Giới thiệu dự án

Nông nghiệp công nghệ cao đang chứng kiến sự chuyển dịch mạnh mẽ từ phương pháp canh tác thổ nhưỡng truyền thống sang các hệ thống thủy canh hồi lưu (Nutrient Film Technique - NFT) và thủy canh tĩnh (Deep Water Culture - DWC). Theo các báo cáo nông nghiệp thông minh, phương pháp thủy canh giúp tiết kiệm tới 85–90% lượng nước tiêu thụ và tối ưu hóa diện tích canh tác từ 2 đến 3 lần. Tuy nhiên, thách thức lớn nhất của các nhà màng hiện nay là phần lớn các hệ sinh thái IoT chỉ dừng lại ở mức thu thập thông số môi trường thụ động (pH, TDS/EC, nhiệt độ, độ ẩm), hoàn toàn thiếu cơ chế phản hồi thị giác sinh học (Phenotyping) để phát hiện sớm các dấu hiệu suy thoái diệp lục, thiếu hụt vi lượng hoặc sâu bệnh cục bộ.

Khi cây trồng thiếu hụt đạm ($N$) hoặc magie ($Mg$), sự suy giảm diệp lục sẽ biểu hiện trực tiếp qua hiện tượng vàng lá (Chlorosis) từ phần đỉnh hoặc gân lá trước khi nồng độ ion trong dung dịch kích hoạt các cảnh báo hóa học. Ngược lại, thiếu hụt kali ($K$) dẫn đến tình trạng hoại tử mép lá (Necrosis). Việc giám sát thủ công trên diện tích lớn tiêu tốn 30–40% chi phí vận hành nhân công và tiềm ẩn độ trễ phát hiện sâu bệnh từ 3 đến 5 ngày.

                  +----------------------------------------------+
                  |           HỆ THỐNG GIÁM SÁT NHÀ VƯỜN         |
                  +----------------------+-----------------------+
                                         |
            +----------------------------+----------------------------+
            |                                                         |
+-----------v-----------+                                 +-----------v-----------+
|  CƠ KHÍ & TRUYỀN ĐỘNG |                                 |  ĐIỆN - ĐIỀU KHIỂN    |
| - Khung nhôm 2040     |                                 | - Raspberry Pi 3 B+   |
| - Gantry 2 trục X-Y   |                                 | - MCU ESP32 Dual-Core |
| - Puly đai GT2        |                                 | - Arduino Uno + Nano  |
| - Động cơ Nema 17     |                                 | - Cảm biến pH, TDS    |
+-----------+-----------+                                 +-----------+-----------+
            |                                                         |
            +----------------------------+----------------------------+
                                         |
                        +----------------v---------------+
                        | PHẦN MỀM, CLOUD & XỬ LÝ ẢNH    |
                        | - OpenCV / HSV Segmentation    |
                        | - Firebase Realtime Database   |
                        | - Web Dashboard Quản trị       |
                        +--------------------------------+

Đề tài "Nghiên cứu, chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh" do nhóm nghiên cứu ngành Công nghệ Kỹ thuật Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện nhằm giải quyết triệt để bài toán tích hợp giữa giám sát vật lý và chẩn đoán thị giác máy tính.

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế và chế tạo cơ cấu Gantry 2 trục (X-Y): Vận hành ổn định trên kích thước tổng thể $1220 \times 720 \times 660\text{ mm}$, tải trọng đầu công tác $1.0\text{ kg}$, tốc độ dịch chuyển tuyến tính $v = 0.15\text{ m/s}$, sai số định vị $< 1.0\text{ mm}$.
  2. Xây dựng hệ thống điều khiển phân tán 4 cấp (Distributed Architecture): Phân chia tác vụ tối ưu giữa máy tính nhúng Raspberry Pi 3 Model B, SoC ESP32-WROOM-32, Arduino Uno R3 và Arduino Nano.
  3. Phát triển thuật toán xử lý ảnh trên không gian màu HSV: Phân đoạn vùng lá, tính toán diện tích sinh khối và phân loại cây non/trưởng thành đạt độ chính xác $\ge 70%$, phát hiện điểm dị thường do biến đổi sắc tố vàng.
  4. Thiết kế hệ thống định lượng hóa chất tự động khép kín: Bù trừ tự động pH với sai lệch $\le \pm 0.1\text{ pH}$ và dinh dưỡng TDS với sai lệch $\le \pm 25\text{ ppm}$.
  5. Triển khai hệ thống giám sát thời gian thực: Kết nối Firebase Realtime Database và xây dựng giao diện điều khiển đa nền tảng Web-Server.

