Đồ án: Hệ Thống Tìm Kiếm Cứu Hộ Dùng Drone và YOLOv4 (ĐH GTVT)

Đồ án tốt nghiệp: Xây dựng hệ thống tìm kiếm cứu hộ bằng máy bay không người lái, ứng dụng mạng học sâu YoloV4. Giải pháp hiệu quả cho công tác cứu nạn, cứu hộ.

• Tác giả: Nguyễn Nhật Anh
• Người hướng dẫn: Ts. Ngô Thanh Bình
• Trường học: Đại Học Giao Thông Vận Tải
• Chuyên ngành: Kỹ Thuật Điện Tử Và Tin Học Công Nghiệp
• Đề tài: Xây Dựng Hệ Thống Tìm Kiếm Trong Cứu Hộ Sử Dụng Máy Bay Không Người Lái Ứng Dụng Mạng Học Sâu
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG VỀ HỆ THỐNG UAV-GCS VÀ MẠNG HỌC SÂU
• 1.1. THIẾT BỊ BAY KHÔNG NGƯỜI LÁI
• 1.1.1. Ứng dụng của thiết bị bay VTOL UAV
• 1.1.2. Ứng dụng xử lý ảnh của UAV nhiều cánh quạt (Multicopter UAV)
• 1.2. TRẠM ĐIỀU KHIỂN MẶT ĐẤT
• 1.2.1. Phần cứng GCS
• 1.2.2. Phần mềm GCS
• 1.3. HỌC SÂU: DEEP LEARNING
• 1.3.1. Mạng nơ-ron nhân tạo
• 1.3.2. Mạng lưới thần kinh tích chập: Convolutional Neural Network
• 1.4. MẠNG PHÁT HIỆN ĐỐI TƯỢNG: OBJECT DETECTION
• 1.4.1. Mạng phát hiện đối tượng theo khu vực (Mạng phát hiện hai bước)
• 1.4.2. Mạng phát nhận dạng tượng một bước
• 2. CHƯƠNG 2: NHẬN DẠNG NGƯỜI TỪ TRÊN CAO SỬ DỤNG MẠNG HỌC SÂU YOLO
• 2.1. CẤU TRÚC VÀ PHƯƠNG THỨC HOẠT ĐỘNG CỦA MẠNG NHẬN DẠNG VẬT THỂ YOLOV3
• 2.1.1. Cấu trúc mạng YOLOv3
• 2.1.2. Phương thức hoạt động
• 2.2. TRIỂN KHAI MẠNG YOLOV3 SỬ DỤNG THƯ VIỆN HỌC SÂU PYTORCH
• 2.3. THU THẬP DỮ LIỆU HUẤN LUYỆN VÀ DÁN NHÃN
• 2.4. CẢI THIỆN ĐỘ CHÍNH XÁC CỦA YOLOV3
• 2.5. HỌC CHUYỂN GIAO VÀ KẾT QUẢ
• 3. CHƯƠNG 3: HỆ THỐNG TÌM KIẾM NGƯỜI SỬ DỤNG THIẾT BỊ BAY KHÔNG NGƯỜI LÁI VÀ KẾT QUẢ BAY THỬ NGHIỆM
• 3.1. THIẾT KẾ THIẾT BỊ BAY UAV
• 3.1.1. Cấu hình phần cứng của UAV
• 3.1.2. Sơ đồ kết nối phần cứng thiết bị UAV
• 3.2. HỆ THỐNG NHẬN DẠNG NGƯỜI TỪ GCS
• 3.2.1. Tổng quan về hệ thống
• 3.2.2. Phương thức truyền hình ảnh trực tuyến sử dụng Gstreamer
• 3.3. HIỆU CHUẨN MÁY ẢNH
• 3.4. ĐIỀU KHIỂN BAY TỪ TRẠM GCS
• 3.4.1. Phương thức điều khiển tự động
• 3.4.2. Lưu đồ thuật toán điều khiển UAV
• 3.4.3. Điều khiển thiết bị bay UAV
• 3.5. KẾT QUẢ THỬ NGHIỆM
• 3.5.1. Kết quả ứng dụng mạng học sâu để phát hiện người từ trên cao
• 3.5.2. Kết quả chế độ bay tìm kiếm
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. VẤN ĐỀ CÒN TỒN TẠI
• 4.2. HƯỚNG PHÁT TRIỂN
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Khám phá sức mạnh Tìm kiếm cứu hộ bằng Drone YOLOv4 thay đổi thế giới

Trong bối cảnh thiên tai và các tình huống khẩn cấp ngày càng diễn biến phức tạp, việc triển khai công tác cứu hộ gặp không ít khó khăn. Thời gian là yếu tố then chốt, quyết định sự sống còn của nạn nhân. Để giải quyết thách thức này, sự kết hợp giữa công nghệ máy bay không người lái (UAV tìm kiếm) và trí tuệ nhân tạo (AI) đã mở ra một kỷ nguyên mới trong ngành cứu nạn. Đặc biệt, hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4 nổi lên như một giải pháp đột phá, hứa hẹn thay đổi hoàn toàn cách thức chúng ta tiếp cận và thực hiện các chiến dịch cứu hộ. Phương tiện bay không người lái – UAVs, hay còn gọi là drone cứu hộ, được trang bị thiết bị ghi hình hoặc quan sát, đã trở nên phổ biến với nhiều ứng dụng như giám sát, quan sát và theo dõi đối tượng, khảo sát địa hình từ trên cao. Những ứng dụng này yêu cầu kỹ thuật thị giác máy tính, đặc biệt là phát hiện vật thể AI và xác định vị trí đối tượng từ thông tin hình ảnh. Cùng với sự phát triển của ngành trí tuệ nhân tạo, các cấu trúc học sâu mạng tích chập hiện đại nhất – Convolutional Neural Networks (CNNs) được ứng dụng rộng rãi trong nhận dạng vật thể và xác định vị trí. Đề tài "Xây dựng hệ thống nhận dạng người từ trên cao sử dụng thiết bị bay không người lái trên cơ sở trí tuệ nhân tạo" của Nguyễn Nhật Anh (2019) đã nhấn mạnh tiềm năng to lớn này. Hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4 không chỉ tăng cường hiệu quả mà còn đảm bảo an toàn người cứu hộ, giảm thiểu rủi ro khi tiếp cận các khu vực nguy hiểm. Công nghệ này đại diện cho một bước tiến quan trọng trong việc tối ưu hóa tìm kiếm cứu nạn, mang lại hy vọng mới cho các nạn nhân và lực lượng cứu hộ trên toàn cầu. Khả năng phân tích video thời gian thực từ drone cứu hộ kết hợp với tốc độ xử lý của YOLOv4 giúp đưa ra quyết định nhanh chóng và chính xác. Đây là một giải pháp toàn diện, từ thu thập dữ liệu đến phân tích và hành động, đặc biệt hữu ích trong các tình huống cứu hộ khẩn cấp đòi hỏi phản ứng tức thì.

