Trong bài viết này, các tác giả nghiên cứu mạng nơ ron học sâu (CNN - Convolutional Neural Network)[1] cho bài toán phát hiện lửa cũng như khói bằng việc xử lí dữ liệu từ camera giám sát nhằm phát hiện, cảnh báo cháy rừng.
ISSN 2354-0575 PHÁT HIỆN CHÁY RỪNG BẰNG MẠNG NƠ RON HỌC SÂU, DỰA TRÊN KHÓI VÀ LỬA THU NHẬN ĐƯỢC TỪ CAMERA GIÁM SÁT Đồn Hồng Quang Trung tâm Cơng nghệ Vi điện tử Tin học,Viện Ứng dụng Công nghệ Ngày tòa soạn nhận báo: 15/03/2020 Ngày phản biện đánh giá sửa chữa: 05/06/2020 Ngày báo duyệt đăng: 15/06/2020 Tóm tắt: Mạng nơ ron học sâu ứng dụng nhận diện hình ảnh, nhận diện giọng nói, xử lý ngơn ngữ tự nhiên Hiện nhiều toán nhận dạng sử dụng mạng nơ ron học sâu, giải toán với số lượng lớn biến, tham số kích thước đầu vào lớn với hiệu độ xác vượt trội so với phương pháp phân lớp truyền thống, xây dựng hệ thống thơng minh với độ xác cao Trong báo này, tác giả nghiên cứu mạng nơ ron học sâu (CNN - Convolutional Neural Network)[1] cho tốn phát lửa khói việc xử lí liệu từ camera giám sát nhằm phát hiện, cảnh báo cháy rừng Từ khóa: Mạng nơ ron học sâu, mạng nơ ron tích chập, phát cháy rừng Giới thiệu Hỏa hoạn gây thiệt hai nghiêm trọng phá hoại sở vật chất, thiêu rụi nhà dân, khu rừng thời gian ngắn Khơng thế, hỏa hoạn cịn gây nhiều thiệt hại người, hủy hoại môi trường sống người sinh vật, gây ô nhiễm mơi trường…, khơng kiểm sốt kịp thời hậu nặng nề Vì vậy, việc phịng chống hỏa hoạn đóng vai trị quan trọng ln trọng Tuy nhiên, việc phịng chống hỏa hoạn cơng việc khó khăn nguyên nhân phát sinh hỏa hoạn nhiều khó đốn trước Để giải vấn đề việc phát cháy sớm, có biện pháp kịp thời ứng phó xem khả thi Với phát triển nhanh chóng cơng nghệ, nhiều hệ thống đời để đưa cảnh báo sớm cho cháy rừng Có thể kể đến như: hệ thống cảnh báo cháy rừng nhờ cảm biến (cảm biến nhiệt độ, cảm biến khói …); hệ thống cảnh báo cháy rừng thông qua vệ tinh; hệ thống cảnh báo cháy rừng phát qua video, hình ảnh từ camera quan trắc Tuy nhiên, qua thực tế sử dụng hệ thống dùng phương pháp phân tích video mang lại nhiều ưu điểm xác Với camera có độ phân giải tốt, hồn tồn giám sát vùng rừng rộng lớn với độ xác cao Trong đó, hệ thống dùng 92 cảm biến có nhược điểm vùng giám sát nhỏ, vấn đề lượng cung cấp cho nút cảm biến tuổi thọ nút bị ảnh hưởng nhiều môi trường điều kiện địa lí Do đó, độ xác hệ thống dùng cảm biến không cao Đối với hệ thống cảnh báo dùng vệ tinh bao quát vùng rộng, nhiên lại có số hạn chế như: độ phân giải ảnh không cao; thời gian thực khơng đáp ứng, chi phí cao; ảnh hưởng thời tiết làm giảm độ xác Vậy nên dùng xử lí video hình ảnh xem hệ thống tối ưu thời điểm CNN mơ hình mạng nơ ron học sâu phổ biến [1,3], có khả nhận dạng phân loại hình ảnh với độ xác cao, chí cịn tốt người nhiều trường hợp