Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 và Trí tuệ nhân tạo (AI) đã tái định hình phương thức giao tiếp giữa con người và máy móc (Human-Computer Interaction - HCI). Theo các khảo sát thị trường nhà thông minh (Smart Home) và tự động hóa toàn cầu, hơn 65% người tiêu dùng tìm kiếm các giải pháp điều khiển không chạm (touchless interface) nhằm tối ưu hóa sự tiện nghi và đảm bảo vệ sinh dịch tễ. Mặc dù các phương thức truyền thống như nút bấm vật lý, remote hồng ngoại (IR) hay ứng dụng trên điện thoại di động vẫn phổ biến, chúng bộc lộ nhiều điểm nghẽn lớn: phụ thuộc thiết bị trung gian, thao tác chậm, và tạo rào cản tiếp cận đối với người khuyết tật vận động hoặc bệnh nhân hạn chế khả năng di chuyển.

Nhận diện cử chỉ tay theo thời gian thực (Real-time Hand Gesture Recognition) từ dữ liệu thị giác máy tính là giải pháp tối ưu để thay thế các phương thức điều khiển vật lý. Đồ án tốt nghiệp "Nhận diện cử chỉ tay bằng học sâu ứng dụng trong điều khiển thiết bị điện tử" do sinh viên Nguyễn Thế An (Khoa CNTT 1, Học viện Công nghệ Bưu chính Viễn thông - PTIT) thực hiện dưới sự hướng dẫn của PGS.TS Phạm Văn Cường, tập trung giải quyết bài toán cốt lõi: Làm thế nào để xây dựng mô hình thị giác máy tính có khả năng trích xuất đồng thời đặc trưng không gian và thời gian từ luồng video trực tiếp với độ trễ siêu thấp, phục vụ điều khiển thiết bị thông minh.

Luồng xử lý tổng thể:

Mục tiêu dự án

  1. Thu thập và tinh gọn tập dữ liệu: Xây dựng tập dữ liệu gồm 37.964 video chuẩn hóa từ tập dữ liệu quy mô lớn 20bn-Jester, phân bổ trên 17 lớp cử chỉ động phục vụ tương tác thiết bị.
  2. Nghiên cứu và triển khai mô hình học sâu tối ưu: Xây dựng kiến trúc mô-đun dịch chuyển thời gian (Temporal Shift Module - TSM) kết hợp mạng tích chập 2 chiều (2D CNN - MobileNet/ResNet), trích xuất liên tục đặc trưng không gian - thời gian.
  3. Hiện thực hóa đường ống xử lý thời gian thực: Đạt độ trễ dịch chuyển đặc trưng chỉ 0.7 ms, tốc độ suy luận toàn hệ thống đạt trên 30 FPS trên phần cứng thương mại.
  4. Tích hợp phần cứng IoT hoàn chỉnh: Kết nối API điều khiển công tắc thông minh nền tảng Tuya WiFi để bật/tắt thiết bị gia dụng và điều hướng giao diện máy tính không cần chạm.

Phạm vi và giới hạn

  • Phạm vi nghiên cứu: Nhận diện 17 cử chỉ tay đơn và động (gạt trái, gạt phải, vuốt lên, vuốt xuống, xoay tròn, phóng to, thu nhỏ, v.v.) trong môi trường ánh sáng phòng tiêu chuẩn từ khoảng cách 0.5m đến 2.5m thông qua webcam RGB thông thường.
  • Giới hạn kỹ thuật: Hệ thống xử lý cử chỉ của một người dùng đơn lẻ tại một thời điểm; chưa tích hợp cảm biến độ sâu (RGB-D) để hạn chế chi phí phần cứng thương mại hóa.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi học sâu bùng nổ, các hệ thống nhận diện cử chỉ tay dựa trên hai trường phái chính: sử dụng găng tay cảm biến (Sensor-based) và thị giác máy tính cổ điển (Handcrafted Features + SVM).

