Giới thiệu dự án

Bối cảnh và thực trạng ngành

Trong kỷ nguyên công nghiệp 4.0 và quá trình chuyển đổi số toàn diện, quản trị nhân sự tại các doanh nghiệp đang đối mặt với bài toán tối ưu hóa quy trình kiểm soát thời gian làm việc. Theo thống kê của Hiệp hội Doanh nghiệp Việt Nam, tính đến năm 2021 cả nước có hơn 860.000 doanh nghiệp đang hoạt động cùng sự gia tăng mạnh mẽ của dòng vốn đầu tư trực tiếp nước ngoài (FDI). Quy mô lao động mở rộng đặt ra thách thức lớn đối với công tác điểm danh và tính công.

Các phương pháp truyền thống như chấm công bằng thẻ giấy, sổ ký tên hoặc đầu đọc vân tay độc lập bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Hiện tượng "chấm công hộ" (buddy punching) gây thất thoát hàng trăm triệu đồng chi phí nhân sự mỗi năm.
  • Rủi ro mất vệ sinh dịch tễ và tỷ lệ nhận dạng vân tay lỗi cao đối với công nhân làm việc trong môi trường dầu mỡ, hóa chất hoặc mòn vân tay.
  • Các hệ thống chấm công thẻ từ đơn thuần dễ bị sao chép hoặc chuyển nhượng thẻ.
  • Các giải pháp chấm công trực tuyến phụ thuộc hoàn toàn vào đường truyền Internet, dễ gián đoạn dữ liệu khi mất kết nối mạng cục bộ.

Mục tiêu đề tài

Đồ án "Thiết kế và thi công hệ thống chấm công bằng nhận diện khuôn mặt kết hợp công nghệ RFID trên Raspberry Pi 4" do sinh viên Huỳnh Văn Kim Hên thực hiện dưới sự hướng dẫn của ThS. Trương Quang Phúc (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh - HCMUTE) tập trung vào 4 mục tiêu cốt lõi:

  1. Thiết kế phần cứng nhúng tích hợp: Xây dựng trạm chấm công biên (Edge Device) hoạt động độc lập trên nền tảng vi xử lý Raspberry Pi 4 Model B, tích hợp module RFID RC522, camera độ phân giải cao và module thời gian thực RTC DS1307.
  2. Triển khai mô hình AI nhận diện khuôn mặt: Ứng dụng mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với kiến trúc FaceNet và hàm mất mát Triplet Loss để trích xuất đặc trưng khuôn mặt thành vector nhúng 128 chiều, tối ưu hóa tốc độ xử lý trực tiếp trên thiết bị biên.
  3. Xây dựng cơ chế xác thực đa yếu tố (2FA): Kết hợp định danh thẻ RFID (13.56 MHz) và đối soát sinh trắc học khuôn mặt nhằm loại bỏ 100% tình trạng chấm công hộ.
  4. Phát triển nền tảng quản trị Web Dashboard: Xây dựng hệ thống phần mềm quản lý phân quyền (Admin/Employee), giám sát lịch sử vào/ra thời gian thực, cập nhật thông tin nhân sự và đồng bộ dữ liệu đám mây (Cloud Server).

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án áp dụng phương pháp tiếp cận tính toán biên (Edge Computing). Thay vì gửi toàn bộ luồng video độ phân giải cao lên máy chủ gây nghẽn băng thông, thiết bị Raspberry Pi 4 trực tiếp thực hiện tiền xử lý ảnh, phát hiện khuôn mặt và trích xuất vector nhúng để so khớp cục bộ. Dữ liệu sau khi xác thực hợp lệ mới được gửi đồng bộ lên Cloud Server.

