Giới thiệu dự án

Đại dịch COVID-19 do chủng virus SARS-CoV-2 gây ra đã tạo nên cuộc khủng hoảng y tế toàn cầu với hơn 540 triệu ca nhiễm và trên 6 triệu ca tử vong được ghi nhận (tính đến giữa năm 2022 theo số liệu của Tổ chức Y tế Thế giới - WHO). Cơ chế lây truyền qua giọt bắn đường hô hấp và khí dung khiến việc kiểm soát dịch tễ tại các khu vực tập trung đông người như bệnh viện, trường học, nhà máy trở thành bài toán sống còn. Trong bối cảnh đó, hai biện pháp sàng lọc không xâm lấn quan trọng nhất là giám sát việc tuân thủ đeo khẩu trang và đo thân nhiệt tự động.

Phương pháp sàng lọc thủ công truyền thống bằng súng đo nhiệt hồng ngoại cầm tay bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Tăng nguy cơ lây nhiễm chéo giữa nhân viên y tế và người được kiểm tra do khoảng cách tiếp xúc quá gần (< 0.5m).
  • Tiêu tốn nguồn nhân lực trực chốt và năng suất sàng lọc thấp, dễ gây ùn tắc tại các cổng ra vào.
  • Sai số đo lường do thao tác của con người không chuẩn hóa.
  • Các hệ thống camera nhiệt công nghiệp chuyên dụng nhập khẩu có giá thành rất cao (từ 30 đến trên 80 triệu đồng), gây khó khăn cho việc triển khai diện rộng tại các cơ quan vừa và nhỏ.

Đồ án tốt nghiệp "Thiết kế và thi công mô hình camera đo thân nhiệt và nhắc nhở người không đeo khẩu trang" thuộc ngành Kỹ thuật Y sinh – Trường Đại học Sư phạm Kỹ thuật TP.HCM giải quyết trực diện bài toán trên bằng cách phát triển hệ thống nhúng thông minh tích hợp Trí tuệ nhân tạo biên (Edge AI) với chi phí tối ưu.

+-------------------------------------------------------------------------+
|                          MỤC TIÊU DỰ ÁN                                 |
+-------------------------------------------------------------------------+
| 1. Thiết kế và thi công hệ thống nhúng phần cứng hoàn chỉnh với         |
|    Raspberry Pi 4 Model B (4GB RAM) và cảm biến nhiệt hồng ngoại AMG8833|
| 2. Xây dựng mạng nơ-ron tích chập (CNN) dựa trên kiến trúc MobileNetV2  |
|    để nhận diện trạng thái đeo khẩu trang thời gian thực (Real-time).   |
| 3. Phát triển thuật toán đo thân nhiệt không tiếp xúc qua giao tiếp I2C |
|    và hiệu chuẩn nhiệt độ chính xác với thiết bị y tế đối chuẩn.        |
| 4. Tích hợp module cảnh báo âm thanh đa luồng qua loa thông minh khi    |
|    phát hiện vi phạm (không đeo khẩu trang hoặc thân nhiệt > 37.5°C).   |
| 5. Đóng gói vỏ hộp cơ khí thẩm mỹ bằng Mica kích thước 250x100x120 mm. |
+-------------------------------------------------------------------------+

Hệ thống kết hợp luồng xử lý hình ảnh RGB từ Webcam 720p và ma trận bức xạ nhiệt 8x8 điểm ảnh từ cảm biến Panasonic Grid-EYE AMG8833, xử lý song song trên chip nhúng Broadcom BCM2711, đạt độ trễ phản hồi dưới 500ms với độ chính xác nhận diện trên 98%.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường thiết bị phòng chống dịch thời điểm nghiên cứu tồn tại nhiều phân khúc sản phẩm với các ưu – nhược điểm khác nhau:

Giải pháp Đặc điểm công nghệ Ưu điểm Nhược điểm Chi phí ước tính
Nhiệt kế hồng ngoại cầm tay (CK-T1502/Omron) Cảm biến Thermopile đơn điểm Nhỏ gọn, cơ động, dễ dùng Bắt buộc thao tác thủ công, nguy cơ lây nhiễm cao, không phát hiện khẩu trang 300.000 – 800.000 VNĐ
Máy đo nhiệt & xịt khuẩn tự động (SANIVIETNAM) Cảm biến hồng ngoại đơn điểm + Relay bơm Tự động hóa đo tay/trán kết hợp sát khuẩn Khoảng cách đo rất gần (<5cm), không có tính năng thị giác máy tính 1.500.000 – 3.000.000 VNĐ
Camera nhiệt chuyên dụng AI (Vietnamsmart / HANET) Camera quang học + Cảm biến nhiệt FLIR/Microbolometer độ phân giải cao Nhận diện đa mục tiêu, khoảng cách xa (>3m), độ chính xác cao Giá thành đắt đỏ, cấu hình phức tạp, khó bảo trì linh kiện 25.000.000 – 80.000.000 VNĐ
Hệ thống đề xuất trong đồ án Raspberry Pi 4 + AMG8833 (8x8) + Webcam 720p + MobileNetV2 Tự động 100%, đo không tiếp xúc (<1m), phát hiện khẩu trang AI, cảnh báo giọng nói, giá rẻ Phạm vi đo giới hạn dưới 1m do độ phân giải nhiệt 8x8 ~3.500.000 VNĐ

Hệ thống được xác định theo mô hình ưu tiên yêu cầu MoSCoW:

  • Must have: Nhận diện khuôn mặt có/không đeo khẩu trang, đo nhiệt độ không tiếp xúc qua ma trận nhiệt hồng ngoại, phát âm thanh cảnh báo khi phát hiện vi phạm.
  • Should have: Giao diện hiển thị trực quan bounding box (xanh: Mask, đỏ: No Mask), thuật toán nội suy và bù trừ nhiệt độ môi trường.
  • Could have: Khả năng nhận diện cùng lúc 2 khuôn mặt trong khung hình, tối ưu hóa tản nhiệt phần cứng hoạt động 24/7.
  • Won't have (trong phạm vi đồ án): Nhận dạng danh tính từng cá nhân (Face ID), đồng bộ dữ liệu điểm danh thời gian thực lên Cloud Server.

Thiết kế hệ thống

Kiến trúc phần cứng và luồng dữ liệu của hệ thống được tổ chức thành các khối chuyên biệt:

graph TD
    subgraph Input_Layer ["Khối Thu Thập Dữ Liệu"]
        CAM[Webcam USB 720p] -->|Luồng Video RGB / USB 3.0| RPI[Raspberry Pi 4 Model B]
        AMG[Cảm biến nhiệt AMG8833 8x8] -->|Dữ liệu bức xạ nhiệt / I2C SDA-SCL| RPI
    end

    subgraph Processing_Layer ["Khối Xử Lý Trung Tâm (Raspberry Pi 4)"]
        RPI --> FD[Face Detection Model - OpenCV SSD]
        FD --> FR[MobileNetV2 Mask Classifier]
        RPI --> TC[Hiệu chuẩn & Xử lý ma trận nhiệt]
        FR --> LOGIC{Kiểm tra logic & Ngưỡng}
        TC --> LOGIC
    end

    subgraph Output_Layer ["Khối Phản Hồi & Cảnh Báo"]
        LOGIC -->|Nhiệt độ > 37.5°C hoặc No Mask| SPK[Loa mini 3.5mm / Cảnh báo giọng nói]
        LOGIC -->|Hiển thị trạng thái| MON[Màn hình / Khung Bounding Box Xanh/Đỏ]
        FAN[Quạt tản nhiệt 5V] -.->|Làm mát cưỡng bức| RPI
    end

Technology Stack:

  • Hệ điều hành nhúng: Raspbian OS (Debian 11 bullseye, 64-bit kernel).
  • Ngôn ngữ lập trình: Python 3.8+.
  • Deep Learning Frameworks: TensorFlow 2.8.0, Keras 2.8.0, OpenCV 4.5.5 (cv2).
  • Tiện ích xử lý dữ liệu & âm thanh: imutils, numpy, pygame (audio mixer playback).
  • Giao tiếp phần cứng: smbus2 / Adafruit_AMG88xx qua bus I2C (tần số 400kHz).
  • Thiết kế cơ khí: SolidWorks 2021 (thiết kế vỏ hộp Mica 2mm cắt laser CNC).

