Giới thiệu dự án

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 đang bùng nổ trên toàn cầu, thị trường Nhà thông minh (Smart Home / Home Automation) đạt tốc độ tăng trưởng kép hàng năm (CAGR) vượt mức 25%. Nhu cầu tự động hóa không gian sống, tối ưu hóa năng lượng và thiết lập các hàng rào an ninh chủ động trở thành tiêu chuẩn thiết yếu cho các công trình hiện đại. Tuy nhiên, phần lớn các hệ thống nhà thông minh thương mại hiện nay vẫn tồn tại nhiều rào cản: chi phí triển khai đắt đỏ, hệ sinh thái đóng kín, giao diện điều khiển rời rạc và cơ chế bảo mật vật lý phụ thuộc vào các giải pháp truyền thống dễ bị xâm nhập.

Đồ án tốt nghiệp "Thiết kế và thi công hệ thống điều khiển thiết bị điện trong nhà thông qua Amazon Alexa và cảnh báo chống trộm" (Khoa Điện – Điện tử, Bộ môn Điện tử Công nghiệp – Y sinh, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) giải quyết triệt để các hạn chế trên. Đề tài xây dựng một hệ thống tích hợp đa phương thức: kết hợp điều khiển giọng nói qua trợ lý ảo Amazon Alexa (sử dụng loa thông minh Amazon Echo Dot Gen 2 và hạ tầng đám mây Sinric), giám sát từ xa qua nền tảng Internet/Wifi, và tăng cường an ninh vật lý đa tầng bằng công nghệ sinh trắc học nhận diện khuôn mặt (Computer Vision / PCA) kết hợp bàn phím ma trận số.

+-----------------------------------------------------------------------------+
|                            KIẾN TRÚC TỔNG THỂ HỆ THỐNG                     |
+-----------------------------------------------------------------------------+
|  [Người dùng]                                                               |
+-----------------------------------------------------------------------------+

Mục tiêu dự án

  1. Thiết kế khối điều khiển trung tâm phân tán: Phối hợp xử lý giữa vi điều khiển ATmega328P (Arduino Nano V3) và vi xử lý 32-bit ESP8266 (NodeMCU ESP-12E) nhằm tách biệt tác vụ kết nối mạng và điều khiển ngoại vi thời gian thực.
  2. Tích hợp trợ lý ảo Amazon Alexa: Điều khiển bật/tắt thiết bị điện thông qua giọng nói tiếng Anh bằng loa Amazon Echo Dot Gen 2 với độ trễ phản hồi dưới 1.5 giây.
  3. Phát triển thuật toán nhận diện khuôn mặt: Ứng dụng kỹ thuật phân tích thành phần chính (PCA) và biểu đồ hướng dốc (HOG) trên nền tảng MATLAB, nhận dạng khuôn mặt qua camera Logitech HD C270 để mở khóa cửa tự động.
  4. Xây dựng hệ thống an ninh 2 lớp: Cho phép mở khóa cửa bằng sinh trắc học khuôn mặt hoặc mã PIN qua bàn phím ma trận 4x3; kích hoạt còi báo động (Buzzer) khi phát hiện người lạ hoặc nhập sai mật khẩu quá số lần quy định.
  5. Thi công mô hình nhà hoàn chỉnh: Kích thước thực tế $50\text{ cm} \times 20\text{ cm} \times 30\text{ cm}$, điều khiển 3 kênh đèn $220\text{VAC}-5\text{W}$, 1 quạt $5\text{VDC}/0.2\text{A}$ và 1 cửa đóng mở bằng động cơ Servo SG90.

