HCMUTE Thiết Kế Mô Hình Camera Đo Thân Nhiệt và Nhắc Nhở Đeo Khẩu Trang

Đề tài nghiên cứu tập trung vào thiết kế và thi công mô hình camera đo thân nhiệt và… 76 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2022.

• Tác giả: Thái Nguyễn Kỳ Duyên
• Người hướng dẫn: ThS. Ngô Bá Việt
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Y Sinh
• Đề tài: Mô Hình Camera Đo Thân Nhiệt và Nhắc Nhở Đeo Khẩu Trang Tại HCMUTE
• Loại tài liệu: Luan Van
• Năm xuất bản: 2022
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• 0.1. Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài
• 0.2. Lý do chọn đề tài
• 0.3. Mục tiêu đề tài
• 0.4. Phương pháp nghiên cứu
• 0.5. Đối tượng và phạm vi nghiên cứu
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. TỔNG QUAN VỀ NHIỆT ĐỘ CƠ THỂ CON NGƯỜI
• 1.2. CÁC PHƯƠNG PHÁP ĐO NHIỆT ĐỘ
• 1.2.1. Phương pháp đo nhiệt độ tiếp xúc
• 1.2.2. Phương pháp đo nhiệt độ không tiếp xúc
• 1.3. PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT
• 1.4. MÔ HÌNH CNN – CONVOLUTIONAL NEURAL NETWORK
• 1.4.1. Lớp tích chập
• 1.4.2. Hàm kích hoạt
• 1.4.3. Lớp tổng hợp
• 1.4.4. Lớp kết nối đầy đủ
• 1.5. THƯ VIỆN OPENCV
• 1.6. THƯ VIỆN TENSORFLOW
• 1.7. THƯ VIỆN KERAS
• 1.8. CHUẨN GIAO TIẾP I2C
• 1.9. NGÔN NGỮ LẬP TRÌNH PYTHON
• 1.10. GIỚI THIỆU PHẦN CỨNG
• 1.10.1. Vi điều khiển Raspberry Pi 4 Model B
• 1.10.2. Cảm biến ảnh nhiệt AMG8833
• 1.10.3. Loa phát di động
• 2. CHƯƠNG 2: PHƯƠNG PHÁP THỰC HIỆN
• 2.1. TÍNH TOÁN VÀ THIẾT KẾ MÔ HÌNH
• 2.1.1. Thiết kế sơ đồ khối mô hình. Tính toán và thiết kế mạch
• 2.1.2. Sơ đồ nguyên lý của toàn mạch
• 2.1.3. Thiết kế vỏ hộp mô hình
• 2.2. THIẾT KẾ MÔ HÌNH MẠNG CNN
• 2.3. PHƯƠNG PHÁP ĐO NHIỆT ĐỘ
• 2.4. PHƯƠNG PHÁP ĐÁNH GIÁ MÔ HÌNH HUẤN LUYỆN DỮ LIỆU
• 2.5. LẬP TRÌNH HỆ THỐNG
• 2.5.1. Quy trình thu thập dữ liệu tập mẫu huấn luyện mô hình
• 2.5.2. Lưu đồ quy trình huấn luyện tập dữ liệu
• 2.5.3. Lưu đồ chương trình chính
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. KẾT QUẢ THI CÔNG MÔ HÌNH
• 3.1.1. Danh sách linh kiện
• 3.1.2. Lắp ráp và kiểm tra
• 3.1.3. Kết quả mô hình hoàn thiện
• 3.2. KẾT QUẢ NHẬN DẠNG NGƯỜI KHÔNG ĐEO KHẨU TRANG
• 3.2.1. Tập dữ liệu huấn luyện
• 3.2.2. Kết quả của quá trình huấn luyện tập dữ liệu. Kết quả nhận dạng người không đeo khẩu trang
• 3.3. KẾT QUẢ PHẦN ĐO NHIỆT ĐỘ
• 3.4. ĐÁNH GIÁ THỜI GIAN ĐÁP ỨNG CỦA MÔ HÌNH
• PHỤ LỤC
• appendix.1. BỔ SUNG CHƯƠNG TRÌNH CHO RASPBERRY
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Mô hình Camera Đo Thân Nhiệt và Nhắc Nhở Đeo Khẩu Trang tại HCMUTE Tổng quan hệ thống

Đề tài nghiên cứu tập trung vào thiết kế và thi công mô hình camera đo thân nhiệt và nhắc nhở đeo khẩu trang tại HCMUTE. Đây là một giải pháp camera đo thân nhiệt ứng dụng công nghệ hiện đại nhằm hỗ trợ công tác phòng chống dịch bệnh. Hệ thống tích hợp nhiều thành phần quan trọng, bao gồm: camera đo thân nhiệt, hệ thống camera an ninh đo thân nhiệt, phần mềm camera đo thân nhiệt, và hệ thống nhắc nhở đeo khẩu trang. Mục tiêu chính là phát hiện người có thân nhiệt cao và không đeo khẩu trang, góp phần đảm bảo an toàn trong trường học. Nghiên cứu sử dụng phương pháp machine learning để nhận diện khuôn mặt, kết hợp với cảm biến ảnh nhiệt hồng ngoại để đo thân nhiệt không tiếp xúc. Raspberry Pi 4 Model B đóng vai trò là máy tính nhúng điều khiển toàn bộ hệ thống. Hệ thống được thiết kế nhỏ gọn, dễ di chuyển và lắp đặt, đáp ứng nhu cầu thực tế của môi trường trường học. Nghiên cứu đánh giá hiệu quả của hệ thống thông qua việc đo sai số nhiệt độ và đánh giá độ chính xác của phần mềm nhận diện khuôn mặt đeo khẩu trang.

