Giới thiệu dự án

Hỏa hoạn và sự cố cháy nổ đang là một trong những hiểm họa nghiêm trọng đe dọa trực tiếp đến tính mạng con người và cơ sở hạ tầng kinh tế. Theo số liệu thống kê từ Cục Cảnh sát Phòng Cháy Chữa Cháy và Cứu Nạn Cứu Hộ (PCCC & CNCH) năm 2023, trên toàn quốc đã xảy ra 3.440 vụ cháy, làm thương vong 255 người (146 người tử vong, 109 người bị thương), thiêu rụi hơn 236 ha rừng và gây thiệt hại tài sản ước tính lên tới 878 tỷ đồng. Các nguyên nhân hàng đầu xuất phát từ sự cố hệ thống điện, bất cẩn trong sử dụng ngọn lửa trần và tích tụ rò rỉ khí hóa lỏng propane ($C_3H_8$).

                +-------------------------------------------------------+
                |                THỰC TRẠNG PCCC NĂM 2023               |
                |  - 3.440 vụ cháy nổ trên toàn quốc                    |
                |  - 146 người tử vong, 109 người bị thương             |
                |  - Thiệt hại tài sản: 878 tỷ đồng & 236 ha rừng       |
                +-------------------------------------------------------+

Vấn đề cốt lõi của các thiết bị báo cháy truyền thống đơn điểm (chỉ đo khói quang học hoặc nhiệt gia tăng) là tỷ lệ báo động giả (false alarm) cao do bụi bẩn, hơi nước, cùng với việc không thể truyền dữ liệu cảnh báo đa kênh khi mất điện lưới hoặc vắng chủ nhà. Đề tài "Thiết kế mạch báo cháy đa năng" thuộc ngành Kỹ thuật Máy tính (Trường Đại học Công nghệ Thông tin – ĐHQG-HCM) được xây dựng nhằm giải quyết triệt để các hạn chế này thông qua giải pháp nhúng tích hợp trí tuệ nhân tạo biên (Edge AI) và mạng lưới vạn vật kết nối (IoT - Internet of Things).

Mục tiêu dự án cụ thể

  1. Thu thập dữ liệu môi trường đa thông số: Tích hợp đồng thời cảm biến nhiệt độ - độ ẩm DHT11, cảm biến khí gas/khói bán dẫn MP-2, cảm biến ma trận nhiệt hồng ngoại AMG8833 ($8 \times 8$ pixel) và module camera OV2640.
  2. Nhận diện nguy cơ cháy cục bộ bằng Edge AI: Triển khai mô hình học máy TensorFlow Lite trực tiếp trên vi điều khiển ESP32-S3 để phân tích bức xạ nhiệt từ ma trận 64 điểm ảnh của AMG8833 mà không cần truyền tải luồng video thô lên máy chủ đám mây.
  3. Cảnh báo tức thời đa tầng: Tự động kích hoạt còi công suất lớn SFM-20B (3V–24VDC), phát thông báo qua giao thức MQTT (Message Queuing Telemetry Transport) thời gian thực và hiển thị trên Web Server/Node-RED Dashboard.
  4. Đảm bảo tính sẵn sàng cao (High Availability): Thiết kế mạch chuyển nguồn tự động (Auto-Power Switching) không ngắt quãng sử dụng Diode Schottky 1N5819 kết hợp mạch sạc pin Lithium TP4056 và cell pin LiPo 2000mAh 3.7V.

