Chương 1.1 Dat van dé Phát triển nhà thông minh luôn là một trong những chủ dé được quan tâm bởi những nhà nghiên cứu về mạng lưới vạn vật kết nối. Một trong số đó phải kế đến nhận diện gương mặt, dự đoán chất lượng không khí và lợi ích của mô hình khi áp dụng vào mô hình nhà thông minh. Ví dụ như mô hình nhận diện gương mặt thường áp dụng dé tăng cường an ninh [11], hay diém danh bang nhan dién guong mat. Đối với mô hình dự đoán chất lượng không khí sẽ cảnh báo con với yếu tố có thê gây hại đến sức khỏe con người [12].
Nhưng có một van đề đặt ra đối với mô hình này là làm thé nao dé những mô hình có tính thời gian thực cũng như việc giảm thiêu độ trễ xử lý tín hiệu. Một vài bài nghiên cứu cho thay rang dé cải thiện độ trễ cũng như tínhh thời gian thực, họ đã đưa việc xử lý dữ liệu về trên các thiết bị cận biên trong mô hình mạng [13].2 Lý do chọn đề tài, mục tiêu và phạm vi 1.1 Ly do chọn đề tài Vì IoT là một lĩnh vực mang lại nhiều sự tiện lợi cũng như lợi ích cho con người trong việc tự động hóa nhà cửa. Xử lý dữ liệu trên các thiết bị cận biên mang lại lợi ích như cải thiện độ trễ và quyết định thời gian thực. Bên cạnh đó, tính mở rộng của xử lý song song cho phép tích hợp với sự tăng dần về mặt số lượng của các thiết bị thông minh và xử lý các nhiệm vụ phức tap.
Bằng cách khám pha đề tài nay, có thé thấy tiềm năng của Edge Computing tạo ra trong nhà thông minh rất hiệu quả, đáng tin cậy và góp phan nâng cao chất lượng tổng thé của người dùng.2 Mục Tiêu e Tìm hiểu các thiết bị có thé được dùng làm thiết bị cận biên, cũng như các thiết bị IoT dé thu thập dữ liệu thô. e Kết hợp hệ thong nhận diện khuôn mặt va stream video dé quan ly an ninh, với hệ thống đo đạc, xử ly dữ liệu chất lượng không khí dé đảm bảo sức khỏe. e_ Triển khai hệ thống trên vào thực tế và đo đạc hiệu năng khi áp dụng kỹ thuật “parallel processing”. e Xây dựng được một hệ thống giám sát trong nhà thông minh, về mặt an ninh và mặt chất lượng không khí trong nhà ở cá nhân.
Phạm vi nghiên cứu e Các thiết bị, cảm biến thu dữ liệu. e_ Các máy tính nhúng có thé đóng vai trò là thiết bị cận biên Jetson Nano, Raspberry PI. e Cloud Computing với AWS cloud. e Các thư viện, framework hỗ trợ như ReactJS, NodeJS, Flask.
e Cơ sở dữ liệu không quan hệ như MongoDB. Tổng quan Chương 2.1 Tình hình nghiên cứu trong và ngoài nước 2.1 Tinh hình nghiên cứu ngoài nước Việc áp dụng công nghệ IoT vào hệ thống nhà ở đã không còn quá xa lạ với người dùng thông thường, từ các cảm biến ánh sáng, nhiệt độ, giọng nói, chuyển động,. Tuy nhiên các nghiên cứu về lĩnh vực này vẫn không ngừng được đưa ra, có rất nhiều đề tài về IoT mà các nhà nghiên cứu có thé khai thác như quan lý an ninh, tự động hóa,. Và dé tối ưu hóa thời gian xử lý dữ liệu, giảm tải cho băng thông, tăng tốc độ xử lý, các nhà nghiên cứu có xu hướng đưa việc xử lý dữ liệu thô từ các server “lớn” về thiết bị cận biên nhỏ gọn, gan sát với các thiết bi cảm biến hơn như trong bài nghiên cứu của H.