Phương pháp Ưu điểm Nhược điểm Chi phí tính toán Khả năng ứng dụng
Găng tay cảm biến (MIT DataGlove, IMU/Flex) Độ chính xác cao, không phụ thuộc điều kiện ánh sáng Vướng víu, đắt đỏ, dễ hỏng hóc vật lý, phải bảo trì pin Thấp (O(N) thuật toán cơ bản) Kém trong sinh hoạt gia đình
Thị giác cổ điển (Haar-like/HOG + SVM) Không cần đeo cảm biến, mô hình nhẹ Không học được chuyển động dài, nhạy cảm với ánh sáng/nền phức tạp Trung bình Kém với cử chỉ động phức tạp
3D CNN (C3D, I3D, 3D ResNet) Tự động học đồng thời không gian - thời gian Kích thước mô hình khổng lồ, FLOPs cao, khó chạy real-time trên edge Rất cao ($O(K_t \cdot K_h \cdot K_w)$) Cần GPU đắt tiền
TSM + 2D CNN (Giải pháp đề xuất) Học thời gian hiệu quả, chi phí FLOPs và tham số tương đương 2D CNN Cần thiết kế cấu trúc đệm dịch chuyển kênh hợp lý Thấp (Tương đương 2D CNN tiêu chuẩn) Rất cao, triển khai tốt trên Edge IoT

Bảng ưu tiên yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Nhận diện chính xác 17 lớp cử chỉ với Top-1 Accuracy > 90%; độ trễ suy luận < 40 ms; tích hợp API điều khiển thiết bị qua WiFi Tuya.
  • Should have: Cơ chế debouncing ngăn chặn nhận diện lặp (trigger nhầm); giao diện trực quan hiển thị FPS và bounding box vùng cử chỉ.
  • Could have: Khả năng tùy biến gán nhãn cử chỉ tương ứng với từng hàm chức năng IoT khác nhau thông qua file cấu hình JSON/YAML.
  • Won't have: Xử lý đồng thời cử chỉ đa người dùng (multi-user occlusion) trong phiên bản hiện tại.

Thiết kế hệ thống

+---------------------------------------------------------------------------------------+
|                                    CAMERA RGB INPUT                                   |
+-------------------------------------------+-------------------------------------------+
                                            |
                                            v
+---------------------------------------------------------------------------------------+
|                                TSM INFERENCE ENGINE                                   |
|  +---------------------------------------------------------------------------------+  |
|  | 2D Backbone (MobileNet / ResNet)                                                |  |
|  |                                                                                 |  |
|  |                                         v                                       |  |
|  |                                         ^                                       |  |
|  +---------------------------------------------------------------------------------+  |
+-------------------------------------------+-------------------------------------------+
                                            |
                                            v
+---------------------------------------------------------------------------------------+
|                           GESTURE PARSER & LOGIC FILTER                               |
|        - Softmax Classifier (17 classes)                                              |
|        - Confidence Threshold Filtering (> 0.85)                                      |
|        - Temporal Action Debounce Engine                                              |
+-------------------------------------------+-------------------------------------------+
                                            |
                                            v
+---------------------------------------------------------------------------------------+
|                             IoT INTERACTION LAYER (TUYA)                              |
|        - Tuya OpenAPI v2.0 Client / Local MQTT Protocol                               |
|        - Relay Switch Controller: [Light ON/OFF, Fan Speed, Dimmer]                   |
+---------------------------------------------------------------------------------------+

Technology Stack và phiên bản cụ thể

  • Ngôn ngữ lập trình: Python 3.8.10
  • Deep Learning Framework: PyTorch 1.8.1, Torchvision 0.9.1, CUDA 11.2, cuDNN 8.1
  • Thị giác máy tính & Xử lý ảnh: OpenCV 4.5.3, NumPy 1.20.3, Pillow 8.2.0
  • Giao tiếp IoT & Web API: Tuya OpenAPI Python SDK 0.1.4, Requests 2.25.1, Paho-MQTT 1.5.1
  • Môi trường huấn luyện: NVIDIA GeForce RTX GPU, CPU Intel Core i7, Ubuntu 20.04 LTS

Methodology

Quy trình nghiên cứu áp dụng mô hình lặp kết hợp Agile Data Science:

  1. Thu thập & Tiền xử lý dữ liệu: Lọc trích 37.964 video từ 20bn-Jester, resize về kích thước chuẩn $224 \times 224$, chuẩn hóa ma trận điểm ảnh với mean [0.485, 0.456, 0.406] và std [0.229, 0.224, 0.225].
  2. Mô hình hóa và Huấn luyện (Training & Optimization): Sử dụng hàm mất mát Cross-Entropy Loss kết hợp thuật toán tối ưu hóa SGD (Momentum = 0.9, Weight Decay = $1\text{e-}4$), kỹ thuật Learning Rate Scheduling (Cosine Annealing).
  3. Thử nghiệm & Đánh giá (Evaluation): Kiểm thử đa chiều giữa 2D CNN (MobileNet baseline), 3D CNN và TSM-MobileNet trên cùng tập test cô lập.
  4. Triển khai thực tế & Đo kiểm phần cứng (Hardware In-the-loop Test): Ghép nối luồng suy luận trực tiếp với camera và công tắc điện Tuya.

