Bối cảnh và vấn đề nghiên cứu

Đại dịch COVID-19 do virus SARS-CoV-2 gây ra đã bùng phát trên quy mô toàn cầu, dẫn đến hơn 540 triệu ca nhiễm và hơn 6 triệu ca tử vong tính đến tháng 6 năm 2022. Virus lây truyền qua dịch tiết đường hô hấp trong không khí và bề mặt tiếp xúc, gây tổn thương trực tiếp đến các cơ quan và kích hoạt các phản ứng miễn dịch tạo huyết khối. Trong bối cảnh phải thích ứng an toàn và sống chung với dịch bệnh, việc kiểm soát thân nhiệt và giám sát đeo khẩu trang tại những địa điểm công cộng tập trung đông người (như cơ quan, bệnh viện, trường học, nhà máy) trở thành yêu cầu phòng dịch bắt buộc.

Khảo sát thực tiễn cho thấy các giải pháp hiện hành bộc lộ nhiều hạn chế:

  • Nhiệt kế hồng ngoại cầm tay (như CK-T1502) có kích thước nhỏ gọn nhưng đòi hỏi thao tác thủ công từng người, tiêu tốn nhân lực và làm tăng nguy cơ lây nhiễm chéo qua tiếp xúc gần.
  • Thiết bị đo thân nhiệt kết hợp xịt khuẩn tự động (như của SANIVIETNAM) xử lý được bước sát khuẩn nhưng vẫn cần đối tượng dừng lại đưa tay hoặc trán sát cảm biến.
  • Các hệ thống camera đo thân nhiệt chuyên dụng (Vietnamsmart) hoặc camera AI nhận diện khẩu trang (HANET Technology) có hiệu quả sàng lọc cao nhưng chi phí đầu tư lớn, khó triển khai linh hoạt ở quy mô nhỏ.

Xuất phát từ thực tế đó, đề tài "Thiết kế và thi công mô hình camera đo thân nhiệt và nhắc nhở người không đeo khẩu trang" được thực hiện bởi nhóm tác giả Thái Nguyễn Kỳ Duyên và Dương Hoàng Huy, dưới sự hướng dẫn của ThS. Ngô Bá Viết tại Bộ môn Điện tử Công nghiệp – Y sinh, Khoa Điện – Điện Tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Mục tiêu nghiên cứu: Thiết kế và thi công hoàn chỉnh mô hình camera đo thân nhiệt không tiếp xúc bằng cảm biến ảnh nhiệt AMG8833, tự động phát hiện người không đeo khẩu trang qua webcam xử lý thị giác máy tính và đưa ra lời nhắc nhở/cảnh báo bằng âm thanh qua loa. Hệ thống vận hành trên máy tính nhúng Raspberry Pi 4 model B được lập trình bằng ngôn ngữ Python.

Nhiệm vụ nghiên cứu:

  1. Tìm hiểu nguyên lý hoạt động của vi điều khiển Raspberry Pi 4, cảm biến ảnh nhiệt AMG8833 và module camera USB.
  2. Thiết lập kết nối phần cứng giữa bộ điều khiển trung tâm và các cảm biến/thiết bị ngoại vi.
  3. Thiết kế sơ đồ nguyên lý của toàn mạch.
  4. Thi công, lắp ráp hoàn chỉnh phần cứng và vỏ hộp mô hình.
  5. Kiểm tra, hiệu chỉnh thông số đo và đánh giá hoạt động của mô hình so với thiết bị chuẩn trên thị trường.
  6. Viết báo cáo tổng kết và chuẩn bị bảo vệ khóa luận.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Khuôn mặt người trong khung hình thu nhận và bức xạ nhiệt hồng ngoại phát ra từ cơ thể người.
  • Phạm vi không gian & kích thước: Mô hình phần cứng có kích thước vật lý 250mm x 100mm x 120mm; khoảng cách nhận diện và đo nhiệt độ tối ưu được xác định dưới 1m trong điều kiện đủ ánh sáng.
  • Phạm vi thời gian: Đề tài được triển khai từ ngày 25/02/2022 đến ngày 15/06/2022.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và các mô hình áp dụng

