Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số giáo dục đại học, công tác quản lý chuyên cần và điểm danh sinh viên đóng vai trò thiết yếu trong việc đánh giá ý thức học tập và bảo đảm tính minh bạch học vụ. Theo thống kê tại các trường đại học, quy trình gọi tên truyền thống tiêu tốn từ 10 đến 15 phút mỗi buổi học đối với các giảng đường quy mô 50 - 100 sinh viên, tương đương lãng phí 15 - 20% tổng quỹ thời gian giảng dạy. Các phương thức tự động hóa phổ biến như quẹt thẻ từ RFID, vân tay hoặc quét mã QR bộc lộ nhiều hạn chế về mặt vận hành: thẻ RFID và mã QR dễ dàng bị chia sẻ để điểm danh hộ; máy chấm công vân tay yêu cầu tiếp xúc vật lý gây ùn tắc tại cửa lớp và tiềm ẩn nguy cơ lây nhiễm dịch bệnh; các giải pháp nhận dạng giọng nói dễ bị nhiễu loạn trong môi trường lớp học ồn ào.

+-----------------------------------------------------------------------------------+
|                            VẤN ĐỀ ĐIỂM DANH HIỆN TẠI                             |
|  [Gọi tên thủ công] ---> Tốn 10-15 phút/buổi, dễ sai sót dữ liệu                |
|  [Thẻ từ RFID]      ---> Chi phí phôi thẻ cao, dễ quẹt thẻ hộ                    |
|  [Vân tay tiếp xúc] ---> Ùn tắc đầu giờ, cơ sở dữ liệu cục bộ hạn chế            |
|  [Mã QR/Mã số]      ---> Sinh viên chia sẻ mã ra ngoài lớp học                   |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                        GIẢI PHÁP EDGE AI CAMERA TÍCH HỢP                          |
|  * Thu nhận luồng video qua GStreamer + OpenCV trên NVIDIA Jetson Nano           |
|  * Nhận diện khuôn mặt thời gian thực (5 - 30 FPS)                                |
|  * Trích xuất vector đặc trưng 128 chiều (ResNet Deep Metric Learning)            |
|  * Đồng bộ cơ sở dữ liệu MySQL và Web Dashboard Laravel tự động                   |
+-----------------------------------------------------------------------------------+

Khóa luận tốt nghiệp chuyên ngành Kỹ thuật Máy tính tại Trường Đại học Công nghệ Thông tin (ĐHQG-TP.HCM) giải quyết triệt để bài toán trên thông qua đề tài: "Hiện thực hệ thống điểm danh sinh viên trong lớp học bằng sự tích hợp công nghệ AI trên hệ thống nhúng". Dự án tích hợp các mô hình học sâu thị giác máy tính trên nền tảng phần cứng tính toán biên chuyên dụng, tạo nên thiết bị điểm danh độc lập, bảo mật và đồng bộ trực tiếp lên hệ sinh thái web quản trị.

Mục tiêu đề tài

  1. Thiết kế phần cứng nhúng biên: Tối ưu hóa bo mạch NVIDIA Jetson Nano Developer Kit kết hợp module camera và màn hình hiển thị LCD 7-inch thành thiết bị điểm danh độc lập tại phòng học.
  2. Triển khai mô hình AI thời gian thực: Tích hợp pipeline phát hiện và nhận diện khuôn mặt đạt tốc độ 5 - 30 FPS với độ chính xác mục tiêu $\ge 70%$ trong môi trường lớp học thực tế.
  3. Xây dựng hệ thống Web Application: Phát triển nền tảng quản lý chuyên cần bằng Laravel Framework kết nối cơ sở dữ liệu MySQL, cho phép giảng viên và sinh viên theo dõi kết quả tức thì.
  4. Đánh giá hiệu năng thực nghiệm: Khảo sát chi tiết độ chính xác nhận diện theo khoảng cách (2m, 7m, 10m), góc nghiêng khuôn mặt ($30^\circ$) và mức độ tiêu thụ tài nguyên phần cứng.