Phạm vi và giới hạn: Mô hình thí nghiệm tập trung vào rau cải ngọt trồng theo phương pháp NFT ngang; góc quan sát camera cố định từ trên xuống (Top-down view); thuật toán tập trung vào nhận diện bất thường qua phân bố phổ màu vàng/xanh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành tổng hợp và đánh giá các kiến trúc hệ thống giám sát nông nghiệp thông minh điển hình trong nước và quốc tế:

Giải pháp / Tác giả Kiến trúc phần cứng Cơ chế giám sát Ưu điểm Nhược điểm
Rius-Ruiz et al. (2013) Máy tính công nghiệp + Trụ đứng Cảm biến hóa học Tự động hóa phân tích ion chọn lọc Chi phí rất cao, cồng kềnh, không có IoT
Montoya et al. (2017) Arduino đơn nhân Cảm biến pH, độ ẩm, nhiệt độ Chi phí thấp, dễ tiếp cận Thiếu camera, xử lý chậm khi mở rộng node
Marques et al. (2019) (iHydroIoT) Gateway IoT + iOS App Mạng cảm biến đa chỉ số (CO2, Lux, pH, EC) Giao diện trực quan, đồng bộ Realtime Camera tĩnh góc nhìn hẹp, chi phí triển khai cảm biến dày đặc lớn
Hệ thống đề xuất Gantry 2D + Raspberry Pi 3 + ESP32 + Web Cảm biến môi trường kết hợp Camera quét X-Y Giám sát thị giác toàn diện từng khóm cây với 01 camera duy nhất, tự định lượng pH/TDS Giới hạn kích thước theo hành trình cơ khí

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Cơ cấu dịch chuyển camera 2 trục X-Y; Đo và hiển thị các thông số pH, TDS, nhiệt độ môi trường, độ ẩm không khí, nhiệt độ nước, ánh sáng Lux; Bơm định lượng dung dịch pH Up/Down và dinh dưỡng A/B; Nhận diện vùng vàng lá.
  • Should have: Phân loại giai đoạn sinh trưởng cây non/trưởng thành; Đồng bộ Firebase với độ trễ $< 1.5\text{ s}$; Điều khiển bằng tay qua Web UI.
  • Could have: Đèn LED quang hợp chuyên dụng (Red/Blue Spectrum) tự động bù sáng theo cảm biến BH1750.
  • Won't have (in this version): Xoay camera 3D quanh tán lá; Nhận diện sâu bệnh bằng mô hình Deep Learning phức tạp trên Edge.

Thiết kế hệ thống

Kiến trúc phần cứng được module hóa thành các tầng giao tiếp rõ ràng:

graph TD
    subgraph SENSORS_ACTUATORS["Tầng Cảm biến & Cơ cấu chấp hành"]
        S1[DFRobot Gravity pH V2] -->|Analog| ESP32[SoC ESP32]
        S2[DFRobot Gravity TDS] -->|Analog| ESP32
        S3[Sensirion SHT30 I2C] -->|I2C| ESP32
        S4[Maxim DS18B20 1-Wire] -->|OneWire| ESP32
        S5[ROHM BH1750 Lux] -->|I2C| ESP32
        
        Uno[Arduino Uno R3] -->|Relay| P1[Bơm nhu động Kamoer 12V]
        Uno -->|Relay| L1[LED Dây 5050 Red/Blue 12V]
        
