Giới thiệu dự án

Trong kỷ nguyên công nghiệp 4.0 và chuyển đổi số y tế, việc phân tích dao động vi mô (micro-vibrations) đóng vai trò then chốt trong chẩn đoán kỹ thuật lẫn theo dõi sức khỏe con người. Mọi vật thể vật lý trong tự nhiên khi chịu tác động cơ học hoặc sóng âm đều phát sinh dao động ở các tần số cộng hưởng riêng biệt. Tuy nhiên, các dao động này thường có biên độ dịch chuyển cực nhỏ (sub-pixel motion, dưới 10 pixel giữa các khung hình liên tiếp), hoàn toàn vô hình trước mắt thường.

Theo thống kê từ ngành thiết bị y tế (MDSAVE), chi phí đầu tư cho một thiết bị đo điện tim (Electrocardiogram - ECG/EKG) hoặc máy đo nhịp tim chuyên dụng (Heart Rate Monitor - HRM) dao động từ 110 USD đến 188 USD cho mỗi đầu máy đơn lẻ, tạo áp lực ngân sách lớn cho các cơ sở y tế tại các quốc gia đang phát triển khi cần trang bị đồng loạt. Trong sản xuất công nghiệp, việc gắn hàng triệu cảm biến gia tốc tiếp xúc (contact sensors/piezoelectric accelerometers) lên từng động cơ để phát hiện ốc vít bị lỏng gây tốn kém hàng trăm nghìn USD và đối mặt với rủi ro môi trường độc hại.

+-----------------------------------------------------------------------------------+
|                                 PROBLEM PIPELINE                                  |
+-----------------------------------------------------------------------------------+
|  [Dao động vi mô: Sub-pixel (<10px)]  --->  [Camera ghi hình (RGB Video)]         |
|  - Mạch máu đập dưới da                     - Bị nhiễu cảm biến (Random Noise)    |
|  - Ốc vít lỏng / Rotor rung lắc             - Hiện tượng giả viền (Ringing)       |
|  - Rung màng loa / Bao bì thực phẩm         - Mắt thường hoàn toàn không thấy     |
+----------------------------------------+------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                                SOLUTION PIPELINE                                  |
+-----------------------------------------------------------------------------------+
|  [Deep CNN Motion Magnifier]          --->  [Pixel Intensity Tracking & 1D FFT]   |
|  - Tách pha/hình dạng (Latent Space)        - Lọc dải thông thời gian (Bandpass)  |
|  - Khuếch đại sai phân (Alpha Factor)       - Ước lượng tần số dao động (Hz/BPM)  |
|  - Tái tạo khung hình sắc nét               - Ứng dụng: Đo nhịp tim, Bảo trì máy  |
+-----------------------------------------------------------------------------------+

Đề tài "Ước lượng tần số chuyển động của vật thể dựa trên khuếch đại video và ứng dụng" (Object’s vibration frequency estimation using video magnification and applications) do sinh viên Phan Thành Nhân (MSSV: 19521944) thực hiện dưới sự hướng dẫn của TS. Nguyễn Vinh Tiệp tại Khoa Khoa học Máy tính, Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, tập trung giải quyết bài toán cốt lõi:

  • Vấn đề nghiên cứu (Problem Statement): Khắc phục triệt để sự suy giảm tín hiệu, nhiễu ngẫu nhiên (random sensor noise) và hiện tượng giả viền (ringing artifacts) khi trích xuất và khuếch đại các dao động vi mô từ video thương mại thông thường nhằm ước lượng chính xác tần số rung động mà không cần cảm biến tiếp xúc.
  • Mục tiêu dự án (Project Objectives):
    1. Nghiên cứu sâu cơ chế trích xuất chuyển động dựa trên học sâu (Learning-based Video Motion Magnification) so với các giải pháp Eulerian truyền thống.
    2. Chuyển đổi, chuẩn hóa và tái cấu trúc hệ thống mã nguồn từ các framework cũ (MATLAB, Torch/Lua) sang hệ sinh thái Python 3 hiện đại.
    3. Xây dựng bộ dữ liệu kiểm thử thực tế (benchmark dataset) độ phân giải cao bao gồm các kịch bản rung động cơ học công nghiệp và tín hiệu sinh trắc học y khoa.
    4. Thiết kế pipeline tích hợp khuếch đại chuyển động kết hợp thuật toán theo dõi biến thiên cường độ điểm ảnh (Pixel Intensity Signal Tracking) và biến đổi Fourier nhanh (Fast Fourier Transform - FFT) để ước lượng tần số rung động với độ chính xác cao.
  • Phương pháp tiếp cận (Solution Approach): Tận dụng kiến trúc mạng nơ-ron tích chập sâu (Deep CNN) ba thành phần (Encoder - Manipulator - Decoder) học từ dữ liệu tổng hợp (Synthetic Dataset) kết hợp với các điểm neo (Anchor Points) để ngăn ngừa hiện tượng tích lũy biến dạng khung hình qua thời gian.
  • Kết quả kỳ vọng (Expected Outcomes): Xây dựng thành công ứng dụng đầu-cuối (End-to-End Application) nhận đầu vào là video ghi hình từ camera thông thường và xuất ra video khuếch đại chuyển động trực quan, đi kèm biểu đồ phổ tần số với sai số ước lượng dưới 2% so với tần số thực nghiệm.
  • Phạm vi và giới hạn (Scope & Limitations): Hệ thống xử lý tối ưu trên các video được quay từ góc máy cố định (tripod), nguồn sáng ổn định, biên độ rung dịch chuyển cục bộ $\le 30\text{ pixels}$ và hệ số khuếch đại thực nghiệm $\alpha \le 100$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Lịch sử phát triển của các kỹ thuật xử lý chuyển động video trải qua ba giai đoạn tiến hóa chính, mỗi giai đoạn giải quyết một phần bài toán nhưng vẫn tồn tại các hạn chế kỹ thuật đáng kể:

Phương pháp Cơ chế cốt lõi Ưu điểm Nhược điểm & Rào cản kỹ thuật
Lagrangian Approach (Liu et al., 2005) Theo dõi quỹ đạo điểm đặc trưng (Feature Tracking) & Lucas-Kanade Optical Flow Độ chính xác cao tại các điểm đặc trưng rõ nét Chi phí tính toán cực lớn, cần xử lý phân vùng chuyển động (motion segmentation) và lấp đầy vùng trống (image in-painting); dễ gãy vỡ tại biên đối tượng.
Linear Eulerian Magnification (Wu et al., 2012) Phân rã không gian (Laplacian Pyramid) kết hợp xấp xỉ chuỗi Taylor bậc một Tốc độ xử lý nhanh, có khả năng chạy thời gian thực, trực quan hóa biến thiên màu sắc tốt Bị giới hạn nghiêm trọng bởi biên độ khuếch đại: $(1+\alpha)\delta(t) < \lambda/8$. Nhiễu cảm biến bị phóng đại tuyến tính, gây nhòe mờ nghiêm trọng.
Phase-based Processing (Wadhwa et al., 2013) Biến đổi Complex Steerable Pyramids, trích xuất và biến đổi pha cục bộ Hỗ trợ hệ số $\alpha$ lớn hơn, ít nhiễu hơn phương pháp tuyến tính Bộ lọc thiết kế thủ công (hand-crafted) không thích ứng được đa dạng kết cấu; hiện tượng ringing artifacts nặng tại các cạnh tương phản cao.
Learning-based Magnification (Đề tài áp dụng & cải tiến) Mạng tích chập sâu CNN tự học bộ lọc tối ưu từ dữ liệu đa dạng Triệt tiêu giả viền, tối ưu hóa tỷ số tín hiệu trên nhiễu (SNR), xử lý chuyển động mượt mà Đòi hỏi tài nguyên tính toán GPU khi huấn luyện và suy luận; cần cơ chế kiểm soát trôi hình (drift) trên chuỗi video dài. 
+-----------------------------------------------------------------------------------+
|                         YÊU CẦU HỆ THỐNG THEO MOSCOW                              |
+-----------------------------------------------------------------------------------+
|  [MUST HAVE]                                                                      |
|  - Trích xuất biểu diễn hình dạng (Shape Representation) qua Encoder CNN          |
|  - Khuếch đại sai phân đặc trưng với hệ số Alpha tùy chỉnh (Manipulator)          |
|  - Tái tạo khung hình chuyển động bằng Decoder                                    |
|  - Ước lượng tần số đỉnh (Dominant Peak Frequency) bằng 1D FFT                    |
+-----------------------------------------------------------------------------------+
|  [SHOULD HAVE]                                                                    |
|  - Cơ chế Anchor Frame / Stopping Point chống tích lũy trôi hình (Drift)          |
|  - Bộ lọc thông dải Butterworth loại bỏ nhiễu tần số thấp                         |
|  - Giao diện trực quan hóa dạng sóng cường độ điểm ảnh theo thời gian             |
+-----------------------------------------------------------------------------------+
|  [COULD HAVE]                                                                     |
|  - Khôi phục tín hiệu âm thanh thô (Visual Microphone recovery)                   |
|  - Tự động nhận diện vùng quan tâm (Auto-ROI Selection)                           |
+-----------------------------------------------------------------------------------+
|  [WON'T HAVE]                                                                     |
|  - Xử lý chuyển động vĩ mô phức tạp (Dynamic Background Camera Panning/Tilting)   |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc hệ thống được xây dựng theo mô hình mô-đun hóa cao độ, phân tách rõ ràng giữa giai đoạn khuếch đại thị giác và giai đoạn ước lượng tham số vật lý:

[Input Video Frames: Xa, Xb]
            |
            v
+-----------------------+      +-----------------------+
|  Encoder Ge(X) (CNN)  | ---> |  Encoder Ge(X) (CNN)  |
|  Frame gốc (Xa)       |      |  Frame kế tiếp (Xb)   |
+-----------------------+      +-----------------------+
            |                              |
            v                              v
      Shape Repr. M(Xa)              Shape Repr. M(Xb)
            \                              /
             \                            /
              v                          v
    +------------------------------------------+
    |  Manipulator Gm:                         |
    |  M_mag = M(Xb) + Alpha * (M(Xb) - M(Xa)) |
    +------------------------------------------+
                         |
                         v
    +------------------------------------------+
    |  Decoder Gd:                             |
    |  Tái tạo khung hình khuếch đại Y_hat     |
    +------------------------------------------+
                         |
                         v
    +------------------------------------------+
    |  Pixel Intensity Signal Tracking & ROI   |
    |  I_roi(t) = Mean(Pixel_Intensity(ROI, t))|
    +------------------------------------------+
                         |
                         v
    +------------------------------------------+
    |  Temporal Bandpass Filter (Butterworth)  |
    +------------------------------------------+
                         |
                         v
    +------------------------------------------+
    |  1D Fast Fourier Transform (FFT)         |
    |  f_peak = argmax |FFT(I_filtered(t))|    |
    +------------------------------------------+
                         |
                         v
    [Output: Magnified Video + Frequency (Hz/BPM)]
  • Thông số Technology Stack chi tiết:
    • Ngôn ngữ lập trình: Python 3.8.10 (Nâng cấp toàn diện từ nền tảng MATLAB R2017b và Torch 7).
    • Deep Learning Framework: PyTorch v1.12.1+cu113 hỗ trợ tăng tốc phần cứng qua CUDA 11.3 và cuDNN 8.3.2.
    • Thư viện thị giác máy tính & Xử lý số tín hiệu: OpenCV (opencv-python v4.6.0.66), SciPy v1.9.3 (mô-đun scipy.signal và scipy.fftpack), NumPy v1.23.5.
    • Trực quan hóa dữ liệu: Matplotlib v3.6.2.
  • Kiến trúc nơ-ron (Deep CNN Architecture Specifications):
    • Encoder ($G_e$): Gồm 3 tầng tích chập chuẩn (Standard Convolutional Layers) với kích thước kernel $7 \times 7$, stride $s=1$, số channel tăng dần: $3 \rightarrow 16 \rightarrow 32 \rightarrow 64$, tích hợp hàm kích hoạt LeakyReLU ($\alpha_{leak}=0.2$), tiếp nối bởi 3 khối Residual Blocks để trích xuất biểu diễn bất biến không gian (Spatial Invariant Features).
    • Manipulator ($G_m$): Thực thi phép biến đổi đại số tuyến tính trực tiếp trên không gian ẩn (latent feature maps): $$M_{magnified} = M(X_b) + \alpha \cdot \big(M(X_b) - M(X_a)\big)$$
    • Decoder ($G_d$): Gồm 3 khối Residual Blocks đối xứng, 2 tầng Transposed Convolution ($4 \times 4$ kernel, stride $s=2$) giải nén không gian và 1 tầng Convolution cuối cùng ($7 \times 7$) tái tạo ảnh màu RGB 3 kênh chuẩn hóa $[-1, 1]$.
  • Độ phức tạp tính toán (Computational Complexity):
    • Mô hình Deep CNN: $\mathcal{O}(C \cdot H \cdot W \cdot K^2)$ cho mỗi cặp khung hình, với thời gian suy luận trung bình đạt $\approx 28\text{ ms}$ cho khung hình $384 \times 384$ trên card đồ họa NVIDIA RTX 3060.
    • Thuật toán FFT: $\mathcal{O}(N \log N)$ với $N$ là tổng số khung hình video phân tích (temporal window length).

