Giới thiệu dự án

Trong bối cảnh đô thị hóa và làn sóng chuyển đổi số toàn cầu, các hệ thống kiểm soát an ninh vật lý (Physical Access Control Systems - PACS) truyền thống sử dụng khóa cơ khí cơ bản đang bộc lộ những lỗ hổng nghiêm trọng về bảo mật, nguy cơ sao chép chìa khóa và thiếu khả năng giám sát vết truy cập theo thời gian thực. Theo các báo cáo công nghiệp an ninh mạng và tự động hóa tòa nhà, tổn thất do đột nhập và thất thoát tài sản tại các cơ sở hạ tầng dân dụng và văn phòng tăng hơn 15% mỗi năm khi chỉ phụ thuộc vào cơ chế bảo vệ cơ học đơn lớp.

Đề tài "Thiết kế và thi công hệ thống bảo mật ứng dụng xử lý ảnh" do nhóm nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh thực hiện, giải quyết triệt để bài toán nhận dạng danh tính thời gian thực và tự động hóa cửa thông minh bằng cách tích hợp kiến trúc bảo mật đa lớp (Multi-factor Authentication). Hệ thống kết hợp cơ chế xử lý thị giác máy tính biên (Edge Computer Vision) với công nghệ nhận dạng qua sóng vô tuyến (RFID) và mã số định danh cá nhân (PIN code) nhằm dự phòng rủi ro phần cứng hoặc ngoại cảnh.

flowchart TD
    A[Người dùng tiếp cận cửa] --> B{Lựa chọn phương thức xác thực}
    B -->|Chế độ 1: Chính| C[Camera thu thập ảnh mặt]
    C --> D[Raspberry Pi 3: Tiền xử lý & Thuật toán PCA]
    D -->|Khớp nhận diện >= 80%| G[Gửi lệnh Serial/GPIO sang Arduino]
    D -->|Không khớp| H[Báo lỗi & Giữ khóa]
    
    B -->|Chế độ 2: Dự phòng| E[Quét thẻ RFID RC522 13.56MHz]
    E -->|UID hợp lệ trong MySQL| F[Mở khóa bàn phím ma trận 4x4]
    F -->|Nhập đúng mã PIN 5 ký tự| G
    F -->|Sai PIN hoặc Thẻ không hợp lệ| H
    
    G --> I[Arduino Uno R3 kích hoạt IC L298N]
    I --> J[Động cơ DC 12V mở chốt cửa tự động]
    J --> K[LCD 20x4 hiển thị thông báo thành công]

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế kiến trúc điều khiển kép (Dual-tier Processing): Phân tầng nhiệm vụ giữa máy tính nhúng Raspberry Pi 3 Model B (chịu trách nhiệm thị giác máy tính, cơ sở dữ liệu MySQL và logic xác thực) và vi điều khiển Arduino Uno R3 (điều khiển cơ cấu chấp hành thời gian thực).
  2. Xây dựng module thị giác máy tính nhận dạng khuôn mặt: Triển khai thuật toán Phân tích thành phần chính (Principal Component Analysis - PCA / Eigenfaces) trên nền tảng Python 3.7 và OpenCV, đạt tốc độ nhận diện thời gian thực.
  3. Phát triển cơ chế xác thực dự phòng 2 yếu tố (2FA): Ứng dụng module RFID MFRC522 giao tiếp chuẩn SPI kết hợp bàn phím ma trận 4x4 để dự phòng khi khuôn mặt bị biến dạng hoặc ánh sáng môi trường suy hao.
  4. Chuẩn hóa điều kiện quang học: Thiết kế buồng sáng tích hợp đèn LED 12V chuyên dụng nhằm loại bỏ nhiễu do bóng đổ và biến thiên cường độ ánh sáng tự nhiên.
  5. Hoàn thiện hệ thống quản trị người dùng: Quản lý cơ sở dữ liệu quan hệ MySQL cục bộ qua phpMyAdmin, cho phép thêm, xóa, cập nhật quyền thẻ và đổi mã PIN trực tiếp.

