Báo cáo đề tài khoa học sinh viên năm 2023: Xây dựng hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt

Nghiên cứu khoa học sinh viên 2023 xây dựng hệ thống điểm danh tự động bằng nhận diện khuôn mặt. Khám phá ứng dụng AI, nâng cao hiệu quả, độ chính xác trong

• Tác giả: Nguyễn Danh
• Người hướng dẫn: Ts. Nguyễn Thị Lương
• Trường học: Đại học Đà Lạt
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Xây dựng hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt
• Loại tài liệu: Báo cáo tổng kết đề tài khoa học sinh viên
• Năm xuất bản: 2023
• Địa điểm: Đà Lạt

Tóm tắt

I. Xây dựng hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt Hướng dẫn chi tiết

Hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt là một giải pháp công nghệ tiên tiến, giúp cải thiện hiệu quả quản lý và theo dõi sự tham gia của sinh viên trong các hoạt động học tập. Bài viết này sẽ cung cấp một hướng dẫn chi tiết về quá trình xây dựng hệ thống này, bao gồm các bước thực hiện, công nghệ sử dụng và những lợi ích mà nó mang lại.

1.1. Tổng quan về hệ thống điểm danh sinh viên

Hệ thống điểm danh sinh viên truyền thống thường dựa trên việc sử dụng danh sách tên hoặc mã số sinh viên, đòi hỏi sự can thiệp thủ công và có thể dẫn đến những sai sót. Với sự phát triển của công nghệ nhận diện khuôn mặt, việc xây dựng một hệ thống điểm danh tự động và chính xác trở nên khả thi hơn bao giờ hết. Hệ thống này sử dụng công nghệ trí tuệ nhân tạo để nhận diện và xác thực danh tính của sinh viên, mang lại nhiều lợi ích cho cả sinh viên và nhà trường.

1.2. Vấn đề và thách thức trong điểm danh sinh viên

Việc điểm danh thủ công có thể gây ra nhiều khó khăn và mất thời gian, đặc biệt là trong các lớp học lớn hoặc khi sinh viên vắng mặt đột xuất. Hơn nữa, việc sử dụng danh sách tên hoặc mã số có thể dẫn đến những sai sót trong việc ghi nhận sự tham gia của sinh viên, ảnh hưởng đến việc đánh giá kết quả học tập và quản lý học vụ. Hệ thống điểm danh dựa trên nhận diện khuôn mặt giải quyết những thách thức này bằng cách cung cấp một giải pháp tự động, chính xác và hiệu quả.

1.3. Phương pháp xây dựng hệ thống điểm danh

Quá trình xây dựng hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt bao gồm nhiều bước, từ thu thập dữ liệu đến triển khai và tích hợp. Đầu tiên, cần thu thập dữ liệu khuôn mặt của sinh viên để tạo cơ sở dữ liệu. Sau đó, sử dụng các thuật toán học máy và trí tuệ nhân tạo để đào tạo và phát triển mô hình nhận diện. Cuối cùng, triển khai hệ thống và tích hợp với các hệ thống quản lý học vụ hiện có của trường.

II. Công nghệ và thuật toán trong nhận diện khuôn mặt

Nhận diện khuôn mặt là một lĩnh vực quan trọng trong trí tuệ nhân tạo, sử dụng các thuật toán và mô hình học máy để phân tích và nhận diện các đặc điểm khuôn mặt. Trong hệ thống điểm danh sinh viên, công nghệ này đóng vai trò then chốt trong việc xác thực danh tính của sinh viên.

2.1. Mô hình Ultra light fast face detection

Mô hình Ultra-light fast face detection là một giải pháp hiệu quả trong việc phát hiện và nhận diện khuôn mặt. Nó sử dụng một mạng nơron nhân tạo với cấu trúc đơn giản nhưng mạnh mẽ, cho phép phát hiện nhanh chóng và chính xác các khuôn mặt trong hình ảnh hoặc video. Mô hình này được đào tạo dựa trên một lượng lớn dữ liệu, giúp nó nhận diện được nhiều đặc điểm khuôn mặt khác nhau.

