Ứng Dụng Nhận Dạng Khuôn Mặt Có Khẩu Trang Cho Nhân Viên Kho Hàng

• Tác giả: Phạm Đức Duy
• Người hướng dẫn: TS. Lê Minh Hưng
• Trường học: Đại học Quốc gia TP.Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng Dụng Nhận Dạng Khuôn Mặt Có Khẩu Trang Cho Nhân Viên Kho Hàng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CAC KY HIỆU VA CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. TỔNG QUAN GIẢI PHÁP NHẬN DẠNG KHUÔN MẶT
• 1.2. Vấn đề về hệ thống nhận dạng khuôn mặt hiện tại của Regal Warehouse
• 1.3. Một số nghiên cứu nổi bật về nhận dạng khuôn mặt có khẩu trang
• 1.4. PHẠM VI VÀ MỤC TIÊU CỦA ĐỀ TÀI
• 1.5. PHƯƠNG PHÁP NGHIÊN CỨU, NỘI DUNG THỰC HIỆN
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. DỮ LIỆU ẢNH TRONG NHẬN DẠNG KHUÔN MẶT
• 2.2. PHƯƠNG PHÁP PHÁT HIỆN KHUÔN MẶT TRONG ẢNH
• 2.3. PHƯƠNG PHÁP DẠNG KHUÔN MẶT
• 2.4. ĐÁNH GIÁ HỆ THỐNG NHẬN DẠNG KHUÔN MẶT
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. XÂY DỰNG DỮ LIỆU CHO HỆ THỐNG NHẬN DẠNG
• 3.2. MÔ HÌNH NHẬN DẠNG KHUÔN MẶT
• 3.2.1. Chức năng đăng ký khuôn mặt (Training)
• 3.2.2. Chức năng nhận dạng khuôn mặt (Prediction)
• 3.3. PHẠM VI, MỤC TIÊU ỨNG DỤNG NHẬN DẠNG CÓ KHẨU TRANG
• 3.4. MÔ HÌNH ỨNG DỤNG NHẬN DẠNG KHUÔN MẶT CÓ KHẨU TRANG
• 3.5. Thiết kế hệ thống. Tổ chức lưu trữ
• 3.6. CÀI ĐẶT, THỬ NGHIỆM CHƯƠNG TRÌNH NHẬN DẠNG KHUÔN MẶT CÓ KHẨU TRANG
• 3.6.1. Cài đặt chương trình
• 3.6.2. Kết quả thực nghiệm
• 3.6.3. Nhận định, đánh giá
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. ĐÓNG GÓP TỪ ĐỀ TÀI
• 4.2. HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Ứng Dụng Nhận Diện Khuôn Mặt Cho Kho Hàng

Sự bùng nổ của các giải pháp giảm tiếp xúc trực tiếp, một phần do đại dịch COVID-19, đã thúc đẩy ứng dụng công nghệ nhận diện khuôn mặt. Công nghệ này đã được sử dụng rộng rãi trong nhiều lĩnh vực như y tế, tài chính, giáo dục, và nhiều hơn nữa. Các ứng dụng bao gồm hỗ trợ pháp y, giám sát an ninh và điểm danh học sinh. Công nghệ nhận diện khuôn mặt cho phép xác định một người từ ảnh hoặc video bằng cách bóc tách khuôn mặt, xác định các điểm trọng yếu trên khuôn mặt và so sánh vector embedding. Đề tài này tìm kiếm mô hình phù hợp để xây dựng giải pháp hỗ trợ doanh nghiệp. Sự phát triển của thị giác máy tính và công nghệ nhận diện khuôn mặt đã góp phần xây dựng nền kinh tế thông minh và thúc đẩy sự phát triển khoa học - công nghệ. Một số kết quả nghiên cứu và giải pháp hoàn chỉnh về nhận diện khuôn mặt đã được thương mại hóa hoặc chia sẻ rộng rãi. Công nghệ nhận diện khuôn mặt mang lại lợi ích thiết thực cho xã hội và đời sống, góp phần xây dựng nền kinh tế thông minh, áp dụng khoa học kỹ thuật vào đời sống, thúc đẩy sự phát triển khoa học - công nghệ.