  • Thời gian xác thực mục tiêu: $\le 1.2\text{ giây/lượt}$.
  • Độ chính xác nhận diện kỳ vọng: $\ge 96.5%$ trong điều kiện ánh sáng tiêu chuẩn.
  • Phạm vi hoạt động: Khoảng cách nhận diện khuôn mặt tối ưu từ $0.8\text{m} - 1.0\text{m}$; khoảng cách đọc thẻ RFID từ $0\text{cm} - 5\text{cm}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Chấm công vân tay truyền thống Chấm công thẻ RFID đơn thuần Chấm công FaceID Cloud-based Hệ thống nhúng 2FA (Đề tài)
Khả năng chống chấm công hộ Trung bình (vẫn có thể làm giả vân tay silicon) Kém (dễ dàng đưa thẻ cho người khác) Tốt Tuyệt đối (Xác thực 2 lớp Thẻ + Mặt)
Tốc độ xử lý $1.5\text{s} - 2.5\text{s}$ $< 0.5\text{s}$ $2.0\text{s} - 4.0\text{s}$ (phụ thuộc ping mạng) $0.8\text{s} - 1.2\text{s}$ (Xử lý tại biên)
Tính độc lập khi mất Internet Cục bộ Cục bộ Tê liệt hoàn toàn Hoạt động liên tục nhờ RTC DS1307
Chi phí đầu tư phần cứng Thấp ($1.5 - 3\text{ triệu VNĐ}$) Rất thấp ($1 - 2\text{ triệu VNĐ}$) Cao ($8 - 15\text{ triệu VNĐ}$) Tối ưu ($3.5 - 4.5\text{ triệu VNĐ}$)
Tính linh hoạt & mở rộng Kém (hệ điều hành đóng) Kém Trung bình Rất cao (Nền tảng Linux/Python mã nguồn mở)

Phân loại yêu cầu theo mô hình MoSCoW:

  • Must have (Bắt buộc có): Quẹt thẻ RFID qua giao tiếp SPI; trích xuất đặc trưng khuôn mặt qua FaceNet; hiển thị trạng thái check-in/check-out lên màn hình cảm ứng 7 inch; lưu trữ thời gian thực qua RTC DS1307.
  • Should have (Nên có): Giao diện Web quản trị quản lý danh sách nhân viên (CRUD); chức năng tra cứu lịch sử chấm công và xuất báo cáo thống kê.
  • Could have (Có thể có): Khả năng lưu đệm dữ liệu (offline cache) khi mất mạng và tự động đồng bộ hóa lên Cloud Server khi có lại Internet.
  • Won't have (Chưa thực hiện): Tính năng nhận diện 3D chống giả mạo bằng ảnh in (Liveness Detection đa phổ) và nhận diện đồng thời nhiều khuôn mặt cùng lúc trong một khung hình.

Thiết kế hệ thống

+-------------------------------------------------------------------------+
|                           KHỐI NGUỒN (5.1V / 3A)                         |
+-------------------------------------------------------------------------+
                                     |
+------------------------------------+------------------------------------+
|                                    v                                    |
|   +-----------------------------------------------------------------+   |
|   |          KHỐI ĐIỀU KHIỂN TRUNG TÂM (Raspberry Pi 4 Model B)     |   |
|   |       - SoC: Broadcom BCM2711 Quad-core Cortex-A72 @ 1.5GHz    |   |
|   |       - RAM: 4GB LPDDR4-3200 | GPU: VideoCore VI @ 500MHz       |   |
|   |       - OS: Raspbian Linux | Engine: OpenCV 4.x + FaceNet       |   |
|   +-----------------------------------------------------------------+   |
|         ^ (SPI)             ^ (USB 2.0)        ^ (I2C)         ^ (HDMI) |
|         |                   |                  |               |        |
|         v                   v                  v               v        |
|  +-------------+     +-------------+    +-------------+  +------------+ |
|  |  Module     |     |   Webcam    |    |  Module RTC |  | Màn hình   | |
|  |  RFID RC522 |     | Rapoo XW180 |    |   DS1307    |  | Cảm ứng    | |
|  | (13.56MHz)  |     | (1080p FHD) |    |  (AT24C32)  |  | 7" (IPS)   | |
|  +-------------+     +-------------+    +-------------+  +------------+ |
+-------------------------------------------------------------------------+
                                     | (Wi-Fi 802.11ac)
                                     v
+-------------------------------------------------------------------------+
|                  HỆ THỐNG QUẢN TRỊ & CLOUD SERVER                       |
|   - Cơ sở dữ liệu: SQLite / MySQL                                       |
|   - Web Dashboard: Admin Portal (Quản lý User, Lịch sử, Báo cáo)       |
+-------------------------------------------------------------------------+