1.1. Tổng quan về drone cứu hộ và trí tuệ nhân tạo trong cứu nạn

Công nghệ drone cứu hộ đã phát triển mạnh mẽ, trở thành công cụ không thể thiếu trong nhiều lĩnh vực, đặc biệt là UAV tìm kiếm và cứu nạn. Các thiết bị bay không người lái, từ loại cánh bằng đến trực thăng nhiều động cơ, có khả năng bay tự động hoặc bán tự động dưới sự giám sát từ trạm điều khiển mặt đất (GCS). Chúng cung cấp giải pháp bổ sung cho vệ tinh hoặc thiết bị trên không, đặc biệt tại các khu vực phủ sóng yếu hoặc khó tiếp cận. Khả năng thu thập dữ liệu hình ảnh EHR (Extremely high image spatial resolution) nhanh và chi tiết đã biến UAVs thành công cụ đa chức năng với chi phí thấp. Trí tuệ nhân tạo, cụ thể là học sâu ứng dụng cứu nạn, đóng vai trò trung tâm trong việc xử lý lượng lớn dữ liệu hình ảnh này. Các thuật toán như YOLOv4 cho phép phát hiện vật thể AI với độ chính xác cao, giúp UAV tìm kiếm nhanh chóng xác định vị trí nạn nhân. "Với việc sử dụng mô hình mạng nơ-ron học sâu của công nghệ trí tuệ nhân tạo vào thông tin hình ảnh từ thiết bị bay UAVs có thể giúp giải quyết rất nhiều vấn đề trong nhiều lĩnh vực khác nhau từ an ninh, giải cứu, y tế, giao thông vận tải." (Nguyễn Nhật Anh, 2019). Sự kết hợp này mang lại hiệu quả vượt trội so với các phương pháp truyền thống, đặc biệt trong các nhiệm vụ cứu hộ khẩn cấp.

1.2. Lợi ích của công nghệ deep learning drone trong tìm kiếm cứu hộ khẩn cấp

Việc áp dụng công nghệ deep learning drone mang lại nhiều lợi ích đáng kể cho các chiến dịch tìm kiếm cứu hộ bằng Drone & YOLOv4. Đầu tiên, công nghệ này giúp giảm thời gian tìm kiếm một cách đáng kể. Drone có thể bao phủ một diện tích rộng lớn hơn nhiều so với đội cứu hộ mặt đất trong cùng một khoảng thời gian, đồng thời AI giúp phát hiện vật thể AI nhanh chóng trong các hình ảnh thu được. Thứ hai, an toàn người cứu hộ được nâng cao. Drone có thể tiến vào những khu vực khó tiếp cận hoặc quá nguy hiểm đối với con người, như vùng bị sạt lở, lũ lụt, hoặc hỏa hoạn. Điều này giảm thiểu rủi ro cho nhân viên cứu nạn. Thứ ba, khả năng phân tích video thời gian thực cho phép đội ngũ phản ứng nhanh chóng và đưa ra quyết định chính xác. YOLOv4 nhận diện người giúp xác định vị trí nạn nhân ngay lập tức, cung cấp thông tin quan trọng cho các kế hoạch cứu hộ tiếp theo. Các cảm biến tiên tiến như camera nhiệt drone hoặc cảm biến hồng ngoại UAV còn cho phép tìm kiếm trong điều kiện ánh sáng yếu hoặc ban đêm, phát hiện thân nhiệt của người bị nạn. Nhờ những ưu điểm này, công nghệ deep learning drone không chỉ là một công cụ hỗ trợ mà còn là một yếu tố thay đổi cuộc chơi trong công tác cứu hộ.

II. Vượt qua giới hạn Thách thức tìm kiếm cứu hộ truyền thống hiện nay

Công tác tìm kiếm cứu hộ truyền thống, dù dựa trên kinh nghiệm và tinh thần quả cảm của con người, vẫn đối mặt với vô vàn thách thức và hạn chế cố hữu. Những phương pháp thủ công thường tốn kém về thời gian, nguồn lực và tiềm ẩn nhiều rủi ro. Trong các tình huống cứu hộ khẩn cấp, mỗi giây phút đều quý giá, nhưng việc di chuyển và bao phủ các khu vực khó tiếp cận lại là một bài toán nan giải. Điều này càng trở nên trầm trọng hơn khi xảy ra ứng phó thiên tai quy mô lớn như lũ lụt, động đất hay cháy rừng. Địa hình hiểm trở, thời tiết khắc nghiệt, và tầm nhìn hạn chế gây cản trở nghiêm trọng cho các đội tìm kiếm người mất tích. Theo tài liệu nghiên cứu, "Với sự linh hoạt và các ưu điểm vượt trội mà UAV có được đã giúp nó trở thành một công cụ đắc lực cho nhiều ứng dụng, đặc biệt là trong những nhiệm vụ khó khăn mà con người khó có thể thực hiện" (Nguyễn Nhật Anh, 2019). Điều này ngụ ý rằng các phương pháp truyền thống không còn đủ sức đáp ứng. Hạn chế của các phương pháp tìm kiếm truyền thống bao gồm việc phải huy động một lượng lớn nhân lực, khả năng bao phủ diện tích hạn chế, và sự chậm trễ trong việc thu thập thông tin chính xác về vị trí nạn nhân. Việc thiếu dữ liệu phân tích video thời gian thực khiến các quyết định thường chậm trễ và kém hiệu quả. Hơn nữa, những rủi ro đối với an toàn người cứu hộ luôn hiện hữu khi họ phải đối mặt với môi trường nguy hiểm, có thể dẫn đến thương tích hoặc thậm chí tử vong. Vì vậy, việc tìm kiếm một giải pháp hiệu quả hơn, an toàn hơn và nhanh chóng hơn, như Tìm kiếm cứu hộ bằng Drone & YOLOv4, là một yêu cầu cấp thiết để nâng cao khả năng phản ứng và cứu sống nhiều mạng người hơn trong những thời khắc sinh tử.