1.1. Thành phần phần cứng và phần mềm

Phần cứng bao gồm Raspberry Pi 4 Model B (thiết bị đo thân nhiệt HCMUTE), cảm biến ảnh nhiệt AMG8833 (cảm biến nhiệt HCMUTE), webcam (camera đo thân nhiệt HCMUTE), và loa phát di động. Cảm biến AMG8833 cung cấp dữ liệu nhiệt độ, webcam xử lý hình ảnh nhận diện khuôn mặt, và loa phát ra cảnh báo. Phần mềm sử dụng ngôn ngữ lập trình Python, kết hợp các thư viện như OpenCV (phần mềm camera đo thân nhiệt) và TensorFlow/Keras (phần mềm nhận diện khuôn mặt). Hệ thống camera an ninh đo thân nhiệt dựa trên sự kết hợp chặt chẽ giữa phần cứng và phần mềm này. Thiết kế hệ thống ưu tiên sự đơn giản và dễ sử dụng, đảm bảo tính ổn định và độ chính xác cao. Lập đặt camera đo thân nhiệt HCMUTE cần tuân thủ các hướng dẫn chi tiết để đảm bảo hiệu quả hoạt động. Chi phí lập đặt camera đo thân nhiệt được tính toán dựa trên giá thành các linh kiện và công sức lắp ráp.

1.2. Thuật toán và phương pháp xử lý

Hệ thống áp dụng mô hình nhận diện khuôn mặt dựa trên mạng nơ-ron tích chập CNN (mô hình nhận diện khuôn mặt đo thân nhiệt). Dữ liệu huấn luyện được thu thập và xử lý để đảm bảo độ chính xác của hệ thống. Phương pháp đo nhiệt độ không tiếp xúc sử dụng cảm biến hồng ngoại AMG8833, cho phép đo nhiệt độ từ xa mà không cần tiếp xúc trực tiếp với đối tượng. Giải pháp camera đo thân nhiệt HCMUTE được thiết kế để tối ưu hóa tốc độ xử lý và độ chính xác trong việc phát hiện người có thân nhiệt cao và không đeo khẩu trang. Phương pháp đánh giá mô hình huấn luyện dữ liệu bao gồm các chỉ số đánh giá như độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity). Hệ thống nhắc nhở đeo khẩu trang HCMUTE được tích hợp vào hệ thống chính. Phát hiện thân nhiệt cao HCMUTE được thực hiện thông qua ngưỡng nhiệt độ được cài đặt sẵn. Sơ đồ khối mô hình thể hiện rõ ràng quá trình xử lý dữ liệu, từ thu nhận hình ảnh đến phát ra cảnh báo.

II. Kết quả và đánh giá

Kết quả cho thấy hệ thống hoạt động hiệu quả trong việc phát hiện người không đeo khẩu trang trong phạm vi 1m, điều kiện đủ sáng. Kết quả nhận dạng người không đeo khẩu trang đạt độ chính xác cao. Sai số đo nhiệt độ trung bình so với thiết bị chuẩn chỉ khoảng 0.09°C. Kết quả đo nhiệt độ được đánh giá dựa trên so sánh với súng đo nhiệt OMRON. Thời gian đáp ứng của hệ thống được tối ưu hóa. Báo cáo camera đo thân nhiệt ghi nhận đầy đủ các thông số kỹ thuật và kết quả đánh giá. Nghiên cứu đã thành công trong việc tích hợp camera đo thân nhiệt, kết hợp giữa đo thân nhiệt và nhận diện khuôn mặt. An toàn trường học HCMUTE được nâng cao nhờ hệ thống này. Giám sát thân nhiệt HCMUTE trở nên hiệu quả và thuận tiện hơn.

2.1. Phân tích kết quả nhận dạng khuôn mặt

Dữ liệu huấn luyện được thu thập từ nhiều nguồn khác nhau nhằm đảm bảo tính đa dạng và đại diện cho thực tế. Kết quả huấn luyện tập dữ liệu được thể hiện qua các đồ thị accuracy và loss. Hệ thống đạt được độ chính xác cao trong việc nhận diện khuôn mặt đeo và không đeo khẩu trang ở các góc độ khác nhau. Tập dữ liệu huấn luyện được mô tả chi tiết trong báo cáo. Kết quả nhận dạng người không đeo khẩu trang được phân tích ở các khoảng cách khác nhau, cho thấy hiệu quả của hệ thống trong điều kiện thực tế. Ma trận nhầm lẫn được sử dụng để đánh giá chi tiết hơn hiệu suất của hệ thống. Ứng dụng camera đo thân nhiệt trong việc giám sát an ninh trường học mang lại nhiều lợi ích thiết thực.