  1. Lý thuyết nhiệt độ cơ thể và bức xạ nhiệt:

    • Thân nhiệt bình thường của con người dao động trong khoảng 36.5°C đến 37.5°C. Nhiệt độ trung tâm (nhiệt độ lõi tại gan, não, nội tạng) duy trì từ 36.1°C đến 37.8°C. Ba vị trí đo lâm sàng tiêu chuẩn gồm: trực tràng (nhiệt độ chuẩn), miệng (thấp hơn trực tràng khoảng 0.6°C) và nách (thấp hơn trực tràng khoảng 0.5°C).
    • Đo nhiệt không tiếp xúc dựa trên định luật bức xạ vật đen và định luật Stefan-Boltzmann: $$j^* = \sigma T^4$$ $$\Phi = \epsilon \sigma A T^4$$
    • Điện áp cảm biến thô $V$ phụ thuộc vào nhiệt độ vật thể $T_{obj}$ và nhiệt độ bản thân cảm biến $T_s$: $$V = k (T_{obj}^4 - T_s^4) \implies T_{obj} = \left(\frac{V}{k} + T_s^4\right)^{1/4}$$

  2. Các hướng tiếp cận nhận dạng khuôn mặt: Bao gồm 4 nhóm phương pháp: tiếp cận dựa trên tri thức (knowledge-based), tiếp cận dựa trên đặc trưng không thay đổi (feature invariant), tiếp cận dựa trên so khớp mẫu (template matching) và tiếp cận dựa trên học máy (machine learning).

  3. Mạng nơ-ron tích chập (CNN) và kiến trúc MobileNetV2:

    • Cấu trúc CNN cơ bản gồm: Lớp tích chập (Convolution Layer với bộ lọc/filters, receptive field, feature map), Lớp hàm kích hoạt phi tuyến (ReLU, Sigmoid, Tanh, Leaky ReLU), Lớp tổng hợp (Pooling Layer: Max pooling, Average pooling) nhằm giảm kích thước không gian và lớp kết nối đầy đủ (Fully Connected Layer).
    • Mạng MobileNetV2 được lựa chọn làm mạng trích xuất đặc trưng nền nhờ kiến trúc gọn nhẹ, sử dụng tích chập tách biệt theo chiều sâu (Depthwise Separable Convolutions), khối thắt cổ chai tuyến tính (Linear Bottlenecks) và khối phần dư đảo ngược (Inverted Residual Blocks) với hàm kích hoạt ReLU6.

  4. Nền tảng phần mềm và thư viện:

    • Hệ điều hành Raspbian chạy trên Raspberry Pi 4.
    • Ngôn ngữ lập trình Python kết hợp các thư viện xử lý: OpenCV (xử lý luồng video real-time), TensorFlow và Keras (xây dựng, huấn luyện mô hình học sâu), Pygame (phát âm thanh cảnh báo), Imutils và thư viện hỗ trợ giao tiếp cảm biến AMG8833.

Phương pháp nghiên cứu

  • Phương pháp thiết kế và tích hợp hệ thống nhúng: Phân chia hệ thống thành các khối chức năng độc lập (thu nhận dữ liệu, xử lý trung tâm, cảnh báo, nguồn nuôi), ghép nối ngoại vi thông qua chuẩn I2C (đối với cảm biến AMG8833), chuẩn USB (đối với webcam và nguồn loa) và cổng Audio 3.5mm (truyền tín hiệu âm thanh).
  • Phương pháp thu thập và tiền xử lý dữ liệu: Thu nhận tập ảnh khuôn mặt trực tiếp bằng camera ở nhiều góc độ (nhìn thẳng, nhìn lên, nhìn xuống, nghiêng trái, nghiêng phải) kết hợp bổ sung ảnh từ Internet; phân loại vào hai thư mục nhãn Mask và No Mask. Ảnh được chuẩn hóa kích thước về $224 \times 224$ pixels.
  • Phương pháp huấn luyện và đánh giá mô hình: Dữ liệu được chia theo tỷ lệ 80% cho tập huấn luyện (train set) và 20% cho tập kiểm tra (test set). Tối ưu hóa hàm mất mát nhị phân (Binary Cross Entropy Loss): $$\text{loss} = -\frac{1}{n} \sum_{i=1}^n \left[y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i)\right]$$ Mô hình được đánh giá thông qua Ma trận nhầm lẫn (Confusion Matrix) với các chỉ số Accuracy, Precision, Recall và F1-Score.
  • Phương pháp thực nghiệm hiệu chuẩn nhiệt độ: Đo đồng thời thân nhiệt của người thử nghiệm bằng cảm biến AMG8833 và thiết bị đo chuẩn (súng đo nhiệt OMRON) qua 10 mẫu để xác định sai số và lập công thức hiệu chỉnh thực nghiệm.

