Tổng quan về luận án

Trong bối cảnh kỷ nguyên vạn vật kết nối (IoT) và đô thị thông minh bùng nổ, hệ thống cảm biến hình ảnh và camera giám sát (CCTV) đang trải qua sự gia tăng đột biến về quy mô. Theo số liệu thống kê quốc tế, số lượng camera giám sát toàn cầu đã vượt ngưỡng 1 tỷ đơn vị từ năm 2022 và tiếp tục tăng trưởng mạnh mẽ tại các quốc gia đang phát triển. Tuy nhiên, việc chuyển hóa nguồn dữ liệu luồng video khổng lồ này thành thông tin cảnh báo hữu ích phục vụ quản lý thảm họa và an ninh trật tự đang đối mặt với những rào cản kỹ thuật nghiêm trọng. Luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật máy tính (Mã số: 9.06) của Nghiên cứu sinh Vũ Hoài Nam với đề tài "Phát hiện một số sự kiện bất thường dựa trên hình ảnh sử dụng mô hình phân cấp", dưới sự hướng dẫn khoa học của PGS. TS. Phạm Văn Cường tại Học viện Công nghệ Bưu chính Viễn thông, đã tiên phong giải quyết bài toán cốt lõi này bằng việc tái cấu trúc kiến trúc tính toán thị giác máy tính từ học sâu nguyên khối (end-to-end) sang mô hình phân cấp thích ứng đa giai đoạn (Multi-stage Hierarchical Network).

flowchart TD
    A["Luồng Dữ Liệu Hình Ảnh / Video (UAV / CCTV)"] --> B["Tầng 1: Bộ lọc yếu (Weak Filter Φ1)
    - Phân đoạn ngữ nghĩa (U-Net / SD-UNet)
    - Bản đồ năng lượng nhấp nháy & Không gian màu
    - Phân tích thành phần liên kết (CCA) & Luật h_rule"]
    B -->|"Loại bỏ >80% vùng nền nhiễu, trích xuất Candidate ROIs τ*"| C["Tầng 2: Bộ lọc mạnh (Strong Filter Φ2)
    - Trích xuất đặc trưng sâu (MobileNetV3 / ResNet-18)
    - Bám vết không gian (Hungarian Algorithm)
    - Phân tích động lực thời gian (BiLSTM)"]
    C --> D["Cảnh báo sự kiện bất thường thời gian thực
    (Hố sụt, Sạt lở đất, Đám cháy)"]

Khoảng trống nghiên cứu (Research Gap) trung tâm được xác định rõ: các mô hình học sâu một giai đoạn (YOLO, SSD) hay hai giai đoạn (Faster R-CNN, Mask R-CNN) khi áp dụng trực tiếp lên ảnh gốc thường gặp hiện tượng suy giảm hiệu năng nghiêm trọng do hai nguyên nhân. Thứ nhất, các đối tượng bất thường (như hố sụt ngầm, vệt sạt lở ban đầu, đốm lửa mới bùng phát) thường có kích thước rất nhỏ (small-scale objects) và chiếm tỷ lệ diện tích không đáng kể trong khung hình góc rộng, dẫn đến việc đặc trưng bị lấn át bởi nhiễu nền phức tạp. Thứ hai, sự kiện bất thường bản chất là biến cố hiếm (rare events), khiến tập dữ liệu mẫu bị mất cân bằng cực đoan (extreme class imbalance), vô hiệu hóa khả năng hội tụ tối ưu của các mạng nơ-ron học sâu huấn luyện từ đầu đến cuối.

Để giải quyết triệt để các hạn chế trên, luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để loại bỏ phần lớn nhiễu nền không gian với chi phí tính toán tối thiểu mà không bỏ sót các vùng quan tâm nghi ngờ (Candidate Regions of Interest - ROIs)?
  • Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc mạng phân cấp cần được thiết kế như thế nào để dung hòa nghịch lý giữa độ chính xác nhận dạng cao (giảm tỷ lệ cảnh báo giả) và yêu cầu xử lý thời gian thực trên phần cứng nhúng biên (Edge AI devices)?
  • Câu hỏi nghiên cứu 3 (RQ3): Làm thế nào để mô hình hóa đồng thời mối tương quan không gian tĩnh và động lực biến đổi thời gian của các đối tượng bất thường phức tạp trong chuỗi video liên tục?
  • Giả thuyết khoa học 1 (H1): Kiến trúc phân cấp hai tầng phân tách (coarse-to-fine) kết hợp xử lý ảnh hình thái học ở tầng lọc yếu và mạng học sâu tối ưu ở tầng lọc mạnh sẽ giảm tỷ lệ cảnh báo giả trên 30% so với mô hình end-to-end đơn lẻ.
  • Giả thuyết khoa học 2 (H2): Việc tích hợp trích xuất đặc trưng biến đổi biên tích lũy theo thời gian kết hợp mạng hồi quy hai chiều (BiLSTM) sẽ phân biệt tuyệt đối giữa ngọn lửa thực và các vật thể chuyển động có màu sắc tương đồng trong môi trường giám sát thực địa.

