Research and evaluate some deep learning methods to detect forest fire based on images from camera huyen do thi

KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA “CÔNG NGHỆ THÔNG TIN & ỨNG DỤNG TRONG CÁC LĨNH VỰC” LẦN THỨ 12 - CITA 2023 Chịu trách nhiệm xuất bản, nội dung: Giám đốc - Tổng biên tập: TRẦN CHÍ ĐẠT Chịu trách nhiệm thảo: Phó Giám đốc - Phó Tổng biên tập: NGƠ THỊ MỸ HẠNH Biên tập nội dung : Nguyễn Tiến Sỹ Lê Hồ Diệu Thảo Biên tập sách điện tử : Bùi Hữu Lộ Trình bày sách : Trần Minh Quang Thiết kế bìa : VKU NHÀ XUẤT BẢN THÔNG TIN VÀ TRUYỀN THÔNG Website: www.nxbthongtintruyenthong.vn; book365.vn; ebook365.vn Trụ sở chính: Tầng - Tịa nhà Cục Tần số vơ tuyến điện, 115 Trần Duy Hưng, Q Cầu Giấy, TP Hà Nội Điện thoại: 024.35772139, 024.35772138 Chi nhánh TP Hồ Chí Minh: Số 211 Nguyễn Gia Trí, P 25, Q Bình Thạnh, TP Hồ Chí Minh Điện thoại: 028.35127750, 028.35127751 Fax: 028.35127751 Chi nhánh miền Trung - Tây Nguyên: 42 Trần Quốc Toản, Q Hải Châu, TP Đà Nẵng Điện thoại: 0236.3897467 Fax: 0236.3843359 Văn phòng Tây Nguyên: 46 đường Y Jút, TP Buôn Ma Thuột, tỉnh Đắk Lắk Điện thoại: 0262.3808088 Số xác nhận đăng ký xuất bản: 1996-2023/CXBIPH/3-63/TTTT Số định xuất bản: 92/QĐ - NXB TTTT ngày 27 tháng năm 2023 Nộp lưu chiểu Quý III/2023 ISBN: 978-604-80-8083-9 i LỜI GIỚI THIỆU CITA (Conference on Information Technology and its Applications) hội thảo khoa học quốc gia thường niên công nghệ thông tin ứng dụng khởi xướng tổ chức lần vào năm 2012 Mục tiêu hội thảo nhằm tạo diễn đàn quy tụ kết nối nhà nghiên cứu, nhà khoa học chuyên gia nước quốc tế tham gia thảo luận, chia sẻ công bố kết nghiên cứu lĩnh vực công nghệ thông tin ứng dụng CITA 2023, lần thứ 12, có phát triển vượt bậc chất lượng số lượng, đặc biệt phát triển thêm phiên quốc tế với kỷ yếu hội thảo xuất Lecture Notes in Network and Systems (Springer) thuộc sở liệu DBLP, Scopus, Web of Science Hội thảo năm nay, ban tổ chức nhận 155 báo khoa học gần 400 tác giả từ nước/vùng lãnh thổ giới Áo, Canada, Pháp, Ấn Độ, Ireland, Nhật Bản, Kazakhstan, Hàn Quốc, Malaysia Myanmar, Ba Lan, Nga, Đài Loan, Thái Lan, Hoa Kỳ Việt Nam Đặc biệt, có 67% báo viết hoàn toàn tiếng Anh Tất báo phản biện nghiêm túc, chặt chẽ kỹ lưỡng 02 thành viên phản biện độc lập Dưới chủ trì cố vấn chun mơn nhà khoa học uy tín lĩnh vực công nghệ thông tin kinh tế số GS.TSKH Nguyễn Ngọc Thành (Ba Lan), GS.TS Nguyễn Thanh Thủy (Việt Nam), GS.TS Dosam Hwang (Hàn Quốc), PGS.TS Lê Minh Hòa (Anh Quốc),… có 36 báo lựa chọn để xuất Kỷ yếu Hội thảo CITA 2023 có số ISBN tham gia báo cáo phiên quốc gia Hội thảo CITA 2023 (bên cạnh 33 có chất lượng lựa chọn để báo cáo phiên quốc tế đăng Lecture Notes in Networks and Systems Nhà xuất Springer Cham thuộc sở liệu DBLP, Scopus, Web of Science) Tỷ lệ báo chấp nhận 23% 21% tương ứng cho phiên quốc gia quốc tế Ngoài ra, 36 báo phiên quốc gia, có 06 báo chất lượng tốt Ban biên tập Tạp chí Thơng tin Truyền thơng uy tín Bộ Thơng tin Truyền thơng, đơn vị bảo trợ chuyên môn cho CITA, lựa chọn để xuất số dành riêng cho CITA 2023 Chun san Các cơng trình nghiên cứu, phát triển ứng dụng CNTT truyền thông (ISSN 1859-3526) Bên cạnh đó, với uy tín chất lượng khẳng định, kể từ năm 2022, hội thảo CITA nhận đồng hành bảo trợ chuyên môn từ Tạp chí có uy tín quốc tế Tạp chí “Journal of Information and Telecommunication” (Scopus, eSCI) Nhà xuất Taylor and Francis (https://www.tandfonline.com/toc/tjit20/current) Tạp chí “Vietnam Journal of Computer Science” (Scopus, eSCI) Nhà xuất World Scientific Publishing Cả hai Tạp chí trích dẫn ii sở liệu Scopus e-SCI Theo đó, có thêm nhiều báo chất lượng tốt lựa chọn phiên báo cáo CITA để mở rộng xuất số đặc biệt Tạp chí CITA 2023 chủ trì tổ chức Trường Đại học Cơng nghệ Thông tin Truyền thông Việt Hàn (VKU), Đại học Đà Nẵng với đồng hành hỗ trợ Springer, IEEE SMC (Systems, Man and Cybernetics Society), Trường Đại học Bách khoa Wroclaw (Ba Lan), Trường Đại học Phenikaa đơn vị nghiên cứu, đào tạo lĩnh vực công nghệ thông tin kinh tế số thuộc FISU Việt Nam FISU miền Trung - Tây Nguyên Hội Tin học Đà Nẵng Ban tổ chức Hội thảo CITA 2023 chân thành cảm ơn nhà khoa học đồng hành quan tâm đến chuỗi hội thảo khoa học thường niên công nghệ thông tin ứng dụng lĩnh vực suốt 12 năm vừa qua Thành công hội thảo nhờ vào tham gia nhiệt tình, trách nhiệm việc gửi bài, phản biện uy tín chuyên mơn nhà khoa học Đây động lực tảng cho phát triển bền vững uy tín khoa học chun mơn CITA Chúng mong muốn tiếp tục nhận cộng tác nhận ý kiến đóng góp quý báu nhà khoa học để ngày nâng cao chất lượng, uy tín thành công CITA Trân trọng cám ơn Đà Nẵng, ngày 25 tháng năm 2023 ĐỒNG TRƯỞNG BAN CHƯƠNG TRÌNH TRƯỞNG BAN TỔ CHỨC GS.TSKH NGUYỄN NGỌC THÀNH GS.TS NGUYỄN THANH THỦY PGS.TS HUỲNH CÔNG PHÁP CHỦ TỊCH ỦY BAN KỸ THUẬT IEEE SMC VỀ TRÍ TUỆ NHĨM TÍNH TOÁN CHỦ TỊCH FISU VIỆT NAM HIỆU TRƯỞNG TRƯỜNG ĐẠI HỌC CNTT&TT VIỆT-HÀN ĐẠI HỌC ĐÀ NẴNG iii ĐƠN VỊ TỔ CHỨC * Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng * Câu lạc Khoa - Trường - Viện CNTT-TT Việt Nam (FISU Việt Nam) Đồng tổ chức * Trường Đại học Bách khoa Wroclaw (Ba Lan) * Trường Đại học Phenikaa (Việt Nam) * Câu lạc Khoa - Trường - Viện CNTT-TT miền Trung - Tây Nguyên (FISU miền Trung - Tây Nguyên) - Trường Đại học Bách khoa, Đại học Đà Nẵng - Trường Đại học Kinh tế, Đại học Đà Nẵng - Trường Đại học Sư phạm, Đại học Đà Nẵng - Trường Đại học Sư phạm kỹ thuật, Đại học Đà Nẵng - Trường Đại học Quy Nhơn - Trường Đại học Nha Trang - Trường Đại học Đà Lạt - Trường Đại học Duy Tân - Trường Đại học Khoa học, Đại học Huế - Trường Đại học Sư phạm, Đại học Huế - Trường Đại học Quảng Bình - Trường Đại học Kiến trúc Đà