Implementation và kết quả

Development Process

Quá trình phát triển chia làm 4 giai đoạn chính:

  • Giai đoạn 1 (Tuần 1 - 3): Xử lý tập dữ liệu 20bn-Jester. Phân tích phân phối lớp, loại bỏ các mẫu video hỏng hoặc không đồng nhất độ dài, sinh file chỉ mục train.txt và val.txt.
  • Giai đoạn 2 (Tuần 4 - 7): Cài đặt toán tử Temporal Shift Module. Nhúng TSM vào mạng xương sống 2D CNN (MobileNetV2 và ResNet-50). Viết pipeline dataloader đa luồng để trích xuất tensor $N \times C \times T \times H \times W$.
  • Giai đoạn 3 (Tuần 8 - 10): Huấn luyện mô hình song song trên GPU. Fine-tune các siêu tham số (Batch size = 16/32, Initial Learning Rate = 0.01, Epochs = 50). Đánh giá ma trận nhầm lẫn (Confusion Matrix).
  • Giai đoạn 4 (Tuần 11 - 14): Xây dựng module điều khiển ngoại vi: Kết nối máy tính với switch thông minh Tuya qua WiFi LAN/Cloud, xây dựng thuật toán lọc nhiễu tín hiệu cử chỉ liên tục.

Thuật toán và cấu trúc code cốt lõi

Trọng tâm đổi mới là việc hiện thực hóa mô-đun dịch chuyển kênh thời gian (TSM). Thay vì tốn tài nguyên nhân chập 3D, TSM dịch chuyển một phần nhỏ số kênh đặc trưng (ví dụ $1/8$ số kênh) dọc theo trục thời gian $T$: dịch về quá khứ (khung hình $t-1$) và dịch về tương lai (khung hình $t+1$), trong khi giữ nguyên các kênh còn lại.

import torch
import torch.nn as nn

class TemporalShift(nn.Module):
    """
    Temporal Shift Module (TSM) implementation for PyTorch.
    Dịch chuyển một phần kênh đặc trưng theo trục thời gian không tốn tham số tính toán.
    """
    def __init__(self, net, n_segment=8, n_div=8):
        super(TemporalShift, self).__init__()
        self.net = net
        self.n_segment = n_segment
        self.n_div = n_div

    def forward(self, x):
        x = self.shift(x, self.n_segment, fold_div=self.n_div)
        return self.net(x)

    @staticmethod
    def shift(x, n_segment, fold_div=8):
        # Shape đầu vào: [Batch * Time, Channel, Height, Width]
        nt, c, h, w = x.size()
        n_batch = nt // n_segment
        x = x.view(n_batch, n_segment, c, h, w)

        # Khởi tạo tensor đầu ra cùng kích thước
        out = torch.zeros_like(x)
        fold = c // fold_div

        # Dịch chuyển kênh: 1/8 sang quá khứ (t-1), 1/8 sang tương lai (t+1)
        out[:, :-1, :fold] = x[:, 1:, :fold]          # Dịch trái (quá khứ)
        out[:, 1:, fold: 2 * fold] = x[:, :-1, fold: 2 * fold]  # Dịch phải (tương lai)
        out[:, :, 2 * fold:] = x[:, :, 2 * fold:]     # Giữ nguyên phần kênh còn lại (6/8)

        return out.view(nt, c, h, w)

Toán tử tích chập Depthwise Separable trong MobileNet backbone giúp giảm thiểu độ phức tạp tính toán từ $O(D_K \cdot D_K \cdot M \cdot N \cdot D_F \cdot D_F)$ xuống còn: $$\text{Cost} = D_K \cdot D_K \cdot M \cdot D_F \cdot D_F + M \cdot N \cdot D_F \cdot D_F$$ Giúp giảm từ 8 đến 9 lần chi phí tính toán so với tích chập 2D chuẩn mà không làm suy giảm đáng kể năng lực biểu diễn đặc trưng.

