Bối cảnh và vấn đề nghiên cứu

Bảo vệ chủ quyền và duy trì an ninh biên giới là nhiệm vụ chiến lược hàng đầu của mỗi quốc gia nhằm đảm bảo nền hòa bình, an toàn xã hội và phát triển kinh tế. Khu vực biên giới thường có địa hình hiểm trở, phức tạp và trải dài, là nơi tiềm ẩn nguy cơ cao về các hoạt động phi pháp như vượt biên trái phép, buôn lậu, buôn bán người và vận chuyển ma túy. Phương thức bảo vệ truyền thống chủ yếu dựa vào lực lượng tuần tra thủ công kết hợp các trạm kiểm soát cố định. Tuy nhiên, giải pháp này đòi hỏi chi phí vận hành lớn, tiêu tốn nhiều nhân lực và dễ phát sinh sai sót do hạn chế về tầm nhìn, thể lực cũng như sự bất cẩn của con người trong điều kiện khắc nghiệt.

Nhằm tự động hóa công tác giám sát, các hệ thống mạng cảm biến không dây (WSN) và cảm biến hồng ngoại thụ động (PIR) từng được nghiên cứu và ứng dụng. Dẫu vậy, nhược điểm cốt lõi của các hệ thống cảm biến đơn thuần là không có khả năng phân loại đối tượng, dẫn đến tỷ lệ cảnh báo sai rất cao khi có động vật hoặc tác nhân môi trường tác động. Việc tích hợp công nghệ xử lý hình ảnh và trí tuệ nhân tạo (AI) thông qua mô hình truyền thống gửi toàn bộ luồng video về điện toán đám mây (Cloud Computing) cũng bộc lộ hạn chế lớn về độ trễ, nghẽn băng thông, nguy cơ mất mát gói tin khi xếp hàng đợi và rủi ro bảo mật dữ liệu. Để giải quyết triệt để các tồn đọng này, khóa luận đề xuất giải pháp ứng dụng Trí tuệ nhân tạo vạn vật (AIoT) kết hợp Điện toán biên (Edge Cloud Computing) để xây dựng hệ thống camera AI thông minh (Smart AI-based Camera System - SACS).

Mục tiêu nghiên cứu của đề tài được xác định cụ thể gồm ba nội dung chính:

  1. Xây dựng mô hình hệ thống theo định hướng AIoT, nghiên cứu và lựa chọn các thiết bị phần cứng cùng công nghệ truyền thông phù hợp.
  2. Khảo sát ưu, nhược điểm của các thuật toán nhận diện đối tượng (Object Detection), thiết lập môi trường thực thi mô hình học sâu trên phần cứng nhúng Raspberry Pi 4 kết hợp thiết bị tăng tốc xử lý, xây dựng khả năng phát hiện và theo dõi chuyển động của con người làm trọng tâm.
  3. Xây dựng Website Admin và kết nối máy chủ Things nhằm lưu trữ dữ liệu, trích xuất giao diện lập trình ứng dụng (API) và trực quan hóa thông tin phục vụ công tác quản lý, giám sát biên giới theo thời gian thực.

Đối tượng nghiên cứu của khóa luận bao gồm:

  • Các mô hình mạng nơ-ron tích chập (CNN) phát hiện đối tượng: SSD-MobileNet (phiên bản v1, v2) và họ mô hình YOLO (YOLO-v3-tiny, YOLO-v4-tiny, YOLO-v5, YOLOR).
  • Phần cứng xử lý nhúng và tăng tốc AI: Máy tính đơn bo Raspberry Pi 4 Model B, Camera Pi / USB Camera, bộ vi xử lý tăng tốc phần cứng Coral USB Accelerator (Google Edge TPU).
  • Phần mềm và giao thức trung gian: Ứng dụng quản lý nhật ký Fluentd, giao thức truyền thông HTTP, thuật toán theo dõi đối tượng Centroid Tracking dựa trên thư viện Python.
  • Công nghệ phát triển ứng dụng quản trị và máy chủ: Ngôn ngữ Python (khung Flask stream video), NodeJS, JavaScript, HTML, CSS, hệ thống máy chủ Things (Thingsboard Server).