Phạm vi và giới hạn kỹ thuật

  • Không gian nhận diện: Nhận diện khuôn mặt đơn lẻ trong phạm vi $0.5\text{m} - 1.2\text{m}$ dưới điều kiện ánh sáng tiêu chuẩn ($150 - 300\text{ lux}$).
  • Ngôn ngữ giọng nói: Nhận diện lệnh thoại tiếng Anh chuẩn thông qua Alexa Voice Service (AVS).
  • Tải điện: Điều khiển 4 thiết bị đầu ra cách ly quang qua tiếp điểm Relay $250\text{VAC}/10\text{A}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh giải pháp của đề tài với các công trình nghiên cứu tiền nhiệm trong lĩnh vực Nhà thông minh:

Tiêu chí kỹ thuật Giải pháp Bluetooth (Phạm Văn Huy) Giải pháp GSM/SMS (Nguyễn Ngọc Lực) Giải pháp Multi-MCU RFID (Huỳnh Xuân Dũng) Giải pháp Đề tài (Thanh & Hạ)
Vi điều khiển chính Arduino Uno R3 Arduino Mega 2560 STM32F407VGT6 + Mega Arduino Nano V3 + ESP8266
Giao thức điều khiển Bluetooth HC-06 nội mạng SIM900A qua mạng GSM Web Server / WPF / App Amazon Alexa Cloud / Sinric
Cơ chế xác thực an ninh Không tích hợp Cảm biến chuyển động Thẻ từ RFID + Password Face ID (PCA) + Keypad PIN
Điều khiển giọng nói App Android (Cục bộ) Không hỗ trợ Không hỗ trợ Loa Amazon Echo Dot Gen 2
Chi phí triển khai Rất thấp ($< 35\text{ USD}$) Trung bình ($50 - 70\text{ USD}$) Cao ($> 120\text{ USD}$) Tối ưu ($55 - 65\text{ USD}$)
Độ trễ truyền nhận Cực thấp ($< 200\text{ms}$) Chậm ($3 - 10\text{s}$) Trung bình ($500\text{ms}$) Ổn định ($0.8 - 1.5\text{s}$)

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must have (Bắt buộc): Bật/tắt 4 thiết bị qua giọng nói Alexa; mở cửa bằng mật khẩu bàn phím ma trận; còi báo động khi có đột nhập trái phép; chuyển mạch điều khiển bằng tay (Manual switch).
  • Should have (Nên có): Nhận diện khuôn mặt chủ nhà chính xác $\ge 80%$; cập nhật trạng thái hoạt động lên màn hình LCD 16x2; tự động đổi chiều quay Servo mở/đóng cửa $90^\circ$.
  • Could have (Có thể có): Giao diện quản trị viên trên MATLAB để thêm/xóa dữ liệu khuôn mặt và cấu hình mật khẩu master.
  • Won't have (Chưa thực hiện): Truyền phát luồng video trực tiếp (Video streaming) từ camera lên ứng dụng di động; nhận diện giọng nói tiếng Việt tự nhiên trực tiếp trên phần cứng vi điều khiển.

Thiết kế hệ thống

|                        SƠ ĐỒ KHỐI PHẦN CỨNG CHI TIẾT                    |
|                                                                         |
|   | Amazon Echo Dot 2   |              | Logitech HD C270 Webcam  |     |
|   | (Alexa Voice Cloud) |              | (USB 2.0 Video Stream)   |     |
|   |  NodeMCU ESP-12E    |              | Host PC / MATLAB Engine  |     |
|   |  (Sinric Firmware)  |              | (PCA / HOG Processing)   |     |
|               |      ARDUINO NANO V3 (MASTER)       |                   |
|               |         (ATmega328P @ 16MHz)        |                   |
| | Keypad 4x3   |        | LCD 16x2       |            | Relay 4 Kênh  | |
| | (Row/Col In) |        | (HD44780 4-bit)|            | (Opto + Tải)  | |
| | Buzzer 5VDC  |                                      | Đèn 220V/ Quạt| |
| | & Servo SG90 |                                      | & Nút nhấn cơ | |

