Nghiên Cứu và Phát Triển Hệ Thống Nhận Diện Mặt Người Không Đeo Khẩu Trang

• Tác giả: Lê Anh Tuấn
• Người hướng dẫn: PGS. Lê Trung Quân
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Hệ Thống Nhận Diện Mặt Người Không Đeo Khẩu Trang
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu hướng đến của đề tài
• 1.2. Mục tiêu tổng quan
• 1.3. Mục tiêu cụ thể
• 1.4. Giới hạn và kết quả mong muốn của đề tài
• 1.4.1. Đối tượng nghiên cứu
• 2. CÁC NGHIÊN CỨU VÀ CÔNG NGHỆ LIÊN QUAN
• 2.1. Các nghiên cứu và xu hướng công nghệ trên thế giới
• 2.2. Trí tuệ nhân tạo tại cận biên
• 2.3. Ảo hóa tại cận biên
• 2.4. Một số ứng dụng liên quan đến COVID-19 tại Việt Nam
• 2.5. Cơ sở lý thuyết và hướng tiếp cận đề tài
• 2.5.1. Công nghệ ảo hóa container
• 2.5.2. Công nghệ điều phối container
• 2.5.3. Kiến trúc Microservices
• 2.5.4. Công cụ và kỹ thuật DevOps
• 2.5.5. Các mô hình trí tuệ nhân tạo nhận diện đối tượng
• 2.5.6. Các công nghệ phát triển ứng dụng AI nhận diện đối tượng
• 3. PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Thiết kế hệ thống tổng quan
• 3.2. Thiết kế các thành phần đám mây
• 3.3. Các chức năng nền tảng hệ thống
• 3.4. Facemask Recognition Management System (FRMS)
• 3.5. Thiết kế các thành phần cận biên
• 3.6. Các chức năng nền tảng hệ thống Facemask Recognition
• 3.7. Thiết kế các thành phần thiết bị đầu cuối
• 3.8. Xử lý luồng video
• 3.9. Ứng dụng desktop và di động
• 4. THỰC HIỆN VÀ TRIỂN KHAI HỆ THỐNG
• 4.1. Thực hiện các thành phần đám mây
• 4.2. Nền tảng hệ thống
• 4.3. Các chức năng nền tảng hệ thống Facemask Recognition Management System
• 4.4. Huấn luyện và kiểm tra mô hình trí tuệ nhân tạo
• 4.5. Triển khai các thành phần cận biên
• 4.6. Nền tảng hệ thống
• 4.7. Các chức năng nền tảng hệ thống
• 4.8. Thực hiện các thành phần thiết bị đầu cuối
• 5. KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Đánh giá độ chính xác và hiệu suất của mô hình AI
• 5.2. Lý thuyết phép đo đánh giá mô hình
• 5.3. Đánh giá kết quả
• 5.4. Đánh giá hiệu suất và tính sẵn sàng
• 5.5. Đánh giá hiệu suất trong việc triển khai hệ thống tự động
• 5.6. Đánh giá tài nguyên phần cứng sử dụng
• 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TƯƠNG LAI
• 6.1. Kết quả đạt được
• 6.2. Một số thách thức khi thực hiện đề tài
• 6.3. Một số hạn chế của đề tài
• 6.4. Hướng phát triển tương lai
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Nghiên Cứu Nhận Diện Khuôn Mặt Không Khẩu Trang

Trong bối cảnh đại dịch COVID-19, việc nhận diện khuôn mặt đã trở thành một thách thức lớn, đặc biệt khi mọi người đều đeo khẩu trang. Các hệ thống nhận diện khuôn mặt truyền thống gặp khó khăn trong việc xác định danh tính khi phần lớn khuôn mặt bị che khuất. Nghiên cứu này tập trung vào việc phát triển các phương pháp nhận dạng khuôn mặt không đeo khẩu trang hiệu quả, nhằm hỗ trợ các ứng dụng trong an ninh, giám sát, và các hệ thống truy cập. Bài toán đặt ra là làm thế nào để xây dựng một hệ thống có thể vượt qua những hạn chế do khẩu trang gây ra, đồng thời vẫn đảm bảo độ chính xác và tốc độ nhận diện cao. Theo nghiên cứu, việc phân tích các đặc điểm khuôn mặt còn lại, như mắt, trán, và cấu trúc khuôn mặt tổng thể, đóng vai trò quan trọng. Một số thuật toán nhận diện tiên tiến và các kỹ thuật deep learning đang được áp dụng để giải quyết vấn đề này.

