Đồ án hệ thống giám sát côn trùng ứng dụng IoT và học sâu tại Trường ĐH SPKT TP.HCM

Đồ án tốt nghiệp thiết kế và thi công hệ thống giám sát côn trùng ứng dụng IoT và học sâu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM.

• Tác giả: Tống Gia Đạt
• Người hướng dẫn: TS. Nguyễn Văn Thái
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Thiết kế và thi công hệ thống giám sát côn trùng ứng dụng IoT và công nghệ học sâu
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan hệ thống giám sát côn trùng ứng dụng IoT và học sâu

Nông nghiệp công nghệ cao đòi hỏi phương thức quản lý dịch hại chính xác và kịp thời. Đồ án tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) phát triển hệ thống giám sát côn trùng thông minh. Nghiên cứu do sinh viên Tống Gia Đạt và Lê Quốc Việt thực hiện dưới sự hướng dẫn của Tiến sĩ Nguyễn Văn Thái. Hệ thống tích hợp nền tảng Internet vạn vật (IoT) kết hợp các mô hình học sâu hiện đại. Mô hình giải quyết triệt để bài toán theo dõi mật độ sâu bọ ngoài đồng ruộng. Thiết bị phần cứng tự động thu hút côn trùng bằng ánh sáng chuyên dụng. Camera kỹ thuật số ghi lại hình ảnh sắc nét trong lồng bẫy. Dữ liệu hình ảnh được truyền trực tiếp qua mạng không dây về máy chủ trung tâm. Thuật toán thị giác máy tính lập tức phân tích và phân loại từng cá thể côn trùng. Nền tảng đám mây cập nhật biểu đồ phân bố dịch bệnh theo thời gian thực. Nhà nông có thể theo dõi tình trạng mùa màng thông qua giao diện ứng dụng di động hoặc web. Giải pháp này giúp hiện đại hóa chuỗi canh tác, cắt giảm sức lao động và hạn chế thuốc trừ sâu.

1.1. Bối cảnh nghiên cứu đề tài tại HCMUTE

Trường Đại học Sư phạm Kỹ thuật TP.HCM luôn chú trọng nghiên cứu ứng dụng thực tiễn trong nông nghiệp công nghệ cao. Khoa Điện - Điện tử và Bộ môn Tự động Điều khiển đã định hướng sinh viên khai thác các công nghệ mới nhất. Sự bùng nổ của trí tuệ nhân tạo và vi cơ điện tử tạo tiền đề cho các thiết bị thông minh ngoài hiện trường. Phòng nghiên cứu 3DVisionLab hỗ trợ cơ sở vật chất kỹ thuật và thuật toán thị giác. Đồ án giải quyết nhu cầu cấp bách của ngành bảo vệ thực vật tại Việt Nam. Nghiên cứu kết hợp cơ khí, điện tử và công nghệ thông tin. Kết quả mở ra hướng đi bền vững cho nông nghiệp số.

1.2. Mục tiêu và phạm vi ứng dụng của đề tài

Mục tiêu cốt lõi của đề tài là xây dựng trạm bẫy sâu hại tự động, có khả năng vận hành bền bỉ ngoài đồng ruộng. Trạm giám sát ghi lại hình ảnh côn trùng mục tiêu với độ phân giải cao. Hệ thống ứng dụng học sâu để phân loại và đếm số lượng dịch hại tự động. Dữ liệu được truyền tải về máy chủ thông qua giao thức truyền thông không dây. Giao diện trực quan hỗ trợ cán bộ nông nghiệp giám sát từ xa theo thời gian thực. Đề tài tập trung thử nghiệm trên các loài sâu hại phổ biến tại vùng trồng trọt Việt Nam. Kết quả nghiên cứu giúp giảm thiểu công sức giám sát thủ công và nâng cao độ chính xác dự báo.

II. Thách thức canh tác và nhu cầu hệ thống giám sát côn trùng IoT

Phương pháp kiểm đếm côn trùng truyền thống dựa hoàn toàn vào mắt người và bẫy dính thủ công. Cán bộ bảo vệ thực vật phải đi kiểm tra từng bẫy định kỳ ngoài hiện trường. Cách làm này tốn nhiều nhân lực, thời gian và công sức di chuyển. Tốc độ thu thập dữ liệu chậm khiến công tác dự báo dịch hại thường bị trễ. Khi phát hiện dịch bùng phát, cây trồng đã chịu tổn hại nặng nề. Nông dân thường phản ứng bằng cách phun thuốc hóa học diện rộng. Biện pháp này gây lãng phí chi phí, hủy hoại hệ sinh thái và ảnh hưởng tiêu cực đến sức khỏe con người. Bên cạnh đó, việc nhận dạng thủ công dễ xảy ra sai sót chủ quan. Mắt thường rất khó phân biệt chính xác các loài côn trùng có kích thước nhỏ hoặc hình thái tương đồng. Số liệu ghi nhận thiếu tính đồng nhất và liên tục theo thời gian. Môi trường đồng ruộng khắc nghiệt cũng gây cản trở lớn cho việc kiểm tra thực địa thường xuyên. Những hạn chế cố hữu này đặt ra yêu cầu cấp thiết về một hệ thống tự động hóa. Một giải pháp hiện đại kết hợp IoT và trí tuệ nhân tạo là chìa khóa tháo gỡ khó khăn.

2.1. Nhược điểm của bẫy côn trùng cơ học truyền thống

Bẫy côn trùng truyền thống sử dụng tấm keo dính hoặc đèn bẫy thông thường. Cơ chế này thiếu hoàn toàn khả năng thu thập và phân tích dữ liệu tự động. Tấm dính nhanh chóng bị bụi bẩn và xác côn trùng che phủ dày đặc ngoài môi trường tự nhiên. Hiệu quả bắt côn trùng giảm sút rõ rệt chỉ sau vài ngày hoạt động ngoài trời. Nhân viên kiểm bẫy phải trực tiếp gỡ mẫu vật để đếm số lượng thủ công. Quá trình đếm thủ công tốn nhiều giờ làm việc và dễ bỏ sót mẫu nhỏ. Dữ liệu ghi chép rời rạc, khó tổng hợp thành hệ thống cảnh báo sớm. Chi phí nhân công duy trì mạng lưới bẫy phân tán tăng cao theo diện tích canh tác.

