Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Ngành nuôi trồng thủy sản đóng vai trò quan trọng trong nền kinh tế Việt Nam. Theo thống kê năm 2023, diện tích nuôi trồng thủy sản cả nước đạt 1,3 triệu ha nuôi nội địa và 9,5 triệu m² lồng nuôi biển; sản lượng đạt 5.407 nghìn tấn với kim ngạch xuất khẩu đạt 8,97 tỷ USD. Tại tỉnh Kiên Giang, diện tích thả nuôi năm 2023 đạt 292.000 ha (trong đó tôm nước lợ, mặn chiếm 136.241 ha, cá lồng bè trên biển đạt 3.837 lồng), kim ngạch xuất khẩu hải sản đạt 246,37 triệu USD. Tuy nhiên, hoạt động nuôi trồng thủy sản đối mặt với nhiều rủi ro từ biến động môi trường nước (nhiệt độ, độ mặn, độ pH, nồng độ oxy hòa tan DO, các hợp chất độc hại như NH₄⁺, NO₃⁻).

Phương pháp kiểm soát chất lượng nước truyền thống chủ yếu dựa vào việc lấy mẫu thủ công 1 đến 2 lần mỗi ngày, không phản ánh kịp thời các biến động môi trường. Các hệ thống giám sát tự động trước đây tại Việt Nam thường gặp một số hạn chế:

  • Sử dụng mạng thông tin di động GSM/2G làm phát sinh chi phí truyền dữ liệu định kỳ và phụ thuộc vào hạ tầng viễn thông di động.
  • Phần cứng phụ thuộc vào thiết bị nhập ngoại, hệ thống chỉ truyền thông một chiều, thiếu tính năng điều khiển phản hồi tự động cơ cấu chấp hành tại chỗ.
  • Chưa tích hợp đồng bộ giữa việc thu thập tham số hóa lý môi trường với thu thập hình ảnh và xử lý dữ liệu thông minh tại máy chủ.

Trong lĩnh vực thị giác máy tính dưới nước, bài toán phân vùng và phân loại cá thể đối mặt với nhiều thách thức: môi trường nước gây tán xạ ánh sáng, hấp thụ quang học, độ đục cao, chiếu sáng không đồng đều, cá thể có sự ngụy trang, tương đồng màu sắc với nền, biến dạng cơ thể và che khuất lẫn nhau khi mật độ dày. Các phương pháp phân vùng cổ điển (như lan vùng, phân cụm K-means, Active Contour, Level Set) không xử lý tốt ảnh dưới nước phức tạp. Việc sử dụng hàm mất mát Cross-Entropy thông thường trong mạng nơ-ron tích chập (CNN) bỏ qua thông tin về độ dài biên và độ sáng cục bộ của đối tượng. Mặt khác, các kiến trúc Transformer hoặc MLP-Mixer có số lượng tham số lớn, đòi hỏi tài nguyên tính toán cao. Từ thực tế này, luận án tập trung xây dựng hệ thống IoT hoàn chỉnh kiến trúc mở hai chiều kết hợp các thuật toán học sâu cải tiến cho bài toán phân vùng và phân loại cá thể.

Mục tiêu nghiên cứu

Mục tiêu chính của luận án là phát triển hệ thống thu thập và thuật toán xử lý dữ liệu thông minh ứng dụng trong hệ thống quan trắc môi trường nước phục vụ ngành nuôi trồng thủy sản, cụ thể gồm 4 mục tiêu:

  1. Nghiên cứu, xây dựng mô hình, kiến trúc hệ thống IoT cấu trúc mở hai chiều quan trắc các thông số môi trường nước, tự động hóa quá trình nuôi thủy sản nước lợ, mặn.
  2. Thiết kế, chế tạo, tích hợp hệ thống, thiết bị đầu cuối IoT kiến trúc mở cho thu thập, điều khiển và truyền một số chỉ tiêu môi trường nước như nhiệt độ, độ mặn, pH, nồng độ oxy hòa tan DO, độ trong, NO₃⁻, NH₄⁺ ứng dụng trong nuôi trồng thủy sản nước lợ, mặn.
  3. Triển khai thử nghiệm mô hình hệ thống IoT tự động quan trắc và cảnh báo các thông số môi trường nước, điều khiển một số tính năng xử lý tại khu vực nuôi tôm nước lợ, mặn trên địa bàn tỉnh Kiên Giang.
  4. Đề xuất thuật toán phân vùng và phân loại cá thể sử dụng học sâu cho phân vùng, phân loại cá, để đạt được hiệu suất phân loại tốt hơn, định hướng ứng dụng trong nuôi thủy sản.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Hệ thống, kiến trúc hệ thống IoT quan trắc môi trường nước.
    • Các phần tử trong hệ thống: thiết bị đầu cuối IoT (sensor node), thiết bị IoT cổng (gateway), thiết bị IoT điều khiển (control node) và máy chủ (server).
    • Phần mềm frontend, backend, giao thức truyền thông giữa các thiết bị trong hệ thống IoT.
    • Các thuật toán trong xử lý ảnh nhằm phân vùng, phân loại cá thể (cá, tôm) dựa trên học sâu.
  • Phạm vi nghiên cứu:
    • Không gian và địa bàn thực nghiệm: Vùng nuôi tôm, cá nước lợ, mặn tại Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên, Tỉnh Kiên Giang.
    • Công nghệ: Công nghệ truyền thông không dây tầm xa công suất thấp LoRa; vi điều khiển và mạch điện tử tích hợp pin năng lượng mặt trời; các mạng nơ-ron học sâu tích hợp cơ chế chú ý.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước

Tác giả đã tổng hợp và điểm lại các hướng nghiên cứu trong nước và quốc tế liên quan đến hai trụ cột của đề tài:

Hướng nghiên cứu Tác giả / Tổ chức / Công trình Nội dung chính và kết quả
Nền tảng & Kiến trúc IoT Kevin Ashton (2009) Đề xuất khái niệm Internet of Things (IoT).
AT&T & Jasper Wireless (2009), Qualcomm & Verizon (2010) Phát triển dịch vụ kết nối thiết bị Machine-to-Machine (M2M).
HP (CeNSE), IBM Mạng cảm biến toàn cầu và giải pháp thành phố thông minh.
Arduino, Pachube, Nimbits Nền tảng phần cứng/phần mềm nguồn mở và lưu trữ đám mây cho IoT.
Ứng dụng IoT trong nước Khu CNC TP.HCM - ICDREC (2015), Intel - VNPT Tech Phát triển cảm biến nông nghiệp và nền tảng Smart Connected Platform (SCP).
Ngô Quỳnh Thu (2014–2017) Đề tài cấp Bộ về kiểm soát cây trồng qua IoT (tập trung lớp ứng dụng).
Viện NC Điện tử, Tin học, Tự động hóa (2008–2015) Đề tài KC.11/06-10 và KC03.DA04/11-15 cho nhà trồng thông minh.
Phạm Mạnh Thắng (2009–2011) Giám sát môi trường nuôi tôm giống qua GSM 2G tại Thái Bình.
Sở Nông nghiệp & PTNT Kiên Giang (2017) Dự án trạm quan trắc tự động 82 tỉ đồng (nhập khẩu thiết bị).
FARMEXT - Tép Bạc Cảm biến giám sát chất lượng nước truyền dữ liệu một chiều.
Thị giác máy tính dưới nước Fier và cộng sự [70] Sử dụng thuật toán trừ nền phát hiện cá trong môi trường đục, tương phản thấp.
Sharif và cộng sự [67] Trừ nền, thuật toán blob và lọc Kalman theo dõi cá thể (bị giới hạn khi mật độ > 266 con).
Liu và cộng sự [76] Mạng CNN dựa trên bản đồ mật độ và hàm tổn thất chuẩn $L_1$ đếm cá qua ảnh sonar.
Mô hình học sâu phân vùng & phân loại Long và cộng sự [21], He và cộng sự [25] Mạng FCN, ResNet cho phân vùng ngữ nghĩa.
AlexNet [23], VGG16 [24], EfficientNet [26], MnasNet [27] Các kiến trúc CNN trích xuất đặc trưng và phân loại ảnh.
Ibtehaz và Rahman [78], Jha và cộng sự [79] MultiResUNet (MultiRes block, ResPath) và ResUnet++ cho phân vùng ảnh.
Tolstikhin và cộng sự [29], Dosovitskiy và cộng sự [28] MLP-Mixer và Vision Transformer (nhiều tham số, tính toán lớn).