Technology Stack và Thông số Kỹ thuật:

  • Bộ điều khiển trung tâm: Raspberry Pi 4 Model B (4GB RAM, Broadcom BCM2711 Quad-core Cortex-A72 @ 1.5GHz).
  • Module RFID: RC522 IC Philips, tần số $13.56\text{ MHz}$, chuẩn thẻ Mifare S50/S70, giao tiếp SPI (Serial Peripheral Interface).
  • Cảm biến hình ảnh: Webcam Rapoo XW180 độ phân giải Full HD 1080p @ 30fps, góc quay $90^\circ$, tích hợp bộ lọc giảm nhiễu hình ảnh Noise Reduction.
  • Đồng hồ thời gian thực (RTC): Module DS1307 kết hợp bộ nhớ EEPROM AT24C32 $32\text{ Kbit}$, giao tiếp $I^2C$, pin nuôi CR2032 độc lập duy trì thời gian lên đến 10 năm.
  • Hiển thị & Điều khiển: Màn hình cảm ứng điện dung Waveshare 7 inch IPS HDMI, độ phân giải $1024 \times 600\text{ pixels}$.
  • Hệ điều hành & Môi trường thực thi: Raspbian OS (Linux Kernel 5.x), Python 3.9+, thư viện OpenCV 4.5+, mô hình mạng FaceNet Pre-trained.

Sơ đồ kết nối chân ngoại vi (Hardware Pinout Mapping):

  • Kết nối Module RFID RC522 với Raspberry Pi 4 (SPI Bus):
    • SDA (SS) $\rightarrow$ GPIO 8 (Pin 24 - CE0)
    • SCK $\rightarrow$ GPIO 11 (Pin 23 - SCLK)
    • MOSI $\rightarrow$ GPIO 10 (Pin 19 - MOSI)
    • MISO $\rightarrow$ GPIO 9 (Pin 21 - MISO)
    • RST $\rightarrow$ GPIO 25 (Pin 22)
    • 3.3V $\rightarrow$ Pin 1; GND $\rightarrow$ Pin 6
  • Kết nối Module RTC DS1307 với Raspberry Pi 4 ($I^2C$ Bus):
    • SDA $\rightarrow$ GPIO 2 (Pin 3 - SDA1)
    • SCL $\rightarrow$ GPIO 3 (Pin 5 - SCL1)
    • VCC $\rightarrow$ Pin 2 ($5\text{V}$); GND $\rightarrow$ Pin 9

Methodology (Phương pháp triển khai)

Dự án được tổ chức theo quy trình phát triển lặp (Iterative Engineering Lifecycle) qua 4 giai đoạn chính trong 16 tuần:

  1. Tuần 1 - 4 (Nghiên cứu & Lập mô hình): Khảo sát lý thuyết mạng FaceNet, chuẩn hóa hàm Triplet Loss, tính toán mức tiêu thụ dòng và lựa chọn linh kiện.
  2. Tuần 5 - 8 (Thiết kế & Gia công phần cứng): Thiết kế sơ đồ nguyên lý mạch, vẽ bản vẽ cơ khí 2D/3D, gia công khung vỏ mica bảo vệ bằng công nghệ cắt Laser CNC.
  3. Tuần 9 - 12 (Lập trình nhúng & Tích hợp thuật toán): Lập trình giao tiếp ngoại vi (SPI, $I^2C$), tối ưu hóa luồng suy luận OpenCV và FaceNet trên Python, xây dựng Web Server nội bộ.
  4. Tuần 13 - 16 (Thử nghiệm & Đánh giá): Đo đạc hiệu năng thực nghiệm, đo dòng tiêu thụ, kiểm tra độ nhạy quét thẻ và độ chính xác nhận diện khuôn mặt trong các kịch bản môi trường khác nhau.