1.1. Tổng quan về giải pháp nhận dạng khuôn mặt hiện tại

Công nghệ nhận dạng khuôn mặt hoạt động bằng cách xác định và đo đạc các đặc điểm trên khuôn mặt, sau đó so sánh với dữ liệu đã được lưu trữ. Các bước bao gồm: phát hiện khuôn mặt, trích xuất đặc trưng (facial landmark), encoding thành vector embedding, và so sánh vector để xác định danh tính. Giải pháp này giúp giảm tiếp xúc, tăng cường an ninh và tối ưu hóa quy trình làm việc trong nhiều lĩnh vực. Sự phát triển không ngừng của AI giúp công nghệ nhận diện khuôn mặt ngày càng chính xác và hiệu quả.

1.2. Ứng dụng nhận diện khuôn mặt trong quản lý kho hàng

Trong môi trường kho hàng, ứng dụng nhận diện khuôn mặt giúp tự động hóa việc kiểm soát ra vào, chấm công và theo dõi nhân viên. Điều này giúp tăng cường an ninh kho hàng, giảm thiểu sai sót và cải thiện hiệu quả quản lý. Việc tích hợp nhận diện khuôn mặt vào hệ thống quản lý kho giúp doanh nghiệp tối ưu hóa hoạt động và nâng cao năng lực cạnh tranh.

II. Thách Thức Nhận Diện Khuôn Mặt Có Khẩu Trang Tại Kho

Hệ thống nhận diện khuôn mặt hiện tại của Regal Warehouse (RW) sử dụng Microsoft Azure Face service. Dịch vụ này cung cấp các thuật toán trí tuệ nhân tạo để phát hiện và phân tích khuôn mặt. Tuy nhiên, các mô hình cũ (recognition_01, recognition_02, recognition_03) không hỗ trợ nhận diện khuôn mặt qua khẩu trang và độ chính xác chưa tối ưu. Việc chấm công yêu cầu nhân viên phải hạ khẩu trang, gây nguy cơ lây nhiễm virus. Chi phí sử dụng Face service cũng là một vấn đề, với khoảng 5000 tác vụ mỗi ngày. Việc tích hợp với các hệ thống khác cũng gặp khó khăn. An ninh kho hàng và quản lý nhân viên kho hàng gặp nhiều bất cập. Bài toán chi phí cũng là yếu tố quan trọng cần xem xét. Dù mô hình recognition_04 cải thiện độ chính xác và hỗ trợ nhận diện khuôn mặt khi đeo khẩu trang, RW chưa có kế hoạch chuyển đổi.

2.1. Khó khăn trong nhận diện khuôn mặt khi nhân viên đeo khẩu trang

Việc đeo khẩu trang che khuất nhiều đặc điểm quan trọng trên khuôn mặt, gây khó khăn cho các thuật toán nhận diện khuôn mặt. Nghiên cứu cho thấy, trước đại dịch, các thuật toán nhận diện khuôn mặt không thể xác định được 20-50% hình ảnh người đeo khẩu trang. Điều này đặt ra yêu cầu cấp thiết phải phát triển các giải pháp nhận diện khuôn mặt qua khẩu trang chính xác và hiệu quả.

2.2. Vấn đề về chi phí và tích hợp hệ thống nhận diện khuôn mặt

Chi phí sử dụng các dịch vụ nhận diện khuôn mặt đám mây như Microsoft Azure Face Service có thể trở thành gánh nặng cho doanh nghiệp, đặc biệt khi số lượng tác vụ lớn. Ngoài ra, việc tích hợp hệ thống nhận diện khuôn mặt với các hệ thống quản lý kho hiện có cũng đòi hỏi sự tương thích và khả năng tùy chỉnh cao.

III. Phương Pháp Nhận Diện Khuôn Mặt Có Khẩu Trang Hiệu Quả

Nghiên cứu của Naeem Ullah và cộng sự đề xuất DeepMasknet, một framework có khả năng phát hiện khẩu trang và nhận dạng khuôn mặt qua khẩu trang. DeepMasknet được lấy cảm hứng từ Alexnet và sử dụng thu phóng theo chiều sâu (10 lớp) và thu phóng theo độ phân giải (ảnh 256x256). Tác giả cũng đề cập đến việc thiếu dữ liệu khuôn mặt và đã phát triển bộ dữ liệu Mask detection and Masked facial recognition (MDMER). Deepmasknet đạt độ chính xác cao trên MDMER, vượt trội so với VGG-19 và Resnet-I8. Bài báo khoa học này cung cấp một giải pháp hiệu quả để nhận diện khuôn mặt qua khẩu trang, đặc biệt hữu ích trong bối cảnh đại dịch. Dữ liệu huấn luyện ảnh hưởng lớn đến hiệu quả nhận diện khuôn mặt.

3.1. Sử dụng DeepMasknet để nhận diện khuôn mặt qua khẩu trang

DeepMasknet là một framework hiệu quả để nhận diện khuôn mặt qua khẩu trang, dựa trên kiến trúc Alexnet và sử dụng các kỹ thuật thu phóng để tăng độ chính xác. Framework này có khả năng phát hiện khẩu trang và nhận dạng khuôn mặt ngay cả khi bị che khuất. Kết quả thử nghiệm cho thấy DeepMasknet vượt trội so với các mô hình khác trên bộ dữ liệu MDMER.

3.2. Tạo và sử dụng bộ dữ liệu khuôn mặt có khẩu trang MDMER

Bộ dữ liệu MDMER được phát triển để giải quyết vấn đề thiếu dữ liệu khuôn mặt có khẩu trang. MDMER bao gồm hình ảnh đa dạng về giới tính, chủng tộc, độ tuổi, loại khẩu trang, điều kiện chiếu sáng và góc khuôn mặt. Việc sử dụng MDMER giúp cải thiện hiệu suất của các thuật toán nhận diện khuôn mặt qua khẩu trang.

3.3. Ứng dụng Deep Learning trong nhận dạng khuôn mặt có khẩu trang

Nhận dạng khuôn mặt với Deep Learning đem lại kết quả chính xác cao và khả năng thích nghi tốt với các biến thể như khẩu trang. Các mô hình Deep Learning có thể học các đặc trưng quan trọng trên khuôn mặt ngay cả khi một phần bị che khuất, giúp cải thiện đáng kể hiệu suất nhận dạng khuôn mặt trong kho hàng.

IV. Xây Dựng Dữ Liệu Ảnh Khuôn Mặt Chất Lượng Cho Kho Hàng

Việc cung cấp và tăng cường dữ liệu cho các mô hình là hướng tiếp cận quan trọng, đặc biệt đối với các phương pháp nhận dạng khuôn mặt dựa trên học sâu. Zhongyuan Wang và cộng sự đã đề xuất ba loại tập dữ liệu khuôn mặt có khẩu trang: Masked Face Detection Dataset (MFDD), Real-world Masked Face Recognition Dataset (RMFRD) và Simulated Masked Face Recognition Dataset (SMFRD). Các bộ dữ liệu này đóng góp đáng kể vào việc cải thiện hiệu suất của các mô hình nhận diện khuôn mặt qua khẩu trang. Đặc biệt phù hợp với các phương pháp, mô hình nhận dạng khuôn mặt thiết kế dựa trên học sâu, hầu hết phụ thuộc vào số lượng và chất lượng bộ dữ liệu. Quan trọng là dữ liệu huấn luyện cần phản ánh đúng môi trường thực tế.

4.1. Các phương pháp tăng cường dữ liệu ảnh khuôn mặt

Các phương pháp tăng cường dữ liệu bao gồm xoay ảnh, thay đổi độ sáng, thêm nhiễu và áp dụng các biến đổi hình học. Các phương pháp này giúp tăng số lượng và độ đa dạng của dữ liệu huấn luyện, cải thiện khả năng tổng quát hóa của mô hình nhận diện khuôn mặt.

4.2. Sử dụng dữ liệu tổng hợp synthetic data cho huấn luyện

Dữ liệu tổng hợp là dữ liệu được tạo ra bằng máy tính, mô phỏng dữ liệu thực tế. Việc sử dụng dữ liệu tổng hợp giúp giảm chi phí thu thập dữ liệu thực tế và tăng cường khả năng kiểm soát các yếu tố ảnh hưởng đến hiệu suất của mô hình nhận diện khuôn mặt, chẳng hạn như ánh sáng và góc chụp.

4.3. Áp dụng kỹ thuật Augmentation để tạo ra dữ liệu đa dạng

Kỹ thuật Augmentation là phương pháp tạo ra dữ liệu mới từ dữ liệu hiện có bằng cách áp dụng các biến đổi như xoay, lật, thay đổi độ sáng và thêm nhiễu. Điều này giúp tăng cường khả năng chống chịu của mô hình đối với các biến thể trong dữ liệu thực tế, từ đó cải thiện độ chính xác và độ tin cậy của nhận dạng khuôn mặt.

V. Triển Khai Ứng Dụng Nhận Diện Khuôn Mặt Tại Regal Warehouse

Luận văn trình bày mô hình xây dựng cho hệ thống nhận dạng khuôn mặt có khẩu trang cho nhân viên kho hàng. Ứng dụng có chức năng phân quyền quản lý sử dụng cho từng kho hàng, với mỗi kho hàng sẽ nhóm các nhân viên theo các nhóm riêng biệt. Hệ thống cho phép đăng ký và nhận dạng khuôn mặt của nhân viên trong kho hàng theo từng nhóm đã quy định. Hệ thống đáp ứng việc nhận dạng khuôn mặt ngay cả khi đang đeo khẩu trang với tốc độ nhận dạng nhanh chóng. Hệ sinh thái ứng dụng bao gồm: API cho việc tích hợp với các hệ thống phần mềm khác trong kho hàng; ứng dụng thử nghiệm ngay tại server; ứng dụng thử nghiệm trên nền web; ứng dụng thử nghiệm trên NVIDIA Jetson Nano Dev Kit. Hệ thống cung cấp API để tích hợp với các hệ thống phần mềm khác.

5.1. Tích hợp hệ thống nhận diện khuôn mặt vào hệ thống quản lý kho

Việc tích hợp hệ thống nhận diện khuôn mặt vào hệ thống quản lý kho giúp tự động hóa các quy trình như kiểm soát ra vào, chấm công và theo dõi nhân viên. Điều này giúp tăng cường an ninh kho hàng, giảm thiểu sai sót và cải thiện hiệu quả quản lý.

5.2. Thiết kế giao diện người dùng thân thiện và dễ sử dụng

Giao diện người dùng cần được thiết kế thân thiện và dễ sử dụng để nhân viên có thể dễ dàng đăng ký và sử dụng hệ thống nhận diện khuôn mặt. Giao diện cần cung cấp thông tin rõ ràng và các chức năng cần thiết một cách trực quan.

5.3. Đảm bảo tính bảo mật và quyền riêng tư của dữ liệu khuôn mặt

Tính bảo mật nhận diện khuôn mặt và quyền riêng tư của dữ liệu khuôn mặt là yếu tố quan trọng cần được đảm bảo. Hệ thống cần có các biện pháp bảo vệ dữ liệu khỏi truy cập trái phép và tuân thủ các quy định về bảo vệ dữ liệu cá nhân.

VI. Kết Luận Và Hướng Phát Triển Ứng Dụng Nhận Diện Khuôn Mặt

Luận văn tóm tắt các vấn đề đã đặt ra và cách giải quyết trong luận văn. Các đóng góp định hướng ứng dụng, đề xuất và hướng phát triển cho đề tài trong tương lai. Đề xuất các hướng phát triển trong tương lai cho hệ thống nhận diện khuôn mặt. Cần tiếp tục nghiên cứu và phát triển để nâng cao độ chính xác và khả năng chống giả mạo của hệ thống. Việc tích hợp hệ thống quản lý kho và nâng cấp phần cứng là cần thiết để đáp ứng nhu cầu thực tế. Tương lai phát triển của ứng dụng nhận diện khuôn mặt là vô cùng lớn.

6.1. Đánh giá hiệu quả và tính ứng dụng của hệ thống

Việc đánh giá hiệu quả và tính ứng dụng của hệ thống là cần thiết để xác định các điểm mạnh và điểm yếu. Kết quả đánh giá sẽ giúp cải thiện và tối ưu hóa hệ thống để đáp ứng tốt hơn nhu cầu thực tế.

6.2. Các hướng nghiên cứu và phát triển tiếp theo cho hệ thống

Các hướng nghiên cứu và phát triển tiếp theo bao gồm nâng cao độ chính xác và khả năng chống giả mạo của hệ thống, tích hợp với các hệ thống khác và phát triển các tính năng mới như nhận dạng cảm xúc và ước tính tuổi.

6.3. Tiềm năng ứng dụng rộng rãi của công nghệ nhận diện khuôn mặt

Công nghệ nhận diện khuôn mặt có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, y tế, giáo dục và bán lẻ. Sự phát triển của công nghệ này sẽ mang lại nhiều lợi ích cho xã hội và đời sống.

Tổng quan nghiên cứu

Trong bối cảnh đại dịch COVID-19, việc đeo khẩu trang trở thành quy định bắt buộc nhằm hạn chế lây nhiễm virus, dẫn đến thách thức lớn trong công tác nhận dạng khuôn mặt truyền thống. Theo báo cáo của National Institute of Standards and Technology, trước đại dịch, các thuật toán nhận dạng khuôn mặt không thể xác định được 20-50% hình ảnh của người đeo khẩu trang. Tại Công ty Regal Logistics, hệ thống nhận dạng khuôn mặt hiện tại chỉ cho phép xác thực khi nhân viên hạ khẩu trang, gây nguy cơ lây nhiễm và làm giảm hiệu quả vận hành với khoảng 1000 nhân viên kho hàng và 100 nhân viên văn phòng, mỗi ngày thực hiện từ 4000 đến 6000 tác vụ nhận dạng.

Mục tiêu của luận văn là xây dựng và triển khai ứng dụng nhận dạng khuôn mặt có khẩu trang cho nhân viên kho hàng, nhằm nâng cao độ chính xác, tốc độ xử lý và giảm chi phí vận hành. Phạm vi nghiên cứu tập trung vào 342 nhân viên tại tòa nhà kho số “6500” của Regal Warehouse, với dữ liệu thu thập trong năm 2022. Kết quả nghiên cứu không chỉ cải thiện hiệu suất nhận dạng trong điều kiện đeo khẩu trang mà còn có khả năng tích hợp linh hoạt với các hệ thống quản lý kho hàng hiện có, góp phần nâng cao an toàn phòng chống dịch và tối ưu hóa quy trình chấm công.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình tiên tiến trong lĩnh vực thị giác máy tính và học sâu, bao gồm:

• Mô hình phát hiện khuôn mặt RetinaFace: Sử dụng mạng Feature Pyramid kết hợp multi-task learning để phát hiện khuôn mặt và các điểm mốc quan trọng với độ chính xác trung bình đạt 91,4% trên bộ dữ liệu WIDER FACE. RetinaFace là mô hình single-stage, tối ưu cho xử lý thời gian thực.

• Mô hình nhận dạng khuôn mặt ArcFace: Áp dụng hàm mất mát Additive Angular Margin Loss để mã hóa khuôn mặt thành vector embedding 512 chiều, tăng khả năng phân biệt giữa các cá thể và đạt hiệu suất nhận dạng lên đến 99,86% khi kết hợp với RetinaFace.

• Kỹ thuật tăng cường dữ liệu (Data Augmentation): Sử dụng thư viện Imgaug và Albumentation để biến đổi hình ảnh khuôn mặt về độ sáng, độ tương phản, thêm nhiễu và gán khẩu trang tự động nhằm đa dạng hóa dữ liệu, khắc phục hạn chế về số lượng và chất lượng ảnh đầu vào.

• Mô hình StyleGAN2: Áp dụng để cải thiện chất lượng ảnh khuôn mặt đăng ký, tạo ra các phiên bản hình ảnh có độ phân giải cao và đa dạng phong cách, giúp nâng cao độ chính xác nhận dạng trong môi trường kho hàng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu tự xây dựng "Regal Staff Face" (RSF) gồm 65,048 ảnh của 342 nhân viên, phân chia thành hai thư mục: "DataEnroll" (2,980 ảnh đăng ký, gồm cả có và không khẩu trang) và "DataCheckin" (62,068 ảnh kiểm thử). Dữ liệu được thu thập từ camera IP, thiết bị di động và máy tính bảng trong điều kiện thực tế tại kho hàng.

Phương pháp phân tích bao gồm:

• Phát hiện khuôn mặt: Sử dụng RetinaFace để xác định vị trí và các điểm mốc trên khuôn mặt.

• Tiền xử lý ảnh: Resize ảnh về kích thước 112x112, chuyển sang ảnh xám, gán khẩu trang tự động cho ảnh không khẩu trang để tăng cường dữ liệu.

• Mã hóa khuôn mặt: Sử dụng ArcFace để chuyển đổi ảnh thành vector embedding.

• So sánh và nhận dạng: Tính khoảng cách cosine giữa vector truy vấn và vector trong cơ sở dữ liệu, ngưỡng nhận dạng đặt ở 0.65.

• Lưu trữ và truy xuất dữ liệu: Ứng dụng MySQL cho quản lý thông tin nhân viên, File server lưu trữ ảnh, và Milvus vector database để lưu trữ và tìm kiếm embedding vector với thuật toán Approximate Nearest Neighbor (ANN).

Quá trình nghiên cứu được thực hiện trong năm 2022, với các giai đoạn thu thập dữ liệu, xây dựng mô hình, cài đặt ứng dụng thử nghiệm trên nền tảng Desktop, Web API và thiết bị NVIDIA Jetson Nano, đồng thời đánh giá hiệu quả mô hình trên bộ dữ liệu thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng khuôn mặt có khẩu trang đạt 91,9% trên tập dữ liệu RMFRD và 93,33% trên bộ dữ liệu MDMER khi sử dụng mô hình DeepMasknet, cao hơn 2,42% so với VGG-19 và 9,13% so với ResNet-18. Trong nghiên cứu này, mô hình kết hợp RetinaFace và ArcFace đạt hiệu suất nhận dạng trên bộ dữ liệu RSF với độ chính xác tương tự, đảm bảo khả năng nhận dạng trong điều kiện đeo khẩu trang.

2. Tốc độ nhận dạng nhanh chóng, trung bình dưới 1 giây cho mỗi tác vụ nhận dạng, cải thiện đáng kể so với hệ thống hiện tại của Regal Warehouse mất từ 10 đến 20 giây cho mỗi lần xác thực.

3. Tăng cường dữ liệu khuôn mặt bằng kỹ thuật gán khẩu trang tự động và biến đổi ảnh giúp đa dạng hóa dữ liệu, giảm thiểu sai số do thiếu dữ liệu và điều kiện ánh sáng kém, nâng cao độ chính xác nhận dạng lên khoảng 95% trong môi trường kho hàng.

4. Hệ thống có khả năng mở rộng và tích hợp linh hoạt với các phần mềm quản lý kho hàng hiện có thông qua API, hỗ trợ phân quyền quản lý theo từng tòa nhà (Building) và nhóm nhân viên (Group), đáp ứng nhu cầu vận hành thực tế.

Thảo luận kết quả

Nguyên nhân chính giúp cải thiện hiệu quả nhận dạng là sự kết hợp giữa mô hình phát hiện khuôn mặt RetinaFace với khả năng xác định chính xác các điểm mốc khuôn mặt và mô hình ArcFace với hàm mất mát Additive Angular Margin Loss giúp tăng cường khả năng phân biệt các cá thể. Việc áp dụng kỹ thuật tăng cường dữ liệu và gán khẩu trang tự động giúp mô hình thích nghi tốt với dữ liệu thực tế có nhiều biến động về ánh sáng, góc chụp và che khuất khuôn mặt.

So sánh với các nghiên cứu trước đây, kết quả đạt được tương đương hoặc vượt trội, đặc biệt trong điều kiện thực tế tại kho hàng với số lượng nhân viên lớn và tần suất sử dụng cao. Việc triển khai trên nền tảng đa dạng như Desktop, Web và thiết bị nhúng Jetson Nano cho thấy tính khả thi và linh hoạt của giải pháp.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác nhận dạng giữa các mô hình, bảng thống kê thời gian xử lý trung bình và ma trận nhầm lẫn (Confusion Matrix) thể hiện các chỉ số Precision, Recall và F1-score, minh họa rõ hiệu quả của hệ thống.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng khuôn mặt có khẩu trang trên toàn bộ các kho hàng của Regal Logistics nhằm nâng cao hiệu quả chấm công và kiểm soát truy cập, dự kiến hoàn thành trong vòng 6 tháng, do phòng CNTT phối hợp với phòng nhân sự thực hiện.

2. Tăng cường đào tạo và hướng dẫn sử dụng cho nhân viên và quản trị viên để đảm bảo vận hành trơn tru, giảm thiểu lỗi trong quá trình đăng ký và nhận dạng khuôn mặt, với các buổi tập huấn định kỳ hàng quý.

3. Nâng cấp và mở rộng bộ dữ liệu khuôn mặt định kỳ bằng cách thu thập thêm hình ảnh trong các điều kiện ánh sáng và góc chụp khác nhau, đồng thời cập nhật dữ liệu khi có nhân viên mới hoặc thay đổi đặc điểm khuôn mặt, nhằm duy trì độ chính xác trên 90%.

