Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và phát triển đô thị thông minh (Smart Cities), việc ứng dụng Internet of Things (IoT) và Trí tuệ nhân tạo (AI) vào quản lý giáo dục đóng vai trò then chốt trong việc tối ưu hóa vận hành học đường. Theo các khảo sát quản trị giáo dục, phương thức điểm danh truyền thống (gọi tên, ký tên vào danh sách giấy) làm tiêu tốn trung bình từ 10% đến 15% thời lượng của một tiết học 45–60 phút, đồng thời tiềm ẩn tỷ lệ gian lận (điểm danh hộ, đi học hộ) lên tới 15–20% trong các giảng đường quy mô lớn trên 50–100 sinh viên.

Đề tài "Xây dựng hệ thống điểm danh không chạm với IoT" (IoT-Based Contactless Attendance System) do tác giả Lê Minh Khánh An (Khoa Mạng Máy tính và Truyền thông, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM) thực hiện dưới sự hướng dẫn của ThS. Thái Huy Tân, tập trung giải quyết triệt để bài toán điểm danh tự động, minh bạch và an toàn bằng cách kết hợp thiết bị nhúng IoT và thị giác máy tính.

+-----------------------------------------------------------------------------------+
|                           MÔ HÌNH HOẠT ĐỘNG TỔNG QUAN                             |
+-----------------------------------------------------------------------------------+
|  [Thẻ SV] ---> (OCR Firebase) ---> [Đăng ký thông tin & Ảnh chân dung]            |
|                                                     |                             |
|  [Giảng viên] ---> (Tạo buổi học & Quét QR) --------+                             |
|                                                     |                             |
|  [IoT K210 + GC0328] ---> (Phát hiện khuôn mặt) ---> [Django REST Cloud Server]   |
|                                                              |                    |
|  [Sinh viên] <--- (Xác nhận & Tra cứu điểm danh) <-----------+                    |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn và bài toán kỹ thuật

  1. Lãng phí thời gian vận hành: Điểm danh thủ công lấy đi từ 7–10 phút mỗi đầu giờ giảng, làm gián đoạn mạch truyền đạt kiến thức.
  2. Sai sót và gian lận định danh: Điểm danh bằng miệng hoặc truyền tay danh sách giấy tạo kẽ hở lớn cho hành vi điểm danh hộ; các công nghệ như thẻ từ RFID vẫn có thể bị quẹt thẻ thay thế.
  3. Nguy cơ tiếp xúc vật lý: Các giải pháp sinh trắc học truyền thống như đầu đọc vân tay đặt ra thách thức lớn về vệ sinh dịch tễ và độ bền phần cứng khi chịu tần suất tiếp xúc cao.

Mục tiêu cụ thể của dự án

  1. Mục tiêu 1: Nghiên cứu và thiết kế phần cứng IoT độc lập dựa trên vi điều khiển kiến trúc RISC-V Kendryte K210 tích hợp camera GC0328 và module truyền thông WiFi/BLE ESP32.
  2. Mục tiêu 2: Ứng dụng công nghệ xử lý ảnh và Học sâu (Deep Learning) với mô hình mạng nơ-ron tích chập (CNN) thông qua thư viện Dlib để nhận dạng khuôn mặt với độ chính xác chuẩn hóa đạt trên 95%.
  3. Mục tiêu 3: Xây dựng ứng dụng di động Android (Java) tích hợp Google ML Kit for Firebase để tự động hóa đăng ký tài khoản qua công nghệ nhận dạng ký tự quang học (OCR) từ thẻ sinh viên.
  4. Mục tiêu 4: Triển khai hệ thống máy chủ Backend tập trung chuẩn RESTful API với Django Framework và đóng gói dịch vụ bằng Docker trên hạ tầng đám mây.