Phạm vi nghiên cứu thực nghiệm được tiến hành trong không gian khuôn viên trường học và tại Công ty Trung tâm Dữ liệu thuộc Đại học Quốc gia TP. Hồ Chí Minh, tập trung vào các khu vực có mật độ người qua lại thường xuyên nhằm kiểm thử độ chính xác của mô hình và tính ổn định của luồng dữ liệu trước khi định hướng mở rộng ra môi trường thực tế tại biên giới.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng kết hợp giữa thị giác máy tính hiện đại, kiến trúc tính toán phân tán và kỹ thuật mạng truyền thông nhúng:

  • Mô hình Điện toán biên (Edge Cloud Computing): Phân chia tác vụ tính toán về gần nguồn thu thập dữ liệu (Edge Device) thay vì đẩy toàn bộ dữ liệu thô lên đám mây. Kiến trúc này giúp giảm tải băng thông đường truyền, triệt tiêu độ trễ mạng và đảm bảo an toàn, bảo mật dữ liệu nội bộ.
  • Mô hình nhận diện đối tượng (Object Detection): Nghiên cứu tập trung vào hai nhánh thuật toán chính là Single Shot MultiBox Detector (SSD) kết hợp mạng trích xuất đặc trưng MobileNet (SSD-MobileNet-v2) và You Only Look Once (YOLO). Cơ chế của các mô hình này là xử lý bức ảnh qua mạng nơ-ron trong một lần truyền thuận duy nhất (single pass) để dự đoán đồng thời vị trí (bounding box) và nhãn phân loại đối tượng. Mô hình được chuyển đổi sang định dạng TensorFlow Lite (TFLite) có biên dịch hỗ trợ phần cứng Edge TPU (edgetpu-custom-op).
  • Thuật toán theo dõi đối tượng (Centroid Tracking): Sử dụng cấu trúc dữ liệu từ thư viện collections của Python để tính toán tọa độ trọng tâm của từng hộp giới hạn qua các khung hình liên tiếp, từ đó gán mã định danh duy nhất (ID) và xác định quỹ đạo chuyển động của đối tượng theo bốn hướng (trái, phải, lên, xuống).
  • Hệ thống ghi nhận và chuyển tiếp dữ liệu (Fluentd): Đóng vai trò lớp trung gian IoT (IoT Middleware) cung cấp cơ chế Unified Logging Layer, đảm bảo lưu đệm dữ liệu cục bộ khi mất kết nối mạng và chuyển tiếp gói tin dạng JSON an toàn giữa các tầng mạng qua giao thức HTTP.
  • Công nghệ Web và máy chủ: Sử dụng Flask để tiếp nhận chuỗi byte từ tiến trình xử lý ảnh và phát luồng (stream) video; sử dụng NodeJS để xây dựng hệ thống máy chủ phụ trợ (backend), trích xuất API từ máy chủ Things và cung cấp giao diện Dashboard điều khiển.

Phương pháp nghiên cứu thực nghiệm được triển khai theo quy trình ba giai đoạn:

  1. Thu thập dữ liệu và tiền xử lý: Sử dụng tập dữ liệu chuẩn Microsoft Common Objects in Context (COCO) gồm 91 danh mục đối tượng, tiến hành trích xuất riêng nhãn "người" (person) để tối ưu hóa mô hình phục vụ bài toán phát hiện xâm nhập biên giới.
  2. Huấn luyện và lượng tử hóa mô hình: Tận dụng môi trường Google Colab để huấn luyện, tối ưu hóa các tham số mạng và chuyển đổi mô hình sang định dạng TFLite phù hợp với phần cứng nhúng.
  3. Đo kiểm và đánh giá hệ thống: Đánh giá hiệu năng suy luận (Inference Time), tốc độ khung hình trên giây (FPS), độ ổn định trong truyền nhận gói tin JSON và khả năng trực quan hóa dữ liệu trên giao diện web quản trị.

