Giới thiệu dự án
Mô hình giáo dục hỗn hợp (Hybrid Classroom) và học tập trực tuyến bùng nổ mạnh mẽ trong kỷ nguyên hậu đại dịch COVID-19, mở ra sự linh hoạt vượt bậc về không gian và thời gian. Tuy nhiên, các báo cáo phân tích giáo dục quốc tế chỉ ra rằng mức độ tương tác và khả năng duy trì sự tập trung của người học trong môi trường số giảm từ 30% đến 40% so với phương pháp truyền thống. Giảng viên gặp rào cản lớn khi không thể quan sát toàn diện trạng thái cảm xúc, mức độ tiếp thu và hành vi phân tán tư tưởng của từng học viên qua các nền tảng họp trực tuyến thông thường như Microsoft Teams, Zoom hay Google Classroom.
Khóa luận tốt nghiệp "Nghiên cứu hành vi học sinh và tích hợp trong bộ điều khiển của bàn học thông minh" do sinh viên Đào Ngọc Minh Trí và Nguyễn Chí Thiện thực hiện dưới sự hướng dẫn của TS. Nguyễn Minh Sơn tại Khoa Kỹ thuật Máy tính – Trường Đại học Công nghệ Thông tin (ĐHQG-HCM) đã giải quyết triệt để bài toán này. Đề tài tập trung nghiên cứu mô hình tính toán biên (Edge Computing) và thị giác máy tính (Computer Vision), tích hợp thuật toán phân tích hành vi vào bộ điều khiển bàn học thông minh (Smart Desk Controller), đóng vai trò mắt xích trọng yếu trong hệ sinh thái Hybrid Classroom kết hợp với bục giảng thông minh (Smart Podium).
+-----------------------------------------------------------------------+
| HỆ SINH THÁI HYBRID CLASSROOM |
+-----------------------------------------------------------------------+
| [Smart Desk Controller] (NVIDIA Jetson Nano) |
+-----------------------------------------------------------------------+
Mục tiêu cụ thể của dự án được xác định rõ ràng:
- Thiết kế phần mềm nhúng hoàn chỉnh: Xây dựng giao diện trực quan, tối ưu hóa trải nghiệm người dùng (UX/UI) bằng Qt/QML trên hệ điều hành Linux nhúng.
- Xây dựng Pipeline xử lý AI cục bộ: Triển khai giải thuật thị giác máy tính nhận diện khuôn mặt, phát hiện chớp mắt/nhắm mắt (ngủ gật), ngáp/nói chuyện và hướng quay đầu nhằm đánh giá độ tập trung với độ chính xác đạt trên 75%.
- Tối ưu hóa tài nguyên phần cứng: Vận hành trơn tru trên kit máy tính nhúng NVIDIA Jetson Nano với độ trễ thấp, không gây hiện tượng tụt khung hình (frame drop) và tiết kiệm điện năng.
- Đồng bộ hóa dữ liệu thời gian thực: Thiết lập cơ chế truyền nhận dữ liệu giữa Smart Desk và hệ thống máy chủ/bục giảng thông minh phục vụ quản lý lớp học.
Phạm vi nghiên cứu giới hạn ở việc xử lý cục bộ dữ liệu hình ảnh của một học sinh trên từng bàn học đơn lẻ, bảo vệ tối đa tính riêng tư cá nhân và chỉ truyền siêu dữ liệu (metadata) đánh giá mức độ tập trung về hệ thống trung tâm.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Thị trường hiện nay có các giải pháp lớp học thông minh thương mại hóa nổi bật như hệ thống của INDOTA. Tuy nhiên, các giải pháp này chủ yếu tập trung vào việc chia sẻ màn hình đa kênh và điều khiển thiết bị ngoại vi thông qua IoT cơ bản, hoàn toàn thiếu vắng tính năng AI thấu hiểu hành vi người học. Ngược lại, các nghiên cứu học thuật về nhận diện hành vi học tập thường phụ thuộc vào máy chủ Cloud GPU đắt đỏ, gây tắc nghẽn băng thông và tiềm ẩn rủi ro rò rỉ dữ liệu hình ảnh cá nhân.
