Bối cảnh và vấn đề nghiên cứu

Trong nông nghiệp hiện đại, phương pháp canh tác thủy canh (canh tác không dùng đất) ngày càng được ứng dụng rộng rãi nhằm nâng cao năng suất, tiết kiệm không gian và hạn chế các tác nhân gây ô nhiễm từ đất như kim loại nặng hay nước thải. Để cây trồng phát triển tối ưu, việc duy trì cân bằng dung dịch dinh dưỡng (đặc biệt là nồng độ ion khoáng qua chỉ số ppm và độ axit/bazơ qua chỉ số pH) đóng vai trò quyết định. Tuy nhiên, phần lớn các hệ thống giám sát nông nghiệp thông minh (IoT) hiện nay chỉ tập trung thu thập các thông số môi trường từ cảm biến mà bỏ qua đặc điểm hình thái và màu sắc của cây trồng. Trong thực tế, các biểu hiện thiếu hụt dinh dưỡng (chẳng hạn như thiếu Nitơ làm lá chuyển vàng từ gốc, thiếu Kali gây cháy rìa lá nâu) phản ánh trực tiếp sức khỏe cây trồng trước khi cảm biến môi trường ghi nhận sự bất thường. Đồng thời, trên diện tích canh tác lớn, việc xác định chính xác vị trí cụ thể của từng cây bị bệnh để can thiệp kịp thời vẫn là thách thức lớn đối với lao động thủ công.

Nhằm giải quyết các bất cập trên, đề tài tập trung nghiên cứu, thiết kế và chế tạo một hệ thống cơ điện tử tích hợp cơ cấu chuyển động quét camera, xử lý ảnh nhận diện bất thường và hệ thống IoT giám sát, định lượng dinh dưỡng từ xa.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài:

  1. Nghiên cứu tổng quan các hệ thống thủy canh tự động và ứng dụng thị giác máy tính trong nông nghiệp trong và ngoài nước.
  2. Thiết kế và tính toán cơ khí cho mô hình nhà vườn thủy canh nằm ngang kết hợp cơ cấu trục truyền động camera hai trục X-Y.
  3. Thiết kế hệ thống điện, lựa chọn cảm biến và lập trình điều khiển nhúng đa vi điều khiển.
  4. Xây dựng thuật toán xử lý ảnh trên không gian màu HSV để phân loại giai đoạn sinh trưởng (cây non, cây trưởng thành) và phát hiện lá cây đổi màu bất thường.
  5. Thiết kế hệ thống cơ sở dữ liệu thời gian thực (Firebase) và giao diện máy chủ web để hiển thị thông số môi trường, hình ảnh và vị trí cây bệnh.
  6. Chế tạo mô hình thực tế, vận hành thực nghiệm và đánh giá sai số của hệ thống.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Cây trồng thủy canh (cụ thể là rau cải), hệ thống thủy canh hồi lưu màng dinh dưỡng (NFT), cơ cấu truyền động đai puly hai trục X-Y, hệ thống xử lý ảnh và mạch điều khiển nhúng.
  • Phạm vi và giới hạn đề tài:
    • Mô hình thực nghiệm thu nhỏ có kích thước khung máy $1220 \times 720 \times 660\text{ mm}$ (kích thước phủ bì tổng thể $1220 \times 740 \times 660\text{ mm}$).
    • Cụm camera USB gắn trên cơ cấu chuyển động trượt, thu nhận hình ảnh cây trồng từ góc nhìn cố định từ trên xuống (top-down).
    • Thuật toán xử lý ảnh tập trung vào phân tích màu sắc trong không gian màu HSV nhằm chẩn đoán cây thiếu chất thông qua hiện tượng vàng lá.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