Bảng thông số kỹ thuật phần cứng chi tiết

Thiết bị / Linh kiện Thông số kỹ thuật cốt lõi Vai trò trong hệ thống
Arduino Nano V3 ATmega328P, 16MHz, Flash 32KB, SRAM 2KB, 8 chân ADC, 14 I/O Điều khiển trung tâm, quét ma trận phím, kích relay, xuất xung PWM Servo
ESP8266 NodeMCU ESP-12E, 32-bit Tensilica L106 80MHz, Flash 4MB, Wifi 802.11 b/g/n Xử lý giao thức IoT WebSockets, đồng bộ Cloud Sinric / Amazon Alexa
Loa Amazon Echo Dot 7 Microphones Far-field Beam-forming, Wifi 2.4/5GHz, Bluetooth Thu nhận giọng nói, giải mã lệnh ngôn ngữ tự nhiên thông qua Alexa Voice
Logitech HD C270 Độ phân giải 720p (1280x720) @ 30fps, FOV 60°, tiêu cự cố định Thu thập chuỗi khung hình khuôn mặt truyền về máy tính xử lý
Module Relay 4 Kênh Kích mức thấp (Active Low 0V), cách ly quang Optocoupler, tải 250VAC/10A Đóng ngắt an toàn mạng điện lưới 220V cho 3 bóng đèn và quạt 5V
Động cơ Servo SG90 Xung điều khiển PWM 50Hz ($1.0 - 2.0\text{ms}$), góc quay $0^\circ - 180^\circ$, lực kéo $1.8\text{kg}\cdot\text{cm}$ Kéo chốt khóa cửa tự động khi xác thực thành công
LCD 16x2 HD44780 Chuẩn song song 4-bit dữ liệu, điện áp hoạt động 5VDC, tích hợp biến trở Hiển thị thông báo trạng thái thiết bị, hướng dẫn nhập PIN và cảnh báo

Phương pháp nghiên cứu và quy trình triển khai

Dự án áp dụng mô hình phát triển chữ V (V-Model), kiểm thử song song từng module phần cứng và thuật toán xử lý trước khi tích hợp toàn diện:

Tuần 01 - 03: Nghiên cứu lý thuyết IoT, giao thức UART/I2C/SPI, khảo sát linh kiện.
Tuần 04 - 06: Thiết kế sơ đồ nguyên lý, layout mạch in PCB, lập trình I/O vi điều khiển.
Tuần 07 - 09: Cấu hình Amazon Alexa Skills, IFTTT, cầu nối Sinric và lập trình ESP8266.
Tuần 10 - 12: Xây dựng thuật toán PCA/HOG trên MATLAB, kết nối giao tiếp Serial PC-Arduino.
Tuần 13 - 14: Lắp ráp mô hình nhà thực tế, kiểm thử tải $220\text{VAC}$, đánh giá sai số và tối ưu.

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

1. Thuật toán nhận diện khuôn mặt dựa trên phân tích thành phần chính (PCA - Eigenfaces)

Thuật toán trích xuất không gian đặc trưng từ tập ảnh huấn luyện gồm $M$ ảnh kích thước $N \times N$. Mỗi ảnh được biểu diễn dưới dạng vector $\Gamma_i \in \mathbb{R}^{N^2}$.

  1. Tính toán vector khuôn mặt trung bình (Average Face Vector): $$\Psi = \frac{1}{M} \sum_{i=1}^{M} \Gamma_i$$

  2. Xác định sai phân của từng khuôn mặt (Mean-subtracted Differences): $$\Phi_i = \Gamma_i - \Psi$$

  3. Tính ma trận hiệp phương sai (Covariance Matrix): $$C = \frac{1}{M} \sum_{i=1}^{M} \Phi_i \Phi_i^T = A A^T \quad \text{với } A = [\Phi_1, \Phi_2, \dots, \Phi_M]$$ Để tối ưu khối lượng tính toán trên ma trận lớn $N^2 \times N^2$, hệ thống giải bài toán trị riêng trên ma trận $L = A^T A$ (kích thước $M \times M$ với $M \ll N^2$). Gọi $v_k$ là các vector riêng của $L$: $$u_k = A v_k = \sum_{i=1}^M v_{ki} \Phi_i$$

  4. Chiếu vector khuôn mặt vào không gian Eigenfaces để nhận dạng: Vector trọng số $\Omega = [\omega_1, \omega_2, \dots, \omega_K]^T$ với $\omega_k = u_k^T (\Gamma - \Psi)$. Khoảng cách Euclid nhỏ nhất $\varepsilon_k = |\Omega - \Omega_k|$ so với ngưỡng $\theta$ quyết định khuôn mặt hợp lệ.

