Application of YOLOv8 in detecting and recording smoking behavior in public places using camera system

Đồ án ứng dụng YOLOv8 phát hiện và ghi nhận hành vi hút thuốc công cộng tại ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Lê Văn Thịnh
• Người hướng dẫn: TS. Trương Ngọc Sơn
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật máy tính
• Đề tài: Application of YOLOv8 in detecting and recording smoking behavior in public places using camera system
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan YOLOv8 phát hiện hành vi hút thuốc công cộng tại HCMUTE

Hành vi hút thuốc tại nơi công cộng gây ảnh hưởng xấu tới sức khỏe cộng đồng. Môi trường học đường đòi hỏi không gian trong lành và an toàn. Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (HCMUTE) áp dụng nhiều quy định nghiêm ngặt nhằm ngăn chặn tình trạng hút thuốc lá. Tuy nhiên, việc giám sát thủ công gặp nhiều hạn chế về nhân lực. Các camera truyền thống chỉ ghi nhận hình ảnh thụ động. Nhân viên bảo vệ không thể túc trực liên tục tại mọi vị trí trong khuôn viên trường. Vì vậy, giải pháp thị giác máy tính tự động trở thành nhu cầu cấp thiết. Đề tài tốt nghiệp ngành Công nghệ Kỹ thuật Máy tính tại HCMUTE đã phát triển hệ thống nhận diện thông minh dựa trên kiến trúc YOLOv8. Hệ thống kết hợp phân tích luồng video từ camera giám sát và mô hình học sâu hiện đại. Công nghệ này cho phép phát hiện tức thì người hút thuốc và các vật dụng liên quan như điếu thuốc. Dữ liệu vi phạm được trích xuất tự động và lưu trữ làm bằng chứng. Giải pháp giúp nâng cao ý thức văn minh học đường và tối ưu hóa quy trình quản lý an ninh trường học.

1.1. Thực trạng giám sát khuôn viên tại trường HCMUTE

Khuôn viên HCMUTE có diện tích rộng lớn với hàng chục nghìn sinh viên học tập mỗi ngày. Nhiều khu vực công cộng như hành lang, trạm xe buýt, sảnh chờ và sân vườn tiềm ẩn nguy cơ xuất hiện hành vi hút thuốc lá. Biển cấm hút thuốc được bố trí khắp nơi nhưng chưa đủ sức răn đe. Lực lượng bảo vệ mỏng khó bao quát mọi góc khuất trong khuôn viên. Việc xử lý vi phạm phụ thuộc nhiều vào tuần tra trực tiếp hoặc phản ánh từ người khác. Phương pháp này mang tính thụ động và thiếu bằng chứng hình ảnh rõ ràng. Việc triển khai hệ thống phân tích hình ảnh thông minh là bước đi cần thiết để xây dựng không gian học đường xanh, sạch và lành mạnh.

1.2. Ưu thế vượt trội của kiến trúc YOLOv8 trong thị giác máy tính

YOLOv8 là phiên bản mô hình phát hiện đối tượng tiên tiến do Ultralytics phát triển. Kiến trúc này mang lại sự cân bằng vượt trội giữa độ chính xác và tốc độ xử lý khung hình. YOLOv8 sử dụng thiết kế không cần mỏ neo (anchor-free), giúp tăng tốc độ suy luận trên các thiết bị phần cứng thông thường. Mô hình hỗ trợ nhiều tác vụ đồng thời bao gồm phát hiện vật thể và ước lượng điểm khóa tư thế. Khả năng trích xuất đặc trưng sâu giúp hệ thống nhận diện chính xác các chi tiết nhỏ. Khi tích hợp vào hệ thống camera trường học, YOLOv8 đáp ứng tốt yêu cầu xử lý luồng dữ liệu liên tục không gián đoạn. Đây là nền tảng công nghệ then chốt để tự động hóa hoàn toàn quy trình giám sát.

II. Thách thức phát hiện hành vi hút thuốc công cộng qua camera HCMUTE

Việc nhận diện hành vi hút thuốc qua camera công cộng đối mặt với vô số rào cản kỹ thuật. Môi trường trường học ngoài trời thường xuyên thay đổi điều kiện ánh sáng theo thời tiết. Bóng râm, nắng gắt hoặc góc quay bị che khuất làm giảm chất lượng hình ảnh đầu vào đáng kể. Điếu thuốc lá có kích thước vật lý rất nhỏ và dễ bị ngón tay che lấp. Ngoài ra, làn khói thuốc rất mỏng, tán nhanh và dễ hòa lẫn vào cảnh quan xung quanh. Người hút thuốc thường đứng ở khoảng cách xa so với vị trí lắp đặt camera an ninh. Độ phân giải khung hình bị suy giảm khiến các chi tiết nhỏ trở nên mờ nhạt. Bên cạnh đó, hành vi hút thuốc có nét tương đồng cao với nhiều hoạt động sinh hoạt thường ngày. Các hành động như ăn uống, nói chuyện, cắn móng tay hay nghe điện thoại đều tạo tư thế tay đưa gần miệng. Nếu thuật toán chỉ dựa vào việc phát hiện vật thể đơn thuần, tỷ lệ báo động giả sẽ rất cao. Việc phân tích hành vi đòi hỏi mô hình phải kết hợp chặt chẽ giữa cử chỉ chuyển động và đối tượng liên quan.

