Giới thiệu dự án

Bối cảnh và tính cấp thiết

Bảo vệ chủ quyền và an ninh biên giới quốc gia là nhiệm vụ chiến lược tối quan trọng đối với bất kỳ quốc gia nào. Các khu vực đường biên, mốc giới thường có địa hình hiểm trở, rừng núi rậm rạp, trải dài hàng nghìn kilomet và là điểm nóng của các hoạt động tội phạm xuyên quốc gia như buôn lậu, vận chuyển ma túy, buôn bán người và xuất nhập cảnh trái phép. Theo các báo cáo an ninh biên giới quốc tế, phương thức giám sát truyền thống chủ yếu dựa vào tuần tra thủ công của lực lượng bộ đội biên phòng kết hợp các trạm kiểm soát cố định. Phương pháp này bộc lộ nhiều điểm hạn chế: tốn kém nguồn nhân lực, chi phí vận hành cao, tầm bao quát bị giới hạn theo ca trực và tiềm ẩn nguy cơ mất an toàn cho chiến sĩ trước các tình huống tấn công bất ngờ.

Vấn đề kỹ thuật cần giải quyết (Problem Statement)

Các hệ thống giám sát tự động thế hệ đầu sử dụng mạng cảm biến không dây (Wireless Sensor Networks - WSN) hoặc cảm biến hồng ngoại thụ động (PIR) thường gặp tỷ lệ báo động giả (false alarm) rất cao do không phân biệt được chuyển động của động vật hoang dã, cành cây đung đưa và con người. Ngược lại, giải pháp camera IP truyền thống truyền toàn bộ luồng video độ phân giải cao về trung tâm dữ liệu đám mây (Cloud Computing) lại đối mặt với các nút thắt kỹ thuật nghiêm trọng:

  • Độ trễ đường truyền lớn (High Latency): Băng thông mạng tại vùng biên cương thường chập chờn, khiến thời gian phản hồi cảnh báo vượt ngưỡng chấp nhận được (>5–10 giây).
  • Nghẽn băng thông và mất gói (Packet Loss): Luồng dữ liệu video 24/7 tiêu tốn lưu lượng viễn thông khổng lồ.
  • Rủi ro bảo mật dữ liệu: Dữ liệu thô truyền trực tiếp qua Internet dễ bị đánh chặn và tấn công xen giữa (Man-in-the-Middle).

Mục tiêu của dự án

Khóa luận tập trung giải quyết triệt để các vấn đề trên thông qua 5 mục tiêu cụ thể:

  1. Nghiên cứu kiến trúc AIoT (Artificial Intelligence of Things): Kết hợp điện toán biên (Edge Computing) và phần cứng nhúng công suất thấp.
  2. Tối ưu hóa mô hình nhận diện đối tượng: Đánh giá, tinh chỉnh và nhúng mô hình học sâu (Deep Neural Network - DNN) lên phần cứng giới hạn tài nguyên.
  3. Tích hợp phần cứng tăng tốc xử lý AI: Khai thác vi xử lý chuyên dụng Google Coral USB Accelerator (Edge TPU) cùng bo mạch Raspberry Pi 4 Model B.
  4. Phát triển thuật toán định danh và theo dõi: Tích hợp thuật toán Centroid Tracking nhằm xác định tọa độ và hướng di chuyển của mục tiêu.
  5. Xây dựng nền tảng quản trị tập trung: Triển khai middleware Fluentd đảm bảo tính toàn vẹn dữ liệu và phát triển Web Dashboard giám sát trực quan theo thời gian thực.

Phương pháp tiếp cận giải pháp (Solution Approach)

Hệ thống SACS (Smart AI-based Camera System) áp dụng mô hình điện toán lai Edge-Cloud. Tại biên (Edge), camera nhúng thực hiện phân tích luồng video cục bộ bằng mô hình học sâu đã được lượng tử hóa (quantization), phát hiện tức thì sự xâm nhập của con người và bám vết hướng di chuyển. Dữ liệu sau xử lý được đóng gói thành các siêu dữ liệu JSON gọn nhẹ kèm video bằng chứng để chuyển tiếp qua Gateway tới Cloud Server (ThingsBoard platform), giúp giảm tới 95% lưu lượng mạng so với truyền video liên tục.