Methodology

Đồ án được triển khai theo quy trình kết hợp thiết kế phần cứng – phần mềm lặp (Hardware-Software Co-Design) trong thời gian 16 tuần:

[Tuần 1-3] Khảo sát, chọn đề tài & nghiên cứu lý thuyết bức xạ nhiệt / CNN
    ↓
[Tuần 4-6] Thiết kế sơ đồ khối, tính toán dòng tải & thiết kế vỏ hộp SolidWorks
    ↓
[Tuần 7-8] Lập trình trích xuất mảng nhiệt AMG8833 qua I2C & thu thập Dataset ảnh
    ↓
[Tuần 9-11] Huấn luyện MobileNetV2 Mask Classifier & Ghép nối chương trình chính
    ↓
[Tuần 12-14] Thử nghiệm thực tế, hiệu chuẩn nhiệt kế OMRON & tối ưu tham số
    ↓
[Tuần 15-16] Đánh giá tổng kết, hoàn thiện báo cáo và bảo vệ đồ án

Ma trận đánh giá rủi ro & giải pháp:

  • Rủi ro trôi nhiệt (Thermal Drift) của cảm biến: Bù nhiệt môi trường thông qua công thức hồi quy tương quan với nhiệt độ buồng cảm biến $T_s$.
  • Hiện tượng quá nhiệt CPU Raspberry Pi khi chạy Deep Learning liên tục: Lắp đặt khối tản nhiệt nhôm kép kết hợp quạt làm mát DC 5V (200mA) nối trực tiếp chân GPIO Pin 4 (5V) và Pin 6 (GND).

Implementation và kết quả

Development process

1. Xây dựng mô hình Deep Learning phân loại khẩu trang

Nhóm phát triển áp dụng kỹ thuật Transfer Learning trên kiến trúc MobileNetV2 (đã được tiền huấn luyện trên ImageNet). Mô hình sử dụng các khối tích chập tách biệt theo chiều sâu (Depthwise Separable Convolutions) và Inverted Residuals với Linear Bottlenecks giúp giảm kích thước mô hình chỉ còn ~10MB, lý tưởng cho hệ thống nhúng.

Kiến trúc mạng phần Head tùy biến được lập trình bằng Keras/TensorFlow:

import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.layers import AveragePooling2D, Dropout, Flatten, Dense, Input
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam

# Khởi tạo mô hình nền tảng MobileNetV2 (loại bỏ tầng Fully Connected gốc)
baseModel = MobileNetV2(weights="imagenet", include_top=False,
                        input_tensor=Input(shape=(224, 224, 3)))

# Xây dựng các lớp phân loại tùy biến (Head Model)
headModel = baseModel.output
headModel = AveragePooling2D(pool_size=(7, 7))(headModel)
headModel = Flatten(name="flatten")(headModel)
headModel = Dense(128, activation="relu")(headModel)
headModel = Dropout(0.5)(headModel)  # Giảm hiện tượng Overfitting
headModel = Dense(2, activation="softmax")(headModel) # 2 nhãn: Mask vs No Mask

model = Model(inputs=baseModel.input, outputs=headModel)

# Đóng băng các lớp của baseModel trong lần huấn luyện đầu
for layer in baseModel.layers:
    layer.trainable = False

# Biên dịch mô hình với thuật toán tối ưu Adam và hàm Binary Cross-Entropy
opt = Adam(learning_rate=1e-4, decay=1e-4 / 20)
model.compile(loss="binary_crossentropy", optimizer=opt, metrics=["accuracy"])

Mô hình được huấn luyện trên tập dữ liệu tổng hợp gồm 4.095 hình ảnh (chia tỷ lệ 80% Train – 20% Test), bao gồm đa dạng góc mặt (chính diện, nghiêng trái, nghiêng phải, cúi, ngửa) trong các điều kiện ánh sáng khác nhau.

2. Đo thân nhiệt không tiếp xúc và thuật toán hiệu chuẩn ma trận nhiệt

Cảm biến nhiệt Panasonic AMG8833 giao tiếp với Raspberry Pi qua bus I2C (địa chỉ 0x69). Cảm biến cung cấp ma trận nhiệt $8 \times 8 = 64$ điểm ảnh nhiệt dựa trên định luật bức xạ Stefan-Boltzmann ($j^* = \varepsilon \sigma T^4$).