Testing và validation

Mô hình được thử nghiệm nghiêm ngặt trên tập kiểm thử gồm hàng ngàn mẫu video độc lập. Kết quả so sánh trực tiếp giữa các kiến trúc được ghi nhận cụ thể:

Kiến trúc mô hình Kiểu tích chập Số lượng tham số (Params) FLOPs (G) Độ trễ suy luận (Inference Latency) Độ chính xác Top-1 (Top-1 Accuracy) Độ chính xác Top-5 (Top-5 Accuracy)
MobileNetV2 Baseline 2D Spatial 3.4 M 0.31 12.4 ms 76.2% 91.5%
3D CNN (C3D / 3D ResNet-18) 3D Spatio-Temporal 33.2 M 7.85 68.5 ms 93.8% 98.1%
TSM-MobileNetV2 (Đề xuất) Shift + 2D 3.4 M 0.31 13.1 ms (Shift: 0.7ms) 94.6% 98.7% 
So sánh độ trễ (Inference Latency) và độ chính xác (Accuracy):
3D CNN          [========================================] 68.5 ms | 93.8%
2D MobileNet    [=======] 12.4 ms                                  | 76.2%
TSM-MobileNet   [========] 13.1 ms (TSM Shift: 0.7 ms)             | 94.6%

Kết quả đạt được

  1. Hiệu năng xuất sắc: TSM-MobileNetV2 nâng độ chính xác Top-1 lên 94.6% (tăng 18.4% so với 2D CNN thuần túy), đạt chất lượng tương đương và thậm chí vượt qua mô hình 3D CNN nặng nề.
  2. Thời gian thực tuyệt đối: Độ trễ bổ sung từ mô-đun dịch chuyển TSM chỉ là 0.7 ms, toàn bộ đường ống xử lý từ lúc camera bắt hình đến khi phân loại hoàn tất chỉ mất xấp xỉ 13.1 ms, tương đương tốc độ khung hình ~75 FPS trên GPU và ~32 FPS trên CPU Intel thế hệ mới.
  3. Điều khiển IoT thực tế ổn định: Hệ thống đã liên kết trực tiếp với công tắc Tuya WiFi, thực thi chính xác các tác vụ: bật đèn (cử chỉ vuốt lên), tắt đèn (cử chỉ vuốt xuống), chuyển chế độ quạt (gạt trái/phải) với tỷ lệ kích hoạt thành công trong thực tế đạt trên 92.5%.

Đổi mới và đóng góp

  1. Ứng dụng toán tử dịch chuyển kênh Zero-FLOPs & Zero-Parameters: Thay vì tiêu tốn hàng chục triệu tham số để học quan hệ thời gian như 3D CNN, giải pháp chuyển đổi chiều thời gian thành chiều dịch chuyển bộ nhớ, đạt chi phí tính toán bằng 0 đối với các phép nhân ma trận đại số.
  2. Cấu trúc In-place Temporal Shift chống tràn bộ nhớ: Ứng dụng kỹ thuật chèn mô-đun TSM vào bên trong các khối Residual/Inverted Bottleneck Block, duy trì nguyên vẹn gradient lan truyền ngược (Backpropagation) và tránh làm tăng dung lượng lưu trữ trên bộ nhớ cache/VRAM.
  3. Đường ống tích hợp phần cứng hoàn chỉnh (End-to-End HCI-IoT): Cung cấp giải pháp đóng gói hoàn chỉnh từ luồng nhận dạng video thời gian thực đến điều khiển thiết bị điện gia dụng thực tế, giải quyết triệt để độ trễ và sự mất ổn định mạng thông qua cơ chế đệm và lọc trạng thái.