Phương pháp tiếp cận và kết quả kỳ vọng

Hệ thống kết hợp biên (Edge Device) phát hiện khuôn mặt tự động, truyền dữ liệu thời gian thực lên máy chủ nhận diện và phản hồi tức thì về ứng dụng di động. Kết quả kỳ vọng rút ngắn thời gian điểm danh xuống dưới 2 giây mỗi sinh viên, giảm thiểu sai sót thủ công xuống 0%, loại bỏ hoàn toàn hành vi điểm danh hộ.

Phạm vi và giới hạn đề tài

  • Phạm vi triển khai: Mô hình điểm danh tập trung ứng dụng cho các lớp học tại trường đại học.
  • Giới hạn kỹ thuật: Triển khai thử nghiệm trên 01 bộ thiết bị IoT nhúng vật lý; thuật toán nhận diện khuôn mặt Deep Learning chạy trên máy chủ backend; cơ sở dữ liệu thử nghiệm sử dụng SQLite; chưa tích hợp cơ chế chống giả mạo khuôn mặt chuyên sâu (Liveness Detection 3D).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Điểm danh truyền thống Thẻ từ RFID / NFC Vân tay sinh trắc học Giải pháp IoT Không chạm (Đề xuất)
Hình thức xác thực Gọi tên / Ký giấy Quẹt thẻ vật lý Chạm ngón tay vào cảm biến Nhận diện khuôn mặt tự động
Thời gian xử lý 10–15 phút / lớp 50 SV 1–2 giây / SV (phải xếp hàng) 2–3 giây / SV < 2 giây / SV (hoàn toàn tự động)
Tính chống gian lận Rất thấp (điểm danh hộ dễ dàng) Thấp (chuyền thẻ cho nhau) Cao Rất cao (xác thực sinh trắc học khuôn mặt)
Tiếp xúc vật lý Tiếp xúc giấy, bút Tiếp xúc gần thiết bị đọc Chạm trực tiếp đầu quét Không tiếp xúc (Contactless 100%)
Tự động hóa báo cáo Nhập liệu thủ công lên Excel Tự động cập nhật CSDL Tự động cập nhật CSDL Tự động đồng bộ Realtime & Xuất báo cáo đa định dạng
Chi phí triển khai Không đáng kể Trung bình (cấp thẻ, đầu đọc) Trung bình - Cao Tối ưu (sử dụng SoC AI giá rẻ Kendryte K210)

Phân tích yêu cầu chức năng theo mô hình MoSCoW

+---------------------------------------------------------------------------------------+
|                       PHÂN TÍCH YÊU CẦU THEO MÔ HÌNH MoSCoW                           |
+---------------------------------------------------------------------------------------+
|  MUST HAVE (Bắt buộc):                                                                |
|  - Tự động phát hiện khuôn mặt trên phần cứng IoT Kendryte K210.                      |
|  - Nhận diện khuôn mặt Deep Learning (Dlib 128D Vector) trên Backend Server.          |
|  - Trích xuất thông tin thẻ sinh viên qua Google ML Kit OCR trên Android.            |
|  - Ghép nối phiên điểm danh an toàn qua mã QR động giữa Mobile App và IoT Node.      |
|  - Quản lý khóa học, sinh viên, buổi học trên giao diện Web Dashboard (Django Admin).|
|                                                                                       |
|  SHOULD HAVE (Nên có):                                                                |
|  - Chức năng điểm danh thủ công dự phòng khi sinh viên gặp sự cố nhận dạng.          |
|  - Xuất báo cáo điểm danh theo buổi và theo toàn bộ môn học định dạng bảng tính.     |
|  - Cơ chế gửi mật khẩu tự động qua giao thức SMTP tới Email sinh viên sau khi OCR.    |
|                                                                                       |
|  COULD HAVE (Có thể mở rộng):                                                         |
|  - Tính năng sinh viên gửi phản hồi/khiếu nại điểm danh trực tiếp qua ứng dụng.       |
|  - Hỗ trợ lưu trữ vector đệm (cache) tại Local Gateway khi mất kết nối mạng.         |
|                                                                                       |
|  WON'T HAVE (Chưa thực hiện ở pha này):                                               |
|  - Nhận diện đa khuôn mặt đồng thời (Multi-face tracking) trong khung hình góc rộng.  |
|  - Xác thực thực thể sống 3D chống giả mạo bằng ảnh in/video (3D Anti-spoofing).      |
+---------------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc phân tầng của hệ thống đảm bảo tính độc lập giữa thu thập dữ liệu, xử lý nghiệp vụ và trình diễn giao diện:

+------------------------------------------------------------------------------------+
|                               SƠ ĐỒ KIẾN TRÚC HỆ THỐNG                            |
+------------------------------------------------------------------------------------+
| [TẦNG CLIENT / EDGE LAYER]                                                         |
|   +---------------------------------------+  +-----------------------------------+ |
|   | IoT Hardware Node:                    |  | Android Mobile App (Java 8+):     | |
|   | - Kendryte K210 (Dual-Core 400MHz)    |  | - ML Kit OCR SDK (Firebase)       | |
|   | - GC0328 DVP Camera Module            |  | - ZXing QR Scanner Engine         | |
|   | - ESP32 SoC (WiFi 802.11 b/g/n)       |  | - OkHttp / Retrofit REST Client   | |
|   +---------------------------------------+  +-----------------------------------+ |
|                                      |                     |                       |
|                             HTTP/REST via TLS/SSL          |                       |
|                                      |                     |                       |
| [TẦNG MÁY CHỦ / BACKEND CLOUD LAYER (Dockerized)]          |                       |
|   +--------------------------------------------------------v---------------------+ |
|   | Django RESTful Web Framework 3.2+ (Python 3.8+)                              | |
|   |  - Authentication & Role-based Authorization Controller                      | |
|   |  - Attendance Session Management Service                                     | |
|   |  - Deep Learning Recognition Worker (Dlib ResNet Engine - 128D Embeddings)   | |
|   +------------------------------------------------------------------------------+ |
|                                      |                                             |
| [TẦNG DỮ LIỆU / PERSISTENCE LAYER]   |                                             |
|   +----------------------------------v-------------------------------------------+ |
|   | SQLite 3 / Relational Database Engine (Storage Files)                         | |
|   | Tables: Users, Courses, Enrollments, Sessions, AttendanceRecords             | |
|   +------------------------------------------------------------------------------+ |
+------------------------------------------------------------------------------------+

Ngăn xếp công nghệ (Technology Stack) và phiên bản

Phân hệ Thành phần / Thư viện Phiên bản Vai trò kỹ thuật
Phần cứng IoT Kendryte K210 RISC-V Dual-Core 64-bit Xử lý thị giác máy tính biên, điều khiển camera chụp ảnh
Phần cứng IoT ESP32 Module WROOM-32 Giao tiếp truyền thông WiFi chuẩn 802.11 b/g/n và BLE 4.2
Phần cứng IoT Cảm biến ảnh GC0328 VGA 640x480 Thu nhận luồng hình ảnh đầu vào QVGA@60fps / VGA@30fps
Mobile Client Android SDK Android 6.0+ (API 23+) Nền tảng ứng dụng di động cho giảng viên và sinh viên
Mobile Client Google ML Kit v16.0+ Nhận dạng ký tự quang học (OCR) trích xuất MSSV, Email thẻ SV
Backend Server Python / Django v3.8 / v3.2 LTS Xây dựng RESTful Web APIs, quản lý nghiệp vụ tập trung
AI Vision Dlib C++ Toolkit / Python wrapper v19.22+ Trích xuất đặc trưng khuôn mặt 128 chiều và tính khoảng cách Euclid
Cơ sở dữ liệu SQLite v3.35+ Lưu trữ quan hệ nhỏ gọn, truy xuất trực tiếp không qua daemon trung gian
Triển khai Docker & Docker-Compose v20.10+ / v1.29+ Đóng gói môi trường container, tự động hóa build/deploy trên Ubuntu VM