Khoảng trống luận án lựa chọn giải quyết

  1. Luận án giải quyết khoảng trống về việc làm chủ thiết kế phần cứng và phần mềm cho hệ thống IoT hai chiều, sử dụng công nghệ LoRa không phụ thuộc cước viễn thông di động, tích hợp nguồn pin mặt trời cho các vùng nuôi trồng ven biển xa xôi.
  2. Khắc phục hạn chế của các mô hình phân vùng ảnh dưới nước thông qua việc kết hợp mạng trích xuất đặc trưng đa tỷ lệ với hàm mất mát đường bao hoạt động cục bộ, giải quyết bài toán mờ biên và phân bố ánh sáng không đồng đều.
  3. Giải quyết vấn đề cân bằng giữa độ chính xác và số lượng tham số trong bài toán phân loại loài cá bằng cách tích hợp cơ chế chú ý theo kênh và không gian vào kiến trúc ConvMixer.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khái niệm

  • Kiến trúc hệ thống IoT: Mô hình 3 lớp gồm lớp thu thập/cảm biến (Sensor Node, Control Node), lớp truyền thông (LoRa, LoRaWAN, Gateway), và lớp ứng dụng/quản lý (Cloud Server, cơ sở dữ liệu, giao diện web).
  • Công nghệ điều chế LoRa: Dựa trên kỹ thuật trải phổ xung chirp (Chirp Spread Spectrum - CSS), với các tham số cấu hình: Hệ số trải phổ ($SF = 7 \div 12$), Băng thông ($BW = 125 \div 500\text{ kHz}$), Tốc độ mã hóa ($CR = 4/5 \div 4/8$).
  • Mô hình toán học phân vùng cổ điển:
    • Phương pháp đường bao chủ động (Active Contour) tối thiểu hóa hàm năng lượng: $$P(C, c_1, c_2) = \mu \cdot \text{Length}(C) + \nu \cdot \text{Area}(C) + \alpha_1 \int_{\text{trong } C} |u_0 - c_1|^2 , dx,dy + \alpha_2 \int_{\text{ngoài } C} |u_0 - c_2|^2 , dx,dy$$
    • Phương pháp tập mức (Level Set) biểu diễn đường bao dưới dạng giao tuyến của mặt cong không gian với mặt phẳng ảnh.
  • Kiến trúc học sâu đề xuất:
    • Phân vùng ảnh: Mô hình FCN-WRN-WASP kết hợp mạng xương sống Wide ResNet (WRN) và khối thác nước giãn nở đa tỉ lệ không gian (Waterfall Atrous Spatial Pooling - WASP). Hàm mất mát đề xuất kết hợp Binary Cross-Entropy và đường bao hoạt động cục bộ ($L_{CE_AC}$).
    • Phân loại cá thể: Mô hình ConvMixer tích hợp khối cơ chế tập trung ưu tiên theo kênh (Prioritized Channel Attention - PCA) và khối tập trung ưu tiên theo không gian (Prioritized Spatial Attention - PSA).

Phương pháp nghiên cứu

  • Phương pháp nghiên cứu lý thuyết: Phân tích nguyên lý cảm biến điện hóa/quang học đo 7 chỉ tiêu nước; phân tích toán học các phép biến đổi tích chập, tích chập giãn nở (Atrous/Dilated Convolution) và cơ chế chú ý.
  • Phương pháp mô hình hóa và mô phỏng: Thiết kế sơ đồ nguyên lý mạch điện tử (Altium Designer/Proteus); xây dựng lưu đồ thuật toán đa luồng cho Gateway; mô phỏng huấn luyện các mô hình học sâu trên nền tảng PyTorch/TensorFlow.
  • Phương pháp thực nghiệm:
    • Gia công bo mạch phần cứng, đóng gói thiết bị đạt chuẩn hoạt động ngoài trời.
    • Lắp đặt thử nghiệm thực tế tại đầm nuôi tôm huyện An Biên, tỉnh Kiên Giang trong nhiều điều kiện thời tiết.
    • Đánh giá định lượng mô hình phân vùng và phân loại trên các tập dữ liệu ảnh chuyên ngành.

Nguồn tư liệu và dữ liệu

  • Dữ liệu đo đạc thực tế: Chuỗi số liệu quan trắc 7 thông số chất lượng nước thu nhận từ trạm thực nghiệm huyện An Biên, Kiên Giang (thu thập liên tục theo chu kỳ ngày và tháng).
  • Bộ dữ liệu hình ảnh:
    • Dữ liệu phân vùng: Bộ dữ liệu DeepFish và bộ dữ liệu SIUM (Semantic Segmentation of Underwater Imagery).
    • Dữ liệu phân loại: Bộ dữ liệu Fish-Gres, Croatian Fish, BD Indigenous Fish, và A Large-Scale Dataset for Fish Segmentation and Classification.

Nội dung chính theo từng chương

Chương 1: Tổng quan về internet kết nối vạn vật IoT và mạng nơ ron học sâu ứng dụng trong thủy sản

Chương 1 hệ thống hóa cơ sở lý luận và bức tranh thực trạng về việc ứng dụng công nghệ IoT và thị giác máy tính trong nuôi trồng thủy sản tại Việt Nam và trên thế giới:

  • Hiện trạng ngành thủy sản Kiên Giang: Phân tích chi tiết quy mô sản xuất (292.000 ha nuôi trồng năm 2023) và nhu cầu kiểm soát các chỉ số thủy lý, thủy hóa, thủy sinh. Chỉ ra rằng sự thiếu hụt kinh phí quan trắc định kỳ dẫn đến việc nhiều địa phương chỉ lấy mẫu 1–2 lần/tháng hoặc chỉ kiểm tra khi xảy ra dịch bệnh.
  • Kiến trúc và giao thức IoT: Trình bày nguyên lý lớp vật lý của công nghệ LoRa, cấu trúc gói tin truyền dẫn và nguyên lý tiết kiệm năng lượng phục vụ quan trắc diện rộng.
  • Thách thức thị giác máy tính dưới nước: Phân loại các nhóm khó khăn gồm đặc tính nội tại của sinh vật (thay đổi kích thước, hình dạng, tư thế, ngụy trang) và môi trường quang học phức tạp (tán xạ, hấp thụ, nước đục, ánh sáng không đồng đều).
  • Đánh giá các kỹ thuật xử lý ảnh: Phân tích từ các giải pháp cổ điển (Canny, Sobel, Otsu, K-means, Active Contour, Level Set) đến các kiến trúc học sâu hiện đại (R-CNN, Fast R-CNN, Faster-RCNN với mạng đề xuất vùng RPN, U-Net, MultiResUNet, ResUnet++). Xác định các điểm nghẽn kỹ thuật cần giải quyết trong phân đoạn ảnh cá dưới nước.

Chương 2: Mô hình hệ thống IoT định hướng ứng dụng trong nuôi thủy sản tại Kiên Giang

Chương 2 trình bày toàn bộ quá trình thiết kế, chế tạo, tích hợp phần cứng, xây dựng phần mềm và thử nghiệm thực địa hệ thống IoT tại Kiên Giang:

  • Thiết kế phần cứng hệ thống:
    • Thiết bị đầu cuối thu thập (IoT Sensor Node): Thiết kế theo cấu trúc mở, tích hợp vi điều khiển, mạch bảo vệ nguồn, pin mặt trời và các giao tiếp kết nối cảm biến đo 7 thông số: nhiệt độ, độ mặn, pH, DO, độ trong, NO₃⁻, NH₄⁺.
    • Thiết bị điều khiển cơ cấu chấp hành (IoT Control Node): Mạch điều khiển relay cách ly quang, nhận lệnh từ máy chủ hoặc gateway để đóng/ngắt máy sục khí, máy bơm nước tự động.
    • Thiết bị cổng trung tâm (IoT Gateway): Xây dựng chương trình xử lý đa luồng (multi-threading), đồng thời nhận dữ liệu từ các Node qua sóng LoRa, đóng gói định dạng JSON và truyền về máy chủ qua TCP/IP (kết nối Wi-Fi/Ethernet/4G).
    • Hệ thống camera thu thập hình ảnh: Tích hợp ghi nhận hình ảnh mặt nước và dưới nước phục vụ lưu trữ, xử lý thị giác máy tính.
  • Phần mềm quản lý trung tâm: Xây dựng cơ sở dữ liệu, giao diện web theo dõi số liệu thời gian thực, thiết lập ngưỡng cảnh báo và thuật toán tự động kích hoạt thiết bị xử lý môi trường.
  • Kết quả thực nghiệm tại hiện trường (Huyện An Biên, Tỉnh Kiên Giang):
    • Hệ thống được lắp đặt tại ao nuôi và ao lắng đầm tôm nước lợ, mặn.
    • Các bảng số liệu thực nghiệm trong luận án:
Bảng dữ liệu Nội dung dữ liệu thống kê trong luận án
Bảng 2-1 Bảng tổng hợp tính độc của NH₃ theo pH và NH₄⁺
Bảng 2-2 Dải đo và tín hiệu ra của bộ cảm biến tích hợp
Bảng 2-3 Cơ sở dữ liệu cần thu thập cho hệ thống quan trắc
Bảng 2-4 Kết quả đo các thông số môi trường trung bình 1 ngày tại trạm An Biên
Bảng 2-5 Kết quả đo các thông số môi trường trung bình 1 tháng tại trạm An Biên
Bảng 2-6, 2-7 Đánh giá về chức năng phần mềm quan trắc và giao diện điều khiển
Bảng 2-8 Thống kê các sự cố kỹ thuật và độ ổn định của hệ thống quan trắc ngoài thực địa