  • Cơ chế dinh dưỡng và độ pH trong thủy canh: Thang đo pH dung dịch tối ưu cho cây trồng hấp thụ khoáng chất hòa tan dao động từ 5.5 đến 6.5 (hoặc 5.0 đến 7.0). Nếu pH vượt quá 7.0, tính tan của Sắt (Fe) giảm, gây kết tủa Canxi (Ca) và Magie (Mg); nếu pH dưới 5.0, sự hấp thụ Nitơ (N), Phốt pho (P), Kali (K) bị ức chế.
  • Triệu chứng thiếu hụt dinh dưỡng trên lá: Dựa trên nghiên cứu của Watchareeruetai và cộng sự, sự thiếu hụt đạm (N) biểu hiện bằng màu vàng ở các lá phía dưới, thiếu Magie (Mg) gây mất diệp lục giữa các gân lá, và thiếu Kali (K) gây đốm nâu hoại tử ở mép lá.
  • Quang phổ chiếu sáng nhân tạo: Ứng dụng nguồn sáng LED bước sóng màu đỏ (Red - R) và xanh lam (Blue - B) để kích thích diệp lục tố (chlorophyll), tăng cường quá trình quang hợp, hỗ trợ tăng sinh khối tươi và chiều cao cây trồng theo các nghiên cứu thực nghiệm của Yuda Prasetia (2021).
  • Mô hình thị giác máy tính và phân đoạn màu: Sử dụng không gian màu HSV (Hue - Saturation - Value) để phân tách vùng lá cây khỏi nền máng thủy canh và phân tích mức độ biến đổi sắc độ, khắc phục nhược điểm nhạy cảm với ánh sáng của không gian màu RGB.

Phương pháp nghiên cứu thực tế

  • Phương pháp nghiên cứu tài liệu: Tổng hợp tài liệu chuyên ngành cơ điện tử, nông nghiệp công nghệ cao và các công trình nghiên cứu IoT/xử lý ảnh quốc tế.
  • Phương pháp tham vấn chuyên gia: Trao đổi trực tiếp với giảng viên hướng dẫn về tính khả thi của các phương án thiết kế cơ khí và điều khiển.
  • Phương pháp thiết kế và tính toán kỹ thuật: Sử dụng phần mềm CAD thiết kế khung vỏ cơ khí; giải bài toán sức bền vật liệu, tính toán lực quán tính, lực ma sát, chọn công suất động cơ bước Nema 17 và bơm nhu động Kamoer.
  • Phương pháp thực nghiệm: Lắp ráp mô hình thực tế, đo đạc thời gian di chuyển cơ cấu chấp hành, kiểm tra độ chính xác của thuật toán xử lý ảnh trên tập mẫu thực tế và đo lường độ sai lệch định lượng nồng độ dung dịch (pH, TDS/ppm).

Thiết kế và triển khai hệ thống

Thiết kế cơ khí và truyền động

Hệ thống thủy canh gồm 3 ống nhựa PVC nằm ngang kích thước mỗi ống $1000 \times 113 \times 61\text{ mm}$, bố trí song song cách nhau $70\text{ mm}$. Tổng thể dàn ống có kích thước $1000 \times 479 \times 61\text{ mm}$, đặt trong khung nhôm định hình 2020 và 2040 kích thước $1220 \times 720 \times 660\text{ mm}$. Khoảng cách từ camera đến dàn ống là $300\text{ mm}$ và đến hệ thống đèn LED là $150\text{ mm}$.

Bộ phận / Cơ cấu Thông số thiết kế & Lựa chọn Kết quả tính toán & Kiểm nghiệm bền
Truyền động trục Y Bộ truyền đai puly, tải trọng $m = 2\text{ kg}$, vận tốc $v = 0.15\text{ m/s}$, gia tốc $a = 0.15\text{ m/s}^2$ Lực kéo $F_k = 15\text{ N}$, công suất trục $P_m = 2.4\text{ W}$. Động cơ bước Nema 17 ($1.5\text{A}, 0.45\text{ Nm}$). Ứng suất uốn lớn nhất $\sigma_{max} = 12.05\text{ N/mm}^2 \le [\sigma]_{nhôm} = 58.86\text{ N/mm}^2$.
Truyền động trục X Bộ truyền đai puly, tải trọng cụm camera $m = 1\text{ kg}$, vận tốc $v = 0.15\text{ m/s}$ Lực kéo $F_k = 6\text{ N}$, công suất trục $P_m = 0.95\text{ W}$. Động cơ bước Nema 17. Ứng suất uốn lớn nhất $\sigma_{max} = 2.94\text{ N/mm}^2 \le [\sigma]_{nhôm} = 58.86\text{ N/mm}^2$.
Trục truyền động đai Trục thép tròn đặc đường kính $D = 8\text{ mm}$, mô men quán tính $J_x = 204\text{ mm}^4$ Ứng suất uốn cực đại $\sigma_{max} = 3\text{ N/mm}^2 \le [\sigma]_{thép} = 230\text{ N/mm}^2$.
Bơm định lượng Bơm nhu động Kamoer NKP-DC-B08B (12V, $90\text{ ml/phút}$) Lưu lượng thiết kế $Q = 1\text{ ml/s}$, chiều cao cột áp $H = 0.15\text{ m}$, công suất tiêu thụ thực tế $1.4\text{ W}$.

