3. QUÁ TRÌNH THỰC HIỆN
3.1. tưởng thực hiện đề tài
3.1.1.!Giải quyết các bài toán trong trạm biến áp
- Với mục tiêu ban đầu là dựa vào hệ thống các camera giám sát được lắp đặt sẵn để giải quyết các bài toán thực tế trong trạm biến áp như: phát hiện người đột nhập vào trạm, phát hiện người di chuyển vào vùng nguy hiểm (không được phép), phát hiện người không đội mũ bảo hộ chuyên dụng. Nhận thấy điểm chung và cũng là vấn đề quan trọng để giải quyết 3 bài toán trên là cần phải phát hiện được người dựa vào hình ảnh trích xuất từ camera.
- Chính vì thế, cần phải huấn luyện một mơ hình học sâu (Deep Learning Model) có khả năng nhận diện vật thể hay cịn gọi là mơ hình nhận diện vật thể (Object Detection Model) để nhận diện chính xác người trong nhiều trường hợp và
trong điều kiện ngoại cảnh khác nhau. Ở phần 3.2 sẽ trình bày các huấn luyện và đánh giá độ chính xác của các mơ hình khác nhau để tìm ra một mơ hình thích hợp nhất.
3.1.2.!Giải quyết bài tốn tốc độ xử lý
- Qua q trình khảo sát thực tế trong các Trạm Biến Áp, số lượng camera được lắp đặt sẵn trong trạm biến áp tầm khoảng từ 15-20 camera. Nếu giả sử mỗi camera có tốc độ trung bình khoảng 25 FPS (frame per second) thì số lượng ảnh cần phải xử lý AI trong một giây là 500 frames, đây là một số lượng ảnh rất lớn cần được xử lý và chưa tính đến các tác vụ khác. Chính vì thế để đảm bảo một hệ thống 20 camera có thể suy luận AI chính xác và phải duy trì được tốc độ báo động real-time là một bài toán cực kỳ khó khăn và cần phải có một số cân nhắc và đánh đổi.
- Đầu tiên cần phải có một máy chủ (Server) đủ mạnh để có thể xử lý một lúc nhiều việc như: decoding luồng camera, xử lý ảnh, suy luận AI và lưu trữ dữ liệu, …. Việc xử lý quá nhiều công việc sẽ ảnh hưởng đến hiệu năng của Server cũng như không đảm bảo được độ ổn định của hệ thống. Trong khi hiện nay, có rất nhiều máy tính nhúng có thể giải quyết các tác vụ xử lý ảnh rất tốt và giá thành rẻ. Chính vì thế, nhằm giảm tải cho Server, đề tài luận văn đề xuất một hệ thống xử lý AI cho các camera kết hợp giữa Cloud Computing và Edge Computing. Chi tiết sẽ được trình bày rõ hơn ở phần 3.4.
- Chưa dừng ở đó, với một khối lượng xử lý rất lớn đòi hỏi thời gian suy luận của DL Model cần phải rất nhanh. Tuy nhiên độ chính xác của các DL model tỷ lệ thuận với độ phức tạp của model đó, đồng nghĩa tỷ lệ nghịch với tốc độ xử lý. Do đó, một mơ hình có độ chính xác càng cao cần có nhiều thời gian xử lý và điều này là khơng phù hợp cho các bài tốn cần tốc độ xử lý nhanh như camera. Để giải quyết bài toán này ta cần phải tối ưu hố các mơ hình DL đã huấn luyện để có thể tương thích tốt với phần cứng nhằm tăng tốc độ xử lý và vẫn duy trì được độ chính xác ở mức chấp nhận được. Đồng thời cần có một nền tảng để triển khai các mơ hình DL