KẾT HỢP GIẢI PHÁP GOM NHÓM VÀ MÔ HÌNH SWIN TRANSFORMER TRONG DỰ ĐOÁN BẤT THƯỜNG CỦA CÁC ĐƯỜNG ỐNG THOÁT NƯỚC DỰA VÀO HÌNH ẢNH QUAN SÁT

Abstract

Hệ thống thoát nước là một hạ tầng đô thị thiết yếu, đóng vai trò quan trọng trong việc xử lý nước thải và phòng chống ngập úng do mưa lớn. Tuy nhiên, tại nhiều đô thị, tình trạng ngập do mưa lũ vẫn thường xuyên xảy ra, chủ yếu bắt nguồn từ các sự cố phổ biến bên trong đường ống. Công tác kiểm tra định kỳ và bảo trì hiện vẫn gặp nhiều khó khăn do số lượng đường ống lớn, nhân lực còn hạn chế, trong khi các kỹ thuật viên phải tiến hành đánh giá thủ công, tốn nhiều thời gian và công sức. Xuất phát từ thực tế đó, nghiên cứu “Kết hợp giải pháp gom nhóm và mô hình Swin Transformer trong dự đoán bất thường của các đường ống thoát nước dựa vào hình ảnh quan sát” được thực hiện với mong muốn xây dựng được một hệ thống tự động, hỗ trợ việc kiểm tra và đánh giá nhanh chóng, chính xác hơn. Đề tài sử dụng dữ liệu được thu thập từ bộ dữ liệu gốc mang tên Sewer – ML gồm 2.641 ảnh, đại diện cho 17 loại khuyết tật và tình trạng bình thường (Normal) của đường ống. Phương pháp được áp dụng là thuật toán K-Means được dùng để gom các khuyết tật thành k cụm, sau đó dùng mô hình Swin Transformer để phân loại chi tiết trong từng cụm. Kết quả thử nghiệm cho thấy, với 6 cụm (kết hợp thêm cụm Normal cho ảnh đường ống bình thường) cho thấy độ chính xác trung bình đạt 94,31%, thời gian huấn luyện trung bình mỗi cụm là 288,48 giây, tổng thời gian huấn luyện 2019,39 giây. Hiệu suất này vượt trội hơn so với các giá trị k khác, cho thấy tính khả thi trong việc triển khai hệ thống phân loại tự động trong tương lai.