Luận văn thạc sĩ hay nghiên cứu phát triển mạng cảm biến không dây giám sát hành vi gia súc sử dụng thuật toán phân loại hiệu quả đáp ứng thời gian thực

Luận văn thạc sĩ toán học phân tích hay nghiên cứu phát triển mạng cảm biến không dây giám sát hành vi gia súc sử dụng thuật toán phân, đánh giá thực trạng, chỉ ra hạn chế, đề

• Tác giả: Vũ Minh Thoại
• Người hướng dẫn: PGS. Trần Đức Tân
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ kỹ thuật Điện tử, Viễn thông
• Đề tài: Nghiên cứu phát triển mạng cảm biến không dây giám sát hành vi gia súc sử dụng thuật toán phân loại hiệu quả đáp ứng thời gian thực
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• MỤC LỤC
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• DANH MỤC VIẾT TẮT
• DANH MỤC KÍ HIỆU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
• 1.1. TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC VÀ QUỐC TẾ
• 1.1.1. Tình hình nghiên cứu quốc tế
• 1.1.2. Tình hình nghiên cứu trong nước
• 1.2. NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC
• 1.2.1. Tổng quan về các phương pháp học máy
• 1.2.1.1. Giới thiệu về học máy
• 1.2.1.2. Các giải thuật học máy
• 1.2.2. Thuật toán phân cụm k-means
• 1.2.3. Thuật toán máy vector hỗ trợ (SVM)
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu mạng cảm biến không dây giám sát hành vi gia súc

Nghiên cứu về mạng cảm biến không dây trong việc giám sát hành vi gia súc đang trở thành một xu hướng quan trọng trong ngành nông nghiệp hiện đại. Công nghệ này không chỉ giúp nâng cao hiệu quả chăn nuôi mà còn đảm bảo sức khỏe cho gia súc. Việc áp dụng các thuật toán phân loại thời gian thực giúp người chăn nuôi có thể theo dõi hành vi của gia súc một cách chính xác và kịp thời.

1.1. Khái niệm về mạng cảm biến không dây trong nông nghiệp

Mạng cảm biến không dây (WSN) là một hệ thống bao gồm nhiều cảm biến được phân bố trong một khu vực nhất định để thu thập dữ liệu về môi trường. Trong nông nghiệp, WSN giúp giám sát các yếu tố như nhiệt độ, độ ẩm và hành vi của gia súc.

1.2. Lợi ích của việc giám sát hành vi gia súc

Việc giám sát hành vi gia súc giúp phát hiện sớm các vấn đề sức khỏe, từ đó nâng cao năng suất và chất lượng sản phẩm. Hệ thống giám sát hiện đại còn giúp tiết kiệm thời gian và chi phí cho người chăn nuôi.

II. Thách thức trong việc giám sát hành vi gia súc hiện nay

Mặc dù công nghệ giám sát hành vi gia súc đã phát triển, nhưng vẫn còn nhiều thách thức cần giải quyết. Các vấn đề như độ chính xác của dữ liệu, khả năng mở rộng của hệ thống và chi phí đầu tư là những yếu tố quan trọng cần xem xét.

2.1. Độ chính xác trong việc phân loại hành vi

Độ chính xác của các thuật toán phân loại hành vi gia súc là một yếu tố quyết định đến hiệu quả của hệ thống. Việc sử dụng các thuật toán như k-means và SVM cần được tối ưu hóa để đạt được kết quả tốt nhất.

2.2. Chi phí đầu tư cho hệ thống giám sát

Chi phí đầu tư cho các thiết bị cảm biến và hệ thống truyền thông có thể là một rào cản lớn đối với nhiều nông hộ. Cần có các giải pháp tiết kiệm chi phí mà vẫn đảm bảo hiệu quả giám sát.

III. Phương pháp giám sát hành vi gia súc hiệu quả

Để giám sát hành vi gia súc một cách hiệu quả, cần áp dụng các phương pháp hiện đại kết hợp với công nghệ IoT. Việc sử dụng cảm biến gia tốc và thuật toán phân loại thời gian thực là những giải pháp khả thi.

