Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón

Đề tài khóa luận tốt nghiệp: Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón – Trường Đại học Công nghệ Kỹ thuật TP.Hồ Chí Minh, Khoa Điện - Điện tử, năm 2026, hướng dẫn bởi TS. Nguyễn Thanh Nghĩa

• Tác giả: Trần Tuấn Việt
• Người hướng dẫn: TS. Nguyễn Thanh Nghĩa
• Trường học: Trường Đại học Công nghệ Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử - Viễn thông
• Đề tài: Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2026
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng quan camera giám sát và điểm danh học sinh trên xe đưa đón

Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón đóng vai trò quan trọng trong việc bảo đảm an toàn học đường hiện đại. Mô hình tích hợp các công nghệ phần cứng chuyên dụng cùng thuật toán xử lý thị giác máy tính tiên tiến. Thiết bị phần cứng trung tâm gồm máy tính nhúng Jetson Nano kết hợp cùng camera độ phân giải cao 2K. Thiết bị ghi nhận luồng video liên tục trong khoang xe. Thuật toán trí tuệ nhân tạo phân tích hình ảnh và trích xuất dữ liệu khuôn mặt ngay tại biên. Quá trình xử lý diễn ra cục bộ mà không phụ thuộc hoàn toàn vào đường truyền mạng internet băng thông rộng. Hệ thống kiểm soát chính xác thời điểm học sinh lên xe và xuống xe mỗi ngày. Dữ liệu điểm danh được số hóa tự động và đồng bộ trực tiếp vào cơ sở dữ liệu quan hệ. Nhà trường cùng đơn vị vận hành quản lý phương tiện theo quy trình khoa học và minh bạch. Giải pháp kỹ thuật này giảm bớt áp lực giám sát thủ công cho đội ngũ tài xế và giám thị. Mọi hoạt động di chuyển của phương tiện được ghi nhận chi tiết, giảm thiểu tối đa sai sót phát sinh.

1.1. Mục tiêu phát triển hệ thống trên xe đưa đón

Mục tiêu cốt lõi của hệ thống là tự động hóa toàn diện quy trình kiểm diện học sinh. Phương pháp điểm danh truyền thống bằng sổ tay thường tốn nhiều thời gian và dễ nhầm lẫn. Việc ứng dụng công nghệ nhận diện khuôn mặt giúp ghi nhận dữ liệu nhanh chóng và chính xác. Hệ thống cung cấp cơ chế giám sát hành trình phương tiện liên tục suốt chuyến đi. Nhà trường dễ dàng nắm bắt số lượng thực tế của học sinh trên mỗi tuyến xe. Đồng thời, giải pháp kỹ thuật số hỗ trợ phát hiện sớm nguy cơ bỏ quên học sinh khi xe kết thúc lộ trình. Thông tin trạng thái được lưu trữ minh bạch, phục vụ việc tra cứu và đối soát dữ liệu khi cần thiết.

1.2. Phạm vi ứng dụng và giới hạn nghiên cứu thực tế

Nghiên cứu tập trung ứng dụng thực tế trong không gian xe đưa đón học sinh chuyên biệt. Mô hình phần cứng ưu tiên các linh kiện chi phí hợp lý nhằm tối ưu ngân sách triển khai. Khả năng nhận diện khuôn mặt hoạt động ổn định nhất trong điều kiện ánh sáng tự nhiên ban ngày. Các tình huống di chuyển ban đêm hoặc nguồn sáng yếu vẫn cần thêm các nguồn sáng bổ trợ. Ngoài ra, tập dữ liệu huấn luyện ban đầu được xây dựng ở quy mô vừa phải cho mô hình thử nghiệm. Do đó, độ chính xác nhận diện có sự dao động khi học sinh thay đổi góc mặt hoặc đeo khẩu trang. Thiết kế hệ thống duy trì tính mô-đun hóa để thuận tiện nâng cấp trong tương lai.

II. Phân tích camera giám sát và điểm danh học sinh trên xe đưa đón

Môi trường phương tiện giao thông vận tải đưa đón học sinh đặt ra nhiều thách thức kỹ thuật phức tạp. Cabin xe thường xuyên rung lắc mạnh trong quá trình di chuyển trên các cung đường gồ ghề. Điều kiện ánh sáng trong xe thay đổi liên tục giữa vùng nắng gắt và bóng râm của cây cối hoặc nhà cao tầng. Góc quay của camera giám sát đôi khi bị che khuất do sự di chuyển hỗn loạn của học sinh. Phương thức điểm danh thủ công truyền thống hoàn toàn phụ thuộc vào sự tập trung của tài xế và nhân viên phụ xe. Khi khối lượng công việc tăng cao, sự mệt mỏi dễ dẫn đến tình trạng bỏ sót học sinh còn ngủ quên trên ghế. Bên cạnh đó, việc truyền dữ liệu video độ nét cao liên tục về máy chủ đám mây gây tiêu tốn băng thông di động 4G và phát sinh độ trễ lớn. Mất kết nối mạng tại các khu vực sóng yếu làm gián đoạn toàn bộ tiến trình kiểm soát an toàn. Những hạn chế này đòi hỏi thiết bị nhúng phải có năng lực tính toán AI độc lập ngay tại xe.

2.1. Rủi ro mất an toàn từ phương pháp kiểm soát thủ công

Kiểm soát học sinh bằng sổ giấy bộc lộ nhiều lỗ hổng an ninh nghiêm trọng. Tài xế phải vừa lái xe vừa theo dõi số lượng hành khách trong khoang. Sự phân tâm khi điều khiển phương tiện làm tăng nguy cơ tai nạn giao thông trên đường. Nhân viên đưa đón có thể đánh dấu sót tên học sinh vào những thời điểm vội vã. Nguy hiểm nhất là sự cố bỏ quên học sinh khi đóng cửa xe dưới trời nắng nóng gay gắt. Các tai nạn thương tâm trong thực tế chứng minh quy trình kiểm tra mắt thường không đảm bảo độ tin cậy tuyệt đối. Việc thiếu công cụ giám sát số hóa khiến phụ huynh luôn ở trạng thái lo lắng và bất an.

2.2. Khó khăn kỹ thuật khi xử lý hình ảnh trên xe di động

Không gian xe di chuyển tạo ra nhiều thách thức đối với các thuật toán thị giác máy tính. Rung chấn liên tục khiến khung hình thu nhận từ camera dễ bị nhòe và mất nét. Cường độ ánh sáng chiếu qua cửa sổ biến đổi thất thường, tạo ra các vùng bóng tối loang lổ trên khuôn mặt. Hiện tượng ngược sáng khiến thuật toán khó nhận dạng các điểm đặc trưng sinh trắc học quan trọng. Bên cạnh đó, tư thế của học sinh rất đa dạng như nghiêng đầu, cúi mặt hoặc dùng vật che chắn. Phần cứng trên xe đòi hỏi kích thước nhỏ gọn nhưng phải có năng lực tản nhiệt tốt. Nguồn điện trên xe đôi lúc không ổn định, tiềm ẩn nguy cơ gây sụt áp cho thiết bị điện tử.

