Giới thiệu dự án

Bối cảnh và thực trạng ngành giáo dục số

Sự bùng nổ của mô hình chuyển đổi số và những biến động toàn cầu sau đại dịch COVID-19 đã thúc đẩy sự chuyển dịch mạnh mẽ từ phương thức giảng dạy truyền thống sang mô hình lớp học kết hợp (Hybrid Classroom). Theo các báo cáo giáo dục quốc tế, hơn 70% các cơ sở giáo dục đại học trên toàn cầu đã và đang áp dụng mô hình đào tạo kết hợp giữa trực tiếp (on-campus) và trực tuyến (remote). Tuy nhiên, hạ tầng công nghệ giáo dục hiện nay phần lớn vẫn phụ thuộc hoàn toàn vào kiến trúc điện toán đám mây (Cloud Computing) tập trung, gây ra độ trễ cao, tắc nghẽn băng thông mạng nội bộ trường học khi truyền tải các luồng video độ nét cao và tiềm ẩn nhiều rủi ro về quyền riêng tư dữ liệu sinh trắc học.

Xác định vấn đề cụ thể (Problem Statement)

Các hệ thống quản lý lớp học và thiết bị bục giảng hiện nay gặp phải những điểm nghẽn kỹ thuật nghiêm trọng:

  • Độ trễ truyền thông và nghẽn băng thông: Việc gửi toàn bộ luồng video độ phân giải cao và dữ liệu tương tác lên máy chủ Cloud khiến độ trễ vượt ngưỡng chấp nhận được (> 3-5 giây), làm gián đoạn tính tương tác thời gian thực giữa giảng viên và học viên từ xa.
  • Xác thực thủ công tốn thời gian: Quá trình điểm danh và đăng nhập thiết bị bục giảng của giảng viên vẫn phụ thuộc vào phương thức nhập tài khoản/mật khẩu truyền thống hoặc thẻ từ, làm tiêu tốn 10-15% thời lượng tiết học.
  • Thiếu tính tự động hóa thông minh tại biên: Các thiết bị bục giảng và bàn học chưa tích hợp khả năng xử lý trí tuệ nhân tạo (AI) cục bộ, không thể phát hiện các hành vi gian lận hay mất tập trung trong các kỳ thi thời gian thực mà không làm lộ dữ liệu cá nhân ra môi trường ngoài.

Mục tiêu của dự án

  1. Thiết kế và tối ưu hóa hệ thống AI nhúng tại biên: Hiện thực mô hình nhận diện khuôn mặt tự động hóa đăng nhập và chống giả mạo sinh trắc học chạy trực tiếp trên kit nhúng NVIDIA Jetson Nano với thời gian suy luận (inference time) dưới 100ms/frame và độ chính xác trên 95%.
  2. Xây dựng máy chủ cục bộ (MiniServer) hiệu năng cao: Phát triển hệ thống MiniServer nội bộ hỗ trợ cân bằng tải, quản lý kết nối thời gian thực thông qua giao thức Socket.IO và truyền phát luồng video qua giao thức RTSP với độ trễ dưới 2 giây, chịu tải đồng thời tối thiểu 1.000 người dùng truy cập.
  3. Phát triển ứng dụng nhúng đa chức năng: Xây dựng ứng dụng điều khiển trung tâm cho bục giảng thông minh bằng C++/Qt Quick (QML) tích hợp kiến trúc Model-View-Controller (MVC), đáp ứng đầy đủ các tác vụ giao bài tập, giám sát trạng thái học sinh và đồng bộ dữ liệu với Cloud AWS EC2.

Phương pháp tiếp cận giải pháp

Đề tài lựa chọn kiến trúc Điện toán biên (Edge Computing) kết hợp máy chủ biên (MiniServer Local) và Đám mây công cộng (Public Cloud AWS EC2). Việc xử lý thị giác máy tính (Computer Vision) và dữ liệu tương tác tức thời được thực hiện ngay tại thiết bị bục giảng và MiniServer trong mạng nội bộ, chỉ gửi dữ liệu tổng hợp và lịch sử điểm danh về Cloud. Giải pháp này giúp triệt tiêu độ trễ mạng Internet, giảm tải 80% lưu lượng đường truyền ra ngoài và đảm bảo an toàn thông tin tuyệt đối.

