Giới thiệu dự án

Nông nghiệp là trụ cột kinh tế trọng yếu của Việt Nam, đóng góp khoảng 12-14% GDP quốc gia và tạo sinh kế cho hơn 30% lực lượng lao động. Tuy nhiên, theo thống kê của Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO), sâu bệnh và thiên tai gây thất thoát trung bình từ 20% đến 40% sản lượng cây trồng toàn cầu mỗi năm. Tại Việt Nam, phương thức canh tác truyền thống dựa vào kinh nghiệm cá nhân đang bộc lộ nhiều điểm nghẽn trước tình trạng biến đổi khí hậu phức tạp, xâm nhập mặn và dịch hại mới bùng phát.

+-----------------------------------------------------------------------------------+
|                              HIỆN TRẠNG CANH TÁC TRUYỀN THỐNG                     |
|                                                                                   |
|  [Thiếu dữ liệu thời tiết] --> [Phun thuốc sai loại/liều] --> [Chi phí tăng 30%]   |
|  [Mất cân đối thổ nhưỡng]  --> [Chọn sai giống mùa vụ]   --> [Năng suất giảm 25%]  |
|  [Mù mờ giá thị trường]    --> [Bị thương lái ép giá]    --> [Lợi nhuận bấp bênh]  |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Người nông dân hiện nay đối mặt với 4 điểm nghẽn chính:

  • Chẩn đoán bệnh chậm trễ và sai lệch: Việc nhận diện sâu bệnh qua mắt thường dẫn đến tỷ lệ chẩn đoán sai trên 35%, lạm dụng thuốc bảo vệ thực vật (BVTV), gây tồn dư hóa chất và tăng chi phí mùa vụ.
  • Lựa chọn cây trồng cảm tính: Thiếu công cụ phân tích tương quan giữa các thông số hóa lý của đất (Nitơ, Phốt pho, Kali, pH) với điều kiện khí hậu (nhiệt độ, lượng mưa, độ ẩm), dẫn đến suy kiệt dinh dưỡng đất và thất thu mùa màng.
  • Bất đối xứng thông tin thị trường: Nông dân không nắm bắt kịp thời biến động giá cả nông sản tại các chợ đầu mối, thường xuyên bị ép giá khi vào vụ thu hoạch rộ.
  • Rủi ro thiên tai cực đoan: Thiếu hệ thống cảnh báo thời tiết cục bộ và bản đồ theo dõi bão theo thời gian thực (real-time).

Mục tiêu dự án

  1. Xây dựng mô hình Thị giác máy tính (Computer Vision) ứng dụng mạng nơ-ron tích chập (CNN) MobileNetV2 để nhận diện và chẩn đoán tự động 38 loại bệnh cây trồng từ ảnh chụp lá với độ chính xác trên 95%.
  2. Thiết kế mô hình Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) để khuyến nghị 22 loại cây trồng tối ưu dựa trên 7 thông số nông hóa học đầu vào (N, P, K, Nhiệt độ, Độ ẩm, pH, Lượng mưa).
  3. Phát triển ứng dụng di động đa nền tảng (Cross-platform) hoàn chỉnh trên nền tảng Flutter & Dart, tích hợp hệ thống xác thực và cơ sở dữ liệu thời gian thực Google Firebase.
  4. Xây dựng dịch vụ Microservice Backend bằng Python (Flask) triển khai trên hạ tầng đám mây Amazon Web Services (AWS EC2) phục vụ việc trích xuất và phân tích biến động giá cả thị trường nông sản tại TP. Hồ Chí Minh.
  5. Tích hợp bản đồ khí tượng thủy văn theo dõi bão thời gian thực từ Windy API/iframe và kết nối cộng đồng nông nghiệp - chuyên gia trực tuyến.

Giải pháp kỹ thuật và kết quả kỳ vọng

Dự án đề xuất hệ sinh thái ứng dụng di động MobiAgri (hay Planty), kết hợp chặt chẽ giữa Edge AI/Cloud AI và Mobile Architecture:

  • Thời gian suy luận (Inference Latency) chẩn đoán bệnh dưới 1.2 giây/ảnh.
  • Đưa ra giải pháp điều trị chi tiết, phân loại thuốc BVTV được phép lưu hành và cấm lưu hành theo danh mục của Bộ Nông nghiệp & PTNT.
  • Tối ưu hóa 100% quyết định chọn giống cho 22 nhóm cây lương thực, cây ăn quả và cây công nghiệp phổ biến.
  • Giảm thiểu rủi ro kinh tế nhờ biểu đồ biến động giá 3 tháng gần nhất tại các chợ đầu mối TP.HCM.