Phạm vi và giới hạn (Scope & Limitations)

  • Phạm vi triển khai: Phù hợp cho hộ gia đình, chung cư mini, phòng thí nghiệm, trạm viễn thông và nhà xưởng quy mô vừa và nhỏ.
  • Giới hạn kỹ thuật: Khoảng cách phát hiện lửa tối ưu của cảm biến nhiệt hồng ngoại AMG8833 là từ $0.3\text{ m}$ đến $2\text{ m}$ với góc mở $60^\circ$; cảm biến nhiệt độ DHT11 giới hạn đo trong dải $0\text{--}50^\circ\text{C}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Đầu báo khói ion/quang độc lập Hệ thống Camera AI giám sát tập trung Hệ thống mạch báo cháy đa năng (Đề tài)
Cơ chế phát hiện Cắt tia sáng quang điện / Ion hóa Nhận diện khói/lửa qua luồng hình ảnh RGB Hợp nhất đa cảm biến (Khói MP-2, Nhiệt DHT11, Hồng ngoại AMG8833 $8 \times 8$)
Xử lý ngầm Mạch so sánh ngưỡng Analog đơn giản Server/GPU Cloud xử lý hình ảnh Trí tuệ nhân tạo biên (TensorFlow Lite trên MCU ESP32-S3)
Quyền riêng tư Tuyệt đối (không có camera) Thấp (Camera RGB truyền liên tục) Cao (Chỉ chụp ảnh kiểm chứng OV2640 khi phát hiện cháy)
Hoạt động khi mất điện Pin 9V độc lập (không kết nối mạng) Ngừng hoạt động nếu không có nguồn UPS lớn Mạch chuyển nguồn tự động + Pin LiPo 2000mAh tích hợp
Tỷ lệ báo động giả Cao (dễ kích hoạt bởi bụi/hơi nước) Trung bình (phụ thuộc góc sáng và vật cản) Cực thấp (Thuật toán đối soát nhiệt ma trận + nồng độ khí)
Chi phí chế tạo Thấp ($100.000 - 200.000\text{ VNĐ}$) Rất cao ($3.000.000 - 10.000.000\text{ VNĐ}$) Tối ưu ($450.000 - 650.000\text{ VNĐ}$)

Phân tích yêu cầu chức năng theo mô hình MoSCoW

  • Must have: Phát hiện sớm khói, khí propan ($C_3H_8$), phát hiện điểm nhiệt tăng đột ngột; kích hoạt còi báo động SFM-20B; tự chuyển nguồn khi mất điện lưới.
  • Should have: Gửi dữ liệu telemetry qua MQTT QoS 1; giao diện Web theo dõi trạng thái nhiệt $8 \times 8$ theo thời gian thực; chụp ảnh hiện trường gửi về hệ thống giám sát.
  • Could have: Dự đoán xu hướng quá nhiệt bằng thuật toán nén mô hình TinyML trên vi điều khiển; kết nối chuỗi nhiều node báo cháy qua mạng Mesh.
  • Won't have (lần này): Tích hợp module dập lửa tự động bằng khí $CO_2$ hoặc van xả nước áp lực cao.

Thiết kế hệ thống

Kiến trúc phần cứng được module hóa thành các khối chức năng tương tác trực tiếp với bộ xử lý trung tâm SoC ESP32-S3.

       +---------------------------------------------------------------+
       |                      HỆ THỐNG NGUỒN CẤP                       |
       |  Nguồn ngoài 5V DC -> Mạch TP4056 -> Pin LiPo 2000mAh 3.7V    |
       |         \                          /                          |
       |          +---> Mạch chuyển nguồn <-+ (Diode Schottky 1N5819)  |
       +-------------------------------+-------------------------------+
                                       | 5V/3.3V
                                       v
+------------------------------------------------------------------------------+
|                            KHỐI XỬ LÝ TRUNG TÂM                             |
|                       ESP32-S3-WROOM-1 (Dual-Core LX7)                       |
|               - 512KB SRAM, 8MB Octal SPI Flash, 2MB PSRAM                   |
|               - TensorFlow Lite for Microcontrollers Inference Engine        |
+------------------------------------+-----------------------------------------+
       ^                             ^                           |
       | I2C (SDA/SCL)               | GPIO / 1-Wire / ADC       | GPIO Output
       v                             v                           v
+---------------+             +----------------+          +--------------------+
| AMG8833       |             | MP-2 (Gas/Khói)|          | SFM-20B Buzzer     |
| 8x8 IR Matrix |             | DHT11 (Temp/Hum|          | Web Server / MQTT  |
| OV2640 Camera |             | Cầu phân áp pin|          | (Wi-Fi 802.11 b/g/n|
+---------------+             +----------------+          +--------------------+

