Giới thiệu dự án

Công tác quản lý và giám sát học sinh tại các cơ sở giáo dục mầm non đóng vai trò then chốt trong việc đảm bảo an toàn thể chất và nâng cao chất lượng giáo dục. Theo các khảo sát thực tế trong ngành giáo dục mầm non, một giáo viên phụ trách lớp từ 25–30 trẻ phải tiêu tốn trung bình 15–20 phút mỗi buổi sáng cho công tác gọi tên, ghi chép sổ sách điểm danh thủ công. Việc ghi nhận bằng giấy tờ truyền thống bộc lộ nhiều lỗ hổng nghiêm trọng: dữ liệu dễ thất lạc, khó bảo quản lâu dài, chậm trễ trong công tác thống kê báo cáo lên ban giám hiệu, và đặc biệt là thiếu cơ chế cảnh báo thời gian thực khi có sự cố bỏ quên trẻ tại cơ sở hoặc trên phương tiện đưa đón.

Đề tài "Hệ thống hỗ trợ quản lý trường mầm non bằng camera AI" do tác giả Huỳnh Thị Kim Sang thực hiện dưới sự hướng dẫn của TS. Huỳnh Phước Hải (Khoa Công nghệ Thông tin, Trường Đại học An Giang) đã giải quyết bài toán cấp bách này thông qua giải pháp tự động hóa điểm danh và chấm công dựa trên trí tuệ nhân tạo (AI) và thị giác máy tính tại biên (Edge AI).

+-----------------------------------------------------------------------------------+
|                              VẤN ĐỀ VÀ GIẢI PHÁP ĐỀ TÀI                           |
+-----------------------------------------------------------------------------------+
|  HIỆN TRẠNG & PAIN POINTS                         GIẢI PHÁP CAMERA AI + WEB CLOUD  |
|  - Điểm danh giấy: 15-20 phút/lớp/ngày     --->   - Điểm danh Face AI: 0.25s/trẻ  |
|  - Rủi ro bỏ quên học sinh ở trường        --->   - Cảnh báo tức thì qua Telegram |
|  - Thống kê thủ công sai sót dữ liệu       --->   - Dashboard tự động hóa 100%    |
|  - Phụ huynh không rõ thời gian đến/về     --->   - Nhật ký check-in kèm ảnh chụp |
+-----------------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án

  1. Tự động hóa 100% quy trình điểm danh học sinh khi đến lớp và khi ra về thông qua công nghệ nhận diện khuôn mặt bằng camera AI chuyên dụng.
  2. Tự động hóa chấm công giáo viên, ghi nhận chính xác thời gian bắt đầu và kết thúc ca dạy, tối ưu hóa công tác quản trị nhân sự.
  3. Cung cấp cơ chế giám sát và cảnh báo thời gian thực, phát hiện người lạ xuất hiện trong khuôn viên trường và gửi thông báo tức thì đến phụ huynh qua nền tảng Telegram.
  4. Xây dựng hệ sinh thái phần mềm quản lý toàn diện, bao gồm Web App quản trị đa nền tảng, hệ thống RESTful API kết nối trực tiếp với Cloud Camera AI và cơ sở dữ liệu quan hệ (RDBMS) phục vụ trích xuất báo cáo thống kê chuyên sâu.

Phạm vi và giới hạn của đề tài

  • Phạm vi nghiên cứu: Tích hợp luồng dữ liệu sinh trắc học từ Camera Hanet AI thông qua OpenAPI v2 vào hệ thống Web Application nền tảng .NET 6 LTS; kiểm thử thực nghiệm trên tập dữ liệu học sinh, giáo viên và phụ huynh tại cơ sở mầm non.
  • Giới hạn kỹ thuật: Hệ sinh thái tận dụng module trích xuất đặc trưng khuôn mặt (Facial Feature Extraction) tích hợp sẵn trên vi xử lý NPU của Camera Hanet AI để tối ưu chi phí hạ tầng, không trực tiếp huấn luyện lại mô hình deep learning từ đầu trên server máy chủ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các cơ sở mầm non hiện nay, ba phương thức quản lý điểm danh phổ biến gồm: điểm danh sổ tay truyền thống, máy chấm công vân tay/thẻ từ, và hệ sinh thái Camera AI chuyên dụng.

