiều $(x, y, z)$. Vận tốc thẳng được biểu diễn bởi $(\dot{x}, \dot{y}, \dot{z})$. Vận tốc góc trong hệ quy chiếu thân (body frame) được ký hiệu bằng vectơ $\omega = [p, q, r]^T$, trong đó $p, q, r$ lần lượt là các thành phần vận tốc góc quanh các trục $x, y, z$ của thân bay. Mối quan hệ giữa vận tốc góc trong hệ quy chiếu thân và đạo hàm thời gian của các góc Euler $(\dot{\phi}, \dot{\theta}, \dot{\psi})$ được xác định thông qua phương trình biến đổi: $$\begin{bmatrix} p \ q \ r \end{bmatrix} = \begin{bmatrix} 1 & 0 & -\sin\theta \ 0 & \cos\phi & \cos\theta\sin\phi \ 0 & -\sin\phi & \cos\theta\cos\phi \end{bmatrix} \begin{bmatrix} \dot{\phi} \ \dot{\theta} \ \dot{\psi} \end{bmatrix}$$

• Nguyên lý điều khiển chuyển động quadcopter: Thiết bị sử dụng 4 động cơ gồm 2 động cơ quay thuận chiều kim đồng hồ (CW) và 2 động cơ quay ngược chiều kim đồng hồ (CCW).

  • Cất cánh (Take off): Tăng đều tốc độ 4 động cơ sao cho tổng lực nâng lớn hơn trọng lực.
  • Tiến về phía trước (Move forward): Động cơ 2 và 3 tăng tốc nhanh hơn động cơ 1 và 4.
  • Lùi về phía sau (Move backward): Động cơ 1 và 4 tăng tốc nhanh hơn động cơ 2 và 3.
  • Rẽ trái / nghiêng trái (Turn left): Động cơ 1 và 2 tăng tốc nhanh hơn động cơ 3 và 4.
  • Rẽ phải / nghiêng phải (Turn right): Động cơ 3 và 4 tăng tốc nhanh hơn động cơ 1 và 2.
  • Xoay hướng mũi sang trái (Rotate left): Động cơ 1 và 3 tăng tốc nhanh hơn động cơ 2 và 4.
  • Xoay hướng mũi sang phải (Rotate right): Động cơ 2 và 4 tăng tốc nhanh hơn động cơ 1 và 3.
  • Hạ cánh (Land): Giảm dần tốc độ cả 4 động cơ cùng lúc.
  • Bay treo (Hover): Tổng lực nâng cân bằng chính xác với trọng lực của drone.

• Hệ thống điều khiển và truyền thông:

  • Bộ điều khiển vi tích phân tỉ lệ (PID Controller) kết hợp cùng thuật toán Lọc Kalman mở rộng (Extended Kalman Filter - EKF) trên Mạch điều khiển bay (Flight Controller).
  • Giao thức truyền thông MAVLink (Micro Air Vehicle Link) và thư viện phần mềm PyMAVLink, cho phép trao đổi dữ liệu bay hai chiều giữa máy tính nhúng với Flight Controller và Trạm điều khiển mặt đất (Ground Control Station - GCS) thông qua phần mềm Mission Planner.
  • Hệ thống định vị toàn cầu GPS (Global Positioning System).

• Thị giác máy tính và Học sâu (Deep Learning/CNN): Mô hình mạng nơ-ron nhân tạo (ANN) và mạng nơ-ron tích chập (CNN) gồm các tầng tích chập/thu gọn (condensation layer), hàm kích hoạt (activation function), tầng gộp (Pooling Layer với Max pooling và Average pooling), tầng làm phẳng (Flattening Layer) và tầng kết nối đầy đủ (Fully Connected Layer). Kiến trúc được lựa chọn để huấn luyện và thực thi phát hiện đám cháy là YOLOv5.

Phương pháp nghiên cứu thực tế gồm ba bước chính:

1. Nghiên cứu lý thuyết (Theoretical research): Thu thập tri thức học thuật về thiết kế quadcopter, động lực học bay và các giải thuật thị giác máy tính.
2. Lắp ráp mô hình (Model Assembly): Gia công, tích hợp phần cứng thực tế, cài đặt phần mềm và nhúng mô hình phát hiện cháy lên hệ thống tính toán biên.
3. Thử nghiệm thực nghiệm (Testing): Đánh giá tính ổn định của các chuyến bay tự động, kiểm thử độ chính xác của mô hình nhận diện cháy và kiểm tra khả năng truyền tin cảnh báo kèm tọa độ GPS.