% Đoạn mã trích xuất không gian Eigenface trên MATLAB R2018b
function [RecognizedIndex, MinDist] = RecognizeFace(InputImgPath, Eigenfaces, AvgFace, ProjectedImages, Threshold)
    InputImg = imread(InputImgPath);
    if size(InputImg, 3) == 3
        InputImg = rgb2gray(InputImg);
    end
    InputImg = imresize(InputImg, [100, 100]);
    InputVec = double(InputImg(:));
    
    % Chuẩn hóa và chiếu vào không gian vector riêng
    DiffVec = InputVec - AvgFace;
    ProjectedInput = Eigenfaces' * DiffVec;
    
    % Tính khoảng cách Euclid tới tập dữ liệu đã học
    NumTrained = size(ProjectedImages, 2);
    EuclidDistances = zeros(1, NumTrained);
    for i = 1:NumTrained
        EuclidDistances(i) = norm(ProjectedInput - ProjectedImages(:, i));
    end
    
    [MinDist, RecognizedIndex] = min(EuclidDistances);
    if MinDist > Threshold
        RecognizedIndex = -1; % Cảnh báo: Người lạ (Unknown intruder)
    end
end

2. Lập trình vi điều khiển ESP8266 giao tiếp Sinric và Alexa

ESP8266 kết nối tới máy chủ Sinric thông qua WebSockets bảo mật, lắng nghe các sự kiện đổi trạng thái từ Amazon Alexa và đẩy dữ liệu qua cổng giao tiếp nối tiếp (Serial UART) tới Arduino Nano.

// Firmware ESP8266 NodeMCU xử lý điều khiển từ Amazon Alexa Cloud
#include <ESP8266WiFi.h>
#include <WebSocketsClient.h>
#include <ArduinoJson.h>

const char* ssid     = "SMARTHOME_WIFI_2.4G";
const char* password = "SecurePassword123";
const char* MyApiKey = "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx";

void setPowerStateOnServer(String deviceId, String value) {
  DynamicJsonBuffer jsonBuffer;
  JsonObject& root = jsonBuffer.createObject();
  root["deviceId"] = deviceId;
  root["action"] = "setPowerState";
  root["value"] = value;
  
  // Gửi lệnh điều khiển xuống Arduino Nano qua chuẩn truyền thông UART
  if (deviceId == "5c80a1b2e4b0xxxxxxxxxxxx") { // Mã ID Relay 1 (Đèn Phòng Khách)
    if (value == "ON")  Serial.print("L1_ON\n");
    if (value == "OFF") Serial.print("L1_OFF\n");
  }
}

3. Thuật toán quét bàn phím ma trận và giải mã trên Arduino Nano

Cơ chế quét chủ động (Active Low Scanning) kết hợp khử rung phím (Software Debounce) đảm bảo tính chính xác tuyệt đối khi người dùng nhập mật mã vật lý:

// Thuật toán quét ma trận phím 4x3 trên Arduino Nano
const byte ROWS = 4;
const byte COLS = 3;
char keys[ROWS][COLS] = {
  {'1','2','3'},
  {'4','5','6'},
  {'7','8','9'},
  {'*','0','#'}
};
byte rowPins[ROWS] = {2, 3, 4, 5};    // Chân nối hàng
byte colPins[COLS] = {6, 7, 8};       // Chân nối cột

char scanKeypad() {
  for (byte c = 0; c < COLS; c++) {
    pinMode(colPins[c], OUTPUT);
    digitalWrite(colPins[c], LOW); // Kéo cột xuống mức 0V
    for (byte r = 0; r < ROWS; r++) {
      if (digitalRead(rowPins[r]) == LOW) {
        delay(20); // Debounce 20ms
        while (digitalRead(rowPins[r]) == LOW); // Chờ nhả phím
        pinMode(colPins[c], INPUT_PULLUP);
        return keys[r][c];
      }
    }
    pinMode(colPins[c], INPUT_PULLUP);
  }
  return 0; // Không có phím nào được nhấn
}