Phạm vi và giới hạn

  • Quy mô đối tượng: Thử nghiệm tối ưu cho lớp học quy mô 30 sinh viên/lớp.
  • Vị trí bố trí: Camera góc nhìn bao quát đặt tại khu vực bảng giảng viên nhìn bao quát xuống phòng học.
  • Điều kiện ánh sáng: Phòng học tiêu chuẩn ban ngày hoặc có hệ thống chiếu sáng đèn huỳnh quang đầy đủ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp điểm danh Độ chính xác Tốc độ xử lý Khả năng chống mạo danh Chi phí triển khai Nhược điểm chính
Gọi tên truyền thống 99% Rất chậm (10-15p) Kém (điểm danh hộ) Rất thấp Lãng phí thời gian, ngắt quãng bài giảng
Thẻ từ RFID 98% Nhanh (1-2s/SV) Rất kém (quẹt thẻ hộ) Trung bình Tốn phí cấp phát thẻ, dễ gãy hỏng/mất
Máy vân tay sinh trắc 95% Chậm (ùn tắc) Tốt Trung bình Cơ sở dữ liệu cục bộ hạn chế, nguy cơ vệ sinh
Điểm danh giọng nói 60 - 75% Trung bình Kém Thấp Dễ sai lệch do tiếng ồn lớp học
Edge AI Camera (Đề tài) $\ge 90%$ Thời gian thực Xuất sắc Hợp lý (đầu tư 1 lần) Phụ thuộc góc nhìn và ánh sáng

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have: Nhận diện đúng sinh viên trong danh sách lớp; ghi nhận thời gian điểm danh vào MySQL; giao diện web xem thống kê chuyên cần; xử lý video trực tiếp từ camera.
  • Should Have: Trích xuất 128 đặc trưng khuôn mặt sử dụng ResNet; tính toán vector trung vị từ 100 khung hình lấy mẫu; cảnh báo sinh viên chưa điểm danh trên màn hình LCD 7-inch.
  • Could Have: Nhận diện góc nghiêng tới $30^\circ$; hỗ trợ phân quyền quản trị viên, giảng viên và sinh viên trên Laravel.
  • Won't Have (Giai đoạn này): Xử lý đồng thời hơn 100 sinh viên trong một khung hình; nhận diện sinh viên đeo khẩu trang che kín toàn bộ khuôn mặt.

Thiết kế hệ thống

Kiến trúc giải pháp phân tầng rõ ràng giữa thiết bị biên (Edge Device) và máy chủ quản trị (Management Server):

+--------------------------------------------------------------------------+
|                          HỆ THỐNG PHẦN CỨNG BIÊN                         |
|                                                                          |
|  +-------------------+        +---------------------------------------+  |
|  |  Camera (USB/CSI) | -----> |          OpenCV + GStreamer           |  |
|  +-------------------+        +---------------------------------------+  |
|                                                  |                       |
|                                                  v                       |
|  +-------------------+        +---------------------------------------+  |
|  |   Màn hình LCD    | <----- |   Dlib Face Alignment (68 Landmarks)  |  |
|  |      7-inch       |        +---------------------------------------+  |
|  +-------------------+                           |                       |
|                                                  v                       |
|                               +---------------------------------------+  |
|                               |  ResNet-34 Feature Extractor (128-D)  |  |
|                               +---------------------------------------+  |
|                                                  |                       |
|                                                  v                       |
|                               +---------------------------------------+  |
|                               |        KNN Classifier Engine          |  |
|                               +---------------------------------------+  |
|                                                  |                       |
+--------------------------------------------------|-----------------------+
                                                   | TCP/IP (WiFi/LAN)
                                                   v
+--------------------------------------------------------------------------+
|                        MÁY CHỦ QUẢN LÝ (WEB SERVER)                      |
|                                                                          |
|  +------------------------+             +-----------------------------+  |
|  |  Cơ sở dữ liệu MySQL   | <=========> |   Laravel Framework 8.x     |  |
|  | (Students, Logs, Auth) |             |  (MVC Pattern, Blade, Auth) |  |
|  +------------------------+             +-----------------------------+  |
|                                                        |                 |
|                                                        v                 |
|                                         +-----------------------------+  |
|                                         | Web GUI (Dashboard, Export) |  |
|                                         +-----------------------------+  |
+--------------------------------------------------------------------------+