Nẵng - Trường Đại học Tây Nguyên - Trung tâm CNTT Tỉnh Thừa Thiên - Huế Đơn vị bảo trợ chuyên môn * IEEE SMC (Systems, Man and Cybernetics Society) * Tạp chí “Journal of Information and Telecommunication”, Nhà xuất Taylor and Francis * Tạp chí “Vietnam Journal of Computer Science”, Nhà xuất World Scientific Publishing * Tạp chí Thơng tin Truyền thơng, Bộ Thông tin Truyền thông iv BAN CỐ VẤN - GS.TSKH Nguyễn Ngọc Thành - Chairman of IEEE SMC Technical Committee on Computational Collective Intelligence; Wroclaw University of Science and Technology, Poland - GS.TS Nguyễn Thanh Thủy - Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội - GS.TS Dosam Hwang - Department of Computer Engineering, Yeungnam University, Republic of Korea - GS.TS Lê Minh Hòa - Northumbria University, Newcastle, UK BAN TỔ CHỨC Trưởng ban - PGS.TS Huỳnh Công Pháp - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng Thành viên thường trực - TS Trần Thế Sơn - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Quang Vũ - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng BAN CHƯƠNG TRÌNH Trưởng ban - GS.TSKH Nguyễn Ngọc Thành - Chairman of IEEE SMC Technical Committee on Computational Collective Intelligence; Wroclaw University of Science and Technology, Poland Đồng Trưởng ban - GS.TS Nguyễn Thanh Thuỷ - Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội - GS.TS Lê Minh Hòa - Northumbria University, Newcastle, UK - GS.TS Trương Bá Thanh - Trường Đại học Kinh tế, Đại học Đà Nẵng - PGS.TS Lê Mạnh Thạnh - Trường Đại học Khoa học, Đại học Huế - PGS.TS Nguyễn Thanh Bình - Trường Đại học Cơng nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng Thành viên thường trực - PGS TS Võ Trung Hùng - Trường Đại học Sư phạm Kỹ thuật, Đại học Đà Nẵng - PGS.TS Nguyễn Phú Khánh - Trường Đại học Phenikaa - PGS.TS Ngô Hồng Sơn - Trường Đại học Phenikaa v - TS Trần Thế Sơn - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Quang Vũ - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Quang Hưng - Tạp chí Thông tin Truyền thông, Bộ Thông tin Truyền thông Phụ trách chủ đề - Khoa học liệu Trí tuệ nhân tạo: PGS.TS Lê Anh Phương - TS Lê Xuân Việt - TS Phạm Xuân Hậu - Xử lý ảnh ngôn ngữ tự nhiên: PGS.TS Võ Trung Hùng - PGS.TS Nguyễn Tấn Khôi - TS Phạm Thị Thu Thúy - Công nghệ phần mềm Hệ thống thơng tin: PGS.TS Hồng Quang - TS Nguyễn Quang Vũ - PGS.TS Võ Viết Minh Nhật - Mạng truyền thông: PGS.TS Tăng Tấn Chiến - PGS.TS Võ Nguyễn Quốc Bảo - PGS.TS Trần Xuân Tú - TS Trần Thế Sơn - Kinh tế số: PGS.TS Đoàn Ngọc Phi Anh - TS Lê Thị Minh Đức - TS Nguyễn Thị Kiều Trang Thành viên Ban chương trình - PGS.TS Le-Khac Nhien-An - University College Dublin, Ireland - PGS.TS Đoàn Ngọc Phi Anh - Trường Đại học Kinh tế, Đại học Đà Nẵng - PGS.TS Nguyễn Thanh Bình - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - PGS.TS Nguyễn Thanh Bình - Trường Đại học Sopron, Hungary - PGS TS Phạm Việt Bình - Đại học Thái Nguyên - PGS.TSKH Trần Quốc Chiến - Trường Đại học Sư Phạm, Đại học Đà Nẵng - PGS.TS Tăng Tấn Chiến - Trường Đại học Bách Khoa, Đại học Đà Nẵng - PGS.TS Nguyễn Văn Huân - Trường Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên - PGS.TS Huỳnh Xuân Hiệp - Trường Đại học Cần Thơ - PGS.TS Nguyễn Lê Hùng - Đại học Đà Nẵng - PGS.TS Phan Huy Khánh - Trường Đại học Bách Khoa, Đại học Đà Nẵng - PGS.TS Nguyễn Tấn Khôi - Trường Đại học Bách Khoa, Đại học Đà Nẵng - PGS.TS Phùng Trung Nghĩa - Trường Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên - PGS.TS Nguyễn Phúc Nguyên - Trường Đại học Kinh tế, Đại học Đà Nẵng vi - PGS.TS Trần Đình Khơi Ngun - Trường Đại học Kinh tế, Đại học Đà Nẵng - PGS.TS Nguyễn Công Phương - Trường Đại học Kinh tế, Đại học Đà Nẵng - PGS.TS Hoàng Quang - Trường Đại học Khoa học, Đại học Huế - PGS.TS Lê Mạnh Thạnh - Trường Đại học Khoa học, Đại học Huế - PGS.TS Hoàng Tùng - Trường Đại học Kinh tế, Đại học Đà Nẵng - PGS.TS Nguyễn Phú Khánh - Trường Đại học Phenikaa - PGS.TS Ngô Hồng Sơn - Trường Đại học Phenikaa - PGS.TS Trần Xuân Tú - Viện CNTT, Trường Đại học Quốc gia Hà Nội - PGS.TS Nguyễn Gia Như - Trường Đại học Duy Tân - TS Phan Văn Ca - Trường Đại học Sư phạm Kỹ thuật - TP Hồ Chí Minh - TS Trương Ngọc Châu - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Nguyễn Hữu Cường - Trường Đại học Kinh tế, Đại học Đà Nẵng - TS Đoàn Gia Dũng - Đại học Đà Nẵng - TS Ninh Khánh Duy - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Lê Thị Minh Đức - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Lâm Tùng Giang - Cổng thông tin điện tử TP Đà Nẵng - TS Hoàng Thị Thanh Hà - Trường Đại học Kinh tế, Đại học Đà Nẵng - TS Nguyễn Hoàng Hải - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Lê Thị Mỹ Hạnh - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Nguyễn Đức Hiển - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Hiệp - Đại học Đà Nẵng - TS Nguyễn Văn Hiệu - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Phan Học - Đại học Đà Nẵng - TS Huỳnh Hữu Hưng - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Nguyễn Trung Kiên - Trường Đại học Kinh tế, Đại học Đà Nẵng - TS Hoàng Thị Mỹ Lệ - Trường Đại học Sư phạm Kỹ thuât, Đại học Đà Nẵng - TS Lê Phước Cửu Long - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Lê Thành Long - Đại học Duy Tân vii - TS Văn Hùng Trọng - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Hoàng Hữu Đức - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Đặng Quang Hiển - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Văn Lợi - Trường Đại học Công nghệ thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Ngô Hải Quỳnh - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Đặng