III. Giải pháp camera giám sát và điểm danh học sinh trên xe đưa đón

Giải pháp kỹ thuật xây dựng dựa trên sự kết hợp giữa máy tính nhúng NVIDIA Jetson Nano A02 và camera 2K góc rộng. Máy tính nhúng Jetson Nano sở hữu kiến trúc GPU chuyên biệt, cho phép xử lý song song các tác vụ thị giác máy tính hiệu năng cao. Camera 2K Full HD lắp đặt tại vị trí cửa lên xuống nhằm bắt trọn khuôn mặt học sinh khi bước lên xe. Luồng video được chuyển đổi và xử lý thông qua môi trường thực thi ONNX Runtime tối ưu hóa. Mô hình InsightFace đóng vai trò then chốt trong việc phát hiện, căn chỉnh và trích xuất vector đặc trưng khuôn mặt. Thuật toán ArcFace giúp phân tách rõ rệt vector sinh trắc học giữa các học sinh trong không gian nhiều chiều. Hệ thống đối sánh vector đặc trưng vừa trích xuất với dữ liệu đăng ký trước đó trong cơ sở dữ liệu MySQL. Toàn bộ tiến trình điểm danh diễn ra trong khoảng thời gian chưa đến một giây cho mỗi học sinh. Dữ liệu thời gian thực được ghi nhận chính xác và sẵn sàng đồng bộ khi phương tiện kết nối mạng.

3.1. Ứng dụng mô hình InsightFace và ONNX Runtime tối ưu

InsightFace cung cấp pipeline nhận diện khuôn mặt hoàn chỉnh và đạt độ chính xác hàng đầu hiện nay. Mô hình bao gồm các giai đoạn phát hiện vị trí khuôn mặt, căn chỉnh mốc tọa độ và trích xuất đặc trưng sâu. Thuật toán hàm mất mát ArcFace tối ưu hóa khoảng cách góc giữa các lớp, tăng cường khả năng phân biệt từng cá nhân. Để mô hình hoạt động mượt mà trên phần cứng nhúng Jetson Nano, nhóm nghiên cứu tích hợp ONNX Runtime. Công nghệ này chuyển đổi đồ thị tính toán và tận dụng tối đa sức mạnh phần cứng của nhân GPU CUDA. Nhờ đó, tốc độ suy luận mô hình tăng lên rõ rệt, giảm thiểu độ trễ khung hình và tiết kiệm tối đa tài nguyên bộ nhớ hệ thống.

3.2. Quản lý dữ liệu tập trung với cơ sở dữ liệu MySQL

Cơ sở dữ liệu quan hệ MySQL đóng vai trò kho lưu trữ thông tin trung tâm cho toàn bộ hệ thống. Bảng dữ liệu được thiết kế khoa học để quản lý hồ sơ học sinh, thông tin xe và lịch sử điểm danh. Mỗi bản ghi điểm danh bao gồm mã định danh học sinh, thời gian lên xe, hình ảnh chụp thực tế và trạng thái điểm danh. MySQL đảm bảo tính toàn vẹn dữ liệu thông qua các ràng buộc khóa chính và khóa ngoại nghiêm ngặt. Hệ thống cho phép truy vấn dữ liệu với tốc độ cao, hỗ trợ kiểm tra chéo tức thì khi cần rà soát thông tin. Khả năng tương thích tốt của MySQL giúp việc sao lưu dữ liệu và kết nối với phần mềm quản lý của nhà trường trở nên thuận tiện.

IV. Ứng dụng camera giám sát và điểm danh học sinh trên xe đưa đón

Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón khẳng định tính khả thi cao trong triển khai thực tế. Việc kết hợp máy tính nhúng biên cùng thuật toán AI hiện đại tạo ra giải pháp giám sát an ninh học đường tự động và chính xác. Mô hình giúp loại bỏ hoàn toàn các sai sót do phương pháp điểm danh bằng mắt thường gây ra. Nhà trường quản lý minh bạch lộ trình di chuyển và thời gian đưa đón học sinh mỗi ngày. Phụ huynh nhận được thông báo kịp thời về trạng thái của con em, tạo dựng niềm tin vững chắc vào dịch vụ vận chuyển của trường. Tiềm năng thương mại hóa của hệ thống rất lớn khi có thể nhân rộng sang các trung tâm giáo dục và đơn vị vận tải chuyên nghiệp. Hướng phát triển tiếp theo tập trung vào việc tích hợp camera hồng ngoại nhằm nâng cao hiệu quả nhận diện ban đêm. Đồng thời, việc bổ sung cảm biến phát hiện chuyển động sau khi tắt máy sẽ ngăn ngừa tuyệt đối nguy cơ bỏ quên trẻ trên xe.

4.1. Lợi ích thực tiễn đối với nhà trường và phụ huynh

Ứng dụng hệ thống mang lại nhiều giá trị thiết thực cho cả đơn vị quản lý giáo dục lẫn gia đình học sinh. Nhà trường tinh giản quy trình quản trị, giảm bớt áp lực giám sát cho giáo viên và nhân viên xe buýt. Mọi dữ liệu về thời gian đưa đón đều được số hóa, hỗ trợ báo cáo thống kê chính xác và nhanh chóng. Phụ huynh an tâm hơn khi theo dõi được lịch trình di chuyển của con em qua hệ thống thông báo tức thời. Sự minh bạch về thông tin giúp giải quyết kịp thời các thắc mắc phát sinh giữa gia đình và nhà trường. Đây là bước tiến quan trọng trong việc xây dựng mô hình trường học thông minh, an toàn và văn minh.

4.2. Hướng phát triển và khả năng thương mại hóa đề tài

Đề tài sở hữu tiềm năng thương mại hóa rõ nét khi nhu cầu đảm bảo an toàn xe đưa đón ngày càng gia tăng. Trong tương lai, hệ thống sẽ mở rộng tập dữ liệu huấn luyện để nâng cao độ chính xác khi học sinh đeo khẩu trang. Công nghệ cảm biến nhiệt và radar sóng milimet có thể được tích hợp để rà quét toàn bộ khoang xe sau chuyến đi. Tính năng này giúp loại trừ hoàn toàn rủi ro trẻ em bị kẹt lại trong xe khi cửa đã khóa. Bên cạnh xe đưa đón học sinh, giải pháp có thể điều chỉnh để ứng dụng cho hệ thống vận chuyển công nhân hoặc xe buýt du lịch. Khả năng nhân rộng quy mô giúp các doanh nghiệp vận tải tối ưu chi phí vận hành đáng kể.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số và sự phát triển của công nghệ trí tuệ nhân tạo (AI) cùng Internet vạn vật (IoT), việc ứng dụng thị giác máy tính vào giám sát học đường đang trở thành nhu cầu cấp thiết. Tại các cơ sở giáo dục, đặc biệt là các trường tư thục và trường quốc tế, dịch vụ xe đưa đón học sinh ngày càng phổ biến. Tuy nhiên, quy trình quản lý học sinh trên xe phần lớn vẫn phụ thuộc vào phương pháp điểm danh thủ công bằng sổ sách hoặc ghi nhận trực tiếp của giám sát viên. Cách làm này bộc lộ nhiều hạn chế về tính chính xác, tốn thời gian và dễ xảy ra sai sót con người, dẫn đến nguy cơ bỏ quên học sinh trên xe hoặc để học sinh xuống nhầm điểm dừng.