| Tiêu chí so sánh |
Giải pháp thương mại INDOTA |
Hệ thống AI xử lý trên Cloud |
Smart Desk Edge Controller (Đề tài) |
| Xử lý AI hành vi |
Không hỗ trợ |
Có (xử lý tập trung) |
Có (Edge AI cục bộ) |
| Bảo mật dữ liệu ảnh |
Không áp dụng |
Nguy cơ rò rỉ video stream |
Bảo mật cao (chỉ gửi điểm số) |
| Độ trễ phản hồi |
Thấp (chỉ điều khiển IoT) |
Phụ thuộc đường truyền mạng (200 - 800ms) |
Thời gian thực (< 50ms tại biên) |
| Chi phí triển khai |
Rất cao (thiết bị độc quyền) |
Chi phí duy trì server GPU cao |
Tối ưu (phần cứng nhúng phổ thông) |
Yêu cầu người dùng được cấu trúc theo mô hình MoSCoW:
- Must have: Xác thực đăng nhập, nhận diện khuôn mặt đơn lẻ, tính toán chỉ số EAR/MAR/Góc quay đầu (Head Pose), hiển thị giao diện trạng thái lớp học.
- Should have: Biểu đồ phân tích độ tập trung theo từng mốc thời gian tiết học, cảnh báo ngủ gật tức thì.
- Could have: Tích hợp cảm biến âm thanh phát hiện trao đổi riêng trong lớp.
- Won't have (hiện tại): Nhận diện nhiều học sinh đồng thời trên một kit xử lý đơn lẻ.
Thiết kế hệ thống
Kiến trúc hệ thống Smart Desk Controller bao gồm 4 tầng thành phần liên kết chặt chẽ:
+-------------------------------------------------------------------------+
| KIẾN TRÚC PHẦN MỀM SMART DESK CONTROLLER |
+-------------------------------------------------------------------------+
| [TẦNG GIAO DIỆN (UI/UX Layer)]: QML 2.15 + JavaScript |
| - Login Screen, Classroom Dashboard, Engagement Real-time Gauge |
| [TẦNG ĐIỀU KHIỂN TRUNG TÂM]: Qt 5.15 C++ Backend Core |
| - App Manager, Multi-threading Controller, Network HTTP/WebSocket API |
| [TẦNG XỬ LÝ THỊ GIÁC MÁY TÍNH (Edge AI Pipeline)]: OpenCV 4.5 & Dlib |
| - Face Detector: HOG + Linear SVM |
| - Landmark Extractor: 68-Point Shape Predictor (300-W dataset) |
| - Behavior Analyzer: EAR (Eyes), MAR (Mouth), SolvePnP (Euler Angles) |
| [TẦNG PHẦN CỨNG NHÚNG]: NVIDIA Jetson Nano Developer Kit |
| - Quad-Core ARM Cortex-A57 @ 1.43 GHz | 4GB LPDDR4 | 128 Maxwell Cores|
| - MIPI CSI-2 / USB Camera Interface | 16GB eMMC Storage |
+-------------------------------------------------------------------------+
Tech Stack chi tiết được chuẩn hóa:
- Phần cứng: NVIDIA Jetson Nano Dev Kit B01 (Quad-core ARM Cortex-A57 CPU, 128 CUDA cores Maxwell GPU, 4GB RAM LPDDR4, 16GB eMMC).
- Hệ điều hành: NVIDIA JetPack 4.6.1 (nhân Ubuntu 18.04 LTS aarch64 tối ưu cho xử lý tensor và đa phương tiện).
- Framework UI & Core: Qt 5.15 LTS (C++17) và QML (Qt Quick Controls 2).
- Thư viện AI & CV: OpenCV 4.5.4 with CUDA support, Dlib 19.22 C++ Library.
Cơ chế đa luồng (Multi-threading) được hiện thực hóa thông qua mô hình Signal-Slot của Qt: Luồng AI chạy ngầm độc lập liên tục trích xuất frame từ camera, tính toán vector đặc trưng và phát tín hiệu signal(float focusScore) gửi đến luồng chính (Main GUI Thread) để cập nhật giao diện thông qua lớp kế thừa QAbstractListModel, triệt tiêu hoàn toàn hiện tượng nghẽn UI (UI freeze).
Methodology
Dự án áp dụng mô hình phát triển phần mềm linh hoạt Agile Scrum với chu kỳ 4 Sprint (mỗi Sprint kéo dài 2 tuần), đảm bảo việc tích hợp liên tục giữa thuật toán AI và phần mềm nhúng:
- Sprint 1: Nghiên cứu lý thuyết, benchmark phần cứng (Raspberry Pi 5 vs Jetson Nano vs Android), thiết lập môi trường chéo (Cross-compile Toolchain) và cấu hình Qt Creator trên Jetson Nano.