2.2. Yêu cầu kỹ thuật đối với hệ thống giám sát tự động

Hệ thống giám sát thông minh đòi hỏi tính ổn định cao trong điều kiện thời tiết khắc nghiệt. Thiết bị phần cứng phải chống chịu tốt với nhiệt độ cao, độ ẩm lớn và mưa gió kéo dài. Khả năng tiết kiệm năng lượng là yếu tố bắt buộc khi trạm hoạt động bằng pin năng lượng mặt trời. Mạch điều khiển cần hỗ trợ các chuẩn giao tiếp công nghiệp tin cậy như I2C, SPI và UART để đọc cảm biến. Mạng kết nối không dây như Wi-Fi hoặc 4G phải đảm bảo truyền tải hình ảnh dung lượng lớn ổn định. Ngoài ra, mô hình học sâu cần cân bằng giữa độ chính xác nhận diện và thời gian xử lý suy luận. Hệ thống phải liên tục cung cấp số liệu thống kê thời gian thực mà không gặp lỗi gián đoạn.

III. Giải pháp thiết kế hệ thống giám sát côn trùng IoT và học sâu

Nhóm nghiên cứu tại HCMUTE thiết kế kiến trúc hệ thống gồm ba tầng chính: tầng thu thập dữ liệu, tầng truyền thông mạng và tầng phân tích xử lý học sâu. Thiết bị đầu cuối là trạm bẫy thông minh ngoài đồng ruộng. Trạm tích hợp đèn LED chuyên dụng phát bước sóng thu hút sâu hại vào khoang chụp ảnh. Vi điều khiển nhúng điều phối hoạt động cảm biến môi trường qua chuẩn giao tiếp I2C và kích hoạt camera. Chuẩn I2C giúp tối ưu hóa số lượng chân kết nối vi điều khiển và tăng độ ổn định khi truyền dữ liệu ngoại vi. Hình ảnh sau khi chụp được gửi qua mạng Wi-Fi hoặc viễn thông về máy chủ trung tâm. Tại máy chủ, mô hình học sâu dạng mạng nơ-ron tích chập (CNN) đảm nhiệm tác vụ thị giác máy tính. Mô hình tự động trích xuất đặc trưng hình thái, định vị từng cá thể và phân loại loài sâu bệnh. Tốc độ suy luận đạt chuẩn thời gian thực với độ chính xác nhận diện cao trên tập dữ liệu thử nghiệm. Toàn bộ thông tin mật độ côn trùng và điều kiện vi khí hậu được lưu trữ trên cơ sở dữ liệu đám mây. Giao diện bảng điều khiển trực quan giúp người quản lý theo dõi diễn biến dịch hại mọi lúc mọi nơi.

3.1. Thiết kế phần cứng và hạ tầng truyền thông không dây

Phần cứng trạm bẫy được chế tạo bằng vật liệu cơ khí bền bỉ, chịu được nắng mưa ngoài trời. Buồng chụp ảnh tích hợp hệ thống chiếu sáng nhân tạo cân bằng trắng để đảm bảo chất lượng ảnh thu được đồng nhất. Bộ điều khiển nhúng giao tiếp linh hoạt với module cảm biến môi trường qua đường truyền I2C (gồm hai dây SCL và SDA). Cấu trúc bus I2C cho phép tích hợp thêm nhiều cảm biến đo nhiệt độ, độ ẩm đất mà không tốn chân vi điều khiển. Hạ tầng truyền thông mạng ứng dụng công nghệ Wi-Fi chuẩn 802.11n và 802.11ac băng tần kép. Tốc độ truyền dẫn cao giúp gửi các tệp ảnh phân giải lớn về máy chủ nhanh chóng mà không làm nghẽn mạng.

3.2. Ứng dụng mô hình học sâu trong phân loại dịch hại

Mô hình học sâu là trái tim công nghệ của toàn bộ hệ thống giám sát. Thuật toán mạng nơ-ron tích chập được huấn luyện trên tập dữ liệu hàng nghìn ảnh sâu hại thực tế. Tập dữ liệu trải qua các bước tiền xử lý, chuẩn hóa kích thước và tăng cường dữ liệu hình học. Nhờ đó, mô hình nâng cao khả năng phân loại chính xác ngay cả khi côn trùng bị che khuất một phần. Thuật toán tự động khoanh vùng biên, nhận dạng loài và đếm tổng số lượng cá thể trong bẫy. Thời gian xử lý mỗi khung hình chỉ tính bằng mili giây trên máy chủ chuyên dụng. Kết quả nhận diện đạt độ tin cậy vượt trội so với các thuật toán xử lý ảnh truyền thống.

IV. Hiệu quả triển khai hệ thống giám sát côn trùng IoT và học sâu

Hệ thống giám sát côn trùng thông minh từ HCMUTE mở ra bước tiến quan trọng cho nông nghiệp chính xác tại Việt Nam. Kết quả thử nghiệm chứng minh khả năng thay thế hiệu quả các phương pháp kiểm tra thủ công tốn kém. Hệ thống cung cấp chuỗi dữ liệu sâu hại liên tục và có độ chuẩn xác cao. Cán bộ kỹ thuật và nông dân có thể nhận cảnh báo nguy cơ dịch bệnh trước khi dịch lây lan trên diện rộng. Nhờ đó, việc phun thuốc bảo vệ thực vật chỉ diễn ra khi mật độ sâu vượt ngưỡng cho phép, đúng vị trí và đúng thời điểm. Mô hình góp phần giảm thiểu đáng kể dư lượng hóa chất độc hại trên nông sản xuất khẩu. Đất đai và nguồn nước ngầm được bảo vệ tốt hơn khỏi ô nhiễm môi trường. Về mặt kinh tế, giải pháp giúp tiết kiệm tới ba mươi phần trăm chi phí nhân công và thuốc trừ sâu. Đồ án khẳng định năng lực nghiên cứu ứng dụng thực tiễn của sinh viên ngành Điều khiển và Tự động hóa HCMUTE. Công trình sẵn sàng chuyển giao công nghệ để phục vụ các vùng trồng trọt trọng điểm.