[ Camera Pi / USB ] 
        │ (Raw Video Frames)
        ▼
[ Edge Device: Raspberry Pi 4 + Coral Edge TPU ] ──(SSD-MobileNet-v2 + Centroid Tracking)
        │
        ├── Local Storage (Trích xuất & lưu video MP4 đối tượng vi phạm)
        │
        ▼ (JSON Telemetry qua Fluentd / HTTP POST)
[ Gateway Raspberry Pi ] 
        │ (Store-and-Forward Cache)
        ▼ (HTTP REST API)
[ Cloud Network: Things Server / ThingsBoard ]
        │
        ▼ (REST / WebSocket API)
[ Web Admin Dashboard: Node.js + Express + Handlebars ]

Kết quả kỳ vọng và chỉ số đo lường

  • Tốc độ suy luận (Inference Speed): Đạt từ 25–32 FPS trên thiết bị biên khi có bộ tăng tốc Edge TPU.
  • Độ trễ cảnh báo (End-to-End Latency): < 1.0 giây từ khi phát hiện mục tiêu đến khi hiển thị cảnh báo lên Web Dashboard.
  • Tỷ lệ phát hiện chính xác (Accuracy): > 90% đối với nhận diện người trong phạm vi giám sát 15–20 mét.
  • Khả năng chịu lỗi mạng (Fault Tolerance): Không mất mát dữ liệu sự kiện khi mất kết nối mạng Internet tạm thời nhờ cơ chế lưu đệm hàng đợi (Store-and-Forward) của Fluentd.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Thử nghiệm tại khuôn viên Đại học Công nghệ Thông tin - ĐHQG TP.HCM và Trung tâm Dữ liệu ĐHQG TP.HCM trong các kịch bản mô phỏng đối tượng qua lại với mật độ từ 1 đến 5 người cùng lúc.
  • Giới hạn: Tập trung phát hiện lớp đối tượng con người (person) vào ban ngày và điều kiện đủ sáng; chưa tích hợp camera cảm biến nhiệt hồng ngoại ban đêm chuyên dụng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Tuần tra thủ công Cảm biến WSN / PIR Camera truyền thống + Cloud AI Hệ thống AIoT SACS (Đề xuất)
Chi phí nhân lực Rất cao Thấp Trung bình Rất thấp
Độ trễ cảnh báo Phụ thuộc lịch tuần tra Thời gian thực (< 1s) Cao (2–5s do mạng) Cực thấp (< 1s tại biên)
Tỷ lệ báo động giả Thấp (mắt người) Rất cao (không phân loại) Trung bình (nhiễu mạng) Rất thấp (DNN + Tracking)
Yêu cầu băng thông Không Rất thấp Cực lớn (Stream Full HD) Rất thấp (Chỉ gửi JSON + Log)
Chịu lỗi mất mạng Không áp dụng Kém Mất toàn bộ giám sát Tốt (Lưu cục bộ + Đẩy bù)

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must-Have (Bắt buộc): Nhận diện người thời gian thực trên Raspberry Pi 4; theo dõi quỹ đạo di chuyển (Lên, Xuống, Trái, Phải); gửi gói tin JSON cảnh báo về Cloud; giao diện Dashboard quản trị.
  • Should-Have (Nên có): Tăng tốc phần cứng bằng Edge TPU; lưu trữ video trích đoạn xâm nhập cục bộ; đệm log bằng Fluentd khi ngắt kết nối.
  • Could-Have (Có thể mở rộng): Stream luồng video trực tiếp qua Flask WSGI; xuất báo cáo thống kê theo khung giờ.
  • Won't-Have (Chưa thực hiện): Tích hợp nhận diện khuôn mặt (Face Recognition) hoặc quét biển số xe tầm xa trong pha này.