Tiêu chí đánh giá Điểm danh sổ tay thủ công Máy quét vân tay / Thẻ từ RFID Hệ thống Camera Hanet AI + Web .NET 6 (Đề tài)
Thời gian xử lý 15–20 phút/lớp (chậm) 3–5 giây/người (xếp hàng) 0.25 giây/người (tức thì tại biên)
Độ chính xác Dễ nhầm lẫn, phụ thuộc con người Dễ gian lận thẻ, vân tay mờ ở trẻ em 97.33% trong điều kiện thực tế
Tính tiện dụng với trẻ Trẻ nhỏ bị động, dễ phân tâm Khó áp dụng cho trẻ mầm non Tự động nhận diện không chạm (Non-contact)
Cảnh báo an ninh Hoàn toàn không có Không có Báo động người lạ, nhắc đeo khẩu trang
Chi phí triển khai Rất thấp (giấy bút) Trung bình (máy quét + dây mạng) Tối ưu chi phí nhờ OpenAPI Cloud

Phân tích yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc có): Đăng ký/chỉnh sửa/xóa tập mẫu khuôn mặt (1280x738 px); Đồng bộ dữ liệu check-in thời gian thực theo khung giờ (StartMinuteFrom - EndMinuteTo); Báo cáo sĩ số lớp, danh sách vắng (Absent); Phân quyền hệ thống (Admin, Teacher, Parent).
  • Should have (Nên có): Tích hợp Webhook/API gửi tin nhắn thông báo cho phụ huynh qua Telegram khi trẻ vào lớp; Hỗ trợ nhập danh sách học sinh và giáo viên hàng loạt từ tập tin Excel (.xlsx).
  • Could have (Có thể mở rộng): Cảnh báo tự động học sinh vắng không lý do sau 8:30 AM; Thống kê điểm danh trực quan dạng biểu đồ theo từng tháng.
  • Won't have (Chưa thực hiện): Thanh toán học phí trực tuyến; Tích hợp cảm biến đo thân nhiệt tự động qua cổng hồng ngoại.

Thiết kế hệ thống

Kiến trúc hệ thống được xây dựng theo mô hình Client-Server phân tầng hiện đại, tách biệt rõ ràng giữa giao diện người dùng (Presentation Layer), tầng dịch vụ nghiệp vụ (Business Logic Layer) và tầng dữ liệu (Data Access Layer).

+-----------------------------------------------------------------------------------+
|                            KIẾN TRÚC TỔNG THỂ HỆ THỐNG                            |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ CAMERA HANET AI ] --(Offline/Online sync)--> [ HANET CLOUD OPENAPI v2 ]       |
|    - 0.25s Face ID                                      |                         |
|    - 99,000 Offline Faces                               | RESTful API (JSON)      |
|                                                         v                         |
|  [ FRONTEND (Client) ]                     [ BACKEND API SERVER (.NET 6) ]        |
|  - Blazor WebAssembly / SPA                - ASP.NET Core Web API                 |
|  - Responsive UI / Bootstrap               - Entity Framework Core / MediatR      |
|        ^                                   - Background Worker (Check-in Polling) |
|        |                                                |                         |
|        +============== HTTP/HTTPS (REST) ===============+                         |
|                                                         |                         |
|                                     +-------------------+-------------------+     |
|                                     v                                       v     |
|                          [ SQL SERVER RDBMS ]                    [ TELEGRAM BOT ] |
|                          - Tables: AppUser, Children,            - Push Alerts to |
|                            Teachers, CheckIn, Absent...            Parents        |
+-----------------------------------------------------------------------------------+

