I. Tổng quan nghiên cứu phát hiện giới tính qua hình ảnh cho quản lý học sinh nội trú
Nghiên cứu phát hiện giới tính qua hình ảnh ứng dụng cho công tác quản lý học sinh nội trú của Trường Phổ thông Dân tộc Nội trú tỉnh Quảng Ninh là đề tài thuộc lĩnh vực khoa học máy tính. Luận văn thạc sĩ này do Vũ Văn Dương thực hiện dưới sự hướng dẫn của PGS.TS. Đỗ Năng Toàn tại Trường Đại học Công nghệ Thông tin và Truyền thông, Đại học Thái Nguyên năm 2020. Mục tiêu chính là xây dựng hệ thống tự động nhận dạng giới tính học sinh từ hình ảnh khuôn mặt. Hệ thống này phục vụ công tác quản lý học sinh nội trú hiệu quả hơn. Quản lý giáo dục đòi hỏi sự chính xác trong việc theo dõi thông tin học sinh. Đặc biệt tại trường phổ thông dân tộc nội trú, nơi có số lượng học sinh đông và đa dạng dân tộc. Việc áp dụng công nghệ nhận dạng giúp giảm tải công việc cho cán bộ quản lý. Đồng thời tăng cường an ninh, giám sát trong khu nội trú. Nghiên cứu kết hợp giữa lý thuyết quản lý giáo dục và kỹ thuật thị giác máy tính. Đây là hướng tiếp cận mới trong ứng dụng công nghệ thông tin vào giáo dục.
1.1. Bối cảnh và ý nghĩa của đề tài nghiên cứu
Trường Phổ thông Dân tộc Nội trú tỉnh Quảng Ninh có đặc thù quản lý học sinh nội trú với số lượng lớn. Công tác quản lý truyền thống gặp nhiều khó khăn trong việc xác định và kiểm soát học sinh. Việc phát hiện giới tính qua hình ảnh giúp tự động hóa quy trình quản lý. Công nghệ này hỗ trợ phân loại học sinh nam nữ trong các hoạt động nội trú. Hệ thống giảm thiểu sai sót do con người gây ra. Đồng thời nâng cao hiệu quả giám sát an ninh khu nội trú. Ý nghĩa khoa học của đề tài nằm ở việc áp dụng trí tuệ nhân tạo vào giáo dục. Đây là cầu nối giữa công nghệ tiên tiến và thực tiễn quản lý trường học.
1.2. Mục tiêu và phạm vi nghiên cứu của luận văn
Mục tiêu chính của luận văn là xây dựng mô hình phát hiện giới tính từ hình ảnh khuôn mặt học sinh. Mô hình cần đạt độ chính xác cao trên dữ liệu thực tế tại trường. Phạm vi nghiên cứu tập trung vào học sinh nội trú của Trường Phổ thông DTNT tỉnh Quảng Ninh. Nghiên cứu sử dụng các kỹ thuật nhận dạng khuôn mặt và phân loại ảnh. Các phương pháp được áp dụng bao gồm mạng nơ-ron tích chập CNN và các thuật toán học sâu. Kết quả nghiên cứu được đánh giá qua các chỉ số đo lường chính xác. Ứng dụng thực tế hướng tới tích hợp vào hệ thống quản lý nhà trường.
II. Phân tích bài toán nhận dạng khuôn mặt và phát hiện giới tính học sinh
Bài toán nhận dạng khuôn mặt là nền tảng quan trọng trong hệ thống phát hiện giới tính. Hệ thống nhận dạng mặt người hoạt động qua nhiều giai đoạn chính. Đầu tiên là phát hiện vị trí khuôn mặt trong ảnh. Tiếp theo là trích xuất đặc trưng từ khuôn mặt đã được cắt. Cuối cùng là phân loại dựa trên các đặc trưng thu được. Có hai phương pháp tiếp cận chính cho bài toán nhận dạng. Phương pháp dựa trên đặc trưng các phần tử trên khuôn mặt sử dụng đặc điểm cụ thể như mắt, mũi, miệng. Phương pháp xét tổng thể toàn khuôn mặt xem xét toàn bộ hình dạng và cấu trúc. Hướng tiếp cận toàn cục sử dụng đặc điểm chung như hình dạng và màu sắc. Hướng tiếp cận cục bộ tập trung vào các chi tiết nhỏ trên khuôn mặt. Các hệ thống được chia thành xác định danh tính dạng 1-N và xác thực dạng 1-1. Bài toán phát hiện giới tính thuộc loại phân loại nhị phân. Độ chính xác phụ thuộc vào chất lượng ảnh và thuật toán sử dụng.