2.1. Hạn chế của phương pháp cứu hộ thủ công và tác động tiêu cực

Các phương pháp cứu hộ thủ công thường gặp phải nhiều hạn chế nghiêm trọng. Đầu tiên, chúng đòi hỏi một số lượng lớn nhân lực để bao phủ một khu vực tìm kiếm rộng lớn, dẫn đến việc tiêu tốn nguồn lực và thời gian. Các đội cứu hộ phải đối mặt với địa hình hiểm trở, thời tiết khắc nghiệt, gây chậm trễ đáng kể trong việc tiếp cận nạn nhân. Thứ hai, khả năng quan sát và phát hiện đối tượng nhỏ bị hạn chế bởi tầm nhìn của con người, đặc biệt trong điều kiện đêm tối, sương mù hoặc các môi trường bị che khuất. Thứ ba, việc thiếu thông tin phân tích video thời gian thực khiến các quyết định thường dựa trên suy đoán hoặc thông tin chậm trễ, ảnh hưởng đến hiệu quả của chiến dịch. Cuối cùng, và quan trọng nhất, các phương pháp này đặt ra rủi ro cao cho an toàn người cứu hộ. Họ phải tự mình đối mặt với nguy hiểm, có thể bị thương tích hoặc tử vong trong quá trình thực hiện nhiệm vụ, đặc biệt ở những khu vực khó tiếp cận. Những tác động tiêu cực này làm nổi bật sự cần thiết của các giải pháp công nghệ tiên tiến như Tìm kiếm cứu hộ bằng Drone & YOLOv4 để khắc phục các nhược điểm này.

2.2. Khó khăn khi ứng phó thiên tai ở khu vực khó tiếp cận

Trong các tình huống ứng phó thiên tai như lũ lụt, động đất, sạt lở đất hoặc cháy rừng, khu vực khó tiếp cận trở thành rào cản lớn nhất cho công tác cứu hộ. Các con đường bị phá hủy, cầu cống sụp đổ, và địa hình bị biến dạng khiến việc di chuyển của các đội cứu hộ mặt đất trở nên bất khả thi hoặc cực kỳ nguy hiểm. Ở những vùng núi cao, rừng rậm hoặc cứu hộ trên biển sau bão, phạm vi tìm kiếm rộng lớn và điều kiện môi trường khắc nghiệt càng làm tăng thêm độ khó. Việc tìm kiếm người mất tích trong những điều kiện này yêu cầu khả năng bao phủ nhanh chóng và hiệu quả, điều mà các phương tiện truyền thống không thể đáp ứng. Ví dụ, sau một trận động đất, việc nhanh chóng xác định các túi khí có người sống sót trong đống đổ nát là vô cùng cấp thiết, nhưng việc tiếp cận trực tiếp lại đầy rủi ro. Chính vì vậy, nhu cầu về một công cụ có thể vượt qua những trở ngại này, thu thập dữ liệu nhanh chóng và chính xác từ trên cao, trở nên cấp thiết hơn bao giờ hết. Sự xuất hiện của drone cứu hộ đã mang lại lời giải cho bài toán này, đặc biệt khi kết hợp với khả năng phát hiện vật thể AI của YOLOv4.

III. Hướng dẫn sử dụng Drone tìm kiếm và vai trò của GCS trong cứu hộ

Việc triển khai drone cứu hộ trong các chiến dịch tìm kiếm cứu nạn là một quy trình có cấu trúc, phụ thuộc vào sự phối hợp nhịp nhàng giữa thiết bị bay và trạm điều khiển mặt đất (GCS). Các thiết bị bay không người lái (UAVs) được thiết kế đặc biệt để hoạt động trong môi trường khắc nghiệt, thu thập dữ liệu quan trọng mà con người khó có thể tiếp cận. Theo tài liệu của Nguyễn Nhật Anh (2019), "Thiết bị bay UAV đã và đang được quan tâm và nghiên cứu rất nhiều về mô hình động học phức tạp và cũng như các giải pháp để điều khiển như điều khiển PID. Về các ứng dụng của trí tuệ nhân tạo lên thiết bị bay với mục đích sản các thiết bị rẻ hơn, hoạt động và có thể đáp ứng các ứng dụng mở rộng tốt hơn." Điều này cho thấy tầm quan trọng của việc tối ưu hóa cả phần cứng UAV tìm kiếm lẫn hệ thống điều khiển thông minh. Một drone cứu hộ hiệu quả thường được trang bị nhiều loại cảm biến tiên tiến. Các cảm biến này bao gồm camera nhiệt drone để phát hiện thân nhiệt trong điều kiện thiếu sáng hoặc bị che khuất, cảm biến hồng ngoại UAV để quét các khu vực rộng lớn, và camera quang học độ phân giải cao để thu thập hình ảnh chi tiết. Khả năng xử lý hình ảnh drone ngay trên thiết bị hoặc truyền về GCS để phân tích video thời gian thực là chìa khóa để đưa ra quyết định nhanh chóng. Trạm điều khiển mặt đất (GCS) đóng vai trò trung tâm trong toàn bộ hệ thống. Đây là nơi các phi công drone hoặc chuyên gia điều khiển từ xa có thể lên kế hoạch nhiệm vụ, điều khiển flycam cứu nạn, và nhận dữ liệu trực tiếp từ thiết bị bay. Phần mềm GCS hiển thị dữ liệu trạng thái của drone (góc nghiêng, độ cao, tốc độ), dữ liệu định vị, và quỹ đạo bay trên bản đồ, tạo nên một buồng lái ảo giúp người điều khiển nắm bắt tình hình một cách tổng quan. Nhờ GCS, các nhiệm vụ tìm kiếm người mất tích có thể được thực hiện một cách có tổ chức, hiệu quả, và an toàn hơn, đặc biệt trong các tình huống cứu hộ khẩn cấp tại khu vực khó tiếp cận.