2.2. Mô hình FaceNet và nhận diện sinh trắc học

FaceNet là một mô hình học sâu được phát triển để nhận diện và xác thực danh tính dựa trên các đặc điểm sinh trắc học của khuôn mặt. Nó sử dụng một mạng nơron nhiều lớp ẩn để trích xuất các đặc điểm quan trọng, cho phép nhận diện chính xác và nhanh chóng. FaceNet đã được chứng minh là có hiệu quả cao trong việc nhận diện khuôn mặt, thậm chí trong điều kiện ánh sáng thay đổi hoặc góc nhìn khác nhau.

2.3. Ứng dụng thực tiễn của nhận diện khuôn mặt

Nhận diện khuôn mặt đã được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm an ninh, ngân hàng, và giáo dục. Trong hệ thống điểm danh sinh viên, công nghệ này giúp xác thực danh tính của sinh viên một cách nhanh chóng và chính xác, giảm thiểu thời gian và công sức dành cho việc điểm danh thủ công. Hơn nữa, nó cũng giúp tăng cường an ninh và bảo mật trong môi trường học tập, đảm bảo rằng chỉ những sinh viên được phép mới có thể tham gia vào các hoạt động học tập.

III. Triển khai và kết quả nghiên cứu

Quá trình triển khai hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt đã được thực hiện thành công tại Trường Đại học Đà Lạt. Hệ thống này đã được tích hợp với hệ thống quản lý học vụ hiện có của trường, cho phép điểm danh tự động và chính xác. Kết quả nghiên cứu cho thấy hệ thống này mang lại nhiều lợi ích, bao gồm tăng cường hiệu quả quản lý, giảm thiểu sai sót trong điểm danh, và cải thiện trải nghiệm học tập cho sinh viên.

3.1. Quy trình triển khai hệ thống

Quá trình triển khai hệ thống điểm danh bao gồm nhiều bước, từ thu thập dữ liệu khuôn mặt của sinh viên đến tích hợp với hệ thống quản lý học vụ. Đầu tiên, sinh viên được yêu cầu cung cấp dữ liệu khuôn mặt để tạo cơ sở dữ liệu. Sau đó, hệ thống được đào tạo và thử nghiệm để đảm bảo độ chính xác cao. Cuối cùng, hệ thống được tích hợp với hệ thống quản lý học vụ, cho phép điểm danh tự động và cập nhật thông tin tham gia của sinh viên.

3.2. Kết quả nghiên cứu và đánh giá

Kết quả nghiên cứu cho thấy hệ thống điểm danh dựa trên nhận diện khuôn mặt đã đạt được độ chính xác cao trong việc nhận diện và xác thực danh tính của sinh viên. Hệ thống này đã giảm đáng kể thời gian điểm danh và cải thiện hiệu quả quản lý học vụ. Hơn nữa, sinh viên cũng đánh giá cao sự tiện lợi và tính bảo mật của hệ thống, giúp họ tập trung hơn vào việc học tập.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC ĐÀ LẠT BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC SINH VIÊN NĂM 2023 XÂY DỰNG HỆ THỐNG ĐIỂM DANH SINH VIÊN DỰA TRÊN NHẬN DIỆN KHUÔN MẶT Lâm Đồng, tháng 5/2023 MỤC LỤC MỤC LỤC. 1 DANH MỤC HÌNH ẢNH. 3 DANH MỤC BẢNG. 5 DANH MỤC VIẾT TẮT.

6 THÔNG TIN KẾT QUẢ NGHIÊN CỨU CỦA ĐỀ TÀI. 7 THÔNG TIN VỀ SINH VIÊN. Tổng quan tình hình nghiên cứu của đề tài. Lý do chọn đề tài.

Mục tiêu đề tài. Mục tiêu tổng quát. Mục tiêu cụ thể. Phương pháp nghiên cứu.