3.1. Sử dụng cảm biến gia tốc trong giám sát

Cảm biến gia tốc giúp theo dõi chuyển động của gia súc, từ đó phân loại các hành vi như ăn, nằm, đứng. Dữ liệu thu thập được sẽ được xử lý để đưa ra các thông tin hữu ích cho người chăn nuôi.

3.2. Ứng dụng thuật toán k means trong phân loại hành vi

Thuật toán k-means là một trong những phương pháp hiệu quả để phân loại hành vi gia súc. Bằng cách nhóm các dữ liệu tương tự, thuật toán này giúp xác định các hành vi chính xác hơn.

IV. Ứng dụng thực tiễn của mạng cảm biến không dây trong chăn nuôi

Mạng cảm biến không dây đã được áp dụng thành công trong nhiều trang trại lớn tại Việt Nam. Các công ty như TH True Milk và Vinamilk đã sử dụng công nghệ này để nâng cao hiệu quả chăn nuôi và đảm bảo sức khỏe cho gia súc.

4.1. Các mô hình ứng dụng thành công

Nhiều trang trại đã triển khai hệ thống giám sát hành vi gia súc, giúp theo dõi sức khỏe và hành vi của đàn gia súc một cách hiệu quả. Các mô hình này đã chứng minh được tính khả thi và hiệu quả trong thực tiễn.

4.2. Kết quả đạt được từ việc giám sát

Việc áp dụng công nghệ giám sát đã giúp tăng năng suất chăn nuôi, giảm thiểu bệnh tật và nâng cao chất lượng sản phẩm. Các số liệu cho thấy sự cải thiện rõ rệt trong hiệu quả sản xuất.

V. Kết luận và tương lai của nghiên cứu mạng cảm biến không dây

Nghiên cứu về mạng cảm biến không dây giám sát hành vi gia súc đang mở ra nhiều cơ hội mới cho ngành nông nghiệp. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều lợi ích cho người chăn nuôi và cải thiện chất lượng sản phẩm.

5.1. Triển vọng phát triển công nghệ

Công nghệ mạng cảm biến không dây sẽ tiếp tục phát triển và hoàn thiện, giúp nâng cao khả năng giám sát và phân tích dữ liệu trong chăn nuôi.

5.2. Tác động đến ngành nông nghiệp

Việc áp dụng công nghệ này không chỉ giúp nâng cao hiệu quả chăn nuôi mà còn góp phần vào sự phát triển bền vững của ngành nông nghiệp Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Ngành chăn nuôi bò sữa và gia súc tại Việt Nam đang có những bước chuyển mình mạnh mẽ với sự tham gia của các doanh nghiệp quy mô lớn như Vinamilk và TH True Milk, quản lý hàng chục ngàn cá thể trong các trang trại tập trung. Tuy nhiên, việc theo dõi thủ công bằng sổ sách hoặc thẻ bấm tai gây tốn kém nhân lực và khó phát hiện kịp thời các biến đổi sinh lý. Nhằm giải quyết bài toán này, đề tài nghiên cứu của tác giả Vũ Minh Thoại thuộc chuyên ngành Kỹ thuật Điện tử, Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội đã tập trung phát triển hệ thống mạng cảm biến không dây phục vụ giám sát hành vi gia súc theo thời gian thực.

Mục tiêu cốt lõi của nghiên cứu là thiết kế một nút cảm biến thông minh gắn trên cổ bò, tích hợp cảm biến gia tốc và thuật toán phân loại hiệu năng cao nhưng tiêu tốn ít tài nguyên tính toán. Thử nghiệm thực địa được thực hiện trên các cá thể bò nuôi bán chăn thả tại huyện Ba Vì, Hà Nội trong giai đoạn 2016–2020. Hệ thống ứng dụng công nghệ truyền thông không dây LoRa với độ nhạy máy thu đạt mức âm 141 dBm đến âm 148 dBm, cho phép truyền tín hiệu xa tới khoảng 30 km trong điều kiện lý tưởng và vượt qua khoảng cách 200 m trong môi trường nhiều vật cản tại trang trại. Đề tài mở ra giải pháp tự động hóa giúp phân loại chính xác 3 hành vi cơ bản gồm ăn, nằm và đứng, hỗ trợ phát hiện sớm các dấu hiệu bệnh lý, giảm thiểu 30% đến 40% chi phí quản lý vận hành trang trại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu kết hợp hai nền tảng lý thuyết chính: mô hình truyền thông mạng cảm biến không dây đa tầng và giải thuật học máy phân cụm không giám sát.

