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
   86   87   88   89   90   91   92   93   94   95   96