        Nano[Arduino Nano V3] -->|STEP/DIR| D1[Driver A4988 / CNC Shield V4]
        D1 --> M1[Động cơ Bước Nema 17 Trục X/Y]
    end

    subgraph PROCESSING_CLOUD["Tầng Xử lý Trung tâm & Điện toán Đám mây"]
        CAM[Camera USB 720p] -->|V4L2| RPi3[Raspberry Pi 3 Model B+]
        ESP32 -->|UART Baud 115200| Uno
        ESP32 -->|HTTPS/WSS| FB[(Firebase Realtime DB)]
        RPi3 -->|Pyrebase SDK| FB
        RPi3 -->|UART/Signal| Nano
    end

    subgraph PRESENTATION["Tầng Trình diễn (User Interface)"]
        FB <--> WebApp[Giao diện Web Bootstrap/JS - 000webhost]
        User((Người quản trị)) <-->|HTTP/Browser| WebApp
    end

Thông số kỹ thuật chi tiết các thành phần (BOM Stack)

  1. Máy tính xử lý ảnh: Raspberry Pi 3 Model B+ (Broadcom BCM2837B0, Cortex-A53 64-bit @ 1.4GHz, 1GB LPDDR2 SDRAM, OS: Raspberry Pi OS Lite).
  2. Khối truyền thông & Cảm biến: ESP32-WROOM-32D (Tensilica Xtensa Dual-Core 32-bit LX6 @ 240MHz, 520KB SRAM, 4MB Flash, Wi-Fi 802.11 b/g/n).
  3. Khối điều khiển động học: Arduino Nano V3 (ATmega328P @ 16MHz) kết hợp Arduino CNC Shield V4 và Driver A4988 điều khiển vi bước (Microstepping 1/16).
  4. Khối điều khiển công suất: Arduino Uno R3 điều khiển Relay 4 kênh cách ly ly quang Optocoupler.
  5. Cảm biến chuyên dụng:
    • Cảm biến pH: DFRobot Gravity Analog pH Sensor V2 (Dải đo: 0–14 pH, độ chính xác $\pm 0.1\text{ pH}$).
    • Cảm biến TDS: DFRobot Gravity Analog TDS Sensor (Dải đo: 0–1000 ppm, độ chính xác $\pm 10%\text{ F.S.}$).
    • Cảm biến môi trường: Sensirion SHT30 (Nhiệt độ: $-40$ đến $125^\circ\text{C}$, Độ ẩm: 0–100% RH) qua chuẩn I2C.
    • Cảm biến nước: Maxim DS18B20 chống nước (Dải đo: $-55$ đến $125^\circ\text{C}$, $\pm 0.5^\circ\text{C}$).
    • Cảm biến quang: ROHM BH1750FVI (Dải đo: 1–65535 lx, I2C).
  6. Bơm định lượng: Bơm nhu động Kamoer NKP-DC-B08B (Điện áp 12V DC, lưu lượng $90\text{ ml/phút}$, công suất $1.05\text{ W}$).
  7. Chiếu sáng nhân tạo: LED dải SMD 5050 bước sóng hỗn hợp: Đỏ (Red $\lambda \approx 660\text{ nm}$) và Xanh lam (Blue $\lambda \approx 450\text{ nm}$) tối ưu hóa khả năng hấp thụ của Diệp lục A và B.

Tính toán động lực học và kiểm nghiệm cơ khí

  • Tính toán trục Y (Chịu tải cụm trục X $m = 2.0\text{ kg}$, gia tốc $a = 0.3\text{ m/s}^2$): $$F_{ms} = \mu \cdot m \cdot g = 0.05 \cdot 2.0 \cdot 9.81 = 0.981\text{ N}$$ $$F_{qt} = m \cdot a = 2.0 \cdot 0.3 = 0.6\text{ N}$$ $$F_{k} \ge F_{ms} + F_{qt} = 1.581\text{ N} \quad \Rightarrow \text{Chọn an toàn } F_k = 15\text{ N}$$ Công suất làm việc trên trục: $$P_{lv} = F_k \cdot v = 15 \cdot 0.15 = 2.25\text{ W}$$ Với đường kính puly $D = 12\text{ mm}$, số vòng quay trục: $$n_{lv} = \frac{60000 \cdot v}{\pi \cdot D} = \frac{60000 \cdot 0.15}{3.1416 \cdot 12} \approx 238.7\text{ rpm}$$ Công suất động cơ yêu cầu ($\eta = 0.95$): $$P_m = \frac{P_{lv}}{\eta} = \frac{2.25}{0.95} = 2.368\text{ W}$$ Động cơ lựa chọn: Nema 17 Stepper Motor (Mô-men xoắn giữ $0.45\text{ Nm}$, dòng định mức $1.5\text{ A}$), đáp ứng hệ số an toàn $k_s > 3.0$.