Nguồn dữ liệu của nghiên cứu bao gồm: tập ảnh chụp đám cháy thực tế tại bãi thử nghiệm, tập ảnh thu thập từ Internet và các đoạn video mô phỏng cháy rừng từ YouTube để kiểm thử hệ thống.

---

Thiết kế và triển khai hệ thống kỹ thuật

Khóa luận tiến hành phân tích các dạng cấu hình UAV trước khi đi đến quyết định thiết kế mô hình quadcopter phục vụ nhiệm vụ tuần tra rừng.

Dạng UAV	Ưu điểm	Nhược điểm
Cánh bằng (Fixed-Wing)	Tốc độ bay cao; thời gian hoạt động dài; hiệu suất sử dụng năng lượng tốt hơn.	Không có khả năng bay treo (hover); cần không gian cất cánh và hạ cánh lớn.
Cánh quay (Rotorcraft)	Khả năng bay treo tại chỗ; cất và hạ cánh thẳng đứng (VTOL); di chuyển linh hoạt.	Tốc độ bay thấp; thời gian bay ngắn hơn.
Cánh lai (Hybrid)	Cất và hạ cánh thẳng đứng (VTOL); tính linh hoạt vận hành cao.	Thiết kế cơ khí phức tạp; chi phí chế tạo cao; hệ thống điều khiển phức tạp.

Dựa trên yêu cầu bay treo quan sát chi tiết hiện trường và cất hạ cánh trong không gian rừng chật hẹp, cấu hình cánh quay bốn động cơ (quadcopter) được lựa chọn.

1. Thiết kế cơ khí và tích hợp phần cứng

Thiết bị được mô hình hóa không gian 3 chiều thông qua phần mềm SolidWorks trước khi gia công, bao gồm các bản vẽ chiếu bằng (Top view), chiếu đứng (Front view) và chiếu cạnh (Right view). Hệ thống phần cứng hoàn chỉnh gồm các khối chức năng chính:

Nhóm linh kiện	Tên thành phần & Vai trò kỹ thuật
Khung thân (Frame)	Khung chịu lực của quadcopter, định hình kết cấu và giá đỡ các thành phần bay.
Động cơ & Điều tốc	Động cơ không chổi than (Brushless Motor) kết hợp bộ điều tốc điện tử (ESC) để thay đổi tốc độ quay của cánh quạt theo tín hiệu PWM.
Điều khiển bay & Dẫn đường	Mạch điều khiển bay (Flight Controller) tích hợp cảm biến đo lường quán tính (IMU), thuật toán EKF, và module GPS định vị tọa độ.
Tính toán biên (Edge AI)	Máy tính nhúng NVIDIA Jetson Nano đảm nhiệm vai trò chạy mô hình học sâu suy luận hình ảnh trực tiếp trên thiết bị bay.
Thu nhận hình ảnh	Module Camera kết nối trực tiếp với Jetson Nano để ghi nhận video thời gian thực khu vực tuần tra.
Truyền dữ liệu & Nguồn	Module truyền thông Telemetry truyền dữ liệu bay về GCS; khối pin LiPo cung cấp năng lượng toàn hệ thống.

2. Kiến trúc luồng xử lý và thuật toán cảnh báo

Quy trình phát hiện và cảnh báo cháy trên máy tính nhúng Jetson Nano hoạt động theo sơ đồ khối tuần tự:

• Khối camera thu nhận luồng video liên tục và trích xuất từng khung hình (frames).
• Khung hình được đưa vào mô hình học sâu YOLOv5 đã được tối ưu hóa để phân loại và định vị vùng chứa ngọn lửa/khói.
• Khi mô hình xác nhận có cháy: Jetson Nano kích hoạt giao thức MAVLink thông qua thư viện PyMAVLink để truy xuất tức thời tọa độ định vị hiện tại (kinh độ, vĩ độ) từ Flight Controller.
• Dữ liệu tọa độ được đóng gói thành bản tin cảnh báo (warning message) và truyền không dây qua module Telemetry về trạm điều khiển mặt đất Mission Planner.
• Giao diện Mission Planner tiếp nhận cảnh báo, hiển thị vị trí đám cháy trực quan trên bản đồ số phục vụ công tác điều phối ứng cứu.

---

Nội dung chính theo từng chương

Chapter 1: Overview

Chương 1 trình bày tổng quan về tính cấp thiết của đề tài trong bối cảnh cháy rừng diễn biến phức tạp. Tác giả phân tích điểm yếu của các giải pháp truyền thống như tuần tra thủ công, ảnh vệ tinh và camera cố định, từ đó đưa ra lý do phát triển hệ thống UAV giám sát tự động. Chương này xác định rõ mục đích nghiên cứu, 3 mục tiêu cụ thể, phương pháp luận nghiên cứu gồm ba giai đoạn (nghiên cứu lý thuyết, lắp ráp mô hình, thực nghiệm đánh giá), phạm vi thử nghiệm giới hạn vào cuối tháng 12 tại khu vực ít nguy cơ cháy, cùng cấu trúc tổng thể 5 chương của khóa luận.

