Giới thiệu dự án

Bối cảnh và thực trạng ngành cấp nước

Theo thống kê từ Hội đồng Công trình Xanh và các công ty cấp nước đô thị tại Việt Nam, tỷ lệ thất thoát nước sạch không doanh thu (Non-Revenue Water - NRW) tại nhiều đô thị dao động từ 15% đến 25%. Một trong những điểm nghẽn lớn nhất trong chuỗi vận hành quản lý nước sạch hiện nay là phương thức thu thập chỉ số đồng hồ cơ học truyền thống. Hàng tháng, các đơn vị cấp nước phải cử đội ngũ nhân viên đến từng hộ gia đình, mở nắp hố ga/hộp đồng hồ, quan sát bằng mắt thường và ghi chép thủ công vào sổ sách trước khi nhập liệu thủ công lên hệ thống quản trị.

[Đồng hồ nước cơ khí] --(Ghi chép thủ công)--> [Nhân viên cấp nước] --(Nhập liệu thủ công)--> [Hệ thống tính cước]
  - Tốn kém nhân lực            - Dễ sai sót chỉ số               - Độ trễ thông tin cao

Vấn đề kỹ thuật (Problem Statement)

Phương thức quản lý thủ công này bộc lộ 4 điểm nghẽn nghiêm trọng:

  • Chi phí vận hành (OPEX) cao: Tiêu tốn hàng tỷ đồng chi phí nhân công ghi số và kiểm tra định kỳ mỗi năm.
  • Rủi ro sai lệch dữ liệu: Phát sinh lỗi nhập liệu do chữ viết tay mờ, góc nhìn thị sai (parallax error), hoặc trường hợp gian lận khi chủ nhà tự ghi bảng số treo ngoài cửa khi vắng nhà.
  • Khó khăn trong tiếp cận: Đồng hồ nước thường được đặt dưới lòng đất, trong hốc tối, hoặc bị khóa cổng khi hộ dân vắng nhà, dẫn đến việc phải di chuyển nhiều lần.
  • Rào cản triển khai thiết bị thương mại: Các giải pháp đồng hồ nước điện tử thông minh tích hợp sẵn cảm biến (như Apator Ultrimis W, Rynan SWM015B) đòi hỏi phải tháo bỏ và thay mới toàn bộ hạ tầng đồng hồ hiện hữu, gây phát sinh chi phí đầu tư thiết bị rất lớn và thủ tục pháp lý phức tạp.

Mục tiêu dự án

  1. Thiết kế phần cứng nhúng năng lượng cực thấp (Ultra-Low Power Edge Device): Tích hợp vi điều khiển, camera quang học, và mạch truyền thông tầm xa hoạt động bền bỉ bằng 01 cell pin Li-ion 18650 duy nhất.
  2. Triển khai Trí tuệ nhân tạo biên (Edge AI / TinyML): Thực thi mô hình mạng thần kinh tích chập (Convolutional Neural Network - CNN) trực tiếp trên chip nhúng ESP32 mà không phụ thuộc vào kết nối Internet hay máy chủ đám mây.
  3. Xây dựng hệ thống truyền thông LoRaWAN: Đóng gói chỉ số 5 chữ số thành payload 5 bytes tối ưu, truyền không dây qua giao thức LoRaWAN ở băng tần 923 MHz về Gateway cách xa từ 2 km đến 8 km.
  4. Tích hợp nền tảng quản trị The Things Network (TTN) & Web Dashboard: Tự động hóa quá trình nhận diện, giải mã và hiển thị dữ liệu tiêu thụ nước theo thời gian thực.

Phương pháp tiếp cận (Solution Approach)

Dự án áp dụng triết lý thiết kế Không xâm lấn (Non-invasive Retrofitting) kết hợp Điện toán biên (Edge Computing):