Technology Stack và phiên bản chuẩn

  • Edge Hardware: Hanet AI Camera (Vi xử lý chuyên dụng NPU, góc quét 35 độ, khoảng cách nhận diện tối ưu 2–4 mét, bộ nhớ đệm lưu trữ 99.000 khuôn mặt offline).
  • Backend Framework: ASP.NET Core 6.0 LTS (C# 10), kiến trúc Web API RESTful, tối ưu hóa qua Minimal APIs và Hot Reload.
  • Frontend Framework: Blazor WebAssembly (.NET 6), Single Page Application (SPA), C# Client-side Execution.
  • Database Management System: Microsoft SQL Server 2019 / SQL Express (Transact-SQL).
  • External Integration: Hanet Cloud API v2.0, Telegram Bot API.

Thiết kế cơ sở dữ liệu quan hệ (RDBMS)

Hệ thống quản lý dữ liệu chặt chẽ qua 11 thực thể quan hệ, chuẩn hóa bậc 3 (3NF):

-- Cấu trúc bảng Lưu trữ Hồ sơ Trẻ em (Children)
CREATE TABLE [dbo].[Children] (
    [Id]          NVARCHAR(50)  NOT NULL PRIMARY KEY,
    [Name]        NVARCHAR(100) NOT NULL,
    [Dob]         NVARCHAR(20)  NULL,
    [Sex]         BIT           NOT NULL,
    [Image]       NVARCHAR(MAX) NULL,
    [Address]     NVARCHAR(255) NULL,
    [StartAt]     DATETIME      NULL,
    [EndAt]       DATETIME      NULL,
    [Note]        NVARCHAR(MAX) NULL,
    [ClassId]     NVARCHAR(50)  NOT NULL,
    [CreatedAt]   DATETIME      DEFAULT GETDATE(),
    [UpdatedAt]   DATETIME      NULL,
    CONSTRAINT [FK_Children_Class] FOREIGN KEY ([ClassId]) REFERENCES [dbo].[Class]([Id])
);

-- Cấu trúc bảng Ghi nhận Điểm danh (CheckIn)
CREATE TABLE [dbo].[CheckIn] (
    [Id]            NVARCHAR(50) NOT NULL PRIMARY KEY,
    [Name]          NVARCHAR(100) NULL,
    [CheckInTime]   DATETIME     NOT NULL,
    [Place]         NVARCHAR(100) NULL,
    [DeviceName]    NVARCHAR(100) NULL,
    [Avatar]        NVARCHAR(MAX) NULL,
    [IdClass]       NVARCHAR(50) NULL,
    [IdPerson]      NVARCHAR(50) NOT NULL, -- Khớp với aliasID trên Camera Hanet
    [TypePerson]    INT          NOT NULL, -- 0: Giáo viên, 1: Học sinh
    [NameSchedule]  NVARCHAR(100) NULL,
    [StatusCheckIn] INT          DEFAULT 1
);

Thiết kế API tương tác với Camera AI (Hanet OpenAPI)

Các tương tác giữa hệ thống quản lý mầm non và phần cứng Camera Hanet AI tuân thủ giao thức RESTful API qua các endpoints:

  • Endpoint Đăng ký tập mẫu (Register Sample):
    • Method: POST
    • URL: https://partner.hanet.ai/person/register
    • Payload: multipart/form-data chứa token, name, aliasID (Id Trẻ/GV), placeID, file (ảnh khuôn mặt chuẩn hóa 1280x738 px), title, type (0: Nhân viên, 1: Khách hàng/Học sinh).
    • Response: 
      {
  "returnCode": 1,
  "returnMessage": "Success",
  "data": {
    "personID": "HANET_P102938",
    "aliasID": "TRE_2022_001",
    "name": "Nguyen Van A",
    "placeID": "PL_01"
  }
}
  • Endpoint Lấy dữ liệu điểm danh theo khung giờ (Get Checkin by Timestamp):
    • Method: POST
    • URL: https://partner.hanet.ai/person/getCheckinByTime
    • Payload: token, placeID, devices, from (Unix timestamp ms), to (Unix timestamp ms), type (0,1,2).