Kiểm thử và đánh giá thực nghiệm

1. Đánh giá độ chính xác nhận diện khuôn mặt (Logitech C270 + MATLAB PCA)

Thực nghiệm tiến hành trên tập dữ liệu gồm 10 cá nhân (5 đối tượng đã đăng ký mẫu, 5 đối tượng người lạ), mỗi đối tượng thực hiện 20 lần thử ở các điều kiện ánh sáng và góc nghiêng khác nhau.

Điều kiện thực nghiệm Cường độ sáng (Lux) Số lần thử Số lần nhận diện đúng Tỷ lệ chính xác (%) Thời gian xử lý TB (ms)
Trực diện, đủ sáng $250 - 300\text{ lux}$ 50 46 92.0% $320\text{ ms}$
Nghiêng góc $\pm 15^\circ$ $200 - 250\text{ lux}$ 50 41 82.0% $345\text{ ms}$
Ngược sáng nhẹ $100 - 150\text{ lux}$ 50 37 74.0% $360\text{ ms}$
Người lạ xâm nhập (Unknown) $250\text{ lux}$ 50 48 (Cảnh báo đúng) 96.0% $310\text{ ms}$
Tổng thể trung bình -- 200 172 86.0% $333.75\text{ ms}$ 
TỶ LỆ NHẬN DIỆN KHUÔN MẶT THEO ĐIỀU KIỆN ÁNH SÁNG
[Đủ sáng 300 lux]   ████████████████████ 92.0%
[Nghiêng 15 độ]     █████████████████░░░ 82.0%
[Ngược sáng nhẹ]    ████████████████░░░░ 74.0%
[Phát hiện kẻ lạ]   ████████████████████ 96.0%

2. Khảo sát độ trễ phản hồi hệ thống (Latency Benchmarks)

  • Lệnh giọng nói qua Amazon Echo Dot: Độ trễ từ khi phát âm câu lệnh "Alexa, turn on Light One" đến khi tiếp điểm Relay đóng: $1.15\text{s} \pm 0.18\text{s}$.
  • Xử lý mở cửa bằng bàn phím ma trận: Thời gian giải mã chuỗi 4 chữ số và kích xung PWM góc $90^\circ$ cho Servo SG90: $< 45\text{ms}$.
  • Thời gian phản ứng còi báo động (Buzzer): Kích hoạt mức logic HIGH ngay lập tức ($< 10\text{ms}$) sau khi nhận tín hiệu từ chối truy cập (Access Denied).

Đổi mới và đóng góp

  1. Cơ chế xác thực an ninh kết hợp (Hybrid Biometric-PIN Security): Loại bỏ rủi ro mất cắp chìa khóa cơ học bằng cách tích hợp thuật toán thị giác máy tính PCA/HOG trên luồng video camera HD kết hợp mật mã dự phòng qua bàn phím ma trận chống kẹt logic.
  2. Kiến trúc điều khiển phân tầng Edge-Cloud:
    • Tầng ngoại vi (Edge): Arduino Nano xử lý I/O thời gian thực, đảm bảo hệ thống vẫn vận hành bật/tắt thiết bị bằng tay hoặc nhập mã số mở cửa bình thường ngay cả khi mất kết nối mạng.
    • Tầng mạng (IoT Cloud Gateway): ESP8266 chịu trách nhiệm kết nối mạng không dây và phân giải gói tin JSON đám mây, giải phóng $100%$ tài nguyên bộ nhớ hạn hẹp của vi điều khiển 8-bit.
  3. Hiệu quả năng lượng và chi phí tối ưu: Toàn bộ hệ sinh thái phần cứng mẫu thử nghiệm hoạt động ở mức công suất tiêu thụ chế độ chờ dưới $2.5\text{W}$, với tổng kinh phí linh kiện giảm hơn $60%$ so với các giải pháp PLC hoặc máy tính nhúng công nghiệp chuyên dụng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Căn hộ và nhà ở thông minh: Chủ nhà có thể ra lệnh bật đèn hành lang, kích hoạt quạt làm mát từ xa hoặc mở cửa tự động rảnh tay khi mang vác đồ vật nặng thông qua nhận diện khuôn mặt.
  • Văn phòng và phòng thí nghiệm bảo mật: Quản lý quyền truy cập cửa ra vào theo danh sách nhân sự đã được huấn luyện dữ liệu khuôn mặt trên hệ thống máy tính trung tâm.
  • Hỗ trợ người cao tuổi và khuyết tật: Cung cấp phương thức điều khiển không chạm bằng giọng nói tự nhiên, giảm thiểu sự cần thiết phải di chuyển vật lý để thao tác công tắc điện.
HƯỚNG DẪN TRIỂN KHAI PHẦN CỨNG THỰC TẾ

