Giới thiệu dự án

Nông nghiệp công nghệ cao và mô hình canh tác trong nhà màng, nhà lưới đang là xu thế tất yếu nhằm kiểm soát vi khí hậu và tối ưu hóa năng suất cây trồng. Trong đó, cây dưa chuột (Cucumis sativus L.) là loại rau ăn quả ngắn ngày có giá trị thương phẩm cao. Tuy nhiên, môi trường nhiệt đới ẩm kèm độ ẩm không khí cao trong nhà màng là điều kiện lý tưởng cho nấm phấn trắng (Podosphaera fusca / Erysiphe cichoracearum) bùng phát. Theo thống kê của FAO và Viện Bảo vệ Thực vật, bệnh phấn trắng có thể gây suy giảm 30% - 50% năng suất nếu không được phát hiện và xử lý trong 7 ngày đầu khởi phát.

       +-------------------------------------------------------------+
       |   NẤM PHẤN TRẮNG TRÊN LÁ DƯA CHUỘT (Podosphaera fusca)      |
       +-------------------------------------------------------------+
                                     |
             +-----------------------+-----------------------+
             |                                               |
             v                                               v
  Giai đoạn 1 (1 - 3 ngày)                       Giai đoạn 2 (7 - 14 ngày)
  • Vết đốm trắng li ti (d < 2mm)                • Màng phấn trắng phủ kín phiến lá
  • Khó nhận biết bằng mắt thường                • Diệp lục bị phá hủy, lá héo rũ
  • Dễ trị, thiệt hại < 5%                       • Lây lan toàn vườn, thiệt hại > 40%

Vấn đề thực tiễn và điểm nghẽn kỹ thuật

  1. Giám sát thủ công thiếu hiệu quả: Phương pháp kiểm tra thủ công phụ thuộc vào kinh nghiệm người nông dân, tốn nhiều nhân công (trung bình 30 - 45 triệu VNĐ/vụ cho diện tích 1.000m²) và dễ bỏ sót ở giai đoạn khởi phát khi các đốm trắng chỉ có kích thước dưới 2mm.
  2. Chi phí giải pháp ngoại nhập đắt đỏ: Các hệ thống robot AGV tích hợp thị giác máy tính từ Israel, Hà Lan có giá thành từ 200 - 500 triệu VNĐ, vượt quá khả năng tài chính của các hợp tác xã và nông hộ vừa và nhỏ tại Việt Nam.
  3. Môi trường ánh sáng phức tạp: Cường độ ánh sáng trong nhà màng biến thiên mạnh, nhiều vùng bóng đổ từ giàn leo gây sai số lớn cho các thuật toán phân ngưỡng màu sắc truyền thống (như HSV, RGB thresholding).

Mục tiêu của dự án

  1. Thiết kế phần cứng: Chế tạo robot giám sát di động nhỏ gọn, dẫn động bằng động cơ DC Servo GM25-370 kết hợp cơ cấu trục vít-me nâng hạ camera qua RC Servo MG996R, đảm bảo quét toàn bộ các tầng lá từ gốc đến ngọn.
  2. Xây dựng mô hình AI nhận diện: Thu thập, gán nhãn tập dữ liệu bệnh phấn trắng và huấn luyện mạng nơ-ron tích chập YOLOv4 trên nền tảng Darknet/Google Colaboratory.
  3. Triển khai Edge Computing: Tích hợp mô hình AI và thuật toán tiền xử lý Background Subtraction lên máy tính nhúng Raspberry Pi 3B kết hợp Webcam Dahua Z2+ Plus.
  4. Hệ thống cảnh báo IoT không dây: Xây dựng module tự động gửi tọa độ/hình ảnh cảnh báo thời gian thực về máy chủ qua GSM/SIM và giao thức SMTP Email, đồng thời hiển thị trạng thái trên màn hình LCD 5 inch gắn trên robot.