Do sự suy hao bức xạ nhiệt theo khoảng cách không khí và nhiệt độ môi trường, nhóm tác giả xây dựng hàm đọc giá trị nhiệt độ cực đại $T_{\max}$ trong ma trận $8 \times 8$ và áp dụng phương trình vi chỉnh tuyến tính (Linear Calibration) thu được từ thực nghiệm đối sánh với nhiệt kế y tế OMRON:

import smbus2
import numpy as np

def read_amg8833_temperature(bus, i2c_addr=0x69):
    """
    Đọc ma trận 64 điểm nhiệt độ từ thanh ghi AMG8833 (từ thanh ghi 0x80 đến 0xFF)
    Mỗi điểm nhiệt được biểu diễn bằng 2 bytes (12-bit resolution, LSB = 0.25°C)
    """
    raw_bytes = bus.read_i2c_block_data(i2c_addr, 0x80, 64 * 2)
    temp_grid = np.zeros(64)
    
    for i in range(64):
        raw_val = (raw_bytes[2*i + 1] << 8) | raw_bytes[2*i]
        # Chuyển đổi định dạng bù 2 (two's complement)
        if raw_val > 2047:
            raw_val -= 4096
        temp_grid[i] = raw_val * 0.25
        
    raw_max_temp = np.max(temp_grid)
    
    # Phương trình hiệu chuẩn tuyến tính dựa trên dữ liệu đối chuẩn thực nghiệm
    # y = a * x + b (x: nhiệt độ cảm biến thô, y: thân nhiệt chuẩn hóa)
    calibrated_temp = 0.885 * raw_max_temp + 8.15
    return calibrated_temp, temp_grid

3. Tích hợp luồng điều khiển thời gian thực

Chương trình chính kết hợp song song mô hình dò tìm khuôn mặt (Caffe/SSD Face Detector), mô hình phân loại khẩu trang MobileNetV2, đọc cảm biến nhiệt và điều khiển luồng âm thanh thông báo qua pygame:

import cv2
import pygame

pygame.mixer.init()
sound_no_mask = pygame.mixer.Sound("alert_nomask.wav")
sound_fever = pygame.mixer.Sound("alert_fever.wav")

def process_frame(frame, faceNet, maskNet, body_temp):
    (h, w) = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(frame, 1.0, (224, 224), (104.0, 177.0, 123.0))
    faceNet.setInput(blob)
    detections = faceNet.forward()

    for i in range(0, detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > 0.5:
            box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
            (startX, startY, endX, endY) = box.astype("int")
            
            face = frame[startY:endY, startX:endX]
            face = cv2.resize(face, (224, 224))
            face = tf.keras.preprocessing.image.img_to_array(face)
            face = np.expand_dims(face, axis=0) / 255.0

            (mask, withoutMask) = maskNet.predict(face)[0]
            label = "Mask" if mask > withoutMask else "No Mask"
            color = (0, 255, 0) if label == "Mask" else (0, 0, 255)

            # Cảnh báo vi phạm
            if label == "No Mask":
                sound_no_mask.play()
            if body_temp > 37.5:
                sound_fever.play()

            # Hiển thị thông tin lên màn hình
            text = f"{label}: {max(mask, withoutMask)*100:.1f}% | Temp: {body_temp:.1f}C"
            cv2.putText(frame, text, (startX, startY - 10),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.45, color, 2)
            cv2.rectangle(frame, (startX, startY), (endX, endY), color, 2)
    return frame

Testing và validation

Đánh giá mô hình phân loại khẩu trang

Mô hình MobileNetV2 đạt các chỉ số đánh giá ấn tượng sau 20 epochs huấn luyện:

  • Train Loss / Validation Loss: Giảm từ $0.35$ xuống $0.052$.
  • Training Accuracy: $99.12%$.
  • Validation Accuracy: $98.84%$.

