Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 và chuyển đổi số giáo dục, các mô hình lớp học truyền thống đang bộc lộ nhiều điểm hạn chế về công tác quản lý và kiểm soát tương tác giữa người dạy và người học. Việc điểm danh thủ công, ghi chép sổ sách, tổ chức thi cử trên giấy và phân phối tài liệu trực tiếp gây tiêu tốn thời gian, dễ sai sót và khó đảm bảo tính minh bạch. Đồng thời, sự phát triển của công nghệ Internet Vạn Vật (IoT), Trí tuệ Nhân tạo (AI) và Điện toán đám mây (Cloud Computing) đã mở ra cơ hội chuyển đổi phương thức dạy và học sang mô hình số hóa tự động.

Trên thế giới, một số sản phẩm bàn học thông minh đã xuất hiện (tiêu biểu như CROSS2DESIGN Smart Table), kết hợp màn hình cảm ứng tương tác và chân bàn cơ khí linh hoạt để phục vụ học tập, giải trí và thiết kế số. Tuy nhiên, các thiết bị này chủ yếu tập trung vào tính năng tương tác bề mặt đơn thuần mà thiếu vắng cơ chế quản lý sự hiện diện thực tế của học sinh, không hỗ trợ nhận diện khuôn mặt sinh trắc học và chưa tích hợp hệ thống quản lý - tương tác toàn diện giữa giáo viên và học sinh.

Đề tài khóa luận tốt nghiệp kỹ sư ngành Kỹ thuật Máy tính tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM của nhóm tác giả Bành Ngọc Ninh và Đào Duy Khang (dưới sự hướng dẫn của TS. Phạm Quốc Hùng, thực hiện năm 2021) được triển khai nhằm giải quyết trực tiếp khoảng trống công nghệ này thông qua việc thiết kế và hiện thực hóa mô hình "Bàn thông minh trên nền tảng IoT: Ứng dụng trong lớp học".

Mục tiêu và nhiệm vụ nghiên cứu cụ thể của đề tài bao gồm:

  1. Tìm hiểu, phân tích các giải pháp thị giác máy tính, cụ thể là thuật toán phát hiện khuôn mặt (MTCNN) và thuật toán nhận dạng khuôn mặt (FaceNet).
  2. Xây dựng module nhận diện khuôn mặt thời gian thực và lưu trữ dữ liệu định danh của học sinh tham gia lớp học.
  3. Thiết lập hệ thống cơ sở dữ liệu quan hệ cho phép kết nối, đồng bộ dữ liệu trực tiếp giữa thiết bị học sinh và hệ thống quản lý của giáo viên.
  4. Xây dựng hệ thống Backend để quản lý luồng dữ liệu, xử lý nghiệp vụ và giao tiếp với Frontend thông qua giao diện lập trình ứng dụng (Web API / RESTful API).
  5. Thiết kế giao diện tương tác trực quan (Frontend) trên thiết bị bàn thông minh dành cho cả hai đối tượng người dùng: giáo viên và học sinh.
  6. Đảm bảo thực thi ổn định các chức năng cốt lõi: tự động điểm danh khi đăng nhập, chia sẻ và tải tài liệu học tập, giám sát định danh liên tục trong suốt buổi học và chụp ảnh minh chứng bài làm khi thi trực tuyến.

Đối tượng nghiên cứu của đồ án là hệ thống nhúng IoT kết hợp camera, màn hình tương tác và các giải pháp phần mềm quản lý lớp học. Phạm vi ứng dụng của nghiên cứu hướng tới môi trường giáo dục, đặc biệt tập trung vào bậc trung học phổ thông và các giảng đường đại học hiện đại.

Cơ sở lý thuyết và công nghệ áp dụng

Đề tài kết hợp nền tảng lý thuyết từ nhiều lĩnh vực: Thị giác máy tính (Computer Vision), Mạng nơ-ron tích chập (CNN), Hệ quản trị cơ sở dữ liệu quan hệ (RDBMS), Kiến trúc phần mềm phân tán (Client-Server, Web API), cùng hai mô hình xử lý tính toán Biên (Edge Computing) và Điện toán đám mây (Cloud Computing).