Technology Stack và phiên bản chi tiết

  • Phần cứng tính toán: NVIDIA Jetson Nano Developer Kit (CPU Quad-Core ARM Cortex-A57 @ 1.43 GHz, GPU 128-core Maxwell 472 GFLOPS, 4GB 64-bit LPDDR4).
  • Hệ điều hành: Linux Ubuntu 18.04 LTS (NVIDIA JetPack 4.4 / 4.6 L4T).
  • Thư viện AI & Xử lý ảnh:
    • OpenCV 4.x hỗ trợ xử lý luồng video qua GStreamer pipeline.
    • Dlib C++ Library v19.x (thuật toán xác định 68 facial landmarks của Kazemi & Sullivan).
    • Mô hình nhận diện mạng ResNet (dlib_face_recognition_resnet_model_v1.dat).
    • Framework ncnn (Tencent) tối ưu hóa mạng nơ-ron trên CPU/GPU nhúng.
    • Ultra Light Fast Generic Face Detector (Ultra Face) kiến trúc RFB/slim (kích thước 1.04MB - 1.1MB, 90 - 109 MFlops).
  • Ngôn ngữ lập trình: C++ (Core AI Processing trên Edge), PHP 7.4/8.0 (Web Backend).
  • Web Framework & Database: Laravel Framework 8.x (kiến trúc MVC), MySQL Server 5.7/8.0, Qt 5 GUI.

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

-- Bảng lưu trữ thông tin sinh viên
CREATE TABLE `students` (
  `id` BIGINT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
  `mssv` VARCHAR(20) UNIQUE NOT NULL,
  `full_name` VARCHAR(100) NOT NULL,
  `class_code` VARCHAR(20) NOT NULL,
  `feature_vector` BLOB NULL, -- Vector 128 giá trị float
  `created_at` TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- Bảng điểm danh thời gian thực
CREATE TABLE `attendance_logs` (
  `id` BIGINT UNSIGNED AUTO_INCREMENT PRIMARY KEY,
  `student_id` BIGINT UNSIGNED NOT NULL,
  `session_date` DATE NOT NULL,
  `checkin_time` TIME NOT NULL,
  `status` ENUM('PRESENT', 'LATE', 'ABSENT') DEFAULT 'PRESENT',
  `device_id` VARCHAR(50) NOT NULL,
  FOREIGN KEY (`student_id`) REFERENCES `students`(`id`) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Quy trình nhận diện và lấy mẫu khuôn mặt được hiện thực hoàn toàn bằng C++ trên nền tảng Linux của Jetson Nano nhằm tối đa hóa tốc độ thực thi:

[Camera Input] ---> [GStreamer / OpenCV] ---> [Face Detection]
                                                    |
                                                    v
[Output 128-D Vector] <--- [ResNet Metric] <--- [Face Alignment 68 Landmarks]
         |
         +---> [Giai đoạn Lấy mẫu]: Gom nhóm 100 frames ---> Tính Median Vector 128D
         |
         +---> [Giai đoạn Điểm danh]: KNN Classifier ---> Ghi nhận MSSV & Log Database

1. Lấy mẫu và trích xuất đặc trưng (100-Frame Median Vector)

Hệ thống sử dụng bộ xác định 68 facial landmarks dựa trên mô hình Kazemi & Sullivan để căn chỉnh khuôn mặt xoay về hướng chính diện. Đối với mỗi sinh viên đăng ký mới, hệ thống thu thập 100 khung hình liên tiếp. Mỗi khuôn mặt sau khi căn chỉnh được đưa qua mạng ResNet để trích xuất một vector đặc trưng $V_i \in \mathbb{R}^{128}$.

Để loại bỏ các nhiễu động do thay đổi biểu cảm, chớp mắt hoặc ánh sáng tức thời, hệ thống tính toán vector trung vị (Median Vector) đại diện duy nhất:

$$\mathbf{V}{\text{median}} = \left[ \operatorname{median}({v{i,1}}{i=1}^{100}), , \operatorname{median}({v{i,2}}{i=1}^{100}), , \dots, , \operatorname{median}({v{i,128}}_{i=1}^{100}) \right]$$

// Trích đoạn C++: Trích xuất đặc trưng ResNet và tính toán khoảng cách Euclidean
#include <dlib/dnn.h>
#include <dlib/image_processing.h>
#include <dlib/image_processing/frontal_face_detector.h>
#include <dlib/opencv.h>
#include <opencv2/opencv.hpp>
#include <vector>
#include <cmath>

using namespace dlib;

// Định nghĩa mạng ResNet-34 cho nhận diện khuôn mặt
template <template <int,template<typename>class,int,typename> class block, int N, template<typename>class BN, typename SUBNET>
using residual = add_prev1<block<N,BN,1,tag1<SUBNET>>>;
// ... (Khai báo các block kiến trúc ResNet của Dlib)
using anet_type = loss_metric<fc_no_bias<128,avg_pool_everything<
    residual<block,512,affine,residual<block,512,affine,residual<block,512,affine,
    residual_down<block,512,affine,residual<block,256,affine,residual<block,256,affine,
    residual<block,256,affine,residual<block,256,affine,residual<block,256,affine,
    residual_down<block,256,affine,residual<block,128,affine,residual<block,128,affine,
    residual<block,128,affine,residual_down<block,64,affine,
    max_pool<3,3,2,2,relu<affine<con<32,7,7,2,2,input_rgb_image_sized<150>>>>>>>>>>>>>>>>>>>>;

