Open Access 
Abstract
Covid-19 has had many negative impacts on people's daily lives. To prevent the spread of the disease, a series of preventative measures have been implemented, including wearing masks, using sanitizing solutions, and checking body temperature. To reduce costs and increase effectiveness, these methods have been integrated into a single device. A group of authors at the Ho Chi Minh City University of Technology have conducted a study and designed a support model for Covid-19 prevention. This model is designed with artificial intelligence to scan identification cards and accurately check for mask-wearing. Additionally, the device can check body temperature and automatically spray sanitizing fluids to ensure safety. When in operation, the machine provides guidance and warnings via voice to support users. Internet of Things (IoT) technology is used to connect devices and manage data. This model has been proven to be effective in supporting Covid-19 prevention. Although the pandemic has passed, these models can continue to be researched, developed, and produced at a suitable cost for use in public areas and government agencies for various purposes. The use of these models can provide safety and ensure transparency for government agencies, schools, and public areas, helping to support disease prevention measures in the future.
Tổng quan
Thành phố Hồ Chí Minh đã đối mặt với nhiều khó khăn do đại dịch COVID-19, với mỗi ngày ghi nhận khoảng 8000 ca mắc bệnh, làm quá tải hệ thống y tế 1 . Trong bối cảnh đó, khi thành phố mở cửa lại các địa điểm và doanh nghiệp địa phương để phục hồi kinh tế và giáo dục, việc quản lý và giám sát nghiêm ngặt quá trình giãn cách là cần thiết để tránh lây nhiễm 2 . Để đáp ứng tình hình khi đó, một hệ thống Check-in IoT đã được phát triển và triển khai tại các tòa nhà và địa điểm công cộng để giám sát và quản lý người vào ra 3 . Hệ thống này đã được thử nghiệm tại HCMUT cho thấy hiệu quả trong việc kiểm tra trạng thái ID-nhiệt độ-khẩu trang và thời gian hoàn tất kiểm tra ban đầu là khoảng 18 giây. Sự ra đời của hệ thống này giúp đảm bảo sự giãn cách xã hội và hiệu quả trong quá trình quản lý và giám sát đám đông người vào khu vực đông người theo sơ đồ nguyên lý hoạt động như Figure 1 .
Hệ thống iot check-in
Mô tả hệ thống
Tên gọi sản phẩm: Hệ thống IoT Check-in IoT .
Cấu trúc sản phẩm: Khung hình chữ nhật.
Khung sản phẩm: được làm từ 70% tấm nhôm và 30% thép không gỉ có thể chịu được các điều kiện thời tiết.
Phần máy ảnh: nằm ở giữa bên trái của máy, là một máy ảnh 720p30 được sử dụng để đọc mã vạch ID của sinh viên, mã QR tiêm chủng, được sử dụng để xác định một người, cũng như kiểm tra trang thiết bị khẩu trang cho người sử dụng.
Phần cảm biến: là cảm biến dựa trên nhiệt kế thông thường đã được chứng nhận bởi Bộ Y tế Việt Nam.
Phần vòi phun: là một vòi phun tự động phun ra dung dịch rửa tay khi người dùng đặt tay lên.
Phần âm thanh: là một loa Bluetooth báo cho người dùng và các vùng xung quanh khi có nghi ngờ về nhiễm bệnh.
Phần xử lý: sử dụng một máy tính mini đa năng (hiện tại là Raspberry Pi 4 Model B) để lưu trữ và xử lý tất cả các dữ liệu tiềm năng từ các phần khác của hệ thống.
Nguyên lí hoạt động
Để sử dụng máy kiểm tra đeo khẩu trang và xác thực ID, người sử dụng phải tuân theo chuỗi các bước sau đây theo đúng thứ tự ( Figure 2 và Figure 3 ):
Bước xác thực: Người sử dụng sử dụng thẻ ID hoặc mã QR tiêm chủng và đưa nó vào phần Camera. Sau đó, máy sẽ đọc mã vạch hoặc mã QR để tạo một bản ghi check-in liên kết với người dùng.
Bước nhận diện khẩu trang (chức năng phụ): Người sử dụng hiển thị khuôn mặt của mình cho máy để kiểm tra trang thiết bị khẩu trang của họ. Nếu trang thiết bị không đủ, máy sẽ cảnh báo qua phần Âm thanh. Phần nhận diện này chứa một mô hình cho phát hiện khuôn mặt và một mô hình cho nhận diện khẩu trang, cho một khuôn mặt được phát hiện.