Tổng quan tình hình nghiên cứu được tác giả phân tích qua hai giai đoạn công nghệ chính:

• Phương pháp truyền thống: Các nghiên cứu ban đầu thường sử dụng bộ trích xuất đặc trưng thủ công như Haar Cascade kết hợp với các thuật toán phân loại Eigenfaces (dựa trên PCA) hoặc Local Binary Patterns (LBP). Các kỹ thuật này có ưu điểm tính toán nhẹ nhưng độ chính xác suy giảm rõ rệt khi đối mặt với điều kiện môi trường thực tế như ánh sáng biến động, góc nhìn nghiêng hoặc biểu cảm khuôn mặt thay đổi.
• Phương pháp học sâu (Deep Learning): Sự ra đời của các mạng nơ-ron tích chập (CNN) như MTCNN, FaceNet, ArcFace và InsightFace đã nâng cao độ chính xác nhận diện. Kết hợp với các mô hình phát hiện đối tượng thời gian thực thuộc họ YOLO (You Only Look Once) như YOLOv5, YOLOv7 và YOLOv8, việc phát hiện và nhận diện khuôn mặt đã đáp ứng được yêu cầu về tốc độ. Tuy nhiên, phần lớn các công trình tại Việt Nam mới chỉ dừng lại ở quy mô phòng thí nghiệm hoặc môi trường lớp học cố định; chưa có nhiều giải pháp tối ưu cho môi trường di động trên xe đưa đón vốn chịu nhiều ảnh hưởng từ rung lắc cơ học và biến động ánh sáng liên tục.

Mục tiêu nghiên cứu của đề tài bao gồm 4 nội dung trọng tâm:

1. Tính thực tiễn cao: Xây dựng giải pháp tự động thay thế phương thức quản lý thủ công trên các tuyến xe đưa đón học sinh, giải quyết bài toán kiểm soát an toàn thực tế.
2. Ứng dụng công nghệ hiện đại: Kết hợp hài hòa giữa phần cứng nhúng, thị giác máy tính, mô hình học sâu và hệ thống phần mềm quản lý phân tán.
3. Đảm bảo an toàn cho học sinh: Tự động phát hiện kịp thời các sự cố bất thường như học sinh không lên xe, xuống sai trạm hoặc bị bỏ quên thông qua cơ chế đối soát dữ liệu và gửi thông báo.
4. Khả năng mở rộng và thương mại hóa: Định hình mô hình kiến trúc có tiềm năng nhân rộng tại các trường học, trung tâm giáo dục hoặc các doanh nghiệp vận tải hành khách chuyên biệt.

Nhiệm vụ nghiên cứu được phân chia thành 8 nội dung cụ thể:

1. Lên ý tưởng và tìm hiểu các tài liệu liên quan đến đề tài.
2. Tìm hiểu các linh kiện phần cứng sử dụng trong đề tài.
3. Thiết kế sơ đồ khối toàn hệ thống.
4. Kiểm tra, đo đạc thử nghiệm từng linh kiện phần cứng riêng lẻ.
5. Thu thập dữ liệu và đào tạo mô hình trí tuệ nhân tạo.
6. Thi công lắp ráp phần cứng và chạy thử nghiệm tích hợp.
7. Viết báo cáo thực hiện đồ án tốt nghiệp.
8. Báo cáo và bảo vệ đề tài trước hội đồng chuyên môn.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Học sinh di chuyển trên các tuyến xe đưa đón; các thuật toán phát hiện và nhận diện khuôn mặt; kiến trúc máy tính nhúng và hệ quản trị cơ sở dữ liệu.
• Phạm vi không gian: Không gian bên trong cabin xe đưa đón học sinh; hệ thống không mở rộng sang các phương tiện công cộng thông thường hay phương tiện cá nhân.
• Phạm vi kỹ thuật và môi trường: Khả năng nhận diện của hệ thống được kiểm thử chủ yếu trong điều kiện ánh sáng ban ngày; chưa tối ưu hóa cho các kịch bản ban đêm hoặc điều kiện thiếu sáng trầm trọng. Hệ thống được triển khai trên nền tảng linh kiện tối ưu chi phí với tập dữ liệu đào tạo giới hạn.

---

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống giám sát dựa trên sự kết hợp giữa các kiến trúc phần cứng nhúng, mô hình thị giác máy tính và nền tảng dịch vụ mạng.

1. Nền tảng phần cứng nhúng

Hệ thống sử dụng máy tính nhúng NVIDIA Jetson Nano phiên bản A02 làm khối xử lý trung tâm:

• Bộ vi xử lý SoC: Tích hợp chip NVIDIA Tegra X1.
• CPU: Quad-core ARM Cortex-A57 (64-bit) hoạt động ở xung nhịp 1.43 GHz.
• GPU: Kiến trúc Maxwell gồm 128 nhân CUDA hỗ trợ tính toán song song cho các mạng nơ-ron học sâu.
• Bộ nhớ: RAM 4 GB LPDDR4 với băng thông truyền dữ liệu 25.6 GB/s; lưu trữ hệ điều hành và tệp dữ liệu thông qua thẻ nhớ microSD.
• Giao diện ngoại vi: 4 cổng USB 3.0, cổng mạng Gigabit Ethernet, cổng màn hình HDMI và DisplayPort, 40 chân GPIO tiêu chuẩn và giao tiếp MIPI CSI-2 kết nối camera.
• Hệ điều hành: Linux for Tegra (L4T) tùy biến từ Ubuntu 18, tích hợp bộ công cụ phát triển JetPack SDK bao gồm CUDA Toolkit, cuDNN, TensorRT và thư viện xử lý ảnh OpenCV.

Đặc điểm kỹ thuật	Jetson Nano A02	Jetson Nano B01
Giao tiếp GPIO	40 chân (40-pin header)	40 chân (tương tự Raspberry Pi)
Thiết kế bo mạch	Thiết kế dạng bo mạch đời đầu (Layout cũ)	Bố cục tối ưu, thuận tiện mở rộng kết nối
Hỗ trợ phần mềm	JetPack phiên bản 4.x	JetPack phiên bản 4.x

Thiết bị thu nhận hình ảnh đầu vào là Camera chuẩn 2K Full HD, hoạt động theo quy trình chuyển đổi quang - điện: ánh sáng hội tụ qua hệ thống thấu kính lên cảm biến ảnh (CMOS/CCD), sau đó được xử lý bởi bộ xử lý tín hiệu hình ảnh (ISP) với các tác vụ cân bằng trắng, giảm nhiễu, chuyển đổi không gian màu RGB/YUV trước khi truyền dữ liệu số qua cổng USB về bo mạch Jetson Nano.