Implementation và kết quả

Development process

Cơ chế cốt lõi của mạng FaceNet và hàm mất mát Triplet Loss:

Mạng FaceNet thực hiện ánh xạ trực tiếp từ bức ảnh chứa khuôn mặt $x$ sang không gian vector $d$-chiều (ở đây $d = 128$) sao cho khoảng cách bình phương giữa các vector đại diện trực tiếp cho mức độ tương đồng giữa các khuôn mặt: $f(x) \in \mathbb{R}^{128}$ với $|f(x)|_2 = 1$.

Quá trình tối ưu hóa dựa trên bộ ba mẫu (Triplet):

  • Anchor ($A$): Ảnh khuôn mặt gốc của một đối tượng.
  • Positive ($P$): Ảnh khuôn mặt khác của chính đối tượng đó (cùng nhãn).
  • Negative ($N$): Ảnh khuôn mặt của người khác (khác nhãn).

Hàm mất mát Triplet Loss được định nghĩa toán học:

$$\mathcal{L}(A, P, N) = \max \left( |f(A) - f(P)|_2^2 - |f(A) - f(N)|_2^2 + \alpha, , 0 \right)$$

Trong đó:

  • $|f(A) - f(P)|_2^2$ là khoảng cách Euclide giữa vector Anchor và Positive.
  • $|f(A) - f(N)|_2^2$ là khoảng cách Euclide giữa vector Anchor và Negative.
  • $\alpha$ là hệ số biên an toàn (margin), thường chọn $\alpha = 0.2$.

Quá trình tối ưu ép buộc hệ thống học sao cho:

$$|f(A) - f(P)|_2^2 + \alpha < |f(A) - f(N)|_2^2$$

Mã nguồn xử lý xác thực 2FA tại biên (Python Core Workflow):

import time
import cv2
import numpy as np
from mfrc522 import SimpleMFRC522
import smbus2

# Khoảng cách Euclide ngưỡng chấp nhận nhận diện
EUCLIDEAN_THRESHOLD = 0.60

def read_rfid_card(reader):
    """Đọc UID thẻ RFID qua giao tiếp SPI"""
    try:
        card_id, text = reader.read_no_block()
        return str(card_id) if card_id else None
    except Exception as e:
        return None

def compute_euclidean_distance(emb1, emb2):
    """Tính khoảng cách Euclidean giữa 2 vector nhúng 128 chiều"""
    return np.linalg.norm(emb1 - emb2)

def verify_attendance(card_id, captured_face, registered_embeddings, facenet_model):
    """Quy trình xác thực 2 lớp (RFID + Face Recognition)"""
    if card_id not in registered_embeddings:
        return False, "The RFID khong hop le hoac chua duoc dang ky!"
    
    # Tiền xử lý ảnh khuôn mặt (Resize về 160x160 cho FaceNet)
    face_resized = cv2.resize(captured_face, (160, 160))
    face_normalized = (face_resized.astype('float32') - 127.5) / 128.0
    face_expanded = np.expand_dims(face_normalized, axis=0)
    
    # Trích xuất vector đặc trưng 128D
    current_embedding = facenet_model.predict(face_expanded)[0]
    
    # Lấy vector mẫu từ CSDL tương ứng với Card ID
    anchor_embedding = registered_embeddings[card_id]
    
    # So khớp khoảng cách
    distance = compute_euclidean_distance(anchor_embedding, current_embedding)
    
    if distance <= EUCLIDEAN_THRESHOLD:
        confidence = (1.0 - (distance / EUCLIDEAN_THRESHOLD)) * 100
        return True, f"Xac thuc thanh cong! Khoang cach: {distance:.3f}"
    else:
        return False, f"Xac thuc that bai! Khuon mat khong khop voi the (Dist: {distance:.3f})"

Testing và validation

Hệ thống được đưa vào kiểm thử thực tế với tập dữ liệu kiểm nghiệm gồm 10 nhân sự, thực hiện lặp lại 100 lần quét cho mỗi cá nhân tại các góc độ và điều kiện ánh sáng khác nhau:

[Bắt đầu] 
   │
   ▼
[Quẹt thẻ RFID RC522] ──(Không có thẻ)──► [Chờ quét thẻ]
   │ (Đã quét được UID)
   ▼
[Kiểm tra UID trong CSDL] ──(UID không tồn tại)──► [Báo lỗi thẻ & Dừng]
   │ (UID hợp lệ)
   ▼
[Kích hoạt Camera Rapoo XW180]
   │
   ▼
[Thu nhận Frame 1080p & Haar Cascade cắt Face]
   │
   ▼
[FaceNet trích xuất Vector nhúng 128D]
   │
   ▼
[Tính khoảng cách Euclide d(A, Captured)]
   │
   ├─── (d > 0.60) ───► [Hiển thị Thất bại & Cảnh báo sai chủ thẻ]
   │
   └─── (d <= 0.60) ──► [Xác thực Thành công]
                            │
                            ▼
                   [Đọc thời gian từ RTC DS1307]
                            │
                            ▼
                   [Ghi log vào CSDL & Cập nhật UI]
                            │
                            ▼
                   [Đồng bộ Web Dashboard qua Wi-Fi]

Bảng kết quả kiểm thử thực nghiệm:

Điều kiện kiểm nghiệm Số lượng mẫu thử Xác thực thành công Tỷ lệ chính xác (%) Thời gian phản hồi TB (ms)
Góc thẳng ($0^\circ$), ánh sáng chuẩn ($300\text{ lux}$) 200 196 98.0% $850\text{ ms}$
Góc nghiêng trái/phải ($\pm 30^\circ$) 150 141 94.0% $920\text{ ms}$
Góc ngửa/cúi ($\pm 15^\circ$) 100 92 92.0% $910\text{ ms}$
Điều kiện ánh sáng yếu ($< 50\text{ lux}$) 100 88 88.0% $1,050\text{ ms}$
Thử nghiệm quẹt thẻ giả mạo (Người khác cầm thẻ) 100 0 (Bị chặn) 100% (Phát hiện gian lận) $880\text{ ms}$

Kết quả đạt được

  • Về phần cứng: Hệ thống hoàn thiện dưới dạng một trạm All-in-One chắc chắn, kích thước $220 \times 160 \times 90\text{ mm}$, vỏ mica gia công chính xác, bố trí quạt tản nhiệt $5\text{V}/0.2\text{A}$ duy trì nhiệt độ SoC Broadcom BCM2711 luôn dưới $58^\circ\text{C}$ khi chạy tải suy luận AI liên tục.
  • Về thuật toán: Tích hợp thành công mô hình FaceNet đã tối ưu, rút ngắn vector biểu diễn từ hàng nghìn điểm ảnh xuống chỉ còn 128 đặc trưng số học nổi (float), giảm $85%$ chi phí bộ nhớ RAM so với các mạng nơ-ron truyền thống như VGG-16.
  • Về phần mềm quản trị: Giao diện Web Dashboard trực quan cho phép quản trị viên xem bảng công theo ngày/tháng, tìm kiếm nhân sự theo ID/họ tên, bổ sung nhân viên mới và cấu hình tham số hệ thống từ xa mà không cần thao tác trực tiếp trên máy trạm.