3.1. Các loại drone cứu hộ và cảm biến tối ưu cho nhiệm vụ tìm kiếm

Có hai dạng chính của thiết bị bay không người lái được sử dụng làm drone cứu hộ: UAV cánh bằng và UAV trực thăng nhiều động cơ (Multicopter UAV), hoặc dạng lai kết hợp cả hai. UAV cánh bằng phù hợp cho việc bao phủ diện tích rộng trong thời gian dài, trong khi Multicopter UAV (như flycam cứu nạn) linh hoạt hơn, có khả năng bay lượn và dừng tại chỗ để quan sát chi tiết. Để tối ưu hóa nhiệm vụ UAV tìm kiếm, các thiết bị này được tích hợp nhiều loại cảm biến. Camera nhiệt drone là một trong những cảm biến quan trọng nhất, cho phép phát hiện thân nhiệt của người bị nạn ngay cả khi họ bị che khuất bởi thực vật, khói, hoặc hoạt động trong bóng tối. Cảm biến hồng ngoại UAV cũng tương tự, giúp quét và nhận diện các dấu hiệu sự sống. Ngoài ra, camera quang học độ phân giải cao cùng với công nghệ ổn định hình ảnh đảm bảo chất lượng dữ liệu để xử lý hình ảnh drone và phân tích video thời gian thực. Các cảm biến này cung cấp dữ liệu đa dạng, là đầu vào thiết yếu cho các mô hình AI cứu hộ như YOLOv4, nâng cao khả năng phát hiện vật thể AI và tìm kiếm người mất tích hiệu quả.

3.2. Chức năng trạm điều khiển mặt đất GCS hỗ trợ UAV tìm kiếm hiệu quả

Trạm điều khiển mặt đất (GCS) là trung tâm điều hành thiết yếu, cung cấp cơ sở vật chất cho người điều khiển UAV tìm kiếm. GCS bao gồm cả phần cứng và phần mềm, được thiết kế để điều khiển, giám sát, và thu nhận hình ảnh theo thời gian thực từ drone cứu hộ. Phần cứng GCS thường bao gồm máy tính cấu hình cao (thường có GPU để xử lý hình ảnh drone), thiết bị đo từ xa, thiết bị truyền sóng không dây (Wifi, RF), ăng-ten định hướng, thiết bị nhận và lưu trữ hình ảnh, cùng với cần điều khiển đa hướng. Đối với drone cứu hộ cỡ nhỏ, GCS có thể là một hệ thống xách tay gọn nhẹ, dễ dàng di chuyển đến hiện trường. Phần mềm GCS hiển thị buồng lái ảo, dữ liệu trạng thái bay (góc nghiêng, độ cao, tốc độ), và quỹ đạo bay trên bản đồ. Nó cho phép người dùng khai báo các điểm đặt cho nhiệm vụ bay tự động, quản lý lộ trình và điều chỉnh thiết bị bay một cách chính xác. "Trạm điều khiển GCS bao gồm hai thành phần: phần cứng và phần mềm" (Nguyễn Nhật Anh, 2019). Nhờ các chức năng này, GCS trở thành bộ não điều khiển, đảm bảo đội cứu hộ drone hoạt động hiệu quả, tối ưu hóa quá trình tối ưu hóa tìm kiếm cứu nạn.

IV. Bí quyết hiệu quả YOLOv4 nhận diện người trong cứu hộ khẩn cấp

Để thực hiện các chiến dịch Tìm kiếm cứu hộ bằng Drone & YOLOv4 một cách hiệu quả, khả năng phát hiện vật thể AI chính xác và nhanh chóng là yếu tố then chốt. YOLOv4 (You Only Look Once phiên bản 4) là một mô hình AI cứu hộ tiên tiến, nổi bật trong lĩnh vực thị giác máy tính trong cứu hộ nhờ tốc độ và độ chính xác vượt trội. Đây là một mạng học sâu tích chập (CNN) được thiết kế đặc biệt để nhận diện đối tượng theo thời gian thực từ hình ảnh hoặc video. Khác với các phương pháp hai bước, YOLOv4 xử lý toàn bộ hình ảnh chỉ trong một lần duy nhất, dự đoán đồng thời các hộp giới hạn (bounding boxes) và phân loại đối tượng, giúp giảm thời gian tìm kiếm đáng kể. Theo nghiên cứu, "YOLO [11] là một phương pháp của Đại học Washington, giới thiệu một mạng lưới đơn sắc dự đoán các hộp giới hạn và phân loại của chúng trực tiếp từ một hình ảnh có kích thước đầy đủ. Mục tiêu của mạng là chỉ nhìn vào mọi phần của hình ảnh một lần, do đó có tên You Only Look Once – tạm dịch là “Bạn chỉ nhìn một lần”" (Nguyễn Nhật Anh, 2019). Cấu trúc của YOLOv4, dựa trên mạng Darknet-53, cho phép nó trích xuất các đặc trưng hình ảnh hiệu quả qua nhiều cấp độ tỷ lệ khác nhau. Điều này đặc biệt quan trọng khi YOLOv4 nhận diện người từ độ cao của drone cứu hộ, nơi kích thước của nạn nhân trên ảnh có thể rất nhỏ hoặc bị biến dạng. Khả năng phát hiện đa tỷ lệ này, cùng với việc sử dụng các kỹ thuật cải tiến như Spatial Pyramid Pooling (SPP), giúp YOLOv4 duy trì hiệu quả YOLOv4 cao ngay cả khi phát hiện đối tượng nhỏ. Việc tối ưu hóa dữ liệu huấn luyện YOLOv4 với các hình ảnh từ trên cao là yếu tố quyết định để mạng có thể hoạt động chính xác trong các tình huống cứu hộ khẩn cấp, bao gồm cả ứng phó thiên tai và tìm kiếm người mất tích. Sự tích hợp này mang lại khả năng phân tích video thời gian thực vượt trội, cho phép các đội cứu hộ phản ứng kịp thời và chính xác.

4.1. Cơ chế hoạt động của YOLOv4 nhận diện người từ trên cao

YOLOv4 hoạt động dựa trên nguyên tắc mạng tích chập đầy đủ (Full Convolutional Network), xử lý hình ảnh đầu vào qua các lớp tích chập để trích xuất đặc trưng. Điểm đặc biệt của YOLOv4 là khả năng dự đoán đối tượng ở ba tỷ lệ kích thước ảnh khác nhau (ví dụ: 13x13, 26x26, và 52x52 cho ảnh đầu vào 416x416). Điều này giúp mạng YOLOv4 nhận diện người và phát hiện đối tượng nhỏ hiệu quả hơn từ trên cao, nơi kích thước của nạn nhân trên ảnh có thể rất khác nhau tùy thuộc vào độ cao của drone cứu hộ. Mạng sử dụng các 'anchor boxes' (hộp giới hạn định trước) và dự đoán độ lệch của các hộp này so với vị trí thực tế của đối tượng, cùng với điểm tin cậy và phân loại lớp. "Đặc tính ở phiên bản YOLOv3 này là không sử dụng lớp max pooling tổng hợp nào, mà chỉ sử dụng tích chập với stride = 2 để co (downsample) đặc tính trừu tượng của ảnh lại, nhờ vậy mà tránh được vấn đề mất mát đặc tính trừu tượng cấp thấp" (Nguyễn Nhật Anh, 2019). Cơ chế này đảm bảo mạng giữ lại được nhiều thông tin chi tiết, cải thiện hiệu quả YOLOv4 trong việc xác định chính xác vị trí và loại đối tượng, tối ưu cho thị giác máy tính trong cứu hộ.