Thiết kế hệ thống

Kiến trúc 3 tầng (3-Tier Architecture)

  1. Edge Network Tier:
    • Bộ xử lý trung tâm: Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 64-bit SoC @ 1.5GHz, 4GB/8GB LPDDR4-3200 SDRAM).
    • Cảm biến hình ảnh: Camera USB 1080p / Raspberry Pi Camera Module v2.
    • Bộ tăng tốc AI: Google Coral USB Accelerator (Edge TPU Coprocessor, xử lý 4 nghìn tỷ phép tính mỗi giây - 4 TOPS, giao tiếp USB 3.0).
    • Nhiệm vụ: Thu nhận khung hình, tiền xử lý (resize $300 \times 300$, chuẩn hóa mảng numpy), chạy mô hình SSD-MobileNet-v2 (Quantized), chạy thuật toán Centroid Tracking, xuất file MP4 ngắn vào thẻ nhớ và xuất bản tin sự kiện.
  2. Gateway Tier:
    • Raspberry Pi làm Gateway trung chuyển, cài đặt daemon Fluentd.
    • Nhận dữ liệu từ Edge qua mạng LAN cục bộ (Ethernet/Private Wi-Fi), phân loại log, quản lý bộ đệm (buffer memory/file) và định tuyến gửi tới Cloud Server.
  3. Cloud & Presentation Tier:
    • Things Server (ThingsBoard IoT Platform): Tiếp nhận HTTP POST requests, quản lý vòng đời thiết bị, lưu trữ cơ sở dữ liệu chuỗi thời gian (time-series data).
    • Application Backend: Node.js (v16.x LTS) + Express.js kết nối tới Things API qua REST endpoints, quản lý phiên đăng nhập và định tuyến giao diện.
    • Frontend Dashboard: HTML5, CSS3, JavaScript (ES6+), Handlebars template engine, Chart.js hiển thị biểu đồ tần suất vi phạm theo thời gian thực.
       ┌─────────────────────────────────────────────────────────┐
       │                   Edge Network Layer                    │
       │  ┌────────────┐     ┌──────────────┐     ┌────────────┐ │
       │  │ USB Camera │ ──> │ OpenCV Frame │ ──> │  Edge TPU  │ │
       │  └────────────┘     └──────────────┘     │ Accelerator│ │
       │                                          └─────┬──────┘ │
       │                                                │        │
       │  ┌────────────┐     ┌──────────────┐           ▼        │
       │  │ Local MP4  │ <── │ Centroid     │ <── SSD-MobileNet  │
       │  │ Storage    │     │ Tracker      │     Detection      │
       │  └────────────┘     └──────┬───────┘                    │
       └────────────────────────────┼────────────────────────────┘
                                    │ (JSON Event Data)
                                    ▼
       ┌─────────────────────────────────────────────────────────┐
       │                      Gateway Layer                      │
       │           ┌───────────────────────────────────┐         │
       │           │ Fluentd Log Collector & Buffer    │         │
       │           └─────────────────┬─────────────────┘         │
       └─────────────────────────────┼───────────────────────────┘
                                     │ (HTTP POST / Telemetry)
                                     ▼
       ┌─────────────────────────────────────────────────────────┐
       │                   Cloud / Server Layer                  │
       │       ┌─────────────────────────────────────────┐       │
       │       │ ThingsBoard Server (IoT Telemetry/API)  │       │
       │       └─────────────────────┬───────────────────┘       │
       │                             │ (REST API)                │
       │       ┌─────────────────────▼───────────────────┐       │
       │       │ Node.js Web Server (Express/Handlebars) │       │
       │       └─────────────────────┬───────────────────┘       │
       │                             │                           │
       │       ┌─────────────────────▼───────────────────┐       │
       │       │ Admin UI Dashboard (Realtime Analytics) │       │
       │       └─────────────────────────────────────────┘       │
       └─────────────────────────────────────────────────────────┘

Technology Stack và phiên bản cụ thể

  • Hệ điều hành biên: Raspberry Pi OS (Debian 10 Buster 32-bit / 64-bit kernel).
  • Ngôn ngữ lập trình: Python 3.8 (Edge Processing), JavaScript / Node.js 16.14.0 (Backend), Ruby 2.7 (Fluentd runtime).
  • Thư viện xử lý ảnh & AI: OpenCV 4.5.3, TensorFlow Lite Runtime 2.5.0, Edge TPU Library (libedgetpu1-std v16.0).
  • Logging Middleware: Fluentd v1.14.0.
  • Web Framework: Flask 2.0.1 (hỗ trợ stream byte video MJPEG), Express.js 4.17.1.
  • Cơ sở dữ liệu & IoT Broker: ThingsBoard CE v3.3, MongoDB v4.4.

