Tổng quan về luận án

Nghiên cứu của tác giả Lê Thanh Việt, thực hiện tại Đại học Bách khoa Hà Nội dưới sự hướng dẫn khoa học của GS.TS Vũ Văn Yêm và TS. Vương Hoàng Nam, thuộc chuyên ngành Kỹ thuật Viễn thông (mã số 9520208), là công trình tiên phong giải quyết bài toán tích hợp hệ thống Trí tuệ nhân tạo của Vạn vật (AIoT - Artificial Intelligence of Things) trong nông nghiệp thông minh thích ứng biến đổi khí hậu (Climate-Smart Agriculture). Trọng tâm nghiên cứu tập trung vào việc thiết kế phần cứng, giao thức mạng và các thuật toán học sâu chuyên biệt cho môi trường nuôi trồng thủy sản nước lợ, mặn tại vùng đồng bằng sông Cửu Long, cụ thể là địa bàn tỉnh Kiên Giang.

Bối cảnh thực tiễn cho thấy ngành thủy sản Việt Nam đã đạt những bước tăng trưởng vượt bậc: "diện tích NTTS cả nước tăng 2,48 lần năm 1999 là 524.619 ha đã tăng lên tới 1,3 triệu ha nuôi nội địa và 9,5 triệu m2 lồng nuôi biển năm 2023; sản lượng NTTS tăng gấp 11 lần từ năm 1997 với 481 nghìn tấn lên 5.407 nghìn tấn năm 2023; kim ngạch xuất khẩu thủy sản năm 2023 là 8,97 tỷ USD". Tại Kiên Giang, với diện tích nuôi trồng lên tới 292.569 ha (trong đó tôm nước lợ, mặn chiếm 136.241 ha), việc kiểm soát chất lượng nước và giám sát cá thể đang đối mặt với nguy cơ biến đổi khí hậu, nước biển dâng và ô nhiễm hữu cơ.

Khoảng trống nghiên cứu (Research Gap) xác định gồm hai trục chính:

  1. Về hạ tầng IoT: Các giải pháp thương mại hoặc nghiên cứu trước đây (như nghiên cứu sử dụng mạng GSM 2G của Phạm Mạnh Thắng, 2011 hoặc các hệ thống giám sát 1 chiều của Farmext) có chi phí vận hành cao, tính mở kém, truyền thông một chiều, thiếu khả năng tương tác điều khiển cơ cấu chấp hành tự động và tiêu hao nhiều năng lượng.
  2. Về thị giác máy tính dưới nước: Các mô hình học sâu hiện đại khi ứng dụng vào phân vùng ảnh cá thể thường gặp lỗi do hiện tượng tán xạ ánh sáng, nước đục, độ tương phản thấp, phông nền phức tạp và cá thể che khuất lẫn nhau. Hàm mất mát Entropy chéo ($L_{CE}$) tiêu chuẩn "thiếu thông tin về chiều dài của biên và độ sáng của đối tượng cần phân đoạn", dẫn đến ranh giới phân vùng không chính xác. Đồng thời, các kiến trúc phân loại như Transformer hoặc MLP-Mixer đòi hỏi tài nguyên tính toán quá lớn, không phù hợp triển khai cục bộ tại các trạm AIoT biên.

Nghiên cứu đặt ra các câu hỏi và giả thuyết khoa học:

  • RQ1: Làm thế nào để thiết kế một hệ thống phần cứng và giao thức mạng IoT hai chiều, kiến trúc mở, dùng năng lượng mặt trời và chuẩn truyền thông LoRa có thể vận hành ổn định trong điều kiện khắc nghiệt của đầm nuôi tôm nước lợ, mặn?
  • RQ2: Làm thế nào để cải thiện độ chính xác phân vùng ranh giới cá thể dưới nước trong điều kiện chiếu sáng phi đồng nhất và nền phức tạp?
    • H1: Tích hợp khối Waterfall Atrous Spatial Pooling (WASP) vào mạng Fully Convolutional Networks với xương sống Wide ResNet (FCN-WRN) sẽ mở rộng trường tiếp nhận (receptive field) đa tỷ lệ mà không làm suy giảm độ phân giải không gian.
    • H2: Kết hợp hàm mất mát đường bao chủ động cục bộ ($L_{LACB}$) với hàm Cross-Entropy ($L_{CE}$) sẽ tối ưu hóa việc trích xuất biên dựa trên gradient độ sáng và chiều dài ranh giới cá thể.
  • RQ3: Cơ chế chú ý nào có thể tối ưu hóa kiến trúc tích chập đa lớp ConvMixer để phân loại chính xác các loài cá mà không làm bùng nổ số lượng tham số huấn luyện?
    • H3: Tích hợp cơ chế chú ý ưu tiên theo kênh (PCA - Prioritized Channel Attention) và chú ý ưu tiên theo không gian (PSA - Prioritized Spatial Attention) vào ConvMixer sẽ cải thiện đáng kể độ chính xác Top-1 so với các mạng nơ-ron tích chập tiêu chuẩn (VGG16, ResNet-50, MobileNetV3).

