Luận văn thạc sĩ: Vận dụng thuật toán nhận dạng ảnh để điểm danh học sinh trong lớp học

• Tác giả: Nguyễn Hoàng Thanh
• Người hướng dẫn: PGS. Trần Mạnh Hà
• Trường học: Trường Đại Học Bà Rịa – Vũng Tàu
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Điểm Danh Học Sinh Bằng Thuật Toán Nhận Dạng Ảnh Trong Lớp Học
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2023
• Địa điểm: Bà Rịa – Vũng Tàu

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI VÀ NỘI DUNG
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của luận văn
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ XỬ LÝ ẢNH SỐ, MACHINE LEARNING - DEEP LEARNING VÀ CÁC PHƯƠNG PHÁP GIÚP PHÁT HIỆN KHUÔN MẶT VÀ NHẬN DIỆN GƯƠNG MẶT NGƯỜI TRÊN ẢNH
• 2.1. Cở sở lý thuyết về xử lý ảnh số, xử lý các vấn đề trong xử lý ảnh
• 2.2. Cơ sở lý thuyết xử lý ảnh
• 2.3. Các Khía cạnh Cơ bản của Xử lý Hình ảnh
• 2.3.1. Hình ảnh Số và Điểm ảnh
• 2.3.2. Nắn chỉnh biến dạng
• 2.3.3. Phương pháp khử nhiễu ảnh
• 2.3.4. Phương pháp điều chỉnh mức xám của ảnh
• 2.3.5. Phương pháp nhận dạng
• 2.4. Một số kỹ thuật xử lý ảnh số
• 2.4.1. Các phương pháp xử lý ảnh nhiễu
• 2.4.1.1. Kỹ thuật trung bình
• 3. CHƯƠNG 3: GIẢI PHÁP ĐIỂM DANH HỌC SINH SỬ DỤNG KỶ THUẬT NHẬN DẠNG ĐỐI TƯỢNG KẾT HỢP
• 3.1. Giải pháp cho bài toán điểm danh học sinh
• 3.2. Bài toán đặt ra
• 3.3. Phương pháp giải quyết bài toán
• 3.4. Xây dựng mô hình nhận dạng gương mặt
• 3.4.1. Thu thập mẫu dữ liệu
• 3.4.2. Thu thập ảnh điểm danh
• 3.4.3. Phát hiện khuôn mặt từ ảnh dữ liệu vào
• 3.4.4. Tiến hành nhận dạng khuôn mặt với ảnh mẫu
• 3.4.5. Dữ liệu thu thập
• 3.4.6. Dữ liệu ảnh mẫu để thực hiện huấn luyện
• 3.4.7. Dữ liệu đầu vào để thực hiện lấy khuôn mặt
• 3.4.8. Các yếu tố để mô hình đạt được hiệu quả
• 3.4.9. Một số quy tắc cần thực hiện
• 3.4.10. Các trường hợp phát hiện và nhận dạng sai
• 4. CHƯƠNG 4: QUY TRÌNH VÀ KẾT QUẢ THỰC NGHIỆM VIỆC ÁP DỤNG TRONG THỰC TẾ TẠI LỚP HỌC
• 4.1. Cài đặt thực nghiệm
• 4.2. Cấu trúc chương trình chính
• 4.3. Quy trình hoạt động hệ thống
• 4.4. Mô tả quy trình lấy mẫu điểm danh ban đầu
• 4.5. Mô tả quy trình lấy dữ liệu đầu vào – đầu ra
• 4.6. Mô tả quy trình điểm danh
• 4.7. Kết quả của quá trình thực nghiệm
• 4.8. Đánh giá kết quả quá trình thực nghiệm
• 4.9. Kết luận và phương hướng phát triển đề tài
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về thuật toán nhận dạng ảnh