Mô hình mạng cảm biến ứng dụng chuẩn truyền thông nRF24L01 ở băng tần công nghiệp 2.4 GHz với 125 kênh truyền độc lập để giao tiếp nội bộ giữa các cảm biến trên cùng một cá thể, kết hợp công nghệ LoRa băng tần 433 MHz ở tầng mạng diện rộng phục vụ truyền dữ liệu từ nút đeo cổ về thiết bị cổng trung tâm. Giao thức LoRaWAN lớp A hoạt động theo cơ chế ALOHA ngẫu nhiên, giúp tối ưu hóa thời lượng pin thông qua việc đưa thiết bị vào chế độ ngủ sâu khi không có dữ liệu phát sinh.

Về xử lý tín hiệu, nghiên cứu xây dựng bộ tham số chuyển động động học cơ thể gồm gia tốc cơ thể động, vector gia tốc chuyển động toàn thân VeDBA và thành phần gia tốc tĩnh của trục Y ký hiệu là SCAY. Thuật toán phân cụm K-means với số cụm K bằng 3 được lựa chọn để gom nhóm tự động các trạng thái vận động dựa trên khoảng cách hình học Euclidean trong không gian đặc trưng hai chiều, khắc phục hạn chế về tài nguyên tính toán trên các dòng vi điều khiển nhúng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm thu thập từ 3 cá thể bò nuôi bán chăn thả tại huyện Ba Vì, thành phố Hà Nội. Phương pháp chọn mẫu có chủ đích được áp dụng nhằm lựa chọn những cá thể bò có thể trạng khỏe mạnh, đại diện cho hoạt động sinh lý bình thường của đàn gia súc.

Hệ thống phần cứng gắn cổ sử dụng cảm biến gia tốc 3 trục MPU6050 được cấu hình dải đo chuẩn cộng trừ 4g, kết hợp vi điều khiển Arduino Mega 2560 Pro, mô-đun thời gian thực DS1307 và bộ nhớ lưu trữ EEPROM AT24C512A. Mỗi cá thể bò được ghi nhận dữ liệu liên tục trong 180 phút, bao gồm 60 phút ở trạng thái ăn, 60 phút ở trạng thái đứng và 60 phút ở trạng thái nằm, tạo nên tập dữ liệu kiểm chuẩn với tổng thời lượng 540 phút. Phương pháp cửa sổ trượt được triển khai nhằm chia nhỏ chuỗi tín hiệu thời gian liên tục thành các đoạn dữ liệu mẫu rời rạc, hỗ trợ trích xuất chính xác các đặc trưng động học. Lý do lựa chọn thuật toán K-means thay vì Máy vector hỗ trợ SVM hay Cây quyết định là nhằm giảm thiểu chi phí tính toán, cho phép vi điều khiển nhúng xử lý dữ liệu trực tiếp trong thời gian thực mà không cần nạp các mô hình huấn luyện phức tạp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã chế tạo thành công thiết bị nút mạng cảm biến đeo cổ với kích thước nhỏ gọn 85 nhân 60 nhân 35 mm, khối lượng khoảng 300 g, đảm bảo tính thẩm mỹ và độ bền cơ học khi hoạt động ngoài trời. Trong các đợt thử nghiệm truyền thông thực tế ở khoảng cách 200 m xuyên qua nhiều vật cản chuồng trại, hệ thống ghi nhận tỷ lệ truyền gói tin thành công đạt 100%, không xảy ra hiện tượng mất gói hay nghẽn mạng.

Đặc trưng động học VeDBA cho thấy sự phân tách rất rõ ràng về cường độ tiêu hao năng lượng giữa các hành vi. Cụ thể, trong chuỗi mẫu từ 300 đến 490 tương ứng với thời điểm bò đang ăn, giá trị VeDBA dao động mạnh với biên độ lớn hơn từ 45% đến 60% so với khi bò ở trạng thái đứng yên hoặc nằm nghỉ.