Thiết kế hệ thống điện và điều khiển nhúng

Hệ thống sử dụng kiến trúc phân tán với 4 bộ vi điều khiển/máy tính nhúng đảm nhận các chức năng chuyên biệt:

  • Raspberry Pi 3 Model B (BCM2837, RAM 1GB): Đảm nhiệm việc thu thập luồng hình ảnh từ USB camera, thực thi thuật toán xử lý ảnh trên nền tảng OpenCV, gửi dữ liệu phân tích và vị trí cây lên máy chủ.
  • ESP32 (Tensilica Xtensa LX6 dual-core 32-bit): Đọc dữ liệu từ các cảm biến môi trường (nhiệt độ, độ ẩm SHT30; nhiệt độ nước DS18B20; ánh sáng BH1750; pH và TDS DFRobot Gravity), giao tiếp không dây với Firebase Realtime Database và truyền chuỗi lệnh qua UART đến Arduino.
  • Arduino Uno: Nhận tín hiệu điều khiển để kích đóng/ngắt các rơ-le điều khiển cụm bơm nhu động định lượng pH/dinh dưỡng và đèn LED chiếu sáng 5050 SMD.
  • Arduino Nano & CNC Shield V4: Điều khiển các driver A4988 cấp xung cho hai động cơ bước Nema 17 di chuyển cụm camera theo tọa độ đặt trước.
  • Khối nguồn: Bộ nguồn tổ ong 12V - 10A cấp nguồn cho động cơ, đèn LED và bơm; mạch giảm áp Buck DC-DC XL4005 (5A) hạ điện áp xuống 5V cung cấp cho các bo mạch điều khiển và camera; nguồn 3.3V cấp cho các mô-đun cảm biến.

Xử lý ảnh và giao diện người dùng

  • Xử lý ảnh: Ảnh chụp từ trên xuống được chuyển đổi sang không gian màu HSV. Tiến hành lọc mặt nạ màu xanh để trích xuất diện tích tán lá, tính toán số lượng pixel tương ứng để phân loại cây non và cây trưởng thành. Khi tỷ lệ sắc độ vàng vượt quá ngưỡng cài đặt, hệ thống xác định cây bất thường và trích xuất tọa độ ô trồng.
  • Hệ thống web-server: Triển khai giao diện điều khiển trên nền tảng 000webhost, liên kết cơ sở dữ liệu Firebase Realtime Database. Người dùng có thể theo dõi trực tiếp các biểu đồ thông số nhiệt độ, độ ẩm, TDS, pH, xem hình ảnh trực quan từng ô cây và nhập ngưỡng điều khiển cảm biến/bơm từ xa.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương mở đầu phân tích tính cấp thiết của việc hiện đại hóa nông nghiệp thủy canh, chỉ ra các hạn chế trong việc giám sát chất lượng cây trồng bằng các hệ thống cảm biến đơn thuần. Tác giả xác định rõ mục tiêu chế tạo hệ thống giám sát tự động tích hợp xử lý ảnh, xác lập giới hạn đề tài ở mô hình thu nhỏ kích thước $1220 \times 720 \times 660\text{ mm}$, quan sát góc cố định và phát hiện bệnh qua sắc tố lá.