Kết quả mong đợi và chỉ số đo lường (Measurable Metrics)

  • Tốc độ xử lý AI biên: Tốc độ trích xuất đặc trưng và nhận diện khuôn mặt đạt < 100ms/khung hình trên Jetson Nano.
  • Độ chính xác nhận diện: Đạt tỷ lệ chính xác $\ge 95%$ trên tập dữ liệu người Việt Nam (VN-Celeb) và các tập chuẩn quốc tế (LFW, AgeDB-30).
  • Độ trễ truyền thông thời gian thực: Độ trễ trao đổi gói tin giữa bục giảng và các bàn học thông minh $< 2$ giây.
  • Khả năng chịu tải của MiniServer: Phục vụ ổn định 1.000 kết nối đồng thời với tỷ lệ lỗi gói tin $< 0.1%$.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi phần cứng: Ứng dụng nhúng tối ưu hóa cho kit máy tính nhúng NVIDIA Jetson Nano Developer Kit B01 (4GB RAM, 128 lõi GPU Maxwell) và Camera chuẩn giao tiếp USB/CSI 720p.
  • Giới hạn hệ thống: Nghiên cứu tập trung vào phân đoạn xử lý biên trong phạm vi một lớp học hoặc cụm phòng học kết nối qua mạng cục bộ LAN/Wi-Fi tốc độ cao; hệ thống streaming RTSP tối ưu cho mạng nội bộ trường học trước khi chuyển tiếp luồng lên Cloud.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các giải pháp hiện nay

Tiêu chí Mô hình AUO Smart Classroom (ĐH Quốc gia Thanh Hoa) Mô hình Smart Desk (Le et al., ACOMPA 2022) Giải pháp đề xuất (Edge Lectern System)
Kiến trúc tính toán Tập trung hoàn toàn vào phần cứng chuyên dụng đắt tiền Đám mây lai (Cloud-centric) kết hợp IoT biên cơ bản Tính toán biên toàn diện (Edge Computing + MiniServer + Cloud)
Nhận diện khuôn mặt Không tích hợp AI sinh trắc học Nhận diện mức độ tập trung trên bàn học thông minh Đăng nhập bục giảng tự động bằng AI, chống giả mạo Anti-Spoofing
Xử lý luồng Video Bộ xử lý phần cứng chuyên dụng LC200 Stream trực tiếp lên máy chủ Cloud Stream RTSP nội bộ thông qua MiniServer tối ưu băng thông
Chi phí triển khai Rất cao (> 20.000 USD/phòng) Trung bình (cần đường truyền Internet băng thông lớn) Tối ưu, tận dụng phần cứng nhúng giá rẻ (Jetson Nano)

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must have (Bắt buộc phải có):
    • Tự động đăng nhập bục giảng thông qua nhận diện khuôn mặt với thuật toán MobileFaceNet.
    • Chống giả mạo khuôn mặt (Anti-Spoofing) ngăn chặn hành vi sử dụng ảnh/video trên điện thoại.
    • Giao tiếp thời gian thực hai chiều giữa bục giảng và bàn học thông minh qua Socket.IO.
    • Stream màn hình bài giảng và camera giảng viên qua giao thức RTSP.
  • Should have (Nên có):
    • Đồng bộ cơ sở dữ liệu phi quan hệ MongoDB giữa MiniServer và AWS EC2.
    • Giao diện người dùng đồ họa mượt mà phát triển bằng Qt Quick/QML.
    • Cân bằng tải tự động cho Socket Server bằng Nginx với chiến lược least_conn.
  • Could have (Có thể có):
    • Module giám sát tư thế, cử chỉ 468 điểm mốc khuôn mặt (FaceMesh) để phát hiện gian lận thi cử.
    • Tính năng ghi log hoạt động chuyên sâu (Logger Module) hỗ trợ gỡ lỗi runtime.
  • Won't have (Chưa hỗ trợ đợt này):
    • Tự động nhận dạng giọng nói chuyển thành phụ đề thời gian thực (Speech-to-Text).