Kết quả đo cho thấy sự khác biệt rõ nét về chỉ số chất lượng nước giữa ao nuôi và ao lắng (nồng độ NH₄⁺ tại ao nuôi có xu hướng tích tụ cao hơn do chất thải của tôm và thức ăn dư thừa, đòi hỏi kích hoạt hệ thống sục khí và lọc tuần hoàn).

Chương 3: Thuật toán phân vùng ảnh và phân loại cá thể tại trung tâm thu thập và xử lý dữ liệu trong hệ thống định hướng ứng dụng trong nuôi thủy sản

Chương 3 tập trung đề xuất và đánh giá thực nghiệm các mô hình học sâu cho hai bài toán xử lý ảnh:

  • Mô hình phân vùng ảnh FCN-WRN-WASP:
    • Kiến trúc: Sử dụng mạng tích chập hoàn toàn FCN với mạng xương sống Wide ResNet (WRN) kết hợp khối Waterfall Atrous Spatial Pooling (WASP) để thu nhận ngữ cảnh đa quy mô mà không làm giảm độ phân giải không gian của bản đồ đặc trưng.
    • Hàm mất mát đề xuất ($L_{CE_AC}$): Tích hợp thành phần mất mát đường bao hoạt động cục bộ (Local Active Contour) vào tổn thất Cross-Entropy chuẩn, giúp tối ưu hóa việc xác định biên giới cá thể trong điều kiện chiếu sáng cục bộ không đồng đều.
    • Kết quả thực nghiệm phân vùng:
      • So sánh trên tập dữ liệu DeepFish (Bảng 3-1): Mô hình đề xuất đạt chỉ số IoU và Dice vượt trội hơn so với các mô hình chuẩn (FCN, U-Net).
      • So sánh trên tập dữ liệu SIUM (Bảng 3-2): Mô hình thể hiện độ chính xác phân vùng cao trên các đối tượng dưới nước bị mờ và che khuất.
      • Đánh giá đóng góp thành phần (Ablation Study): Bảng 3-3 chứng minh hiệu năng vượt trội khi sử dụng khối WASP (w/ WASP) so với không dùng WASP (w/o WASP); Bảng 3-4 chứng minh hàm mất mát $L_{CE_AC}$ cho kết quả biên đối tượng chính xác hơn đáng kể so với chỉ dùng tổn thất Cross-Entropy.
  • Mô hình phân loại loài cá ConvMixer cải tiến:
    • Kiến trúc đề xuất: Tích hợp cơ chế chú ý ưu tiên kênh (PCA) nhằm tự động hiệu chỉnh trọng số các bản đồ đặc trưng, kết hợp cơ chế chú ý ưu tiên không gian (PSA) nhằm tập trung vào các vùng hình thái quan trọng của cá thể (vây, đuôi, hoa văn thân cá).
    • Kết quả thực nghiệm phân loại:
      • Dữ liệu đánh giá (Bảng 3-5): Huấn luyện và kiểm thử trên 3 bộ dữ liệu chuẩn gồm Fish-Gres, Croatian Fish, và BD Indigenous Fish.
      • So sánh hiệu năng (Bảng 3-6, Bảng 3-7): Mô hình đề xuất đạt độ chính xác phân loại tương đương hoặc cao hơn các mạng CNN sâu (VGG16, ResNet, EfficientNet) và mô hình ConvMixer gốc, trong khi vẫn duy trì số lượng tham số huấn luyện ở mức thấp.
      • Đánh giá vai trò của PCA và PSA (Bảng 3-8): Việc kết hợp đồng thời cả hai khối chú ý giúp mô hình đạt hiệu năng phân loại cao nhất trên cả ba tập dữ liệu kiểm nghiệm.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và khoa học