Dự toán chi phí triển khai hệ thống (BOM)

STT Thiết bị / Module Số lượng Đơn giá ước tính (VND) Thành tiền (VND)
1 Bo mạch Arduino Nano V3 (ATmega328P) 1 65,000 65,000
2 Bo mạch ESP8266 NodeMCU CP2102 1 85,000 85,000
3 Loa thông minh Amazon Echo Dot Gen 2 1 650,000 650,000
4 Logitech HD Webcam C270 720p 1 420,000 420,000
5 Module Relay 4 Kênh 5V Opto cách ly 1 45,000 45,000
6 Màn hình LCD 16x2 + Động cơ Servo SG90 1 bộ 75,000 75,000
7 Bàn phím ma trận 4x3 + Còi Buzzer + Linh kiện rời 1 bộ 50,000 50,000
TỔNG Chi phí phần cứng hoàn chỉnh -- -- 1,390,000 VND

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc máy tính chủ (Host PC): Thuật toán xử lý ảnh PCA/HOG hiện tại chạy trên môi trường MATLAB cài đặt trên PC, chưa được nhúng độc lập hoàn toàn vào các vi điều khiển biên có năng lực tính toán AI (như ESP32-CAM hoặc K210).
  • Rào cản ngôn ngữ: Trợ lý ảo Alexa Gen 2 chỉ tiếp nhận câu lệnh điều khiển trực tiếp bằng tiếng Anh, gây khó khăn nhất định cho người cao tuổi hoặc trẻ em Việt Nam.
  • Độ nhạy quang học: Thuật toán nhận diện khuôn mặt PCA dễ bị ảnh hưởng bởi sự thay đổi góc quay lớn ($> 30^\circ$) hoặc môi trường thiếu sáng ($< 50\text{ lux}$).

Hướng phát triển nâng cao

  1. Chuyển đổi thuật toán thị giác sang Deep Learning nhúng: Triển khai mô hình mạng nơ-ron tích chập nhẹ (MobileNet-V2 / Tiny-YOLO) trực tiếp trên kit Raspberry Pi 4 hoặc Jetson Nano để loại bỏ hoàn toàn máy tính PC cồng kềnh.
  2. Bản địa hóa giọng nói tiếng Việt: Tích hợp mô hình nhận dạng giọng nói tiếng Việt mã nguồn mở (như PhoWhisper hoặc Google Speech-to-Text API) để tạo sự thuận tiện tối đa cho người dùng trong nước.
  3. Mã hóa truyền thông hai chiều: Nâng cấp kênh truyền UART giữa các vi điều khiển với giao thức đóng gói dữ liệu có kiểm tra lỗi CRC-16 và mã hóa đường truyền AES-128.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kỹ thuật Điện tử - Viễn thông, Tự động hóa: Tài liệu mẫu tham khảo thực tế về quy trình thiết kế mạch in, phối hợp truyền thông liên vi điều khiển (UART/SPI/I2C) và xây dựng thuật toán thị giác máy tính kết hợp nhúng.
  • Kỹ sư phát triển phần mềm IoT: Cung cấp mẫu kiến trúc kết nối chuẩn giữa nền tảng đám mây của bên thứ ba (Amazon Alexa Skills / Sinric API) với các phần cứng mã nguồn mở.
  • Người dùng cá nhân & Hộ gia đình: Tiếp cận giải pháp nhà thông minh đa chức năng, chi phí tự gia công cực thấp nhưng vẫn đảm bảo tính năng an ninh sinh trắc học và tiện nghi giọng nói.

