Bối cảnh và vấn đề nghiên cứu

Hỏa hoạn và sự cố cháy nổ tại các khu đô thị, tòa nhà cao tầng, khu công nghiệp và nhà trọ dân sinh đang diễn biến phức tạp, đe dọa nghiêm trọng đến tính mạng và tài sản. Theo số liệu thống kê năm 2023 từ Cục Cảnh sát Phòng cháy, chữa cháy và Cứu nạn, cứu hộ (PCCC và CNCH) được tác giả trích dẫn, toàn quốc đã xảy ra 3.440 vụ cháy, làm 146 người thiệt mạng, 109 người bị thương, gây thiệt hại tài sản ước tính khoảng 878 tỷ đồng và thiêu rụi 236 ha rừng. Các nguyên nhân trực tiếp bắt nguồn từ sự cố hệ thống điện, sự bất cẩn trong quá trình đun nấu, sử dụng nguồn nhiệt, hóa chất dễ cháy và ý thức chấp hành các quy chuẩn an toàn PCCC chưa cao.

Nhận thức rõ hạn chế của các hệ thống cảnh báo đơn lẻ truyền thống (vốn dễ báo động giả hoặc không có khả năng giám sát từ xa), tác giả lựa chọn đề tài "Thiết kế mạch báo cháy đa năng" nhằm ứng dụng công nghệ Internet of Things (IoT) và trí tuệ nhân tạo biên vào công tác phát hiện hỏa hoạn sớm.

Khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

  1. Phát hiện nhanh chóng và chính xác các nguy cơ cháy: Thiết kế mạch tích hợp đa cảm biến nhằm nhận diện các dấu hiệu sơ khởi của hỏa hoạn gồm nhiệt độ cao, khói và khí gas dễ cháy ($C_3H_8$).
  2. Cung cấp cảnh báo cháy kịp thời và hiệu quả: Xây dựng hệ thống báo động tại chỗ bằng còi âm thanh công suất lớn và phát tín hiệu cảnh báo từ xa qua giao diện web và tin nhắn.
  3. Đảm bảo độ tin cậy và độ ổn định cao: Lựa chọn linh kiện phần cứng công nghiệp, đảm bảo khả năng vận hành liên tục 24/7.
  4. Tiết kiệm năng lượng và tối ưu chi phí: Tối ưu thiết kế phần cứng, tích hợp khối quản lý nguồn tự động và pin dự phòng nhằm duy trì hoạt động khi mất điện lưới.
  5. Ứng dụng rộng rãi: Xây dựng thiết bị có cấu trúc nhỏ gọn, phù hợp lắp đặt tại hộ gia đình, văn phòng làm việc và nhà kho.
  6. Dễ dàng cài đặt, sử dụng và bảo trì: Đơn giản hóa cấu trúc mạch và quy trình cấu hình, tạo điều kiện thuận lợi cho việc vận hành thực tế.
  7. Tuân thủ tiêu chuẩn an toàn PCCC: Thiết kế đáp ứng các ngưỡng cảnh báo kỹ thuật theo quy định hiện hành.
  8. Bảo vệ tối ưu cho con người và tài sản: Hỗ trợ tự động hóa giám sát nhằm rút ngắn thời gian ứng phó với đám cháy.
  • Đối tượng nghiên cứu: Các dòng cảm biến môi trường (khói MP-2, nhiệt độ - độ ẩm DHT11, ma trận nhiệt hồng ngoại AMG8833, camera OV2640); vi điều khiển ESP32-S3; giao thức truyền thông MQTT; mô hình học máy nhúng TensorFlow Lite; cấu trúc mạch in hai tầng và khối chuyển đổi nguồn tự động.
  • Phạm vi nghiên cứu: Đề tài tập trung vào việc thiết kế, chế tạo phần cứng nguyên mẫu và thử nghiệm thực nghiệm trong điều kiện phòng thí nghiệm tại Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM; khóa luận hoàn thành vào tháng 7 năm 2024.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng lý thuyết về cơ chế phát sinh đám cháy, giao thức mạng IoT và học máy trên thiết bị nhúng:

  • Cơ sở lý thuyết cháy nổ và các yếu tố môi trường: Tác giả phân tích 4 thông số môi trường quyết định sự hình thành đám cháy:
    • Nhiệt độ: Phân định rõ giữa nhiệt độ cháy và nhiệt độ tự bốc cháy, phân chia thang nhiệt độ môi trường thành 4 ngưỡng giám sát: 0–20°C (Thấp), 20–30°C (Trung bình), 30–40°C (Cao) và trên 40°C (Rất cao - nguy cơ hỏa hoạn nghiêm trọng).
    • Độ ẩm không khí: Xác lập thang độ ẩm tương đối gồm 0–40% (Cao - không khí khô, dễ tích tụ tĩnh điện và bắt lửa), 40–60% (Trung bình) và 60–100% (Thấp - nguy cơ cháy rất thấp).
    • Khí gas Propan ($C_3H_8$): Khí hydrocacbon không màu, không mùi, nặng hơn không khí, có giới hạn cháy nổ rộng từ 2,5% thể tích trong không khí.
    • Khói: Hỗn hợp gồm các hạt rắn (bồ hóng, tro bụi), hạt lỏng (hơi nước, dầu) và các chất khí độc hại ($CO$, $CO_2$, $SO_2$, $NO_x$, $HCN$, VOCs).
  • Mô hình kết nối IoT và giao thức truyền thông MQTT: Hệ thống IoT gồm 5 thành phần: Thiết bị (Devices), Kết nối (Connectivity), Dữ liệu (Data), Phân tích (Analyst) và Giao diện người dùng (User Interface). Giao thức MQTT (Message Queuing Telemetry Transport) được lựa chọn nhờ cơ chế Publish/Subscribe nhẹ, tiết kiệm băng thông, hoạt động trên nền TCP/IP thông qua máy chủ trung gian (MQTT Broker) với 3 mức dịch vụ: QoS 0 (tối đa một lần), QoS 1 (ít nhất một lần) và QoS 2 (chính xác một lần).
  • Khung học máy nhúng (Edge AI) và bảng điều khiển: Sử dụng framework TensorFlow để huấn luyện mạng nơ-ron nhận diện đám cháy, kết hợp công cụ TensorFlow Lite Converter để tối ưu hóa, nén trọng số và lượng tử hóa (quantization), cho phép thực thi mô hình .tflite trực tiếp trên vi điều khiển. Nền tảng Node-RED được triển khai để xây dựng bảng điều khiển Web Server giám sát dữ liệu thời gian thực.
  • Phương pháp nghiên cứu: Tác giả kết hợp phương pháp tổng quan tài liệu kỹ thuật, phương pháp phân tích yêu cầu hệ thống, phương pháp thiết kế kỹ thuật (thiết kế sơ đồ nguyên lý mạch điện, thiết kế layout bo mạch in hai lớp, lập trình firmware xử lý tín hiệu) và phương pháp thực nghiệm đo kiểm đánh giá sai số, độ nhạy và thời gian phản hồi.
  • Nguồn dữ liệu: Dữ liệu kỹ thuật trích xuất từ datasheet của các hãng sản xuất linh kiện bán dẫn (Espressif Systems, Panasonic, OmniVision) và tập dữ liệu ma trận nhiệt độ thực nghiệm thu thập từ cảm biến AMG8833 dùng để huấn luyện mô hình học sâu.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo dạng module tích hợp hoàn chỉnh từ phần cứng vi mạch đến phần mềm điều khiển và giao diện quản trị.

Cấu trúc phần cứng và lựa chọn linh kiện

Hệ thống mạch báo cháy đa năng gồm 4 khối chức năng chính: Khối điều khiển trung tâm, Khối cảm biến, Khối nguồn và Khối cảnh báo/chấp hành.