1.1. Giới Thiệu Về Bài Toán Nhận Diện Khuôn Mặt Mới

Bài toán nhận diện khuôn mặt trong điều kiện có khẩu trang đặt ra yêu cầu phải phát triển các algorithm mới, có khả năng thích ứng với sự thay đổi về hình ảnh. Các mô hình cũ dựa trên toàn bộ khuôn mặt giờ đây phải được điều chỉnh để tập trung vào các vùng không bị che khuất. Việc này đòi hỏi sự kết hợp của nhiều kỹ thuật xử lý ảnh và học sâu khác nhau. Theo tác giả Luận Văn Thạc Sĩ Lê Anh Tuấn, 'Trong thời đại bùng nỗ thông tin, số lượng lớn các thiết bị kết nối mạng và dữ liệu được sinh ra ngày càng tăng [4] [5], trong đó việc phân tích, xử lý dữ liệu trên, cũng như áp dụng AI chủ yếu diễn ra tại điện toán đám mây.'

1.2. Tầm Quan Trọng Của Nhận Dạng Khuôn Mặt Không Khẩu Trang

Ứng dụng của nhận dạng khuôn mặt không đeo khẩu trang rất rộng, từ an ninh công cộng đến các hệ thống giám sát tại các khu vực yêu cầu tuân thủ quy định về khẩu trang. Trong lĩnh vực sinh trắc học, việc xác định danh tính một cách chính xác, ngay cả khi có khẩu trang, là rất quan trọng. Hơn nữa, trong bối cảnh dịch bệnh, hệ thống có thể giúp nhận biết những người không tuân thủ quy định, hỗ trợ kiểm soát dịch bệnh hiệu quả hơn. Luận văn thạc sĩ đã đề cập đến tính cấp thiết của việc nhận diện mặt người trong dịch bệnh, 'Với nhu cầu cấp thiết của đề tài, ứng dụng nhận diện mặt người không deo khẩu trang được chọn để triển khai thực nghiệm trong việc nghiên cứu và xây dựng hệ thống cận biên thông minh dựa trên các tiêu chí, giải pháp và hướng tiếp cận đã được trình bày ở trên.'

II. Thách Thức Trong Nhận Diện Khuôn Mặt Khi Đeo Khẩu Trang

Việc đeo khẩu trang tạo ra nhiều thách thức đáng kể cho các hệ thống nhận diện khuôn mặt. Độ chính xác của các hệ thống giảm đáng kể do thông tin khuôn mặt quan trọng bị che khuất. Điều này đòi hỏi các nhà nghiên cứu phải tìm ra các phương pháp mới để trích xuất các đặc điểm khuôn mặt còn lại một cách hiệu quả. Ngoài ra, sự thay đổi về ánh sáng và góc nhìn cũng ảnh hưởng đến hiệu suất của hệ thống. Các algorithm cần phải được thiết kế để có khả năng chống chịu tốt với các yếu tố gây nhiễu này. Một vấn đề khác là việc thiếu dữ liệu huấn luyện đủ lớn với hình ảnh khuôn mặt có khẩu trang.

2.1. Ảnh Hưởng Của Khẩu Trang Đến Độ Chính Xác Nhận Diện

Sự che phủ của khẩu trang làm giảm đáng kể độ chính xác của các hệ thống nhận diện khuôn mặt truyền thống. Các hệ thống này thường dựa vào các đặc điểm như mũi, miệng, và cằm để xác định danh tính. Khi các đặc điểm này bị che khuất, hệ thống phải dựa vào các thông tin ít tin cậy hơn, dẫn đến sai sót. Việc đánh giá tác động của khẩu trang đến nhận diện khuôn mặt là rất quan trọng để cải thiện hiệu suất của hệ thống. Các thử nghiệm cần được thực hiện với dataset lớn và đa dạng để đánh giá khả năng của hệ thống trong các tình huống khác nhau.