2.1. Khó khăn khi nhận diện điếu thuốc lá và vật thể kích thước nhỏ

Điếu thuốc lá là đối tượng có kích thước siêu nhỏ trên khung hình video. Chiều dài điếu thuốc chỉ vài centimet, trong khi camera giám sát bao quát không gian rộng hàng chục mét. Khi đối tượng ở xa, hình ảnh điếu thuốc chỉ chiếm vài pixel mờ nhạt. Hơn nữa, bàn tay người hút thuốc thường che khuất phần lớn thân điếu thuốc. Góc nhìn nghiêng hoặc ngược sáng khiến đường viền vật thể bị biến dạng nghiêm trọng. Các mô hình thị giác truyền thống thường bỏ sót đối tượng này do thiếu độ phân giải đặc trưng. Việc huấn luyện mô hình nhận diện chính xác điếu thuốc đòi hỏi tập dữ liệu đa dạng và phương pháp gán nhãn cực kỳ tỉ mỉ.

2.2. Vấn đề cảnh báo sai do các cử chỉ đưa tay lên miệng tương đồng

Tỷ lệ cảnh báo sai là trở ngại lớn nhất khi triển khai hệ thống giám sát tự động. Trong môi trường trường đại học, sinh viên thường xuyên thực hiện các động tác tự nhiên. Hành động ăn uống, cầm bút chỉ tay, ngáp hay gãi cằm đều có quỹ đạo bàn tay hướng về phía miệng. Khi người dùng cầm bút bi hoặc que kẹo, hình dáng thuôn dài dễ đánh lừa các thuật toán phát hiện vật thể thông thường. Nếu hệ thống kích hoạt cảnh báo sai quá nhiều, ban quản lý sẽ mất niềm tin vào công nghệ. Do đó, mô hình cần cơ chế phân biệt thông minh giữa cử chỉ hút thuốc thực tế và các hoạt động thường ngày khác.

III. Phương pháp YOLOv8 phát hiện hành vi hút thuốc công cộng tại HCMUTE

Nhóm nghiên cứu tại HCMUTE đã đề xuất phương pháp tiếp cận toàn diện kết hợp giữa nhận diện đối tượng và phân tích tư thế người. Mô hình YOLOv8 đóng vai trò trung tâm trong toàn bộ quy trình xử lý dữ liệu hình ảnh. Hệ thống thu nhận luồng video thời gian thực từ các camera giám sát lắp đặt tại khu vực công cộng. Thuật toán YOLOv8-pose được ứng dụng để định vị các điểm khóa then chốt trên cơ thể như mắt, mũi, cổ tay và ngón tay. Đồng thời, nhánh nhận diện đối tượng tập trung phát hiện nhãn điếu thuốc lá trong cùng khung hình. Hệ thống liên tục đo đạc khoảng cách không gian giữa bàn tay, điếu thuốc và vùng miệng. Khi điếu thuốc xuất hiện gần miệng trong khoảng thời gian nhất định, hành vi hút thuốc mới được xác nhận. Ngoài ra, kỹ thuật theo dõi đa đối tượng (Multi-object Tracking) được tích hợp để duy trì mã định danh duy nhất cho từng người. Giải pháp này loại bỏ hầu hết cảnh báo sai từ các cử chỉ ăn uống hoặc dùng điện thoại. Quy trình hoạt động khép kín đảm bảo tính ổn định và độ tin cậy vượt trội trong môi trường thực tế.

3.1. Kỹ thuật ước lượng tư thế Pose Estimation nhận diện cử chỉ

Ước lượng tư thế là bước đột phá giúp hệ thống hiểu sâu về hành vi con người. YOLOv8-pose bổ sung các lớp mạng chuyên biệt để dự đoán tọa độ chính xác của các điểm khớp xương. Mô hình tái tạo khung xương cơ thể người theo thời gian thực. Thuật toán tập trung tính toán tọa độ điểm cổ tay, bàn tay và miệng. Khi khoảng cách hình học giữa cổ tay và miệng giảm dưới ngưỡng xác định, trạng thái đưa tay được ghi nhận. Việc kết hợp dữ liệu khung xương giúp phân tích cử chỉ liên tục theo chuỗi thời gian. Nhờ đó, hệ thống nhận biết chính xác hành động đưa thuốc lên miệng, giảm thiểu đáng kể các suy đoán sai lệch từ hình ảnh tĩnh đơn lẻ.

3.2. Thuật toán theo dõi đa đối tượng và lưu trữ bằng chứng tự động

Kỹ thuật theo dõi đa đối tượng (Multi-object Tracking) giữ vai trò quản lý chuỗi hành vi trong khung hình đông đúc. Thuật toán gán định danh duy nhất (ID) cho từng cá nhân xuất hiện trước ống kính camera. Khi cá nhân di chuyển qua các góc máy khác nhau, hệ thống vẫn duy trì việc theo dõi liên tục. Nếu phát hiện hành vi hút thuốc kéo dài qua nhiều khung hình, hệ thống sẽ tự động kích hoạt tiến trình ghi hình. Đoạn video ngắn cùng ảnh chụp cận cảnh thời điểm vi phạm được lưu trữ tự động vào cơ sở dữ liệu. Dữ liệu này bao gồm thời gian chính xác, vị trí camera và mã nhận dạng đối tượng. Thông tin này hỗ trợ công tác kiểm tra, đối chiếu minh bạch và khách quan.