// Hàm tính khoảng cách Euclidean giữa 2 vector 128D
double compute_euclidean_distance(const matrix<float,0,1>& v1, const matrix<float,0,1>& v2) {
    double sum = 0.0;
    for (long r = 0; r < v1.size(); ++r) {
        double diff = v1(r) - v2(r);
        sum += diff * diff;
    }
    return std::sqrt(sum);
}

2. Phân lớp định danh bằng K-Nearest Neighbors (KNN)

Trong pha điểm danh trực tiếp, vector 128 chiều trích xuất từ khung hình camera được so khớp với cơ sở dữ liệu khuôn mặt đã đăng ký bằng khoảng cách Euclidean:

$$d(\mathbf{u}, \mathbf{v}) = \sqrt{\sum_{k=1}^{128} (u_k - v_k)^2}$$

Thuật toán KNN lựa chọn $K=5$ láng giềng gần nhất có khoảng cách nhỏ hơn ngưỡng threshold $\theta = 0.6$. Nhãn MSSV có tần suất xuất hiện cao nhất trong tập $K$ láng giềng sẽ được gán cho khuôn mặt đối tượng.

Testing và đánh giá thực nghiệm

Thực nghiệm hệ thống được tiến hành tại phòng học với các điều kiện khoảng cách và góc nghiêng khác nhau trên bộ dữ liệu sinh viên.

Đánh giá độ chính xác nhận diện theo khoảng cách và góc nhìn

Khoảng cách / Điều kiện Số lần thử nghiệm Nhận diện thành công Tỷ lệ chính xác (%) Thời gian xử lý trung bình (ms)
Khoảng cách 2.0 mét 100 98 98.0% 45 ms
Khoảng cách 7.0 mét 100 89 89.0% 52 ms
Khoảng cách 10.0 mét 100 73 73.0% 68 ms
Góc nghiêng khuôn mặt $30^\circ$ 100 84 84.0% 55 ms
Điều kiện ánh sáng yếu (< 150 Lux) 50 36 72.0% 62 ms 
Độ chính xác nhận diện (%) theo khoảng cách:
[2m]  |================================================== 98%
[7m]  |============================================ 89%
[10m] |==================================== 73%
[30°] |========================================== 84%

Benchmark sử dụng tài nguyên phần cứng Jetson Nano

  • Tần suất khung hình (Frame Rate): Đạt 18 - 25 FPS khi chạy đơn luồng camera và xử lý nhận diện.
  • Mức độ tiêu thụ CPU: Dao động từ 45% - 65% trên 4 nhân ARM Cortex-A57.
  • Mức độ tiêu thụ GPU: 75% - 88% trên 128 nhân Maxwell khi kích hoạt tăng tốc CUDA.
  • Bộ nhớ RAM sử dụng: 2.3 GB / 4.0 GB LPDDR4, hoàn toàn không bị tràn bộ nhớ (OOM) trong quá trình vận hành liên tục 8 tiếng.

Đổi mới và đóng góp

  1. Phương pháp lấy mẫu 100 khung hình khử nhiễu (Robust Median Sampling): Thay vì lưu trữ 1 vector duy nhất từ một ảnh tĩnh chụp đơn lẻ, việc lấy trung vị từ 100 vector đặc trưng giúp triệt tiêu phương sai gây ra bởi thay đổi biểu cảm, chớp mắt hoặc ánh sáng cục bộ, nâng độ ổn định của vector mẫu lên hơn 18% so với phương pháp truyền thống.
  2. Kiến trúc Edge AI thuần túy (On-device Edge Computing): Toàn bộ quá trình suy luận khuôn mặt diễn ra cục bộ trên Jetson Nano thông qua C++ và ncnn/Dlib, không phụ thuộc vào đường truyền Internet hay tài nguyên đám mây (Cloud), giảm 100% chi phí API hàng tháng và loại bỏ hoàn toàn độ trễ mạng.
  3. Bảo mật sinh trắc học theo thiết kế (Privacy by Design): Hệ thống chỉ lưu trữ và truyền tải vector số thực 128 chiều (BLOB) lên cơ sở dữ liệu máy chủ thay vì lưu trữ ảnh chân dung thô của sinh viên, đảm bảo tuân thủ các nguyên tắc bảo vệ quyền riêng tư cá nhân.
  4. Tiết kiệm thời gian vượt trội: Giảm thời gian điểm danh từ 10 - 15 phút xuống chỉ còn dưới 30 giây cho một lượt sinh viên bước vào lớp, nâng cao 95% hiệu suất quản lý lớp học.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Hệ thống được đóng gói thành hộp thiết bị nhúng (Smart Attendance Box) bao gồm: bo mạch Jetson Nano, camera độ phân giải Full HD góc rộng, màn hình cảm ứng LCD 7-inch đặt tại cửa ra vào hoặc phía trên bục giảng.