2.2. Khó Khăn Trong Thu Thập Dữ Liệu Khuôn Mặt Đeo Khẩu Trang

Việc thu thập dữ liệu huấn luyện với hình ảnh khuôn mặt có khẩu trang là một thách thức lớn. Các dataset công khai thường không có đủ số lượng hình ảnh cần thiết. Việc tạo ra dataset mới đòi hỏi nhiều công sức và chi phí. Hơn nữa, việc đảm bảo tính riêng tư và bảo mật của dữ liệu cũng là một vấn đề quan trọng cần được xem xét. Cần có các quy trình rõ ràng để thu thập và xử lý dữ liệu một cách an toàn và hợp pháp. Theo như luận văn thạc sỹ, 'Việc thu thập dữ liệu khuôn mặt không đeo khẩu trang gặp nhiều khó khăn.'

2.3. Vấn Đề Về Biến Thể Ánh Sáng và Góc Nhìn

Các yếu tố như ánh sáng và góc nhìn có thể ảnh hưởng đáng kể đến hiệu suất của hệ thống nhận diện khuôn mặt. Khi đeo khẩu trang, sự thay đổi về ánh sáng có thể làm cho các đặc điểm khuôn mặt còn lại trở nên khó nhận biết hơn. Tương tự, góc nhìn khác nhau có thể làm thay đổi hình dạng của khuôn mặt, gây khó khăn cho hệ thống trong việc xác định danh tính. Các algorithm cần phải được thiết kế để có khả năng chống chịu tốt với các yếu tố gây nhiễu này.

III. Phương Pháp Deep Learning Cho Nhận Diện Mặt Không Khẩu Trang

Các phương pháp deep learning, đặc biệt là mạng nơ-ron tích chập (convolutional neural network – CNN), đã chứng minh được hiệu quả trong việc giải quyết bài toán nhận diện khuôn mặt không đeo khẩu trang. Các mô hình CNN có khả năng tự động trích xuất các đặc điểm quan trọng từ hình ảnh, ngay cả khi một phần khuôn mặt bị che khuất. Việc sử dụng các dataset lớn và đa dạng giúp mô hình học được các đặc điểm khuôn mặt một cách tổng quát. Các kỹ thuật như transfer learning và data augmentation cũng được áp dụng để cải thiện hiệu suất của hệ thống.

3.1. Ứng Dụng Mạng Nơ ron Tích Chập CNN Để Nhận Diện

Mạng nơ-ron tích chập (CNN) là một trong những công cụ mạnh mẽ nhất trong lĩnh vực nhận diện khuôn mặt. Các lớp tích chập trong CNN cho phép trích xuất các đặc điểm quan trọng từ hình ảnh, trong khi các lớp gộp giúp giảm kích thước của dữ liệu, tăng tốc độ xử lý. Việc sử dụng các kiến trúc CNN phức tạp, như ResNet và Inception, có thể cải thiện đáng kể độ chính xác của hệ thống. Theo đánh giá, 'Kết quả huấn luyện mô hình YOLOv3 416 x 416.' cho thấy CNN hiệu quả.

3.2. Tối Ưu Hóa Mô Hình Bằng Transfer Learning và Data Augmentation

Transfer learning là một kỹ thuật cho phép sử dụng kiến thức đã học từ một dataset lớn để cải thiện hiệu suất của mô hình trên một dataset nhỏ hơn. Trong trường hợp nhận diện khuôn mặt có khẩu trang, có thể sử dụng một mô hình đã được huấn luyện trên một dataset lớn về khuôn mặt để khởi tạo mô hình mới, sau đó tinh chỉnh mô hình này trên dataset nhỏ hơn về khuôn mặt có khẩu trang. Data augmentation là một kỹ thuật tạo ra các biến thể của hình ảnh hiện có, như xoay, lật, và thay đổi độ sáng, để tăng kích thước của dataset huấn luyện. Luận Văn chỉ rõ các bước thực hiện huấn luyện mô hình.

3.3. Sử Dụng Các Kiến Trúc Mạng Nơ ron Tiên Tiến YOLOv3 YOLOv4

Các kiến trúc mạng nơ-ron như YOLOv3, YOLOv4 và các biến thể khác đã chứng minh khả năng vượt trội trong việc phát hiện khuôn mặt và nhận diện đối tượng theo thời gian thực. YOLO (You Only Look Once) là một algorithm nhận diện rất nhanh, cho phép xử lý ảnh và video với tốc độ cao. Việc áp dụng các kiến trúc này vào bài toán nhận diện khuôn mặt không đeo khẩu trang có thể cải thiện đáng kể tốc độ nhận diện và độ chính xác. Các đánh giá về YOLO được luận văn thạc sỹ phân tích kỹ lưỡng.

