I. Giải pháp mở cửa tự động nhận diện khẩu trang là gì
Trong bối cảnh xã hội chuyển sang trạng thái “bình thường mới”, việc áp dụng công nghệ để đảm bảo an toàn sức khỏe cộng đồng trở nên cấp thiết. Hệ thống mở cửa tự động nhận diện khẩu trang và nhiệt độ là một giải pháp công nghệ tiên tiến, ra đời nhằm đáp ứng nhu cầu này. Hệ thống tích hợp trí tuệ nhân tạo (AI) và thị giác máy tính để tự động hóa quy trình kiểm soát ra vào, giảm thiểu tiếp xúc trực tiếp và ngăn chặn nguy cơ lây nhiễm. Thay vì cần nhân sự kiểm tra thủ công, hệ thống sử dụng camera để ghi nhận hình ảnh, sau đó dùng thuật toán để xác định một người có đeo khẩu trang đúng quy cách hay không. Đồng thời, một cảm biến nhiệt độ không tiếp xúc sẽ đo thân nhiệt của người đó. Cửa sẽ chỉ tự động mở khi cả hai điều kiện được thỏa mãn: đeo khẩu trang và thân nhiệt trong ngưỡng an toàn. Nghiên cứu của Nguyễn Anh Huy tại Đại học Sư phạm Kỹ thuật TP.HCM đã thiết kế và thi công thành công một mô hình thử nghiệm cho giải pháp này. Mô hình này không chỉ chứng minh tính khả thi của công nghệ mà còn mở ra hướng ứng dụng rộng rãi tại các địa điểm công cộng như trường học, văn phòng, bệnh viện, và trung tâm thương mại, góp phần xây dựng một môi trường an toàn và thông minh.
1.1. Bối cảnh ra đời trong giai đoạn phòng chống dịch bệnh
Sự bùng phát của đại dịch Covid-19 đã đặt ra những yêu cầu nghiêm ngặt về phòng chống lây nhiễm. Một trong những biện pháp quan trọng nhất là đeo khẩu trang và kiểm tra thân nhiệt tại nơi công cộng. Tuy nhiên, việc thực hiện thủ công các biện pháp này tồn tại nhiều hạn chế, đòi hỏi nguồn nhân lực lớn và tiềm ẩn nguy cơ lây nhiễm chéo cho nhân viên an ninh. Từ thực tế này, nhu cầu về một hệ thống kiểm soát ra vào tự động trở nên cấp thiết. Đề tài “Thiết kế hệ thống mở cửa tự động thông qua nhận diện có đeo khẩu trang và nhiệt độ cơ thể thấp” được hình thành để giải quyết bài toán này, tận dụng sức mạnh của xử lý ảnh và máy học để tạo ra một quy trình sàng lọc hiệu quả, không tiếp xúc và hoạt động liên tục 24/7.
1.2. Mục tiêu chính của hệ thống kiểm soát ra vào thông minh
Mục tiêu cốt lõi của hệ thống là xây dựng một cơ chế kiểm soát an ninh y tế hoàn toàn tự động. Hệ thống hướng đến việc nhận diện chính xác người có đeo khẩu trang và không đeo khẩu trang trong thời gian thực. Song song đó, hệ thống tích hợp khả năng đo thân nhiệt từ xa một cách nhanh chóng. Dữ liệu từ hai quá trình này được kết hợp để đưa ra quyết định cuối cùng: cho phép hoặc từ chối quyền truy cập. Cụ thể, hệ thống phải đảm bảo tốc độ xử lý nhanh để không gây ùn tắc tại lối ra vào, đồng thời có độ chính xác cao để tránh bỏ sót các trường hợp không tuân thủ quy định. Theo tài liệu nghiên cứu, mục tiêu là ứng dụng mô hình AI trên các thiết bị nhúng nhỏ gọn như Raspberry Pi 4 để tối ưu chi phí và năng lượng tiêu thụ.
