Bối cảnh và vấn đề nghiên cứu

Trong xu thế chuyển đổi số ngành giáo dục, việc tự động hóa công tác quản lý lớp học và điểm danh học sinh, sinh viên đang dần thay thế các phương thức truyền thống như gọi tên hay ký sổ tay. Phương pháp điểm danh thủ công bộc lộ nhiều hạn chế về mặt thời gian, dễ gây sai sót trong quá trình ghi nhận và tiềm ẩn nguy cơ gian lận. Để khắc phục, nhiều giải pháp định danh sinh trắc học và thẻ từ đã được triển khai, song mỗi công nghệ đơn lẻ đều tồn tại những nhược điểm cố hữu:

  • Thẻ từ RFID (Radio Frequency Identification): Thao tác nhanh chóng nhưng mức độ an toàn thấp do thẻ có thể bị đánh cắp, cho mượn hoặc làm giả để điểm danh hộ.
  • Dấu vân tay: Bất tiện khi tiếp xúc vật lý, dễ bị ảnh hưởng bởi độ ẩm, mồ hôi và bụi bẩn bám trên bề mặt cảm biến.
  • Nhận diện khuôn mặt: Mang lại ưu thế không chạm và định danh tự động, nhưng đặt ra thách thức về an toàn dữ liệu, nguy cơ bị tấn công giả mạo (spoofing bằng ảnh chụp, video) và đòi hỏi thiết bị tính toán có cấu hình cao.

Hầu hết các hệ thống nhận diện khuôn mặt hiện nay sử dụng máy tính cá nhân hoặc máy chủ chuyên dụng để đạt được tốc độ xử lý thời gian thực, dẫn đến chi phí đầu tư lớn, kích thước cồng kềnh và thiếu tính linh hoạt. Khóa luận này giải quyết bài toán trên bằng cách xây dựng hệ thống điểm danh đa xác thực (kết hợp RFID và nhận diện khuôn mặt) trên nền tảng tính toán biên (Edge Computing) kết hợp máy chủ đám mây (Cloud Server).

Mục tiêu và nhiệm vụ nghiên cứu

Tác giả xác định mục tiêu và nhiệm vụ cụ thể của đề tài bao gồm:

  1. Nghiên cứu và hiện thực hệ thống điểm danh hoàn chỉnh gồm thiết bị biên và máy chủ đám mây.
  2. Xây dựng giao diện tương tác trực tiếp trên thiết bị biên, đồng thời phát triển trang web và ứng dụng di động cho giảng viên theo dõi tình trạng lớp học.
  3. Đảm bảo khả năng truyền nhận, lưu trữ dữ liệu nhận dạng và thực hiện nhận diện với quy mô lớp học lên đến 60 người.
  4. Xây dựng giải thuật phát hiện và trích xuất đặc trưng khuôn mặt với thời gian xử lý không quá 100 ms (tương đương tốc độ trên 10 FPS) và độ chính xác đạt trên 90%.
  5. Đề xuất các phương pháp nâng cao hiệu suất thu thập dữ liệu và nhận diện khuôn mặt (phân cụm dữ liệu, phát hiện ảnh mờ, lọc góc nghiêng, chống giả mạo).
  6. Tích hợp cơ chế tự động đồng bộ dữ liệu nhận diện theo lịch biểu từng lớp học.
  7. Cung cấp giao diện hiển thị thời gian và các thông số môi trường cho người dùng.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Lý thuyết và kỹ thuật lập trình hệ thống nhúng; giải thuật phát hiện và nhận diện khuôn mặt; kỹ thuật xác thực hai lớp (RFID và khuôn mặt); thuật toán tối ưu hóa trích xuất, phân cụm và lưu trữ dữ liệu; xây dựng giao diện người dùng nhúng (GUI), giao diện web và ứng dụng di động.
  • Phạm vi không gian: Đề tài hướng tới mục tiêu triển khai tại các phòng học trường đại học; trong khuôn khổ khóa luận, hệ thống được thử nghiệm thực tế tại phạm vi một lớp học/phòng thí nghiệm.
  • Phạm vi thời gian: Đề tài được hoàn thành vào tháng 7 năm 2024.
  • Phạm vi nội dung: Vận hành hệ thống IoT kết nối giữa thiết bị biên và máy chủ đám mây, tích hợp các module ngoại vi phần cứng và xử lý thị giác máy tính trực tiếp trên bo mạch nhúng.