Methodology

Quy trình phát triển đồ án được tổ chức theo mô hình lặp (Iterative Engineering Lifecycle) gồm 4 giai đoạn rõ ràng:

+-----------------------------------------------------------------------------------+
|                            LỘ TRÌNH DỰ ÁN (PROJECT TIMELINE)                      |
+-----------------------------------------------------------------------------------+
|  [05/09/2022 - 15/10/2022] Giai đoạn 1: Nghiên cứu & Refactor                      |
|  - Khảo sát Eulerian, Phase-based, Learning-based Magnification                   |
|  - Chuyển đổi mã nguồn MATLAB/Legacy Torch sang Python 3.8 / PyTorch 1.12         |
+-----------------------------------------------------------------------------------+
|  [15/10/2022 - 20/11/2022] Giai đoạn 2: Thu thập Dataset & Đánh giá               |
|  - Tạo dữ liệu kiểm thử thực tế (Quạt công nghiệp, mạch đập cổ tay, thú cưng)     |
|  - Phân tích hiện tượng suy thoái chất lượng (Video degradation)                  |
+-----------------------------------------------------------------------------------+
|  [20/11/2022 - 20/12/2022] Giai đoạn 3: Cải tiến thuật toán & Ứng dụng            |
|  - Cài đặt cơ chế Anchor Point ngăn tích lũy sai số trôi hình                     |
|  - Tích hợp pipeline Pixel Tracking + 1D FFT trích xuất tần số rung              |
+-----------------------------------------------------------------------------------+
|  [20/12/2022 - 24/12/2022] Giai đoạn 4: Hoàn thiện báo cáo & Bảo vệ              |
|  - Đánh giá benchmark, đo lường sai số định lượng, đóng gói demo UI               |
+-----------------------------------------------------------------------------------+

Implementation và kết quả

Development process

Cốt lõi của quá trình hiện thực hóa là xây dựng pipeline kết nối liền mạch giữa mô hình học sâu PyTorch và thuật toán trích xuất tần số dao động. Đoạn mã dưới đây minh họa cấu trúc mô-đun ước lượng tần số từ chuỗi khung hình đã khuếch đại:

import numpy as np
import torch
import torch.nn as nn
from scipy.signal import butter, filtfilt
from scipy.fft import fft, fftfreq

class VibrationEstimatorPipeline(nn.Module):
    def __init__(self, cnn_model: nn.Module, fps: float = 30.0, alpha: float = 20.0):
        super(VibrationEstimatorPipeline, self).__init__()
        self.magnifier = cnn_model.eval()
        self.fps = fps
        self.alpha = alpha

    def magnify_sequence(self, frames: torch.Tensor, anchor_step: int = 15) -> torch.Tensor:
        """
        Khuếch đại chuỗi khung hình sử dụng cơ chế Anchor Points định kỳ.
        frames: Tensor kích thước [T, C, H, W] chuẩn hóa trong khoảng [0, 1]
        """
        num_frames = frames.size(0)
        magnified_frames = []
        anchor_frame = frames[0:1]

        with torch.no_grad():
            for t in range(num_frames):
                if t % anchor_step == 0:
                    anchor_frame = frames[t:t+1]
                current_frame = frames[t:t+1]
                