Thiết kế và triển khai hệ thống

Kiến trúc phần cứng và sơ đồ khối

Hệ thống được thiết kế theo sơ đồ 4 khối chức năng chính:

Khối chức năng Linh kiện / Thiết bị sử dụng Thông số kỹ thuật chính Vai trò trong hệ thống
Khối xử lý trung tâm Raspberry Pi 4 Model B RAM 4GB LPDDR4, SoC Broadcom, nguồn 5V/3A, cổng Micro-HDMI, USB 3.0/2.0, cổng AV 3.5mm Xử lý thuật toán AI nhận diện khuôn mặt, đọc dữ liệu nhiệt độ I2C, kích hoạt cảnh báo
Khối thu nhận ảnh Webcam USB Độ phân giải 720p (1280x720), tốc độ 30 khung hình/giây, tự động lấy nét Thu nhận luồng video thời gian thực truyền về Raspberry Pi qua cổng USB
Khối đo nhiệt độ Cảm biến ảnh nhiệt AMG8833 Mảng 8x8 (64 điểm ảnh nhiệt), dải đo 0–80°C, sai số ±2.5°C, giao tiếp I2C Thu nhận bức xạ nhiệt hồng ngoại từ đối tượng trước camera
Khối cảnh báo Loa mini giắc 3.5mm Nguồn 5V USB, dải tần 20Hz–20000Hz, có chiết áp chỉnh âm lượng Phát âm thanh nhắc nhở khi phát hiện không đeo khẩu trang hoặc sốt
Khối nguồn & làm mát Adapter 5V/3A & Quạt tản nhiệt Adapter AC/DC 5V-3A chính hãng; Quạt mini 5V gắn cổng GPIO chân 4 (5V) và 6 (GND) Cấp nguồn ổn định toàn hệ thống và giải nhiệt cho chip SoC của Raspberry Pi

Thiết kế mô hình mạng nhận diện khẩu trang

Mô hình học sâu nhận diện khẩu trang được phát triển dựa trên việc tinh chỉnh (Fine-tuning) mạng MobileNetV2:

  1. Lớp trích xuất đặc trưng cơ sở: MobileNetV2 nhận đầu vào ảnh $224 \times 224 \times 3$, bao gồm 32 bộ lọc đầu tiên và 19 khối residual bottleneck.
  2. Lớp Pooling: Lớp AveragePooling2D kích thước $7 \times 7$ nhằm giảm số lượng tham số mà vẫn giữ đặc trưng cốt lõi.
  3. Lớp Flatten: Duỗi phẳng ma trận đặc trưng thành một vector 1 chiều.
  4. Lớp Dense & Dropout: Lớp kết nối đầy đủ (Dense) sử dụng hàm kích hoạt ReLU, kết hợp lớp Dropout ngẫu nhiên nhằm triệt tiêu hiện tượng quá khớp (overfitting).
  5. Lớp phân loại đầu ra: Lớp Dense gồm 2 nút ngõ ra (Mask và No Mask) sử dụng hàm kích hoạt Softmax để xuất xác suất phân lớp.

Sơ đồ nguyên lý và thi công cơ khí

  • Giao tiếp mạch: Module AMG8833 kết nối qua các chân GPIO của Raspberry Pi: Vin cắm chân 2 (5V), GND cắm chân 9 (GND), SDA cắm chân 3 (I2C SDA), SCL cắm chân 5 (I2C SCL). Quạt tản nhiệt cấp nguồn từ chân 4 (5V) và chân 6 (GND). Webcam cắm cổng USB 3.0. Loa kết nối qua cổng 3.5mm và lấy nguồn nuôi qua cổng USB 2.0.
  • Thiết kế cơ khí: Vỏ hộp mô hình được dựng bản vẽ 3D trên phần mềm Solidworks và gia công từ mica trắng đục dày 2mm. Kích thước tổng thể $250 \times 100 \times 120$ mm. Mặt trước khoét các lỗ định vị cho loa ($60 \times 60$ mm), webcam ($10 \times 20$ mm) và mắt cảm biến nhiệt ($7 \times 10$ mm). Mặt trên bố trí công tắc nguồn và lỗ luồn cáp nguồn.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tính cấp thiết của việc kiểm soát dịch bệnh COVID-19 và giám sát y tế không tiếp xúc. Tác giả phân tích ưu - nhược điểm của các thiết bị hiện có trên thị trường như nhiệt kế CK-T1502, máy đo SANIVIETNAM, camera Vietnamsmart và camera AI HANET. Từ đó, xác định rõ mục tiêu chế tạo hệ thống tích hợp đa chức năng (đo nhiệt độ, phát hiện khẩu trang, cảnh báo âm thanh) sử dụng vi điều khiển Raspberry Pi 4. Chương này cũng nêu rõ 7 nội dung nghiên cứu chi tiết, xác định giới hạn kích thước mô hình ($250 \times 100 \times 120$ mm), phạm vi hoạt động hiệu quả dưới 1m và tóm tắt cấu trúc toàn bộ khóa luận gồm 6 chương.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp hệ thống lý thuyết nền tảng phục vụ cho việc tính toán và thiết kế:

  • Trình bày cơ chế sinh nhiệt, phân bố thân nhiệt người bình thường và công thức chuyển đổi giữa các thang đo Celsius, Fahrenheit, Kelvin.
  • Phân tích bản chất vật lý của bức xạ nhiệt không tiếp xúc, định luật Planck và định luật Stefan-Boltzmann.
  • Tổng quan 4 hướng tiếp cận phát hiện khuôn mặt và nguyên lý mạng nơ-ron tích chập CNN (các lớp Conv, Max/Average Pooling, Flatten, Fully Connected, các hàm kích hoạt Sigmoid, Tanh, ReLU, Leaky ReLU, Maxout).
  • Giới thiệu các thư viện phần mềm mã nguồn mở: OpenCV, TensorFlow, Keras.
  • Trình bày chuẩn giao tiếp I2C với cấu trúc 2 dây SDA/SCL, chế độ Master/Slave và cơ chế kéo trở lên nguồn.
  • Giới thiệu chi tiết thông số phần cứng của Raspberry Pi 4 Model B, cảm biến AMG8833, Webcam USB 720p và Loa phát mini giắc 3.5mm.

Chương 3: Tính toán và thiết kế hệ thống

Chương 3 tập trung vào thiết kế kỹ thuật chi tiết:

  • Thiết kế sơ đồ khối và tính toán cân bằng dòng tải toàn hệ thống: Raspberry Pi tiêu thụ $I_{Ras} = 1000\text{mA}$, Camera $I_{Cam} = 250\text{mA}$, AMG8833 $I_{AMG} = 4.5\text{mA}$, Loa phát $I_{Loa} = 1000\text{mA}$, Quạt làm mát $I_{Quat} = 200\text{mA}$. Tổng tải được đảm bảo an toàn bởi adapter 5V/3A.
  • Lập sơ đồ nguyên lý ghép nối toàn mạch giữa Raspberry Pi 4 và các module ngoại vi.
  • Thiết kế vỏ hộp trên Solidworks đảm bảo độ vững chắc và thẩm mỹ.
  • Thiết lập kiến trúc mạng nơ-ron tích chập trên nền tảng MobileNetV2 kết hợp các lớp AveragePooling2D ($7 \times 7$), Flatten, Dropout và Dense Softmax.
  • Xây dựng phương pháp đo nhiệt độ không tiếp xúc bằng cách đọc mảng nhiệt 64 điểm của AMG8833, trích xuất điểm nhiệt cao nhất ($T_{max}$) và hiệu chỉnh theo thiết bị đo chuẩn OMRON.
  • Xác định phương pháp đánh giá mô hình bằng hàm Cross-Entropy Loss và ma trận nhầm lẫn.

Chương 4: Thi công hệ thống

Chương 4 mô tả toàn bộ quy trình hiện thực hóa mô hình từ phần cứng đến phần mềm:

  • Lập danh mục linh kiện, tiến hành kiểm tra chân cắm và lắp ráp vật lý các khối: cố định quạt tản nhiệt vào mica, cắm các đường dây I2C của AMG8833 vào GPIO, kết nối webcam USB và loa.
  • Gia công cắt, uốn và dán tấm mica 2mm hoàn thiện vỏ hộp theo đúng bản vẽ thiết kế.
  • Thu thập tập dữ liệu ảnh mẫu khuôn mặt trực tiếp và từ Internet, phân loại vào hai thư mục Mask và No Mask.
  • Xây dựng lưu đồ huấn luyện với tốc độ học ban đầu $\text{INIT_LR} = 10^{-4}$, tiền xử lý dữ liệu và xuất mô hình mask_detector.model.
  • Lập trình chương trình chính trên môi trường Raspbian (Python) với các lưu đồ: quy trình giám sát tổng thể, chương trình con đo và hiệu chỉnh nhiệt độ (so sánh ngưỡng sốt 37.5°C để kích hoạt loa), chương trình con phân loại khẩu trang (vẽ bounding box màu xanh lá khi có nhãn Mask, vẽ bounding box màu đỏ và phát loa nhắc nhở khi có nhãn No Mask).
  • Mô phỏng kiểm thử giao diện nhận diện trên phần mềm PyCharm.
  • Lập tài liệu hướng dẫn vận hành thiết bị và bảng dự toán chi phí chi tiết cho hệ thống.

Chương 5: Kết quả, nhận xét và đánh giá

Chương 5 trình bày toàn bộ kết quả thực nghiệm đạt được:

  • Trưng bày hình ảnh sản phẩm thực tế bên trong và bên ngoài sau khi thi công hoàn chỉnh.
  • Đánh giá quá trình huấn luyện mô hình thông qua biểu đồ độ chính xác (accuracy) và độ mất mát (loss).
  • Thử nghiệm nhận dạng khẩu trang trong nhiều kịch bản: góc nhìn thẳng, góc nghiêng trái, góc nghiêng phải, trường hợp khung hình xuất hiện 1 người hoặc đồng thời 2 người ở các khoảng cách khác nhau (dưới 1m, 1m, 1.5m, 2m).
  • Thực nghiệm đo nhiệt độ cơ thể so sánh giữa mô hình và súng đo OMRON.
  • Đánh giá thời gian đáp ứng và tốc độ xử lý khung hình thời gian thực của hệ thống nhúng.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được: hoàn thành việc thiết kế, lắp ráp phần cứng, huấn luyện mạng AI nhận diện khẩu trang và tích hợp chức năng đo nhiệt độ cảnh báo tự động. Đồng thời, tác giả chỉ ra các hạn chế về tầm đo nhiệt của cảm biến AMG8833 và đề xuất hướng phát triển mở rộng trong tương lai.

Kết quả và đóng góp

Kết quả thực nghiệm cụ thể

  • Chế tạo phần cứng hoàn chỉnh: Hệ thống được tích hợp gọn gàng trong hộp mica $250 \times 100 \times 120$ mm, các linh kiện hoạt động đồng bộ với nguồn cấp duy nhất 5V/3A mà không phát sinh hiện tượng sụt áp.
  • Hiệu năng nhận diện khẩu trang: Mô hình MobileNetV2 sau khi huấn luyện trên tập dữ liệu đã phân loại chính xác các trạng thái đeo khẩu trang (Mask) và không đeo khẩu trang (No Mask). Khi thử nghiệm nhận diện ở góc thẳng và các góc nghiêng trái/phải, hệ thống tự động gán nhãn chính xác và hiển thị khung viền tương ứng (xanh lá/đỏ) cho từng khuôn mặt, hỗ trợ phát hiện đồng thời nhiều người trong khung hình.
  • Đo nhiệt độ và cảnh báo: Hệ thống trích xuất chính xác điểm nhiệt độ cao nhất từ mảng 64 điểm của AMG8833, tự động bù sai số thực nghiệm để tiệm cận với giá trị đo của súng nhiệt OMRON. Hệ thống phát âm thanh cảnh báo chính xác khi phát hiện người không đeo khẩu trang hoặc khi thân nhiệt vượt ngưỡng quy định 37.5°C.
  • Chi phí triển khai: Dự toán chi tiết cho thấy toàn bộ linh kiện phần cứng để thi công một mô hình hoàn chỉnh có chi phí ở mức tối ưu, phù hợp để nhân rộng cho các cơ quan, trường học nhỏ.