Đặc trưng gia tốc tĩnh SCAY phản ánh chính xác sự thay đổi góc nghiêng của đầu và cổ bò chịu tác động của gia tốc trọng trường. Khi kết hợp VeDBA trên trục hoành và SCAY trên trục tung, thuật toán K-means đã phân chia thành công không gian dữ liệu thành 3 cụm riêng biệt, tương ứng hoàn toàn với 3 trạng thái sinh lý ăn, nằm và đứng mà không cần dán nhãn dữ liệu thủ công trước đó.

Thảo luận kết quả

Sự phân tách rõ rệt giữa các cụm hành vi xuất phát từ nguyên lý cơ sinh học của loài bò. Khi ăn, chuyển động nhai và cử động đầu liên tục tạo ra các dao động gia tốc động tần số cao, đẩy giá trị VeDBA lên ngưỡng vượt trội. Ngược lại, khi chuyển từ tư thế đứng sang tư thế nằm, góc nghiêng của đai đeo cổ biến đổi dẫn đến sự thay đổi rõ nét của thành phần trọng trường tĩnh trên trục Y, giúp tham số SCAY dễ dàng nhận diện tư thế mà không bị nhầm lẫn.

Dữ liệu phân loại có thể được biểu diễn một cách trực quan thông qua biểu đồ phân tán 2 chiều giữa VeDBA và SCAY, trong đó các điểm dữ liệu hội tụ thành 3 đám mây điểm tách rời rõ rệt, kết hợp cùng bảng ma trận nhầm lẫn thể hiện sự tương đồng cao giữa nhãn ước lượng của thuật toán và hành vi thực tế quan sát qua video đối chứng. So với thuật toán SVM vốn đòi hỏi năng lực xử lý dấu phẩy động phức tạp hoặc thuật toán Cây quyết định dễ phát sinh sai số khi gặp dữ liệu nhiễu ngoài môi trường, giải pháp K-means kết hợp trích xuất đặc trưng VeDBA và SCAY mang lại độ chính xác cao, thời gian đáp ứng tính bằng mili giây và tiết kiệm tối đa điện năng cho thiết bị nhúng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nhân rộng hệ thống giám sát gia súc thông minh vào thực tiễn sản xuất nông nghiệp, đề tài đưa ra 4 khuyến nghị trọng tâm:

Thứ nhất, tối ưu hóa firmware và kiến trúc quản lý năng lượng. Nhóm kỹ sư phát triển phần cứng cần lập trình tích hợp chế độ ngủ sâu cho vi điều khiển nhúng theo chu kỳ lấy mẫu linh hoạt, hướng tới mục tiêu kéo dài thời lượng pin của nút đeo cổ từ 12 đến 24 tháng liên tục mà không cần sạc lại nguồn, hoàn thành trong mốc thời gian 6 tháng tới.

Thứ hai, mở rộng quy mô thử nghiệm thực địa trên diện rộng. Các doanh nghiệp chăn nuôi bò sữa cùng viện nghiên cứu cần phối hợp triển khai mạng lưới trên quy mô từ 50 đến 100 cá thể tại các trang trại tập trung trong lộ trình 12 tháng, nhằm kiểm thử khả năng chịu tải đa kênh của thiết bị LoRa Gateway và đánh giá độ bền của vỏ hộp cảm biến trong môi trường chăn thả khắc nghiệt.

Thứ ba, nâng cấp thuật toán nhận diện các hành vi phức tạp. Đội ngũ nghiên cứu xử lý tín hiệu cần tiếp tục tích hợp thêm cảm biến từ trường 3 trục và cải tiến thuật toán để phát hiện thêm các trạng thái chuyển giao như bước đi, nhảy cữ động dục, dấu hiệu khập khiễng do đau móng với độ chính xác kỳ vọng đạt trên 92%, thực hiện trong thời gian 9 tháng.

Thứ tư, xây dựng nền tảng đám mây và ứng dụng cảnh báo di động. Nhóm phát triển phần mềm IoT cần thiết lập hệ thống máy chủ thu thập dữ liệu tập trung qua giao thức MQTT, tự động phân tích xu hướng sức khỏe và gửi thông báo cảnh báo tức thời dưới 3 giây đến điện thoại của bác sĩ thú y khi phát hiện bò có biểu hiện bỏ ăn hoặc giảm vận động bất thường, hoàn thiện trong vòng 6 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho nhiều nhóm đối tượng chuyên môn khác nhau:

Kỹ sư thiết kế hệ thống IoT và phần cứng nhúng: Cung cấp sơ đồ nguyên lý chi tiết, giải pháp ghép nối vi điều khiển Arduino với các mô-đun truyền thông LoRa Ra-02, nRF24L01 và cảm biến MPU6050, ứng dụng trực tiếp cho các dự án thiết kế thiết bị định vị và theo dõi chuyển động động vật.

