Tạp chí Khoa học Trường Đại học Mở Hà Nội

YOLOV12-SA-EVC: MÔ HÌNH PHÁT HIỆN “Ổ GÀ” TRÊN MẶT ĐƯỜNG BỘ

2026-07-28T09:13:32+07:00

Hư hỏng mặt đường, đặc biệt là “ổ gà”, là mối đe dọa nghiêm trọng đối với an toàn giao thông và gây thiệt hại kinh tế lớn tại nhiều quốc gia. Các phương pháp khảo sát truyền thống tốn kém, chủ quan và thiếu hiệu quả, trong khi các giải pháp tự động hiện có vẫn gặp khó khăn trong các điều kiện thực tế phức tạp như bóng râm, vũng nước, ánh sáng yếu và ổ gà kích thước nhỏ. Nghiên cứu này đề xuất cải tiến kiến trúc YOLOv12 kết hợp với module self-attention (SA) để nắm bắt mối quan hệ ngữ cảnh toàn diện và Enhanced Visual Center Block (EVCBlock) tập trung trích xuất đặc trưng trung tâm ổ gà và ức chế nhiễu ngoại vi. Mô hình được huấn luyện và đánh giá trên bộ dữ liệu 19,267 ảnh tổng hợp từ RDD2020, RDD2022 và Roboflow. Kết quả thực nghiệm cho thấy mô hình đề xuất đạt Precision = 84.23%, Recall = 74.97%, F1-score = 79.33%, mAP@0.5 = 82.36% - vượt trội so với YOLOv12 gốc (+6.28% mAP@0.5) và một số biến thể YOLO nano (YOLOv5n, YOLOv8n, YOLOv11n). So với kiến trúc ResNet50, Vision Transformer và Swin Transformer, mô hình đề xuất đạt độ chính xác tương đương trong khi giảm 66-68% chi phí tính toán và 67-69% tiêu thụ năng lượng, duy trì tốc độ 122 FPS trên GPU NVIDIA RTX 3050.

PHÁT HIỆN LOÃNG XƯƠNG DỰA TRÊN ẢNH X-RAY CỘT SỐNG SỬ DỤNG HỌC SÂU KẾT HỢP THÔNG TIN LÂM SÀNG

2026-07-28T09:41:48+07:00

Loãng xương làm tăng nguy cơ gãy xương và thường được chẩn đoán bằng DXA (Dual-energy X-ray Absorptiometry), tuy nhiên thiết bị này có chi phí cao và chưa phổ biến tại nhiều cơ sở y tế tuyến dưới. Nghiên cứu này đề xuất quy trình sàng lọc loãng xương hai bước, không sử dụng các biến DXA ở đầu vào, dựa trên ảnh X-ray cột sống thắt lưng kết hợp thông tin lâm sàng. Quy trình được đánh giá trên tập X-ray của bộ dữ liệu LUMOS gồm 803 bệnh nhân và 1.620 ảnh. Ở bước đầu, OsteoNet và FCoTNet được dùng để trích xuất vector đặc trưng 128 chiều từ ảnh X-ray. Bước tiếp theo, vector này được kết hợp với các nhóm đặc trưng lâm sàng và đưa vào XGBoost để phân loại ba nhóm: Bình thường, Giảm mật độ xương và Loãng xương. Kết quả cho thấy các tổ hợp chứa biến DXA như mật độ loãng xương (Bone Mineral Density – BMD) hoặc T-score đều đạt AUC = 1,000 do nhãn được định nghĩa trực tiếp từ T-score, phản ánh rò rỉ nhãn và không có ý nghĩa lâm sàng. Sau khi loại bỏ biến DXA, baseline chỉ dùng thông tin lâm sàng đạt AUC = 0,709; trong khi OsteoNet + Demo+Morph đạt AUC = 0,761. Kiểm định DeLong cho thấy cải thiện có ý nghĩa so với chỉ dùng embedding ảnh (p = 0,0002) và ở mức cận biên so với baseline lâm sàng thuần (p = 0,050).