2.2. Phân tích kết quả đo thân nhiệt và thời gian đáp ứng

Kết quả đo nhiệt độ cho thấy hệ thống có độ chính xác cao, sai số nhỏ so với thiết bị chuẩn. Kết quả đo nhiệt độ của mô hình được so sánh với kết quả đo của súng đo nhiệt OMRON. Đánh giá thời gian đáp ứng của mô hình cho thấy hệ thống hoạt động nhanh chóng và hiệu quả. Đo thân nhiệt không tiếp xúc đảm bảo tính an toàn và vệ sinh. Giải pháp an ninh trường học HCMUTE được hoàn thiện hơn nhờ hệ thống này. Phòng chống dịch bệnh HCMUTE được hỗ trợ tích cực. Công nghệ đo thân nhiệt được ứng dụng hiệu quả. An toàn trường học được đảm bảo tốt hơn. Hệ thống giám sát hoạt động ổn định và chính xác. Hướng dẫn sử dụng camera đo thân nhiệt được cung cấp đầy đủ.

III. Kết luận và kiến nghị

Nghiên cứu đã thành công trong việc thiết kế và thi công mô hình camera đo thân nhiệt và nhắc nhở đeo khẩu trang. Hệ thống hoạt động hiệu quả, đáp ứng được yêu cầu đặt ra. Mô hình camera đo thân nhiệt này có thể được áp dụng rộng rãi trong các trường học, bệnh viện, cơ quan. Nghiên cứu đóng góp vào công tác phòng chống dịch bệnh và đảm bảo an toàn cộng đồng. Giải pháp phòng chống dịch bệnh HCMUTE được tăng cường. Đại học Công nghệ TP.HCM có thể ứng dụng thành quả này vào thực tiễn.

Nội dung chính

Mô Hình Camera Đo Thân Nhiệt và Nhắc Nhở Đeo Khẩu Trang Tự Động Ứng Dụng Trí Tuệ Nhân Tạo Nhúng

---

Tóm tắt nghiên cứu (Research Summary)

• Câu hỏi nghiên cứu chính: Làm thế nào để thiết kế và hiện thực hóa một hệ thống nhúng thông minh, chi phí thấp, có khả năng tự động hóa đồng thời hai nhiệm vụ: nhận diện hành vi đeo khẩu trang qua thị giác máy tính và đo thân nhiệt không tiếp xúc trong thời gian thực?
• Phương pháp tiếp cận: Nghiên cứu kết hợp mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với kiến trúc tối ưu MobileNetV2 trên nền tảng máy tính nhúng Raspberry Pi 4 Model B. Hệ thống tích hợp camera quang học 720p để phân tích hình ảnh và cảm biến ảnh nhiệt hồng ngoại AMG8833 (giao tiếp qua chuẩn I2C) để ghi nhận bức xạ nhiệt bề mặt cơ thể.
• Kết quả then chốt: Mô hình AI nhận diện khẩu trang đạt độ chính xác (Accuracy) lên tới 98.5% trên tập dữ liệu kiểm tra với thời gian phản hồi nhanh. Thuật toán đo thân nhiệt sau khi được hiệu chuẩn theo thiết bị y tế chuẩn (Omron) ghi nhận sai số trung bình cực thấp, chỉ xấp xỉ 0.09°C trong cự ly kiểm soát dưới 1 mét.
• Ý nghĩa thực tiễn: Công trình mở ra giải pháp sàng lọc y tế tự động hóa, nhỏ gọn, hoạt động độc lập không cần máy tính cồng kềnh, giúp giảm tải nguồn nhân lực kiểm soát tại các chốt ra vào của bệnh viện, trường học và cơ quan công quyền.

---

Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng và khoảng trống nghiên cứu

Trước bối cảnh bùng phát của các dịch bệnh lây truyền qua đường hô hấp (như đại dịch COVID-19, cúm mùa), việc tuân thủ các biện pháp bảo vệ cá nhân (đeo khẩu trang) và sàng lọc triệu chứng sớm (theo dõi thân nhiệt) là yêu cầu tối quan trọng tại các địa điểm tập trung đông người.

Tuy nhiên, hầu hết các phương thức kiểm soát truyền thống vẫn bộc lộ nhiều hạn chế:

1. Kiểm tra thủ công: Nhân viên y tế/bảo vệ sử dụng nhiệt kế cầm tay đối mặt với nguy cơ lây nhiễm chéo cao do tiếp xúc gần, đồng thời hiệu suất làm việc suy giảm khi mật độ người ra vào lớn.
2. Hệ thống thương mại phân tán: Các thiết bị đo nhiệt độ tự động và camera AI nhận diện thường tách rời nhau, đòi hỏi kết nối với máy tính để bàn (PC) cấu hình cao, tiêu tốn nhiều điện năng và khó triển khai linh hoạt tại các cửa ngõ hẹp.
3. Chi phí đắt đỏ: Các giải pháp camera nhiệt công nghiệp chuyên dụng thường có giá thành lên tới hàng nghìn USD, vượt quá ngân sách của nhiều trường học hay doanh nghiệp vừa và nhỏ.