Câu hỏi thường gặp

1. Hệ thống yêu cầu cấu hình máy tính như thế nào để chạy thuật toán nhận diện khuôn mặt MATLAB?

Chương trình nhận dạng khuôn mặt bằng thuật toán PCA/HOG hoạt động mượt mà trên các dòng máy tính phổ thông: Vi xử lý Intel Core i3 (thế hệ 4 trở lên) hoặc AMD Ryzen 3, RAM tối thiểu $4\text{GB}$, hệ điều hành Windows 7/10/11 và cài đặt phiên bản MATLAB từ R2016a trở lên có hỗ trợ Image Processing Toolbox.

2. Khi mất kết nối Internet, các chức năng trong nhà có hoạt động được không?

Có. Hệ thống được thiết kế theo cấu trúc phân tầng độc lập. Khi mất mạng Wifi/Internet, chỉ tính năng điều khiển qua loa Amazon Alexa bị tạm ngừng. Người dùng vẫn hoàn toàn có thể bật/tắt thiết bị bằng công tắc cơ học, mở cửa bằng bàn phím ma trận số và còi báo động chống trộm vẫn hoạt động bình thường.

3. Làm thế nào để thêm khuôn mặt người thân mới vào cơ sở dữ liệu?

Quản trị viên mở giao diện điều khiển trên phần mềm máy tính, chọn chế độ Training Data, nhập ID/Tên của thành viên mới và kích hoạt webcam chụp 10 khung hình ở các góc nghiêng nhẹ. Thuật toán sẽ tự động tái tạo lại không gian Eigenfaces trong thời gian dưới $5\text{ giây}$.

4. Độ an toàn về điện lưới của hệ thống đối với các thiết bị gia dụng 220V?

Khối công suất sử dụng module Relay 4 kênh được tích hợp sẵn linh kiện cách ly quang (Optocoupler EL817), ngăn ngừa hoàn toàn hiện tượng xung điện áp cao hoặc sét lan truyền từ lưới điện $220\text{VAC}$ đánh ngược về phá hủy các vi điều khiển $5\text{VDC}$.

5. Tại sao đồ án lựa chọn kết hợp cả Arduino Nano và ESP8266 thay vì dùng một mình ESP8266?

Module ESP8266 có số lượng chân GPIO tương đối hạn chế (khoảng 9 chân khả dụng) và khi thực hiện các tác vụ mạng nặng (bắt tay giao thức SSL/WebSockets) có thể làm trễ các tiến trình thời gian thực. Việc kết hợp với Arduino Nano giúp tối ưu hóa số lượng chân kết nối ngoại vi (LCD, Keypad, Relay, Buzzer, Servo) và đảm bảo tính thời gian thực chính xác tuyệt đối.

Kết luận

Đề tài "Thiết kế và thi công hệ thống điều khiển thiết bị điện trong nhà thông qua Amazon Alexa và cảnh báo chống trộm" đã giải quyết thành công bài toán tích hợp giữa tự động hóa điều khiển thông minh và bảo mật sinh trắc học. Nhóm tác giả đã chế tạo hoàn chỉnh mô hình phần cứng hoạt động ổn định, làm chủ kỹ thuật điều khiển bằng giọng nói tiếng Anh qua hạ tầng điện toán đám mây Amazon Alexa, đồng thời ứng dụng hiệu quả thuật toán thị giác máy tính PCA trên thực nghiệm với độ chính xác đạt $86.0%$. Công trình là nền tảng vững chắc để tiếp tục mở rộng, nâng cấp lên các hệ sinh thái Edge-AI toàn diện phục vụ các tòa nhà thông minh và đô thị thông minh trong tương lai gần.