Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số giáo dục, việc đảm bảo tính công bằng, minh bạch và tự động hóa công tác khảo thí là yêu cầu cấp thiết. Theo các khảo sát giáo dục đại học, công tác coi thi truyền thống tiêu tốn từ 25% đến 35% tổng nguồn lực nhân sự của mỗi kỳ thi, đồng thời đối mặt với nhiều lỗ hổng như gian lận thẻ thi, thi hộ, trao đổi bài và góc nhìn bị che khuất của giám thị. Đồ án "Hệ thống phòng thi thông minh" (Smart Exam Room System) được nghiên cứu và phát triển bởi nhóm sinh viên Khoa Kỹ thuật Máy tính – Trường Đại học Công nghệ Thông tin (ĐHQG-HCM) nhằm giải quyết triệt để các bài toán này thông qua sự kết hợp toàn diện giữa phần cứng nhúng IoT và trí tuệ nhân tạo (AI/Computer Vision).

+-------------------------------------------------------------------------+
|                       SMART EXAM ROOM SYSTEM ARCHITECTURE               |
+-------------------------------------------------------------------------+
|  [Hardware Node]        [Central Server & DB]         [Client Terminal] |
|  - ESP32 MCU            - MQTT Broker (Mosquitto)     - Webcam Stream   |
|  - RFID RC522 (13.56M)  - MySQL Database Engine       - dlib + FaceNet  |
|  - LCD 1602 Display     - Admin PyQt6 Desktop App     - MediaPipe+LSTM  |
+-------------------------------------------------------------------------+

Vấn đề thực tế và mục tiêu dự án

Các phương pháp giám sát truyền thống bộc lộ rõ các điểm nghẽn (pain points):

  • Giám thị khó bao quát 100% không gian phòng thi trong suốt thời gian làm bài (trung bình 60–120 phút).
  • Quy trình kiểm tra thẻ sinh viên, đối chiếu gương mặt thủ công dễ phát sinh sai sót và gây nghẽn tại cửa phòng thi.
  • Thiếu cơ chế lưu vết hình ảnh vi phạm thời gian thực có tính pháp lý để xử lý kỷ luật.

Mục tiêu kỹ thuật cụ thể của đồ án:

  1. Tự động hóa thủ tục check-in: Ứng dụng công nghệ RFID tần số cao (13.56 MHz) và vi điều khiển ESP32 để định danh thí sinh, hiển thị chính xác 100% thông tin số báo danh, phòng thi và vị trí chỗ ngồi lên màn hình LCD 1602 với độ trễ phản hồi dưới 2 giây.
  2. Xác thực sinh trắc học liên tục tại máy thi: Triển khai mô hình trích xuất đặc trưng FaceNet kết hợp dlib 68 facial landmarks, tự động mở khóa phiên thi khi nhận diện đúng thí sinh và khóa máy (log-out) khi phát hiện người lạ với độ chính xác đạt trên 90%.
  3. Phát hiện hành vi gian lận theo chuỗi thời gian: Sử dụng Google MediaPipe Pose Landmark Detection kết hợp mạng hồi quy Long Short-Term Memory (LSTM) 4 lớp để phân loại tối thiểu 03 hành vi bất thường (quay trái, quay phải, cúi người) với độ chính xác trên 90%, tự động chụp snapshot gửi về cơ sở dữ liệu.
  4. Hệ thống quản trị tập trung: Xây dựng ứng dụng Desktop trực quan bằng PyQt6, tích hợp cơ sở dữ liệu MySQL giúp quản lý danh sách sinh viên, tự động phân phòng thi và đồng bộ dữ liệu kỳ thi đa luồng.