Mơ hình phát triển, ứng dụng vào hệ thống xử lý ảnh lớn Facebook, Google hay Amazon… cho mục đích khác nhau, thuật tốn gắn thẻ tự động, tìm kiếm ảnh gợi ý sản phẩm cho người tiêu dùng Sự đời mạng CNN dựa ý tưởng cải tiến cách thức mạng nơ ron nhân tạo truyền thống [4-7] học thông tin ảnh Do sử dụng liên kết đầy đủ điểm ảnh vào node, mạng nơ ron nhân tạo truyền thẳng (Feedforward Khoa học & Công nghệ - Số 26/Tháng - 2020 Journal of Science and Technology ISSN 2354-0575 Neural Network) bị hạn chế nhiều kích thước ảnh, ảnh lớn số lượng liên kết tăng nhanh, kéo theo bùng nổ khối lượng tính tốn Ngồi ra, liên kết đầy đủ dư thừa với ảnh, thông tin chủ yếu thể qua phụ thuộc điểm ảnh với điểm xung quanh mà khơng quan tâm nhiều đến điểm ảnh cách xa Mạng CNN với kiến trúc thay đổi, có khả xây dựng liên kết sử dụng phần cục ảnh kết nối đến node lớp thay tồn ảnh mạng nơ ron truyền thẳng Trong viết này, nghiên cứu Các lớp tích chập (Convolutional), kích hoạt phi tuyến ReLU lấy mẫu (Pooling) mạng CNN [8-10] sử dụng mô hình VGG16 ứng dụng việc xây dựng hệ thống nhận dạng phát cháy tự động từ camera [11-15] Mạng nơ ron CNN - VGG16 2.1 Kiến trúc mạng CNN Hình trình bày kiến trúc mạng CNN, lớp mạng CNN bao gồm: lớp tích chập (Convolutional); lớp kích hoạt phi tuyến ReLU (Rectified Linear Unit); lớp lấy mẫu (Pooling); lớp kết nối đầy đủ (Fully Connected) thay đổi số lượng cách xếp để tạo mơ hình huấn luyện phù hợp cho tốn khác Các lớp kết nối đầy đủ (Fully Connected) Phân loại Hình Kiến trúc mạng CNN - Lớp tích chập: thành phần quan trọng mạng CNN, thể liên kết cục thay kết nối tồn điểm ảnh Các liên kết cục tính tốn phép tích chập giá trị điểm ảnh vùng ảnh cục với lọc filters có kích thước nhỏ Trong Hình (a), lọc sử dụng ma trận có kích thước 3x3, lọc dịch chuyển qua vùng ảnh đến hoàn thành quét toàn ảnh, tạo ảnh có kích thước nhỏ với kích thước ảnh đầu vào Kích thước định tùy theo kích thước khoảng trắng thêm viền ảnh gốc tính theo cơng thức sau: (1) Trong đó: O: kích thước ảnh đầu ra; i: kích thước ảnh đầu vào; p: kích thước khoảng trắng phía ngồi viền ảnh gốc; k: kích thước lọc; s: bước trượt lọc Hình (a) Bộ lọc tích chập sử dụng ma trận điểm ảnh (b) Phương thức Avarage Pooling Max Pooling Khoa học & Công nghệ - Số 26/Tháng - 2020 Journal of Science and Technology 93 ISSN 2354-0575 Như vậy, sau đưa ảnh đầu vào cho lớp tích chập nhận kết đầu loạt ảnh tương ứng với lọc sử dụng để thực phép tích chập Các trọng số lọc khởi tạo ngẫu nhiên lần cập nhật q trình huấn luyện - Lớp kích hoạt phi tuyến ReLU: xây dựng để đảm bảo tính phi tuyến mơ hình huấn luyện sau thực loạt phép tính tốn tuyến tính qua lớp tích chập Lớp kích hoạt phi tuyến sử dụng hàm kích hoạt phi tuyến ReLU sigmoid, tanh… để giới hạn phạm vi