Nguồn năng lượng được cung cấp qua bộ chuyển đổi nguồn AC/DC Adapter model 0540, giúp duy trì điện áp ổn định cho toàn bộ vi mạch. Khả năng kết nối không dây được đảm nhiệm bởi card mạng Intel Dual Band Wireless-AC 8265 hỗ trợ chuẩn IEEE 802.11ac, ăng-ten băng tần kép 2.4 GHz và 5 GHz cùng công nghệ truyền tải đa luồng MIMO/MU-MIMO.

2. Mô hình thị giác máy tính và công cụ suy luận

• Mô hình phát hiện khuôn mặt YOLOv8: Được phát triển bởi Ultralytics (2023), sử dụng kiến trúc gồm 3 khối: Backbone (C2f trích xuất đặc trưng), Neck (mạng PAN/FPN cải tiến tổng hợp đặc trưng đa tỉ lệ) và Decoupled Head. Khác biệt kỹ thuật lớn nhất của YOLOv8 là loại bỏ khái niệm anchor box truyền thống để chuyển sang cơ chế anchor-free, đồng thời phân tách độc lập hai nhánh dự đoán: nhánh định vị hộp bao (bounding box) và nhánh phân loại nhãn. Hàm mất mát sử dụng CIoU hoặc DIoU kết hợp với Binary Cross Entropy (BCE).

Tiêu chí	YOLOv5	YOLOv7	YOLOv8	YOLOv9
Năm công bố	2020	2022	2023	2024
Đơn vị phát triển	Ultralytics	Wang et al.	Ultralytics	Wang et al.
Cơ chế phát hiện	Anchor-based	Anchor-based	Anchor-free	Anchor-free
Kiến trúc tổng thể	Backbone – Neck – Head gộp	Backbone – Neck – Head gộp	Backbone – Neck – Decoupled Head	Backbone – Neck – Decoupled Head (mở rộng)
Khả năng huấn luyện	Dễ	Khó	Rất dễ	Trung bình
Anchor box	Cần cấu hình trước	Cấu hình phức tạp	Không sử dụng anchor	Không sử dụng anchor
Nhiệm vụ hỗ trợ	Phát hiện đối tượng	Phát hiện đối tượng	Phát hiện, phân loại, phân đoạn, tư thế	Phát hiện đối tượng

• Framework phân tích khuôn mặt InsightFace: Chịu trách nhiệm trích xuất đặc trưng và so khớp danh tính. Quy trình xử lý gồm 4 bước: Phát hiện vị trí (Face Detection) -> Căn chỉnh mốc giải phẫu (Face Alignment) -> Trích xuất đặc trưng (Feature Extraction) tạo ra một vector số cố định 512 chiều tối ưu hóa qua hàm mất mát ArcFace loss -> Tính toán độ tương đồng (Similarity Calculation) dựa trên khoảng cách Cosine giữa vector khuôn mặt thực tế và vector lưu trữ trong cơ sở dữ liệu.
• Bộ máy suy luận ONNX Runtime: Đóng vai trò môi trường thực thi mô hình trung gian định dạng .onnx. Công cụ này áp dụng các thuật toán gộp toán tử (operator fusion), loại bỏ phép tính dư thừa và tối ưu hóa quản lý bộ nhớ RAM/VRAM, giúp thực hiện suy luận độc lập không phụ thuộc vào framework gốc (PyTorch hay TensorFlow).

Tiêu chí so sánh	Framework gốc (PyTorch / TensorFlow)	ONNX Runtime
Mục đích chính	Huấn luyện và suy luận mô hình	Chuyên biệt hóa cho quá trình suy luận (Inference)
Phụ thuộc môi trường	Phụ thuộc thư viện huấn luyện nặng nề	Độc lập, không cần cài đặt framework gốc
Mức độ tối ưu suy luận	Trung bình	Rất cao nhờ tối ưu đồ thị tính toán
Triển khai thiết bị nhúng	Còn nhiều hạn chế về dung lượng và tốc độ	Rất tốt, phù hợp hệ thống AI biên (Edge AI)

3. Hệ thống phần mềm quản lý và truyền tải

• Cơ sở dữ liệu MySQL: Hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) lưu trữ thông tin lý lịch học sinh, danh sách đăng ký và bảng chấm công điểm danh chi tiết.
• Thư viện OpenCV (cv2): Đảm nhiệm các bước tiền xử lý ảnh số, cắt khung hình khuôn mặt, phân đoạn ảnh và định dạng lại kích thước ảnh trước khi đưa vào mô hình AI.
• Framework Flask: Xây dựng hệ thống dịch vụ backend xử lý logic, cung cấp các chuẩn kết nối API phục vụ ghi nhận dữ liệu từ camera và hiển thị trên bảng điều khiển web.
• Dịch vụ mạng Ngrok: Tạo kênh truyền an toàn (tunneling) đưa máy chủ cục bộ (localhost) ra môi trường Internet công cộng, cho phép quản lý từ xa.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc khối chức năng liên kết chặt chẽ giữa thiết bị biên và máy chủ dịch vụ mạng:

[Camera 2K Full HD] ---> (Thu nhận luồng video)
                                  |
                                  v
                        [NVIDIA Jetson Nano A02]
          +-----------------------+-----------------------+
          | - OpenCV (Tiền xử lý khung hình)              |
          | - YOLOv8 (Phát hiện khuôn mặt anchor-free)    |
          | - ONNX Runtime (Tăng tốc suy luận)            |
          | - InsightFace (Trích xuất vector 512 chiều)   |
          +-----------------------+-----------------------+
                                  |
            (Truy vấn / Cập nhật dữ liệu thời gian thực)
                                  v
                       [Hệ thống Backend Flask]
          +-----------------------+-----------------------+
          | - Giao diện Web: Giám sát, Đếm người, Admin   |
          | - Cơ sở dữ liệu: MySQL                        |
          | - Dịch vụ mạng: Ngrok & Email cảnh báo        |
          +-----------------------------------------------+

Quy trình hoạt động phần mềm được thiết kế thông qua 3 lưu đồ thuật toán chính:

1. Lưu đồ giải thuật đếm người lên/xuống: Luồng video từ camera đặt tại cửa xe được phân tích liên tục để đếm số lượng học sinh bước vào và rời khỏi xe. Thuật toán giám sát tổng số học sinh hiện diện trong khoang hành khách theo thời gian thực nhằm đối chiếu với danh sách sĩ số đăng ký ban đầu.
2. Lưu đồ giải thuật điểm danh tự động: Khi phát hiện khuôn mặt xuất hiện trong vùng quan sát của camera, YOLOv8 tiến hành định vị tọa độ. Khung ảnh khuôn mặt được căn chỉnh và đưa qua mô hình InsightFace (thực thi trên ONNX Runtime) để trích xuất vector đặc trưng 512 chiều. Thuật toán tính toán độ tương đồng Cosine với kho dữ liệu mẫu. Nếu vượt qua ngưỡng tin cậy xác định, hệ thống ghi nhận trạng thái điểm danh vào cơ sở dữ liệu MySQL cùng mốc thời gian cụ thể.
3. Lưu đồ giải thuật đăng ký học sinh mới: Người quản trị thu nhận các bức ảnh khuôn mặt mẫu qua giao diện web hoặc camera trực tiếp. Hệ thống trích xuất và số hóa đặc trưng khuôn mặt thành vector 512 chiều, ghi nhận thông tin định danh vào MySQL, đồng thời kích hoạt module gửi thư điện tử (email) tự động thông báo kết quả đăng ký đến phụ huynh.