Thị giác máy tính và Trí tuệ nhân tạo (AI)

  • Mạng nơ-ron tích chập (CNN): Đóng vai trò nền tảng trích xuất đặc trưng hình ảnh qua các lớp tích chập (Convolutional Layer với các bộ lọc 3x3, 5x5), lớp phi tuyến (Activation Function: ReLU, PReLU, Sigmoid), lớp gộp (Pooling Layer: Max Pooling, Average Pooling) và lớp kết nối đầy đủ (Fully Connected Layer).
  • Mạng MTCNN (Multi-task Cascaded Convolutional Networks): Sử dụng kiến trúc xếp tầng 3 giai đoạn để phát hiện khuôn mặt và xác định tọa độ các điểm mốc (landmarks: mắt, mũi, miệng) từ ảnh đầu vào:
    • P-Net (Proposal Network): Quét nhanh ảnh qua kỹ thuật kim tự tháp (image pyramid) với kernel 12x12 để tạo bounding box ứng viên.
    • R-Net (Refine Network): Lọc bỏ các khung bao sai và tinh chỉnh tọa độ bounding box.
    • O-Net (Output Network): Xuất kết quả cuối cùng gồm xác suất khuôn mặt, tọa độ khung bao chính xác và 5 điểm mốc đặc trưng.
  • FaceNet và Hàm mất mát Triplet Loss: Trích xuất đặc trưng khuôn mặt thành vector nhúng không gian 128 chiều (128-D embedding). Hàm mất mát Triplet Loss huấn luyện mô hình dựa trên bộ ba mẫu ảnh: Anchor ($A$), Positive ($P$ - cùng người với Anchor) và Negative ($N$ - người khác), nhằm tối thiểu hóa khoảng cách $d(A, P)$ và tối đa hóa khoảng cách $d(A, N)$ với khoảng lề $\alpha$:

$$\mathcal{L}(A, P, N) = \sum_{i=0}^n \max\left(|f(A_i) - f(P_i)|_2^2 - |f(A_i) - f(N_i)|_2^2 + \alpha,\ 0\right)$$

  • TensorRT và OpenCV: Nền tảng TensorRT của NVIDIA được tích hợp nhằm tối ưu hóa quá trình suy luận (inference) trên GPU CUDA, tăng tốc độ xử lý lên đến 40 lần so với chỉ dùng CPU. Thư viện OpenCV (viết bằng C/C++) hỗ trợ các thao tác tiền xử lý luồng video và ma trận hình ảnh thời gian thực.

Kiến trúc phần mềm và cơ sở dữ liệu

  • Hệ quản trị cơ sở dữ liệu MySQL: Tổ chức lưu trữ dữ liệu học sinh, giáo viên, lịch học, kết quả điểm danh và nhật ký kỳ thi theo mô hình quan hệ (Relational Model), truy vấn thông qua ngôn ngữ SQL.
  • Backend (.NET Framework / C#): Xây dựng các dịch vụ xử lý logic nghiệp vụ, quản lý quyền truy cập và điều phối kết nối giữa cơ sở dữ liệu và giao diện người dùng.
  • Giao diện lập trình ứng dụng RESTful Web API: Sử dụng các phương thức HTTP chuẩn (GET, POST, PUT, DELETE) với định dạng truyền tải JSON/XML và hệ thống mã phản hồi chuẩn (200 OK, 201 Created, 400 Bad Request, 401 Unauthorized, 404 Not Found...).
  • Frontend (HTML5, CSS3, JavaScript): Xây dựng giao diện web phản hồi nhanh, ứng dụng framework ReactJS và thư viện giao diện Bootstrap nhằm đảm bảo khả năng hiển thị tương thích trên màn hình cảm ứng của bàn học.
  • Mô hình tính toán phân tán: Kết hợp Edge Computing (xử lý nhận diện cục bộ ngay trên kit nhúng Jetson Nano nhằm giảm độ trễ và tiết kiệm băng thông) và Cloud Computing (lưu trữ tập trung thông tin, đồng bộ hóa dữ liệu giữa các phòng học).