Trong bối cảnh công nghệ 4.0, thuật toán nhận diện đã trở thành một phần quan trọng trong việc cải thiện quy trình quản lý trong giáo dục. Nhận dạng ảnh cho phép tự động hóa quy trình điểm danh học sinh, từ đó giảm thiểu thời gian và công sức cho giáo viên. Việc sử dụng công nghệ giáo dục không chỉ giúp tăng độ chính xác trong việc xác định danh tính học sinh mà còn tạo ra trải nghiệm tích cực hơn cho học sinh trong lớp học. Theo nghiên cứu, việc áp dụng công nghệ nhận diện trong giáo dục đã chứng minh được hiệu quả, giúp nâng cao hiệu quả quản lý và tạo sự tương tác giữa học sinh và công nghệ. Hệ thống nhận diện khuôn mặt sử dụng các thuật toán như MTCNN và FaceNet, cho phép phát hiện và nhận dạng khuôn mặt trong thời gian thực, giúp giáo viên có cái nhìn tổng quan về sự tham gia của học sinh trong lớp học.

1.1. Lợi ích của việc tự động hóa điểm danh

Việc tự động điểm danh học sinh thông qua thuật toán nhận dạng ảnh mang lại nhiều lợi ích thiết thực. Đầu tiên, nó giúp tiết kiệm thời gian cho giáo viên, cho phép họ tập trung vào việc giảng dạy thay vì thực hiện các công việc hành chính. Thứ hai, công nghệ giáo dục này tăng cường độ chính xác trong việc xác định danh tính học sinh, giảm thiểu nhầm lẫn trong quá trình điểm danh thủ công. Ngoài ra, việc không cần tham gia vào quy trình điểm danh có thể tạo ra một môi trường học tập tích cực hơn cho học sinh. Cuối cùng, việc tích hợp công nghệ vào quy trình quản lý giáo dục không chỉ nâng cao hiệu quả mà còn thể hiện sự hiện đại của trường học trong việc áp dụng công nghệ tiên tiến.

II. Cơ sở lý thuyết về xử lý ảnh số

Cơ sở lý thuyết về xử lý ảnh số là nền tảng quan trọng cho việc phát triển các ứng dụng nhận dạng ảnh. Trong đó, các khía cạnh cơ bản của xử lý hình ảnh bao gồm việc thu thập dữ liệu, xử lý thô, và nhận dạng mẫu. Hệ thống nhận diện khuôn mặt thường sử dụng các mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), để phát hiện và phân loại các đặc điểm khuôn mặt. Việc áp dụng các phương pháp như khử nhiễu ảnh, điều chỉnh mức xám, và phát hiện biên là những bước cần thiết để cải thiện chất lượng ảnh đầu vào. Các thuật toán như MTCNN và FaceNet được sử dụng để phát hiện và nhận dạng khuôn mặt, giúp tăng cường độ chính xác trong việc điểm danh học sinh.

2.1. Các phương pháp xử lý ảnh

Trong lĩnh vực xử lý ảnh, có nhiều phương pháp khác nhau được áp dụng để cải thiện chất lượng ảnh và nâng cao khả năng nhận dạng. Các phương pháp như khử nhiễu ảnh, điều chỉnh mức xám, và phát hiện biên là những kỹ thuật quan trọng. Khử nhiễu ảnh giúp loại bỏ các nhiễu không mong muốn trong quá trình thu thập dữ liệu, trong khi việc điều chỉnh mức xám giúp tăng cường độ tương phản và rõ nét cho ảnh. Phát hiện biên cho phép xác định các đường bao quanh các đối tượng trong ảnh, từ đó giúp nhận diện chính xác hơn. Những phương pháp này không chỉ cải thiện chất lượng ảnh mà còn tạo điều kiện thuận lợi cho việc áp dụng các thuật toán nhận dạng như FaceNet, từ đó nâng cao hiệu quả trong việc điểm danh học sinh.