Bước đo nhiệt độ cơ thể: Người sử dụng đứng trước cảm biến nhiệt độ. Máy sẽ đo nhiệt độ, nếu kết quả lớn hơn 38 độ C, máy sẽ cảnh báo qua phần Âm thanh để cách ly cần thiết.
Bước rửa tay: Người dùng sẽ đặt tay của họ lên vòi nước và rửa tay, sau đó được phép vào bên trong khuôn viên.
Figure 3 . Lưu đồ xử lý thông tin để kết luận các trường hợp người Check-in được phép hay không được phép đi qua
Table 1 thể hiện thông số kỹ thuật của hệ thống IoT Check in. Hệ thống check in IoT được thiết kế và chế tạo thực tế như Figure 4 dựa trên khung sản phẩm tối ưu kích thước đã thiết kế trước đó ( Figure 5 ).
Figure 4 . Máy thực tế (trái) và thiết kế 3D của nó bằng phần mềm Inventor (phải)
Phương pháp nghiên cứu
Phương pháp
Phần khó nhất trong việc xây dựng một máy như thế này là phần xử lý, đặc biệt là trong việc xử lý ảnh, mà liên quan chặt chẽ đến ngành công nghiệp học máy, học cấu trúc sâu đang chưa hoàn thiện. Vì chúng tôi đang làm việc với phần cứng thấp như Raspberry Pi 4, chúng tôi quyết định lập trình phần nhận diện này bằng C++ với OpenCV để đạt hiệu quả tối đa 4 5 . Ngoài ra, chúng tôi sẽ xem xét hệ thống cơ sở dữ liệu của sản phẩm.
Mô hình thực tế
Mô hình thực tế
Mô hình thực tế
Kết quả nghiên cứu và thảo luận
Để kiểm tra độ chính xác của mô hình học cấu trúc sâu trên khuôn mặt, chúng tôi đã sử dụng 10.000 hình ảnh không được đánh nhãn và áp dụng cả hai mô hình để suy luận. Sau đó, chúng tôi đã so sánh kết quả với nhãn thực tế. Chúng tôi đã sử dụng tập dữ liệu kiểm định để đánh giá hiệu quả của mô hình sau quá trình huấn luyện và đã ngẫu nhiên hóa trọng số của các mô hình và huấn luyện chúng nhiều lần.
Kết quả cho thấy mô hình CNN có độ chính xác tổng thể tốt hơn so với mô hình MLP, như được thể hiện trong Table 4 . Điều này có thể được giải thích bởi vì CNN có khả năng xử lý dữ liệu ảnh phức tạp và có kích thước lớn tốt hơn so với MLP. CNN có khả năng học được các đặc trưng cục bộ trong ảnh qua việc sử dụng các bộ lọc tích chập, giúp nâng cao khả năng đại diện và tổng quát hóa của mô hình trên dữ liệu kiểm tra. Trong khi đó, MLP không có kiến thức về cấu trúc không gian của dữ liệu ảnh, điều này giải thích tại sao mô hình này thường không có khả năng xử lý được dữ liệu ảnh phức tạp.
Máy được thiết kế để hoạt động hiệu quả trong mọi điều kiện thời tiết như mưa, nắng hay ngập lụt mà không ảnh hưởng đến độ chính xác của kết quả đo nhiệt độ. Ngoài ra, thiết kế nhẹ và dễ dàng di chuyển giúp cho việc sử dụng được linh hoạt hơn. Hệ thống cung cấp một ứng dụng để cập nhật thông tin vắc-xin cho người dùng, thông tin này sẽ được kiểm tra và đồng bộ trên cơ sở dữ liệu của HCMUT. Ứng dụng mà hệ thống cung cấp cho phép quản trị viên tra cứu thông tin vào/ra của người dùng và xem thống kê lưu lượng khách thăm quan. Ngoài ra, quản trị viên cũng có thể cấu hình các thông tin hoạt động của máy IoT như đồng bộ dữ liệu thời gian và các nhóm hoạt động của chức năng. Kết quả vận hành thực tế của máy được thể hiện trong Figure 9 .
