ĐẠI HỌC BÁCH KHOA HÀ NỘI

TRƯỜNG ĐIỆN TỬ - VIỄN THÔNG

ĐỒ ÁN MÔN HỌC
NHẬP MÔN ĐTVT

Đề tài:

Mạch cảm biến chuyển động ứng dụng trong

cửa tự động

Sinh viên thực hiện: Trần Nguyên Phương

Tô Mạnh Quang
Tô Huyền Trang
Đặng Ngọc Mai
Đào Tuấn Anh
LỚP ĐT 01 và 02 - K67
Giảng viên hướng dẫn: PGS.TS. NGUYỄN XUÂN QUYỀN
PGS.TS TRẦN THỊ THANH HẢI

Hà Nội, 3-2023

1
 PHẦN MỞ ĐẦU

Tự động hóa đang là xu thế chung của thế giới hiện nay. Các thiết bị tự động hóa
có khả năng điều khiển từ xa giúp cuộc sống của con người trở nên dễ dàng và thoải
mái hơn. Bắt kịp xu thế đó thì hệ thống thiết bị thông minh nhận diện bằng chuyển
động là một lựa chọn tuyệt vời cho căn nhà của mỗi người.

2
 CHƯƠNG 1. TỔNG QUAN

1.1 Giới thiệu chung về cửa tự động

Trong xã hội văn minh hiện đại, cửa là một bộ phận không thể thiếu được trong
từng công trình kiến trúc. Nhưng hầu hết những loại cửa bình thường mà chúng ta
hay dùng hiện nay lại có những nhược điểm gây phiền toái cho người sử dụng đó là:
cửa thường chỉ đóng mở khi có tác động của con người vào nó. Việc thiết kế ra một
loại cửa tiện ích hơn, đa năng hơn, phục vụ tốt hơn cho đời sống con người là tất
yếu và vô cùng cần thiết. Do vậy, cần thiết kế ra một loại cửa tự động khắc phục tốt
những nhược điểm của cửa thường. Xuất phát từ yêu cầu đó, cửa tự động được thiết
kế là để tạo ra được loại cửa vừa duy trì được những yêu cầu trước đây, vừa khắc
phục những nhược điểm của cửa thông thường. Vì khi sử dụng cửa tự động người
dùng hoàn toàn không phải tác dụng trực tiếp lên cánh cừa mà cửa vẫn tự động mở
theo ý muốn của chúng ta. Đặc biệt, ở những nơi công cộng, công sở, cửa tự động
ngày càng phát huy ưu điểm. Đó là vì cửa tự động sẽ giúp cho lưu thông qua cửa
nhanh chóng dễ dàng cũng như sẽ giảm đi những va chạm khi nhiều người cùng sử
dụng chung một cánh cửa. Chính vì những ưu điểm nổi bật của cửa tự động mà
chúng ta càng phải phát triển ứng dụng của nó rộng rãi hơn, đồng thời nghiên cứu
để cải tiến và nâng cao chất lượng hoạt động của cửa tự động để nó ngày càng hiện
đại hơn, tiện ích hơn.

1.2 Mục tiêu của đồ án

- Giúp người đọc nắm bắt được và hiểu được chi tiết về mạch cảm biến chuyển
động được ứng dụng trong cửa tự động.
- Chỉ ra được những điều hạn chế mới mẻ mà chưa ai khắc phục được cũng như
là ưu điểm của cửa tự động trong cuộc sống ngày này.
- Chỉ ra được những hướng nghiên cứu mới của cửa tự động mà các nhà khoa
học có thể đầu tư và nghiên cúu.
- Giúp hiểu được các bước chế tạo, cách sử dụng mạch cảm biến chuyển động.

3
 CHƯƠNG 2. PHÂN TÍCH VÀ THIẾT KẾ

2.1 Tìm hiểu nhu cầu người dùng

2.2 Đặc tả

2.2.1 Chức năng

2.2.2 Phi chức năng

2.3 Lập kế hoạch

2.4 Thiết kế khối

2.5 Lựa chọn phương án

4
 CHƯƠNG 3. MÔ PHỎNG VÀ TRIỂN KHAI

3.1 Công cụ mô phỏng và kết quả đạt được

3.1.1 Công cụ mô phỏng

3.1.2 Kết quả mô phỏng

3.2 Triển khai sản phẩm thực tế

3.3 Kiểm thử và đánh giá

5
 CHƯƠNG 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

4.1 Kết luận

4.2 Hướng phát triển

6
 TÀI LIỆU THAM KHẢO

[1] https://github.com/ultralytics/yolov5, last accessed at 14:57 on June 24, 2021.

[2] Qing Chen, El-Sawah A., Joslin C., et al. (2005). A dynamic gesture interface for
virtualenvironments based on hidden markov models. IEEE, 109–114, 109–114.
[3] Chen X. and Koskela M. (2013). Online RGB-D gesture recognition with extreme
learning machines. ACM Press, 467–474, 467–474.
[4] Doan H.-G., Vu H., and Tran T.-H. (2017). Dynamic hand gesture recognition
from cyclical hand pattern. IEEE, 97–100, 97–100.
[5] Burges C.J.C. (1998). A Tutorial on Support Vector Machines for Pattern
Recognition. Data Min Knowl Discov, 2(2), 121–167.
[6] Gkioxari G., Girshick R., and Malik J. (2015). Contextual Action Recognition with
R*CNN. IEEE, 1080–1088, 1080–1088.
[7] Cheron G., Laptev I., and Schmid C. (2015). P-CNN: Pose-Based CNN Features
for Action Recognition. IEEE, 3218–3226, 3218–3226.
[8] Simonyan K. and Zisserman A. Two-Stream Convolutional Networks for Action
Recognition in Videos. 9.
[9] Ji S., Xu W., Yang M., et al. (2013). 3D Convolutional Neural Networks for
Human Action Recognition. IEEE Trans Pattern Anal Mach Intell, 35(1), 221–231.
[10] Bishop C.M. (2006), Pattern recognition and machine learning, Springer,
New York.
[11] Becker S. and Lecun Y. (1989). Improving the convergence of back-
propagation learning with second-order methods. Proc 1988 Connect Models
Summer Sch San
Mateo.
[12] Brox T., Bruhn A., Papenberg N., et al. (2004). High Accuracy Optical Flow
Estimation Based on a Theory for Warping. Computer Vision - ECCV 2004.
Springer Berlin Heidelberg, Berlin, Heidelberg, 25–36.
[13] https://github.com/AlexeyAB/darknet, last accessed at 22:35 on June 17, 2021.
[14]https://www.kaggle.com/phamdinhkhanh/convolutional-neural-network-p1, last
accessed at 15:31 on June 14, 2021.

7
[15] https://blog.roboflow.com/yolov5-improvements-and-evaluation/, last accessed
at 17:31 on June 18, 2021.