III. Giải pháp điểm danh học sinh

Giải pháp điểm danh học sinh thông qua công nghệ nhận diện được xây dựng dựa trên việc phát hiện và nhận diện khuôn mặt. Đầu tiên, hệ thống sẽ thu thập mẫu dữ liệu từ camera trong lớp học. Sau đó, các ảnh điểm danh sẽ được xử lý thông qua thuật toán MTCNN để phát hiện khuôn mặt. Sau khi phát hiện, các khuôn mặt sẽ được nhận diện bằng thuật toán FaceNet, cho phép xác định danh tính học sinh trong thời gian thực. Việc áp dụng giải pháp này không chỉ giúp tiết kiệm thời gian mà còn tăng cường độ chính xác trong việc điểm danh. Hệ thống cũng có khả năng quản lý và thống kê số lượng học sinh tham gia lớp học, từ đó cung cấp thông tin hữu ích cho giáo viên và nhà quản lý.

3.1. Quy trình thực hiện điểm danh

Quy trình điểm danh học sinh sử dụng thuật toán nhận diện gồm các bước cụ thể. Đầu tiên, hệ thống sẽ thu thập ảnh từ camera trong lớp học. Các ảnh này sẽ được xử lý để phát hiện khuôn mặt bằng thuật toán MTCNN. Sau khi khuôn mặt được phát hiện, hệ thống sẽ tiến hành nhận diện khuôn mặt đó bằng thuật toán FaceNet. Kết quả nhận diện sẽ được so sánh với danh sách học sinh có trong lớp để xác định sự có mặt của từng học sinh. Qua đó, giáo viên có thể dễ dàng theo dõi sự tham gia của học sinh trong lớp học. Hệ thống cũng có thể lưu trữ dữ liệu điểm danh để phục vụ cho việc quản lý và thống kê sau này.

IV. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy việc áp dụng thuật toán nhận dạng ảnh trong điểm danh học sinh mang lại hiệu quả tích cực. Hệ thống đã hoạt động ổn định trong việc phát hiện và nhận diện khuôn mặt học sinh trong thời gian thực. Các chỉ số về độ chính xác và thời gian xử lý đều được cải thiện đáng kể so với phương pháp điểm danh truyền thống. Việc áp dụng công nghệ này không chỉ giúp tiết kiệm thời gian mà còn tạo ra một môi trường học tập tích cực hơn cho học sinh. Hệ thống cũng đã được đánh giá cao từ phía giáo viên và học sinh, cho thấy tiềm năng lớn trong việc áp dụng công nghệ vào quản lý giáo dục.

4.1. Đánh giá kết quả thực nghiệm

Đánh giá kết quả thực nghiệm cho thấy hệ thống điểm danh học sinh thông qua nhận dạng ảnh đã đạt được độ chính xác cao. Các thử nghiệm cho thấy tỷ lệ nhận diện chính xác lên tới 95%, cho phép giáo viên có thể theo dõi sự tham gia của học sinh một cách hiệu quả. Thời gian xử lý mỗi lần điểm danh cũng được rút ngắn xuống còn vài giây, giúp tiết kiệm thời gian cho giáo viên. Nhờ vào việc sử dụng công nghệ nhận diện khuôn mặt, hệ thống đã chứng minh được khả năng cải thiện quy trình quản lý giáo dục, đồng thời tạo ra trải nghiệm tích cực hơn cho học sinh trong lớp học.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ 4.0, việc ứng dụng thuật toán nhận dạng ảnh trong quản lý giáo dục ngày càng trở nên thiết yếu. Theo ước tính, quá trình điểm danh thủ công tại các trường học tiêu tốn nhiều thời gian và nguồn lực, đồng thời dễ xảy ra sai sót, đặc biệt trong các lớp học đông đúc. Luận văn tập trung nghiên cứu và phát triển giải pháp điểm danh học sinh tự động bằng thuật toán nhận dạng gương mặt, áp dụng tại trường THPT Đinh Tiên Hoàng, tỉnh Bà Rịa – Vũng Tàu. Mục tiêu chính là xây dựng mô hình phát hiện và nhận dạng khuôn mặt học sinh qua ảnh tĩnh từ hệ thống camera trong lớp học, nhằm nâng cao độ chính xác và tiết kiệm thời gian điểm danh.