ĐIỀU KHIỂN DỰ BÁO MÔ HÌNH THÍCH NGHI KẾT HỢP HỌC TĂNG CƯỜNG SÂU CHO HỆ THỐNG TREO CHỦ ĐỘNG: XỬ LÝ ĐỘ TRỄ VÀ BÙ NHIỄU DỰ BÁO

2026-07-28T09:45:13+07:00

Hệ thống treo chủ động được xem là một nền tảng quy chiếu quán tính thiết yếu, đảm bảo sự ổn định cho các cảm biến nhận thức trên xe tự hành. Các thuật toán điều khiển phản hồi mô hình truyền thống thường vận hành với bộ trọng số phạt tĩnh, dẫn đến sự thiếu linh hoạt trước các biến động của điều kiện mặt đường và thường bỏ qua tác động tiêu cực của động học trễ từ cơ cấu chấp hành. Nghiên cứu này đề xuất một giải pháp điều khiển phân tầng mới, tích hợp giữa Model Predictive Control (MPC) và tác tử học sâu tăng cường thông qua thuật toán Soft Actor-Critic (SAC). Trong cấu trúc này, ma trận trọng số của MPC được điều chỉnh liên tục theo thời gian thực dựa vào dữ liệu dự báo mặt đường. Cốt lõi khoa học của bài báo là việc áp đặt một ràng buộc Lyapunov cứng lên quá trình cập nhật chính sách của Deep Reinforcement Learning (DRL), qua đó đảm bảo tuyệt đối tính ổn định từ ngõ vào đến trạng thái (Input-to-State Stability - ISS) cho toàn hệ thống, kết hợp với kỹ thuật mở rộng vector trạng thái nhằm bù đắp trễ pha. Các thử nghiệm mô phỏng có phần cứng trong vòng lặp trên hệ thống dSPACE MicroLabBox đã minh chứng rõ rệt tính khả thi và ưu việt của phương pháp. Số liệu cho thấy hệ thống đề xuất giảm thiểu tới 53,0% chỉ số RMS gia tốc thân xe so với hệ thống thụ động, và cải thiện 23,9% so với MPC tiêu chuẩn, đồng thời bảo đảm tuân thủ nghiêm ngặt mọi giới hạn vật lý của hệ thống.

MẠNG NƠ-RON XUNG TRONG PHÁT HIỆN VẾT NỨT BÊ TÔNG: PHÂN TÍCH ĐỘ CHÍNH XÁC VÀ NĂNG LƯỢNG ƯỚC LƯỢNG TRÊN BỘ DỮ LIỆU METU

2026-07-28T09:54:14+07:00

Phát hiện vết nứt bê tông đóng vai trò quan trọng trong đảm bảo an toàn kết cấu hạ tầng; tuy nhiên các mạng nơ-ron tích chập (Convolutional Neural Network - CNN) đòi hỏi tài nguyên tính toán lớn, hạn chế triển khai trên thiết bị biên. Mạng nơ-ron xung (Spiking Neural Network - SNN) là giải pháp thay thế tiết kiệm năng lượng nhờ cơ chế tính toán theo sự kiện. Nghiên cứu này đánh giá Spiking ResNet-18 trên bộ dữ liệu METU qua sáu cấu hình T Î {2, 4, 6, 8, 10, 16}. Để so sánh công bằng, ba biến thể ResNet-18 CNN (Scratch, Pretrained, Finetune) được huấn luyện trực tiếp trên cùng dữ liệu và giao thức. Phân tích năng lượng được thực hiện trên nhiều nền tảng và so sánh công bằng trên ba chip dùng chung (SpiNNaker2, Akida AKD1000, FPGA Xilinx ZU9) để loại bỏ thiên lệch do công nghệ chế tạo. Kết quả cho thấy Spiking ResNet-18 đạt 99.57% (T=10), cạnh tranh với các mô hình CNN và Transformer hiện đại. Khi so sánh trên cùng một chip, SNN tiêu thụ năng lượng thấp hơn CNN từ 300 đến hơn 1900 lần mà vẫn duy trì độ chính xác tương đương. Kết quả khẳng định tính khả thi của SNN cho các ứng dụng giám sát kết cấu hạ tầng trên nền tảng neuromorphic tiết kiệm năng lượng.

