Giới thiệu dự án

Bối cảnh và thực trạng ngành nông nghiệp

Việt Nam là quốc gia có thế mạnh truyền thống về sản xuất nông nghiệp, đóng góp tỷ trọng quan trọng vào GDP quốc gia. Tuy nhiên, theo các khảo sát ngành nông nghiệp và báo cáo từ chương trình hợp tác đổi mới sáng tạo nông nghiệp (tiêu biểu như Aus4Innovation với tổng tài trợ 11 triệu AUD), phương thức canh tác truyền thống vẫn đối mặt với nhiều rào cản nghiêm trọng.

Hình ảnh người nông dân mang vác bình phun thuốc bảo vệ thực vật thủ công nặng 20–30 kg trên lưng diễn ra phổ biến. Phương thức phun tràn (broadcast spraying) truyền thống dẫn đến tình trạng lãng phí từ 65% đến 80% lượng hóa chất do thuốc bị phát tán ra môi trường xung quanh, ngấm vào đất và nguồn nước ngầm. Đồng thời, việc tiếp xúc trực tiếp với hóa chất độc hại gây ảnh hưởng nặng nề đến sức khỏe người lao động, làm gia tăng dư lượng thuốc bảo vệ thực vật trên nông sản vượt ngưỡng an toàn xuất khẩu.

+-------------------------------------------------------------------------+
|                  VẤN ĐỀ TRONG NÔNG NGHIỆP TRUYỀN THỐNG                   |
+-------------------------------------------------------------------------+
|  Phun xịt thủ công tràn lan  --->  Lãng phí 65-80% lượng thuốc BVTV     |
|  Tiếp xúc hóa chất độc hại   --->  Tổn hại trực tiếp sức khỏe nông dân  |
|  Tồn dư hóa chất trên cây    --->  Giảm giá trị & chất lượng nông sản   |
+-------------------------------------------------------------------------+
                                    |
                                    v
+-------------------------------------------------------------------------+
|               GIẢI PHÁP TỰ ĐỘNG HÓA TÍCH HỢP AI & ROBOT                 |
+-------------------------------------------------------------------------+
|  Thị giác máy tính (AI)      --->  Phân loại chính xác cỏ dại/hoa màu   |
|  Định vị tọa độ không gian   --->  Chuyển đổi Pixel -> Camera -> Robot  |
|  Cánh tay SCARA 3-DOF        --->  Phun cục bộ đúng tâm mục tiêu        |
+-------------------------------------------------------------------------+

Vấn đề kỹ thuật cốt lõi (Problem Statement)

Các khó khăn then chốt cần giải quyết bao gồm:

  • Khó khăn trong việc nhận dạng thời gian thực (real-time) sự khác biệt về hình thái học giữa cỏ dại và cây trồng trong điều kiện ngoại cảnh thay đổi.
  • Độ trễ tính toán của các mô hình học sâu (Deep Learning) tiêu chuẩn quá lớn khi triển khai trên các thiết bị xử lý biên (Edge devices).
  • Sai số tích lũy khi ánh xạ tọa độ từ không gian ảnh 2D (Pixel coordinates) sang hệ tọa độ thực nghiệm của cánh tay robot 3D (World coordinates).
  • Cấu trúc cơ khí robot phải đáp ứng chuyển động linh hoạt, tốc độ cao nhưng vẫn giữ được độ chính xác lặp lại trong không gian làm việc giới hạn.

Mục tiêu dự án

  1. Xây dựng tập dữ liệu và tiền xử lý: Thu thập, gán nhãn và chuẩn hóa dữ liệu ảnh phân loại cỏ dại và hoa màu.
  2. Tối ưu hóa mô hình AI: Huấn luyện kiến trúc mạng nơ-ron tích chập nhẹ MobileNetV2 đạt độ chính xác trên 92% với độ trễ xử lý dưới 50 ms/khung hình.
  3. Thiết kế và chế tạo phần cứng robot: Hoàn thiện cánh tay robot SCARA (Selective Compliance Assembly Robot Arm) 3 bậc tự do (3-DOF) với cấu hình động học TRR (Translation - Rotation - Rotation).
  4. Tích hợp hệ thống điều khiển đồng bộ: Thiết lập đường truyền giao tiếp dữ liệu qua giao thức Serial UART giữa máy tính xử lý trung tâm (PC Host) và vi điều khiển Arduino Nano kết nối mạch mở rộng CNC Shield V4 điều khiển động cơ bước.
  5. Định vị và phun thuốc chính xác: Ánh xạ tọa độ tâm mục tiêu và điều khiển đầu phun chấp hành định vị trúng đích với sai số vị trí không vượt quá $\pm 2.0\text{ mm}$.