- Sprint 2: Thiết kế cơ sở dữ liệu, dựng khung giao diện QML, lập trình luồng backend C++ quản lý lớp học.
- Sprint 3: Xây dựng thuật toán AI nhận dạng 68 facial landmarks, tính toán EAR, MAR và giải thuật Pose Estimation bằng C++/Dlib/OpenCV.
- Sprint 4: Tích hợp toàn diện phần mềm lên Jetson Nano, kiểm thử tải, đánh giá độ chính xác trên các bộ dataset chuẩn và tối ưu hóa hệ thống.
Quản lý mã nguồn, issue tracking và kiểm soát chất lượng phần mềm được thực thi tập trung trên GitLab.
Implementation và kết quả
Development process
Trái tim của hệ thống đánh giá độ tập trung là chuỗi xử lý thị giác kết hợp giữa thuật toán HOG + Linear SVM phát hiện mặt và mô hình hồi quy cây trích xuất 68 điểm đặc trưng khuôn mặt (Dlib 68 Facial Landmarks).
68 FACIAL LANDMARKS MAPPING TRONG HỆ THỐNG
18 19 20 21 22 23 24 25
37 38 43 44
36 p2 p3 39 40 42 p5 p6 45
(p1) (p4) (p4) (p1)
41 40 47 46
27
28
29
30
31 32 33 34 35
49 50 51 52 53
48 (p_top) 54
59 60 61 62 63 55
(p_l) (p_bot) (p_r)
58 57 56
Ba chỉ số sinh trắc học quan trọng được tính toán bao gồm:
-
Chỉ số tỷ lệ khung mắt (Eye Aspect Ratio - EAR):
Dùng để phát hiện trạng thái chớp mắt, nhắm mắt kéo dài hoặc ngủ gật. Với mỗi mắt gồm 6 tọa độ mốc $p_1, p_2, p_3, p_4, p_5, p_6$:
$$EAR = \frac{||p_2 - p_6|| + ||p_3 - p_5||}{2 \cdot ||p_1 - p_4||}$$
-
Chỉ số tỷ lệ khung miệng (Mouth Aspect Ratio - MAR):
Dùng để xác định hành vi nói chuyện riêng hoặc ngáp. Được xác định thông qua khoảng cách giữa các điểm môi trên, môi dưới và hai khóe miệng:
$$MAR = \frac{||p_{51} - p_{57}|| + ||p_{52} - p_{56}|| + ||p_{50} - p_{58}||}{2 \cdot ||p_{48} - p_{54}||}$$
-
Ước lượng tư thế đầu (Head Pose Estimation):
Sử dụng hàm cv::solvePnP để tìm ma trận xoay và vector tịnh tiến giữa các tọa độ điểm mốc 2D trên ảnh với mô hình 3D chuẩn của khuôn mặt người (gồm đỉnh mũi, cằm, hai khóe mắt và hai khóe miệng), từ đó trích xuất 3 góc Euler: Yaw (quay trái/phải), Pitch (ngửa/cúi đầu), Roll (nghiêng đầu).
Đoạn mã C++ lõi triển khai thuật toán tính toán góc Euler và tỷ lệ hình học:
#include <opencv2/opencv.hpp>
#include <dlib/opencv.h>
#include <dlib/image_processing.h>
// Hàm tính toán Eye Aspect Ratio (EAR)
double calculateEAR(const std::vector<cv::Point2d>& eye) {
double vertical_1 = cv::norm(eye[1] - eye[5]);
double vertical_2 = cv::norm(eye[2] - eye[4]);
double horizontal = cv::norm(eye[0] - eye[3]);
return (vertical_1 + vertical_2) / (2.0 * horizontal);
}
// Ước lượng góc Euler (Yaw, Pitch, Roll) từ 68 Landmarks
void estimateHeadPose(const std::vector<cv::Point2d>& imagePoints,
cv::Mat& cameraMatrix, cv::Mat& distCoeffs,
double& yaw, double& pitch, double& roll) {
// 3D Model Points chuẩn (Model nhân trắc học)
std::vector<cv::Point3d> modelPoints = {
{0.0, 0.0, 0.0}, // Đỉnh mũi (Landmark 30)
{0.0, -330.0, -65.0}, // Cằm (Landmark 8)
{-225.0, 170.0, -135.0}, // Khóe mắt trái (Landmark 36)
{225.0, 170.0, -135.0}, // Khóe mắt phải (Landmark 45)
{-150.0, -150.0, -125.0}, // Khóe miệng trái (Landmark 48)
{150.0, -150.0, -125.0} // Khóe miệng phải (Landmark 54)
};
cv::Mat rvec, tvec, rotMat;
cv::solvePnP(modelPoints, imagePoints, cameraMatrix, distCoeffs, rvec, tvec);
cv::Rodrigues(rvec, rotMat);
// Trích xuất góc Euler từ ma trận quay
pitch = asin(rotMat.at<double>(2, 1)) * 180.0 / CV_PI;
yaw = atan2(-rotMat.at<double>(2, 0), rotMat.at<double>(2, 2)) * 180.0 / CV_PI;
roll = atan2(-rotMat.at<double>(0, 1), rotMat.at<double>(1, 1)) * 180.0 / CV_PI;
}
Testing và validation
Nhóm tác giả đã tiến hành thực nghiệm kiểm thử độ chính xác trên 3 tập dữ liệu chuẩn học thuật:
- YawDD (Yawning Detection Dataset): Đánh giá khả năng phát hiện ngáp và trạng thái buồn ngủ qua giá trị biến thiên EAR và MAR.