Tính cấp thiết và tác động tiềm năng

Nghiên cứu này giải quyết trực tiếp khoảng trống trên bằng việc phát triển một thiết bị All-in-One hoạt động trên biên (Edge AI). Bằng cách đưa mô hình Deep Learning rút gọn trực tiếp vào vi xử lý nhúng ARM của Raspberry Pi 4, đề tài tạo ra một sản phẩm nhỏ gọn, phản ứng tức thời, chi phí sản xuất thấp nhưng vẫn đảm bảo độ tin cậy khoa học và tiêu chuẩn y tế dự phòng.

---

Phương pháp luận và cách tiếp cận nghiên cứu (Methodology & Approach)

1. Thiết kế kiến trúc hệ thống

Hệ thống được module hóa thành 4 khối chức năng chính hoạt động đồng bộ:

• Khối thu nhận dữ liệu: Gồm USB Webcam 720p (tốc độ 30 fps) thu nhận luồng video quang học và cảm biến ma trận nhiệt hồng ngoại AMG8833 ($8 \times 8$ điểm ảnh nhiệt) nhận diện bức xạ nhiệt từ xa.
• Khối xử lý trung tâm: Máy tính nhúng Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72) chạy hệ điều hành Raspbian, chịu trách nhiệm chạy mô hình suy luận AI và xử lý thuật toán nhiệt.
• Khối cảnh báo & giao tiếp: Hệ thống loa âm thanh điều khiển qua jack 3.5mm/AV phát thông điệp cảnh báo bằng giọng nói, kết hợp giao diện đồ họa hiển thị bounding box (xanh lá: Đạt chuẩn; đỏ: Vi phạm/Sốt cao).
• Khối nguồn & tản nhiệt: Adapter chuyển đổi nguồn chuẩn 5V/3A tích hợp quạt làm mát chủ động nhằm duy trì độ ổn định liên tục cho vi xử lý.

2. Thu thập dữ liệu và Huấn luyện mô hình AI

• Tập dữ liệu (Dataset): Gồm 2.000 hình ảnh khuôn mặt được cân bằng chính xác (1.000 ảnh có khẩu trang và 1.000 ảnh không đeo khẩu trang), bao quát đa dạng góc nghiêng (nhìn thẳng, ngước lên, cúi xuống, nghiêng trái, nghiêng phải) và các loại khẩu trang khác nhau.
• Kiến trúc mạng nơ-ron: Sử dụng mạng MobileNetV2 – kiến trúc mạng nơ-ron sâu được thiết kế đặc thù cho thiết bị di động nhờ cơ chế Depthwise Separable Convolutions và Inverted Residual Blocks.
• Tối ưu hóa:
  • Lớp nền (Base model): MobileNetV2 trích xuất đặc trưng.
  • Lớp đầu ra (Top layers): AveragePooling2D(pool_size=(7, 7)) $\rightarrow$ Flatten $\rightarrow$ Dense(ReLU) $\rightarrow$ Dropout(0.5) $\rightarrow$ Dense(Softmax).
  • Tham số huấn luyện: Learning rate ($\alpha = 0.0001$), Batch size ($32$), Epochs ($20$), Hàm mất mát Binary Cross-Entropy.

Ảnh đầu vào (224x224x3)

3. Thuật toán đo và hiệu chuẩn nhiệt độ không tiếp xúc

Cảm biến AMG8833 đo công suất bức xạ hồng ngoại phát ra từ cơ thể người dựa trên định luật Stefan-Boltzmann: $$j^* = \varepsilon \sigma T^4$$

Từ giá trị nhiệt độ thô ($T_{\text{raw}}$) thu được từ ma trận nhiệt $8 \times 8$, hệ thống trích xuất điểm ảnh có nhiệt độ cực đại ($T_{\max}$). Do ảnh hưởng của môi trường và khoảng cách đo, phương pháp thực nghiệm quy hồi tuyến tính/phi tuyến được áp dụng để hiệu chuẩn giá trị đo với nhiệt kế chuẩn Omron: $$T_{\text{calibrated}} = f(T_{\text{raw}}, T_{\text{sensor}})$$

Nếu $T_{\text{calibrated}} > 37.5^\circ\text{C}$, hệ thống lập tức kích hoạt chu trình báo động sốt.

---

Phát hiện chính và Kết quả thực nghiệm (Major Findings)

1. Hiệu năng vượt trội của mô hình nhận diện khuôn mặt

Sau 20 epochs huấn luyện, mô hình hội tụ nhanh chóng mà không gặp hiện tượng quá khớp (Overfitting), thể hiện qua đường suy giảm đồng biến của train_loss và val_loss.

