Sứ mệnh & Vai trò

• Nghiên cứu & triển khai AI/Computer Vision cho vận hành sân bay.
• Tự chủ thuật toán, làm chủ hạ tầng, dữ liệu & bảo mật.
• Thí điểm → chuẩn hóa → mở rộng toàn sân bay.

Tổ có 3 thành viên thường trực, phối hợp chặt chẽ với Khối Khai thác, An ninh, CNTT.

Phát hiện dị vật FOD trên đường băng

• YOLO: đạt kết quả bước đầu ở điều kiện ban ngày, trời quang.
• Hạn chế: nhiễu do glare, mưa, ban đêm, sương mù, vật thể rất nhỏ.
• Hướng cải tiến:
  • Tăng cường dữ liệu: low-light, fog/haze, rain; synthetic augmentation.
  • Kết hợp anomaly detection (PatchCore/PaDiM), teacher-student, background modeling.
  • Fusion cảm biến: IR/thermal (khi khả thi); multi-view/tracklet xác nhận.

Kỳ vọng vận hành

• Cảnh báo sớm, giảm rủi ro FOD; hỗ trợ quy trình kiểm tra đường băng.
• Dashboard hiển thị vị trí nghi vấn, ảnh minh chứng, timeline sự kiện.
• API tích hợp: nhật ký an toàn bay, quy trình xử lý hiện trường.

Điểm danh & Chào mừng đại biểu

• Nhận diện khuôn mặt, hiển thị lời chào cá nhân hóa trên màn hình.
• Đã áp dụng tại Đại hội đại biểu ACV; tốc độ nhận diện nhanh, trải nghiệm tốt.
• Quyền riêng tư: lưu ảnh/embedding theo chính sách; kiểm soát truy cập & audit log.

Lợi ích

• Chuyên nghiệp hóa khâu đón tiếp; tự động hóa điểm danh.
• Dễ dàng thống kê, báo cáo, truy vết theo ca/sự kiện.
• Có thể mở rộng cho kiểm soát truy cập nội bộ.

Nguyên lý đo thời gian

• Camera làn vào phát hiện khuôn mặt/đặc trưng → gán mã nhận diện tạm.
• Camera làn ra match cùng đối tượng → tính delta thời gian chờ.
• Ẩn danh hóa ID; chỉ lưu số liệu thống kê & ảnh minh chứng theo quy định.

Ứng dụng & KPI

• Hiển thị thời gian chờ theo làn/khu vực, theo khung giờ.
• Hỗ trợ bố trí nhân sự (staffing), tối ưu bố cục làn.
• KPI: Thời gian chờ, độ chính xác matching, tỉ lệ coverage.

Đếm khách tại quầy check-in

• Phát hiện & tracking người; đếm theo ROI từng quầy/khu vực.
• Hiển thị heatmap, cảnh báo đông/vắng theo ngưỡng.
• Đồng bộ thời gian thực lên dashboard vận hành.

Tầm nhìn "toàn trình"

• Ước lượng thời gian tối thiểu cần thiết từ lúc vào ga → boarding.
• Hợp nhất dữ liệu từ check-in, security, boarding để dự báo.
• API cung cấp thông tin cho hành khách & đối tác dịch vụ.

Mục tiêu

• Dùng segmentation tách bề mặt đường băng/khu vực an toàn.
• Dùng BLIP mô tả ngữ cảnh để suy luận vật thể lạ.

Kết quả & Bài học

• Kết quả không ổn định, mô tả cảnh không đủ chi tiết cho FOD nhỏ.
• Latency cao; thiếu tín hiệu cho vật rất nhỏ / low-contrast.
• Quyết định: tạm dừng hướng này, chuyển nền tảng khác.

Ưu điểm

• Segmentation chính xác: SAM tách bề mặt đường băng rõ ràng.
• BLIP mô tả ngữ cảnh: Hiểu được tình huống tổng thể.
• Kết hợp hiệu quả: SAM + BLIP bổ sung cho nhau.

Nhược điểm

• FOD nhỏ khó phát hiện: Vật thể rất nhỏ bị bỏ qua.
• Latency cao: Xử lý chậm cho ứng dụng real-time.
• Low-contrast kém: Vật thể mờ nhạt khó nhận diện.

Mục tiêu

• So sánh từng khung với nền tham chiếu để tìm khác biệt.
• Phát hiện vật thể lạ dựa trên sự khác biệt pixel.

Kết quả & Bài học

• Nhạy nhiễu: mưa, gió, chói sáng, bóng mây, rung camera.
• Không đủ robust quy mô lớn.
• Quyết định: chuyển background modeling.

Vấn đề chính

• Nhạy cảm với nhiễu: Mưa, gió, chói sáng gây nhiễu.
• Sai khác ánh sáng: Thay đổi điều kiện chiếu sáng.
• Rung camera: Chuyển động nhỏ gây false positive.

Kết quả thử nghiệm

• Threshold: Khó điều chỉnh ngưỡng phù hợp.
• Background: Nền tham chiếu không ổn định.
• Foreground: Nhiều nhiễu, ít tín hiệu thực.

Mục tiêu

• Học tái tạo nền sạch rồi phát hiện sai khác.
• Autoencoder cơ bản vs U-Net Autoencoder sâu hơn.

Kết quả & Bài học

• AE cơ bản mất chi tiết; U-Net AE sâu hơn khó hội tụ/over-smooth.
• Nhạy thay đổi ánh sáng; cần nhiều dữ liệu nền chuẩn.
• Quyết định: cân nhắc anomaly feature-based thay vì tái tạo ảnh.

Kết quả Reconstruction Tốt

• Reconstruction chính xác: Autoencoder tái tạo tốt background.
• FOD được phát hiện: Vật thể lạ tạo ra reconstruction error cao.
• Ổn định: Kết quả nhất quán trong điều kiện bình thường.

Điều kiện thành công

• Background ổn định: Không có thay đổi lớn về ánh sáng.
• Camera tĩnh: Không có rung động hoặc chuyển động.
• FOD rõ ràng: Vật thể có contrast tốt với nền.

Kết quả Reconstruction Kém

• Reconstruction error cao: Autoencoder không tái tạo tốt background.
• False positive: Nhiều cảnh báo sai do reconstruction kém.
• Không ổn định: Kết quả thay đổi liên tục.

Nguyên nhân thất bại

• Background thay đổi: Ánh sáng, thời tiết thay đổi nhanh.
• Camera rung: Chuyển động nhỏ gây nhiễu.
• FOD mờ: Vật thể có contrast thấp với nền.

Mục tiêu

• Học vector đặc trưng per-zone trên nền sạch để bắt patch bất thường.
• Phù hợp cho camera tĩnh, điều kiện ổn định.

Kết quả & Bài học

• Hiệu quả khi camera tĩnh, điều kiện ổn định.
• Camera di động: đặc trưng thay đổi → khó học/lẫn lộn.
• Quyết định: giới hạn cho preset tĩnh hoặc khóa view theo preset.

Kết quả Phát hiện Tốt

• Training khu vực nhất định: PatchCore học tốt đặc trưng nền.
• FOD được phát hiện rõ: Vật thể lạ có anomaly score cao.
• False positive thấp: Ít cảnh báo sai trong điều kiện tương tự.

Điều kiện thành công

• Camera tĩnh: Góc nhìn không thay đổi.
• Khu vực cố định: Training trên vùng nhỏ, đồng nhất.
• Điều kiện ổn định: Ánh sáng, nền không thay đổi nhiều.

Kết quả Phát hiện Kém

• Training toàn đường băng: PatchCore khó học đặc trưng đa dạng.
• False positive cao: Không có FOD vẫn báo sai lệch cao.
• Không ổn định: Nhiều vùng bị đánh dấu sai.

Nguyên nhân thất bại

• Khu vực quá rộng: Đường băng có nhiều vùng đặc trưng khác nhau.
• Đa dạng nền: Vết bẩn, vết mòn, các dải khác nhau.
• Overfitting/Underfitting: Model không tổng quát hóa tốt.

Mục tiêu

• Khử pattern lưới/nhiễu tuần hoàn làm nổi FOD nhỏ.
• Cải thiện tín hiệu cho vật thể nhỏ, low-contrast.

Kết quả & Bài học

• Mắt người nhìn rõ hơn, nhưng mô hình chưa tận dụng tốt.
• Cần kết hợp detector/anomaly và chuẩn hóa theo camera.

Kết quả Xử lý

• FFT Magnitude: Phát hiện tần số nhiễu tuần hoàn trong miền tần số.
• Notch Mask: Tạo mask để lọc bỏ tần số nhiễu cụ thể.
• FFT Notch Result: Ảnh sau khi áp dụng notch filter, giảm nhiễu lưới.

Ưu & Nhược điểm

• Ưu điểm: Khử nhiễu lưới/pattern tuần hoàn hiệu quả, cải thiện độ rõ.
• Nhược điểm: Cần điều chỉnh tham số cho từng camera, chưa tận dụng tốt cho ML.
• Tiềm năng: Kết hợp với detector/anomaly để tăng độ chính xác.

Ý tưởng

• Web app ONVIF điều khiển preset → quét theo kịch bản khu vực.
• Mỗi khu vực có model riêng để hiểu context & pattern.

Lợi ích & Yêu cầu

• Ổn định khung nhìn → dùng PatchCore per-zone.
• Quản lý lịch quét, đồng bộ thời gian, lưu preset, giám sát drift.

Tính năng ONVIF

• PTZ Controller: Điều khiển camera PTZ từ xa qua giao thức ONVIF.
• Patrol Snapshot: Tự động chụp ảnh theo lịch quét preset.
• Preset Management: Lưu và quản lý các vị trí camera cố định.

Lợi ích Tích hợp

• Hỗ trợ xử lý ảnh: Thu thập dữ liệu đồng nhất cho ML.
• Nâng cấp camera thông minh: Tận dụng camera PTZ có sẵn.
• Tiết kiệm chi phí: Không cần mua thêm camera cố định.

Pipeline đề xuất

• PatchCore per-zone sinh ROI (ngưỡng động theo điều kiện).
• YOLO chạy tập trung trên ROI để xác nhận/loại.
• Tracklet ngắn hạn để giảm báo giả đơn lẻ.
• Homography transform: Cung cấp cái nhìn giả lập bird's eye view.

Kế hoạch thử nghiệm

• Thiết lập preset cố định; thu dữ liệu nền sạch theo giờ/thời tiết.
• A/B: Hybrid vs YOLO thuần (đêm/sương mù).
• Dashboard minh chứng: trước/sau, heatmap, log sự kiện.
• Homography: Theo dõi bề mặt đường băng trực quan, định vị FOD chính xác.

Roadmap kỹ thuật

• Tối ưu mô hình ban đêm & sương mù (low-light enhancement, dehaze, thermal fusion).
• Nâng cấp hệ thống đa camera, đồng bộ thời gian & calibration.
• Chuẩn hóa pipeline dữ liệu, nhãn & đánh giá; MLOps + A/B.

Đề xuất hỗ trợ

• Hạ tầng GPU/edge, camera phù hợp từng bài toán.
• Ngân sách dữ liệu & anotations; phối hợp hiện trường.
• Hợp tác với đối tác tư vấn công nghệ (AI leader, Tiến sỹ).