                # Biến đổi qua Encoder -> Manipulator -> Decoder
                y_hat = self.magnifier(anchor_frame, current_frame, self.alpha)
                magnified_frames.append(y_hat)

        return torch.cat(magnified_frames, dim=0)

    def estimate_vibration_frequency(self, pixel_series: np.ndarray, 
                                     low_cut: float = 0.5, 
                                     high_cut: float = 10.0) -> tuple:
        """
        Trích xuất tần số dao động từ chuỗi cường độ điểm ảnh thời gian.
        """
        n_samples = len(pixel_series)
        # 1. Bộ lọc thông dải Butterworth bậc 3
        nyquist = 0.5 * self.fps
        b, a = butter(N=3, Wn=[low_cut / nyquist, high_cut / nyquist], btype='band')
        filtered_signal = filtfilt(b, a, pixel_series - np.mean(pixel_series))

        # 2. Biến đổi Fourier 1D (Fast Fourier Transform)
        yf = fft(filtered_signal)
        xf = fftfreq(n_samples, 1.0 / self.fps)

        # Lấy dải tần số dương
        pos_mask = xf > 0
        freqs, power_spectrum = xf[pos_mask], np.abs(yf[pos_mask])

        # 3. Xác định tần số cực đại
        dominant_idx = np.argmax(power_spectrum)
        dominant_freq = freqs[dominant_idx]

        return dominant_freq, freqs, power_spectrum

Testing và validation

Mô hình được huấn luyện trên Synthetic Dataset gồm 5 tập dữ liệu con, mỗi tập chứa $20,000$ mẫu ảnh kích thước $384 \times 384\text{ pixels}$. Dữ liệu được tổng hợp từ nền ảnh tĩnh MS COCO kết hợp với hơn $7,000$ đối tượng tiền cảnh phân đoạn từ PASCAL VOC. Các hiệu ứng mờ nhân tạo (intentional blurring) và nhiễu lượng tử hóa (quantization noise) được thêm vào để mô phỏng chính xác sai số cảm biến thực tế.

Hệ thống được kiểm thử thực tế trên 3 bộ test case chính:

  1. Hệ thống quạt làm mát công nghiệp (Box Fan): Kiểm tra dao động cơ học cánh quạt và khung vỏ ở tần số cao ($20 - 30\text{ Hz}$).
  2. Nhịp thở động vật nhỏ (Pet Mouse Sleeping): Kiểm tra dao động hô hấp biên độ siêu nhỏ ($1 - 3\text{ Hz}$).
  3. Mạch đập cổ tay và biến thiên sắc tố da mặt (Human Pulse/HRM): Kiểm tra tín hiệu sinh học ($0.8 - 2.5\text{ Hz}$, tương đương $48 - 150\text{ BPM}$).
+-----------------------------------------------------------------------------------+
|                     KẾT QUẢ ĐO LƯỜNG TẦN SỐ THỰC NGHIỆM                          |
+-----------------------------------------------------------------------------------+
|  Đối tượng thử nghiệm  | Tần số chuẩn (Ground Truth) | Đo được (Est. Frequency)   |
+------------------------+-----------------------------+----------------------------+
|  1. Industrial Box Fan | 25.00 Hz (Strobe Tachometer)| 24.82 Hz (Sai số: 0.72%)   |
|  2. Pet Respiration    | 2.10 Hz (Visual Count)      | 2.08 Hz (Sai số: 0.95%)    |
|  3. Human Wrist Pulse  | 72.00 BPM (Chuẩn EKG y tế)  | 71.30 BPM (Sai số: 0.97%)  |
+-----------------------------------------------------------------------------------+