Đổi mới và đóng góp

  1. Kiến trúc xác thực kết hợp (Hybrid 2FA Verification): Khắc phục triệt để điểm yếu của phương thức quét thẻ từ đơn lẻ (bị quẹt hộ) và nhận diện khuôn mặt 1:N thuần túy (vốn đòi hỏi thời gian tìm kiếm tăng dần theo kích thước tập dữ liệu $O(N)$). Bằng cách quét RFID trước để lấy ID danh tính (bài toán 1:1), thuật toán so sánh vector chỉ diễn ra duy nhất 1 lần với độ phức tạp $O(1)$, giúp tốc độ nhận diện luôn giữ ổn định ở mức dưới 1 giây bất kể quy mô doanh nghiệp có hàng nghìn nhân viên.
  2. Triển khai Trí tuệ nhân tạo tại biên (Edge AI): Đưa mô hình Deep Learning phức tạp xuống máy tính đơn bo Raspberry Pi 4 mà không cần GPU rời đắt tiền.
  3. Cơ chế chống mất dữ liệu đa lớp: Tích hợp module RTC DS1307 có nguồn pin độc lập, đảm bảo dấu thời gian (timestamp) luôn tuyệt đối chính xác ngay cả khi ngắt nguồn điện hoặc mất kết nối mạng Internet.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Nhà máy sản xuất & Xưởng cơ khí: Nơi công nhân thường xuyên đeo găng tay, bám bụi bẩn khiến máy quét vân tay mất tác dụng. Nhân viên chỉ cần quẹt thẻ ID vào đầu đọc và nhìn vào camera trong 1 giây.
  • Văn phòng doanh nghiệp & Tòa nhà Co-working: Tích hợp hệ thống kiểm soát cửa ra vào tự động (Access Control), vừa phục vụ chấm công vừa kích hoạt khóa cửa điện từ (Relay/Magnetic Lock).
  • Trường học & Trung tâm đào tạo: Điểm danh sinh viên tự động tại các phòng thí nghiệm, giảng đường lớn.

Phân tích chi phí - lợi ích (Cost-Benefit & ROI):

  • Chi phí phần cứng trạm điểm danh: Xấp xỉ $3.800.000\text{ VNĐ}$ (Raspberry Pi 4 4GB + Màn hình Waveshare 7 inch + RC522 + DS1307 + Webcam Rapoo + Vỏ mica & Phụ kiện nguồn).
  • Hiệu quả kinh tế: Loại bỏ thất thoát trung bình $3 - 5%$ quỹ lương do gian lận chấm công hộ tại các doanh nghiệp quy mô 100 lao động (tương đương tiết kiệm $15.000.000 - 30.000.000\text{ VNĐ/tháng}$).
  • Thời gian hoàn vốn (ROI): Chỉ sau $1.5 - 2.5\text{ tháng}$ vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ thống chưa trang bị camera cảm biến hồng ngoại (IR) hoặc camera chiều sâu (Depth Sensing) nên vẫn tồn tại nguy cơ bị đánh lừa bởi ảnh in 2D chất lượng cao hoặc màn hình smartphone phát lại video.
  • Khả năng nhận diện giảm xuống dưới $90%$ khi môi trường có cường độ ánh sáng quá yếu ($< 50\text{ lux}$) hoặc bị ngược sáng mạnh.
  • Khoảng cách nhận diện khuôn mặt còn hạn chế trong phạm vi hẹp ($0.8\text{m} - 1.0\text{m}$).

Hướng phát triển trong tương lai

  • Tích hợp mô hình Anti-Spoofing Liveness Detection: Phát hiện chuyển động chớp mắt tự nhiên hoặc tích hợp cảm biến nhiệt độ hồng ngoại để kiểm tra thân nhiệt sống.
  • Mở rộng phần cứng tăng tốc AI: Bổ sung bộ xử lý tăng tốc thần kinh chuyên dụng (như Google Coral USB Accelerator hoặc Hailo-8 M.2) nhằm nâng tốc độ xử lý khung hình lên $60\text{ fps}$.
  • Tích hợp ứng dụng di động (Mobile App): Phát triển ứng dụng Flutter cho phép nhân viên tự theo dõi bảng công cá nhân và gửi đơn xin nghỉ phép trực tuyến.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kỹ thuật Máy tính / Điện tử: Bản thiết kế mẫu hoàn chỉnh về cách kết hợp giữa phần cứng nhúng (Raspberry Pi, GPIO, SPI, $I^2C$) và mô hình Trí tuệ nhân tạo (Deep Learning, FaceNet).
  • Lập trình viên IoT & Computer Vision: Mã nguồn mẫu tối ưu hóa pipeline xử lý ảnh và kỹ thuật nhúng vector 128 chiều tại biên với độ trễ thấp.
  • Doanh nghiệp vừa và nhỏ (SMEs): Giải pháp chấm công giá rẻ, không mất phí thuê bao hàng tháng (SaaS), hoàn toàn làm chủ cơ sở dữ liệu nội bộ.
  • Nhà nghiên cứu ứng dụng: Cung cấp số liệu kiểm thử thực nghiệm về mối tương quan giữa hàm mất mát Triplet Loss, góc nghiêng khuôn mặt và độ tin cậy của thuật toán phân lớp trên phần cứng nhúng.

