HỆ THỐNG NHẬN DIỆN TRẺ EM ĐỂ CẢNH BÁO NGUY HIỂM TRÊN CAMERA GIA ĐÌNH

Abstract

Bảo đảm an toàn cho trẻ nhỏ trong môi trường sinh hoạt gia đình là một vấn đề cấp thiết. Các hệ thống camera giám sát truyền thống thường chỉ hỗ trợ ghi hình hoặc báo động dựa trên chuyển động, dẫn đến nhiều cảnh báo giả và hạn chế trong nhận thức bối cảnh. Nhằm khắc phục hạn chế này, đề tài đề xuất “Hệ thống nhận dạng trẻ em để cảnh báo nguy hiểm trên camera gia đình”, tích hợp trí tuệ nhân tạo và công nghệ Web để cung cấp một giải pháp giám sát thông minh khép kín. Thông qua quá trình thực nghiệm đối chuẩn (benchmark) giữa nhiều kiến trúc mô hình học sâu, YOLOv8s được lựa chọn làm lõi xử lý thị giác máy tính nhờ sự cân bằng phù hợp giữa độ chính xác và tốc độ suy luận thời gian thực. Hệ thống cho phép người dùng chủ động thiết lập vùng rủi ro dạng tứ giác tùy biến bằng bốn điểm trên khung hình của luồng video trực tiếp được phân phối qua máy chủ MediaMTX. Cơ chế phân loại hai lớp trẻ em và người lớn được kết hợp với phép kiểm tra điểm trong đa giác của OpenCV, nhờ đó hệ thống chỉ kích hoạt cảnh báo khi đối tượng được nhận diện là trẻ nhỏ đi vào vùng nguy hiểm. Khi sự kiện được xác nhận, hệ thống gửi cảnh báo theo cơ chế đa kênh: ưu tiên Telegram kèm ảnh bằng chứng và sử dụng SMS làm phương án dự phòng. Toàn bộ kiến trúc được triển khai trên nền tảng Web quản trị tập trung sử dụng React, FastAPI và Supabase, hỗ trợ phụ huynh cấu hình, theo dõi và tra cứu sự kiện. Từ khóa: Trí tuệ nhân tạo, YOLOv8, Thị giác máy tính, Giám sát trẻ em, Cảnh báo thời gian thực, IoT. Ensuring the safety of young children in the home environment is an important concern. Conventional surveillance camera systems generally provide only video recording or motion-based alerts, which may cause frequent false alarms and offer limited contextual awareness. To address these limitations, this study proposes “A Child Detection System for Danger Warning on Home Cameras”, integrating artificial intelligence and Web technologies into an end-to-end smart surveillance solution. Based on benchmark experiments involving multiple deep-learning model architectures, YOLOv8s was selected as the core computer vision model because it provides a suitable balance between detection accuracy and real-time inference speed. The system enables users to define configurable four-point quadrilateral regions of interest on video frames distributed through a MediaMTX server. Its child–adult classification mechanism is combined with OpenCV’s point-in-polygon test so that an alert is triggered only when a detected child enters a hazardous region, thereby reducing unwanted alerts caused by adults performing normal household activities. When a hazardous event is confirmed, the system sends an emergency notification through a prioritized multi-channel mechanism: Telegram is used as the primary channel with an attached evidence image, while SMS serves as the fallback channel. The system is implemented as a centralized Web platform using React, FastAPI and Supabase, providing parents with a practical and user-friendly monitoring tool for smart-home environments. Keywords: Artificial intelligence, YOLOv8, Computer vision, Child monitoring, Real-time alerts, IoT.