Phát hiện cháy rừng dùng xử lý ảnh

Nội dung text: Phát hiện cháy rừng dùng xử lý ảnh

1. PHÁT HIỆN CHÁY RỪNG DÙNG XỬ LÝ ẢNH Hồ Tấn Đạt1, Nguyễn Thanh Hải2 1Học viên Cao học ngành Kỹ thuật điện tử, Trường Đại học SPKT TP.HCM 2Bộ môn Điện tử công nghiệp, Khoa Điện Tử, Đại học SPKT TP.HCM ABSTRACT In this thesis, a warning system is designed to process image data and then send warning message to mobile Title: phones. In particular, images captured from a typical FOREST FIRE DETECTION USING IMAGE environment with trees are pre-processed using methods PROCESSING of resize, filtering, enhancement and segmentation. In addition, for forest fire detection, the Principal Component Analysis and Support Vector Machine (PCA- SVM) algorithms are applied to extract features and to Từ khoá: train and then send warnings to mobile phones. For Phát hiện cháy, Xử lý ảnh accuracy, the set of image data obtained are consist of about 200 images with mainly smoking and unsmoking. Experimental results including simulation and the hardware system show that the effectiveness of the Keyword: proposed approach. Forest fire detection, image processing TÓM TẮT Trong nghiên cứu này, một hệ thống cảnh báo được thiết kế để xử lý dữ liệu hình ảnh và sau đó gửi tin nhắn cảnh báo đến điện thoại di động. Đặc biệt, hình ảnh được chụp từ một môi trường đặc thù với nhiều cây cối được xử lý trước bằng cách sử dụng các phương pháp thay đổi kích thước, lọc, tăng cường và phân đoạn ảnh. Ngoài ra, để phát hiện cháy rừng, các thuật toán phân tích thành phần và máy vector hỗ trợ (PCA-SVM) được áp dụng để trích xuất các thành phần chính và để huấn luyện, sau đó gửi cảnh báo cho điện thoại di động. Để có độ chính xác, bộ dữ liệu hình ảnh thu được gồm khoảng 200 hình ảnh, chủ yếu là ảnh có khói và ảnh không có khói. Kết quả thực nghiệm sử dụng mô phỏng và hệ thống phần cứng đã chứng thực hiệu quả của phương pháp đề xuất. 1. Mở đầu trong các trường hợp rừng và làm biến đổi các kiểu rừng, Theo nghiên cứu [1] về quản lý lửa rừng của FAO thì khái từ đó sẽ ảnh hưởng đến các phương thức khai thác rừng. niệm về cháy rừng mà cho đến nay thường được sử dụng Làm thay đổi số lượng và thành phần các loài động vật : Cháy rừng là sự xuất hiện và lan truyền của những đám hoang dã, chim muông, côn trùng. Ảnh hưởng đến hoạt cháy trong rừng mà không nằm trong sự kiểm soát của động sống của các vi sinh vật ở trong đất rừng như kích con người; gây nên những tổn thất nhiều mặt về tài thích hoặc hạn chế sự hoạt động của chúng. nguyên, của cải và môi trường. Do đó, phát hiện và cảnh báo sớm cháy rừng đóng một Có thể khẳng định, cháy rừng ảnh hưởng một cách toàn vai trò quan trọng trong cuộc sống của chúng ta và cũng diện đến các mặt kinh tế - xã hội và môi trường, thể hiện có thể làm giảm thiệt hại và tổn thất. chủ yếu qua những điểm sau: ảnh hưởng đến điều kiện, Trong những thập kỷ qua các loại cảm biến khác nhau hoàn cảnh đối với quá trình tái sinh phục hồi rừng. Cháy được phát triển như cảm biến khói, cảm biến độ ẩm, cảm rừng làm cây rừng chết hàng loạt hoặc sinh trưởng kém, biến nhiệt độ. Sử dụng cảm biến là phương pháp cổ điển qua đó làm thay đổi thành phần các loài cây, ảnh hưởng để tự động phát hiện ra cháy. Tuy nhiên chúng mang các đến quá trình diễn thế rừng. Gây ra những biến đổi lớn nhược điểm sau: Tỷ lệ báo động không chính xác; Phạm