Tên linh kiện / Module Thông số kỹ thuật chính Vai trò trong hệ thống
ESP32-S3-WROOM-1 (Board ESP32-S3 N8R2 Dual Type-C) Vi xử lý Xtensa dual-core 32-bit LX7 (xung nhịp tối đa 240 MHz), 384 KB ROM, 512 KB SRAM, 16 KB RTC, 8 MB Flash, 2 MB PSRAM, Wi-Fi 802.11b/g/n, Bluetooth 5.0 BLE, phần cứng mã hóa AES-128/256, RSA, SHA Xử lý trung tâm, tiếp nhận tín hiệu cảm biến, thực thi mô hình AI TensorFlow Lite và truyền thông không dây
Cảm biến nhiệt độ - độ ẩm DHT11 Điện áp 3,5 VDC, dòng hoạt động 0,3 mA (chờ 60 µA), dải nhiệt 0–50°C (sai số ±2°C), dải ẩm 20–80% RH (sai số ±5%), độ phân giải 8-bit, giao tiếp Single-bus 1 dây Đo nhiệt độ và độ ẩm không khí định kỳ (chu kỳ lấy mẫu 1 giây)
Cảm biến khói MP-2 Điện áp gia nhiệt $V_H = 5\text{ V} \pm 0,1\text{ V}$, công suất $P_H \le 240\text{ mW}$, điện trở gia nhiệt $R_H = 105\ \Omega \pm 10\ \Omega$, dải phát hiện 200–10.000 ppm $C_3H_8$, độ nhạy $S = R_0/R_s > 3$, thời gian sấy $\ge 48$ giờ Phát hiện nồng độ khí gas $C_3H_8$ rò rỉ và nồng độ khói trong không khí
Cảm biến nhiệt hồng ngoại AMG8833 Ma trận 64 pixel (8x8), dải nhiệt 0–80°C (sai số ±2,5°C), góc nhìn FOV 60°, khoảng cách phát hiện vật thể kích thước người tối đa 7 m, dòng hoạt động 4,5 mA, giao tiếp $I^2C$ Thu thập bản đồ nhiệt 8x8 điểm ảnh phục vụ thuật toán nhận diện đám cháy
Module camera OV2640 Cảm biến CMOS 1/4 inch, độ phân giải UXGA (1600x1200), tốc độ 15 fps (UXGA) đến 60 fps (CIF), giao tiếp SCCB, định dạng đầu ra RGB565, YUV, JPEG Chụp ảnh hiện trường khu vực giám sát khi phát hiện dấu hiệu bất thường
Diode Schottky 1N5819 Điện áp ngược cực đại 40 V, dòng điện thuận 1 A, điện áp rơi thuận thấp ($V_F \approx 0,6\text{ V}$) Ngăn dòng ngược và chuyển mạch tự động giữa nguồn ngoài 5 V và pin dự phòng
Mạch sạc pin TP4056 1A Type-C & Pin LiPo Mạch sạc bảo vệ tích hợp cổng Type-C, dòng nạp tối đa 1 A; kết hợp khối pin LiPo 2000 mAh (3,7 V) Đảm bảo nguồn điện dự phòng liên tục cho toàn bộ mạch
Còi báo động SFM-20B Điện áp hoạt động 3–24 VDC, âm lượng còi báo động lớn Phát tín hiệu cảnh báo âm thanh tại chỗ khi có sự cố cháy nổ

Thiết kế mạch in (PCB) và bố trí không gian

Nhằm tối ưu hóa kích thước và hạn chế nhiễu nhiệt giữa các linh kiện công suất và cảm biến nhạy cảm, tác giả đã thiết kế bo mạch in xếp chồng dạng 2 tầng:

  • Tầng trên: Bố trí module camera OV2640 và cảm biến nhiệt hồng ngoại AMG8833 hướng góc quan sát trực diện ra không gian mở, đồng thời gắn cảm biến khói MP-2 và cảm biến nhiệt - ẩm DHT11.
  • Tầng dưới: Chứa bo mạch điều khiển trung tâm ESP32-S3, mạch sạc pin TP4056, pin LiPo 2000 mAh, mạch chuyển nguồn tự động dùng diode 1N5819, mạch cầu phân áp giám sát dung lượng pin và còi báo động SFM-20B.