Ứng dụng thực tế và triển khai

Các kịch bản sử dụng thực tế (Use Cases)

        |                  KỊCH BẢN ỨNG DỤNG THỰC TẾ                |
                                      |
       v                              v                              v
[Nhà thông minh Smart Home]  [Y tế & Phòng phẫu thuật]   [Hỗ trợ người yếu thế]
 - Bật/tắt đèn, quạt          - Bác sĩ xem phim chụp X-quang - Người liệt/giảm vận động
 - Tăng/giảm âm lượng TV      - Không chạm bề mặt vô trùng   - Điều khiển thiết bị hỗ trợ
 - Không phụ thuộc remote     - Giảm nguy cơ lây nhiễm chéo  - Tăng tính tự lập sinh hoạt
  • Hệ thống Nhà thông minh (Smart Living): Người dùng điều khiển các thiết bị trong nhà (đèn chiếu sáng, quạt trần, máy lạnh, rèm cửa) bằng các thao tác tay tự nhiên trong lúc đang nấu ăn hoặc tay ướt mà không cần chạm vào công tắc điện.
  • Môi trường Y tế & Phòng mổ vô trùng (Medical Sterility): Bác sĩ phẫu thuật có thể trực tiếp chuyển trang, zoom phim chụp X-quang hoặc CT trên màn hình máy tính thông qua cử chỉ tay từ xa, loại bỏ nguy cơ lây nhiễm khuẩn chéo do chạm vào chuột hay bàn phím.
  • Hỗ trợ người khuyết tật và bệnh nhân phục hồi chức năng: Giúp bệnh nhân suy giảm khả năng vận động chi dưới hoặc nằm liệt giường tự do tương tác với môi trường xung quanh một cách độc lập.

Hướng dẫn triển khai và cài đặt hệ thống

# 1. Khởi tạo môi trường ảo Python
python3 -m venv venv && source venv/bin/activate

# 2. Cài đặt các thư viện phụ thuộc
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html
pip install opencv-python==4.5.3.56 numpy==1.20.3 requests==2.25.1 tuya-connector-python

# 3. Chạy chương trình nhận diện và điều khiển thời gian thực
python main_realtime_control.py \
    --backbone mobilenetv2 \
    --weights checkpoints/tsm_mobilenetv2_jester.pth \
    --camera_id 0 \
    --tuya_client_id "YOUR_CLIENT_ID" \
    --tuya_secret "YOUR_SECRET_KEY" \
    --tuya_device_id "YOUR_DEVICE_ID"

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Điều kiện ánh sáng yếu (Low-light): Khi độ sáng môi trường < 20 Lux, camera RGB thông thường xuất hiện nhiễu hạt (noise), làm suy giảm độ chính xác của các lớp tích chập không gian.
  • Chuyển động nền phức tạp (Background Clutter): Nếu hậu cảnh có người di chuyển liên tục hoặc các vật thể chuyển động có hình dạng tương đồng bàn tay, mô hình có thể gặp hiện tượng phân loại nhầm.

Hướng phát triển tiếp theo

  • Tích hợp mạng trích xuất khung xương bàn tay (Hand Keypoint Pose Estimation như MediaPipe) để tiền lọc vùng quan tâm (ROI), cô lập hoàn toàn cử chỉ khỏi nhiễu nền.
  • Tối ưu hóa mô hình sang định dạng TensorRT hoặc OpenVINO, lượng tử hóa INT8/FP16 để triển khai trên các kit nhúng giá rẻ như Raspberry Pi 4 hoặc NVIDIA Jetson Nano.
  • Mở rộng nhận diện cử chỉ hai tay và ngôn ngữ ký hiệu hoàn chỉnh (Sign Language Translation) hỗ trợ người câm điếc giao tiếp hai chiều.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành CNTT/KHTT/AI: Nguồn tài liệu tham khảo chất lượng cao về phương pháp xử lý video bằng Deep Learning, cách tiếp cận bài toán Spatio-Temporal và mã nguồn cài đặt TSM trực quan.
  • Kỹ sư phát triển hệ sinh thái IoT & AIoT: Mô hình kiến trúc mẫu giúp tích hợp trí tuệ nhân tạo biên (Edge AI) với các nền tảng phần cứng Smart Home thương mại (Tuya, Home Assistant, Zigbee).
  • Doanh nghiệp sản xuất thiết bị điện tử gia dụng: Cơ sở thực tiễn để nghiên cứu và thương mại hóa các dòng sản phẩm gia dụng thông minh thế hệ mới, gia tăng năng lực cạnh tranh và trải nghiệm người dùng.
  • Cộng đồng nghiên cứu tương tác Người - Máy (HCI): Dữ liệu thực nghiệm chứng minh tính khả thi của việc thay thế các mạng nơ-ron 3D cồng kềnh bằng các toán tử dịch chuyển thời gian hiệu năng cao.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống được thiết kế tối ưu hóa cao. Khi huấn luyện, cần GPU NVIDIA tối thiểu 6GB VRAM (GTX 1060 trở lên). Khi triển khai thực tế (Inference), mô hình chỉ yêu cầu CPU máy tính phổ thông (Core i3 thế hệ 8 trở lên hoặc chip ARM trên Jetson Nano) và 2GB RAM cùng một webcam chuẩn HD 720p 30 FPS.