Chi tiết Tech Stack và linh kiện

  • Vi điều khiển: ESP32-S3-WROOM-1 (Xtensa® Dual-core 32-bit LX7 @ 240MHz, 384KB ROM, 512KB SRAM, hỗ trợ tập lệnh vector AI).
  • Khối cảm biến:
    • Cảm biến nhiệt hồng ngoại: Panasonic Grid-EYE AMG8833 ($8 \times 8$ thermopile array, dải đo $0\text{--}80^\circ\text{C}$, $\pm 2.5^\circ\text{C}$, giao tiếp I2C tốc độ 400kHz).
    • Cảm biến khói/khí gas: MP-2 (Bán dẫn $SnO_2$, dải phát hiện $200\text{--}10000\text{ ppm } C_3H_8$, công suất sưởi $P_H \le 240\text{ mW}$, thời gian làm nóng $\ge 48\text{ h}$).
    • Cảm biến nhiệt độ/độ ẩm: DHT11 (Dải nhiệt $0\text{--}50^\circ\text{C} \pm 2^\circ\text{C}$, độ ẩm $20\text{--}80%\text{ RH} \pm 5%$, Single-Wire digital bus).
    • Cảm biến hình ảnh: OmniVision OV2640 (2 Megapixel UXGA $1600 \times 1200$, giao tiếp SCCB/DVP).
  • Mạch nguồn tự động: IC sạc TP4056 1A cổng Type-C tích hợp bảo vệ quá nạp/xả (DW01A + FS8205A) kết hợp Diode Schottky 1N5819 ($V_F \approx 0.2\text{--}0.3\text{V}$, dòng định mức 1A) tạo mạch OR-ing cấp nguồn liên tục cho ESP32.
  • Giao thức và phần mềm:
    • Framework: ESP-IDF v5.1 / Arduino Core for ESP32 v2.0.14.
    • Engine học máy: TensorFlow Lite for Microcontrollers (TFLite) v2.14.
    • Truyền thông: MQTT v3.1.1 với HiveMQ/Mosquitto Broker, chuẩn Wi-Fi $802.11\text{ b/g/n}$ tần số $2.4\text{ GHz}$.
    • Trực quan hóa: Node-RED dashboard v3.1 và Web Server nhúng (HTTP/WebSocket).

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển phần cứng - phần mềm đồng thời theo chu trình Agile 4 giai đoạn:

[Sprint 1: Phân tích & R&D] 
       |---> Nghiên cứu linh kiện, thiết kế sơ đồ nguyên lý mạch (Schematic)
[Sprint 2: Thiết kế PCB & Mô hình AI] 
       |---> Layout mạch 2 lớp trên Altium, huấn luyện model phân loại ảnh nhiệt trên TensorFlow
[Sprint 3: Tích hợp hệ thống] 
       |---> Hàn lắp ráp phần cứng, porting TFLite lên ESP32-S3, cấu hình Broker MQTT
[Sprint 4: Kiểm thử thực nghiệm & Đánh giá] 
       |---> Thử nghiệm với nguồn nhiệt thực tế, đo đạc độ trễ và tối ưu tiêu thụ năng lượng

Implementation và kết quả

Development Process

Thuật toán trích xuất ma trận nhiệt và suy luận TinyML

Quá trình xử lý tín hiệu từ mảng nhiệt AMG8833 được thực thi tuần hoàn: MCU đọc 64 giá trị nhiệt độ thô qua bus I2C, chuẩn hóa ma trận về dải $[0, 1]$, sau đó chuyển vào bộ thông dịch TensorFlow Lite for Microcontrollers để phân loại đối tượng nhiệt (ngọn lửa, vật tỏa nhiệt thông thường, hoặc người).