2. vi giám sát hẹp do khói hoặc nhiệt cần có thời gian lan Nghiên cứu này đưa ra một hệ thống cảnh báo được thiết truyền mới tiếp xúc được với đầu dò cảm biến. Từ đó kế để xử lý dữ liệu hình ảnh và sau đó gửi tin nhắn cảnh thông tin cảnh báo cháy không được gửi đi lập tức; báo đến điện thoại di động. Thiết bị gửi tin nhắn là một Phương pháp sử dụng cảm biến được sử dụng ở nơi mà Dcom nhỏ gọn, bên trong có tích hợp sẵn một sim điện điều kiện cảnh báo cháy bỏ qua tốc độ báo cháy mà chỉ thoại hoạt động tốt trong vùng có phủ sóng. Hệ thống sẽ xem xét việc báo cháy. điều khiển Dcom gửi tin nhắn đến một số điện thoại được định trước với nội dung thiết lập tùy ý trước đó. 2. Phương pháp thực hiện Nghiên cứu phát hiện cháy rừng dùng xử lý ảnh này dựa 1 A n1 , n2 , n3 , , nn  trên giải pháp phân tích thành phần chính ( PCA ) để trích Trong đó n xuất thành phần đặc trưng của dữ liệu, sau đó được huấn luyện và nhận dạng bằng thuật toán SVM. Tổng quát, ma trận hiệp phương sai của tập dữ Đầu tiên tập dữ liệu thu được từ camera được chuyển sang liệu có n chiều được xác định như sau: ảnh xám, rồi định lại kích thước ảnh và thực hiện tăng m*n C (ci, j ,ci, j cov(Dimi ,Dimj )) cường ảnh bằng thuật toán cân bằng historgram trước khi (6) đưa vào trích đặc trưng (PCA), huấn luyện và nhận dạng trong đó Cm*n là ma trận hiệp phương sai có m dòng và n bằng SVM. cột, Dimi là chiều thứ x Bước 5: tính trị riêng và vector riêng 2.1 Trích đặc trưng sử dụng thuật toán phân tích Det(C - λI)=0 (7) thành phần chính (PCA) trong đó C là ma trận vuông, λ là trị riêng của C. Mục tiêu của phương pháp PCA là “giảm số chiều” của Với mỗi trị riêng ta tìm được vector riêng như sau 1 tập vector sao cho vẫn đảm bảo được “tối đa thông tin (C - λI)V=0 (8) quan trọng nhất”. Phương pháp PCA sẽ giữ lại K thuộc tính “mới” từ M các thuộc tính ban đầu (K<M). Thuật với V là vector riêng của trị riêng . toán PCA gồm các bước như sau: Tính vector cơ sở của không gian PCA Bước 1: Xây dựng tập mẫu PCA ui =AVi (9) Tùy theo đối tượng mà ta dùng các phương pháp khác Chuẩn hóa vector cơ sở về vector đơn vị. nhau để chuyển đổi dữ liệu thành một ma trận S có một ui 1 cột hoặc một hàng: (10) S = [x1 x2 x3 xi]T (1) Bước 6: chọn vector đặc trưng Bước 2: tính trung bình tập mẫu Bước 7: Phép chiếu T 1 n Y u *V I S i (11) n i 1 i (2) T x x x x x ui 11 12 13 1n 1 trong đó là ma trận dữ liệu đã chuẩn hóa. V là ma trận x x x x x 21 22 23 2n 2 vector riêng đã được sắp xếp theo thứ tự từ cao đến thấp x31 