II. Thách thức kiểm soát ra vào thủ công và rủi ro lây nhiễm
Trước khi có các giải pháp tự động, việc kiểm soát an ninh y tế tại các lối vào phụ thuộc hoàn toàn vào con người. Phương pháp này bộc lộ nhiều nhược điểm cố hữu, đặc biệt khi áp dụng tại những nơi có lưu lượng người qua lại lớn. Nhân viên an ninh phải thực hiện đồng thời nhiều tác vụ: nhắc nhở đeo khẩu trang, dùng nhiệt kế cầm tay để đo nhiệt độ, và quan sát hành vi của đám đông. Quá trình này không chỉ chậm chạp, dễ gây ùn ứ mà còn có độ chính xác phụ thuộc vào sự tập trung và ý thức của người thực hiện. Hơn nữa, việc tiếp xúc gần ở khoảng cách dưới 1 mét để đo nhiệt độ làm tăng đáng kể nguy cơ lây nhiễm cho chính nhân viên an ninh, biến họ thành mắt xích tiềm tàng trong chuỗi lây lan dịch bệnh. Các nghiên cứu liên quan được trích dẫn trong đề tài cho thấy, việc tự động hóa là hướng đi tất yếu để giải quyết triệt để những thách thức này. Một hệ thống mở cửa tự động nhận diện khẩu trang sẽ loại bỏ hoàn toàn yếu tố con người khỏi quy trình sàng lọc ban đầu, đảm bảo tính khách quan, đồng nhất và an toàn tuyệt đối.
2.1. Hạn chế của phương pháp đo nhiệt độ và kiểm tra thủ công
Phương pháp kiểm tra thủ công tồn tại nhiều hạn chế rõ rệt. Thứ nhất, nó không đảm bảo tính nhất quán. Việc kiểm tra có thể bị lơ là vào những giờ cao điểm hoặc khi nhân viên mệt mỏi. Thứ hai, độ chính xác của nhiệt kế cầm tay có thể bị ảnh hưởng bởi môi trường bên ngoài và khoảng cách đo. Thứ ba, quy trình này tạo ra tâm lý không thoải mái cho cả người kiểm tra và người được kiểm tra. Cuối cùng, và quan trọng nhất, nó không thể loại bỏ nguy cơ lây nhiễm do tiếp xúc gần. Các hệ thống cũ chỉ dựa vào cảm biến chuyển động để mở cửa, không có khả năng sàng lọc y tế, do đó không còn phù hợp trong bối cảnh mới.
2.2. Nhu cầu cấp thiết về giải pháp tự động hóa an toàn
Từ những hạn chế trên, nhu cầu về một giải pháp tự động hóa an toàn và hiệu quả là vô cùng cấp thiết. Một hệ thống lý tưởng cần đáp ứng các tiêu chí: không tiếp xúc, tốc độ xử lý nhanh, độ chính xác cao và chi phí hợp lý. Việc phát triển một hệ thống mở cửa tự động tích hợp nhận diện khẩu trang và đo nhiệt độ giải quyết đồng thời tất cả các yêu cầu này. Nó không chỉ nâng cao hiệu quả phòng chống dịch mà còn thể hiện sự chuyên nghiệp, hiện đại của tổ chức. Đây là một bước tiến quan trọng, chuyển đổi từ mô hình kiểm soát bị động, phụ thuộc con người sang mô hình chủ động, dựa trên công nghệ.
III. Phương pháp nhận diện khẩu trang bằng AI với MobileNetV2
Để giải quyết bài toán nhận diện khuôn mặt đeo khẩu trang một cách hiệu quả trên các thiết bị tài nguyên hạn chế, nghiên cứu đã lựa chọn sử dụng mạng MobileNetV2. Đây là một kiến trúc mạng nơ-ron tích chập (CNN) được tối ưu hóa cho các ứng dụng di động và hệ thống nhúng. Ưu điểm vượt trội của MobileNetV2 là kích thước mô hình nhỏ, tốc độ tính toán nhanh và số lượng tham số ít, nhưng vẫn duy trì được độ chính xác cao. Theo báo cáo, kiến trúc này dựa trên các khối Inverted Residual với Linear Bottleneck, cho phép mạng học được các đặc trưng phức tạp mà không tốn nhiều tài nguyên tính toán. Quá trình huấn luyện mô hình được thực hiện với các thư viện máy học phổ biến như TensorFlow và Keras. Dữ liệu đầu vào bao gồm hàng nghìn hình ảnh khuôn mặt có và không có khẩu trang, được thu thập từ các bộ dữ liệu công khai như Kaggle và Real-World Face (RWFD). Dữ liệu này sau đó được tiền xử lý và tăng cường (data augmentation) để mô hình có khả năng nhận diện tốt trong nhiều điều kiện ánh sáng và góc độ khác nhau. Kết quả là một mô hình AI nhẹ, có thể triển khai trực tiếp trên Raspberry Pi 4 để thực hiện nhận diện khẩu trang theo thời gian thực.