IV. Ứng Dụng Thực Tế Của Hệ Thống Nhận Diện Mặt Không Khẩu Trang

Hệ thống nhận diện khuôn mặt không đeo khẩu trang có nhiều ứng dụng thực tế quan trọng. Trong lĩnh vực an ninh, hệ thống có thể được sử dụng để giám sát và xác định danh tính những người không tuân thủ quy định về khẩu trang tại các khu vực công cộng. Trong lĩnh vực giám sát, hệ thống có thể giúp kiểm soát truy cập vào các tòa nhà và khu vực hạn chế. Ngoài ra, hệ thống cũng có thể được sử dụng trong các ứng dụng như thanh toán không tiếp xúc và xác thực danh tính trực tuyến.

4.1. Ứng Dụng Trong An Ninh và Giám Sát Công Cộng

Trong lĩnh vực an ninh và giám sát công cộng, hệ thống nhận diện khuôn mặt không đeo khẩu trang có thể được sử dụng để phát hiện và cảnh báo về những người không tuân thủ quy định về khẩu trang. Hệ thống có thể được tích hợp vào các hệ thống camera giám sát hiện có để tự động phát hiện và báo động khi có người không đeo khẩu trang. Theo như luận văn, 'Nếu có các giải pháp cảnh báo việc tuân thủ các quy tắc cộng đồng sẽ giúp phần nào cải thiện tình hình lây nhiễm dịch bệnh.'

4.2. Kiểm Soát Truy Cập và Xác Thực Danh Tính

Hệ thống nhận diện khuôn mặt không đeo khẩu trang có thể được sử dụng để kiểm soát truy cập vào các tòa nhà và khu vực hạn chế. Thay vì sử dụng thẻ hoặc mật khẩu, người dùng có thể được xác thực bằng khuôn mặt, ngay cả khi đang đeo khẩu trang. Hệ thống cũng có thể được sử dụng trong các ứng dụng như thanh toán không tiếp xúc và xác thực danh tính trực tuyến, giúp tăng cường tính bảo mật và tiện lợi.

V. Đánh Giá Hiệu Năng và Độ Chính Xác Của Mô Hình AI

Việc đánh giá hiệu năng của các mô hình AI nhận diện khuôn mặt không đeo khẩu trang là rất quan trọng để đảm bảo độ chính xác và tốc độ nhận diện đáp ứng yêu cầu của các ứng dụng thực tế. Các chỉ số đánh giá thường được sử dụng bao gồm độ chính xác, độ phủ, và F1-score. Ngoài ra, tốc độ nhận diện (thời gian cần thiết để xử lý một hình ảnh) cũng là một yếu tố quan trọng cần được xem xét. Các thử nghiệm cần được thực hiện với dataset lớn và đa dạng để đánh giá khả năng của mô hình trong các tình huống khác nhau.

5.1. Các Chỉ Số Đánh Giá Độ Chính Xác Accuracy Precision Recall

Độ chính xác (accuracy), độ phủ (precision), và độ nhạy (recall) là các chỉ số quan trọng để đánh giá độ chính xác của các mô hình AI nhận diện khuôn mặt không đeo khẩu trang. Độ chính xác cho biết tỷ lệ các dự đoán đúng trên tổng số dự đoán. Độ phủ cho biết tỷ lệ các trường hợp dương tính được dự đoán đúng. Độ nhạy cho biết tỷ lệ các trường hợp thực tế dương tính được dự đoán là dương tính. F1-score là trung bình điều hòa của độ phủ và độ nhạy, cung cấp một đánh giá tổng quan về hiệu suất của mô hình.

5.2. Đánh Giá Tốc Độ Nhận Diện Real time Processing

Tốc độ nhận diện là một yếu tố quan trọng cần được xem xét khi đánh giá hiệu năng của các mô hình AI nhận diện khuôn mặt. Trong nhiều ứng dụng thực tế, yêu cầu nhận diện phải được thực hiện trong thời gian thực (real-time processing). Điều này đòi hỏi mô hình phải có khả năng xử lý ảnh và đưa ra kết quả nhận diện với tốc độ cao. Các kỹ thuật tối ưu hóa algorithm và phần cứng có thể được sử dụng để cải thiện tốc độ nhận diện.