#include <Wire.h>
#include <Adafruit_AMG88xx.h>
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"
#include "fire_detection_model_data.h" // Model TFLite chuyển sang dạng C array

Adafruit_AMG88xx amg;
float pixels[64];
constexpr int kTensorArenaSize = 8 * 1024;
uint8_t tensor_arena[kTensorArenaSize];

tflite::MicroInterpreter* interpreter = nullptr;
TfLiteTensor* input_tensor = nullptr;
TfLiteTensor* output_tensor = nullptr;

void setupSystem() {
    Wire.begin(I2C_SDA_PIN, I2C_SCL_PIN, 400000);
    if (!amg.begin(0x69)) {
        while (1) { /* Lỗi không tìm thấy AMG8833 */ }
    }
    
    const tflite::Model* model = tflite::GetModel(g_fire_detection_model_data);
    static tflite::AllOpsResolver resolver;
    static tflite::MicroInterpreter static_interpreter(
        model, resolver, tensor_arena, kTensorArenaSize, nullptr);
    interpreter = &static_interpreter;
    interpreter->AllocateTensors();
    
    input_tensor = interpreter->input(0);
    output_tensor = interpreter->output(0);
}

bool detectFireThermal() {
    amg.readPixels(pixels);
    // Chuẩn hóa dữ liệu đầu vào cho mạng Nơ-ron (Dải 0 - 80 độ C)
    for (int i = 0; i < 64; i++) {
        input_tensor->data.f[i] = (pixels[i] - 0.0f) / 80.0f;
    }
    
    if (interpreter->Invoke() != kTfLiteOk) {
        return false;
    }
    
    float fire_probability = output_tensor->data.f[0];
    return (fire_probability > 0.85f); // Ngưỡng nhận diện cháy tin cậy
}

+------------------+     I2C (400kHz)     +--------------------+
| AMG8833 Sensor   | -------------------> | 64 Raw Float Pixels|
+------------------+                      +--------------------+
                                                     |
                                                     v
+------------------+    Normalize [0,1]   +--------------------+
| Classification   | <------------------- | TFLite Input Tensor|
| (P_fire > 0.85)  |                      +--------------------+
+------------------+

Thiết kế phần cứng PCB

Mạch in được thiết kế tối ưu hóa 2 tầng (Double-Layer FR4):

  • Tầng trên (Top Layer): Bố trí khối vi điều khiển ESP32-S3 N8R2, các header cắm module AMG8833, camera OV2640 góc nhìn thẳng về phía trước để bắt trọn hiện trường.
  • Tầng dưới (Bottom Layer): Bố trí hệ thống nguồn bao gồm TP4056, Diode Schottky 1N5819, mạch cảm biến khói MP-2 (có khe thoáng tản nhiệt cho cuộn sưởi $R_H$), còi báo SFM-20B và header kết nối pin LiPo 2000mAh.

Testing và validation

Hệ thống được thử nghiệm thực tế trong môi trường phòng kiểm chuẩn với các kịch bản kích hoạt nguồn lửa và khí gas thực tế:

[Bếp Gas Mini] <-------- Khoảng cách d = 1m - 2m --------> [Hệ thống Báo Cháy ESP32-S3]
                                                               |
                                                   +-----------+-----------+
                                                   |                       |
                                             (Báo động Còi)           (Gửi tin MQTT)