3.1. Phân tích kiến trúc mạng MobileNetV2 và ưu điểm
MobileNetV2 là phiên bản cải tiến của MobileNetV1, được giới thiệu vào năm 2018. Điểm cốt lõi của nó là sử dụng các lớp tích chập có thể phân tách theo chiều sâu (Depthwise Separable Convolution). Cấu trúc này chia phép tích chập tiêu chuẩn thành hai phần: một phép tích chập theo chiều sâu và một phép tích chập theo điểm (1x1). Điều này giúp giảm đáng kể khối lượng tính toán và số lượng tham số so với mạng CNN truyền thống. Ngoài ra, việc giới thiệu các khối Inverted Residual giúp mạng trở nên sâu hơn mà không gặp phải vấn đề suy giảm độ dốc, từ đó cải thiện độ chính xác. Chính vì những ưu điểm này, MobileNetV2 là lựa chọn lý tưởng cho các bài toán thị giác máy tính trên thiết bị nhúng.
3.2. Quy trình huấn luyện mô hình trên tập dữ liệu thực tế
Quy trình huấn luyện mô hình được thực hiện một cách bài bản. Đầu tiên, dữ liệu ảnh được thu thập và gán nhãn thành hai loại: 'có khẩu trang' và 'không khẩu trang'. Tất cả hình ảnh được resize về cùng một kích thước (ví dụ: 224x224 pixels) để phù hợp với đầu vào của mạng. Tiếp theo, các kỹ thuật tăng cường dữ liệu như xoay ảnh, thu phóng, và lật ngang được áp dụng bằng ImageDataGenerator của Keras. Việc này giúp mô hình trở nên mạnh mẽ hơn và tránh hiện tượng học vẹt (overfitting). Mô hình MobileNetV2 sau đó được huấn luyện trên tập dữ liệu này qua nhiều epoch. Đồ thị giá trị loss và accuracy được theo dõi liên tục để đánh giá hiệu suất. Cuối cùng, mô hình đạt độ chính xác cao sẽ được lưu lại dưới dạng file H5 để sẵn sàng cho việc triển khai.
IV. Hướng dẫn thiết kế phần cứng cho hệ thống nhận diện
Phần cứng của hệ thống được thiết kế theo cấu trúc module, chia thành hai khối xử lý chính để tối ưu hóa hiệu năng và đảm bảo tính ổn định. Khối thứ nhất, cũng là bộ não của hệ thống, là một máy tính nhúng Raspberry Pi 4. Thiết bị này chịu trách nhiệm thực hiện các tác vụ nặng về tính toán, bao gồm nhận tín hiệu video từ camera, chạy mô hình AI MobileNetV2 để nhận diện khẩu trang, và sau đó gửi kết quả xử lý đến khối thứ hai. Việc lựa chọn Raspberry Pi 4 là hợp lý do nó có sức mạnh xử lý đủ lớn (CPU ARM Cortex-A72 4 nhân), tiết kiệm năng lượng và chi phí thấp. Khối thứ hai là một vi điều khiển STM32. Khối này đóng vai trò điều khiển các thiết bị ngoại vi. Nó nhận lệnh từ Raspberry Pi 4 qua giao thức UART, đồng thời đọc dữ liệu từ cảm biến nhiệt độ không tiếp xúc (MLX90614) và cảm biến hồng ngoại để phát hiện người. Dựa trên các tín hiệu đầu vào này, STM32 sẽ điều khiển servo để thực hiện hành động đóng hoặc mở cửa. Sự phân chia nhiệm vụ này giúp hệ thống hoạt động mượt mà, tránh tình trạng quá tải cho một bộ xử lý duy nhất.