Thiết kế cơ sở dữ liệu quan hệ (Database Schema)

Hệ thống triển khai 5 thực thể dữ liệu chính được chuẩn hóa theo chuẩn 3NF:

  1. tbl_user (user_id [PK], username, password_hash, full_name, email, role, face_vector_128d, created_at): Lưu thông tin định danh và vector đặc trưng khuôn mặt.
  2. tbl_course (course_id [PK], course_code, course_name, lecturer_id [FK -> tbl_user.user_id], semester): Quản lý danh mục học phần.
  3. tbl_enrollment (enrollment_id [PK], course_id [FK], student_id [FK -> tbl_user.user_id], enrolled_date): Danh sách sinh viên đăng ký môn học.
  4. tbl_session (session_id [PK], course_id [FK], session_date, qr_token, status): Thông tin buổi học và mã xác thực phiên.
  5. tbl_attendance (attendance_id [PK], session_id [FK], student_id [FK], timestamp, confidence_score, status, is_manual_override): Bản ghi nhật ký điểm danh chi tiết.

Thiết kế giao diện lập trình ứng dụng (RESTful API Endpoints)

  • POST /api/v1/auth/register-card: Nhận payload JSON chứa dữ liệu OCR từ thẻ sinh viên kèm ảnh chân dung dạng Base64 để khởi tạo tài khoản và vector khuôn mặt.
  • POST /api/v1/session/create: Giảng viên tạo buổi điểm danh mới, trả về session_id và chuỗi mã hóa QR.
  • POST /api/v1/attendance/capture-match: Endpoint dành cho IoT Node gửi ảnh chụp sinh viên từ camera GC0328; backend thực hiện nhận diện và cập nhật trạng thái điểm danh.
  • GET /api/v1/attendance/report?course_id={id}&format={csv|json}: Trích xuất lịch sử và bảng tổng kết điểm danh cho giảng viên.

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển Agile/Scrum rút gọn, chia làm các giai đoạn phát triển liên tục trong 12 tuần:

  • Tuần 1–3 (Thiết kế & Nghiên cứu phần cứng): Khảo sát thông số K210, kiểm thử camera GC0328, thiết lập luồng kết nối UART/SPI giữa K210 và ESP32.
  • Tuần 4–6 (Xây dựng Backend & Thuật toán AI): Lập trình Django REST API, đóng gói Dockerfile, tích hợp Dlib nhận diện khuôn mặt 128D, thiết kế Schema CSDL.
  • Tuần 7–9 (Phát triển Mobile App & Web Admin): Lập trình ứng dụng Android Studio (Java), nhúng Google ML Kit OCR, xây dựng giao diện quản trị Admin Dashboard.
  • Tuần 10–11 (Tích hợp hệ thống & Kiểm thử): Đồng bộ thiết bị IoT với Server qua WiFi REST API, thử nghiệm quy trình ghép nối mã QR, kiểm thử kịch bản điểm danh thực tế.
  • Tuần 12 (Tối ưu hóa & Đánh giá nghiệm thu): Đo đạc hiệu năng, độ trễ và độ chính xác nhận dạng, hoàn thiện tài liệu kỹ thuật.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Thuật toán trích xuất đặc trưng và nhận diện khuôn mặt (Dlib Deep Learning Engine)

Hệ thống sử dụng mô hình ResNet biến thể được huấn luyện sẵn trên tập dữ liệu tiêu chuẩn LFW (Labeled Faces in the Wild) để ánh xạ ảnh khuôn mặt $I$ vào không gian vector không gian 128 chiều $\vec{v} \in \mathbb{R}^{128}$. Khoảng cách giữa hai khuôn mặt được xác định bằng khoảng cách Euclid (Euclidean Distance):

$$d(\vec{v}_1, \vec{v}_2) = |\vec{v}1 - \vec{v}2|2 = \sqrt{\sum{i=1}^{128} (v{1,i} - v{2,i})^2}$$