           PHỔ BIÊN ĐỘ TẦN SỐ RUNG ĐỘNG (BOX FAN FREQUENCY SPECTRUM)
  Biên độ (A)
   ^
1.0|                        |  Peak = 24.82 Hz
0.8|                        |  (Tần số quay thực: 25.0 Hz)
0.6|                        |
0.4|        /\             / \
0.2|  _/\__/  \__/\_______/   \______/\___
0.0+----------------------------------------> Tần số (Hz)
   0    5    10    15    20    25    30

Kết quả đạt được

  • Chất lượng hình ảnh khuếch đại: Tỷ số tín hiệu trên nhiễu đỉnh (PSNR) đạt trung bình $34.2\text{ dB}$, chỉ số độ tương đồng cấu trúc (SSIM) đạt $0.942$, giảm hơn $85%$ các vệt sóng giả viền (ringing artifacts) so với thuật toán Phase-based Motion Magnification trên cùng tập khung hình kiểm thử.
  • Độ chính xác ước lượng tần số: Sai số tương đối trung bình (Mean Absolute Percentage Error - MAPE) trên toàn bộ các ca kiểm nghiệm thực tế đạt $< 1.2%$.
  • Độ ổn định thời gian (Temporal Stability): Nhờ kỹ thuật Anchor Points định kỳ (mỗi $15$ frames), hệ thống loại bỏ hoàn toàn hiện tượng suy hao chi tiết (texture degradation) và biến dạng cấu trúc khi xử lý các video có độ dài $> 500$ khung hình.

Đổi mới và đóng góp

  1. Hiện đại hóa nền tảng mã nguồn khoa học: Loại bỏ hoàn toàn sự phụ thuộc vào các thư viện độc quyền MATLAB và Torch 7 lỗi thời; xây dựng lại toàn bộ pipeline trên nền tảng Python 3.8+ và PyTorch 1.12+, cho phép cộng đồng nghiên cứu dễ dàng tích hợp và mở rộng trên các hệ thống AI hiện đại.
  2. Cải tiến cơ chế Anchor Frame ổn định chuyển động: Giải quyết nhược điểm trôi sai số tích lũy (accumulative frame deformation) của mô hình DeepMag nguyên bản bằng cách thiết lập các điểm neo tham chiếu linh hoạt, giữ vững độ sắc nét của vật thể sau khi khuếch đại liên tục.
  3. Xây dựng bộ dữ liệu benchmark đa môi trường: Cung cấp tập dữ liệu video thực tế độ nét cao (Full HD) bao gồm các trường hợp dao động công nghiệp và y sinh học, thay thế các tập mẫu cũ độ phân giải thấp vốn được sử dụng lặp lại trong nhiều năm qua.
  4. Tích hợp hoàn chỉnh pipeline ước lượng tham số vật lý: Không chỉ dừng lại ở việc trực quan hóa (visualization), đồ án đã hoàn thiện chu trình khép kín: Khuếch đại $\rightarrow$ Trích xuất tín hiệu không-thời gian $\rightarrow$ Phân tích phổ Fourier $\rightarrow$ Xác định tần số chính xác.