Giải pháp kỹ thuật tổng thể

Dự án đề xuất mô hình tích hợp khép kín giữa xử lý ảnh thị giác máy tính và cơ cấu tay máy robot SCARA:

  • Khối thu nhận và xử lý ảnh: Camera USB độ phân giải HD ghi nhận hình ảnh luân phiên từ khu vực làm việc ($40 \times 40\text{ cm}$), chuyển luồng khung hình về máy tính xử lý qua thư viện OpenCV và phân loại bằng MobileNetV2.
  • Khối chuyển đổi không gian: Sử dụng ma trận chuyển đổi tọa độ $[R|t]$ để quy đổi tâm pixel của cỏ dại sang tọa độ phẳng $(X, Y, Z)$ trong không gian làm việc của robot.
  • Khối điều khiển chấp hành: Máy tính gửi tập lệnh điều khiển qua cổng COM ảo (Virtual Serial Port) đến vi điều khiển ATmega328P-AU trên Arduino Nano. Vi điều khiển tạo chuỗi xung điều khiển cụm Driver A4988 dẫn động 3 động cơ bước KV24-F2B009 để đưa đầu phun đến chính xác vị trí cỏ dại và kích hoạt van xịt.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi không gian: Vùng làm việc giới hạn trong diện tích mô hình $40\text{ cm} \times 40\text{ cm}$.
  • Đối tượng thực nghiệm: Phân biệt giữa mẫu cỏ dại và mẫu hoa màu đại diện trong điều kiện ánh sáng kiểm soát.
  • Môi trường cơ khí: Robot 3-DOF tải trọng nhẹ, phục vụ mục đích kiểm chứng giải pháp kỹ thuật nông nghiệp chính xác (Precision Agriculture).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và đối sánh kỹ thuật

Tiêu chí Phun thuốc thủ công truyền thống Hệ thống giàn phun cố định theo luống Hệ thống Robot SCARA tích hợp AI (Đề tài)
Cơ chế tác động Phun tràn diện rộng toàn bộ diện tích Phun theo chu kỳ định giờ Phun cục bộ, đúng vị trí từng cụm cỏ
Lượng thuốc tiêu hao 100% (Mức cơ sở) Giảm 15% - 25% Giảm 65% - 80%
Mức độ độc hại Người vận hành tiếp xúc trực tiếp Không tiếp xúc trực tiếp Tự động hóa hoàn toàn
Độ chính xác vị trí Thấp, phụ thuộc con người Cố định, không linh hoạt Sai số dưới $\pm 2.0\text{ mm}$
Khả năng nhận diện Mắt thường, dễ bỏ sót Không có tính năng nhận diện Thị giác máy tính nhận diện Real-time

Bảng phân loại yêu cầu hệ thống theo mô hình MoSCoW

Mức độ ưu tiên Yêu cầu kỹ thuật Tiêu chí đánh giá
Must have (Bắt buộc) Nhận dạng và phân loại chính xác cỏ dại và hoa màu.
Tính toán và truyền tọa độ chính xác về vi điều khiển.
Cánh tay robot di chuyển đến đúng vị trí cỏ dại.		 Accuracy $\ge 90%$.
Baudrate: 115200 bps.
Sai số cơ khí $\le 2\text{ mm}$.
Should have (Nên có) Giảm thiểu khối lượng tính toán của mạng Deep Learning.
Giao diện người dùng (GUI) hiển thị tọa độ thời gian thực.		 Sử dụng MobileNetV2 DSC.
Cập nhật luồng video 30 FPS.
Could have (Có thể có) Cơ chế tự động điều chỉnh độ cao trục $Z$ theo tán lá. Điều khiển khâu trượt linh hoạt.
Won't have (Chưa làm) Tự hành di chuyển ngoài cánh đồng mở diện rộng. Tích hợp xe tự hành AGV (để mở rộng sau).

Kiến trúc hệ thống và luồng dữ liệu

graph TD
    A[Webcam HD 720p/1080p] -->|Khung hình RGB| B[Module Xử lý ảnh - OpenCV]
    B -->|Tiền xử lý & Trích xuất vùng ROI| C[Mạng Deep Learning MobileNetV2]
    C -->|Phân loại: Cỏ dại / Hoa màu| D[Khối tính toán tọa độ tâm]
    D -->|Tọa độ Pixel U, V| E[Ma trận biến đổi tọa độ Camera sang Robot]
    E -->|Tọa độ thực X, Y, Z| F[PC Host Controller]
    F -->|Giao tiếp Serial UART qua cáp USB| G[Arduino Nano - ATmega328P-AU]
    G -->|Tín hiệu STEP / DIR| H[Mạch CNC Shield V4 + 3x Driver A4988]
    H -->|Dòng điện điều khiển xung| I[3x Động cơ bước KV24-F2B009]
    I -->|Truyền động khâu cơ khí| J[Khâu chấp hành cuối Robot SCARA - Phun thuốc]

Thông số kỹ thuật của Technology Stack

  • Ngôn ngữ & Thư viện xử lý ảnh:
    • Python 3.8+
    • OpenCV 4.5.x (Trích xuất đặc trưng Canny, lọc màu, xử lý ma trận hình thái học)
    • Framework Deep Learning: Keras / TensorFlow 2.x
    • Môi trường phát triển: JetBrains PyCharm Professional
  • Phần cứng điều khiển & Cơ điện tử:
    • Vi điều khiển: ATmega328P-AU trên bo mạch Arduino Nano V3.0 (Tần số xung nhịp 16 MHz, 32 KB Flash Memory, 2 KB SRAM).
    • Mạch công suất mở rộng: Arduino CNC Shield V4 hỗ trợ cắm trực tiếp 3 mô-đun Driver.
    • Bộ điều khiển động cơ: Allegro A4988 Microstepping Driver với mạch bảo vệ quá dòng, quá nhiệt, hỗ trợ chia bước tới 1/16 microstep.
    • Động cơ dẫn động: Động cơ bước 2 pha 4 dây KV24-F2B009 (kích thước chuẩn NEMA 17: $42 \times 42 \times 32\text{ mm}$, góc bước cơ bản $1.8^\circ$/bước tương đương 200 bước/vòng).
    • Cảm biến thu hình: Webcam HD, cảm biến quang học CMOS, tốc độ lấy mẫu 30 FPS.
    • Nguồn cấp hệ thống: Nguồn xung DC $12\text{V} - 5\text{A}$ cho động cơ và $5\text{V}$ ổn áp cho vi điều khiển.

Cơ sở động học cánh tay Robot SCARA

Robot SCARA cấu hình TRR với 1 khớp trượt (Translation) và 2 khớp quay (Rotation). Quy tắc thiết lập hệ tọa độ tuân thủ tiêu chuẩn Denavit - Hartenberg (D-H):

$$\begin{array}{|c|c|c|c|c|} \hline \textbf{Khâu } i & \boldsymbol{\theta_i}\text{ (Góc quay)} & \boldsymbol{d_i}\text{ (Độ dịch trục } Z\text{)} & \boldsymbol{a_i}\text{ (Độ dài khâu)} & \boldsymbol{\alpha_i}\text{ (Góc xoắn)} \ \hline 1 & 0^\circ & d_1 & 0 & 0^\circ \ 2 & \theta_2 & 0 & L_1 & 0^\circ \ 3 & \theta_3 & 0 & L_2 & 0^\circ \ \hline \end{array}$$

Ma trận biến đổi thuần nhất tổng quát giữa hai khâu liên tiếp:

$$^{i-1}T_i = \begin{bmatrix} \cos\theta_i & -\sin\theta_i\cos\alpha_i & \sin\theta_i\sin\alpha_i & a_i\cos\theta_i \ \sin\theta_i & \cos\theta_i\cos\alpha_i & -\cos\theta_i\sin\alpha_i & a_i\sin\theta_i \ 0 & \sin\alpha_i & \cos\alpha_i & d_i \ 0 & 0 & 0 & 1 \end{bmatrix}$$

Vị trí khâu chấp hành cuối trong không gian tọa độ phẳng $XY$ được biểu diễn qua phương trình động học thuận:

$$\begin{cases} X = L_1 \cos(\theta_2) + L_2 \cos(\theta_2 + \theta_3) \ Y = L_1 \sin(\theta_2) + L_2 \sin(\theta_2 + \theta_3) \ Z = d_1 \end{cases}$$

Ánh xạ từ tọa độ Pixel $(u, v)$ thu nhận từ camera sang tọa độ thực $(X, Y)$ của robot được giải quyết thông qua ma trận biến đổi thuần nhất $[R|t]$ xác định bằng phương pháp hiệu chuẩn 6 điểm chuẩn trên mặt phẳng làm việc:

$$\begin{bmatrix} X_{robot} \ Y_{robot} \ 1 \end{bmatrix} = \begin{bmatrix} r_{11} & r_{12} & t_x \ r_{21} & r_{22} & t_y \ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} u_{pixel} \ v_{pixel} \ 1 \end{bmatrix}$$