x32 x33 x3n x3 1 I . . . . . . của trị riêng. Y là ma trận dữ liệu đã được chiếu vào hệ n . . . . . . quy chiếu mới . . . . . . x x x x x Hay i1 i2 i3 in i (3) 2.2 Huấn luyện bằng SVM với S là tập dữ liệu, n là số lượng phần tử trong tập dữ Thuật toán SVM tuyến tính được sử dụng để thực liệu. hiện chia hai tập dữ liệu theo siêu phẳng tuyến tính. Bước 3: tính sai lệch trung bình Giả sử tập mẫu huấn luyện phần tử là: A n n n n (x1,y1), (x2,y2), (x3,y3), , (xm,ym) (12)  1 3 3 n  (4) Trong đó xi Rn yi 1;1 xi trong đó còn là phân lớp của x11 x1 x12 x1 x x 1n 1 . x21 x2 x22 x2 x2n x2 x31 x3 x x x x 32 3 3n 3 Việc phân chia các mẫu này được mô tả trong hình 1 n . . . 1 n2 . . . nn . . . . . . . . . . . . . . . . . . . . . Vector hỗ trợ x x xi1 xi xi2 xi in j , , , x H2 Mẫu thụ động x x x Bước 4: tính ma trận hiệp phương sai Vector hỗ trợ x 1 x cov AT A H1 Mẫu tích cực x n 1 (5) x
3. Các siêu phẳng H1 và H2 chia các mẫu thành các Đưa các hệ số nhân Lagrangian dương βi, i = 1, 2, lớp khác nhau ,m vào phương trình (5.5). Khi đó hàm Lagrangian Thuật toán SVM sẽ tìm một siêu phẳng tối ưu: có dạng: T l l f (x) w  (a) b 1 2 (13) L p (w,b,  ) w   i yi (ai .w b)   i 2 i 1 i 1 (5.6) trong đó βi ≥ 0 là ệ số nhân Lagrangian. Giả sử phương trình siêu phẳng cần tìm là w.a+b = 0, Lấy đạo hàm Lp với w và b, sau đó cho kết quả bằng trong đó w là pháp vector của siêu phẳng w ϵ Rn, 0, phương trình thu được như sau: |b|/||w|| là khoảng cách từ các siêu phẳng đến gốc tọa l Lp (w,b,) độ và ||w|| là độ lớn của w. Đặt d+, (d-) là khoảng w i yi (ai .w b) 0 w i 1 cách ngắn nhất từ siêu mặt phân cách đến mẫu tích (14) L (w,b,) l cực (thụ động) gần nhất. Margin (lề) của siêu phẳng p  y 0 phân cách là d+ + (d-). Với trường hợp tập mẫu có thể  i i w i 1 (15) phân loại tuyến tính, thuật toán SVM sử dụng để tìm Phương trình cuối cùng thu được như sau: siêu phẳng có khoảng cách lề là cực đại. Giả sử các l điểm huấn luyện thỏa điều kiện: Ta có hai bất phương w  i yi ai trình sau: i 1 (16) w.a b 1, l i với z = +1 (5.3) i 0  i yi w.a b 1, i 1 (17) i với z = -1 (5.4) i Các dữ liệu tập mẫu được huấn luyện bởi SVM trong đó Kết hợp hai bất phương trình (5.3) và (5.4) ta được: siêu phẳng là một hàm tuyến tính và chia thành 2 mặt y (w.a b) 1 0 i i (5.5) phẳng: d+, d-. Lúc đó những support vector a thỏa mãn phương i Hàm nhận dạng trình (5.3) thì nằm trên siêu phẳng H1, có pháp tuyến Mỗi mẫu huấn luyện xi tương ứng với một hệ số vector là w, khoảng cách đến gốc tọa độ là |1 - b|/||w||. Lagrange βi. Sau khi huấn luyện các βi ≥ 0 là các vector Tương tự các support vector ai thỏa mãn phương trình hỗ trợ và nằm trên một trong hai siêu phẳng H1, H2. Khi (5.4) thì nằm trên siêu phẳng H2. Ta có thể tìm được có một dữ liệu cần nhận dạng nào đó a* thì phân lớp y* cặp siêu phẳng có lề cực đại bằng việc cực tiểu ||w|| của a* (-1 hay +1) được xác định thông qua công thức: với phương trình (5.5). l y f (x ) sign(wa b) sign( u y a a b) i 1 i i i (5.10) Ở đây, Sign là hàm dấu 3. Kết quả 3.1. Kết quả thu thập dữ liệu ảnh không khói ảnh có khói Ảnh gốc Ảnh xám Hình 1: tập dữ liệu không khói và có khói Hình 2: kết quả chuyển ảnh màu sang ảnh xam 3.2 Kết quả tiền xử lý 3.2.1 Kết quả chuyển đổi ảnh màu sang ảnh xám 3.2.2 Kết quả resize ảnh