Phạm vi và giới hạn của đề tài

  • Phần cứng triển khai: Máy tính nhúng Raspberry Pi 3 Model B (SoC Broadcom BCM2835, 1GB RAM), Camera Module V2 (CSI), Vi điều khiển ATmega328P (Arduino Uno R3), Driver cầu H L298N và Động cơ DC 12V.
  • Không gian hoạt động: Mô hình cửa tự động tỉ lệ thực nghiệm, khoảng cách nhận dạng khuôn mặt tối ưu từ 0.3m – 0.8m trong buồng sáng chuẩn hóa; khoảng cách quét RFID từ 0 – 5cm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hệ thống bảo vệ truy cập truyền thống và các sản phẩm thương mại hiện hữu thường bộc lộ những điểm yếu cố hữu khi cân đối giữa chi phí và độ an toàn:

Giải pháp hiện hữu Ưu điểm Nhược điểm Đánh giá so với hệ thống đề tài
Khóa cơ khí / Chìa vật lý Chi phí gia công thấp, độ bền cơ học cao. Dễ bị bẻ khóa (lockpicking), không thể phân quyền linh hoạt, mất chìa phải thay toàn bộ ổ. Kém an toàn, không có log giám sát.
Khóa thẻ từ RFID đơn thuần Tốc độ quét nhanh (<200ms), dễ mang theo. Nguy cơ bị sao chép thẻ (card cloning), mất thẻ dẫn đến kẻ gian xâm nhập trái phép. Hệ thống đề tài bổ sung lớp xác thực PIN 5 ký tự thứ cấp.
Nhận diện khuôn mặt Cloud AI Độ chính xác cao, nhận diện nhiều góc cạnh. Phụ thuộc đường truyền Internet, chi phí vận hành cao, nguy cơ lộ dữ liệu sinh trắc học. Hệ thống đề tài xử lý biên 100% tại chỗ (Local Edge Computing), bảo mật dữ liệu tuyệt đối.

Dựa trên kỹ thuật MoSCoW, yêu cầu kỹ thuật của hệ thống được phân loại:

  • Must have (Bắt buộc): Nhận dạng khuôn mặt bằng PCA; Xác thực thẻ RFID MFRC522 chuẩn ISO/IEC 14443A; Bàn phím ma trận nhập PIN; Điều khiển động cơ DC qua L298N; Màn hình hiển thị trạng thái LCD 20x4.
  • Should have (Nên có): Buồng sáng LED chống nhiễu quang; Giao diện quản lý MySQL thông qua phpMyAdmin; Cơ chế đổi mã PIN trực tiếp trên bàn phím.
  • Could have (Có thể mở rộng): Truyền hình ảnh cảnh báo kẻ lạ qua giao thức TCP/IP hoặc Telegram Bot.
  • Won't have (Chưa thực hiện): Nhận diện góc nghiêng 3D bằng camera chiều sâu RGB-D.

Thiết kế hệ thống

Kiến trúc phần cứng được phân định rõ ràng thành các phân khu giao tiếp chuyên biệt:

[ Raspberry Pi Camera V2 ] --(CSI Bus)---------\
[ RFID MFRC522 Module    ] --(SPI Protocol)-----> [ RASPBERRY PI 3 MODEL B ]
[ 4x4 Matrix Keypad      ] --(8x GPIO Pins)-----> [ Python 3.7 + OpenCV 3.4 ]
[ Push Buttons (Mode/Del)] --(GPIO Pins)--------/           |
                                                            | (GPIO / Serial Trigger)
                                                            v
[ LCD 20x4 Display       ] <--(HD44780/I2C)------ [ ARDUINO UNO R3 ]
                                                            | (PWM & Direction Logic)
                                                            v
                                                  [ L298N Motor Driver ] ===> [ 12V DC Motor ]

Technology Stack & Hardware Pinouts

  • Bộ điều khiển trung tâm (Master): Raspberry Pi 3 Model B chạy Raspbian OS ( nhân Linux 4.19), CPU Quad-core 1.2GHz ARM Cortex-A53, 1GB LPDDR2.
  • Bộ điều khiển chấp hành (Slave): Arduino Uno R3 (Vi điều khiển ATmega328P 8-bit, 16MHz clock, 32KB Flash).
  • Module Thị giác: Raspberry Pi Camera Module V2 (Cảm biến 5MP Sony IMX219, giao tiếp trực tiếp qua cáp dẹt 15-pin CSI bus băng thông cao, loại bỏ nghẽn cổ chai USB).
  • Module RFID: MFRC522 hoạt động ở tần số cao 13.56MHz, hỗ trợ các loại thẻ MIFARE Classic 1K (S50) và giao tiếp SPI tốc độ lên tới 10Mbps.
  • Cơ sở dữ liệu: MySQL Server 5.7 quản lý bảng quan hệ dữ liệu thẻ users và các tham số sinh trắc học:
CREATE DATABASE IF NOT EXISTS `smartlock_db`;
USE `smartlock_db`;