Phạm vi và giới hạn nghiên cứu

  • Phần cứng: 01 module điểm danh cửa phòng thi (ESP32 + RC522 + LCD1602) và 02 máy trạm thi sinh (Client PC tích hợp Webcam HD).
  • Không gian giám sát: Mỗi camera client giám sát trực diện một thí sinh tại bàn thi riêng biệt.
  • Hành vi nhận diện: Tập trung vào các cử động phần thân trên và đầu trong phạm vi góc quay $\pm 90^\circ$ và góc cúi $\ge 30^\circ$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và khoảng trống công nghệ

Các nghiên cứu trước đây thường tiếp cận đơn lẻ từng khía cạnh của bài toán phòng thi. Bảng dưới đây so sánh các giải pháp tiêu biểu với hệ thống phòng thi thông minh đề xuất:

Tiêu chí Mô hình ISHD (MobileNet-SSD) Hệ thống điểm danh FIT (FaceNet + SVM) Giám sát tư thế (ĐH Công nghiệp HN) Hệ thống phòng thi thông minh (Đề xuất)
Phạm vi chức năng Phát hiện thí sinh đứng dậy trong phòng Điểm danh tự động qua ảnh nhóm/webcam Nhận diện cử chỉ bất thường qua khung xương Tích hợp: Điểm danh RFID + Định danh FaceNet + Cảnh báo gian lận LSTM + GUI quản lý
Độ trễ xử lý Trung bình (~150ms/frame) Cao khi xử lý ảnh nhóm đông Khá tốt (~60ms/frame) Thời gian thực (<35ms/frame trên máy client)
Khả năng nhận diện chuỗi Đơn khung hình (Single-frame) Đơn khung hình tĩnh Nhận diện cử chỉ rời rạc Chuỗi thời gian 10 timesteps qua mạng LSTM
Xử lý phòng thi đông người Dễ nhầm lẫn khi nền phức tạp Bị che khuất khi góc chụp nghiêng Nhiễu khi nhiều thí sinh cùng cử động Phân tán tại từng máy client (Decentralized Edge Processing)
Hạ tầng hỗ trợ Camera giám sát trần Server trung tâm Camera toàn cảnh Node nhúng IoT + Client PC + MySQL Server

Yêu cầu người dùng theo mô hình MoSCoW:

  • Must have: Điểm danh thẻ RFID hiển thị vị trí ghế; Nhận diện khuôn mặt mở/khóa máy thi; Nhận diện quay trái/phải/cúi người; Giao diện quản lý kỳ thi PyQt6.
  • Should have: Chụp và upload ảnh vi phạm lên máy chủ MySQL qua giao thức bất đồng bộ; Tự động xếp chỗ ngẫu nhiên.
  • Could have: Tối ưu hóa chu kỳ trích xuất FaceNet khi số lượng khuôn mặt không đổi để tiết kiệm GPU/CPU.
  • Won't have (trong phạm vi khóa luận): Nhận diện thiết bị thu phát sóng gian lận tần số cao hoặc phân tích âm thanh phòng thi.

Thiết kế kiến trúc hệ thống

+---------------------------------------------------------------------------------+
|                               SYSTEM DATA FLOW                                  |
+---------------------------------------------------------------------------------+
|  [ESP32 + RC522] ---> (MQTT / TCP) ---> [Server Broker] ---> [MySQL Database]   |
|                                                |                                |
|  [Client PC: Webcam] -> [dlib Face Detect] -> [FaceNet 128D] -> Match?          |
|         |                                                       |               |
|         +--> [MediaPipe Pose] -> [10-Timestep Buffer] -> [LSTM] -> Cheating?    |
|                                                                 |               |
|  [Admin GUI: PyQt6] <-------------------------------------------+ (Snapshots)   |
+---------------------------------------------------------------------------------+

Technology Stack & Versioning

  • Firmware/Hardware: ESP32 Dual-Core Tensilica Xtensa 32-bit LX6, RFID RC522 (13.56 MHz, SPI Interface), LCD1602 Module (HD44780 controller, I2C/GPIO), Arduino Core for ESP32 v2.0.11.
  • Computer Vision & AI: Python 3.10, OpenCV 4.8.0, dlib v19.24 (68 Facial Landmark Predictor), FaceNet (Pre-trained InceptionV1 / ZFNet backbone), Google MediaPipe v0.10.9, Keras 2.13 / TensorFlow 2.13.
  • Application & Backend: PyQt6 v6.5.2, MySQL Connector Python v8.1.0, Eclipse Mosquitto MQTT Broker v2.0.18.
  • Protocols: MQTT QoS 1, TCP/IP, SPI, UART.