Phạm vi và giới hạn của đề tài

  • Phạm vi đối tượng: Giám sát và nhận diện bệnh phấn trắng trên lá dưa chuột trong môi trường nhà lưới thực nghiệm tại Học viện Nông nghiệp Việt Nam.
  • Giới hạn kỹ thuật: Hệ thống tập trung xử lý ảnh đơn sắc thái của từng lá chụp tại các điểm dừng cố định trên luống; chưa tích hợp cơ cấu vòi phun thuốc tự động trực tiếp trên robot.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Giám sát thủ công Camera quan sát cố định Robot AI di động (Đề tài)
Chi phí đầu tư Thấp (chi phí nhân công liên tục) Trung bình (cần nhiều camera) Thấp - Tối ưu (nội địa hóa)
Phạm vi quan sát Toàn bộ nhưng rời rạc Bị che khuất bởi tán lá dày Di chuyển linh hoạt giữa các luống
Độ chính xác nhận diện 60% - 75% (chủ quan) 50% - 65% (góc quay cố định) > 94% (nhờ Deep Learning)
Thời gian phát hiện Muộn (sau 7 - 10 ngày) Trung bình Sớm (từ 1 - 3 ngày đầu)
Cảnh báo từ xa Không có Cần người trực màn hình Tự động qua SMS & Email 
                YÊU CẦU HỆ THỐNG THEO MÔ HÌNH MOSCOW
  +-------------------------------------------------------------------+
  | MUST HAVE (Bắt buộc)                                              |
  | • Nhận diện chính xác vết phấn trắng (mAP > 90%)                  |
  | • Di chuyển ổn định trong rãnh luống nhà lưới (rộng 75cm)         |
  | • Cảnh báo không dây tức thời qua GSM/SMS và Email                |
  +-------------------------------------------------------------------+
  | SHOULD HAVE (Nên có)                                              |
  | • Cơ cấu nâng hạ camera theo trục Z để chụp đa tầng lá            |
  | • Hiển thị kết quả trực quan trên màn hình LCD 5 inch tại chỗ     |
  +-------------------------------------------------------------------+
  | COULD HAVE (Có thể mở rộng)                                       |
  | • Thuật toán trừ nền lọc nhiễu ánh sáng tự nhiên                  |
  | • Phân tích lịch sử lây lan theo đồ thị thời gian                 |
  +-------------------------------------------------------------------+
  | WON'T HAVE (Chưa triển khai)                                      |
  | • Tích hợp cánh tay robot phun thuốc trừ sâu tự động              |
  +-------------------------------------------------------------------+

Thiết kế hệ thống

graph TD
    A[Webcam Dahua Z2+ Plus] -->|Thu nhận hình ảnh| B(Raspberry Pi 3B / CPU Cortex-A53)
    C[Hệ thống di chuyển DC Servo GM25-370] <-->|Điều khiển qua L298N| B
    D[Cơ cấu vít-me nâng hạ MG996R] <-->|PWM Control| B
    B -->|Tiền xử lý| E[OpenCV: Gaussian Blur & Background Subtraction]
    E -->|Suy luận đối tượng| F[YOLOv4 Darknet Inference Engine]
    F -->|Hiển thị kết quả| G[Màn hình LCD 5 inch]
    F -->|Phát hiện mầm bệnh| H{Có bệnh phấn trắng?}
    H -->|Có| I[Module SIM800L / GSM: Gửi SMS]
    H -->|Có| J[Giao thức SMTP: Gửi Email cảnh báo kèm ảnh]
    H -->|Không| K[Ghi log dữ liệu cây khỏe mạnh]