Cơ sở lý thuyết và phương pháp

Khóa luận áp dụng phương pháp thiết kế và tích hợp hệ thống kỹ thuật phần cứng - phần mềm, kết hợp thực nghiệm đánh giá mô hình học sâu.

Khung lý thuyết và mô hình sử dụng

  • Hàm mất mát Additive Angular Margin Loss (ArcFace): Tối ưu hóa không gian biểu diễn đặc trưng bằng cách thêm góc lệch vào hàm cosine chuẩn hóa, giúp phân tách rõ ràng vector đặc trưng giữa các danh tính khác nhau so với hàm Softmax truyền thống.
  • Mô hình MobileFaceNet: Mạng tích chập sâu gọn nhẹ cho thiết bị di động, sử dụng tích chập tách rời theo chiều sâu (Depthwise Separable Convolutions) và thay thế lớp Global Average Pooling bằng Global Depthwise Convolution (GDConv) để giữ lại các đặc trưng không gian trọng yếu của khuôn mặt.
  • Mô hình RetinaFace (dựa trên RetinaNet): Sử dụng hàm mất mát Focal Loss để giải quyết vấn đề mất cân bằng dữ liệu mẫu, hỗ trợ phát hiện khuôn mặt đa tỷ lệ với độ chính xác cao.
  • Thuật toán phân cụm K-means: Nhóm các vector đặc trưng khuôn mặt nhằm chọn ra vector đại diện tối ưu trong quá trình thu thập mẫu.
  • Hồi quy Logistic (Logistic Regression) & Độ dốc phổ công suất cục bộ (Local Power Spectrum Slope): Ứng dụng biến đổi Fourier để phân tích phổ tần số $S(f, \theta) = A \cdot f^{-\alpha}$, xác định và loại bỏ các khung hình bị mờ do mất thành phần tần số cao.
  • Mô hình MiniFASNet (Silent Face Anti-Spoofing): Sử dụng mạng nơ-ron thu gọn kết hợp biến đổi Fourier và hàm mất mát FT Loss cùng Softmax Loss để phân loại khuôn mặt thật, giả mạo hoặc không xác định.

Phương pháp nghiên cứu và nguồn dữ liệu

  • Phương pháp thực nghiệm kỹ thuật: Thiết kế phần cứng, lập trình điều khiển máy trạng thái (State Machine), cấu hình truyền thông ngoại vi và giao thức mạng.
  • Nguồn dữ liệu:
    • Dữ liệu kiểm chuẩn học thuật: Bộ dữ liệu khuôn mặt công khai VN-celeb và LFW (Labeled Faces in the Wild).
    • Dữ liệu thực nghiệm thực tế: Dữ liệu ảnh khuôn mặt và mã thẻ RFID thu thập trực tiếp từ nhóm đối tượng thử nghiệm (gần 40 người) tại phòng lab.

Thiết kế và triển khai

Hệ thống được tổ chức thành ba khối chức năng chính: Thiết bị biên, Máy chủ đám mây và Giao diện người dùng đa nền tảng.

+-------------------------------------------------------------------+
|                        THIẾT BỊ BIÊN                              |
|  [Camera C525] --USB--> [Raspberry Pi 4] <--SPI-- [RC522 (RFID)]  |
|                                |                                  |
|     [Màn hình cảm ứng] <--HDMI-+                                  |
|         (Qt GUI / C++)         |                                  |
+--------------------------------+----------------------------------+
                                 |
                          Wi-Fi / HTTP / Socket.IO
                                 |
                                 v
+-------------------------------------------------------------------+
|                       MÁY CHỦ ĐÁM MÂY                             |
|  - Backend: Node.js (API, Điều phối luồng dữ liệu)                |
|  - Database: Lưu trữ thông tin sinh viên, lớp học, điểm danh     |
+-------------------------------------------------------------------+
                                 |
                 +---------------+---------------+
                 |                               |
                 v                               v
       [Web App (Frontend)]            [Mobile App (Flutter)]
     Theo dõi trên trình duyệt         Giảng viên quản lý lớp