Nếu $d \le \theta$ (với ngưỡng chuẩn hóa $\theta = 0.6$), hệ thống xác nhận hai hình ảnh thuộc cùng một chủ thể định danh. Độ phức tạp tính toán so khớp vector với $N$ sinh viên trong lớp là $\mathcal{O}(N \times 128)$, đảm bảo thời gian so khớp dưới 5 miligiây trên CPU máy chủ.

import dlib
import numpy as np

# Khởi tạo mô hình Dlib
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")

def extract_face_vector(image_np):
    """Trích xuất vector đặc trưng 128D từ ảnh khuôn mặt đầu vào"""
    faces = detector(image_np, 1)
    if len(faces) == 0:
        return None
    shape = sp(image_np, faces[0])
    face_descriptor = facerec.compute_face_descriptor(image_np, shape)
    return np.array(face_descriptor)

def match_student(captured_vector, registered_students_db, threshold=0.6):
    """So khớp vector khuôn mặt thu nhận với cơ sở dữ liệu sinh viên"""
    best_match_id = None
    min_dist = float("inf")
    
    for student_id, reg_vector in registered_students_db.items():
        dist = np.linalg.norm(captured_vector - reg_vector)
        if dist < min_dist:
            min_dist = dist
            best_match_id = student_id
            
    if min_dist <= threshold:
        confidence = (1.0 - (min_dist / threshold)) * 100
        return {"student_id": best_match_id, "distance": float(min_dist), "confidence": confidence}
    return None

2. Cấu hình triển khai hệ thống máy chủ bằng Docker

version: '3.8'

services:
  web_server:
    build: .
    container_name: iot_attendance_backend
    restart: always
    ports:
      - "8000:8000"
    volumes:
      - ./data/db:/app/db
      - ./media:/app/media
    environment:
      - DJANGO_SETTINGS_MODULE=attendance_core.settings
      - DEBUG=False
    command: gunicorn attendance_core.wsgi:application --bind 0.0.0.0:8000 --workers 4

Kiểm thử và đánh giá hiệu năng (Testing và Validation)

Quá trình kiểm định ứng dụng được tiến hành qua 3 đợt kiểm thử thực nghiệm với 50 sinh viên tại giảng đường trường Đại học Công nghệ Thông tin, kiểm tra khả năng phát hiện khuôn mặt, nhận dạng trong các điều kiện môi trường ánh sáng và góc nghiêng khác nhau:

Đợt kiểm thử Điều kiện môi trường / Kịch bản Số lượng mẫu thử Tỷ lệ nhận diện đúng (True Positive) Tỷ lệ từ chối sai (FRR) Tỷ lệ chấp nhận sai (FAR) Độ trễ trung bình toàn trình
Lần 1 Ánh sáng chuẩn phòng học (350–500 lux), góc nhìn thẳng ($0^\circ$) 150 lượt 98.67% (148/150) 1.33% 0.00% 1.42 giây
Lần 2 Ánh sáng phức tạp / Ngược sáng nhẹ (150–250 lux), góc nghiêng $\pm 15^\circ$ 150 lượt 95.33% (143/150) 4.67% 0.67% 1.68 giây
Lần 3 Sinh viên đeo kính mắt, biểu cảm thay đổi, khoảng cách 0.5m – 1.2m 150 lượt 93.33% (140/150) 6.67% 0.00% 1.55 giây
Trung bình Đánh giá tổng hợp môi trường thực nghiệm 450 lượt 95.78% 4.22% 0.22% 1.55 giây 
+-----------------------------------------------------------------------------------+
|               KẾT QUẢ ĐẠT ĐƯỢC SO VỚI MỤC TIÊU BAN ĐẦU                            |
+-----------------------------------------------------------------------------------+
|  Chỉ số đánh giá               Mục tiêu đề ra           Kết quả thực nghiệm        |
|  -------------------------     --------------------     ------------------------- |
|  - Tỷ lệ nhận dạng chính xác   >= 95.0%                 95.78% (Đạt)              |
|  - Thời gian điểm danh/người   < 2.0 giây               1.55 giây (Vượt 22.5%)    |
|  - Trích xuất OCR thẻ SV       >= 90.0%                 94.20% (Đạt)              |
|  - Độ trễ ghép nối mã QR       < 1.0 giây               0.45 giây (Vượt 55.0%)    |
|  - Tỷ lệ loại bỏ gian lận      Triệt để                 100% (Không điểm danh hộ) |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Kiến trúc phân tán lai Edge-Cloud tối ưu: Tách biệt tác vụ biên (Edge Detection) trên vi xử lý giá rẻ Kendryte K210 và tác vụ nhận diện chuyên sâu (Deep Inference) trên Cloud Server. Mô hình này giúp tiết kiệm 70% băng thông mạng truyền tải do K210 chỉ gửi các khung hình đã phát hiện có khuôn mặt thay vì truyền tải liên tục luồng video trực tiếp (Video Stream).
  2. Quy trình Onboarding không chạm với Google ML Kit OCR: Sinh viên tự đăng ký tài khoản trong chưa đầy 30 giây bằng cách chụp thẻ sinh viên. Hệ thống tự động bóc tách MSSV, họ tên và gửi mật khẩu bảo mật qua Email, giảm 90% công tác nhập liệu thủ công của phòng đào tạo.
  3. Ghép nối thiết bị thời gian thực an toàn bằng mã QR động: Cơ chế quét mã QR giữa ứng dụng di động của giảng viên và thiết bị IoT tạo phiên làm việc bảo mật tức thời (Session Pairing), đảm bảo thiết bị phần cứng chỉ kích hoạt ghi nhận dữ liệu trong thời gian diễn ra buổi học.
  4. Hiệu quả thực tiễn định lượng: Giảm thời gian điểm danh một lớp học 50 sinh viên từ 10 phút xuống còn 1.5 phút (tiết kiệm 85% thời gian), nâng cao 100% độ tin cậy của dữ liệu học tập.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Use Cases)

  • Giảng đường đại học và trường phổ thông: Lắp đặt node IoT cố định tại cửa lớp hoặc bàn giáo viên; giảng viên mở app quét mã QR để bắt đầu buổi học; sinh viên lần lượt đi qua trước camera để điểm danh tự động.
  • Doanh nghiệp & Tòa nhà thông minh (Smart Offices): Ứng dụng chấm công nhân viên không chạm, kiểm soát cửa ra vào (Access Control) an toàn không lây nhiễm vi khuẩn.
  • Phòng thi học thuật: Kiểm tra tính hợp lệ của thí sinh trước khi vào phòng thi, phát hiện ngay các trường hợp thi hộ.

Yêu cầu hệ thống và hướng dẫn cài đặt

Yêu cầu phần cứng và phần mềm

  • Edge Node: Bo mạch Sipeed Maixduino Kit K210, Camera GC0328, module nguồn 5V/2A Type-C.
  • Server: CPU 2 Core, RAM 4GB, 20GB SSD, Hệ điều hành Ubuntu 18.04 LTS trở lên.
  • Client: Thiết bị Android 6.0 (Marshmallow) trở lên, có camera tối thiểu 5MP và kết nối Internet.