Bảng tổng hợp các thông số kỹ thuật và vận hành của mô hình

Tiêu chí Thông số / Kết quả theo công bố của tác giả
Kích thước mô hình $250 \times 100 \times 120$ mm, vỏ mica dày 2mm
Nền tảng vi điều khiển Raspberry Pi 4 Model B (RAM 4GB), hệ điều hành Raspbian
Mô hình học sâu sử dụng MobileNetV2 (Fine-tuning với AveragePooling2D $7 \times 7$, Dropout, Softmax)
Độ phân giải ảnh đầu vào $224 \times 224$ pixels (đầu vào mạng CNN); Webcam 720p (1280x720)
Cảm biến nhiệt độ AMG8833 mảng $8 \times 8$ (64 điểm ảnh nhiệt), giao tiếp I2C
Ngưỡng nhiệt độ cảnh báo sốt $> 37.5^\circ\text{C}$ (phát âm thanh cảnh báo qua loa)
Khoảng cách làm việc tối ưu Dưới 1m trong điều kiện đủ sáng
Tỷ lệ phân chia tập dữ liệu 80% Training set – 20% Testing set
Phương tiện cảnh báo Loa mini giắc 3.5mm phát thông báo nhắc nhở
Nguồn cấp toàn hệ thống Adapter DC 5V / 3A

Giải pháp và đóng góp của đề tài

  1. Đã kết hợp thành công công nghệ thị giác máy tính dựa trên học sâu (mạng MobileNetV2 tối ưu cho thiết bị biên) và công nghệ cảm biến ảnh nhiệt hồng ngoại (AMG8833) trên một bo mạch máy tính nhúng duy nhất (Raspberry Pi 4).
  2. Xây dựng một quy trình khép kín từ khâu thu nhận tín hiệu hình ảnh/nhiệt độ, xử lý tính toán, phân loại AI, đến cơ chế phản hồi cảnh báo bằng giọng nói/âm thanh tự động hoàn toàn, không cần nhân viên y tế túc trực thao tác thủ công.
  3. Cung cấp quy trình thiết kế kỹ thuật, bản vẽ 3D Solidworks, sơ đồ đấu nối chi tiết và mã nguồn điều khiển rõ ràng, có tính khả thi cao trong thi công thực tế.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận trong văn bản

  • Cảm biến nhiệt độ AMG8833 có độ phân giải nhiệt thấp ($8 \times 8 = 64$ điểm ảnh), dẫn đến độ chính xác và dải đo bị suy giảm khi khoảng cách vượt quá 1m.
  • Hệ thống đòi hỏi người đo phải đứng đúng vị trí đối diện và hướng khuôn mặt vào đúng ô định vị trước cảm biến để thu được giá trị nhiệt độ chính xác nhất.
  • Khả năng phát hiện khuôn mặt và phân loại khẩu trang của camera phụ thuộc nhiều vào điều kiện chiếu sáng môi trường; khi thiếu sáng hoặc ngược sáng mạnh, tốc độ và độ tin cậy bị ảnh hưởng.

Hướng nghiên cứu phát triển

  • Nâng cấp cảm biến nhiệt sang các module ảnh nhiệt có độ phân giải cao hơn (như FLIR Lepton hoặc MLX90640 $32 \times 24$ điểm ảnh) để mở rộng khoảng cách đo và tăng độ chính xác nhiệt độ.
  • Tối ưu hóa mô hình AI nhận diện khuôn mặt và khẩu trang để hệ thống có thể hoạt động ổn định trong các điều kiện ánh sáng yếu hoặc môi trường phức tạp.
  • Bổ sung thêm các tính năng thông minh như nhận dạng danh tính người ra vào, điểm danh tự động và truyền dữ liệu giám sát thời gian thực lên máy chủ/đám mây (Cloud/IoT).

Giá trị tham khảo

Báo cáo khóa luận tốt nghiệp này là tài liệu tham khảo hữu ích cho:

  • Sinh viên ngành Kỹ thuật Y sinh, Kỹ thuật Điện tử - Viễn thông, Công nghệ Thông tin, Cơ điện tử và Kỹ thuật Điều khiển - Tự động hóa: Cung cấp tài liệu hoàn chỉnh về cách thức triển khai một dự án IoT kết hợp AI và xử lý tín hiệu y sinh trên máy tính nhúng.
  • Người làm đề tài về Trí tuệ nhân tạo biên (Edge AI) và Thị giác máy tính: Cung cấp quy trình chi tiết về việc xây dựng tập dữ liệu, fine-tuning mạng nơ-ron tích chập MobileNetV2 với TensorFlow/Keras, tối ưu hóa để chạy real-time trên phần cứng hạn chế tài nguyên như Raspberry Pi.
  • Kỹ sư và nhà phát triển hệ thống nhúng y tế: Tham khảo phương pháp ghép nối phần cứng qua giao thức I2C, cơ chế trích xuất và bù sai số thực nghiệm cho cảm biến nhiệt không tiếp xúc.