IV. Đánh giá ứng dụng YOLOv8 phát hiện hút thuốc công cộng tại HCMUTE

Nghiên cứu ứng dụng YOLOv8 phát hiện hành vi hút thuốc công cộng tại HCMUTE mang lại kết quả thực nghiệm rất khả quan. Mô hình đạt độ chính xác cao và tốc độ phản hồi thời gian thực trên các hệ thống tính toán phổ thông. Giải pháp giải quyết triệt để bài toán thiếu hụt nhân sự giám sát an ninh học đường. Hệ thống vận hành liên tục 24/7 mà không suy giảm năng suất làm việc. Dữ liệu vi phạm được ghi lại khách quan, hỗ trợ đắc lực cho ban quản trị nhà trường trong việc nhắc nhở và xử lý kỷ luật. Không chỉ dừng lại ở phạm vi nghiên cứu học thuật, mô hình có khả năng tích hợp linh hoạt vào hạ tầng camera sẵn có tại khuôn viên trường. Chi phí triển khai được tối ưu hóa nhờ việc tận dụng thiết bị phần cứng hiện hữu. Ngoài ra, giải pháp còn mở ra tiềm năng ứng dụng rộng rãi tại các khu vực công cộng khác như bệnh viện, bến xe, công viên và tòa nhà văn phòng. Đây là minh chứng rõ nét cho giá trị thực tiễn của công nghệ trí tuệ nhân tạo trong việc xây dựng môi trường sống văn minh và an toàn.

4.1. Hiệu quả triển khai thực tế trên hạ tầng camera khuôn viên HCMUTE

Kết quả thử nghiệm tại khuôn viên HCMUTE khẳng định tính khả thi vượt trội của hệ thống. Mô hình xử lý mượt mà luồng video với tốc độ khung hình cao, đáp ứng tiêu chuẩn giám sát thời gian thực. Khả năng phát hiện chính xác hành vi hút thuốc giúp giảm tải áp lực cho đội ngũ bảo vệ. Tỷ lệ nhận diện sai được khống chế ở mức thấp nhờ sự kết hợp giữa ước lượng tư thế và định vị đối tượng. Quy trình lưu trữ bằng chứng tự động giúp giải quyết các khiếu nại một cách minh bạch. Mô hình chứng minh tính thích ứng tốt với nhiều góc quay camera và sự biến đổi của môi trường ánh sáng tự nhiên.

4.2. Hướng phát triển tích hợp IoT và mở rộng phạm vi kiểm soát an ninh

Trong tương lai, hệ thống có thể kết nối với mạng lưới thiết bị IoT để tự động phát loa cảnh báo tại chỗ ngay khi phát hiện vi phạm. Tín hiệu cảnh báo cũng có thể gửi trực tiếp tới ứng dụng quản trị của nhân viên an ninh. Bên cạnh việc giám sát hút thuốc, cấu trúc mô hình dễ dàng mở rộng để nhận diện các hành vi vi phạm khác như xả rác, tụ tập sai quy định hoặc bạo lực học đường. Việc kết nối cơ sở dữ liệu vi phạm với cổng thông tin quản lý sinh viên sẽ nâng cao tính răn đe. Mô hình này đặt nền tảng vững chắc cho việc xây dựng trường đại học thông minh và hiện đại.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Hành vi hút thuốc lá tại các khu vực công cộng là một vấn đề xã hội tác động tiêu cực đến môi trường sống và sức khỏe cộng đồng. Dù nhiều quốc gia và địa phương đã ban hành các quy định pháp luật nhằm kiểm soát và cấm hút thuốc ở nơi công cộng, hiệu quả thực thi vẫn còn hạn chế. Nguyên nhân chủ yếu xuất phát từ sự thiếu hụt công cụ giám sát, theo dõi tự động cùng những khó khăn trong việc bố trí nhân lực tuần tra trực tiếp trên diện rộng.

Về bối cảnh thực tiễn, số liệu thống kê được công bố bởi The Guardian (2021) ghi nhận số lượng người hút thuốc trên toàn cầu đã đạt mốc 1,1 tỷ người, với sự gia tăng thêm 150 triệu người sau 9 năm. Một nghiên cứu của University College London (UCL) thực hiện trên 350.000 người trưởng thành tại Anh trong suốt 18 năm cho thấy: tỷ lệ người sử dụng các sản phẩm thuốc lá (thuốc lá điếu, tẩu, xì gà) đã giảm từ mức 25,3% năm 2006 xuống 16,5% vào năm 2024; tuy nhiên tỷ lệ này có xu hướng chững lại từ năm 2020 và tái tăng tại một số khu vực (khu vực Tây Nam tăng 17%, đạt mức 18,7% giai đoạn 2020-2024; Đông Nam tăng 9%; London tăng 8%). Về mặt y tế, hút thuốc làm gia tăng nguy cơ mắc bệnh tim mạch, đột quỵ, bệnh phổi tắc nghẽn mạn tính (COPD), ung thư phổi, tổn thương hệ miễn dịch và ảnh hưởng não bộ (tiềm ẩn nguy cơ Alzheimer). Đồng thời, khói thuốc thụ động gây nguy cơ đặc biệt nghiêm trọng cho trẻ em. Hành vi này bắt nguồn từ các áp lực tâm lý, sự lây lan trong môi trường gia đình, học đường, sự tiếp cận dễ dàng với sản phẩm thuốc lá và sự thiếu nghiêm minh trong xử lý vi phạm.

Trước hạn chế của các biện pháp kiểm soát thủ công, việc ứng dụng thị giác máy tính và trí tuệ nhân tạo (AI) – cụ thể là mô hình học sâu YOLOv8 kết hợp hệ thống camera giám sát – cung cấp giải pháp nhận diện và ghi nhận hành vi hút thuốc theo thời gian thực nhằm hỗ trợ cơ quan quản lý thực thi quy định.

Đề tài xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể bao gồm:

1. Thu thập và chuẩn bị tập dữ liệu (dataset) chuyên biệt về hành vi hút thuốc phục vụ cho quá trình huấn luyện mô hình.
2. Huấn luyện và tối ưu hóa mô hình YOLOv8 nhằm cân bằng giữa độ chính xác nhận diện và tốc độ xử lý khung hình.
3. Xây dựng nền tảng hệ thống tích hợp mô hình trên luồng hình ảnh của camera để theo dõi và ghi nhận hành vi hút thuốc tại các không gian công cộng.
4. Kiểm thử, đánh giá hiệu năng hoạt động của hệ thống trong điều kiện môi trường thực tế.