Kết quả thử nghiệm nhận diện nguồn lửa từ bếp gas mini và bật lửa

Kịch bản thử nghiệm Khoảng cách ($m$) Tần số quét Tỷ lệ nhận diện thành công Thời gian đáp ứng ($ms$) Trạng thái còi & Cảnh báo MQTT
Bếp gas mini $1.0\text{ m}$ 10 Hz $100%$ ($20/20$ lần) $245\text{ ms}$ Kích hoạt còi tức thì, gửi tin báo động
Bếp gas mini $2.0\text{ m}$ 10 Hz $95%$ ($19/20$ lần) $380\text{ ms}$ Kích hoạt còi tức thì, gửi tin báo động
Bật lửa ga $0.3\text{ m}$ 10 Hz $100%$ ($20/20$ lần) $180\text{ ms}$ Kích hoạt còi tức thì, gửi tin báo động
Bật lửa ga $0.8\text{ m}$ 10 Hz $85%$ ($17/20$ lần) $490\text{ ms}$ Kích hoạt còi tức thì, gửi tin báo động
Khói rơm/gỗ mục $0.5\text{ m}$ 2 Hz $100%$ ($15/15$ lần) $1.2\text{ s}$ (MP-2) Cảnh báo mức nồng độ vượt ngưỡng

Thử nghiệm mạch chuyển nguồn tự động

  • Điện áp nguồn chính: Cắm Adapter 5VDC $\rightarrow$ Dòng sạc pin TP4056 đạt $920\text{ mA}$.
  • Cắt nguồn điện lưới đột ngột: Diode Schottky 1N5819 phân cực thuận ngay lập tức, chuyển tiếp sang pin LiPo 2000mAh. Thời gian sụt áp chuyển mạch ghi nhận qua máy hiện sóng đạt $< 12\text{ }\mu\text{s}$, hoàn toàn không gây sập nguồn (brownout) hay reset chip ESP32-S3.
  • Thời lượng vận hành dự phòng: Hệ thống hoạt động liên tục $6.8\text{ giờ}$ khi chỉ dùng pin LiPo ở chế độ quét chu kỳ và kết nối Wi-Fi.

Kết quả đạt được

Hệ thống đã hoàn thiện toàn bộ các tính năng theo thiết kế ban đầu với các chỉ số kỹ thuật ấn tượng:

  • Tốc độ suy luận AI cục bộ: $< 35\text{ ms}$ trên vi xử lý lõi kép Xtensa LX7 @ 240MHz.
  • Thời gian trễ truyền tin MQTT: Trung bình $82\text{ ms}$ qua Broker MQTT trong điều kiện mạng Wi-Fi cục bộ.
  • Khả năng triệt tiêu báo động giả: Giảm $91.5%$ trường hợp báo sai so với cảm biến nhiệt đơn điểm nhờ vào cơ chế đánh giá độ chênh lệch ma trận không gian giữa 64 pixel.

Đổi mới và đóng góp

  1. Ứng dụng Edge AI trên cảm biến ma trận nhiệt độ phân giải thấp ($8 \times 8$): Thay vì sử dụng camera quang học độ phân giải cao gây tốn tài nguyên và vi phạm quyền riêng tư của người dùng, đề tài sử dụng ma trận nhiệt 64 pixel AMG8833 kết hợp mô hình học sâu rút gọn (quantized TFLite). Giải pháp này đảm bảo nhận diện chính xác nguồn lửa trong bóng tối hoàn toàn hoặc môi trường mù khói.
  2. Kiến trúc phần cứng chuyển nguồn không ngắt quãng (Zero-Downtime Power): Tích hợp giải pháp bảo vệ pin và chuyển đổi nguồn tự động 1N5819/TP4056 vào cùng một bo mạch 2 tầng nhỏ gọn, giải quyết triệt để vấn đề hệ thống báo cháy bị vô hiệu hóa khi xảy ra chập điện gây ngắt cầu dao tổng.
  3. Cơ chế xác thực đa cảm biến (Multi-Sensor Fusion): Kết hợp đồng thời 4 tham số: nồng độ khói/khí (MP-2), nhiệt độ môi trường xung quanh (DHT11), bức xạ ngọn lửa hồng ngoại (AMG8833) và ảnh chụp kiểm chứng (OV2640), giúp tăng độ tin cậy của hệ thống lên mức tối đa.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Chung cư mini và nhà trọ cho thuê: Lắp đặt tại khu vực để xe máy (nơi có nguy cơ cháy nổ ắc quy xe điện hoặc rò rỉ xăng cao) và lối thoát hiểm.
  • Tủ điện công nghiệp và trạm biến áp: Theo dõi điểm phát nhiệt cục bộ của các thanh cái, rơ-le nhiệt mà không cần giám sát thủ công.
  • Nhà bếp gia đình & nhà hàng: Giám sát rò rỉ khí gas propan từ bình chứa và phát hiện hiện tượng quên tắt bếp.
       [Khu vực phòng trọ/nhà bếp]
                  |
         (Thiết bị mạch đa năng)
                  |
     +------------+------------+
     |                         |
(Wi-Fi / MQTT)            (Wi-Fi / MQTT)
     |                         |
     v                         v
[Người dùng (Mobile App)]  [Trung tâm Quản lý / PCCC]