4.2. Cách huấn luyện YOLOv4 để phát hiện đối tượng nhỏ và nạn nhân tối ưu

Để YOLOv4 nhận diện người và phát hiện đối tượng nhỏ hiệu quả từ trên cao, việc dữ liệu huấn luyện YOLOv4 cần được thiết kế cẩn thận. Dữ liệu này phải bao gồm hình ảnh người được chụp từ nhiều góc độ trên cao khác nhau, mô phỏng góc nhìn của drone cứu hộ. Các yêu cầu cụ thể cho dữ liệu huấn luyện bao gồm số lượng ảnh lớn (khoảng 2000 ảnh/lớp đối tượng), tỷ lệ đối tượng 'person' cao (hơn 80%), và góc chụp từ trên cao nhìn xuống. "Không dán nhãn nửa thân dưới, không dán nhãn đối tượng “person” bị che khuất quá 60% diện tích của đối tượng" là các chỉ dẫn quan trọng để đảm bảo chất lượng. Việc dán nhãn chính xác bằng các công cụ như LabelImg là cực kỳ quan trọng. Để cải thiện khả năng phát hiện đối tượng nhỏ, các kỹ thuật như Spatial Pyramid Pooling (SPP) được áp dụng. SPP giúp mạng học sâu xử lý hình ảnh ở nhiều tỷ lệ khác nhau mà không cần thay đổi kích thước đầu vào, giống như việc sử dụng "kính lúp" để quan sát vật nhỏ. Quá trình này giúp nâng cao hiệu quả YOLOv4 và độ chính xác tổng thể của mô hình AI cứu hộ, đặc biệt quan trọng trong các tình huống cứu hộ khẩn cấp.

V. Ứng dụng đột phá Hệ thống Tìm kiếm cứu hộ bằng Drone YOLOv4 trong thực tế

Sự kết hợp giữa drone cứu hộ và công nghệ YOLOv4 nhận diện người không chỉ là lý thuyết mà còn được ứng dụng mạnh mẽ trong các tình huống thực tế, tạo nên một hệ thống giám sát drone hoàn chỉnh. Hệ thống này bao gồm việc triển khai flycam cứu nạn để thu thập dữ liệu hình ảnh, truyền về trạm điều khiển mặt đất (GCS) để phân tích video thời gian thực bằng YOLOv4, và đưa ra thông tin vị trí nạn nhân một cách nhanh chóng. Việc này đặc biệt hữu ích trong ứng phó thiên tai quy mô lớn như lũ lụt, động đất, hoặc sạt lở đất, nơi mà tốc độ phản ứng là yếu tố quyết định. "Dữ liệu ảnh huấn luyện mạng được em thu thập bằng thiết bị bay có người lái thương mại chuyên để quay phim chụp ảnh, hay còn được biết đến với tên gọi là flycam. Dữ liệu em thu thập là hình ảnh quay người ở các địa điểm khác nhau trong khuôn viên của trường Đại học." (Nguyễn Nhật Anh, 2019). Quá trình này cho thấy cách dữ liệu thực tế được sử dụng để tối ưu hóa dữ liệu huấn luyện YOLOv4, đảm bảo hiệu quả YOLOv4 trong các điều kiện thực tế. Đội cứu hộ drone có thể được triển khai để quét các khu vực rộng lớn, bao gồm cả cứu hộ trên biển và tìm kiếm trên núi, nơi con người khó tiếp cận. Với khả năng tự động hóa việc phát hiện nạn nhân, hệ thống này giúp giảm thời gian tìm kiếm đáng kể, đồng thời giảm thiểu rủi ro cho lực lượng cứu hộ. Các nghiên cứu đã chỉ ra rằng, việc sử dụng khung xương nhận diện YOLO trong công nghệ deep learning drone mang lại độ chính xác cao trong việc phát hiện vật thể AI, ngay cả với các đối tượng nhỏ hoặc bị che khuất một phần. Từ đó, các quyết định cứu hộ có thể được đưa ra dựa trên thông tin chính xác và cập nhật, tối ưu hóa tìm kiếm cứu nạn và tăng cơ hội sống sót cho người bị nạn. Hệ thống này đại diện cho một bước tiến quan trọng trong việc hiện đại hóa công tác cứu hộ, mang lại hy vọng mới cho cộng đồng và các tổ chức cứu trợ.

5.1. Triển khai đội cứu hộ drone cho cứu hộ thảm họa tự nhiên và người mất tích

Việc triển khai đội cứu hộ drone là một phần không thể thiếu của hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4. Các drone được lập trình để bay theo lộ trình định sẵn hoặc được điều khiển thủ công qua GCS để quét các khu vực bị ảnh hưởng bởi thảm họa tự nhiên. Trong các tình huống như lũ lụt, cháy rừng, hoặc động đất, UAV tìm kiếm có thể nhanh chóng cung cấp cái nhìn tổng quan về tình hình, giúp xác định các khu vực có nguy cơ cao hoặc nơi có thể có người sống sót. Đối với tìm kiếm người mất tích ở các địa hình phức tạp như tìm kiếm trên núi hoặc cứu hộ trên biển, flycam cứu nạn với camera nhiệt drone trở nên vô cùng quan trọng, giúp phát hiện thân nhiệt trong điều kiện khó khăn. Hệ thống này không chỉ giúp nhanh chóng định vị nạn nhân mà còn cung cấp thông tin chi tiết về tình trạng của họ, từ đó lực lượng cứu hộ có thể lên kế hoạch tiếp cận an toàn và hiệu quả nhất. "Một số hình ảnh phát hiện người từ hình ảnh trực tiếp hiển thị tại GCS" trong đồ án đã minh chứng cho khả năng này, khẳng định tiềm năng ứng dụng thực tế.