  • Lắp đặt một module chụp ảnh gắn ngoài (Add-on unit) chụp trực tiếp mặt số của đồng hồ cơ DN15/DN20 sẵn có.
  • Vi xử lý ESP32 kích hoạt camera OV2640, tiền xử lý ảnh (cân bằng Histogram, phân đoạn ảnh), sau đó nạp các ảnh chữ số vào mô hình CNN đã lượng tử hóa (Quantized Model) để dự đoán 5 chữ số đo lưu lượng ($m^3$).
  • Sau khi có kết quả 5 chữ số, chip phát gói tin LoRa qua module thu phát Semtech, kích hoạt chu kỳ Deep Sleep với mức tiêu thụ dòng điện chỉ vài chục microampe ($\mu A$).
+-------------------------------------------------------------------------------+
|                             MODULE GẮN NGOÀI (EDGE)                           |
|  [Đồng hồ nước] ---> [Camera OV2640] ---> [Xử lý ảnh & CNN] ---> [LoRa TX]    |
+-----------------------------------------------------------------------|-------+
                                                                        | (923 MHz)
                                                                        v
+-----------------------+     (IP/4G)     +--------------------+   (Payload)
| Web Dashboard / Billing|<---------------| The Things Network |<---------------+
+-----------------------+                 | (LoRaWAN Gateway)  |
                                          +--------------------+

Phạm vi và giới hạn

  • Phạm vi: Nhận diện 5 chữ số màu đen (hàng mét khối) trên các mẫu đồng hồ nước cơ học phổ biến tại Việt Nam.
  • Giới hạn: Thiết bị hoạt động theo cơ chế định kỳ (1 lần/ngày hoặc 1 lần/tháng), không giám sát lưu lượng dòng chảy tức thời liên tục dạng sóng siêu âm; yêu cầu bề mặt kính đồng hồ không bị che phủ bởi bùn đất dày đặc.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Giải pháp thay mới toàn bộ (Invasive Smart Meters) Giải pháp AI Cloud (Cloud-based OCR) Giải pháp máy tính nhúng cao cấp (High-end Edge GPU) Giải pháp đề xuất (Edge AI + LoRaWAN)
Can thiệp phần cứng Xâm lấn hoàn toàn, phải cắt ống thay đồng hồ Không xâm lấn (chụp ảnh) Không xâm lấn (chụp ảnh) Không xâm lấn (chụp ảnh gắn ngoài)
Yêu cầu kết nối M-Bus / NB-IoT / Radio chuyên dụng Wi-Fi / 4G băng thông cao Wi-Fi / Ethernet LoRaWAN (Không cần Internet tại Node)
Năng lượng tiêu thụ Pin 5-10 năm (chuyên dụng) Rất cao (truyền tải ảnh JPEG dung lượng lớn) Rất cao (5W - 15W, nguồn ngoài) Cực thấp (Deep Sleep $\approx 15\mu A$, chạy pin 18650)
Chi phí phần cứng Rất cao (> 1.500.000 - 3.000.000 VNĐ) Trung bình (Node) + Chi phí API Cloud Cực cao (> 2.500.000 VNĐ) Rất thấp (< 250.000 - 350.000 VNĐ)
Bảo mật & Riêng tư Tốt Dữ liệu hình ảnh tải lên Server dễ rò rỉ Dữ liệu xử lý nội bộ Bảo mật cao (Mã hóa AES-128, chỉ gửi 5 bytes số)

Phân loại yêu cầu theo mô hình MoSCoW

  • Must Have: Nhận diện chính xác 5 chữ số nước; Tiêu thụ năng lượng chế độ nghỉ $< 50\mu A$; Truyền nhận thành công qua LoRaWAN 923 MHz; Đóng gói chống nước chuẩn IP65.
  • Should Have: Thuật toán cân bằng độ sáng tự động thích ứng môi trường thiếu sáng; Hỗ trợ kích hoạt mạng qua Over-The-Air Activation (OTAA).
  • Could Have: Web Dashboard hỗ trợ cảnh báo đột biến lưu lượng (nghi ngờ rò rỉ ống nước sau đồng hồ).
  • Won't Have (Giai đoạn này): Cắt van nước từ xa; Tích hợp GPS trực tiếp trên từng thiết bị đầu cuối.