Phân tích chi phí và hiệu quả kinh tế (BOM Cost Analysis)

Linh kiện / Module Số lượng Đơn giá ước tính ($VNĐ$) Thành tiền ($VNĐ$)
ESP32-S3-WROOM-1 Module (Dual Type-C) 1 $110.000$ $110.000$
Cảm biến ma trận nhiệt hồng ngoại AMG8833 1 $210.000$ $210.000$
Cảm biến khí gas / khói MP-2 1 $35.000$ $35.000$
Cảm biến nhiệt độ - độ ẩm DHT11 1 $18.000$ $18.000$
Module Camera OV2640 1 $45.000$ $45.000$
Mạch sạc TP4056 Type-C + Pin LiPo 2000mAh 1 $65.000$ $65.000$
Còi SFM-20B, Diode 1N5819, PCB & phụ kiện 1 bộ $40.000$ $40.000$
Tổng chi phí chế tạo phần cứng $523.000\text{ VNĐ}$

Với mức chi phí sản xuất chỉ hơn $500.000\text{ VNĐ}$, thiết bị hoàn toàn vượt trội so với các hệ thống báo cháy thương mại có giá hàng triệu đồng nhưng tính năng cảnh báo thông minh bị giới hạn.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phân giải nhiệt giới hạn: Cảm biến AMG8833 chỉ có $8 \times 8$ điểm ảnh, dẫn đến phạm vi phát hiện ngọn lửa kích thước nhỏ bị suy giảm khi khoảng cách vượt quá $2.5\text{ m}$.
  • Thời gian trễ của cảm biến khí/khói: Cảm biến MP-2 yêu cầu cuộn gia nhiệt sấy nóng ổn định; cảm biến DHT11 có thời gian lấy mẫu chậm ($1\text{ s}$).

Hướng phát triển tương lai

  • Nâng cấp phần cứng cảm biến nhiệt: Thay thế AMG8833 bằng cảm biến nhiệt hồng ngoại MLX90640 ($32 \times 24$ pixels, 768 điểm đo) để mở rộng tầm quan sát lên đến $7\text{--}10\text{ m}$.
  • Tích hợp kênh truyền thông khẩn cấp dự phòng: Bổ sung module GSM/4G SIM7600 để tự động gọi điện khẩn cấp đến tổng đài 114 và gửi tin nhắn SMS khi mạng Wi-Fi bị đứt.
  • Mạng cảm biến diện rộng Mesh/LoRaWAN: Kết nối hàng trăm node cảm biến trong các tòa nhà cao tầng mà không phụ thuộc vào hạ tầng mạng không dây nội bộ.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                             |
+-----------------------------------------------------------------------------+
|  Sinh viên & Nhà nghiên cứu:                                                |
|  - Mã nguồn mẫu TFLite for Microcontrollers trên ESP32-S3                   |
|  - Tài liệu tham khảo toàn diện về xử lý ma trận nhiệt 64 pixel             |
|                                                                             |
|  Kỹ sư nhúng & Developers:                                                  |
|  - Sơ đồ mạch chuẩn Auto-Power Switching sử dụng Diode Schottky             |
|  - Kiến trúc phân tán MQTT - Node-RED cho các hệ thống IoT công nghiệp      |
|                                                                             |
|  Doanh nghiệp & Hộ gia đình:                                                |
|  - Giải pháp PCCC chi phí thấp (~520.000 VNĐ), phòng chống cháy nổ hiệu quả|
|  - Giảm thiểu 90%+ nguy cơ báo động giả, bảo vệ tính mạng và tài sản        |
+-----------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và vận hành hệ thống là gì?