Đại Thọ - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Hữu Nhật Minh - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Phạm Nguyễn Minh Nhựt - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Đinh Thị Đông Phương - Trường Đại học Ritsumeikan, Nhật Bản - TS Phạm Anh Phương - Trường Đại học Sư phạm, Đại học Đà Nẵng - TS Nguyễn Vũ Anh Quang - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Trần Thế Sơn - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Văn Tảo - Trường Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên - TS Vũ Đức Thái - Trường Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên - TS Trần Thiên Thành - Đại học Quy Nhơn - TS Hoàng Lê Uyên Thục - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Phạm Minh Tuấn - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Nguyễn Trần Quốc Vinh - Trường Đại học Sư phạm, Đại học Đà Nẵng - TS Nguyễn Quang Vũ - Trường Đại học Công nghệ thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Trần Thế Vũ - Viện Đào tạo Nghiên cứu Việt - Anh, Đại học Đà Nẵng - TS Võ Thị Thanh Thảo - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Vương Công Đạt - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Đức Mận - Trường Đại học Duy Tân viii - TS Võ Đức Hoàng - Trường Đại học Bách Khoa, Đại học Đà Nẵng - TS Nguyễn Thị Thu Đến - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Lê Thị Thu Nga - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Dương Hữu Ái - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Nguyễn Thanh Hồi - Trường Đại học Cơng nghệ Thơng tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Lê Hà Như Thảo - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - TS Trịnh Công Duy - Đại học Đà Nẵng - TS Thái Minh Tuấn - Trường Đại học Cần Thơ - TS Trần Kim Phúc - Đại học Ensait, Pháp - TS Phạm Minh Tân - IRISA, Đại học Bretagne Sud, Pháp - TS Lê Nguyễn Tuấn Thành - Đại học Thủy Lợi Hà Nội - TS Lâm Hoài Bảo - Trường Đại học Cần Thơ - TS Nguyễn Thị Lan Anh - Trường Đại học Sư phạm, Đại học Huế - TS Nguyễn Văn Khang - Trường Đại học Sư phạm, Đại học Huế - TS Hồ Thị Kim Thoa - Trường Đại học Sư phạm, Đại học Huế - TS Phan Thị Huyền Trang - Trường Đại học Yeungnam University, Hàn Quốc - TS Đoàn Trung Sơn - Trường Đại học Phenikaa - TS Phạm Đình Lâm - Trường Đại học Kyonggi, Hàn Quốc - TS Đào Như Ngọc - Trường Đại học Sejong, Hàn Quốc - TS Cao Tuấn Vũ - NILU, Na Uy - TS Hoàng Trọng Nghĩa - Trường Đại học Washington State, Hoa Kỳ BAN BIÊN TẬP - GS.TSKH Nguyễn Ngọc Thành - Chairman of IEEE SMC Technical Committee on Computational Collective Intelligence; Wroclaw University of Science and Technology, Poland - GS.TS Nguyễn Thanh Thủy - Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội - GS.TS Lê Minh Hòa - Northumbria University, Newcastle, UK - PGS.TS Huỳnh Công Pháp - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng x - ThS Nguyễn Ngọc Hòa - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - ThS Võ Hùng Cường - Trường Đại học Công nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng - ThS Lê Song Tồn - Trường Đại học Cơng nghệ Thông tin Truyền thông Việt - Hàn, Đại học Đà Nẵng xi MỤC LỤC 10 11 12 13 Data Science and AI AECWT-3DR-Net: Damage Localization Network for Concrete Structures Using Acoustic Emission Sensors Van Vy and Hyungchul Yoon Evolutionary Generative Adversarial Network for Missing Data Imputation Bao Ngoc Vi, Cao Truong Tran, Chi Cong Nguyen Implementation of Convolutional Neural Network on a Microcontroller for Classification of Audio Signals Dinh-Hoang-Long Tran, Quoc-Huy Le Applying Machine Learning to RNA Secondary Structure Prediction Problem Doan Duy Binh, Pham Minh Tuan and Dang Duc Long Facial Beauty Prediction with Vision Transformer Duy Tran, Thang Le, Khoa Tran, Hoang Le, Cuong Do, Thanh Ha Three-Dimensional Hair Structure Reconstruction from a Single Sketch Image without Intermediate Representation Anh-Duc Lo and Chau Ma-Thi Weapon Detection with YOLO Model Version 5, 7, Doan Trung Son and Nguyen Thi Khanh Tram, Vo Thai Anh Aggregation Methods in the Wisdom of Crowds: A Literature Review Thanh Trung Nguyen, Hai Bang Truong Xây Dựng Hệ Thống Phân Loại Bệnh U Phổi, Viêm Phổi Và Tràn Khí Màng Phổi Nguyễn Tấn Phú, Dư Nhật Kha, Mã Tuấn Duy, Nguyễn Nhị Gia Vinh, Phan Quang Vinh Hệ Khuyến Nghị Dựa Vào Phân Tích Tình Cảm: Bài Khảo Sát Ngắn Phạm Đình Tài, Phan Thị Huyền Trang Nguyễn Ngọc Thành Tăng Tốc Cho Khai Thác Tập Hữu Ích Cao Bằng Việc Tránh Khai Thác Lại Các Tập Hữu Ích Cao Phổ Biến Nông Thị Hoa, Nguyễn Đức Hiển Khai Phá Ý Kiến Và Phân Tích Quan Điểm Người Học Dựa Trên Mơ Hình PhoBERT Trần Thị Dung, Huỳnh Xn Lãm, Bùi Ngọc Dũng Tổng Quan Về Các Dạng Mới Của Tập Hữu Ích Cao Nơng Thị Hoa, Nguyễn Đức Hiển, Nguyễn Thị Duyên 12 23 33 45 53 65 78 88 97 110 120 132 Image and Natural Language Processing 145 14 Predicting Customer Sentiment With Vietnamese Hotel Services 146 By LSTM Model Linh Bui Khanh, Anh Nguyen Quynh, Hai Tran Van, Ha Nguyen Thi Thu xii 15 16 17 18 19 Apply CNN-XGBoost into Weather Image Recognition Tran Quy Nam and Phi Cong Huy Effective Color Spaces for Quaternion-valued Neural Network in Depth Estimation Minh Tuan Pham, An Hung Nguyen, Cao Duy Hoang Research and Evaluate some Deep Learning Methods to Detect Forest Fire based on Images from Camera Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui Trích Xuất Dữ Liệu Hồ Sơ Nhập Học Để Cải Tiến Quy Trình Tuyển Sinh Tại Trường Đại học Công nghệ Đồng Nai Đỗ Phúc Thịnh, Bùi Ngọc Tiến, Bùi Nguyên Tuấn Anh Phan Tiến Linh Biểu Diễn Ngữ Nghĩa Số Học Sử Dụng Phương Pháp Học Máy Đa Phương Thức Bùi Huy Trịnh, Nguyễn Hữu Nhật