Thiết kế hệ thống

+-------------------------------------------------------------------------------+
|                             KIẾN TRÚC TỔNG THỂ HỆ THỐNG                       |
+-------------------------------------------------------------------------------+
| [ Lớp Thiết bị Biên (Edge Layer) ]                                            |
|   +---------------------------------+   +---------------------------------+   |
|   |    Bục giảng thông minh (Qt)    |   |     Bàn học thông minh 1..n     |   |
|   |  - MobileFaceNet & Anti-Spoof   |   |  - Gửi thông tin điểm danh      |   |
|   |  - Module RTSP Streamer         |   |  - Nhận đề thi, bài tập         |   |
|   |  - Socket.IO C++ Client         |   |  - Nhận luồng video bài giảng   |   |
|   +----------------+----------------+   +----------------+----------------+   |
+--------------------|-------------------------------------|--------------------+
                     | RTSP / Socket.IO / REST             |
+--------------------v-------------------------------------v--------------------+
| [ Lớp Máy chủ Biên Nội bộ (MiniServer - Local/LAN) ]                          |
|   +-----------------------------------------------------------------------+   |
|   | Nginx Reverse Proxy & Load Balancer (Port 4025 - least_conn)          |   |
|   +-------------------+-------------------------------+-------------------+   |
|                       |                               |                       |
|         +-------------v-------------+   +-------------v-------------+         |
|         | Socket Instance 1 (:4026) |   | Socket Instance 2 (:4027) |         |
|         +-------------+-------------+   +-------------+-------------+         |
|                       |                               |                       |
|                       +---------------+---------------+                       |
|                                       |                                       |
|   +--------------------+   +----------v---------+   +---------------------+   |
|   | RTSP Video Server  |   | Redis Cache (v7.0) |   | Express API Server  |   |
|   +--------------------+   +--------------------+   +----------+----------+   |
+----------------------------------------------------------------|--------------+
                                                                 | Sync
+----------------------------------------------------------------v--------------+
| [ Lớp Đám mây Công cộng (Public Cloud AWS EC2) ]                              |
|   +-----------------------------------+   +-------------------------------+   |
|   | MongoDB Database Cluster (Atlas)  |   | Centralized Management API    |   |
|   +-----------------------------------+   +-------------------------------+   |
+-------------------------------------------------------------------------------+

Bảng công nghệ và phiên bản (Technology Stack)

Thành phần Công nghệ / Thư viện Phiên bản Vai trò kỹ thuật
Edge Hardware NVIDIA Jetson Nano B01 4GB LPDDR4 Xử lý suy luận mạng nơ-ron và chạy ứng dụng GUI
Embedded Framework Qt / C++ & QML 5.15 LTS Xây dựng giao diện tương tác và điều khiển phần cứng
Deep Learning Inference NCNN Framework / OpenCV 20230517 / 4.5.4 Thư viện tối ưu hóa suy luận mô hình AI trên nền tảng ARM
Face Detection MTCNN (P-Net, R-Net, O-Net) Custom C++ Phát hiện khuôn mặt và xác định 5 điểm mốc đặc trưng
Feature Extraction MobileFaceNet (Pruned) PyTorch 1.12 -> NCNN Trích xuất vector đặc trưng khuôn mặt 128 chiều
Liveness Detection MiniFASNetV1 (Minivision) C++ Ported Chống giả mạo khuôn mặt qua ảnh/video kỹ thuật số
Local / Cloud Server Node.js / ExpressJS v18.16.0 / 4.18.2 Xây dựng RESTful API và xử lý business logic
Real-time Engine Socket.IO / SocketIO-CPP 4.6.1 / 3.1.0 Đồng bộ hóa dữ liệu sự kiện giữa client và server
Caching & Sync Redis Server 7.0.11 Quản lý phiên làm việc và đồng bộ trạng thái kết nối
Streaming Protocol RTSP / Live555 1.0 Truyền luồng hình ảnh camera và màn hình thời gian thực
Database MongoDB 6.0.6 Cơ sở dữ liệu NoSQL lưu trữ phi cấu trúc linh hoạt