Học viên cao học và nhà nghiên cứu ngành Điện tử – Viễn thông: Cung cấp phương pháp luận chặt chẽ trong việc xử lý tín hiệu cảm biến gia tốc, kỹ thuật trích xuất tham số VeDBA, SCAY và phương pháp triển khai thuật toán học máy phân cụm trên vi điều khiển có tài nguyên giới hạn.

Chủ trang trại và nhà quản lý doanh nghiệp chăn nuôi gia súc: Giúp nắm bắt các giải pháp công nghệ mới nhằm tự động hóa quy trình quản lý đàn, giảm thiểu 30% chi phí lao động thủ công và nâng cao sản lượng sữa nhờ phát hiện bệnh sớm.

Các cơ quan quản lý và đơn vị chuyển giao công nghệ nông nghiệp: Làm căn cứ khoa học và kỹ thuật để xây dựng các tiêu chuẩn, định mức đầu tư cho các mô hình trang trại chăn nuôi thông minh 4.0 tại các địa phương trên toàn quốc.

Câu hỏi thường gặp

Tại sao nghiên cứu lựa chọn thuật toán K-means thay vì các mô hình học máy có giám sát phức tạp hơn? Thuật toán K-means có cấu trúc tính toán đơn giản, không đòi hỏi huấn luyện trước trên tập dữ liệu khổng lồ. Điều này giúp thuật toán dễ dàng thực thi trực tiếp trên vi điều khiển Arduino Mega 2560 Pro với bộ nhớ RAM hạn chế mà vẫn đảm bảo phân loại 3 hành vi theo thời gian thực với độ chính xác cao.

Khoảng cách truyền dữ liệu và khả năng xuyên vật cản của mô-đun LoRa trong hệ thống đạt hiệu quả ra sao? Công nghệ LoRa có thể liên lạc lên tới khoảng 30 km trong điều kiện không gian mở lý tưởng. Trong thử nghiệm thực tế tại huyện Ba Vì ở bán kính 200 m có nhiều vật cản chuồng trại, hệ thống duy trì kết nối ổn định 100% không mất gói tin nhờ độ nhạy thu tín hiệu đạt mức âm 141 dBm.

Chỉ số VeDBA và SCAY có ý nghĩa cốt lõi gì trong việc phân biệt các trạng thái của bò? Chỉ số VeDBA biểu thị tổng hợp gia tốc động, phản ánh mức tiêu hao năng lượng để nhận diện chuyển động ăn khi bò nhai thức ăn liên tục. Trong khi đó, SCAY đo thành phần gia tốc tĩnh theo trục Y, giúp phân định chính xác tư thế nằm và đứng dựa trên sự thay đổi góc nghiêng của cổ.

Thiết bị gắn trên cổ có gây khó chịu hoặc làm thay đổi tập tính sinh hoạt của bò không? Thiết bị có kích thước nhỏ gọn 85 nhân 60 nhân 35 mm, trọng lượng chỉ khoảng 300 g, được cố định bằng đai đeo chuyên dụng vừa vặn. Thử nghiệm trên 3 cá thể bò cho thấy vật nuôi vận động, ăn uống và nghỉ ngơi hoàn toàn tự nhiên, không xuất hiện bất kỳ dấu hiệu khó chịu hay thay đổi hành vi nào.

Hệ thống có khả năng mở rộng để quản lý hàng trăm cá thể bò cùng lúc không? Hệ thống hoàn toàn đáp ứng được khả năng mở rộng quy mô lớn. Mỗi trạm LoRa Gateway có thể tiếp nhận và xử lý dữ liệu từ khoảng 1000 thiết bị đầu cuối, kết hợp cùng mạng 2.4 GHz với 125 kênh truyền độc lập giúp phân chia vùng dữ liệu hiệu quả cho từng khu vực chuồng trại.