- Pointing'04 Database: Tập dữ liệu gồm 15 bộ ảnh với các góc xoay đầu đa dạng để kiểm thử góc xoay Yaw ($\pm 90^\circ$), Pitch ($\pm 60^\circ$).
- 300-W Dataset: Kiểm thử khả năng bắt 68 điểm mốc trong điều kiện ánh sáng phức tạp.
+-----------------------------------------------------------------------+
| KẾT QUẢ PHÂN TÍCH TÀI NGUYÊN JETSON NANO |
+-----------------------------------------------------------------------+
| Tài nguyên | Chưa chạy App | Chạy UI Qt | Chạy Full AI Pipeline|
| -----------------|---------------|------------|----------------------|
| RAM (4GB Max) | 1.12 GB | 1.35 GB | 1.84 GB |
| CPU (4 Cores) | 4% - 8% | 12% - 18% | 42% - 55% |
| GPU (128 Cores) | 0% | 2% | 48% - 62% |
| Tốc độ xử lý | - | 60 FPS | 18.5 - 22.4 FPS |
| Nhiệt độ SoC | 38.5°C | 41.2°C | 49.6°C |
+-----------------------------------------------------------------------+
Kết quả đạt được
Hệ thống đã chứng minh độ chính xác vượt trội khi so sánh với các nghiên cứu tương đương sử dụng mô hình học sâu (Deep Learning) cồng kềnh:
| Hành vi đánh giá |
Ngưỡng thiết lập (Threshold) |
Độ chính xác thực nghiệm |
So sánh mục tiêu ban đầu |
| Phát hiện nhắm mắt/ngủ gật |
$EAR < 0.22$ trong 3s |
82.1% |
Đạt (Mục tiêu > 75%) |
| Phát hiện ngáp/nói chuyện |
$MAR > 0.65$ trong 2s |
78.5% |
Đạt (Mục tiêu > 75%) |
| Phát hiện quay đầu/mất tập trung |
$ |
Yaw |
> 25^\circ$ hoặc $Pitch < -20^\circ$ |
| Độ chính xác tổng hợp |
Đa tiêu chí tích hợp |
80.33% |
Vượt chỉ tiêu 5.33% |
Toàn bộ ứng dụng và thuật toán AI hoạt động ổn định trên Kit Jetson Nano với tốc độ xử lý duy trì trên 18 FPS, không xảy ra hiện tượng tràn bộ nhớ hay nghẽn luồng truyền tin.
Đổi mới và đóng góp
- Tối ưu hóa Edge AI không phụ thuộc Server: Khác biệt với các công trình trước đây đòi hỏi truyền tải luồng video trực tiếp về server, giải pháp của nhóm xử lý cục bộ 100% hình ảnh trên Jetson Nano. Băng thông mạng giảm hơn 92%, chỉ gửi các gói dữ liệu số hóa có dung lượng cực nhỏ (dưới 1 KB/lần cập nhật).
- Thuật toán phức hợp gọn nhẹ (Lightweight Ensemble Scoring): Thay vì sử dụng các mạng Deep CNN khổng lồ (như ResNet-50 hay MTCNN đa tầng tiêu tốn nhiều năng lượng), giải pháp kết hợp giữa HOG + SVM và Shape Predictor 68 điểm với giải thuật hình học không gian (SolvePnP) giúp tiết kiệm 60% tài nguyên tính toán mà vẫn đảm bảo độ chính xác trên 80%.