VI. Kết Luận Hướng Phát Triển Tương Lai Nhận Diện Mặt Không Khẩu Trang

Nghiên cứu về nhận diện khuôn mặt không đeo khẩu trang là một lĩnh vực đang phát triển nhanh chóng, với nhiều tiềm năng ứng dụng quan trọng. Các phương pháp deep learning đã chứng minh được hiệu quả trong việc giải quyết bài toán này, nhưng vẫn còn nhiều thách thức cần được vượt qua. Trong tương lai, các nghiên cứu sẽ tập trung vào việc cải thiện độ chính xác và tốc độ nhận diện của hệ thống, đồng thời tăng cường khả năng chống chịu với các yếu tố gây nhiễu. Việc phát triển các dataset lớn và đa dạng cũng là một ưu tiên hàng đầu. Việc khám phá thêm về AI Edge và ứng dụng nó vào bài toán này là rất quan trọng.

6.1. Tóm Tắt Kết Quả Nghiên Cứu và Hướng Đi Mới

Các kết quả nghiên cứu hiện tại cho thấy rằng mạng nơ-ron tích chập (CNN) là một công cụ mạnh mẽ để nhận diện khuôn mặt không đeo khẩu trang. Tuy nhiên, vẫn còn nhiều vấn đề cần được giải quyết, như làm thế nào để cải thiện độ chính xác trong các điều kiện ánh sáng yếu hoặc góc nhìn khó khăn. Các hướng đi mới có thể bao gồm việc sử dụng các kiến trúc mạng nơ-ron phức tạp hơn, hoặc kết hợp deep learning với các kỹ thuật xử lý ảnh truyền thống.

6.2. Tiềm Năng Phát Triển và Ứng Dụng Trong Tương Lai

Trong tương lai, hệ thống nhận diện khuôn mặt không đeo khẩu trang có thể được tích hợp vào nhiều ứng dụng khác nhau, từ an ninh công cộng đến chăm sóc sức khỏe. Ví dụ, hệ thống có thể được sử dụng để giám sát các khu vực công cộng và phát hiện những người không tuân thủ quy định về khẩu trang. Trong lĩnh vực chăm sóc sức khỏe, hệ thống có thể được sử dụng để xác thực danh tính bệnh nhân hoặc kiểm soát truy cập vào các khu vực hạn chế.

Tổng quan nghiên cứu

Trong bối cảnh bùng nổ của cuộc cách mạng công nghiệp 4.0, sự phát triển nhanh chóng của các thiết bị kết nối mạng, Internet of Things (IoT), mạng 5G và trí tuệ nhân tạo (AI) đã tạo điều kiện thuận lợi cho việc phát triển các ứng dụng thông minh dựa trên tính toán biên (edge computing). Ước tính đến năm 2022, toàn cầu có khoảng 29 tỷ thiết bị được kết nối, tạo ra lượng dữ liệu khổng lồ cần xử lý nhanh và hiệu quả. Tuy nhiên, việc xử lý dữ liệu tập trung tại điện toán đám mây gặp phải các hạn chế như độ trễ phản hồi cao, tắc nghẽn mạng, tiêu hao năng lượng và chi phí đường truyền lớn, đặc biệt với các ứng dụng yêu cầu xử lý theo thời gian thực.

Luận văn tập trung nghiên cứu và phát triển hệ thống cận biên thông minh ứng dụng công nghệ ảo hóa và điều phối container có hỗ trợ GPU, nhằm giải quyết các vấn đề trên. Đặc biệt, đề tài triển khai ứng dụng nhận diện mặt người không đeo khẩu trang – một giải pháp cấp thiết trong bối cảnh đại dịch COVID-19, giúp giám sát và cảnh báo kịp thời nhằm ngăn ngừa lây lan dịch bệnh trong cộng đồng. Phạm vi nghiên cứu bao gồm phát triển hệ thống trên nền tảng máy tính nhúng kiến trúc ARM và máy tính x64, với các công nghệ như Kubernetes, Docker, YOLO, và các công cụ DevOps.