Methodology

Dự án áp dụng quy trình phát triển phần mềm lặp Agile/Scrum rút gọn, chia làm 4 giai đoạn cụ thể:

  1. Giai đoạn 1 (Tuần 1–3): Khảo sát quy trình nghiệp vụ điểm danh tại trường mầm non, thu thập yêu cầu người dùng, nghiên cứu tài liệu kỹ thuật Hanet OpenAPI v2.
  2. Giai đoạn 2 (Tuần 4–7): Thiết kế sơ đồ Use Case, ERD cơ sở dữ liệu, xây dựng RESTful Web API Core trên .NET 6 và kết nối thử nghiệm camera.
  3. Giai đoạn 3 (Tuần 8–11): Phát triển giao diện Blazor WebAssembly, tích hợp hệ thống cảnh báo Telegram Bot, hoàn thiện module trích xuất báo cáo Excel.
  4. Giai đoạn 4 (Tuần 12–14): Triển khai thử nghiệm tại thực địa, đo lường các chỉ số chính xác và tối ưu hóa hệ thống.

Implementation và kết quả

Development process

Trọng tâm của hệ thống là thuật toán xử lý dữ liệu điểm danh tự động: Backend định kỳ thực thi luồng worker để quét dữ liệu check-in trong khung giờ quy định của từng lớp học, đối soát aliasID với dữ liệu học sinh trong cơ sở dữ liệu, cập nhật bảng CheckIn và kích hoạt luồng thông báo.

// Xử lý điểm danh tự động và gửi thông báo Telegram
public async Task<AttendanceResultDto> ProcessAutomatedCheckInAsync(string placeId, DateTime checkDate)
{
    // 1. Tính toán mốc thời gian Unix Timestamp từ lịch học
    long fromTimestamp = new DateTimeOffset(checkDate.Date.AddHours(6)).ToUnixTimeMilliseconds();
    long toTimestamp = new DateTimeOffset(checkDate.Date.AddHours(18)).ToUnixTimeMilliseconds();

    // 2. Gửi request đến Hanet Cloud API lấy danh sách check-in
    var hanetData = await _hanetApiService.GetCheckinByTimeAsync(placeId, fromTimestamp, toTimestamp);
    if (hanetData == null || !hanetData.Any()) return new AttendanceResultDto { ProcessedCount = 0 };

    int count = 0;
    foreach (var record in hanetData)
    {
        // 3. Đối soát mã định danh aliasID với bảng Children
        var child = await _context.Children.Include(c => c.Class)
                                           .FirstOrDefaultAsync(c => c.Id == record.AliasID);
        if (child != null)
        {
            // Kiểm tra trùng lặp bản ghi trong ngày
            bool alreadyChecked = await _context.CheckIn.AnyAsync(x => x.IdPerson == child.Id 
                                                                    && x.CheckInTime.Date == checkDate.Date);
            if (!alreadyChecked)
            {
                var newCheckIn = new CheckIn
                {
                    Id = Guid.NewGuid().ToString(),
                    IdPerson = child.Id,
                    Name = child.Name,
                    IdClass = child.ClassId,
                    CheckInTime = DateTimeOffset.FromUnixTimeMilliseconds(record.Time).LocalDateTime,
                    Avatar = record.AvatarUrl,
                    TypePerson = 1, // Học sinh
                    StatusCheckIn = 1
                };
                _context.CheckIn.Add(newCheckIn);

                // 4. Kích hoạt thông báo tự động cho phụ huynh qua Telegram
                await _telegramService.SendAttendanceAlertAsync(child.Id, child.Name, newCheckIn.CheckInTime);
                count++;
            }
        }
    }
    await _context.SaveChangesAsync();
    return new AttendanceResultDto { ProcessedCount = count, Status = "Success" };
}

Testing và validation

Quá trình kiểm nghiệm thực tế được tiến hành trực tiếp trên tập dữ liệu thực nghiệm gồm 15 đối tượng (học sinh và giáo viên), thực hiện nhận dạng 5 đợt độc lập vào các thời điểm ánh sáng khác nhau, kết hợp các biến đổi ngoại cảnh như thay đổi trang phục, đổi kiểu tóc và góc độ tiếp cận.