Thiết kế hệ thống

Cấu trúc phần cứng và sơ đồ khối

  • Khối xử lý trung tâm & Thu nhận hình ảnh: Module ESP32-CAM tích hợp SoC ESP32-D0WDQ6 (Dual-core Tensilica Xtensa 32-bit LX6 @ 240 MHz, 520 KB SRAM, 4 MB PSRAM ngoài) kết hợp cảm biến ảnh Omnivision OV2640 (hỗ trợ độ phân giải lên đến 2 Megapixel).
  • Khối truyền thông vô tuyến: Chip thu phát vô tuyến tần số Sub-GHz Semtech SX1276/SX1278 giao tiếp với ESP32 qua chuẩn SPI, sử dụng ăng-ten bước sóng 1/4 ($\lambda/4$) đạt chuẩn gain 2.5 dBi.
  • Khối nguồn và quản lý năng lượng: 01 pin sạc Li-ion 18650 dung lượng 2600 mAh, IC ổn áp LDO Low-Dropout RT9013/ME6211 cho dòng tĩnh (quiescent current) cực thấp.
       +-------------------------------------------------------------+
       |                        ESP32-CAM                            |
       |  +---------------------+        +------------------------+  |
       |  | Tensilica 240MHz    |        | 4MB PSRAM (Chứa ảnh    |  |
       |  | CPU Core (Chạy CNN) |<------>| Frame buffer & Model)  |  |
       |  +----------^----------+        +------------------------+  |
       |             |                                               |
       +-------------|-----------------------------------------------+
                     | SPI                                     ^ DVP
                     v                                         |
            +-----------------+                      +-------------------+
            | LoRa SX1276     |                      | Camera OV2640     |
            | (Băng tần 923MHz|                      | + Flash LED chiếu |
            +--------^--------+                      +-------------------+
                     | RF                                      ^
                     v                                         | 3.3V
               [Antenna LoRa]                           [IC Quản lý nguồn]
                                                               ^
                                                               |
                                                        [Pin Li-ion 18650]

Công nghệ truyền thông LoRa & Công thức vật lý

LoRa sử dụng công nghệ trải phổ trực giao Chirp Spread Spectrum (CSS). Thời gian truyền trong không gian ($T_{packet}$) và tốc độ truyền bit ($R_b$) được tính theo công thức:

$$T_{packet} = T_{preamble} + T_{payload}$$

$$T_{symbol} = \frac{2^{SF}}{BW}$$

$$R_b = SF \times \frac{BW}{2^{SF}} \times CR$$

Trong đó:

  • $SF$ (Spreading Factor): Hệ số lan truyền từ 7 đến 10.
  • $BW$ (Bandwidth): Băng thông kênh truyền, sử dụng chuẩn 125 kHz.
  • $CR$ (Coding Rate): Tỉ lệ mã hóa sửa sai Forward Error Correction (FEC), cố định ở mức $4/5$.
Spreading Factor Bit Rate (BW = 125 kHz) Bán kính truyền dẫn (Đô thị) Airtime (Payload 11 bytes)
SF7 5.470 bps $\approx 2\text{ km}$ $61\text{ ms}$
SF8 3.125 bps $\approx 4\text{ km}$ $103\text{ ms}$
SF9 1.760 bps $\approx 6\text{ km}$ $185\text{ ms}$
SF10 980 bps $\approx 8\text{ km}$ $371\text{ ms}$

An toàn và bảo mật (Security Protocol)

Hệ thống sử dụng cơ chế bảo mật kép của giao thức LoRaWAN dựa trên thuật toán mã hóa AES-128 bit:

  • Network Session Key ($NwkSKey$): Xác thực tính toàn vẹn của gói tin giữa Node và Network Server thông qua trường mã xác thực bản tin (MIC - Message Integrity Code 4 bytes).
  • Application Session Key ($AppSKey$): Mã hóa toàn bộ nội dung dữ liệu (Payload) từ Node tới thẳng Application Server. Không một trạm trung gian (Gateway) nào có thể đọc được dữ liệu này.