Chapter 2: Theoretical Basis

Chương 2 cung cấp hệ thống lý thuyết toàn diện về UAV và thị giác máy tính:

• Lược sử phát triển UAV: từ khí cầu mang bom của quân đội Áo năm 1849, thiết bị điều khiển từ xa Teleautomation của Nikola Tesla năm 1898, Aerial Target (Anh), Kettering Bug năm 1918, máy bay bia bắn Radioplane OQ-2 đạt vận tốc 200 mph trong Thế chiến II, MQ-1 Predator năm 1995 tích hợp tên lửa Hellfire, MQ-9 Reaper tích hợp AI, DJI Phantom 1 năm 2013 thương mại hóa drone dân sự, đến trực thăng tự hành Ingenuity bay trên Sao Hỏa năm 2021.
• Phân loại và ứng dụng UAV trong quân sự, nông nghiệp, giám sát môi trường, cứu hộ cứu nạn, kiểm tra công trình, giao hàng, khảo sát địa lý - lập bản đồ 3D và truyền thông giải trí.
• Cơ sở toán học của quadcopter: hệ tọa độ, các góc Euler (Roll, Pitch, Yaw), ma trận xoay tổng hợp và phương trình vi phân liên hệ giữa vận tốc góc hệ thân với tốc độ biến thiên góc Euler.
• Cơ sở điều khiển và trí tuệ nhân tạo: cấu trúc bộ điều khiển PID, cấu trúc mạng nơ-ron nhân tạo (ANN), các lớp cấu tạo của mạng CNN (tầng tích chập, hàm kích hoạt, tầng gộp Max/Average pooling, tầng làm phẳng, tầng kết nối đầy đủ) và mô hình nhận diện vật thể YOLOv5.

Chapter 3: Hardware Implementation

Chương 3 tập trung vào khâu thiết kế cơ khí và triển khai chế tạo mô hình thực nghiệm:

• Trình bày bản vẽ thiết kế 3D của quadcopter trên phần mềm SolidWorks ở các góc nhìn chiếu bằng, chiếu đứng và chiếu cạnh.
• Lập bảng danh mục chi tiết các linh kiện cấu thành quadcopter (Table 3-1) và bảng chi phí chế tạo mô hình (Table 3-2).
• Thể hiện sơ đồ đấu nối dây hoàn chỉnh giữa các khối phần cứng: Flight Controller, bộ điều tốc ESC, động cơ, pin LiPo, Jetson Nano, camera và module truyền dữ liệu Telemetry.
• Xây dựng lưu đồ giải thuật chi tiết của hệ thống phát hiện cháy rừng trên Jetson Nano.
• Thu thập tập dữ liệu hình ảnh phục vụ huấn luyện mô hình YOLOv5, bao gồm ảnh chụp thực tế tại bãi thử nghiệm và ảnh thu thập từ Internet.

Chapter 4: Experiments and Evaluations

Chương 4 công bố toàn bộ dữ liệu thực nghiệm bay và kết quả xử lý ảnh:

• Kiểm thử bay theo quỹ đạo hình vuông (square flight trajectory): Phân tích biểu đồ quỹ đạo bay thực tế so với quỹ đạo đặt, độ cao bay, diễn biến các góc Roll, Pitch, Yaw và đồ thị sai số góc Roll, Pitch, Yaw trong suốt quá trình bay.
• Kết quả huấn luyện mô hình YOLOv5: Phân tích biểu đồ kết quả huấn luyện, ma trận nhầm lẫn (Confusion Matrix).
• Kiểm chứng khả năng nhận diện của mô hình trên tập ảnh Internet, ảnh chụp tại bãi thử nghiệm và video thử nghiệm đám cháy trên YouTube.
• Thực nghiệm bay khảo sát thực tế có đám cháy (survey flight): Đồ thị quỹ đạo bay thực tế, dữ liệu độ cao, góc Roll, Pitch, Yaw và sai số góc.
• Kết quả cảnh báo hệ thống: Ghi nhận hình ảnh quadcopter phát hiện ngọn lửa bên dưới khu vực thử nghiệm, hiển thị thông điệp cảnh báo trên màn hình Mission Planner và xác định vị trí tọa độ GPS của đám cháy trong bản tin cảnh báo.

