Page 91 - Kỷ yếu hội thảo quốc tế: Ứng dụng công nghệ mới trong công trình xanh - lần thứ 9 (ATiGB 2024)
P. 91
82 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT - ĐẠI HỌC ĐÀ NẴNG
Kiến trúc Yolo gồm: mạng cơ sở (Base network) Camera được chọn có độ phân giải 1920x1080 và
là các mạng tích chập làm nhiệm vụ trích xuất đặc tốc độ quét 30 khung hình trên giây. Cảm biến hồng
trưng (Feature extraction) từ hình ảnh đầu vào. Phần ngoại được chọn là loại 5 kênh cho góc quét rộng hơn
phía sau(Backend) là các lớp bổ sung (Extra Layers) phù hợp với môi trường thực tế.
được áp dụng để phát hiện vật thể (Object detection)
trên bản đồ đặc trưng (Feature map) của mạng cơ sở. Cánh tay robot sử dụng servo MG996 có lực kéo
Các kiến trúc Yolo cũng khá đa dạng và có thể tùy lên tới 5,5kg đáp ứng tốt yêu cầu đặt ra về độ ổn định
biến thành các phiên bản cho nhiều kích thước đầu và linh hoạt ngay cả khi vòi phun hoạt động. Cánh tay
vào khác nhau. robot được Raspberry Pi4 điều khiển thông qua driver
Mỗi một đầu vào sẽ có một thiết kế các lớp riêng PCA9685. Các thiết bị ngoại vi được điều khiển theo
phù hợp. Sau khi đi qua các lớp tích chập thì kích mức trạng thái logic của relay khi relay được truyền tín
thước giảm dần theo cấp số nhân là 2. Cuối cùng thu hiệu kích hoạt từ Raspberry Pi4. Tất cả relay đều thiết
được một biểu đồ đặc trưng dự báo vật thể trên từng lập kích ở mức xung cao có nghĩa là khi Raspberry Pi4
điểm ảnh (Pixcel). truyền tín hiệu mức logic 1 vào cổng int relay.
Trong nghiên cứu này, chúng tôi sử dụng mô hình
thuật toán YOLOv4 Tiny để nhúng vào Raspberry
Pi4. YOLOv4 Tiny là phiên bản nén của Yolov4 được
thiết kế để đào tạo trên các máy tính có khả năng tính
toán kém. Trọng lượng mô hình lớn 16MB, cho phép
xử lý 350 hình ảnh trong 1 giờ khi sử dụng GPU
Tesla P100. YOLOv4 Tiny có tốc độ suy luận 3ms
trên Tesla P100, khiến nó trở thành một trong những
mô hình phát hiện đối tượng nhanh.
YOLOv4 Tiny sử dụng một số thay đổi khác nhau
từ mạng Yolov4 ban đầu giúp mạng đạt được tốc độ
nhanh này. Đầu tiên và quan trọng nhất, số lượng lớp
tích chập trong mạng xương sống (backbone) được
nén xuống với tổng số 29 lớp tích chập. Ngoài ra, số Hình 9. Mô hình phần cứng hoàn thiện
lượng lớp Yolo đã giảm xuống còn hai thay vì ba và Tổng thể mô hình cao 2,3m gồm có cột sắt cao 2m,
có ít anchor boxes hơn để dự đoán.
tủ điện hệ thống, bơm tăng áp và trục xoay servo cánh
YOLOv4 Tiny có thời gian suy luận nhanh gấp tay robot 2 bậc điều hướng camera và vòi phun nước.
khoảng 8 lần so với Yolov4 và khoảng 2/3 so với hiệu
suất trên Ms coco (Một tập dữ liệu rất khó). Hầu như 3.3. Huấn luyện mô hình phát hiện đám cháy
không có sự suy giảm hiệu suất do giảm kích thước Hiện nay đối với kiến trúc của mô hình nhà phát
mô hình. triển đã cho ra phiên bản mới nhất là YOLOv8.
3.2. Phần cứng hệ thống Nhưng trong đề tài này nhóm đã lựa chọn phiên bản
Mục tiêu khi thiết kế mô hình hệ thống là phải gần YOLOv4 Tiny một phiên bản rút gọn của YOLOv4.
thực tiễn nhất có thể nên hệ thống được thiết kế như Tuy đây là một phiên bản cũ nhưng vẫn đáp ứng tốt
sau: Vòi phun nước cùng hệ thống điều khiển được đối với bài toán về phát hiện lửa với một số lý do sau:
gắn trên độ cao 2m so với mặt đất. Vòi phun nước và - Mô hình phù hợp với các thiết bị với khả năng
camera sẽ được gắn lên một cánh tay robot hai bậc tính toán yếu như các thiết bị vi xử lý ARM. Hiệu
gồm trục x xoay theo chiều ngang và trục y xoay theo suất phát hiện giảm xuống đáng kể, độ trễ của khung
chiều dọc nhằm điều chỉnh hướng của vòi phun vào hình tăng.
đám cháy. Hệ thống dập tắt đám cháy bằng một tia
nước cố định nên chúng tôi đã sử dụng một bơm tăng - Tuy mô hình đã được rút gọn bớt lớp tích chập
áp nhằm tăng áp lực nước khi phun vào đám cháy. để tăng hiệu suất về tốc độ nhưng vẫn đảm bảo được
Phần cứng của hệ thống còn có còi báo động và đèn độ chính xác tương đối cao.
báo đại diện cho nguồn điện tại nơi xảy ra đám cháy. - Có thể hiệu chỉnh được trực tiếp các trọng số
mô hình.
3.3.1. Chuẩn bị dữ liệu
Chuẩn bị dữ liệu là một bước rất quan trọng quyết
định rất nhiều đến chất lượng của mô hình. Gán nhãn
cho dữ liệu là một việc quan trọng trong quá trình
chuẩn bị. Chúng tôi đã chuẩn bị dữ liệu về đám cháy
với 900 hình ảnh.
Hình 8. Sơ đồ kết nối phần cứng Chúng tôi sử dụng phần mềm Make Sense để tiến
hành gán nhãn cho đối tượng đám cháy trong hình
ISBN: 978-604-80-9779-0