4. Bảng 2: vector đặc trưng trường hợp ảnh có khói - - - - 28.901 75.721 83.313 73.315 88.005 95.072 99.312 136.361 123.687 84.968 - - - -10.830 2.803 26.566 25.587 9.539 -7.865 31.756 18.402 43.062 16.093 - - - 22.703 2.304 -6.183 -6.321 0.992 28.106 27.195 30.669 26.100 12.026 - 5.110 18.629 -1.685 -8.732 -9.588 0.605 15.947 11.962 -8.431 23.819 -1.708 8.932 -1.564 -8.579 2.938 -1.604 1.295 -0.473 -2.363 3.126 0.280 1.219 -1.891 1.063 -1.869 -1.472 5.801 -1.689 0.897 -2.340 Ảnh trước resize Ảnh đã resize -1.655 1.501 -1.118 1.817 -1.802 1.489 -0.564 -0.273 -0.729 1.334 Hình 3: ảnh trước và sau khi resize 0.923 -2.526 -0.030 -1.880 -0.061 -0.699 2.763 0.941 2.841 -2.272 3.2.3 Kế quả tăng cường ảnh -8.368 -20.662 -10.149 -3.966 4.346 2.852 4.902 7.902 9.973 13.169 -1.963 2.879 -0.188 0.943 -2.671 1.819 -0.809 0.252 -0.296 0.034 3.4 Kết quả huấn luyện bằng SVM 3.4.1. SVM SuportVector của ảnh không khói sau khi được huấn luyện Bảng 3: SVM SuportVector trường hợp không khói 0.628 -0.321 -0.921 1.504 1.625 0.335 -0.980 0.950 0.196 -1.111 0.686 0.857 1.086 1.420 -1.044 -0.006 -0.379 0.990 1.324 0.375 0.654 -1.668 1.349 -0.484 -0.770 0.340 0.026 -1.671 0.695 0.140 Ảnh trước tăng cường Ảnh đã tăng cường 0.385 1.211 0.905 -1.053 1.479 -1.148 0.778 0.297 -1.537 -1.209 Hình 4: ảnh trước và sau tăng cường ảnh -2.014 0.888 0.360 0.727 -0.252 0.888 0.752 1.105 -1.124 1.727 -0.455 -1.335 -0.790 0.705 -0.153 -1.513 1.464 -0.682 0.053 -0.764 0.548 0.273 -1.527 -0.992 -0.435 1.463 0.859 -1.303 0.487 -0.373 3.3 Kết quả trích đặc trưng 0.678 0.945 -0.937 -0.382 -1.287 -1.021 -0.769 0.382 1.304 -0.025 3.3.1. Kết quả trích đặc trưng trường hợp không khói Mỗi hàng là một vector mang đặc điểm của ảnh không Bảng 1: Vector đặc trưng trường hợp ảnh không khói khói. Số hàng phụ thuộc vào số lượng mẫu được trích đặc - - - 37.162 45.942 42.576 46.529 44.367 28.795 26.135 136.53 104.10 30.869 trưng 2 5 8 4 8 1 8 73 25 8 - - - 18.506 19.707 - 17.867 - 25.252 10.515 27.831 5.6904 34.763 2 8 6.6981 9 7.2159 5 6 7 5 3.4.2. SVM SuportVector của ảnh có khói sau khi - - - - 17.272 21.461 14.406 5.7218 -1.9140 12.574 24.301 14.903 14.651 9.4837 1 9 3 3 9 6 9 được huấn luyện - - 13.637 12.873 - - - 6.5950 -9.2795 6.3918 8.9988 3.4657 5 8 4.3933 3.8117 9.5491 Bảng 4: SVM SuportVector trường hợp có khói - - - 10.367 - - 0.615 -1.711 -1.403 -0.785 0.294 -1.058 -0.498 0.705 1.013 1.186 -1.6057 0.6235 4.7098 9.4381 0.9759 2.7738 8.2130 5 6.6573 4.9132 0.770 0.031 0.364 1.790 -0.516 -1.532 -0.339 -0.307 0.529 0.360 - - - - 2.3044 -0.9549 3.7986 0.8689 0.8841 2.6736 3.9281 2.6510 