Implementation và kết quả

Quy trình phát triển (Development Process)

Quá trình triển khai được chia làm 3 giai đoạn chính với phân rã chức năng rõ ràng:

  • Pha 1 (Edge AI Engine): Cài đặt driver cho Google Coral USB, biên dịch mô hình TFLite tương thích với Edge TPU Compiler (edgetpu_compiler), xây dựng pipeline đọc camera đa luồng (Multi-threading Video Capture).
  • Pha 2 (Tracking & Event Packaging): Hiện thực thuật toán Centroid Tracking bằng Python, tích hợp logic định hướng vector chuyển động, thiết lập daemon Fluentd với cấu hình forward log.
  • Pha 3 (Cloud Integration & Web App): Thiết lập cấu hình Things Server, tạo thiết bị giả lập, kiểm thử API Gateway và xây dựng giao diện Dashboard với xác thực người dùng (Authentication).

Các thuật toán và kỹ thuật cốt lõi

1. Pipeline suy luận tăng tốc với Edge TPU TFLite

Quá trình tiền xử lý và nạp mô hình nhúng SSD-MobileNet-v2-Quantized được thực thi thông qua tflite_runtime.interpreter:

import numpy as np
import cv2
from tflite_runtime.interpreter import Interpreter
from tflite_runtime.interpreter import load_delegate

# Khởi tạo Interpreter với Edge TPU Custom Op Delegate
model_path = "mobilenet_ssd_v2_coco_quant_postprocess_edgetpu.tflite"
interpreter = Interpreter(
    model_path=model_path,
    experimental_delegates=[load_delegate('libedgetpu.so.1')]
)
interpreter.allocate_tensors()

input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

def detect_objects(frame, threshold=0.5):
    # Chuẩn hóa kích thước đầu vào theo kiến trúc MobileNet (300x300x3)
    initial_h, initial_w, _ = frame.shape
    input_shape = input_details[0]['shape']
    resized_frame = cv2.resize(frame, (input_shape[1], input_shape[2]))
    input_data = np.expand_dims(resized_frame, axis=0)

    interpreter.set_tensor(input_details[0]['index'], input_data)
    interpreter.invoke()

    # Trích xuất bounding boxes, class IDs và điểm tin cậy
    boxes = interpreter.get_tensor(output_details[0]['index'])[0]
    classes = interpreter.get_tensor(output_details[1]['index'])[0]
    scores = interpreter.get_tensor(output_details[2]['index'])[0]

    detections = []
    for i in range(len(scores)):
        if scores[i] > threshold and int(classes[i]) == 0:  # Class 0: Person trong COCO
            ymin, xmin, ymax, xmax = boxes[i]
            box = [
                int(xmin * initial_w),
                int(ymin * initial_h),
                int(xmax * initial_w),
                int(ymax * initial_h)
            ]
            detections.append(box)
    return detections

2. Thuật toán Centroid Tracking và ước tính vector di chuyển

Thuật toán theo dõi trọng tâm (Centroid Tracking) tính toán khoảng cách Euclidean giữa trọng tâm bounding box ở khung hình hiện tại $C_t = (c_x, c_y)$ với các đối tượng đã được theo dõi ở khung hình trước $C_{t-1}$:

$$D = \sqrt{(c_{x,t} - c_{x,t-1})^2 + (c_{y,t} - c_{y,t-1})^2}$$

from collections import OrderedDict
import numpy as np

class CentroidTracker:
    def __init__(self, max_disappeared=40):
        self.next_object_id = 0
        self.objects = OrderedDict()
        self.disappeared = OrderedDict()
        self.positions_history = OrderedDict()
        self.max_disappeared = max_disappeared

    def register(self, centroid):
        self.objects[self.next_object_id] = centroid
        self.disappeared[self.next_object_id] = 0
        self.positions_history[self.next_object_id] = [centroid]
        self.next_object_id += 1