Trong nghiên cứu này, tác giả đã deploy các dịch vụ hỗ trợ tạo ra hệ thống nhà thông minh như về an ninh, tự động hóa, giảm điện năng tiêu thụ, băng thông,. và tất cả chúng được chạy trên nền Raspberry Pi. Bên cạnh đó việc áp dụng các mô hình máy học cũng như mô hình học sâu vào những hệ thống IoT cũng góp phần nâng cao tính “thông minh” của các thiết bị này.Park [14] dé xuất một nghiên cứu ứng dụng mô hình máy học là Decision Tree vào giải quyết vấn đề dự đoán chất lượng không ở thành phố Khulna ở Bangladesh. Tác giả đã sử dung dataset air quality (AQ) của Department of Environment (DOE) và dataset về các chỉ số về thời tiết trong dự án National Aeronautics & Space Administration (NASA) - Prediction of Worldwide Energy Resources (POWER), chia ra thành hai tap train va test với ti lệ 8:2 và thu được độ chính xác gần 98.
Cũng có những bài nghiên cứu về việc sử dụng deep learning trên các thiết bị cận biên. Như các tác giả Seraphin B. Calo, Maroun Touna; Dinesh C. Verma; Alan Cullen [15] có đề xuất giải pháp kiến trúc hỗ trợ chạy các tác vụ deep learning trên thiết bị cận biên nhưng vẫn giữ được hiệu năng ồn định như khi chạy trên các máy Chương 2.
Tổng quan tính server, cloud. Giải pháp này xử lý dữ liệu dau vào từ các cảm biên trên tang cận biên, thay vì tập trung vào một máy chủ dé xử lý.2 Tinh hình nghiên cứu trong nước Việc nghiên cứu về IoT ở trong nước cũng đã và đang được day mạnh dé có thé bắt kịp với trình độ khoa học kỹ thuật của thế giới. Như sau đại dịch COVID-19, xuất hiện bài nghiên cứu ứng dụng IoT vào hỗ trợ kiểm soát vẫn đề lây lan của virus bằng cách phân biệt người không đeo khâu trang với người có đeo và kiểm soát khoảng cách tối thiểu giữa hai người với nhau thông qua một IP camera của PGS.TS Quan Le - Trung [16]. Giải pháp này đề xuất một kiến trúc 3 tầng gồm tầng đám mây tập trung (Centralize Cloud) sẽ host một web server tạo kết nối đến cơ sở dữ liệu, một trang web dashboard dé quản sát video được stream từ camera an ninh, kiểm soát khoảng cách tối thiểu giữa hai người cũng như vấn đề đeo khẩu trang; tầng thứ hai gồm các thiết bị cận biên chạy dịch vụ nhận diện đeo khẩu trang và đo khoảng cách, các dịch vu được đóng gói vào Docker Container rồi được deploy trên kubernetes k3s cluster dung lượng nhẹ.
Và sẽ được deploy trên cả Jetson Nano, Raspberry Pi để góp phần tăng tính mở rộng, tính sẵn sàng, khả năng tự vá lỗi, khả năng tự tối ưu tài nguyên, độ ồn định và khả năng tự động deploy trên các dịch vụ cận biên; cuối cùng là tang thiệt bi dau cuôi gôm các camera kêt nôi đên các dich vụ AI ở thiệt bi cận biên. Trong những năm gần đây vấn đề về chất lượng không khí trong môi trường sống con người được chú trọng hơn bao giờ hết do dấy lên nhiều vấn đề về bụi mịn, ô nhiễm,. Chính vì vậy mà nghiên cứu khoa học của tác giả Tạng Nguyễn — Tân và Quân Lê — Trung [17] được đề ra dé nghiên cứu về tác động của chất lượng không khí lên sức khỏe con người. Nghiên cứu này đề xuất một mô hình có nền mạng thần kinh đồ thị, mô hình gồm năm tầng đồ thị như timestamp graph message passing dé thong kê, tong hợp dữ liệu dựa trên đồ thị; timestamp graph convolution layer dé mở rộng features; temporal graph message passing layer dé tong hợp dữ liệu dựa trên đồ thị chuỗi thời gian; temporal graph convolution layer dé tách feature dựa trên đồ thị chuỗi thời gian; simple artificial neural network dé phan loai đồ thi dựa trên dé liệu ở các nodes.