  1. Đề xuất kiến trúc mạng nơ-ron học sâu FCN-WRN-WASP kết hợp hàm mất mát đường bao hoạt động cục bộ ($L_{CE_AC}$) cho bài toán phân vùng cá thể dưới nước, khắc phục hạn chế mất thông tin biên và ảnh hưởng của độ sáng không đồng đều.
  2. Đề xuất cơ chế kết hợp hai khối chú ý PCA (Prioritized Channel Attention) và PSA (Prioritized Spatial Attention) tích hợp vào mô hình ConvMixer, nâng cao độ chính xác phân loại cá thể mà không làm gia tăng số lượng tham số mô hình.

Đóng góp về mặt thực tiễn và công nghệ

  1. Thiết kế, chế tạo hoàn chỉnh hệ thống phần cứng và phần mềm IoT cấu trúc mở hai chiều, ứng dụng công nghệ truyền thông LoRa tiết kiệm năng lượng, tích hợp pin mặt trời, có khả năng tự động quan trắc 7 thông số chất lượng nước (nhiệt độ, độ mặn, pH, DO, độ trong, NO₃⁻, NH₄⁺) và điều khiển cơ cấu chấp hành.
  2. Triển khai thử nghiệm thành công hệ thống tại Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên, Tỉnh Kiên Giang, cung cấp giải pháp công nghệ phục vụ giám sát môi trường và tự động hóa quy trình nuôi tôm, cá nước lợ, mặn tại khu vực Đồng bằng Sông Cửu Long.

Kiến nghị và giải pháp đề xuất

  • Nhân rộng mô hình hệ thống AIoT tại các vùng nuôi trồng thủy sản tập trung của tỉnh Kiên Giang và các tỉnh ven biển lân cận.
  • Tích hợp hệ thống quản lý cảnh báo tự động qua ứng dụng di động để hỗ trợ người nuôi ứng cứu kịp thời khi nồng độ DO giảm thấp hoặc nồng độ NH₄⁺/NO₃⁻ vượt ngưỡng an toàn.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Môi trường nước thực tế có độ đục cao và hiện tượng tảo bám trên ống kính camera theo thời gian gây ảnh hưởng đến chất lượng thu thập hình ảnh tự động.
  • Các đầu đo cảm biến hóa lý (nhất là cảm biến ion NH₄⁺, NO₃⁻) đòi hỏi quy trình bảo dưỡng, vệ sinh và hiệu chuẩn định kỳ để duy trì độ chính xác đo lường.
  • Địa bàn thử nghiệm thực tế của hệ thống phần cứng mới được triển khai tập trung tại huyện An Biên, tỉnh Kiên Giang.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu mở rộng hệ thống mạng cảm biến LoRa với quy mô số lượng nút lớn hơn, tối ưu hóa giao thức định tuyến chống va chạm gói tin trong môi trường diện rộng.
  • Phát triển các thuật toán nâng cao chất lượng ảnh dưới nước tự động trước khi đưa vào mô hình phân vùng.
  • Nghiên cứu mở rộng thuật toán để ước lượng sinh khối, đếm cá thể và phân tích hành vi bơi trong điều kiện mật độ nuôi dày đặc và che khuất phức tạp.

Giá trị tham khảo

  • Đối với nghiên cứu sinh, học viên cao học và giảng viên:
    • Cung cấp tài liệu tham khảo chi tiết về thiết kế hệ thống nhúng IoT hoàn chỉnh (từ sơ đồ nguyên lý phần cứng, giao thức truyền thông LoRa đến phần mềm trung tâm).
    • Cung cấp phương pháp cải tiến kiến trúc học sâu cho bài toán thị giác máy tính trong môi trường đối kháng dưới nước (kỹ thuật ghép khối WASP, xây dựng hàm mất mát $L_{CE_AC}$, tích hợp PCA/PSA vào ConvMixer).
  • Đối với các nhà quản lý nông nghiệp và doanh nghiệp nuôi trồng thủy sản:
    • Cung cấp giải pháp kỹ thuật tự chủ, chi phí thấp nhằm hiện đại hóa và tự động hóa các trạm quan trắc môi trường nước tại địa phương.
    • Làm cơ sở để xây dựng các mô hình trang trại thông minh (Smart Aquaculture), nâng cao năng suất và giảm thiểu rủi ro dịch bệnh trong nuôi tôm, cá nước lợ, mặn.