Kiến trúc phần cứng thiết bị biên

  • Bộ xử lý trung tâm: Bo mạch máy tính nhúng Raspberry Pi 4 (vi xử lý Broadcom BCM2711, 4 nhân Cortex-A72 64-bit 1.5 GHz, bộ nhớ RAM 4GB, chạy hệ điều hành Raspberry Pi OS nền Debian).
  • Module đọc thẻ RFID: Mạch RC522 (tần số 13.56 MHz), đóng vai trò Slave giao tiếp với Raspberry Pi 4 (Master) qua giao thức SPI (Serial Peripheral Interface) sử dụng 4 đường tín hiệu MOSI, MISO, SCLK và SS/CS.
  • Camera thu nhận hình ảnh: Logitech C525 (cảm biến CMOS, độ phân giải video HD 720p 1280x720, tốc độ khung hình 30 FPS, tích hợp tự động lấy nét), kết nối qua giao tiếp USB.
  • Màn hình hiển thị: Màn hình cảm ứng điện dung kết nối qua cổng HDMI để truyền hình ảnh giao diện và nhận thao tác chạm.
  • Vỏ bảo vệ: Khung hộp bằng nhựa mica được thiết kế trên phần mềm Autodesk Fusion 360 để cố định các module phần cứng.

Kiến trúc phần mềm và luồng hoạt động

  • Khối Facial Processes: Thực hiện toàn bộ quy trình thị giác máy tính: tiếp nhận luồng video, định dạng kích thước ảnh về 320x240, phát hiện khuôn mặt bằng RetinaFace, lọc ảnh mờ, tính góc lệch từ 5 điểm landmark để căn chỉnh khuôn mặt, kiểm tra chống giả mạo bằng MiniFASNet và trích xuất vector đặc trưng 128 chiều bằng MobileFaceNet.
  • Khối RFID Handler: Đọc mã UID từ thẻ RFID qua giao tiếp SPI và chuyển mã định danh tới khối Facial Processes và Planning.
  • Khối Planning & GUI: Điều khiển máy trạng thái vận hành; quản lý giao diện người dùng được lập trình bằng Qt Framework (C++/QML).
  • Khối Cloud Server & Database: Xây dựng trên nền tảng Node.js, cung cấp RESTful API và giao thức WebSocket để đồng bộ dữ liệu thời gian thực giữa thiết bị biên, cơ sở dữ liệu đám mây và các ứng dụng theo dõi.
  • Giao diện Web & Mobile App: Web frontend phục vụ quản trị và ứng dụng di động viết bằng Flutter Framework (ngôn ngữ Dart) cho phép giảng viên tra cứu danh sách điểm danh, thống kê lớp học.

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài

Chương này nêu rõ bối cảnh ứng dụng công nghệ thông tin trong trường học, phân tích sự bất cập của các hệ thống điểm danh đơn lẻ (chỉ dùng thẻ từ hoặc chỉ dùng nhận diện khuôn mặt). Tác giả xác định đối tượng, phạm vi nghiên cứu, đặt ra 7 mục tiêu kỹ thuật cụ thể và phác thảo phương pháp tiếp cận từ nghiên cứu lý thuyết, chế tạo phần cứng đến triển khai thử nghiệm.

Chương 2: Tổng quan đề tài

Tác giả tổng hợp các công trình nghiên cứu liên quan trong và ngoài nước:

  • Trong nước: Các hệ thống dùng máy tính cá nhân kết nối Arduino và cơ sở dữ liệu SQL Server, hoặc hệ thống truyền ảnh Base64 qua WebSocket đến Jetson Nano và Cloud.
  • Ngoài nước: Các nghiên cứu sử dụng Raspberry Pi 3 kết hợp gửi SMS/email, hệ thống RFID kết nối Arduino Uno và WAMP/MySQL, các công trình kết hợp OpenCV với RFID. Đồng thời, chương này khảo sát các kiến trúc mạng nơ-ron nhẹ như LFFD (anchor-free face detector), Mobile Neural Network (MNN) và các giải pháp tối ưu hóa tham số mạng.