0.0150 2.9806 0.722 0.272 -0.708 1.145 -0.286 1.097 1.276 -0.835 0.079 1.383 - - - 1.5528 -3.7222 3.0231 1.7729 0.0543 0.1064 1.6065 1.5878 2.0226 0.7833 1.026 1.340 1.247 -0.718 0.977 -0.295 -0.999 -0.823 1.541 -2.048 - - - - 4.9025 2.4812 1.6925 4.2137 4.3922 1.3190 3.0268 5.7781 7.4102 2.7860 -1.359 0.566 -0.472 1.045 0.210 0.244 -0.585 0.417 -1.159 -0.533 - - -8.3340 -7.4314 0.3917 3.6139 9.6705 1.4556 9.8241 5.1540 11.398 2.9457 -0.597 0.214 0.856 -1.047 -1.129 -1.036 1.781 0.286 -0.808 0.246 7 - - - - - - 8.5969 7.6384 1.8695 0.6967 0.382 -1.682 1.544 0.083 0.065 1.470 -0.073 0.568 -0.231 0.506 3.8026 1.8569 0.1231 5.5302 1.4715 6.0172 Trong đó: 3.5 Kết quả nhận dạng bằng SVM - Mỗi hàng là một vector. Trên mỗi vector sẽ có một giá Với tổng 7600 mẫu được đưa vào huấn luyện bằng thuật trị lớn nhất gọi là trị riêng, vector mang giá trị riêng gọi toán SVM. Trong đó có 3600 mẫu không khói và 3600 là vector riêng. Tập hợp các vector riêng tạo thành các mẫu có khói. Kết quả nhận dạng bằng thuật toán SVM vector mang đặc trưng riêng của ảnh. Chúng được sắp xếp cho độ chính xác khi nhận dạng ảnh không khói là 80% theo thứ tự tăng dần hoặc giãm dần. và ảnh có khói là 80% ứng với 1390/7600 mẫu. Hình 5 - Số vector đặc trưng tối đa bằng với số lượng tập mẫu trình bày các kết quả nhận dạng ảnh không khói quà ảnh của ảnh. Với bức ảnh có size 10x7 thì số vector đặc trưng có khói tối đa cảu ảnh là 10. - Trong quá trình trích đặc trưng thành phần chính dùng PCA, ta có thể thay đổi số vector đặc trưng sao cho việc tìm ra kết quả là tối ưu nhất. 3.3.2. Kết quả trích đặc trưng trường hợp có khói
5. 3.6.2. Kết quả hệ thống nhận dạng và gửi tin nhắn cảnh báo đến số điện thoại Hình 7 trình bày kết quả nhận dạng của hệ thống. Hình ảnh nhận dạng và kết quả được hiển thị trên giao diện guide, khi có khói máy tính sẽ điều khiển Dcom gửi tin nhắn đến 1 số điện thoại và nội dung bất kỳ tùy thuộc vào người điều khiển. Hình 7: kết quả hệ thống nhận dạng và gửi tin nhắn cảnh báo đến số điện thoại 4. Kết luận Đề tài đã xây dựng được tập cơ sở dữ liệu về hình ảnh, được chụp từ cùng một môi trường đặc thù với nhiều cây. Sau đó sử dụng các phương pháp chuyển đổi ảnh, định lại kích thước ảnh và thực hiện tăng cường ảnh trước khi dữ liệu được đưa vào thực hiện trích xuất các thành phần chính (PCA). Sau khi đã trích đặc trưng sẽ được đưa vào huấn luyện và nhận dạng bằng thuật toán SVM. Kết quả nhận dạng trường hợp không khói hoặc có khói Hình 5: kết quả nhận dạng không khói và ảnh có khói với độ chính xác cao, với trường hợp sử dụng 1390/7600 mẫu đã cho kết quả nhận dạng trường hợp không khói là 3.6. Kết quả hệ thống cảnh báo 80% và trường hợp có khói là 80% 3.6.1 Kết quả mô hình hệ thống cảnh báo So với các nghiên cứu đã tham khảo cho thấy đề tài đi sâu Hệ thông cảnh báo được mô tả như hình 6. Hình ảnh được vào phát hiện nhận dạng khói là định hướng đúng đắn. Khói thường là dấu hiệu đầu