Mục tiêu chính của nghiên cứu là xây dựng hệ thống cận biên có khả năng triển khai và quản lý các ứng dụng AI xử lý theo thời gian thực, đảm bảo tính sẵn sàng, khả năng mở rộng, tự phục hồi và giảm thiểu chi phí vận hành. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả ứng dụng AI tại cận biên, góp phần phát triển các giải pháp công nghệ phục vụ phòng chống dịch bệnh và các lĩnh vực yêu cầu xử lý thời gian thực khác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình công nghệ hiện đại sau:

• Tính toán biên (Edge Computing): Phân phối xử lý dữ liệu gần nguồn phát sinh nhằm giảm độ trễ, tiết kiệm băng thông và năng lượng so với điện toán đám mây truyền thống.
• Ảo hóa container và điều phối container: Sử dụng Docker, Containerd, CRI-O để đóng gói ứng dụng và thư viện phụ thuộc thành các container gọn nhẹ, dễ triển khai trên các thiết bị có tài nguyên hạn chế. Kubernetes và K3s được áp dụng để quản lý, điều phối tự động các container, đảm bảo tính sẵn sàng, mở rộng và tự phục hồi.
• Kiến trúc Microservices: Phân tách ứng dụng thành các dịch vụ nhỏ, độc lập, dễ bảo trì và triển khai, phù hợp với môi trường container.
• Mô hình nhận diện đối tượng YOLO (You Only Look Once): Thuật toán nhận diện đối tượng theo thời gian thực, có hiệu suất cao và độ chính xác phù hợp cho các thiết bị nhúng.
• DevOps và CI/CD: Áp dụng GitLab, GitLab Runner, Kubernetes Executor để tự động hóa quy trình phát triển, kiểm thử và triển khai phần mềm, giảm thiểu lỗi thủ công và tăng tốc độ cập nhật ứng dụng.

Các khái niệm chính bao gồm: container runtime, điều phối Kubernetes, persistent volume, DevOps pipeline, mô hình học sâu YOLO, và các công cụ giám sát Prometheus, Grafana, AlertManager.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ các bài báo khoa học uy tín, tài liệu kỹ thuật, và thực nghiệm trên hệ thống được xây dựng. Phương pháp nghiên cứu bao gồm:

• Khảo sát và phân tích công nghệ: Tổng hợp các nghiên cứu liên quan về AI tại cận biên, công nghệ ảo hóa container, điều phối Kubernetes, và các mô hình nhận diện đối tượng.
• Thiết kế hệ thống: Phân tích yêu cầu, thiết kế kiến trúc phần mềm và phần cứng cho hệ thống cận biên và đám mây, bao gồm các thành phần ảo hóa, điều phối, lưu trữ và giám sát.
• Triển khai thực nghiệm: Xây dựng hệ thống trên máy tính nhúng Jetson Nano (ARM64) và máy tính x64, sử dụng K3s và K8s, tích hợp YOLOv3-Tiny và YOLOv4-Tiny cho nhận diện mặt người không đeo khẩu trang.
• Đánh giá hiệu suất: Thực hiện các bài kiểm tra về độ chính xác mô hình AI, hiệu suất xử lý, tính sẵn sàng hệ thống, thời gian triển khai tự động và tài nguyên phần cứng sử dụng.
• Timeline nghiên cứu: Nghiên cứu và khảo sát công nghệ (3 tháng), thiết kế hệ thống (2 tháng), triển khai và phát triển (4 tháng), thực nghiệm và đánh giá (3 tháng), tổng hợp và hoàn thiện luận văn (2 tháng).

Cỡ mẫu thực nghiệm gồm các thiết bị nhúng Jetson Nano và máy tính x64, với dữ liệu hình ảnh và video thu thập từ các camera OV2640, IMX219-160, IMX219-160IR. Phương pháp chọn mẫu dựa trên khả năng tài chính và tính đại diện cho các thiết bị cận biên phổ biến.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình nhận diện mặt người không đeo khẩu trang:

   • Mô hình YOLOv3-Tiny đạt độ chính xác khoảng 85% mAP trên tập dữ liệu thử nghiệm, với tốc độ xử lý 45 FPS trên Jetson Nano.
   • YOLOv4-Tiny cải thiện độ chính xác lên khoảng 90% mAP, tốc độ xử lý đạt 40 FPS, phù hợp cho ứng dụng thời gian thực trên thiết bị nhúng.

2. Hiệu suất và tính sẵn sàng của hệ thống cận biên:

   • Hệ thống điều phối container sử dụng K3s trên Jetson Nano tiêu thụ tài nguyên CPU khoảng 30%, RAM khoảng 1.5 GB, đảm bảo khả năng mở rộng và tự phục hồi khi một node bị lỗi.
   • Thời gian khôi phục dịch vụ sau sự cố trung bình dưới 10 giây, đảm bảo tính liên tục cho ứng dụng AI.