Chương 3: Cơ sở lý thuyết

Trình bày chi tiết các thành phần kỹ thuật được sử dụng trong khóa luận:

  • Phần cứng và chuẩn giao tiếp: Thông số kỹ thuật của Raspberry Pi 4, đầu đọc thẻ RFID RC522 (13.56 MHz), camera Logitech C525, màn hình cảm ứng điện dung và sơ đồ truyền tín hiệu chuẩn SPI.
  • Nền tảng phần mềm: Cấu trúc các mô-đun trong Qt Framework (Qt Core, Qt GUI, Qt Widgets, Qt Quick, QML) và kiến trúc đa tầng của Flutter Framework (Dart app, Framework, Engine, Embedder, Runner).
  • Giải thuật trí tuệ nhân tạo: Cơ chế hàm mất mát Additive Angular Margin Loss (ArcFace); nguyên lý tích chập tách rời theo chiều sâu và kiến trúc MobileFaceNet; mạng RetinaNet với Focal Loss; thuật toán phân cụm K-means và mô hình Hồi quy Logistic.

Chương 4: Phương pháp nghiên cứu và thực hiện

Trình bày chi tiết cấu trúc hệ thống và quy trình kỹ thuật:

  • Thiết kế phần cứng và phần mềm: Sơ đồ liên kết giữa các khối chức năng trên Raspberry Pi 4 và Cloud Server.
  • Quy trình điểm danh: Máy trạng thái xử lý các tình huống: điểm danh bằng thẻ kết hợp khuôn mặt, chỉ điểm danh bằng khuôn mặt khi quên thẻ, nhận diện người lạ, và quy trình thu thập dữ liệu cho sinh viên mới.
  • Quy trình xử lý ảnh:
    1. Phát hiện khuôn mặt: Dùng RetinaFace, giữ lại khuôn mặt có diện tích lớn nhất trong khung hình.
    2. Lọc ảnh mờ: Tính độ dốc phổ công suất cục bộ để loại bỏ ảnh không rõ nét.
    3. Lọc và căn chỉnh góc nghiêng: Dựa trên 5 điểm landmark ($A, B, C, D, E$) để tính góc giữa vector trung điểm mắt - mũi và đường chuẩn, từ đó xoay ảnh về góc thẳng hoặc loại bỏ ảnh có góc lệch vượt ngưỡng.
    4. Chống giả mạo: Đưa ảnh kích thước $1 \times 3 \times 80 \times 80$ qua mạng MiniFASNet và biến đổi Fourier, tính điểm trung vị (Median) để phân loại thật/giả.
    5. Tối ưu hóa lưu trữ: Thu thập chuỗi ảnh khi người dùng xoay các góc mặt, trích xuất $M$ vector đặc trưng 128 chiều, sau đó áp dụng K-means để chọn ra $K$ vector trung tâm đại diện nhất.
  • Nhận diện khuôn mặt: Đề xuất phương pháp đo tương tự kết hợp giữa khoảng cách theo từng mẫu (Instance) và khoảng cách tâm cụm (Centroid).

Chương 5: Đánh giá kết quả thực nghiệm

Chương này trình bày các kết quả đo kiểm trên thiết bị thực tế và tập dữ liệu chuẩn:

  • Chế tạo mẫu thử: Sản phẩm hoàn thiện với vỏ mica gia công từ bản vẽ Fusion 360, tích hợp màn hình cảm ứng hiển thị giao diện Qt.
  • Kiểm thử chức năng: Vận hành thành công các kịch bản thu thập dữ liệu, điểm danh bằng RFID, điểm danh kết hợp khuôn mặt + RFID, cảnh báo thẻ giả và khuôn mặt giả mạo.
  • Đo kiểm hiệu năng và độ chính xác: Đánh giá thuật toán đề xuất trên bộ dữ liệu VN-celeb và đo thời gian thực thi của các mô hình trên Raspberry Pi 4.