Về mặt phần mềm người dùng, hệ thống triển khai 4 giao diện tương tác:

• Giao diện trang chủ: Tổng hợp trạng thái hoạt động của xe và bảng tin thông báo nhanh.
• Giao diện camera đếm người vào/ra: Hiển thị luồng video trực tiếp cùng bộ đếm số lượng học sinh di chuyển qua cửa.
• Giao diện camera điểm danh: Trực quan hóa khung viền nhận diện danh tính và trạng thái điểm danh của từng học sinh.
• Giao diện admin: Quản lý danh sách học sinh, lịch sử dữ liệu điểm danh, cập nhật tài khoản và cấu hình hệ thống.

---

Nội dung chính theo từng chương

Chương 1: TỔNG QUAN

Chương 1 giới thiệu tính cấp thiết của đề tài trong việc giải quyết bài toán an toàn xe đưa đón học sinh. Tác giả phân tích lược sử các phương pháp từ thị giác máy tính cổ điển (Haar Cascade, PCA, LBP) đến các giải pháp học sâu đương đại (MTCNN, FaceNet, ArcFace, YOLO). Chương này xác lập 4 mục tiêu nghiên cứu, phân định 8 nội dung công việc cụ thể và công bố các phạm vi giới hạn của đề tài (chỉ thực hiện trên xe đưa đón học sinh, kiểm thử trong điều kiện ánh sáng ban ngày, sử dụng phần cứng nhúng tối ưu chi phí).

Chương 2: CƠ SỞ LÝ THUYẾT

Nội dung chương 2 trình bày chi tiết về các công nghệ phần cứng và giải thuật toán học:

• Khảo cứu kiến trúc máy tính nhúng NVIDIA Jetson Nano A02 (SoC Tegra X1, 128 nhân CUDA Maxwell, hệ điều hành L4T, SDK JetPack) kèm bảng so sánh với bản B01.
• Nguyên lý cảm biến quang học CMOS/CCD và bộ xử lý ISP của Camera 2K Full HD.
• Cấu trúc mạng YOLOv8 (cơ chế anchor-free, decoupled head, hàm mất mát CIoU/DIoU) và bảng so sánh chi tiết giữa 4 thế hệ YOLOv5, YOLOv7, YOLOv8 và YOLOv9.
• Kiến trúc suy luận tăng tốc của ONNX Runtime cùng bảng so khớp hiệu năng với các framework PyTorch và TensorFlow.
• Nguyên lý nhận diện của framework InsightFace (căn chỉnh mốc khuôn mặt, trích xuất vector 512 chiều, so khớp khoảng cách Cosine, hàm mất mát ArcFace).
• Tổng quan hệ quản trị cơ sở dữ liệu quan hệ MySQL, thư viện xử lý ảnh OpenCV, công cụ tạo tunnel Ngrok, card mạng không dây Intel Dual Band Wireless-AC 8265 và bộ đổi nguồn AC/DC Adapter 0540.

Chương 3: THIẾT KẾ VÀ THI CÔNG HỆ THỐNG

Chương 3 chuyển hóa các cơ sở lý thuyết thành mô hình phần cứng và phần mềm cụ thể. Nhóm tác giả thiết lập sơ đồ khối chức năng của hệ thống, chỉ rõ mối liên kết giữa camera thu nhận dữ liệu, bo mạch xử lý biên Jetson Nano, hạ tầng mạng nội bộ và máy chủ backend Flask. Các quy trình xử lý dữ liệu được chuẩn hóa thông qua 3 lưu đồ giải thuật: đếm người ra/vào, nhận diện điểm danh học sinh và đăng ký hồ sơ học sinh mới. Đồng thời, cấu trúc các màn hình giao diện web tương tác (Trang chủ, Camera đếm, Camera điểm danh, Quản trị Admin) cũng được mô tả chi tiết.

Chương 4: KẾT QUẢ - ĐÁNH GIÁ

Chương 4 ghi nhận kết quả nghiên cứu và kiểm thử thực nghiệm trên mô hình thực tế. Hệ thống được đánh giá qua khả năng phát hiện khuôn mặt bằng YOLOv8 kết hợp trích xuất đặc trưng InsightFace trên nền tảng Jetson Nano A02. Các dữ liệu kiểm nghiệm cho thấy quy trình điểm danh diễn ra tự động, thông tin học sinh được cập nhật vào cơ sở dữ liệu MySQL và truyền tải qua API Flask ổn định. Tác giả đưa ra các nhận xét đánh giá khách quan về hiệu năng hoạt động của phần cứng cũng như tính chính xác của thuật toán trong môi trường thử nghiệm.

Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 5 đúc kết toàn bộ khối lượng công việc đã hoàn thành so với mục tiêu đặt ra ban đầu, xác nhận hệ thống có khả năng ứng dụng thực tiễn trong trường học thông minh. Đồng thời, chương này chỉ ra các hướng mở rộng kỹ thuật nhằm khắc phục những giới hạn hiện tại của hệ thống.

---

Kết quả và đóng góp

Khóa luận đã hoàn thành việc thiết kế và xây dựng thành công mô hình thực nghiệm của hệ thống giám sát và điểm danh học sinh trên xe đưa đón với các kết quả cụ thể:

• Tích hợp thành công phần cứng biên: Hệ thống kết nối hoàn chỉnh máy tính nhúng Jetson Nano A02 với Camera 2K Full HD, card mạng WiFi Intel AC 8265 và bộ nguồn chuyển đổi AC/DC model 0540, đảm bảo khả năng vận hành đồng bộ trên một thiết bị độc lập.
• Tối ưu hóa quy trình suy luận AI: Triển khai thành công chuỗi xử lý nhận diện kết hợp giữa mô hình phát hiện đối tượng YOLOv8 và trích xuất đặc trưng InsightFace (ArcFace), được tối ưu hóa tốc độ thực thi thông qua công cụ suy luận ONNX Runtime, đáp ứng yêu cầu xử lý thời gian thực.
• Hệ thống phần mềm quản lý toàn diện: Xây dựng máy chủ backend bằng Flask hỗ trợ đầy đủ các tính năng:
  • Điểm danh tự động học sinh khi lên và xuống xe.
  • Theo dõi, giám sát sĩ số học sinh thực tế thông qua camera đếm người ra/vào để kịp thời phát hiện nguy cơ thừa hoặc thiếu học sinh.
  • Quản trị cơ sở dữ liệu MySQL lưu trữ hồ sơ học sinh và nhật ký điểm danh.
  • Tự động gửi email cảnh báo và thông tin đăng ký cho phụ huynh học sinh.
  • Cung cấp giao diện tương tác web trực quan gồm trang chủ, màn hình camera và trang admin.