biên độ cho phép giá trị đầu Trong số hàm kích hoạt này, hàm ReLU chọn cài đặt đơn giản, tốc độ xử lý nhanh mà đảm bảo tính tốn hiệu Phép tính tốn hàm ReLU đơn giản chuyển tất giá trị âm thành giá trị Lớp ReLU áp dụng phía sau lớp tích chập, với đầu ảnh có kích thước giống với ảnh đầu vào, giá trị điểm ảnh hoàn toàn tương tự trừ giá trị âm bị loại bỏ 𝑓(𝑥) = 𝑚𝑎𝑥(0, 𝑥) (2) - Lớp lấy mẫu: đặt sau lớp tích chập lớp ReLU để làm giảm kích thước ảnh đầu giữ thông tin quan trọng ảnh đầu vào Việc giảm kích thước liệu có tác dụng làm giảm số lượng tham số tăng hiệu tính tốn Lớp lấy mẫu sử dụng cửa sổ trượt để quét toàn vùng ảnh lớp tích chập, thực phép lấy mẫu thay phép tích chập, chọn lưu lại giá trị đại diện cho toàn thơng tin vùng ảnh Hình (b) thể phương thức lấy mẫu thường sử dụng nay, Max Pooling (lấy giá trị điểm ảnh lớn nhất) Avarage Pooling (lấy giá trị trung bình điểm ảnh vùng ảnh cục bộ) Như vậy, với ảnh đầu vào đưa qua lấy mẫu thu ảnh đầu tương ứng, có kích thước giảm xuống đáng kể giữ đặc trưng cần thiết cho q trình tính tốn nhận dạng - Lớp kết nối đầy đủ: thiết kế tương tự mạng nơ ron truyền thống, tất điểm ảnh kết nối đầy đủ với node lớp So với mạng nơ ron truyền thống [4], ảnh đầu vào lớp có kích thước giảm bớt nhiều, đồng thời đảm bảo thông tin quan trọng ảnh cho việc nhận dạng, việc tính tốn nhận dạng sử dụng mơ hình truyền thẳng khơng cịn phức tạp tốn nhiều thời gian mạng nơ ron truyền thống 2.2 Xây dựng mơ hình mạng Hình trình bày cấu trúc VGG16 [1,3] ứng dụng vào toán phát cháy rừng từ camera giám sát Tổng tham số mơ hình 138.357.544, tham số nhớ lớp mơ hình mạng, sau: * Ảnh đầu vào: Đầu vào: ảnh với kích thước 224x224x3 = 150K (3 tương ứng với màu: đỏ, xanh lục, xanh lam hệ màu RGB thơng thường) * Lớp (Tích chập): - Số lọc: 64 - Kích thước lọc: 3x3x64 - Bộ nhớ: 224x224x64 = 3,2M - Số lượng tham số: (3x3x3)x64 = 1.728 Hình Kiến trúc mạng VGG16 94 Khoa học & Công nghệ - Số 26/Tháng - 2020 Journal of Science and Technology ISSN 2354-0575 * Lớp (Tích chập): - Đầu vào: 224x224x64 - Số lọc: 64 - Kích thước lọc: 3x3x64 - Bộ nhớ: 224x224x64 = 3,2M - Số lượng tham số: (3x3x64)x64 = 36.864 * Lớp chuyển tiếp sang lớp (Lấy mẫu): - Kích thước = (2,2) - Khoảng cách thay đổi = - Kích thước đệm = - Bộ nhớ: 112x112x64 = 800K Kích thước đầu liệu giảm 1/2 từ (224x224x3) xuống (112x112x3), chiều sâu giữ nguyên * Lớp (Tích chập): - Đầu vào: 112x112x3 - Số lọc: 128 - Kích thước lọc: 3x3x128 - Bộ nhớ: 112x112x128 = 1,6M - Số lượng tham số: (3x3x64)x128=73.728 * Lớp (Tích chập): - Đầu vào: 112x112x3 - Số lọc: 128 - Kích thước lọc: 3x3x128 - Bộ nhớ: 112x112x128 = 1,6M - Số lượng tham số: (3x3x128)x128 = 147.456 * Lớp chuyển tiếp sang lớp (Lấy mẫu): - Kích thước = (2,2) - Khoảng cách thay đổi = - Kích thước đệm = - Bộ nhớ: 56x56x128 = 400K Kích thước đầu liệu giảm 1/2 từ (112x112 x3) xuống (56x56x3), chiều sâu giữ nguyên *Lớp (Tích chập): - Đầu vào: 56x56x3 - Số lọc: 256 - Kích thước lọc: 3x3x256 - Bộ nhớ: 56x56x256 = 800K - Số lượng tham số: (3x3x128)x256 = 294.912 *Lớp (Tích chập): - Đầu vào: 56x56x3 - Số lọc: 256 - Kích thước lọc: 3x3x256 - Bộ nhớ: 56x56x256 = 800K - Số lượng tham số: (3x3x256)x256 = 589.824 * Lớp (Tích chập): Khoa học & Cơng nghệ - Số 26/Tháng - 2020 - Đầu vào: 56x56x3 - Số lọc: 256 - Kích thước lọc: 3x3x256 - Bộ nhớ: 56x56x256 = 800K - Số lượng tham số: (3x3x256)x256 = 589.824 * Lớp chuyển tiếp sang lớp (Lấy mẫu): - Kích thước = (2,2) - Khoảng cách thay đổi = - Kích thước đệm = - Bộ nhớ: 28x28x256 = 200K Kích thước đầu liệu giảm 1/2 từ (56x56 x3) xuống (28x28x3), chiều sâu giữ nguyên * Lớp (Tích chập): - Đầu vào: 28x28x3 - Số lọc: 512 - Kích thước lọc: 3x3x512 - Bộ nhớ: 28x28x512 = 400K - Số lượng tham số: (3x3x256)x512 = 1.179.648 * Lớp (Tích chập): - Đầu vào: 28x28x3 - Số lọc: 512 - Kích thước lọc: 3x3x512 - Bộ nhớ: 28x28x512 = 400K - Số lượng tham số: (3x3x512)x512 = 2.359.296 * Lớp 10 (Tích chập): - Đầu vào: 28x28x3 - Số lọc: 512 - Kích thước lọc: 3x3x512 - Bộ nhớ: 28x28x512 = 400K - Số lượng tham số: (3x3x512)x512 = 2.359.296 * Lớp chuyển tiếp sang lớp 11 (Lấy mẫu): - Kích thước = (2,2) - Khoảng cách thay đổi = - Kích thước đệm = - Bộ nhớ: 14x4x512 = 100K Kích thước đầu liệu giảm 1/2 từ (28x28x3) xuống (14x14x3), chiều sâu giữ nguyên * Lớp 11 (Tích chập): - Đầu vào: 14x14x3 - Số lọc: 512 - Kích thước lọc: 3x3x512 - Bộ nhớ: 14x14x512 = 100K - Số lượng tham số: (3x3x512)x512 = 2.359.296 * Lớp 12 (Tích chập): - Đầu vào: 14x14x3 Journal of Science and Technology 95 ISSN 2354-0575 - Số lọc: 512 - Kích thước lọc: 3x3x512 - Bộ nhớ: 14x14x512 = 100K - Số lượng tham số: (3x3x512)x512 = 2.359.296 * Lớp 13 (Tích chập): - Đầu vào: 14x14x3 - Số lọc: 512 - Kích thước lọc: 3x3x512 - Bộ nhớ: 14x14x512 = 100K - Số lượng tham số: (3x3x512)x512 = 2.359.296 * Lớp chuyển tiếp sang lớp 14 (Lấy mẫu): - Kích thước = (2,2) - Khoảng cách thay đổi = - Kích thước đệm = - Bộ nhớ: 7x7x512 = 25K Kích thước đầu liệu giảm 1/2 từ (14x14 x3) xuống (7x7x3), chiều sâu giữ nguyên * Lớp 14 (Kết nối đầy đủ): - Đầu vào: 1x1x4.096 - Bộ nhớ: 4096K - Số lượng tham số: 7x7x512x4096 = 102.760.448 * Lớp 15 (Kết nối đầy đủ): - Đầu vào: 1x1x4096 - Bộ nhớ: 4096K - Số lượng tham số: 4.096 x 4.096 = 16.777.216 * Lớp 16 (Kết nối đầy đủ): - Đầu vào: 1x1x4.096 - Bộ nhớ: 1000K - Số lượng tham số: 4.096x1.000 = 4.096.000 2.3 Học chuyển giao tinh chỉnh mơ hình huấn luyện [2] Là q trình khai thác, tái sử dụng tri thức học mơ hình huấn luyện trước vào giải tốn mà khơng phải xây dựng mơ hình huấn luyện khác