Để giải quyết những hạn chế này, đề tài đã nghiên cứu và phát triển một hệ thống cảnh báo cháy sớm sử dụng công nghệ Internet vạn vật (IoT) kết hợp với trí tuệ nhân tạo (AI). Hệ thống tích hợp cảm biến nhiệt độ hồng ngoại không tiếp xúc (MLX90614) và camera giám sát, sử dụng mô hình học sâu YOLOv8 để nhận diện vật thể nguy cơ cháy theo thời gian thực. Dữ liệu nhiệt độ và hình ảnh được phân tích đồng thời để phát hiện sớm các dấu hiệu bất thường, như nhiệt độ vượt ngưỡng an toàn hoặc sự xuất hiện của vật thể nguy hiểm có nhiệt độ cao. Khi phát hiện nguy cơ, hệ thống sẽ kích hoạt cảnh báo tức thời qua còi báo động tại chỗ, tin nhắn SMS/Telegram và thông báo đẩy tới ứng dụng di động Flutter. Nền tảng Firebase được sử dụng để lưu trữ và đồng bộ dữ liệu theo thời gian thực. Kết quả thử nghiệm trong môi trường mô phỏng cho thấy hệ thống đạt độ chính xác cao (mAP@0.5 = 72.4% trong nhận diện vật thể), thời gian phản hồi nhanh (dưới 5 giây để gửi cảnh báo), và khả năng hoạt động ổn định, giảm thiểu 80% cảnh báo giả. Hệ thống thể hiện tiềm năng ứng dụng thực tế cao trong các môi trường dân dụng như nhà ở, nhà trọ, cũng như nhà kho nhỏ.

Mở đầu

Tình hình cháy nổ trong sinh hoạt dân dụng tại Việt Nam vẫn diễn biến phức tạp và gây hậu quả nghiêm trọng. Theo thống kê của Cục Cảnh sát Phòng cháy chữa cháy và Cứu nạn cứu hộ (PCCC&CNCH), năm 2024 ghi nhận 4.112 vụ cháy, làm 100 người chết và 89 người bị thương, với tổng thiệt hại tài sản hơn 657 tỷ đồng [1]. Phần lớn các vụ cháy nghiêm trọng xảy ra trong nhà ở, nhà trọ, chung cư mini, phòng học, và phòng thí nghiệm, chủ yếu do bất cẩn trong sinh hoạt hoặc lỗi thiết bị điện, điển hình là các vụ cháy gây thương vong lớn tại Trung Kính (5/2024), Khương Hạ (9/2023), và Định Công Hạ (6/2024) ở Hà Nội, cùng vụ cháy ở Đà Lạt (6/2024) do quên tắt bếp gas.

Các hệ thống cảnh báo cháy truyền thống hiện nay, vốn chủ yếu dựa vào cảm biến khói, nhiệt độ hoặc ngọn lửa, còn tồn tại nhiều hạn chế về phạm vi phát hiện, tốc độ phản ứng và độ chính xác, đặc biệt trong không gian kín hoặc môi trường sinh hoạt phức tạp. Chúng thường chỉ kích hoạt cảnh báo khi đám cháy đã bùng phát rõ ràng, dẫn đến mất đi cơ hội xử lý từ sớm. Hơn nữa, những hệ thống này dễ gây báo động giả do không phân biệt được nguồn nhiệt nguy hiểm và bình thường, không hỗ trợ cảnh báo từ xa, và không có khả năng nhận diện thiết bị nguy cơ cụ thể.

Trước thực trạng này, xu hướng nghiên cứu mới đang tập trung vào việc kết hợp IoT, mạng cảm biến và công nghệ thị giác máy tính (computer vision) để nâng cao hiệu quả cảnh báo. Mục tiêu là xây dựng một hệ thống cảnh báo thông minh, tích hợp giữa cảm biến nhiệt và phân tích hình ảnh từ camera, ứng dụng mô hình học sâu YOLOv8 vào xử lý ảnh theo thời gian thực kết hợp mạng lưới cảm biến IoT. Hệ thống này được thiết kế để giám sát chủ động, phát hiện sớm các tình huống bất thường và cảnh báo kịp thời, với hướng thiết kế đơn giản, dễ triển khai, phù hợp với môi trường dân dụng và có tính ứng dụng cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