  • Kiểm nghiệm bền uốn thanh nhôm định hình 2040 trục Y ($L = 1180\text{ mm}$, tải tập trung $F_B = 24.53\text{ N}$): Mô-men uốn cực đại tại điểm giữa dầm: $$M_{xmax} = \frac{F_B \cdot L}{4} = \frac{24.53 \cdot 1180}{4} = 7236.35\text{ N}\cdot\text{mm}$$ Mô-men quán tính tiết diện $J_x = 12000\text{ mm}^4$, khoảng cách lớp ngoài cùng $y_{kmax} = 10\text{ mm}$: $$\sigma_{max} = \frac{M_{xmax} \cdot y_{kmax}}{J_x} = \frac{7236.35 \cdot 10}{12000} \approx 6.03\text{ N/mm}^2$$ So sánh điều kiện bền: $\sigma_{max} = 6.03\text{ N/mm}^2 \le [\sigma]_{nhôm} = 58.86\text{ N/mm}^2$ $\rightarrow$ Kết cấu thỏa mãn bền uốn tuyệt đối.

Methodology

Quy trình phát triển dự án áp dụng mô hình V-Model cải tiến, kết hợp giữa thiết kế cơ - điện tử phần cứng và kiểm thử liên tục phần mềm:

  1. Khảo sát & Mô phỏng: Lập mô hình 3D trên SolidWorks 2021, phân tích lực uốn và mô phỏng tải động học gantry; lập trình mô phỏng thuật toán xử lý ảnh trên tập dữ liệu mẫu offline bằng Jupyter Notebook.
  2. Chế tạo & Lắp ráp phần cứng: Gia công khung nhôm định hình, in 3D các khớp trượt và gá đỡ động cơ bằng vật liệu PETG chịu lực; đi dây nguồn - tín hiệu riêng biệt có bọc chống nhiễu (Shielded Twisted Pair).
  3. Phát triển Firmware & Software: Lập trình phân tán trên Arduino IDE (C++) và Python 3.9; xây dựng giao thức truyền thông UART chuẩn hóa dạng Frame Data: $$\text{Frame} = [\text{Header: 0xAA}] + [\text{Command}] + [\text{Payload Length}] + [\text{Data 1...N}] + [\text{Checksum}] + [\text{Footer: 0x55}]$$
  4. Quản trị rủi ro & Biện pháp giảm thiểu:
    • Rủi ro trễ mạng/mất Wi-Fi: ESP32 lưu trữ State Machine nội bộ, tự động duy trì ngưỡng pH/TDS cục bộ mà không phụ thuộc Cloud.
    • Rủi ro rò rỉ dung dịch: Tách biệt hoàn toàn ngăn chứa tủ điện (IP54) nằm phía trên, ngăn chứa nước và ống phân phối đặt phía dưới.

Implementation và kết quả

Development process

Quá trình xử lý ảnh trên Raspberry Pi 3 Model B+ được thực hiện theo chuỗi Pipeline chuẩn hóa: Chuyển đổi không gian màu RGB sang HSV $\rightarrow$ Áp ngưỡng nhị phân (Thresholding) $\rightarrow$ Lọc nhiễu hình thái học (Morphological Operations) $\rightarrow$ Tách biên Contour và trích xuất chỉ số màu vàng.

import cv2
import numpy as np

def analyze_plant_health(image_path):
    # 1. Đọc ảnh và chuyển sang không gian màu HSV
    img = cv2.imread(image_path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    
    # 2. Định nghĩa ngưỡng màu xanh lá cây chuẩn (Healthy Green)
    lower_green = np.array([25, 40, 40], dtype=np.uint8)
    upper_green = np.array([85, 255, 255], dtype=np.uint8)
    
    # 3. Định nghĩa ngưỡng màu vàng biểu hiện thiếu N/bệnh (Chlorosis Yellow)
    lower_yellow = np.array([15, 60, 60], dtype=np.uint8)
    upper_yellow = np.array([30, 255, 255], dtype=np.uint8)
    
    # 4. Tạo mặt nạ nhị phân
    mask_green = cv2.inRange(hsv, lower_green, upper_green)
    mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)
    
    # 5. Khử nhiễu bằng toán tử Opening và Closing
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    mask_green = cv2.morphologyEx(mask_green, cv2.MORPH_OPEN, kernel)
    mask_green = cv2.morphologyEx(mask_green, cv2.MORPH_CLOSE, kernel)
    
    # 6. Tính toán diện tích pixel sinh khối
    green_area = cv2.countNonZero(mask_green)
    yellow_area = cv2.countNonZero(mask_yellow)
    total_leaf_area = green_area + yellow_area
    
    if total_leaf_area == 0:
        return {"status": "NO_PLANT", "health_index": 1.0, "stage": "NONE"}
        
    yellow_ratio = (yellow_area / total_leaf_area) * 100.0
    
    # 7. Phân loại giai đoạn phát triển theo ngưỡng diện tích (pixel threshold)
    stage = "MATURE" if total_leaf_area > 15000 else "SEEDLING"
    is_abnormal = yellow_ratio > 8.0  # Tỷ lệ diện tích vàng vượt quá 8%
    
    return {
        "stage": stage,
        "total_area_px": total_leaf_area,
        "yellow_ratio": round(yellow_ratio, 2),
        "is_abnormal": is_abnormal
    }

+-----------------------------------------------------------------------------------+
|               SƠ ĐỒ CẤU TRÚC PHẦN MỀM VÀ LƯU LƯỢNG DỮ LIỆU                        |
+-----------------------------------------------------------------------------------+
  [Camera USB 720p] ---> (OpenCV / HSV) ---> [Diện tích & Chỉ số vàng]
                                                       |
  [ESP32 Gateway] <--- (UART Protocol) <---------------+
         |
         +---> [Đọc Cảm biến: pH, TDS, SHT30, DS18B20, BH1750]
         |
         +---> [HTTPS / WebSocket] ---> [Firebase Realtime DB]
                                                 |
  [Web Dashboard (000webhost)] <-----------------+ (Telemetry Stream)
         |
         +---> [Cài đặt ngưỡng / Lệnh điều khiển] ---> [Bơm định lượng & Đèn LED]

Testing và validation

Hệ thống được vận hành thử nghiệm liên tục trong 30 ngày tại phòng thí nghiệm Cơ điện tử, thu thập dữ liệu trên 18 vị trí trồng thủy canh:

  1. Kiểm tra độ chính xác thị giác máy tính: Thử nghiệm trên 120 mẫu ảnh lá cây ở các góc độ và điều kiện sáng từ 200–1200 Lux. Hệ thống đạt độ chính xác phân loại giai đoạn sinh trưởng 74.16% và phát hiện lá biến đổi sắc tố đạt độ nhạy (Recall) 81.2%.
  2. Kiểm tra đáp ứng cơ cấu chấp hành định lượng: Đặt ngưỡng pH mục tiêu từ 6.0 và TDS mục tiêu 650 ppm trong bể chứa dung tích 20 lít.
Chu kỳ thử nghiệm pH ban đầu pH sau điều chỉnh Sai số $\Delta\text{pH}$ TDS ban đầu (ppm) TDS sau điều chỉnh (ppm) Sai số $\Delta\text{TDS}$
Lần 1 7.2 6.1 $+0.1$ 420 635 $-15\text{ ppm}$
Lần 2 5.1 5.9 $-0.1$ 380 660 $+10\text{ ppm}$
Lần 3 7.5 6.0 $0.0$ 510 673 $+23\text{ ppm}$
Trung bình -- -- $\pm 0.1\text{ pH}$ -- -- $\pm 16\text{ ppm}$ 
    BIỂU ĐỒ ĐÁP ỨNG THỜI GIAN ĐIỀU CHỈNH pH VÀ ppm TRONG BỂ 20L
    
    pH Value
     7.5 | * (pH = 7.5 ban đầu)
     7.0 |   *
     6.5 |     *  (Bơm axit ngắt quãng)
     6.0 |       *-------------------* Ngưỡng mục tiêu: 6.0 (Sai số: 0.1)
         +--------------------------------- Thời gian (phút)
         0   2   4   6   8   10  12  14
         