Kết luận
Trong bối cảnh phòng chống Covid-19, việc xác định người vào trường là rất quan trọng. Hệ thống đã được thiết kế để đọc mã vạch trên thẻ nhân viên, sinh viên và khách, kiểm tra tình trạng tiêm chủng, đo nhiệt độ, và xác định việc đeo khẩu trang bằng trí tuệ nhân tạo. Hệ thống cũng lưu trữ thông tin và dữ liệu về lưu lượng người vào ra cổng trường và khuôn mặt của những người vào và ra. Việc sử dụng hệ thống này sẽ giúp quản lý việc vào ra của nhân viên, giảng viên, sinh viên và khách trong thời gian dịch bệnh hiện tại để phục vụ cho công tác giảng dạy và học tập. Trong tương lai, nhóm tác giả sẽ xây dựng một hệ thống phần mềm-thiết bị tích hợp để đáp ứng các yêu cầu này. Máy có khả năng đọc mã vạch trên thẻ, kiểm tra nhiệt độ và tình trạng đeo khẩu trang và cảnh báo khi có trường hợp không hợp lệ. Ngoài ra, máy sẽ được tích hợp với thiết bị phun dung dịch rửa tay và màn hình hiển thị video hướng dẫn để tuyên truyền và hỗ trợ các nhân viên, giảng viên, sinh viên và khách. Hơn nữa, hệ thống sẽ có khả năng đồng bộ hoá dữ liệu với cơ sở dữ liệu về thông tin tiêm chủng, thời gian vào-ra, nhiệt độ và tình trạng đeo khẩu trang của người dùng tại HCMUT. Đồng thời, nhóm tác giả sẽ phát triển mô hình học cấu trúc sâu cho những chức năng của hệ thống và đưa ra kết luận về độ chính xác và khả năng tổng quát hóa của mô hình.
DANH MỤC TỪ VIẾT TẮT
IoT: Internet of things
ID: Identification
QR: Quick Response
MLP: Multilayer perceptron
CNN: Convolutional neural network
APIs: Application Programming Interface
SGD: Stochastic gradient descent
MySQL: My Structured Query Language
ResNet: Residual neural network
SSD: Single Shot MultiBox Object Detector
OpenCV: Open Computer Vision
Xung đột lợi ích
Nhóm tác giả xác nhận không có xung đột lợi ích liên quan đến công trình nghiên cứu.
Đóng góp của tác giả
Nhóm tác giả lập trình bằng C++ với OpenCV trên phần cứng Raspberry Pi 4 để xử lý hình ảnh và sử dụng phần mềm Autodesk Inventor để thực hiện thiết kế. Các thành viên đều có đóng góp như nhau trong nghiên cứu này.
References
- La V-P, Pham T-H, Ho M-T, Nguyen M-H, Nguyen K-L-P, Vuong T-T, Nguyen H-K-T, Tran T., Khuc Q., M-T Ho, Vuong Q-H. Policy Response, Social Media and Science Journalism for the Sustainability of the Public Health System Amid the COVID-19 Outbreak: The Vietnam Lessons. Social Public Health System and Sustainability. 2020;12:2931. Google Scholar
- L-T-T Tran, E-O Manuama, D-P Vo, P-V Duc, V-N Huy, Cassim Raisa, Pham Minh, S-B Dinh. The COVID-19 global pandemic: a review of the Vietnamese Government response. Journal of Global Health Reports (2021). 2021;5:. Google Scholar
- Herbert J., Horsham C., Ford H., Wall A., Hacker E.. Deployment of a Smart Handwashing Station in a School Setting During the COVID-19 Pandemic: Field Study. JMIR Public Health Surveill (2020). 2020;6(4):. Google Scholar
- Bradski G., Kaebler A.. Computer Vision with the OpenCV Library, Learning OpenCV (2008). 2008.
- Ismail A-P, Aziz F-A-A, Kasimand N-M, Daud K.. Hand gesture recognition on python and opencv. . 2020;1:1045. Google Scholar
- Nguyen V-D, Tran K-X-H-N, Nguyen V-C, Debnath N-C. Robust and Real-Time Deep Learning System for Checking Student Attendance. Journal of Advances in Information Technology. 2021;12:296-299. Google Scholar
- K. O'Shea, Nash R.. An Introduction to Convolutional Neural Networks. Neural and Evolutionary Computing. 2015;2(4):. Google Scholar