Phạm vi nghiên cứu tập trung vào các lớp học tại trường THPT Đinh Tiên Hoàng trong năm học 2023-2024. Luận văn không chỉ mang ý nghĩa thực tiễn trong việc cải thiện hiệu quả quản lý giáo dục mà còn góp phần thúc đẩy tích hợp công nghệ hiện đại vào môi trường học tập. Các chỉ số hiệu quả được đánh giá qua độ chính xác nhận dạng khuôn mặt, tốc độ xử lý ảnh và khả năng áp dụng trong thời gian thực. Qua đó, giải pháp giúp giáo viên giảm tải công việc hành chính, tăng cường trải nghiệm học tập tích cực cho học sinh và nâng cao hiệu quả quản lý lớp học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: xử lý ảnh số và học sâu (Deep Learning). Xử lý ảnh số cung cấp các kỹ thuật tiền xử lý như khử nhiễu, điều chỉnh mức xám, phát hiện biên và nắn chỉnh biến dạng ảnh nhằm chuẩn hóa dữ liệu đầu vào. Các phương pháp khử nhiễu bao gồm kỹ thuật trung bình, trung vị và lọc thông thấp, giúp cải thiện chất lượng ảnh thu nhận từ camera.

Học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), được sử dụng để xây dựng mô hình nhận dạng gương mặt. Thuật toán MTCNN (Multi-task Cascaded Convolutional Networks) được áp dụng để phát hiện khuôn mặt trong ảnh với ba mạng con P-Net, R-Net và O-Net, lần lượt thực hiện phát hiện vùng chứa khuôn mặt, lọc và hiệu chỉnh vị trí khuôn mặt, đồng thời xác định các điểm đặc trưng như mắt, mũi, môi. Thuật toán FaceNet được sử dụng để nhận dạng và định danh khuôn mặt dựa trên phương pháp Triplet Loss và đo độ tương tự cosine similarity.

Các khái niệm chính bao gồm: điểm ảnh (pixel), gradient, bộ lọc tích chập, hàm kích hoạt ReLU, lớp pooling, và các thuật toán nhận dạng dựa trên đặc trưng khuôn mặt. Mô hình CNN giúp trích xuất đặc trưng tự động từ ảnh, giảm thiểu sự can thiệp thủ công và tăng độ chính xác nhận dạng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là ảnh tĩnh thu thập từ hệ thống camera lắp đặt trong các lớp học của trường THPT Đinh Tiên Hoàng. Bộ dữ liệu gồm khoảng 5000 ảnh mẫu khuôn mặt học sinh được thu thập trong các tiết học thực tế. Phương pháp chọn mẫu là lấy toàn bộ học sinh trong các lớp học tiêu biểu, đảm bảo tính đại diện cho nghiên cứu.

Phân tích dữ liệu được thực hiện qua các bước: tiền xử lý ảnh (khử nhiễu, chỉnh xám, nắn chỉnh biến dạng), phát hiện khuôn mặt bằng MTCNN, trích xuất đặc trưng và nhận dạng bằng FaceNet. Quá trình huấn luyện mô hình sử dụng kỹ thuật học giám sát với dữ liệu đã gán nhãn. Thời gian nghiên cứu kéo dài trong 6 tháng, từ tháng 3 đến tháng 8 năm 2023, bao gồm thu thập dữ liệu, xây dựng mô hình, thực nghiệm và đánh giá kết quả.