Chương 6: Kết luận và hướng phát triển

Đánh giá mức độ hoàn thành so với các mục tiêu ban đầu, chỉ ra các nguyên nhân gây sai số trong quá trình nhận diện thực tế và đề xuất các giải pháp nâng cấp hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả định lượng

Các thử nghiệm thực nghiệm ghi nhận các số liệu cụ thể như sau:

Thông số / Mô hình Giá trị đo kiểm Ghi chú
Thời gian phát hiện khuôn mặt (RetinaFace) 42 ms Đo trên Raspberry Pi 4
Thời gian trích xuất đặc trưng (MobileFaceNet) 48 ms Đo trên Raspberry Pi 4
Tổng thời gian suy diễn hệ thống ~90 ms Đạt yêu cầu $\le 100\text{ ms}$ (> 10 FPS)
Độ chính xác mô hình ResNet101 (Thuật toán đề xuất) 92.63% Đánh giá trên tập dữ liệu VN-celeb
Độ chính xác phương pháp Instance đơn lẻ 91.x% Đánh giá trên tập dữ liệu VN-celeb
Độ chính xác phương pháp Centroid đơn lẻ 91.x% Đánh giá trên tập dữ liệu VN-celeb
Độ chính xác nhận diện thực tế ~91% Thử nghiệm thực tế quy mô gần 40 người

Đóng góp kỹ thuật của đề tài

  1. Hiện thực hóa kiến trúc biên - đám mây hoàn chỉnh: Triển khai thành công toàn bộ pipeline nhận diện thị giác máy tính và xác thực thẻ RFID trên một thiết bị biên nhỏ gọn (Raspberry Pi 4) kết nối đồng bộ với máy chủ đám mây.
  2. Tối ưu hóa quy trình tiền xử lý và lưu trữ dữ liệu: Tích hợp bộ lọc ảnh mờ bằng phổ Fourier, tự động căn chỉnh góc nghiêng qua 5 điểm landmark và sử dụng phân cụm K-means để giảm dung lượng lưu trữ vector đặc trưng mà vẫn đảm bảo độ bao phủ các góc mặt.
  3. Tăng cường bảo mật: Ứng dụng mô hình MiniFASNet để phát hiện khuôn mặt giả mạo thời gian thực, ngăn chặn các hình thức tấn công bằng ảnh in hoặc màn hình thiết bị di động.
  4. Cải tiến phép đo khoảng cách nhận diện: Đề xuất phương pháp kết hợp khoảng cách Instance và Centroid, nâng độ chính xác nhận diện trên tập kiểm thử VN-celeb lên 92.63%.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế ghi nhận trong văn bản

  • Tài nguyên phần cứng biên có hạn: Khả năng tính toán của Raspberry Pi 4 bị giới hạn, chưa thể thực thi các mô hình mạng nơ-ron có kích thước tham số lớn hơn.
  • Ảnh hưởng của môi trường: Độ chính xác nhận diện bị suy giảm trong các điều kiện ánh sáng thay đổi thất thường hoặc ảnh đầu vào bị mờ do chuyển động nhanh.
  • Vấn đề che khuất khuôn mặt: Hệ thống gặp khó khăn và dễ nhận diện thất bại khi người dùng đeo khẩu trang hoặc đeo kính che lấp các điểm landmark đặc trưng.
  • Quy mô thử nghiệm: Do giới hạn về thời gian và kinh phí, việc thử nghiệm thực tế mới dừng lại ở quy mô gần 40 người trong một phòng lab, chưa kiểm thử diện rộng trên toàn bộ các phòng học của trường.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu tối ưu hóa và lượng tử hóa mô hình (Quantization/Pruning) sâu hơn để tăng tốc độ xử lý trên vi xử lý nhúng.
  • Nâng cấp giải thuật nhận diện khuôn mặt trong điều kiện bị che khuất một phần (đeo kính, khẩu trang) và cải thiện khả năng thích ứng với điều kiện thiếu sáng.
  • Mở rộng quy mô thử nghiệm, tích hợp đồng bộ trên hệ thống quản lý đào tạo chung của nhà trường.

Giá trị tham khảo

Tài liệu khóa luận cung cấp giá trị tham khảo chuyên môn cho sinh viên và kỹ sư thuộc các ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Hệ thống Nhúng và IoT, Trí tuệ Nhân tạo Ứng dụng:

  • Tham khảo thiết kế hệ thống nhúng: Quy trình ghép nối và cấu hình giao thức SPI giữa vi điều khiển/máy tính nhúng với các module ngoại vi (RC522 RFID), thiết kế giao diện nhúng bằng Qt C++/QML.
  • Tham khảo pipeline thị giác máy tính nhẹ: Cách thức lựa chọn và kết hợp các mô hình nơ-ron nhỏ gọn (RetinaFace, MobileFaceNet, MiniFASNet) để thực thi bài toán nhận diện và chống giả mạo trên phần cứng hạn chế tài nguyên.
  • Tham khảo giải pháp tiền xử lý dữ liệu: Ứng dụng biến đổi Fourier để lọc độ mờ, giải thuật căn chỉnh góc mặt và thuật toán K-means tối ưu hóa tập vector đặc trưng.