Đối tượng nghiên cứu. Phạm vi nghiên cứu. GIỚI THIỆU TỔNG QUAN. Vấn đề bài toán.

Hướng giải quyết. Phân nhánh máy học. Phân loại học có giám sát. Học không giám sát.

Giảm chiều dữ liệu. Phân loại học bán giám sát. Phân cụm ràng buộc. Ứng dụng của học bán giám sát.

Học tăng cường. Các phương pháp tiếp cận vấn đề trong học máy. Tiếp cận theo phương pháp Học máy truyền thống (ML). Giới thiệu mạng nơron nhân tạo.

Mô hình toán học mạng nơron. Mạng nơron nhân tạo. Mạng nơron một lớp. Mạng nơron nhiều lớp ẩn.

Một số thư viện học máy hiện nay. PHÁT HIỆN GƯƠNG MẶT. Mô hình Ultra-light fast face detection. Viết chương trình phát hiện gương mặt.

So sánh với các mô hình phát hiện gương mặt khác. NHẬN DIỆN GƯƠNG MẶT. Căn chỉnh thẳng hàng gương mặt. Mô hình FaceNet.

Kiến trúc mô hình. Mô hình pretrain. Sử dụng mô hình để nhận diện. Trích suất đặc trưng để nhận diện gương mặt.

Nhận diện gương mặt. So sánh với các mô hình nhận diện gương mặt hiện nay. TRIỂN KHAI CHƯƠNG TRÌNH.2 Quy trình của chương trình: .1 Thu thập dữ liệu các khuôn mặt để nhận diện.2 Xử lý phát hiện và nhận diện khuôn mặt trong thời gian thực .3 Xem database điểm danh theo ngày. 82 TÀI LIỆU THAM KHẢO.

84 2 DANH MỤC HÌNH ẢNH Hình 1: Những cột mốc quan trọng của Deep Learning. 14 Hình 2: Mô tả cách thực hiện dự án. 18 Hình 3: Mô hình thực hiện chương trình. 19 Hình 4: Mối quan hệ của các lĩnh vực AI, ML và DL.

Cấu trúc phân nhánh của Machine Learning. Biểu đồ phân tán hồi quy tuyến tính. Hyperplane ở đồ thị hai chiều (hình I) và ba chiều (hình II). Đồ thị hàm số phi tuyến tính (Non Linear Function).

Biểu đồ hồi quy đa thức (thể hiện tương quan của cá qua từng độ tuổi). Biểu đồ thể hiện chỉ số đường huyết bệnh tiểu đường. Biểu đồ phân loại các ca bệnh tiểu đường. Ma trận lỗi.

Ma trận lỗi bài toán phân loại nhị phân .Ví dụ về phân cụm (học không giám sát). Chu trình học của học tăng cường. Sơ đồ hoạt động của phương pháp học máy truyền thống. Biểu đồ sánh hiệu suất giữa Học máy và Học sâu.

Mô hình toán học mạng Nơron. Nơron nhân tạo mô phỏng nơron sinh học. Mạng nơron đơn giản (1 lớp ẩn). Mạng nơron sâu (nhiều lớp ẩn).

Mạng nơron với lớp ẩn kết nối ngẫu nhiên. Sơ đồ hoạt động của ONNX. Mô hình nhận diện vật thể trong một bước. Sơ đồ hoạt động của mô hình Pytorch SSD .Sơ đồ chi tiết của mô hình Pytorch SSD.

Sự can thiệp của module RFB vào Pytorch SSD. Mô phỏng giải thích trường cảm thụ RFB. Phần code hỗ trợ xử lý hình ảnh. Bắt đầu quá trình sử dụng ONNX.

Câu lệnh dùng để xác định khuôn mặt .Lọc các cặp dữ liệu giống nhau. Kết quả các cặp dữ liệu giống nhau. Lọc các cặp dữ liệu khác nhau. Kết quả các cặp dữ liệu khác nhau.