Bảng thông số kỹ thuật phần cứng và phần mềm

Thành phần Thông số / Phiên bản Vai trò kỹ thuật
Bộ xử lý trung tâm Raspberry Pi 3 Model B (Quad-Core 1.2GHz, 1GB RAM) Điều khiển robot, xử lý ảnh và suy luận AI
Bộ thu nhận ảnh Webcam Dahua Z2+ Plus (Full HD 1080P) Chụp ảnh lá cây cự ly gần (20 - 40 cm)
Động cơ truyền động DC Servo GM25-370 kèm Encoder Dẫn động 2 bánh xe di chuyển chính xác trong luống
Động cơ nâng hạ RC Servo MG996R (Torque 11kg/cm) + Trục vít-me Điều chỉnh độ cao camera theo chiều cao cây dưa
Mạch công suất Dual H-Bridge L298N Module Điều khiển đảo chiều và điều tốc PWM động cơ DC
Môi trường AI/Vision Darknet Framework, OpenCV 4.5.x, Python 3.8 Huấn luyện và thực thi mô hình nhận dạng
Công cụ gán nhãn LabelImg v1.8.6 (Format YOLO TXT) Gán nhãn bounding box lớp PhanTrang

Phương pháp nghiên cứu và phát triển

Quy trình phát triển được xây dựng theo mô hình Agile lặp gồm 4 giai đoạn chính:

  [Tuần 1-4: Thiết kế & Khảo sát] ──> [Tuần 5-8: Thu thập Data & Train AI]
                 │                                        │
                 ▼                                        ▼
  [Tuần 13-16: Đánh giá & Báo cáo] <── [Tuần 9-12: Tích hợp Hệ thống]
  • Giai đoạn 1 (Tuần 1 - 4): Thiết kế khung gầm robot nhôm định hình 20x20, tính toán tải trọng động cơ và thiết kế mạch cấp nguồn hạ áp LM2596.
  • Giai đoạn 2 (Tuần 5 - 8): Trồng thử nghiệm 5 luống dưa chuột (mỗi luống 15 cây) tại nhà lưới với 5 chế độ dinh dưỡng (Đủ dinh dưỡng, thiếu N, thiếu P, thiếu Mg, thiếu K) để kích thích và thu nhận mẫu bệnh tự nhiên; chụp và gán nhãn 1.200 ảnh.
  • Giai đoạn 3 (Tuần 9 - 12): Huấn luyện mô hình YOLOv4 trên Google Colaboratory; tối ưu và chuyển giao trọng số sang Raspberry Pi 3B; lập trình giao tiếp cảnh báo qua GSM và SMTP.
  • Giai đoạn 4 (Tuần 13 - 16): Chạy thực nghiệm toàn hệ thống trong nhà lưới, đo lường sai số và hoàn thiện tài liệu kỹ thuật.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Thuật toán trừ nền (Background Subtraction) với bộ lọc Gaussian

Để loại bỏ nhiễu do ánh sáng nhà lưới và các vật thể nền (đất, giàn lưới, dây dù), giải thuật trừ nền được triển khai trên OpenCV:

import cv2
import numpy as np

def preprocess_leaf_image(background_img_path, current_img_path):
    # 1. Đọc ảnh nền và ảnh đối tượng
    bg = cv2.imread(background_img_path)
    fg = cv2.imread(current_img_path)
    
    # 2. Áp dụng bộ lọc làm mờ Gaussian để triệt tiêu nhiễu tần số cao
    bg_blur = cv2.GaussianBlur(bg, (5, 5), 0)
    fg_blur = cv2.GaussianBlur(fg, (5, 5), 0)
    
    # 3. Tính sai phân tuyệt đối giữa 2 frame ảnh
    diff = cv2.absdiff(fg_blur, bg_blur)
    
    # 4. Chuyển đổi sang ảnh xám 1 kênh (lấy trung bình 3 kênh màu BGR)
    gray_diff = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)
    
    # 5. Nhị phân hóa mặt nạ (Thresholding)
    _, mask = cv2.threshold(gray_diff, 35, 255, cv2.THRESH_BINARY)
    
    # 6. Trích xuất vùng lá tiền cảnh (Foreground Extraction)
    result = cv2.bitwise_and(fg, fg, mask=mask)
    return result

2. Kiến trúc mô hình mạng YOLOv4 và cấu hình huấn luyện

Mô hình YOLOv4 sử dụng backbone CSPDarknet53, kết hợp Neck PANet và Spatial Pyramid Pooling (SPP), giúp trích xuất đặc trưng đa quy mô cực kỳ hiệu quả đối với các đốm nấm phấn trắng có kích thước từ cực nhỏ đến trung bình.