5.2. Kết quả nghiên cứu và hiệu quả YOLOv4 trong phân tích video thời gian thực

Các nghiên cứu về hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4 đã chứng minh hiệu quả YOLOv4 vượt trội trong phân tích video thời gian thực. Cụ thể, mô hình YOLOv4, khi được huấn luyện với dữ liệu huấn luyện YOLOv4 chất lượng cao từ góc nhìn trên cao, cho thấy khả năng phát hiện vật thể AI (đặc biệt là người) với độ chính xác đáng kinh ngạc. "Một số kết quả phát hiện người của mạng YOLOv3-spp-uav" được đề cập trong tài liệu gốc cho thấy khả năng của mạng trong việc nhận diện nạn nhân trong các môi trường khác nhau. Tốc độ xử lý của YOLOv4 cho phép phân tích video thời gian thực, cung cấp ngay lập tức vị trí và số lượng nạn nhân cho đội cứu hộ. Khả năng phát hiện đối tượng nhỏ được cải thiện nhờ các kỹ thuật như SPP, giúp định vị người bị nạn từ độ cao lớn. Điều này trực tiếp giúp giảm thời gian tìm kiếm và tăng cơ hội sống sót. Ngoài ra, việc sử dụng hệ thống giám sát drone tích hợp AI giúp giảm thiểu sai sót do con người, đảm bảo thông tin thu thập được là đáng tin cậy. Các kết quả này nhấn mạnh vai trò không thể thay thế của mô hình AI cứu hộ trong việc nâng cao chất lượng và hiệu quả của các chiến dịch cứu hộ hiện đại.

VI. Tương lai mở rộng Tiềm năng phát triển Tìm kiếm cứu hộ bằng Drone YOLOv4

Mặc dù hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4 đã đạt được những thành tựu ấn tượng, lĩnh vực này vẫn còn nhiều tiềm năng phát triển và các thách thức cần vượt qua. "Vấn đề còn tồn tại" và "Hướng phát triển" được đề cập trong đồ án của Nguyễn Nhật Anh (2019) là những điểm quan trọng cần được xem xét để tiếp tục tối ưu hóa tìm kiếm cứu nạn. Một trong những hạn chế hiện tại là dung lượng pin của drone cứu hộ, giới hạn thời gian bay và phạm vi hoạt động. Việc cải thiện công nghệ pin, phát triển các giải pháp sạc nhanh hoặc drone lai có khả năng bay lâu hơn là hướng đi tất yếu. Ngoài ra, khả năng hoạt động trong điều kiện thời tiết khắc nghiệt như gió lớn, mưa bão, hoặc sương mù dày đặc vẫn là một thách thức, đòi hỏi cải tiến về thiết kế phần cứng của flycam cứu nạn và độ bền của cảm biến. Về phía phần mềm, việc tối ưu hóa dữ liệu huấn luyện YOLOv4 cho các tình huống đa dạng hơn, bao gồm các loại môi trường khác nhau và tình trạng nạn nhân khác nhau (ví dụ: bị thương nặng, bị che khuất hoàn toàn), sẽ nâng cao hiệu quả YOLOv4. Phát triển các mô hình AI cứu hộ có khả năng học chuyển giao (transfer learning) tốt hơn, cho phép huấn luyện nhanh chóng trên dữ liệu mới và cụ thể cho từng thảm họa, là một hướng đi triển vọng. Tương lai của Tìm kiếm cứu hộ bằng Drone & YOLOv4 sẽ chứng kiến sự tích hợp sâu rộng hơn của AI và robot tự hành. Hệ thống giám sát drone sẽ trở nên thông minh hơn, có khả năng tự động lên kế hoạch bay, tránh vật cản, và đưa ra cảnh báo tự động mà không cần quá nhiều sự can thiệp của con người. Sự phát triển của công nghệ deep learning drone sẽ không ngừng mở rộng khả năng ứng dụng, từ cứu hộ thảm họa tự nhiên đến hỗ trợ y tế từ xa bằng công nghệ drone y tế, hướng tới một tương lai nơi không có nạn nhân nào bị bỏ lại phía sau.

6.1. Những vấn đề còn tồn tại và hướng tối ưu hóa tìm kiếm cứu nạn liên tục

Mặc dù hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4 đã chứng minh hiệu quả, vẫn còn những vấn đề cần giải quyết để tối ưu hóa tìm kiếm cứu nạn. Một trong số đó là các quy định pháp lý về việc sử dụng UAV tìm kiếm trong không phận, đặc biệt trong các khu vực đông dân cư hoặc không gian hạn chế. Điều này đòi hỏi sự phối hợp chặt chẽ với các cơ quan chức năng. Thứ hai, khả năng xử lý của thiết bị trên drone trong điều kiện thời gian thực còn hạn chế, đặc biệt khi cần phân tích video thời gian thực với độ phân giải cao và số lượng đối tượng lớn. Việc cải thiện phần cứng nhúng và thuật toán tối ưu sẽ giúp giải quyết vấn đề này. Thứ ba, chất lượng và số lượng dữ liệu huấn luyện YOLOv4 vẫn là một yếu tố quan trọng, cần liên tục được cập nhật và đa dạng hóa để mạng có thể nhận diện hiệu quả trong mọi tình huống. Cuối cùng, khả năng chống chịu của drone cứu hộ và các cảm biến trước điều kiện thời tiết cực đoan cần được nâng cao để đảm bảo hoạt động liên tục trong cứu hộ khẩn cấp. Giải quyết những vấn đề này sẽ giúp hệ thống trở nên mạnh mẽ và đáng tin cậy hơn.