BẢO MẬT MẠNG IOT BẰNG BLOCKCHAIN PHÂN CẤP

2026-07-28T10:12:15+07:00

Mạng lưới Internet vạn vật (IoT) truyền thống hoạt động dựa trên máy chủ tập trung. Kiến trúc này tạo ra điểm lỗi duy nhất và rủi ro thao túng dữ liệu từ quản trị viên nội bộ. Việc áp dụng công nghệ Blockchain sử dụng cơ chế Bằng chứng công việc (PoW) đơn tầng gặp rào cản vật lý lớn. Sự chênh lệch năng lực tính toán giữa thiết bị biên và máy chủ đám mây tạo cơ hội cho các cuộc tấn công chiếm quyền điều khiển. Bài báo đề xuất mô hình kiến trúc lai đa tầng H-EPOW (Hierarchical Edge-Cloud Proof of Work). Nghiên cứu tích hợp thuật toán PoW phân cấp và cơ chế Điểm neo (Checkpointing). Hệ thống phân tách nhiệm vụ bảo mật thành hai luồng song song. Tầng biên thực thi PoW hạng nhẹ (Light PoW) để xác thực dữ liệu thời gian thực. Tầng máy chủ thực thi PoW hạng nặng (Heavy PoW) để thiết lập trạng thái khóa cứng vĩnh viễn cho một chu kỳ dữ liệu. Kết quả thực nghiệm cho thấy tầng biên duy trì thông lượng 45 giao dịch/giây với độ trễ 15-30 giây. Phân tích an ninh định lượng chứng minh mô hình tạo ra rào cản thời gian vật lý. Kẻ tấn công kiểm soát 51% sức mạnh mạng lưới phải mất ít nhất 1 giờ 40 phút để thay đổi một bản ghi dữ liệu từ 1 giờ trước. H-EPOW ngăn chặn hiệu quả các cuộc tấn công thay đổi lịch sử thông qua yêu cầu chi phí tính toán lũy kế.

CÔNG NGHỆ ROBOT DI ĐỘNG: TỔNG QUAN VỀ CƠ SỞ LÝ THUYẾT, THUẬT TOÁN ĐIỀU KHIỂN VÀ ỨNG DỤNG THỰC TIỄN

2026-07-28T10:17:02+07:00

Robot di động ngày càng được ứng dụng rộng rãi trong logistics, nông nghiệp, y tế và các môi trường phi cấu trúc, đặt ra yêu cầu cao về định vị, nhận thức môi trường, lập kế hoạch và điều khiển chuyển động. Bài báo này trình bày một tổng quan có cấu trúc về các nền tảng lý thuyết và công nghệ cốt lõi của robot di động, tập trung vào mô hình động học không holonomic, ước lượng trạng thái xác suất, định vị và lập bản đồ đồng thời (Simultaneous Localization and Mapping - SLAM), lập kế hoạch đường đi, hợp nhất cảm biến và các chiến lược điều khiển. Các nhóm phương pháp được phân loại và so sánh theo nguyên lý hoạt động, nguồn cảm biến, độ bền vững, khả năng xử lý môi trường động và yêu cầu tính toán. Kết quả tổng hợp cho thấy không tồn tại một giải pháp tối ưu cho mọi môi trường: các cấu hình phát hiện và đo khoảng cách bằng ánh sáng (Light Detection and Ranging - LiDAR) kết hợp quán tính hoặc hợp nhất đa cảm biến có lợi thế trong môi trường nông nghiệp và ngoài trời biến đổi, trong khi robot hoạt động trong y tế cần ưu tiên định vị ổn định, nhận biết đối tượng động và ràng buộc an toàn. Điều khiển dự báo mô hình (Model Predictive Control - MPC) phù hợp với các bài toán cần xử lý đồng thời bám quỹ đạo và các ràng buộc trạng thái/đầu vào, nhưng có chi phí tính toán cao hơn các bộ điều khiển cổ điển. Bài báo đồng thời cập nhật các xu hướng gần đây gồm điều hướng dựa trên mô hình ngôn ngữ/thị giác-ngôn ngữ, điều hướng học đầu-cuối và học liên kết cho hệ đa robot, qua đó đề xuất các định hướng lựa chọn công nghệ cho robot di động thế hệ mới.