       CẤU TRÚC MẠNG YOLOv4 TRONG BÀI TOÁN NHẬN DIỆN PHẤN TRẮNG
       
       +-------------------------------------------------------+
       |   Input Image: 416 x 416 x 3                          |
       +-------------------------------------------------------+
                                  │
                                  ▼
       +-------------------------------------------------------+
       |   Backbone: CSPDarknet53 (Cross-Stage Partial)        |
       +-------------------------------------------------------+
                                  │
                                  ▼
       +-------------------------------------------------------+
       |   Neck: SPP (Spatial Pyramid Pooling) + PANet         |
       +-------------------------------------------------------+
                                  │
                                  ▼
       +-------------------------------------------------------+
       |   YOLO Head: 3 Scale Predictors (13x13, 26x26, 52x52) |
       |   Output: Bounding Boxes + Confidence Score (PhanTrang)|
       +-------------------------------------------------------+
  • Tham số huấn luyện: Batch size = 64, Subdivisions = 16, Max Batches = 4.000, Steps = (3.200, 3.600), Learning rate = 0.001, Momentum = 0.949, Decay = 0.0005.
# Kịch bản thực thi nhận diện và kích hoạt cảnh báo tự động trên Raspberry Pi
import smtplib
from email.mime.multipart import MIMEMultipart
from email.mime.image import MIMEImage
import serial

def send_alert_notification(image_path, plant_location="Luống số 3 - Cây số 8"):
    # 1. Gửi tin nhắn SMS qua Module SIM800L
    try:
        ser = serial.Serial('/dev/ttyUSB0', 9600, timeout=1)
        ser.write(b'AT+CMGF=1\r\n')
        ser.write(b'AT+CMGS="+84987654321"\r\n')
        alert_msg = f"[CANH BAO] Phat hien benh phan trang tai {plant_location}!"
        ser.write(alert_msg.encode() + b"\x1A")
        ser.close()
    except Exception as e:
        print(f"Lỗi gửi SMS: {e}")

    # 2. Gửi Email thông báo đính kèm hình ảnh nhận diện
    sender_email = "smartfarm.hethong@gmail.com"
    receiver_email = "chutrangtrai@gmail.com"
    msg = MIMEMultipart()
    msg['Subject'] = f"[ALARM] Phát hiện bệnh phấn trắng - {plant_location}"
    msg['From'] = sender_email
    msg['To'] = receiver_email

    with open(image_path, 'rb') as f:
        img_data = f.read()
    image = MIMEImage(img_data, name="detected_powdery_mildew.jpg")
    msg.attach(image)

    with smtplib.SMTP_SSL('smtp.gmail.com', 465) as server:
        server.login(sender_email, "app-password-token")
        server.sendmail(sender_email, receiver_email, msg.as_string())

Kiểm thử và đánh giá hiệu năng

Tập dữ liệu 1.200 ảnh được chia theo tỷ lệ 80% Train (960 ảnh) và 20% Validation/Test (240 ảnh).

                      MA TRẬN NHẦM LẪN (CONFUSION MATRIX)
                      
                                  Thực tế: Bệnh     Thực tế: Khỏe mạnh
        Dự đoán: Bệnh          [ TP = 114 ]           [ FP = 5 ]
        Dự đoán: Khỏe mạnh     [ FN = 6   ]           [ TN = 115 ]
  • Precision (Độ chính xác): $\text{Precision} = \frac{TP}{TP + FP} = \frac{114}{114 + 5} = 95.80%$
  • Recall (Độ nhạy): $\text{Recall} = \frac{TP}{TP + FN} = \frac{114}{114 + 6} = 95.00%$
  • F1-Score: $\text{F1} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} = 95.40%$
  • Độ chính xác trung bình (mAP@0.5): Đạt 94.85% trên tập dữ liệu kiểm nghiệm thực tế tại nhà lưới.
       ĐỒ THỊ HỘI TỤ HÀM MẤT MÁT (LOSS) VÀ ĐỘ CHÍNH XÁC (mAP)
       
