Thông tin tài liệu
HỌ VÀ TÊN HỌC VIÊN : HÀ NHƯ THÁI HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - HÀ NHƯ THÁI HỆ THỐNG THÔNG TIN XÂY DỰNG ỨNG DỤNG PHÁT HIỆN KHĨI DỰA TRÊN XỬ LÝ ẢNH VÀ MƠ HÌNH HỌC SÂU VGG ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) 2021 – HÀ NỘI 2023 HÀ NỘI - NĂM 2023 i ii iii MỤC LỤC MỤC LỤC .iii DANH MỤC TỪ VIẾT TẮT v DANH SÁCH BẢNG vi DANH SÁCH HÌNH VẼ vii LỜI NÓI ĐẦU CHƯƠNG – GIỚI THIỆU BÀI TOÁN 1.1 Giới thiệu toán phát đối tượng 1.2 Thực trạng hoả hoạn Việt Nam 1.3 Các thành tựu nghiên cứu nước tốn phát khói .7 1.4 Động lực mục tiêu nghiên cứu .9 1.5 Kết luận chương .10 CHƯƠNG - XÂY DỰNG ỨNG DỤNG PHÁT HIỆN KHÓI SỬ DỤNG XỬ LÝ ẢNH VÀ CÔNG NGHỆ VGG 10 2.1 Candidate smoke regions detection (phát vùng candidate smoke dựa thuật toán xử lý ảnh) .13 2.1.1 Thuật toán trừ dựa thuật toán running gaussian average 13 2.1.2 Tách vùng candidate smoke dựa phân ngưỡng binary phân ngưỡng otsu 16 2.1.3 Quy trình phát vùng candidate smoke kết hợp trừ phân ngưỡng19 2.2 Phân loại khói 21 2.2.1 Phân loại khói dựa màu sắc (Color classification) 22 2.2.2 Phân loại khói dựa vào phát triển vùng khói (Growing region classification) 24 iv 2.2.3 Phân loại khói dựa mạng học sâu VGG16 25 2.3 Temporal analysis 30 2.4 Kết luận chương .30 CHƯƠNG – CÀI ĐẶT VÀ THỬ NGHIỆM 32 3.1 Thu thập liệu thử nghiệm cho việc training model 32 3.1.1 Thu thập liệu 32 3.1.2 Xử lý liệu thô 32 3.1.3 Gán nhãn liệu .33 3.1.4 Định dạng thống kê liệu 34 3.2 Kết thực nghiệm so sánh, đánh giá thuật toán .37 3.2.1 Kết thu so với số nghiên cứu khác 38 3.2.2 Hiệu suất thuật toán đạt 39 3.3 Tích hợp thử nghiệm thuật toán vào hệ thống VMS 41 3.3.1 Kiến trúc hệ thống VMS 41 3.3.2 Thực tích hợp phát khói hệ thống VMS 42 3.3.3 Cài đặt thử nghiệm kết hiệu suất đạt hệ thống VMS 43 3.4 Kết luận chương .45 CHƯƠNG – TỔNG KẾT 46 DANH MỤC TÀI LIỆU THAM KHẢO .48 v DANH MỤC TỪ VIẾT TẮT STT Từ viết tắt Tiếng Anh Tiếng Việt VMS Video management system Hệ thống quản lý video GPU Graphics Processing Unit Card đồ hoạ AI Artificial Intelligence Trí tuệ nhân tạo ML Machine Learning Học máy DL Học sâu CNN HOG SIFT Deep Learning Convolutional Network Histogram of Gradient Scale-Invariant Transform DANH SÁCH BẢN Neural Mạng nơ-ron tích chậpp Oriented Thuật tốn trích xuất đặc trưng đối tượng HOG Feature Giải thuật nhận dạng đặc trưng ảnh vi Bảng 2.2: Load ảnh đầu vào tính tốn class weight tự động .29 Bảng 2.3: Khởi tạo model config layers .29 Bảng 3.1: Bảng thống kê data sau xử lý để đưa vào training 34 Bảng 3.2: Bảng so sánh kết thuật toán với nghiên cứu trước 15 videos khói 38 Bảng 3.3: Hiệu suất thuật tốn 10 video khói 40 Bảng 3.4: Kết chạy thử nghiệm hiệu suất smoke detection hệ thống VMS44 vii DANH SÁCH HÌNH VẼ Hình 1.1: Hệ thống giám sát lưu lượng phương tiện lại tuyến đường đô thị Hình 1.2: Vụ cháy xưởng chăn, ga, gối, đệm huyện Thanh Oai, thành phố Hà Nội Hình 1.3: Cháy rừng TP Móng Cái, Quảng Ninh .6 Hình 2.1: Sơ đồ thuật tốn phát khói .12 Hình 2.2: Ví dụ trừ refine lại ảnh thu sau tách ngưỡng .15 Hình 2.3: Ảnh xám đầu và ảnh đầu sau sử dụng tách ngưỡng binary .17 Hình 2.4: Phân ngưỡng otsu cho ảnh xám đầu vào .17 Hình 2.5: Quy trình kết hợp ảnh phân ngưỡng nhị phân phân ngưỡng otsu 18 Hình 2.6: Quy trình tách vùng candidate smoke 20 Hình 2.7: Kiến trúc cascade model phân loại khói 22 Hình 2.8: Quy trình phân loại cascade model dựa màu sắc 23 Hình 2.9: Sự phát triển theo thời gian vùng khói .24 Hình 2.10: Cấu trúc mạng VGG16 26 Hình 3.1: Quá trình crop liệu 33 Hình 3.2: Một số hình ảnh human class data 35 Hình 3.3: Một số hình ảnh car class data 35 Hình 3.4: Một số hình ảnh Fire class data 36 Hình 3.5: Một số hình ảnh Smoke class data 36 Hình 3.6: Một số hình ảnh Unknown class data 37 Hình 3.7: Kết phát khói 10 videos khói videos khơng khói 38 Hình 3.8: Kiến trúc VMS 41 Hình 3.9: Sơ đồ khối hệ thống VMS .42 Hình 3.10: Giao diện hệ thống VMS .43 Hình 3.11: Hệ thống cảnh báo có event khói xuất 44
Ngày đăng: 24/08/2023, 10:07
Xem thêm:
