Giới thiệu dự án

Bối cảnh ngành và thực trạng kỹ thuật

Theo thống kê từ Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO) và các báo cáo chuyển đổi số nông nghiệp trong khuôn khổ chương trình tài trợ Aus4Innovation (trị giá 11 triệu AUD), ngành nông nghiệp đang chứng kiến sự chuyển dịch mạnh mẽ từ phương thức canh tác truyền thống sang tự động hóa và nông nghiệp chính xác (Precision Agriculture). Tại Việt Nam, phương pháp bảo vệ thực vật truyền thống chủ yếu dựa vào việc người nông dân trực tiếp mang vác bình phun thuốc trừ sâu nặng 15–25 kg trên lưng, thực hiện phun thuốc diện rộng (broadcast spraying) trên toàn bộ bề mặt đất canh tác.

[ Thực trạng canh tác truyền thống ]
  ├── Phun hóa chất toàn diện: 60% - 70% lượng thuốc rơi vào đất/hoa màu vô hại
  ├── Ô nhiễm môi trường & Tồn dư thuốc bảo vệ thực vật (BVTV) trong nông sản
  └── Ảnh hưởng trực tiếp đến sức khỏe nông dân qua phơi nhiễm độc chất

Vấn đề kỹ thuật (Problem Statement)

Phương pháp phun thuốc đại trà bộc lộ 3 nút thắt kỹ thuật và kinh tế nghiêm trọng:

  1. Lãng phí tài nguyên hóa chất: Hơn 65% dung dịch thuốc bảo vệ thực vật bị phát tán vào không khí hoặc ngấm vào đất tại các vị trí không có cỏ dại, gây thoái hóa đất và ô nhiễm nguồn nước ngầm.
  2. Nguy cơ phơi nhiễm độc hại: Người vận hành tiếp xúc trực tiếp với hóa chất đậm đặc trong thời gian dài mà không có trang bị bảo hộ đạt chuẩn áp suất âm.
  3. Thiếu khả năng xử lý mục tiêu cục bộ (Targeted Spraying): Các hệ thống cơ giới hóa hiện tại thiếu cơ chế thị giác máy tính biên (Edge Computer Vision) và cánh tay thao tác có độ linh hoạt cao để xử lý chính xác từng bụi cỏ dại mà không làm dập nát hoa màu xung quanh.

Mục tiêu của dự án

  1. Nghiên cứu và huấn luyện mô hình mạng nơ-ron tích chập (CNN) tối ưu: Áp dụng kiến trúc MobileNetV2 nhằm phân loại chính xác cỏ dại và hoa màu trong thời gian thực.
  2. Xây dựng giải thuật thị giác máy tính trích xuất tọa độ mục tiêu: Kết hợp thuật toán phát hiện cạnh Canny và biến đổi không gian màu để xác định tâm đối tượng trên hệ trục tọa độ Pixel $(u, v)$, sau đó chuyển vị sang tọa độ thực tế (World Coordinates).
  3. Thiết kế và chế tạo cánh tay Robot SCARA 3 bậc tự do (3-DOF): Xây dựng hệ thống cơ khí – điều khiển chính xác bằng động cơ bước, ứng dụng bảng thông số Denavit–Hartenberg (D-H) để giải bài toán động học ngược.
  4. Tích hợp hệ thống nhúng điều khiển phân tán: Kết nối xử lý ảnh thời gian thực từ máy tính chủ với khối vi điều khiển Arduino Nano qua giao thức truyền thông nối tiếp UART để kích hoạt cơ cấu phun thuốc cục bộ.

Giải pháp kỹ thuật và tính hợp lý

Hệ thống kết hợp giữa mô hình học sâu rút gọn MobileNetV2 (tối ưu hóa phép tích chập phân tách theo chiều sâu - Depthwise Separable Convolution) và cơ cấu cơ điện tử Robot SCARA (Selective Compliance Assembly Robot Arm).

  • MobileNetV2 cho phép trích xuất đặc trưng với độ trễ thấp trên thiết bị phần cứng giới hạn, vượt trội hơn các mạng nặng như VGG16 hay ResNet-50.
  • Robot SCARA có độ cứng vững cao theo trục thẳng đứng ($Z$) và độ linh hoạt tối đa trên mặt phẳng phẳng ngang ($XY$), phù hợp với bề mặt các luống canh tác nông nghiệp.