3. Hiệu quả triển khai tự động và DevOps:

   • CI/CD pipeline với GitLab Runner và Kubernetes Executor rút ngắn thời gian triển khai ứng dụng mới xuống còn khoảng 5 phút, giảm thiểu sai sót do thao tác thủ công.
   • Quản lý container image và cập nhật phần mềm tự động giúp tiết kiệm 40% thời gian vận hành so với phương pháp truyền thống.

4. Đánh giá tài nguyên phần cứng:

   • GPU NVIDIA tích hợp trên Jetson Nano giúp tăng tốc xử lý mô hình AI lên 3 lần so với chỉ dùng CPU.
   • Hệ thống lưu trữ Longhorn và sao lưu dự phòng trên Amazon S3 đảm bảo dữ liệu được nhân bản trên ít nhất 3 nodes, tăng tính sẵn sàng dữ liệu lên 99.9%.

Thảo luận kết quả

Kết quả thực nghiệm cho thấy việc áp dụng công nghệ ảo hóa container và điều phối Kubernetes phiên bản gọn nhẹ K3s trên các thiết bị nhúng ARM là khả thi và hiệu quả. Mô hình YOLOv4-Tiny được lựa chọn nhờ cân bằng tốt giữa độ chính xác và tốc độ xử lý, phù hợp với yêu cầu nhận diện mặt người không đeo khẩu trang theo thời gian thực.

So sánh với các nghiên cứu trước đây, hệ thống đề xuất có tính linh hoạt cao hơn nhờ kiến trúc microservices và tích hợp DevOps, giúp giảm chi phí vận hành và tăng khả năng mở rộng. Việc sử dụng GPU tăng tốc xử lý AI cũng là điểm cộng quan trọng, giúp đáp ứng yêu cầu xử lý nhanh trong môi trường cận biên.

Biểu đồ đánh giá độ chính xác và hiệu suất mô hình AI (Confusion Matrix, FPS) cùng biểu đồ tài nguyên phần cứng sử dụng được trình bày chi tiết trong luận văn, minh họa rõ ràng hiệu quả của hệ thống. Hệ thống giám sát tập trung với Prometheus và Grafana giúp quản trị viên dễ dàng theo dõi trạng thái và cảnh báo kịp thời, nâng cao độ tin cậy.

Tuy nhiên, hệ thống còn một số hạn chế như quy mô thực nghiệm nhỏ, chưa kiểm tra với số lượng lớn thiết bị, và một số chức năng Kubernetes chưa được khai thác hết. Đây là cơ sở để phát triển hướng nghiên cứu tiếp theo.

Đề xuất và khuyến nghị

1. Mở rộng quy mô triển khai hệ thống cận biên:

   • Thực hiện triển khai trên nhiều thiết bị nhúng hơn, đa dạng về cấu hình phần cứng để đánh giá khả năng mở rộng và tính ổn định.
   • Thời gian: 6-12 tháng.
   • Chủ thể: Các tổ chức nghiên cứu, doanh nghiệp công nghệ.

2. Tối ưu hóa mô hình AI và tích hợp thêm các thuật toán mới:

   • Nghiên cứu và áp dụng các phiên bản YOLO mới hơn hoặc các mô hình lightweight khác để nâng cao độ chính xác và giảm tải tài nguyên.
   • Thời gian: 3-6 tháng.
   • Chủ thể: Nhóm phát triển AI, sinh viên nghiên cứu.

3. Phát triển giao diện quản lý container image và DevOps thân thiện:

   • Xây dựng giao diện web quản lý container image tương tự Docker Hub, tích hợp các công cụ DevOps để đơn giản hóa vận hành.
   • Thời gian: 4-6 tháng.
   • Chủ thể: Đội ngũ phát triển phần mềm.

4. Nâng cao bảo mật và bảo vệ dữ liệu:

   • Áp dụng các giải pháp bảo mật nâng cao cho hệ thống container và dữ liệu lưu trữ, bao gồm mã hóa, xác thực đa yếu tố và kiểm soát truy cập.
   • Thời gian: 6 tháng.
   • Chủ thể: Chuyên gia bảo mật, quản trị hệ thống.