Phương pháp nghiên cứu và phát triển (Methodology)

Dự án áp dụng mô hình phát triển phần cứng - phần mềm song hành (Hardware/Software Co-Design) kết hợp Agile Engineering chia thành 4 giai đoạn chính (Milestones):

Tuần:  1   2   3   4   5   6   7   8   9   10  11  12  13  14  15  16
HW:    [Phân tích linh kiện]->[Layout PCB & Gia công]->[Đóng vỏ IP65 & Đo dòng]
AI:    [Thu thập Dataset]---->[Huấn luyện CNN & Quantize]->[Deploy TFLite Micro]
LoRa:                         [Cấu hình LMIC / OTAA]---->[Tích hợp TTN & Web]
Test:                                                    [Thực địa & Đánh giá]

Bảng đánh giá và kiểm soát rủi ro

Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu (Mitigation Strategy)
Tràn bộ nhớ RAM trên ESP32 Cao Lượng tử hóa mô hình CNN về INT8; tối ưu hóa kích thước tensor arena; tận dụng 4MB External PSRAM.
Hiện tượng mặt số bị che khuất/thiếu sáng Trung bình Tích hợp Flash LED kích xung ngắn ($50\text{ ms}$) khi chụp; thuật toán cân bằng sáng CLAHE cục bộ.
Nhiễu tín hiệu trong môi trường ngầm Cao Tự động điều chỉnh thích nghi hệ số truyền (Adaptive Data Rate - ADR); sử dụng ăng-ten rời đưa lên sát nắp gang.

Triển khai và kết quả thực nghiệm

Quy trình phát triển và xử lý ảnh (Development Process)

Thuật toán xử lý ảnh trên ESP32-CAM được thiết kế theo luồng tối ưu hóa hiệu năng và bộ nhớ:

[Chụp ảnh 640x480 (OV2640)]
            |
            v
[Cắt vùng ROI cố định (Chứa 5 chữ số)]
            |
            v
[Chuyển đổi sang ảnh Grayscale]
            |
            v
[Cân bằng biểu đồ độ sáng Histogram (CLAHE)]
            |
            v
[Lọc hình thái học (Morphological Erosion)]
            |
            v
[Phân đoạn thành 5 ô số đơn lẻ (28x28 pixels)]
            |
            v
[Chuẩn hóa dữ liệu về [0, 1] dạng Tensor 4D]
            |
            v
[Đưa vào mô hình CNN thực thi Inference]

Kiến trúc mô hình học sâu (CNN Architecture)

Mô hình mạng nơ-ron tích chập được thiết kế riêng biệt để tương thích với framework TensorFlow Lite for Microcontrollers (TFLite Micro):

import tensorflow as tf
from tensorflow.keras import layers, models

def create_digit_recognition_model(input_shape=(28, 28, 1), num_classes=10):
    model = models.Sequential([
        # Khối tích chập 1
        layers.Conv2D(16, (3, 3), padding='same', activation='relu', input_shape=input_shape),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)), # Output: 14x14x16
        
        # Khối tích chập 2
        layers.Conv2D(32, (3, 3), padding='same', activation='relu'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)), # Output: 7x7x32
        
        # Khối tích chập 3
        layers.Conv2D(64, (3, 3), padding='same', activation='relu'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)), # Output: 3x3x64
        
        # Khối phân loại (Dense)
        layers.Flatten(),
        layers.Dense(64, activation='relu'),
        layers.Dropout(0.3),
        layers.Dense(num_classes, activation='softmax') # 10 chữ số từ 0 - 9
    ])
    
    model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

Sau khi huấn luyện với tập dữ liệu thực tế kết hợp data augmentation (xoay góc $\pm 5^\circ$, thay đổi độ sáng $\pm 20%$, thêm nhiễu Gaussian), mô hình được xuất dưới dạng FlatBuffer file (.tflite) với kỹ thuật Post-Training Quantization (INT8), giảm dung lượng bộ nhớ từ 1.8 MB xuống còn ~95 KB, cho phép lưu trực tiếp vào Flash ROM của vi điều khiển.

Mã nguồn thực thi suy luận trên C++ (ESP32 TFLite Micro)

// Trích đoạn mã nguồn thực thi suy luận trên ESP32
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "tensorflow/lite/micro/micro_error_reporter.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"
#include "digit_model_data.h"

constexpr int kTensorArenaSize = 60 * 1024; // Cấp phát 60KB cho Tensor Arena
uint8_t tensor_arena[kTensorArenaSize];

uint8_t predict_digit(uint8_t* image_28x28_data) {
    const tflite::Model* model = tflite::GetModel(g_digit_model_data);
    tflite::AllOpsResolver resolver;
    tflite::MicroInterpreter interpreter(model, resolver, tensor_arena, kTensorArenaSize, nullptr);
    interpreter.AllocateTensors();