Thiết kế và kiến trúc hệ thống

Hệ thống Bàn thông minh được thiết kế dưới dạng thiết bị IoT độc lập đặt tại vị trí của từng học sinh, kết nối mạng với máy chủ quản trị của giáo viên.

+-------------------------------------------------------------------+
|                        MÁY CHỦ HỆ THỐNG                          |
|             (MySQL Database Server 127.0.0.1:3306)                |
|               (Backend .NET / C# Web API Service)                 |
+---------------------------------+---------------------------------+
                                  |
               +------------------+------------------+
               | (RESTful API / JSON qua HTTP/HTTPS) |
               v                                     v
+-----------------------------+       +-----------------------------+
|    THIẾT BỊ GIẢNG VIÊN      |       |  THIẾT BỊ HỌC SINH (BÀN IOT)|
|  (Teacher's Device / Web)   |       | (Jetson Nano + Camera + UI) |
| - Quản lý lớp & điểm danh   |       | - Nhận diện khuôn mặt       |
| - Đăng tải tài liệu học tập |       | - Tự động check-in          |
| - Tạo đề thi & giám sát     |       | - Tải tài liệu bài giảng    |
| - Xem ảnh/video bài làm     |       | - Thi trực tuyến có giám sát|
+-----------------------------+       +-----------------------------+

Kiến trúc phần cứng

Thành phần phần cứng cốt lõi tại mỗi bàn học bao gồm:

  • Kit xử lý trung tâm: NVIDIA Jetson Nano Developer Kit Carrier Board A02 (CPU Quad-core ARM A57 @ 1.43 GHz, GPU 128-core Maxwell kiến trúc CUDA, RAM 4GB 64-bit LPDDR4 băng thông 25.6 GB/s, cổng kết nối HDMI 2.0, Gigabit Ethernet, cổng camera MIPI CSI-2, kích thước 100 x 80 x 29 mm).
  • Thiết bị thu nhận hình ảnh: Webcam giao tiếp USB 2.0, cảm biến CMOS 1/6", độ phân giải 640 x 480P, góc rộng 60 độ, tốc độ khung hình 30 FPS.
  • Thiết bị ngoại vi tương tác: Màn hình cảm ứng (Touchscreen) hoặc màn hình hiển thị kết hợp bàn phím và chuột để học sinh thao tác trực tiếp.

Luồng chức năng và xử lý nghiệp vụ

  1. Quy trình đăng nhập và tự động điểm danh:
    • Học sinh ngồi trước bàn học, camera ghi nhận khung hình và chuyển tới module MTCNN trên Jetson Nano để cắt khuôn mặt.
    • Vector đặc trưng 128-D được FaceNet trích xuất và so khớp với cơ sở dữ liệu định danh.
    • Nếu kết quả trùng khớp, hệ thống tự động xác nhận điểm danh (Automatic Check-in), chuyển trạng thái có mặt lên máy chủ MySQL và điều hướng học sinh vào giao diện học tập. Nếu không khớp, hệ thống từ chối truy cập.
  2. Quy trình giám sát định danh liên tục trong buổi học:
    • Trong suốt thời gian diễn ra tiết học, hệ thống tự động quét và nhận diện lại đối tượng theo chu kỳ định sẵn từ 3 đến 5 phút.
    • Hình ảnh nhận diện được gửi về lưu trữ tại máy chủ nhằm đảm bảo đúng học sinh đang ngồi học liên tục tại vị trí.
  3. Quy trình làm bài kiểm tra trực tuyến và chống gian lận:
    • Học sinh thực hiện bài thi trên giao diện web của bàn thông minh.
    • Trong quá trình làm bài, camera liên tục giám sát khuôn mặt.
    • Khi hết thời gian làm bài, hệ thống kích hoạt cơ chế chụp ảnh màn hình bài làm kết hợp chụp trực tiếp ảnh khuôn mặt của học sinh tại thời điểm nộp bài, sau đó đóng gói và lưu trữ lên cơ sở dữ liệu để giáo viên chấm thi và đối soát gian lận.
  4. Phân hệ tương tác phía giáo viên:
    • Đăng nhập hệ thống quản lý, tiếp nhận danh sách điểm danh tự động theo thời gian thực.
    • Quản lý học liệu (thêm/sửa tài liệu, bài giảng).
    • Khởi tạo đề thi trực tuyến và theo dõi hình ảnh/video giám sát của học sinh trong lớp.