2. Mô hình TSM vượt trội hơn 3D CNN ở điểm nào về mặt tính toán?

3D CNN áp dụng bộ lọc tích chập 3 chiều $K_t \times K_h \times K_w$, khiến số lượng phép nhân cộng (FLOPs) và dung lượng tham số tăng gấp nhiều lần so với 2D CNN. TSM sử dụng mạng xương sống 2D tiêu chuẩn và chỉ hoán đổi vị trí các kênh trên bộ nhớ đệm (Zero FLOPs, Zero Params), giúp tốc độ suy luận nhanh hơn gấp 3 - 5 lần mà độ chính xác tương đương.

3. Hệ thống có thể tích hợp với các nền tảng Smart Home khác ngoài Tuya không?

Hoàn toàn có thể. Module phân tích cử chỉ xuất tín hiệu dưới dạng các sự kiện chuẩn (Event triggers: String hoặc JSON ID). Lập trình viên có thể dễ dàng gắn kết đầu ra này với giao thức MQTT, RESTful API hoặc WebSocket để điều khiển trực tiếp hệ thống Home Assistant, Apple HomeKit hoặc ESP32/Arduino.

4. Hệ thống xử lý thế nào để tránh việc nhận diện nhầm khi người dùng vô tình vung tay?

Đồ án tích hợp 2 tầng bảo vệ:

  1. Tầng ngưỡng tin cậy (Confidence Threshold): Chỉ chấp nhận cử chỉ khi xác suất Softmax vượt qua 85%.
  2. Tầng lọc trễ thời gian (Action Debouncing): Yêu cầu cử chỉ phải duy trì nhất quán qua $N$ khung hình liên tiếp và áp dụng thời gian đóng băng (cooldown period) 1.0 giây sau mỗi lần kích hoạt lệnh IoT thành công.

5. Chi phí ước tính để thương mại hóa giải pháp này là bao nhiêu?

Chi phí phần cứng bổ sung cực kỳ thấp vì giải pháp không cần cảm biến độ sâu đắt tiền (ToF hay LiDAR). Chỉ cần một vi xử lý nhúng Edge AI (giá khoảng $50 - $90) kết hợp module camera góc rộng ($10 - $15), hoàn toàn phù hợp để tích hợp hàng loạt vào Smart TV, máy hút mùi, hoặc công tắc tổng gia đình.

Kết luận

Đồ án tốt nghiệp "Nhận diện cử chỉ tay bằng học sâu ứng dụng trong điều khiển thiết bị điện tử" đã nghiên cứu toàn diện và giải quyết xuất sắc bài toán cân bằng giữa độ chính xác và tốc độ xử lý thời gian thực trong thị giác máy tính. Bằng việc ứng dụng thành công kỹ thuật Temporal Shift Module (TSM) kết hợp kiến trúc mạng 2D hiệu năng cao trên tập dữ liệu 37.964 video, hệ thống đạt độ chính xác ấn tượng 94.6% với độ trễ dịch chuyển chỉ 0.7 ms, mang lại khả năng phản hồi mượt mà khi kết nối điều khiển thiết bị thực tế qua nền tảng Tuya IoT.

Công trình không chỉ khẳng định giá trị học thuật vững chắc trong lĩnh vực học sâu và thị giác máy tính mà còn mở ra tiềm năng ứng dụng to lớn trong thực tiễn đời sống, từ điều khiển nhà thông minh không chạm đến các giải pháp hỗ trợ y tế và phục vụ cộng đồng. Đây là tiền đề vững chắc để phát triển các thế hệ giao diện người - máy thông minh, thân thiện và tối ưu hơn trong tương lai.