Chapter 5: Conclusion

Chương 5 tóm tắt các kết quả kỹ thuật đã hoàn thành của đề tài, đánh giá mức độ đáp ứng mục tiêu ban đầu và đề xuất các định hướng nâng cấp phần cứng và phần mềm cho các giai đoạn phát triển tiếp theo.

---

Kết quả và đóng góp

Khóa luận đã chế tạo thành công một mô hình thực nghiệm hoàn chỉnh và thu được các kết quả cụ thể thông qua dữ liệu đo đạc thực tế:

1. Kết quả kiểm nghiệm hệ thống điều khiển bay

• Hệ thống thực hiện thành công bài bay tự động bám theo quỹ đạo hình vuông lập trình sẵn dựa trên tọa độ GPS.
• Dữ liệu ghi nhận từ nhật ký bay (flight log) chứng minh khả năng duy trì độ cao ổn định của quadcopter trong các chế độ bay tự động.
• Các góc tư thế Euler (Roll, Pitch, Yaw) bám sát giá trị đặt của bộ điều khiển. Đồ thị sai số góc Roll, Pitch và Yaw duy trì trong biên độ cho phép, đảm bảo độ ổn định khí động học khi thiết bị mang tải trọng máy tính nhúng và camera.

2. Kết quả nhận diện cháy bằng mô hình YOLOv5

• Mô hình YOLOv5 được huấn luyện thành công trên tập dữ liệu tổng hợp (ảnh thực tế và ảnh Internet), thể hiện qua các chỉ số hội tụ của biểu đồ kết quả huấn luyện và ma trận nhầm lẫn (Confusion Matrix).
• Mô hình được kiểm chứng độc lập trên nhiều nguồn dữ liệu: nhận diện chính xác các đặc trưng ngọn lửa trên tập ảnh thử nghiệm từ Internet, ảnh hiện trường bãi thử và video ngọn lửa động phát từ YouTube.
• Trong chuyến bay khảo sát thực địa (survey flight), hệ thống camera trên quadcopter cùng Jetson Nano đã nhận diện chính xác đám cháy thử nghiệm bên dưới khu vực mặt đất.

3. Khả năng liên lạc và cảnh báo thời gian thực

• Hệ thống phát tín hiệu cảnh báo tức thời khi phát hiện ngọn lửa.
• Trạm điều khiển mặt đất Mission Planner tiếp nhận thành công bản tin cảnh báo từ drone thông qua giao thức MAVLink.
• Bản tin hiển thị trực quan thông báo cảnh báo và cung cấp chính xác tọa độ GPS (kinh độ, vĩ độ) của khu vực có cháy, hỗ trợ việc định vị vị trí can thiệp trên bản đồ số.

4. Đóng góp kỹ thuật do tác giả tự nêu

• Tích hợp thành công một hệ thống giám sát tự động khép kín trên nền tảng quadcopter chi phí thấp, kết hợp giữa mạch điều khiển bay mã nguồn mở và máy tính nhúng xử lý AI tại biên.
• Xây dựng giải pháp tự động trích xuất tọa độ GPS từ hệ thống dẫn đường bay để gán vào bản tin cảnh báo thị giác máy tính, giải quyết được bài toán xác định vị trí đám cháy trong thời gian thực mà không phụ thuộc vào hạ tầng mạng mặt đất.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra các hạn chế kỹ thuật hiện tại của mô hình mẫu và đề xuất lộ trình phát triển:

Hạn chế kỹ thuật

• Điều kiện thử nghiệm: Các chuyến bay thực nghiệm mới chỉ được tiến hành vào cuối tháng 12 tại khu vực có nguy cơ cháy rừng thấp, chưa trải qua kiểm chứng trong điều kiện thời tiết khắc nghiệt (nhiệt độ cao, gió lớn, khói dày đặc).
• Phạm vi và thời lượng bay: Cự ly bay và thời gian hoạt động trên không còn ngắn do giới hạn dung lượng của khối pin LiPo thử nghiệm.
• Tải trọng giới hạn: Động cơ và bộ điều tốc ESC hiện tại có công suất vừa đủ cho mô hình mẫu, chưa hỗ trợ mang thêm các thiết bị chuyên dụng nặng hơn như cảm biến nhiệt đa phổ hay hệ thống cứu hỏa chủ động.
• Khoảng cách truyền thông: Tầm phủ sóng của module truyền thông không dây Telemetry hiện tại còn hạn chế, chưa đáp ứng được các chuyến bay trinh sát tầm xa.