4. Phát triển thêm các tính năng chống giả mạo khuôn mặt và nhận dạng khuôn mặt đeo kính mát trong các phiên bản tiếp theo, nhằm tăng cường bảo mật và mở rộng phạm vi ứng dụng, dự kiến nghiên cứu và thử nghiệm trong 12 tháng tới.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý doanh nghiệp logistics và kho vận: Có thể áp dụng giải pháp để nâng cao hiệu quả quản lý nhân sự, giảm thiểu rủi ro lây nhiễm dịch bệnh và tối ưu hóa quy trình chấm công.

2. Chuyên gia và nhà nghiên cứu trong lĩnh vực thị giác máy tính và học sâu: Tham khảo các phương pháp tăng cường dữ liệu, mô hình RetinaFace và ArcFace kết hợp với kỹ thuật gán khẩu trang tự động, phục vụ phát triển các ứng dụng nhận dạng khuôn mặt trong điều kiện đặc thù.

3. Nhà phát triển phần mềm và kỹ sư hệ thống: Áp dụng kiến trúc hệ thống đa nền tảng, tích hợp API và quản lý dữ liệu vector để xây dựng các ứng dụng nhận dạng khuôn mặt có khả năng mở rộng và tích hợp linh hoạt.

4. Các tổ chức y tế và an ninh: Tham khảo để phát triển các hệ thống nhận dạng khuôn mặt an toàn, hỗ trợ kiểm soát truy cập trong bối cảnh phòng chống dịch bệnh và bảo vệ an ninh.

Câu hỏi thường gặp

1. Hệ thống có thể nhận dạng chính xác khuôn mặt khi đeo khẩu trang không?
   Có, hệ thống đạt độ chính xác khoảng 91,9% trên bộ dữ liệu thực tế, nhờ sử dụng mô hình RetinaFace kết hợp ArcFace và kỹ thuật tăng cường dữ liệu với gán khẩu trang tự động.

2. Tốc độ nhận dạng trung bình là bao lâu?
   Trung bình dưới 1 giây cho mỗi tác vụ nhận dạng, nhanh hơn nhiều so với hệ thống hiện tại mất từ 10 đến 20 giây.

3. Hệ thống có thể tích hợp với các phần mềm quản lý kho hiện có không?
   Có, hệ thống cung cấp API Web cho phép tích hợp linh hoạt với các ứng dụng chấm công, quản lý kho và quản lý tòa nhà.

4. Làm thế nào để cập nhật dữ liệu khuôn mặt khi có nhân viên mới hoặc thay đổi đặc điểm?
   Hệ thống cho phép xóa và đăng ký lại khuôn mặt nhân viên, đồng thời tự động tạo các phiên bản ảnh có khẩu trang để duy trì độ chính xác.

5. Hệ thống có hỗ trợ nhận dạng khuôn mặt đeo kính mát hoặc chống giả mạo không?
   Phiên bản hiện tại chưa hỗ trợ nhận dạng khuôn mặt đeo kính mát và chưa có cơ chế chống giả mạo, đây là hướng phát triển trong tương lai.

Kết luận

• Luận văn đã xây dựng thành công hệ thống nhận dạng khuôn mặt có khẩu trang cho nhân viên kho hàng, đáp ứng yêu cầu về độ chính xác và tốc độ xử lý trong môi trường thực tế.
• Kết hợp mô hình RetinaFace và ArcFace cùng kỹ thuật tăng cường dữ liệu giúp nâng cao hiệu quả nhận dạng trong điều kiện khuôn mặt bị che khuất.
• Hệ thống được thiết kế đa nền tảng, dễ dàng tích hợp với các phần mềm quản lý kho hiện có, hỗ trợ vận hành linh hoạt và mở rộng.
• Đề xuất triển khai rộng rãi trong doanh nghiệp và phát triển thêm các tính năng bảo mật, chống giả mạo trong các phiên bản tiếp theo.
• Khuyến khích các nhà quản lý, chuyên gia và nhà phát triển phần mềm tham khảo để ứng dụng và phát triển các giải pháp nhận dạng khuôn mặt phù hợp với điều kiện thực tế.

Để tiếp tục nâng cao hiệu quả và mở rộng ứng dụng, doanh nghiệp có thể liên hệ để được tư vấn triển khai và hỗ trợ kỹ thuật chi tiết.