Database Schema Design

Cơ sở dữ liệu MySQL gồm 4 bảng quan hệ chuẩn hóa để đảm bảo toàn vẹn dữ liệu:

-- Schema cấu trúc các bảng cốt lõi
CREATE TABLE Rooms (
    code VARCHAR(10) PRIMARY KEY,
    numseat TINYINT NOT NULL
);

CREATE TABLE Exams (
    ClassCode VARCHAR(20),
    subject VARCHAR(50),
    date DATE,
    period INT,
    code VARCHAR(10),
    PRIMARY KEY (ClassCode, date, period),
    FOREIGN KEY (code) REFERENCES Rooms(code)
);

CREATE TABLE Students (
    UID VARCHAR(32) PRIMARY KEY,
    Name VARCHAR(100) NOT NULL,
    ClassCode VARCHAR(20)
);

CREATE TABLE ExamRooms (
    UID VARCHAR(32),
    Name VARCHAR(100),
    ClassCode VARCHAR(20),
    date DATE,
    period INT,
    code VARCHAR(10),
    seat INT,
    PRIMARY KEY (UID, ClassCode, date, period),
    FOREIGN KEY (UID) REFERENCES Students(UID),
    FOREIGN KEY (code) REFERENCES Rooms(code)
);

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển linh hoạt (Agile-like Iteration) kết hợp Waterfall cho phần cứng nhúng:

  • Giai đoạn 1 (Tuần 1–3): Thiết kế mạch phần cứng nguyên lý (Schematic), Layout mạch in (PCB) cho khối ESP32 + RC522 + LCD1602; kiểm thử truyền nhận dữ liệu qua UART/MQTT.
  • Giai đoạn 2 (Tuần 4–7): Xây dựng pipeline nhận diện khuôn mặt với dlib và FaceNet; tối ưu hóa vector 128 chiều và ngưỡng khoảng cách Euclidean.
  • Giai đoạn 3 (Tuần 8–11): Thu thập dữ liệu cử chỉ, trích xuất tọa độ MediaPipe Pose, huấn luyện mạng LSTM 4 lớp; xử lý bài toán chuỗi thời gian (Sequential Data).
  • Giai đoạn 4 (Tuần 12–14): Tích hợp giao diện quản lý PyQt6, kiểm thử tích hợp toàn hệ thống (End-to-End Testing) và đánh giá độ chính xác thực nghiệm.

Implementation và kết quả

Development Process & Key Algorithms

1. Pipeline Nhận diện sinh trắc học FaceNet & Euclidean Distance

Khuôn mặt được phát hiện bằng dlib, căn chỉnh (face alignment) dựa trên 68 điểm landmark sao cho hai mắt nằm ngang. Ảnh sau khi chuẩn hóa được đưa vào mạng nơ-ron sâu FaceNet để tạo vector nhúng $f(x) \in \mathbb{R}^{128}$.

Hàm mất mát Triplet Loss đảm bảo khoảng cách giữa ảnh mốc ($A$) và ảnh cùng người ($P$) nhỏ hơn khoảng cách tới ảnh người khác ($N$) một khoảng $\alpha$: $$\mathcal{L}(A, P, N) = \max\left(|f(A) - f(P)|_2^2 - |f(A) - f(N)|_2^2 + \alpha, 0\right)$$

Khoảng cách Euclidean $d(p, q)$ giữa 2 vector đặc trưng $p$ và $q$ quyết định độ tương đồng: $$d(p, q) = \sqrt{\sum_{i=1}^{128} (p_i - q_i)^2}$$ Nếu $d(p, q) < \tau$ (ngưỡng thực nghiệm $\tau = 0.6$), hệ thống xác nhận chính xác thí sinh và cấp quyền truy cập kỳ thi.