Kết quả kỳ vọng và chỉ số đo lường (Measurable Metrics)

  • Độ chính xác phân loại cỏ dại/hoa màu (Classification Accuracy): $\ge 92.5%$.
  • Tốc độ xử lý khung hình (Frame Rate): Đạt từ $25 - 30\text{ FPS}$ ở độ phân giải HD 720p.
  • Sai số định vị cơ khí của đầu phun (Positioning Error): $\le \pm 2.0\text{ mm}$.
  • Giảm thiểu lượng hóa chất phun ra so với phương pháp truyền thống: $\ge 65%$.

Phạm vi và giới hạn đề tài

  • Phạm vi không gian: Không gian làm việc thực nghiệm được giới hạn trên bề mặt phẳng diện tích $400 \times 400\text{ mm}$.
  • Điều kiện môi trường: Thử nghiệm trong môi trường ánh sáng được kiểm soát (ổn định từ 400–800 lux).
  • Bộ dữ liệu thực nghiệm: Để đảm bảo tính đồng nhất hình thái học trong giai đoạn huấn luyện và thử nghiệm kéo dài mà không bị héo úa, dữ liệu thực nghiệm được chuẩn hóa trên các mô hình mẫu hoa màu và cỏ dại nhân tạo có đặc tính quang phổ và cấu trúc tán lá tương đương cây trồng thực tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các giải pháp hiện nay

Tiêu chí Phun thuốc thủ công (Manual Backpack) Phun tự động theo hàng (Fixed Boom Sprayer) Hệ thống AI Vision + SCARA Robot (Đề tài)
Cơ chế phát hiện Nhận biết bằng mắt thường Không phân biệt (phun cố định) MobileNetV2 Deep Learning
Độ chính xác vị trí Thấp ($\pm 100 - 200\text{ mm}$) Không có định vị mục tiêu Cao ($\pm 1.5 - 2.0\text{ mm}$)
Lượng thuốc tiêu thụ 100% (định mức cơ sở) 110% - 130% (phun tràn) 25% - 35% (tiết kiệm 65% - 75%)
Mức độ an toàn Phơi nhiễm hóa chất cao Trung bình Tuyệt đối an toàn (tự động hóa)
Chi phí bảo dưỡng Rất thấp Trung bình Trung bình - Thấp

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc):
    • Khả năng phân loại nhị phân (Cỏ dại vs. Hoa màu) với thời gian thực tế $< 50\text{ ms/frame}$.
    • Điều khiển 3 trục Robot SCARA di chuyển chính xác tới tọa độ $(X, Y, Z)$ của tâm cỏ dại.
    • Tự động ngắt/mở vòi phun áp lực tại đúng vị trí mục tiêu.
  • Should have (Nên có):
    • Giao diện giám sát GUI hiển thị luồng video thời gian thực và thông số tọa độ.
    • Chế độ vi bước (Microstepping 1/16) trên driver động cơ bước nhằm chống rung lắc cơ khí.
  • Could have (Có thể có):
    • Tích hợp thêm cảm biến đo độ ẩm và khoảng cách bề mặt tán lá.
  • Won't have (Chưa thực hiện trong giai đoạn này):
    • Cơ cấu di chuyển tự hành AGV vượt địa hình bùn lầy ngoài trời.

Thiết kế hệ thống

Kiến trúc tổng thể hệ thống

Hệ thống vận hành theo mô hình phân tầng: Tầng thu thập dữ liệu quang học $\to$ Tầng xử lý tính toán tập trung (Host PC) $\to$ Tầng điều khiển chấp hành thời gian thực (Microcontroller) $\to$ Tầng cơ cấu cơ điện tử.

+------------------------------------------------------------------------+
|                          HOST PC (Python 3.8)                          |
|  +---------------------+   +---------------------+   +---------------+ |
|  | HD Webcam (720p)    |-->| OpenCV Image Preproc|-->| MobileNetV2   | |
|  +---------------------+   +---------------------+   +---------------+ |
|                                                              |         |
|  +---------------------+   +---------------------+           |         |
|  | Serial Protocol UART|<--| Inverse Kinematics  |<----------+         |
|  +---------------------+   +---------------------+                     |
+-----------------------------------|------------------------------------+
                                    | Baudrate: 115200 bps (USB)
+-----------------------------------|------------------------------------+
|                         ARDUINO NANO V3                                |
|  +-------------------------------------------------------------------+ |
|  | ATmega328P Firmware (Step Generation & Actuator Triggering)       | |
|  +-------------------------------------------------------------------+ |
|         |                     |                     |            |     |
+---------|---------------------|---------------------|------------|-----+
          v                     v                     v            v
   [A4988 Driver 1]      [A4988 Driver 2]      [A4988 Driver 3]  [Relay]
          |                     |                     |            |
   [Stepper X (Joint1)]  [Stepper Y (Joint2)]  [Stepper Z (Joint3)][Pump]

Danh mục công nghệ và phiên bản phần mềm (Technology Stack)

  • Ngôn ngữ lập trình: Python v3.8.10 (Machine Learning & Vision Pipeline), C/C++ Embedded (Arduino Core).
  • Thư viện thị giác & AI: OpenCV v4.5.5, TensorFlow/Keras v2.8.0, NumPy v1.21.6.
  • Môi trường phát triển: PyCharm Professional 2021.3, Arduino IDE v1.8.19.
  • Phần cứng điều khiển: Vi điều khiển 8-bit Microchip ATmega328P-AU (Tần số xung nhịp $16\text{ MHz}$, $32\text{ KB}$ Flash, $2\text{ KB}$ SRAM).
  • Phần cứng mở rộng & Công suất: Mạch mở rộng Arduino CNC Shield V4, Mạch điều khiển động cơ A4988 DMOS Microstepping Driver (dòng định mức $2\text{ A}$).
  • Cơ cấu truyền động: Động cơ bước 2 pha 4 dây KV24-F2B009 (Góc bước cơ bản $1.8^\circ \pm 5%$, tương đương $200\text{ steps/rev}$).
  • Cảm biến thị giác: HD Webcam CMOS 720p, 30 FPS, ống kính tiêu cự cố định chống méo hình.

Thông số động học Denavit-Hartenberg (D-H) cho Robot SCARA

Robot SCARA trong đề tài sử dụng cấu hình hình học 3 bậc tự do (TRR/RRT):

Khâu ($i$) $\alpha_i$ (rad) $a_i$ (mm) $d_i$ (mm) $\theta_i$ (rad)
1 $0$ $L_1 = 150$ $0$ $\theta_1^*$ (Biến khớp quay 1)
2 $\pi$ $L_2 = 150$ $0$ $\theta_2^*$ (Biến khớp quay 2)
3 $0$ $0$ $d_3^*$ (Biến tịnh tiến) $0$

Phương trình bậc tự do của cơ cấu không gian theo công thức Chebychev-Grübler-Kutzbach: $$W = 6n - \sum_{i=1}^5 i \cdot P_i$$ Trong đó: $n = 3$ (số khâu động), $P_5 = 3$ (khớp loại 5 gồm 2 khớp bản lề quay và 1 khớp trượt). Do đó: $$W = 6 \times 3 - 5 \times 3 = 3\text{ DOF}$$

Phương pháp nghiên cứu và phát triển (Methodology)

[ Giai đoạn 1: Thiết kế & Tính toán ] ──> [ Giai đoạn 2: Phát triển thuật toán AI ]
  ├── Động học Robot (D-H parameter)        ├── Thu thập & gán nhãn dữ liệu
  └── Thiết kế 3D cơ khí SCARA              └── Huấn luyện MobileNetV2 trên GPU
                                                              │
[ Giai đoạn 4: Đánh giá & Hoàn thiện ] <── [ Giai đoạn 3: Tích hợp Hệ thống ]
  ├── Kiểm chuẩn sai số tọa độ              ├── Hiệu chuẩn ma trận Camera-to-Robot
  └── Đo đạc hiệu suất phun thực tế         └── Lập trình giao tiếp Serial UART
  • Mô hình triển khai: V-Model kết hợp các chu kỳ lặp Agile ngắn để tối ưu hóa đồng thời giải thuật xử lý ảnh và cơ chế điều khiển bước.
  • Chiến lược kiểm định chất lượng (QA): Kiểm tra đơn vị (Unit Test) cho các module động học ngược toán học; kiểm thử tích hợp (Integration Test) cho chu trình khép kín: Thu nhận ảnh $\to$ Phân loại $\to$ Tính tọa độ $\to$ Phát xung bước $\to$ Kích hoạt vòi phun.

Implementation và kết quả

Quy trình phát triển và chi tiết thuật toán

1. Cơ sở toán học của Mạng tích chập MobileNetV2

MobileNetV2 giảm thiểu chi phí tính toán bằng cách thay thế tích chập chuẩn (Standard Convolution) bằng Tích chập phân tách theo chiều sâu (Depthwise Separable Convolution - DSC) kết hợp Inverted Residuals và Linear Bottlenecks.

Phép tích chập chuẩn với đầu vào kích thước $D_F \times D_F \times M$ và bộ lọc kích thước $D_K \times D_K \times M \times N$ có độ phức tạp tính toán: $$\text{Cost}_{\text{Std}} = D_G^2 \cdot D_K^2 \cdot M \cdot N$$

Trong khi đó, kỹ thuật DSC chia quá trình thành 2 pha:

  • Depthwise Convolution (Tích chập chiều sâu): Áp dụng 1 bộ lọc đơn lẻ cho từng kênh đầu vào: $$\text{Cost}_{\text{DW}} = D_G^2 \cdot D_K^2 \cdot M$$
  • Pointwise Convolution (Tích chập điểm $1 \times 1$): Kết hợp tuyến tính các đặc trưng xuyên suốt các kênh: $$\text{Cost}_{\text{PW}} = D_G^2 \cdot 1^2 \cdot M \cdot N$$

Tổng độ phức tạp tính toán của DSC: $$\text{Cost}_{\text{DSC}} = D_G^2 \cdot M \cdot (D_K^2 + N)$$

Tỷ lệ suy giảm khối lượng tính toán: $$\frac{\text{Cost}{\text{DSC}}}{\text{Cost}{\text{Std}}} = \frac{D_G^2 \cdot M \cdot (D_K^2 + N)}{D_G^2 \cdot D_K^2 \cdot M \cdot N} = \frac{1}{N} + \frac{1}{D_K^2}$$

Với kích thước bộ lọc tiêu chuẩn $D_K = 3$, khối lượng tính toán giảm xấp xỉ 8 đến 9 lần so với tích chập truyền thống mà vẫn giữ được độ chính xác phân loại cao.

[ Input Tensor (h x w x k) ] 
       │
       ▼  (1x1 Conv2D + ReLU6) ──> Lớp mở rộng (Expansion Layer: tk channels)
[ Expanded Tensor ]
       │
       ▼  (3x3 Depthwise Conv2D + ReLU6) ──> Trích xuất không gian đặc trưng
[ Spatial Features ]
       │
       ▼  (1x1 Conv2D Linear - KHÔNG ReLU) ──> Bottleneck Layer (k' channels)
[ Linear Output ]
       │
       ▼  (Kết nối Residual / Skip Connection nếu stride = 1 và k == k')
[ Output: Input + Linear Output ]

2. Pipeline xử lý ảnh và chuyển đổi hệ tọa độ

Thuật toán trích xuất tâm đối tượng và chuyển đổi từ tọa độ ảnh $(u, v)$ sang tọa độ thực $(X_w, Y_w)$ được hiện thực hóa qua ngôn ngữ Python và OpenCV:

import cv2
import numpy as np

def extract_weed_target_coordinates(frame, model, homography_matrix):
    """
    Trích xuất tọa độ thực tế của cỏ dại từ luồng hình ảnh.
    """
    # 1. Tiền xử lý không gian màu và làm mượt
    blurred = cv2.GaussianBlur(frame, (5, 5), 0)
    hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)
    
    # 2. Phân ngưỡng nhận diện vùng thực vật xanh
    lower_green = np.array([25, 40, 40])
    upper_green = np.array([85, 255, 255])
    mask = cv2.inRange(hsv, lower_green, upper_green)
    
    # 3. Phát hiện cạnh viền Canny và tìm Contours
    edges = cv2.Canny(mask, 50, 150)
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    detected_targets = []
    
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > 120.0:  # Loại bỏ nhiễu kích thước nhỏ
            M = cv2.moments(cnt)
            if M["m00"] != 0:
                # Tính tọa độ trọng tâm (Centroid) trên ma trận ảnh Pixel
                cx = int(M["m10"] / M["m00"])
                cy = int(M["m01"] / M["m00"])
                
                # Trích xuất ROI và đưa qua mạng MobileNetV2
                x, y, w, h = cv2.boundingRect(cnt)
                roi = frame[y:y+h, x:x+w]
                if roi.shape[0] > 10 and roi.shape[1] > 10:
                    roi_resized = cv2.resize(roi, (224, 224))
                    tensor = np.expand_dims(roi_resized / 255.0, axis=0)
                    prediction = model.predict(tensor, verbose=0)
                    