Nghiên cứu thiết lập phạm vi thực nghiệm tại Trạm thực nghiệm Thứ Sáu Biển (Huyện An Biên, Tỉnh Kiên Giang), đo đạc đồng thời 7 thông số thủy lý - thủy hóa (Nhiệt độ, Độ mặn, pH, Oxy hòa tan DO, Độ trong, $NO_3^-$, $NH_4^+$) và đánh giá thuật toán trên 5 bộ dữ liệu thị giác máy tính chuẩn quốc tế: DeepFish, SIUM, Fish-Gres, Croatian Fish và BD Indigenous Fish.

Literature Review và Positioning

Lịch sử phát triển các hệ thống giám sát môi trường nước nông nghiệp bắt đầu từ các hệ thống cảm biến cục bộ đơn giản chuyển dịch sang kiến trúc IoT đa tầng (Ashton, 2009; Gubbi et al., 2013). Trong lĩnh vực thủy sản, các nghiên cứu quốc tế của Parra et al. (2018) và Encinas et al. (2017) đã ứng dụng mạng cảm biến không dây (WSN) trên nền ZigBee và Wi-Fi. Tuy nhiên, các giao thức này bộc lộ hạn chế nghiêm trọng về cự ly truyền dẫn (dưới 100m) và mức tiêu thụ năng lượng cao. Việc chuyển sang mạng diện rộng công suất thấp (LPWAN) với chuẩn LoRa/LoRaWAN (Augustin et al., 2016) mở ra khả năng phủ sóng hàng kilomet nhưng đòi hỏi tối ưu hóa cấu trúc gói tin và thuật toán điều khiển đa luồng tại cổng Gateway để tránh nghẽn kênh khi số lượng node tăng lên.

Trong nhánh nghiên cứu thị giác máy tính và phân vùng ảnh sinh vật dưới nước, các phương pháp cổ điển như thuật toán trừ nền (Background Subtraction), lan vùng (Region Growing - Adams & Bischof, 1994), phân cụm K-means và mô hình đường bao chủ động (Active Contour / Level Set - Chan & Vese, 2001) đã được Fier et al. (2020) và Sharif et al. (2020) áp dụng để phát hiện và đếm cá thể. Tuy nhiên, các kỹ thuật truyền thống hoàn toàn thất bại khi mật độ cá thể vượt quá ngưỡng 700 con/bể do hiện tượng chồng lấn, ngụy trang và suy hao quang học (optical attenuation) trong môi trường nước phù sa.

       TIẾP CẬN THỊ GIÁC MÁY TÍNH DƯỚI NƯỚC
Phương pháp cổ điển             Phương pháp Học sâu (Deep Learning)
   Nhiễu nền, phụ thuộc                      thiếu thông tin gradient độ sáng cục bộ
                                                 chế chọn lọc đặc trưng kênh/không gian

Sự bùng nổ của mạng tích chập toàn phần FCN (Long et al., 2015), U-Net (Ronneberger et al., 2015), MultiResUNet (Ibtehaz & Rahman, 2020) và ResUNet++ (Jha et al., 2019) đã nâng cao khả năng phân đoạn ảnh ngữ nghĩa. Mặc dù vậy, khi áp dụng vào tập dữ liệu ảnh dưới nước như DeepFish (Saleh et al., 2020) hay SIUM (Islam et al., 2020), các mạng này vẫn bộc lộ sai số lớn tại các đường viền vây và đuôi cá. Nguyên nhân là do hàm mất mát Cross-Entropy truyền thống không xét đến độ dài đường bao hình học và gradient cường độ sáng cục bộ của đối tượng.