2. Pipeline Phát hiện gian lận bằng MediaPipe + LSTM

Dữ liệu hành vi được biểu diễn qua chuỗi tọa độ khớp xương phần trên trích xuất bởi MediaPipe. Để bắt được tính phụ thuộc theo thời gian (temporal dependencies), hệ thống gom cụm $N = 10$ timesteps liên tiếp thành một mẫu đầu vào $X \in \mathbb{R}^{10 \times D}$.

# Kiến trúc mô hình LSTM phát hiện hành vi gian lận (Keras/TensorFlow)
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dropout, Dense

def build_cheating_detection_lstm(input_shape=(10, 66)):
    model = Sequential([
        # Layer 1: LSTM trích xuất đặc trưng chuỗi cơ bản
        LSTM(units=50, return_sequences=True, input_shape=input_shape),
        Dropout(0.2),
        
        # Layer 2: LSTM học các biểu diễn phụ thuộc thời gian bậc cao
        LSTM(units=50, return_sequences=True),
        Dropout(0.2),
        
        # Layer 3: LSTM duy trì chuỗi ngữ cảnh
        LSTM(units=50, return_sequences=True),
        Dropout(0.2),
        
        # Layer 4: LSTM tổng hợp vector trạng thái cuối cùng
        LSTM(units=50, return_sequences=False),
        Dropout(0.2),
        
        # Layer 5: Fully Connected phân loại nhị phân (Gian lận / Bình thường)
        Dense(units=1, activation='sigmoid')
    ])
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

+-------------------------------------------------------------------------+
|                  LSTM CHEATING DETECTION MODEL TOPOLOGY                 |
+-------------------------------------------------------------------------+
|  Input (10 Timesteps x Pose Vector)                                     |
|    |                                                                    |
|    v                                                                    |
|  [LSTM Layer 1: 50 units, return_sequences=True]  --> [Dropout (0.2)]   |
|    |                                                                    |
|    v                                                                    |
|  [LSTM Layer 2: 50 units, return_sequences=True]  --> [Dropout (0.2)]   |
|    |                                                                    |
|    v                                                                    |
|  [LSTM Layer 3: 50 units, return_sequences=True]  --> [Dropout (0.2)]   |
|    |                                                                    |
|    v                                                                    |
|  [LSTM Layer 4: 50 units, return_sequences=False] --> [Dropout (0.2)]   |
|    |                                                                    |
|    v                                                                    |
|  [Dense Layer: 1 unit, Activation='sigmoid']                            |
|    |                                                                    |
|    v                                                                    |
|  Output: P(Cheating) in [0.0, 1.0]                                      |
+-------------------------------------------------------------------------+

Testing và Validation

1. Đánh giá mô hình FaceNet

  • Dữ liệu huấn luyện/kiểm thử: 2.000 ảnh khuôn mặt từ 10 đối tượng (200 ảnh/người), chia theo tỷ lệ 60% Training (1.200 ảnh), 20% Validation (400 ảnh), 20% Test (400 ảnh).
  • Kết quả thực nghiệm: Độ chính xác trung bình trên tập kiểm tra đạt 94.00%. Một số đối tượng đạt độ chính xác cá nhân lên đến 96.44%.

2. Đánh giá mô hình hành vi LSTM

  • Dataset: 4.000 mẫu chuỗi từ Mendeley Cheating Dataset (2.000 mẫu bình thường, 2.000 mẫu gian lận: quay trái, quay phải, cúi đầu).
  • Kết quả huấn luyện:
    • Validation Accuracy: 99.25%
    • Test Accuracy: 99.12%
    • Inference Latency: $\approx 18\text{ ms}$ trên vi xử lý Intel Core i5 thế hệ 11, hoàn toàn đáp ứng xử lý thời gian thực ở 30 FPS.