Nội dung chính theo từng chương

Chương Tên chương theo văn bản Nội dung chính và phát hiện học thuật
Chương 1 Mở đầu đề tài (Topic Opening) Phân tích tổng quan công nghệ nhận diện khuôn mặt sinh trắc học và lợi ích của xác thực không tiếp xúc; khảo sát sản phẩm bàn thông minh CROSS2DESIGN trên thế giới; xác định bài toán còn tồn đọng (thiếu tương tác và quản lý học sinh); đề xuất mục tiêu, phương pháp đánh giá thực nghiệm (demo so khớp khuôn mặt thành viên nhóm và giáo viên); nêu rõ ý nghĩa thực tiễn cùng các hạn chế ban đầu về phần cứng, bảo mật và dữ liệu huấn luyện.
Chương 2 Tổng quan đề tài (Topic Overview) Trình bày lý thuyết về lớp học thông minh và mô hình hạ tầng giáo dục số trong kỷ nguyên 4.0; cấu trúc mạng CNN, kỹ thuật trích xuất đặc trưng qua kernel, pooling và fully-connected layers; phân tích chi tiết cấu trúc 3 tầng P-Net, R-Net, O-Net của MTCNN; nguyên lý mã hóa 128 chiều và hàm mất mát Triplet Loss của FaceNet; công nghệ tăng tốc phần cứng TensorRT, thư viện OpenCV; kiến trúc mạng Client-Server, cơ sở dữ liệu quan hệ MySQL, cấu trúc câu lệnh SQL; nền tảng .NET Framework và ngôn ngữ C#; tiêu chuẩn thiết kế Web API / RESTful API với các mã trạng thái HTTP; công nghệ Frontend (HTML, CSS, JavaScript, ReactJS, Bootstrap); so sánh chi tiết giữa Edge Computing và Cloud Computing.
Chương 3 Phân tích thiết kế hệ thống (System Design Analysis) Chi tiết hóa thông số kỹ thuật phần cứng của bàn học (kit NVIDIA Jetson Nano A02, webcam USB 640x480P 30 FPS, màn hình, chuột, bàn phím); môi trường phát triển (OpenCV, CUDA, C++, C#, SQL); sơ đồ mô hình kỹ thuật tương tác giữa giáo viên và học sinh qua cổng API máy chủ; thiết kế các luồng nghiệp vụ chi tiết: đăng nhập bằng khuôn mặt, tự động điểm danh, phân phối tài liệu, giám sát định danh định kỳ 3–5 phút và quy trình thi trực tuyến có chụp ảnh minh chứng.
Chương 4 Thực nghiệm và đánh giá (Experiments and Evaluation) Quá trình huấn luyện mô hình FaceNet với tập dữ liệu ảnh đại diện; thiết lập các kịch bản thực nghiệm đo lường độ chính xác nhận diện theo điều kiện môi trường ánh sáng và khoảng cách vật lý; kiểm thử tương tác cơ sở dữ liệu (tiếp nhận hồ sơ sinh viên dạng JSON, lưu trữ kết quả điểm danh, đồng bộ thông tin giáo viên - sinh viên); thực nghiệm quy trình làm bài thi và chụp ảnh màn hình kèm khuôn mặt; xây dựng bảng so sánh tính năng giữa Bàn thông minh của nhóm nghiên cứu và bàn thông minh trên thế giới.
Chương 5 Kết luận và hướng phát triển (Conclusion and Oriented of Development) Đánh giá tổng kết các mục tiêu đã hoàn thành (chế tạo phần cứng, xây dựng mô hình quản lý - tương tác, hoàn thiện phần mềm); tổng hợp các điểm hạn chế chưa xử lý triệt để (tốc độ nhận diện của FaceNet, dung lượng dữ liệu huấn luyện, giới hạn nhận dạng cục bộ, bảo mật ứng dụng); đề xuất định hướng phát triển nâng cấp thuật toán và mở rộng quy mô triển khai.