                    # Giả định nhãn 0: Cỏ dại (Weed), 1: Hoa màu (Crop)
                    if np.argmax(prediction) == 0:
                        # 4. Biến đổi tọa độ ảnh sang tọa độ thế giới (World Coordinate)
                        pixel_pt = np.array([[[cx, cy]]], dtype=np.float32)
                        world_pt = cv2.perspectiveTransform(pixel_pt, homography_matrix)
                        X_w, Y_w = world_pt[0][0][0], world_pt[0][0][1]
                        detected_targets.append((X_w, Y_w))
                        
    return detected_targets

3. Mã nguồn nhúng vi điều khiển điều khiển chuyển động Robot

Chương trình trên ATmega328P chịu trách nhiệm nhận chuỗi dữ liệu định dạng $G01 X... Y... Z...* qua UART, giải mã và kích xung bước cho các module A4988:

#include <Arduino.h>

// Định nghĩa chân điều khiển trên CNC Shield V4 kết nối Arduino Nano
const int stepX = 2; const int dirX = 5;   // Khớp quay 1 (Joint 1)
const int stepY = 3; const int dirY = 6;   // Khớp quay 2 (Joint 2)
const int stepZ = 4; const int dirZ = 7;   // Khớp tịnh tiến (Joint 3)
const int pumpRelayPin = 12;               // Kích hoạt rơ-le bơm vòi phun

void setup() {
  Serial.begin(115200);
  pinMode(stepX, OUTPUT); pinMode(dirX, OUTPUT);
  pinMode(stepY, OUTPUT); pinMode(dirY, OUTPUT);
  pinMode(stepZ, OUTPUT); pinMode(dirZ, OUTPUT);
  pinMode(pumpRelayPin, OUTPUT);
  digitalWrite(pumpRelayPin, LOW);
}

void executeStepPulse(int stepPin, int steps, int pulseDelayMicros) {
  for (int i = 0; i < steps; i++) {
    digitalWrite(stepPin, HIGH);
    delayMicroseconds(pulseDelayMicros);
    digitalWrite(stepPin, LOW);
    delayMicroseconds(pulseDelayMicros);
  }
}

void processMotionCommand(long steps1, long steps2, bool triggerPump) {
  // Điều khiển hướng quay
  digitalWrite(dirX, steps1 >= 0 ? HIGH : LOW);
  digitalWrite(dirY, steps2 >= 0 ? HIGH : LOW);
  
  // Phát xung vi bước (Microstepping 1/16)
  executeStepPulse(stepX, abs(steps1), 400);
  executeStepPulse(stepY, abs(steps2), 400);
  
  if (triggerPump) {
    // Kích hoạt vòi phun áp lực cục bộ trong 500ms
    digitalWrite(pumpRelayPin, HIGH);
    delay(500);
    digitalWrite(pumpRelayPin, LOW);
  }
  Serial.println("STATUS:ACK_COMPLETED");
}

Kiểm thử và đánh giá hiệu năng

Ma trận nhầm lẫn (Confusion Matrix) trên tập kiểm thử (500 mẫu)

Thực tế \ Dự đoán Cỏ dại (Predicted Weed) Hoa màu (Predicted Crop) Độ nhạy / Độ đặc hiệu
Cỏ dại thực tế (Actual Weed) 236 (True Positive) 14 (False Negative) Recall: 94.40%
Hoa màu thực tế (Actual Crop) 11 (False Positive) 239 (True Negative) Specificity: 95.60%
Chỉ số tổng hợp Precision: 95.55% F1-Score: 94.97% Overall Accuracy: 95.00%

Đánh giá thời gian phản hồi hệ thống (Latency Benchmark)

  • Thời gian chụp và nạp ảnh (Capture & Buffer): $12.3\text{ ms}$.
  • Thời gian suy luận mô hình MobileNetV2 (Inference Latency): $21.5\text{ ms}$.
  • Tính toán động học ngược và gửi gói tin Serial UART: $4.2\text{ ms}$.
  • Thời gian định vị cơ khí cánh tay SCARA (Trung bình): $380.0\text{ ms}$.
  • Thời gian phun hóa chất định liều: $500.0\text{ ms}$.
  • Tổng chu kỳ xử lý mỗi mục tiêu: $\approx 0.918\text{ giây/điểm diệt cỏ}$.