3. Bảng tổng hợp kết quả đạt được so với mục tiêu đề ra

Hạng mục / Chỉ số Mục tiêu thiết kế ban đầu Kết quả thực nghiệm đạt được Trạng thái
Độ chính xác đọc thẻ RFID $100%$ ID hợp lệ $100%$ ($40/40$ lần thử) Hoàn thành
Độ trễ phản hồi tại cửa $< 5.0\text{ s}$ $\approx 1.2\text{ s}$ (Quét thẻ + Hiển thị LCD) Vượt chỉ tiêu
Nhận diện khuôn mặt FaceNet $\ge 90.0%$ $94.00%$ trên Test Set Vượt chỉ tiêu
Phát hiện hành vi gian lận LSTM $\ge 90.0%$ (3 cử chỉ) $99.12%$ trên Test Set Vượt chỉ tiêu
Tự động khóa máy khi sai người $\ge 90.0%$ $100%$ (Khóa ngay khi lệch ID/gương mặt) Hoàn thành
Xử lý đồng bộ cơ sở dữ liệu $100%$ tính toàn vẹn Hoạt động ổn định với cơ chế ràng buộc khóa ngoại Hoàn thành

Đổi mới và đóng góp kỹ thuật

  1. Cơ chế xác thực đa tầng khép kín (End-to-End Multi-Modal Authentication): Kết hợp xác thực vật lý qua thẻ RFID RC522 tại cửa với nhận diện sinh trắc học liên tục FaceNet tại chỗ ngồi, loại bỏ triệt để nguy cơ thi hộ và ngồi sai vị trí.
  2. Tối ưu hóa pipeline tính toán theo ngữ cảnh (Context-Aware Inference Optimization): Hệ thống không chạy nhận diện FaceNet liên tục ở mọi frame. Sau khi đã định danh đúng thí sinh tại máy, hệ thống chuyển sang chế độ theo dõi số lượng khuôn mặt. Nếu số lượng khuôn mặt duy trì đúng $1$, hệ thống chỉ kích hoạt pipeline MediaPipe + LSTM nhẹ hơn, giúp giảm tải $65%$ tài nguyên CPU/GPU của máy thi.
  3. Mô hình chuỗi thời gian 4 lớp LSTM chống báo động giả: Thay vì chỉ phát hiện góc nghiêng đầu tĩnh (dễ nhầm với việc suy nghĩ hay nhìn bài thi trên màn hình), việc phân tích ngữ cảnh cử động qua cửa sổ 10 timesteps giúp hệ thống phân biệt chính xác giữa cử động tự nhiên và hành vi quay có chủ đích để nhìn bài thí sinh khác.
  4. Mạch in tích hợp chuyên dụng: Thiết kế bo mạch nhúng PCB tối ưu giao tiếp SPI cho RFID và I2C cho LCD1602, giảm thiểu độ nhiễu tín hiệu và tinh gọn hệ thống triển khai tại phòng thi thực tế.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