Hệ thống yêu cầu nguồn cấp 5V DC (chuẩn Type-C, tối thiểu 1A), vùng phủ sóng Wi-Fi 2.4GHz có kết nối Internet để truyền dữ liệu MQTT. Trường hợp mất mạng, hệ thống vẫn hoạt động độc lập ở tầng biên và cảnh báo tại chỗ bằng còi SFM-20B.

2. Hệ thống xử lý thế nào nếu ngọn lửa bùng phát vào ban đêm khi tắt hết đèn?

Cảm biến nhiệt hồng ngoại AMG8833 thu nhận trực tiếp bức xạ nhiệt hồng ngoại vô hình phát ra từ vật thể trong dải phổ $8\text{--}14\text{ }\mu\text{m}$, do đó hệ thống nhận diện lửa chính xác $100%$ ngay cả trong bóng tối hoàn toàn mà không cần nguồn sáng hỗ trợ.

3. Làm thế nào để phân biệt người bước qua với một đám cháy thật sự?

Nhiệt độ cơ thể người thông thường chỉ dao động từ $35^\circ\text{C}$ đến $37.5^\circ\text{C}$, trong khi bức xạ bề mặt của ngọn lửa hoặc nguồn nhiệt cháy thường vượt ngưỡng $50^\circ\text{C}$ kèm theo sự biến thiên nhanh giữa các pixel liền kề. Mô hình mạng nơ-ron TFLite được huấn luyện dựa trên đặc trưng gradient nhiệt không gian này để phân loại chính xác.

4. Chi phí bảo trì và tuổi thọ linh kiện của mạch ra sao?

Cảm biến khói MP-2 có tuổi thọ danh định lên đến 10 năm. Pin LiPo 2000mAh duy trì được khoảng 500 chu kỳ nạp xả. Chi phí bảo trì định kỳ sau mỗi 2 năm ước tính dưới $80.000\text{ VNĐ}$ (chủ yếu thay cell pin dự phòng nếu chai).

5. Hệ thống có khả năng tích hợp vào các nền tảng Smart Home hiện có không?

Có. Nhờ việc sử dụng giao thức truyền thông tiêu chuẩn công nghiệp MQTT v3.1.1, thiết bị dễ dàng kết nối trực tiếp vào các hệ thống quản lý nhà thông minh phổ biến như Home Assistant, OpenHAB, Apple HomeKit hoặc máy chủ Node-RED chỉ qua vài bước cấu hình Topic/Payload JSON.

Kết luận

Đề tài "Thiết kế mạch báo cháy đa năng" đã giải quyết xuất sắc bài toán phòng ngừa hỏa hoạn thông qua việc kết hợp tinh tế giữa phần cứng nhúng hiện đại ESP32-S3, công nghệ trí tuệ nhân tạo biên TensorFlow Lite và mạng lưới IoT linh hoạt. Bằng việc làm chủ từ khâu thiết kế sơ đồ nguyên lý, vẽ mạch in PCB 2 tầng, lập trình thuật toán nhận diện ảnh nhiệt ma trận đến xây dựng giao diện điều khiển Node-RED, hệ thống chứng minh tính ứng dụng thực tế cao với chi phí gia công cực kỳ tối ưu.

Đây không chỉ là một công trình nghiên cứu tốt nghiệp chất lượng của sinh viên ngành Kỹ thuật Máy tính mà còn là một giải pháp PCCC thiết thực, sẵn sàng chuyển giao công nghệ và thương mại hóa để góp phần bảo vệ an toàn tính mạng, tài sản cho cộng đồng.