    TDS (ppm)
     700 |               *-----------* Đạt 673 ppm (Sai số: +23 ppm)
     600 |           *   (Bơm dung dịch A/B)
     500 |       * 
     400 | * (420 ppm ban đầu)
         +--------------------------------- Thời gian (phút)
         0   2   4   6   8   10  12  14
  1. Kiểm tra độ tin cậy cơ khí: Thực hiện 500 chu kỳ quét hành trình trục X-Y liên tục. Thời gian trung bình chuyển dịch giữa 2 khóm cây liền kề ($s = 150\text{ mm}$) đạt 1.08 giây (sai lệch $< 8%$ so với thiết kế lý thuyết $1.0\text{ s}$); không xảy ra hiện tượng trượt bước (Step loss) trên thanh răng puly đai GT2.

Kết quả đạt được

  • Tính toàn vẹn chức năng: Hoàn thành 100% các tính năng thiết kế bao gồm: quét camera tự động theo lưới tọa độ, truyền dữ liệu cảm biến đa điểm, cảnh báo vị trí khóm cây bất thường trực quan trên sơ đồ Web UI.
  • Hiệu quả tiêu thụ năng lượng: Tổng công suất tiêu thụ đỉnh (Peak Power) khi toàn bộ đèn LED, bơm nhu động và động cơ bước hoạt động đồng thời là 48.6 W, tiêu thụ điện năng trung bình chỉ 0.38 kWh/ngày.
  • Hiệu suất phần mềm: Chiếm dụng tài nguyên RAM trên Raspberry Pi 3 duy trì ổn định ở mức $\sim 200\text{ MB} / 1024\text{ MB}$ ($\approx 19.5%$), CPU Load trung bình $32%$ trong quá trình chạy Pipeline OpenCV.

Đổi mới và đóng góp

  1. Cơ chế giám sát quang học di động (Mobile Optical Inspection): Thay vì sử dụng ma trận camera tĩnh tốn kém (với 18 cây cần 18 camera), giải pháp sử dụng 01 camera gắn trên cơ cấu Gantry 2D tối ưu hóa chi phí phần cứng quang học tới 82%, loại bỏ điểm mù quang học nhờ góc chụp trực giao từ trên xuống.
  2. Kiến trúc điều khiển phân tán 4 vi điều khiển: Tách biệt tuyệt đối tác vụ tính toán nặng (Computer Vision trên Raspberry Pi), tác vụ kết nối mạng/đọc cảm biến tương tự (ESP32 ADC), tác vụ thời gian thực tạo xung bước chính xác cao (Arduino Nano) và điều khiển cách ly tải công suất (Arduino Uno). Kiến trúc này triệt tiêu hoàn toàn hiện tượng Watchdog Reset do nghẽn luồng.
  3. Phản hồi kép (Dual-Loop Feedback Control): Tích hợp song song thông số hóa sinh (pH/TDS) và chỉ số thị giác (diện tích lá, sắc tố vàng), tạo tiền đề cho hệ thống tự động thay đổi công thức pha dinh dưỡng theo từng chu kỳ sinh trưởng thực tế của cây thay vì lịch bón cố định.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Nông nghiệp đô thị (Urban Agriculture): Tích hợp vào các giàn thủy canh tại ban công, sân thượng hộ gia đình hoặc nhà hàng cung cấp rau sạch tại chỗ, quản lý tự động hoàn toàn qua điện thoại thông minh.
  • Phòng thí nghiệm & Viện nghiên cứu giống cây trồng: Phục vụ nghiên cứu đánh giá phản ứng sinh học của các loại phân bón và thuốc kích thích sinh trưởng thông qua việc ghi nhận diện tích lá theo thời gian thực tự động mỗi ngày.
+-----------------------------------------------------------------------------+
|              LỘ TRÌNH TRIỂN KHAI THỰC TẾ (ROADMAP 4 GIAI ĐOẠN)              |
+-----------------------------------------------------------------------------+
  Giai đoạn 1: Chuẩn bị cơ sở hạ tầng, cấp nguồn 220V/12V và kết nối Wi-Fi 2.4GHz
       |
  Giai đoạn 2: Lắp đặt cơ khí, cân chỉnh dầm trục X-Y, căn lực căng đai GT2
       |
  Giai đoạn 3: Hiệu chuẩn cảm biến bằng dung dịch chuẩn (pH 4.01/6.86/9.18, TDS 1413uS)
       |
  Giai đoạn 4: Đăng ký Web Domain, kích hoạt Database Firebase và gán IP tĩnh