Khung lý thuyết của luận án tích hợp chặt chẽ giữa Lý thuyết Biểu diễn Phân cấp (Hierarchical Representation Theory), Lý thuyết Không-Thời gian (Spatio-Temporal Feature Fusion), và Lý thuyết Tối ưu hóa Gán cặp (Optimal Bipartite Matching). Đóng góp mang tính đột phá của công trình được lượng hóa cụ thể thông qua việc công bố hai bộ dữ liệu benchmark quy mô lớn: LandslidePTIT (gồm 2.963 ảnh sạt lở đa dạng hình thái, được mô phỏng điều kiện thời tiết phức tạp) và FirePTIT (gồm 1.032 video giám sát thực tế thời lượng từ 16 giây đến hơn 15 phút với vô số tác nhân gây nhiễu). Phạm vi nghiên cứu bao quát từ ảnh nhiệt thu nhận từ thiết bị bay không người lái (UAV), ảnh quang học độ phân giải cao trong giám sát sạt lở giao thông miền núi, đến luồng video giám sát an ninh đô thị, mang lại ý nghĩa học thuật và ứng dụng thực tiễn vượt bậc.

Literature Review và Positioning

Phân tích tổng quan y văn quốc tế cho thấy sự tiến hóa của các phương pháp phát hiện sự kiện bất thường trải qua ba dòng nghiên cứu chính với những mâu thuẫn lý thuyết sâu sắc:

graph LR
    subgraph "Dòng 1: Truyền Thống & Thống Kê"
        A1["BoVW + pLSA + KNN"]
        A2["Trừ nền + HMM + Wavelet"]
        A3["CRF & SVM Phân loại"]
    end
    subgraph "Dòng 2: Học Sâu End-to-End"
        B1["Single-stage: YOLO, SSD"]
        B2["Two-stage: Faster R-CNN, Mask R-CNN"]
        B3["3DCNN thuần túy"]
    end
    subgraph "Dòng 3: Đề Xuất Luận Án"
        C1["Hierarchical Network (HN)"]
        C2["Weak Filter + Strong Filter"]
        C3["Spatial CNN + BiLSTM + Hungarian"]
    end
    A1 & A2 & A3 -->|"Hạn chế: Thiếu tổng quát, nhạy cảm nhiễu"| B1 & B2 & B3
    B1 & B2 & B3 -->|"Hạn chế: Cảnh báo giả cao, nặng tính toán"| C1 & C2 & C3
  1. Dòng phương pháp trích xuất đặc trưng thủ công kết hợp học máy truyền thống: Các công trình tiêu biểu như Bag-of-Visual-Words (BoVW) kết hợp mô hình xác suất ngữ nghĩa tiềm ẩn (pLSA) và K-láng giềng gần nhất (KNN), hay Trường ngẫu nhiên có điều kiện (CRF) phân loại ô lưới địa hình. Trong phát hiện lửa, các nghiên cứu kinh điển của Töreyin et al. (2006) và Celik et al. (2007) dựa trên không gian màu RGB/YUV kết hợp biến đổi Wavelet 1D và mô hình Markov ẩn (HMM) để phân tích tần số nhấp nháy 10 Hz. Mặc dù các phương pháp này có chi phí tính toán thấp, điểm yếu cốt tử nằm ở khả năng tổng quát hóa kém, cực kỳ nhạy cảm với sự thay đổi của ánh sáng môi trường và góc quay cảm biến.
  2. Dòng phương pháp học sâu nguyên khối trực tiếp (End-to-End Deep Learning): Sự bùng nổ của mạng nơ-ron tích chập (CNN) đã dẫn đến việc áp dụng hàng loạt các mạng như YOLOv3/v4, Faster R-CNN, Mask R-CNN và 3DCNN. Điển hình, nghiên cứu của Muhammad et al. (2018) và Shen et al. (2018) cố gắng đưa toàn bộ khung hình ảnh thô vào mạng CNN kết hợp LSTM. Tuy nhiên, tranh luận học thuật nảy sinh khi các nghiên cứu thực nghiệm độc lập chỉ ra rằng việc nạp trực tiếp toàn bộ ảnh độ phân giải cao vào mạng nơ-ron sâu khiến các đặc trưng của đối tượng bất thường kích thước nhỏ bị "pha loãng" trong không gian vector đặc trưng của nền (background clutter), dẫn đến tỷ lệ dương tính giả (False Positive Rate) tăng vọt.
  3. Mâu thuẫn lý luận giữa hai trường phái: Trường phái "Học biểu diễn thuần túy" cho rằng mạng nơ-ron sâu có thể tự học mọi mức độ đặc trưng từ dữ liệu thô mà không cần can thiệp tiền xử lý. Ngược lại, trường phái "Cấu trúc hóa tri thức miền" khẳng định rằng với các bài toán có tính chất mất cân bằng dữ liệu nghiêm trọng và giới hạn tài nguyên biên, việc áp dụng cấu trúc phân cấp định hướng tri thức (Knowledge-guided Hierarchical Architecture) là giải pháp bắt buộc để tối ưu không gian tìm kiếm.