Đóng góp chính của đề tài nằm ở việc nghiên cứu ứng dụng thực tế các mô hình thị giác máy tính tiên tiến vào một bài toán an toàn giao thông học đường cụ thể. Công trình không dừng lại ở nghiên cứu lý thuyết mà đã giải quyết bài toán tích hợp hệ thống hoàn chỉnh từ tầng phần cứng nhúng (Edge AI) đến tầng dịch vụ web và cơ sở dữ liệu, chứng minh tính khả thi của việc thay thế quy trình điểm danh thủ công truyền thống.

---

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo các giới hạn được nhóm tác giả công bố trong tài liệu:

• Hạn chế:

  • Phạm vi áp dụng của hệ thống chỉ tập trung duy nhất cho môi trường xe đưa đón học sinh, chưa được cấu hình mở rộng cho các hệ thống giao thông công cộng hay phương tiện dân dụng khác.
  • Mô hình nhận diện mới được thử nghiệm và hoạt động tối ưu trong điều kiện ánh sáng ban ngày; chưa có cơ chế xử lý tốt trong môi trường thiếu sáng, ngược sáng mạnh hoặc vận hành vào ban đêm.
  • Do sử dụng các linh kiện phần cứng nhúng tối ưu chi phí thấp và nguồn dữ liệu thu thập phục vụ huấn luyện (training dataset) cho mô hình AI còn ở quy mô nhỏ, độ chính xác nhận diện tổng thể chưa đạt mức tuyệt đối trong các tình huống phức tạp.

• Hướng nghiên cứu tiếp:

  • Nghiên cứu giải pháp nâng cấp thuật toán và tích hợp cảm biến hồng ngoại hoặc công nghệ bù sáng nhằm cải thiện độ chính xác nhận diện trong môi trường ban đêm hoặc điều kiện thiếu sáng.
  • Mở rộng quy mô tập dữ liệu hình ảnh khuôn mặt học sinh đa dạng hơn về góc nghiêng, biểu cảm và độ tuổi để nâng cao độ chính xác nhận diện của mô hình.
  • Nghiên cứu tích hợp thêm các công nghệ định vị GPS và truyền thông di động (4G/5G) chuyên dụng cho phương tiện vận tải đường dài.

---

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo kỹ thuật hữu ích cho:

• Sinh viên và học viên: Thuộc các chuyên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Máy tính, Điện tử Công nghiệp, Công nghệ Thông tin và Hệ thống Nhúng đang thực hiện đồ án liên quan đến Edge AI.
• Phần nội dung có giá trị tham khảo cao:
  • Bảng khảo sát và so sánh đặc tính kỹ thuật giữa các phiên bản kiến trúc YOLO (từ YOLOv5 đến YOLOv9) và cấu trúc Anchor-free Decoupled Head của YOLOv8.
  • Quy trình tích hợp định dạng mô hình ONNX và sử dụng ONNX Runtime để tối ưu hóa suy luận mô hình học sâu trên máy tính nhúng NVIDIA Jetson Nano.
  • Phương pháp xây dựng chuỗi nhận diện danh tính hoàn chỉnh: phát hiện khuôn mặt bằng YOLOv8, chuẩn hóa và trích xuất vector đặc trưng 512 chiều bằng InsightFace, kết nối cơ sở dữ liệu MySQL và nền tảng dịch vụ web Flask.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng phiên bản phần cứng Jetson Nano nào và có các thông số kỹ thuật cốt lõi ra sao?

Khóa luận sử dụng phiên bản máy tính nhúng NVIDIA Jetson Nano A02. Bo mạch tích hợp bộ vi xử lý SoC NVIDIA Tegra X1 với CPU 4 nhân ARM Cortex-A57 64-bit tốc độ 1.43 GHz, GPU kiến trúc Maxwell gồm 128 nhân CUDA, RAM 4 GB LPDDR4 băng thông 25.6 GB/s, hỗ trợ lưu trữ qua thẻ nhớ microSD và tích hợp giao diện kết nối camera MIPI CSI-2.

2. Mô hình AI nào được lựa chọn cho nhiệm vụ phát hiện và nhận diện khuôn mặt trong hệ thống?

Hệ thống sử dụng mô hình YOLOv8 do Ultralytics phát triển để thực hiện tác vụ phát hiện khuôn mặt với cơ chế anchor-free và decoupled head. Sau đó, framework InsightFace (ứng dụng hàm mất mát ArcFace) được sử dụng để căn chỉnh mốc khuôn mặt và trích xuất vector đặc trưng 512 chiều, so khớp danh tính bằng khoảng cách Cosine.

3. Vai trò kỹ thuật của thư viện ONNX Runtime trong đồ án là gì?

ONNX Runtime đóng vai trò là bộ máy suy luận (inference engine) độc lập, nạp và chạy các mô hình học sâu đã được chuyển đổi sang định dạng .onnx. Công cụ này áp dụng kỹ thuật gộp toán tử, tối ưu hóa bộ nhớ và thực thi song song nhằm tăng tốc độ suy luận của mô hình AI trên nền tảng Jetson Nano mà không cần cài đặt các framework huấn luyện nặng như PyTorch hay TensorFlow.

4. Hệ thống thực hiện việc thông báo và lưu trữ dữ liệu điểm danh như thế nào?

Dữ liệu lý lịch và kết quả điểm danh của học sinh được lưu trữ tập trung trong hệ quản trị cơ sở dữ liệu MySQL. Phần mềm backend xây dựng bằng Flask cung cấp API để ghi nhận dữ liệu từ camera và đồng thời kích hoạt module gửi thư điện tử (email) tự động thông báo cho phụ huynh khi học sinh được đăng ký hoặc khi có sự kiện liên quan.

5. Những giới hạn thực nghiệm chính được tác giả chỉ rõ trong khóa luận là gì?

Tác giả nêu rõ 3 giới hạn: hệ thống chỉ áp dụng trong phạm vi xe đưa đón học sinh (không áp dụng cho xe cá nhân/công cộng); thuật toán nhận diện khuôn mặt mới chỉ hoạt động trong điều kiện ánh sáng ban ngày (chưa tối ưu cho ban đêm hoặc thiếu sáng); và độ chính xác chưa đạt mức tối đa do sử dụng linh kiện phần cứng chi phí thấp cùng tập dữ liệu huấn luyện còn giới hạn.