4.1. Sơ đồ khối hệ thống Raspberry Pi 4 và vi điều khiển STM32
Sơ đồ khối của hệ thống được mô tả rõ ràng trong nghiên cứu. Raspberry Pi 4 là trung tâm xử lý hình ảnh, kết nối với một camera USB để thu nhận luồng video thời gian thực. Sau khi xử lý và đưa ra kết quả nhận diện (có/không khẩu trang), nó sẽ gửi một tín hiệu đơn giản qua module chuyển đổi USB-UART (FT232RL) tới STM32. Vi điều khiển STM32 nhận tín hiệu này, đồng thời đọc giá trị nhiệt độ từ cảm biến MLX90614 qua giao tiếp I2C. Ngoài ra, một cảm biến hồng ngoại được kết nối để xác nhận có người đang đứng trước cửa. Sự kết hợp giữa một máy tính nhúng mạnh mẽ và một vi điều khiển chuyên dụng tạo nên một cấu trúc hệ thống hiệu quả và đáng tin cậy.
4.2. Tích hợp cảm biến nhiệt độ và cơ cấu điều khiển cửa
Việc tích hợp các cảm biến là một phần quan trọng của hệ thống. Cảm biến nhiệt độ không tiếp xúc GY-MLX90614-DCI được sử dụng để đo thân nhiệt từ khoảng cách an toàn. Cảm biến này giao tiếp với STM32 qua chuẩn I2C, cho phép đọc dữ liệu nhiệt độ một cách chính xác. Cơ cấu đóng mở cửa được mô phỏng bằng một servo SG90. STM32 tạo ra tín hiệu điều chế độ rộng xung (PWM) để điều khiển góc quay của servo, tương ứng với trạng thái đóng hoặc mở cửa. Toàn bộ hệ thống được cấp nguồn riêng biệt cho hai khối: nguồn 5V-3A cho Raspberry Pi 4 và các thiết bị ngoại vi của nó, và một nguồn khác cho khối STM32 và servo để đảm bảo hoạt động ổn định.
V. Đánh giá hiệu quả hệ thống mở cửa tự động trong thực tế
Kết quả thực nghiệm từ mô hình nghiên cứu cho thấy hệ thống mở cửa tự động nhận diện khẩu trang và nhiệt độ hoạt động hiệu quả và đạt được các mục tiêu đề ra. Về phần mềm, mô hình AI MobileNetV2 sau khi huấn luyện đã đạt độ chính xác rất cao trong việc phân loại giữa khuôn mặt có và không đeo khẩu trang. Báo cáo đánh giá classification_report cho thấy các chỉ số precision, recall và f1-score đều ở mức tốt, chứng tỏ mô hình không chỉ có accuracy cao mà còn đáng tin cậy trong thực tế. Khi triển khai trên Raspberry Pi 4, hệ thống có khả năng nhận diện và xử lý trong thời gian thực, với độ trễ thấp. Về phần cứng, hệ thống hoạt động ổn định, các khối giao tiếp mượt mà với nhau. Quá trình truyền tham số từ Raspberry Pi 4 đến STM32 diễn ra chính xác, và vi điều khiển phản hồi bằng cách điều khiển servo đóng mở cửa đúng theo logic đã lập trình. Hệ thống có khả năng nhận diện tốt nhất ở khoảng cách gần (dưới 40cm) và trong điều kiện ánh sáng tốt. Đây là một minh chứng rõ ràng cho tính ứng dụng của đề tài.
5.1. Kết quả đánh giá mô hình nhận dạng khẩu trang
Đánh giá mô hình cho thấy độ chính xác cao trên tập dữ liệu thử nghiệm. Đồ thị huấn luyện biểu diễn giá trị loss giảm dần và accuracy tăng dần qua các epoch, cho thấy mô hình đã học tốt các đặc trưng cần thiết. Kết quả thực nghiệm trên Raspberry Pi 4 cũng rất khả quan. Hệ thống có thể phân biệt chính xác các trường hợp: đeo khẩu trang, không đeo khẩu trang. Khi phát hiện khuôn mặt, một khung bao (bounding box) màu xanh lá sẽ xuất hiện cho trường hợp hợp lệ và màu đỏ cho trường hợp vi phạm, giúp người dùng dễ dàng quan sát. Dù vẫn còn hạn chế về hiệu suất trong điều kiện thiếu sáng hoặc khoảng cách xa, nhưng kết quả này đã đủ để ứng dụng trong nhiều môi trường thực tế.