  1. Trước giờ thi: Cán bộ quản trị dùng app PyQt6 import danh sách sinh viên và phòng thi từ file Excel (Rooms.xlsx $\to$ Exams.xlsx $\to$ Students.xlsx), hệ thống tự động gán chỗ ngồi ngẫu nhiên và đồng bộ lên MySQL Server.
  2. Khi thí sinh vào phòng: Thí sinh quét thẻ RFID tại cửa. Màn hình LCD 1602 lập tức hiển thị: UID: [Mã] - Ghe: [So_Ghe]. Thí sinh di chuyển đến đúng vị trí bàn thi được chỉ định.
  3. Trong phòng thi: Thí sinh ngồi trước máy thi. Camera nhận diện khuôn mặt; nếu khớp với thông tin thẻ đã đăng ký trong ExamRooms, máy tính mở khóa phần mềm thi.
  4. Giám sát thời gian thực: Trong suốt buổi thi, nếu thí sinh quay đầu sang trái/phải hoặc cúi người quá ngưỡng cho phép trong 10 timesteps, hệ thống kích hoạt cờ cảnh báo, lưu ảnh vi phạm có đóng dấu thời gian vào cơ sở dữ liệu và gửi thông báo về trung tâm giám thị.
+---------------------------------------------------------------------------------+
|                       REAL-WORLD DEPLOYMENT ARCHITECTURE                        |
+---------------------------------------------------------------------------------+
|   [Door Node: ESP32 + RC522] --(LAN/Wi-Fi)--> [Central Server: MySQL & MQTT]    |
|                                                          ^                      |
|                                                          |                      |
|   [Desk Node 1: Client PC + Cam] ------------------------+ (Cheating Snapshots) |
|   [Desk Node 2: Client PC + Cam] ------------------------+                      |
|   [Admin Workstation: PyQt6 Dashboard] ------------------+ (Realtime Monitoring)|
+---------------------------------------------------------------------------------+

Phân tích chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí phần cứng cho 01 phòng thi (40 thí sinh):
    • 01 Node điểm danh tại cửa (ESP32 + RC522 + LCD + Nguồn): $\approx 350.000\text{ VNĐ}$.
    • Hệ thống tận dụng máy tính và Webcam sẵn có tại các phòng thực hành tin học của trường đại học, không phát sinh chi phí mua sắm máy trạm chuyên dụng.
  • Hiệu quả kinh tế - vận hành:
    • Giảm $50%$ số lượng giám thị cần phân công cho mỗi ca thi (từ 2 giám thị/phòng xuống 1 giám thị điều hành chung).
    • Tiết kiệm $80%$ thời gian điểm danh và ổn định trật tự phòng thi (từ 15 phút xuống dưới 3 phút).
    • Điểm hòa vốn (Break-Even Point) đạt được chỉ sau $2$ kỳ thi lớn tại các trường đại học quy mô 10.000 sinh viên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ chính xác của dlib 68 landmarks và MediaPipe Pose suy giảm khi điều kiện ánh sáng phòng thi yếu ($< 150\text{ lux}$) hoặc khi thí sinh đeo khẩu trang y tế che kín nửa mặt.
  • Hệ thống hiện tại chỉ phân loại được 03 hành vi gian lận cơ bản của phần thân trên; chưa phát hiện được các hành vi tinh vi như sử dụng tai nghe siêu nhỏ hoặc tài liệu đặt dưới đùi ngoài tầm quét của camera.
  • Quy mô thử nghiệm thực tế dừng lại ở 02 máy client đồng thời.

Hướng phát triển tiếp theo

  • Nâng cấp mô hình thị giác: Tích hợp mô hình YOLOv8-Pose hoặc RTMPose để trích xuất đặc trưng tư thế nhanh hơn trên các thiết bị nhúng biên (Edge AI như NVIDIA Jetson Nano / Raspberry Pi 5).
  • Nhận diện khuôn mặt khi đeo khẩu trang: Ứng dụng mô hình ArcFace với cơ chế Attention tập trung vào vùng mắt và trán để nhận diện không cần tháo khẩu trang.
  • Giám sát đa phương thức (Multimodal Proctoring): Bổ sung module phân tích âm thanh môi trường để phát hiện tiếng thì thầm, trao đổi bài trong phòng thi.

Đối tượng hưởng lợi

  • Học sinh / Sinh viên: Trải nghiệm quy trình thi chuyên nghiệp, công bằng, giảm thiểu tình trạng chậm trễ check-in và được bảo vệ quyền lợi học tập trung thực.
  • Lập trình viên / Kỹ sư IoT & AI: Tham khảo kiến trúc hoàn chỉnh kết hợp giữa vi điều khiển ESP32, giao thức MQTT, mô hình sinh trắc học FaceNet và mạng nơ-ron hồi quy LSTM trong một ứng dụng thực tiễn end-to-end.
  • Nhà trường / Cơ sở đào tạo: Tiết kiệm hàng trăm triệu đồng ngân sách tổ chức thi cử hàng năm, nâng cao uy tín học thuật và số hóa toàn diện quy trình quản lý điểm danh, phòng thi.
  • Nhà nghiên cứu học thuật: Cung cấp baseline benchmark thực nghiệm đối với bài toán nhận diện hành vi chuỗi thời gian trong môi trường giám sát giáo dục.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống máy thi (Client) là gì?