Các chỉ số đánh giá bao gồm độ chính xác nhận dạng (accuracy), tỷ lệ phát hiện đúng khuôn mặt (recall), và tốc độ xử lý ảnh (fps). Kết quả được trình bày qua biểu đồ phân bổ độ chính xác và bảng thống kê hiệu suất mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng khuôn mặt đạt khoảng 92% trong điều kiện ánh sáng và góc camera tiêu chuẩn, cao hơn đáng kể so với phương pháp điểm danh thủ công truyền thống. Tỷ lệ sai sót nhận dạng dưới 8%, chủ yếu do ảnh bị che khuất hoặc ngược sáng.

2. Tốc độ xử lý ảnh trung bình đạt 15 fps, đủ để áp dụng trong thời gian thực cho các tiết học với số lượng học sinh khoảng 40-50 người mỗi lớp.

3. Mô hình MTCNN kết hợp FaceNet cho phép phát hiện và nhận dạng khuôn mặt chính xác trong ảnh tĩnh, với khả năng tự động căn chỉnh góc nghiêng khuôn mặt, giúp tăng độ tin cậy của hệ thống.

4. Các yếu tố ảnh hưởng đến hiệu quả nhận dạng bao gồm góc lắp camera, điều kiện ánh sáng và chất lượng ảnh thu thập. Ví dụ, góc camera che khuất một phần khuôn mặt hoặc ánh sáng ngược làm giảm độ chính xác nhận dạng xuống còn khoảng 75%.

Thảo luận kết quả

Nguyên nhân chính của độ chính xác cao là nhờ việc áp dụng kỹ thuật học sâu với mạng CNN, cho phép trích xuất đặc trưng khuôn mặt một cách tự động và hiệu quả. So với các nghiên cứu trước đây trong lĩnh vực nhận dạng khuôn mặt, kết quả này tương đương hoặc vượt trội nhờ sự kết hợp giữa MTCNN và FaceNet.

Việc xử lý ảnh tiền đề như khử nhiễu và nắn chỉnh biến dạng giúp cải thiện chất lượng dữ liệu đầu vào, từ đó nâng cao hiệu quả nhận dạng. Biểu đồ phân bổ độ chính xác cho thấy phần lớn ảnh được nhận dạng với độ chính xác trên 90%, trong khi bảng thống kê lỗi nhận dạng chủ yếu tập trung ở các trường hợp ảnh bị che khuất hoặc ánh sáng yếu.

Kết quả này có ý nghĩa quan trọng trong việc tự động hóa quy trình điểm danh, giảm thiểu sai sót và tiết kiệm thời gian cho giáo viên. Đồng thời, hệ thống có thể mở rộng ứng dụng cho các trường học khác với điều kiện tương tự, góp phần hiện đại hóa quản lý giáo dục.

Đề xuất và khuyến nghị

1. Triển khai hệ thống điểm danh tự động tại các lớp học trong trường THPT Đinh Tiên Hoàng trong vòng 6 tháng tới, nhằm thay thế hoàn toàn phương pháp điểm danh thủ công, giúp tăng độ chính xác và tiết kiệm thời gian.

2. Nâng cấp hệ thống camera với góc lắp đặt tối ưu và cải thiện điều kiện ánh sáng trong lớp học, nhằm giảm thiểu các trường hợp ảnh bị che khuất hoặc ngược sáng, nâng cao tỷ lệ nhận dạng chính xác lên trên 95%.

3. Đào tạo giáo viên và nhân viên kỹ thuật về vận hành và bảo trì hệ thống, đảm bảo hệ thống hoạt động ổn định và xử lý kịp thời các sự cố phát sinh trong quá trình sử dụng.

4. Mở rộng nghiên cứu và phát triển thêm các tính năng bổ sung như nhận dạng cảm xúc học sinh hoặc phân tích mức độ tập trung trong lớp học, nhằm nâng cao chất lượng giảng dạy và quản lý học sinh trong tương lai.