---

Kết luận

Khóa luận tốt nghiệp "Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón" của hai sinh viên Trần Tuấn Việt và Lê Quang Thương (ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Trường Đại học Công nghệ Kỹ thuật Thành phố Hồ Chí Minh) đã hoàn thành việc thiết kế và chế tạo mô hình giám sát an toàn học sinh ứng dụng trí tuệ nhân tạo biên. Công trình giải quyết thành công việc tích hợp camera độ phân giải cao với máy tính nhúng NVIDIA Jetson Nano A02, áp dụng mô hình YOLOv8, InsightFace và bộ tăng tốc suy luận ONNX Runtime để tự động hóa quy trình điểm danh và đếm sĩ số. Mặc dù còn những giới hạn về điều kiện chiếu sáng và quy mô tập dữ liệu huấn luyện, giải pháp đã chứng minh tính khả thi kỹ thuật và cung cấp tài liệu tham khảo chi tiết cho việc ứng dụng thị giác máy tính vào hệ thống giao thông học đường thông minh.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Trong những năm gần đây, cùng với sự phát triển mạnh mẽ của công nghệ trí tuệ nhân tạo và Internet vạn vật (IoT), các hệ thống giám sát thông minh đã được nghiên cứu và ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, giao thông, giáo dục và y tế. Đặc biệt, bài toán giám sát và điểm danh tự động dựa trên thị giác máy tính ngày càng nhận được sự quan tâm của các nhà nghiên cứu trong và ngoài nước, nhằm thay thế các phương pháp thủ công truyền thống vốn tồn tại nhiều hạn chế về độ chính xác, tính minh bạch và khả năng mở rộng. Trên thế giới, nhiều công trình nghiên cứu đã tập trung vào việc ứng dụng nhận diện khuôn mặt để xây dựng các hệ thống điểm danh và giám sát thông minh. Các nghiên cứu ban đầu chủ yếu sử dụng các phương pháp trích xuất đặc trưng thủ công như Haar Cascade kết hợp với thuật toán PCA (Eigenfaces) hoặc LBP (Local Binary Patterns).

Tuy nhiên, các phương pháp này có độ chính xác chưa cao và dễ bị ảnh hưởng bởi điều kiện ánh sáng, góc nhìn và biểu cảm khuôn mặt. Sự phát triển của học sâu (Deep Learning) đã tạo ra bước tiến lớn trong lĩnh vực thị giác máy tính. Nhiều nghiên cứu quốc tế đã áp dụng các mạng nơ- ron tích chập (CNN) cho bài toán phát hiện và nhận diện khuôn mặt, điển hình như các mô hình MTCNN, FaceNet, ArcFace hay InsightFace. Các mô hình này cho thấy khả năng trích xuất đặc trưng mạnh mẽ, cải thiện đáng kể độ chính xác nhận diện ngay cả trong môi trường phức tạp.

Bên cạnh đó, các mô hình phát hiện đối tượng thời gian thực như YOLO (You Only Look Once) cũng được nghiên cứu và áp dụng rộng rãi trong các hệ thống giám sát. Những phiên bản mới như YOLOv5, YOLOv7 và đặc biệt là YOLOv8 với cơ chế anchor-free và decoupled head đã giúp nâng cao hiệu năng phát hiện khuôn mặt trong thời gian thực, phù hợp với các hệ thống yêu cầu tốc độ xử lý cao như giám sát trên xe đưa đón học sinh. Một số nghiên cứu còn kết hợp YOLO với các hệ thống nhận diện khuôn mặt để xây dựng giải pháp điểm danh tự động trong lớp học, sân bay hoặc phương tiện công cộng. Tại Việt Nam, các nghiên cứu liên quan đến nhận diện khuôn mặt và điểm danh tự động cũng đã được triển khai trong những năm gần đây, chủ yếu trong các đề tài nghiên cứu khoa học sinh viên và đồ án tốt nghiệp.

Nhiều 1 công trình tập trung xây dựng hệ thống điểm danh trong lớp học dựa trên camera, sử dụng OpenCV kết hợp với các thuật toán truyền thống hoặc các mô hình học sâu như CNN và FaceNet. Một số nghiên cứu gần đây đã bước đầu ứng dụng các mô hình YOLO cho bài toán phát hiện khuôn mặt, kết hợp với cơ sở dữ liệu MySQL hoặc Firebase để quản lý thông tin sinh viên. Tuy nhiên, phần lớn các hệ thống trong nước mới chỉ dừng lại ở môi trường phòng thí nghiệm, quy mô nhỏ, chưa được kiểm chứng đầy đủ trong các điều kiện thực tế phức tạp như môi trường di chuyển, rung lắc, ánh sáng thay đổi liên tục trên xe đưa đón học sinh. Từ việc tổng hợp các kết quả nghiên cứu trong và ngoài nước có thể nhận thấy rằng, mặc dù các phương pháp và mô hình hiện đại đã đạt được nhiều kết quả tích cực, nhưng vẫn còn tồn tại những hạn chế nhất định khi áp dụng vào bài toán giám sát và điểm danh học sinh trên xe đưa đón.

Các hệ thống hiện có thường thiếu tính đồng bộ, chưa tối ưu cho môi trường thực tế có nhiều yếu tố gây nhiễu, đồng thời còn hạn chế về khả năng triển khai, quản lý và mở rộng. Do đó, việc nghiên cứu và xây dựng một hệ thống giám sát và điểm danh học sinh trên xe đưa đón dựa trên trí tuệ nhân tạo, kết hợp các mô hình phát hiện và nhận diện khuôn mặt hiện đại với nền tảng phần mềm linh hoạt, là một hướng đi cần thiết và có ý nghĩa thực tiễn cao. Đây cũng chính là cơ sở và động lực để đề tài được lựa chọn và triển khai trong khuôn khổ đồ án tốt nghiệp. Đề tài “Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón” hướng đến việc xây dựng một giải pháp công nghệ tích hợp giữa camera AI nhận diện khuôn mặt và phần mềm quản lý điểm danh tự động, nhằm đảm bảo an toàn cho học sinh, hỗ trợ nhà trường và phụ huynh trong việc theo dõi hành trình và trạng thái của con em mình.

MỤC TIÊU NGHIÊN CỨU • Tính thực tiễn cao: Hệ thống xe đưa đón học sinh đang được sử dụng phổ biến tại các trường học, đặc biệt là trường quốc tế và tư thục. Tuy nhiên, việc quản lý học sinh trên xe vẫn còn thủ công, dễ xảy ra sai sót. Đề tài này giải quyết trực tiếp một vấn đề đang tồn tại trong thực tế. 2 • Ứng dụng công nghệ hiện đại: Việc kết hợp giữa camera giám sát, nhận diện khuôn mặt và phần mềm quản lý là xu hướng tất yếu trong thời đại chuyển đổi số.