Chương 2: Tổng quan nghiên cứu đề tài

Tổng hợp cơ sở lý thuyết về biểu hiện thiếu hụt khoáng chất (N, P, K, Mg, Ca) qua màu sắc và hình thái lá cây. Đánh giá các nghiên cứu tiền cận về phương pháp xử lý biên (Canny, Sobel) và nhận diện màu sắc (RGB, Color Thresholding, HSV). Phân tích ưu nhược điểm của các dạng dàn thủy canh (trụ đứng, zigzag, nằm ngang), từ đó lựa chọn thiết kế nằm ngang theo kỹ thuật NFT. Đánh giá thực nghiệm của Yuda Prasetia (2021) về hiệu quả của đèn LED chuyên dụng (đỏ và xanh) so với ánh sáng mặt trời đối với trọng lượng tươi (23.6g so với 20.2g) và chiều cao cây (23.6cm so với 20.2cm). Phân tích phạm vi pH tối ưu (5.5 - 6.5) trong dung dịch dinh dưỡng.

Chương 3: Thiết kế cơ khí

Trình bày chi tiết các yêu cầu kỹ thuật và phân tích lựa chọn cơ cấu truyền động giữa vít me, xích và đai puly. Lựa chọn bộ truyền đai puly để đảm bảo chuyển động êm ái, giảm rung chấn khi camera chụp ảnh. Thực hiện tính toán chi tiết lực ma sát, lực quán tính, lực kéo và công suất cần thiết trên trục X ($P_m = 0.95\text{ W}$) và trục Y ($P_m = 2.4\text{ W}$). Tiến hành kiểm nghiệm bền uốn cho thanh nhôm định hình 2040 và trục thép tròn $D = 8\text{ mm}$, khẳng định hệ số ứng suất thực tế đều nhỏ hơn giới hạn bền cho phép. Tính toán chọn bơm nhu động Kamoer NKP-DC-B08B công suất $1.4\text{ W}$.

Chương 4: Thiết kế hệ thống điều khiển

So sánh các dòng máy tính nhúng và vi điều khiển, lựa chọn Raspberry Pi 3 Model B (chiếm dụng tài nguyên thực tế khoảng 200MB RAM) và ESP32 (vi xử lý dual-core 32-bit tốc độ cao, hỗ trợ Wi-Fi). Trình bày sơ đồ khối, sơ đồ nguyên lý phân tầng 4 khối chức năng (nguồn, xử lý, cảm biến, thực thi). Thuyết minh các lưu đồ giải thuật điều khiển độc lập cho ESP32, Arduino Uno, Arduino Nano và Raspberry Pi 3.

Chương 5: Xử lý ảnh

Mô tả quy trình thuật toán thị giác máy tính: tiếp nhận ảnh đầu vào từ camera USB, chuyển đổi không gian màu RGB sang HSV, phân đoạn nhị phân (thresholding), tinh chỉnh mặt nạ để loại bỏ nhiễu nền. Trình bày phương pháp tính diện tích tán lá dựa trên tổng số điểm ảnh để phân biệt giai đoạn phát triển của cây và thuật toán so sánh ngưỡng sắc độ để định vị các điểm lá vàng bất thường.

Chương 6: Thiết kế giao diện Web – Web-Server

Trình bày cấu trúc giao diện điều khiển và giám sát trực quan. Thiết lập kết nối giữa hệ thống nhúng và cơ sở dữ liệu thời gian thực Firebase để lưu trữ bảng thông số vận hành, tài khoản người dùng và liên kết hình ảnh. Triển khai giao diện người dùng trên máy chủ 000webhost gồm các trang: đăng nhập, bảng điều khiển thông số cảm biến thời gian thực, trang cài đặt ngưỡng nồng độ pH/ppm và trang hiển thị sơ đồ vị trí các cây trồng bất thường.

Chương 7: Kết quả - Đánh giá hệ thống

Công bố kết quả gia công lắp ráp hoàn thiện mô hình cơ điện tử. Tiến hành thực nghiệm kiểm tra hoạt động cơ khí, thời gian di chuyển camera giữa các vị trí cây ($0.15\text{ m/s}$ đáp ứng $1\text{ s}$ giữa hai gốc cây liền kề). Đánh giá khả năng đáp ứng của hệ thống định lượng dung dịch tự động và đo lường độ chính xác phân loại của thuật toán xử lý ảnh trên cây thực tế.