Thiết kế và triển khai hệ thống

Hệ thống SACS được thiết kế theo mô hình kiến trúc phân tầng rõ ràng nhằm tối ưu hóa khả năng xử lý biên và đảm bảo tính liên tục của luồng thông tin:

Tầng kiến trúc Thành phần phần cứng / Phần mềm Chức năng chính
Mạng biên (Edge Network) Raspberry Pi 4 Model B, USB Camera, Coral USB Accelerator, Python, OpenCV, Fluentd Thu nhận luồng hình ảnh, thực thi mô hình SSD-MobileNet-v2 (TFLite) nhận diện người, chạy thuật toán Centroid Tracking xác định hướng di chuyển, lưu trữ video cục bộ (.mp4), đóng gói dữ liệu JSON.
Tầng chuyển tiếp (Gateway) Raspberry Pi 4, Fluentd Nhận gói tin JSON từ mạng biên qua HTTP nội bộ, xếp hàng đợi và thực hiện gửi định kỳ (1 phút/lần) lên máy chủ trung tâm.
Tầng lưu trữ đám mây (Cloud Network) Máy chủ Things (Thingsboard Server) Tiếp nhận và lưu trữ các gói tin JSON, quản lý trạng thái thiết bị, cung cấp RESTful API phục vụ truy xuất dữ liệu.
Giao diện quản trị (Website Admin) NodeJS, Flask, Handlebars, HTML, CSS, JavaScript Flask đảm nhận phát luồng video từ Edge; NodeJS trích xuất API từ máy chủ Things để trực quan hóa lịch sử xâm nhập trên Dashboard. 
[USB Camera] ---> [Edge Raspberry Pi 4 + Coral USB] 
                        |
                        +---> Lưu trữ video MP4 cục bộ
                        |
                        +---> [JSON Data] ---> (HTTP / Fluentd) ---> [Gateway Raspberry Pi 4]
                                                                            |
                                                                    (HTTP POST / 1 phút)
                                                                            |
                                                                            v
[Website Admin] <--- (REST API) <--- [Things Server / Thingsboard] <--------+
       ^
       |
[Flask Stream] <--- (Video Frames / Bytes)

Quy trình vận hành chuẩn của hệ thống SACS diễn ra theo 5 bước tuần tự:

  • Bước 1 (Ghi nhận và nhận diện): Camera AI tại Edge Raspberry Pi liên tục thu nhận hình ảnh và áp dụng mô hình máy học đã tối ưu để phát hiện sự xuất hiện của con người trong khu vực giám sát cấm.
  • Bước 2 (Xác định quỹ đạo): Thuật toán Centroid Tracking tiếp nhận tọa độ nhận diện, tính toán trọng tâm đối tượng, cấp phát mã ID và phân tích hướng di chuyển (trái, phải, lên, xuống).
  • Bước 3 (Phân tách luồng xử lý): Dữ liệu sau xử lý được rẽ nhánh thành hai luồng độc lập: (1) Lưu trữ video ghi lại hành vi xâm nhập dưới định dạng .mp4 vào bộ nhớ cục bộ của Edge Raspberry Pi; (2) Đóng gói thông tin đối tượng (gồm id, direction, timestamp) thành định dạng JSON và chuyển đến Gateway qua ứng dụng Fluentd bằng kết nối Ethernet có dây.
  • Bước 4 (Đệm và chuyển tiếp dữ liệu): Gateway Raspberry Pi tiếp nhận gói tin JSON, lưu trữ tạm thời tại hàng đợi của Fluentd và tự động gửi lên máy chủ Things mỗi phút một lần thông qua phương thức HTTP POST.
  • Bước 5 (Trực quan hóa): Máy chủ Web quản trị (Website Admin) gọi phương thức GET để trích xuất dữ liệu API từ máy chủ Things, xử lý và hiển thị thông tin cảnh báo, số liệu thống kê lên bảng điều khiển Dashboard cho người giám sát.