Luận án định vị nghiên cứu một cách vững chắc tại giao điểm của kiến trúc phân cấp (Hierarchical Cascade) và mô hình hóa kết hợp không gian - thời gian (Hybrid Spatio-Temporal Modeling). Khi so sánh trực tiếp với hai nghiên cứu quốc tế điển hình:

  • So sánh với nghiên cứu phát hiện hố sụt của nhóm tác giả quốc tế trên tập dữ liệu ảnh nhiệt UAV: Công trình tiền nhiệm sử dụng phân tích điểm lạnh cục bộ kết hợp mạng CNN nông và Rừng ngẫu nhiên (Random Forest). Mô hình này đạt độ chính xác hạn chế và không thể bám vết đối tượng khi UAV rung lắc. Luận án vượt trội nhờ đề xuất U-Net tùy biến phân đoạn kết hợp thuật toán gán cặp Hungary và mạng phân loại sâu MobileNetV3.
  • So sánh với mô hình phân đoạn sạt lở đa cấp độ của Stumpf & Kerle (2011) và các nghiên cứu BoVW: Các phương pháp quốc tế trước đây chỉ đạt độ chính xác trung bình khoảng 77.7%, gây ra vô số cảnh báo giả khi triển khai thực địa. Mô hình phân cấp kết hợp phân đoạn lòng đường SD-UNet và trích xuất thành phần liên kết của luận án đã khắc phục triệt để hiện tượng này, nâng cao độ chính xác nhận dạng tiệm cận mức hoàn hảo trên tập dữ liệu kiểm thử.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào việc mở rộng Lý thuyết Biểu diễn Phân cấp (Hierarchical Representation Theory) của Yann LeCun và Yoshua Bengio trong miền bài toán nhận dạng sự kiện bất thường thị giác. Luận án đã toán học hóa và chứng minh rằng quá trình phân rã bài toán tối ưu hóa không gian tìm kiếm tổng thể thành các không gian con có điều kiện qua từng cấp độ lọc giúp làm giảm cận trên của sai số phân loại thực nghiệm.

graph TD
    subgraph "Mô Hình Hóa Toán Học Mô Hình Phân Cấp"
        T["Tập Tensor Đầu Vào τ = {τ_i}"] --> F1["Bộ Lọc Tầng 1: Φ_1(τ)"]
        F1 -->|"Loại bỏ tensor nhiễu"| T_star["Tập Tensor Thu Gọn τ* ⊆ τ (|τ*| ≪ |τ|)"]
        T_star --> F2["Bộ Lọc Tầng 2: Φ_2(τ*)"]
        F2 --> Y["Đầu Ra Dự Đoán: Y = {y_1, y_2, ..., y_|τ*|}"]
    end

Mô hình lý thuyết được thiết lập qua hệ thống các mệnh đề khoa học:

  • Mệnh đề 1 (Định lý Thu hẹp Không gian Ứng viên): Cho tập hợp các tensor đầu vào $\tau = {\tau_1, \tau_2, ..., \tau_N}$ đại diện cho các vùng ứng viên ban đầu được trích xuất từ khung hình. Bộ lọc tầng một hoạt động như một ánh xạ $\Phi_1: \tau \rightarrow \tau^$, trong đó $\tau^ \subseteq \tau$ với lực lượng $|\tau^*| \ll |\tau|$. Bộ lọc $\Phi_1$ được tối ưu hóa theo tiêu chí tối đa hóa độ nhạy (Recall $\rightarrow 1$) nhằm bảo toàn tuyệt đối các đối tượng bất thường thực sự.
  • Mệnh đề 2 (Phân loại Cấp cao trên Không gian Tinh giản): Bộ lọc tầng hai $\Phi_2: \tau^* \rightarrow \mathcal{Y}$ (với $\mathcal{Y} \in {0, 1}$) là mạng học sâu dung lượng cao, tiếp nhận các tensor thu gọn đã được chuẩn hóa, thực hiện phân loại đặc trưng ngữ nghĩa với độ đặc hiệu tối đa (Specificity $\rightarrow 1$).
  • Mệnh đề 3 (Bảo toàn Động lực Không-Thời gian BiLSTM): Sự biến đổi trạng thái của ngọn lửa động được mô hình hóa như một chuỗi ẩn Markov bậc cao thông qua hệ thống cổng quên ($f_t$), cổng vào ($i_t$), và cổng ra ($o_t$) của tế bào LSTM hai chiều, triệt tiêu sự phụ thuộc một chiều và nắm bắt quy luật bất đối xứng thời gian của chuyển động đối lưu nhiệt.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất tuần hoàn của ba trụ cột phương pháp luận:

$$\mathcal{M}{HN} = \langle \mathcal{S}{segmentation}, \mathcal{F}{rule_filter}, \mathcal{T}{tracking}, \mathcal{D}{deep_classifier}, \mathcal{R}{recurrent_temporal} \rangle$$

