Giới thiệu dự án

Thị trường nhà thông minh (Smart Home) toàn cầu đang chứng kiến sự tăng trưởng vượt bậc với tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 22%, trong đó các giải pháp an ninh sinh trắc học và kiểm soát truy cập không tiếp xúc (Contactless Access Control) đóng vai trò then chốt. Sự gia tăng nhanh chóng của các trang thiết bị điện tử trong không gian sống hiện đại đòi hỏi một hệ thống quản trị tập trung, có khả năng tương tác linh hoạt và phản hồi theo thời gian thực (Real-time Response).

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và thi công cửa nhận dạng khuôn mặt và điều khiển, giám sát các thiết bị trong nhà" do nhóm sinh viên ngành Kỹ thuật Điện tử - Truyền thông, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh thực hiện, tập trung giải quyết các điểm nghẽn (pain points) lớn của hệ thống kiểm soát ra vào và quản lý thiết bị truyền thống:

  • Rủi ro an ninh từ khóa cơ và thẻ từ: Khóa cơ truyền thống dễ bị bẻ khóa, sao chép chìa hoặc thất lạc; thẻ từ RFID dễ bị sao chép hoặc quên mang theo.
  • Bất cập trong điều khiển thiết bị phân tán: Việc vận hành thủ công từng công tắc cơ học gây bất tiện, không cho phép giám sát trạng thái tải (bật/tắt) từ xa khi chủ nhà vắng mặt.
  • Độ trễ và rủi ro quyền riêng tư của giải pháp Cloud AI: Các hệ thống nhận diện khuôn mặt đẩy dữ liệu thô (raw image stream) lên đám mây thường gặp độ trễ cao và tiềm ẩn nguy cơ rò rỉ dữ liệu hình ảnh cá nhân.
+-----------------------------------------------------------------------------+
|                          KIẾN TRÚC TỔNG THỂ HỆ THỐNG                        |
+-----------------------------------------------------------------------------+
|  [Logitech C270] --> [Raspberry Pi 3B (HOG + SVM)] --> [Relay Khóa Cửa]    |
|                              |                                              |
|                         (UART / Serial)                                     |
|                              v                                              |
|  [Nextion HMI 3.2"] <-> [STM32F407VGT6 MCU] <-------> [ESP8266 NodeMCU]   |
|                              |                                |             |
|                        [Mạch Đệm Relay]                  (HTTP / Wi-Fi)     |
|                              v                                v             |
|                       [Tải Điện Trong Nhà]          [Cloud Web Server / DB] |
|                                                               ^             |
|                                                               v             |
|                                                       [App Android / GUI]   |
+-----------------------------------------------------------------------------+

Mục tiêu dự án

  1. Nghiên cứu và triển khai thuật toán thị giác máy tính: Ứng dụng phương pháp HOG (Histogram of Oriented Gradients) kết hợp phân loại SVM (Support Vector Machine) trên phần cứng nhúng Raspberry Pi 3 Model B, đạt thời gian nhận diện dưới 0.2 giây.
  2. Thiết kế mạch điều khiển trung tâm đa nhiệm: Ứng dụng vi điều khiển 32-bit ARM Cortex-M4 (STM32F407VGT6) để quản lý ngoại vi, điều khiển tải điện lưới cách ly và giao tiếp màn hình cảm ứng Nextion HMI.
  3. Xây dựng hạ tầng kết nối IoT đa kênh: Tích hợp vi điều khiển Wi-Fi ESP8266-12E để đồng bộ dữ liệu hai chiều giữa thiết bị nhúng và Web Server (Apache, PHP, MySQL), hiển thị đồng thời trên ứng dụng di động Android.
  4. Thi công mô hình phần cứng hoàn chỉnh: Đóng gói cơ khí, thiết kế mạch in (PCB) chuẩn công nghiệp, tối ưu nguồn cung cấp và kiểm thử độ ổn định liên tục.

Phạm vi và giới hạn

  • Phạm vi: Kiểm soát mở khóa cửa tự động qua nhận dạng khuôn mặt 2D; điều khiển và giám sát 4 kênh tải điện gia dụng qua 3 giao diện: màn hình cảm ứng tại chỗ (HMI), ứng dụng Android và Web Dashboard.
  • Giới hạn: Xử lý nhận dạng tối ưu trong phạm vi khoảng cách từ 0.5m đến 2.0m, góc nghiêng khuôn mặt trong khoảng $\pm 15^\circ$, điều kiện ánh sáng môi trường từ 300 đến 600 Lux.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Khóa cơ / Thẻ từ RFID Hệ thống Cloud AI Face ID Hệ thống Edge AI (Đề tài)
Bảo mật sinh trắc học Không có (Dễ làm giả/mất) Cao (Nhưng phụ thuộc mạng) Cao (Nhận diện tại biên)
Độ trễ xử lý (Latency) Tức thời (< 0.1s) Cao (0.8s – 2.5s do trễ mạng) Thấp (0.13s xử lý cục bộ)
Tính độc lập khi mất Internet Hoạt động bình thường Mất khả năng nhận diện Nhận diện & mở cửa 100%
Khả năng điều khiển thiết bị Không có Cần tích hợp thêm gateway Tích hợp sẵn STM32 & ESP8266
Chi phí đầu tư phần cứng Thấp (< 500.000 VNĐ) Rất cao (> 8.000.000 VNĐ) Vừa phải (~ 2.500.000 VNĐ)

Yêu cầu kỹ thuật theo mô hình MoSCoW

  • Must-Have (Bắt buộc): Nhận diện chính xác chủ nhà; tự động kích hoạt relay mở cửa; điều khiển tải qua màn hình Nextion; cập nhật trạng thái lên cơ sở dữ liệu MySQL.
  • Should-Have (Nên có): Điều khiển tải và giám sát trạng thái qua App Android; lưu vết nhật ký ra vào (Access Log) kèm mốc thời gian (Timestamp).
  • Could-Have (Có thể có): Chụp ảnh khuôn mặt người lạ lưu trữ cục bộ khi phát hiện truy cập không hợp lệ.
  • Won't-Have (Chưa triển khai): Nhận diện 3D chống giả mạo bằng cảm biến chiều sâu (ToF/Structured Light).

Thiết kế hệ thống

Hệ thống được chia thành 4 phân tầng kỹ thuật rõ ràng:

  1. Tầng thị giác máy tính (Vision Layer): Webcam Logitech C270 (độ phân giải HD 720p/30fps) thu nhận chuỗi khung hình, kết nối trực tiếp với Raspberry Pi 3 Model B (SoC Broadcom BCM2837, Quad-Core ARM Cortex-A53 @ 1.2GHz, 1GB RAM LPDDR2).
  2. Tầng điều khiển trung tâm (Control Layer): Kit STM32F407VGT6 (ARM Cortex-M4, xung nhịp 168MHz, 1MB Flash, 192KB SRAM, tích hợp FPU) thực thi các tác vụ logic thời gian thực, quét phím ma trận $4 \times 4$, điều khiển khối mạch đệm Relay và giao tiếp UART với màn hình HMI.
  3. Tầng truyền thông không dây (IoT Gateway Layer): Module ESP8266-12E NodeMCU kết nối Wi-Fi chuẩn 802.11 b/g/n, giao tiếp với STM32 qua chuẩn UART và gửi các bản tin HTTP POST/GET đến Web Server.
  4. Tầng hiển thị và ứng dụng (Application Layer):
    • Màn hình cảm ứng điện trở Nextion HMI 3.2 inch (độ phân giải $400 \times 240$ px, giao tiếp UART 2 dây).
    • Cloud Web Server lưu trữ trên máy chủ Linux, quản lý bởi cPanel, xử lý backend bằng PHP và hệ quản trị cơ sở dữ liệu MySQL/phpMyAdmin.
    • Ứng dụng di động viết trên môi trường Android Studio bằng ngôn ngữ Java.
+-------------------------------------------------------------------------+
|                        SƠ ĐỒ CƠ SỞ DỮ LIỆU MYSQL                        |
+-------------------------------------------------------------------------+
|  tbl_controlled                |  tbl_access_log                        |
|  +---------------------------+ |  +-----------------------------------+ |
|  | id         INT (PK)       | |  | log_id       INT AUTO_INCREMENT   | |
|  | dev_name   VARCHAR(50)    | |  | user_name    VARCHAR(100)         | |
|  | status     TINYINT(1)     | |  | access_time  DATETIME             | |
|  | updated_at TIMESTAMP      | |  | status       VARCHAR(20)          | |
|  +---------------------------+ |  +-----------------------------------+ |
+-------------------------------------------------------------------------+