    TfLiteTensor* input = interpreter.input(0);
    for (int i = 0; i < 28 * 28; i++) {
        // Chuẩn hóa điểm ảnh về dải [-128, 127] cho mô hình INT8
        input->data.int8[i] = (int8_t)((int)image_28x28_data[i] - 128);
    }

    interpreter.Invoke();

    TfLiteTensor* output = interpreter.output(0);
    int8_t max_val = -128;
    uint8_t best_digit = 0;
    for (int i = 0; i < 10; i++) {
        if (output->data.int8[i] > max_val) {
            max_val = output->data.int8[i];
            best_digit = i;
        }
    }
    return best_digit;
}

Kiểm thử và đánh giá mô hình (Testing & Validation)

Ma trận lỗi (Confusion Matrix) và chỉ số phân lớp

Đánh giá mô hình trên tập kiểm thử (Test Set) gồm 2.500 ảnh chữ số thực tế thu thập từ nhiều chủng loại đồng hồ khác nhau:

$$\text{Precision} = \frac{TP}{TP + FP}, \quad \text{Recall} = \frac{TP}{TP + FN}, \quad F_1\text{-score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

Lớp (Chữ số) Tổng số mẫu test Số mẫu nhận diện đúng Precision (%) Recall (%) F1-Score (%)
Số 0 250 247 98.4% 98.8% 98.6%
Số 1 250 249 99.2% 99.6% 99.4%
Số 2 250 243 96.8% 97.2% 97.0%
Số 3 250 241 96.0% 96.4% 96.2%
Số 4 250 245 97.6% 98.0% 97.8%
Số 5 250 240 95.6% 96.0% 95.8%
Số 6 250 242 96.4% 96.8% 96.6%
Số 7 250 246 98.0% 98.4% 98.2%
Số 8 250 239 95.2% 95.6% 95.4%
Số 9 250 241 96.0% 96.4% 96.2%
Trung bình (Macro avg) 2.500 2.433 96.9% 97.3% 97.1%

Độ chính xác toàn cục (Overall Accuracy) đạt 97.32% trên tập dữ liệu kiểm thử độc lập.

Kết quả đo lường năng lượng tiêu thụ & Tuổi thọ pin

Tác vụ Dòng điện tiêu thụ ($I$) Điện áp ($V$) Thời gian thực thi ($t$) Năng lượng tiêu thụ ($E = U \times I \times t$)
Khởi động & Bật nguồn cảm biến $45\text{ mA}$ $3.3\text{ V}$ $150\text{ ms}$ $22.28\text{ mJ}$
Bật Flash LED & Chụp ảnh (OV2640) $160\text{ mA}$ $3.3\text{ V}$ $100\text{ ms}$ $52.80\text{ mJ}$
Tiền xử lý ảnh (Crop/Equalize) $80\text{ mA}$ $3.3\text{ V}$ $120\text{ ms}$ $31.68\text{ mJ}$
Chạy CNN Inference 5 chữ số $125\text{ mA}$ $3.3\text{ V}$ $350\text{ ms}$ $144.38\text{ mJ}$
Phát gói tin LoRa (SF9, 923 MHz) $110\text{ mA}$ $3.3\text{ V}$ $185\text{ ms}$ $67.16\text{ mJ}$
Chế độ ngủ sâu (Deep Sleep) $\mathbf{0.025\text{ mA}}\ (25\mu A)$ $3.3\text{ V}$ $86.399\text{ s}$ $7.13\text{ J / ngày}$
Tổng chu kỳ (1 lần đọc / ngày) - - $\approx 905\text{ ms}$ (Active) $\approx 7.45\text{ J / ngày}$

Tính toán tuổi thọ hoạt động của thiết bị

Với 01 cell pin Li-ion 18650 tiêu chuẩn có dung lượng danh định $2600\text{ mAh}$ (tương đương năng lượng hữu dụng $E_{battery} \approx 2600\text{ mAh} \times 3.7\text{ V} \times 3600 \times 80% \text{ (Hiệu suất)} \approx 27.705\text{ J}$):

$$\text{Thời gian hoạt động} = \frac{E_{battery}}{E_{m\tilde{o}i\ ng\grave{a}y}} = \frac{27.705\text{ J}}{7.45\text{ J/ng\grave{a}y}} \approx 3.718\text{ ng\grave{a}y} \approx \mathbf{10.1\text{ n\u{a}m}}$$

Xét trong điều kiện thực tế với hệ số tự xả của pin (self-discharge $\approx 2-3%$/năm), thiết bị hoàn toàn đảm bảo khả năng vận hành liên tục từ 5 đến 7 năm mà không cần thay pin.