Quy trình triển khai hệ thống (Deployment Guide)

# 1. Clone repository mã nguồn máy chủ
git clone https://github.com/uit-research/iot-contactless-attendance.git
cd iot-contactless-attendance/server

# 2. Khởi tạo môi trường ảo và tải tệp trọng số Dlib
python3 -m venv venv && source venv/bin/activate
pip install -r requirements.txt
wget http://dlib.net/files/dlib_face_recognition_resnet_model_v1.dat.bz2
bzip2 -d dlib_face_recognition_resnet_model_v1.dat.bz2

# 3. Chạy migration cơ sở dữ liệu và khởi tạo tài khoản quản trị
python manage.py makemigrations
python manage.py migrate
python manage.py createsuperuser

# 4. Đóng gói và chạy dịch vụ bằng Docker
docker-compose up -d --build

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

+-----------------------------------------------------------------------------------+
|                        BẢNG DỰ TOÁN CHI PHÍ PHẦN CỨNG 01 NODE                     |
+-----------------------------------------------------------------------------------+
|  Hạng mục linh kiện                      Đơn giá (VNĐ)        Tỷ trọng ngân sách  |
|  -------------------------------------   -----------------    ------------------  |
|  1. Kit Sipeed Maixduino K210 + ESP32    450.000 VNĐ          58.0%               |
|  2. Cảm biến Camera GC0328               80.000 VNĐ           10.3%               |
|  3. Màn hình màu LCD 2.4 inch TFT        95.000 VNĐ           12.3%               |
|  4. Nguồn Adapter 5V-2A & Cáp Type-C     60.000 VNĐ            7.7%               |
|  5. Vỏ hộp bảo vệ in 3D công nghiệp       90.000 VNĐ           11.7%               |
|  -------------------------------------   -----------------    ------------------  |
|  TỔNG CHI PHÍ PHẦN CỨNG / PHÒNG HỌC      775.000 VNĐ (~$33)   100.0%              |
+-----------------------------------------------------------------------------------+

So với các máy chấm công nhận diện khuôn mặt thương mại chuyên dụng trên thị trường có mức giá dao động từ 4.500.000 – 12.000.000 VNĐ, giải pháp đề xuất tiết kiệm hơn 80% chi phí đầu tư thiết bị, cho phép các cơ sở giáo dục dễ dàng mở rộng quy mô trang bị cho toàn bộ hệ thống phòng học.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phần cứng thử nghiệm ở quy mô 01 thiết bị điểm danh demo, chưa thử nghiệm mạng lưới phân tán quy mô hàng trăm node đồng thời.
  • Thuật toán nhận diện phụ thuộc vào máy chủ trung tâm; khi mất kết nối mạng Internet, node IoT chưa hỗ trợ nhận diện Offline độc lập tại biên do giới hạn dung lượng RAM của K210.
  • Tỷ lệ nhận diện giảm nhẹ khi gặp các trường hợp sinh viên thay đổi phụ kiện khuôn mặt quá nhiều (đeo khẩu trang y tế kín, kính râm).

Hướng phát triển trong tương lai

  • Nâng cấp AI chống giả mạo (Liveness Detection): Huấn luyện mạng nơ-ron nhận dạng chuyển động mắt hoặc tích hợp camera chiều sâu ToF (Time-of-Flight) để chống gian lận bằng ảnh in 2D.
  • Edge AI Computing: Tối ưu hóa mô hình MobileNet / Tiny-YOLO để nạp trực tiếp vào bộ nhớ KPU của Kendryte K210, cho phép điểm danh hoàn toàn Offline ngay tại thiết bị mà không cần máy chủ backend.
  • Tích hợp hệ sinh thái Smart Campus: Mở rộng giao thức kết nối MQTT để đồng bộ dữ liệu vào hệ thống quản lý đào tạo (LMS/SIS) của nhà trường.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                        LỢI ÍCH ĐỊNH LƯỢNG CHO CÁC ĐỐI TƯỢNG                       |
+-----------------------------------------------------------------------------------+
|  [SINH VIÊN]                                                                      |
|  - Trải nghiệm điểm danh hiện đại, không chạm, an toàn mùa dịch bệnh.             |
|  - Chủ động theo dõi 100% dữ liệu chuyên cần và lịch sử điểm danh trên ứng dụng.  |
|                                                                                   |
|  [GIẢNG VIÊN & NHÀ TRƯỜNG]                                                        |
|  - Tiết kiệm 85% thời gian quản lý lớp học đầu giờ (dành trọn thời gian giảng dạy)|
|  - Triệt tiêu 100% tình trạng điểm danh hộ, chuẩn hóa báo cáo Excel tự động.     |
|                                                                                   |
|  [LẬP TRÌNH VIÊN & NGHIÊN CỨU SINH]                                               |
|  - Bộ khung mã nguồn mẫu hoàn chỉnh từ IoT nhúng K210, Android Java đến Django.  |
|  - Tài liệu tham khảo thực tế về tích hợp AI thị giác máy tính với hạ tầng Cloud. |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Hệ thống có yêu cầu cấu hình máy chủ đám mây quá cao không?