tiên của đám cháy. Khói bắt thu lại từ camera và lưu thành tập dữ liệu, Sau đó truyền đầu xuất hiện, lan truyền và chuyển động hỗn loạn ra xung về máy tính dùng xử lý ảnh trong môi trường Matlab để quanh cho đến khi nhiệt độ nơi xuất hiện khói đạt đỉnh xử lý. Cuối cùng sẽ phát đi tin nhắn đến điện thoại bằng điểm thì xuất hiện lửa gây nên đám cháy. Dcom đồng thời báo động bằng âm thanh nếu như trường Ngoài ra, kết quả nhận dạng cũng có độ chính xác cao hợp có cháy. chứng minh được phương pháp được lựa chọn là đúng và cho kết quả trong quá trình nhận dạng là cao 5. Tài liệu tham khảo [1] Nguyễn Ngọc Bình, Phòng cháy và chữa cháy rừng, NXB Giao thông vận tải, 2004. [2]Lưu Trọng Hiếu, Phạm Bảo Nhân, Phạm Duy Nghiệp,Nguyễn Chánh Nghiệm, Nguyễn Chí Ngôn. Xây dựng giải pháp cảnh báo sớm tình trạng cháy rừng. Hội nghị toàn quốc lần thứ 3 về Điều khiển và Tự động hoá – VCCA. 2015. [3] Lê Văn Quang. Xử lý ảnh để phát hện khói cho cảnh báo cháy rừng. Đồ án tốt nghiệp. Trường Đaị Hoc̣ Sư Hình 6: Hệ thống cảnh báo cháy Phaṃ Kỹ Thuâṭ TP.HCM. 2016.
6. [4] Megha Jess Mathew. A Study on Fire Detection [8] Jerome Vicente,Philippe Guillemant. An image System using Statistic Color Model. IOSR Journal of processing technique for automatically detecting forest Electronics and Communication Engineering (IOSR- fire. International Journal of Thermal Sciences 41. 2002. JECE)e-ISSN: 2278-2834,p- ISSN: 2278-8735. Volume [9] Vipin V. Image Processing Based Forest Fire 7, Issue 2. 2013. Detection. International Journal of Emerging Technology [5] Kumarguru Poobalan, Siau-Chuin Liew. Fire and Advanced Engineering. 2012. detection algorithm using image processing techniques. [10] Wen-Bing Horng, Jian-Wen Peng. A Fast Image- Proceeding of the 3rd International Conference on Based Fire Flame Detection Method. Journal of Science Artificial Intelligence and Computer Science and Engineering, Vol. 11, No. 3, pp. 273-285.2008. (AICS2015), 2015. [11] Nguyễn Quang Hoan. Giáo trình xử lý ảnh. NXB [6] Chen-Yu Lee, Chin-Teng Lin, Chao-Ting Hong, Bưu chính viễn thông. 2006. Miin-Tsair Su. Smoke Detection Using Spatial And [12] Nguyễn Thanh Hải. Giáo trình Xử lý ảnh. NXB Temporal Analyses. international Journal of Innovative ĐHQG TP.HCM 2014. Computing, Information and Control. Volume 8, Number [13] Cristianini N, John Shawe-Taylor. An introduction 6, 2012. to support vector machines [7] DongKeun Kim, Yuan-Fang Wang. Smoke Detection and other kernel-based learning methods. Cambridge in Video. 2009 World Congress on Computer Science and University Press, 2000. Information Engineering. 2009. Link7 Thông tin liên hệ tác giả chính (người chịu trách nhiệm bài viết): Họ tên: Hồ Tấn Đạt Đơn vị: Khoa điện tử - Trường Cao đẳng Nghề Cần Thơ Điện thoại: 0986448058 Email: hotandat46@gmail.com
7. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2017-2018 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.