Triển khai thuật toán AI và phần mềm giám sát

  1. Thuật toán xử lý và huấn luyện mô hình: Dữ liệu nhiệt độ dạng ma trận 8x8 từ cảm biến AMG8833 được thu thập và tiền xử lý, chuẩn hóa thành ảnh nhiệt đầu vào. Mô hình mạng nơ-ron tích chập/phân loại được xây dựng và huấn luyện bằng thư viện TensorFlow trên máy tính, sau đó được tối ưu hóa và xuất ra định dạng TensorFlow Lite (.tflite). File nhị phân mô hình được nạp trực tiếp vào bộ nhớ Flash của vi điều khiển ESP32-S3.
  2. Quy trình vận hành firmware: ESP32-S3 liên tục đọc dữ liệu từ DHT11 và MP-2. Đồng thời, ma trận nhiệt từ AMG8833 được đưa qua mô hình TensorFlow Lite nhúng để dự đoán xác suất xuất hiện ngọn lửa. Khi các giá trị vượt ngưỡng an toàn hoặc mô hình AI trả về kết quả phát hiện cháy:
    • Kích hoạt chân GPIO điều khiển còi SFM-20B phát tín hiệu âm thanh cảnh báo tại chỗ.
    • Kích hoạt module camera OV2640 ghi nhận hình ảnh hiện trường.
    • Đóng gói dữ liệu cảm biến và trạng thái hệ thống, xuất bản (Publish) lên chủ đề (Topic) của MQTT Broker qua kết nối Wi-Fi.
  3. Giao diện Web Server: Hệ thống sử dụng Node-RED để thiết kế giao diện dashboard trực quan, kết nối trực tiếp với MQTT Broker. Người dùng có thể theo dõi biểu đồ nhiệt độ, độ ẩm, nồng độ khói/khí gas theo thời gian thực và nhận cảnh báo tức thời.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 giới thiệu lý do chọn đề tài dựa trên tình hình cháy nổ phức tạp tại Việt Nam năm 2023. Tác giả xác định 8 mục tiêu cụ thể, xác định đối tượng nghiên cứu là mạch báo cháy đa năng sử dụng vi điều khiển ESP32-S3 kết hợp đa cảm biến và AI, đồng thời vạch rõ quy trình 5 bước thực hiện và bố cục 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các kiến thức nền tảng:

  • Phân tích cơ chế và các thang đo môi trường liên quan đến cháy nổ (nhiệt độ, độ ẩm tương đối, tính chất khí gas propan $C_3H_8$ và thành phần vật lý - hóa học của khói).
  • Nguyên lý hoạt động của hệ sinh thái IoT và giao thức truyền thông nhẹ MQTT (cấu trúc Broker, Publisher, Subscriber, Topic và các mức QoS).
  • Cơ chế hoạt động của framework TensorFlow và quy trình tinh giản mô hình bằng TensorFlow Lite trên thiết bị biên.
  • Phân tích chi tiết thông số kỹ thuật và nguyên lý làm việc của các linh kiện phần cứng: vi xử lý ESP32-S3-WROOM-1 (kiến trúc Dual-core LX7, sơ đồ 44 chân, cấu trúc bộ nhớ, chế độ tiết kiệm năng lượng), cảm biến DHT11, cảm biến khói MP-2, cảm biến ma trận nhiệt AMG8833, camera OV2640, diode Schottky 1N5819, mạch cầu phân áp và mạch chuyển đổi nguồn tự động.

Chương 3: Thiết kế hệ thống

Chương 3 tập trung vào khâu thiết kế chi tiết kỹ thuật:

  • Xây dựng sơ đồ khối tổng thể của hệ thống báo cháy đa năng.
  • Thiết kế sơ đồ nguyên lý chi tiết cho từng khối: khối điều khiển trung tâm (ESP32-S3 N8R2), khối nguồn (sạc TP4056, pin LiPo 2000 mAh, cầu phân áp, diode chuyển mạch), khối cảm biến (DHT11, MP-2, AMG8833, OV2640) và khối cảnh báo (còi SFM-20B).
  • Thiết kế bo mạch in (PCB Layout) hai tầng, bố trí linh kiện tầng trên/tầng dưới, mô phỏng không gian 3D và tiến hành lắp ráp mạch thực tế.
  • Thiết kế lưu đồ giải thuật điều khiển hệ thống, quy trình thu thập dữ liệu ảnh nhiệt, tiền xử lý và huấn luyện mô hình TensorFlow, chuyển đổi sang TensorFlow Lite nạp lên ESP32-S3, cùng cấu hình luồng dữ liệu trên Node-RED và MQTT Broker.