4.1. Lợi ích kinh tế và môi trường trong nông nghiệp số

Việc ứng dụng hệ thống giúp nông trại cắt giảm tối đa chi phí nhân công kiểm tra đồng ruộng mỗi tuần. Nông dân chủ động phát hiện sớm ổ dịch để khoanh vùng xử lý kịp thời. Lượng thuốc bảo vệ thực vật sử dụng giảm rõ rệt, giúp tiết kiệm chi phí vật tư nông nghiệp. Nông sản sau thu hoạch đạt tiêu chuẩn an toàn vệ sinh, đáp ứng yêu cầu xuất khẩu khắt khe. Môi trường sinh thái đồng ruộng được cân bằng trở lại khi các loài thiên địch tự nhiên không bị tiêu diệt bởi thuốc hóa học. Nguồn nước tưới và đất canh tác tránh được nguy cơ thoái hóa lâu dài. Đây là nền tảng cốt lõi thúc đẩy nền nông nghiệp tuần hoàn bền vững.

4.2. Hướng phát triển mở rộng quy mô của hệ thống

Hệ thống có tiềm năng mở rộng sang các mạng cảm biến diện rộng chuẩn LoRaWAN để bao phủ toàn bộ cánh đồng mẫu lớn. Nhóm nghiên cứu có thể nâng cấp thuật toán học sâu để nhận diện thêm nhiều loài dịch hại hại lá và thân cây. Việc kết hợp dữ liệu vệ tinh cùng trạm vi khí hậu mặt đất sẽ tăng cường độ chính xác cho mô hình dự báo sinh học. Nền tảng phần mềm dự kiến bổ sung trợ lý ảo AI để khuyến nghị phác đồ can thiệp phù hợp cho nông dân. Ngoài ra, việc thiết kế phần cứng theo tiêu chuẩn công nghiệp sẽ giúp thiết bị dễ dàng sản xuất hàng loạt với giá thành cạnh tranh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong nông nghiệp hiện đại, kiểm soát sâu bệnh và phòng ngừa các đợt bùng phát dịch hại là thách thức thường trực đối với người sản xuất nhằm đảm bảo chất lượng, năng suất cây trồng. Phương thức bảo vệ thực vật truyền thống thường phụ thuộc vào việc phun thuốc hóa học định kỳ, gây lãng phí chi phí, ảnh hưởng tiêu cực đến hệ sinh thái và sức khỏe con người. Xuất phát từ thực tiễn đó, nhu cầu thiết lập các hệ thống giám sát tự động, thông minh, thân thiện với môi trường nhằm phát hiện sớm mật độ côn trùng và hỗ trợ ra quyết định can thiệp kịp thời trở nên cấp thiết. Đề tài "Thiết kế và thi công hệ thống giám sát côn trùng ứng dụng IoT và công nghệ học sâu" được nhóm tác giả Tống Gia Đạt và Lê Quốc Việt (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) thực hiện nhằm giải quyết bài toán này thông qua sự kết hợp giữa công nghệ Internet vạn vật (IoT) và thị giác máy tính.

Mục tiêu tổng quát của đề tài là nghiên cứu, thiết kế và chế tạo thành công một mô hình thực nghiệm có khả năng tự động thu hút côn trùng bằng ánh sáng chuyên dụng, dẫn truyền côn trùng qua cơ cấu băng tải, thu nhận hình ảnh thời gian thực bằng camera và xử lý nhận diện, phân loại, đếm số lượng dựa trên mô hình học sâu triển khai tại thiết bị biên. Đồng thời, hệ thống cung cấp giao diện web cho phép người quản lý theo dõi các thông số môi trường và điều khiển thiết bị từ xa qua giao thức truyền thông mạng.

Theo văn bản nhiệm vụ đồ án tốt nghiệp, các nhiệm vụ cụ thể được xác định gồm:

1. Thiết kế phần cứng mô hình 3D trên phần mềm SolidWorks và thi công hoàn thiện mô hình cơ khí.
2. Thiết kế và thi công phần điện, đấu nối các thiết bị, linh kiện và mạch cấp nguồn trong hệ thống.
3. Thu thập dữ liệu, huấn luyện mô hình học sâu nhận dạng, phân loại, đếm số lượng côn trùng và nhúng mô hình lên máy tính đơn bo Raspberry Pi 5 để xử lý hình ảnh.
4. Lập trình vi điều khiển ESP32 thực hiện chức năng thu thập dữ liệu cảm biến, điều khiển thiết bị chấp hành và truyền nhận dữ liệu qua mạng không dây Wi-Fi bằng giao thức MQTT; cấu hình Raspberry Pi 5 làm máy chủ trung tâm.
5. Thiết kế giao diện ứng dụng web phục vụ giám sát dữ liệu cảm biến, hiển thị video nhận diện và điều khiển hệ thống từ xa qua MQTT.

Về đối tượng nghiên cứu, đề tài tập trung vào các thuật toán xử lý ảnh, kiến trúc mạng nơ-ron học sâu phát hiện đối tượng, các giao thức truyền thông mạng không dây (Wi-Fi, MQTT, HTTP) và phương pháp điều khiển phần cứng nhúng.

Về phạm vi triển khai và giới hạn nghiên cứu, tác giả xác định các ranh giới thực nghiệm gồm:

• Hệ thống lược bỏ cơ cấu làm suy yếu côn trùng sau khi thu hút và cơ cấu xử lý đầu ra, chỉ tập trung vào khâu dẫn truyền, nhận diện, phân loại và hiển thị dữ liệu giám sát.
• Đề tài sử dụng mô hình côn trùng giả để mô phỏng điều kiện kiểm nghiệm thay cho côn trùng thực tế.
• Khả năng nhận diện giới hạn trong phạm vi các loài côn trùng đã được đưa vào tập dữ liệu huấn luyện.
• Các giá trị đo đạc từ cảm biến môi trường chưa qua kiểm chuẩn với thiết bị đo chuyên dụng trong phòng thí nghiệm.
• Phạm vi giám sát áp dụng cho không gian nhỏ, chưa triển khai mở rộng trên quy mô đồng ruộng hoặc nhà kính thương mại.
• Dữ liệu môi trường thu thập chỉ bao gồm nhiệt độ, độ ẩm và cường độ ánh sáng, chưa tích hợp các yếu tố khí tượng khác như lượng mưa và vận tốc gió.
• Cự ly truyền nhận dữ liệu không dây qua Wi-Fi giữa vi điều khiển và điểm truy cập mạng duy trì trong phạm vi dưới 15 mét.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài được xây dựng trên sự giao thoa giữa kiến trúc hệ thống IoT phân tầng và công nghệ thị giác máy tính dựa trên học sâu. Hệ thống áp dụng cấu trúc phân tầng chức năng gồm: tầng cảm nhận và chấp hành (cảm biến môi trường, cơ cấu động cơ băng tải, đèn chiếu sáng), tầng điều khiển và xử lý biên (vi điều khiển ESP32, máy tính nhúng Raspberry Pi 5 kết hợp bộ tăng tốc AI chuyên dụng), tầng mạng truyền thông (chuẩn IEEE 802.11 Wi-Fi, giao thức MQTT với cơ chế Publish/Subscribe và giao thức HTTP) và tầng ứng dụng giám sát (máy chủ web Flask).

Về thị giác máy tính và phát hiện đối tượng (Object Detection), tác giả ứng dụng kiến trúc mạng YOLOv8 (You Only Look Once phiên bản 8) phát triển bởi Ultralytics, cụ thể là biến thể YOLOv8n (Nano). Đây là mô hình tối ưu cho các thiết bị biên có tài nguyên tính toán hạn chế nhờ cấu trúc gọn nhẹ. Kiến trúc YOLOv8n bao gồm:

• Khối trích xuất đặc trưng (Backbone): Sử dụng các tầng tích chập Conv 3x3 và Conv 1x1 để trích xuất biểu diễn hình ảnh đa cấp độ từ C1 đến C5.
• Khối mạng kim tự tháp đặc trưng (Neck/FPN): Tổng hợp đặc trưng đa tỷ lệ, tái phân giải và hợp nhất các tầng thông tin để tạo ra các tầng biểu diễn P3, P4, P5, hỗ trợ phát hiện vật thể ở nhiều kích thước khác nhau.
• Khối đầu ra (Head): Hoạt động theo cơ chế phát hiện không dùng hộp neo (Anchor-Free detection), trực tiếp dự đoán tọa độ hộp giới hạn (Bounding Box) và xác suất phân loại lớp thay vì phụ thuộc vào các hộp neo cố định được định nghĩa trước.
• Hàm mất mát (Loss Function): Kết hợp giữa mất mát vị trí hộp bao ($\mathcal{L}{box}$, sử dụng độ đo sai lệch CIoU), mất mát phân loại ($\mathcal{L}{cls}$, tính bằng Cross-Entropy Loss) và mất mát xác thực vật thể ($\mathcal{L}_{obj}$). Quá trình tối ưu hóa trọng số mô hình sử dụng thuật toán Stochastic Gradient Descent (SGD) kết hợp Momentum hoặc AdamW, đi kèm kỹ thuật giảm tốc độ học Cosine Annealing, giai đoạn khởi động Warm-up Epochs và cơ chế dừng sớm Early Stopping để chống quá khớp (Overfitting). Giai đoạn hậu xử lý áp dụng thuật toán triệt tiêu phi cực đại (Non-Maximum Suppression - NMS) để loại bỏ các hộp bao dư thừa.

Phương pháp nghiên cứu kết hợp giữa nghiên cứu lý thuyết và phương pháp thực nghiệm chế tạo:

• Nghiên cứu lý thuyết: Khảo sát tài liệu kỹ thuật, sơ đồ chân và giao thức thanh ghi của các dòng linh kiện phần cứng; nghiên cứu các chuẩn truyền thông nối tiếp SPI, I2C, UART; phân tích nguyên lý bước sóng bức xạ cực tím (UV-A) có khả năng kích thích thị giác để thu hút côn trùng.
• Phương pháp thực nghiệm: Thiết kế mô hình 3D cơ khí, gia công lắp ráp mô hình vật lý; hàn nối và kiểm tra hoạt động mạch điện; thu thập và tiền xử lý ảnh côn trùng, gán nhãn dữ liệu chuẩn YOLO; huấn luyện mạng nơ-ron qua nhiều chu kỳ (epochs); đo lường các tham số hiệu suất (Precision, Recall, mAP50, mAP50-95); tích hợp hệ thống phần cứng và phần mềm, đo đạc độ trễ phản hồi và độ chính xác phân loại trong điều kiện thử nghiệm thực tế.

Nguồn dữ liệu sử dụng trong nghiên cứu bao gồm: tập dữ liệu hình ảnh côn trùng tự xây dựng được mở rộng bằng kỹ thuật tăng cường dữ liệu (Data Augmentation như ghép ảnh Mosaic, Autoshape) và dữ liệu chuỗi thời gian thu thập thời gian thực từ các cảm biến nhiệt độ - độ ẩm, ánh sáng và thời gian thực qua giao tiếp I2C/One-Wire.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình tích hợp cơ - điện - quang và phần mềm nhúng, phục vụ quy trình tự động khép kín từ thu hút, vận chuyển đến nhận diện và báo cáo dữ liệu.

Hạng mục	Thành phần kỹ thuật	Vai trò và thông số chi tiết
Xử lý biên AI	Raspberry Pi 5	SoC Broadcom BCM2712 Quad-Core Cortex-A76 (2.4 GHz), 4GB LPDDR4X RAM, cổng PCIe Gen2/3, chạy Raspberry Pi OS; đóng vai trò máy chủ Flask và điều phối luồng xử lý ảnh.
Tăng tốc suy luận	Kit AI Hailo-8L	NPU chuyên dụng dạng mô-đun M.2 2242 chuẩn PCIe Gen3 x2, hiệu năng tính toán 13 TOPS (tối ưu hóa suy luận INT8), giảm tải xử lý mạng nơ-ron cho CPU chính.
Thu nhận hình ảnh	Webcam Xiaovv XXV-3320S	Cảm biến CMOS Full HD (1920x1080), tốc độ 30 FPS, ống kính góc rộng FOV 150°, giao tiếp chuẩn USB UVC, tự động cân bằng trắng và hỗ trợ ghi hình thiếu sáng.
Điều khiển ngoại vi	ESP32-WROOM-32	Vi điều khiển tích hợp Wi-Fi 802.11 b/g/n, xử lý tín hiệu cảm biến môi trường, nhận lệnh điều khiển qua MQTT và kích hoạt cơ cấu chấp hành.
Cảm biến môi trường	DHT11, BH1750, DS3231	DHT11 đo nhiệt độ/độ ẩm; BH1750 đo cường độ ánh sáng môi trường qua bus I2C; DS3231 cung cấp đồng hồ thời gian thực chính xác qua bus I2C.
Cơ cấu chấp hành	Driver DRV8871, Động cơ DC	Module DRV8871 điều khiển động cơ DC truyền động băng tải vận chuyển côn trùng vào khu vực quét của camera.
Quang học & Phụ trợ	Đèn UV-A, Relay 5V, Module XL4016	Đèn bức xạ UV-A dùng thu hút côn trùng theo tập tính quang hướng; relay 1 kênh đóng cắt nguồn đèn tự động; module giảm áp DC-DC XL4016 hạ áp nguồn cho hệ thống.

Về thiết kế cơ khí, toàn bộ khung vỏ của thiết bị được tính toán và thiết kế trên phần mềm SolidWorks, bao gồm các bản vẽ chiếu đứng, chiếu bằng, chiếu cạnh nhằm đảm bảo cấu trúc phễu đón côn trùng rơi xuống băng tải một cách tự nhiên và ổn định. Đèn chiếu sáng phụ trợ được bố trí bên trong buồng quét nhằm tạo môi trường ánh sáng đồng đều cho camera ghi hình.

Về triển khai phần mềm, hệ thống được cấu trúc thành các khối liên kết:

1. Khối mô hình nhận diện (YOLOv8n): Mô hình sau khi huấn luyện trên tập dữ liệu được biên dịch và tối ưu hóa để nạp vào bộ tăng tốc Hailo-8L, thực hiện suy luận liên tục trên từng khung hình video truyền từ webcam Xiaovv.
2. Khối máy chủ Flask (Raspberry Pi 5): Lập trình bằng Python, tiếp nhận luồng khung hình từ webcam, gọi hàm xử lý suy luận phần cứng qua NPU Hailo, vẽ hộp nhận diện cùng nhãn định danh và độ tin cậy trực tiếp lên khung hình (Annotated Frame), phát luồng video trực tuyến và đóng vai trò cầu nối dữ liệu API.
3. Khối vi điều khiển ESP32: Được nạp chương trình điều khiển gồm các tác vụ: đọc định kỳ chuỗi dữ liệu từ cảm biến DHT11 và BH1750; hàm kiểm tra lịch hoạt động dựa trên thời gian từ DS3231; hàm tự động đóng ngắt đèn UV-A và đèn chiếu sáng qua relay; hàm điều khiển tốc độ và hướng chạy của động cơ băng tải qua driver DRV8871; hàm kết nối Wi-Fi, lắng nghe và gửi gói tin JSON qua giao thức MQTT.
4. Giao diện web giám sát: Xây dựng bằng ngôn ngữ HTML, CSS và JavaScript, kết nối tới máy chủ MQTT broker để truyền nhận dữ liệu thời gian thực. Giao diện được tổ chức thành 5 thẻ chức năng chuyên biệt:
   • Tab nhận diện: Hiển thị video phát trực tiếp với các hộp bao côn trùng được nhận dạng, cập nhật số lượng côn trùng phát hiện tức thời.
   • Tab cảm biến: Biểu diễn các đồ thị và đồng hồ đo giá trị nhiệt độ, độ ẩm và cường độ ánh sáng môi trường.
   • Tab thống kê: Báo cáo tổng số lượng côn trùng ghi nhận theo thời gian thực và biểu đồ tổng hợp theo ngày.
   • Tab tự động: Cho phép người dùng thiết lập lịch trình hoạt động tự động của hệ thống (thời gian bật/tắt đèn thu hút, chu kỳ chạy băng tải).
   • Tab cài đặt: Cung cấp các thanh điều khiển tốc độ quay, thời gian vận hành băng tải và thiết lập ngưỡng cảnh báo số lượng côn trùng để kích hoạt tín hiệu cảnh báo trên giao diện.

---

Nội dung chính theo từng chương

Báo cáo khóa luận được cấu trúc thành 5 chương với các nội dung trọng tâm như sau:

Chương 1: Tổng quan

Chương 1 thiết lập bức tranh tổng thể về đề tài nghiên cứu. Tác giả trình bày lý do chọn đề tài dựa trên nhu cầu cấp thiết về tự động hóa giám sát dịch hại trong nông nghiệp công nghệ cao nhằm giảm thiểu dư lượng thuốc trừ sâu. Chương này công bố mục tiêu chế tạo hệ thống bẫy, nhận dạng, đếm số lượng côn trùng tự động và giám sát từ xa; chỉ rõ 5 nhiệm vụ kỹ thuật cần giải quyết; xác định đối tượng nghiên cứu là các mô hình học sâu và hệ thống nhúng IoT; đồng thời liệt kê chi tiết 7 điểm giới hạn của đề tài (sử dụng côn trùng mô phỏng, giới hạn phân loại trong tập dữ liệu huấn luyện, chưa tích hợp khâu tiêu diệt côn trùng, phạm vi kết nối Wi-Fi dưới 15m và các yếu tố khí tượng chưa khảo sát).

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng khoa học và thông số kỹ thuật của toàn bộ công nghệ được áp dụng. Tác giả phân tích tổng quan về mạng lưới IoT, ứng dụng IoT trong nông nghiệp, các đặc tính của sóng Wi-Fi chuẩn IEEE 802.11 (tần số 2.4 GHz, 5 GHz) cùng ưu nhược điểm về cự ly và băng thông. Phần lý thuyết thị giác máy tính trình bày các kỹ thuật xử lý ảnh cơ bản (không gian màu, lọc ảnh, phát hiện biên, phân vùng ảnh) và quy trình học máy tiêu chuẩn. Điểm nhấn của chương là cấu trúc mạng YOLOv8n, giải thích cơ chế tách nhánh đầu ra (phân loại và định vị hộp bao không neo), hàm mất mát kết hợp, thuật toán tối ưu hóa SGD/AdamW, kỹ thuật điều chỉnh tốc độ học Cosine Annealing và thuật toán NMS. Đồng thời, chương trình bày chi tiết thông số kỹ thuật của phần cứng: máy tính nhúng Raspberry Pi 5 (BCM2712 Quad-Core 2.4 GHz, RAM 4GB), card tăng tốc AI Hailo-8L (13 TOPS), webcam Xiaovv (Full HD, FOV 150°), vi điều khiển ESP32-WROOM-32, các chuẩn giao tiếp nội vi (SPI, I2C, UART), giao thức mạng (HTTP, MQTT), cùng đặc tính các cảm biến DHT11, BH1750, DS3231, driver DRV8871 và phổ bước sóng đèn UV-A thu hút côn trùng.