Minh, Sebastian Nguyen Software Engineering and Information System 20 21 23 24 25 169 181 192 201 213 A Buffer Based Scheme for SQLite on NAND Flash Memory 214 Vanphi Ho, Vandai Tran and KimTrong Le Toward an Intelligent Maps Construction Framework: A Case-study of 220 VKU Campus Map Nguyen Van Thanh Vinh, Nguyen Dang Nha, Le Kim Hoang Trung and Nguyen Thanh Tuan Digital Economy 22 158 The Impact of Perceived Risk and Its Role in Brand Awareness, Intrinsic Motivation, and Purchase Intention in the Telecommunications Industry in Vietnam Phuoc-Cuu-Long Le, Thi-Thuy-Trinh Tran, Thi-Duyen Pham, Thi-Thanh-Minh Dang, and Linh-Giang Nguyen The Impact of Social Media Experience on eWOM Usage Behavior: A Case Study of Students from the University of Danang Thi-Thuy-Trinh Tran, Thi-Thanh-Minh Dang, Phuoc-Cuu-Long Le and Thi-Thu-Huong Dao Vai Trò Điều Tiết Của Yếu Tố Trực Quan Của eWOM Lên Mối Quan Hệ Giữa Rủi Ro Và Ý Định Mua Sản Phẩm Gia Dụng Điện Tử Vũ Thị Quỳnh Anh, Nguyễn Thị Kiều Trang, Nguyễn Vũ Như Quỳnh Ảnh Hưởng Của Trải Nghiệm Truyền Thông Mạng Xã Hội Đến Ý Định Mua Hàng Trực Tuyến Của Người Tiêu Dùng Trong Ngành Hàng Thời Trang Trần Khánh Hùng, Mai Thị Thu Hòa, Nguyễn Thị Diệu Linh, Lê Phước Cửu Long 231 232 244 256 270 xiii 26 Các Yếu Tố Tác Động Đến Ý Định Tiếp Tục Sử Dụng Ví Điện Tử Của 281 Thế Hệ Y Thế Hệ Z Tại Việt Nam Như Thế Nào? Mai Thị Thu Hòa, Trần Khánh Hùng, Nguyễn Thị Kiều Trang Network and Communications 27 28 29 30 293 Implement Performance Evaluation for Scheduling Algorithms used in 294 Autonomous Driving Vehicles Tran-Viet An and Vu-Anh-Quang Nguyen Xây Dựng Nâng Cao Hiệu Năng Của Hệ Thống LoRa/LoRaWAN 301 Trong Các Điều Kiện Mơi Trường Thực Tế Võ Văn Hồng, Phan Thị Lan Anh Mơ Hình Định Vị Thích Nghi Cho Hệ Thống Truyền Thông Bằng Ánh 313 Sáng Khả Kiến Nguyễn Văn Thiện, Nguyễn Duy Nhật Viễn, Trần Thế Sơn, Dương Hữu Ái Thiết Kế, Thực Nghiệm Và Đánh Giá Hoạt Động Của Mạng Điều Khiển 323 Nội Bộ CAN Trong Xe Ơ-Tơ Nguyễn Chí Thành, Trần Thế Sơn, Đặng Quang Hiển, Dương Hữu Ái Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui 181 Research and Evaluate some Deep Learning Methods to Detect Forest Fire based on Images from Camera Cong Tung Dinh1, Thu Huong Nguyen1, Huyen Do Thi2, Nam Anh Bui3 University of Transport and Communications East Asia University of Technology High School of Education Sciences, University of Education, Vietnam National University, Hanoi huongnt@utc.edu.vn, tungdc@utc.edu.vn, huyendt@eaut.edu.vn, namanhbui07@gmail.com Abstract Forest fires cause great consequences such as ecosystem imbalance, air quality deterioration, as well as direct impacts on human life Early detection of a forest fire can help prevent and prevent the impact of this natural disaster and have timely remedial methods Therefore, early forest fire detection is necessary To accomplish this, many methods have been proposed and tested In recent years, methods based on deep learning techniques with image data sources have been interesting and applied diversely because they can achieve optimal efficiency as well as cost savings in actual installation and operation However, not all models give highly accurate results In this paper, we study and evaluate four popular deep learning models (Xception, Inception-V3, VGG-19 and ResNet152-V2) that apply to forest fire detection based on images collected from cameras With each model, we design deep learning networks to detect fires The models were made on the dataset of 1900 images, including fire and no-fire cases The experimental results show that all four of the above deep learning models can be applied to forest fire detection with high accuracy In particular, the model using ResNet152-V2 gives the best results, with a fire detection capacity of 95.53% Keywords: Xception, Inception-V3, VGG-19, ResNet152-V2, forest fire detection Introduction Forest fires cause serious damage, are a threat to plants, animals, and humans, and this natural disaster also has a significant impact on the environment and climate change If the fire is not controlled and handled in time, it will cause severe consequences Therefore, early detection of Forest fires is an urgent issue To solve this, there have been many proposed methods Some common methods of forest fire detection can be mentioned as using sensors (temperature sensors, smoke sensors ) or via satellite However, the system uses sensors with major disadvantages in small ISBN: 978-604-80-8083-9 CITA 2023 182 monitoring areas, and the service life of the sensors is not durable due to environmental influences and geographical conditions For warning systems using satellites can cover a wide area, but there are some limitations such as the low resolution of images, high cost, and influenced of weather In fact, a highly regarded method of forest fire detection is to rely on images and videos collected from CCTV cameras Therefore, image processing techniques are studied and applied a lot in detecting fire fires Recently, algorithms using deep learning have been of great interest because they can detect fires quickly with high accuracy Image recognition algorithms based on convolutional neural networks (CNN) can efficiently learn and extract complex image features As a result, some researchers have applied CNN to fire detection through imaging In [1], the team detected fires based on a GoogleNet model with data collected from surveillance cameras In the paper [2], [3], [4], the researchers applied the CNN network in smoke detection In [5], the team proposes to improve the CNN network to detect fires in real-time The detection of fire and