Thiết kế cơ sở dữ liệu (MongoDB Schema Structure)

Hệ thống tổ chức dữ liệu thành các collections chuyên biệt nhằm tối ưu hóa tốc độ truy vấn NoSQL:

  • Users: Quản lý tài khoản giảng viên (_id, username, password_hash, full_name, role, face_features_vector).
  • Students: Lưu trữ hồ sơ học sinh (student_id, name, class_id, fingerprint_or_face_id).
  • Classes & Subjects: Cấu trúc phân cấp lớp học và môn học (class_id, subject_code, lecturer_id, schedule_id).
  • Attendance: Lưu trữ bản ghi điểm danh thời gian thực (session_id, student_id, timestamp, status, device_id).
  • Assignments & Questions: Quản lý đề thi, bài tập trắc nghiệm và tự luận (assign_id, class_id, questions_list, duration, is_active).
  • Devices: Quản lý danh mục thiết bị nhúng trong phòng học (device_mac, device_ip, type, status).

Đặc tả API Endpoints chính

Endpoint Method Chức năng Tham số đầu vào / Headers Phản hồi chuẩn (JSON)
/api/v1/auth/login POST Đăng nhập tài khoản truyền thống { "username": "...", "password": "..." } { "token": "JWT...", "user": {...} }
/api/v1/auth/face-verify POST Xác thực đăng nhập qua khuôn mặt { "embedding": [128 floats] } { "status": "success", "token": "JWT..." }
/api/v1/attendance/sync POST Gửi dữ liệu điểm danh từ bàn học Bearer JWT, { "studentId": "...", "time": "..." } { "synced": true, "count": 45 }
/api/v1/classes/:id/stream GET Lấy URL luồng phát trực tiếp RTSP Bearer JWT, Param: id { "rtsp_url": "rtsp://192.168.1.100:554/live" }

Kiến trúc bảo mật

  • Xác thực và phân quyền: Sử dụng JSON Web Token (JWT) có chữ ký HMAC-SHA256, áp dụng cơ chế xác thực kép (2FA) kết hợp sinh trắc học khuôn mặt.
  • An toàn tầng mạng: Cấu hình tường lửa Nginx, mã hóa kênh truyền SSL/TLS đối với các API ra ngoài Cloud và cô lập dải mạng IP nội bộ cho giao tiếp Socket/RTSP giữa các thiết bị nhúng.

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển phần mềm Agile/Scrum với chu kỳ Sprint 2 tuần, đảm bảo khả năng tích hợp liên tục giữa phần cứng nhúng và phần mềm máy chủ.

+--------------------------------------------------------------------------------+
|                         LỘ TRÌNH THỰC HIỆN DỰ ÁN (MILESTONES)                  |
+--------------------------------------------------------------------------------+
| [Tháng 1-2]: Nghiên cứu lý thuyết, chuẩn bị dữ liệu khuôn mặt VN-Celeb, CASIA |
| [Tháng 3-4]: Huấn luyện MobileFaceNet, Pruning mô hình, convert sang C++/NCNN  |
| [Tháng 5-6]: Xây dựng ứng dụng Qt/QML, tích hợp Socket.IO C++ & RTSP Streamer |
| [Tháng 7-8]: Hiện thực MiniServer (NodeJS/Redis/Nginx), triển khai Docker      |
| [Tháng 9-10]: Kiểm thử toàn diện tải Postman, độ trễ và đánh giá trên Jetson  |
+--------------------------------------------------------------------------------+

Implementation và kết quả

Quy trình phát triển (Development Process)

Thuật toán trích xuất và nhận diện khuôn mặt MobileFaceNet

MobileFaceNet sử dụng kiến trúc Depthwise Separable Convolution nhằm giảm thiểu khối lượng tính toán từ $D_K \times D_K \times M \times N$ xuống còn: $$\text{Computational Cost} = D_K \times D_K \times M \times D_F \times D_F + M \times N \times D_F \times D_F$$ Giúp giảm hơn 80% số lượng phép tính so với mạng tích chập tiêu chuẩn. Quá trình huấn luyện sử dụng hàm mất mát Triplet Loss để tối ưu hóa không gian embedding: $$L_{triplet} = \max\left(0, |f(A) - f(P)|_2^2 - |f(A) - f(N)|_2^2 + \alpha\right)$$ Trong đó $f(A), f(P), f(N)$ lần lượt là vector đặc trưng của ảnh mốc (Anchor), ảnh cùng danh tính (Positive) và ảnh khác danh tính (Negative), với lề $\alpha = 0.2$.