  1. Phân đoạn cấu trúc ngữ cảnh (Contextual Structural Segmentation): Thay vì tìm kiếm bất thường trên toàn bộ bức ảnh, mô hình khoanh vùng không gian giới hạn dựa trên đặc trưng địa lý (ví dụ: chỉ phân tích sạt lở trong phạm vi mặt đường sau khi phân đoạn bằng SD-UNet).
  2. Bộ lọc hình thái học và màu sắc dựa trên luật ($h_{rule}$): Áp dụng các toán tử hình thái học, phân tích diện tích $Area(\tau_i)$, tỷ lệ khung bao $Aspect_Ratio(\tau_i)$, độ dài $L(\tau_i)$, độ rộng $W(\tau_i)$ và các ngưỡng kênh màu ($H_{min}, H_{max}, R_{min}$) để loại bỏ các đối tượng nhiễu hình học.
  3. Điều kiện biên (Boundary Conditions): Khung phân tích xác định rõ các biên giới hạn bao gồm: độ phân giải không gian tối thiểu của cảm biến ($14 \times 14$ pixels cho đối tượng ứng viên), ngưỡng tần số nhấp nháy quang học tích lũy $\Delta I(x,y,t) \ge \theta_{flicker}$, và trần tài nguyên tính toán của bộ vi xử lý nhúng (FPS $\ge 15$ trên kiến trúc ARM/Embedded GPU).

Phương pháp nghiên cứu tiên tiến

flowchart LR
    subgraph "Dữ Liệu Đa Nguồn"
        D1["Ảnh nhiệt UAV (Hố sụt - 11 videos)"]
        D2["Ảnh UAV RGB (LandslidePTIT - 2.963 ảnh)"]
        D3["Video Giám Sát CCTV (FirePTIT - 1.032 videos)"]
    end
    subgraph "Pipeline Xử Lý Phân Cấp"
        P1["Tiền Xử Lý & Data Augmentation (Mô phỏng mưa, sương mù)"]
        P2["Tầng 1: U-Net / SD-UNet + Connected Component Analysis"]
        P3["Tầng 2: Trích Xuất Đặc Trưng (MobileNetV3 / ResNet-18)"]
        P4["Mô Hình Thời Gian: BiLSTM + Thuật Toán Hungary"]
    end
    subgraph "Đánh Giá & Triển Khai"
        E1["Metrics: IoU, Precision, Recall, mAP, FPS, ROC-AUC"]
        E2["Phần Cứng Nhúng: Bo Mạch Nhúng Edge AI"]
    end
    D1 & D2 & D3 --> P1 --> P2 --> P3 --> P4 --> E1 --> E2

Thiết kế nghiên cứu

Nghiên cứu tuân thủ nghiêm ngặt triết lý Thực chứng luận hậu kỳ (Post-positivism) kết hợp Phương pháp Kỹ nghệ Thực nghiệm (Design Science Research Methodology). Thiết kế nghiên cứu đa tầng (Multi-level Experimental Design) được tổ chức thành ba cấp độ xử lý dữ liệu độc lập nhưng gắn kết chặt chẽ:

  • Cấp độ 1 (Pixel & Blob Level): Xử lý mức điểm ảnh, phân tích không gian màu, tính toán đạo hàm thời gian tích lũy của độ chói để tạo bản đồ năng lượng biên nhấp nháy.
  • Cấp độ 2 (Region & Object Candidate Level): Phân đoạn ngữ nghĩa, trích xuất thành phần liên kết (CCA), lọc bỏ nhiễu hình học bằng thuật toán phân cấp dựa trên luật.
  • Cấp độ 3 (Temporal & Sequential Trajectory Level): Bám vết không gian đa khung hình sử dụng Thuật toán Hungary (Hungarian Algorithm) và mô hình hóa chuỗi thời gian bằng mạng BiLSTM.

Quy trình nghiên cứu rigorous

Quy trình thu thập, gán nhãn và chuẩn hóa dữ liệu được thực hiện công phu trong thời gian dài:

  • Bộ dữ liệu LandslidePTIT: Được thu thập bằng UAV tại các cung đường miền núi phía Bắc Việt Nam sau các trận mưa bão lớn. Tập dữ liệu gồm 2.963 ảnh gốc chất lượng cao ghi nhận 4 dạng sạt lở chính: đất, đá tảng, bùn nhão, và sụt lún mép đường. Quy trình Data Augmentation tiên tiến được áp dụng để phủ các lớp mô phỏng điều kiện thời tiết khắc nghiệt (sương mù dày đặc, mưa hạt nhỏ) nhằm kiểm tra độ bền vững (robustness) của thuật toán.
  • Bộ dữ liệu FirePTIT: Gồm 1.032 video giám sát thu nhận từ hệ thống CCTV thực tế với độ phân giải đa dạng. Thời lượng video dao động từ 16 giây đến hơn 15 phút. Điểm đặc thù của bộ dữ liệu là sự hiện diện dày đặc của các tác nhân gây dương tính giả nghiêm trọng: ánh đèn pha ô tô, biển quảng cáo LED màu đỏ, người đi bộ mặc áo phản quang, ánh hoàng hôn phản chiếu mặt kính tòa nhà.
  • Bộ dữ liệu ảnh nhiệt hố sụt: Gồm 11 video quay từ camera nhiệt gắn trên UAV qua đầy đủ 4 mùa trong năm tại các công trường xây dựng, mô phỏng các hố sụt nhân tạo với các kích thước và độ sâu khác nhau nhằm khảo sát sự biến thiên nhiệt độ bề mặt theo chu kỳ ngày - đêm.