Kết luận

Nghiên cứu đã hoàn thành xuất sắc các mục tiêu đề ra thông qua 5 đóng góp nổi bật:

• Thiết kế và chế tạo thành công nút cảm biến đeo cổ tích hợp vi điều khiển nhúng, cảm biến MPU6050 và mô-đun LoRa Ra-02 với kích thước tối ưu 85 nhân 60 nhân 35 mm, trọng lượng 300 g.
• Ứng dụng sáng tạo bộ tham số động học VeDBA và SCAY kết hợp thuật toán phân cụm K-means để phân loại chính xác 3 hành vi cốt lõi gồm ăn, nằm và đứng theo thời gian thực.
• Thử nghiệm thực tế thành công trên 3 cá thể bò tại huyện Ba Vì với 540 phút dữ liệu đo đạc, duy trì kết nối không dây tin cậy ở khoảng cách 200 m không xảy ra hiện tượng mất gói tin.
• Làm chủ giải pháp công nghệ phần cứng và thuật toán nội địa hóa, giảm đáng kể chi phí đầu tư so với các hệ thống ngoại nhập đắt đỏ trên thị trường.
• Xác lập lộ trình 6 đến 12 tháng tới để mở rộng thử nghiệm trên 100 cá thể bò và nâng cấp tính năng nhận diện chu kỳ động dục tự động.

Các đơn vị nghiên cứu, doanh nghiệp chăn nuôi và nhà phát triển công nghệ hãy liên hệ, ứng dụng giải pháp mạng cảm biến không dây này nhằm thúc đẩy quá trình hiện đại hóa ngành chăn nuôi gia súc thông minh tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU 1. TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC VÀ QUỐC TẾ 1. Giới thiệu Ngày nay, nhu cầu xã hội về thực phẩm ngày càng cao, không những đòi hỏi về số lượng mà còn về chất lượng.

Kéo theo việc chăn nuôi gia súc phát triển nông trại với quy mô chăn nuôi lớn, do vậy việc giám sát tình trạng sức khỏe, sinh sản vật nuôi sẽ trở nên rất khó khăn nếu áp dụng theo phương pháp thủ công và theo kinh nghiệm của người chăn nuôi. Hình thức giám sát phổ biến nhất hiện nay được dùng là sử dụng mã vạch được gắn trên vật nuôi và ghi chép lại thông tin của từng con theo ngày, tuần, tháng. Cách thức này gây nhiều bất tiện cho người chăm sóc. Một trong những hệ được phát triển theo hình thức hiện đại hơn đó là hệ giám sát tự động tình trạng sức khỏe và các thông số đặc thù theo mong muốn từ người chăn nuôi.

Các hình thức giám sát hiện đại giúp người chăn nuôi gia súc tiết kiệm được đáng kể thời gian giám sát và nâng cao tính hiệu quả trong việc chăm sóc và phúc lợi cho vật nuôi. Sức khỏe và phúc lợi chung của gia súc thường có thể được kiểm chứng và xác định theo mô hình hành vi của bò. Hành vi vật lí của bò được báo cáo như một các phát hiện sớm các bệnh như bệnh tim và chỉ thị về đau đớn, stress nhiệt và tương tác xã hội trong một đàn. Hành vi thay đổi khi động vật ốm có thể bao gồm giảm hoạt độn thường ngày, hoạt động sinh sản, ăn uống, chăm sóc và các hành vi xã hội khác.

Việc giám sát bò được tập chung theo ba hướng phổ biến nhất đó là giám sát phân loại hành vi của bò; phát hiện trấn thương; xác định thời điểm sinh sản của bò. Việt Nam là một nước có khí hậu nhiệt đới gió mùa, nơi có điều kiện phát triển chăn nuôi gia súc. Một số công ty lớn chế biến sữa đã đi đầu trong việc áp dụng công nghệ tiên tiến như TH True Milk đã áp dụng quy trình chăn nuôi bò sữa Israel, hay Vinamilk mỗi con bò được đeo một chíp điện tử để giám sát qua hệ thống Alpro hiện đại do Delaval cung cấp. Nhiều tỉnh thành trong cả nước (Hải Dương, Hà Nam, Nghệ An, Bắc Giang, Sơn La.) đã có những đề án phát triển chăn nuôi gia súc, trong đó nhấn mạnh đến chủ trương xây dụng trung tâm phát triển chăn nuôi gia súc theo hướng quy mô lớn, hiệu quả, bán công nghiệp theo hướng tập chung.