Chương 3: Thiết kế hệ thống

Chương 3 chi tiết hóa quy trình hiện thực hóa mô hình từ bản vẽ đến thuật toán. Tác giả trình bày các yêu cầu kỹ thuật đối với phần cứng và phần mềm; đưa ra các bản vẽ thiết kế cơ khí 3D đa hướng (mặt trước, mặt sau, mặt bên) của hệ thống mô hình giám sát trên phần mềm SolidWorks; công bố sơ đồ kết nối khối tổng quan và sơ đồ đấu nối dây chi tiết giữa vi điều khiển, máy tính nhúng, cảm biến và các cơ cấu công suất. Về phần mềm, chương mô tả quy trình thu thập và chuẩn bị dữ liệu gán nhãn cho YOLOv8n; thiết kế lưu đồ máy chủ Flask Server (gồm hàm ghi trực tiếp khung hình chú thích và hàm xử lý suy luận qua thư viện phần cứng Hailo); xây dựng lưu đồ khối phần mềm nhúng ESP32 (hàm gửi dữ liệu cảm biến, hàm tự động bật tắt đèn, hàm điều khiển động cơ, hàm kiểm tra lịch hoạt động và hàm nhận lệnh MQTT); kết thúc bằng sơ đồ kiến trúc giao diện web 5 tab.

Chương 4: Kết quả và kiểm chứng

Chương 4 công bố toàn bộ sản phẩm thực nghiệm và dữ liệu đo đạc sau khi tích hợp. Phần cứng thể hiện hình ảnh mô hình giám sát côn trùng hoàn thiện và bảng mạch kết nối các thiết bị IoT thực tế. Về phần mềm, chương trình bày các biểu đồ đánh giá chất lượng mô hình YOLOv8n sau huấn luyện gồm: biểu đồ suy giảm mất mát hộp bao (Box Loss) và mất mát phân loại (Classification Loss), biểu đồ độ chính xác và độ nhạy (Precision and Recall), biểu đồ mAP50 và mAP50-95, biểu đồ F1-confidence, cùng các đường cong Precision-Recall, Precision-Confidence và Recall-Confidence. Tác giả trình bày giao diện vận hành thực tế của 5 tab trên hệ thống web khi kết nối Raspberry Pi 5. Cuối cùng, chương đưa ra các bảng số liệu kiểm chứng thực nghiệm độc lập: bảng kiểm chứng chức năng nhận dạng chuyển động và bảng kiểm chứng tỷ lệ nhận dạng phân loại và đếm số lượng côn trùng trên băng tải.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các hạng mục đã hoàn thành so với mục tiêu đề ra ban đầu, khẳng định khả năng hoạt động đồng bộ của mô hình phần cứng cơ điện, giải thuật học sâu trên phần cứng biên Hailo-8L và hệ thống truyền thông MQTT. Từ các giới hạn còn tồn tại, chương đề xuất các hướng mở rộng kỹ thuật cụ thể cho các giai đoạn nghiên cứu tiếp theo.

---

Kết quả và đóng góp

Về kết quả kỹ thuật, đề tài đã thiết kế, chế tạo và vận hành thành công một mô hình thực nghiệm hoàn chỉnh đáp ứng các chỉ tiêu đặt ra:

• Chế tạo thành công khung mô hình cơ khí tích hợp phễu thu nhận, đèn bẫy côn trùng UV-A và cơ cấu băng tải chuyển động ổn định thông qua mạch điều khiển động cơ DC sử dụng driver DRV8871.
• Mạch phần cứng IoT dựa trên ESP32 hoạt động chính xác, thu thập ổn định các chỉ số môi trường (nhiệt độ, độ ẩm từ DHT11, cường độ ánh sáng từ BH1750) và đồng bộ thời gian từ DS3231, truyền tải dữ liệu liên tục về máy chủ qua MQTT.
• Huấn luyện thành công mô hình học sâu YOLOv8n trên tập dữ liệu ảnh côn trùng, chuyển đổi mô hình tương thích và khai thác hiệu năng của bộ tăng tốc NPU Hailo-8L (13 TOPS) gắn trên Raspberry Pi 5, đảm bảo tốc độ nhận diện thời gian thực từ luồng hình ảnh của webcam Xiaovv (30 FPS ở độ phân giải Full HD).
• Xây dựng thành công ứng dụng Flask Server kết hợp giao diện web điều khiển 5 tab, cho phép theo dõi video nhận diện trực tiếp, hiển thị biểu đồ thông số môi trường, thống kê số lượng côn trùng theo thời gian, thiết lập lịch chạy tự động và tùy chỉnh tham số vận hành băng tải.
• Thực nghiệm kiểm chứng ghi nhận khả năng phát hiện chuyển động và tỷ lệ nhận dạng, phân loại, đếm chính xác côn trùng mô phỏng trên băng tải thông qua các bài kiểm tra được lập bảng chi tiết trong báo cáo.

Về đóng góp thực tiễn và học thuật, đề tài chứng minh tính khả thi của việc phân tách kiến trúc xử lý trong hệ thống IoT nông nghiệp: giao nhiệm vụ đọc cảm biến và điều khiển chấp hành tần số thấp cho vi điều khiển giá rẻ (ESP32), đồng thời dồn tác vụ thị giác máy tính nặng cho máy tính đơn bo thế hệ mới (Raspberry Pi 5) kết hợp NPU chuyên dụng (Hailo-8L). Giải pháp này cho phép xử lý AI hoàn toàn tại biên (Edge AI), không phụ thuộc vào đường truyền Internet băng thông cao lên đám mây, giảm độ trễ và tối ưu chi phí vận hành cho các mô hình nông nghiệp thông minh tại Việt Nam.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên công bố của nhóm tác giả tại Chương 1 và Chương 5, đề tài còn một số điểm hạn chế kỹ thuật:

• Quá trình thực nghiệm và kiểm chứng hệ thống mới chỉ sử dụng mô hình côn trùng giả nhằm mô phỏng điều kiện chuyển động và hình dáng, chưa tiến hành thử nghiệm với các mẫu côn trùng sống trong môi trường tự nhiên.
• Hệ thống đã lược bỏ cơ cấu làm suy yếu và khâu xử lý thu gom đầu ra của côn trùng sau khi rơi qua phễu thu hút.
• Tập dữ liệu huấn luyện và khả năng phân loại của mô hình YOLOv8n mới dừng lại ở một số loài côn trùng nhất định, chưa bao quát được sự đa dạng sinh học của các loài sâu hại trên đồng ruộng.
• Các cảm biến môi trường (DHT11, BH1750) là dòng linh kiện phổ thông, dữ liệu đo được chưa qua hiệu chuẩn đối chứng với các thiết bị đo tiêu chuẩn công nghiệp.
• Phạm vi truyền nhận không dây qua sóng Wi-Fi của ESP32 bị giới hạn trong khoảng cách dưới 15 mét, dễ bị suy hao tín hiệu nếu có vật cản.
• Hệ thống chưa đo đạc các tham số khí tượng mở rộng như tốc độ gió và lượng mưa.

Các hướng phát triển tiếp theo được đề xuất bao gồm:

• Mở rộng tập dữ liệu hình ảnh với nhiều lớp côn trùng gây hại thực tế trong các giai đoạn phát triển khác nhau, tái huấn luyện mô hình để nâng cao độ chính xác nhận diện.
• Thiết kế bổ sung cơ cấu làm suy yếu (lưới điện hoặc buồng xử lý) và ngăn chứa côn trùng sau khi hoàn tất quá trình đếm trên băng tải.
• Triển khai thử nghiệm mô hình thực tế tại các nhà kính hoặc trang trại canh tác nông nghiệp để đánh giá độ bền phần cứng dưới tác động của thời tiết.
• Nâng cấp các giao thức truyền thông không dây tầm xa tiết kiệm năng lượng như LoRa hoặc kết nối di động 4G/5G nhằm vượt qua ranh giới 15m của Wi-Fi, hỗ trợ triển khai trên diện tích canh tác lớn.
• Bổ sung cảm biến đo gió, mưa để hoàn thiện hệ thống quan trắc tiểu khí hậu nông nghiệp toàn diện.

---

Giá trị tham khảo

Đồ án tốt nghiệp này là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn dành cho:

• Sinh viên, học viên chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Cơ điện tử, Kỹ thuật Điện tử - Viễn thông và Công nghệ Thông tin đang thực hiện đồ án, khóa luận liên quan đến IoT, hệ thống nhúng và Trí tuệ nhân tạo biên (Edge AI).
• Các nhà nghiên cứu và kỹ sư phát triển thiết bị nông nghiệp thông minh muốn tìm hiểu quy trình tích hợp giữa mô hình học sâu hiện đại (YOLOv8) với các phần cứng tăng tốc AI thế hệ mới (Kit AI Hailo-8L) trên nền tảng máy tính nhúng Raspberry Pi 5.
• Các kỹ sư phần mềm nhúng có thể tham khảo phương pháp tổ chức luồng truyền thông phân tán qua MQTT giữa vi điều khiển ESP32, máy chủ Flask và giao diện web tương tác thời gian thực.
• Nội dung đáng giá nhất để tham khảo trong tài liệu là Chương 3 (Thiết kế hệ thống) với các bản vẽ cơ khí 3D, sơ đồ phối ghép nguyên lý phần cứng chi tiết, cùng cấu trúc các hàm xử lý luồng suy luận AI kết hợp NPU trên thiết bị biên.

---

Câu hỏi thường gặp

1. Mô hình học sâu nào được nhóm tác giả lựa chọn để nhận diện côn trùng và có đặc điểm cấu trúc gì nổi bật?
Nhóm tác giả lựa chọn mô hình YOLOv8n (phiên bản Nano) thuộc họ YOLOv8 của Ultralytics. Mô hình có kích thước gọn nhẹ, được cấu trúc gồm khối Backbone trích xuất đặc trưng tích chập, khối Neck (FPN) tổng hợp đặc trưng đa tỷ lệ và khối Head dự đoán theo cơ chế không dùng hộp neo (Anchor-Free detection). Quá trình suy luận sử dụng hàm mất mát CIoU cho hộp bao và Cross-Entropy cho phân loại, kết hợp thuật toán NMS để loại trừ các hộp dự đoán trùng lặp.

2. Kit AI Hailo-8L đóng vai trò gì trong hệ thống giám sát này?
Hailo-8L là mô-đun tăng tốc suy luận học sâu chuyên dụng (NPU) gắn vào Raspberry Pi 5 qua giao tiếp PCIe M.2 2242. Thiết bị cung cấp năng lực tính toán lên tới 13 TOPS (tối ưu hóa cho định dạng INT8), đảm nhận toàn bộ việc suy luận mô hình nơ-ron từ luồng video của camera, giúp giảm tải tối đa cho vi xử lý Broadcom BCM2712 trên Raspberry Pi 5 và duy trì tốc độ xử lý thời gian thực.

3. Nhiệm vụ của vi điều khiển ESP32 trong mối tương quan với Raspberry Pi 5 được phân định như thế nào?
Hệ thống sử dụng cơ chế điều khiển phân tán: ESP32 đảm nhận việc giao tiếp trực tiếp với các cảm biến môi trường (DHT11, BH1750, RTC DS3231) qua các chuẩn giao tiếp I2C/One-Wire, đồng thời xuất tín hiệu điều khiển động cơ băng tải (qua driver DRV8871) và đóng cắt đèn qua relay. Trong khi đó, Raspberry Pi 5 đóng vai trò máy chủ xử lý tác vụ nặng gồm: thu nhận hình ảnh từ webcam Xiaovv qua cổng USB, chạy mô hình YOLOv8n trên kit Hailo-8L, quản lý Flask Server và giao tiếp mạng với giao diện web qua MQTT/HTTP.

4. Dữ liệu thử nghiệm và kiểm chứng nhận dạng trong đồ án được tiến hành trên đối tượng nào?
Do giới hạn về thời gian và điều kiện thực nghiệm, nhóm tác giả đã sử dụng các mô hình côn trùng giả để mô phỏng hình dạng, màu sắc và chuyển động trên băng tải nhằm kiểm chứng độ chính xác của giải thuật xử lý ảnh, khả năng nhận dạng chuyển động và thuật toán đếm số lượng, chứ chưa thực hiện trên mẫu côn trùng sống ngoài tự nhiên.