2.1. Các phương pháp nhận dạng khuôn mặt truyền thống
Phương pháp nhận dạng khuôn mặt truyền thống dựa trên việc trích xuất đặc trưng thủ công. Các đặc trưng Haar-like được sử dụng phổ biến để phát hiện khuôn mặt. Thuật toán LBP trích xuất đặc trưng dựa trên sự khác biệt giữa các pixel lân cận. Phương pháp PCA giảm chiều dữ liệu để tìm không gian biểu diễn khuôn mặt hiệu quả. Phương pháp Fisher sử dụng phân tích tuyến tính để phân biệt các lớp khác nhau. Các phương pháp này có ưu điểm là tính toán nhanh và đơn giản. Tuy nhiên hạn chế lớn là độ chính xác giảm khi ảnh có điều kiện ánh sáng kém. Biến đổi trên khuôn mặt do biểu cảm cũng ảnh hưởng đến kết quả nhận dạng.
2.2. Bài toán phát hiện giới tính từ hình ảnh khuôn mặt
Phát hiện giới tính từ hình ảnh khuôn mặt là bài toán phân loại nhị phân. Hệ thống cần phân biệt giữa hai lớp nam và nữ dựa trên đặc trưng khuôn mặt. Đặc trưng khuôn mặt nam thường có xương hàm vuông, lông mày rậm hơn. Đặc trưng khuôn mặt nữ thường có đường nét mềm mại và thon gọn hơn. Bài toán này thách thức vì sự khác biệt giới tính không phải lúc nào cũng rõ ràng. Các yếu tố như góc chụp, ánh sáng và phụ kiện ảnh hưởng đến kết quả. Dữ liệu huấn luyện cần cân bằng giữa hai giới để tránh thiên lệch. Mô hình học sâu CNN thể hiện hiệu quả vượt trội trong bài toán này.
III. Giải pháp ứng dụng mạng nơ ron tích chập CNN trong phát hiện giới tính
Mạng nơ-ron tích chập CNN là giải pháp hiệu quả cho bài toán phát hiện giới tính từ hình ảnh. Cấu trúc CNN bao gồm nhiều lớp xử lý tuần tự. Lớp tích chập thực hiện phát hiện đặc trưng từ ảnh đầu vào. Bộ lọc tích chập quét qua ảnh để tìm các mẫu đặc trưng cơ bản. Padding được sử dụng để giữ thông tin ở biên ảnh không bị mất mát. Lớp activation ReLU giới thiệu tính phi tuyến cho mô hình học. Lớp pooling giảm kích thước feature map giúp mô hình học đặc trưng trừu tượng hơn. Max pooling lấy giá trị lớn nhất trong vùng xét. Average pooling lấy giá trị trung bình trong vùng xét. Lớp fully connected kết nối tất cả neurons để đưa ra quyết định phân loại. Tensor 3D được chuyển thành tensor 1D qua bước flattening. Mô hình CNN được huấn luyện trên tập dữ liệu khuôn mặt học sinh nội trú. Quá trình huấn luyện tối ưu hóa hàm mất mát để giảm sai số phân loại. Kết quả đạt được cho thấy CNN vượt trội hơn các phương pháp truyền thống.
3.1. Cấu trúc và nguyên lý hoạt động của mạng CNN
Mạng CNN hoạt động dựa trên nguyên lý học đặc trưng tự động từ dữ liệu. Cấu trúc CNN bao gồm lớp tích chập, lớp pooling và lớp fully connected. Lớp tích chập sử dụng các bộ lọc có kích thước nhỏ quét qua ảnh đầu vào. Mỗi bộ lọc phát hiện một loại đặc trưng cụ thể như cạnh hoặc góc. Feature detector trong convolution đóng vai trò như máy phát hiện đặc trưng. Kích thước đầu ra giảm dần qua các lớp nên cần padding để bảo toàn thông tin. Hàm activation ReLU giúp loại bỏ giá trị âm và tăng tính phi tuyến. Lớp pooling giúp giảm chiều dữ liệu đồng thời giữ lại đặc trưng quan trọng.