escape with little data was studied and proposed by A Namozov's research team, which corrected overfitting using data augmentation techniques and generative adversarial networks [6] In 2018, research teams compared AlexNet, VGG, Inception, ResNet, etc models and developed smoke and flame detection algorithms [7, 9] In 2017, Muhammad's team detected early fires using the CNN network with self-generated datasets, fine-tuned data collection cameras, and a proposed channel selection algorithm for cameras to ensure data reliability [8] In [10] the authors studied the feasibility of network models with data collected through unmanned aerial vehicles (UAVs) Y.Luo's team [1 1] came up with a moving object detection method to create suggested zones based on background motion updates, then used the CNN algorithm to detect smoke in these areas In [12], the authors used Gaussian (MOG) to distinguish the background and foreground, used a floor model to identify proposed smoke regions, and then applied the CaffeNet network to detect smoke The method of using the suggested color point of the fire area, the AlexNet network to detect fire is given in the paper [13] In 2020, the authors detected Forest fire using an LBP color signature combined with a deep learning network to detect smoke and fire with datasets collected from overhead cameras [14] The authors in [15] offer a combined solution using LSTM and YOLO models to detect smoke in forest fire environments The LSTM model reduces the number of layers and obtains better results in smoke detection Another method in [16] proposes integrating cloud computing and CNN for fire detection The paper[17] lays out a new method of classifying Forest fire based on the CNN model, called Fire_Net inspired by the AlexNet network, but improved with 15 layers, more efficient for the classification task In [18], the authors propose a fire detection deep learning model called ForestResNet, based on ResNet-50 Another study in [19] applied a multi-layered classification model to forest fire detection Their method uses transition learning based on VGG-16, ResNet-50, and DenseNet121 to classify flames, smoke, fireless, and other objects in the image The paper [20] proposes the CNN model for smoke detection in Forest fires Their proposed CNN model applied batch normalization and multi-convolution to optimize and improve the accuracy of classification CITA 2023 ISBN: 978-604-80-8083-9 Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui 183 It is obviously difficult to evaluate and compare methods with each other because they are not tested on the same dataset and authors often not publish source code details For the purpose of comparing, evaluating as well as proposing suitable deep learning models, and fire detection applications based on images from cameras, in this paper, we study some popular deep learning models Xception, Inception-V3, VGG-19 and ResNet152-V2 Next, forest fire detection methods based on these models were installed and finally tested on the same large dataset of images collected from the camera The test results show that these methods are all capable of good detection and the method based on ResNet152-V2 achieves the highest accuracy of over 95% In the next section, we present deep learning models that apply fire detection based on surveillance cameras Part describes the steps of data processing Part presents the experiment and the results achieved Finally, part is conclusive Some deep learning models that detect forest fire 2.1 Xception model The Xception network is a deep neural network architecture introduced by researchers in the paper "Xception: Deep Learning with Depthwise Separable Convolutions" in 2016 [21] Xception was developed from the Inception network architecture to improve and enhance performance One of the special highlights of Xception is the use of an individual convolutional structure on each feature before performing total convolution This helps the network learn the correlation between features This approach reduces the number of parameters and calculations in the network, avoids overfitting, and improves model performance and accuracy The specifics of the layers in Xception can be described as follows: The input layer receives a fixed-sized image with the parameter being the size of the input image In the next two CONV layers, there are 32 3x3 filters and 64 3x3 filters, respectively Next, the most important layer in Xception is the Depthwise Separable Convolution Block consisting of two stages The first stage (Depthwise) is the individual convolution of features on each image channel, similar to traditional convolution However, here each channel is handled independently of the others Xceptinon then combines features from different channels to create new features (Separable) The next layer is Average Pooling with a size of 10x10 to help reduce the number of parameters and avoid overfitting Finally, there is the fully connected layer and the output depends on the number of layers of the classification problem For the dataset in the paper, Xception predicts up to 94.26% accuracy 2.2 Inception-V3 model The Inception-V3 model is a deep neural network architecture developed and published in 2015 [22] InceptionV3 is an improved version of earlier versions such as Inception and Inception-V2 The special feature of Inception-V3 is the use of the Inception module, a module with many parallel branches that allows the model to ISBN: 978-604-80-8083-9 CITA 2023 184 become flexible and can learn the features of the image at various scales The Inception-V3 model