Kỹ thuật cắt tỉa mô hình (Model Pruning)

Nhóm áp dụng tiêu chí cắt tỉa Taylor Expansion và APoZ (Average Percentage of Zeros) để loại bỏ các kênh tích chập (channels) dư thừa trước khi chuyển đổi mô hình từ định dạng PyTorch (.pth) sang dạng tối ưu trên nhúng gồm 2 tệp .param (cấu trúc mạng) và .bin (trọng số nhị phân) chạy qua thư viện NCNN.

// C++ Interface: Khởi tạo và thực thi nhận diện khuôn mặt trên nền tảng nhúng Qt
#include <ncnn/net.h>
#include <opencv2/opencv.hpp>

class FaceService {
private:
    ncnn::Net mtcnn_net;
    ncnn::Net mobilefacenet;
    const float threshold = 0.75f;

public:
    FaceService() {
        // Nạp mô hình đã được tối ưu hóa sau Pruning
        mobilefacenet.load_param("models/mobilefacenet.param");
        mobilefacenet.load_model("models/mobilefacenet.bin");
    }

    std::vector<float> extractFeatures(const cv::Mat& faceROI) {
        ncnn::Mat in = ncnn::Mat::from_pixels_resize(faceROI.data, 
                        ncnn::Mat::PIXEL_BGR2RGB, faceROI.cols, faceROI.rows, 112, 112);
        const float mean_vals[3] = {127.5f, 127.5f, 127.5f};
        const float norm_vals[3] = {1.0f/127.5f, 1.0f/127.5f, 1.0f/127.5f};
        in.substract_mean_normalize(mean_vals, norm_vals);

        ncnn::Extractor ex = mobilefacenet.create_extractor();
        ex.set_num_threads(4); // Tận dụng 4 nhân ARM Cortex-A57
        ex.input("data", in);
        ncnn::Mat out;
        ex.extract("fc1", out);

        std::vector<float> embedding(128);
        for (int i = 0; i < 128; ++i) {
            embedding[i] = out[i];
        }
        return embedding;
    }
};

Hiện thực cân bằng tải Reverse Proxy với Nginx

Để xử lý kết nối đồng thời số lượng lớn từ hàng chục bàn học trong phòng học đến máy chủ Socket.IO, Nginx được cấu hình làm việc với thuật toán least_conn:

# Cấu hình cân bằng tải Nginx cho hệ thống Socket.IO MiniServer
upstream socketService {
    least_conn;
    server 127.0.0.1:4026;
    server 127.0.0.1:4027;
}

server {
    listen 4025;
    server_name localhost;

    location /socket.io/ {
        proxy_pass http://socketService/socket.io/;
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "Upgrade";
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_read_timeout 86400;
    }
}

Kiểm thử và đánh giá hệ thống (Testing & Validation)

Đánh giá khả năng chịu tải của Socket.IO Server

Hệ thống được kiểm thử tự động bằng công cụ Postman và kịch bản giả lập tải (Stress Testing) trên hai kịch bản gói tin:

Loại kịch bản Kích thước gói tin Số lượng Clients đồng thời Tỷ lệ phản hồi thành công Thời gian phản hồi trung bình (ms) Mức tiêu thụ RAM Server
Gói tin nhỏ (Event Sync) 128 Bytes 500 users 100% 14.2 ms 85 MB
Gói tin nhỏ (Event Sync) 128 Bytes 1.000 users 99.8% 28.6 ms 142 MB
Gói tin lớn (Attendance Data) 2.5 KB 500 users 100% 35.1 ms 120 MB
Gói tin lớn (Attendance Data) 2.5 KB 1.000 users 99.2% 62.4 ms 215 MB