+-----------------------------------------------------------------------------------+
|                        KẾT QUẢ ĐO LƯỜNG ĐỘ CHÍNH XÁC NHẬN DIỆN                    |
+-----------------------------------------------------------------------------------+
| Đợt kiểm thử    Số mẫu test    Nhận dạng đúng    Nhận dạng sai    Tỷ lệ chính xác |
| --------------------------------------------------------------------------------- |
| Đợt 1           15             14                1                93.33%          |
| Đợt 2           15             15                0                100.00%         |
| Đợt 3           15             15                0                100.00%         |
| Đợt 4           15             14                1                93.33%          |
| Đợt 5           15             15                0                100.00%         |
| --------------------------------------------------------------------------------- |
| TỔNG KẾT TRUNG BÌNH                              14.6 / 15        97.33%          |
+-----------------------------------------------------------------------------------+

Phân tích điều kiện vận hành tối ưu

  • Khoảng cách lắp đặt: Khoảng cách từ camera đến vị trí trẻ bước qua cửa lớp đạt kết quả tối ưu nhất ở mức 2.0 mét.
  • Độ cao và góc nghiêng: Camera đặt ngang tầm mắt (khoảng 1.1m – 1.3m đối với học sinh mầm non), góc đối diện trực tiếp khuôn mặt. Độ chính xác giảm khi góc lệch nghiêng vượt quá 35 độ.
  • Điều kiện ánh sáng: Trong môi trường thiếu sáng, thuật toán IR của camera vẫn nhận dạng chính xác nhưng độ trễ xử lý tăng từ 0.25s lên khoảng 0.6s.

Kết quả đạt được

Hệ thống đã hoàn thiện 100% các chức năng cốt lõi theo đúng đề cương nghiên cứu:

  • Giao diện Single Page Application hiện đại trên Blazor WASM, phân quyền linh hoạt cho Admin, Giáo viên và Phụ huynh.
  • Module import/export dữ liệu Excel hỗ trợ đồng bộ danh sách học sinh chỉ trong vài giây.
  • Hệ thống báo cáo thống kê trực quan sĩ số học sinh có mặt, vắng mặt có phép/không phép theo từng ngày và theo tháng.

Đổi mới và đóng góp

  1. Ứng dụng công nghệ tính toán tại biên (Edge AI): Thay vì truyền tải toàn bộ luồng video độ phân giải cao liên tục về server trung tâm gây tắc nghẽn băng thông, Camera Hanet xử lý trích xuất vector khuôn mặt trực tiếp trên chip AI nội bộ với tốc độ 0.25 giây, duy trì khả năng hoạt động ổn định ngay cả khi ngắt kết nối Internet tạm thời (nhận diện offline tới 99.000 khuôn mặt).
  2. Loại bỏ hoàn toàn rào cản thao tác với trẻ nhỏ: Trẻ mầm non không cần mang theo thẻ từ, không cần chạm tay vào thiết bị quét, chỉ cần bước qua cửa là hệ thống đã hoàn tất ghi nhận.
  3. Cơ chế liên lạc tức thì qua Telegram Webhook: Xóa tan nỗi lo lắng của phụ huynh về việc trẻ bị bỏ quên hoặc thất lạc khi đến trường; thời gian gửi tin nhắn cảnh báo đến điện thoại phụ huynh < 1.0 giây sau khi camera nhận diện.
  4. Tiết kiệm 85% thời gian quản trị hành chính: Giảm thiểu toàn bộ chi phí in ấn sổ sách điểm danh, chấm công; tiết kiệm 15–20 phút mỗi ngày cho mỗi giáo viên chủ nhiệm.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Real-world Scenarios)