Khái quát về Internet vạn vật (IoT)

Internet of Things (IoT) là nền tảng công nghệ cho phép các thiết bị vật lý kết nối với nhau và với Internet để thu thập, trao đổi và xử lý dữ liệu tự động. Trong bối cảnh phòng cháy chữa cháy, IoT đóng vai trò quan trọng trong việc xây dựng các hệ thống giám sát liên tục và cảnh báo sớm. Đặc điểm nổi bật của IoT trong phòng cháy bao gồm khả năng giám sát 24/7 các yếu tố môi trường liên quan đến nguy cơ cháy, truyền dữ liệu thời gian thực giúp phát hiện sớm bất thường, và khả năng kết hợp nhiều loại cảm biến để tăng cường phát hiện cháy từ giai đoạn đầu.

Hệ thống cảnh báo cháy sớm và những giới hạn của mô hình truyền thống

Cảnh báo cháy sớm là khả năng nhận biết dấu hiệu nguy hiểm ngay từ giai đoạn khởi phát, bao gồm sự gia tăng bất thường của nhiệt độ cục bộ, sự xuất hiện của khói nhẹ, ngọn lửa nhỏ, hoặc sự hiện diện bất thường của các thiết bị nguy cơ như bình gas hay nguồn điện quá tải. Việc cảnh báo sớm giúp tăng thời gian phản ứng, giảm thiểu thiệt hại về người và tài sản, và kết nối kịp thời với các cơ quan phòng cháy chữa cháy. Tuy nhiên, các hệ thống báo cháy truyền thống chủ yếu dựa vào cảm biến khói, nhiệt hoặc đầu báo lửa, chỉ kích hoạt cảnh báo khi cháy đã rõ ràng. Hạn chế lớn nhất của phương pháp này là không thể phát hiện nguy cơ cháy từ sớm, khi thiết bị bắt đầu quá nhiệt nhưng chưa tạo ra khói hoặc lửa5. Ngoài ra, chúng dễ gây báo động giả (ví dụ, nhầm lẫn bếp gas đang hoạt động là nguy cơ cháy), không có khả năng nhận diện thiết bị nguy cơ cụ thể, và không hỗ trợ cảnh báo từ xa, điều này đặc biệt nguy hiểm khi không có ai ở nhà.

Hạn chế của các nghiên cứu IoT khác về cảnh báo cháy

Một số nghiên cứu IoT hiện nay tập trung vào việc sử dụng cảm biến nhiệt hoặc khói đơn lẻ, dễ bị nhiễu bởi môi trường và dẫn đến cảnh báo sai hoặc bỏ sót nguy cơ. Nhiều hệ thống IoT chưa kết hợp AI để phân tích hình ảnh, vẫn chỉ dựa vào cảm biến vật lý mà không xác định được nguồn nguy cơ cụ thể. Hơn nữa, nhiều nghiên cứu chưa tối ưu cho hộ gia đình và khu trọ, thay vào đó tập trung vào các hệ thống cho nhà máy hoặc khu công nghiệp, khiến chúng khó triển khai trong môi trường dân dụng.

Hệ thống cảnh báo cháy sớm

Hệ thống được thiết kế dựa trên sự tích hợp của ba thành phần công nghệ chính: phần cứng cảm biến, trí tuệ nhân tạo (AI), và nền tảng lưu trữ - xử lý - hiển thị dữ liệu.

Phần cứng:

Vi điều khiển Arduino Uno: Là trung tâm điều khiển, thu thập dữ liệu từ cảm biến nhiệt độ MLX90614 (qua giao tiếp I2C), xử lý sơ bộ và truyền thông tin đến hệ thống cloud qua module WiFi (như ESP8266). Arduino Uno cũng có thể xử lý các điều kiện đơn giản tại chỗ như bật còi/đèn LED cảnh báo. Thiết bị được chọn nhờ tính ổn định, dễ sử dụng, cộng đồng hỗ trợ mạnh và khả năng mở rộng [2].

Cảm biến nhiệt độ hồng ngoại MLX90614: Cảm biến không tiếp xúc, đo nhiệt độ của vật thể từ xa bằng cách phát hiện bức xạ hồng ngoại. Mục đích là phát hiện sự thay đổi nhiệt độ bất thường, đặc biệt là sự gia tăng nhiệt đột ngột tại một điểm, giúp xác định nguy cơ cháy ngay từ đầu. Cảm biến có độ chính xác cao và liên tục quét khu vực để phát hiện điểm nóng bất thường [3].