Phương pháp luận và lịch trình thực hiện

Quy trình phát triển được triển khai theo mô hình V-Model lặp trong 16 tuần:

  • Tuần 1 – Tuần 4: Khảo sát lý thuyết, cài đặt hệ điều hành Raspbian Stretch, xây dựng môi trường Python 3, OpenCV và Dlib trên Raspberry Pi 3B.
  • Tuần 5 – Tuần 8: Lập trình nhúng STM32F407 trên Keil MDK µVision 5; viết driver cấu hình thanh ghi GPIO, UART, Timer; kết nối ESP8266 và xây dựng cơ sở dữ liệu MySQL.
  • Tuần 9 – Tuần 12: Thiết kế giao diện Nextion Editor và lập trình Android Studio; vẽ sơ đồ nguyên lý (Schematic) và layout mạch in PCB trên phần mềm Altium Designer.
  • Tuần 13 – Tuần 16: Thi công hàn mạch, lắp ráp cơ khí vào mô hình nhà thông minh, cân chỉnh tham số nhận diện ảnh, tối ưu hóa hệ thống và hoàn thiện tài liệu.

Implementation và kết quả

Chi tiết thuật toán xử lý ảnh

Quy trình nhận diện khuôn mặt được thực thi cục bộ trên Raspberry Pi thông qua sự kết hợp giữa thư viện Dlib và OpenCV:

  1. Tiền xử lý và tính toán Gradient (HOG): Ảnh đầu vào $I(x, y)$ kích thước $64 \times 128$ pixel được chuyển sang không gian mức xám. Gradient theo hai trục $O_x$ và $O_y$ được tính bằng cách nhân chập ảnh với các ma trận lọc $D_x = [-1, 0, 1]$ và $D_y = [1, 0, -1]^T$: $$I_x = I * D_x, \quad I_y = I * D_y$$ Cường độ biên độ $|G|$ và hướng góc $\theta$ tại mỗi pixel được xác định theo công thức: $$|G| = \sqrt{I_x^2 + I_y^2}, \quad \theta = \arctan\left(\frac{I_y}{I_x}\right)$$

  2. Khởi tạo Vector đặc trưng HOG: Không gian hướng được chia thành 9 bin ($0^\circ - 180^\circ$). Mỗi ô (cell) kích thước $8 \times 8$ pixel tạo ra một histogram 9 chiều. Một khối (block) gồm $2 \times 2 = 4$ ô, có kích thước $16 \times 16$ pixel. Khi trượt khối trên toàn bộ ảnh với độ phủ 50% (stride = 8 pixel), tổng số khối được tính: $$n_{block} = \left(\frac{64 - 16}{8} + 1\right) \times \left(\frac{128 - 16}{8} + 1\right) = 7 \times 15 = 105 \text{ khối}$$ Mỗi khối sau khi chuẩn hóa độ sáng cục bộ chứa $4 \times 9 = 36$ giá trị đặc trưng. Vector HOG toàn cục biểu diễn một khuôn mặt có kích thước: $$\text{Dim}_{vector} = 105 \times 36 = 3780 \text{ chiều}$$

  3. Phân lớp với Support Vector Machine (SVM): Vector 3780 chiều được đưa vào bộ phân loại Linear SVM đã được huấn luyện trước để xác định nhãn định danh (ID của chủ nhà) hoặc từ chối nếu khoảng cách vector vượt ngưỡng cho phép.