5.2. Phân tích hoạt động tổng thể của hệ thống phần cứng
Hoạt động tổng thể của hệ thống phần cứng được đánh giá là đồng bộ và hiệu quả. Khi một người tiếp cận, camera trên Raspberry Pi 4 ghi hình, mô hình AI xử lý và gửi tín hiệu. Gần như đồng thời, cảm biến nhiệt độ trên khối STM32 thực hiện đo. Dữ liệu được kết hợp và xử lý. Nếu cả hai điều kiện (có khẩu trang và nhiệt độ thấp) đều được đáp ứng, servo sẽ quay để mở cửa. Ngược lại, cửa vẫn đóng. Toàn bộ quy trình diễn ra tự động mà không cần bất kỳ sự can thiệp nào từ con người. Việc tính toán và liệt kê công suất tiêu thụ của từng thành phần trong báo cáo cũng cho thấy hệ thống được thiết kế với sự quan tâm đến hiệu quả năng lượng.
VI. Tương lai của hệ thống kiểm soát an ninh y tế tự động
Mô hình hệ thống mở cửa tự động nhận diện khẩu trang và nhiệt độ được phát triển trong đề tài nghiên cứu này đã đặt một nền tảng vững chắc cho các giải pháp kiểm soát an ninh y tế thông minh trong tương lai. Mặc dù mô hình hiện tại vẫn còn một số giới hạn như hiệu suất phụ thuộc vào điều kiện ánh sáng và khoảng cách, tiềm năng phát triển của nó là rất lớn. Hướng phát triển trong tương lai có thể tập trung vào việc cải thiện độ chính xác của mô hình AI bằng cách sử dụng các kiến trúc mạng mới hơn hoặc huấn luyện trên bộ dữ liệu lớn và đa dạng hơn. Việc tích hợp thêm các công nghệ khác như nhận dạng khuôn mặt (Face ID) để kết hợp kiểm soát an ninh và chấm công, hoặc thêm tính năng cảnh báo bằng giọng nói khi phát hiện vi phạm, sẽ làm tăng giá trị ứng dụng của hệ thống. Hơn nữa, việc tối ưu hóa phần mềm và phần cứng để giảm độ trễ xử lý và mở rộng phạm vi hoạt động sẽ giúp hệ thống trở nên mạnh mẽ và linh hoạt hơn, sẵn sàng triển khai rộng rãi không chỉ để phòng chống dịch bệnh mà còn trở thành một phần không thể thiếu trong các tòa nhà thông minh và thành phố thông minh.
6.1. Tổng kết ưu điểm và hạn chế của mô hình hiện tại
Ưu điểm lớn nhất của mô hình là tính tự động hóa hoàn toàn, chi phí thấp và khả năng triển khai linh hoạt trên các thiết bị nhúng như Raspberry Pi 4. Hệ thống đã giải quyết được bài toán cốt lõi là sàng lọc y tế không tiếp xúc. Tuy nhiên, hạn chế được ghi nhận trong báo cáo là độ trễ trong việc truyền tham số giữa hai khối xử lý và khả năng nhận diện chưa tối ưu trong điều kiện ánh sáng yếu hoặc khoảng cách xa. Đây là những điểm cần được cải thiện trong các phiên bản tiếp theo.
6.2. Hướng phát triển và tiềm năng ứng dụng mở rộng
Trong tương lai, hệ thống có thể được nâng cấp bằng cách sử dụng các dòng máy tính nhúng mạnh hơn như Jetson Nano để tăng tốc độ xử lý AI. Mô hình nhận diện khẩu trang có thể được cải tiến để nhận diện cả việc đeo khẩu trang sai quy cách (ví dụ: hở mũi). Ngoài ra, hệ thống có thể kết nối với cơ sở dữ liệu trung tâm để lưu trữ lịch sử ra vào, phục vụ cho việc truy vết khi cần thiết. Tiềm năng ứng dụng của nó không chỉ giới hạn ở cửa ra vào mà còn có thể tích hợp vào thang máy, các hệ thống bán vé tự động, hoặc các kiosk thông tin công cộng, góp phần xây dựng một hạ tầng xã hội an toàn và thông minh hơn.