từ đầu Hiện nay, phương pháp phổ biến thường áp dụng huấn luyện mơ hình với sở liệu (CSDL) tương đối nhỏ sử dụng học chuyển giao để tận dụng mạng huấn luyện trước CNN huấn luyện trước với liệu lớn ImageNet (1,2 triệu ảnh với 1.000 nhãn đánh dấu) Phương pháp sử dụng mạng CNN theo hai cách sau: Cách 1: Mạng CNN sử dụng trích chọn đặc trưng cho CSDL huấn 96 luyện mới, cách thay lớp kết nối đầy đủ cuối mơ hình mạng giữ cố định tham số cho tồn lớp cịn lại mơ hình Thực tối ưu, tinh chỉnh (Fine-Tune) vài tất lớp mơ hình mạng Cách 2: Việc tái sử dụng mạng CNN dựa đặc trưng học lớp đầu mạng đặc trưng chung với phần lớn tốn (ví dụ đặc trưng cạnh, hình khối hay khối màu khói, đám cháy, cây,…) Các lớp sau mạng CNN nâng dần độ cụ thể, riêng biệt chi tiết phục vụ cho tốn nhận dạng cần giải Do đó, hồn tồn tái sử dụng lại lớp đầu mạng CNN mà nhiều thời gian cơng sức huấn luyện mơ hình mạng từ đầu Có loại học chuyển giao: Feature Extractor: sau lấy đặc điểm (khói, lửa, cành, lá…) ảnh việc sử dụng ConvNet mơ hình huấn luyện trước, dùng phân loại tuyến tính (Linear SVM, Softmax Classifier ) để phân loại ảnh Fine-Tuning: sau lấy đặc điểm ảnh việc sử dụng CNN mơ hình huấn luyện trước, coi đầu vào CNN cách thêm lớp tích chập lớp kết nối đầy đủ Huấn luyện mạng * Nguồn liệu dùng huấn luyện mơ hình thử nghiệm thu thập Internet: - Tổng số mẫu ảnh cháy: 5000 - Tổng số mẫu ảnh khói: 2000 * Khởi tạo thông số để huấn luyện mạng, thiết lập Bảng * Tham số huấn luyện mạng - Tốc độ học: 0,00005 - Hệ số quán tính: 0,09 - Sai số cực tiểu: 0,00001 - Số lần học tối đa: 2000 vịng * Huấn luyện mạng: Mơi trường sử dụng để huấn luyện mơ hình nhận dạng Windows Server 2012, ngôn ngữ Python phiên 3.7.1 với framework dùng cho huấn luyện mơ hình Caffe, card đồ họa Nvidia Quadro P2200, khoảng ngày huấn luyện Huấn luyện mạng: lấy 80% mẫu liệu để huấn luyện mạng, kết huấn luyện thể Hình với sai số MSE 0,002 qua 2000 vịng huấn luyện Khoa học & Cơng nghệ - Số 26/Tháng - 2020 Journal of Science and Technology ISSN 2354-0575 Hình Đồ thị lỗi huấn luyện với mẫu liệu * Kiểm tra hoạt động mạng: lấy 20% mẫu liệu lại để kiểm tra mạng với trọng số huấn luyện, kết kiểm tra với lỗi MSE 0.0407566, kết thể đồ thị kiểm tra hoạt động mạng Hình độ xác mơ hình Hình Hình Đồ thị lỗi kiểm tra Khoa học & Công nghệ - Số 26/Tháng - 2020 Journal of Science and Technology 97 ISSN 2354-0575 Hình Đồ thị kiểm tra độ xác mơ hình 4 Kết phát cháy rừng mơ hình VGG16 Dữ liệu video thử nghiệm dùng để phát cháy, lấy Youtobe (độ phân giải 1902x1080) Kết thử nghiệm mơ hình trình bày Bảng Bảng Kết thử nghiệm phát cháy từ tệp video Id 240 241 242 243 244 245 246 98 Tên ảnh kết Chay_09-042020-11-1530.jpg Chay_09-042020-11-1531.jpg Chay_09-042020-11-1532.jpg Chay_09-042020-11-1533.jpg