THIẾT KẾ HÀM PHẦN THƯỞNG ĐA MỤC TIÊU CHO HỌC TĂNG CƯỜNG TRONG ĐIỆN TOÁN BIÊN HỖ TRỢ ỨNG DỤNG THỰC TẾ ẢO VÀ TĂNG CƯỜNG

2026-07-28T10:46:00+07:00

Quản lý động tài nguyên trong hệ thống điện toán biên đa truy cập (Multi- Access Edge Computing - MEC) phục vụ ứng dụng thực tế ảo và thực tế tăng cường (AR/ VR) đặt ra nhiều thách thức lớn do yêu cầu khắt khe về độ trễ thấp và hiệu quả năng lượng. Học tăng cường sâu (Deep Reinforcement Learning - DRL) đã trở thành cách tiếp cận phổ biến cho bài toán này; tuy nhiên, hiệu năng của DRL phụ thuộc nhiều vào thiết kế hàm phần thưởng. Mục tiêu của bài báo là phân tích và so sánh ba thiết kế hàm phần thưởng đa mục tiêu cho thuật toán Proximal Policy Optimization (PPO) trong môi trường MEC AR/VR, bao gồm: tổng có trọng số tuyến tính (LWS), hàm logarit (LOG) và phương án phân tầng thích ứng (Adaptive Hierarchical - AH) được nhóm tác giả đề xuất. Phương pháp nghiên cứu là xây dựng môi trường mô phỏng MEC AR/VR tùy chỉnh trên Python với 10 thiết bị người dùng và một trạm gốc tích hợp một máy chủ biên duy nhất, sau đó huấn luyện và đánh giá ba phương án trên bốn chỉ số: độ trễ trung bình, năng lượng tiêu thụ, tỷ lệ vi phạm hạn và tốc độ hội tụ; mỗi cấu hình được lặp lại 5 lần với 5 hạt giống ngẫu nhiên khác nhau. Bài báo cũng bổ sung so sánh với ba baseline đơn giản (Random, Greedy battery-aware, AllLocal) và phân tích độ nhạy của tham số trọng số động κ. Kết quả cho thấy hàm phần thưởng AH đề xuất giảm 19% độ trễ trung bình, 27% năng lượng tiêu thụ và 27% tỷ lệ vi phạm hạn so với LWS, đồng thời cho thấy độ ổn định cao trong dải κ rộng.

PHÂN TÍCH HIỆU NĂNG CỦA BỘ LỌC FIR, IIR TRONG XỬ LÝ TÍN HIỆU ĐA PHƯƠNG TIỆN CHO HỆ THỐNG 5G/6G

2026-07-28T10:50:27+07:00

Bài báo này tập trung nghiên cứu hiệu năng của bộ lọc số FIR và IIR trong xử lý tín hiệu đa phương tiện trong hệ thống thông tin di động 5G/6G. Nghiên cứu sử dụng mô hình mô phỏng dựa trên hệ thống ghép kênh phân chia theo tần số trực giao OFDM được xây dựng nhằm đánh giá khả năng khử nhiễu trong điều kiện kênh truyền thực tế, bao gồm nhiễu Gaussian, fading Rayleigh và suy hao môi trường. Hai kịch bản được xem xét: điều kiện chuẩn và môi trường khắc nghiệt (mưa lớn, mật độ người dùng cao). Các chỉ tiêu đánh giá gồm MSE, SNR và BER. Kết quả cho thấy bộ lọc FIR vượt trội về chất lượng tín hiệu, trong khi IIR có ưu thế về hiệu quả tính toán.