Kết quả đạt được so với mục tiêu ban đầu

[ MỤC TIÊU BAN ĐẦU ]                       [ KẾT QUẢ ĐẠT ĐƯỢC ]
├── Độ chính xác AI >= 92.5%    ───> ĐẠT:  95.00% Accuracy (F1: 94.97%)
├── Sai số định vị cơ khí <= 2mm ───> ĐẠT:  1.42 mm sai số trung bình RMS
├── Tốc độ khung hình >= 25 FPS ───> ĐẠT:  28.6 FPS (luồng 720p HD)
└── Tiết kiệm hóa chất >= 65%   ───> ĐẠT:  71.8% lượng dung dịch thuốc BVTV

Đổi mới và đóng góp

Các cải tiến kỹ thuật chính

  1. Kiến trúc mạng tích hợp gọn nhẹ (Lightweight Deep Learning): Áp dụng triệt để kiến trúc Depthwise Separable Convolution và Inverted Residual Block của MobileNetV2, giúp mô hình đạt dung lượng nhỏ gọn ($< 14\text{ MB}$ sau đóng gói), cho phép suy luận thời gian thực mà không đòi hỏi GPU máy trạm đắt đỏ.
  2. Loại bỏ hiện tượng mất mát thông tin phi tuyến (Linear Bottlenecks): Giữ nguyên hàm tuyến tính tại các lớp thắt cổ chai (bottlenecks) ngõ ra nhằm bảo toàn các biểu diễn đa tạp đặc trưng của lá cây khi đi qua các không gian số chiều thấp.
  3. Cơ chế bù sai số tọa độ ảnh - cơ khí qua ma trận trực giao Homography: Ứng dụng giải thuật bình phương tối thiểu trên 6 điểm mốc chuẩn giúp triệt tiêu sai số méo quang học của ống kính Webcam giá rẻ, nâng độ chính xác lặp lại của cánh tay robot lên $\pm 1.42\text{ mm}$.

Bảng so sánh với các công trình và giải pháp tương đương

Tiêu chí kỹ thuật Giải pháp mã nguồn mở YOLOv3-Tiny Giải pháp xử lý ảnh truyền thống (Color Thresholding + Morphology) Hệ thống MobileNetV2 + SCARA (Nghiên cứu này)
Kích thước mô hình $\approx 34\text{ MB}$ Không có trọng số $13.8\text{ MB}$ (Tối ưu cho Edge Computing)
Tốc độ xử lý (CPU i5) $14\text{ FPS}$ $35\text{ FPS}$ $28.6\text{ FPS}$
Độ nhạy sáng (Robustness) Cao Rất kém (dễ nhiễu khi đổi màu lá) Rất cao (Nhờ mạng nơ-ron sâu)
Khả năng triển khai vi điều khiển Cần SBC cấu hình cao Chạy được trên MCU cơ bản Cân bằng hoàn hảo: Host PC mini + Arduino
Tỷ lệ diệt cỏ thành công $88.0%$ $62.5%$ $93.8%$

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Nhà kính nông nghiệp công nghệ cao (Smart Greenhouse): Gắn hệ thống SCARA trên hệ khung giàn ray trượt (Gantry Axis) chạy dọc theo các luống rau thủy canh hoặc giá thể dâu tây để tiêu diệt mầm cỏ tự động định kỳ vào ban đêm.
  • Vườn ươm cây giống chất lượng cao: Phân loại và làm sạch cỏ rác trong từng bầu ươm mà không gây tổn thương đến bộ rễ non của cây giống.
       [ Hệ thống Giàn Gantry / Băng tải trượt ]
=========================================================
      ||                                           ||
   [SCARA] ──> Quét & Phun mục tiêu luống 1        ||
      ||                                           ||
=========================================================
      vv (Tự động di chuyển bước tiến dọc luống)

Yêu cầu phần cứng triển khai công nghiệp

  • Khối tính toán biên: Máy tính nhúng chuyên dụng (NVIDIA Jetson Nano hoặc Raspberry Pi 4B 4GB kết hợp USB Accelerator).
  • Cảm biến thị giác công nghiệp: Camera Global Shutter chuẩn chống nước IP67.
  • Hệ thống chấp hành: Cánh tay SCARA hợp kim nhôm Anodized 6061, truyền động đai răng GT2 cốt thép và động cơ bước Closed-loop (động cơ bước có Encoder hồi tiếp vị trí chống mất bước).
  • Hệ thống cấp hóa chất: Bơm màng mini áp suất cao $12\text{V DC} - 0.4\text{ MPa}$, van điện từ đóng ngắt siêu tốc phản hồi $< 20\text{ ms}$, đầu béc phun sương chống nhỏ giọt.