[Sinh viên bước vào lớp] 
       │
       ▼
[Camera quét khuôn mặt tự động] 
       │
       ▼
[Jetson Nano nhận diện trong < 100ms]
       │
       ├─────────────────────────────────┐
       ▼                                 ▼
[LCD hiển thị: "Chào Nguyễn Văn A - MSSV: 1812xxx"]   [Đồng bộ Web Laravel]
[Ghi nhận trạng thái: ĐÚNG GIỜ]                       [Giảng viên xem báo cáo]

Yêu cầu phần cứng và triển khai hạ tầng

+-------------------------------------------------------------------------+
|                  CẤU HÌNH PHẦN CỨNG TRIỂN KHAI PHÒNG HỌC                 |
+-------------------------------------------------------------------------+
| Thành phần          | Thông số kỹ thuật đề xuất                          |
+---------------------+---------------------------------------------------+
| Bo mạch xử lý       | NVIDIA Jetson Nano B01 (4GB RAM, 5V-4A DC Barrel) |
| Cảm biến hình ảnh   | Sony IMX219 Camera Module (8MP) hoặc USB FHD 1080p|
| Màn hình hiển thị   | 7-inch DSI/HDMI Capacitive Touch LCD (1024x600)   |
| Lưu trữ cục bộ      | Thẻ nhớ MicroSD SanDisk Extreme 64GB Class 10 U3   |
| Nguồn cấp           | Nguồn DC 5V/4A ổn dòng (Chế độ 10W Power Mode)   |
| Máy chủ Web         | VPS Ubuntu 20.04 LTS, Nginx, PHP 8.0, MySQL 8.0   |
+-------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (ROI Analysis)

  • Chi phí phần cứng: Khoảng $160 - $200 cho một bộ thiết bị hoàn chỉnh cho một phòng học.
  • Thời gian hoàn vốn: Đối với trường đại học quy mô 10.000 sinh viên, hệ thống tiết kiệm ước tính 15.000 giờ giảng dạy của giảng viên mỗi năm, tương đương giá trị hàng trăm triệu đồng chi phí vận hành, đồng thời loại bỏ 100% chi phí in ấn danh sách giấy và phôi thẻ từ thay thế.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Khoảng cách xa (> 10m): Độ phân giải khuôn mặt bị suy giảm khiến số lượng điểm đặc trưng không đủ để trích xuất vector 128D tin cậy, tỷ lệ chính xác giảm xuống xấp xỉ 70%.
  • Che khuất khuôn mặt: Chưa hỗ trợ nhận diện chính xác khi sinh viên đeo khẩu trang y tế che kín phần mũi và miệng.
  • Góc nhìn nghiêng lớn: Góc nghiêng khuôn mặt vượt quá $45^\circ$ làm mất các mốc 68 landmarks chính, dẫn đến việc căn chỉnh khuôn mặt không tối ưu.