  Loss                                                        mAP (%)
  4.0 ┼──╮                                                 ╭── 100%
  3.0 │   ╰╮                                            ╭──╯    94.8%
  2.0 │    ╰──╮                                      ╭──╯       80%
  1.0 │       ╰────╮                           ╭─────╯          60%
  0.5 │            ╰───────────────╮     ╭─────╯                40%
  0.2 │                            ╰─────╯ (Loss: 0.218)        20%
  0.0 ┴──┬──────┬──────┬──────┬──────┬──────┬──────┬──────┬─── 0%
      0 500   1000   1500   2000   2500   3000   3500  4000 (Iterations)

Kết quả đạt được so với mục tiêu ban đầu

Chỉ số Mục tiêu thiết kế ban đầu Kết quả thực nghiệm thực tế Đánh giá
Độ chính xác nhận diện (mAP) $\ge 90.0%$ $94.85%$ Vượt chỉ tiêu (+4.85%)
Thời gian phản hồi cảnh báo $< 10\text{ giây}$ $3.8 - 5.2\text{ giây}$ Đạt yêu cầu
Sai số nâng hạ cơ cấu vít-me $\le \pm 5\text{ mm}$ $\pm 2\text{ mm}$ Đạt yêu cầu
Thời lượng pin robot $\ge 2.0\text{ giờ liên tục}$ $2.5\text{ giờ}$ (Ắc quy 12V 7Ah) Vượt chỉ tiêu

Đổi mới và đóng góp

Đổi mới công nghệ

  1. Kiến trúc cơ điện tử chuyên biệt: Thiết kế kết hợp khung dẫn động bánh xe bám địa hình rãnh luống với trục vít-me thẳng đứng điều khiển bởi RC Servo MG996R góc quét linh hoạt, loại bỏ hoàn toàn điểm mù quang học của giàn lá dưa chuột.
  2. Quy trình tiền xử lý lai (Hybrid Preprocessing): Kết hợp làm mờ Gaussian với trừ nền thích nghi giúp mô hình Deep Learning không bị nhầm lẫn giữa màng phấn trắng với các vệt phản xạ ánh sáng mạnh trên lá bóng hoặc bụi bẩn thông thường.

So sánh với các giải pháp hiện hành

Đặc tính kỹ thuật HOG + SVM truyền thống Faster R-CNN (ResNet50) YOLOv4 trên Raspberry Pi (Đề tài)
Tốc độ suy luận (Edge) Nhanh (~250ms) Rất chậm (~3.2s) Cân bằng tối ưu (~520ms)
Độ chính xác nhận dạng 78.4% 96.1% 94.8%
Yêu cầu phần cứng Thấp Rất cao (GPU chuyên dụng) Trung bình (Chạy tốt trên SBC)
Khả năng phát hiện đốm nhỏ Rất kém Tốt Rất tốt (nhờ SPP & PANet)

Đóng góp cho ngành

  • Khoa học: Đóng góp bộ dữ liệu hình ảnh bệnh phấn trắng thực tế trên cây dưa chuột được thu thập theo chu kỳ sinh trưởng 50 ngày trong điều kiện vi khí hậu Việt Nam.
  • Thực tiễn: Cung cấp mô hình robot nông nghiệp nội địa hóa với chi phí chỉ bằng 1/5 so với thiết bị ngoại nhập, thúc đẩy chuyển đổi số nông nghiệp chính xác.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực địa (Use Case)