Đầu vào của hệ thống là dữ liệu chuỗi thời gian của bốn chỉ số CO, NO2, Chương 2. Tổng quan O3 và PM2.5, đầu ra là các một trong các trường hợp sau: “fresh”, “polluted”, “headaches”, “pneumonia”, TT. “convulsions” hoặc là “nausea”, hoặc “death”.2 Tinh khoa học và tinh mới của đề tài Sử dụng kỹ thuật xử lý song song trong mô hình streaming video và nhận diện khuôn mặt đề tạo ra một hệ thống đảm bảo chất lượng sống trong nhà thông minh, cụ thé là đo đạc chất lượng không khí trong nhà ở cá nhân, phát hiện nồng độ các loại khí như CO2, PM10 và HCHO. Hình 2-1 Ví dụ về ba hệ thống mạng khác nhau Mô hình được đề xuất áp dụng giải pháp đồng bộ hóa hệ thong nhận diện khuôn mặt khắp các hệ thong mang khác nhau.
Xét một mô hình đơn giản như trên, với A, B và C tượng trưng cho ba hệ thong mang khác nhau, mỗi hệ thong mang thudc về một ngôi nhà, mỗi ngôi nhà lại có nhu cầu về van dé an ninh như nhau đó là yêu cầu khuôn mặt của họ phải được nhận ra ở toàn bộ các hệ thống mạng mặc dù việc đăng ký khuôn mặt chỉ cần phải diễn ra ở một nơi. Một gia dụ dé làm rõ van đề gặp phải như sau: một người có ba ngôi nhà A, B và C, người đó đăng ký khuôn mặt của mình ở A và đi sang ngôi nhà B, lúc này nhu cầu của người đó chính là hệ thống B có thể nhận diện được khuôn mặt mình, điều này được áp dụng kế cả OC. Trong tình huống như vậy, việc đồng bộ hóa dữ liệu của mô hình nhận diện khuôn mặt giữa ba hệ thống mạng trở nên cấp thiết và không thể thiếu nhằm đảm bảo trải nghiệm người dùng cũng như thé hiện độ hoàn thiện của hệ thống. Tổng quan Về cơ bản thì khi hệ thống nhận diện khuôn mặt ở hệ thống mang A được train với một tap dataset mới, thì hệ thong nhận diện khuôn mặt ở hệ thong mang B sé được cập nhật thêm dữ liệu mới trong thời gian thực, việc nay giúp đồng bộ hóa nhiều hệ thống nhận diện khuôn mặt ở những vi trí cách xa nhau như đã ví du ở trên.3 Lý thuyết liên quan 2.1 Jetson Nano NVIDIA! Jetson Nano Developer Kit B01 là một máy tính nhỏ và mạnh mẽ cho phép chạy nhiều mạng neuron song song ứng dụng trong xử lý hình ảnh, nhận diện vật thé, xử lý ngôn ngữ, âm thanh,.
Tat cả đều được xử lý trên nền một thiết bị nhỏ gọn chỉ sử dụng 5W điện. Jetson Nano được trang bị 472 GFLOPS dé chạy các thuật toán Machine Learning/Deep Learning, một CPU quad-core 64-bit kiến trúc ARM, một GPU của chính NVIDIA 128-core được tích hợp trên bo mạch và bộ nhớ trong 4GB LPDDR4. Phù hợp dé chạy song song nhiều neural network và xử lý đồng thời các cảm biến có độ phân giải cao. Jetson Nano cũng được hỗ trợ bởi NVIDIA JetPack.
Bao gồm các gói hỗ trợ board (BSP), CUDA, cuDNN và thư viện phần mềm TensorRT cho deep learning, computer vision, GPU computing, multimedia processing và nhiều ứng dụng khác.