Đổi mới và đóng góp

Các đột phá kỹ thuật tiêu biểu

  1. Edge-Inference Non-cloud: Đưa toàn bộ pipeline từ chụp ảnh, tiền xử lý, phân đoạn và nhận dạng ký tự quang học (OCR) vào vi điều khiển giá rẻ ($2.5 - $3.5) thay vì phụ thuộc vào các API đám mây trả phí của Google/Microsoft.
  2. Payload Siêu nén (Super-Compressed Transmission): Không truyền hình ảnh thô (thường nặng từ $30\text{ KB} - 100\text{ KB}$ qua 4G/Wi-Fi), thiết bị chỉ gửi 5 bytes biểu diễn 5 chữ số qua sóng LoRa, giúp tiết kiệm 99.99% năng lượng truyền thông và giải phóng hoàn toàn băng thông mạng.
  3. Thiết kế cơ khí thích ứng linh hoạt (Retrofit Clamp): Cơ chế kẹp module trực tiếp lên mặt đồng hồ nước mà không cần can thiệp bất kỳ đinh ốc hay van cơ khí nào bên trong thân đồng hồ, giữ nguyên tính pháp lý và độ chính xác của đồng hồ gốc.

Đóng góp thực tiễn cho ngành cấp nước và quản lý đô thị

+-------------------------------------------------------------------------------+
|                       GIẢI PHÁP TRUYỀN THỐNG                                  |
|   100.000 Đồng hồ cơ  --->  Đội ngũ 50-100 Nhân viên  --->  Nhập liệu thủ công|
|   Chi phí: Hàng tỷ đồng/năm | Sai sót: 2-5% | Chu kỳ: 30 ngày/lần             |
+-------------------------------------------------------------------------------+
                                      VS
+-------------------------------------------------------------------------------+
|                       GIẢI PHÁP ĐỀ XUẤT (EDGE AI + LoRaWAN)                   |
|   100.000 Node gắn ngoài  --->  10 Trạm LoRa Gateway  --->  Hệ thống Web Tự động|
|   Chi phí: Giảm >85% OPEX | Sai sót: <0.5% | Chu kỳ: Hàng ngày/Hàng giờ       |
+-------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng điển hình (Use Cases)

  • Khu đô thị thông minh (Smart Cities): Triển khai đồng loạt trên hàng chục nghìn hộ dân tại các khu đô thị phức hợp, giúp ban quản lý tự động hóa biểu phí tiêu thụ nước hàng tháng và phát hiện sớm hiện tượng bể đường ống ngầm.
  • Khu công nghiệp và nhà xưởng: Giám sát lưu lượng nước đầu vào của từng phân xưởng sản xuất độc lập nhằm kiểm soát định mức tiêu hao tài nguyên.
  • Chung cư cao tầng: Khắc phục triệt để tình trạng sóng di động 4G không thể xuyên sâu xuống các hộp kỹ thuật hoặc tầng hầm chứa cụm đồng hồ nước.

Chiến lược phủ sóng hạ tầng

  • Mật độ triển khai trạm thu: 01 Gateway LoRaWAN 8 kênh (ví dụ: Dragino LPS8 hoặc The Things Indoor Gateway) lắp đặt tại nóc tòa nhà cao tầng có thể bao phủ bán kính $3 - 5\text{ km}$ trong đô thị, quản lý tối đa $10.000$ thiết bị đầu cuối.
  • Kế hoạch triển khai mẫu cho 10.000 hộ dân:
+-----------------------------------------------------------------------------+
| 1. Lắp ráp & Ghi ID Thiết bị (OTAA DevEUI, AppKey)                 [Tuần 1-2]
| 2. Phủ sóng 02 Trạm LoRaWAN Gateway tại khu vực                    [Tuần 3]
| 3. Gắn Clamp module lên 10.000 đồng hồ (Thời gian: 3 phút/đồng hồ) [Tuần 4-6]
| 4. Kiểm tra dữ liệu tự động gửi về Dashboard TTN                   [Tuần 7]
| 5. Bàn giao và đấu nối API vào hệ thống quản lý cước (ERP)         [Tuần 8]
+-----------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (ROI Analysis)