Không. Nhờ kiến trúc trích xuất vector đặc trưng 128D, máy chủ chỉ cần xử lý ảnh theo từng lượt gửi từ thiết bị IoT thay vì xử lý luồng stream liên tục. Một máy chủ ảo (VPS) tiêu chuẩn 2 Core CPU, 4GB RAM có thể đáp ứng đồng thời 20–30 phòng học điểm danh cùng lúc mà không gây nghẽn cổ chai.

2. Thiết bị nhúng Kendryte K210 có thể hoạt động ổn định trong thời gian dài không?

Kendryte K210 là vi điều khiển 64-bit kiến trúc RISC-V có mức tiêu thụ điện năng cực thấp (< 1W), tỏa nhiệt rất ít, có khả năng hoạt động liên tục 24/7 mà không cần quạt tản nhiệt cưỡng bức.

3. Làm cách nào để sinh viên đăng ký thông tin nếu camera không đọc được thẻ sinh viên bị mờ?

Ứng dụng di động cung cấp cơ chế cắt chỉnh ảnh và cho phép người dùng kiểm tra, chỉnh sửa lại các trường thông tin trước khi gửi xác nhận lên máy chủ. Ngoài ra, quản trị viên web có toàn quyền thêm hoặc sửa đổi thông tin sinh viên từ trang Dashboard quản trị.

4. Nếu mất kết nối Internet trong lúc điểm danh thì hệ thống xử lý như thế nào?

Giảng viên có thể sử dụng chức năng "Điểm danh thủ công" trực tiếp trên ứng dụng di động Android đã đăng nhập để ghi nhận sinh viên có mặt; dữ liệu sẽ được lưu cục bộ trên bộ nhớ máy và tự động đồng bộ lên máy chủ khi có kết nối trở lại.

5. Chi phí duy trì và vận hành hệ thống hàng tháng là bao nhiêu?

Hệ thống sử dụng cơ sở dữ liệu mã nguồn mở và nền tảng Docker, do đó chi phí vận hành hàng tháng chỉ bao gồm phí thuê máy chủ đám mây (khoảng 150.000 – 300.000 VNĐ/tháng cho quy mô một khoa với hàng nghìn sinh viên).

Kết luận

Đề tài "Xây dựng hệ thống điểm danh không chạm với IoT" của tác giả Lê Minh Khánh An đã hoàn thành xuất sắc các mục tiêu nghiên cứu và hiện thực hóa thành công một giải pháp công nghệ toàn diện, từ thiết bị phần cứng nhúng biên (Edge IoT), thuật toán Trí tuệ nhân tạo (Deep Learning Face Recognition) cho đến ứng dụng di động Android và hệ thống quản trị Web tập trung.

Với độ chính xác nhận dạng đạt 95.78%, thời gian xử lý thực nghiệm chỉ 1.55 giây/người, cùng chi phí phần cứng phần cứng tối ưu dưới 800.000 VNĐ/node, công trình mang tính ứng dụng thực tiễn cao, đóng góp một giải pháp hiệu quả vào tiến trình chuyển đổi số học đường và xây dựng mô hình đại học thông minh tại Việt Nam.