also uses common techniques such as regularization, dropout, and batch normalization to reduce overfitting during model training Inception-V3 has 48 convolutional layers and fully connected layers as follows: The input layer that receives the input data is an image, and the pixel values are normalized to range from -1 to This is followed by 48 convolutional layers, with kernels of size 3x3 or 5x5, stride=2 In the max pooling layer, the model applies with kernel 3x3, stride=2 to reduce the input size and retain important features of the image The peculiarity of the model lies in the Inception Module layer with many parallel branches Each Inception Module has branches including The 1x1 Convolution branch uses a 1x1 size kernel used to reduce the input size before applying other convolution layers 3x3 Convolution Branches with Different Padding: These 3x3 convolution layers are applied with the same or valid padding to ensure the output size of these branches is equal The branch uses a 5x5 kernel to learn features at a greater scale than 3x3 convolutional layers Branch Max Pooling with 1x1 Convolution, kernel size 3x3 to reduce the dimension of the output The outputs of these branches are then joined together in-depth using concatenation After the adoption of several Inception layers, an Average Pooling layer is used to reduce the size of the output and retain important features Finally, there are the Fully Connected, Softmax, and Dropout layers For the dataset in the paper, the prediction InceptionV3 model has an accuracy of 94.21% 2.3 VGG-19 model The VGG-19 model is a convolutional neural network (CNN) developed by the Visual Geometry Group (VGG) research group at the University of Oxford VGG-19 is an upgraded version of the VGG-16 model, with the main difference being the number of layers The architecture of VGG-19 is built from convolution layers and pooling layers, including 16 convolutional layers and fully connected layers The convolutional layers are divided into five groups, where each group has layers of the same input and output dimensions Before each group of convolutional layers, there is a max pooling layer to reduce the size of the input The convolutional layers in VGG19 use the Relu activation function, with filters of small size of 3x3 with a stride is and padding is After the convolution and max pooling layers are done, the features are extracted from the image and put into fully connected layers with the neurons in the network Finally, the final layer uses the softmax function to classify the images into different labels For the dataset in the paper, the prediction VGG-19 model has an accuracy of 94.73% 2.4 ResNet152-V2 model The ResNet152-V2 model was developed by the Microsoft Research team and published in 2017 [23] ResNet152-V2 is an improved version of the ResNet152 model, improving the learning of the model and reducing computational complexity The ResNet152-V2 model consists of 152 layers of neural networks, including convolutional layers, activation layers, pooling layers, and full connection layers CITA 2023 ISBN: 978-604-80-8083-9 Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui 185 Each convolutional layer of the model is applied several filters to search for features in the input image The ResNet152-V2 model uses the Residual block proposed by ResNet, which avoids the deterioration of accuracy when the neural network becomes very deep The ResNet152-V2 model also uses a bottleneck technique, allowing the model to learn higher-resolution features without adding depth to the network This technique uses small-sized convolutional layers before using large-sized convolutional layers to reduce calculation costs The specifics of the models are described as follows: The input layer is a 224x224x3 image The convolutional layer consists of 152 layers divided into different blocks Each block consists of multiple convolutional layers and activation layers The Residual blocks of the ResNet152-V2 Residual network contain a number of building blocks designed to reduce the depth of the network and reduce the deterioration of accuracy when the network becomes very deep Finally, there are trigger functions, pooling layers, and full connection layers ResNet152-V2 is an upgraded version of ResNet152, with improvements in architecture and training methods to achieve greater accuracy It has 152 layers and 8.0 million parameters, trained on an ImageNet dataset of 1.28 million images For the dataset in the paper, the prediction ResNet152-V2 model has an accuracy of 95.53% Dataset In this paper, we use Ali Khan's forest fire dataset, with three color channels, 250x250 in size, for a total of 1900 images, divided into two layers, 950 fire images and 950 no-fire images [24] Figure depicts some of the images in the dataset The data is preprocessed and labeled, divided into two parts with 80% of the samples used for training and 20% of the samples used for testing In the test data set, we use 20% for validation The allocation of training and testing data is presented in Table Training data will be trained using different deep learning algorithms, thereby making comparisons and judgments about the methods used Fig Some images in the dataset (Row is some images of the fire class, row is some images of the no-fire class.) ISBN: 978-604-80-8083-9 CITA 2023 186 Table Distribution of data in the article Dataset Training Test Validation Total Fire No-fire Total 608 190 152 950 608 190 152 950 1216 380 304 1900 The training process of all four models is similar and is played out as follows: the image is preprocessed