Camera giám sát: Ghi lại hình ảnh hiện trường giám sát theo thời gian thực để AI phân tích dấu hiệu khói, lửa sớm hoặc sự hiện diện của vật thể nguy hiểm. Ban đầu sử dụng camera USB kết nối với máy tính để thu hình ảnh, hình ảnh được gửi về máy tính trung tâm qua mạng để mô hình YOLOv8 xử lý, không bị giới hạn bởi tài nguyên của ESP32.

Mô hình Trí tuệ nhân tạo YOLOv8

YOLOv8 (You Only Look Once version 8) là mô hình học sâu tiên tiến trong lĩnh vực nhận diện đối tượng theo thời gian thực. Mục đích là nhận diện trực tiếp các yếu tố liên quan đến cháy nổ như lửa, khói, người, vật dễ cháy trong hình ảnh, hỗ trợ cảnh báo sớm và giảm thiểu báo giả. Ảnh từ camera được đưa vào mô hình YOLOv8, mô hình phân tích và phát hiện các đối tượng nguy cơ, trả về kết quả gồm loại đối tượng, vị trí và xác suất. Khi phát hiện tín hiệu nguy hiểm, hệ thống ghi nhận sự kiện và gửi cảnh báo. YOLOv8 cho phép phát hiện nhanh và chính xác ngay cả với ngọn lửa nhỏ hoặc khói mờ, đồng thời là mô hình nhẹ, dễ triển khai [4].

Nền tảng xử lý và lưu trữ Firebase

Firebase là nền tảng phát triển ứng dụng của Google, hỗ trợ lưu trữ thời gian thực, xử lý logic tự động và gửi thông báo. Mục đích là lưu trữ dữ liệu từ cảm biến, đồng bộ dữ liệu đến frontend và xử lý các tình huống khẩn cấp (gửi cảnh báo).

Firebase Realtime Database lưu các thông số như nhiệt độ, trạng thái hệ thống. Firebase Cloud Functions tự động phản hồi khi có sự kiện bất thường, ví dụ gửi cảnh báo push khi vượt ngưỡng nhiệt độ. Firebase dễ tích hợp với ESP32 và Flutter, chi phí thấp, xử lý theo thời gian thực và hỗ trợ đồng bộ dữ liệu đa nền tảng.

Phương pháp nghiên cứu

Kiến trúc tổng thể của hệ thống

Hệ thống cảnh báo cháy sớm được xây dựng theo kiến trúc phân tán, không sử dụng máy chủ trung tâm, nhằm giảm chi phí, đảm bảo tính linh hoạt và độ ổn định. Mỗi thành phần hoạt động độc lập nhưng được kết nối và đồng bộ hóa qua nền tảng đám mây Firebase. Về cơ bản kiến trúc của hệ thống được minh hoạ dựa trên Hình 2.1 sau:

Hình 2.1. Sơ đồ tổng quan kiến trúc hệ thống

Điểm cốt lõi của hệ thống là sự kết hợp đồng thời hai luồng dữ liệu: hình ảnh từ camera giám sát và nhiệt độ từ cảm biến hồng ngoại. Dữ liệu được thu thập thời gian thực, phân tích bởi AI để nhận diện vật thể nguy hiểm và đánh giá rủi ro. Các thành phần chính của hệ thống bao gồm: Cảm biến nhiệt độ hồng ngoại MLX90614, Camera giám sát (USB camera), Vi điều khiển Arduino Uno, Thiết bị xử lý cục bộ (máy tính cá nhân) để xử lý AI, Bộ cảnh báo tại chỗ (còi, đèn LED), Hệ thống cảnh báo từ xa và ứng dụng di động (Flutter App, Telegram, SMS), và Nền tảng lưu trữ và đồng bộ Firebase (Firebase Storage, Realtime Database, Cloud Messaging).