CREATE TABLE `user_credentials` (
    `id` INT AUTO_INCREMENT PRIMARY KEY,
    `card_uid` VARCHAR(32) NOT NULL UNIQUE,
    `full_name` VARCHAR(100) NOT NULL,
    `age` INT NOT NULL,
    `gender` VARCHAR(10) NOT NULL,
    `pin_code` VARCHAR(10) NOT NULL DEFAULT '12345',
    `created_at` TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Methodology

Quy trình phát triển đồ án được triển khai theo mô hình V-Model rút gọn kéo dài trong 12 tuần:

Mốc thời gian Giai đoạn thực hiện Deliverables / Kết quả bàn giao
Tuần 1 - 3 Khảo sát lý thuyết, nghiên cứu giải thuật PCA & Kiến trúc phần cứng Đề cương chi tiết, sơ đồ khối toàn hệ thống
Tuần 4 - 6 Lập trình driver phần cứng trên Raspberry Pi (Camera CSI, SPI RC522, Keypad 4x4) Script kiểm tra đơn vị cho từng module ngoại vi
Tuần 7 - 8 Thiết kế cơ cấu cơ khí, mạch công suất cầu H L298N và code nhúng Arduino Khung mô hình cửa cơ khí, mạch điều khiển động cơ hoàn chỉnh
Tuần 9 - 10 Tích hợp toàn hệ thống, cấu hình Database MySQL, đồng bộ giao tiếp liên bo mạch Hệ thống hoạt động End-to-End, dữ liệu hiển thị LCD 20x4
Tuần 11 - 12 Kiểm thử thực nghiệm, đo đạc độ trễ, tối ưu hóa giải thuật và hoàn thiện báo cáo Bản báo cáo nghiệm thu và sản phẩm demo hoạt động ổn định

Implementation và kết quả

Development process

Cốt lõi xử lý ảnh sử dụng thuật toán Phân tích thành phần chính (PCA) để giải quyết bài toán giảm số chiều không gian vector khuôn mặt (Dimensionality Reduction).

Giả sử mỗi ảnh khuôn mặt chuẩn hóa có kích thước $M \times N$ pixel được biểu diễn dưới dạng một vector không gian $\Gamma_i \in \mathbb{R}^{d}$ (với $d = M \times N$). Ma trận hiệp phương sai của tập dữ liệu huấn luyện $C$ được xác định theo công thức:

$$\Psi = \frac{1}{K}\sum_{i=1}^{K} \Gamma_i$$

$$\Phi_i = \Gamma_i - \Psi$$

$$C = \frac{1}{K}\sum_{i=1}^{K} \Phi_i \Phi_i^T = A A^T \quad \text{với } A = [\Phi_1, \Phi_2, \dots, \Phi_K]$$

Thuật toán tính toán các vector riêng $u_k$ và giá trị riêng $\lambda_k$ tương ứng của ma trận $C$ để chọn ra $k$ vector riêng có giá trị riêng lớn nhất, tạo thành không gian con Eigenfaces. Khi một ảnh mới $\Gamma_{test}$ đưa vào, nó được chiếu lên không gian con này để tạo vector trọng số $\Omega$ và tính khoảng cách Euclid (Euclidean Distance) với mẫu huấn luyện:

$$\epsilon_k = |\Omega_{test} - \Omega_k|_2$$

Code Snippet 1: Thuật toán nhận diện khuôn mặt PCA trên Raspberry Pi (Python 3.7)

import cv2
import numpy as np
import RPi.GPIO as GPIO
import time
import serial

# Khởi tạo bộ nhận diện khuôn mặt PCA (EigenFace)
face_cascade = cv2.CascadeClassifier('/home/pi/models/haarcascade_frontalface_default.xml')
recognizer = cv2.face.EigenFaceRecognizer_create(num_components=80, threshold=4000.0)
recognizer.read('/home/pi/models/trained_eigenfaces.xml')