- Hiện thực hóa mô hình Hybrid Classroom hoàn chỉnh: Cung cấp một sản phẩm phần cứng/phần mềm nhúng hoàn chỉnh, có tính tương tác thời gian thực cao, vượt khỏi phạm vi của các bài báo nghiên cứu dạng mô phỏng lý thuyết.
Ứng dụng thực tế và triển khai
Trường hợp sử dụng thực tế (Use Cases)
- Lớp học kết hợp (Hybrid Classrooms) tại các trường Đại học & THPT: Bàn học thông minh tự động ghi nhận độ tập trung của từng học sinh, cung cấp biểu đồ trực quan giúp giảng viên kịp thời đổi mới phương pháp giảng dạy nếu nhận thấy lớp học xuất hiện dấu hiệu uể oải.
- Phòng thi và khảo thí số hóa: Hỗ trợ giám thị phát hiện tự động các hành vi gian lận như quay đầu sang bàn bên cạnh, trao đổi bài hoặc sử dụng tài liệu trái phép.
- Góc tự học cá nhân thông minh: Thiết bị cảnh báo học sinh khi ngồi sai tư thế (cúi đầu quá sát mặt bàn) hoặc làm việc quá sức khi tần suất chớp mắt và ngáp tăng cao.
QUY TRÌNH TRIỂN KHAI VẬN HÀNH
[Bước 1: Chuẩn bị phần cứng] [Bước 2: Cấu hình phần mềm] [Bước 3: Vận hành & Đồng bộ]
+-----------------------------+ +-----------------------------+ +-----------------------------+
| • Jetson Nano 4GB eMMC | | • Flash OS: JetPack 4.6.1 | | • Sinh viên đăng nhập UI |
| • MIPI CSI Camera 1080p | | • Compile OpenCV + CUDA | | • Hệ thống bắt đầu tiết học |
| • Touchscreen 7-inch HDMI | | • Build App Qt 5.15 & Dlib | | • AI phân tích real-time |
| • Nguồn DC 5V/4A tiêu chuẩn | | • Setup Auto-start Systemd | | • Gửi báo cáo về máy chủ |
+-----------------------------+ +-----------------------------+ +-----------------------------+
Phân tích hiệu quả kinh tế (Cost-Benefit & ROI)
Chi phí phần cứng cho một bộ điều khiển Smart Desk ước tính khoảng 2.500.000 – 3.200.000 VNĐ (sử dụng linh kiện nhúng phổ biến). So với việc đầu tư hàng chục nghìn USD cho các hệ thống máy chủ GPU và camera giám sát thông minh toàn phòng học độc quyền, giải pháp này giúp nhà trường tiết kiệm 55% chi phí đầu tư ban đầu và loại bỏ hoàn toàn chi phí thuê máy chủ đám mây định kỳ.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật hiện tại
- Điều kiện ánh sáng yếu: Khi phòng học quá tối hoặc bị ngược sáng mạnh, tỷ lệ bắt điểm mốc 68 landmarks suy giảm dẫn đến đánh giá sai lệch EAR/MAR.
- Vật thể che khuất (Occlusion): Học sinh đeo khẩu trang y tế che kín miệng hoặc đeo kính râm gây khó khăn cho việc nhận diện khóe môi và cử động mắt.
- Độ nhạy góc quay lớn: Khi học sinh quay đầu một góc vượt quá $60^\circ$, một nửa khuôn mặt bị khuất khiến mô hình HOG không thể phát hiện bounding box.
Hướng nâng cấp mở rộng
- Tích hợp công nghệ NVIDIA TensorRT để tăng tốc độ suy luận mô hình AI lên mức 30+ FPS, giảm thêm 20% tải CPU.
- Ứng dụng cảm biến hồng ngoại (IR Camera) để nâng cao độ tin cậy trong môi trường thiếu sáng.
- Bổ sung module phân tích biểu cảm cảm xúc (Emotion Recognition) và cử chỉ tay (Hand Gestures) thông qua mạng nơ-ron tích chập nhẹ (MobileNetV3).
Đối tượng hưởng lợi
- Sinh viên & Học viên: Tự nâng cao ý thức học tập, nhận cảnh báo tư thế ngồi chuẩn để phòng tránh cận thị và cong vẹo cột sống.
