Page 93 - Kỷ yếu hội thảo quốc tế: Ứng dụng công nghệ mới trong công trình xanh - lần thứ 9 (ATiGB 2024)

84 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT - ĐẠI HỌC ĐÀ NẴNG

- Thay thế toàn bộ các dòng có filters = 255 thành Pi4 kiểm tra tín hiệu cảm biến hồng ngoại qua kết nối
filters = (số class + 5)*3. Với đề này số class =1 thì sẽ các chân GPIO. Nếu có tín hiệu từ cảm biến hồng
sửa thành (1+5)*3 = 18, có nghĩa là filters = 18. ngoại thông qua chân GPIO thì hệ thống sẽ khởi động
Sau khi tiến hành huấn luyện qua 6000 lần lặp để và đọc khung hình từ camera gửi về, sau đó sử dụng
trích xuất các đặc trưng của đối tượng đám cháy. mô hình YOLOv4 Tiny để phát hiện và xác định vị trí
của đám cháy trong khung hình. Nếu phát hiện được
3.3.3. Điều khiển cánh tay robot 2 bậc tự do trên đám cháy tức là “Class_id = 0” đầu tiên sẽ bật còi báo
không gian ảnh 2D động và đồng thời ngắt nguồn điện nơi xảy ra cháy để
đảm bảo an toàn. Cánh tay robot được điều khiển bởi
module PCA9685 giao tiếp I2C với Raspberry Pi4
được gắn theo vòi phun nước xoay theo tọa độ của
đám cháy trong khung hình. Khi đám cháy ở trung
tâm khung hình thì hệ thống sẽ khởi động bơm nước
qua relay để dập tắt lửa. Kết thúc chu trình hoạt động
của hệ thống.
4. KẾT QUẢ NGHIÊN CỨU VÀ KHẢO SÁT
4.1. Kết quả huấn luyện mô hình

Hình 12. Miền không gian ảnh 2D
Một ảnh được chia ra thành một mảng gồm nhiều
pixel được thể hiện theo dạng trục x và trục y trên
trục tọa độ. Ở hình 7 i=0 là tọa độ trên trục x, j=0 là
tọa độ trên trục y.

Hình 14. Kết quả huấn luyện mô hình
Sau khi huấn luyện qua 6000 lần lặp với 900 hình
ảnh ta thu được kết quả như sau:
Precision: 0.68 (68%) là tỉ lệ của các phát hiện
được đánh giá đúng (True Positives) so với tổng số
Hình 13. Tọa độ tâm khung hình và tọa độ tâm của lửa phát hiện (True Positives + False Positives) hay còn
Ở hình 8 các trục của cánh tay robot sẽ được hệ gọi là độ tin cậy của mô hình. Precision cao là một
thống khiển chuyển động theo hướng từ phải qua trái dấu hiệu tích cực.
và từ dưới lên trên. Hai thông số tọa độ sẽ được so Recall: 0.60 (60%) là tỉ lệ của các phát hiện được
sánh liên tục trên các khung hình cho đến thì dừng lại. đánh đúng so với tổng số đối tượng thật (True Positives
Trong thực tế thì tâm của lửa không cố định có thể + False Negatives) hay còn gọi là độ nhạy của mô hình.
thay đổi liên lục nên sau khi tọa độ tâm khung hình Recall cao là quan trọng, đặc biệt là trong các ứng dụng
bằng với tâm của lửa thì tâm của lửa lại thay đổi yêu cầu phát hiện đầy đủ các đối tượng.
khiến cho servo không dừng lại được. Trong quá trình Average Precision (AP): AP 62,35% cho biết mô
thử nghiệm chúng tôi nhận thấy tâm của lửa thường hình có khả năng tốt trong việc định vị và phân loại
dao động trong khoảng từ vị trí thực đến 30 pixel đối tượng "Fire".
trong khung hình.
Mean Average Precision (mAP@0.50): Là trung
3.3.4. Quy trình hoạt động của hệ thống bình cộng của AP đo lường độ chính xác của mô hình
Khi khởi động hệ thống, chương trình sẽ khởi tạo trong việc phân loại các đối tượng ở nhiều ngưỡng độ
mô hình YOLOv4 Tiny đã được huấn luyện sẵn để tin cậy khác nhau. Đây là thông số quan trọng nhất
nhận diện đám cháy. Thiết lập các giá trị ban đầu cho của mô hình mAP càng lớn thì mô hình càng tốt. Ở
servo motor, các chân GPIO và Camera. Raspberry mô hình hiện tại 62,35% là một giá trị tương đối tốt.

ISBN: 978-604-80-9779-0