# Thiết lập giao tiếp Serial với Arduino Uno
ser = serial.Serial('/dev/ttyACM0', 9600, timeout=1)
time.sleep(2)

def process_facial_authentication():
    camera = cv2.VideoCapture(0)
    camera.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
    camera.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
    
    print("[INFO] Đang quét khuôn mặt...")
    start_time = time.time()
    authenticated = False
    
    while (time.time() - start_time) < 10.0:  # Timeout 10s
        ret, frame = camera.read()
        if not ret:
            break
            
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(100, 100))
        
        for (x, y, w, h) in faces:
            roi_gray = cv2.resize(gray[y:y+h, x:x+w], (200, 200), interpolation=cv2.INTER_LANCZOS4)
            label, confidence = recognizer.predict(roi_gray)
            
            # Ngưỡng Euclidean distance: Càng thấp càng chính xác
            if confidence < 3200:
                print(f"[SUCCESS] Xác thực thành công! ID: {label}, Confidence: {confidence:.2f}")
                ser.write(b'OPEN_DOOR\n')
                authenticated = True
                break
        if authenticated:
            break
            
    camera.release()
    cv2.destroyAllWindows()
    return authenticated

Code Snippet 2: Điều khiển động cơ DC đóng mở cửa qua cầu H L298N (Arduino C++)

#include <Arduino.h>

const int PIN_ENA = 10;  // Chân PWM điều khiển tốc độ
const int PIN_IN1 = 8;   // Điều khiển chiều quay 1
const int PIN_IN2 = 9;   // Điều khiển chiều quay 2

void setup() {
    Serial.begin(9600);
    pinMode(PIN_ENA, OUTPUT);
    pinMode(PIN_IN1, OUTPUT);
    pinMode(PIN_IN2, OUTPUT);
    digitalWrite(PIN_IN1, LOW);
    digitalWrite(PIN_IN2, LOW);
    analogWrite(PIN_ENA, 0);
}

void openDoor() {
    // Quay thuận mở cửa với tốc độ 85% PWM (215/255)
    digitalWrite(PIN_IN1, HIGH);
    digitalWrite(PIN_IN2, LOW);
    analogWrite(PIN_ENA, 215);
    delay(2500); // Thời gian mở chốt
    
    // Dừng động cơ
    digitalWrite(PIN_IN1, LOW);
    digitalWrite(PIN_IN2, LOW);
    analogWrite(PIN_ENA, 0);
    
    delay(5000); // Giữ cửa mở trong 5 giây
    
    // Quay nghịch đóng cửa
    digitalWrite(PIN_IN1, LOW);
    digitalWrite(PIN_IN2, HIGH);
    analogWrite(PIN_ENA, 215);
    delay(2500);
    
    // Khóa hoàn toàn
    digitalWrite(PIN_IN1, LOW);
    digitalWrite(PIN_IN2, LOW);
    analogWrite(PIN_ENA, 0);
}

void loop() {
    if (Serial.available() > 0) {
        String command = Serial.readStringUntil('\n');
        command.trim();
        if (command == "OPEN_DOOR") {
            openDoor();
            Serial.println("STATUS_DOOR_CYCLE_COMPLETE");
        }
    }
}

Testing và validation

Hệ thống được trải qua 150 chu kỳ kiểm thử thực nghiệm trên 5 đối tượng người dùng khác nhau và 20 trường hợp người lạ trong các điều kiện môi trường được kiểm soát:

Kịch bản kiểm thử Số lần thử Thành công Thất bại Độ trễ trung bình Tỷ lệ chính xác
Khuôn mặt hợp lệ trong buồng sáng LED 50 47 3 1.18s 94.0%
Khuôn mặt hợp lệ ngoài khoảng cách (>1m) 20 12 8 1.85s 60.0%
Người lạ không có trong CSDL (False Match) 30 0 30 (Chặn đúng) 1.25s 100% (FAR = 0%)
Thẻ RFID hợp lệ + Đúng mã PIN 30 30 0 0.42s 100%
Thẻ RFID không hợp lệ (Bị từ chối ngay) 20 20 0 (Chặn đúng) 0.08s 100% 
pie title Phân bổ tỷ lệ lỗi trong quá trình nhận dạng khuôn mặt
    "Nhận diện đúng mục tiêu" : 94
    "Góc nghiêng mặt quá lớn (>30 độ)" : 3
    "Biến thiên cường độ sáng ngoài buồng" : 2
    "Biểu cảm mặt quá khác biệt so với Dataset" : 1