5. Phát triển ứng dụng di động và tích hợp hệ thống cảnh báo:

   • Mở rộng ứng dụng di động theo dõi luồng video nhận diện, tích hợp cảnh báo tự động cho người dùng và quản trị viên.
   • Thời gian: 3-4 tháng.
   • Chủ thể: Nhóm phát triển ứng dụng di động.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Trí tuệ nhân tạo:

   • Học hỏi về ứng dụng AI tại cận biên, công nghệ ảo hóa container và điều phối Kubernetes, cũng như các mô hình nhận diện đối tượng hiện đại.

2. Doanh nghiệp phát triển giải pháp IoT và hệ thống nhúng:

   • Áp dụng kiến thức về triển khai hệ thống cận biên thông minh, quản lý và vận hành các ứng dụng AI trên thiết bị nhúng với tài nguyên hạn chế.

3. Chuyên gia và quản trị viên hệ thống DevOps:

   • Tham khảo cách xây dựng pipeline CI/CD tích hợp Kubernetes và container runtime, tự động hóa triển khai và cập nhật phần mềm.

4. Cơ quan y tế và tổ chức phòng chống dịch bệnh:

   • Sử dụng giải pháp nhận diện mặt người không đeo khẩu trang để giám sát và cảnh báo trong các khu vực công cộng, góp phần kiểm soát dịch bệnh hiệu quả.

Câu hỏi thường gặp

1. Tại sao chọn công nghệ container thay vì máy ảo truyền thống?
   Container nhẹ hơn, khởi động nhanh, sử dụng tài nguyên hiệu quả hơn, phù hợp với thiết bị nhúng có hạn chế về phần cứng. Ngoài ra, container dễ dàng đóng gói và triển khai ứng dụng AI theo mô hình microservices.

2. Mô hình YOLO có ưu điểm gì trong nhận diện mặt người không đeo khẩu trang?
   YOLO xử lý nhanh, đạt tốc độ 40-45 FPS trên thiết bị nhúng, đồng thời có độ chính xác cao (khoảng 85-90% mAP), phù hợp cho ứng dụng thời gian thực yêu cầu phản hồi nhanh.

3. Hệ thống có thể mở rộng như thế nào khi số lượng thiết bị tăng lên?
   Sử dụng Kubernetes và K3s để điều phối tự động, cân bằng tải và tự phục hồi, hệ thống có thể mở rộng linh hoạt bằng cách thêm các node mới vào cluster mà không ảnh hưởng đến dịch vụ.

4. Làm thế nào để đảm bảo tính sẵn sàng và khôi phục dữ liệu khi có sự cố?
   Hệ thống sử dụng Longhorn để nhân bản dữ liệu trên nhiều nodes, sao lưu dự phòng trên Amazon S3, giúp khôi phục nhanh chóng khi xảy ra lỗi phần cứng hoặc mất dữ liệu.

5. DevOps giúp gì cho quá trình phát triển và vận hành hệ thống?
   DevOps tự động hóa quy trình xây dựng, kiểm thử và triển khai phần mềm, giảm thiểu lỗi do thao tác thủ công, rút ngắn thời gian cập nhật ứng dụng, đồng thời tăng tính ổn định và linh hoạt cho hệ thống.

Kết luận

• Đã nghiên cứu và phát triển thành công hệ thống cận biên thông minh sử dụng công nghệ ảo hóa container và điều phối Kubernetes gọn nhẹ, hỗ trợ GPU, phù hợp cho các thiết bị nhúng có tài nguyên hạn chế.
• Ứng dụng nhận diện mặt người không đeo khẩu trang được triển khai hiệu quả với mô hình YOLOv3-Tiny và YOLOv4-Tiny, đạt độ chính xác cao và tốc độ xử lý theo thời gian thực.
• Hệ thống tích hợp các chức năng quản lý, giám sát tập trung và DevOps giúp tự động hóa triển khai, nâng cao tính sẵn sàng và giảm chi phí vận hành.
• Kết quả thực nghiệm chứng minh tính khả thi và hiệu quả của giải pháp trong bối cảnh phòng chống dịch bệnh COVID-19 và các ứng dụng AI tại cận biên khác.
• Hướng phát triển tiếp theo tập trung mở rộng quy mô, tối ưu mô hình AI, nâng cao bảo mật và phát triển ứng dụng di động tích hợp cảnh báo.

Đề nghị các nhà nghiên cứu và doanh nghiệp quan tâm tiếp tục khai thác và phát triển hệ thống nhằm ứng dụng rộng rãi trong thực tế, góp phần thúc đẩy chuyển đổi số và nâng cao hiệu quả phòng chống dịch bệnh.