Data và phân tích

Quy trình phân tích dữ liệu và kiến trúc thuật toán chi tiết:

  • Phân đoạn U-Net và SD-UNet: Sử dụng hàm mất mát Jaccard Loss kết hợp Binary Cross-Entropy để xử lý mất cân bằng điểm ảnh:

$$\mathcal{L}{Jaccard} = 1 - \frac{\sum{i} y_i \hat{y}i}{\sum{i} y_i + \sum_{i} \hat{y}i - \sum{i} y_i \hat{y}_i}$$

  • Bộ lọc dựa trên luật ($h_{rule}$): Loại bỏ các ứng viên không thỏa mãn ngưỡng diện tích $S_{min} \le Area \le S_{max}$ và tỷ lệ co giãn trục.
  • Thuật toán Hungary ($HA$): Tối ưu hóa ma trận chi phí khoảng cách Euclid $h_{cost}(i, j) = | \mathbf{c}t^i - \mathbf{c}{t-1}^j |_2$ giữa tâm hình học của các ứng viên hố sụt qua các khung hình liên tiếp, giải quyết triệt để bài toán mất dấu do UAV dịch chuyển góc quay.
  • Mô hình ResNet-18 kết hợp BiLSTM: Trích xuất vector đặc trưng không gian 512 chiều từ ResNet-18, nạp vào mạng BiLSTM gồm các cổng trạng thái:

$$\begin{aligned} f_t &= \sigma(W_f \cdot [h_{t-1}, x_t] + b_f) \ i_t &= \sigma(W_i \cdot [h_{t-1}, x_t] + b_i) \ \tilde{c}t &= \tanh(W_c \cdot [h{t-1}, x_t] + b_c) \ c_t &= f_t \odot c_{t-1} + i_t \odot \tilde{c}t \ o_t &= \sigma(W_o \cdot [h{t-1}, x_t] + b_o) \ h_t &= o_t \odot \tanh(c_t) \end{aligned}$$

Vector đầu ra kết hợp cả hai chiều thời gian được đưa qua lớp Softmax để dự đoán xác suất ngọn lửa thực: $P(Fire) = \text{Softmax}(W_s \cdot [h_t^{\rightarrow}, h_t^{\leftarrow}] + b_s)$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Các kết quả thực nghiệm từ luận án đã chứng minh những phát hiện mang tính bước ngoặt:

graph TD
    subgraph "Các Phát Hiện Thực Nghiệm Chính"
        F1["Phát Hiện 1: Giảm >80% Ứng Viên Rác ở Tầng 1
        - Bộ lọc yếu cắt giảm triệt để chi phí tính toán
        - Tốc độ suy luận đạt ngưỡng thời gian thực"]
        F2["Phát Hiện 2: Triệt Tiêu Drift Nhờ Thuật Toán Hungary
        - Khắc phục rung lắc UAV trên ảnh nhiệt
        - Giữ vết hố sụt ổn định qua 4 mùa"]
        F3["Phát Hiện 3: SD-UNet + MobileNetV3 Vượt Trội
        - Giải quyết bài toán sạt lở phức tạp
        - Vượt xa baseline 77.7% của y văn truyền thống"]
        F4["Phát Hiện 4: Flicker Energy + BiLSTM Khắc Chế False Alarms
        - Phân biệt tuyệt đối lửa thật và đèn xe / áo đỏ
        - Triệt tiêu hiện tượng cảnh báo giả"]
    end
  1. Hiệu năng vượt trội của cơ chế lọc phân cấp: Ở bài toán phát hiện bất thường tĩnh (hố sụt và sạt lở), bộ lọc yếu tầng một đã loại bỏ thành công hơn 80% các vùng nhiễu nền ngay từ bước phân tích hình thái sơ cấp. Nhờ đó, mạng phân loại sâu tầng hai chỉ cần xử lý một số lượng rất nhỏ các tensor $\tau^*$, giúp tốc độ xử lý tổng thể của hệ thống đạt ngưỡng thời gian thực (trên 25 FPS) trên các bo mạch máy tính nhúng chuyên dụng, trong khi mô hình nguyên khối Faster R-CNN chỉ đạt dưới 7 FPS.
  2. Khắc phục hiện tượng trôi dấu vết (Tracking Drift) trong ảnh nhiệt UAV: Việc kết hợp phân đoạn U-Net với thuật toán Hungary đã giúp hệ thống duy trì độ chính xác phát hiện hố sụt ổn định bất chấp rung lắc cơ học của thiết bị bay và sự suy giảm độ tương phản nhiệt vào mùa hè, vượt trội hoàn toàn so với mô hình học chuyển tiếp ResNet đơn lẻ trong các nghiên cứu trước đây.
  3. Bước nhảy vọt về độ chính xác phân đoạn sạt lở đường: Sự kết hợp giữa phân đoạn lòng đường SD-UNet và mô hình học sâu MobileNetV3 đã giải quyết triệt để hiện tượng nhận diện nhầm các mảng đất trống ven đường là sạt lở. Độ chính xác nhận dạng đạt mức tối ưu, vượt xa mốc 77.7% của các mô hình BoVW + pLSA + KNN kinh điển trong y văn quốc tế.
  4. Giải mã nghịch lý cảnh báo giả trong phát hiện đám cháy video: Bằng việc kết hợp bản đồ năng lượng nhấp nháy biên tích lũy $\Delta I$ với mô hình BiLSTM, hệ thống đã loại bỏ hoàn toàn các trường hợp dương tính giả gây ra bởi xe cứu hỏa màu đỏ chuyển động, ánh đèn xoay, biển quảng cáo LED hay phản xạ ánh sáng mặt trời - những yếu tố vốn làm tê liệt các bộ phân loại CNN 2D truyền thống.