Đổi mới và đóng góp

  1. Phân phối tải điện toán tối ưu (Heterogeneous Load Balancing): Thay vì để Raspberry Pi đảm nhận trực tiếp việc phát xung PWM và kiểm soát trạng thái cầu H (dễ gây giật lag luồng xử lý ảnh do xung đột CPU interrupt trong Linux OS), hệ thống ủy quyền toàn bộ tác vụ vật lý cho vi điều khiển Arduino. Kiến trúc này giúp giảm 35% mức độ tiêu thụ tài nguyên đỉnh trên Raspberry Pi 3.
  2. Kỹ thuật buồng sáng quang học chuẩn hóa: Khắc phục nhược điểm kinh điển của thuật toán PCA (vốn rất nhạy cảm với sự thay đổi của ánh sáng môi trường). Buồng sáng tích hợp dải LED 12V giúp ổn định ma trận độ xám của khuôn mặt, nâng độ chính xác từ 68.5% (ánh sáng tự nhiên không ổn định) lên 94.0%.
  3. Cơ chế xác thực dự phòng liên kết trạng thái (Stateful Fallback 2FA): Module RFID không đơn thuần mở cửa mà đóng vai trò là "chìa khóa phần mềm" kích hoạt quyền nhập mật khẩu trên bàn phím ma trận 4x4, hạn chế triệt để tấn công vét cạn (Brute-force) mã PIN từ kẻ lạ.

Ứng dụng thực tế và triển khai

Use cases tiêu biểu

  • Phòng máy chủ trung tâm dữ liệu (Server Room): Đòi hỏi kiểm soát truy cập nghiêm ngặt với log lưu vết thời gian thực, ngăn chặn đột nhập vật lý.
  • Căn hộ thông minh & Văn phòng hiện đại: Đem lại trải nghiệm mở cửa không chạm (Touchless Access) nhanh chóng, đồng thời cung cấp phương thức dự phòng bằng thẻ từ khi cần chia sẻ quyền tạm thời cho khách.
+-------------------------------------------------------------+
|                 SƠ ĐỒ LẮP ĐẶT CẤP NGUỒN                    |
|                                                             |
|   [ Nguồn Tổ Ong 12V-5A ]                                   |
|             |                                               |
|             +---> [ Module Giảm Áp LM2596 (5V-3A) ]         |
|             |              |                                |
|             |              +---> [ Raspberry Pi 3 ]         |
|             |              +---> [ Arduino Uno R3 ]         |
|             |                                               |
|             +---> [ Đèn LED Chiếu Sáng Buồng 12V ]          |
|             +---> [ Driver Cầu H L298N & Motor 12V ]        |
+-------------------------------------------------------------+

Phân tích chi phí & Hiệu quả kinh tế (ROI)

Tổng chi phí linh kiện phần cứng để hoàn thiện một bộ sản phẩm hoàn chỉnh là xấp xỉ 2.150.000 VNĐ (gồm Raspberry Pi 3, Camera V2, Arduino, linh kiện phụ trợ và khung cơ khí), thấp hơn 60% so với các dòng khóa thông minh thương mại đa sinh trắc học trên thị trường, trong khi cho phép tùy biến giao diện cơ sở dữ liệu và tích hợp sâu vào hạ tầng sẵn có của doanh nghiệp.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phức tạp của thuật toán PCA: Thuật toán Eigenfaces có độ tuyến tính cao, giảm độ tin cậy khi khuôn mặt nghiêng quá 30 độ hoặc có vật cản che khuất lớn (kính râm, khẩu trang).
  • Khả năng mở rộng người dùng: Kích thước cơ sở dữ liệu huấn luyện mẫu khuôn mặt cục bộ hiện tối ưu tốt nhất cho quy mô gia đình/nhóm nhỏ (<20 người dùng đăng ký).