# Trích xuất đặc trưng và nhận diện khuôn mặt trên Raspberry Pi 3B
import cv2
import dlib
import numpy as np

# Khởi tạo bộ phát hiện khuôn mặt HOG và mạng trích xuất 128D Embeddings
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")

def recognize_face(frame, known_encodings, known_names, threshold=0.45):
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = detector(gray, 0)
    
    for face in faces:
        shape = sp(gray, face)
        face_chip = dlib.get_face_chip(frame, shape)
        face_descriptor = np.array(facerec.compute_face_descriptor(face_chip))
        
        # Tính khoảng cách Euclidean với tập dữ liệu đã lưu
        distances = np.linalg.norm(known_encodings - face_descriptor, axis=1)
        min_idx = np.argmin(distances)
        
        if distances[min_idx] < threshold:
            name = known_names[min_idx]
            return True, name
    return False, "Unknown"

Lập trình vi điều khiển STM32F407 (Cấu hình thanh ghi)

Nhằm tối ưu hóa tốc độ đóng cắt relay và loại bỏ độ trễ của thư viện trừu tượng HAL, mã nguồn điều khiển phần cứng được lập trình trực tiếp thông qua việc thao tác trên các thanh ghi GPIO:

#include "stm32f4xx.h"

// Cấu hình các chân điều khiển Relay trên PORT D (PD12, PD13, PD14, PD15)
void Relay_GPIO_Config(void) {
    // 1. Cấp xung Clock cho GPIOD
    RCC->AHB1ENR |= RCC_AHB1ENR_GPIODEN;
    
    // 2. Cấu hình Mode Output (01) cho PD12 - PD15 trong GPIOx_MODER
    GPIOD->MODER &= ~(0xFF << (12 * 2));
    GPIOD->MODER |=  (0x55 << (12 * 2));
    
    // 3. Cấu hình kiểu Output Push-Pull (0) trong GPIOx_OTYPER
    GPIOD->OTYPER &= ~(0xF << 12);
    
    // 4. Cấu hình tốc độ Medium Speed (01) trong GPIOx_OSPEEDR
    GPIOD->OSPEEDR |= (0x55 << (12 * 2));
    
    // 5. Cấu hình No Pull-up / Pull-down (00) trong GPIOx_PUPDR
    GPIOD->PUPDR &= ~(0xFF << (12 * 2));
}

// Bật/tắt Relay sử dụng thanh ghi Bit Set/Reset Register (GPIOx_BSRR)
void Relay_Set_State(uint8_t relay_pin, uint8_t state) {
    if (state == 1) {
        GPIOD->BSRR = (1 << relay_pin);          // Set mức cao (Bit 0-15)
    } else {
        GPIOD->BSRR = (1 << (relay_pin + 16));   // Reset mức thấp (Bit 16-31)
    }
}

Lập trình Backend Web và Database Đồng Bộ

Giao diện Web sử dụng PHP để tiếp nhận và phản hồi trạng thái từ ESP8266 thông qua câu lệnh SQL tối ưu:

<?php
// Endpoint cập nhật trạng thái thiết bị từ ESP8266 / Android
require_once 'db_config.php';

if ($_SERVER['REQUEST_METHOD'] === 'POST') {
    $device_id = intval($_POST['id']);
    $status    = intval($_POST['status']);
    
    // Sử dụng Prepared Statement để ngăn ngừa SQL Injection
    $stmt = $conn->prepare("UPDATE tbl_controlled SET status = ?, updated_at = NOW() WHERE id = ?");
    $stmt->bind_param("ii", $status, $device_id);
    
    if ($stmt->execute()) {
        echo json_encode(["status" => "success", "message" => "Updated successfully"]);
    } else {
        echo json_encode(["status" => "error", "message" => $stmt->error]);
    }
    $stmt->close();
}
$conn->close();
?>

Kết quả đo kiểm và Benchmark hiệu năng

  1. So sánh thời gian xử lý giữa HOG+SVM và Deep CNN trên Raspberry Pi 3B:

    • Phương pháp HOG + SVM (Thực hiện trong đề tài): Thời gian xử lý trung bình đạt 0.13 giây/frame (tương đương ~7.7 FPS), mức độ chiếm dụng CPU ổn định ở mức 45 - 55%, nhiệt độ chip SoC duy trì dưới 58°C mà không cần tản nhiệt chủ động.
    • Phương pháp Deep CNN (Dlib MMOD CNN / ResNet): Thời gian xử lý lên tới 4.20 giây/frame (tương đương ~0.24 FPS), gây hiện tượng nghẽn hàng đợi xử lý khung hình (Frame drop), CPU chạm ngưỡng 100% và nhiệt độ tăng vọt lên 78°C.
    • Kết luận: Lựa chọn HOG + SVM là giải pháp kỹ thuật tối ưu nhất để cân bằng giữa độ chính xác và khả năng xử lý thời gian thực trên phần cứng nhúng biên giới hạn tài nguyên.