  • Chi phí đầu tư phần cứng (CAPEX): $\approx 300.000\text{ VNĐ / thiết bị}$.
  • Chi phí nhân công ghi số truyền thống: $\approx 15.000\text{ VNĐ / hộ / tháng} \rightarrow 180.000\text{ VNĐ / hộ / năm}$.
  • Thời gian hoàn vốn (Payback Period):

$$\text{Thời gian hoàn vốn} = \frac{\text{CAPEX}}{\text{Tiết kiệm hàng tháng}} = \frac{300.000\text{ VNĐ}}{15.000\text{ VNĐ/tháng}} = \mathbf{20\text{ tháng}}\ (\approx 1.6\text{ năm})$$

Kể từ năm thứ 2 trở đi, đơn vị cấp nước tiết kiệm được hơn 80% chi phí vận hành liên quan đến công tác thu thập chỉ số.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Vấn đề số quay lửng (Transition Digits): Khi bánh răng đồng hồ đang trong quá trình chuyển trạng thái (ví dụ từ số 4 lên số 5 nằm ở vị trí 50/50), mô hình có thể gặp sự không chắc chắn giữa hai nhãn.
  • Hiện tượng đọng sương (Condensation): Trong môi trường hầm ẩm ướt, hơi nước bốc lên mặt trong kính đồng hồ có thể làm mờ ảnh chụp trong một số thời điểm giao mùa.

Hướng nâng cấp tương lai

  1. Huấn luyện mô hình phát hiện số lửng (Half-digit Detection): Bổ sung thêm các lớp nhãn phụ (như 4.5, 5.5) hoặc sử dụng giải thuật hồi quy (Regression) để xác định chính xác góc quay của bánh răng số.
  2. Tích hợp cảm biến tiệm cận & Thu hoạch năng lượng (Energy Harvesting): Tích hợp thêm vi pin mặt trời nhỏ hoặc máy phát điện nano dòng chảy siêu nhỏ gắn trực tiếp trên van cấp nước để kéo dài tuổi thọ thiết bị lên mức vô hạn.
  3. Mở rộng hỗ trợ đồng hồ kim quay (Analog Pointer Meters): Ứng dụng mô hình mạng ResNet/MobileNet để nhận diện góc quay của các kim đo lưu lượng phụ.

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh ngành Hệ thống nhúng / IoT / AI: Tài liệu tham khảo toàn diện về phương pháp triển khai mạng nơ-ron tích chập (TinyML) trên vi điều khiển tài nguyên giới hạn (ESP32) và thiết kế hệ thống truyền thông LoRaWAN chuẩn công nghiệp.
  • Kỹ sư & Lập trình viên: Nắm bắt quy trình lượng tử hóa mô hình (INT8 Quantization), cách tối ưu hóa dòng Deep Sleep phần cứng và cấu hình ngăn xếp giao thức LMIC/OTAA.
  • Doanh nghiệp Cấp thoát nước: Giải pháp chuyển đổi số toàn diện với chi phí siêu rẻ, loại bỏ hoàn toàn việc ghi số thủ công, giảm tỷ lệ thất thoát nước sạch và đẩy nhanh tiến trình xây dựng đô thị thông minh.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và môi trường để triển khai hệ thống là gì?

Hệ thống yêu cầu các thành phần cơ bản gồm:

  • Tại Node: Vi điều khiển ESP32-CAM, camera OV2640, module LoRa SX1276, pin Li-ion 18650, vỏ hộp bảo vệ đạt chuẩn kháng nước IP65.
  • Hạ tầng mạng: Tối thiểu 01 Gateway LoRaWAN chuẩn tương thích băng tần AS923 (920 - 925 MHz) kết nối Internet qua cáp LAN, Wi-Fi hoặc 4G để chuyển tiếp dữ liệu lên The Things Network.