Đánh giá hiệu năng nhận diện khuôn mặt và tài nguyên Jetson Nano

  • Tốc độ khung hình: Pipeline hoàn chỉnh (Capture $\rightarrow$ MTCNN Detect $\rightarrow$ Anti-Spoofing $\rightarrow$ MobileFaceNet Embed $\rightarrow$ Compare) đạt tốc độ xử lý trung bình 82ms/frame (tương đương ~12.2 FPS).
  • Mức sử dụng phần cứng Jetson Nano:
    • RAM tiêu thụ trước khi khởi chạy ứng dụng Qt: 1.1 GB / 4.0 GB.
    • RAM tiêu thụ sau khi nạp toàn bộ model và giao diện Qt: 2.3 GB / 4.0 GB (vẫn dư 1.7 GB an toàn cho hệ thống).
    • CPU load trung bình 4 nhân: 58-65%.

Kết quả đạt được

  1. Độ chính xác mô hình AI: Đạt 99.12% trên tập LFW và 95.64% trên tập dữ liệu người Việt VN-Celeb. Mô hình Anti-Spoofing ngăn chặn thành công 98.2% các trường hợp giả mạo bằng màn hình điện thoại hoặc ảnh in màu.
  2. Khả năng hoạt động ổn định: Ứng dụng Qt chạy liên tục trong 8 giờ thực nghiệm trên Jetson Nano không xảy ra hiện tượng tràn bộ nhớ (Memory Leak) hoặc crash ứng dụng.
  3. Chức năng truyền thông: Thực hiện giao bài tập và đồng bộ điểm danh tới 40 thiết bị bàn học trong phòng học với độ trễ ghi nhận thực tế chỉ 180ms.

Đổi mới và đóng góp

Các cải tiến kỹ thuật đột phá

  • Tối ưu hóa Deep Learning cho phần cứng nhúng hạn chế: Ứng dụng thành công giải thuật cắt tỉa mạng nơ-ron (Pruning) kết hợp định dạng NCNN chuyên dụng, giúp giảm 42% kích thước mô hình MobileFaceNet (từ 4.8MB xuống còn 2.8MB) và tăng 38% tốc độ suy luận trên GPU ARM Maxwell mà không suy giảm độ chính xác nhận diện.
  • Kiến trúc phân tán biên (Edge-Centric Architecture): Chuyển đổi toàn bộ tải xử lý streaming và quản lý phiên tương tác thời gian thực từ Cloud về MiniServer nội bộ, giảm 85% chi phí băng thông đường truyền ngoại vi và triệt tiêu phụ thuộc vào kết nối Internet quốc tế.
  • Tích hợp module phát hiện giả mạo trực tiếp (Silent Anti-Spoofing): Loại bỏ nhu cầu người dùng phải thực hiện cử chỉ (chớp mắt, quay đầu), mang lại trải nghiệm đăng nhập trong suốt và an toàn tuyệt đối.

Đóng góp cho cộng đồng và ngành

  • Đóng góp mô hình thiết bị bục giảng thông minh hoàn chỉnh cả về phần cứng, phần mềm nhúng (Qt/C++) và hệ thống máy chủ mạng nội bộ có thể nhân rộng trực tiếp vào các giảng đường đại học tại Việt Nam.
  • Cung cấp bộ tham số đã tinh chỉnh (fine-tuned weights) của mô hình MobileFaceNet trên tập dữ liệu đặc trưng khuôn mặt người Việt Nam, đóng vai trò tài liệu tham khảo giá trị cho các nghiên cứu tiếp theo về AI nhúng.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Real-world Use Cases)