Kết quả thử nghiệm và đánh giá

Hệ thống được nhóm tác giả tiến hành thực nghiệm thực tế nhằm đo lường khả năng nhận dạng khuôn mặt trong điều kiện vận hành thời gian thực và kiểm thử luồng giao tiếp cơ sở dữ liệu.

Kết quả nhận dạng khuôn mặt theo điều kiện môi trường

Thực nghiệm nhận diện khuôn mặt được triển khai trên kit Jetson Nano với các kịch bản thay đổi về cường độ ánh sáng (lux) và khoảng cách đo (cm/m):

  • Điều kiện ánh sáng đủ (400 lux):
    • Khoảng cách gần (dưới 30 cm): Độ chính xác nhận diện đạt mức tối ưu, hệ thống trích xuất đặc trưng và so khớp tức thời.
    • Khoảng cách xa (trên 1 m): Hệ thống vẫn duy trì khả năng nhận diện, tuy nhiên độ nét của khuôn mặt qua webcam 480P giảm nhẹ.
  • Điều kiện ánh sáng yếu (200 lux):
    • Khoảng cách gần (dưới 30 cm): Hệ thống nhận diện ổn định nhờ khả năng thích ứng của MTCNN và tiền xử lý ảnh OpenCV.
    • Khoảng cách xa (trên 1 m): Tỷ lệ nhận diện suy giảm do nhiễu hạt hình ảnh và độ tương phản thấp.

Tổng thể trong điều kiện phòng học thực tế, độ chính xác nhận diện khuôn mặt thời gian thực của hệ thống đạt mức xấp xỉ 95%.

So sánh tính năng với các giải pháp bàn thông minh hiện có

Tiêu chí so sánh Bàn thông minh thương mại (CROSS2DESIGN) Bàn học thông minh IoT của Đề tài
Màn hình tương tác cảm ứng Có (Hỗ trợ xoay góc, vẽ kỹ thuật số) Có (Giao diện web trực quan)
Kết nối mạng Internet / IoT Có Có
Nhận diện khuôn mặt sinh trắc học Không Có (Tích hợp MTCNN + FaceNet)
Tự động điểm danh học sinh Không Có (Check-in tự động khi đăng nhập)
Tái định danh định kỳ trong giờ học Không Có (Chu kỳ quét tự động 3–5 phút)
Giám sát thi và chụp ảnh minh chứng Không Có (Chụp màn hình bài làm và khuôn mặt)
Mô hình tương tác Giáo viên - Học sinh Rời rạc / Không chuyên biệt cho lớp học Tích hợp đồng bộ qua Web API và MySQL
Chi phí và tính linh hoạt phần cứng Cồng kềnh, chi phí sản xuất rất cao Nhỏ gọn (Jetson Nano), tối ưu chi phí