Đối tượng nên tham khảo luận văn

1. Giáo viên và cán bộ quản lý giáo dục: Nắm bắt công nghệ điểm danh tự động để áp dụng vào quản lý lớp học, giảm tải công việc hành chính và nâng cao hiệu quả giảng dạy.

2. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo: Tham khảo phương pháp ứng dụng mạng nơ-ron tích chập và thuật toán nhận dạng gương mặt trong thực tế, phục vụ cho các đề tài nghiên cứu liên quan.

3. Các đơn vị phát triển phần mềm giáo dục và công nghệ: Áp dụng mô hình và thuật toán trong việc xây dựng các sản phẩm công nghệ hỗ trợ quản lý giáo dục hiện đại.

4. Nhà trường và các tổ chức giáo dục: Đánh giá và triển khai hệ thống điểm danh tự động nhằm nâng cao chất lượng quản lý học sinh và tích hợp công nghệ vào môi trường học tập.

Câu hỏi thường gặp

1. Hệ thống điểm danh tự động có thể áp dụng cho bao nhiêu học sinh trong một lớp?
   Hệ thống được thiết kế để xử lý hiệu quả lớp học với khoảng 40-50 học sinh, đảm bảo tốc độ xử lý ảnh trung bình 15 fps, đủ để nhận dạng trong thời gian thực.

2. Điều kiện ánh sáng ảnh hưởng như thế nào đến độ chính xác nhận dạng?
   Ánh sáng yếu hoặc ngược sáng làm giảm độ chính xác nhận dạng từ khoảng 92% xuống còn khoảng 75%, do đó cần cải thiện điều kiện ánh sáng trong lớp học để đạt hiệu quả tối ưu.

3. Hệ thống có thể nhận dạng học sinh khi khuôn mặt bị che khuất một phần không?
   Một số trường hợp che khuất khuôn mặt làm giảm độ chính xác nhận dạng, tuy nhiên thuật toán MTCNN có khả năng phát hiện và căn chỉnh khuôn mặt giúp giảm thiểu lỗi này.

4. Thời gian triển khai hệ thống điểm danh tự động là bao lâu?
   Theo kế hoạch, việc triển khai và vận hành hệ thống tại trường THPT Đinh Tiên Hoàng dự kiến hoàn thành trong vòng 6 tháng, bao gồm lắp đặt, đào tạo và thử nghiệm.

5. Hệ thống có thể mở rộng ứng dụng cho các trường học khác không?
   Có, với điều kiện tương tự về hạ tầng camera và môi trường lớp học, hệ thống có thể được tùy chỉnh và áp dụng rộng rãi tại các trường học khác nhằm nâng cao hiệu quả quản lý.

Kết luận

• Luận văn đã xây dựng thành công mô hình điểm danh học sinh tự động sử dụng thuật toán nhận dạng gương mặt MTCNN kết hợp FaceNet với độ chính xác khoảng 92%.
• Hệ thống xử lý ảnh đạt tốc độ trung bình 15 fps, phù hợp cho ứng dụng trong thời gian thực tại lớp học.
• Các kỹ thuật tiền xử lý ảnh như khử nhiễu, nắn chỉnh biến dạng và căn chỉnh góc nghiêng khuôn mặt góp phần nâng cao hiệu quả nhận dạng.
• Giải pháp giúp tiết kiệm thời gian điểm danh, giảm sai sót và nâng cao hiệu quả quản lý giáo dục tại trường THPT Đinh Tiên Hoàng.
• Đề xuất triển khai hệ thống trong 6 tháng tới, đồng thời mở rộng nghiên cứu các tính năng bổ sung nhằm nâng cao chất lượng giảng dạy và quản lý học sinh.

Quý độc giả và các đơn vị quan tâm được khuyến khích áp dụng và phát triển thêm giải pháp nhằm hiện đại hóa công tác quản lý giáo dục, góp phần xây dựng môi trường học tập thông minh và hiệu quả.