Đối tượng nghiên cứu của đồ án là hành vi hút thuốc (bao gồm cử chỉ đưa tay lên miệng, nhận diện con người và vật thể điếu thuốc) thông qua xử lý hình ảnh camera. Phạm vi nghiên cứu tập trung vào môi trường công cộng có kiểm soát (như tuyến đường phố), sử dụng camera góc quay trực diện (front-facing camera) trong điều kiện đầy đủ ánh sáng ban ngày và chạy trên phần cứng xử lý có giới hạn điện toán. Đề tài không mở rộng sang điều kiện thiếu sáng (low-light), góc quay nghiêng phức tạp hoặc triển khai đại trà trên mọi địa hình công cộng.

Cơ sở lý thuyết và phương pháp

Đồ án được xây dựng dựa trên nền tảng của mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và các thuật toán phát hiện vật thể (Object Detection) trong học sâu (Deep Learning). Kiến trúc CNN cốt lõi bao gồm:

• Tầng tích chập (Convolution layer): Sử dụng các bộ lọc (filter) trượt trên ma trận ảnh đầu vào (ảnh xám hoặc không gian màu RGB) nhằm trích xuất các bản đồ đặc trưng (feature map) như đường biên, góc cạnh và hình khối.
• Tầng gom mẫu (Pooling layer): Giảm số lượng tham số và kiểm soát hiện tượng quá khớp (overfitting), bao gồm Max Pooling (lấy giá trị lớn nhất trong cửa sổ kích thước 2x2, bước nhảy stride 2) và Average Pooling (lấy giá trị trung bình).
• Tầng kết nối đầy đủ (Fully Connected layer - FC): Đặt tại các lớp cuối của mạng nhằm tổng hợp đặc trưng và tối ưu hóa mục tiêu phân loại.
• Hàm kích hoạt (ReLU): Hàm phi tuyến tính gia tăng khả năng học các mối quan hệ phức tạp của mạng.

Về thuật toán phát hiện vật thể, văn bản phân loại hai trường phái:

• Bộ phát hiện hai giai đoạn (Two-stage detectors): Tách biệt việc tạo vùng đề xuất (region proposal) và ước lượng/phân loại dáng điệu (ví dụ: R-CNN, Faster R-CNN, Mask R-CNN). Mô hình có độ chính xác tốt nhưng tốc độ tính toán chậm.
• Bộ phát hiện một giai đoạn (One-stage detectors): Dự đoán đồng thời vị trí hộp giới hạn (bounding box) và nhãn phân loại trong một lượt xử lý (ví dụ: SSD, các phiên bản YOLO), mang lại tốc độ vượt trội cho các ứng dụng thời gian thực.

Quá trình tiến hóa của họ mô hình YOLO được tổng hợp từ YOLOv1 (phân chia lưới $S \times S$, đạt 45 FPS nhưng hạn chế với vật thể nhỏ), YOLOv2 (sử dụng anchor boxes, chuẩn hóa theo lô Batch Normalization), YOLOv3 (backbone Darknet-53 kết hợp FPN), YOLOv4 (backbone CSPDarknet53, hàm mất mát CIoU, kỹ thuật Mosaic), YOLOv5 (PyTorch, module hóa với các biến thể s, m, l, x), YOLOv6, YOLOv7 (mạng E-ELAN, tái tham số hóa) cho đến YOLOv8 phát triển bởi Ultralytics (2023) với kiến trúc không phụ thuộc anchor (anchor-free), tối ưu cho nhiều tác vụ.

Hệ thống sử dụng các hàm mất mát và chỉ số đo lường học thuật:

• Focal Loss: Giảm trọng số của các mẫu dữ liệu dễ phân loại để tập trung vào các mẫu khó, xử lý mất cân bằng giữa vùng nền (background) và vùng đối tượng (foreground) qua hai tham số điều chỉnh $\alpha$ và $\gamma$: $$FL(p_t) = -\alpha_t (1 - p_t)^\gamma \log(p_t)$$
• Các hàm mất mát thành phần trong YOLO: Mất mát phân loại (Classification loss), mất mát vị trí (Localization loss với hệ số phạt $\lambda_{coord} = 5$ chuẩn hóa tọa độ hộp giới hạn về khoảng $[0, 1]$), và mất mát độ tin cậy (Confidence loss với hệ số phạt cho ô không chứa vật thể $\lambda_{noobj} = 0.5$). YOLOv8 đồng thời sử dụng hàm mất mát Complete IoU (CIoU) và Distribution Focal Loss (DFL).
• Đánh giá hiệu năng: Dựa trên ma trận nhầm lẫn (Confusion Matrix) gồm các giá trị True Positive (TP), False Positive (FP), True Negative (TN), False Negative (FN) để tính toán:
  • $\text{Precision} = \frac{TP}{TP + FP}$
  • $\text{Recall} = \frac{TP}{TP + FN}$
  • $\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$
  • $\text{F1-Score} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$
  • $\text{Intersection over Union (IoU)} = \frac{\text{Area of Overlap}}{\text{Area of Union}}$

Phương pháp tăng cường dữ liệu (Data Augmentation) được áp dụng nhằm khắc phục sự thiếu hụt mẫu huấn luyện và đối phó với sự biến thiên cử chỉ ngẫu nhiên trong môi trường thực. Các kỹ thuật bao gồm: lật ảnh (flip), cắt ngẫu nhiên (random crop), dịch chuyển màu (color shift), thêm nhiễu (noise addition), cắt giảm thông tin (information loss), đổi độ tương phản (contrast change) và biến đổi hình học (geometry transformations). Nguồn dữ liệu sử dụng là tập dữ liệu hình ảnh, video về hành vi hút thuốc được gán nhãn cho bài toán học có giám sát (supervised learning).