Đây là cơ hội để sinh viên vận dụng kiến thức về AI, IoT, xử lý ảnh và lập trình hệ thống vào một bài toán cụ thể. • Đảm bảo an toàn cho học sinh: Hệ thống giúp phát hiện kịp thời các trường hợp bất thường như học sinh không lên xe, xuống sai điểm, hoặc bị bỏ quên. Từ đó góp phần nâng cao chất lượng dịch vụ và uy tín của nhà trường. • Khả năng mở rộng và thương mại hóa: Nếu được triển khai hiệu quả, hệ thống có thể được nhân rộng cho nhiều trường học, trung tâm giáo dục hoặc các đơn vị vận tải chuyên biệt, mở ra tiềm năng khởi nghiệp hoặc hợp tác với doanh nghiệp.

NỘI DUNG NGHIÊN CỨU Trong quá trình thực hiện đề tài “Hệ thống camera giám sát và điểm danh học sinh trên xe đưa đón”, nhóm tập trung giải quyết và hoàn thành những nội dung sau: • Nội dung 1: Lên ý tưởng và tìm hiểu các tài liệu liên quan đến đề tài. • Nội dung 2: Tìm hiểu các linh kiện sử dụng trong đề tài. • Nội dung 3: Vẽ Sơ đồ khối. • Nội dung 4: Test các linh kiện.

• Nội dung 5: Đào tạo mô hình AI • Nội dung 6: Thi công phần cứng, chạy thử nghiệm. • Nội dung 7: Viết báo cáo thực hiện. • Nội dung 8: Báo cáo đề tài. GIỚI HẠN • Hệ thống chỉ áp dụng trong môi trường xe đưa đón học sinh, không mở rộng sang các phương tiện công cộng hoặc xe cá nhân.

• Nhận diện khuôn mặt trong điều kiện ánh sáng ban ngày, chưa tối ưu cho môi trường thiếu sáng hoặc ban đêm. • Sử dụng linh kiện có mức chi phí thấp và dữ liệu đào tạo cho AI chưa đủ lớn nên độ chính xác không quá cao. BỐ CỤC • Chương 1: Tổng quan • Chương 2: Cơ sở lý thuyết • Chương 3: Tính toán và thiết kế • Chương 4: Thi công hệ thống • Chương 5: Kết quả đạt được • Chương 6: Kết luận và hướng phát triển 4 Chương 2: CƠ SỞ LÝ THUYẾT 2. GIỚI THIỆU VỀ JETSON NANO A02 2.

Giới thiệu tổng quan Jetson Nano A02 là một máy tính nhúng (embedded computer) do NVIDIA phát triển, được thiết kế chuyên biệt cho các ứng dụng trí tuệ nhân tạo (AI), thị giác máy tính (computer vision), robot tự hành, và Internet vạn vật (IoT). Đây là phiên bản đầu tiên trong dòng Jetson Nano (ra mắt năm 2019), hướng tới mục tiêu mang sức mạnh xử lý của GPU NVIDIA vào các hệ thống nhúng có kích thước nhỏ gọn, tiêu thụ điện năng thấp nhưng vẫn đảm bảo hiệu năng cao. Cấu trúc phần cứng Jetson Nano A02 được tích hợp bộ vi xử lý SoC (System on Chip) NVIDIA Tegra X1, bao gồm: • CPU: Quad-core ARM Cortex-A57 (64-bit), tốc độ 1.43 GHz • GPU: NVIDIA Maxwell™ kiến trúc 128 nhân CUDA, hỗ trợ xử lý song song các tác vụ học sâu (deep learning) • RAM: 4 GB LPDDR4, băng thông 25.6 GB/s • Bộ nhớ: Hỗ trợ thẻ microSD để lưu trữ hệ điều hành và dữ liệu • Kết nối ngoại vi: o 4 cổng USB 3.0 o 1 cổng HDMI và 1 cổng DisplayPort o 1 cổng Gigabit Ethernet o 40 chân GPIO (tương thích Raspberry Pi) o Camera interface MIPI CSI-2 (hỗ trợ camera IMX219) 5 Thiết kế phần cứng này giúp Jetson Nano A02 vừa linh hoạt trong việc kết nối cảm biến, camera, thiết bị ngoại vi, vừa đủ mạnh để thực hiện các mô hình AI thời gian thực. Hệ điều hành và môi trường phát triển Jetson Nano A02 sử dụng hệ điều hành Linux for Tegra (L4T), được tùy biến từ Ubuntu 18.

NVIDIA cung cấp bộ công cụ JetPack SDK, bao gồm: • CUDA Toolkit: hỗ trợ lập trình song song trên GPU • cuDNN: thư viện tối ưu cho mạng nơ-ron sâu (Deep Neural Network) • TensorRT: công cụ tăng tốc suy luận (inference) cho mô hình học sâu • OpenCV: thư viện xử lý ảnh mã nguồn mở • ROS (Robot Operating System): hỗ trợ phát triển các ứng dụng robot Nhờ đó, Jetson Nano có thể chạy và huấn luyện (training nhẹ hoặc inference) các mô hình AI như YOLO, MobileNet, SSD, ResNet, phục vụ cho các ứng dụng nhận diện vật thể, phát hiện khuôn mặt, theo dõi chuyển động, v. Đặc điểm kỹ thuật Phiên bản A02 là bản phát hành đầu tiên, có một số đặc điểm riêng so với bản B01 (bản nâng cấp sau này): 6 Bảng 2.1: So sánh Jetson Nano A02 và Jetson Nano B01 Đặc điểm Jetson Nano A02 Jetson Nano B01 GPIO Header 40-pin 40-pin (tương tự Pi) Layout tối ưu, dễ mở Thiết kế bo mạch Layout cũ rộng Hỗ trợ phần mềm JetPack 4. CAMERA 2K FULL HD 2. Giới thiệu chung Camera là thành phần đóng vai trò thu nhận dữ liệu hình ảnh đầu vào, giúp hệ thống nhận diện khuôn mặt có thể phân tích và xử lý hình ảnh trong thời gian thực.

Trong đề tài này, camera độ phân giải 2K Full HD được sử dụng để đảm bảo độ rõ nét của khuôn mặt, giúp mô hình trí tuệ nhân tạo (AI) trích xuất đặc trưng chính xác hơn, đặc biệt trong các điều kiện ánh sáng khác nhau hoặc khi đối tượng di chuyển. Nguyên lý hoạt động Camera số hoạt động dựa trên quá trình chuyển đổi tín hiệu quang học (ánh sáng) thành tín hiệu điện tử (dữ liệu số). Quá trình này gồm ba giai đoạn: 1. Thu nhận ánh sáng: Ánh sáng phản xạ từ vật thể (ở đây là khuôn mặt) đi vào ống kính (lens), được điều chỉnh qua khẩu độ và hội tụ lên cảm biến ảnh.