Phạm vi và giới hạn đề tài

  • Phạm vi dữ liệu hình ảnh: Tập dữ liệu chuẩn PlantVillage bao gồm các loại cây chủ lực (cà chua, khoai tây, táo, ngô, nho,...).
  • Phạm vi khuyến nghị giống: 22 loại cây trồng nhiệt đới và ôn đới tại Việt Nam (Lúa, Ngô, Đay, Bông, Dừa, Đu đủ, Cam, Táo, Dưa lưới, Dưa hấu, Nho, Xoài, Chuối, Lựu, Đậu lăng, Đậu đen, Đậu xanh, Đậu cô ve, Đậu cánh, Đậu thận, Đậu gà, Cà phê).
  • Phạm vi dữ liệu thị trường: 13 loại nông sản tiêu biểu tại khu vực TP. Hồ Chí Minh (Rau muống, Cải xanh, Khổ qua, Cam sành, Xoài cát Hòa Lộc, Bưởi da xanh,...).
  • Giới hạn: Hệ thống yêu cầu kết nối mạng Internet để đồng bộ dữ liệu thị trường, bản đồ bão và thực hiện suy luận mô hình qua RESTful API.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các giải pháp hiện nay

Tiêu chí Canh tác truyền thống Ứng dụng quốc tế (Plantix, LeafDoctor) Hệ thống MobiAgri (Đồ án)
Nhận diện bệnh cây Dựa vào mắt thường (Sai số > 35%) CNN AI (Chính xác ~90-95%) MobileNetV2 CNN (Độ chính xác > 96%)
Khuyến nghị cây trồng Thói quen địa phương Không hỗ trợ hoặc rất hạn chế ANN 3 tầng ẩn phân tích 7 chỉ số NPK-Khí hậu
Giá cả thị trường Phụ thuộc thương lái Không có dữ liệu nội địa Việt Nam Cập nhật dữ liệu chợ đầu mối TP.HCM theo tháng
Cảnh báo thiên tai Bản tin truyền hình định kỳ Widget thời tiết cơ bản Radar bão tương tác trực quan (Windy Engine)
Danh mục thuốc BVTV Cửa hàng vật tư tư vấn Danh mục thuốc quốc tế Phân loại rõ: Được phép / Cấm lưu hành tại VN
Kết nối chuyên gia Hội thảo khuyến nông định kỳ Diễn đàn chung quốc tế Phân quyền Role-based (User / Expert / Admin)

Phân tích yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc có): Chụp/tải ảnh chẩn đoán bệnh cây bằng AI; Nhập chỉ số đất để khuyến nghị cây trồng; Tra cứu thời tiết cục bộ; Xác thực người dùng (Firebase Auth).
  • Should have (Nên có): Biểu đồ biến động giá nông sản 3 tháng; Radar theo dõi bão thời gian thực; Tra cứu chi tiết hoạt chất thuốc BVTV và mức độ độc hại; Diễn đàn tương tác cộng đồng.
  • Could have (Có thể có): Kết nối chat 1-1 trực tiếp với kỹ sư/Thạc sĩ nông nghiệp; Phân hệ quản trị Admin quản lý danh mục cây trồng, bài đăng và người dùng.
  • Won't have (Chưa phát triển trong giai đoạn này): Điều khiển tự động hóa thiết bị tưới tiêu IoT; Mua bán thương mại điện tử trực tiếp trên ứng dụng.

Thiết kế hệ thống

Technology Stack chi tiết

Thành phần Công nghệ / Thư viện Phiên bản Vai trò kỹ thuật
Mobile Frontend Flutter Framework 3.19.x Xây dựng UI đa nền tảng, biên dịch native code không qua JavaScript bridge.
Programming Language Dart 3.3.x Quản lý luồng bất đồng bộ (Future, Stream), tối ưu bộ nhớ qua Garbage Collector.
Cloud Backend Python / Flask Python 3.10 / Flask 2.3 Microservice xử lý logic suy luận AI, tính toán xu hướng giá và routing API.
Deep Learning TensorFlow / Keras 2.15.0 Huấn luyện mô hình Transfer Learning MobileNetV2 và Mạng Nơ-ron ANN.
Database & Auth Google Firebase Cloud Firestore & Auth SDK Lưu trữ NoSQL thời gian thực, quản lý phiên đăng nhập OAuth và Email.
Cloud Infrastructure Amazon Web Services AWS EC2 (Ubuntu 22.04 LTS) Host backend server Flask và lưu trữ weights mô hình .h5 / .tflite.
Meteorology API Windy API & OpenWeather RESTful / Webview Integration Bản đồ radar bão và số liệu thời tiết chi tiết 5 ngày.