 [Robot xuất phát từ trạm sạc] ──> [Di chuyển dọc luống theo tọa độ lập trình]
                                                  │
                                                  ▼
 [Gửi cảnh báo qua SMS & Email] <── [Phát hiện vết bệnh phấn trắng (mAP 94.8%)]
                 │                                │
                 ▼                                ▼
 [Cập nhật vị trí lên màn hình LCD] <── [Dừng xe, nâng hạ trục vít-me chụp ảnh]
  1. Khởi động chu trình: Robot tự hành xuất phát tại đầu hàng luống, di chuyển với vận tốc ổn định $0.2\text{ m/s}$.
  2. Quét đa tầng: Tại mỗi gốc cây dưa (khoảng cách 50cm), robot dừng lại 3 giây. Trục vít-me nâng camera lần lượt quét tầng lá gốc, tầng lá bánh tẻ và tầng ngọn.
  3. Xử lý và cảnh báo: Khi phát hiện đốm phấn trắng, hệ thống ngay lập tức kích hoạt module SIM gửi tin nhắn chứa mã định danh cây/luống, đồng thời gửi email kèm ảnh khoanh vùng bounding box về điện thoại của kỹ sư nông nghiệp.

Dự toán chi phí và phân tích hiệu quả kinh tế (ROI)

  • Chi phí vật tư chế tạo robot:
    • Bộ khung nhôm định hình, bánh xe, cơ khí vít-me: 1.800.000 VNĐ
    • Động cơ DC Servo GM25-370 + RC Servo MG996R + Driver L298N: 1.250.000 VNĐ
    • Bo mạch Raspberry Pi 3B + Màn hình LCD 5 inch: 2.300.000 VNĐ
    • Webcam Dahua Z2+ Plus + Module SIM800L + Nguồn: 1.450.000 VNĐ
    • Tổng chi phí phần cứng: ~ 6.800.000 VNĐ
  • Hiệu quả đầu tư:
    • Giảm 70% chi phí nhân công kiểm tra đồng ruộng hàng ngày.
    • Hạn chế 85% việc phun thuốc bảo vệ thực vật tràn lan nhờ khoanh vùng ổ dịch sớm, tiết kiệm 12.000.000 VNĐ tiền thuốc/năm trên diện tích 1.000m².
    • Thời gian thu hồi vốn (ROI): Chỉ từ 4 - 6 tháng (tương đương 1 - 2 vụ dưa chuột).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Tài nguyên vi xử lý: Raspberry Pi 3B với 1GB RAM bị giới hạn tốc độ suy luận khi chạy mô hình YOLOv4 đầy đủ, cần thời gian xử lý khoảng 0.5 giây cho mỗi ảnh tĩnh chụp tại điểm dừng.
  • Thời tiết cực đoan: Hiện tượng đọng sương mù dày đặc trên ống kính camera vào sáng sớm trong nhà lưới có thể làm giảm độ sắc nét của ảnh chụp.

Hướng phát triển tiếp theo

  1. Nâng cấp phần cứng: Chuyển đổi sang bộ máy tính nhúng NVIDIA Jetson Nano hoặc Raspberry Pi 4 kết hợp thanh tăng tốc AI Google Coral Edge TPU để đạt tốc độ xử lý video thời gian thực ($> 20\text{ FPS}$).
  2. Nâng cấp mô hình AI: Tối ưu hóa sang các kiến trúc nhẹ hơn như YOLOv8-Nano hoặc MobileNetV3-SSD nhằm giảm tiêu thụ điện năng.
  3. Tích hợp cơ cấu chấp hành phun thuốc điểm (Spot Spraying): Lắp đặt béc phun thuốc vi lượng điều khiển bằng van điện từ, tự động xịt thuốc sinh học trực tiếp vào phiến lá bị bệnh ngay khi phát hiện.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Cung cấp tài liệu tham khảo thực tế về tích hợp liên ngành giữa Cơ điện tử, Xử lý ảnh và Trí tuệ nhân tạo Deep Learning.
  • Lập trình viên & Kỹ sư IoT: Mô hình mã nguồn mở kết hợp giữa Darknet, OpenCV và truyền thông nhúng Raspberry Pi điều khiển động cơ.
  • Nông hộ & Doanh nghiệp nông nghiệp: Sở hữu giải pháp công nghệ cao phát hiện bệnh sớm, giá thành rẻ, dễ vận hành và bảo trì.
  • Nhà nghiên cứu: Bộ phương pháp luận chuẩn hóa về xây dựng dataset bệnh cây trồng trong điều kiện nhà màng nhiệt đới.