Hướng nghiên cứu tiếp

• Nâng cấp động cơ và ESC: Thay thế động cơ và bộ điều tốc có công suất lớn hơn nhằm nâng cao lực đẩy, cho phép quadcopter mang tải trọng lớn hơn để tích hợp thêm các thiết bị ngoại vi và cảm biến chuyên dụng.
• Tối ưu hóa nguồn năng lượng: Gia tăng dung lượng pin hoặc nghiên cứu các giải pháp tối ưu hóa tiêu thụ năng lượng nhằm kéo dài thời gian bay trên không, mở rộng diện tích tuần tra giám sát.
• Trang bị module truyền dữ liệu tầm xa: Tích hợp các module Telemetry tầm xa (long-range telemetry modules) nhằm bảo đảm tín hiệu truyền thông ổn định ở cự ly lớn giữa drone và trạm mặt đất.
• Thử nghiệm mở rộng: Đưa hệ thống vào thử nghiệm thực tế tại các vùng rừng có nguy cơ cháy cao trong các mùa khô hanh để hoàn thiện thuật toán nhận diện trong điều kiện khói lửa phức tạp.

---

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo thực tiễn cho nhiều nhóm đối tượng học thuật và ứng dụng kỹ thuật:

• Sinh viên và nhà nghiên cứu ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử: Khóa luận cung cấp tài liệu chi tiết về quy trình thiết kế, mô hình hóa động học quadcopter, tính toán ma trận xoay góc Euler, cơ sở lý thuyết điều khiển PID, và phương pháp ghép nối phần cứng mạch điều khiển bay với các máy tính nhúng hiện đại.
• Người nghiên cứu ứng dụng Thị giác máy tính và Trí tuệ nhân tạo trên thiết bị biên: Phần triển khai mô hình YOLOv5 trên máy tính nhúng Jetson Nano cùng lưu đồ xử lý khung hình thời gian thực là tài liệu tham khảo trực tiếp cho các dự án phát hiện vật thể, giám sát thông minh từ thiết bị bay.
• Kỹ sư phát triển hệ thống UAV trinh sát và quan trắc môi trường: Chương triển khai phần cứng, giao thức MAVLink, thư viện PyMAVLink và phương thức đồng bộ hóa tọa độ GPS từ Flight Controller về trạm Mission Planner là một giải pháp mẫu hoàn chỉnh, có thể ứng dụng vào các bài toán cứu hộ cứu nạn, kiểm tra đường dây điện hoặc giám sát nông nghiệp.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng mô hình học sâu nào để nhận diện đám cháy và mô hình đó được thực thi trên phần cứng nhúng nào?
Tác giả sử dụng mô hình mạng nơ-ron tích chập YOLOv5 để nhận diện ngọn lửa và khói. Mô hình được triển khai và thực thi xử lý thời gian thực trực tiếp trên máy tính nhúng NVIDIA Jetson Nano gắn trên thân quadcopter.

2. Dữ liệu huấn luyện mô hình phát hiện cháy rừng được thu thập từ những nguồn nào?
Dữ liệu huấn luyện và kiểm thử được tác giả tổng hợp từ hai nguồn chính: tập ảnh chụp đám cháy thực tế tại bãi thử nghiệm và tập ảnh đám cháy thu thập từ Internet. Ngoài ra, tác giả sử dụng video đám cháy trên YouTube để kiểm nghiệm khả năng nhận diện liên tục của hệ thống.

3. Cơ chế nào cho phép trạm mặt đất nhận được tọa độ GPS khi drone phát hiện đám cháy?
Khi mô hình YOLOv5 chạy trên Jetson Nano phát hiện dấu hiệu cháy, hệ điều hành nhúng sử dụng thư viện PyMAVLink giao tiếp với Flight Controller qua giao thức MAVLink để trích xuất ngay lập tức tọa độ GPS hiện thời. Dữ liệu này được đóng gói vào bản tin cảnh báo và gửi về trạm điều khiển mặt đất Mission Planner thông qua module Telemetry không dây.

4. Mối quan hệ toán học giữa vận tốc góc trong hệ quy chiếu thân và đạo hàm thời gian của các góc Euler được mô tả như thế nào trong khóa luận?
Mối quan hệ này được biểu diễn thông qua phương trình ma trận động học: $$\begin{bmatrix} p \ q \ r \end{bmatrix} = \begin{bmatrix} 1 & 0 & -\sin\theta \ 0 & \cos\phi & \cos\theta\sin\phi \ 0 & -\sin\phi & \cos\theta\cos\phi \end{bmatrix} \begin{bmatrix} \dot{\phi} \ \dot{\theta} \ \dot{\psi} \end{bmatrix}$$ trong đó $p, q, r$ là các thành phần vận tốc góc quanh các trục thân $x, y, z$, còn $\dot{\phi}, \dot{\theta}, \dot{\psi}$ lần lượt là đạo hàm theo thời gian của góc Roll, Pitch và Yaw.

