I. IoT Xử Lý Ảnh Mở Ra Kỷ Nguyên Nông Nghiệp Thông Minh 4
Trong bối cảnh Cách mạng công nghiệp 4.0, sự kết hợp giữa Internet vạn vật (IoT) và công nghệ xử lý ảnh đang tạo ra một cuộc cách mạng trong lĩnh vực nông nghiệp. Giải pháp IoT xử lý ảnh không chỉ là một khái niệm tương lai mà đã trở thành công cụ đắc lực, giúp tự động hóa và tối ưu hóa quy trình canh tác. Hệ thống này cho phép thu thập dữ liệu trực quan từ cây trồng, phân tích và đưa ra quyết định chính xác, góp phần hình thành nền nông nghiệp thông minh (smart agriculture) bền vững. Thay vì phụ thuộc vào kinh nghiệm và lao động thủ công, người nông dân giờ đây có thể giám sát trang trại từ xa, phát hiện sớm các vấn đề và can thiệp kịp thời. Nghiên cứu "Ứng dụng công nghệ xử lý ảnh kết hợp IoT để theo dõi và phân tích tình trạng quả trên cây cà chua" của Huỳnh Quốc Chí và Nguyễn Hiếu Nghĩa (2022) là một minh chứng tiêu biểu cho xu hướng này. Đề tài tập trung xây dựng một mô hình giám sát cây cà chua tự động, sử dụng các thiết bị chi phí thấp nhưng hiệu quả cao. Hệ thống này không chỉ giúp theo dõi sự phát triển của quả mà còn kiểm soát các yếu tố môi trường như nhiệt độ, độ ẩm, góp phần nâng cao năng suất và chất lượng sản phẩm. Việc ứng dụng IoT xử lý ảnh vào theo dõi cà chua tự động mở ra hướng đi mới cho nông nghiệp chính xác, giảm thiểu rủi ro, tiết kiệm chi phí và giải phóng sức lao động, hướng tới một nền nông nghiệp hiện đại và hiệu quả.
1.1. Tổng quan về giải pháp nông nghiệp thông minh smart agriculture
Nông nghiệp thông minh là mô hình ứng dụng các công nghệ tiên tiến như IoT, Trí tuệ nhân tạo (AI), và Dữ liệu lớn (Big Data) vào toàn bộ chu trình sản xuất. Mục tiêu chính là tăng hiệu quả, tính bền vững và khả năng chống chịu của hệ thống nông nghiệp. Thay vì các phương pháp canh tác truyền thống dựa trên lịch trình cố định, smart agriculture cho phép quản lý trang trại dựa trên dữ liệu thời gian thực. Các hệ thống nhúng IoT với cảm biến chuyên dụng sẽ thu thập thông tin về độ ẩm đất, nhiệt độ không khí, ánh sáng, và dinh dưỡng. Dữ liệu này sau đó được phân tích để đưa ra các quyết định tối ưu, chẳng hạn như chỉ tưới nước khi cây thực sự cần, hoặc bón phân đúng liều lượng. Điều này không chỉ giúp tiết kiệm tài nguyên quý giá mà còn giảm tác động tiêu cực đến môi trường, đồng thời tối đa hóa năng suất cây trồng. Giải pháp theo dõi cà chua tự động là một ví dụ điển hình, thể hiện rõ tiềm năng của mô hình này trong việc quản lý cây trồng cụ thể.
1.2. Vai trò của thị giác máy tính cho cây trồng trong canh tác hiện đại
Thị giác máy tính cho cây trồng (computer vision nông nghiệp) đóng vai trò như "đôi mắt" của hệ thống nông nghiệp thông minh. Công nghệ này sử dụng cảm biến hình ảnh và các thuật toán AI để phân tích hình ảnh, từ đó trích xuất các thông tin hữu ích mà mắt người khó nhận biết một cách chính xác và liên tục. Các ứng dụng chính bao gồm: giám sát cây trồng bằng AI để theo dõi tốc độ tăng trưởng, phân loại độ chín của quả để lên kế hoạch thu hoạch, và quan trọng hơn là nhận dạng sâu bệnh qua ảnh ở giai đoạn sớm. Bằng cách tự động hóa các công việc kiểm tra trực quan, thị giác máy tính giúp giảm đáng kể thời gian và công sức của người nông dân. Hơn nữa, nó cung cấp dữ liệu khách quan và nhất quán, làm cơ sở cho việc phân tích dữ liệu nông nghiệp quy mô lớn, giúp cải thiện chiến lược canh tác qua từng mùa vụ. Việc tích hợp thị giác máy tính vào hệ thống IoT xử lý ảnh là bước tiến quan trọng, đưa khả năng giám sát lên một tầm cao mới.