Câu hỏi thường gặp

1. Hệ thống sử dụng phần cứng nào cho thiết bị biên và giao tiếp với đầu đọc RFID qua chuẩn gì?

Thiết bị biên sử dụng bo mạch Raspberry Pi 4 (vi xử lý Broadcom BCM2711 4 nhân 1.5 GHz, 4GB RAM) làm đơn vị xử lý chính, kết nối với camera Logitech C525 qua cổng USB, màn hình cảm ứng qua HDMI và module đọc thẻ RFID RC522 (tần số 13.56 MHz) thông qua giao thức truyền thông nối tiếp SPI (chế độ Master-Slave).

2. Pipeline xử lý và nhận diện khuôn mặt trên thiết bị biên gồm những mô hình học sâu nào?

Pipeline sử dụng mô hình RetinaFace để phát hiện vị trí khuôn mặt trong khung hình, mô hình MiniFASNet (thuộc hệ thống Silent Face Anti-Spoofing) để kiểm tra khuôn mặt thật/giả, và mô hình MobileFaceNet (áp dụng hàm mất mát ArcFace) để trích xuất vector đặc trưng 128 chiều phục vụ so khớp danh tính.

3. Thuật toán phân cụm K-means được ứng dụng vào khâu nào trong hệ thống?

K-means được sử dụng trong giai đoạn thu thập dữ liệu mẫu ban đầu. Khi người dùng xoay các góc mặt trước camera, hệ thống trích xuất $M$ vector đặc trưng và áp dụng K-means để gom thành $K$ cụm. Vector gần tâm nhất của mỗi cụm sẽ được chọn để lưu trữ, giúp loại bỏ các hình ảnh trùng lặp, tối ưu dung lượng bộ nhớ và tăng tốc độ so khớp.

4. Thời gian suy diễn của các mô hình trên Raspberry Pi 4 đạt bao nhiêu?

Trên phần cứng Raspberry Pi 4, thời gian phát hiện khuôn mặt của mô hình RetinaFace là 42 ms, thời gian trích xuất đặc trưng của mô hình MobileFaceNet là 48 ms, nâng tổng thời gian suy diễn trung bình đạt khoảng 90 ms (đáp ứng mục tiêu dưới 100 ms và đạt tốc độ trên 10 FPS).

5. Kết quả độ chính xác nhận diện của hệ thống trong thực tế và trên tập dữ liệu kiểm chuẩn là bao nhiêu?

Trên tập dữ liệu kiểm chuẩn VN-celeb, giải pháp đo kết hợp đề xuất của nhóm giúp mô hình ResNet101 đạt độ chính xác 92.63% (vượt trội hơn mức 91.x% của các phương pháp đơn lẻ). Khi thử nghiệm thực tế tại phòng lab với quy mô gần 40 người, hệ thống đạt độ chính xác xấp xỉ 91%.

Kết luận

Khóa luận của tác giả Lê Hữu Truyền đã thiết kế và hiện thực thành công hệ thống điểm danh đa xác thực kết hợp giữa tính toán biên trên Raspberry Pi 4 và máy chủ đám mây Node.js. Bằng việc kết hợp công nghệ thẻ RFID RC522 với các mô hình thị giác máy tính tối ưu (RetinaFace, MobileFaceNet, MiniFASNet), hệ thống đảm bảo thời gian xử lý nhanh (~90 ms/khung hình), có khả năng chống giả mạo và đạt độ chính xác nhận diện thực tế xấp xỉ 91%. Công trình cung cấp một giải pháp kỹ thuật có tính ứng dụng cao cho bài toán quản lý điểm danh lớp học, đồng thời đóng góp tài liệu tham khảo chi tiết về việc triển khai các mô hình học sâu trên phần cứng nhúng giới hạn tài nguyên.