Chỉ số đánh giá	Lớp có khẩu trang (Mask)	Lớp không khẩu trang (No Mask)	Trung bình toàn hệ thống
Precision (Độ chuẩn xác)	97.55%	99.49%	98.52%
Recall (Độ nhạy)	99.50%	97.50%	98.50%
F1-Score	98.51%	98.48%	98.50%
Độ chính xác (Accuracy)	—	—	98.50%

• Độ chuẩn xác lớp No-Mask đạt 99.49%: Đảm bảo hệ thống hầu như không bỏ sót các trường hợp cố tình không đeo khẩu trang khi qua chốt kiểm soát.
• Độ nhạy lớp Mask đạt 99.50%: Giảm thiểu tối đa tình trạng nhận diện nhầm người đã chấp hành quy định, tránh gây phiền hà cho người sử dụng.

2. Khả năng nhận diện đa góc độ và đa đối tượng

Thực nghiệm thực tế với nhiều kịch bản cho thấy:

• Hệ thống nhận diện chuẩn xác khuôn mặt ở cự ly 0.8m – 1.0m với các góc quay mặt: chính diện, nghiêng trái $30^\circ$, nghiêng phải $30^\circ$, cúi đầu và ngẩng đầu.
• Khả năng xử lý đồng thời 2 khuôn mặt trong cùng một khung hình với độ trễ thấp, gán nhãn chính xác trạng thái của từng cá nhân độc lập.

       Kịch bản 1: Đeo khẩu trang                   Kịch bản 2: Không đeo khẩu trang

3. Độ chính xác trong phép đo thân nhiệt

So sánh đối chiếu giữa hệ thống và thiết bị đo chuẩn Omron qua hàng loạt mẫu thử nghiệm:

• Sai số tuyệt đối trung bình: Chỉ dao động trong khoảng $0.05^\circ\text{C} - 0.09^\circ\text{C}$ ở khoảng cách đo tối ưu (<1m).
• Thời gian đáp ứng: Toàn bộ chu trình từ thu nhận ảnh, trích xuất nhiệt độ ma trận, suy luận AI đến phát loa cảnh báo diễn ra trong khoảng 0.2 - 0.5 giây, hoàn toàn đáp ứng tiêu chuẩn giám sát thời gian thực.

---

Đóng góp khoa học và Giá trị thực tiễn (Contributions)

1. Đóng góp về mặt học thuật & phương pháp

• Tối ưu hóa Edge AI: Chứng minh tính khả thi của việc đưa các mạng nơ-ron thị giác phức tạp lên phần cứng máy tính nhúng giá rẻ (Raspberry Pi 4) mà vẫn đảm bảo độ chính xác tiệm cận các hệ thống máy chủ lớn.
• Tích hợp cảm biến đa phương thức (Multimodal Sensing): Thiết lập quy trình phối hợp đồng bộ giữa dữ liệu không gian quang học (Spatial RGB) và dữ liệu bức xạ nhiệt hồng ngoại (IR Thermal Grid) trong cùng một hệ thống phân tích tức thời.

2. Giá trị kinh tế - xã hội

• Giảm thiểu chi phí đầu tư: Chi phí linh kiện chế tạo mô hình thấp hơn rất nhiều so với các cổng kiểm soát thương mại nhập khẩu, mở ra cơ hội trang bị đại trà cho các trường học, bệnh viện tuyến huyện, xí nghiệp.
• Bảo vệ an toàn dịch tễ: Tự động hóa hoàn toàn khâu kiểm soát ban đầu, loại bỏ tiếp xúc trực tiếp giữa nhân viên kiểm soát và người ra vào, ngăn chặn nguy cơ bùng phát dịch bệnh lây lan qua giọt bắn.

---

Đối tượng quan tâm và Khả năng ứng dụng (Target Audience)

• Cộng đồng nghiên cứu & Sinh viên Kỹ thuật Y sinh / AIoT: Tài liệu tham khảo giá trị về phương pháp huấn luyện MobileNetV2, xử lý dữ liệu cảm biến I2C và kỹ thuật nhúng Deep Learning trên vi điều khiển ARM.
• Doanh nghiệp & Kỹ sư phát triển sản phẩm thông minh: Khung thiết kế phần cứng và phần mềm có thể chuyển giao, thương mại hóa thành các module Access Control thông minh trong tòa nhà (Smart Building).
• Nhà quản lý cơ sở hạ tầng công cộng: Giải pháp nâng cấp hệ thống an ninh y tế tại bệnh viện, trung tâm thương mại, trường đại học nhằm thích ứng với các tiêu chuẩn an toàn dịch tễ hiện đại.

---

Câu hỏi thường gặp (FAQ)

1. Điểm đột phá lớn nhất của hệ thống này là gì?

Điểm đột phá nằm ở khả năng tích hợp "2 trong 1": vừa đo thân nhiệt không tiếp xúc chính xác (sai số $\sim 0.09^\circ\text{C}$), vừa nhận diện khẩu trang bằng AI đạt độ chính xác 98.5%, vận hành hoàn toàn độc lập trên một bo mạch nhúng Raspberry Pi 4 nhỏ gọn mà không cần máy tính phụ trợ.

