Camera thông minh bảo vệ quyền riêng tư cho phát hiện sự kiện bất thường trong hộ gia đình
9 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.109.2026.137-145Từ khóa:
Mạng nơ ron tích chập; Học sâu; Luồng quang học; Phát hiện bất thường; Camera thông minh.Tóm tắt
Giám sát an toàn trong hộ gia đình đòi hỏi sự cân bằng giữa hiệu quả phát hiện và bảo vệ quyền riêng tư. Nghiên cứu này trình bày một hộp camera thông minh với cơ cấu nắp che điều khiển bằng servo, hỗ trợ cả nút bấm trực tiếp và điều khiển qua WiFi, giúp việc sử dụng thuận tiện và đảm bảo không ghi hình ngoài ý muốn. Để phát hiện các sự kiện nguy hiểm, chúng tôi xây dựng bộ dữ liệu EPUabInhouse và đề xuất mô hình hai nhánh kết hợp YOLOv8 với luồng quang học RAFT nhằm tận dụng đồng thời thông tin không gian và chuyển động. Kết quả thực nghiệm cho thấy mô hình tích hợp giúp tăng F1-score thực tế từ 2.02% đến 4.15% tùy lớp, đồng thời giảm đáng kể các trường hợp nhầm lẫn nền. Các cải thiện này chứng minh tính hiệu quả và khả năng ứng dụng thực tế của hệ thống giám sát gia đình đề xuất.
Tài liệu tham khảo
[1]. Hồ Anh Dũng, Đoàn Thị Hương Giang, Trần Đình Hùng, Ma Khánh Tùng, Nguyễn Huyền Tiến An, Bùi Thị Duyên, “Hệ thống phát hiện khói và cháy thông minh đa thể thức”, Tạp chí Khoa học và Kỹ thuật – Học viện Kỹ thuật Quân sự, vol. 97, no. 97, pp. 138–147, (2024) (in Vietnamese). DOI: https://doi.org/10.54939/1859-1043.j.mst.97.2024.138-147
[2]. Elhanashi, S. Essahraui, P. Dini, S. Saponara, “Early Fire and Smoke Detection Using Deep Learning: A Comprehensive Review”, Applied Sciences, vol. 15, no. 18, article 10255, pp. 1–34, (2025). doi:10.3390/app151810255. DOI: https://doi.org/10.3390/app151810255
[3]. D. Gragnaniello, A. Greco, C. Sansone, B. Vento, “Fire and Smoke Detection from Videos: A Literature Review under a Novel Taxonomy”, Expert Systems with Applications, vol. 260, article 124783, pp. 1–32, (2024). doi:10.1016/j.eswa.2024.124783. DOI: https://doi.org/10.1016/j.eswa.2024.124783
[4]. V. Carletti, A. Greco, A. Saggese, B. Vento, “A Smart Visual Sensor for Smoke Detection Based on Deep Neural Networks”, Sensors, vol. 24, article 4519, (2024). doi:10.3390/s24144519. DOI: https://doi.org/10.3390/s24144519
[5]. K.-S. Wong, N. A. Tu, A. Maratkhan, M. F. Demirci, “A Privacy-Preserving Framework for Surveillance Systems”, Proceedings of the 10th International Conference on Communication and Network Security (ICCNS), Tokyo, Japan, pp. 91–98, (2021). doi:10.1145/3442520.3442524. DOI: https://doi.org/10.1145/3442520.3442524
[6]. R. K. Yadav, R. Kumar, “A Survey on Video Anomaly Detection”, IEEE Delhi Section Conference (DELCON), New Delhi, India, pp. 1–5, (2022). doi:10.1109/DELCON54057.2022.9753580. DOI: https://doi.org/10.1109/DELCON54057.2022.9753580
[7]. E. Alam, A. Sufian, P. Dutta, M. Leo, “Vision-based Human Fall Detection Systems Using Deep Learning: A Review”, Computers in Biology and Medicine, vol. 146, article 105626, (2022). doi:10.1016/j.compbiomed.2022.105626. DOI: https://doi.org/10.1016/j.compbiomed.2022.105626
[8]. C. Li, M. Liu, X. Yan, G. Teng, “Research on CNN-BiLSTM Fall Detection Algorithm Based on Improved Attention Mechanism”, Applied Sciences, vol. 12, article 9671, (2022). doi:10.3390/app12199671. DOI: https://doi.org/10.3390/app12199671
[9]. J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 779–788, (2016). doi:10.1109/CVPR.2016.91. DOI: https://doi.org/10.1109/CVPR.2016.91
[10]. Z. Teed, J. Deng, “RAFT: Recurrent All-Pairs Field Transforms for Optical Flow”, European Conference on Computer Vision (ECCV), LNCS 12347, pp. 402–419, Springer, (2020). doi:10.1007/978-3-030-58536-5_24. DOI: https://doi.org/10.1007/978-3-030-58536-5_24
[11]. G. Jocher et al., “YOLOv5 by Ultralytics”, GitHub Repository, (2020). Available: https://github.com/ultralytics/yolov5
[12]. C. Li et al., “YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications”, arXiv preprint arXiv:2209.02976, (2022).
[13]. C.-Y. Wang, A. Bochkovskiy, H.-Y. M. Liao, “YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors”, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, Canada, pp. 7464–7475, (2023). DOI: https://doi.org/10.1109/CVPR52729.2023.00721
[14]. G. Jocher et al., “Ultralytics YOLOv8 Technical Report”, Ultralytics, pp. 1–45, (2023).