  • Kịch bản 1: Đầu giờ giảng dạy: Giảng viên bước vào vị trí bục giảng; camera tự động nhận diện và đăng nhập vào ứng dụng trong vòng chưa đầy 1 giây. Danh sách sinh viên đã có mặt tại các bàn học thông minh tự động hiển thị trên màn hình điều khiển bục giảng theo thời gian thực.
  • Kịch bản 2: Giảng dạy trực tuyến kết hợp (Hybrid Class): Giảng viên bấm nút "Start Online Class", MiniServer lập tức kích hoạt luồng phát RTSP màn hình bài giảng và camera toàn cảnh. Sinh viên học từ xa thông qua ứng dụng máy tính/web nhận được luồng hình ảnh với độ trễ cực thấp (< 500ms).
  • Kịch bản 3: Tổ chức kiểm tra/thi trắc nghiệm: Giảng viên phát đề thi đồng loạt từ bục giảng chỉ bằng một thao tác click chuột. Trạng thái làm bài, cảnh báo mất tập trung hoặc nghi vấn gian lận từ bàn học sinh viên được gửi về bục giảng tức thì qua Socket.IO.

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI Analysis)

Hạng mục chi phí Mô hình lớp học Hybrid truyền thống Mô hình tích hợp tính toán biên (Đề xuất)
Phần cứng điều khiển Máy tính trạm chuyên dụng ($1.500 - $2.000) Kit nhúng Jetson Nano ($150 - $200)
Chi phí máy chủ Cloud hàng tháng $300 - $500/tháng (băng thông stream & AI) $20 - $40/tháng (chỉ lưu trữ metadata)
Chi phí bảo trì, cấp phép phần mềm $1.000/năm cho license bên thứ ba 0 USD (Sử dụng 100% mã nguồn mở tự chủ)
Thời gian tiết kiệm mỗi tiết học 0 phút (vẫn điểm danh thủ công) 7 - 10 phút/buổi học

Ước tính thời gian thu hồi vốn đầu tư (ROI) cho một cơ sở giáo dục quy mô 50 phòng học là dưới 6 tháng, đồng thời giảm 75% tổng chi phí vận hành hạ tầng công nghệ thông tin hàng năm.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Kit NVIDIA Jetson Nano B01 sở hữu dung lượng RAM 4GB cố định; khi đồng thời thực thi cả nhận diện khuôn mặt, trích xuất 468 điểm mốc FaceMesh và stream video độ phân giải cao thì nhiệt độ chip tăng nhanh, cần trang bị quạt tản nhiệt chủ động để tránh hiện tượng Thermal Throttling.
  • Khả năng nhận diện khuôn mặt suy giảm nhẹ trong điều kiện ánh sáng môi trường phòng học quá yếu (< 20 lux) hoặc ngược sáng gắt.

Hướng phát triển tiếp theo

  • Nâng cấp phần cứng lên thế hệ NVIDIA Jetson Orin Nano (mang lại hiệu năng tính toán AI lên đến 40 TOPS) cho phép xử lý đồng thời nhận diện hàng chục khuôn mặt trong khung hình.
  • Chuyển đổi giao thức truyền luồng video từ RTSP sang WebRTC để loại bỏ hoàn toàn độ trễ (đưa độ trễ về mức < 200ms) và cho phép xem trực tiếp trên mọi trình duyệt web mà không cần cài đặt thêm plugin.
  • Nghiên cứu áp dụng kỹ thuật Federated Learning (Học liên kết) nhằm huấn luyện cập nhật mô hình AI giữa các thiết bị bục giảng mà không cần thu thập dữ liệu ảnh sinh viên về máy chủ trung tâm.

Đối tượng hưởng lợi

  • Sinh viên: Được trải nghiệm môi trường học tập tương tác cao, nắm bắt bài giảng trực tiếp/từ xa mượt mà, minh bạch trong kết quả điểm danh và kiểm tra.
  • Giảng viên: Tiết kiệm thời gian điểm danh đầu giờ, dễ dàng quản lý lớp học trực quan, nâng cao chất lượng truyền tải kiến thức nhờ các công cụ hỗ trợ thông minh tích hợp trên bục giảng.
  • Nhà trường / Cơ sở giáo dục: Tối ưu hóa chi phí đầu tư thiết bị ban đầu, tiết kiệm băng thông mạng nội bộ, sở hữu hệ sinh thái công nghệ giáo dục hiện đại, an toàn và dễ dàng mở rộng.
  • Kỹ sư & Nhà phát triển nhúng: Tiếp cận một kiến trúc tham chiếu mẫu chuẩn mực về việc kết hợp giữa C++/Qt, AI suy luận biên tối ưu bằng NCNN và máy chủ Socket phân tán.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai ứng dụng bục giảng là gì?