Ma trận nhầm lẫn (Confusion Matrix) trên tập kiểm thử:

Thực tế \ Dự đoán Positive (Đeo khẩu trang) Negative (Không đeo)
Positive (Đeo khẩu trang) $TP = 405$ $FN = 5$
Negative (Không đeo) $FP = 4$ $TN = 406$

Các chỉ số tính toán chi tiết: $$\text{Precision} = \frac{TP}{TP + FP} = \frac{405}{405 + 4} = 99.02%$$ $$\text{Recall} = \frac{TP}{TP + FN} = \frac{405}{405 + 5} = 98.78%$$ $$F_1\text{-score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} = 98.90%$$

Khảo sát độ chính xác nhận diện theo khoảng cách và góc quay

Khoảng cách đo Số mẫu thử Nhận diện đúng (Đeo khẩu trang) Nhận diện đúng (Không đeo) Độ chính xác tổng thể
Dưới 1.0 mét 100 99/100 98/100 98.5%
1.0 – 1.5 mét 100 94/100 92/100 93.0%
1.5 – 2.0 mét 100 83/100 81/100 82.0%

Nhận xét: Hệ thống hoạt động tối ưu nhất ở cự ly $< 1.0\text{m}$. Khi khoảng cách $> 1.5\text{m}$, kích thước vùng khuôn mặt trong khung hình bị thu nhỏ dẫn đến giảm tỷ lệ nhận diện.

Kết quả đối chuẩn nhiệt độ với súng đo OMRON

Lần đo Nhiệt độ AMG8833 sau hiệu chuẩn (°C) Nhiệt độ chuẩn máy OMRON (°C) Độ lệch sai số $\Delta T$ (°C)
1 36.4 36.5 -0.1
2 36.6 36.6 0.0
3 36.8 36.7 +0.1
4 37.1 37.0 +0.1
5 37.6 (Sốt nhẹ) 37.5 +0.1
6 38.2 (Sốt cao) 38.1 +0.1

Sai số trung bình toàn dải đo: $\pm 0.15^\circ\text{C}$ (hoàn toàn đáp ứng tiêu chuẩn sàng lọc y tế ban đầu).

Kết quả đạt được

+-----------------------------------------------------------------------+
|                 BẢNG TỔNG KẾT KẾT QUẢ ĐẠT ĐƯỢC                       |
+------------------------------------+-----------------+----------------+
| Tiêu chí đánh giá                  | Mục tiêu đề ra  | Kết quả đạt    |
+------------------------------------+-----------------+----------------+
| Nhận diện khẩu trang chính xác     | > 95.0%         | 98.5% (<1m)    |
| Sai số đo thân nhiệt               | < ±0.5°C        | ±0.15°C        |
| Tốc độ xử lý khung hình (FPS)      | > 15 fps        | 20 - 24 fps    |
| Thời gian phản hồi cảnh báo âm thanh| < 1.0 giây     | 0.35 giây      |
| Khả năng vận hành liên tục         | > 8 giờ         | Hoạt động 24/7 |
+------------------------------------+-----------------+----------------+