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình xử lý luồng thị giác máy tính tích hợp trên thiết bị ghi hình. Yêu cầu chức năng bao gồm:

1. Thu nhận video thời gian thực (Real-time Video Capture): Nhận luồng dữ liệu video liên tục từ camera lắp đặt tại các địa điểm công cộng như công viên, trạm dừng xe buýt hoặc lối ra vào tòa nhà.
2. Nhận diện đối tượng và hành vi (Object Detection and Behavior Recognition): Phát hiện người và các vật thể liên quan đến hút thuốc; phân tích mối quan hệ không gian cùng cử chỉ đưa tay gần miệng với điếu thuốc. Hệ thống phải phân biệt được với các hành vi gây nhiễu tương tự như ăn, uống, sử dụng bút nhằm giảm thiểu tỷ lệ báo động giả (false positive).
3. Theo dõi đa đối tượng (Multi-object Tracking): Duy trì định danh và theo dõi hành vi của nhiều cá nhân trong cùng một khung hình.

Để lựa chọn mô hình tối ưu, nhóm nghiên cứu đã đối sánh các kiến trúc nhận diện vật thể dựa trên dữ liệu hiệu năng thực nghiệm:

Mô hình	mAP	Tốc độ (FPS)	Kích thước Batch	Số lượng Bounding Box	Độ phân giải đầu vào
Fastest R-CNN	73,2	7	1	6000	1000x600
Fast YOLO	52,7	155	1	98	448x448
YOLO (VGG16)	66,4	21	1	98	448x448
SSD300	74,3	46	1	8732	300x300
SSD512	76,8	19	1	24564	512x512

Mặc dù các mô hình như Fastest R-CNN hay SSD512 có chỉ số mAP cao, tốc độ xử lý khung hình của chúng (tương ứng 7 FPS và 19 FPS) không đáp ứng tốt tiêu chí thời gian thực. YOLOv8 chứng minh sự vượt trội nhờ duy trì chỉ số $mAP_{val}$ cao kết hợp thời gian trễ xử lý thấp khi chạy trên cấu hình phần cứng thử nghiệm (GPU NVIDIA T4, thư viện TensorRT 10, định dạng số thực bán chính xác FP16). Nhóm tác giả quyết định lựa chọn phiên bản YOLOv8n (nano) để tối ưu hóa tài nguyên phần cứng, do đề tài tập trung vào bài toán ít lớp dữ liệu (3 lớp) và kích thước vật thể tương đối lớn.

Kiến trúc mạng của YOLOv8n được triển khai cụ thể:

• Phần thân (Backbone): Trích xuất đặc trưng đa cấp độ thông qua các khối CBS (tích hợp Conv, Batch Normalization và hàm kích hoạt SiLU), khối C2f (cải tiến từ C3, phân chia luồng thông tin qua nhiều nhánh nhẹ để tăng cường biểu diễn đặc trưng) và khối SPPF (Spatial Pyramid Pooling - Fast) sử dụng các tầng MaxPool2D nối tiếp nhằm mở rộng trường tiếp nhận (receptive field).
• Phần cổ (Neck): Kết hợp cấu trúc mạng kim tự tháp đặc trưng FPN (Feature Pyramid Network) và PAN (Path Aggregation Network), sử dụng các khối Upsample, Concatenate và C2f để tổng hợp đặc trưng không gian và ngữ nghĩa ở các tỷ lệ phân giải khác nhau mà không cần thêm các khối chú ý (attention module) phức tạp.
• Phần đầu (Head): Sử dụng cấu trúc anchor-free head kết hợp khối C2f và Detect layer, dự đoán trực tiếp tọa độ hộp giới hạn và xác suất lớp phân loại, tối ưu hóa qua hàm mất mát CIoU và DFL.

Bên cạnh nhiệm vụ phát hiện đối tượng cơ bản (Object Detection) kết hợp thuật toán Non-maximum Suppression (NMS) để loại bỏ hộp trùng lặp, YOLOv8 còn cung cấp nền tảng mở rộng cho: phân đoạn đối tượng (Instance Segmentation trên 50 lớp đối tượng tiền huấn luyện), phân loại ảnh (Image Classification trên tập dữ liệu ImageNet với 1000 lớp) và ước lượng dáng điệu (Pose Estimation dựa trên 6 biến thể mô hình kết nối các điểm mấu chốt/khớp cơ thể thành bộ khung xương, tập trung vào lớp đối tượng CIGARETTE).

Nội dung chính theo từng chương

Chapter 1: Introduction

Chương này thiết lập nền tảng của đề tài thông qua phân tích tình hình hút thuốc toàn cầu và tại Anh (dẫn chứng từ Guardian và UCL), phân tích các tác hại sức khỏe (COPD, tim mạch, Alzheimer) và nguyên nhân duy trì hành vi hút thuốc trong xã hội. Tác giả trình bày tổng quan các giải pháp hạn chế hút thuốc và động lực nghiên cứu hệ thống AI tự động. Phần tổng quan các nghiên cứu liên quan điểm qua công trình của Zhang và De Ocampo (2024) (sử dụng tích chập biến dạng deformable convolution và cơ chế chú ý channel-spatial) cùng mô hình DAHD-YOLO (tích hợp module điều chỉnh hộp giới hạn động DBCA). Cuối chương xác định 4 mục tiêu cụ thể của dự án, phạm vi giới hạn nghiên cứu ban ngày, phương pháp tiếp cận và cấu trúc tổng quát của báo cáo.