Hạn chế và hướng phát triển

Các hạn chế được xác định trong văn bản

  • Thuật toán nhận diện: Mô hình FaceNet đã ra đời từ lâu, hiệu năng và tốc độ xử lý trong một số tình huống chưa tối ưu bằng các cấu trúc mạng hiện đại mới hơn.
  • Dữ liệu huấn luyện: Tập dữ liệu đặc trưng khuôn mặt còn hạn chế do kết hợp dữ liệu tự thu thập quy mô nhỏ và tập dữ liệu công khai trên mạng, chưa bao quát được toàn bộ biến thể góc nghiêng và biểu cảm.
  • Phạm vi mô hình AI: Hệ thống mới giải quyết bài toán nhận dạng khuôn mặt ở mức độ cục bộ (local edge), chưa áp dụng các mô hình Machine Learning/Deep Learning nâng cao để phân tích hành vi học tập chuyên sâu.
  • Độ nhạy môi trường: Các yếu tố khách quan như cường độ ánh sáng yếu, góc chụp và thời tiết ảnh hưởng trực tiếp đến chất lượng ảnh đầu vào, giới hạn độ chính xác nhận dạng ở mức ~95%.
  • Khả năng mở rộng và chịu tải: Hệ thống cơ sở dữ liệu và máy chủ được thiết kế ở mức độ đồ án tốt nghiệp, chưa được kiểm thử chịu tải với lượng truy cập đồng thời lớn khi triển khai trên toàn trường.
  • Phụ thuộc đường truyền: Tốc độ phản hồi và đồng bộ dữ liệu phụ thuộc vào chất lượng kết nối Internet.
  • Vấn đề an toàn thông tin: Khía cạnh bảo mật của ứng dụng web và API chưa được nhóm nghiên cứu đầu tư chuyên sâu do giới hạn thời gian và chuyên môn an ninh mạng.

Hướng phát triển tiếp theo

  • Nâng cấp và thử nghiệm các thuật toán nhận dạng khuôn mặt thế hệ mới để cải thiện tốc độ khung hình (FPS) và độ chính xác nhận diện.
  • Mở rộng tập dữ liệu huấn luyện khuôn mặt đa dạng hơn.
  • Ứng dụng các thuật toán Học máy và Học sâu trên luồng dữ liệu IoT thu thập được để phân tích thói quen học tập, tự động điều chỉnh các điều kiện môi trường xung quanh phòng học (ánh sáng, nhiệt độ) phù hợp với nhu cầu từng cá nhân.
  • Tối ưu hóa kiến trúc Backend và cơ sở dữ liệu để đáp ứng khả năng mở rộng quy mô lớn, đồng thời bổ sung các cơ chế bảo mật cho hệ thống Web API.

Giá trị tham khảo

Đồ án là tài liệu tham khảo kỹ thuật phù hợp cho:

  • Sinh viên và học viên ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Điện tử Viễn thông: Tham khảo quy trình thiết kế hoàn chỉnh một hệ thống nhúng IoT tích hợp Trí tuệ Nhân tạo tại biên (Edge AI), từ khâu lựa chọn phần cứng (NVIDIA Jetson Nano) đến cài đặt môi trường (OpenCV, CUDA, C++).
  • Người nghiên cứu các đề tài Lớp học thông minh (Smart Classroom) và Điểm danh sinh trắc học: Cung cấp giải pháp kết nối phần cứng nhận diện với hệ thống phần mềm quản trị thông qua kiến trúc RESTful Web API và cơ sở dữ liệu quan hệ MySQL.
  • Nhà phát triển hệ thống giám sát học tập/thi cử trực tuyến: Cung cấp tài liệu tham khảo về luồng nghiệp vụ tự động điểm danh, cơ chế kiểm tra định kỳ chu kỳ 3–5 phút và giải pháp chống gian lận thi cử bằng chụp ảnh minh chứng tự động.

Câu hỏi thường gặp

1. Phần cứng xử lý trung tâm của bàn thông minh trong đồ án sử dụng kit gì và có cấu hình ra sao?

Bàn thông minh sử dụng kit máy tính nhúng NVIDIA Jetson Nano Developer Kit Carrier Board A02. Thiết bị được trang bị GPU NVIDIA kiến trúc Maxwell 128 lõi, CPU Quad-core ARM A57 tốc độ 1.43 GHz, bộ nhớ RAM 4GB 64-bit LPDDR4 băng thông 25.6 GB/s, hỗ trợ cổng camera MIPI CSI-2, Gigabit Ethernet và xuất hình ảnh qua HDMI 2.0.