Implications đa chiều

  • Về mặt lý thuyết: Khẳng định tính đúng đắn của nguyên lý "Phân rã đa cấp độ - Tối ưu hóa cục bộ" trong thị giác máy tính, mở ra hướng tiếp cận mới trong việc xử lý các bài toán dữ liệu mất cân bằng cực đoan.
  • Về mặt phương pháp luận: Thiết lập một quy trình chuẩn mực (pipeline framework) có khả năng tái sử dụng cao cho việc phát hiện các dị thường thị giác khác như phát hiện vết nứt đập thủy điện, rò rỉ dầu trên biển, hay phát hiện hành vi bạo lực đám đông.
  • Về mặt ứng dụng thực tiễn: Cung cấp giải pháp phần mềm lõi có khả năng đóng gói (deploy) trực tiếp lên các thiết bị phần cứng hạn chế tài nguyên như Drone tự hành, camera AI biên (Edge CCTV), giảm tải băng thông truyền dẫn về máy chủ trung tâm và cho phép đưa ra quyết định cảnh báo trong vòng mili-giây.

Limitations và Future Research

Nhìn nhận một cách khách quan theo chuẩn mực học thuật quốc tế, luận án chỉ rõ các giới hạn nội tại:

  1. Sự phụ thuộc vào chất lượng cảm biến đầu vào: Trong điều kiện thời tiết cực đoan như bão tuyết, mưa giông xối xả làm mờ ống kính hoặc hiện tượng nghịch nhiệt mặt đất quá mạnh, độ chính xác của bộ lọc sơ cấp tầng một có thể bị suy giảm.
  2. Độ phức tạp tính toán của mạng BiLSTM: Mặc dù mạng BiLSTM mô hình hóa chuỗi thời gian vượt trội, cơ chế hồi quy tuần tự vẫn đòi hỏi bộ nhớ đệm nhất định, gây thách thức khi mở rộng độ dài cửa sổ trượt thời gian lên hàng trăm khung hình trên các chip vi điều khiển siêu rẻ.
  3. Phạm vi bao phủ của dữ liệu thực địa: Dù hai bộ dữ liệu LandslidePTIT và FirePTIT đã đạt quy mô hàng nghìn mẫu, dữ liệu sạt lở vẫn chủ yếu tập trung tại địa hình nhiệt đới gió mùa, chưa bao quát các dạng địa chất sa mạc hoặc vùng băng giá tuyết phủ.

Chương trình nghiên cứu tương lai (Future Research Agenda) được vạch ra với 4 hướng chiến lược:

  • Tích hợp kiến trúc Vision Transformer (ViT) nhẹ và mô hình State Space Models (Mamba) để thay thế BiLSTM, nhằm nâng cao khả năng mô hình hóa ngữ cảnh thời gian dài với độ phức tạp tuyến tính $\mathcal{O}(N)$.
  • Nghiên cứu cơ chế hợp nhất đa cảm biến (Multi-modal Fusion) kết hợp dữ liệu ảnh quang học RGB, ảnh nhiệt hồng ngoại, và đám mây điểm LiDAR 3D trên cùng một khung phân cấp thống nhất.
  • Ứng dụng kỹ thuật Nén mô hình nâng cao (Deep Model Compression, Quantization INT8, Knowledge Distillation) để tối ưu hóa mô hình phân cấp cho các dòng chip AI biên tiêu thụ điện năng cực thấp (Ultra-low Power Edge Chips).
  • Mở rộng bài toán sang nhận dạng các dị thường hành vi xã hội phức tạp như tai nạn giao thông chuỗi hoặc hành vi xâm nhập vùng cấm an ninh cao.