Thiết kế Database Schema (NoSQL Cloud Firestore)

  • users: { uid: string, email: string, displayName: string, role: "user" | "expert" | "admin", avatarUrl: string, createdAt: timestamp }
  • crops: { cropId: string, name: string, description: string, scientificName: string, environment: object, cultivationTech: string, pestsAndDiseases: array }
  • medicines: { medId: string, name: string, activeIngredient: string, concentration: string, manufacturer: string, category: "allowed" | "banned", usage: string, safetyNotice: string }
  • community_posts: { postId: string, authorId: string, authorName: string, content: string, imageUrls: array, likesCount: number, comments: array, createdAt: timestamp }
  • expert_profiles: { expertId: string, degree: string, title: string, specialization: string, organization: string, achievements: array, contactPhone: string }

Thiết kế API Endpoints chính

POST   /api/v1/ai/predict-disease      - Input: multipart/form-data (image)
                                       - Output: { success: bool, disease_name: string, confidence: float, treatment: string }

POST   /api/v1/ai/recommend-crop       - Input: JSON { N: float, P: float, K: float, temperature: float, humidity: float, ph: float, rainfall: float }
                                       - Output: { success: bool, recommended_crop: string, input_summary: object }

GET    /api/v1/market/prices           - Input Query: ?month=11&year=2024
                                       - Output: { items: [ { name: string, price: int, unit: "VND/kg", trend: "Tăng"|"Giảm"|"Giữ nguyên" } ] }

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển phần mềm linh hoạt (Agile/Scrum) với các Sprint kéo dài 2 tuần:

  • Giai đoạn 1 (Tuần 1 - Tuần 3): Khảo sát nông hộ, thu thập và tiền xử lý bộ dữ liệu PlantVillage & Bộ dữ liệu nông hóa NPK; Huấn luyện và đánh giá mô hình học sâu.
  • Giai đoạn 2 (Tuần 4 - Tuần 6): Thiết kế API Flask, xây dựng kiến trúc Cloud EC2; Tích hợp Firebase Auth và Cloud Firestore.
  • Giai đoạn 3 (Tuần 7 - Tuần 10): Phát triển giao diện Flutter (UI/UX 14 màn hình chức năng), tích hợp camera native và kết nối RESTful API.
  • Giai đoạn 4 (Tuần 11 - Tuần 12): Kiểm thử hộp trắng/hộp đen, đánh giá độ trễ mô hình và UAT với 20 người dùng thử nghiệm.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Xây dựng mô hình phân loại bệnh cây bằng MobileNetV2 (Transfer Learning)

MobileNetV2 sử dụng kỹ thuật Depthwise Separable Convolutions và Inverted Residual Blocks với Linear Bottlenecks, giúp giảm số lượng phép tính FLOPs xuống chỉ bằng 10-15% so với các mạng CNN truyền thống như VGG16 hay ResNet50 mà vẫn duy trì độ chính xác cao trên thiết bị di động.

import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau

def build_plant_disease_model(num_classes=38, input_shape=(224, 224, 3)):
    # Khởi tạo base model MobileNetV2 với weights ImageNet
    base_model = MobileNetV2(weights='imagenet', include_top=False, input_shape=input_shape)
    base_model.trainable = False  # Freeze feature extraction layers
    
    # Kiến trúc Classification Head tùy chỉnh
    x = base_model.output
    x = GlobalAveragePooling2D(name='global_avg_pool')(x)
    x = Dense(256, activation='relu', name='dense_feature_extractor')(x)
    x = Dropout(0.3, name='dropout_regularization')(x)
    predictions = Dense(num_classes, activation='softmax', name='output_layer')(x)
    
    model = Model(inputs=base_model.input, outputs=predictions)
    
    model.compile(
        optimizer=Adam(learning_rate=0.001),
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

# Cấu hình Callbacks tối ưu hóa quá trình hội tụ
callbacks = [
    EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True, verbose=1),
    ModelCheckpoint(filepath='best_mobilenet_plant_model.h5', monitor='val_accuracy', save_best_only=True),
    ReduceLROnPlateau(monitor='val_loss', factor=0.2, patience=3, min_lr=1e-6, verbose=1)
]

2. Xây dựng mô hình khuyến nghị cây trồng (Artificial Neural Network)

Mô hình xử lý 7 thông số đầu vào liên tục ($N, P, K, T, H, pH, R$), đi qua các tầng ẩn nhiều lớp với hàm kích hoạt Rectified Linear Unit (ReLU) và Dropout để chống quá khớp (Overfitting).