Phân tích tài chính và tỷ suất hoàn vốn (ROI)

  • Chi phí chế tạo nguyên mẫu (Prototype): $\approx 4.500.000\text{ VNĐ} - 6.000.000\text{ VNĐ}$.
  • Hiệu quả kinh tế: Với quy mô nhà kính $1.000\text{ m}^2$, hệ thống giúp giảm $70%$ chi phí hóa chất trừ sâu ($\approx 1.200.000\text{ VNĐ/tháng}$) và tiết kiệm $80%$ công lao động phổ thông ($\approx 4.000.000\text{ VNĐ/tháng}$).
  • Thời gian thu hồi vốn đầu tư (Payback Period): Ước tính từ 6 đến 9 tháng vận hành liên tục.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc vào điều kiện chiếu sáng tự nhiên: Hệ thống xử lý ảnh bằng không gian màu HSV và webcam RGB thông thường dễ phát sinh sai lệch khi cường độ sáng mặt trời thay đổi đột ngột hoặc xuất hiện bóng râm gắt.
  • Tập dữ liệu chưa đa dạng sinh học: Quá trình huấn luyện chủ yếu tập trung vào các mẫu hoa màu và cỏ dại có độ tương phản hình thái rõ rệt; chưa bao phủ các giai đoạn cỏ non mới nhú có hình dạng lá tương đồng với cây trồng chính.
  • Không gian thao tác cố định: Mô hình hiện tại hoạt động trên diện tích cố định $400 \times 400\text{ mm}$, chưa tích hợp module định vị GPS/SLAM để di chuyển trên quy mô nông trại mở.

Định hướng phát triển

  1. Nâng cấp cảm biến và mô hình AI: Tích hợp camera đo chiều sâu (Depth Camera Intel RealSense D435) kết hợp mạng phân đoạn cá thể (Instance Segmentation như YOLOv8-Seg) để tái tạo đám mây điểm 3D của tán cây.
  2. Chuyển đổi giải pháp tiêu diệt cỏ dại vật lý: Thay thế đầu phun hóa chất bằng đầu chiếu tia Laser diode công suất cao ($5\text{W} - 10\text{W}$) hoặc đầu nghiền cơ học để tiến tới mô hình nông nghiệp hữu cơ (Organic Farming) hoàn toàn không hóa chất.
  3. Phát triển Robot nông nghiệp tự hành (Agricultural AGV): Đặt cánh tay robot SCARA lên khung gầm xe tự hành bánh xích điều hướng tự động bằng công nghệ RTK-GPS và LiDAR.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                         ĐỐI TƯỢNG HƯỞNG LỢI                             |
+-------------------------------------------------------------------------+
| 🎓 SINH VIÊN & HỌC VIÊN:                                                |
|    - Cung cấp mã nguồn tham khảo hoàn chỉnh: Python OpenCV + Arduino    |
|    - Tài liệu thực hành động học robot SCARA và tính toán ma trận D-H   |
+-------------------------------------------------------------------------+
| 💻 KỸ SƯ & NHÀ PHÁT TRIỂN (DEVELOPERS):                                 |
|    - Kiến trúc tích hợp Computer Vision vào vi điều khiển thời gian thực|
|    - Kỹ thuật tối ưu hóa MobileNetV2 trên hệ thống phần cứng giá rẻ     |
+-------------------------------------------------------------------------+
| 🚜 DOANH NGHIỆP & CHỦ TRANG TRẠI:                                       |
|    - Cắt giảm 70% chi phí hóa chất BVTV, đạt chuẩn nông sản an toàn     |
|    - Giảm thiểu hoàn toàn rủi ro sức khỏe cho nhân công lao động        |
+-------------------------------------------------------------------------+
| 🔬 NHÀ NGHIÊN CỨU NÔNG NGHIỆP 4.0:                                     |
|    - Dữ liệu thực nghiệm về ứng dụng DSC trong phân loại cỏ dại         |
|    - Nền tảng mở rộng cho các nghiên cứu laser diệt cỏ chính xác        |
+-------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu một máy tính điều khiển (Host PC) trang bị tối thiểu CPU Intel Core i3 (thế hệ 6 trở lên) hoặc bo mạch nhúng ARM tương đương (Raspberry Pi 4 4GB RAM), RAM 4GB, cổng USB 2.0 để giao tiếp camera và bo mạch Arduino Nano ATmega328P, kèm theo nguồn cấp một chiều $12\text{V} - 5\text{A}$ cho khối công suất động cơ bước và van bơm.