3.2. Quy trình xây dựng và đánh giá mô hình phát hiện giới tính
Quy trình xây dựng mô hình bắt đầu bằng việc thu thập dữ liệu khuôn mặt học sinh. Dữ liệu được tiền xử lý bao gồm cắt ảnh, chuẩn hóa kích thước và cân bằng sáng. Tập dữ liệu được chia thành ba phần: huấn luyện, kiểm tra và đánh giá. Mô hình CNN được thiết kế với số lớp và tham số phù hợp. Quá trình huấn luyện sử dụng thuật toán lan truyền ngược để cập nhật trọng số. Hàm mất mát cross-entropy được sử dụng cho bài toán phân loại nhị phân. Đánh giá mô hình qua các chỉ số accuracy, precision, recall và F1-score. Kết quả thực nghiệm trên dữ liệu trường DTNT Quảng Ninh đạt độ chính xác khả quan.
IV. Kết luận và triển vọng ứng dụng hệ thống quản lý học sinh nội trú
Luận văn đã hoàn thành mục tiêu nghiên cứu phát hiện giới tính qua hình ảnh cho công tác quản lý. Hệ thống được xây dựng dựa trên mạng nơ-ron tích chập CNN cho kết quả chính xác. Mô hình hoạt động hiệu quả trên dữ liệu hình ảnh khuôn mặt học sinh nội trú. Ứng dụng thực tế giúp tự động hóa quy trình quản lý tại trường Phổ thông DTNT Quảng Ninh. Hệ thống giảm thiểu thời gian và nhân lực cho công tác kiểm soát học sinh. Công nghệ này hỗ trợ phân loại học sinh nam nữ trong các hoạt động nội trú hàng ngày. Kết quả nghiên cứu mở ra hướng phát triển mới cho ứng dụng AI trong giáo dục. Triển vọng tương lai bao gồm mở rộng nhận dạng thêm các thuộc tính khác như tuổi tác và cảm xúc. Hệ thống có thể tích hợp với camera giám sát để theo dõi thời gian thực. Đây là bước tiến quan trọng trong hiện đại hóa công tác quản lý giáo dục nội trú.
4.1. Đánh giá kết quả đạt được và hạn chế của nghiên cứu
Kết quả nghiên cứu cho thấy mô hình CNN đạt độ chính xác cao trong phát hiện giới tính. Hệ thống hoạt động ổn định trên dữ liệu thu thập từ thực tế tại trường. Ưu điểm nổi bật là tính tự động và tốc độ xử lý nhanh. Tuy nhiên nghiên cứu còn một số hạn chế cần khắc phục. Dữ liệu huấn luyện chưa đủ đa dạng về điều kiện ánh sáng và góc chụp. Hệ thống chưa xử lý được trường hợp học sinh đeo khẩu trang hoặc kính đen. Độ chính xác giảm khi ảnh chất lượng thấp hoặc bị che khuất một phần. Nghiên cứu cần thêm thời gian để hoàn thiện và mở rộng quy mô áp dụng.
4.2. Triển vọng phát triển và ứng dụng thực tiễn
Triển vọng phát triển hệ thống rất rộng mở trong tương lai. Mô hình có thể được nâng cấp để nhận dạng thêm nhiều thuộc tính khác nhau. Tích hợp nhận dạng cảm xúc giúp theo dõi tâm lý học sinh nội trú. Ứng dụng nhận dạng tuổi tác hỗ trợ phân loại học sinh theo khối lớp. Hệ thống có thể kết hợp với camera an ninh để giám sát thời gian thực. Dữ liệu thu thập được phân tích để đưa ra báo cáo quản lý tự động. Mô hình có thể áp dụng mở rộng cho các trường nội trú khác trên cả nước. Đây là hướng đi tiềm năng trong chuyển đổi số ngành giáo dục Việt Nam.