Chapter 2: Theoretical Basis

Nội dung chương tập trung trình bày hệ thống lý thuyết về Trí tuệ nhân tạo, Học máy và Học sâu. Tác giả đi sâu phân tích cấu trúc mạng CNN qua 4 thành phần (Convolution, Pooling, Fully Connected, ReLU) cùng cơ chế xử lý trên ma trận ảnh xám và ảnh RGB 3 chiều. Chương này đối chiếu chi tiết nguyên lý của hai nhóm thuật toán nhận diện vật thể (Two-stage detector và One-stage detector), đồng thời phác họa quá trình tiến hóa của các thế hệ YOLO từ v1 đến v8. Cơ sở toán học của các hàm mất mát (Focal Loss, Localization Loss, Confidence Loss, Classification Loss) và các chỉ số đánh giá qua ma trận nhầm lẫn (Precision, Recall, Accuracy, F1-Score, IoU) được diễn giải tường minh. Cuối chương giới thiệu các kỹ thuật tăng cường dữ liệu (Flip, Crop, Color shift, Noise, Information loss, Contrast, Geometry) và phân tích vai trò của chúng đối với tính bền vững của mô hình phát hiện hành vi hút thuốc.

Chapter 3: System Design

Chương 3 trình bày quy trình thiết kế và lựa chọn giải pháp kỹ thuật. Tác giả phân tích bảng so sánh ưu nhược điểm và số liệu thực nghiệm giữa các mô hình Fast R-CNN, Fastest R-CNN, SSD (300, 512) và YOLO, từ đó làm rõ căn cứ lựa chọn YOLOv8n. Kiến trúc nội tại của YOLOv8 được mổ xẻ chi tiết theo từng phân vùng: Backbone (CBS, C2f, SPPF), Neck (FPN + PAN, C2f) và Head (anchor-free, CIoU, DFL). Chương này cũng minh họa các năng lực ứng dụng đa dạng của YOLOv8 (phát hiện đối tượng, phân đoạn đối tượng, phân loại ảnh, ước lượng dáng điệu cơ thể) và xác lập các yêu cầu chức năng (thu nhận video trực tiếp, nhận diện đối tượng/hành vi, lọc nhiễu các hành động ăn/uống/viết, theo dõi đa đối tượng) cùng tập dữ liệu hành vi hút thuốc.

Chapter 4: Result

Chương này thể hiện các kết quả thực nghiệm đạt được của đề tài dựa trên danh mục hình ảnh và bảng biểu trong báo cáo, bao gồm: kết quả huấn luyện mô hình, kiểm thử khả năng nhận diện hành vi hút thuốc trong thời gian thực trên luồng video camera trực tiếp và đánh giá độ chính xác thông qua ma trận nhầm lẫn chuẩn hóa (Normalized Confusion Matrix).

Chapter 5: Conclusion and Discussions

Chương cuối tóm lược các mục tiêu kỹ thuật đã hoàn thành, tổng kết những ưu điểm về tốc độ và tính ứng dụng của mô hình YOLOv8n trên hệ thống camera giám sát, thảo luận các điểm hạn chế cố hữu trong quá trình vận hành thực tế và đề xuất phương hướng phát triển, mở rộng hệ thống trong tương lai.

Kết quả và đóng góp

Về kết quả kỹ thuật, đồ án đã hoàn thành việc nghiên cứu, lựa chọn và cấu hình thành công mô hình YOLOv8n cho bài toán nhận diện hành vi hút thuốc nơi công cộng. Dựa trên phân tích đối sánh thực nghiệm:

• Trong khi các mô hình hai giai đoạn như Fastest R-CNN chỉ đạt tốc độ 7 FPS (mAP 73,2) hay SSD512 đạt 19 FPS (mAP 76,8), kiến trúc YOLOv8 đáp ứng yêu cầu cân bằng giữa chỉ số mAP cao và tốc độ trích xuất khung hình tức thời trên GPU T4 (TensorRT 10, định dạng FP16).
• Hệ thống hỗ trợ xử lý tín hiệu video thời gian thực từ camera, phân biệt được cử chỉ đưa tay hút thuốc với các hành vi gây nhiễu thường gặp trong đời sống như ăn, uống, hoặc cầm bút, giúp hạn chế tỷ lệ phát hiện nhầm.
• Báo cáo đã hoàn thành các kiểm định thực nghiệm và biểu diễn độ chuẩn xác thông qua ma trận nhầm lẫn chuẩn hóa (Normalized Confusion Matrix) cùng tỷ lệ kiểm tra trùng lặp Turnitin được công bố minh bạch ở mức 28%.

Về mặt đóng góp học thuật và ứng dụng, so với các nghiên cứu tiền nhiệm như Zhang & De Ocampo (2024) (tập trung vào tích chập biến dạng phức tạp) hay DAHD-YOLO (tích hợp module DBCA), đề tài đã chứng minh tính khả thi của việc sử dụng biến thể nhẹ YOLOv8n nguyên bản với cơ chế anchor-free kết hợp cùng phương pháp tăng cường dữ liệu đa dạng. Giải pháp này giúp tối ưu hóa chi phí điện toán, cho phép mô hình thích ứng tốt trên các thiết bị camera giám sát biên mà không đòi hỏi phần cứng cồng kềnh.

Về mặt thực tiễn, tác giả đề xuất việc lắp đặt hệ thống tại các địa điểm công cộng có quy định cấm như công viên, trạm chờ phương tiện giao thông công cộng, lối ra vào tòa nhà để tạo lập công cụ ghi nhận bằng chứng tự động, hỗ trợ đắc lực cho các cơ quan chức năng trong công tác cưỡng chế xử phạt và nâng cao ý thức tuân thủ pháp luật bảo vệ sức khỏe cộng đồng.

