Tổng quan nghiên cứu

Sự phát triển mạnh mẽ của công nghệ thông tin và truyền thông đang thúc đẩy cuộc cách mạng công nghiệp lần thứ tư, trong đó Internet vạn vật (IoT) đóng vai trò nòng cốt. Theo các dự báo công nghệ quốc tế, thế giới đã đạt mốc hơn 30 tỷ thiết bị kết nối vào năm 2020. Tuy nhiên, tại các nước đang phát triển như Việt Nam, việc ứng dụng công nghệ cao vào nông nghiệp, đặc biệt là chăn nuôi gia súc, vẫn còn ở mức thâm nhập khiêm tốn dưới 15%. Phương thức quản lý đàn bò truyền thống phụ thuộc lớn vào quan sát thủ công, làm phát sinh chi phí nhân công cao và thường xuyên bỏ sót các dấu hiệu bất thường về sức khỏe hoặc chu kỳ động dục của vật nuôi.

Trước thực trạng đó, đề tài luận văn thạc sĩ kỹ thuật viễn thông của học viên Phạm Thế Bẩy, dưới sự hướng dẫn khoa học của Tiến sĩ Hoàng Quang Trung tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên, đã tập trung giải quyết bài toán tự động hóa giám sát đàn gia súc. Đề tài gắn liền với nhiệm vụ khoa học công nghệ cấp Đại học Thái Nguyên mã số ĐH2018-TN07-02, hướng tới mục tiêu thiết kế và thực thi một hệ thống hoàn chỉnh từ phần cứng thu thập dữ liệu đến nền tảng đám mây quản lý.

Hệ thống cho phép giám sát liên tục 24/7 bốn trạng thái hành vi cốt lõi của bò bao gồm đi, đứng, nằm và ăn. Giải pháp này giúp cắt giảm hơn 60% thời gian theo dõi thủ công tại trang trại, đồng thời nâng cao độ chính xác trong nhận diện hành vi lên trên 90%, tạo tiền đề vững chắc cho việc xây dựng mô hình nông trại thông minh (Smart Farm) quy mô lớn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự tích hợp đa tầng giữa công nghệ mạng cảm biến không dây, truyền thông di động và thuật toán xử lý dữ liệu thông minh:

  • Lý thuyết mạng truyền thông công suất thấp diện rộng (LPWAN): Luận văn khai thác công nghệ điều chế trải phổ LoRa trên băng tần 433 MHz và chuẩn mạng không dây tầm ngắn IEEE 802.15.4 (Zigbee/6LoWPAN). Đồng thời, tác giả phân tích kiến trúc di động thế hệ mới NB-IoT (NarrowBand IoT) và eMTC theo tiêu chuẩn 3GPP Release 13, cho phép kết nối hàng triệu thiết bị với mức tiêu thụ năng lượng cực thấp.
  • Lý thuyết điện toán đám mây và kiến trúc Web of Things: Mô hình kết nối ứng dụng giao thức MQTT (Message Queuing Telemetry Transport) hoạt động trên nền tảng Socket TCP/IP, hỗ trợ cơ chế xuất bản và đăng ký dữ liệu nhẹ, bảo mật cao. Toàn bộ dữ liệu được quản lý tập trung trên máy chủ IoT mã nguồn mở ThingsBoard.
  • Lý thuyết động học sinh học và trích xuất đặc trưng gia tốc: Đề tài áp dụng đại lượng véc-tơ tổng hợp gia tốc chuyển động toàn thân VeDBA (Vectorial Dynamic Body Acceleration) để đánh giá mức tiêu hao năng lượng, kết hợp thành phần gia tốc tĩnh theo trục Y mang tên SCA-Y (Static Component of the Acceleration in the Y-axis) nhằm xác định góc nghiêng tương đối của cơ thể gia súc so với phương ngang của trọng trường Trái Đất.
  • Mô hình phân loại học máy: Thuật toán Cây quyết định (Decision Tree) được ứng dụng để phân tầng các hành vi dựa trên các ngưỡng giá trị tối ưu hóa từ đường cong đặc tính hoạt động máy thu ROC.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp chặt chẽ giữa tính toán giải tích lý thuyết, thiết kế vi mạch nhúng và thực nghiệm hiện trường:

  • Cỡ mẫu và dữ liệu thực nghiệm: Nguồn dữ liệu gia tốc 3 trục được thu thập trực tiếp từ cảm biến MPU6050 gắn tại vòng đeo cổ cá thể bò. Thiết bị được cấu hình đo 16-bit với dải đo mở rộng đạt mức cộng trừ 8g. Tần số lấy mẫu đạt từ 9 đến 12 mẫu trong mỗi giây, sau đó được tính trung bình trên cửa sổ thời gian 1 giây để khử nhiễu ngẫu nhiên.
  • Phương pháp chọn mẫu và hiệu chuẩn: Quy trình căn chỉnh cảm biến tĩnh được thực hiện ở 6 vị trí không gian chuẩn trong 6 phút với hơn 200 mẫu dữ liệu nhằm triệt tiêu hoàn toàn lỗi tất định và xác định chính xác điểm mốc gia tốc trọng trường g bằng 9,8 mét trên giây bình phương. Dữ liệu gán nhãn hành vi chuẩn (ground truth) được xây dựng thông qua phương pháp ghi hình video độ phân giải cao đồng bộ thời gian thực với hệ thống cảm biến.
  • Lý do lựa chọn phương pháp phân tích: Thuật toán Cây quyết định được lựa chọn thay vì các mạng nơ-ron phức tạp nhằm tối ưu hóa năng lực tính toán hạn chế của vi điều khiển, đảm bảo tốc độ phân loại thời gian thực và kéo dài tuổi thọ pin cho thiết bị đeo. Quá trình nghiên cứu và thử nghiệm được triển khai từ năm 2018 đến năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình triển khai thực tế và thử nghiệm mô hình đã mang lại nhiều kết quả nổi bật với các số liệu định lượng cụ thể:

Thứ nhất, nghiên cứu đã thiết kế và chế tạo thành công nút cảm biến đeo cổ nhỏ gọn dựa trên vi điều khiển Arduino Nano kết hợp mô-đun vô tuyến Adafruit RFM96W LoRa băng tần 433 MHz. Nút cảm biến duy trì cự ly truyền thông vô tuyến ổn định vượt mức 500 mét trong điều kiện nông trại mở đến trạm thu Gateway, vượt trội hơn 5 lần so với phạm vi tối đa 100 mét của các mạng Zigbee hay Bluetooth truyền thống.

Thứ hai, việc chuẩn hóa dữ liệu gia tốc 3 trục đã loại bỏ triệt để sai số dịch chuyển không g. Kết quả tính toán giải tích xác định chính xác hệ số độ lệch và tỷ lệ trục Z lần lượt là alpha_z đạt 9,9 mg và beta_z đạt âm 46,8 mg; trục Y có alpha_y đạt âm 0,9 mg và beta_y đạt 9,7 mg.

Thứ ba, mô hình Cây quyết định phân loại thành công 4 trạng thái vận động của bò. Ngưỡng gia tốc VeDBA giúp phân tách dứt khoát nhóm hoạt động mạnh gồm đi và ăn khỏi nhóm hoạt động tĩnh gồm đứng và nằm. Tiếp đó, giá trị SCA-Y phân biệt chính xác trạng thái nằm và đứng nhờ sự thay đổi góc nâng cổ với độ chính xác nhận dạng đạt trên 92%.

Thứ tư, hệ thống truyền dữ liệu qua giao thức MQTT về nền tảng ThingsBoard đạt thời gian đáp ứng trung bình dưới 1,5 giây trên mỗi chu kỳ truyền tin, tỷ lệ thất thoát gói tin ghi nhận thực tế dưới 0,8% trong suốt quá trình thử nghiệm liên tục nhiều ngày.

Thảo luận kết quả

Khi biểu diễn dữ liệu gia tốc 3 trục trên đồ thị miền thời gian, các biên độ dao động thể hiện sự khác biệt hình thái rõ rệt giữa từng trạng thái sinh học. Trạng thái đi tạo ra các xung sóng tuần hoàn biên độ lớn trên cả ba trục X, Y và Z. Trạng thái ăn đặc trưng bởi các biến thiên tần số cao nhưng biên độ hẹp trên trục Y do chuyển động nhai và cúi đầu. Trong khi đó, trạng thái nằm và đứng duy trì các đường tín hiệu phẳng, phân tách nhau rõ ràng qua mức độ nghiêng của trục trọng trường Y.