II. Thách Thức Canh Tác Cà Chua Hạn Chế Của Phương Pháp Cũ
Canh tác cà chua theo phương pháp truyền thống phải đối mặt với nhiều thách thức cố hữu. Người nông dân thường dựa vào kinh nghiệm cá nhân để đánh giá thời điểm tưới nước, bón phân và thu hoạch. Điều này dẫn đến sự thiếu nhất quán, lãng phí tài nguyên và năng suất không ổn định. Theo nhận định trong đề tài của Huỳnh Quốc Chí và Nguyễn Hiếu Nghĩa (2022), việc sản xuất nông nghiệp "gần như chỉ phụ thuộc vào kinh nghiệm... về đặc tính của cây trồng, về thời tiết", khiến hiệu suất canh tác mang tính "may, rủi". Các yếu tố môi trường như nhiệt độ, độ ẩm đất, và các hiện tượng thời tiết cực đoan là những biến số khó lường, có thể gây thiệt hại lớn nếu không được giám sát và xử lý kịp thời. Đặc biệt, việc xác định độ chín của hàng ngàn quả cà chua để thu hoạch đúng lúc là một công việc tốn nhiều nhân công và dễ xảy ra sai sót. Những hạn chế này cho thấy sự cấp thiết của việc áp dụng công nghệ. Hệ thống IoT xử lý ảnh để theo dõi cà chua tự động ra đời như một giải pháp khắc phục các nhược điểm trên. Nó cung cấp một phương pháp quản lý dựa trên dữ liệu, giúp đưa ra quyết định chính xác và kịp thời, từ đó nâng cao hiệu quả sản xuất và giảm thiểu rủi ro trong ngành trồng trọt.
2.1. Những khó khăn trong việc giám sát cây trồng truyền thống
Việc giám sát cây trồng truyền thống đòi hỏi sự hiện diện thường xuyên của con người tại trang trại. Công việc này bao gồm kiểm tra thủ công độ ẩm của đất, quan sát dấu hiệu sâu bệnh trên lá, và ước tính độ chín của quả bằng mắt thường. Quá trình này không chỉ tốn thời gian, công sức mà còn mang tính chủ quan cao. Hai người nông dân khác nhau có thể đưa ra những đánh giá khác nhau về cùng một cây trồng. Hơn nữa, với quy mô canh tác lớn, việc kiểm tra toàn bộ diện tích một cách kỹ lưỡng là gần như không thể, dẫn đến việc bỏ sót các vấn đề tiềm ẩn cho đến khi chúng trở nên nghiêm trọng. Sự thiếu hụt dữ liệu định lượng và liên tục khiến việc tối ưu hóa quy trình chăm sóc trở nên khó khăn. Đây là rào cản lớn đối với việc nâng cao năng suất và chất lượng nông sản một cách ổn định.
2.2. Yêu cầu cấp thiết về nông nghiệp chính xác và quản lý mùa vụ
Nông nghiệp chính xác là một phương pháp quản lý trang trại nhấn mạnh vào việc quan sát, đo lường và phản ứng với sự thay đổi trong từng khu vực nhỏ của cánh đồng. Thay vì áp dụng cùng một chế độ chăm sóc cho toàn bộ diện tích, nông nghiệp chính xác cho phép điều chỉnh các yếu tố đầu vào (nước, phân bón) cho phù hợp với nhu cầu thực tế của từng cây hoặc cụm cây. Để thực hiện được điều này, việc thu thập dữ liệu chính xác và kịp thời là yêu cầu tiên quyết. Các hệ thống IoT xử lý ảnh đáp ứng hoàn hảo nhu cầu này bằng cách cung cấp dữ liệu liên tục về cả môi trường và tình trạng vật lý của cây trồng. Quản lý mùa vụ hiệu quả đòi hỏi phải biết chính xác khi nào cần hành động. Ví dụ, việc đếm trái cây tự động và phân loại độ chín giúp ước tính sản lượng và xác định thời điểm thu hoạch tối ưu, đảm bảo chất lượng quả tốt nhất và tối đa hóa lợi nhuận.