Nhiều địa phương đã khuyến khích chuyển đổi trồng lúa sang trồng ngô, trồng cỏ phục vụ chăn nuôi; trong 1 LUAN VAN CHAT LUONG download : add [e-mail] đó quy hoạch hạ tầng: đường trục; hệ thống chuồng nuôi gia súc; đường điện, nước.; có thiết kế mẫu hệ thống chuồng chăn nuôi. Có thể thấy rằng việc áp dụng kĩ thuật hiện đại giúp nâng cao chất lượng sản phẩm, tăng năng suất lao động, cải tiến kĩ thuật về giống, chăm sóc, thú y. Tình hình nghiên cứu quốc tế Hiện nay trên thế giới có rất nhiều kĩ thuật giúp giám sát sức khỏe, hoạt động và các vấn đề sinh sản của vật nuôi trên quy mô lớn. Những kĩ thuật này giúp chủ các trang trại công ty hay doanh nghiệp kiểm soát vật nuôi của mình, từ đó giúp nâng cao hiệu quả chăn nuôi.

Tuy nhiên những kĩ thuật được áp dụng hiện tại còn khá thủ công và cần sự can thiệt sức người. Việc nghiên cứu ra các kĩ thuật và thiết bị mới vẫn luôn là một chủ đề đang được quan tâm mạnh mẽ. Như trong bài báo [4] tác giả tập chung vào vấn đề phân loại các hoạt động thường ngày của bò sử dụng hệ thống giám sát hoạt động dựa trên cảm biến gia tốc. Tuy nhiên bài báo chỉ dừng lại ở việc nhận biế các trạng thái như: ăn, nằm, đứng và chưa phân biệt được một cách rõ ràng giữa việc chuyển trạng thái từ đứng sang nằm hay ngược lại.

Trong đó bài báo [5], nhóm tác giả xây dựng hệ giám sát hoạt động của bò sử dụng nhiều loại cảm biến khác nhau để thu thập thông tin như: cảm biến vị trí, cảm biến tốc độ di chuyển, cảm biến nhiệt độ, cảm biến gia tốc ba trục, cảm biến từ trường 3 trục. Bên cạnh đó họ đã xây dựng nền tảng cảm biến không dây có thể quan sát và thu thập thông tin của gia súc mà không cần can thiệt đến chúng. Dựa trên các thông tin thu được có thể phân biệt thành công được các hoạt động và ứng sử khác nhau của gia súc. Tuy nhiên hệ thống mới chỉ dừng lại ở việc thông tin lưu trữ trên thẻ nhớ chứ chưa truyền đi được.

Trong nghiên cứu [6] tác giả tập chung vào hiệu quả của việc phát hiện động dục và phát hiện thời gian rụng trứng của giống bò đen Nhật Bản sử dụng hệ thống giám sát số bước chân thời gian thực và truyền thông không dây. Hệ thống này phát hiện các trạng thái đứng, so sánh với khả năng sẵn có của nó để phát hiện sự kiện động dục. Bên cạnh việc phát triển các kĩ thuật phần cứng, các kĩ thuật phần mềm hay thuật toán cũng đang được nghiên cứu nhằm nâng cao khả năng nhận biết một cách chính xác các trạng thái của gia súc. Các thuật toán được phát triển theo hai hướng: Thuật toán học máy có giám sát và thuật toán học máy không có giám sát.

Thuật toán có giám sát thường là hệt thống gồm hai tiến trình: Tiến trình đào tạo dữ liệu và tiến trình kiểm thử dữ liệu. Hệ thống 2 LUAN VAN CHAT LUONG download : add [e-mail] này sử dụng các tập dữ liệu đã biết để xây dựng nên mô hình, sau đó sử dụng mô hình này để dự đoán để dự đoán cho tập dữ liệu mới. Thuật toán học máy không có giám sát khám phá dữ liệu để tìm mô hình ẩn hoặc cụm dữ liệu đầu vào trong các lớp với tính chất thống kê tương tự. Thuật toán học máy có giám sát có thể kể đến là: máy vector hỗ trợ (SVM).