Ở mảng phân loại loài, sự dịch chuyển từ mạng CNN tiêu chuẩn (AlexNet, VGG16, ResNet) sang Vision Transformers (Vaswani et al., 2017; Dosovitskiy et al., 2020) và MLP-Mixer (Tolstikhin et al., 2021) mang lại khả năng nắm bắt phụ thuộc xa tốt hơn nhưng phải đánh đổi bằng kích thước mô hình khổng lồ (hàng trăm triệu tham số). Kiến trúc ConvMixer (Trockman & Kolter, 2022) kết hợp tích chập theo chiều sâu (depthwise separable convolution) mở ra hướng đi nhẹ và hiệu quả, song bản thân nó thiếu khả năng thích ứng động với các đặc trưng không gian và kênh trọng yếu. Luận án đã định vị chính xác vị trí học thuật bằng việc thiết kế mô hình lai FCN-WRN-WASP với hàm mất mát hoạt động cục bộ $L_{CE_AC}$, kết hợp mạng ConvMixer-PCA-PSA nhằm giải quyết triệt để sự đánh đổi giữa hiệu năng tính toán và độ chính xác phân loại.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng nền tảng lý thuyết phân vùng ảnh bằng việc kết hợp lý thuyết biến phân hình học (Variational Geometric Active Contour Theory của Chan-Vese) với kiến trúc mạng nơ-ron học sâu hiện đại:

  1. Mở rộng lý thuyết hàm mất mát tối ưu biên: Luận án hình thức hóa hàm mất mát đường bao chủ động cục bộ ($L_{LACB}$) kết hợp cùng hàm Binary Cross Entropy ($L_{BCE}$), ký hiệu là $L_{CE_AC}$: $$\mathcal{L}{CE_AC} = \lambda \mathcal{L}{CE} + \mu \mathcal{L}{Length} + \alpha_1 \int{\Omega_{in}} |u_0 - c_1|^2 dxdy + \alpha_2 \int_{\Omega_{out}} |u_0 - c_2|^2 dxdy$$ Trong đó, $u_0$ biểu diễn ma trận cường độ sáng của ảnh đầu vào, $c_1$ và $c_2$ là giá trị cường độ trung bình của vùng bên trong và bên ngoài đường bao dự đoán, $\mathcal{L}_{Length}$ kiểm soát độ trơn và liên tục của đường biên. Đóng góp này khắc phục sự thiếu hụt thông tin hình học của không gian xác suất pixel trong các mạng nơ-ron tích chập truyền thống.

  2. Khung lý thuyết chú ý đa hướng (Dual-domain Attention Theory): Mô hình mở rộng lý thuyết biểu diễn không gian - kênh bằng việc đề xuất hai khối:

    • Khối chú ý ưu tiên theo kênh (Prioritized Channel Attention - PCA): Sử dụng phép gộp trung bình toàn cục (Global Average Pooling) và gộp cực đại (Global Max Pooling) kết hợp mạng perceptron đa tầng chia sẻ trọng số để tái định lượng tương quan giữa các bản đồ đặc trưng (feature maps).
    • Khối chú ý ưu tiên theo không gian (Prioritized Spatial Attention - PSA): Trích xuất các vị trí không gian chứa thông tin nhận dạng đặc thù của loài cá (như hình thái vây, đốm vảy) thông qua phép chiếu tích chập với kích thước kernel $7 \times 7$.
                       KIẾN TRÚC FCN-WRN-WASP

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành giữa Kỹ thuật Viễn thông vô tuyến, Khoa học dữ liệu và Thị giác máy tính:

  • Tích hợp ba lý thuyết nền tảng:
    1. Lý thuyết truyền thông trải phổ (Chirp Spread Spectrum - CSS) trong LoRa, tối ưu hóa mối quan hệ giữa Hệ số trải phổ (Spreading Factor: SF7-SF12), Băng thông (BW = 125/250/500 kHz) và Tỷ lệ mã hóa (Coding Rate: CR = 4/5 đến 4/8) để đạt cự ly truyền trên 3 km trên mặt nước với công suất phát dưới 20 dBm.
    2. Lý thuyết biểu diễn đa tỷ lệ không gian (Multi-scale Spatial Representation Theory) ứng dụng qua module WASP, bố trí các lớp tích chập giãn nở (Atrous Convolution) theo mô hình thác nước tầng bậc (waterfall), giúp giảm 23% chi phí bộ nhớ so với Atrous Spatial Pyramid Pooling (ASPP) tiêu chuẩn.
    3. Lý thuyết trộn đặc trưng không gian - kênh (Spatial-Channel Mixing Theory) thông qua ConvMixer, thay thế cơ chế Self-Attention phức tạp của Transformer bằng Depthwise Conv ($k \times k$) và Pointwise Conv ($1 \times 1$).

Điều kiện biên (Boundary conditions) của khung phân tích: Môi trường nước mặt nuôi trồng thủy sản nước lợ và mặn với dải nhiệt độ $15^\circ\text{C} - 40^\circ\text{C}$, độ mặn $0 - 35%$, độ sâu thu thập ảnh camera quang học $0.5\text{m} - 2.5\text{m}$, tốc độ dòng chảy dưới $1.5\text{m/s}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi trường phái Nhận thức luận thực chứng (Positivism) kết hợp Phương pháp luận nghiên cứu thiết kế kỹ thuật (Design Science Research Methodology). Thiết kế hệ thống AIoT đa tầng hoàn chỉnh gồm 4 lớp phân định rõ ràng:

Quy trình nghiên cứu rigorous

  1. Thiết kế, chế tạo phần cứng chuyên dụng:

    • Sensor Node: Bo mạch xử lý trung tâm vi điều khiển tiêu thụ năng lượng cực thấp, tích hợp bộ chuyển đổi ADC 16-bit độ chính xác cao, giao tiếp với các cảm biến công nghiệp đo pH (dải đo $0-14$, sai số $\pm 0.05$), Oxy hòa tan DO ($0-20\text{ mg/L}$, $\pm 0.1$), Độ mặn ($0-40%$), $NO_3^-$ và $NH_4^+$. Node tích hợp module sạc năng lượng mặt trời MPPT, pin LiFePO4 12V-10Ah và module vô tuyến LoRa SX1278.
    • IoT Controller Node: Thiết kế với các rơ-le công nghiệp đóng cắt tải cảm ứng (máy bơm nước, quạt sục khí công suất $1.5\text{kW} - 3.5\text{kW}$), hỗ trợ giao tiếp phản hồi trạng thái hai chiều.
    • IoT Gateway: Vi xử lý đa nhân kiến trúc ARM chạy hệ điều hành Linux nhúng, tích hợp giao tiếp đồng thời LoRa, Wi-Fi và mạng 4G-LTE. Thuật toán phần mềm trên Gateway được lập trình đa luồng (Multi-threading): một luồng chuyên thu nhận gói tin vô tuyến từ các node, một luồng giải mã/kiểm tra toàn vẹn dữ liệu (CRC), một luồng đóng gói định dạng JSON và truyền lên Server qua giao thức MQTT/HTTP.

  2. Giao thức thu thập hình ảnh và xử lý dữ liệu:

    • Hệ thống camera chuyên dụng dưới nước được điều khiển định thời thu thập hình ảnh theo chu kỳ và truyền luồng video về máy chủ qua giao thức RTSP (Real-Time Streaming Protocol).
    • Quy trình tiền xử lý ảnh: Lọc nhiễu Gaussian và trung vị (Median Filter) để loại bỏ hạt bùn lơ lửng; cân bằng biểu đồ tần suất (Adaptive Histogram Equalization) để cải thiện độ tương phản; chuẩn hóa kích thước ảnh về $512 \times 512$ pixel; kỹ thuật tăng cường dữ liệu đa chiều (Data Augmentation) gồm xoay ngẫu nhiên $\pm 30^\circ$, lật gương, cắt tỉa (random crop) và biến đổi độ sáng để chống hiện tượng quá khớp (overfitting).

Data và phân tích

Đánh giá thuật toán học sâu được tiến hành trên hệ thống máy chủ tính toán hiệu năng cao trang bị GPU NVIDIA RTX 3090 (24GB VRAM), framework PyTorch 1.12, CUDA 11.6:

  • Bộ dữ liệu phân vùng ảnh:
    1. DeepFish Dataset: Bộ dữ liệu chuẩn quốc tế với hàng nghìn ảnh cá chụp tại 20 môi trường sống ngầm khác nhau ở bờ biển Úc.
    2. SIUM Dataset: Dữ liệu ảnh sinh vật biển dưới nước với điều kiện chiếu sáng và độ đục thực tế.
  • Bộ dữ liệu phân loại cá:
    1. Fish-Gres Dataset: 1.200 ảnh phân bố trên 12 loài cá nước ngọt và nước lợ.
    2. Croatian Fish Dataset: Bộ dữ liệu chuẩn châu Âu gồm các loài cá thương phẩm với độ tương đồng hình thái cao.
    3. BD Indigenous Fish Dataset: Bộ dữ liệu đa dạng sinh học các loài cá bản địa.

Các chỉ số đánh giá độ chính xác bao gồm:

  • Chỉ số phân vùng: Intersection over Union ($\text{IoU}$), Dice Coefficient ($\text{F1-score}$), Mean Pixel Accuracy ($\text{mPA}$). $$\text{IoU} = \frac{|A \cap B|}{|A \cup B|} = \frac{\text{TP}}{\text{TP} + \text{FP} + \text{FN}}$$
  • Chỉ số phân loại: Top-1 Accuracy, Precision, Recall, Confusion Matrix, Số lượng tham số mô hình (Parameters - M) và Độ phức tạp tính toán (FLOPs - G).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của mô hình phân vùng FCN-WRN-WASP: Trên tập dữ liệu benchmark DeepFish, mô hình đề xuất đạt chỉ số mean IoU (mIoU) đạt 86.4% và Dice Coefficient đạt 92.1%, vượt qua các mô hình phân vùng kinh điển:

    • Vượt mô hình FCN-8s gốc +7.8% mIoU.
    • Vượt mô hình U-Net tiêu chuẩn +5.3% mIoU.
    • Vượt mô hình ResUnet++ +2.9% mIoU.

  2. Vai trò định lượng của hàm mất mát đường bao chủ động cục bộ ($L_{CE_AC}$): Thực nghiệm bóc tách (Ablation Study) chỉ ra rằng việc bổ sung thành phần năng lượng biên $L_{LACB}$ vào hàm mất mát tiêu chuẩn giúp tăng chỉ số IoU phân vùng thêm 3.4% trên tập dữ liệu DeepFish và 4.1% trên tập dữ liệu SIUM. Đặc biệt, các vùng ranh giới phức tạp như vây đuôi mỏng và bụng cá trùng màu với nền cát/bùn được bóc tách với độ phân giải ranh giới pixel chính xác gần như tuyệt đối, hạn chế hiện tượng đứt gãy biên.

+------------------------------------------------------------------------+
|       SO SÁNH ĐỘ CHÍNH XÁC PHÂN LOẠI VÀ SỐ LƯỢNG THAM SỐ               |
|                                                                        |
|  Mô hình               Top-1 Acc (%)    Số tham số (Triệu)   FLOPs (G) |
|  --------------------------------------------------------------------  |
|  ResNet-50                 91.2%              25.6 M           4.1 G   |
|  VGG-16                    88.7%             138.3 M          15.5 G   |
|  Vision Transformer (ViT)  93.4%              86.0 M          17.6 G   |
|  MLP-Mixer                 90.8%              59.0 M          12.7 G   |
|  ConvMixer gốc             92.1%              21.1 M           3.8 G   |
|  ConvMixer-PCA-PSA (Đề xuất) 95.8%            21.4 M           3.9 G   |
+------------------------------------------------------------------------+

  1. Tối ưu hóa kiến trúc ConvMixer với module tập trung chú ý kép (PCA + PSA): Mô hình ConvMixer-PCA-PSA đạt độ chính xác phân loại Top-1 lên tới 95.8% trên tập dữ liệu Croatian Fish và 94.6% trên tập BD Indigenous Fish. Đáng chú ý, mô hình đạt hiệu năng cao hơn Vision Transformer (+2.4% Top-1 Acc) trong khi giảm được 75.1% số lượng tham số (từ 86.0M xuống 21.4M) và giảm 77.8% khối lượng tính toán FLOPs (từ 17.6G xuống 3.9G).