Đổi mới và đóng góp

  1. Kiến trúc nhúng biên tinh gọn (Edge-AI Embedded Fusion): Đồ án tích hợp thành công mô hình Deep Learning phức tạp (MobileNetV2) lên vi máy tính Raspberry Pi 4 Model B mà không cần GPU rời hay kết nối đám mây, đảm bảo tính bảo mật và tính sẵn sàng khi mất mạng.
  2. Kỹ thuật dung hợp dữ liệu đa cảm biến (Multi-sensor Data Fusion): Kết hợp đồng bộ luồng ảnh RGB từ Webcam quang học để trích xuất tọa độ không gian vùng trán/mặt và đối chiếu với ma trận bức xạ nhiệt hồng ngoại 64 pixel từ AMG8833.
  3. Thuật toán bù trừ & hiệu chuẩn nhiệt thích nghi: Giải quyết triệt để bài toán phi tuyến tính của cảm biến hồng ngoại giá rẻ bằng mô hình hồi quy thực nghiệm, nâng độ chính xác từ mức sai số gốc $\pm 2.5^\circ\text{C}$ xuống chỉ còn $\pm 0.15^\circ\text{C}$.
  4. Hiệu quả kinh tế vượt trội: Giảm chi phí đầu tư thiết bị hơn 85% so với các hệ thống camera nhiệt thương mại cùng chức năng (giá thành hoàn thiện chỉ khoảng 3.5 triệu VNĐ so với 25–40 triệu VNĐ trên thị trường).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Cổng kiểm soát ra vào trường đại học / cơ quan hành chính: Đặt thiết bị tại quầy lễ tân hoặc cửa kiểm soát barrier tự động. Người đi qua chỉ cần dừng lại 1 giây trong cự ly 0.8m để hệ thống tự động quét và mở cửa nếu hợp lệ.
  • Bệnh viện và phòng khám: Lắp đặt tại sảnh tiếp đón bệnh nhân để sàng lọc tự động các trường hợp sốt cao hoặc không đeo khẩu trang trước khi vào khu khám chuyên khoa.
  • Nhà máy sản xuất / Khu chế xuất: Tích hợp vào hệ thống điểm danh công nhân tự động đầu ca làm việc.
+------------------------------------------------------------------------+
|                      HƯỚNG DẪN LẮP ĐẶT VẬN HÀNH                        |
+------------------------------------------------------------------------+
| 1. Vị trí lắp đặt: Treo tường hoặc đặt trên chân đỡ ở độ cao 1.4 - 1.6m|
| 2. Nguồn điện: Cấp nguồn DC 5V/3A chuẩn Type-C qua Adapter đi kèm     |
| 3. Môi trường hoạt động: Trong nhà, tránh luồng gió trực tiếp từ máy  |
|    lạnh thổi vào cảm biến và tránh ánh nắng mặt trời chiếu trực tiếp. |
| 4. Khoảng cách tương tác tối ưu: 0.5m đến 0.8m trước mặt ống kính.    |
+------------------------------------------------------------------------+

Phân tích chi phí – lợi ích (Cost-Benefit Analysis)

[Chi phí thiết bị truyền thống]
  Súng đo nhiệt (500k) + Lương nhân viên trực chốt (6 triệu/tháng x 3 ca = 18 triệu/tháng)
  Tổng chi phí năm đầu: > 216.000.000 VNĐ

[Chi phí triển khai hệ thống AI đề tài]
  Thiết bị hoàn chỉnh: 3.500.000 VNĐ + Tiền điện vận hành (~50.000 VNĐ/tháng)
  Tổng chi phí năm đầu: ~ 4.100.000 VNĐ
  => Tiết kiệm hơn 95% chi phí vận hành, hoàn vốn đầu tư (ROI) ngay trong tuần đầu tiên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ phân giải nhiệt của cảm biến AMG8833 còn thấp ($8 \times 8 = 64$ điểm ảnh), dẫn đến vùng đo nhiệt bị giới hạn trong khoảng cách ngắn ($\le 1.0\text{m}$).
  • Độ chính xác của thị giác máy tính bị ảnh hưởng nhẹ khi người dùng đứng ngược sáng mạnh hoặc trong môi trường thiếu sáng ($< 50\text{ Lux}$).
  • Chưa tích hợp tính năng nhận dạng khuôn mặt để lưu trữ nhật ký danh tính người vi phạm vào cơ sở dữ liệu.

Hướng phát triển tương lai

  • Nâng cấp phần cứng cảm biến: Thay thế AMG8833 bằng module cảm biến nhiệt độ phân giải cao hơn như MLX90640 ($32 \times 24 = 768$ điểm) hoặc FLIR Lepton 3.5 ($160 \times 120$ điểm) để mở rộng cự ly đo lên $3.0 - 5.0\text{m}$.
  • Tích hợp IoT Cloud Dashboard: Gửi dữ liệu thống kê thân nhiệt, hình ảnh vi phạm lên Web Server qua giao thức MQTT/HTTP để ban quản trị giám sát tập trung từ xa.
  • Tối ưu hóa mô hình AI với TensorRT / OpenVINO: Tăng tốc độ suy luận (Inference speed) lên $> 30\text{ fps}$, hỗ trợ theo dõi đồng thời nhiều người trong đám đông (Multi-target tracking).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Y sinh, Điện tử, CNTT: Tài liệu tham khảo thực tế về quy trình tích hợp hệ thống nhúng với mô hình Deep Learning (Edge-AI) và xử lý cảm biến y sinh.
  • Kỹ sư và Lập trình viên nhúng: Nắm vững mẫu thiết kế (Design pattern) tối ưu hóa mạng nơ-ron MobileNetV2 trên nền tảng phần cứng tài nguyên giới hạn (Raspberry Pi).
  • Doanh nghiệp & Cơ quan: Giải pháp tự động hóa sàng lọc y tế chi phí thấp, triển khai nhanh chóng để kiểm soát dịch bệnh và bảo vệ sức khỏe cộng đồng.
  • Nhà nghiên cứu Y sinh: Nền tảng mở để tiếp tục phát triển các thuật toán phân tích phổ nhiệt sinh học không xâm lấn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy hệ thống là gì?