Tác động và ảnh hưởng

mindmap
  root((Tác Động Toàn Diện))
    Học Thuật Quốc Tế
      Tiên phong công bố Benchmark Datasets (LandslidePTIT, FirePTIT)
      Mở rộng Hierarchical Deep Learning Theory
      Tiềm năng trích dẫn Scopus/WoS cao
    Công Nghiệp & Công Nghệ
      Lõi AI tối ưu cho Chip Biên Edge Computing
      Tích hợp hệ sinh thái Smart City & IoT Camera
      Thương mại hóa giải pháp Drone tuần tra tự động
    Xã Hội & An Ninh Quốc Gia
      Cảnh báo sớm sạt lở giao thông huyết mạch
      Cắt giảm thiệt hại người và của do cháy nổ
      Bảo vệ hạ tầng kinh tế trọng điểm
  • Tác động học thuật: Luận án đóng góp hai bộ dữ liệu chuẩn mở quý giá cho cộng đồng nghiên cứu Trí tuệ nhân tạo và Thị giác máy tính toàn cầu. Các công bố khoa học từ luận án trên các tạp chí và hội thảo chuyên ngành uy tín đã tạo tiền đề lý thuyết vững chắc cho các nghiên cứu sinh và nhóm nghiên cứu tiếp nối.
  • Chuyển đổi công nghiệp: Nghiên cứu mở ra cơ hội thương mại hóa các giải pháp camera thông minh Make-in-Vietnam, tích hợp trực tiếp thuật toán phân cấp vào các thiết bị camera giám sát giao thông đô thị, hệ thống giám sát rừng phòng hộ và thiết bị bay không người lái chuyên dụng của các tập đoàn công nghệ lớn.
  • Lợi ích xã hội và an toàn cộng đồng: Việc triển khai thực tế hệ thống cảnh báo sớm giúp các cơ quan quản lý nhà nước (Cục Cảnh sát PCCC & CNCH, Tổng cục Đường bộ) chủ động ứng phó thiên tai, giảm thiểu tối đa thiệt hại về sinh mạng con người và hàng nghìn tỷ đồng thiệt hại cơ sở hạ tầng giao thông mỗi năm.

Đối tượng hưởng lợi

graph TD
    A["Hệ Sinh Thái Đối Tượng Hưởng Lợi"] --> B["Nghiên cứu sinh & Giới Viện - Trường"]
    A --> C["Kỹ sư R&D Công nghệ & AI Startups"]
    A --> D["Cơ quan Quản lý Nhà nước & Xã hội"]
    
    B --> B1["Khai thác 2 bộ Benchmark Datasets công chuẩn"]
    B --> B2["Kế thừa khung lý thuyết Hierarchical Network"]
    
    C --> C1["Nhúng trực tiếp mô hình vào Edge AI / Drone"]
    C --> C2["Tiết kiệm chi phí phần cứng và Data Annotation"]
    
    D --> D1["Hạ tầng giao thông thông minh an toàn"]
    D --> D2["Cắt giảm thiệt hại do cháy nổ và sạt lở đất"]
  1. Nghiên cứu sinh và Giới học thuật: Tiếp cận khung phương pháp luận phân cấp chặt chẽ, hệ thống hóa y văn sâu sắc, và hai bộ dữ liệu thực nghiệm tiêu chuẩn LandslidePTIT và FirePTIT để làm thước đo đánh giá các thuật toán nhận dạng mới.
  2. Kỹ sư R&D và Doanh nghiệp Công nghệ: Sở hữu kiến trúc mô hình học sâu gọn nhẹ, tối ưu hóa phần cứng, có thể triển khai ngay lên các dòng chip nhúng như NVIDIA Jetson Nano/Xavier hay Raspberry Pi mà không đòi hỏi hạ tầng máy chủ GPU đắt đỏ.
  3. Cơ quan Hoạch định Chính sách và Quản lý Đô thị: Được cung cấp cơ sở khoa học thực chứng để xây dựng các tiêu chuẩn kỹ thuật quốc gia về hệ thống camera giám sát thông minh phòng chống thiên tai và an toàn phòng cháy chữa cháy.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc xây dựng và chứng minh toán học cho Khung kiến trúc phân cấp hai tầng thích ứng ($\mathcal{M}{HN}$). Kiến trúc này mở rộng Lý thuyết Biểu diễn Phân cấp (Hierarchical Representation Theory) của Yann LeCun bằng cách kết hợp cơ chế lọc ứng viên dựa trên tri thức hình thái học ($h{rule}$) với mạng nơ-ron học sâu sâu cục bộ. Điều này phá vỡ giả định truyền thống của trường phái End-to-End Deep Learning vốn cho rằng mọi bài toán đều nên tối ưu hóa đơn khối từ đầu đến cuối, chứng minh rằng trong miền dữ liệu mất cân bằng cực đoan và dị thường kích thước nhỏ, phân rã không gian tìm kiếm là điều kiện bắt buộc để cực tiểu hóa sai số phân loại thực nghiệm.

2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế tương tự?

So với nghiên cứu phát hiện hố sụt từ ảnh nhiệt của Al-Halbouni et al. (chỉ dùng CNN nông và trích xuất đặc trưng thủ công dễ bị mất dấu khi camera UAV rung lắc), luận án tích hợp mạng phân đoạn U-Net với Thuật toán gán cặp Hungary ($h_{cost}$), duy trì độ ổn định bám vết tuyệt đối. So với mô hình phân loại sạt lở BoVW + pLSA của Stumpf & Kerle (đạt độ chính xác 77.7%), luận án đề xuất mô hình phân đoạn lòng đường SD-UNet kết hợp mạng nơ-ron tích chập nhẹ MobileNetV3, nâng độ chính xác tiệm cận 100% và giảm tỷ lệ dương tính giả xuống mức gần bằng 0.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm kèm số liệu minh chứng?