  2. Độ ổn định của hệ thống mạng AIoT thực nghiệm tại Kiên Giang: Dữ liệu thử nghiệm liên tục trong hơn 30 ngày tại đầm nuôi tôm huyện An Biên ghi nhận:

    • Tỷ lệ nhận gói tin thành công (Packet Delivery Ratio - PDR) qua sóng LoRa đạt 98.7% ở cự ly $1.8\text{ km}$ trên mặt đầm nuôi.
    • Tần suất cập nhật dữ liệu 5 phút/lần đảm bảo độ trễ truyền gói tin dưới $1.2\text{ giây}$.
    • Cảnh báo tức thời khi nồng độ $NH_4^+$ vượt ngưỡng $0.5\text{ mg/L}$ hoặc oxy hòa tan $DO < 3.5\text{ mg/L}$, kích hoạt hệ thống quạt nước tự động trong vòng dưới 3 giây.
       KẾT QUẢ ĐO THỰC TẾ TRUNG BÌNH 1 NGÀY TẠI AO NUÔI (AN BIÊN - KIÊN GIANG)
+------------------------------------------------------------------------------+
| Thông số đo                     Giá trị trung bình      Ngưỡng an toàn nuôi  |
+------------------------------------------------------------------------------+
| Nhiệt độ nước (°C)                    29.4 ± 1.2             28.0 - 32.0     |
| Độ pH                                  7.8 ± 0.3              7.5 - 8.5      |
| Độ mặn (‰)                            18.5 ± 2.1             10.0 - 25.0     |
| Oxy hòa tan DO (mg/L)                  4.8 ± 0.6               > 4.0         |
| Độ trong (cm)                         32.0 ± 4.5             30.0 - 40.0     |
| Nitrat NO3- (mg/L)                    0.12 ± 0.04              < 0.20        |
| Amoni NH4+ (mg/L)                     0.28 ± 0.08              < 0.50        |
+------------------------------------------------------------------------------+

Implications đa chiều

  • Về lý thuyết và học thuật: Chứng minh tính khả thi của việc tích hợp các mô hình toán học giải tích cổ điển (Active Contour) vào các hàm tối ưu học sâu phi tuyến, tạo tiền đề phát triển các hàm mất mát hình thái học mới.
  • Về phương pháp luận kỹ thuật: Thiết lập chuẩn thiết kế phần cứng mở hai chiều cho các trạm quan trắc thủy sản ven biển nhiệt đới, có khả năng chống ăn mòn muối biển và chịu bức xạ nhiệt độ cao.
  • Về ứng dụng thực tiễn: Cung cấp cho các vùng nuôi tôm công nghiệp tại Kiên Giang một giải pháp tự động hóa toàn diện với giá thành chế tạo chỉ bằng 35-40% so với các thiết bị nhập ngoại từ Mỹ hoặc châu Âu.
  • Về chính sách và quản lý: Tạo lập cơ sở dữ liệu số hóa liên tục phục vụ cho Chi cục Chăn nuôi và Thú y, Sở Nông nghiệp và PTNT tỉnh Kiên Giang trong việc kiểm soát dịch bệnh và quy hoạch vùng nuôi thủy sản bền vững.

Limitations và Future Research

  1. Giới hạn về môi trường quang học: Mặc dù thuật toán FCN-WRN-WASP xử lý tốt nước đục ở mức độ vừa phải, nhưng khi nước bị hiện tượng tảo nở hoa dày đặc hoặc bùn lơ lửng có độ trong dưới $10\text{ cm}$, chất lượng phân vùng quang học suy giảm rõ rệt. Khi đó, cần sự hỗ trợ của cảm biến hình ảnh âm học (Sonar Imaging / Acoustic Camera).
  2. Giới hạn về mẫu dữ liệu cá thể thực tế: Các thử nghiệm phân vùng và phân loại cá thể chủ yếu dựa trên các bộ dữ liệu cá mở quốc tế kết hợp mẫu nội địa; chưa thu thập đầy đủ bộ dữ liệu hình thái tôm sú, tôm thẻ chân trắng ở các giai đoạn phát triển khác nhau (tôm giống, lột xác) dưới bùn đáy đầm.
  3. Phụ thuộc năng lượng vào thời tiết mưa bão kéo dài: Hệ thống pin năng lượng mặt trời tại các node đầu cuối dù được tính toán cho 5 ngày dự phòng không nắng, nhưng trong điều kiện bão lũ kéo dài trên 7 ngày tại miền Tây Nam Bộ, hệ thống có nguy cơ gián đoạn nếu không có nguồn điện lưới hỗ trợ.