Pipeline của hệ thống

Hệ thống vận hành theo một pipeline xử lý dữ liệu khép kín, hoạt động trong thời gian thực hoặc gần thời gian thực:

Thu thập dữ liệu (Hình ảnh và nhiệt độ): Camera ghi ảnh định kỳ (ví dụ: 5 giây/lần) và đẩy lên Firebase Storage kèm timestamp. Song song, Arduino Uno lấy mẫu dữ liệu nhiệt từ MLX90614, gửi lên Firebase Realtime Database kèm timestamp và vị trí.

Hình 2.2. Thu thập dữ liệu camera và đẩy lên Firebase

Nhận diện vật thể bằng YOLOv8: Thiết bị xử lý cục bộ truy xuất ảnh từ Firebase, nạp vào mô hình YOLOv8 để nhận diện các đối tượng nguy cơ (ví dụ: người, bếp gas, ổ điện) và trả về tên đối tượng, tọa độ khung giới hạn, độ tin cậy.

Ánh xạ dữ liệu nhiệt độ với vật thể: Ánh xạ dữ liệu nhiệt độ từ MLX90614 với từng vật thể được YOLOv8 nhận diện, dựa trên thời gian (timestamp) và vị trí tương đối của vật thể so với trục cảm biến. Cảm biến nhiệt được gắn đồng trục với camera để đảm bảo độ chính xác.

Hình 2.3. Ánh xạ nhiệt độ và vật thể

Phân tích bất thường và đưa ra cảnh báo: Hệ thống sử dụng các tiêu chí logic: nhiệt độ vượt ngưỡng tuyệt đối (ví dụ: ổ cắm > 70°C, bếp gas > 100°C), tốc độ tăng nhiệt bất thường (> 10°C trong 10 giây), sự kết hợp yếu tố nguy hiểm (vật thể nguy hiểm xuất hiện cùng nhiệt độ cao), hoặc không phát hiện người giám sát khi có thiết bị nóng bất thường.

Kích hoạt cảnh báo và lưu trữ sự kiện: Khi phát hiện nguy cơ, hệ thống kích hoạt cảnh báo tại chỗ (còi hú, LED nhấp nháy qua Arduino) và cảnh báo từ xa (Telegram Bot, SMS API, Firebase Cloud Messaging tới ứng dụng di động kèm ảnh, tên vật thể, nhiệt độ, thời gian). Thông tin sự kiện được ghi log lên Firebase (thời gian, nhiệt độ, hình ảnh, nhãn vật thể, mức độ nguy cơ, trạng thái phản ứng).

Cấu hình Firebase và lưu trữ dữ liệu: Firebase Storage lưu trữ ảnh; Realtime Database lưu nhiệt độ, vật thể, dữ liệu tích hợp, và log cảnh báo

Cài đặt và thử nghiệm

Hệ thống được xây dựng với cảm biến nhiệt MLX90614, mạch ESP32 Uno và camera hình ảnh. Phần mềm bao gồm mô hình YOLOv8 được huấn luyện lại với tập dữ liệu về khói, lửa, đồ vật dễ cháy, và môi trường cháy, cùng mô hình học máy phân tích nhiệt độ và giao diện hiển thị trên Web và Mobile kèm thông báo qua SMS.

Cấu hình cảm biến nhiệt với mạch ESP32 Uno: Sử dụng thư viện Wire.h và Adafruit_MLX90614.h để đọc nhiệt độ môi trường và bề mặt vật thể, gửi qua cổng Serial.

Train mô hình YOLOv8: Mô hình được huấn luyện trên 70.000 ảnh với các lớp như Smoke, Phone, Lighter, Fire, Charger, Person. Kết quả đánh giá sau huấn luyện đạt Precision 73.7%, Recall 71.2%, và mAP@0.5 là 72.4%. Hệ thống được thử nghiệm tại mô hình giả lập nhà kho, cho thấy khả năng phát hiện đồ vật rất nhanh, nhận diện chính xác ở khoảng cách 5-10m, và độ chính xác cao hơn với vật lớn và gần.

Hệ thống xử lý dữ liệu: Django đóng vai trò backend trung tâm66. Một file Python kết nối camera để xử lý khung hình bằng YOLOv8 và lưu/gửi kết quả về Firebase. Một script Python khác kết nối với Arduino qua cổng Serial để đọc dữ liệu nhiệt độ và lưu vào Firebase. Django tiến hành đồng bộ và ghép dữ liệu từ hai nguồn dựa trên timestamp để tạo bản ghi tổng hợp, lưu riêng trên Firebase.