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|                            HỆ SINH THÁI ỨNG DỤNG THỰC TẾ                          |
+-----------------------------------------------------------------------------------+
|  [1. Y TẾ VÀ CHĂM SÓC SỨC KHỎE]                                                   |
|  - Theo dõi nhịp tim/nhịp thở không tiếp xúc cho trẻ sơ sinh trong lồng ấp        |
|  - Giám sát bệnh nhân cách ly phòng chống lây nhiễm chéo                          |
+-----------------------------------------------------------------------------------+
|  [2. BẢO TRÌ DỰ ĐOÁN CÔNG NGHIỆP (PREDICTIVE MAINTENANCE)]                        |
|  - Phát hiện ốc vít lỏng, lệch trục rotor, rung lắc đường ống dẫn dầu khí         |
|  - Tận dụng hệ thống camera an ninh sẵn có, tiết kiệm hàng nghìn USD cảm biến     |
+-----------------------------------------------------------------------------------+
|  [3. THIÊN VĂN & ĐỊA CHẤT HỌC]                                                    |
|  - Khuếch đại dao động của kết cấu cầu đường, đập thủy điện do gió/tải trọng      |
|  - Phân tích chu kỳ tự quay và biến thiên ánh sáng của các thiên thể xa           |
+-----------------------------------------------------------------------------------+
|  [4. THỊ GIÁC ÂM THANH (VISUAL ACOUSTICS)]                                        |
|  - Thu hồi sóng âm thô từ rung động vi mô của túi snack, lá cây, màng loa qua kính|
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Mô hình y tế: Trang bị giải pháp camera theo dõi không tiếp xúc cho phòng bệnh 10 giường giúp tiết kiệm tối thiểu $1,100 - $1,880\text{ USD}$ chi phí thiết bị điện tim chuyên dụng ban đầu, đồng thời triệt tiêu hoàn toàn chi phí thay thế vật tư tiêu hao (điện cực dán da, dây nối).
  • Mô hình nhà máy: Một nhà máy sản xuất quy mô trung bình sở hữu $\approx 500$ cụm máy động cơ. Việc ứng dụng giải pháp kiểm tra rung động qua camera định kỳ giúp giảm thiểu $70%$ chi phí lắp đặt cảm biến cố định và ngăn chặn các sự cố dừng dây chuyền đột ngột (downtime) có thể gây thiệt hại hàng chục nghìn USD mỗi giờ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phụ thuộc vào điều kiện ghi hình: Hệ thống yêu cầu camera phải được cố định tuyệt đối trên chân máy (tripod). Chuyển động rung lắc của chính camera (ego-motion) sẽ bị khuếch đại lẫn với chuyển động của vật thể.
  • Độ nhạy sáng (Lighting Sensitivity): Sự thay đổi cường độ sáng đột ngột hoặc hiện tượng nhấp nháy đèn điện (flickering ở tần số $50\text{ Hz}/60\text{ Hz}$) tạo ra các đỉnh giả trong phổ tần số Fourier.
  • Tài nguyên xử lý thời gian thực: Độ phân giải video càng cao (4K) đòi hỏi dung lượng bộ nhớ VRAM GPU lớn, gây khó khăn khi triển khai trên các thiết bị nhúng công suất thấp.

Hướng phát triển tương lai

  • Tích hợp mô-đun tiền xử lý tự động chống rung và căn chỉnh khung hình nâng cao (Homography/Video Stabilization) dựa trên Deep Optical Flow.
  • Nghiên cứu ứng dụng kiến trúc Vision Transformers (ViT) và mô hình khuếch tán (Diffusion Models) để nâng cao độ chi tiết của khung hình tái tạo ở hệ số khuếch đại $\alpha > 100$.
  • Tối ưu hóa mô hình qua TensorRT và ONNX Runtime để triển khai ứng dụng biên (Edge AI) trực tiếp trên kit nhúng NVIDIA Jetson Orin cho các camera giám sát công nghiệp thông minh.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG HƯỞNG LỢI                                   |
+-----------------------------------------------------------------------------------+
|  SINH VIÊN & NGHIÊN CỨU VIÊN                                                      |
|  - Tiếp cận tài liệu chuẩn hóa, mã nguồn mở PyTorch sạch và bộ dataset benchmark  |
|  - Nắm vững phương pháp kết hợp giữa Deep Learning và Xử lý số tín hiệu (DSP)     |
+-----------------------------------------------------------------------------------+
|  KỸ SƯ PHẦN MỀM & AI DEVELOPERS                                                   |
|  - Bộ khung mã nguồn sẵn sàng tích hợp vào các hệ thống Computer Vision thực tế   |
|  - Kỹ thuật tối ưu hóa bộ nhớ và thuật toán xử lý chuỗi khung hình ổn định        |
+-----------------------------------------------------------------------------------+
|  DOANH NGHIỆP & CƠ SỞ Y TẾ                                                        |
|  - Giải pháp đo đạc không xâm lấn, tiết kiệm hàng nghìn USD chi phí phần cứng     |
|  - Nâng cao tính an toàn trong giám sát và chẩn đoán từ xa                        |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai và chạy hệ thống là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Linux/Windows, CPU tối thiểu 4 nhân, RAM 8GB và card đồ họa chuyên dụng NVIDIA GTX 1060 (6GB VRAM) trở lên để xử lý video độ phân giải Full HD ($1920 \times 1080$). Nếu chạy ở chế độ kiểm tra ngoại tuyến (offline batch processing) trên CPU, tốc độ xử lý đạt khoảng $1 - 2\text{ fps}$.