So sánh với các nghiên cứu trước đây vốn chỉ sử dụng cảm biến rung đơn trục hoặc thuật toán ngưỡng cố định, phương pháp kết hợp VeDBA và SCA-Y trong luận văn này đã giải quyết triệt để hiện tượng phân loại nhầm giữa đứng yên và nằm nghỉ (sai số giảm từ 18% xuống dưới 5%). Việc lựa chọn công nghệ LoRa làm tầng truyền tải cục bộ kết hợp với trạm Gateway kết nối 4G/NB-IoT là giải pháp phù hợp với hạ tầng viễn thông tại Việt Nam, nơi các nhà mạng lớn như Viettel đã triển khai phủ sóng hàng nghìn trạm NB-IoT khắp các tỉnh thành.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 nhóm giải pháp mang tính khả thi cao nhằm ứng dụng rộng rãi hệ thống vào thực tiễn:

  • Tối ưu hóa phần cứng và quản lý năng lượng: Cần tái thiết kế bo mạch cảm biến sang dạng tích hợp SoC đơn chip (như ESP32 hoặc nRF52 series) và bổ sung pin sạc quang năng dung lượng 1200 mAh. Mục tiêu nâng thời gian hoạt động liên tục của thiết bị đeo cổ lên 24 đến 36 tháng mà không cần thay pin, hoàn thiện trong lộ trình 12 tháng bởi các nhóm nghiên cứu phần cứng IoT.
  • Triển khai trực tiếp kết nối di động NB-IoT trên nút cảm biến: Loại bỏ sự phụ thuộc vào trạm Gateway trung gian đối với các nông trại chăn thả bán tự nhiên trên diện tích hàng trăm hecta. Mục tiêu giảm 30% chi phí đầu tư thiết bị thu phát trung gian, khuyến nghị các doanh nghiệp viễn thông và trang trại phối hợp triển khai trong giai đoạn 18 tháng.
  • Nhúng trí tuệ nhân tạo biên (TinyML): Tích hợp các thuật toán học máy trực tiếp vào bộ nhớ vi điều khiển của nút cảm biến để phân loại tại chỗ các hành vi phức tạp như biểu hiện sốt, ho, chu kỳ nhai lại hoặc dấu hiệu động dục. Mục tiêu nâng độ nhạy phát hiện bệnh lên 95% và giảm 70% lưu lượng dữ liệu truyền vô tuyến, thực hiện trong vòng 2 năm bởi các phòng nghiên cứu trí tuệ nhân tạo.
  • Hoàn thiện phần mềm giao diện và ứng dụng di động: Xây dựng hệ thống cảnh báo sớm qua tin nhắn SMS và thông báo ứng dụng di động theo thời gian thực dưới 3 giây khi phát hiện bò có biểu hiện kiệt sức hoặc nằm bất động bất thường, triển khai thương mại hóa cho các hợp tác xã nông nghiệp từ năm 2021 đến 2025.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho nhiều nhóm độc giả chuyên ngành và các đơn vị sản xuất:

  • Học viên cao học và nghiên cứu sinh ngành Điện tử, Kỹ thuật Viễn thông, Công nghệ Thông tin: Cung cấp tài liệu thực chứng về phương pháp thiết kế mạng cảm biến WSN, cách hiệu chuẩn cảm biến gia tốc MEMS và phương pháp tích hợp giao thức MQTT trên máy chủ đám mây.
  • Kỹ sư nghiên cứu và phát triển (R&D) tại các tập đoàn viễn thông và công nghệ: Nắm bắt kiến trúc tích hợp giữa công nghệ vô tuyến LoRa, nền tảng ThingsBoard và hạ tầng di động NB-IoT/4G để phát triển các sản phẩm nông nghiệp chính xác.
  • Chủ trang trại và nhà quản lý doanh nghiệp chăn nuôi gia súc: Tiếp cận mô hình giải pháp kỹ thuật số chi phí thấp, giúp hoạch định chiến lược đầu tư tự động hóa giám sát đàn gia súc quy mô từ 50 cá thể trở lên nhằm tối ưu hóa chi phí vận hành.
  • Giảng viên và chuyên gia hoạch định chính sách Nông nghiệp 4.0: Sử dụng số liệu và cấu trúc giải pháp làm tài liệu giảng dạy chuyên đề IoT chuyên sâu hoặc xây dựng đề án chuyển đổi số ngành nông nghiệp tại các địa phương.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn kết hợp mạng LoRa với giao thức MQTT thay vì sử dụng trực tiếp WiFi hoặc 4G trên vòng đeo cổ?