5. Đợt thử nghiệm bay thực địa của đề tài được tiến hành trong điều kiện thời gian và môi trường cụ thể ra sao?
Các đợt thử nghiệm bay thực địa được tiến hành vào cuối tháng 12 tại một khu vực có nguy cơ cháy rừng thấp, với các bài bay được giới hạn ở cự ly ngắn và thời gian ngắn nhằm bảo đảm an toàn cho mô hình mẫu thử nghiệm.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Võ Trung Thông đã hoàn thành đầy đủ quy trình thiết kế, tích hợp phần cứng và thực nghiệm thành công một mô hình quadcopter giám sát cháy rừng tự động. Bằng việc kết hợp mạch điều khiển bay với máy tính nhúng Jetson Nano và mạng nơ-ron tích chập YOLOv5, hệ thống có khả năng nhận diện ngọn lửa và gửi cảnh báo tọa độ GPS tức thời về trạm điều khiển Mission Planner qua giao thức MAVLink. Dù còn một số hạn chế về thời lượng pin và cự ly bay của mô hình mẫu, công trình đã thiết lập được một giải pháp kỹ thuật khả thi, tạo cơ sở thực nghiệm vững chắc cho việc nâng cấp thành các hệ thống tuần tra môi trường chuyên dụng trong tương lai.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF INTERNATIONAL EDUCATION GRADUATION THESIS RESEARCH AND CONSTRUCTION OF A DRONE FOR FOREST FIRE DETECTION USING IMAGE PROCESSING Major: AUTOMATION AND CONTROL ENGINEERING TECHNOLOGY Advisor: Assoc. LE MY HA Students: LE VO TRUNG THONG Student ID: 19151043 HO CHI MINH CITY, JUNE 2025 DISCLAIMER The author has conducted comprehensive research and analysis in the preparation of this thesis. While every effort has been made to ensure accuracy, neither the author nor the affiliated organization guarantees the completeness, accuracy, or relevance of the content as of the date of publication. This document is provided solely for academic purposes and is not intended to replace professional advice.

Readers are advised to independently verify the information contained herein and consult relevant experts before taking any action based on this report. The author and the organization disclaim all liability for any damages or consequences resulting from the use of the information presented. References to external sources are included for informational purposes only and do not imply endorsement or validation of their content. The opinions and views expressed in this report are those of the author and do not necessarily represent the perspectives of the organization or any individuals mentioned.

By utilizing this report, readers acknowledge and agree to the terms of this disclaimer. V ACKNOWLEDGEMENTS I would like to extend my heartfelt gratitude to Associate Professor Doctor Le My Ha for his invaluable guidance and inspiration since my initial days at the Intelligent Systems Laboratory (ISLab). His unwavering support, insightful advice, and encouragement throughout this project have been instrumental in helping me overcome challenges and successfully complete my graduation thesis. My sincere thanks also go to all the teachers of the Faculty of High-Quality Education and the Faculty of International Education for their dedication and expertise.

The foundational knowledge and practical experience gained from their lectures during my four years at the university have greatly contributed to my academic development. I am deeply appreciative of the support provided by the Intelligent Systems Laboratory (ISLab) of the Faculty of Electrical and Electronics Engineering. The resources and shared experiences offered by ISLab members have been invaluable during my thesis. I would especially like to thank Nguyen Chi Tam for his assistance and encouragement during times of difficulty, as well as all ISLab members for their enthusiastic collaboration and support.

Lastly, I wish to express my profound gratitude to my parents and family for their unconditional love, support, and encouragement. Their belief in me has been the foundation of my success, enabling me to reach this significant milestone in my academic journey. Ho Chi Minh City, June 2025 STUDENT Le Vo Trung Thong VI ABSTRACT Forest fires have become increasingly frequent in recent years, posing significant risks to ecosystems and human lives. Early detection is essential to mitigate the damages caused by these fires.

This report presents a system utilizing unmanned aerial vehicles (UAVs), commonly referred to as drones, equipped with advanced image processing techniques to detect forest fires. The system integrates a drone with a camera module, employing computer vision algorithms and real-time video analysis to identify fire-related patterns in forested areas. A convolutional neural network (CNN) model processes the video frames captured by the drone’s camera to accurately detect the presence of fire or smoke. Additionally, the system retrieves GPS coordinates from the drone’s navigation system to localize the fire and transmits this information to ground control stations.