2. Vì sao nhóm nghiên cứu lựa chọn mạng MobileNetV2 thay vì các kiến trúc khác như VGG16 hay ResNet50?

Mạng VGG16 hoặc ResNet50 có dung lượng tham số rất lớn và tiêu tốn nhiều tài nguyên tính toán, gây hiện tượng nghẽn cổ chai và giảm tốc độ khung hình (FPS) trên máy tính nhúng. MobileNetV2 sử dụng các phép tích chập tách biệt theo chiều sâu (Depthwise Separable Convolutions), giúp giảm kích thước mô hình và tăng tốc độ xử lý gấp nhiều lần mà vẫn duy trì độ chính xác cao.

3. Cảm biến AMG8833 có hoạt động chính xác ở khoảng cách xa trên 2 mét không?

Cảm biến AMG8833 có độ phân giải nhiệt $8 \times 8$ (64 điểm ảnh). Khi khoảng cách vượt quá 2m, diện tích khuôn mặt rơi vào vùng quét của quá ít pixel nhiệt, dẫn đến sai số do bức xạ nền môi trường. Khoảng cách làm việc tối ưu và chuẩn xác nhất của hệ thống được xác định trong phạm vi dưới 1 mét.

4. Hệ thống cảnh báo người vi phạm bằng hình thức nào?

Hệ thống áp dụng cơ chế cảnh báo kép: (1) Cảnh báo thị giác qua giao diện màn hình bằng khung nhận diện màu đỏ nổi bật kèm thông tin nhiệt độ; (2) Cảnh báo thính giác tự động qua hệ thống loa âm thanh nhắc nhở người dùng đeo khẩu trang hoặc thông báo tình trạng sốt cao.

5. Hướng phát triển mở rộng tiếp theo của đề tài là gì?

Hướng phát triển tiếp theo bao gồm: Tích hợp thêm thuật toán nhận diện khuôn mặt điểm danh (Face Recognition), kết nối dữ liệu lên Cloud/IoT Server để quản lý nhật ký ra vào theo thời gian thực, và nâng cấp cảm biến nhiệt độ lên độ phân giải cao hơn (như FLIR Lepton/MLX90640) để tăng cự ly giám sát.

---

Kết luận (Conclusion)

Công trình nghiên cứu "Thiết kế và thi công mô hình camera đo thân nhiệt, nhắc nhở đeo khẩu trang" của nhóm tác giả Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết trọn vẹn và xuất sắc bài toán giám sát y tế phòng dịch tự động. Bằng việc kết hợp hài hòa giữa thị giác máy tính hiện đại (MobileNetV2) và công nghệ cảm biến hồng ngoại trên nền tảng Raspberry Pi 4, đề tài không chỉ khẳng định năng lực ứng dụng công nghệ cao của sinh viên mà còn mang lại một sản phẩm kỹ thuật y sinh giàu tiềm năng ứng dụng thực tế. Đây là bước đệm vững chắc hướng tới việc xây dựng các hệ sinh thái kiểm soát an ninh - y tế thông minh, an toàn và tự động hóa trong tương lai.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. CƠ SỞ LÝ THUYẾT Hình 1. Cửa sổ trượt trên một ma trận Lớp tích chập có các tham số quan trọng là kích thước bộ lọc, bước nhảy và đường viền. Kích thước bộ lọc tỉ lệ thuận với số tham số cần học tại mỗi tầng tích chập và là tham số quyết định receptive field của tầng này.

Kích thước của bộ lọc nhỏ thường được ưu tiên vì nó sẽ rút trích được các đặc trưng có tính cục bộ cao, giúp phát hiện các đặc trưng nhỏ hơn, thông tin rút trích được đa dạng và hữu ích hơn ở tầng sau, ít trọng số do đó sẽ chia sẻ trọng số tốt hơn và cho phép mạng sâu hơn. Kích thước bộ lọc hầu hết đều là số lẻ, ví dụ như 3x3 hay 5x5. Với kích thước bộ lọc lẻ, các giá trị của feature map sẽ xác định một tâm điểm ở tầng phía trước. Nếu chọn bộ lọc có kích thước chẵn thì sẽ gặp khó khăn khi muốn tìm vị trí tương ứng của các giá trị ma trận ảnh đặc trưng trên không gian ảnh [18].

Ngoài kích thước bộ lọc, bước nhảy cũng là tham số quan trọng của lớp tích chập. Khi bước nhảy là 1 thì bộ lọc di chuyển qua một điểm ảnh mỗi lần. Khi bước nhảy là 2 thì bộ lọc nhảy qua 2 điểm ảnh mỗi lần tại thời điểm trượt bộ lọc xung quanh. Điều này sẽ tạo ra khối đầu ra nhỏ hơn theo không gian được minh họa qua hình 1.

Kích thước ảnh đầu ra khi thực hiện bước nhảy lần lượt là 1 và 2 10 Luan van CHƯƠNG 1. CƠ SỞ LÝ THUYẾT Tham số quan trọng cuối là đường viền. Sử dụng đường viền cho phép kiểm soát kích thước của không gian đầu ra, bảo toàn chính xác kích thước của không gian đầu vào sao cho kích thước của đầu vào và đầu ra là như nhau.5 minh họa viền với giá trị 0, nghĩa là bổ sung một ô vào xung quanh các cạnh của đầu vào. Ma trận khi thêm viền 0 bên ngoài 1.