Chương 4: Kết quả

Chương 4 công bố kết quả thực nghiệm và đánh giá hệ thống:

  • Thực nghiệm phát hiện ngọn lửa ở các kịch bản thực tế: nguồn nhiệt bếp gas mini ở khoảng cách 1 m, nguồn nhiệt bếp gas mini ở khoảng cách 2 m và nguồn nhiệt bật lửa ở khoảng cách dưới 30 cm.
  • Thực nghiệm đo nồng độ khói và khí gas với cảm biến MP-2.
  • Kiểm thử truyền thông dữ liệu cảm biến qua phần mềm MQTTX và xác minh độ chính xác của giao diện giám sát Node-RED Web Server.

Chương 5: Kết luận

Chương 5 tổng kết các kết quả đạt được, phân tích ưu điểm (tính tích hợp cao, nhận diện thông minh bằng AI, có nguồn dự phòng) và nhược điểm của nguyên mẫu, từ đó đề xuất các hướng nghiên cứu nâng cấp hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả thực nghiệm

Tác giả đã tiến hành thử nghiệm hệ thống nguyên mẫu trong các kịch bản thực tế và thu được các kết quả cụ thể:

Kịch bản thử nghiệm Khoảng cách Kết quả nhận diện & Thời gian phản hồi Đánh giá qua giao diện giám sát
Nguồn nhiệt bếp gas mini 1 m Mô hình TensorFlow Lite trên ESP32-S3 phân tích ma trận nhiệt AMG8833 nhận diện chính xác ngọn lửa; còi SFM-20B kích hoạt ngay lập tức Ảnh nhiệt hiển thị điểm nhiệt cực đại trên 60°C; dữ liệu cập nhật tức thời lên Web Server
Nguồn nhiệt bếp gas mini 2 m Cảm biến AMG8833 phát hiện sự biến thiên nhiệt độ cục bộ; hệ thống nhận biết nguồn cháy thành công Dữ liệu nhiệt độ được ghi nhận chính xác qua MQTTX
Nguồn nhiệt bật lửa Dưới 30 cm Hệ thống phát hiện đốm nhiệt nhỏ tức thì, kích hoạt báo động Giá trị cảnh báo xuất hiện đồng thời trên bảng điều khiển Node-RED
Thử nghiệm phát hiện khói Cự ly gần Cảm biến MP-2 phản ứng nhanh với khói, điện áp đầu ra analog tăng tỷ lệ thuận với nồng độ khói Trạng thái cảnh báo chuyển sang mức nguy hiểm trên hệ thống giám sát

Đóng góp kỹ thuật của tác giả

  1. Tích hợp trí tuệ nhân tạo biên (Edge AI) trên phần cứng giá rẻ: Khóa luận đã triển khai thành công mô hình học máy TensorFlow Lite trực tiếp trên vi điều khiển ESP32-S3 để xử lý dữ liệu ma trận nhiệt hồng ngoại 8x8 từ AMG8833, giúp thiết bị tự động phát hiện đám cháy cục bộ mà không cần phụ thuộc vào năng lực xử lý của máy chủ đám mây.
  2. Cơ chế phát hiện đa thông số giảm thiểu báo động giả: Thay vì chỉ dựa vào một yếu tố nhiệt độ hoặc khói đơn thuần, hệ thống kết hợp đồng thời cảm biến nhiệt - ẩm DHT11, cảm biến khí/khói MP-2, cảm biến ảnh nhiệt AMG8833 và camera hình ảnh OV2640, mang lại độ tin cậy cao hơn cho cảnh báo PCCC.
  3. Thiết kế phần cứng hoàn chỉnh với nguồn dự phòng tự động: Tác giả đã tự thiết kế layout PCB 2 tầng tối ưu không gian, tích hợp mạch chuyển nguồn tự động bằng diode Schottky 1N5819 kết hợp pin sạc LiPo 2000 mAh và IC quản lý sạc TP4056, bảo đảm hệ thống vận hành liên tục khi xảy ra sự cố cắt điện.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế kỹ thuật được văn bản chỉ ra