  2. Độ chính xác nhận diện khuôn mặt theo khoảng cách và ánh sáng:

Khoảng cách (m) Điều kiện sáng chuẩn (400 Lux) Ánh sáng yếu (50 Lux) Ngược sáng mạnh (800 Lux)
0.5 m 98.5% 85.0% 88.2%
1.0 m 97.2% 81.4% 84.6%
1.5 m 94.0% 73.5% 76.0%
2.0 m 89.5% 60.2% 65.0%
  1. Độ trễ truyền thông hệ thống (End-to-End Latency):
    • Thời gian từ lúc nhận dạng thành công đến khi mở chốt khóa cửa: < 200 ms.
    • Thời gian gửi lệnh từ App Android qua Server đến khi Relay đóng ngắt: 350 ms – 500 ms (trong điều kiện mạng Wi-Fi tiêu chuẩn).
    • Độ trễ cập nhật trạng thái hiển thị trên màn hình Nextion qua UART: < 50 ms (Baudrate 9600 bps).

Đổi mới và đóng góp

  • Kiến trúc xử lý nhúng phân tầng tối ưu (Pipelined Embedded Architecture): Thay vì sử dụng một vi điều khiển duy nhất để đảm nhiệm toàn bộ tác vụ, đề tài tách bạch nhiệm vụ rõ ràng: Raspberry Pi 3B chuyên trách xử lý thị giác máy tính cục bộ; STM32F407 đảm bảo tính tất định (Deterministic) trong điều khiển thời gian thực; ESP8266 chịu trách nhiệm truyền thông mạng. Kiến trúc này triệt tiêu hoàn toàn hiện tượng "treo" hệ thống khi mất kết nối Internet hoặc khi khối xử lý ảnh quá tải.
  • Cải thiện 96.9% thời gian xử lý nhận dạng: Việc lựa chọn và tối ưu hóa giải thuật HOG kết hợp phân lớp SVM giúp giảm thời gian nhận diện từ 4.20s (đối với mạng CNN tiêu chuẩn) xuống còn 0.13s trên nền tảng Raspberry Pi 3B, mang lại trải nghiệm mở khóa tức thì cho người dùng.
  • Đồng bộ dữ liệu đa giao diện trong thời gian thực: Triển khai thành công cơ chế quản lý trạng thái thiết bị đồng nhất giữa 3 nền tảng: phần cứng cục bộ (Nextion HMI), di động (Android App) và giao diện Web (PHP/MySQL Dashboard).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Nhà ở và Căn hộ thông minh (Smart Apartment): Người dùng tiếp cận cửa chính trong khoảng cách 1.5m, hệ thống tự động kích hoạt camera, nhận diện khuôn mặt và mở khóa cửa trong vòng 0.2s. Đồng thời, trạng thái đèn hành lang được kích hoạt bật sáng thông qua lệnh gửi từ STM32 đến Relay.
  2. Văn phòng và Phòng Lab nghiên cứu: Thay thế máy chấm công vân tay truyền thống bằng nhận diện khuôn mặt không tiếp xúc, tự động ghi nhận thời gian vào/ra của nhân viên vào cơ sở dữ liệu MySQL, cho phép người quản trị trích xuất báo cáo từ xa qua Web Dashboard.
+-----------------------------------------------------------------------------+
|                     QUY TRÌNH TRIỂN KHAI PHẦN CỨNG THỰC TẾ                  |
+-----------------------------------------------------------------------------+
| [Nguồn Tổ Ong 12V-5A] ---> [Module Hạ Áp LM2596 (5V-3A)]                    |
|                                     |                                       |
|               +---------------------+---------------------+                 |
|               v                                           v                 |
|   [Raspberry Pi 3B (5V-2.5A)]               [Mạch Nguồn Trung Tâm PCB]      |
|               |                                           |                 |
|       (USB 2.0 Interface)                                 +---> [STM32F407] |
|               v                                           +---> [ESP8266]   |
|     [Webcam Logitech C270]                                +---> [Nextion]   |
|                                                           +---> [Relays]    |
+-----------------------------------------------------------------------------+