    def deregister(self, object_id):
        del self.objects[object_id]
        del self.disappeared[object_id]
        del self.positions_history[object_id]

    def update(self, rects):
        if len(rects) == 0:
            for object_id in list(self.disappeared.keys()):
                self.disappeared[object_id] += 1
                if self.disappeared[object_id] > self.max_disappeared:
                    self.deregister(object_id)
            return self.objects

        input_centroids = np.zeros((len(rects), 2), dtype="int")
        for (i, (startX, startY, endX, endY)) in enumerate(rects):
            cX = int((startX + endX) / 2.0)
            cY = int((startY + endY) / 2.0)
            input_centroids[i] = (cX, cY)

        if len(self.objects) == 0:
            for i in range(len(input_centroids)):
                self.register(input_centroids[i])
        else:
            object_ids = list(self.objects.keys())
            object_centroids = list(self.objects.values())

            # Tính ma trận khoảng cách Euclidean
            distances = np.linalg.norm(np.array(object_centroids)[:, np.newaxis] - input_centroids, axis=2)
            rows = distances.min(axis=1).argsort()
            cols = distances.argmin(axis=1)[rows]

            used_rows, used_cols = set(), set()
            for (row, col) in zip(rows, cols):
                if row in used_rows or col in used_cols:
                    continue
                object_id = object_ids[row]
                self.objects[object_id] = input_centroids[col]
                self.positions_history[object_id].append(input_centroids[col])
                self.disappeared[object_id] = 0
                used_rows.add(row)
                used_cols.add(col)

            unused_cols = set(range(input_centroids.shape[0])).difference(used_cols)
            for col in unused_cols:
                self.register(input_centroids[col])
        return self.objects

    def get_direction(self, object_id):
        history = self.positions_history.get(object_id, [])
        if len(history) < 5:
            return "UNKNOWN"
        dx = history[-1][0] - history[0][0]
        dy = history[-1][1] - history[0][1]
        
        if abs(dx) > abs(dy):
            return "RIGHT" if dx > 0 else "LEFT"
        else:
            return "DOWN" if dy > 0 else "UP"

3. Cấu hình chuyển tiếp dữ liệu tin cậy qua Fluentd

File cấu hình fluent.conf trên Edge Raspberry Pi thiết lập khả năng chịu lỗi và gửi tức thời gói tin sự kiện:

<source>
  @type tail
  path /var/log/sacs/events.json
  pos_file /var/log/sacs/events.json.pos
  tag sacs.border.intrusion
  <parse>
    @type json
    time_key timestamp
    time_type string
  </parse>
</source>

<match sacs.border.**>
  @type http
  endpoint http://192.168.1.100:8088/api/v1/gateway/telemetry
  open_timeout 2
  <buffer>
    @type file
    path /var/log/fluentd/buffer
    flush_interval 1s
    retry_max_times 10
    retry_type exponential_backoff
  </buffer>
</match>

4. Định dạng bản tin dữ liệu JSON (Telemetry Payload)

{
  "camera_node_id": "EDGE_CAM_ZONE_04",
  "event_type": "BORDER_INTRUSION",
  "timestamp": "2026-08-22T04:30:50Z",
  "intruder_data": {
    "tracking_id": 1042,
    "direction": "LEFT_TO_RIGHT",
    "confidence_score": 0.94,
    "bounding_box": {
      "xmin": 120,
      "ymin": 85,
      "xmax": 240,
      "ymax": 380
    }
  },
  "local_evidence_uri": "/videos/20260822_1042_intrusion.mp4"
}

Thử nghiệm và đánh giá thực nghiệm

Thử nghiệm được tiến hành trên cùng một luồng video chuẩn độ phân giải HD $1280 \times 720$ với các mô hình học máy khác nhau trên bo mạch Raspberry Pi 4 Model B (4GB RAM).