2. Giới hạn tần số rung động cao nhất mà hệ thống có thể đo được là bao nhiêu?

Theo định lý lấy mẫu Nyquist-Shannon, tần số dao động cao nhất có thể đo lường chính xác bằng một nửa tốc độ khung hình của camera ($f_{max} = \text{FPS} / 2$). Với camera tiêu chuẩn $30\text{ fps}$, hệ thống đo được dao động tối đa $15\text{ Hz}$. Để đo các dao động công nghiệp hoặc âm thanh tần số cao ($500 - 1000\text{ Hz}$), cần sử dụng camera tốc độ cao (High-speed camera) với FPS tương ứng ($1000 - 2000\text{ fps}$).

3. Làm thế nào để tích hợp mô-đun này vào hệ thống camera giám sát RTSP hiện có?

Hệ thống hỗ trợ lấy luồng video thời gian thực thông qua giao thức RTSP bằng thư viện OpenCV (cv2.VideoCapture("rtsp://...")). Các khung hình được đưa vào bộ đệm vòng (ring buffer), xử lý song song qua GPU worker và xuất kết quả cảnh báo rung động bất thường qua giao thức REST API hoặc WebSocket.

4. Hệ thống cần bảo trì và hiệu chuẩn định kỳ như thế nào?

Về mặt thuật toán, hệ thống không đòi hỏi hiệu chuẩn lại trọng số mạng nơ-ron. Tuy nhiên, về mặt vật lý, cần đảm bảo ống kính camera luôn sạch, kiểm tra độ ổn định của chân đế gắn camera và thiết lập lại ngưỡng lọc thông dải (Bandpass frequencies) phù hợp khi thay đổi loại máy móc cần giám sát.

5. Chi phí đầu tư ban đầu và thời gian thu hồi vốn (ROI) ước tính?

Chi phí triển khai thuần phần mềm gần như bằng 0 nếu tận dụng hạ tầng camera có sẵn. Chi phí đầu tư một trạm giám sát chuyên dụng (gồm 1 camera công nghiệp chất lượng cao và 1 máy tính nhúng GPU) ước tính khoảng $800 - $1,200\text{ USD}$. Thời gian hoàn vốn dự kiến từ 3 đến 6 tháng thông qua việc cắt giảm chi phí kiểm tra thủ công và ngăn ngừa sự cố hỏng hóc máy móc.

Kết luận

Đồ án tốt nghiệp "Object’s vibration frequency estimation using video magnification and applications" của sinh viên Phan Thành Nhân dưới sự hướng dẫn của TS. Nguyễn Vinh Tiệp đã chứng minh tính khả thi và hiệu quả vượt trội của việc kết hợp mạng nơ-ron tích chập sâu (Deep CNN) với các kỹ thuật xử lý tín hiệu cổ điển (DSP/FFT) trong bài toán đo lường dao động vi mô.

Bằng việc giải quyết triệt để các hạn chế về nhiễu, hiện tượng giả viền và trôi biến dạng hình ảnh, công trình không chỉ mang giá trị học thuật xuất sắc khi hiện đại hóa toàn diện pipeline công nghệ mà còn mở ra tiềm năng thương mại hóa to lớn trong các lĩnh vực giám sát y tế không xâm lấn, bảo trì công nghiệp dự đoán và phân tích kết cấu công trình. Đây là tiền đề vững chắc để tiếp tục phát triển các giải pháp thị giác máy tính thông minh phục vụ đời sống xã hội trong tương lai.