Gộp kết quả các cặp dữ liệu giống và khác nhau. Sử dụng thư viện DeepFace để gọi các mô hình cho huấn luyện. Vẽ đồ thị từ kết quả. Đồ thị của kết quả.

Căn chỉnh gương mặt theo mốc. Tạo Vector từ gương mặt. Mô hình Inception resnet v1. Sử dụng hàm loss để tăng độ nhận diện.

Thuật toán Triplet loss mô phỏng quá trình nhận diện. Đưa mô hình đã huấn luyện vào file pickle. Khoảng cách tuyệt đối giữa hai Vector. Hiển thị kết quả gương mặt đã phát hiện.

Đồ thị so sánh hiệu quả giữa các mô hình. Mô hình huấn luyện của chương trình. Giao diện huấn luyện của chương trình. Dữ liệu kết quả thu được sau khi xử lý.

Giao diện nhận diện khuôn mặt của chương trình. Mô hình nhận diện gương mặt của chương trình. kết quả nhận diện theo thời gian thực. Giao diện tùy chỉnh biến số nhận diện.

Giao diện của truy xuất dữ liệu điểm danh sinh viên. 81 4 DANH MỤC BẢNG Bảng 1. Mục tiêu cụ thể (nguyên tắc SMART). Dữ liệu về thông số và giá nhà.

Dữ liệu về chỉ số đường huyết của các bệnh nhân. Bảng đối chiếu y và y ̂ của mô hình luận lý. Dữ liệu về thông tin chiều cao và cân nặng. Dữ liệu thông tin sức khỏe và phân loại mức độ béo phì.

So sánh giữa 2 phiên bản với bộ dữ liệu WiderFace. Đánh giá độ chính xác giữa hai mô hình như dưới. So sánh hiệu quả giữa các mô hình. 73 5 DANH MỤC VIẾT TẮT STT Chữ viết tắt Viết đầy đủ 1 AI Artificial Intelligence 2 A, P, R Accuracy, Precision, Recall 3 ANN Artificial Neural Networks 4 API Application Programming Interface 5 APK Android Package Kit 6 CNN Convolution Neural Network 7 CNTT Công Nghệ Thông Tin 8 CPU Central Processing Unit 9 DL Deep Learning 10 DNN Deep Neural Network 11 ĐLC Độ Lệch Chuẩn 12 GPU Graphics Processing Unit 13 ML Machine Learning 14 NN Neural Network 15 RAM Random Access Memory 16 ReLU Rectified Linear Unit 17 Sklearn Scikit-learn 18 TF TensorFlow 19 TB Trung Bình 6 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC ĐÀ LẠT THÔNG TIN KẾT QUẢ NGHIÊN CỨU CỦA ĐỀ TÀI 1.

Thông tin chung: ● Tên đề tài: “Xây dựng hệ thống điểm danh sinh viên dựa trên nhận diện khuôn mặt” ● Sinh viên thực hiện: STT Họ và tên MSSV Lớp Khoa Năm thứ 1 Nguyễn Danh 1812736 CTK42-PM CNTT 4 2 Nguyễn Bảo Long 1812795 CTK42-PM CNTT 4 3 Nguyễn Trọng Hiếu 1812756 CTK42-PM CNTT 4 4 Lê Hoàng Nhật 1812814 CTK42-PM CNTT 4 5 Trần Hữu Khải Quân 1813857 CTK42-PM CNTT 4 ● Giảng viên hướng dẫn: TS. Nguyễn Thị Lương 2. Mục tiêu đề tài 2. Về lý thuyết Tìm hiểu được lịch sử hình thành và phát triển cùng với các kiến thức cơ bản của Học máy và Học sâu, tìm hiểu cơ sở toán học bên dưới của các mô hình.