  • Đặc tính cảm biến: Cảm biến DHT11 có thời gian lấy mẫu chậm (khoảng 1 giây) và dải đo hạn chế (0–50°C), chưa thích hợp cho môi trường cháy nhiệt độ quá cao. Cảm biến MP-2 đòi hỏi thời gian gia nhiệt ban đầu không dưới 48 giờ để đạt độ ổn định và có thể không nhạy đồng đều với mọi loại khói.
  • Độ phân giải nhiệt: Ma trận nhiệt của cảm biến AMG8833 bị giới hạn ở 64 pixel (8x8), khiến khả năng phát hiện ngọn lửa ở cự ly xa (ngoài 2 m) đối với các vật thể nhỏ gặp khó khăn.
  • Phụ thuộc hạ tầng Wi-Fi: Việc truyền tín hiệu cảnh báo từ xa và dữ liệu lên Node-RED phụ thuộc hoàn toàn vào mạng Wi-Fi tại chỗ; nếu đám cháy làm mất kết nối mạng, hệ thống chỉ có thể báo động âm thanh tại chỗ mà chưa thể gửi tin nhắn ra bên ngoài.

Hướng phát triển tương lai

  • Nâng cấp cảm biến nhiệt hồng ngoại có độ phân giải cao hơn để mở rộng tầm quan sát và phát hiện ngọn lửa ở khoảng cách xa hơn 5–10 m.
  • Tích hợp thêm module truyền thông mạng di động (GSM/4G LTE) để gửi tin nhắn cảnh báo SMS hoặc thực hiện cuộc gọi khẩn cấp độc lập với hệ thống mạng Internet nội bộ.
  • Tiếp tục tối ưu hóa thuật toán học sâu và huấn luyện mô hình với tập dữ liệu đa dạng hơn về các nguồn cháy nhằm hạn chế tối đa sai lệch nhận diện.
  • Thiết kế vỏ hộp bảo vệ đạt tiêu chuẩn chống cháy và chống ẩm công nghiệp để triển khai lắp đặt thực tế.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cho sinh viên, giảng viên và kỹ sư nghiên cứu thuộc các chuyên ngành Kỹ thuật Máy tính, Hệ thống Nhúng, Điện tử – Viễn thông và Công nghệ Thông tin (hướng IoT):

  • Giá trị thiết kế phần cứng: Cung cấp tài liệu chi tiết về sơ đồ nguyên lý, cách tính toán ghép nối ngoại vi với ESP32-S3, mạch chuyển nguồn tự động dùng diode Schottky và kỹ thuật phân tầng bo mạch in PCB 2 lớp xếp chồng.
  • Giá trị triển khai thuật toán nhúng: Hướng dẫn cụ thể quy trình thu thập ma trận nhiệt, tiền xử lý dữ liệu và sử dụng công cụ TensorFlow Lite Converter để tối ưu hóa, nhúng mô hình học máy vào vi điều khiển có tài nguyên bộ nhớ giới hạn.
  • Giá trị ứng dụng hệ thống IoT: Cung cấp quy trình hoàn chỉnh về việc tích hợp giao thức truyền thông MQTT và cấu hình bảng điều khiển Node-RED phục vụ giám sát môi trường thời gian thực.