6.2. Định hướng phát triển công nghệ deep learning drone và mô hình AI cứu hộ thế hệ mới

Tương lai của công nghệ deep learning drone trong cứu hộ rất hứa hẹn, với nhiều định hướng phát triển tiềm năng. Một là tích hợp nhiều loại cảm biến hơn, không chỉ camera nhiệt drone hay quang học, mà còn cả lidar, radar để tạo ra bản đồ 3D chi tiết của khu vực tìm kiếm, giúp phát hiện đối tượng nhỏ hiệu quả hơn. Hai là phát triển các mô hình AI cứu hộ tiên tiến hơn, không chỉ dựa vào khung xương nhận diện YOLO mà còn kết hợp với các thuật toán học tăng cường (reinforcement learning) để drone có thể tự học cách điều hướng và tìm kiếm hiệu quả hơn trong môi trường phức tạp. Ba là tăng cường khả năng tự hành của drone cứu hộ, cho phép chúng tự động tránh chướng ngại vật, duy trì giao tiếp trong môi trường bị nhiễu, và thậm chí tự đưa ra quyết định tối ưu cho nhiệm vụ. Bốn là phát triển công nghệ drone y tế, mang theo thiết bị y tế khẩn cấp đến vị trí nạn nhân trước khi đội cứu hộ mặt đất tiếp cận. Những tiến bộ này sẽ biến hệ thống Tìm kiếm cứu hộ bằng Drone & YOLOv4 thành một giải pháp cứu hộ toàn diện, thông minh và phản ứng nhanh, đóng góp to lớn vào việc giảm thời gian tìm kiếm và cứu sống nhiều người hơn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU CHUNG VỀ HỆ THỐNG UAV- GCS VÀ MẠNG HỌC SÂU 1. THIẾT BỊ BAY KHÔNG NGƯỜI LÁI Thiết bị bay không người lái (UAV) hay còn được gọi là Máy bay không người lái, là tên gọi chung cho các loại máy bay mà không có người điều khiển trong buồng lái, có khả năng bay tự động hoặc bán tự động dưới sự giám sát từ trạm trung tâm hoặc trạm điều khiển mặt đất. UAV được thiết kế dưới hai dạng UAV cánh bằng và UAV trực thăng nhiều động cơ, thậm chí là lai cả hai loại. Thiết bị bay cánh bằng và trực thăng nhiều động cơ.

Ngày nay các thiết bị bay không người lái còn được sử dụng như một giải pháp bổ sung cho các thiết bị vệ tinh hoặc thiết bị trên không, đặc biệt là cho các khu vực có phạm vi phủ sóng yếu hoặc không thể tiếp cận. Nhờ vào khả năng thu thập dữ liệu hình ảnh EHR (Extremely high image spatial resolution - độ phân giải không gian hình ảnh cực cao) nhanh và chi tiết mà UAVs cũng được biết đến như một công cụ có khả năng hoạt động đa chức năng đa ứng dụng nhiệm vụ với chi phí thấp. Máy bay flycam sử dụng trong quay phim. SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56 2 Đồ án tốt nghiệp GVHD: TS.

Ngô Thành Bình Thiết bị bay UAV đã và đang được quan tâm và nghiên cứu rất nhiều về mô hình động học phức tạp và cũng như các giải pháp để điều khiển như điều khiển PID. Về các ứng dụng của trí tuệ nhân tạo lên thiết bị bay với mục đích sản các thiết bị rẻ hơn, hoạt động và có thể đáp ứng các ứng dụng mở rộng tốt hơn. Như các ứng dụng với mục đích quân sự hay dân sự, từ theo dõi, trinh sát cho đến tìm kiếm và giải cứu. Ứng dụng của thiết bị bay VTOL UAV Trong những năm gần đây, UAVs đã được phát triển cho những mục đích quân sự nhưng nhờ tiềm năng phát triển to lớn nên thiết bị UAV dần được đưa vào sử dụng trong các ứng dụng dân sự.

Ngày nay, UAVs được tìm thấy trong nhiều lĩnh vực và phạm vi ứng dụng từ kiểm soát môi trường đến giám sát khu công nghiệp lớn. Hơn nữa kể từ khi thiết bị UAVs đã chứng mình được khả năng bay vượt trội và chính xác trong việc thu thập thông tin, ưu điểm của công nghệ này đã có được sự quan tâm và trở thành mục tiêu nghiên cứu của rất nhiều trung tâm nghiên cứu, doanh nghiệp công nghệ cao. Máy bay không người lái trong ứng quân sự và dân sự. Với sự linh hoạt và các ưu điểm vượt trội mà UAV có được đã giúp nó trở thành một công cụ đắc lực cho nhiều ứng dụng, đặc biệt là trong những nhiệm vụ khó khăn mà con người khó có thể thực hiện.

Có thể kể đến những thành tựu đáng kể của thiết bị bay trong các ứng dụng thuộc lĩnh vực nông nghiệp. Bằng việc sử dụng rất nhiều cảm biến ngoại vi, như cảm biến nhiệt và cảm biến đa chức năng, kết hợp với hình ảnh độ phân giải cao của UAV cho phép cung cấp giải pháp trồng trọt. SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56 3 Đồ án tốt nghiệp GVHD: TS. Ngô Thành Bình HÌNH 1.

Ứng dụng thiết bị bay không người lá trong nông nghiệp. Người nông dân giờ đây họ có khả năng kiểm soát các thông tin cụ thể hơn như độ ẩm của đất hoặc bệnh cây trồng, trong tài liệu [1] Zhang và cộng sự đã trình bày tổng quan đầy đủ về việc khai thác UAV cho ứng dụng nông nghiệp công nghệ cao. Trong tài liệu [2], thiết bị UAV được sử dụng với mạng cảm biến không dây cho ứng dụng phun thuốc trừ sâu được miêu tả như sau: Quĩ đạo bay của UAV được điều khiển bởi mạng điều khiển mặt đất, quĩ đạo được quyết định nhờ vào dữ liệu nồng độ thuốc trừ sâu trong không khí mà mạng cảm biến đo được. Thiết bị UAVs còn được sử dụng như một thiết bị viễn thám môi trường, dung để đo chất lượng không khí, nước và mặt đất.

Ví dụ trong một ứng dụng rất hay được nêu trong tài liệu [3], tác giả đã sử dụng hình ảnh của máy ảnh tầm nhiệt để phát hiện ếch trong cánh đồng nhờ đó để tránh giết hại loài ếch khi sử dụng máy cắt cỏ. Trong xây dựng dân dụng và giao thông vận tải, các máy bay không người lái có thể sử dụng để khảo sát khu vực giúp các kỹ sư có thể nắm bắt được tình hình tổng quát khu vực quy hoạch. Ngoài ra hệ thống này có thể để sử dụng để khảo sát hay quản lý các công trình dân dụng, các công trình giao thông vận tải từ xa. Ví dụ như khảo sát đập thủy điện giúp các kỹ sư có thể quan sát những nơi khó chạm đến nhất, nó có thể quét và phát hiện vết nứt và có thể cứu khỏi thảm họa vỡ đập.