Hướng phát triển tiếp theo

  • Tích hợp TensorRT Engine: Chuyển đổi mô hình ResNet và Ultra Face sang định dạng FP16 TensorRT để tăng tốc độ suy luận lên gấp 2-3 lần trên nhân CUDA Jetson Nano.
  • Nhận diện khuôn mặt đeo khẩu trang (Masked Face Recognition): Huấn luyện lại mạng Deep Metric Learning tập trung vào vùng mắt và trán.
  • Cơ chế chống giả mạo (Liveness Detection / Anti-Spoofing): Bổ sung thuật toán phát hiện nháy mắt hoặc phân tích độ sâu chuyển động quang học để chống gian lận bằng ảnh in hoặc màn hình điện thoại.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                              |
+-----------------------------------------------------------------------------+
|  [Sinh viên]            ---> Điểm danh tức thì, minh bạch dữ liệu chuyên cần|
|  [Giảng viên]           ---> Tiết kiệm 100% thời gian gọi tên, tập trung dạy|
|  [Nhà trường]           ---> Số hóa học vụ, quản lý dữ liệu tập trung       |
|  [Kỹ sư / Lập trình]   ---> Source code mẫu C++/Jetson/Laravel chuẩn hóa    |
+-----------------------------------------------------------------------------+
  • Sinh viên: Tiết kiệm thời gian đầu giờ học, trải nghiệm quy trình số hóa hiện đại, dễ dàng kiểm tra lịch sử chuyên cần của bản thân trên web.
  • Giảng viên: Tận dụng trọn vẹn 100% thời lượng bài giảng; không còn áp lực quản lý sĩ số thủ công; xuất file báo cáo chuyên cần dạng Excel chỉ với một thao tác.
  • Nhà trường & Doanh nghiệp giáo dục: Sở hữu hệ thống quản lý học vụ tập trung, giảm thiểu sai sót do con người, nâng cao tiêu chuẩn cơ sở vật chất thông minh (Smart Campus).
  • Lập trình viên & Nhà nghiên cứu: Cung cấp kiến trúc tham chiếu mẫu về việc đóng gói mô hình Computer Vision phức tạp (Deep Learning) lên hệ thống phần cứng biên giới hạn tài nguyên (Embedded Edge AI).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai thiết bị tại phòng học là gì?

Hệ thống yêu cầu bo mạch NVIDIA Jetson Nano (bản 4GB RAM), camera chuẩn Full HD (30fps), nguồn cấp 5V-4A DC ổn định và kết nối mạng Wi-Fi/LAN nội bộ để đồng bộ dữ liệu với máy chủ Web MySQL.

2. Giới hạn mở rộng (Scalability) của hệ thống khi trường có hàng trăm phòng học?

Hệ thống sử dụng kiến trúc phân tán (Distributed Edge Computing). Mỗi phòng học xử lý AI độc lập trên Jetson Nano và chỉ gửi gói tin dữ liệu văn bản (MSSV, thời gian) dung lượng rất nhỏ (vài KB) về máy chủ trung tâm qua RESTful API, do đó máy chủ trung tâm có thể mở rộng đáp ứng đồng thời hàng trăm phòng học mà không bị nghẽn băng thông.

3. Hệ thống có khả năng tích hợp vào phần mềm quản lý đào tạo hiện có không?

Có. Backend Laravel cung cấp các endpoint API RESTful chuẩn JSON, cho phép hệ thống dễ dàng kết nối và đẩy dữ liệu chuyên cần vào các cổng thông tin đào tạo đại học (như UIS, Moodle, Blackboard, Canvas) một cách tự động.

4. Chi phí bảo trì và vận hành hệ sinh thái này như thế nào?

Do hệ thống hoạt động hoàn toàn bằng phần mềm mã nguồn mở (Linux, C++, OpenCV, Dlib, Laravel, MySQL) và xử lý On-device không tốn phí bản quyền API bên thứ ba, chi phí vận hành hàng tháng gần như bằng 0, ngoại trừ chi phí duy trì máy chủ web thông thường.

5. Độ trễ từ lúc quét khuôn mặt đến khi cập nhật lên Web là bao lâu?

Độ trễ xử lý nhận diện tại thiết bị biên là từ 45ms đến 68ms. Sau khi nhận diện thành công, dữ liệu được ghi tức thì vào cơ sở dữ liệu MySQL thông qua kết nối mạng nội bộ trong thời gian dưới 500ms.

Kết luận

Đề tài "Hiện thực hệ thống điểm danh sinh viên trong lớp học bằng sự tích hợp công nghệ AI trên hệ thống nhúng" của sinh viên Khoa Kỹ thuật Máy tính - Trường Đại học Công nghệ Thông tin (ĐHQG-TP.HCM) đã chứng minh tính khả thi vượt trội của việc đưa các mô hình Deep Learning phức tạp xuống thiết bị phần cứng biên thương mại giá rẻ như NVIDIA Jetson Nano. Với tỷ lệ nhận diện chính xác đạt tới 98% ở cự ly 2 mét và 89% ở cự ly 7 mét, cùng tốc độ đáp ứng thời gian thực và nền tảng quản trị Web Laravel trực quan, giải pháp mở ra hướng đi bền vững cho các mô hình lớp học thông minh và trường học số trong tương lai.