Designed for autonomous operation, the system enables rapid responses to fire outbreaks while minimizing the need for human intervention in hazardous environments. This integration of drone technology and image processing offers a cost-effective, efficient, and scalable solution to enhance forest fire detection and management capabilities. (Keywords: Quadcopter, Image Processing, Forest Fire Detection, Autonomous Navigation) VII TABLE OF CONTENTS GRADUATION PROJECT ASSIGNMENT .I ADVISOR EVALUATION SHEET. II REVIEWER EVALUATION SHEET.

III DEFENCE COUNCIL EVALUATION SHEET. VII TABLE OF CONTENTS .VIII LIST OF FIGURES. X LIST OF TABLES. XII LIST OF ABBREVIATIONS .XIII CHAPTER 1: OVERVIEW .2 Purpose And Objectives .3 The Scope Of Research .5 The Structure Of Research.2 CHAPTER 2: THEORETICAL BASIS.5 Quadcopter Coordination System .14 Global Positioning System (GPS) .2 PID – Quadcopter – Flight Controller .26 CHAPTER 3: HARDWARE IMPLEMENTATION .4 Train Model-Image Processing (Yolov5) .5 An Alert System .41 CHAPTER 4: EXPERIMENTS AND EVALUATIONS .2 Yolov5 - Result of the train .3 Flight with fire to detect .57 IX LIST OF FIGURES Figure 2-1: Unmanned Aerial Vehicle .3 Figure 2-2: Bomb-laden Airships .4 Figure 2-4: Aerial Target .4 Figure 2-5: Kettering Bug .5 Figure 2-7: MQ-1 Predator .6 Figure 2-8: MQ-9 Reaper .6 Figure 2-9: DJI Phan Tom 1 .7 Figure 2-10: Ingenuity Helicopter .7 Figure 2-11: Viet Nam Military Drone .9 Figure 2-12: Agricultural Drone .9 Figure 2-13: Environmental Monitoring Drone .10 Figure 2-14: Search and Rescue Drone .10 Figure 2-15: Infrastructure Inspection Drone.

11 Figure 2-16: Delivery Drone. 11 Figure 2-17: Mapping Drone .12 Figure 2-18: Media and Entertainment Drone .12 Figure 2-19: Quadcopter Coordination System.13 Figure 2-20: Euler Angles .14 Figure 2-21: Overview of Quadcopter Kinematic .16 Figure 2-22: Overview of Flight Controller .20 Figure 2-24: Mission Planner Interface .21 Figure 2-25: Overview of MAVlink Protocol .21 Figure 2-26: The structure of MAVlink Protocol .21 Figure 2-27: PyMAVlink Library .22 Figure 2-28: Overview of PID Controller .23 Figure 2-29: The history of AI .24 Figure 2-30: The structure of ANN based on human neurons .25 Figure 2-31: The structure of ANN .25 Figure 2-32: Deep Learning Model for Image Recognition.26 Figure 2-33: The structure of CNN .26 Figure 2-34: Input and Filter .27 Figure 2-35: A Condensation Layer .28 Figure 2-36: CNN's Activity .28 Figure 2-37: Some active functions .30 Figure 2-38: Pooling Layer .30 Figure 2-39: Difference between Max pooling and Average pooling .31 Figure 2-40: Flattening Layer .31 Figure 2-41: Fully Connected Layer .32 Figure 2-42: Full Combination Layer.32 Figure 2-43: Overview of YOLOv5 .33 Figure 3-1: System Overview .34 X Figure 3-2: Quadcopter from Solid Work software .35 Figure 3-3: Top view of Quadcopter from Solid Work software.35 Figure 3-4: Front view of Quadcopter from Solid Work software .36 Figure 3-5: Right view of Quadcopter from Solid Work software .36 Figure 3-6: The connection diagram of Quadcopter .39 Figure 3-7: The reality model .39 Figure 3-8: Fire photo taken at test site .40 Figure 3-9: Fire photo from the Internet.40 Figure 3-10: The Flowchart of the Forest Fire Detection Model on Jetson Nano .41 Figure 4-1: Drone performs square flight trajectory .42 Figure 4-2: Actual flight trajectory .43 Figure 4-3: Altitude in flight.43 Figure 4-4: Roll angle in flight .44 Figure 4-5: Pitch angle in flight.44 Figure 4-6: Yaw angle in flight .45 Figure 4-7: The error of Roll and Pitch angle in flight.45 Figure 4-8: The error of Yaw angle in flight .46 Figure 4-9: The result of train.47 Figure 4-10: Confusion Matrix .47 Figure 4-11: The validation of model on fire photo from the Internet .48 Figure 4-12: The validation of model on fire photo taken at test site .48 Figure 4-13: System Demonstration with fire video on Youtube .49 Figure 4-14: System Testing .50 Figure 4-15: Quadcopter detects fire below test area .50 Figure 4-16: Actual survey flight trajectory .51 Figure 4-17: Mission Planner Screen when the system detects fire .51 Figure 4-18: The warning message with GPS coordination .52 Figure 4-19: Position of GPS coordination in the warning message .52 Figure 4-20: Altitude in survey flight .53 Figure 4-21: Roll angle in survey flight .53 Figure 4-22: Pitch angle in survey flight .54 Figure 4-23: Yaw angle in survey flight .54 Figure 4-24: The error of Roll and Pitch angle in survey flight .55 Figure 4-25: The error of Yaw angle in survey flight .55 XI LIST OF TABLES Table 2-1: Advantage and Disadvantage of some type UAV .8 Table 2-2: The MAVlink Protocol structure .22 Table 3-1: The Quadcopter Components .36 Table 3-2: The cost table of quadcopter components .38 XII LIST OF ABBREVIATIONS No. Acronyms Full text 1 UAV Unmanned Aerial Vehicle 2 PID Proportional Integral Derivative 3 GCS Ground Control Station 4 EKF Extended Kalman Filter 5 AI Artificial Intelligence 6 DL Deep Learning 7 CV Computer Vision 8 ANN Artificial Neural Network 9 CNN Convolutional Neural Network 10 FPS Frames Per Second 11 GPS Global Positioning System 12 CW Clockwise 13 CCW Counterclockwise 14 IMU Inertial Measurement Unit 15 ESC Electronic Speed Controller 16 PC Personal Computer 17 2D Two Dimensional 18 3D Three Dimensional XIII CHAPTER 1: OVERVIEW 1.1 Problem Statement Forest fires are a serious environmental problem, negatively affecting biodiversity, animal and human habitats and contributing to global climate change. Every year, millions of hectares of forest are destroyed by natural or human-caused fires.