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương 1 thiết lập nền tảng tổng quan cho toàn bộ khóa luận. Nhóm tác giả trình bày tính cấp thiết của việc bảo đảm an ninh biên giới quốc gia, phân tích sự hạn chế về chi phí, nguồn lực và độ tin cậy của phương thức tuần tra thủ công. Chương này chỉ rõ bài toán kỹ thuật cần giải quyết là khắc phục độ trễ và nguy cơ tắc nghẽn dữ liệu của điện toán đám mây truyền thống bằng cách áp dụng điện toán biên (Edge Computing). Từ đó, đề tài xác định rõ 3 mục tiêu nghiên cứu, đối tượng nghiên cứu xoay quanh phần cứng nhúng Raspberry Pi 4 kết hợp Coral USB Accelerator, phạm vi thực nghiệm tại môi trường đại học và Trung tâm Dữ liệu ĐHQG-HCM, cùng bố cục tổng thể gồm 6 chương của báo cáo.

Chương 2: Các công trình liên quan

Chương 2 tổng hợp và phân tích các nghiên cứu tiền bối trong lĩnh vực giám sát biên giới và ứng dụng thị giác máy tính:

  • Giám sát biên giới qua WSN: Phân tích hệ thống WSN kết hợp cửa khẩu của nhóm nghiên cứu [1] và hệ thống cảm biến PIR trong công trình FleGSens của Rothenpieler et al. [2], chỉ rõ nhược điểm lớn nhất là không thể phân biệt người và động vật, gây báo động giả.
  • Công trình ứng dụng YOLO: Đánh giá nghiên cứu của Rajeev Singh và Sukhwinder Singh [3] sử dụng Raspberry Pi kết hợp cảm biến siêu âm, PIR và camera ứng dụng YOLO đạt độ chính xác phát hiện người 99,9% và động vật 99,8%; nghiên cứu của Zhi Zu et al. [4] đề xuất mô hình FL-YOLO trên kiến trúc Edge-Cloud phục vụ giám sát mỏ than theo thời gian thực.
  • Công trình ứng dụng SSD-MobileNet: Khảo sát ứng dụng của Rasika Phadni et al. [5] trong phát hiện và theo dõi mẫu vật; nghiên cứu của Yiting Li et al. [6] tối ưu hóa SSD-MobileNet để phát hiện lỗi bề mặt niêm phong trong công nghiệp với ưu thế vượt trội về tốc độ suy luận.

Chương 3: Cơ sở lý thuyết

Chương 3 trình bày chi tiết cơ sở lý thuyết của các công nghệ và công cụ được sử dụng trong hệ thống:

  • Object Detection và các mô hình học sâu: Giới thiệu nguyên lý mạng nơ-ron tích chập (CNN), cấu trúc hồi quy một giai đoạn của YOLO (từ YOLO-v3 đến YOLO-v5) và kiến trúc của Single Shot MultiBox Detector (SSD) kết hợp mạng trích xuất đặc trưng MobileNet (SSD-MobileNet-v2). Phân tích cấu trúc Multi-scale Feature Maps và việc loại bỏ lớp Region Proposal Network trong SSD nhằm tăng tốc độ suy luận.
  • Fluentd: Trình bày kiến trúc bộ thu thập nhật ký mã nguồn mở viết bằng Ruby, cơ chế Unified Logging Layer giúp phân tách nguồn dữ liệu, khả năng đệm dữ liệu cục bộ chống mất gói khi ngắt kết nối và tính tương thích trên vi xử lý ARM.
  • Edge Cloud Computing: Phân tích khái niệm tính toán phân tán tại biên, các ưu điểm về tiết kiệm băng thông truyền tải, kiểm soát tính toàn vẹn và nâng cao an toàn thông tin tại biên mạng.
  • Công nghệ phát triển phần mềm: Giới thiệu ngôn ngữ Python và vi khung Flask (sử dụng Werkzeug WSGI) phục vụ chuyển đổi mảng byte ảnh thành luồng phát video; ngôn ngữ JavaScript trên nền tảng NodeJS (kiến trúc hướng sự kiện Event-Driven, Non-blocking I/O, V8 Engine) để xây dựng máy chủ backend hiệu năng cao.