Bảng kết quả Benchmark hiệu năng mô hình (Performance Benchmark Table)

STT Mô hình học sâu Framework / Runtime Thiết bị tăng tốc Độ trễ suy luận (ms) Tốc độ khung hình (FPS) mAP (%) trên COCO
1 YOLOv3-tiny Darknet / OpenCV DNN CPU Cortex-A72 312 ms 3.2 FPS 33.1%
2 YOLOv4-tiny Darknet / OpenCV DNN CPU Cortex-A72 248 ms 4.0 FPS 40.2%
3 YOLOv5s PyTorch / ONNX Runtime CPU Cortex-A72 415 ms 2.4 FPS 56.8%
4 SSD-MobileNet-v1 TFLite Runtime CPU Cortex-A72 115 ms 8.7 FPS 21.0%
5 SSD-MobileNet-v2 TFLite Runtime CPU Cortex-A72 98 ms 10.2 FPS 24.5%
6 SSD-MobileNet-v2 TFLite + Edge TPU Coral USB Accelerator 31 ms 32.2 FPS 24.5% 
Tốc độ khung hình (FPS) trên Raspberry Pi 4:
YOLOv3-tiny (CPU)      : [███] 3.2 FPS
YOLOv4-tiny (CPU)      : [████] 4.0 FPS
YOLOv5s (CPU)          : [██] 2.4 FPS
SSD-MobileNet-v2 (CPU) : [██████████] 10.2 FPS
SSD-MobileNet-v2 (TPU) : [████████████████████████████████] 32.2 FPS (Đạt chuẩn Realtime)

Phân tích kết quả

  • Các mô hình họ YOLO (YOLOv3-tiny, YOLOv4-tiny, YOLOv5s) tuy có độ chính xác trung bình (mAP) cao hơn nhưng thời gian suy luận trên CPU đơn thuần quá lớn (>240ms), dẫn tới hiện tượng giật khung hình và rớt mẫu theo dõi khi đối tượng di chuyển nhanh.
  • Mô hình SSD-MobileNet-v2 kết hợp phần cứng Google Coral USB Accelerator cho tốc độ suy luận vượt trội (31 ms, tương đương 32.2 FPS), tăng hiệu suất xử lý gấp 3.15 lần so với chạy trên CPU thuần và hoàn toàn đáp ứng yêu cầu giám sát thời gian thực chuẩn công nghiệp (>30 FPS).

Đổi mới và đóng góp

  1. Kiến trúc AIoT biên tối ưu hóa toàn diện: Thay vì đưa luồng video lên Cloud để phân tích, hệ thống đẩy toàn bộ tác vụ tính toán nặng (Inference & Tracking) xuống nút biên Raspberry Pi 4 + Coral Edge TPU, giúp giảm chi phí truyền dẫn và hạ tầng máy chủ trung tâm tới 90%.
  2. Bộ đệm dữ liệu phân tán với Fluentd IoT Middleware: Khắc phục triệt để vấn đề mất dữ liệu khi mạng biên giới bị gián đoạn. Fluentd tự động ghi dữ liệu vào buffer trên đĩa Flash và truyền lại tự động (Auto-Retry) ngay khi khôi phục kết nối.
  3. Tích hợp Pipeline khép kín: Nhận diện + Bám vết + Trích xuất bằng chứng: Hệ thống không chỉ dừng lại ở việc phát hiện đối tượng mà còn tự động gán ID, theo dõi quỹ đạo xâm nhập (trái/phải/vượt rào) và cắt video MP4 sự kiện lưu trữ cục bộ làm bằng chứng pháp lý.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Giám sát đường mòn, lối mở biên giới: Lắp đặt tại các điểm mù địa hình, ranh giới rừng núi nơi không thể triển khai trạm gác 24/7.
  • Bảo vệ vành đai các công trình trọng điểm: Ứng dụng tại kho vũ khí, trung tâm dữ liệu quân sự, trạm biến áp cao áp và kho dự trữ quốc gia.
  • Kiểm soát luồng di chuyển tại cửa khẩu: Thống kê lưu lượng người qua lại và cảnh báo khi có đối tượng đi ngược chiều quy định.
       [ Cột Camera Biên Giới ] (Pin Mặt Trời + Ăng-ten 4G/LoRa)
                   │
                   ▼ (Wi-Fi / Ethernet 100m)
       [ Đồn Biên Phòng / Trạm Kiểm Soát ] ── (Gateway + Màn hình Dashboard)
                   │
                   ▼ (Mạng Quân sự / 4G VPN)
       [ Bộ Chỉ Huy Trung Tâm ] ── (ThingsBoard Cluster + Tổng hợp đa điểm)