III. Hướng Dẫn Xây Dựng Hệ Thống IoT Theo Dõi Cà Chua Tự Động
Xây dựng một hệ thống IoT xử lý ảnh để theo dõi cà chua tự động không còn là điều quá phức tạp, nhờ vào sự phát triển của các linh kiện điện tử giá rẻ và mã nguồn mở. Đề tài của Huỳnh Quốc Chí và Nguyễn Hiếu Nghĩa (2022) đã đề xuất một mô hình hiệu quả, chi phí thấp, phù hợp cho quy mô vừa và nhỏ. Hệ thống này được xây dựng xung quanh hai bộ vi điều khiển chính: ESP32-CAM đảm nhận nhiệm vụ thu nhận và xử lý hình ảnh, trong khi ESP8266 đóng vai trò là bộ não trung tâm, thu thập dữ liệu từ các cảm biến môi trường và điều khiển các thiết bị ngoại vi. Dữ liệu từ cảm biến độ ẩm đất, nhiệt độ không khí (DHT11) và cảm biến mưa được gửi đến ESP8266. Vi điều khiển này sau đó sẽ xử lý và truyền dữ liệu lên nền tảng đám mây Firebase, đồng thời ra lệnh cho các cơ cấu chấp hành như máy bơm nước hoặc hệ thống che mưa. Song song đó, cảm biến hình ảnh trên ESP32-CAM liên tục chụp ảnh vườn cà chua, thực hiện phân tích để xác định số lượng và độ chín của quả. Kết quả phân tích này cũng được gửi lên Firebase, cho phép người dùng giám sát toàn diện trang trại của mình thông qua một ứng dụng di động. Mô hình này là một ví dụ điển hình về một hệ thống nhúng IoT hoàn chỉnh và có tính ứng dụng cao.
3.1. Sơ đồ kiến trúc tổng thể của hệ thống nhúng IoT
Kiến trúc của một hệ thống nhúng IoT để giám sát nông nghiệp thường bao gồm bốn lớp chính. Lớp thứ nhất là Lớp Thu thập Dữ liệu, bao gồm các cảm biến vật lý như cảm biến nhiệt độ, độ ẩm, mưa và đặc biệt là cảm biến hình ảnh (camera). Lớp thứ hai là Lớp Xử lý Cục bộ, nơi các vi điều khiển như ESP8266 và ESP32-CAM thực hiện các tác vụ ban đầu, chẳng hạn như đọc giá trị cảm biến và tiền xử lý ảnh. Lớp thứ ba là Lớp Giao tiếp, sử dụng kết nối Wi-Fi để truyền dữ liệu từ các vi điều khiển lên một nền tảng đám mây (Cloud Platform) như Firebase. Lớp cuối cùng là Lớp Ứng dụng, bao gồm giao diện người dùng (ví dụ: ứng dụng di động) để hiển thị dữ liệu đã phân tích và cho phép người dùng điều khiển hệ thống từ xa. Sơ đồ kiến trúc này đảm bảo hệ thống hoạt động một cách mạch lạc, từ thu thập dữ liệu thô đến cung cấp thông tin hữu ích cho người quản lý.
3.2. Lựa chọn phần cứng ESP32 CAM project và ESP8266
Việc lựa chọn phần cứng là yếu tố quyết định đến chi phí và hiệu năng của hệ thống. Một ESP32-CAM project là lựa chọn lý tưởng cho các tác vụ liên quan đến thị giác máy tính ở quy mô nhỏ. ESP32-CAM tích hợp sẵn một vi điều khiển lõi kép mạnh mẽ, kết nối Wi-Fi, Bluetooth và một camera, tất cả trên một bo mạch nhỏ gọn với giá thành rất hợp lý. Nó đủ sức mạnh để chạy các thuật toán xử lý ảnh cơ bản như phân loại màu sắc. Trong khi đó, ESP8266 (dưới dạng module NodeMCU) được chọn làm bộ điều khiển trung tâm vì sự ổn định, cộng đồng hỗ trợ lớn và khả năng kết nối Wi-Fi đáng tin cậy. Việc phân chia nhiệm vụ, với ESP32-CAM chuyên xử lý ảnh và ESP8266 quản lý cảm biến và thiết bị ngoại vi, giúp tối ưu hóa hiệu suất toàn hệ thống và làm cho việc lập trình trở nên đơn giản hơn.