by turning into a grayscale image to reduce the number of dimensions of the input matrix and convert the image to a common size of 224x224 In addition, to better represent the diversity of images, we perform training dataset augmentation using Keras' "ImageDataGenerator" The images are cloned, perform a 20-degree rotation, scaling, shear transformation, translation, zoom 20%, flip, and then put into a deep learning model for training Figure depicts several images after data augmentation At the end of the training, we will have a model aimed at detecting forest fires Fig Some images after data augmentation Results and evaluation In this section, we present the empirical results of deep learning methods applied to forest fire detection Our models are built on computers with CORE I7-10700 2.9GHZ configuration, 16 GB RAM, Windows 10 OS, Python 3.6, and TensorFlow with a Learning Rate of 1e-4, batch_size=32, epochs = 100 After testing four deep learning models, we found the ResNet152-V2 based method to be the most accurate (95.53%) Besides, the methods using VGG-19 have an accuracy of 94.73%, Inceptionp-V3 has an accuracy of 94.21% and Xception has an accuracy of 93.94% To compare and evaluate four deep learning models, we performed statistics and compared four values after training the models including Precision, Recall, F1 Score, and Accuracy In particular, Accuracy is the ratio of the number of correctly predicted data points to the total number of data points in the test set Precision is the ratio of the number of points correctly identified in a class to the CITA 2023 ISBN: 978-604-80-8083-9 Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui 187 total number of points classified in that class The Recall value is the ratio of the number of correctly identified points in a class to the total number of data points in that class The F1-score quantity is the harmonic average determined based on two measurements Results comparing fire detection accuracy between algorithms are shown in Table Table Comparison of accuracy between algorithms Models Accuracy Precision Recall F1-Score ResNet152-V2 VGG-19 Inception-V3 Xception 95.53% 94.73% 94.21% 93.94% 92.61% 94.32% 91.59% 92.82% 98.95% 96.31% 97.37% 95.26% 95.67% 95.31% 94.39% 94.03% To better clarify the results of each deep learning technique, we use the Confusion matrix that displays the classification performance of each deep learning model more visually Accordingly, the matrix's vertical axis corresponds to the two layers of fire and no-fire Diaphragmatic axes are labels according to the prediction model, which also corresponds to the two classes above In the ResNet152-V2 model, the Confusion matrix is shown in Figure Accordingly, the model correctly predicted 188 fire cases out of 203 predicted cases There were 15 cases where the model wrongly predicted fire despite no-fire There are cases of forest fires, but the model is not predictable Out of a total of 190 real fire cases, the model correctly predicted 188 cases In the VGG-19 model, the Confusion matrix is shown in Figure Accordingly, the model correctly predicted 183 fire cases out of 194 predicted cases There were 11 cases where the model wrongly predicted fire despite no-fire There are cases of forest fires, but the model is not predictable Out of a total of 190 real fire cases, the model correctly predicted 183 cases In the InceptionV3 model, the Confusion matrix is shown in Figure Accordingly, the model correctly predicted 185 fire cases out of 202 predicted cases There were 17 cases where the model wrongly predicted fire despite no-fire There are cases of forest fires, but the model is not predictable Out of a total of 190 real fire cases, the model correctly predicted 185 cases In the Xception model, the Confusion matrix is shown in Figure Accordingly, the model correctly predicted 181 fire cases out of 195 predicted cases There were 14 cases where the model wrongly predicted fire despite no-fire There were cases of forest fires, but the model was not predictable Out of a total of 190 real fire cases, the model correctly predicted 181 cases ISBN: 978-604-80-8083-9 CITA 2023 188 Fig Confusion matrix of ResNet152-V2 model Fig Confusion matrix of VGG-19 model Fig Confusion matrix of Inception-V3 model CITA 2023 ISBN: 978-604-80-8083-9 Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui 189 Fig Confusion matrix of Xception model As can be seen, all four models are highly accurate in applying forest fire detection based on images collected from the camera The ResNet152-V2 model is the most efficient, with little difference in Precision and Recall ratios, although it incorrectly predicted 15 cases, ResNet152-V2 only missed cases out of 190 This suggests that ResNet152-V2 is the model that matches the dataset used in the paper In the VGG-19 model, the Precision value is the highest, demonstrating the model's effectiveness in fire detection for predictive data samples However, if based on total actual data, the Recall value is lower than the ResNet-152 model In the Xception model, it may be because the depth convolution layer is not effective, when the dataset with large fire images, the surrounding background has the same color and features as fire, creating confusion, leading to the combination of features on each image channel of Xception is not highly effective Therefore, in the Confusion matrix, the number of cases mistakenly predicted to be fire and not fire is not much different (14 cases and cases) In the Inception-V3 model, although the accuracy is slightly higher than that of the