Câu hỏi thường gặp

1. Hệ thống sử dụng cảm biến gì để đo thân nhiệt và cảm biến này giao tiếp với Raspberry Pi qua chuẩn nào?

Hệ thống sử dụng cảm biến ảnh nhiệt hồng ngoại AMG8833 (mảng 8x8 gồm 64 điểm ảnh nhiệt, dải đo 0–80°C). Module này giao tiếp với vi điều khiển Raspberry Pi 4 Model B thông qua chuẩn giao tiếp nối tiếp 2 dây I2C, kết nối vào các chân vật lý 5V (pin 2), GND (pin 9), SDA (pin 3) và SCL (pin 5).

2. Mô hình học sâu nào được nhóm tác giả chọn để nhận diện người đeo/không đeo khẩu trang? Vì sao?

Nhóm tác giả lựa chọn kiến trúc mạng nơ-ron tích chập MobileNetV2 (kết hợp các lớp AveragePooling2D $7 \times 7$, Flatten, Dropout và Dense Softmax). Lý do lựa chọn là vì MobileNetV2 có kích thước mô hình nhỏ gọn, số lượng tham số ít, tốc độ tính toán nhanh, ít tiêu tốn tài nguyên tính toán và rất phù hợp để triển khai các ứng dụng thị giác máy tính thời gian thực (real-time) trên phần cứng nhúng.

3. Quy trình đo và hiệu chỉnh nhiệt độ của mô hình được thực hiện như thế nào?

Khi có người đứng trước thiết bị, cảm biến AMG8833 thu nhận mảng 64 giá trị nhiệt độ và gửi về Raspberry Pi. Chương trình sẽ tìm kiếm giá trị nhiệt độ lớn nhất ($T_{max}$) trong mảng điểm nhiệt. Giá trị thô này sau đó được đưa qua công thức toán học hiệu chỉnh (được xây dựng từ việc so sánh thực nghiệm 10 lần đo đối chứng với súng đo nhiệt chuẩn OMRON) để tính ra thân nhiệt thực tế. Nếu nhiệt độ sau hiệu chỉnh lớn hơn 37.5°C, hệ thống sẽ kích hoạt phát âm thanh cảnh báo sốt qua loa.

4. Hệ thống đưa ra các phản hồi cảnh báo cụ thể như thế nào khi quan sát đối tượng?

Khi webcam thu nhận hình ảnh, nếu đối tượng có đeo khẩu trang, hệ thống hiển thị bounding box màu xanh lá kèm nhãn Mask. Nếu đối tượng không đeo khẩu trang, hệ thống hiển thị bounding box màu đỏ kèm nhãn No Mask và đồng thời phát thông điệp nhắc nhở qua loa mini. Đối với nhiệt độ, nếu thân nhiệt vượt quá 37.5°C, loa cũng lập tức phát tín hiệu cảnh báo thân nhiệt cao.

5. Giới hạn khoảng cách và điều kiện môi trường để mô hình hoạt động chính xác nhất là gì?

Theo công bố của nhóm tác giả trong khóa luận, mô hình hoạt động tối ưu và cho kết quả đo thân nhiệt cũng như nhận dạng khuôn mặt chính xác nhất ở khoảng cách dưới 1m và trong điều kiện môi trường có ánh sáng đầy đủ, đối tượng cần hướng thẳng khuôn mặt vào vùng cảm biến của thiết bị.

Kết luận

Khóa luận tốt nghiệp "Thiết kế và thi công mô hình camera đo thân nhiệt và nhắc nhở người không đeo khẩu trang" của sinh viên Thái Nguyễn Kỳ Duyên và Dương Hoàng Huy đã giải quyết trọn vẹn bài toán tích hợp công nghệ thị giác máy tính và cảm biến y sinh trên phần cứng nhúng Raspberry Pi 4. Đề tài đã xây dựng thành công mô hình mạng MobileNetV2 nhận dạng khẩu trang thời gian thực, kết hợp cảm biến mảng nhiệt AMG8833 và cơ chế cảnh báo âm thanh tự động hoàn toàn. Toàn bộ hệ thống được thi công đóng gói hoàn chỉnh trong vỏ hộp mica chuyên dụng, hoạt động ổn định với nguồn 5V/3A, cung cấp giải pháp kỹ thuật có tính ứng dụng thực tiễn cao trong công tác sàng lọc y tế và phòng chống dịch bệnh tại các cơ quan, trường học.