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

# Tiền xử lý dữ liệu nông hóa
def preprocess_crop_data(csv_path):
    df = pd.read_csv(csv_path)
    X = df[['N', 'P', 'K', 'temperature', 'humidity', 'ph', 'rainfall']].values
    y = df['label'].values
    
    encoder = LabelEncoder()
    y_encoded = encoder.fit_transform(y)
    
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)
    
    return train_test_split(X_scaled, y_encoded, test_size=0.2, random_state=42), encoder, scaler

# Xây dựng mạng Nơ-ron nhân tạo ANN
def create_crop_recommendation_ann(input_dim=7, num_crops=22):
    model = Sequential([
        Dense(256, activation='relu', input_shape=(input_dim,)),
        Dropout(0.2),
        Dense(128, activation='relu'),
        Dropout(0.2),
        Dense(64, activation='relu'),
        Dense(num_crops, activation='softmax')
    ])
    
    model.compile(
        optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

3. Tích hợp Flutter RESTful Client với Backend

Đoạn mã Dart xử lý việc gửi luồng ảnh nhị phân từ camera thiết bị đến microservice Flask:

import 'dart:convert';
import 'dart:io';
import 'package:http/http.dart' as http;

class DiseaseDetectionService {
  static const String _endpoint = 'https://api.mobiagri.ai/v1/ai/predict-disease';

  Future<Map<String, dynamic>> analyzePlantLeaf(File imageFile) async {
    try {
      var request = http.MultipartRequest('POST', Uri.parse(_endpoint));
      request.files.add(await http.MultipartFile.fromPath('image', imageFile.path));
      
      var streamedResponse = await request.send().timeout(const Duration(seconds: 10));
      var response = await http.Response.fromStream(streamedResponse);

      if (response.statusCode == 200) {
        return jsonDecode(utf8.decode(response.bodyBytes)) as Map<String, dynamic>;
      } else {
        throw Exception('Server error with status: ${response.statusCode}');
      }
    } catch (e) {
      throw Exception('Failed to connect to AI server: $e');
    }
  }
}

Kiểm thử và đánh giá hiệu năng (Testing & Validation)

+-----------------------------------------------------------------------------------+
|                        KẾT QUẢ HUẤN LUYỆN VÀ SUY LUẬN AI                          |
|                                                                                   |
|  [MobileNetV2 CNN]   --> Accuracy: 96.84% | Loss: 0.112 | Inference: 142ms/img    |
|  [Crop Recommend ANN]--> Accuracy: 98.18% | Loss: 0.054 | Latency: 18ms/req       |
+-----------------------------------------------------------------------------------+

Kết quả Benchmark mô hình

Mô hình Tập dữ liệu Kích thước Input Số lớp (Classes) Độ chính xác (Accuracy) Kích thước file model
MobileNetV2 (AI Bác sĩ cây) PlantVillage (54,305 ảnh) $224 \times 224 \times 3$ 38 bệnh 96.84% 14.2 MB (.tflite: 3.8 MB)
Mạng ANN (Khuyến nghị cây) Dữ liệu nông hóa 2,200 mẫu 7 tham số 22 cây trồng 98.18% 1.1 MB (.tflite: 320 KB)

Kết quả thử nghiệm tải và độ trễ hệ thống (Stress Testing)

  • API Response Time: Trung bình 320ms trên hạ tầng AWS EC2 t3.medium khi chịu tải 100 requests đồng thời.
  • Client Frame Rate: Ứng dụng Flutter duy trì ổn định 60 FPS trên các dòng máy Android tầm trung (Snapdragon 680, 4GB RAM).
  • Độ hài lòng người dùng (UAT): Điểm đánh giá trung bình đạt 4.65/5.0 dựa trên phản hồi của 20 nông hộ tại Củ Chi và Hóc Môn về độ mượt mà của giao diện và tính chuẩn xác của khuyến nghị.