Dự toán chi phí và phân tích hiệu quả kinh tế (BOM)

  • Kit Raspberry Pi 3 Model B + Thẻ nhớ MicroSD 16GB: 950.000 VNĐ.
  • Kit vi điều khiển STM32F407VGT6 Discovery: 450.000 VNĐ.
  • Module Wi-Fi NodeMCU ESP8266-12E: 75.000 VNĐ.
  • Màn hình Nextion HMI 3.2 inch NX4024T032: 420.000 VNĐ.
  • Webcam Logitech C270 HD: 350.000 VNĐ.
  • Mạch đệm 4 Relay cách ly quang Opto PC817 + Linh kiện phụ trợ PCB: 180.000 VNĐ.
  • Bộ nguồn xung 12V-5A và mạch hạ áp LM2596: 120.000 VNĐ.
  • Tổng chi phí phần cứng: ~ 2.545.000 VNĐ (Thấp hơn 65% so với các giải pháp khóa thông minh sinh trắc học tích hợp IoT nhập khẩu trên thị trường).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Chưa tích hợp cơ chế chống giả mạo khuôn mặt (Anti-Spoofing): Hệ thống sử dụng mô hình camera 2D tiêu chuẩn, do đó tiềm ẩn nguy cơ bị đánh lừa bởi hình ảnh in chất lượng cao hoặc màn hình điện thoại phát video khuôn mặt chủ nhà.
  • Phụ thuộc vào điều kiện ánh sáng môi trường: Thuật toán HOG tính toán gradient dựa trên mức xám; khi môi trường quá tối (< 50 Lux), độ chính xác nhận diện suy giảm xuống dưới 80%.
  • Giao thức truyền thông Web sử dụng HTTP Polling: Việc ESP8266 liên tục gửi bản tin HTTP GET/POST định kỳ để cập nhật trạng thái làm tiêu tốn băng thông và tạo tải không cần thiết lên máy chủ MySQL.

Hướng nâng cấp mở rộng

  1. Nâng cấp cảm biến thị giác: Tích hợp camera hồng ngoại (IR Camera) hoặc camera cảm biến chiều sâu 3D (Intel RealSense / Orbbec ToF) để trích xuất đám mây điểm (Point Cloud), loại bỏ hoàn toàn khả năng giả mạo bằng ảnh 2D.
  2. Tối ưu hóa giao thức truyền thông IoT: Chuyển đổi toàn bộ kiến trúc truyền thông sang giao thức MQTT (Message Queuing Telemetry Transport) kết hợp Broker Mosquitto và WebSockets, giúp giảm độ trễ điều khiển xuống dưới 100ms và tiết kiệm 80% lưu lượng mạng.
  3. Tăng tốc phần cứng AI: Nâng cấp khối xử lý biên lên bo mạch Raspberry Pi 4 (4GB RAM) kết hợp USB AI Accelerator (Google Coral Edge TPU / Intel Neural Compute Stick 2) để triển khai các mạng nơ-ron tích chập hiện đại như MobileNetV3-Face hoặc YOLOv8-Face ở tốc độ > 30 FPS.

Đối tượng hưởng lợi

  • Sinh viên và Học viên chuyên ngành Điện tử - Viễn thông / Tự động hóa / CNTT: Nguồn tài liệu thực nghiệm tham khảo toàn diện về việc tích hợp giữa xử lý ảnh trên Linux nhúng (Raspberry Pi/Python/OpenCV) và lập trình vi điều khiển 32-bit (STM32 Bare-metal registers).
  • Kỹ sư phát triển hệ thống nhúng (Embedded IoT Engineers): Nắm vững kiến trúc phần cứng phân tán, kỹ thuật phân tách luồng điều khiển thời gian thực và phương pháp tối ưu hóa bộ nhớ khi giao tiếp đa vi điều khiển qua UART/SPI.
  • Doanh nghiệp và Đơn vị phát triển giải pháp Smart Home: Bản mẫu thiết kế (Proof of Concept - PoC) hoàn chỉnh, có tính khả thi cao để thương mại hóa thành dòng sản phẩm khóa thông minh kết hợp trung tâm điều khiển chi phí thấp.
  • Nhà nghiên cứu học thuật: Cung cấp số liệu đo kiểm thực tế về sự đánh đổi (Trade-off) giữa độ trễ xử lý, mức tiêu thụ tài nguyên và độ chính xác của các thuật toán nhận diện tại biên.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai lại hệ thống là gì?