Tìm hiểu các thư viện học máy nổi tiếng hiện nay, cách sử dụng thư viện để huấn luyện mô hình và triển khai xây dựng ứng dụng nhận diện trên nền tảng Web. Nắm rõ kiến thức về kiến trúc CNN, tìm hiểu các mô hình học máy nổi tiếng những năm gần đây. Về thực nghiệm Đề tài hướng đến việc xây dựng mô hình huấn luyện và triển khai mô hình trên nền tảng Web , cho phép nhận diện khuôn mặt từ các ảnh thư viện, từ ảnh chụp và nhận diện thời gian thực (realtime), dự đoán tên của sinh viên với tốc độ nhận diện và độ chính xác cao và đưa ra thông tin của sinh viên đó. Giới thiệu đề tài Hiện nay thị giác máy tính (computer vision) được áp dụng rộng rãi vào trong đời sống của con người.

Một trong những ứng dụng phổ biến nhất của thị giác máy tính đó chính là nhận diện gương mặt. Mặc dù hiện nay đã có rất nhiều ứng dụng và thiết bị nhận diện gương mặt xuất hiện trên thị trường, chúng vẫn còn bị hạn chế trong phạm vi sử dụng cũng như khả năng xử lý và độ hiệu quả chưa đáp ứng được với số tiền đầu tư. Trong bài đồ án này sẽ ta cố gắng nghiên cứu và thiết kế xây dựng ra một hệ thống nhận diện gương mặt có thể linh hoạt đáp ứng được với mọi nhu cầu của người sử dụng và áp dụng vào được trong nhiều nghành nghề lĩnh vực, nền tảng sử dụng khác nhau. Kết quả nghiên cứu Xây dựng thành công mô hình – Đề tài đã tiến hành xây dựng, huấn luyện thành công mô hình Máy học, so sánh các mô hình đã huấn luyện và chọn ra mô hình tối ưu nhất.

Triển khai ứng dụng Web – Sau khi huấn luyện và kết xuất mô hình, sử dụng mô hình đã kết xuất để xây dựng thành ứng dụng chạy trên nền tảng Web. Xây dựng giao diện và các chức năng cho ứng dụng. Nhóm chúng tôi đã thử nghiệm ứng dụng điểm danh sinh viên và nhận về được kết quả tốt, với thời gian nhận diện thấp và độ chính xác cao. Đóng góp về mặt kinh tế - xã hội, giáo dục và đào tạo, an ninh, quốc phòng và khả năng áp dụng của đề tài: 5.

Hiệu quả xã hội: Hệ thống nhận diện gương mặt cung cấp cho giảng viên một cách thức đơn giản và nhanh chóng trong việc điểm danh sinh viên có mặt trong lớp học. Điều này góp phần cải thiện môi trường học tập, giảng dạy của sinh viên và giảng viên. Hiệu quả an ninh: Có thể sử dụng kết quả nghiên cứu của đề tài, thay đổi tập dữ liệu đầu vào là khuôn mặt và thông tin của người dân. Khi áp dụng nhận diện thời gian thực của đề 8 tài, ta có thể tiến hành nhận diện đối tượng người, thực hiện các quản lý về an ninh của doanh nghiệp và tổ chức.

Khả năng áp dụng của đề tài: Kết quả nghiên cứu của đề tài có thể áp dụng rộng rãi trong mọi mặt của đời sống hay ứng dụng trong các ngành khác. Ví dụ như trong công nghệ sinh học, có thể sử dụng công nghệ nhận dạng loài hoa thời gian thực để tự động theo dõi tình trạng sức khỏe của cây hoa, dự đoán thời gian thu hoạch, dự đoán các loại sâu bệnh,… 6. Công bố khoa học của sinh viên từ kết quả nghiên cứu của đề tài Ngày tháng năm Sinh viên chịu trách nhiệm chính thực hiện đề tài (ký, họ và tên) 9 Nhận xét của người hướng dẫn về những đóng góp khoa học của sinh viên thực hiện đề tài (phần này do người hướng dẫn ghi): Đề tài đã xây dựng được một mô hình học máy cho bài toán nhận diện khuôn mặt và mô hình này được áp dụng trong việc xây dựng ứng dụng nhận diện trên nền tảng Web giúp Giảng viên dễ dàng sử dụng để điểm danh sinh viên.