Định hướng nghiên cứu tương lai:

  • Nghiên cứu tích hợp mạng nơ-ron đa phương thức (Multimodal Deep Learning), kết hợp giữa camera quang học dưới nước và cảm biến Sonar quét hồi âm.
  • Phát triển các thuật toán nén mô hình (Knowledge Distillation và Model Quantization INT8) để triển khai trực tiếp mạng phân loại ConvMixer-PCA-PSA trên các chip AI biên siêu nhỏ gọn (Edge TPU, Jetson Orin Nano) gắn trực tiếp tại phao nổi quan trắc.
  • Ứng dụng mô hình học tăng cường (Reinforcement Learning) vào khối điều khiển để tối ưu hóa năng lượng tiêu thụ của dàn quạt sục khí dựa trên dự báo thời tiết và diễn biến sinh hóa nước.

Tác động và ảnh hưởng

  • Tác động học thuật: Các thuật toán phân vùng cải tiến và kiến trúc mạng ConvMixer-PCA-PSA của luận án đã công bố trên các tạp chí và kỷ yếu hội nghị chuyên ngành viễn thông, IoT và thị giác máy tính uy tín. Mô hình đề xuất có tiềm năng thu hút trích dẫn cao từ cộng đồng nghiên cứu AIoT nông nghiệp quốc tế.
  • Chuyển đổi kinh tế - công nghiệp: Cung cấp công nghệ tự chủ, giảm thiểu nhập siêu thiết bị viễn thông công nghệ cao. Khi ứng dụng vào 136.241 ha nuôi tôm nước lợ, mặn tại Kiên Giang, hệ thống giúp người nuôi giảm 20-25% chi phí điện năng chạy máy sục khí nhờ cơ chế tự động hóa theo ngưỡng DO thực tế, đồng thời giảm thiểu 15-30% rủi ro mất trắng do ngộ độc khí $NH_4^+/NH_3$.
  • Chính sách công và xã hội: Đóng góp trực tiếp vào đề án Chuyển đổi số quốc gia trong nông nghiệp và Chiến lược phát triển kinh tế biển bền vững của Việt Nam đến năm 2030, tầm nhìn 2045.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận kiến trúc mạng nơ-ron học sâu tích hợp mô hình biến phân hình học và quy trình thực nghiệm AIoT hai chiều chuẩn mực.
  • Kỹ sư R&D Viễn thông và Tự động hóa: Sở hữu toàn bộ sơ đồ nguyên lý mạch phần cứng, giao thức truyền thông LoRa đa luồng và thiết kế hệ thống nhúng có độ bền công nghiệp.
  • Hộ gia đình và Doanh nghiệp nuôi trồng thủy sản: Tiếp cận hệ thống quản lý ao nuôi thông minh, cảnh báo sớm nguy cơ ô nhiễm, kiểm soát thức ăn và giám sát cá thể tự động với chi phí đầu tư hợp lý.
  • Cơ quan quản trị nhà nước (Sở NN&PTNT, Chi cục Thủy sản): Có công cụ thu thập dữ liệu quan trắc tập trung theo thời gian thực để đưa ra các dự báo dịch bệnh và điều tiết cấp thoát nước lưu vực đầm nuôi chính xác.

Câu hỏi chuyên sâu

  1. Đâu là đóng góp lý thuyết độc đáo nhất của luận án trong lĩnh vực thị giác máy tính? Đó là việc mở rộng lý thuyết tối ưu hóa phân vùng ảnh thông qua việc thiết lập hàm mất mát tích hợp $L_{CE_AC}$, kết hợp giữa năng lượng entropy chéo xác suất với mô hình đường bao chủ động cục bộ dựa trên gradient cường độ sáng và độ dài đường viền ($L_{LACB}$). Đóng góp này giải quyết tận gốc hạn chế mất biên của các mạng FCN và U-Net khi phân vùng đối tượng ngụy trang dưới nước.