Phân tích hiệu quả kinh tế (ROI)

Ước tính chi phí sản xuất phần cứng cho một module 18 khóm cây thương mại:

Hạng mục chi phí Chi phí (VNĐ) Ghi chú
Khung nhôm định hình 2040, puly, đai GT2, ốc vít 1.450.000 Vật liệu nhôm anode hóa chống oxy hóa
Động cơ bước Nema 17 (2 bộ) + Driver A4988 480.000 Truyền động 2 trục
Raspberry Pi 3 Model B+ & Camera USB 1.350.000 Khối xử lý trung tâm
ESP32 + Arduino Uno + Arduino Nano + Nguồn 12V 10A 680.000 Khối điều khiển phân tán
Bộ cảm biến (pH, TDS, SHT30, DS18B20, BH1750) 1.150.000 Cảm biến công nghiệp tiêu chuẩn
Bơm nhu động Kamoer (3 cái) + Ống dẫn Silicon 520.000 Định lượng dung dịch chính xác
Tổng chi phí phần cứng 5.630.000 VNĐ Giảm 45% so với thiết bị nhập khẩu cùng tính năng

Thời gian hoàn vốn (ROI): Ước tính từ 12–15 tháng đối với quy mô trang trại mini thương mại thông qua việc cắt giảm 100% chi phí giám sát thủ công hàng ngày và nâng cao năng suất rau loại A thêm $18%$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Góc chụp đơn kênh (Single Top-Down Angle): Camera chỉ phân tích được tán lá tầng trên cùng, chưa quan sát được mặt dưới của lá nơi rệp sáp và bọ phấn trắng thường khu trú.
  • Độ nhạy ánh sáng: Không gian màu HSV dù đã lọc nhiễu tốt hơn RGB nhưng vẫn chịu tác động nếu nguồn sáng ngoại cảnh có bóng đổ cục bộ quá lớn hoặc cường độ sáng $> 3000\text{ Lux}$.
  • Hành trình cơ khí: Phạm vi làm việc hiện tại bị giới hạn trong khung mô hình $1.2\text{ m}$, chưa mở rộng được cho các luống rau dài hàng chục mét mà không cần nối ray.

Hướng phát triển tiếp theo

  • Nâng cấp phần cứng xử lý ảnh lên Raspberry Pi 4 (4GB) hoặc NVIDIA Jetson Nano để tích hợp mô hình mạng nơ-ron tích chập sâu (CNN) như YOLOv8-tiny nhằm nhận diện chính xác từng loại đốm bệnh đặc thù (sâu tơ, thán thư).
  • Bổ sung cơ cấu quay Pan-Tilt-Zoom (2-DOF) cho đầu camera để chụp đa góc độ xung quanh thân cây.
  • Tích hợp giao thức công nghiệp RS-485 / Modbus RTU để kết nối nhiều giàn Gantry vệ tinh về một Gateway điều khiển tập trung.