Chay_09-042020-11-1536.jpg Chay_09-042020-11-1537.jpg Chay_09-042020-11-1539.jpg Thời gian 11:15:30 11:15:31 11:15:32 11:15:33 11:15:36 11:15:37 11:15:39 Từ tệp Độ video xác (%) Video_ 98,18 Chay_ Rung_1 Video_ 97,45 Chay_ Rung_1 Video_ 96,95 Chay_ Rung_1 Video_ 98,23 Chay_ Rung_1 Video_ 98.22 Chay_ Rung_1 Video_ 99.63 Chay_ Rung_1 Video_ 97.72 Chay_ Rung_1 Kết luận Mơ hình mạng VGG16 với kiến trúc thay đổi, khả xây dựng liên kết sử dụng phần cục ảnh kết nối đến node lớp thay tồn ảnh mạng nơ ron truyền thẳng, làm tăng khả xử lý đạt tỷ lệ cao phân loại ảnh Độ xác phát mạng điều kiện lý tưởng đạt vượt qua khả phát người Tuy nhiên, yếu tố khác ánh sáng, thời tiết, làm giảm độ xác trình nhận dạng phát cháy Trong thời gian tới, tác giả tập trung vào việc xây dựng bổ sung tập thuộc tính để nâng cao độ xác q trình phát cháy Từ kết thử nghiệm mơ hình cho thấy, xây dựng ứng dụng dựa phân loại cảnh báo cháy, như: hệ thống cảnh báo cháy khu công nghiệp, nhà kho, hệ thống cảnh báo cháy rừng Lời cảm ơn Nghiên cứu tài trợ đề tài: “Nghiên cứu, ứng dụng công nghệ cao nhằm nâng cao hiệu quản lý phát triển bền vững Khu di tích lịch sử Quốc gia đặc biệt Đền Hùng”, mã số: ĐTĐL.CN-35/17 Khoa học & Công nghệ - Số 26/Tháng - 2020 Journal of Science and Technology ISSN 2354-0575 Tài liệu tham khảo [1] Đoàn Hồng Quang, Lê Hồng Minh, Thái Dỗn Ngun, “Nhận dạng khn mặt video mạng nơ ron tích chập” Tạp chí Khoa học Công nghệ Việt Nam, Bộ Khoa học Cơng nghệ, 62(1), tr 8-12, 1.2020 [2] Đồn Hồng Quang, Lê Hồng Minh, “Học chuyển giao tinh chỉnh mô hình mạng nơ ron học sâu ứng dụng nhận dạng khuôn mặt” Hội thảo “Ứng dụng công nghệ cao phát triển kinh tế - xã hội”, Viện Ứng dụng Công nghệ, Bộ Khoa học Công nghệ, tr 50-61, 2019 [3] Đồn Hồng Quang, Nguyễn Huy Cơng, “Phân loại hoa mạng nơ ron học sâu” Hội thảo “Ứng dụng công nghệ cao phát triển kinh tế - xã hội”, Viện Ứng dụng Công nghệ, Bộ Khoa học Cơng nghệ, tr 132-142, 2019 [4] Đồn Hồng Quang, Lê Hồng Minh, Chu Anh Tuấn, “Nhận dạng bàn tay mạng nơ ron nhân tạo” Tuyển tập báo cáo Diễn đàn “Đổi - Chìa khóa cho phát triển bền vững”, Viện Ứng dụng Công nghệ, Bộ Khoa học Công nghệ, tr 70-79, 2015 [5] Đoàn Hồng Quang, Lê Hồng Minh, “Dùng RFNN kết hợp khử mùa khử xu hướng để dự báo số giá vàng thị trường”, Tuyển tập báo cáo Diễn đàn “Đổi - Chìa khóa cho phát triển bền vững”, Viện Ứng dụng Công nghệ, Bộ Khoa học Công nghệ , tr 126-136, 2014 [6] Nguyễn Quang Hoan, Đoàn Hồng Quang, “Dự báo số giá chứng khốn RFNN” Tạp chí Khoa học Cơng nghệ, Trường Đại học Sư phạm Kỹ thuật Hưng Yên, 1, tr 52-56, 2014 [7] Nguyễn Quang Hoan, Dương Thu Trang, Đoàn Hồng Quang, “Dự báo số học sinh nhập trường mạng nơ ron nhân tạo” Tạp chí Khoa học Công nghệ, Trường Đại học Sư phạm Kỹ thuật