3.3. Tích hợp cảm biến hình ảnh và các cảm biến môi trường
Quá trình tích hợp các cảm biến là bước cốt lõi để hệ thống có thể "cảm nhận" được môi trường xung quanh. Cảm biến hình ảnh OV2640 đi kèm với module ESP32-CAM được kết nối qua giao diện camera chuyên dụng. Các cảm biến môi trường như DHT11 (nhiệt độ, độ ẩm không khí), cảm biến độ ẩm đất và cảm biến mưa được kết nối với các chân GPIO (General Purpose Input/Output) của vi điều khiển ESP8266. Việc giao tiếp với các cảm biến này thường được thực hiện thông qua các giao thức đơn giản như 1-Wire hoặc đọc giá trị analog. Dữ liệu từ các cảm biến này cung cấp một bức tranh toàn cảnh về điều kiện sinh trưởng của cây cà chua, giúp hệ thống tự động hóa nhà kính đưa ra các hành động phù hợp như bật máy bơm khi đất khô hoặc kéo mái che khi trời mưa, tạo môi trường lý tưởng cho cây phát triển.
IV. Phương Pháp Xử Lý Ảnh Phân Loại Độ Chín Của Quả Cà Chua
Trái tim của hệ thống theo dõi cà chua tự động chính là thuật toán xử lý ảnh, có khả năng phân biệt các giai đoạn phát triển của quả. Nghiên cứu của Huỳnh Quốc Chí và Nguyễn Hiếu Nghĩa (2022) đã áp dụng một phương pháp hiệu quả dựa trên phân tích màu sắc. Quá trình này bắt đầu bằng việc thu nhận hình ảnh từ camera ESP32-CAM. Sau đó, hình ảnh thô được đưa vào giai đoạn tiền xử lý để giảm nhiễu và chuẩn hóa màu sắc. Thay vì sử dụng không gian màu RGB mặc định vốn nhạy cảm với sự thay đổi của ánh sáng, hình ảnh được chuyển đổi sang không gian màu HSV (Hue, Saturation, Value). Trong không gian màu HSV, thành phần "Hue" (H) biểu thị màu sắc một cách độc lập với cường độ sáng, giúp việc phân loại trở nên ổn định và chính xác hơn trong các điều kiện ánh sáng khác nhau. Bằng cách xác định các ngưỡng giá trị H tương ứng với màu xanh (quả non), màu vàng (quả ương) và màu đỏ (quả chín), thuật toán có thể phân vùng (segment) các pixel thuộc về quả cà chua và phân loại chúng. Phương pháp này, khi được triển khai bằng các thư viện như OpenCV Python, cho phép hệ thống thực hiện việc phân loại độ chín của quả và đếm trái cây tự động một cách hiệu quả.
4.1. Sử dụng OpenCV Python để thu nhận và tiền xử lý ảnh
Thư viện OpenCV Python là một công cụ mã nguồn mở mạnh mẽ và phổ biến nhất cho các ứng dụng thị giác máy tính cho cây trồng. Mặc dù hệ thống trong đề tài gốc có thể được lập trình bằng C++ trên Arduino IDE, nguyên lý và kỹ thuật hoàn toàn có thể được mô tả và triển khai bằng Python. Bước đầu tiên là thu nhận luồng video hoặc ảnh tĩnh từ cảm biến hình ảnh. Sau đó, các kỹ thuật tiền xử lý được áp dụng, bao gồm làm mờ (blurring) để loại bỏ nhiễu chi tiết nhỏ và cân bằng trắng (white balancing) để điều chỉnh ảnh hưởng của màu sắc ánh sáng môi trường. Những bước này rất quan trọng để đảm bảo dữ liệu đầu vào cho các giai đoạn sau được sạch sẽ và nhất quán, từ đó nâng cao độ chính xác của quá trình phân loại. OpenCV cung cấp các hàm dựng sẵn, dễ sử dụng cho tất cả các tác vụ này.
4.2. Kỹ thuật phân loại độ chín của quả dựa trên không gian màu HSV
Kỹ thuật cốt lõi để phân loại độ chín của quả là phân ngưỡng màu trong không gian HSV. Sau khi chuyển ảnh từ RGB sang HSV, hệ thống sẽ áp dụng các mặt nạ (masks) màu sắc. Mỗi mặt nạ là một dải giá trị trong các kênh H, S, V được xác định trước để chỉ giữ lại các pixel có màu tương ứng. Ví dụ, một mặt nạ cho cà chua chín sẽ có dải giá trị Hue nằm trong khoảng của màu đỏ và cam. Tương tự, các mặt nạ khác được tạo ra cho màu vàng và màu xanh. Sau khi áp dụng mặt nạ, hệ thống sẽ thu được các ảnh nhị phân, trong đó các vùng trắng đại diện cho những quả cà chua có màu sắc tương ứng. Kỹ thuật này đơn giản nhưng rất hiệu quả để tách biệt các đối tượng quan tâm khỏi nền lá cây và các vật thể khác trong ảnh.