Chương 4: Phân tích và thiết kế hệ thống

Chương 4 mô tả chi tiết kiến trúc kỹ thuật và cơ chế hoạt động của hệ thống SACS. Hệ thống được tổ chức thành 4 phân hệ liên kết chặt chẽ: Edge Network (thu nhận hình ảnh, nhận diện đối tượng bằng SSD-MobileNet-v2, theo dõi hướng qua Centroid Tracking, lưu video MP4), Gateway (trung gian điều phối và gửi dữ liệu qua Fluentd), Cloud Network (máy chủ Things tiếp nhận dữ liệu JSON và cung cấp API) và Website Admin (tiếp nhận API và luồng phát Flask để hiển thị). Chương này cũng chi tiết hóa luồng xử lý 5 bước từ lúc đối tượng xuất hiện trong tầm quan sát của camera cho đến khi thông tin được trực quan hóa trên màn hình quản trị.

Chương 5: Thử nghiệm và đánh giá hệ thống

Chương 5 trình bày toàn bộ quá trình hiện thực hóa và các kết quả đo kiểm thực nghiệm:

  • Tập dữ liệu kiểm thử: Sử dụng tập dữ liệu chuẩn Microsoft COCO, trích xuất lớp nhãn "người" để kiểm thử mô hình.
  • Huấn luyện và đánh giá mô hình: Khảo sát các mô hình máy học (YOLO-v3-tiny, YOLO-v4-tiny, YOLO-v5, YOLOR, SSD-MobileNet v1 và v2). Đánh giá khả năng tương thích và biên dịch TFLite qua edgetpu-custom-op để chạy trên thiết bị tăng tốc phần cứng Coral USB Accelerator.
  • Hiện thực phần cứng và thuật toán: Lắp đặt hoàn chỉnh các thiết bị thuộc Edge Network (Raspberry Pi 4, USB Camera, Coral USB) và Gateway Raspberry Pi. Ứng dụng thuật toán Centroid Tracking để tính toán tọa độ trọng tâm bounding box và phân loại 4 hướng di chuyển.
  • Kiểm thử truyền thông và giao diện: Kiểm tra khả năng thu nhận và đẩy gói tin của Fluentd qua cổng HTTP từ Edge sang Gateway và lên máy chủ Things; kiểm thử giao diện đăng ký, đăng nhập và Dashboard quản trị xây dựng bằng NodeJS.

Chương 6: Kết quả

Chương 6 tổng kết các kết quả đạt được của khóa luận, thẳng thắn chỉ ra các nhược điểm còn tồn tại của hệ thống trong điều kiện thực nghiệm và đề xuất các định hướng phát triển trong tương lai nhằm nâng cao tính ứng dụng thực tế.

Kết quả và đóng góp

Khóa luận đã hoàn thành việc thiết kế, chế tạo và thử nghiệm thành công mô hình hệ thống camera AI thông minh giám sát biên giới (SACS) với các kết quả cụ thể:

  • Xây dựng thành công chuỗi xử lý AIoT tại biên: Tích hợp hoàn chỉnh phần cứng Raspberry Pi 4 Model B cùng bộ tăng tốc Google Coral USB Accelerator, cho phép thực thi mô hình nhận diện học sâu SSD-MobileNet-v2 (định dạng TFLite tối ưu hóa cho Edge TPU) và thuật toán Centroid Tracking trực tiếp tại biên mạng.
  • Tối ưu hóa luồng dữ liệu và chống mất mát thông tin: Thiết lập thành công hệ thống chuyển tiếp dữ liệu đa tầng sử dụng IoT Middleware Fluentd. Dữ liệu cảnh báo được chuẩn hóa dưới dạng cấu trúc JSON tinh gọn gồm ba trường thông tin cốt lõi: mã định danh đối tượng (ID), hướng di chuyển (direction), và dấu thời gian (timestamp). Hệ thống đảm bảo lưu trữ an toàn video .mp4 tại bộ nhớ cục bộ của Edge Device, đồng thời tự động đồng bộ gói tin JSON lên máy chủ Things với chu kỳ 1 phút/lần qua kết nối có dây Ethernet an toàn.
  • Xây dựng hệ thống quản trị và trực quan hóa thời gian thực: Triển khai hoàn chỉnh ứng dụng Web Admin kết hợp giữa Flask (phát luồng video theo thời gian thực từ camera) và NodeJS (kết nối RESTful API từ máy chủ Things) để hiển thị đầy đủ các giao diện: đăng ký tài khoản, đăng nhập xác thực và bảng điều khiển Dashboard thống kê lịch sử xâm nhập trực quan cho lực lượng giám sát.
  • Đóng góp khoa học và kỹ thuật: Đề tài đã giải quyết được nhược điểm báo động sai của các hệ thống mạng cảm biến không dây truyền thống (như PIR, WSN đơn thuần) nhờ năng lực phân loại chính xác hình ảnh con người; đồng thời khắc phục triệt để tình trạng trễ mạng và nguy cơ nghẽn hàng đợi gói tin của các hệ thống camera giám sát thuần Cloud nhờ áp dụng kiến trúc Điện toán biên (Edge Computing).