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo các nội dung được nhóm tác giả công bố trong phạm vi nghiên cứu, đồ án tồn tại một số hạn chế kỹ thuật:

• Điều kiện ánh sáng: Hệ thống chỉ hoạt động ổn định và chính xác trong điều kiện đủ ánh sáng vào ban ngày; mô hình chưa được tối ưu và chưa hoạt động hiệu quả trong môi trường ban đêm hoặc điều kiện thiếu sáng (low-light conditions).
• Góc quan sát của thiết bị: Hiệu năng nhận diện tối ưu khi camera đặt ở góc quay trực diện (front-facing camera); độ chính xác giảm sút khi gặp các góc máy quay quá nghiêng, góc khuất hoặc bị che khuất vật lý nghiêm trọng.
• Giới hạn phần cứng và dữ liệu: Hệ thống được thử nghiệm trên nền tảng phần cứng có năng lực tính toán hạn chế; tập dữ liệu huấn luyện còn giới hạn về số lượng lớp đối tượng (tập trung vào 3 lớp) và mức độ đa dạng của môi trường thực nghiệm.

Về hướng nghiên cứu tiếp theo, văn bản đề xuất:

• Mở rộng tập dữ liệu và tinh chỉnh mô hình để hệ thống có khả năng nhận diện tốt hơn dưới các điều kiện ánh sáng phức tạp và góc quay đa dạng.
• Mở rộng chức năng của hệ thống camera AI sang các bài toán giám sát trật tự công cộng khác, tiêu biểu là tự động phát hiện hành vi xả rác bừa bãi (littering) hoặc các hành vi phá hoại tài sản công cộng (damage public spaces).

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành Kỹ thuật Máy tính, Khoa học Máy tính, Công nghệ Thông tin và Trí tuệ Nhân tạo ứng dụng.

Tài liệu có giá trị tham khảo rõ nét ở các khía cạnh:

• Quy trình đối sánh kỹ thuật bài bản giữa các kiến trúc nhận diện vật thể (Two-stage detector như Fast/Faster R-CNN và One-stage detector như SSD, YOLO) dựa trên các chỉ số mAP, FPS, kích thước batch và độ phân giải ảnh.
• Phân tích chi tiết cấu trúc giải thuật của YOLOv8 từ Backbone (CBS, C2f, SPPF), Neck (FPN + PAN) đến Head (anchor-free, hàm mất mát CIoU và DFL).
• Phương pháp tăng cường dữ liệu thực tế (Data Augmentation) để giải quyết bài toán phát hiện cử chỉ người và vật thể nhỏ/dễ bị che khuất trong điều kiện thiết bị camera di động có độ rung lắc và chuyển động mờ.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại lựa chọn phiên bản YOLOv8n thay vì các phiên bản mô hình khác?
Nhóm nghiên cứu chọn YOLOv8n (nano) vì phiên bản này cung cấp sự cân bằng tối ưu giữa độ chính xác và tốc độ xử lý khung hình thời gian thực. Bảng đối sánh cho thấy Fastest R-CNN chỉ đạt 7 FPS và SSD512 đạt 19 FPS. Hơn nữa, do bài toán nhận diện có số lượng lớp ít (3 lớp) và vật thể nhận diện tương đối lớn, biến thể YOLOv8n với kích thước nhỏ gọn và lượng tính toán thấp giúp tiết kiệm tài nguyên phần cứng mà vẫn đảm bảo độ chính xác theo yêu cầu.

2. Điểm khác biệt chính giữa kiến trúc YOLOv8 và các phiên bản YOLO tiền nhiệm được văn bản nêu ra là gì?
YOLOv8 sử dụng cơ chế anchor-free detection head giúp dự đoán trực tiếp bounding box thay vì phụ thuộc vào các anchor box định sẵn. Ở phần Backbone và Neck, YOLOv8 thay thế các khối C3 cũ bằng khối C2f nhằm tối ưu hóa việc phân chia luồng tính toán; đồng thời kết hợp khối CBS và khối SPPF, sử dụng hàm mất mát kết hợp giữa CIoU và Distribution Focal Loss (DFL) để nâng cao khả năng định vị vật thể.

3. Kỹ thuật tăng cường dữ liệu (Data Augmentation) giải quyết những trở ngại thực tế nào trong đồ án?
Hành vi hút thuốc là hành vi tự phát, thường xuyên bị che khuất và xuất hiện dưới nhiều tư thế, góc nhìn cũng như điều kiện ánh sáng khác nhau. Việc tăng cường dữ liệu bằng các phép lật ảnh, cắt ngẫu nhiên, đổi màu, thêm nhiễu và biến đổi hình học giúp mô hình gia tăng khả năng khái quát hóa, hạn chế tác động tiêu cực của hiện tượng nhòe do chuyển động (motion blur) và rung lắc từ camera di động mà không tốn kém chi phí thu thập mẫu thủ công.

4. Hệ thống nhận diện hành vi hút thuốc này có thể vận hành trong điều kiện thiếu sáng hoặc ban đêm hay không?
Căn cứ theo giới hạn phạm vi nghiên cứu (Aim Scope) được công bố tại Chương 1, hệ thống chưa hỗ trợ hoạt động trong điều kiện thiếu sáng (low-light conditions) cũng như các góc quay quá nghiêng. Mô hình được tối ưu và kiểm thử trong điều kiện ánh sáng ban ngày đầy đủ với camera góc quay trực diện.

5. Hệ thống nhận diện phân biệt hành vi hút thuốc với các cử chỉ đưa tay lên miệng khác bằng cách nào?
Hệ thống được thiết kế chức năng phân tích mối quan hệ không gian giữa con người, cử chỉ tay kề miệng và vật thể điếu thuốc, từ đó phân biệt hành vi hút thuốc thực sự với các hành vi dễ nhầm lẫn thường ngày như ăn, uống hoặc cầm bút, giúp kiểm soát và làm giảm tỷ lệ nhận diện sai lệch.