Hệ thống yêu cầu tối thiểu một bo mạch Raspberry Pi 3 Model B (hoặc Pi 3B+ trở lên), thẻ nhớ MicroSD Class 10 (tốc độ đọc $\ge 80\text{ MB/s}$), nguồn cấp chuẩn 5V-2.5A chống sụt áp, một vi điều khiển STM32F407 hoặc STM32F103, module ESP8266 và bất kỳ webcam USB nào hỗ trợ chuẩn UVC (USB Video Class) có độ phân giải từ 720p.

2. Dung lượng bộ nhớ của hệ thống có thể lưu trữ tối đa bao nhiêu khuôn mặt?

Trên Raspberry Pi 3B, mỗi khuôn mặt sau khi trích xuất được biểu diễn dưới dạng một vector số thực 128 chiều (mỗi chiều 4 byte float, tương đương 512 bytes). Do đó, với 1GB RAM và bộ nhớ thẻ nhớ 16GB, hệ thống có khả năng lưu trữ và đối soát cơ sở dữ liệu lên đến hơn 10.000 khuôn mặt mà không làm ảnh hưởng đáng kể đến hiệu năng tìm kiếm.

3. Hệ thống có thể tích hợp vào nền tảng quản lý nhà thông minh mã nguồn mở (như Home Assistant) không?

Hoàn toàn khả thi. Do hệ thống sử dụng cơ sở dữ liệu trung gian MySQL và hỗ trợ API RESTful/HTTP, nhà phát triển chỉ cần cấu hình REST Sensor và REST Command trong tệp configuration.yaml của Home Assistant hoặc cấu hình bridge qua giao thức MQTT để đồng bộ toàn bộ công tắc và nhật ký cửa.

4. Cơ chế bảo trì và cập nhật phần mềm (OTA) được thực hiện như thế nào?

  • Raspberry Pi: Cập nhật từ xa thông qua giao thức SSH hoặc triển khai các container Docker chứa môi trường xử lý ảnh.
  • ESP8266: Hỗ trợ tính năng nạp code qua mạng không dây (Arduino OTA Update).
  • STM32F407: Có thể thiết kế thêm phân vùng Bootloader trong bộ nhớ Flash để tiếp nhận bản tin firmware Hex từ ESP8266 qua giao tiếp UART.

5. Dự toán thời gian hoàn vốn (ROI) khi ứng dụng giải pháp cho tòa nhà cho thuê/văn phòng?

Với chi phí đầu tư ban đầu khoảng 2.500.000 VNĐ cho mỗi cửa, giải pháp giúp cắt giảm hoàn toàn chi phí làm phôi thẻ từ định kỳ (trung bình 30.000 VNĐ/thẻ) và giảm 90% thời gian quản lý cấp phát quyền ra vào. Thời gian hoàn vốn thực tế cho một văn phòng quy mô 30 người ước tính dưới 4 tháng.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và thi công cửa nhận dạng khuôn mặt và điều khiển, giám sát các thiết bị trong nhà" đã hiện thực hóa thành công một mô hình Smart Home toàn diện, giải quyết hài hòa bài toán giữa tính bảo mật cao của sinh trắc học và tính tiện nghi của công nghệ IoT.

Bằng việc kết hợp sáng tạo giữa thuật toán thị giác máy tính HOG + SVM trên nền tảng Raspberry Pi 3B và cấu trúc điều khiển vi xử lý phân tán STM32F407 – ESP8266, hệ thống đã đạt được tốc độ nhận dạng thời gian thực ấn tượng (0.13 giây/frame), kiểm soát an ninh tin cậy và vận hành thiết bị gia dụng trơn tru trên cả 3 nền tảng Web, App và HMI cảm ứng. Đây là nền tảng kỹ thuật vững chắc mở ra tiềm năng thương mại hóa rộng rãi trong các dự án nhà ở hiện đại và văn phòng thông minh trong kỷ nguyên Công nghiệp 4.0.