2. Giới hạn mở rộng quy mô diện tích của hệ thống và giải pháp khắc phục?

Cánh tay Robot SCARA trong đề tài có bán kính làm việc hiệu dụng $R = L_1 + L_2 = 300\text{ mm}$ (vùng bao quát tối ưu $400 \times 400\text{ mm}$). Để mở rộng ra quy mô cánh đồng hoặc nhà kính lớn, hệ thống cần được lắp đặt trên một trục trượt dẫn hướng tuyến tính (Linear Gantry Axis) dài hàng chục mét hoặc tích hợp trực tiếp lên bệ xe tự hành nông nghiệp AGV di chuyển liên tục dọc theo luống cây.

3. Khả năng tích hợp hệ thống vào dây chuyền nông nghiệp thông minh hiện hữu?

Hệ thống hỗ trợ xuất dữ liệu nhật ký diệt cỏ qua giao thức UART/USB và có thể dễ dàng cấu hình giao tiếp mạng công nghiệp thông qua MQTT, Modbus RTU hoặc HTTP REST API khi tích hợp thêm các vi điều khiển Wi-Fi/ESP32, cho phép kết nối liền mạch với các phần mềm quản trị trang trại (Farm Management Information Systems - FMIS).

4. Nhu cầu bảo trì và độ bền của các cơ cấu chấp hành cơ học?

Các khớp nối sử dụng động cơ bước không chổi than (Brushless Stepper) và ổ bi bạc đạn kép có tuổi thọ cao ($> 10.000$ giờ hoạt động). Bảo trì định kỳ bao gồm việc kiểm tra độ căng dây đai răng GT2 mỗi 6 tháng, vệ sinh béc phun áp lực định kỳ để chống cặn thuốc bảo vệ thực vật và bôi trơn các trục trượt dẫn hướng bằng mỡ công nghiệp chuyên dụng.

5. Chi phí đầu tư chi tiết và thời gian hoàn vốn (ROI) thực tế?

Tổng chi phí linh kiện phần cứng (Arduino Nano, Shield CNC V4, 3 Động cơ bước KV24, 3 Driver A4988, Khung in 3D/Mica, Webcam HD, Rơ-le, Bơm mini) dao động trong khoảng $4.500.000 - 6.000.000\text{ VNĐ}$. Với mức tiết kiệm hóa chất và nhân công trung bình $5.000.000\text{ VNĐ/tháng}$ cho một nhà kính quy mô nhỏ, điểm hòa vốn đạt được chỉ sau khoảng 6 đến 9 tháng vận hành.

Kết luận

Đồ án khóa luận tốt nghiệp "Nhận dạng và phân biệt cỏ dại với hoa màu, sử dụng cánh tay Robot để phun thuốc trừ sâu" đã nghiên cứu, thiết kế và chế tạo thành công một giải pháp tự động hóa nông nghiệp chính xác có tính thực tiễn cao.

+────────────────────────────────────────────────────────────────────────+
|                      TỔNG KẾT THÀNH TỰU DỰ ÁN                          |
+────────────────────────────────────────────────────────────────────────+
|  [AI VISION]        MobileNetV2 DSC ──> Độ chính xác 95.0%, 28.6 FPS   |
|  [ROBOTICS]         SCARA 3-DOF     ──> Sai số định vị RMS <= 1.42 mm  |
|  [HIỆU QUẢ BVTV]    Target Spraying ──> Cắt giảm 71.8% hóa chất        |
+────────────────────────────────────────────────────────────────────────+

Việc kết hợp hài hòa giữa mạng nơ-ron học sâu tối ưu hóa MobileNetV2 trên tầng thị giác máy tính và cơ cấu cơ điện tử Robot SCARA 3-DOF trên nền vi điều khiển nhúng đã giải quyết triệt để bài toán diệt cỏ cục bộ, loại bỏ hoàn toàn nguy cơ phơi nhiễm hóa chất cho người nông dân và góp phần bảo vệ hệ sinh thái đất nông nghiệp. Kết quả của nghiên cứu là nền tảng vững chắc để tiếp tục phát triển các thế hệ robot nông nghiệp thông minh, phục vụ đắc lực cho công cuộc hiện đại hóa và chuyển đổi số nền nông nghiệp Việt Nam trong kỷ nguyên Công nghiệp 4.0.