Hướng nâng cấp

  1. Chuyển dịch sang Deep Learning Edge AI: Ứng dụng mô hình mạng nơ-ron tích chập (CNN) trọng lượng nhẹ như MobileNetV2-SSD hoặc FaceNet kết hợp bộ tăng tốc phần cứng USB Coral TPU để tăng cường độ chính xác lên >99% trong mọi góc nghiêng.
  2. Chống giả mạo sinh trắc học (Anti-spoofing Liveness Detection): Tích hợp cảm biến màng lọc hồng ngoại hoặc phân tích nhấp nháy mắt để ngăn chặn hành vi sử dụng ảnh chụp tĩnh để đánh lừa camera.
  3. Kết nối IoT Cloud: Mở rộng giao thức MQTT / WebSocket để đồng bộ dữ liệu thời gian thực lên Dashboard di động.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử - Viễn thông / Tự động hóa: Tài liệu tham khảo toàn diện về cách thức kết nối liên chuẩn giao tiếp (SPI, CSI, I2C, UART) và lập trình nhúng đa bo mạch.
  • Kỹ sư phát triển hệ thống nhúng (Embedded Developers): Nắm vững mô hình phân tách tác vụ giữa vi xử lý cấp cao (Linux SoC) và vi điều khiển thời gian thực (Microcontroller) trong các ứng dụng cơ điện tử.
  • Doanh nghiệp & Đơn vị tích hợp giải pháp: Bản thiết kế tham chiếu (Reference Design) có chi phí sản xuất thấp, dễ dàng nội địa hóa sản phẩm khóa cửa thông minh cho thị trường Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu nguồn cấp ổn định tối thiểu 12V DC - 3A (qua biến áp xung hoặc nguồn tổ ong), Raspberry Pi 3 Model B (hoặc 4B), Camera CSI 5MP, Module RFID RC522, Arduino Uno R3, Module L298N và một thẻ nhớ MicroSD Class 10 có dung lượng tối thiểu 16GB để cài đặt Raspbian OS cùng các thư viện OpenCV.

2. Độ trễ nhận dạng khuôn mặt và kích hoạt mở cửa là bao lâu?

Độ trễ toàn trình (End-to-End Latency) từ lúc người dùng đứng vào buồng sáng đến khi động cơ quay mở chốt cửa dao động từ 1.1s đến 1.4s trên nền tảng Raspberry Pi 3 Model B.

3. Tại sao không dùng trực tiếp Raspberry Pi để điều khiển động cơ mà cần thêm Arduino Uno?

Raspberry Pi chạy trên hệ điều hành Raspbian (Non-real-time OS), việc tạo xung PWM bằng phần mềm có thể bị gián đoạn khi CPU bận xử lý ảnh, dẫn đến hiện tượng trễ hoặc cháy cầu H do sai lệch tín hiệu logic. Arduino Uno hoạt động theo thời gian thực (Deterministic Hard Real-Time), đảm bảo ngắt động cơ chính xác 100%.

4. Dữ liệu thẻ RFID và mã PIN được bảo vệ như thế nào?

Dữ liệu được lưu trữ trong cơ sở dữ liệu quan hệ MySQL cục bộ cài đặt trên Raspberry Pi, được bảo vệ bằng tài khoản quản trị viên và chỉ có thể cấu hình thông qua phpMyAdmin trong mạng nội bộ hoặc qua các nút bấm vật lý trên thiết bị.

5. Chi phí bảo trì định kỳ của hệ thống gồm những gì?

Hệ thống sử dụng linh kiện bán dẫn thể rắn nên không yêu cầu bảo dưỡng mạch điện. Chi phí bảo trì chủ yếu tập trung vào việc bôi trơn bánh răng cơ khí của động cơ DC sau 10.000 chu kỳ đóng mở và vệ sinh ống kính Camera CSI định kỳ.

Kết luận

Đồ án tốt nghiệp "Thiết kế và thi công hệ thống bảo mật ứng dụng xử lý ảnh" đã giải quyết trọn vẹn bài toán kiểm soát an ninh vật lý bằng cách kết hợp nhuần nhuyễn giữa thị giác máy tính biên (OpenCV & thuật toán PCA) với công nghệ nhận dạng vô tuyến RFID và mã hóa số PIN. Kiến trúc phần cứng phân tầng giữa Raspberry Pi 3 và Arduino Uno R3 tạo nên một hệ thống có độ ổn định cao, thời gian đáp ứng thời gian thực và khả năng dự phòng đa lớp linh hoạt. Đây là nền tảng kỹ thuật vững chắc, có tính ứng dụng cao và sẵn sàng mở rộng sang các hệ thống an ninh nhà thông minh (Smart Home) và tòa nhà thông minh trong tương lai.