- Giảng viên & Nhà trường: Nắm bắt dữ liệu thống kê chân thực về chất lượng bài giảng và sự quan tâm của lớp học theo thời gian thực mà không cần điểm danh hay quan sát thủ công.
- Lập trình viên phần mềm nhúng & Kỹ sư AI: Nguồn tài liệu tham khảo chi tiết về kỹ thuật lập trình giao diện Qt/QML đa luồng kết hợp với xử lý hình ảnh OpenCV/Dlib tối ưu trên phần cứng ARM.
- Các nhà nghiên cứu giáo dục số (EdTech Researchers): Bộ dữ liệu thực nghiệm giá trị phục vụ các nghiên cứu phân tích tương tác hành vi người học trong chuyển đổi số.
Câu hỏi thường gặp
1. Cấu hình phần cứng tối thiểu để triển khai bộ điều khiển này là gì?
Phần cứng yêu cầu một vi xử lý tối thiểu 4 nhân ARM (Cortex-A53 trở lên), dung lượng RAM tối thiểu 2GB (khuyến nghị 4GB cho tác vụ đa luồng mượt mà), bộ nhớ lưu trữ eMMC/SD tối thiểu 16GB và một camera có độ phân giải từ 720p @ 30FPS hỗ trợ chuẩn giao tiếp V4L2.
2. Hệ thống có khả năng mở rộng (Scalability) khi lớp học có 50 - 100 bàn học không?
Có tính mở rộng rất cao. Do toàn bộ quy trình tính toán xử lý hình ảnh phức tạp đã được phân tán thực thi độc lập tại từng bàn học (Edge Computing), máy chủ trung tâm chỉ tiếp nhận các gói dữ liệu JSON/MQTT dung lượng cực nhẹ (chứa Focus Score, trạng thái hiện tại), đảm bảo băng thông không bao giờ bị nghẽn kể cả khi mở rộng quy mô lên hàng trăm thiết bị.
3. Làm cách nào để tích hợp dữ liệu vào các hệ thống quản lý học tập (LMS) sẵn có?
Bộ điều khiển Smart Desk hỗ trợ giao thức mạng TCP/IP tiêu chuẩn, cung cấp khả năng đóng gói dữ liệu và đẩy lên các RESTful API hoặc WebSocket Server của các nền tảng LMS phổ biến như Moodle, Canvas hay Blackboard thông qua các module mạng sẵn có của Qt Network (QNetworkAccessManager).
4. Hệ thống có bảo mật hình ảnh riêng tư của học sinh không?
Tuyệt đối an toàn. Hệ thống xử lý ảnh trực tiếp trong bộ nhớ đệm RAM của kit nhúng và xóa ngay lập tức sau khi trích xuất đặc trưng điểm mốc. Không có bất kỳ video stream hay hình ảnh thô nào được lưu trữ vào bộ nhớ trong hoặc truyền tải qua mạng Internet.
5. Chi phí bảo trì và độ bền của thiết bị trong môi trường lớp học thực tế?
Kit Jetson Nano và bo mạch nhúng được thiết kế công nghiệp với độ bền cao, hoạt động ở mức công suất danh định 5W - 10W. Thiết bị được tản nhiệt nhôm thụ động hoặc quạt 5V PWM điều tốc tự động, cho phép vận hành liên tục suốt 8-12 tiếng mỗi ngày mà không xảy ra quá nhiệt, chi phí bảo dưỡng gần như bằng không.
Kết luận
Đồ án tốt nghiệp của sinh viên Đào Ngọc Minh Trí và Nguyễn Chí Thiện đã giải quyết xuất sắc bài toán nâng cao chất lượng dạy và học trong môi trường giáo dục số hiện đại. Bằng việc kết hợp nhuần nhuyễn giữa phần cứng máy tính nhúng NVIDIA Jetson Nano, framework giao diện Qt/QML hiện đại cùng các giải thuật thị giác máy tính chuẩn xác (HOG+SVM, EAR, MAR, Pose Estimation), dự án đã chứng minh tính khả thi, hiệu quả vượt trội (độ chính xác > 80%) và độ ổn định thực tế của bộ điều khiển bàn học thông minh Smart Desk. Đây là bước tiến quan trọng mở đường cho các giải pháp EdTech ứng dụng Trí tuệ nhân tạo biên hoàn chỉnh tại Việt Nam.