  2. Cải tiến phương pháp luận của luận án vượt trội hơn các nghiên cứu trước đây như thế nào? So với nghiên cứu của Phạm Mạnh Thắng (2011) sử dụng mạng GSM 2G có độ trễ cao và cước phí hàng tháng, luận án làm chủ hoàn toàn công nghệ truyền thông cự ly xa LoRa công suất thấp không tốn phí thuê bao. So với các mô hình phân loại cá sử dụng ViT (86M tham số) hoặc MLP-Mixer (59M tham số), mô hình ConvMixer-PCA-PSA của luận án chỉ cần 21.4M tham số mà đạt độ chính xác phân loại cao hơn (95.8% so với 93.4% của ViT).

  3. Phát hiện thực nghiệm bất ngờ nhất trong quá trình triển khai thực địa là gì? Mối tương quan phi tuyến giữa nồng độ $NH_4^+$, độ pH và nhiệt độ nước trong ao lắng và ao nuôi tại huyện An Biên. Vào các khung giờ nhiệt độ tăng cao buổi trưa kết hợp pH > 8.5, độc tính của $NH_3$ tăng đột biến ngay cả khi tổng nitơ amoni không đổi. Nhờ hệ thống cảm biến đa chỉ tiêu và thuật toán phân tích biên, hệ thống đã tự động kích hoạt quạt nước và bơm xả trước khi ngưỡng độc gây nguy hại cho tôm nuôi.

  4. Luận án có cung cấp quy trình nhân bản (Replication Protocol) rõ ràng không? Có. Luận án mô tả chi tiết từ sơ đồ nguyên lý phần cứng các node (Sensor node, Actuator node, Gateway), cấu hình thanh ghi module LoRa SX1278, lưu đồ thuật toán đa luồng trên Gateway, kiến trúc mạng FCN-WRN-WASP, công thức toán học hàm mất mát $L_{CE_AC}$ đến mã nguồn huấn luyện trên PyTorch với đầy đủ tham số (learning rate, batch size, optimizer AdamW).

  5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Mở rộng hệ sinh thái AIoT biển đảo quy mô lớn: tích hợp mạng vệ tinh LEO (Low Earth Orbit) cho các bè nuôi hải sản xa bờ ngoài khơi đảo Phú Quốc - Kiên Giang; nghiên cứu chip vi mạch AI chuyên dụng (ASIC/SoC) tích hợp thuật toán ConvMixer-PCA-PSA nhằm thương mại hóa thiết bị quan trắc thông minh cấp quốc gia.

Kết luận

  1. Làm chủ thiết kế toàn diện hệ thống AIoT: Xây dựng thành công hệ thống phần cứng, phần mềm và giao thức mạng truyền thông LoRa hai chiều cấu trúc mở phục vụ quan trắc và tự động hóa điều khiển chất lượng nước nuôi thủy sản nước lợ, mặn.
  2. Đột phá thuật toán phân vùng ảnh cá thể: Đề xuất mô hình FCN-WRN-WASP kết hợp hàm mất mát đường bao chủ động cục bộ $L_{CE_AC}$, nâng chỉ số mIoU lên 86.4% trên tập dữ liệu DeepFish, bóc tách chính xác các đối tượng cá thể trong điều kiện quang học ngầm phức tạp.
  3. Sáng tạo kiến trúc phân loại cá thể siêu nhẹ: Phát triển thành công mạng ConvMixer-PCA-PSA tích hợp cơ chế chú ý ưu tiên kép, đạt độ chính xác phân loại 95.8% trong khi tiết kiệm hơn 75% số lượng tham số so với các mô hình Vision Transformer và MLP-Mixer.
  4. Kiểm chứng thực tế tại địa bàn trọng điểm: Triển khai và vận hành thực nghiệm ổn định hệ thống tại Trạm thực nghiệm Thứ Sáu Biển (huyện An Biên, tỉnh Kiên Giang), chứng minh độ tin cậy của giải pháp trong điều kiện sản xuất thực địa khắc nghiệt.
  5. Mở ra hướng nghiên cứu mới: Đặt nền móng lý thuyết và thực nghiệm cho việc phát triển các thiết bị AIoT biên thông minh thế hệ mới, đóng góp thiết thực vào nền nông nghiệp chính xác và bảo vệ môi trường biển bền vững.