Câu hỏi thường gặp

1. Hệ thống IoT trong luận án quan trắc những thông số môi trường nước cụ thể nào?

Hệ thống IoT được thiết kế để thu thập tự động 7 chỉ tiêu chất lượng nước thiết yếu phục vụ nuôi thủy sản nước lợ, mặn, bao gồm:

  • Nhiệt độ nước
  • Độ mặn
  • Độ pH
  • Nồng độ oxy hòa tan (DO)
  • Độ trong của nước
  • Nồng độ ion Nitrate ($\text{NO}_3^-$)
  • Nồng độ ion Ammonium ($\text{NH}_4^+$)

2. Giao thức truyền thông không dây nào được sử dụng để kết nối giữa các nút cảm biến và cổng Gateway?

Luận án sử dụng công nghệ truyền thông không dây tầm xa LoRa (Long Range) hoạt động theo nguyên lý điều chế trải phổ xung chirp (CSS). Công nghệ này cho phép truyền dữ liệu khoảng cách xa với mức tiêu thụ năng lượng thấp, không phụ thuộc vào hạ tầng mạng di động và không phát sinh chi phí cước viễn thông định kỳ.

3. Luận án đề xuất mô hình nào cho bài toán phân vùng ảnh cá thể dưới nước?

Luận án đề xuất mô hình mạng nơ-ron FCN-WRN-WASP, kết hợp giữa mạng tích chập hoàn toàn FCN, mạng xương sống Wide ResNet (WRN) và khối Waterfall Atrous Spatial Pooling (WASP). Điểm cải tiến quan trọng là việc sử dụng hàm mất mát đường bao hoạt động cục bộ ($L_{CE_AC}$), giúp mô hình nắm bắt chính xác đường biên cá thể trong điều kiện ánh sáng phân bố không đồng đều dưới nước.

4. Cơ chế chú ý nào được tích hợp vào mô hình ConvMixer để phân loại loài cá?

Luận án tích hợp đồng thời hai khối cơ chế chú ý vào kiến trúc ConvMixer:

  • Khối chú ý ưu tiên theo kênh (PCA - Prioritized Channel Attention): Tái đánh giá và lựa chọn các kênh đặc trưng quan trọng của phép toán tích chập.
  • Khối chú ý ưu tiên theo không gian (PSA - Prioritized Spatial Attention): Tập trung sự chú ý vào các vùng đặc trưng hình thái then chốt của cá thể mà không làm gia tăng số lượng tham số huấn luyện.

5. Hệ thống phần cứng IoT của luận án đã được triển khai thử nghiệm thực tế tại đâu?

Hệ thống phần cứng (gồm thiết bị đầu cuối sensor node tích hợp pin mặt trời, control node điều khiển máy bơm/sục khí và IoT Gateway) đã được triển khai thử nghiệm thực địa tại Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên, Tỉnh Kiên Giang, lắp đặt trực tiếp trên hệ thống ao nuôi và ao lắng tôm nước lợ, mặn.

Kết luận

Luận án tiến sĩ của tác giả Lê Thanh Việt đã nghiên cứu và phát triển thành công giải pháp toàn diện kết hợp giữa hệ thống IoT giám sát môi trường nước và các thuật toán học sâu xử lý ảnh cho ngành nuôi trồng thủy sản. Tác giả đã làm chủ việc thiết kế, chế tạo phần cứng thiết bị đầu cuối kiến trúc mở hai chiều, ứng dụng truyền thông LoRa và nguồn pin mặt trời, thử nghiệm ổn định tại đầm nuôi tôm tỉnh Kiên Giang. Đồng thời, luận án đã đóng góp các mô hình mạng nơ-ron cải tiến gồm FCN-WRN-WASP với hàm mất mát $L_{CE_AC}$ cho phân vùng cá và ConvMixer tích hợp PCA/PSA cho phân loại cá đạt hiệu năng cao với số lượng tham số tối ưu. Công trình mang lại giá trị khoa học và giá trị thực tiễn rõ rệt, phục vụ hiệu quả cho định hướng phát triển thủy sản công nghệ cao tại Việt Nam.