2. Hệ thống sử dụng những thuật toán thị giác máy tính nào để nhận diện sinh viên?

Hệ thống kết hợp hai thuật toán nòng cốt:

  • MTCNN (Multi-task Cascaded Convolutional Networks): Gồm 3 mạng xếp tầng (P-Net, R-Net, O-Net) để phát hiện vị trí khuôn mặt và trích xuất 5 điểm mốc đặc trưng (mắt, mũi, miệng).
  • FaceNet: Sử dụng mạng nơ-ron tích chập cùng hàm mất mát Triplet Loss để mã hóa khuôn mặt thành vector nhúng 128 chiều, so khớp nhận diện người dùng. Quá trình suy luận được tối ưu hóa qua nền tảng TensorRT và thư viện OpenCV.

3. Cơ chế giám sát chống gian lận trong giờ học và thi trực tuyến hoạt động như thế nào?

Hệ thống thực hiện hai cơ chế tự động:

  • Trong giờ học: Tự động quét và tái định danh học sinh sau mỗi chu kỳ từ 3 đến 5 phút để đảm bảo đúng người đang ngồi học.
  • Trong giờ thi: Camera liên tục theo dõi học sinh; ngay khi hết thời gian làm bài thi, hệ thống sẽ tự động chụp ảnh màn hình bài làm kết hợp với ảnh khuôn mặt của học sinh tại thời điểm đó và lưu trữ trực tiếp lên cơ sở dữ liệu để giáo viên đối chiếu.

4. Kiến trúc phần mềm và các công nghệ giao tiếp mạng được lựa chọn trong đồ án là gì?

Hệ thống xây dựng theo mô hình Client-Server kết hợp giữa Edge Computing (xử lý nhận diện trên Jetson Nano) và Cloud Computing (lưu trữ dữ liệu tập trung). Backend được phát triển bằng ngôn ngữ C# trên nền tảng .NET Framework, kết nối hệ quản trị cơ sở dữ liệu MySQL. Dữ liệu giữa thiết bị học sinh, thiết bị giáo viên và máy chủ trao đổi qua tiêu chuẩn RESTful Web API với định dạng dữ liệu JSON/XML. Giao diện Frontend sử dụng HTML, CSS, JavaScript, ReactJS và Bootstrap.

5. Tỷ lệ chính xác nhận diện khuôn mặt thực tế đạt được là bao nhiêu và bị ảnh hưởng bởi những yếu tố nào?

Trong điều kiện thực nghiệm phòng học, độ chính xác nhận diện thời gian thực của hệ thống đạt xấp xỉ 95%. Độ chính xác này bị chi phối bởi các yếu tố: cường độ ánh sáng môi trường (được kiểm thử tại hai mốc 200 lux và 400 lux), khoảng cách từ khuôn mặt đến webcam (dưới 30 cm và trên 1 m), quy mô tập dữ liệu huấn luyện ban đầu và chất lượng hình ảnh thu nhận từ camera.

Kết luận

Đồ án tốt nghiệp "Bàn Thông Minh Trên Nền Tảng IoT: Ứng Dụng Trong Lớp Học" của nhóm sinh viên Bành Ngọc Ninh và Đào Duy Khang đã thiết kế và chế tạo thành công mẫu thiết bị bàn học thông minh nhỏ gọn, ứng dụng kit nhúng Jetson Nano kết hợp camera và màn hình tương tác. Nghiên cứu đã tích hợp hiệu quả các giải pháp AI (MTCNN, FaceNet, TensorRT) với hệ thống quản trị phân tán (Backend C#, MySQL, RESTful API) để giải quyết trọn vẹn các bài toán thực tế: tự động điểm danh, chia sẻ học liệu, giám sát liên tục trong giờ học và chống gian lận thi cử trực tuyến. Mặc dù còn một số hạn chế về quy mô dữ liệu huấn luyện và bảo mật web, công trình mang lại giá trị thực tiễn cao, đóng góp một mô hình kỹ thuật khả thi cho lộ trình hiện đại hóa lớp học thông minh tại Việt Nam.