Early and timely fire detection is a decisive factor in minimizing the damage caused by fires. However, with large forest areas and complex terrain, monitoring and detecting forest fires by manual methods such as ground patrols, manual observation stations or satellites are still limited.[1] • Ground patrol method: Although ground patrols can detect forest fires, they are limited by complex terrain and slow response times. Fire detection often occurs only when the fire has already spread, making it difficult to control and extinguish. • Satellite monitoring system: This is one of the advanced methods that allows for observing fires from space with a wide coverage area.

However, the image resolution from satellites is often low and may not provide detailed information about small fires or areas obscured by clouds. • Fixed camera and sensor system: A fixed camera and sensor system is an effective technological solution for continuous monitoring and early detection of fires in high-risk areas. However, the major drawback of this system is that it cannot observe a large area. Since the camera and sensor are fixed in a specific location, the monitoring range is limited, making it difficult to monitor areas outside the device's field of view.

Therefore, it is necessary to develop smart surveillance solutions with the ability to automatically patrol, detect fires early, and quickly send warning information to the control center. The combination of drones (unmanned aerial vehicles - UAVs) and advanced image processing technology allows the creation of a modern surveillance system that can overcome the above limitations. Drones are capable of flying automatically along a predetermined route, recording images from above and processing them in real time to detect signs of fire such as smoke and flames. In addition, the drone system can be integrated with GPS sensors to record and send the coordinates of the detected fire, helping firefighting teams accurately locate the area that requires intervention.

Therefore, the project "Research and Construction of a Drone for Forest Fire Detection using Image Processing" is an important step forward in applying technology to forest and environmental protection efforts.2 Purpose And Objectives 1. Purpose • Research and Construction of a Drone for Forest Fire Detection using Image Processing. Objectives • Building an automatic drone system that follows a predefined route based on GPS. • Integrating an image processing system for fire detection.

• Sending a warning message with GPS coordinates when fire is detected.3 The Scope Of Research The research includes the development and testing of a prototype model. The tests were conducted at the end of December in an area with a low risk of forest fires. Flight trials were carried out over short distances and durations due to the current limitations of quadcopter. To implement the quadcopter system in real-world scenarios, several upgrades are necessary to enhance its performance.

More powerful motors and ESCs are required to support heavier payloads, allowing for the integration of additional equipment. Increasing battery capacity or optimizing energy consumption is essential to extend flight time, enabling the drone to monitor larger areas. Furthermore, equipping the quadcopter with long-range telemetry modules will ensure stable communication over extended distances, enhancing the system's reliability and effectiveness in practical applications.