Thiết bị bục giảng yêu cầu tối thiểu một kit máy tính nhúng có khả năng tăng tốc phần cứng AI như NVIDIA Jetson Nano B01 (4GB RAM) hoặc tương đương (Raspberry Pi 4 kết hợp USB Coral TPU), camera độ phân giải HD 720p và màn hình cảm ứng kết nối qua cổng HDMI. Máy chủ MiniServer có thể chạy trên một máy tính để bàn thông thường (Intel Core i5, 8GB RAM) cài đặt Ubuntu Linux và Docker.

2. Hệ thống có thể mở rộng cho toàn bộ trường học quy mô lớn như thế nào?

Nhờ kiến trúc phân tán theo cụm (Distributed Edge Architecture), mỗi phòng học hoạt động độc lập với một MiniServer hoặc cụm phòng học chia sẻ một trạm xử lý cục bộ. Khi mở rộng thêm phòng học mới, hạ tầng mạng trung tâm không bị quá tải vì dữ liệu nặng (Video/AI) đã được tiêu thụ tại biên; chỉ có dữ liệu tổng hợp điểm danh và trạng thái mới được gửi lên Cloud AWS qua REST API.

3. Làm thế nào để tích hợp hệ thống này với các nền tảng LMS hiện có (Moodle, Canvas)?

Hệ thống máy chủ Back-end (ExpressJS) được thiết kế theo chuẩn kiến trúc RESTful API và có thể dễ dàng phát triển các module webhook đồng bộ dữ liệu hai chiều với các hệ thống quản lý học tập phổ biến như Moodle, Canvas hoặc Google Classroom thông qua giao thức LTI (Learning Tools Interoperability).

4. Hệ thống xử lý thế nào khi mất kết nối Internet?

Do toàn bộ logic điểm danh, nhận diện AI và giao tiếp Socket giữa bục giảng và bàn học đều diễn ra trong mạng cục bộ (LAN) thông qua MiniServer, lớp học vẫn vận hành 100% bình thường ngay cả khi đứt kết nối cáp quang quốc tế. Khi có kết nối mạng trở lại, MiniServer sẽ tự động kích hoạt tiến trình đồng bộ dữ liệu lưu đệm lên Cloud MongoDB.

5. Chi phí triển khai cho một phòng học thông minh hoàn chỉnh là bao nhiêu?

Tổng chi phí phần cứng cho một bục giảng thông minh tích hợp AI ước tính khoảng 250 - 350 USD (bao gồm kit Jetson Nano, camera góc rộng, vỏ case chuyên dụng và phụ kiện nguồn). Chi phí này thấp hơn 80% so với các giải pháp bục giảng kỹ thuật số thương mại nhập khẩu hiện nay.

Kết luận

Đồ án khóa luận tốt nghiệp "Nghiên cứu tích hợp công nghệ tính toán biên cho thiết bị bục giảng trong lớp học hybrid" đã giải quyết trọn vẹn bài toán nâng cao hiệu năng, đảm bảo an toàn dữ liệu và tối ưu hóa chi phí cho mô hình giáo dục kết hợp hiện đại. Bằng việc làm chủ quy trình tối ưu hóa các mô hình học sâu (MTCNN, MobileFaceNet, Anti-Spoofing) trên nền tảng phần cứng nhúng giới hạn tài nguyên kết hợp kiến trúc máy chủ thời gian thực phân tán, nghiên cứu đã chứng minh tính khả thi vượt trội của xu hướng Điện toán biên trong môi trường học đường số hóa. Giải pháp sẵn sàng để chuyển giao công nghệ và triển khai thử nghiệm diện rộng tại các cơ sở đào tạo đại học và phổ thông trên cả nước.