Câu hỏi thường gặp

1. Vi điều khiển trung tâm trong đề tài được lựa chọn là gì và có cấu hình phần cứng ra sao?
Tác giả lựa chọn bo mạch phát triển ESP32-S3 N8R2 Dual Type-C sử dụng vi xử lý ESP32-S3-WROOM-1. Vi điều khiển sở hữu CPU lõi kép Xtensa 32-bit LX7 tốc độ 240 MHz, bộ nhớ trong gồm 384 KB ROM, 512 KB SRAM, 16 KB RTC, đi kèm 8 MB Flash và 2 MB PSRAM ngoài, tích hợp sẵn kết nối Wi-Fi chuẩn 802.11b/g/n và Bluetooth 5.0 BLE.

2. Cảm biến nhiệt hồng ngoại AMG8833 có đặc tính kỹ thuật gì và đóng vai trò như thế nào trong hệ thống?
AMG8833 là cảm biến nhiệt hồng ngoại ma trận 8x8 (gồm 64 pixel), đo nhiệt độ trong dải từ 0°C đến 80°C với sai số ±2,5°C, góc nhìn 60°, tiêu thụ dòng 4,5 mA và giao tiếp qua chuẩn $I^2C$. Trong hệ thống, cảm biến cung cấp bản đồ nhiệt thời gian thực để đưa vào mô hình học máy TensorFlow Lite nhận diện sự xuất hiện của ngọn lửa ở cự ly tối đa 2 m đối với bếp gas mini.

3. Mạch chuyển nguồn tự động được thiết kế nhằm mục đích gì và sử dụng linh kiện cốt lõi nào?
Mạch chuyển nguồn tự động được thiết kế nhằm đảm bảo hệ thống báo cháy luôn hoạt động liên tục ngay cả khi mất điện lưới. Mạch sử dụng diode Schottky 1N5819 có điện áp rơi thuận thấp ($V_F \approx 0,6\text{ V}$) để tự động chuyển tiếp giữa nguồn cấp ngoài 5 V (qua cổng USB Type-C của mạch sạc TP4056) và nguồn pin dự phòng LiPo 2000 mAh (3,7 V), kết hợp cầu phân áp để ESP32-S3 đo điện áp pin qua ADC.

4. Mô hình học máy nhận diện đám cháy được huấn luyện và triển khai lên ESP32-S3 như thế nào?
Mô hình mạng nơ-ron được định nghĩa và huấn luyện trên máy tính bằng thư viện TensorFlow dựa trên tập dữ liệu ảnh nhiệt 8x8 thu được từ AMG8833. Sau khi đánh giá độ chính xác, mô hình được tối ưu hóa và chuyển đổi định dạng sang .tflite thông qua TensorFlow Lite Converter, sau đó được nhúng trực tiếp vào firmware của ESP32-S3 để thực hiện dự đoán suy luận tại biên mà không cần máy chủ trung gian.

5. Khóa luận đã thử nghiệm phát hiện cháy trên những nguồn nhiệt thực tế nào?
Hệ thống được thử nghiệm thực tế với nguồn nhiệt từ bếp gas mini ở cự ly 1 m, bếp gas mini ở cự ly 2 m, ngọn lửa từ bật lửa ở cự ly dưới 30 cm và thử nghiệm tạo khói đối với cảm biến MP-2. Kết quả cho thấy hệ thống phát hiện chính xác các đốm nhiệt, kích hoạt còi báo động SFM-20B tại chỗ và truyền dữ liệu lên giao diện Node-RED qua MQTT Broker.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Hồng Quang đã hoàn thành mục tiêu thiết kế và chế tạo thành công nguyên mẫu mạch báo cháy đa năng dựa trên vi điều khiển ESP32-S3. Nghiên cứu giải quyết tốt bài toán phát hiện cháy sớm nhờ kết hợp đa cảm biến (nhiệt - ẩm DHT11, khói MP-2, camera OV2640) và ứng dụng mô hình trí tuệ nhân tạo biên TensorFlow Lite trên ma trận nhiệt hồng ngoại AMG8833. Hệ thống đảm bảo tính liên tục nhờ mạch nguồn dự phòng tự động và cung cấp khả năng giám sát từ xa trực quan qua giao thức MQTT và giao diện Node-RED, mang lại giải pháp kỹ thuật có tính ứng dụng cao cho lĩnh vực an toàn PCCC.