Xception, the difference between Precision and Recall is large, resulting in an F1-Score measurement almost on par with the Xception model Conclusions Early detection of forest fires is an urgent need today The paper presented and evaluated four models of applying deep learning techniques ResNet152-V2, VGG-19, Inception, and Xception applying forest fire detection through images collected from cameras The test results show that the above methods are highly accurate, in which, the forest fire detection rate of the Xception model is 93.94%, the Inception-V3 model is 94.21%, the VGG-19 model is 94.73% and the ResNet152V2 model is 95.53% The results also show that the fire detection program with the ResNet152-V2 model has the highest accuracy In the future, we will develop and improve the deep learning network model to achieve greater accuracy, which can be effectively applied in forest fire detection and warning ISBN: 978-604-80-8083-9 CITA 2023 190 Acknowledgements This research is funded by University of Transport and Communications (UTC) under grant number T2023-CN-004 References K Muhammad, J Ahmad, I Mehmood, et al Convolutional neural networks based fire detection in surveillance videos, IEEE Access, (2018), pp 18174-18183 C Tao, J Zhang, P Wang Smoke detection based on deep convolutional neural networks, 2016 International Conference on Industrial Informatics - Computing Technology, Intelligent Technology, Industrial Information Integration (ICIICII) (2016), pp 150-153 A Filonenko, L Kurnianggoro, K Jo Comparative study of modern convolutional neural networks for smoke detection on image data 2017 10th International Conference on Human System Interactions (HSI) (2017), pp 64-68 Z Yin, B Wan, F Yuan, et al A deep normalization and convolutional neural network for image smoke detection IEEE ACCESS, (2017), pp 18429-18438 A.J Dunnings, T.P Breckon, Experimentally defined convolutional neural network architecture variants for non-temporal real-time fire detection, 2018 25th IEEE International Conference on Image Processing (ICIP) (2018), pp 1558-1562 A Namozov, Y Cho, An efficient deep learning algorithm for fire and smoke detection with limited data, Adv Electr Comput Eng., 18 (2018), pp 121-128 W Mao, W Wang, Z Dou, Y Li, Fire recognition based on multi-channel convolutional neural network, Fire Technol., 54 (2018), pp 531-554 K Muhammad, J Ahmad, S.W Baik, Early fire detection using convolutional neural networks during surveillance for effective disaster management, Neurocomputing, 288 (2018), pp 30-42 Y Hu, X Lu, Real-time video fire smoke detection by utilizing spatial-temporal ConvNet features Multimed Tool Appl., 77 (2018), pp 29283-29301 10.L Wonjae, K Seonghyun, L Yong-Tae, L Hyun-Woo, C Min, Deep neural networks for wild fire detection with unmanned aerial vehicle, 2017 IEEE International Conference on Consumer Electronics (ICCE) (2017), pp 252-253 11.Y Luo, L Zhao, P Liu, D Huang, Fire smoke detection algorithm based on motion feature and convolutional neural networks, Multimed Tool Appl., 77 (2018), pp 1507515092 12.N.M Dung, D Kim, S Ro, A video smoke detection algorithm based on cascade classification and deep learning, KSII Internet Inf., 12 (2018), pp 6018-6033 13.Z Zhong, M Wang, Y Shi, W Gao, A convolutional neural network-based flame detection method in video sequence, Signal Image Video Process., 12 (2018), pp 1619-1627 14.Hossain, F.M.A.; Zhang, Y.M.; Tonima, M.A Forest fire flame and smoke detection from UAV-captured images using fire-specific color features and multi-color space local binary pattern J Unmanned Veh Syst 2020, 8, 285 309 15.Jeong, M.; Park, M.; Nam, J.; Ko, B.C Light-Weight Student LSTM for Real-Time Forest fire Smoke Detection Sensors 2020, 20, 5508 CITA 2023 ISBN: 978-604-80-8083-9 Cong Tung Dinh, Thu Huong Nguyen, Huyen Do Thi, Nam Anh Bui 191 16.Srinivas, K.; Dua, M Fog Computing and Deep CNN Based Efficient Approach to Early Forest Fire Detection with Unmanned Aerial Vehicles In Proceedings of the International Conference on Inventive Computation Technologies (ICICIT), Tamil Nadu, India, 29 30 August 2019; Smys, S., Bestak, R., Rocha, A., Eds.; Springer Nature: Chennai, India, 2019; pp 646 652 17.Zhao, Y.; Ma, J.; Li, X.; Zhang, J Saliency Detection and Deep Learning-Based Forest fire Identification in UAV Imagery Sensors 2018, 18, 712 18.Tang, Y.; Feng, H.; Chen, J.; Chen, Y ForestResNet: A Deep Learning Algorithm for Forest Image Classification J Physics Conf Ser 2021, 2024, 012053 19.Park, M.; Tran, D.Q.; Lee, S.; Park, S Multilabel Image Classification with Deep Transfer Learning for Decision Support on Forest fire Response Remote Sens 2021, 13, 3985 20.Sun, X.; Sun, L.; Huang, Y Forest fire smoke recognition based on convolutional neural network J For Res 2020, 32, 1921 1927 21.Chollet, F Xception: Deep Learning with Depthwise Separable Convolutions In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21 26 July 2017; IEEE: Piscataway, NJ, USA; pp 1800 1807 22.Szegedy, C.; Vanhoucke, V.; Ioffe, S.; Shlens, J.; Wojna, Z Rethinking the Inception Architecture for Computer Vision In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27 30 June 2016; IEEE: Piscataway, NJ, USA, 2016, pp 2818 2826 23.He, K.; Zhang, X.; Ren, S.; Sun, J Identity Mappings in Deep Residual Networks In Proceedings of the European Conference on Computer Vision (ECCV), Amsterdam, The Netherlands, 11 14 October 2016, Springer International Publishing: New York, NY, USA; pp 630 645 24.A Khan, B Hassan, S Khan, R Ahmed and A Adnan, System, vol 2022, pp 5358359, 2022 ISBN: 978-604-80-8083-9 CITA 2023