5. Giao diện web giám sát của hệ thống cung cấp những chức năng cụ thể nào cho người dùng?
Giao diện web được chia làm 5 phân hệ (tab) chuyên biệt: Tab nhận diện (xem luồng camera kèm khung nhận dạng và số đếm côn trùng tức thời), Tab cảm biến (theo dõi đồ thị nhiệt độ, độ ẩm, ánh sáng), Tab thống kê (xem số lượng côn trùng phát hiện theo ngày), Tab tự động (lập lịch trình vận hành cho đèn và băng tải) và Tab cài đặt (điều chỉnh tốc độ, thời gian chạy của băng tải và thiết lập ngưỡng cảnh báo mật độ côn trùng).

---

Kết luận

Đồ án tốt nghiệp "Thiết kế và thi công hệ thống giám sát côn trùng ứng dụng IoT và công nghệ học sâu" của sinh viên Tống Gia Đạt và Lê Quốc Việt đã hiện thực hóa thành công một giải pháp giám sát dịch hại tự động, kết hợp hài hòa giữa cơ cấu cơ điện, công nghệ IoT và thị giác máy tính biên. Hệ thống vận hành đồng bộ từ khâu thu hút côn trùng bằng ánh sáng UV-A, vận chuyển bằng băng tải đến việc ứng dụng mô hình YOLOv8n tối ưu trên phần cứng tăng tốc Hailo-8L và Raspberry Pi 5, cho phép đếm và phân loại thời gian thực. Toàn bộ thông số môi trường cùng kết quả nhận dạng được truyền thông tin cậy qua giao thức MQTT lên giao diện web điều khiển 5 tab tiện ích. Mặc dù còn những ranh giới thực nghiệm như việc sử dụng côn trùng mô phỏng và giới hạn cự ly Wi-Fi, đề tài đã đặt nền móng kỹ thuật vững chắc và mở ra tiềm năng ứng dụng thiết thực cho các hệ thống nông nghiệp thông minh công nghệ cao.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN Phần này cung cấp các kiến thức nền tảng liên quan xử lý ảnh, học máy, YOLO, và các chuẩn giao tiếp không dây như Wi-Fi, các giao thức truyền dữ liệu như MQTT và HTTP, cùng với các chuẩn kết nối I2C, SPI, UART. Ngoài ra, chương còn giới thiệu tổng quan về phần cứng sử dụng như vi điều khiển ESP32, Raspberry Pi 5, cảm biến DHT11, DS3231, BH1750, các linh kiện và phần mềm hỗ trợ trong quá trình thực hiện. Chương 3: Thiết kế hệ thống Trình bày chi tiết về thiết kế phần cứng và phần mềm của hệ thống, bao gồm yêu cầu hệ thống, sơ đồ nguyên lý, sơ đồ thiết kế 3D, cũng như lưu đồ giải thuật và quy trình điều khiển. Nội dung chương thể hiện cách nhóm triển khai từ ý tưởng đến hiện thực hóa mô hình.

Chương 4: Kết quả Chương này cho thấy các kết quả đạt được của đề tài sau khi hoàn thành. Chương 5: Kết luận và hướng phát triển. Phần cuối cùng tổng kết những nội dung chính, đánh giá mức độ hoàn thành, đề xuất các hướng cải tiến trong tương lai. -4- CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CHƯƠNG 2.

Tổng quan về IoT (Internet of things) Giới thiệu về IoT IoT (Internet of Things) được hiểu là Mạng lưới vạn vật kết nối - một hệ thống kết nối các thiết bị vật lý như cảm biến, camera, máy tính nhúng, driver và các thành phần khác được trang bị khả năng kết nối mạng, phần mềm xử lý dữ liệu. Nhờ công nghệ hiện đại, các thiết bị này có thể thu thập thông tin giao tiếp qua Internet mà không cần can thiệp thủ công. Mục đích chính của IoT là tạo ra môi trường tự động hóa, nơi các thiết bị hoạt động thông minh, không phụ thuộc vào tác động, phối hợp nhịp nhàng và đưa ra quyết định tối ưu. Từ đó, hệ thống giúp nâng cao hiệu quả trong nhiều lĩnh vực như sản xuất công nông nghiệp, quản lý năng lượng, y tế, môi trường [1].

Hình 2_ 1 Tổng quan về IoT – Mạng lưới vạn vật kết nối Thiết bị Các thiết bị IoT bao gồm cảm biến, bộ điều khiển và bộ xử lí. Chúng có khả năng thu thập và gửi dữ liệu thông qua mạng  Cảm biến: Phát hiện và ghi lại dữ liệu các chỉ số nhiệt độ, độ ẩm, ánh sáng của môi trường. -5- CHƯƠNG 2: CƠ SỞ LÝ THUYẾT  Bộ xử lý: Thu thập dữ liệu rồi xử lý phân tích, đưa ra quyết định hoặc thực các chức năng theo lập trình.  Bộ điều khiển: Bộ điều khiển đảm nhận việc phân bổ tác vụ cho thiết bị và điều hành giao tiếp giữa chúng.

Kết nối mạng Các thiết bị IoT trao đổi dữ liệu với nhau và hệ thống máy chủ thông qua nhiều công nghệ truyền thông không dây như Wi-fia-14, Blutooth, LoRaWan, 5G,Zigbee. Khi kết nối mạng phải đảm bảo sự ổn định, tốc độ cao, độ trễ thấp là yếu tố quyết định để các thiết bị IoT truyền nhận dữ liệu. Nhờ sự phát triển đa dạng của các giao thức mạng, IoT có tiềm năng mở rộng triển khai nhiều quy mô từ lớn đến nhỏ, từ gia đình căn hộ thông minh đến ứng dụng công nghiệp, đô thị thông minh. Nền tảng phần mềm Các nền tảng đóng vai trò trung tâm tiếp nhận giám sát, điều khiển phân, tích dữ liệu từ xa.

Chúng đóng vai trò trung tâm xử lý,hỗ trợ ứng dụng và dịch vụ phát triển các ứng dụng thông minh trên nền tảng này. Dữ liệu Dữ liệu thu thập từ các thiết bị IoT là nguồn thông tin quan trọng, giúp phân tích, dự đoán, tự động hóa quy trình vận hành và đưa ra quyết định.