Đối tượng hưởng lợi

  • Sinh viên ngành Cơ điện tử / Tự động hóa / IoT: Nhận được tài liệu tham khảo chi tiết về tính toán cơ cấu truyền động đai puly, giải thuật kiểm nghiệm bền uốn, và kiến trúc phân tán đa vi điều khiển đồng bộ qua UART/Cloud.
  • Lập trình viên Embedded & Computer Vision: Tham khảo mã nguồn xử lý ảnh OpenCV trích xuất đặc trưng màu sắc sinh học và cơ chế bất đồng bộ giữa phần cứng chấp hành và Web Dashboard.
  • Doanh nghiệp Nông nghiệp Công nghệ cao: Tiếp cận giải pháp tự động hóa khâu giám sát kiểu hình với chi phí tối ưu, sẵn sàng mở rộng quy mô sản xuất.
  • Nhà nghiên cứu Sinh học / Nông học: Bộ dữ liệu định lượng tương quan giữa thông số hóa lý môi trường ($pH, TDS$) và tốc độ tăng trưởng diện tích diệp lục thực tế của cây trồng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu nguồn điện lưới $220\text{V AC}$ (cung cấp qua Adapter tổ ong $12\text{V } 10\text{A}$), nguồn nước cấp sạch đầu vào, đường truyền mạng Wi-Fi $2.4\text{GHz}$ với băng thông tối thiểu $2\text{ Mbps}$ để tải dữ liệu ảnh lên Firebase Storage và Web Server.

2. Giới hạn mở rộng (Scalability) của hệ thống là bao nhiêu và cách nâng cấp?

Mô hình gantry hiện tại giới hạn ở chiều dài trục $1.2\text{ m}$. Để mở rộng cho giàn thủy canh công nghiệp dài $10–20\text{ m}$, cần thay thế thanh nhôm định hình bằng kết cấu dầm chịu lực chuyên dụng, sử dụng thanh răng - bánh răng (Rack and Pinion) thay cho dây đai để chống giãn, và nâng cấp động cơ bước lên dòng Nema 23 (Mô-men $\ge 1.5\text{ Nm}$).

3. Tích hợp hệ thống vào nhà màng đã có sẵn như thế nào?

Hệ thống được thiết kế dạng Module hóa độc lập. Toàn bộ cụm Gantry và tủ điện có thể treo thả trực tiếp lên khung giàn nhà màng hiện hữu thông qua các móc định vị chữ U tiêu chuẩn mà không cần can thiệp vào kết cấu ống dẫn thủy canh có sẵn.

4. Quy trình bảo trì và hiệu chuẩn cảm biến định kỳ ra sao?

Cảm biến pH và TDS cần được vệ sinh đầu đo bằng nước cất và hiệu chuẩn lại (Calibration) mỗi tháng một lần bằng các gói dung dịch chuẩn ($pH = 4.01, 6.86, 9.18$ và dung dịch chuẩn TDS $1413\text{ }\mu\text{S/cm}$). Cơ cấu đai và thanh trượt cần tra mỡ bôi trơn định kỳ 3 tháng/lần.

5. Chi phí chi tiết và thời gian hoàn vốn (ROI) được tính toán như thế nào?

Chi phí linh kiện trọn gói cho một hệ thống 18 khóm là $\approx 5.630.000\text{ VNĐ}$. Với khả năng kiểm soát dinh dưỡng chính xác giúp tăng sản lượng thêm $15–20%$ và giảm thiểu rủi ro bùng phát dịch bệnh hư hại toàn vườn, hệ thống giúp tiết kiệm chi phí vận hành và hoàn vốn đầu tư sau 12 đến 15 tháng.

Kết luận

Đồ án "Nghiên cứu, chế tạo hệ thống giám sát nhà vườn từ xa ứng dụng xử lý ảnh" đã hiện thực hóa thành công một giải pháp Cơ điện tử toàn diện và chuyên sâu cho nông nghiệp thông minh. Bằng sự kết hợp chặt chẽ giữa thiết kế cơ khí chính xác, hệ thống điều khiển phân tán 4 cấp linh hoạt, thuật toán xử lý ảnh HSV hiệu năng cao và nền tảng điện toán đám mây Firebase/Web, hệ thống giải quyết trọn vẹn bài toán tự động hóa kép: kiểm soát chính xác nồng độ hóa sinh dung dịch ($\Delta\text{pH} = \pm 0.1$, $\Delta\text{TDS} = \pm 23\text{ ppm}$) và chẩn đoán thị giác sớm tình trạng cây trồng (độ chính xác $74%$). Đây là nền tảng vững chắc để tiếp tục mở rộng sang các hệ thống nông nghiệp số thông minh quy mô công nghiệp trong tương lai.