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit Analysis)

  • Chi phí phần cứng một điểm nút camera (Node BOM):
    • Raspberry Pi 4 Model B (4GB): ~$75
    • Google Coral USB Accelerator: ~$60
    • USB Camera góc rộng Full HD: ~$35
    • Vỏ bảo vệ công nghiệp IP66 + Tản nhiệt + Thẻ nhớ 64GB High Endurance: ~$30
    • Bộ nguồn POE / Pin năng lượng mặt trời dự phòng: ~$50
    • Tổng chi phí một Node: ~$250 USD
  • Hiệu quả đầu tư (ROI): So sánh với các hệ thống camera chuyên dụng nhập khẩu có tính năng Edge AI (thường dao động từ $1,500 – $3,000/node), giải pháp SACS giúp tiết kiệm hơn 80% chi phí đầu tư thiết bị, cho phép triển khai mạng lưới mắt thần dày đặc với ngân sách hợp lý.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mô hình SSD-MobileNet-v2 lượng tử hóa (INT8) có thể giảm độ nhạy phát hiện đối với người ở khoảng cách xa (>25 mét) hoặc người bị che khuất một phần (occlusion).
  • Chưa tích hợp camera cảm biến nhiệt (Thermal Imaging), do đó hiệu quả giảm sút trong điều kiện sương mù dày đặc hoặc ban đêm hoàn toàn không có ánh sáng hỗ trợ.
  • Thuật toán Centroid Tracking có thể bị nhầm lẫn ID khi hai đối tượng giao cắt và chồng lấn quỹ đạo di chuyển trong thời gian dài.

Hướng phát triển trong tương lai

  • Nâng cấp mô hình AI: Nghiên cứu tích hợp mô hình YOLOv8-Nano hoặc YOLOv9-Tiny được tối ưu hóa cho Edge TPU để tăng độ chính xác phát hiện vật thể nhỏ.
  • Mở rộng cảm biến đa phổ: Tích hợp camera ảnh nhiệt FLIR Lepton kết hợp thuật toán Sensor Fusion giữa hình ảnh quang học và nhiệt.
  • Định danh đa camera (Re-Identification - Re-ID): Xây dựng mạng lưới liên kết giữa nhiều camera biên giới để theo dõi một đối tượng liên tục khi di chuyển qua các phân khu khác nhau mà không bị mất dấu vết.

Đối tượng hưởng lợi

┌────────────────────────────────────────────────────────────────────────┐
│                         Đối Tượng Hưởng Lợi                            │
├───────────────────┬───────────────────┬────────────────────────────────┤
│ 1. Sinh Viên      │ 2. Kỹ Sư / Devs   │ 3. Đơn Vị Thực Địa & Quản Lý   │
│ - Tài liệu mẫu về │ - Codebase chuẩn  │ - Bộ đội Biên phòng: Giảm 70%  │
│   AIoT & Edge AI  │   TFLite Edge TPU │   công sức tuần tra đêm        │
│ - Pipeline xử lý  │ - Mẫu tích hợp    │ - Cơ quan quản lý: Hệ thống    │
│   video thực tế   │   Fluentd & IoT   │   cảnh báo tự động, chi phí rẻ │
└───────────────────┴───────────────────┴────────────────────────────────┘
  • Sinh viên & Học viên ngành Mạng máy tính, CNTT, IoT: Nguồn tài liệu tham khảo thực tế về quy trình tích hợp mô hình học sâu lên phần cứng nhúng và kiến trúc mạng truyền thông tin cậy.
  • Kỹ sư phát triển phần mềm nhúng & AI Engineer: Bộ khung mẫu (Template) hoàn chỉnh về cách kết hợp TFLite Runtime, Google Coral TPU, thuật toán Centroid Tracking và backend Node.js.
  • Lực lượng Bộ đội Biên phòng & Quản lý an ninh: Công cụ hỗ trợ tuần tra đắc lực, tăng cường khả năng phản ứng nhanh và giảm thiểu nguy cơ mất an toàn cho cán bộ chiến sĩ.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai một nút camera SACS là gì?