Hưng Yên, 18, tr.1-8, 2018 [8] A Canziani, A Paszke and E Culurciello, “An Analysis of Deep neural network models for Practical applications”, arXiv preprint arXiv:1605.07678.ss, 2016 [9] Y Jia, E Shelhamer, J Donahue, S Karayev, J Long, R Girshick, S Guadarrama, T Darrell Caffe (2014), “Convolutional Architecture for Fast Feature”, Embedding arXiv:1408.5093 [10] Y Sun, X Wang, and X Tang (2014), “Deep Learning Face Representation by Joint IdentificationVerification”, CoRR, abs/1406.4773 [11] P Piccinini, S Calderara, and R Cucchiara, “Reliable Smoke Detection System in the Domains of Image Energy and Color”, 15th International Conf Image Processing, pp 1376-1379, 2008 [12] B U Toreyin, Y Dedeoglu, and A E Cetin, “Wavelet Based Realtime Smoke Detection in Video” Signal Processing: Image Comm EURASIP, vol 20, pp 255-256, 2005 [13] D K Kim and Y F Wang, “Smoke Detection in Video” WRI World Congress on Computer Science and Information Engineering, pp 759763, 2009 [14] R Yasmin, “Detection of Smoke Propagation Direction Using Color Video Sequences”, International J Soft Computing, vol 4, no 1, pp 45-48, 2009 [15] D Krstinic, D Stipanicev, and T Jakovcevic, “Histogram-Based Smoke Segmentation in Forest Fire Fetection System”, Inform Technol and Control, no 38, vol 3, pp.237-244, 2009 DETECT FOREST FIRES USING DEEP LEARNING, BASED ON SMOKE AND FIRE RECEIVED FROM SURVEILLANCE CAMERA Abstract: Deep learning is applied in image recognition, vocal recognition and natural language processing Nowadays, a variety of applications in recognition are using Deep learning since it can work with an enormous number of parameters, variables and input size while having outstanding performance and precision in comparison with classical methods In this paper, the authors research on deep neural network (CNN - Convolutional Neural Network) [1] for detecting fire and smoke by analyzing data from surveillance cameras in order to early detecting and warning forest fire Keywords: Deep Learning, Convolutional Neural Network, Forest Fire Detection Khoa học & Công nghệ - Số 26/Tháng - 2020 Journal of Science and Technology 99 ... phức tạp tốn nhiều thời gian mạng nơ ron truyền thống 2.2 Xây dựng mơ hình mạng Hình trình bày cấu trúc VGG16 [1,3] ứng dụng vào toán phát cháy rừng từ camera giám sát Tổng tham số mơ hình 138.357.544,... ứng dụng việc xây dựng hệ thống nhận dạng phát cháy tự động từ camera [11-15] Mạng nơ ron CNN - VGG16 2.1 Kiến trúc mạng CNN Hình trình bày kiến trúc mạng CNN, lớp mạng CNN bao gồm: lớp tích chập... xác phát mạng điều kiện lý tưởng đạt vượt qua khả phát người Tuy nhiên, yếu tố khác ánh sáng, thời tiết, làm giảm độ xác q trình nhận dạng phát cháy Trong thời gian tới, tác giả tập trung vào