Hàm kích hoạt Các hàm kích hoạt sẽ mô phỏng về tỷ lệ truyền xung qua sợi trục của một nơ-ron thần kinh và đóng vai trò là thành phần phi tuyến để giới hạn biên độ cho phép của giá trị đầu ra. Đây là một lớp được xây dựng để đảm bảo tính phi tuyến của mô hình sau khi trải qua nhiều phép toán tuyến tính ở lớp tích chập. Một số hàm kích hoạt thông dụng được thể hiện trong bảng 1. Một số hàm kích hoạt thông dụng Hàm kích hoạt Đồ thị Công thức Sigmoid 1  ( x)  1  ex Tanh e x  e x Tanh( x)  e x  ex 11 Luan van CHƯƠNG 1.

CƠ SỞ LÝ THUYẾT ReLU f ( x)  max(0, x) Leaky, ReLU f ( x)  1( x  0)(x)  1( x) với α là hằng số nhỏ Maxout f ( x)  max(w1T x  b1 , w2T x  b2 ) 1. Lớp tổng hợp Lớp tổng hợp (Pooling Layer) thường được đặt sau lớp tích chập và hàm kích hoạt. Lớp tổng hợp là một lớp lấy những hình ảnh lớn và làm giảm kích thước dữ liệu nhưng vẫn giữ được các thông tin quan trọng trong đó. Việc giảm kích thước dữ liệu có tác dụng làm giảm được số lượng tham số cũng như tăng hiệu quả tính toán.

Lớp tổng hợp cũng sử dụng một cửa sổ trượt để quét toàn bộ các vùng trong ảnh giống như lớp tích chập và thực hiện phép tổng hợp, tức là chọn một giá trị đại diện của các điểm ảnh như hình 1. Như vậy, với mỗi ảnh đầu vào được đưa qua tổng hợp thu được ảnh đầu ra tương ứng có kích thước giảm xuống đáng kể nhưng vẫn giữ được những giá trị cần thiết cho quá trình tính toán sau này. Các hàm tổng hợp có nhiều loại khác nhau như [17]: - Max pooling lấy phần tử lớn nhất từ ma trận đối tượng. - Average pooling lấy tổng trung bình từ ma trận đối tượng.

- Sum pooling lấy tổng tất cả các phần tử trong ma trận. Lớp max pooling cho vùng ảnh 12 Luan van CHƯƠNG 1. Lớp kết nối đầy đủ Tầng cuối cùng của mô hình CNN là tầng kết nối đầy đủ (Fully Connected Layer). Đầu vào của lớp này là đầu ra từ lớp tổng hợp hoặc lớp tích chập cuối cùng được làm phẳng và sau đó đưa vào lớp kết nối đầy đủ.

Lớp kết nối đầy đủ được thiết kế tương tự mạng nơ-ron truyền thống. Vector phẳng này có các nơ-ron kết nối đầy đủ với các nơ- ron ở tầng sau được thể hiện qua hình 1.7, các kết nối này giống như mạng thần kinh nhân tạo và thực hiện tính toán tương tự. Lớp này có chức năng tìm ra đường phân chia giữa các điểm dữ liệu thông qua việc học các kết hợp phi tuyến trong không gian. Mô phỏng lớp kết nối đầy đủ 1.

THƯ VIỆN OPENCV Open Source Computer Vision được viết tắt là OpenCV là một thư viện mã nguồn mở được bắt đầu từ Intel bởi Gary Bradski vào năm 1999 [21]. Nó được viết bằng tối ưu hóa C/C++ và có các giao diện C++, C, Python và Java có thể hỗ trợ Windows, Linux, Mac OS, IOS và Android. OpenCV được thiết kế để tối ưu hóa và xử lý ứng dụng trong real-time – thời gian thực, giúp cho việc xây dựng các ứng dụng xử lý ảnh, thực tế ảo, thị giác máy tính… một cách nhanh gọn hơn. Cấu trúc của Opencv được chia thành năm phần chính, bốn trong số đó được biểu diễn như hình 1.9: - CV: chứa các hàm xử lý ảnh cơ sở và thuật toán về thị giác máy tính mức cao.

- MILL: là thư viện machine learning, chứa các thuật toán học máy bao gồm các bộ phân cụm, phân loại thống kê. - HighGUI: chứa các thủ tục vào, ra và các hàm dùng cho việc tải và lưu trữ file ảnh và file video. - CXCORE: chứa cấu trúc và nội dung dữ liệu cơ sở như cấu trúc XML, các hàm vẽ đồ họa… 13 Luan van CHƯƠNG 1. CƠ SỞ LÝ THUYẾT Computer Vision Machine learning library HighGUI (CV) (MILL) CXCORE Hình 1.