Kết luận

Đồ án tốt nghiệp của nhóm tác giả Lê Văn Thịnh và Nguyễn Quang Vinh đã nghiên cứu và ứng dụng thành công mô hình học sâu YOLOv8n vào bài toán nhận diện, ghi nhận hành vi hút thuốc nơi công cộng thông qua hệ thống camera giám sát. Nghiên cứu cung cấp hệ thống cơ sở lý thuyết chặt chẽ về mạng nơ-ron tích chập, thuật toán phát hiện vật thể và các kỹ thuật tăng cường dữ liệu nhằm giải quyết rào cản nhận diện cử chỉ trong điều kiện thực nghiệm ban ngày. Đây là công trình kỹ thuật mang tính thực tiễn cao, đóng góp giải pháp công nghệ tự động hóa hỗ trợ quản lý trật tự đô thị và bảo vệ sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

HCMC UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF INTERNATIONAL EDUCATION CAPSTONE PROJECT COMPUTER ENGINEERING TECHNOLOGY FACULTY OF INTERNATIONAL EDUCATION APPLICATION OF YOLOV8 IN DETECTING AND RECORDING SMOKING BEHAVIOR IN PUBLIC PLACES USING CAMERA SYSTEM Students: LE VAN THINH - 20119160 NGUYEN QUANG VINH - 20119178 Supervisor: PhD. TRUONG NGOC SON Ho Chi Minh City - 07/2025 HCMC UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF INTERNATIONAL EDUCATION CAPSTONE PROJECT COMPUTER ENGINEERING TECHNOLOGY FACULTY OF INTERNATIONAL EDUCATION APPLICATION OF YOLOV8 IN DETECTING AND RECORDING SMOKING BEHAVIOR IN PUBLIC PLACES USING CAMERA SYSTEM Students: LE VAN THINH - 20119160 NGUYEN QUANG VINH - 20119178 Supervisor: PhD. TRUONG NGOC SON Ho Chi Minh City - 07/2025 ACKNOWLEDGMENTS We would like to express our sincere gratitude to our advisor, PhD. Truong Ngoc Son, for his guidance and support throughout this project.

His expertise and knowledge were invaluable to us, and we are grateful for his willingness to share his time and expertise with us. We would also like to thank our friends for their help and encouragement. Their feedback and suggestions were helpful in improving the quality of our thesis. Finally, we would like to thank our families for their love and support.

Their encouragement and support helped us to persevere through the challenges of this project. ii DISCLAIMER We, the undersigned students, Le Van Thinh and Nguyen Quang Vinh, carried out the graduation project titled “Application of YOLOv8 in detecting and recording smoking behavior in public places using camera system.” under the supervision of Mr. Sơn, and we hereby declare the following: 1. The final project is the original work of Le Van Thinh and Nguyen Quang Vinh.

It was not borrowed, purchased, outsourced, or copied from any other individual or organization. This graduation report was written entirely by us, and all references used have been properly cited in accordance with academic standards. The duplicate rate after plagiarism check is 28% by Turnitin. The results presented in this report, including images, data, and model accuracy, accurately reflect the actual implementation of the model and hardware developed by our team.

We affirm that all the information stated above is true and accurate. We take full responsibility for the authenticity of this declaration. Project Team Members Nguyen Quang Vinh Le Van Thinh iii ABSTRACT Smoking in public is a serious social problem that damages the public health and quality of life. While this is prohibited by regulations, enforcement is minimal because of a lack of automatic tracking tools.

This project is a process of constructing an AI-system implemented with the YOLOv8 model that will be able to detecting and recording smoking activity in public places properly. The research covers studying previous object detection methods, adapting YOLOv8 for smoking detection, creating a system to apply the detection and designing a record and notification system. The model is improved using data and processing which allows the robot to work properly under different conditions. It is built to be installed anywhere in public, supporting law enforcement and informing the public.

Findings from the implementation stage confirm that the system can recognize smoking behavior accurately, quickly and reliably where it counts. With this project, people can easily observe public areas and support the enforcement of public health policies. The system might be expanded later to catch people who litter or damage public spaces. iv TABLE OF CONTENTS ACKNOWLEDGMENTS .IV LIST OF FIGURES .IV CHAPTER 1: INTRODUCTION .2 REVIEW OF RELATED WORKS .6 CHAPTER 2 : THEORETICAL BASIS .4 AN OVERVIEW OF CONVOLUTIONAL NEURAL NETWORKS .6 OBJECT DETECTION ALGORITHM .9 INTRODUCTION TO DATA AUGMENTATIONS .10 THE EFFECTIVENESS OF DATA AUGMENTATION IN SMOKING BEHAVIOR DETECTION .25 CHAPTER 3 : SYSTEM DESIGN .1 REQUIREMENTS OF THE SYSTEM .5 NON-FUNCTIONAL REQUIREMENTS .8 INTRODUCTION SMOKING DATASET.

51 CHAPTER 5 : CONCLUSION AND DISCUSSIONS. 60 ii LIST OF ABBREVIATIONS Abbreviation Full Form CNN Convolution Neural Network AI Artificial Intelligence ReLU The Rectified Linear Unit GD Gradient Descent SGD Stochastic Gradient Descent FC Full Connector YOLO You Only Look Once UI User Interface GUI Graphical User Interface iii LIST OF FIGURES Figure 2.1 Convolutional Neural Network architecture [7] .2 Image and filter matrix [8] .3 An example of convolution on a gray image [8] .