4.3. Triển khai thuật toán đếm trái cây tự động theo màu sắc
Sau khi đã có các ảnh nhị phân từ bước phân loại màu, thuật toán đếm trái cây tự động được triển khai. Hệ thống sử dụng các hàm tìm đường bao (contour detection) trong OpenCV để xác định các vùng trắng riêng biệt trong mỗi ảnh mặt nạ. Mỗi đường bao khép kín được xác định có khả năng là một quả cà chua. Để tăng độ chính xác, các bộ lọc có thể được áp dụng dựa trên diện tích hoặc hình dạng của đường bao để loại bỏ các vùng nhiễu nhỏ hoặc các vật thể không phải là quả. Bằng cách đếm số lượng đường bao hợp lệ trong mỗi ảnh mặt nạ (đỏ, vàng, xanh), hệ thống có thể đưa ra thống kê về số lượng quả cà chua ở từng giai đoạn chín. Dữ liệu này cực kỳ giá trị cho việc ước tính sản lượng và lập kế hoạch thu hoạch.
V. Kết Quả Nghiên Cứu Ứng Dụng Thực Tiễn Theo Dõi Cà Chua
Hệ thống IoT xử lý ảnh được phát triển trong đề tài của Huỳnh Quốc Chí và Nguyễn Hiếu Nghĩa (2022) đã chứng minh được tính khả thi và hiệu quả trong môi trường mô phỏng. Kết quả đạt được cho thấy hệ thống có khả năng giám sát liên tục các thông số môi trường và tình trạng cây trồng, đồng thời cho phép điều khiển tự động các thiết bị hỗ trợ. Dữ liệu nhiệt độ, độ ẩm đất và không khí được thu thập chính xác và cập nhật theo thời gian thực lên nền tảng Firebase. Người dùng có thể dễ dàng theo dõi các thông số này thông qua một giao diện ứng dụng trực quan được xây dựng bằng MIT App Inventor. Về mặt xử lý ảnh, hệ thống đã thực hiện thành công việc phân loại độ chín của quả cà chua thành ba cấp độ (xanh, vàng, đỏ) và đếm trái cây tự động trong từng loại. Mặc dù tốc độ xử lý và độ chính xác có thể bị ảnh hưởng bởi điều kiện ánh sáng, kết quả ban đầu là rất hứa hẹn, cho thấy tiềm năng ứng dụng trong các mô hình tự động hóa nhà kính quy mô nhỏ. Nghiên cứu này đã đặt nền móng vững chắc cho việc phát triển các giải pháp nông nghiệp thông minh chi phí thấp tại Việt Nam, giúp người nông dân tiếp cận công nghệ một cách dễ dàng hơn.
5.1. Giao diện giám sát và phân tích dữ liệu nông nghiệp trên app
Một thành phần quan trọng của hệ thống là ứng dụng di động, đóng vai trò là cầu nối giữa người dùng và trang trại thông minh. Sử dụng nền tảng MIT App Inventor, nhóm nghiên cứu đã tạo ra một giao diện thân thiện, cho phép người dùng xem trực tiếp các chỉ số môi trường như nhiệt độ và độ ẩm dưới dạng số và biểu đồ. Quan trọng hơn, ứng dụng hiển thị kết quả của quá trình phân tích dữ liệu nông nghiệp từ hình ảnh, bao gồm số lượng quả cà chua ở mỗi giai đoạn chín. Người dùng cũng có thể điều khiển thủ công các thiết bị như máy bơm, hệ thống che mưa trực tiếp từ điện thoại. Việc tập trung hóa dữ liệu và quyền điều khiển vào một ứng dụng duy nhất giúp đơn giản hóa việc quản lý, tiết kiệm thời gian và cho phép phản ứng nhanh với mọi thay đổi trong môi trường canh tác.