Đổi mới và đóng góp

  1. Kiến trúc tích hợp All-in-One cho Nông nghiệp Việt Nam: Không đơn thuần là một công cụ nhận diện bệnh hay một bảng giá đơn lẻ, MobiAgri kết hợp toàn diện 4 trụ cột: Chẩn đoán bệnh AI + Khuyến nghị thổ nhưỡng + Cảnh báo thiên tai + Minh bạch thị trường.

  2. Cơ chế suy luận cân bằng dinh dưỡng đất 7 chiều: Mô hình ANN không chỉ dựa trên kinh nghiệm đơn biến mà giải quyết bài toán tối ưu hóa đa biến ($N, P, K, T, H, pH, R$), giúp hạn chế tình trạng chua hóa đất do bón thừa phân vô cơ.

  3. Bản đồ khí tượng động và danh mục thuốc bản địa hóa: Tích hợp trực tiếp radar bão tương tác và bóc tách dữ liệu hoạt chất thuốc bảo vệ thực vật theo chuẩn quy định hiện hành của Cục Bảo vệ Thực vật Việt Nam, giảm nguy cơ nông dân sử dụng nhầm thuốc trong danh mục cấm.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Real-World Use Cases)

[!NOTE] Kịch bản Canh tác Cà chua tại Lâm Đồng: Nông dân phát hiện đốm nâu lạ trên lá. Mở ứng dụng MobiAgri -> Chụp ảnh -> Trong 1.2 giây, AI chẩn đoán bệnh Đốm lá vi khuẩn (Bacterial Spot) với độ tin cậy 94.8% -> Ứng dụng hiển thị ngay biện pháp cách ly, danh mục thuốc gốc Đồng được phép lưu hành và hướng dẫn liều lượng pha chuẩn.

[!TIP] Kịch bản Chuyển đổi Cơ cấu Cây trồng tại Bình Phước: Nông dân nhập chỉ số kiểm tra đất ($N=90, P=42, K=43, pH=6.5$) cùng lượng mưa trung bình vùng -> Hệ thống ANN phân tích và gợi ý chuyển đổi sang Cây Cà phê hoặc Cây Cam sành, kèm phân tích giá bán 3 tháng gần nhất để ra quyết định đầu tư.

Chiến lược vận hành và khả năng mở rộng (Scalability)

  • Frontend: Phân phối gói cài đặt .apk và .ipa gọn nhẹ (< 25MB) tối ưu qua ProGuard và Tree Shaking của Dart.
  • Backend Containerization: Đóng gói Flask App vào Docker Container, triển khai qua AWS ECS / EKS kết hợp AWS Application Load Balancer để tự động mở rộng theo lưu lượng thực tế.
  • Cơ chế Offline-First: Lưu trữ cache dữ liệu thời tiết và danh mục kỹ thuật canh tác vào SQLite cục bộ trên điện thoại, đảm bảo nông dân vẫn tra cứu được thông tin khi mất sóng ngoài đồng ruộng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Mô hình nhận diện bệnh cây xử lý tốt nhất trên từng lá đơn lẻ trên phông nền đơn giản; độ chính xác có thể giảm khi chụp cả tán cây trong điều kiện thiếu sáng hoặc lá bị dính bùn đất.
  • Dữ liệu giá cả thị trường mới tập trung chủ yếu tại các chợ đầu mối khu vực Thành phố Hồ Chí Minh, chưa phủ khắp các tỉnh miền Bắc và miền Trung.
  • Chưa tích hợp phần cứng cảm biến IoT thu thập tự động chỉ số NPK tại hiện trường.

Hướng phát triển tương lai

  1. Nâng cấp mô hình thị giác máy tính sang YOLOv9 / YOLOv10 để phát hiện cùng lúc nhiều vị trí bệnh hại trên toàn bộ thân cây.
  2. Tích hợp mô hình ngôn ngữ lớn (LLM - Large Language Model) với kỹ thuật RAG (Retrieval-Augmented Generation) để xây dựng Trợ lý ảo AI tư vấn nông nghiệp 24/7.
  3. Kết nối với hệ thống trạm quan trắc IoT để tự động đồng bộ độ ẩm đất và nồng độ NPK không cần nhập thủ công.

Đối tượng hưởng lợi

  • Nông dân và Chủ trang trại: Tiết kiệm 20-30% chi phí phân bón/thuốc trừ sâu, giảm thiểu rủi ro mất mùa, nâng cao năng suất và bán đúng giá thị trường.
  • Sinh viên & Lập trình viên di động: Là tài liệu tham khảo thực tế về việc kết nối Flutter với các mô hình Deep Learning (TensorFlow/Keras) và kiến trúc NoSQL Firebase.
  • Nhà nghiên cứu Nông học & Trí tuệ nhân tạo: Kế thừa cấu trúc mạng ANN tối ưu cho bài toán khuyến nghị cây trồng dựa trên vector đặc trưng nông hóa học.
  • Cơ quan quản lý nông nghiệp: Công cụ hỗ trợ tuyên truyền danh mục thuốc BVTV được phép sử dụng, hướng tới nền nông nghiệp sạch và phát triển bền vững.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu phần cứng và môi trường để triển khai hệ thống là gì?

  • Client (Thiết bị di động): Android 8.0 trở lên hoặc iOS 12.0 trở lên, có camera tối thiểu 5MP và kết nối mạng 3G/4G/Wi-Fi.
  • Server: Máy chủ Linux (Ubuntu 20.04/22.04 LTS), tối thiểu 2 vCPU, 4GB RAM (AWS EC2 t3.medium hoặc tương đương), hỗ trợ môi trường Python 3.10+ và TensorFlow 2.15.

2. Hệ thống xử lý thế nào khi lượng người dùng tăng đột biến trong mùa dịch bệnh?

Hệ thống tận dụng kiến trúc Stateless Microservices của Flask. Khi tải tăng, AWS Auto Scaling Group sẽ tự động khởi tạo thêm các EC2 Instances đằng sau Load Balancer. Đồng thời, Firestore hỗ trợ khả năng scale hàng triệu kết nối đồng thời với độ trễ dưới 100ms.

3. Có thể tích hợp hệ thống với các cảm biến IoT nông nghiệp có sẵn không?

Hoàn toàn khả thi. Backend Flask đã được thiết kế sẵn các REST API mở, cho phép các vi điều khiển như ESP32 / Arduino gửi gói tin JSON chứa số đo cảm biến độ ẩm, pH và NPK trực tiếp lên server để kích hoạt hàm gợi ý cây trồng theo thời gian thực.

4. Hệ thống cần bảo trì và cập nhật những gì định kỳ?

  • Cập nhật định kỳ bộ dữ liệu giá cả nông sản hằng tuần/hằng tháng.
  • Huấn luyện lại (Retrain) mô hình AI nhận diện bệnh định kỳ 6 tháng một lần khi bổ sung thêm các mẫu lá cây chụp thực tế tại các vùng khí hậu Việt Nam.
  • Cập nhật danh mục thuốc BVTV cấm lưu hành theo các thông tư mới nhất của Bộ Nông nghiệp & PTNT.

5. Chi phí ước tính và thời gian hoàn vốn (ROI) cho một hợp tác xã nông nghiệp?

  • Chi phí vận hành công nghệ: Khoảng 30 - 50 USD/tháng cho hạ tầng AWS và Firebase (ở quy mô 5,000 - 10,000 người dùng).
  • Hiệu quả kinh tế: Giảm 25% tỷ lệ hư hại mùa màng và tiết kiệm 3,000,000 - 5,000,000 VND/ha tiền thuốc BVTV mỗi vụ. Thời gian thu hồi vốn đầu tư chuyển đổi số ước tính chỉ từ 4 đến 6 tháng.

Kết luận

Đồ án chuyên ngành "Ứng dụng di động hỗ trợ nông dân chăm sóc cây trồng" (MobiAgri) của sinh viên Khoa Công nghệ Thông tin - Học viện Hàng không Việt Nam là một giải pháp công nghệ toàn diện, kết hợp xuất sắc giữa kỹ thuật phát triển ứng dụng di động hiện đại (Flutter & Dart), dịch vụ đám mây thời gian thực (Firebase & AWS) và các thuật toán học sâu tiên tiến (MobileNetV2 & ANN).

Dự án không chỉ giải quyết trọn vẹn bài toán học thuật về tối ưu hóa mô hình AI trên thiết bị di động với độ chính xác trên 96%, mà còn mang giá trị thực tiễn to lớn trong việc số hóa quy trình canh tác, bảo vệ mùa màng và gia tăng thu nhập cho người nông dân Việt Nam. Đây là nền tảng vững chắc hướng tới việc xây dựng mô hình nông nghiệp thông minh (Smart Agriculture) bền vững trong kỷ nguyên chuyển đổi số quốc gia.