Câu hỏi thường gặp

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

Hệ thống yêu cầu nguồn điện $5\text{V} - 3\text{A}$ ổn định qua cổng USB Type-C, bo mạch Raspberry Pi 4 Model B (tối thiểu 2GB RAM, khuyến nghị 4GB), thẻ nhớ MicroSD tối thiểu 16GB Class 10 (hoặc USB 3.0), cùng môi trường vận hành trong nhà với ánh sáng ổn định từ $150 - 400\text{ lux}$.

2. Khi mất kết nối Internet, hệ thống có ghi nhận dữ liệu chấm công được không?

Có. Nhờ có module đồng hồ thời gian thực RTC DS1307 chạy pin độc lập và cơ sở dữ liệu SQLite cục bộ, mọi lượt chấm công đều được ghi nhận chính xác đến từng giây vào bộ nhớ máy trạm. Khi phát hiện có kết nối mạng Internet trở lại, hệ thống sẽ tự động đồng bộ các bản ghi chưa gửi lên Cloud Server.

3. Tại sao hệ thống lại chọn kết hợp cả thẻ RFID và nhận diện khuôn mặt thay vì chỉ dùng khuôn mặt?

Việc chỉ sử dụng nhận diện khuôn mặt 1:N đòi hỏi hệ thống phải so khớp khuôn mặt hiện tại với toàn bộ cơ sở dữ liệu nhân viên, khiến thời gian tính toán tăng tuyến tính theo số lượng người. Khi kết hợp RFID (xác thực 1:1), hệ thống dùng thẻ để xác định ngay ID nhân viên, sau đó chỉ cần so khớp đúng 1 lần với vector khuôn mặt tương ứng, giúp tốc độ chấm công luôn đạt mức dưới 1 giây.

4. Hệ thống có thể quản lý tối đa bao nhiêu nhân viên?

Với kiến trúc so khớp 1:1 dựa trên thẻ RFID và lưu trữ vector nhúng 128D (mỗi vector chỉ tốn khoảng $512\text{ bytes}$ dữ liệu thô), một bộ nhớ USB/thẻ nhớ 32GB trên Raspberry Pi 4 có thể lưu trữ hồ sơ của hơn 50.000 nhân viên mà không làm suy giảm tốc độ xác thực của hệ thống.

5. Chi phí bảo trì và độ bền của thiết bị như thế nào?

Chi phí bảo trì gần như bằng 0 do hệ thống sử dụng các module bán dẫn thể rắn không có chi tiết cơ học chuyển động ngoài quạt tản nhiệt. Pin nuôi RTC DS1307 (CR2032) có tuổi thọ từ 5 đến 10 năm và có thể thay thế dễ dàng với chi phí chỉ vài nghìn đồng.

Kết luận

Đề tài "Thiết kế và thi công hệ thống chấm công bằng nhận diện khuôn mặt kết hợp công nghệ RFID trên Raspberry Pi 4" của tác giả Huỳnh Văn Kim Hên đã giải quyết bài toán quản lý chấm công nhân sự thông qua việc kết hợp công nghệ xác thực đa yếu tố (2FA) và tính toán biên (Edge AI). Việc ứng dụng thành công kiến trúc mạng nơ-ron FaceNet tối ưu với hàm mất mát Triplet Loss trên phần cứng Raspberry Pi 4 đã chứng minh khả năng đưa các mô hình Deep Learning vào các bài toán công nghiệp thực tế với chi phí tối ưu. Dự án mở ra hướng ứng dụng rộng rãi cho các hệ thống kiểm soát ra vào thông minh, trường học số và nhà máy thông minh trong bối cảnh công nghiệp 4.0.