5.2. Hiệu quả của hệ thống trong tự động hóa nhà kính quy mô nhỏ
Mô hình được xây dựng đã chứng tỏ hiệu quả rõ rệt trong việc tự động hóa nhà kính. Hệ thống có thể tự động bật máy bơm tưới cây khi cảm biến phát hiện đất khô, và tự động kéo mái che khi có mưa, bảo vệ cây trồng khỏi các điều kiện bất lợi mà không cần sự can thiệp của con người. Chức năng giám sát cây trồng bằng AI (thông qua xử lý ảnh) cung cấp thông tin liên tục về quá trình phát triển của quả, giúp người nông dân có cái nhìn tổng quan về mùa vụ. Đối với quy mô nhỏ, nơi chi phí đầu tư là một yếu tố quan trọng, giải pháp sử dụng các linh kiện như ESP32-CAM và ESP8266 là cực kỳ kinh tế. Hệ thống này không chỉ giúp tăng năng suất mà còn giảm thiểu rủi ro, là một bước tiến quan trọng hướng tới nông nghiệp chính xác và bền vững.
VI. Tương Lai Của Computer Vision Nông Nghiệp và Hướng Phát Triển
Giải pháp IoT xử lý ảnh để theo dõi cà chua tự động là một bước khởi đầu đầy tiềm năng, mở ra nhiều hướng phát triển trong tương lai cho ngành computer vision nông nghiệp. Mặc dù phương pháp phân loại dựa trên màu sắc đã chứng tỏ hiệu quả, nó vẫn có những hạn chế nhất định, đặc biệt trong điều kiện ánh sáng phức tạp hoặc khi quả bị che khuất bởi lá. Các nghiên cứu trong tương lai có thể tập trung vào việc tích hợp các mô hình học sâu (Deep Learning) để cải thiện độ chính xác và mở rộng chức năng của hệ thống. Thay vì chỉ phân loại độ chín, hệ thống có thể được huấn luyện để thực hiện các tác vụ phức tạp hơn. Việc áp dụng các kỹ thuật tiên tiến này sẽ đưa hệ thống nông nghiệp thông minh lên một tầm cao mới, không chỉ giám sát mà còn có khả năng dự báo và chẩn đoán, giúp người nông dân quản lý trang trại một cách chủ động và hiệu quả hơn bao giờ hết. Sự phát triển không ngừng của công nghệ hứa hẹn sẽ biến những trang trại thông minh, hoàn toàn tự động trở thành hiện thực trong tương lai không xa.
6.1. Tiềm năng mở rộng nhận dạng sâu bệnh qua ảnh tự động
Một trong những hướng phát triển giá trị nhất là nâng cấp hệ thống để có khả năng nhận dạng sâu bệnh qua ảnh. Bằng cách thu thập một bộ dữ liệu lớn gồm hình ảnh lá và quả cà chua khỏe mạnh cũng như bị nhiễm bệnh, các mô hình học máy có thể được huấn luyện để tự động phát hiện các dấu hiệu sớm của bệnh như đốm lá, nấm mốc hay sự tấn công của côn trùng. Việc phát hiện sớm cho phép can thiệp cục bộ và kịp thời, giảm thiểu việc sử dụng thuốc trừ sâu trên diện rộng, từ đó bảo vệ môi trường và nâng cao an toàn thực phẩm. Chức năng này sẽ biến hệ thống giám sát từ một công cụ theo dõi tăng trưởng thành một "bác sĩ cây trồng" kỹ thuật số, hoạt động 24/7.
6.2. Tích hợp AI tiên tiến như phát hiện đối tượng YOLO và TensorFlow Lite
Để vượt qua hạn chế của việc phân loại dựa trên màu sắc, các mô hình AI tiên tiến có thể được tích hợp. Phát hiện đối tượng YOLO (You Only Look Once) là một thuật toán hiện đại có khả năng xác định vị trí và phân loại nhiều đối tượng trong ảnh với tốc độ rất nhanh. Việc áp dụng YOLO sẽ giúp hệ thống đếm quả chính xác hơn ngay cả khi chúng bị che khuất một phần. Để triển khai các mô hình này trên các thiết bị nhúng có cấu hình thấp như ESP32, các phiên bản gọn nhẹ như TensorFlow Lite là giải pháp tối ưu. TensorFlow Lite cho phép chuyển đổi và tối ưu hóa các mô hình học sâu để chạy hiệu quả trên các vi điều khiển, mở ra khả năng xử lý AI phức tạp ngay tại biên (edge computing) mà không cần gửi dữ liệu lên máy chủ, giảm độ trễ và tăng tính bảo mật.