Phát hiện bất ngờ nhất là các vật thể chuyển động có màu sắc và độ chói tương tự lửa (như ô tô màu đỏ, ánh đèn pha, áo bảo hộ phản quang) tạo ra tỷ lệ cảnh báo giả lên tới trên 40% ở các mô hình CNN 2D tiêu chuẩn. Tuy nhiên, khi kết hợp toán tử trích xuất năng lượng biên tích lũy $\Delta I(x,y,t)$ với mạng hồi quy hai chiều BiLSTM, toàn bộ các đối tượng gây nhiễu này bị triệt tiêu hoàn toàn (tỷ lệ cảnh báo giả giảm về 0%), do đặc tính biến thiên tần số ngẫu nhiên của ngọn lửa thực không thể bị sao chép bởi các chuyển động tịnh tiến cơ học.

pie title Tỷ lệ phân bổ dữ liệu thực nghiệm theo dạng bài toán
    "Ảnh sạt lở LandslidePTIT (2.963 ảnh)" : 58
    "Video cháy FirePTIT (1.032 videos)" : 38
    "Video nhiệt hố sụt UAV (11 videos)" : 4

4. Giao thức tái lập thực nghiệm (Replication Protocol) được cung cấp như thế nào?

Luận án mô tả chi tiết và minh bạch toàn bộ siêu tham số (hyperparameters): tốc độ học (learning rate), kích thước batch size, hàm tối ưu Adam, cấu trúc các tầng nơ-ron trong U-Net, MobileNetV3, ResNet-18 và BiLSTM; đồng thời công khai cấu trúc toán học của các hàm mất mát Jaccard Loss, Binary Cross-Entropy và thuật toán gán chi phí Hungary, đảm bảo bất kỳ nhóm nghiên cứu độc lập nào cũng có thể tái lập thực nghiệm chính xác 100%.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao?

Chương trình 10 năm tập trung vào 3 trọng tâm: (1) Chuyển dịch từ mô hình phân cấp thị giác đơn thuần sang Hệ thống Đa phương thức Thị giác - Ngôn ngữ - Hành động (Vision-Language-Action Models) hỗ trợ Drone cứu nạn tự ra quyết định; (2) Tích hợp học liên kết (Federated Learning) bảo vệ quyền riêng tư dữ liệu camera giám sát phân tán; (3) Thiết kế phần cứng chuyên dụng (AI ASIC Chip) nhúng trực tiếp kiến trúc phân cấp ở cấp độ mạch tích hợp.

Kết luận

Luận án tiến sĩ kỹ thuật của Nghiên cứu sinh Vũ Hoài Nam đã hoàn thành xuất sắc toàn bộ mục tiêu nghiên cứu đặt ra, khẳng định 5 đóng góp học thuật và thực tiễn cốt lõi:

  1. Thiết lập mô hình phân cấp tổng quát: Đề xuất thành công kiến trúc mạng phân cấp hai tầng giải quyết dứt điểm mâu thuẫn giữa độ chính xác nhận dạng và tốc độ tính toán thời gian thực trong bài toán phát hiện sự kiện bất thường.
  2. Đột phá trong nhận dạng bất thường tĩnh: Phát triển hệ thống tự động phát hiện hố sụt từ ảnh nhiệt UAV (kết hợp U-Net và Thuật toán Hungary) và phát hiện sạt lở đường (kết hợp SD-UNet và MobileNetV3) với độ chính xác vượt trội y văn thế giới.
  3. Làm chủ bài toán nhận dạng bất thường động: Sáng tạo mô hình kết hợp trích xuất đặc trưng không gian (ResNet-18) và động lực thời gian (BiLSTM) dựa trên bản đồ năng lượng nhấp nháy, loại bỏ triệt để hiện tượng cảnh báo giả trong giám sát cháy nổ qua video.
  4. Công bố hai bộ Benchmark Datasets quy mô: Đóng góp cho cộng đồng khoa học bộ dữ liệu LandslidePTIT (2.963 ảnh) và FirePTIT (1.032 video) đạt tiêu chuẩn quốc tế về độ đa dạng và độ phức tạp môi trường.
  5. Khả năng ứng dụng thực chứng trên phần cứng nhúng: Thực nghiệm thành công mô hình trên các bo mạch biên, chứng minh tính khả thi tuyệt đối khi triển khai vào các hệ thống giám sát giao thông thông minh, phòng chống thiên tai và an ninh quốc gia.

Công trình tạo ra sự chuyển dịch mô hình lý thuyết quan trọng từ việc phụ thuộc vào các mạng học sâu nguyên khối nặng nề sang mô hình phân cấp thích ứng thông minh, mở ra những dòng nghiên cứu liên ngành đột phá trong kỷ nguyên Trí tuệ nhân tạo vạn vật (AIoT).