  • Kịch bản 1 - Đón trẻ buổi sáng: Phụ huynh đưa trẻ đến cổng/cửa lớp, camera AI quét khuôn mặt bé trong 0.25 giây. Loa camera phát lời chào thân thiện, hệ thống ghi nhận giờ vào lớp, đồng thời gửi thông báo kèm ảnh check-in vào ứng dụng Telegram của bố mẹ.
  • Kịch bản 2 - Cảnh báo an ninh: Khi có người lạ (chưa đăng ký trong cơ sở dữ liệu khuôn mặt phụ huynh/giáo viên) đứng trước cửa lớp quá thời gian quy định, camera phát cảnh báo âm thanh và gửi tín hiệu báo động đến màn hình trực ban của bảo vệ và ban giám hiệu.

Yêu cầu phần cứng và triển khai hạ tầng

  • Hạ tầng camera: 01 Camera Hanet AI tại cổng chính và mỗi cửa lớp học (nguồn điện 12V-2A, kết nối Wi-Fi 2.4GHz/5GHz hoặc mạng LAN).
  • Hạ tầng máy chủ (Server):
    • Hệ điều hành: Windows Server 2019/2022 hoặc Linux (Ubuntu 20.04 LTS).
    • Cấu hình tối thiểu: CPU 4 Cores, RAM 8GB, SSD 100GB.
    • Môi trường chạy: .NET 6 Runtime, IIS 10 hoặc Kestrel Reverse Proxy với Nginx, SQL Server Express / Standard.
  • Băng thông mạng: Tối thiểu 10 Mbps đường truyền Internet để đồng bộ dữ liệu check-in lên Cloud.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Chất lượng ảnh đăng ký ban đầu: Ảnh chân dung học sinh đăng ký qua hệ thống bắt buộc phải đúng chuẩn kích thước (1280x738 px) và rõ nét các giác quan; nếu ảnh mờ hoặc bị che khuất, độ chính xác nhận diện sẽ suy giảm.
  • Đặc điểm phát triển của trẻ nhỏ: Trẻ mầm non thay đổi diện mạo rất nhanh theo từng năm, đòi hỏi cơ sở phải cập nhật lại ảnh mẫu định kỳ mỗi năm học.
  • Phụ thuộc vào Cloud API trung gian: Hoạt động đồng bộ dữ liệu thời gian thực phụ thuộc vào tính sẵn sàng của hạ tầng Hanet OpenAPI.

Hướng phát triển trong tương lai

  • Phát triển ứng dụng di động riêng (Native Mobile App bằng Flutter hoặc .NET MAUI) dành riêng cho phụ huynh để tích hợp theo dõi sức khỏe, thực đơn dinh dưỡng và học phí.
  • Tích hợp công nghệ cảm biến tầm nhiệt hồng ngoại để tự động đo nhiệt độ cơ thể của trẻ khi bước qua cửa điểm danh, hỗ trợ sàng lọc sớm dịch bệnh truyền nhiễm.
  • Nâng cấp thuật toán tự động nhận diện cả phụ huynh đưa đón để tăng cường tối đa mức độ an ninh trường học.