Cấu trúc cơ bản của OpenCV 1. THƯ VIỆN TENSORFLOW Tensorflow là một nền tảng học máy mã nguồn mở, được thiết kế bởi đội ngũ Google Brain và tổ chức nghiên cứu trí tuệ máy của Google nhằm triển khai các ứng dụng của học máy và học sâu theo cách đơn giản. Nó là kết hợp giữa đại số tính toán của các kỹ thuật tối ưu hoá để dễ dàng tính toán các biểu thức toán học [19]. Kiến trúc của Tensorflow bao gồm 3 phần: xử lý trước dữ liệu, xây dựng mô hình, đào tạo và ước tính mô hình.Một số tính năng nổi bật của Tensorflow: - Định nghĩa, tối ưu và tính toán các biểu thức số học dễ dàng nhờ vào sự trợ giúp của các mảng đa chiều, gọi là tensors.

- Hỗ trợ lập trình các kỹ thuật của mạng học máy và học sâu. - Bao gồm tính năng tính toán độ ổn định cao với đa dạng các tập dữ liệu. - Sử dụng GPU hoặc CPU để tính toán và tự động quản lý. Tensorflow có tài liệu đầy đủ và bao gồm nhiều thư viện học máy nên rất phổ biến hiện nay.

Vì là một sản phẩm của Google, nên hiện tại, Tensorflow đang được ứng dụng rất nhiều trong các sản phẩm của Google như phân loại chữ viết tay, nhận diện hình ảnh, xử lý ngôn ngữ tự nhiên. THƯ VIỆN KERAS Keras là một thư viện Học sâu mã nguồn mở dành cho Python, chạy trên các thư viện máy mã nguồn mở như TensorFlow, Theano hoặc Bộ công cụ nhận thức (CNTK). Keras dựa trên cấu trúc tối thiểu, cung cấp một cách dễ dàng và dễ dàng để tạo các mô hình học sâu dựa trên TensorFlow hoặc Theano [22]. Keras được thiết kế để xác định nhanh các mô hình học sâu.

Một số đặc điểm nổi bật của Keras: - API nhất quán, đơn giản và có thể mở rộng. - Cấu trúc tối thiểu, dễ dàng đạt được kết quả mà cần sự phức tạp. - Hỗ trợ đa nền tảng và backend. - Framework thân thiện, chạy được trên cả CPU và GPU.

- Độ ổn định cao. 14 Luan van CHƯƠNG 1. CHUẨN GIAO TIẾP I2C Inter – Integrated Circuit được viết tắt I2C là một giao thức giao tiếp được phát triển bởi Philips Semiconductors để truyền dữ liệu giữa một bộ xử lý trung tâm với nhiều IC trên cùng một board mạch chỉ sử dụng hai đường truyền tín hiệu [23]. Vì tính đơn giản nên được sử dụng làm bus giao tiếp ngoại vi giữa vi điều khiển và cảm biến, các thiết bị hiển thị, EEPROMs… và nó trở thành một chuẩn công nghiệp cho các giao tiếp điều khiển.

Nó là giao thức giao tiếp nối tiếp đồng bộ, các bit dữ liệu được truyền lần lượt từng bit một theo khoảng thời gian đều đặn được thiết lập trước bởi tín hiệu clock tham chiếu. I2C kết hợp những tính năng tốt nhất của SPI và UART. Vậy nên bus I2C (dây giao tiếp) cũng sử dụng hai dây để truyền dữ liệu giữa các thiết bị giống như UART gồm Serial Data Line (SDA) là đường truyền cho master và slave để gửi và nhận dữ liệu và Serial Clock Line (SDI) mang tín hiệu xung nhịp [24]. I2C là giao thức truyền thông nối tiếp, dữ liệu truyền đi từng bit được gửi qua dây SDA và giống như SPI, đầu ra của các bit sẽ được đồng bộ với việc lấy mẫu các bit bởi tín hiệu đồng hồ (clock) từ SCL được chia sẻ giữa master và slave.

Mô hình giao thức I2C SDA và SCL đều hoạt động như các bộ lái cực máng hở (open drain). Bất kỳ thiết bị hay IC trên mạng I2C có thể lái bus I2C xuống mức thấp nhưng không thể lái chúng lên mức cao. Vì vậy, một điện trở kéo lên (khoảng 1 kΩ đến 4,7 kΩ) được sử dụng cho mỗi đường bus để giữ chúng ở mức cao (ở điện áp dương) theo mặc định. Các thiết bị kết nối với bus I2C được phân loại là thiết bị chủ (master) hoặc thiết bị tớ (slave).

Ở bất cứ thời điểm nào thì chỉ có duy nhất một master ở trạng thái hoạt động trên bus I2C. Master điều khiển SCL và quyết định hoạt động nào sẽ được thực hiện trên SDA. Tất cả các thiết bị đáp ứng các hướng dẫn từ master này đều là slave. Để phân biệt giữa nhiều slave được kết nối với cùng một bus I2C, mỗi thiết bị sẽ được gán một địa chỉ vật lý 7-bit cố định.

15 Luan van CHƯƠNG 1. NGÔN NGỮ LẬP TRÌNH PYTHON Python là ngôn ngữ lập trình bậc cao được dùng cho nhiều mục đích khác nhau, và đặc biệt được ứng dụng phổ biến trong phát triển trí tuệ nhân tạo.