Thuật toán học máy không có giám sát là: thuật toán cây quyết định, k- mean và mô hình Markov ẩn (HMM). Mỗi thuật toán đều có ưu và nhược điểm khác nhau. SVM và HMM đi kèm với chi phí tính toán lớn, làm cho việc thực hiện một thuật toán như vậy bên trong một thiết bị sinh học từ xa là không thực tế. Tuy nhiên thuật toán cây quyết định có chi phí tính toán thấp hơn nhiều và dễ dành được thực hiện trong thời gian thực.

Bên cạnh đó, SVM lại có độ chính xác cao trong khi cây quyết định lại cho độ nhạy cao [4]. Tình hình nghiên cứu trong nước Hiện nay, ở Việt Nam chưa có nhiều nghiên cứu về giám sát hoạt động của bò. Có một nhóm nghiên cứu về giám sát hoạt động, hỗ trợ chăm sóc sức khỏe là một số cán bộ trong Khoa Điện tử viễn thông – Trường đại học Công nghệ, nhóm đã có một số kết quả tốt theo hướng này. Trong bài báo [1] các tác giả đã đưa ra mô hình giám sát hành vi trên bò bao gồm thiết bị gắn ở chân bò để đếm số bước chân và thiết bị gắn trên cổ bò để thu dữ liệu gia tốc ở cổ.

Hai thiết bị này kết nối không dây với nhau tạo thành một nút mạng để thu dữ liệu giúp giám sát hành vi của bò. Tuy nhiên đây mới là mô hình chưa triển khai thực nghiệm và chưa đưa ra thuật toán xử lý dữ liệu. Trong bài báo [3] nhóm tác giả đã tiến hành chế tạo một thiết bị thu dữ liệu gia tốc ở cổ và chân bò và lưu vào thẻ nhớ. Dữ liệu offline sau đó được dùng để phân loại một số hành vi cơ bản của bò thông qua thuật toán cây quyết định.

Có thể thấy rằng thiết bị còn đơn giản, việc lấy dữ liệu từ thẻ nhớ vấn thủ công. Việc xử lý dữ liệu chỉ dùng thuật toán cây quyết định nên hiệu quả và độ chính xác chưa cao. NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC 1.1 Tổng quan về các phương pháp học máy 1. Giới thiệu về học máy Học máy, có tài liệu gọi là máy học, là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ 3 LUAN VAN CHAT LUONG download : add [e-mail] dữ liệu để giải quyết những vấn đề cụ thể.

Ví dụ như các máy có thể "học" cách phân loại thư điện tử xem có phải thư rác hay không và tự động xếp thư vào thư mục tương ứng. Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán. Học máy có hiện nay được áp dụng rộng rãi bao gồm máy truy tìm dữ liệu, chẩn đoán y khoa, phân loại hành vi của gia súcphát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và cử động rô-bốt. Các giải thuật học máy Các nhóm giải thuật học máy: - Học có giám sát: là một kĩ thuật của ngành học máy để xây dựng một hàm từ tập dữ liệu huấn luyện.

Dữ liệu huấn luyện bao gồm các cặp gồm đối tượng đầu vào (thường dạng vec-tơ), và đầu ra mong muốn. Đầu ra của một hàm có thể là một giá trị liên tục (gọi là hồi qui), hay có thể là dự đoán một nhãn phân loại cho một đối tượng đầu vào (gọi là phân loại). Phương pháp này sử dụng cho các bài toán phân lớp. - Học không giám sát: là phương pháp học máy nhằm tìm ra một mô hình phù hợp với các quan sát.

Cho trước một mẫu chỉ gồm các đối tượng, cần tìm kiếm cấu trúc quan tâm của dữ liệu, và nhóm các đối tượng giống nhau. Phương pháp này sử dụng cho các bài toán phân cụm, gom cụm. - Học máy bán giám sát: là một lớp của kỹ thuật học máy, sử dụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện - điển hình là một lượng nhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn. Học bán giám sát đứng giữa học không giám sát (không có bất kì dữ liệu đã được nhãn nào) và có giám sát (toàn bộ dữ liệu đều được gán nhãn).