Chương 8: Kết luận và hướng phát triển

Đánh giá tổng kết các mục tiêu đã đạt được về mặt cơ khí, điều khiển nhúng, thị giác máy tính và giao diện truyền thông IoT. Thẳng thắn nêu các điểm hạn chế về quy mô thử nghiệm, độ phức tạp của thuật toán xử lý ảnh và đề xuất các giải pháp nâng cấp trong tương lai.

Kết quả và đóng góp

Kết quả định lượng chính của đồ án

  • Độ chính xác phân loại sinh trưởng: Thuật toán xử lý ảnh trên không gian màu HSV đạt độ chính xác 74% trong việc phân loại giữa giai đoạn cây non và cây trưởng thành.
  • Độ chính xác điều chỉnh dung dịch: Hệ thống tự động định lượng và điều chỉnh nồng độ dung dịch dinh dưỡng qua bơm nhu động có độ sai lệch rất nhỏ so với thông số cài đặt:
    • Sai lệch độ pH sau khi hệ thống tự động hiệu chỉnh là 0.1 pH.
    • Sai lệch nồng độ chất rắn hòa tan (TDS) sau khi hệ thống tự động hiệu chỉnh là 23 ppm.
  • Hiệu suất cơ khí và truyền động: Cơ cấu chuyển động hai trục X-Y vận hành chính xác với tốc độ trung bình $v = 0.15\text{ m/s}$, chuyển dịch giữa hai vị trí cây cách nhau $0.15\text{ m}$ đúng trong thời gian $1\text{ giây}$, hình ảnh chụp không bị nhòe mờ do rung lắc.

Giải pháp kỹ thuật và đóng góp của đề tài

  • Kết hợp giám sát môi trường và hình thái học: Khắc phục nhược điểm của các hệ thống thủy canh IoT truyền thống (vốn chỉ đo thông số vô sinh như nhiệt độ, pH) bằng cách bổ sung khả năng giám sát trực quan màu sắc tán lá để phát hiện sớm hiện tượng thiếu chất dinh dưỡng.
  • Tự động hóa định vị cây trồng: Đưa ra giải pháp cơ cấu trượt camera quét tuần tự kết hợp ánh xạ tọa độ lên web server, giúp người trồng xác định chính xác vị trí ô cây có dấu hiệu bệnh trên dàn thủy canh mà không cần kiểm tra thủ công.
  • Kiến trúc điều khiển phân tán tối ưu: Phân tách rõ ràng tác vụ nặng (xử lý ảnh trên Raspberry Pi), tác vụ kết nối mạng/đọc cảm biến (ESP32) và tác vụ chấp hành thời gian thực (Arduino Uno/Nano), giúp hệ thống hoạt động ổn định và tối ưu tài nguyên.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  1. Phạm vi mô hình: Hệ thống mới chỉ được chế tạo và thử nghiệm ở quy mô mô hình thu nhỏ ($1220 \times 720 \times 660\text{ mm}$), chưa thử nghiệm trên quy mô trang trại công nghiệp lớn.
  2. Góc quan sát camera: Cụm camera chỉ ghi nhận hình ảnh từ một góc nhìn cố định từ trên xuống (top-down), gây khó khăn trong việc phát hiện sâu bệnh hoặc tổn thương ở mặt dưới lá và thân cây.
  3. Phạm vi thuật toán xử lý ảnh: Phương pháp phân đoạn màu HSV chủ yếu phát hiện được hiện tượng chuyển vàng do thiếu đạm (N), chưa phân loại được các loại sâu bệnh hại phức tạp hoặc các dạng biến dạng lá khác.

Hướng nghiên cứu tiếp

  1. Nâng cấp thuật toán xử lý ảnh bằng cách tích hợp các mô hình học sâu (Deep Learning / CNN) để nhận diện đa dạng các loại bệnh hại, nấm lá và sâu bệnh.
  2. Thiết kế cụm camera có khả năng xoay nhiều góc độ (pan-tilt) để quan sát toàn diện cấu trúc thân và tán lá.
  3. Mở rộng cơ cấu cơ khí cho các nhà vườn diện tích lớn và tối ưu hóa thuật toán định lượng dung dịch tự động thích ứng theo từng chu kỳ phát triển chi tiết của cây.