Đối tượng hưởng lợi

  • Học sinh mầm non: Được bảo vệ an toàn tuyệt đối, loại trừ hoàn toàn nguy cơ bị bỏ quên tại trường hoặc bị người lạ đón nhầm.
  • Giáo viên chủ nhiệm: Tiết kiệm 15–20 phút điểm danh mỗi ngày, tập trung 100% thời gian đầu buổi cho hoạt động chăm sóc và giảng dạy trẻ; tự động hóa việc chấm công giảng dạy.
  • Phụ huynh học sinh: Nhận thông báo xác nhận con đã vào lớp an toàn ngay trên điện thoại di động trong vòng chưa đầy 1 giây, hoàn toàn an tâm làm việc.
  • Ban Giám hiệu nhà trường: Quản lý sĩ số thời gian thực trên một Dashboard duy nhất, trích xuất báo cáo chuyên nghiệp, nâng tầm hình ảnh trường học thông minh, hiện đại.
  • Lập trình viên & Nhà nghiên cứu: Cung cấp một case study thực tế, chuẩn mực về việc tích hợp phần cứng Edge AI Camera với nền tảng web hiện đại .NET 6 LTS và Blazor WebAssembly.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Cơ sở mầm non chỉ cần trang bị Camera Hanet AI tại các vị trí cửa lớp/cổng trường có kết nối Wi-Fi ổn định. Phía máy chủ có thể triển khai trên một máy tính cá nhân cấu hình tầm trung (Core i5, 8GB RAM) cài đặt SQL Server Express và .NET 6 Runtime hoặc thuê máy chủ ảo Cloud VPS giá rẻ.

2. Camera có nhận diện được khi mất kết nối mạng Internet không?

Có. Nhờ vi xử lý NPU và bộ nhớ lưu trữ 99.000 khuôn mặt ngay tại biên phần cứng, camera vẫn nhận diện khuôn mặt và phát âm thanh chào đón bình thường khi mất mạng. Ngay khi có kết nối Internet trở lại, dữ liệu check-in sẽ tự động được đẩy lên Cloud và đồng bộ về hệ thống quản trị Web.

3. Hệ thống có thể tích hợp với các phần mềm quản lý giáo dục hiện có không?

Hệ thống được thiết kế theo kiến trúc chuẩn RESTful API với các endpoint mở, trả về dữ liệu định dạng JSON chuẩn. Do đó, hệ thống hoàn toàn sẵn sàng tích hợp trực tiếp vào bất kỳ phần mềm quản lý trường học (School Management System - SMS) nào khác.

4. Chi phí bảo trì và vận hành hệ thống hàng tháng như thế nào?

Hệ thống không yêu cầu máy chủ AI đắt tiền (do tính toán nhận diện đã thực hiện trên camera). Chi phí vận hành chỉ bao gồm tiền điện của camera (khoảng 12W/thiết bị) và gói dịch vụ duy trì Hanet Cloud API theo biểu phí của nhà cung cấp phần cứng, giúp tiết kiệm hơn 70% chi phí so với việc thuê nhân sự quản lý sổ sách truyền thống.

5. Khả năng mở rộng quy mô khi trường có nhiều điểm cơ sở như thế nào?

Cơ sở dữ liệu của hệ thống được thiết kế hỗ trợ đa cơ sở (PlaceId) và đa thiết bị (DeviceId). Khi trường mở rộng thêm cơ sở mới hoặc lớp học mới, quản trị viên chỉ cần gắn thêm camera, cấu hình placeID tương ứng trên web quản trị mà không cần viết lại mã nguồn hay thay đổi cấu trúc database.

Kết luận

Đề tài "Hệ thống hỗ trợ quản lý trường mầm non bằng camera AI" đã chứng minh tính khả thi, hiệu quả thực tiễn và độ tin cậy vượt trội khi kết hợp công nghệ nhận diện khuôn mặt tại biên (Edge AI) với nền tảng web .NET 6 và Blazor WebAssembly. Với độ chính xác nhận diện thực tế đạt 97.33%, tốc độ xử lý tức thì 0.25 giây, hệ thống không chỉ giải quyết triệt để các hạn chế của phương pháp điểm danh thủ công mà còn thiết lập một tiêu chuẩn an ninh mới cho môi trường giáo dục mầm non, đem lại sự an tâm tuyệt đối cho phụ huynh và tối ưu hóa năng suất làm việc cho nhà trường.