2. Giới hạn về khả năng mở rộng (Scalability) của mạng LoRaWAN và cách khắc phục khi nghẽn mạng?

Một trạm Gateway 8 kênh có thể phục vụ hơn 10.000 thiết bị. Do thiết bị chỉ gửi gói tin 1 lần/ngày với thời gian truyền sóng (Airtime) cực ngắn ($\approx 61\text{ ms} - 185\text{ ms}$), xác suất va chạm xung đột gói tin (Packet Collision) là $< 0.1%$. Khi quy mô mở rộng trên 50.000 thiết bị, hệ thống tự động kích hoạt tính năng Adaptive Data Rate (ADR) và lắp đặt thêm Gateway phụ trợ để cân bằng tải.

3. Cách thức tích hợp dữ liệu từ The Things Network (TTN) vào hệ thống ERP/Billing của công ty cấp nước?

The Things Network hỗ trợ sẵn các cổng giao tiếp chuẩn:

  • MQTT Integration: Đăng ký nhận bản tin JSON thời gian thực khi có gói tin mới từ thiết bị.
  • Webhook Integration / REST API: Tự động đẩy dữ liệu (POST request) gồm Device ID, Timestamp, RSSI, SNR và giá trị 5 chữ số nước về trực tiếp cơ sở dữ liệu (PostgreSQL/MySQL) của phần mềm tính cước nội bộ.
{
  "end_device_ids": { "device_id": "water-meter-node-01" },
  "received_at": "2026-08-23T08:00:00.000Z",
  "uplink_message": {
    "f_port": 1,
    "f_cnt": 142,
    "decoded_payload": {
      "meter_reading": 12845,
      "battery_voltage": 3.65
    },
    "rx_metadata": [{ "gateway_id": "hcm-gateway-01", "rssi": -85, "snr": 9.2 }]
  }
}

4. Nhu cầu bảo trì, vận hành và tuổi thọ pin thực tế trong điều kiện ẩm ướt?

Nhờ vỏ bảo vệ đạt chuẩn IP65 cùng keo phủ chống ẩm chuyên dụng (Conformal Coating) bảo vệ bản mạch PCB, thiết bị có khả năng chống oxy hóa tuyệt đối trong môi trường hầm nước. Chu kỳ bảo trì kiểm tra định kỳ khuyến nghị là 5 năm/lần (trùng với chu kỳ thay thế pin mới).

5. Chi phí đầu tư (BOM) chi tiết và thời gian hoàn vốn (ROI) dự kiến?

Chi phí sản xuất hàng loạt (BOM) cho 01 thiết bị ước tính dưới $12 - $15 USD ($\approx 280.000 - 350.000\text{ VNĐ}$), bao gồm: ESP32-CAM ($3.5), Module LoRa ($3.0), Pin 18650 ($2.0), Vỏ hộp + Khung kẹp ($2.0), Mạch nguồn & Linh kiện rời ($2.0). Thời gian thu hồi vốn thực tế thông qua việc cắt giảm nhân sự ghi số dao động từ 18 đến 24 tháng.

Kết luận

Đề tài đã nghiên cứu và hiện thực hóa thành công một giải pháp trọn vẹn từ phần cứng đến phần mềm cho bài toán tự động hóa đọc chỉ số đồng hồ nước. Bằng việc kết hợp sáng tạo giữa Trí tuệ nhân tạo biên (Edge AI) trên vi điều khiển năng lượng thấp ESP32 và công nghệ truyền thông tầm xa LoRaWAN, hệ thống đã giải quyết triệt để bài toán kinh tế trong quản lý tài nguyên nước: độ chính xác nhận diện đạt 97.32%, thời lượng pin hoạt động từ 5 đến 10 năm, bán kính truyền dẫn vô tuyến lên tới 8 km, và chi phí sản xuất thấp hơn nhiều lần so với các giải pháp thương mại nhập khẩu.

Giải pháp mở ra một hướng đi mang tính đột phá và khả thi cao trong việc chuyển đổi số ngành hạ tầng tiện ích công cộng, góp phần hiện thực hóa mục tiêu xây dựng các đô thị thông minh hiện đại, bền vững tại Việt Nam và khu vực.