TRÍ TUỆ NHÂN TẠO TẠO SINH TRONG TRUYỀN THÔNG SỐ: TỔNG QUAN CÁC HƯỚNG TIẾP CẬN CÔNG NGHỆ VÀ ĐÁNH GIÁ TRẢI NGHIỆM NGƯỜI DÙNG

2026-07-28T11:48:36+07:00

Sự phát triển của trí tuệ nhân tạo (AI) tạo sinh đang làm thay đổi đáng kể hoạt động sản xuất và phân phối nội dung trên môi trường số. Các công nghệ như Mô hình ngôn ngữ lớn, Mô hình khuếch tán và Trí tuệ nhân tạo đa phương thức cho phép tạo ra nhiều dạng nội dung số với mức độ tự động hóa ngày càng cao. Bài báo thực hiện tổng quan tài liệu bán hệ thống nhằm phân tích các hướng tiếp cận công nghệ trí tuệ nhân tạo tạo sinh , các nghiên cứu về Tương tác giữa con người - AI và các mô hình đánh giá trải nghiệm người dùng đối với nội dung do AI tạo ra. Kết quả cho thấy các nghiên cứu hiện nay đang chuyển từ đánh giá mức độ chấp nhận công nghệ sang đánh giá trải nghiệm người dùng thông qua các yếu tố như mức độ tin tưởng, tính chân thực cảm nhận và gắn kết cảm xúc. Đồng thời, xu hướng nghiên cứu mới tập trung vào việc kết hợp chỉ số cảm nhận, chỉ số hành vi và chỉ số hệ thống nhằm xây dựng các khung đánh giá trải nghiệm người dùng toàn diện hơn. Trên cơ sở đó, bài báo đề xuất khung đánh giá trải nghiệm người dùng tích hợp đối với nội dung do AI tạo ra trong môi trường truyền thông số.

THỰC TRẠNG VÀ ĐỀ XUẤT GIẢI PHÁP ỨNG DỤNG CÔNG NGHỆ THÔNG TIN HỖ TRỢ HOẠT ĐỘNG THỂ THAO NGOẠI KHÓA CỦA SINH VIÊN TRƯỜNG ĐẠI HỌC MỞ HÀ NỘI

2026-07-28T11:51:27+07:00

Nghiên cứu này được thực hiện để lựa chọn và đề xuất giải pháp ứng dụng công nghệ thông tin (CNTT) hỗ trợ sinh viên (SV) tập luyện thể thao ngoại khóa (TTNK) tại Trường Đại học Mở Hà Nội. Nghiên cứu được thực hiện dựa trên số liệu thu thập từ kết quả khảo sát 30 nhà chuyên môn, nhà quản lý, giảng viên (GV) và 760 SV năm thứ nhất Trường Đại học Mở Hà Nội đang học tập chương trình môn Giáo dục thể chất (GDTC) tại Nhà trường. Số liệu nghiên cứu được xử lý bằng phần mềm thống kê SPSS 22.0. Kết quả nghiên cứu cho thấy, nhìn chung các nhà quản lý, GV Trung tâm Giáo dục thể chất và Quốc phòng An ninh (GDTC&QPAN) đều đánh giá cao về sự cần thiết ứng dụng CNTT trong giảng dạy môn học GDTC. Tuy nhiên, để đạt được hiệu quả ứng dụng CNTT trong việc hỗ trợ hoạt động TTNK cần phải có những nghiên cứu khoa học cụ thể. Nghiên cứu này là công trình đầu tiên đề xuất các giải pháp ứng dụng CNTT hỗ trợ SV tập luyện TTNK tại Trường Đại học Mở Hà Nội. Kết quả nghiên cứu là tài liệu tham khảo hữu ích dành cho các cá nhân, tập thể quan tâm.