Hệ thống yêu cầu bo mạch tối thiểu từ Raspberry Pi 4 Model B (khuyến nghị bản 4GB RAM), thẻ nhớ MicroSD dung lượng tối thiểu 16GB (Class 10 / U3), nguồn điện DC 5V/3A ổn định, module cảm biến nhiệt AMG8833 giao tiếp I2C, Webcam chuẩn UVC hỗ trợ 720p@30fps và loa ngoài công suất 3W có ngõ vào âm thanh 3.5mm/USB.

2. Giới hạn khoảng cách đo của hệ thống là bao nhiêu và có thể mở rộng không?

Trong phiên bản hiện tại, cự ly đo thân nhiệt và phát hiện khẩu trang tối ưu là từ $0.5\text{m}$ đến $1.0\text{m}$. Để mở rộng khoảng cách lên $2.0 - 4.0\text{m}$, có thể nâng cấp cảm biến lên dòng Melexis MLX90640 kết hợp ống kính camera tiêu cự hẹp mà không cần thay đổi kiến trúc phần mềm cốt lõi.

3. Hệ thống có thể tích hợp với các cổng Barrier hoặc cửa từ tự động sẵn có không?

Hoàn toàn có thể. Raspberry Pi 4 có sẵn các chân GPIO điều khiển. Khi trạng thái kiểm tra là Hợp lệ (Có đeo khẩu trang AND Thân nhiệt $\le 37.5^\circ\text{C}$), chương trình có thể xuất mức logic HIGH (3.3V) qua một chân GPIO kích hoạt mạch Relay/Opto để mở khóa từ hoặc thanh chắn barrier tự động.

4. Chi phí bảo trì và độ bền phần cứng của thiết bị như thế nào?

Hệ thống sử dụng các linh kiện thể rắn (Solid-state components) và có quạt làm mát tản nhiệt chủ động, cho phép hoạt động bền bỉ liên tục 24/7 trong môi trường nhiệt độ phòng ($20 - 35^\circ\text{C}$). Chi phí bảo trì định kỳ gần như bằng 0, chỉ cần vệ sinh bề mặt thấu kính quang học và cảm biến nhiệt sau mỗi 3 - 6 tháng sử dụng.

5. Dữ liệu hình ảnh người dùng có bị rò rỉ hoặc vi phạm quyền riêng tư không?

Hệ thống hoạt động hoàn toàn Offline theo mô hình Trí tuệ nhân tạo biên (Edge Computing). Toàn bộ quá trình suy luận hình ảnh và đo nhiệt độ đều diễn ra trực tiếp trong bộ nhớ RAM của Raspberry Pi mà không gửi dữ liệu ra Internet, đảm bảo tuyệt đối quyền riêng tư và tuân thủ các quy định bảo vệ dữ liệu cá nhân.

Kết luận

Đồ án "Thiết kế và thi công mô hình camera đo thân nhiệt và nhắc nhở người không đeo khẩu trang" đã hoàn thành xuất sắc toàn bộ mục tiêu đặt ra: từ việc nghiên cứu lý thuyết bức xạ nhiệt y sinh, thiết kế chế tạo phần cứng nhúng hoàn chỉnh, đến tối ưu hóa mạng nơ-ron MobileNetV2 cho bài toán thị giác máy tính biên. Với độ chính xác nhận diện khẩu trang đạt 98.5%, sai số đo thân nhiệt kiểm soát ở mức $\pm 0.15^\circ\text{C}$ và chi phí phần cứng chỉ khoảng 3.5 triệu đồng, đề tài khẳng định tính ứng dụng thực tiễn cao, đóng góp một giải pháp công nghệ y tế phòng dịch thiết thực, hiệu quả cho xã hội.