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung được trình bày trong văn bản khóa luận, đề tài còn một số hạn chế và định hướng phát triển cụ thể như sau:

  • Hạn chế:

    • Phạm vi thực nghiệm của hệ thống mới chỉ được tiến hành trong môi trường nội bộ khuôn viên trường học và Công ty Trung tâm Dữ liệu ĐHQG-HCM, chưa được thử nghiệm thực địa dài ngày trong điều kiện thời tiết khắc nghiệt, địa hình phức tạp và ban đêm tại các khu vực đường biên giới thực tế.
    • Mô hình nhận diện hiện tại chủ yếu tập trung sâu vào lớp đối tượng con người, chưa tích hợp huấn luyện đầy đủ các lớp đối tượng khác xuất hiện trong thực tế biên giới để kiểm chứng toàn diện khả năng chống báo sai trong mọi tình huống.

  • Hướng nghiên cứu tiếp theo:

    • Cải tiến và nâng cấp phần cứng chuyên dụng ngoài trời (vỏ bảo vệ chuẩn công nghiệp, cảm biến hồng ngoại ban đêm, nguồn cấp năng lượng mặt trời) nhằm đáp ứng khả năng triển khai thực tế tại các chốt và rào chắn biên giới hẻo lánh.
    • Mở rộng tập dữ liệu huấn luyện (custom dataset) bổ sung các đối tượng nhận diện khác như phương tiện giao thông, thiết bị điện tử và các loài động vật hoang dã để nâng cao độ chính xác nhận định ngữ cảnh.
    • Tối ưu hóa sâu hơn nữa các thuật toán học máy và mở rộng khả năng tương thích với các giao thức truyền thông không dây diện rộng công suất thấp (như LoRaWAN, NB-IoT) trong trường hợp mất kết nối mạng có dây tại biên giới.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị chuyên môn cao cho các nhóm đối tượng:

  • Sinh viên và kỹ sư ngành Mạng máy tính, Truyền thông và Kỹ thuật IoT: Cung cấp tài liệu hướng dẫn chi tiết về cách thức thiết lập môi trường phần cứng nhúng (Raspberry Pi 4), phương pháp tích hợp bộ tăng tốc Google Coral USB Accelerator thông qua thư viện edgetpu-custom-op và quy trình cấu hình bộ thu thập nhật ký Fluentd hoạt động ổn định trên kiến trúc vi xử lý ARM.
  • Nhà phát triển hệ thống thị giác máy tính nhúng (Embedded Computer Vision): Cung cấp tài liệu tham khảo thực tế về việc chuyển đổi và lượng tử hóa mô hình Deep Learning (SSD-MobileNet-v2) sang định dạng TFLite, kết hợp thuật toán Centroid Tracking xử lý tọa độ bounding box để phân loại hướng di chuyển thời gian thực.
  • Nhóm nghiên cứu về giải pháp giám sát an ninh thông minh: Cung cấp mô hình kiến trúc phân tầng chuẩn mực (Edge - Gateway - Cloud - Web Presentation) giúp giải quyết bài toán cân bằng giữa độ trễ xử lý, chi phí phần cứng và tính toàn vẹn dữ liệu trong các hệ thống giám sát tự động.