Câu hỏi thường gặp

1. Hệ thống có yêu cầu kết nối Internet liên tục để nhận diện bệnh không?

Không. Toàn bộ quá trình xử lý ảnh và suy luận AI (Inference) được thực hiện ngoại tuyến (Offline) trực tiếp trên bộ xử lý nhúng Raspberry Pi 3B. Kết nối mạng (WiFi/4G hoặc GSM qua SIM) chỉ được sử dụng trong vài giây khi hệ thống gửi thông báo cảnh báo về Email và SMS.

2. Dung lượng ắc quy 12V 7Ah có đủ cho robot hoạt động trong nhà màng quy mô lớn?

Với bình ắc quy 12V 7Ah, robot có thể hoạt động liên tục trong 2.5 giờ, tương đương với việc kiểm tra giám sát khoảng 300 - 400 gốc cây dưa chuột. Đối với các trang trại quy mô lớn hơn, hệ thống có thể nâng cấp lên pin Lithium-ion 12V 20Ah hoặc trang bị trạm sạc tự động (Auto-docking station).

3. Tại sao lựa chọn thuật toán YOLOv4 thay vì các mô hình phân lớp ảnh thông thường như ResNet hay MobileNet?

Các mạng phân lớp (Classification) như ResNet chỉ cho biết lá có bệnh hay không trên toàn bộ bức ảnh. Trong khi đó, YOLOv4 là mô hình Object Detection, vừa phân loại vừa xác định chính xác tọa độ (Bounding Box), số lượng và mật độ của từng đốm phấn trắng trên phiến lá, giúp đánh giá chính xác mức độ nhiễm bệnh (mới chớm hay đã lan rộng).

4. Chi phí bảo trì và độ bền của thiết bị trong môi trường ẩm ướt của nhà màng ra sao?

Toàn bộ phần cứng điện tử được đặt trong hộp bảo vệ chuẩn kháng nước/bụi IP54. Chi phí bảo trì định kỳ ước tính dưới 500.000 VNĐ/năm, chủ yếu là vệ sinh ống kính camera và tra dầu mỡ cho cơ cấu trục vít-me.

5. Hệ thống có thể mở rộng để nhận diện các loại bệnh khác như sương mai, thối rễ hay bọ phấn không?

Hoàn toàn có thể. Người dùng chỉ cần bổ sung thêm các mẫu ảnh của bệnh sương mai (Pseudoperonospora cubensis), bệnh khảm lá vào tập dữ liệu huấn luyện, cấu hình lại số lớp (classes = N) trong file cấu hình Darknet và tiến hành tái huấn luyện (Re-training) mô hình mà không cần thay đổi phần cứng.

Kết luận

Đề tài "Thiết kế hệ thống giám sát và cảnh báo bệnh phấn trắng trên cây dưa chuột bằng trí tuệ nhân tạo" đã giải quyết thành công bài toán tự động hóa giám sát dịch bệnh trong nông nghiệp công nghệ cao. Bằng sự kết hợp chặt chẽ giữa cơ điện tử chính xác và thị giác máy tính hiện đại (YOLOv4), hệ thống đạt độ chính xác phát hiện mầm bệnh lên đến $94.85%$, thời gian phản hồi cảnh báo dưới $5.2\text{ giây}$ với chi phí chế tạo tối ưu. Đây là bước tiến quan trọng hướng tới việc thương mại hóa các sản phẩm công nghệ nông nghiệp "Make in Vietnam", hỗ trợ đắc lực cho người nông dân trong việc bảo vệ mùa màng và nâng cao giá trị nông sản.