Giá trị tham khảo

Đồ án là tài liệu tham khảo có giá trị kỹ thuật cao cho:

  • Sinh viên và kỹ sư ngành Cơ điện tử, Nông nghiệp công nghệ cao, Kỹ thuật Điều khiển và Tự động hóa: Cung cấp quy trình hoàn chỉnh từ tính toán động lực học, thiết kế cơ khí bền vững, kiểm nghiệm ứng suất uốn trục đến lập trình hệ thống nhúng đa vi điều khiển.
  • Người nghiên cứu hệ thống IoT nông nghiệp: Tham khảo kiến trúc kết nối phần cứng với cơ sở dữ liệu thời gian thực Firebase và thiết kế web-server điều khiển thiết bị ngoại vi.
  • Các đề tài ứng dụng thị giác máy tính: Cung cấp phương pháp chi tiết về chuyển đổi không gian màu HSV, tách nền và tính diện tích lá cây phục vụ phân loại sinh trưởng thực tế.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại chọn bộ truyền đai puly thay vì vít me hay xích cho cơ cấu di chuyển camera?
Trả lời: Theo phân tích của tác giả, bộ truyền vít me có hiệu suất thấp do ma sát ren lớn và tốc độ chậm, trong khi bộ truyền xích gây ra tiếng ồn và rung lắc mạnh làm ảnh hưởng xấu đến chất lượng chụp ảnh của camera. Bộ truyền đai puly mang lại chuyển động mượt mà, liên tục, giảm thiểu rung lắc và yêu cầu bảo trì thấp, đáp ứng tốt tốc độ di chuyển $0.15\text{ m/s}$.

2. Độ chính xác của thuật toán xử lý ảnh và độ sai lệch điều chỉnh dinh dưỡng của hệ thống đạt bao nhiêu?
Trả lời: Thuật toán xử lý ảnh đạt độ chính xác 74% trong việc phân loại giai đoạn cây non và cây trưởng thành. Hệ thống định lượng tự động đạt độ chính xác cao với sai lệch pH chỉ 0.1 pH và sai lệch nồng độ dinh dưỡng chỉ 23 ppm so với giá trị cài đặt.

3. Vai trò của từng bộ vi điều khiển và máy tính nhúng trong hệ thống được phân chia như thế nào?
Trả lời: Hệ thống sử dụng 4 bộ xử lý: Raspberry Pi 3 Model B chuyên xử lý ảnh từ USB camera; ESP32 đọc các cảm biến môi trường và kết nối Wi-Fi với Firebase; Arduino Uno điều khiển relay kích hoạt bơm nhu động và đèn LED; Arduino Nano kết hợp CNC Shield V4 điều khiển các động cơ bước Nema 17 di chuyển camera.

4. Vì sao hệ thống lựa chọn không gian màu HSV thay vì RGB để phát hiện lá cây bất thường?
Trả lời: Không gian màu RGB rất nhạy cảm với sự thay đổi của cường độ ánh sáng môi trường, gây khó khăn cho việc chọn ngưỡng màu cố định. Không gian màu HSV tách biệt thành phần sắc độ (Hue), độ bão hòa (Saturation) và giá trị độ sáng (Value), giúp hệ thống nhận diện màu vàng của lá cây thiếu dinh dưỡng ổn định và chính xác hơn khi môi trường có biến động ánh sáng.

Kết luận

Đồ án tốt nghiệp đã nghiên cứu và chế tạo thành công mô hình hệ thống giám sát nhà vườn thủy canh từ xa tích hợp công nghệ xử lý ảnh và IoT. Hệ thống đáp ứng tốt các yêu cầu tính toán cơ khí, vận hành chuyển động camera êm ái, đạt độ chính xác phân loại cây trồng 74% và kiểm soát sai lệch nồng độ dung dịch ở mức rất thấp (0.1 pH và 23 ppm). Kết quả nghiên cứu là minh chứng thực nghiệm rõ ràng cho tính khả thi của việc kết hợp thị giác máy tính vào tự động hóa nông nghiệp chính xác.