Nghiên cứu một số mô hình deeplearning và ứng dụng trong xây dựng hệ thống điểm danh tự động dựa trên nhận diện khuôn mặt

Việc quản lý điểm danh sinh viên thủ công tại các cơ sở giáo dục đại học hiện nay đang đối mặt với nhiều thách thức về thời gian và hiệu quả, ảnh hưởng đến công tác quản lý chung. Trong bối cảnh công nghệ phát triển, nhu cầu về một hệ thống điểm danh tự động, đặc biệt là ứng dụng nhận diện khuôn mặt, ngày càng trở nên cấp thiết. Mặc dù đã có nhiều mô hình nhận diện khuôn mặt tồn tại, việc xây dựng một hệ thống linh hoạt và hiệu quả, có khả năng tích hợp rộng rãi vẫn là một vấn đề cần giải quyết. Nghiên cứu này nhằm khám phá các mô hình Deeplearning và ứng dụng của chúng để phát triển hệ thống điểm danh tự động dựa trên nhận diện khuôn mặt, góp phần nâng cao hiệu quả quản lý sinh viên tại các trường đại học.

Giảng viên, nghiên cứu sinh, sinh viên và các nhà phát triển phần mềm quan tâm đến công nghệ nhận diện khuôn mặt và ứng dụng học sâu trong quản lý giáo dục.

Nghiên cứu này tập trung vào việc ứng dụng các mô hình học sâu (Deeplearning) để xây dựng một hệ thống điểm danh tự động hiệu quả dựa trên công nghệ nhận diện khuôn mặt. Bối cảnh xuất phát từ những hạn chế của việc điểm danh thủ công truyền thống tại các trường đại học, gây mất thời gian và thiếu chính xác. Nhóm nghiên cứu đã tiến hành khảo sát và đánh giá các công cụ và thư viện nhận diện khuôn mặt phổ biến như Dlib, MTCNN, FaceAPI và RetinaFace để xác định giải pháp tối ưu. Trên cơ sở đó, một hệ thống điểm danh tự động đã được phát triển, sử dụng thư viện Dlib cho chức năng nhận diện và Elasticsearch để lưu trữ và quản lý dữ liệu nhận dạng khuôn mặt. Bộ dữ liệu được sử dụng là ảnh của sinh viên ngành Công nghệ thông tin khóa K14, được gán nhãn bằng mã sinh viên để huấn luyện mô hình. Hệ thống tích hợp một ứng dụng demo cho phép người dùng chọn ảnh từ thư viện hoặc chụp trực tiếp từ camera, sau đó trả về mã sinh viên tương ứng. Các thử nghiệm cho thấy độ chính xác đạt 93.33% với thời gian xử lý trung bình là 2.574 giây. Mặc dù kết quả ban đầu khả quan, nghiên cứu cũng chỉ ra tiềm năng cải thiện độ chính xác và tốc độ nhận diện, đặc biệt trong việc phát triển tính năng Realtime và mở rộng tích hợp với các mô hình khác, hướng tới một ứng dụng thông minh và đa nền tảng hơn trong tương lai, mang lại giá trị ứng dụng cao cho công tác quản lý sinh viên.