Máy thi client yêu cầu tối thiểu CPU Intel Core i3 (thế hệ 8 trở lên) hoặc AMD Ryzen 3, RAM 4GB, Webcam chuẩn HD 720p và kết nối mạng nội bộ LAN/Wi-Fi với máy chủ. Không bắt buộc trang bị card đồ họa rời (GPU), do mô hình LSTM và MediaPipe đã được tối ưu hóa chạy tốt trên CPU.

2. Hệ thống xử lý thế nào khi đường truyền mạng từ máy thi đến Server bị ngắt quãng?

Client được thiết kế cơ chế đệm (local buffering). Khi mất kết nối MQTT/MySQL tạm thời, client tiếp tục giám sát cục bộ, khóa máy nếu sai người và lưu tạm các snapshot vi phạm vào bộ nhớ đệm. Ngay khi kết nối mạng phục hồi, dữ liệu vi phạm sẽ tự động đồng bộ về Server.

3. Làm thế nào để tích hợp hệ thống với các cổng đào tạo hiện có (như Moodle, Canvas, Edusoft)?

Cơ sở dữ liệu MySQL của hệ thống sử dụng các khóa định danh chuẩn hóa (UID, ClassCode, code). Quản trị viên có thể dễ dàng viết script REST API hoặc trigger để import/export danh sách thí sinh và kết quả giám sát sang các hệ thống quản trị học tập (LMS) tiêu chuẩn.

4. Chi phí bảo trì và bảo dưỡng phần cứng RFID/ESP32 định kỳ ra sao?

Phần cứng điểm danh cửa là các module thể rắn (solid-state), tiêu thụ điện năng cực thấp (< 2.5W qua nguồn 5V DC), không có bộ phận chuyển động cơ khí nên tuổi thọ vượt trội (> 5 năm) với chi phí bảo dưỡng gần như bằng không. Thẻ RFID thụ động có độ bền vĩnh cửu trong điều kiện sử dụng thông thường.

5. Dữ liệu hình ảnh sinh trắc học của thí sinh được bảo mật như thế nào?

Hệ thống không lưu trữ trực tiếp ảnh khuôn mặt gốc của sinh viên trong cơ sở dữ liệu xác thực mà chỉ lưu trữ vector nhúng toán học 128 chiều (128-dimensional embedding vector). Từ vector này không thể đảo ngược (reverse engineer) để tái tạo lại ảnh mặt gốc, đảm bảo chuẩn mực an toàn sinh trắc học.

Kết luận

Đề tài "Hệ thống phòng thi thông minh" của nhóm sinh viên Khoa Kỹ thuật Máy tính (ĐH Công nghệ Thông tin - ĐHQG-HCM) đã chứng minh tính khả thi và hiệu quả vượt trội trong việc tự động hóa toàn diện quy trình khảo thí. Bằng sự kết hợp chặt chẽ giữa phần cứng nhúng ESP32/RFID RC522, mạng nhận diện sinh trắc học FaceNet (94% accuracy) và mạng hồi quy LSTM 4 lớp phát hiện gian lận (99.12% accuracy), dự án không chỉ giải quyết triệt để bài toán công bằng trong thi cử mà còn mở ra hướng tiếp cận kinh tế, dễ dàng nhân rộng cho các trường đại học và trung tâm khảo thí hiện đại. Đây là nền tảng vững chắc để tiếp tục mở rộng sang các hệ thống giám sát đa phương thức và kiểm soát an ninh thông minh trong tương lai.