Cấu hình tối thiểu bao gồm: bo mạch Raspberry Pi 4 Model B (tối thiểu 2GB RAM), Google Coral USB Accelerator, camera hỗ trợ chuẩn UVC (USB Video Class) hoặc Pi Camera Module v2, thẻ nhớ microSD tối thiểu 32GB Class 10 (khuyến nghị chuẩn High Endurance U3) và nguồn điện ổn định $5V-3A$ chuẩn Type-C.

2. Hệ thống có thể mở rộng (Scalability) quản lý bao nhiêu camera cùng lúc?

Nhờ kiến trúc phân tán triệt để (tính toán diễn ra tại Edge), máy chủ trung tâm chỉ tiếp nhận siêu dữ liệu JSON gọn nhẹ (khoảng $0.5 - 1$ KB mỗi sự kiện). Một máy chủ ThingsBoard / Node.js cấu hình tiêu chuẩn (4 Core CPU, 8GB RAM) có thể dễ dàng quản trị và hiển thị dữ liệu đồng thời cho hơn 500 đến 1,000 nút camera biên giới mà không gặp nghẽn cổ chai tài nguyên.

3. Làm thế nào để tích hợp hệ thống vào hạ tầng mạng sẵn có của đồn biên phòng?

Nút camera hỗ trợ cả kết nối Ethernet có dây và Wi-Fi nội bộ. Dữ liệu được truyền qua giao thức chuẩn HTTP/REST API hoặc MQTT, cho phép tích hợp trực tiếp vào bất kỳ hệ thống phần mềm chỉ huy quân sự (C2/C4ISR) hoặc trung tâm giám sát VMS (Video Management System) hiện có mà không cần thay đổi hạ tầng cốt lõi.

4. Chi phí bảo trì và độ bền thiết bị ngoài trời như thế nào?

Toàn bộ phần cứng được đóng gói trong hộp bảo vệ chuẩn công nghiệp kháng nước, kháng bụi IP66/IP67 có gắn quạt tản nhiệt thông minh và tấm che nắng. Nhờ sử dụng linh kiện thể rắn (Solid-State Components), hệ thống có thời gian hoạt động ổn định giữa các lần bảo trì (MTBF) ước tính trên 30,000 giờ liên tục.

5. Khả năng bảo mật thông tin của hệ thống được thiết kế như thế nào?

Hệ thống áp dụng phương thức bảo mật nhiều lớp:

  • Mã hóa đường truyền toàn diện qua chuẩn HTTPS / TLS 1.3.
  • Xác thực thiết bị tại Gateway bằng Access Token / Mutual TLS (mTLS).
  • Dữ liệu video bằng chứng lưu tại nút biên được bảo vệ bằng phân quyền hệ thống tập tin Linux (chỉ daemon hệ thống có quyền đọc/ghi).

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống camera AI thông minh giám sát biên giới" đã giải quyết thành công bài toán giám sát an ninh tự động trong điều kiện biên cương hiểm trở bằng cách kết hợp sức mạnh của Điện toán biên (Edge Computing) và Trí tuệ nhân tạo vạn vật (AIoT). Với việc ứng dụng mô hình SSD-MobileNet-v2 tối ưu hóa trên bộ tăng tốc Google Coral Edge TPU, hệ thống đạt hiệu năng thực thi ấn tượng 32.2 FPS và độ trễ dưới 1.0 giây, vượt trội hoàn toàn so với các phương pháp truyền thống.

Cùng với kiến trúc truyền thông tin cậy qua Fluentd và giao diện quản trị ThingsBoard / Node.js trực quan, dự án mở ra hướng tiếp cận khả thi, kinh tế và có tính ứng dụng cao cho công tác quản lý, bảo vệ chủ quyền biên giới quốc gia trong kỷ nguyên số hóa 4.0. Toàn bộ mã nguồn, sơ đồ thiết kế phần cứng và tài liệu hướng dẫn triển khai được đóng gói hoàn chỉnh, sẵn sàng cho việc thử nghiệm nhân rộng trên thực địa.