Điều phối xử lý đa luồng: Hệ thống sử dụng ba tiến trình chính: run_arduino (đọc dữ liệu Arduino và gửi lên Firebase), run_yolo (nhận dữ liệu camera, dùng YOLOv8 nhận diện lửa/khói và gửi kết quả lên Firebase), và combine_and_push_data (theo dõi hai nguồn dữ liệu, ghép các bản ghi có timestamp gần nhau và đẩy bản ghi hoàn chỉnh lên Firebase).

Đánh giá hệ thống

Sau thử nghiệm, hệ thống được đánh giá dựa trên các tiêu chí:

Độ chính xác: Nhận diện hình ảnh bằng AI YOLOv8 đạt mAP@0.5 = 72.4%, chính xác hơn với vật thể lớn và rõ ràng. Cảm biến MLX90614 có độ chính xác đo nhiệt độ ±0.3°C. Khi kết hợp AI và cảm biến, hệ thống giảm cảnh báo giả đến 80%.

Thời gian phản hồi: Tốc độ xử lý của YOLOv8 dưới 1 giây. Thời gian truyền dữ liệu từ cảm biến nhiệt đến Firebase dưới 500ms. Thời gian cảnh báo đến ứng dụng di động trong vòng 5 giây. 

Độ ổn định: Hệ thống hoạt động liên tục 48 giờ không lỗi hoặc gián đoạn. Khả năng xử lý đa luồng và truyền tải dữ liệu ổn định. Cảm biến nhiệt hoạt động tốt ngay cả khi nhiệt độ môi trường thay đổi.

Khả năng ứng dụng thực tế: Triển khai thử nghiệm tại mô hình giả lập nhà kho, hệ thống phát hiện ổ điện quá nhiệt, bếp gas hoạt động quá lâu, cảnh báo sớm trước khi có khói hoặc lửa. Hệ thống có khả năng mở rộng, tích hợp thêm cảm biến khói, khí gas hoặc kết nối với hệ thống nhà thông minh để tự động ngắt điện.

Kết luận

Sau quá trình nghiên cứu và triển khai, đề tài đã xây dựng thành công một hệ thống IoT cảnh báo cháy sớm tích hợp cảm biến nhiệt hồng ngoại, camera giám sát và mô hình học sâu YOLOv8 để nhận diện các nguy cơ cháy nổ từ sớm. Hệ thống có khả năng phát hiện sớm các yếu tố nguy hiểm như nhiệt độ tăng đột ngột hoặc sự hiện diện của vật thể dễ cháy. Đặc biệt, khả năng ánh xạ thông minh giữa dữ liệu nhiệt độ và hình ảnh giúp tăng độ chính xác và giảm thiểu cảnh báo giả. Cảnh báo tức thời được gửi đến người dùng qua nhiều kênh (còi báo, tin nhắn, ứng dụng mobile/web). Toàn bộ dữ liệu sự kiện được lưu trữ và phân tích, hỗ trợ đánh giá hiệu quả và nâng cấp hệ thống sau này. Hệ thống đã được kiểm chứng trong môi trường mô phỏng với độ chính xác cao (mAP đạt 72.4%), thời gian phản hồi nhanh (< 5 giây), và hoạt động ổn định. Những kết quả này cho thấy tiềm năng ứng dụng thực tế cao trong các môi trường dân dụng như nhà ở, nhà trọ, và nhà kho nhỏ.

Tài liệu tham khảo

1. "Cục Cảnh sát PCCC và CNCH (2024–2025). Thống kê tình hình cháy nổ toàn quốc năm 2024 – Quý I/2025.," [Online]. Available: http://canhsatpccc.gov.vn/.

2. Espressif, "ESP32 - Technical Reference Manual Version," [Online]. Available: https://www.espressif.com/sites/default/files/documentation/esp32_technical_reference_manual_en.pdf. [Accessed 01 06 2025].

3. Melexis, "Datasheet for MLX90614," 2025.

4. M. Yaseen, "What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector," arXiv, 2024. 

PHẠM HỮU LỢI 
Trường Đại học Mỏ - Địa chất
Nguồn: Tạp chí Tài nguyên và Môi trường số Kỳ 1 tháng 3 năm 2025