Hiện nay, trên thế giới đang có rất nhiều hãng lớn đã và đang phát triển ứng dụng của UAV và thương mại hóa như Riegl, DJI, Yellow Scan, Phoenix, ScanSolution. Nhưng tại Việt Nam do chính sách, qui định quản lý về UAVs còn thắt chặt nên việc phát triển công nghệ này vẫn còn là một hạn chế. SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56 4 Đồ án tốt nghiệp GVHD: TS. Ngô Thành Bình 1.

Ứng dụng xử lý ảnh của UAV nhiều cánh quạt (Multicopter UAV) Một trong những đặc điểm ưu việt của thiết bị bay UAVs đó chính là khả năng thu thập thông tin ngay lập tức mà không gây ảnh hưởng đến sự an toàn của người dân bởi nó được kiểm soát từ trạm điều khiển mặt đất. Ưu điểm này làm cho UAV trở nên chuyên biệt trong cho các ứng dụng giám sát và giải cứu khẩn cấp. Ví dụ, trong tài liệu [4], các tác giả mô tả thuật toán để lập ra quĩ đạo bay để khai thác hình ảnh hồng ngoại, qua đó theo dõi chu vi cháy rừng để có được thông tin về sự lan rộng của đám cháy. Flycam Skydio 2 sử dụng trí tuệ nhân tạo.

Trong một ứng dụng khác sử dụng để giám sát, trong tài liệu [5] nhóm tác giả đã nghiên cứu phương pháp tự động phát hiện người nằm trên mặt đất bằng hình ảnh truyền từ UAV sử dụng trí tuệ nhân tạo. Ở một nghiên cứu về vấn đề giám sát khác được trình bày trong [6] trong đó tác giả đề xuất phương pháp tiếp cận với vấn đề bằng cách sử dụng phân loại Haar Cascade để phát hiện người treo thời gian thực. Mới đây, cả thiết bị bay quay phim chụp ảnh thương mại Skydio 2 của hãng skydio họ cũng đã sử dụng trí tuệ nhân tạo trong việc bắt chước hành vi quay phim chuyên nghiệp, skydio 2 thậm chí còn có thể tự động tránh vật cản trong khi bay theo đối tượng người để quay phim và chụp ảnh. Qua các nghiên cứu đó, ta có thể thấy rằng với việc sử dụng mô hình mạng nơ-ron học sâu của công nghệ trí tuệ nhân tạo vào thông tin hình ảnh từ thiết bị bay UAVs có thể giúp giải quyết rất nhiều vấn đề trong nhiều lĩnh vực khác nhau từ an ninh, giải cứu, y tế, giao thông vận tải.

SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56 5 Đồ án tốt nghiệp GVHD: TS. Ngô Thành Bình 1. TRẠM ĐIỀU KHIỂN MẶT ĐẤT Trạm điều khiển mặt đất, (Ground Control Station - GCS) là trung tâm điều hành tại mặt đất hoặc trên biển, mà nó cung cấp cở sở vật chất cho người điều khiển thiết bị bay không người lái VTOL UAV (hoặc Drone) [7]. GCS được phát triển cho mục đích điều khiển và giám sát, cũng như thu nhận hình ảnh theo thời gian thực trong khi vận hành thiết bị UAV.

Trạm điều khiển GCS bao gồm hai thành phần: phần cứng và phần mềm. Trụ sở trạm điều khiển mặt đất trong quân sự. Phần cứng GCS Phần cứng của trạm điều khiển mặt đất thường bao gồm hệ thống phần cứng của trạm điều khiển dùng để điều khiển thiết bị bay không người lái UAV. Hệ thống này thường bao gồm phần giao tiếp giữa người và máy, máy tính có bộ xử lý đồ họa GPU, thiết bị đo từ xa Telemetry truyền bằng song RF, thiết bị truyền song không dây Wifi, ăng-ten song RF định hướng, thiết bị nhận và lưu trữ hình ảnh, cần điều khiển khiển đa hướng để điều khiển yaw, pitch, roll của thiết bị bay UAV, màn hình hiển thị.

Đối với những thiết bị bay không người lái UAV cỡ nhỏ, người ta thường sử dụng máy tính laptop xách tay đựng vào trong vali để làm trạm GCS xách tay, nên có thể chủ động di chuyển tới các địa điểm khác nhau để triển khai hoạt động trạm điều khiển trên mặt đất. SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56 6 Đồ án tốt nghiệp GVHD: TS. Ngô Thành Bình HÌNH 1. Trạm điều khiển mặt đất di động.

Tuy nhỏ gọn đựng trong vali nhưng trạm điều khiển GCS xách tay có thể đi kèm với máy tính cấu hình cao chạy phần mềm GCS, cùng với video và dữ liệu trạng thái của thiết bị bay UAV được hiển thị với hai màn hình chống lóa và phủ lớp chống chói giúp hiển thị tốt hơn dưới trời nắng. Phần mềm GCS Phần mềm GCS thường được chạy trên trạm máy tính của trạm điều khiển GCS và được sử dụng để hiển thị dữ liệu trạng thái như góc nghiêng, độ cao, tốc độ bay của thiết bị bay UAV như buồng lái ảo. Ngoài ra, phần mềm GCS hiển thị dữ liệu định vị và quĩ đạo bay của thiết bị bay UAV trên bản đồ, người dùng có thể thể khai báo các điểm đặt cho nhiệm vụ bay HÌNH 1. Phần mềm sử dụng trên GCS.

SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56 7 Đồ án tốt nghiệp GVHD: TS. Ngô Thành Bình 1. HỌC SÂU: DEEP LEARNING Học sâu (có tên viết tắt tiếng anh là DL – Deep Learning) là một nhánh của học máy (Machine Learning – ML), còn học máy là thuật ngữ để chỉ một phương pháp huấn luyện máy tính trở nên thông minh hơn, tạo nên trí tuệ nhân tạo (Artificial Intelligence – AI). Lĩnh vực Học sâu trong Trí tuệ nhân tạo.

Kỹ thuật học sâu được ứng dụng vào rất nhiều ngành công nghiệp bao gồm xe hơi tự hành, phát hiện các bệnh lý trong ứng dụng y học, công nghệ điện toán đám mây, nhận diện giọng nói và các ứng dụng trí tuệ. Cũng như các thuật toán học máy, học sâu cũng dựa trên các thuật toán phức tạp và kỹ thuật xác suất thống kê.