Câu hỏi thường gặp

1. Hệ thống SACS giải quyết vấn đề báo động sai của các hệ thống WSN và PIR truyền thống bằng cách nào?
Các hệ thống WSN hoặc PIR truyền thống chỉ phát hiện biến thiên nhiệt hoặc chuyển động vật lý đơn thuần nên không thể phân biệt giữa động vật và con người, dẫn đến tỷ lệ cảnh báo sai cao. SACS khắc phục điều này bằng cách sử dụng camera AI tích hợp mô hình học sâu SSD-MobileNet-v2 (huấn luyện trên tập dữ liệu COCO) để phân loại chính xác hình ảnh con người trước khi kích hoạt cảnh báo và ghi nhận vi phạm.

2. Vai trò của thiết bị Coral USB Accelerator trong hệ thống là gì?
Coral USB Accelerator (chứa chip Google Edge TPU) đóng vai trò là bộ tăng tốc xử lý phần cứng chuyên dụng cho các tác vụ học sâu. Khi kết nối qua cổng USB 3.0 của Raspberry Pi 4, thiết bị này trực tiếp thực thi các phép tính của mô hình SSD-MobileNet-v2 đã được lượng tử hóa và biên dịch bằng edgetpu-custom-op, giúp giảm tải cho CPU của Raspberry Pi và rút ngắn thời gian suy luận hình ảnh.

3. Tại sao hệ thống cần sử dụng ứng dụng Fluentd tại cả Edge Raspberry Pi và Gateway Raspberry Pi?
Fluentd đóng vai trò là lớp phần mềm trung gian (IoT Middleware) cung cấp cơ chế ghi nhật ký hợp nhất (Unified Logging Layer). Fluentd giúp đóng gói dữ liệu JSON, đệm dữ liệu vào hàng đợi cục bộ khi xảy ra sự cố mất kết nối mạng và tự động tiếp tục truyền dữ liệu khi mạng phục hồi, từ đó triệt tiêu nguy cơ thất thoát gói tin trong quá trình truyền từ Edge sang Gateway và lên máy chủ Things.

4. Dữ liệu của một đối tượng xâm nhập được trích xuất và gửi đi bao gồm những thông tin cụ thể nào?
Khi phát hiện đối tượng xâm nhập, hệ thống tạo ra gói tin định dạng JSON chứa 3 thông tin chính: mã định danh duy nhất của đối tượng (id do thuật toán Centroid Tracking cấp phát), hướng di chuyển (direction gồm: trái, phải, lên, xuống) và dấu thời gian phát hiện (timestamp). Đồng thời, video bằng chứng được lưu độc lập dưới định dạng file .mp4 tại bộ nhớ của Edge Raspberry Pi.

5. Cơ chế kết hợp giữa Flask và NodeJS trong việc xây dựng hệ thống giám sát tại Website Admin được thực hiện như thế nào?
Hệ thống phân tách rõ hai nhiệm vụ: Vi khung Flask (Python) đảm nhiệm việc tiếp nhận các chuỗi byte hình ảnh sau xử lý từ camera và phát luồng (stream) video trực tiếp lên một đường dẫn URL. Trong khi đó, máy chủ NodeJS đảm nhận vai trò backend chính của trang web, gửi yêu cầu GET để trích xuất dữ liệu phân tích dạng API từ máy chủ Things và hiển thị lên giao diện Dashboard quản trị.

Kết luận

Khóa luận tốt nghiệp "Xây dựng hệ thống camera AI thông minh giám sát biên giới" của sinh viên Lương Hữu Đăng Khoa và Ngô Tấn An đã hiện thực hóa thành công giải pháp giám sát tự động dựa trên kiến trúc AIoT và Điện toán biên. Bằng việc kết hợp phần cứng nhúng Raspberry Pi 4, bộ tăng tốc Coral USB, mô hình SSD-MobileNet-v2 tối ưu TFLite và middleware Fluentd, hệ thống đã giải quyết hiệu quả bài toán phát hiện, theo dõi hướng di chuyển của đối tượng xâm nhập và truyền nhận dữ liệu an toàn theo thời gian thực. Đây là công trình kỹ thuật có tính hoàn thiện cao, đóng góp một mô hình tham khảo hữu ích cho các giải pháp bảo đảm an ninh trật tự tại khu vực biên giới và các khu vực trọng yếu cần bảo vệ nghiêm ngặt.