Sóng WiFi có phạm vi phủ sóng rất hẹp dưới 50 mét và tiêu tốn nhiều điện năng, trong khi kết nối 4G trực tiếp trên từng nút cảm biến đòi hỏi chi phí SIM và module đắt đỏ. Sự kết hợp giữa LoRa truyền tầm xa 500 mét công suất thấp và giao thức MQTT nhẹ giúp tối ưu hóa chi phí thiết bị, tiết kiệm băng thông và kéo dài thời lượng pin của nút cảm biến lên hàng năm trời.

Làm thế nào để cảm biến MPU6050 loại bỏ được lỗi gia tốc trọng trường khi bò vận động?

Nghiên cứu áp dụng quy trình hiệu chuẩn tĩnh 6 vị trí không gian trong 6 phút để xác định chính xác các hệ số bù sai lệch và tỷ lệ cho từng trục. Trong quá trình vận động, thuật toán trích xuất đại lượng động lực toàn thân VeDBA giúp tách biệt các thành phần gia tốc rung động do di chuyển khỏi thành phần gia tốc tĩnh trọng trường SCA-Y.

Thuật toán Cây quyết định phân loại các hành vi của cá thể bò dựa trên những tham số nào?

Thuật toán sử dụng hai tham số cốt lõi là véc-tơ gia tốc động toàn thân VeDBA và thành phần gia tốc tĩnh trục Y là SCA-Y. Giá trị VeDBA so sánh với ngưỡng A để phân chia mức độ hoạt động cao (ăn, đi) hoặc thấp (đứng, nằm). Sau đó, tham số SCA-Y tiếp tục so sánh với ngưỡng B1 và B2 để xác định chính xác trạng thái đứng hay nằm dựa trên góc nghiêng cơ thể.

Hệ thống có khả năng mở rộng để giám sát đồng thời hàng trăm con bò trong cùng một trang trại không?

Hệ thống hoàn toàn đáp ứng khả năng mở rộng quy mô lớn nhờ kiến trúc LoRaWAN và cơ chế hàng đợi phi tập trung của máy chủ MQTT ThingsBoard. Một trạm thu Gateway LoRa có thể tiếp nhận và xử lý dữ liệu từ 50 đến hơn 100 nút cảm biến hoạt động đồng thời trong bán kính phủ sóng mà không gây tắc nghẽn đường truyền.

Nền tảng ThingsBoard đảm nhận những vai trò gì trong kiến trúc hệ thống giám sát?

ThingsBoard đóng vai trò là máy chủ IoT trung tâm, thực hiện thu thập dữ liệu thời gian thực qua giao thức MQTT, phân tích và lưu trữ dữ liệu vào cơ sở dữ liệu đám mây. Đồng thời, nền tảng này cung cấp giao diện bảng điều khiển trực quan trên web và thiết bị di động, tự động gửi cảnh báo cho người quản lý khi phát hiện hành vi bất thường.

Kết luận

  • Luận văn đã thiết kế và chế tạo thành công thiết bị giám sát cá thể bò nhỏ gọn, tích hợp cảm biến MPU6050, vi điều khiển nhúng và mô-đun truyền thông vô tuyến LoRa 433 MHz.
  • Đề tài xây dựng quy trình chuẩn hóa dữ liệu 3 trục chuẩn xác với 200 mẫu hiệu chuẩn tĩnh, loại bỏ hoàn toàn các lỗi cấu trúc đo lường gia tốc.
  • Thuật toán Cây quyết định kết hợp tham số VeDBA và SCA-Y đã phân loại thành công 4 hành vi cơ bản của gia súc với độ chính xác đạt trên 90%.
  • Hệ thống truyền dữ liệu thời gian thực qua giao thức MQTT về nền tảng đám mây ThingsBoard vận hành ổn định với độ trễ dưới 1,5 giây.
  • Giải pháp khẳng định tính khả thi cao về cả mặt kỹ thuật lẫn hiệu quả kinh tế, mở ra hướng đi bền vững cho các trang trại chăn nuôi thông minh tại Việt Nam.

Trong giai đoạn 12 đến 24 tháng tới, hệ thống được định hướng thử nghiệm mở rộng trên quy mô 500 cá thể bò và tích hợp trí tuệ nhân tạo biên TinyML. Quý độc giả, nhà nghiên cứu và các đơn vị trang trại quan tâm hãy tham khảo toàn văn luận văn thạc sĩ để khai thác chi tiết sơ đồ mạch, thuật toán và bộ dữ liệu thực nghiệm giá trị này.