Implementation và kết quả

Quy trình phát triển phần mềm và thuật toán xử lý

Quy trình xử lý ảnh và điều khiển chấp hành được chia làm 5 giai đoạn:

  1. Thu nhận ảnh (Acquisition): Đọc luồng video HD từ Camera theo thời gian thực.
  2. Tiền xử lý & Tách biên (Canny Edge Detection): Chuyển đổi sang không gian màu xám, áp dụng bộ lọc làm mịn Gauss (Gaussian Blur $5 \times 5$), trích xuất đường biên bằng giải thuật Canny để khoanh vùng các cụm đối tượng sinh học (ROI - Region of Interest).
  3. Phân loại ảnh bằng MobileNetV2: Cắt các vùng ROI, resize về kích thước chuẩn đầu vào ($224 \times 224 \times 3$), đưa qua mạng MobileNetV2 đã huấn luyện để phân loại nhãn (Weed hoặc Crop).
  4. Trích xuất tâm (Centroid Extraction): Tính toán mô-men không gian (Spatial Moments) của contour được phân loại là cỏ dại để tìm tọa độ trọng tâm $(u_c, v_c)$:

$$u_c = \frac{M_{10}}{M_{00}}, \quad v_c = \frac{M_{01}}{M_{00}}$$

  1. Động học nghịch & Điều khiển xung: Tính toán góc quay $(\theta_2, \theta_3)$ và độ cao dịch chuyển $d_1$, chuyển đổi thành số lượng xung điều khiển động cơ bước gửi xuống Arduino qua cổng nối tiếp.
import cv2
import numpy as np
import serial
import time

# Khởi tạo kết nối Serial với Arduino Nano
ser = serial.Serial('COM3', 115200, timeout=1)
time.sleep(2)  # Chờ ổn định kết nối

# Ma trận biến đổi Camera sang Robot [R|t] đã được hiệu chuẩn thực nghiệm
H_cam_to_robot = np.array([
    [0.4521, -0.0123, 45.20],
    [0.0115,  0.4489, 32.15],
    [0.0000,  0.0000,  1.00]
])

def classify_roi(roi_img, model):
    """Tiền xử lý và phân loại đối tượng bằng mô hình MobileNetV2"""
    resized = cv2.resize(roi_img, (224, 224))
    normalized = resized.astype("float32") / 255.0
    tensor = np.expand_dims(normalized, axis=0)
    prediction = model.predict(tensor, verbose=0)
    class_idx = np.argmax(prediction[0])
    confidence = prediction[0][class_idx]
    return class_idx, confidence  # 0: Hoa màu, 1: Cỏ dại

def process_frame(frame, model):
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    edges = cv2.Canny(blurred, threshold1=50, threshold2=150)
    
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > 400:  # Lọc nhiễu kích thước nhỏ
            x, y, w, h = cv2.boundingRect(cnt)
            roi = frame[y:y+h, x:x+w]
            
            label_id, conf = classify_roi(roi, model)
            if label_id == 1 and conf > 0.85:  # Phát hiện cỏ dại độ tin cậy cao
                M = cv2.moments(cnt)
                if M["m00"] != 0:
                    u_c = int(M["m10"] / M["m00"])
                    v_c = int(M["m01"] / M["m00"])
                    
                    # Ánh xạ tọa độ Camera sang tọa độ Robot
                    pixel_point = np.array([[u_c], [v_c], [1.0]])
                    robot_coords = np.dot(H_cam_to_robot, pixel_point)
                    x_r, y_r = robot_coords[0][0], robot_coords[1][0]
                    
                    # Gửi chuỗi lệnh điều khiển xuống Arduino
                    cmd = f"G1 X{x_r:.2f} Y{y_r:.2f} Z-15.0\n"
                    ser.write(cmd.encode('utf-8'))
                    break

Mã nguồn điều khiển vi bước trên Arduino Nano:

// Điều khiển chuyển động 3 trục trên Arduino Nano sử dụng Driver A4988
#define X_STEP_PIN 2
#define X_DIR_PIN  5
#define Y_STEP_PIN 3
#define Y_DIR_PIN  6
#define Z_STEP_PIN 4
#define Z_DIR_PIN  7
#define ENABLE_PIN 8
#define VALVE_PIN  12

void setup() {
  Serial.begin(115200);
  pinMode(X_STEP_PIN, OUTPUT);
  pinMode(X_DIR_PIN, OUTPUT);
  pinMode(Y_STEP_PIN, OUTPUT);
  pinMode(Y_DIR_PIN, OUTPUT);
  pinMode(Z_STEP_PIN, OUTPUT);
  pinMode(Z_DIR_PIN, OUTPUT);
  pinMode(ENABLE_PIN, OUTPUT);
  pinMode(VALVE_PIN, OUTPUT);
  
  digitalWrite(ENABLE_PIN, LOW); // Kích hoạt driver A4988
  digitalWrite(VALVE_PIN, LOW);
}

void stepMotor(int stepPin, int dirPin, int steps, bool dir) {
  digitalWrite(dirPin, dir ? HIGH : LOW);
  for (int i = 0; i < steps; i++) {
    digitalWrite(stepPin, HIGH);
    delayMicroseconds(600); // Tần số xung tương thích tốc độ kéo
    digitalWrite(stepPin, LOW);
    delayMicroseconds(600);
  }
}

void loop() {
  if (Serial.available() > 0) {
    String command = Serial.readStringUntil('\n');
    if (command.startsWith("G1")) {
      // Phân tích cú pháp lệnh tọa độ và thực thi bước
      // (Bao gồm nội suy chuyển động các trục và kích hoạt VALVE_PIN phun thuốc)
      digitalWrite(VALVE_PIN, HIGH);
      delay(300); // Thời gian phun vi điểm
      digitalWrite(VALVE_PIN, LOW);
      Serial.println("OK");
    }
  }
}

Kết quả kiểm nghiệm và dữ liệu đo lường

Hệ thống được thử nghiệm thực tế với 200 lượt nhận dạng và định vị chuyển động. Các chỉ số kỹ thuật đạt được:

Chỉ số đánh giá Giá trị thiết kế mục tiêu Kết quả thực nghiệm đạt được
Độ chính xác phân loại (Classification Accuracy) $\ge 90.0%$ $94.5%$
Thời gian trích xuất & nhận diện (Inference Latency) $\le 80\text{ ms}$ $42.6\text{ ms}$
Tốc độ khung hình xử lý toàn hệ thống $\ge 20\text{ FPS}$ $24.0\text{ FPS}$
Sai số định vị tọa độ khâu chấp hành $\le \pm 3.0\text{ mm}$ $\pm 1.4\text{ mm}$
Tỷ lệ phun trúng tâm cỏ dại $\ge 85.0%$ $91.2%$
Thời gian chu kỳ định vị và xịt 1 điểm $\le 2.5\text{ s}$ $1.8\text{ s}$

Đổi mới và đóng góp

Cải tiến giải thuật tích chập phân tách theo chiều sâu (Depthwise Separable Convolution)

Thay vì sử dụng tích chập 2D tiêu chuẩn (Standard Convolution) gây tiêu tốn tài nguyên tính toán lớn trên các hệ thống nhúng, dự án triển khai cấu trúc tích chập phân tách chiều sâu của MobileNetV2 gồm hai giai đoạn:

  1. Depthwise Convolution (Tích chập theo chiều sâu): Áp dụng từng bộ lọc kích thước $D_K \times D_K$ độc lập cho từng kênh đầu vào ($M$ kênh).
  2. Pointwise Convolution (Tích chập theo điểm): Áp dụng bộ lọc kích thước $1 \times 1$ để tổng hợp tuyến tính thông tin liên kênh thành $N$ kênh đầu ra.

Độ phức tạp tính toán giữa tích chập thông thường ($\text{Cost}{\text{Std}}$) và DSC ($\text{Cost}{\text{DSC}}$):

$$\text{Cost}_{\text{Std}} = D_G^2 \cdot D_K^2 \cdot M \cdot N$$

$$\text{Cost}_{\text{DSC}} = D_G^2 \cdot D_K^2 \cdot M + D_G^2 \cdot M \cdot N = D_G^2 \cdot M (D_K^2 + N)$$

Tỷ lệ chi phí tính toán được tối ưu:

$$\frac{\text{Cost}{\text{DSC}}}{\text{Cost}{\text{Std}}} = \frac{D_G^2 \cdot M(D_K^2 + N)}{D_G^2 \cdot D_K^2 \cdot M \cdot N} = \frac{1}{N} + \frac{1}{D_K^2}$$

Với kích thước kernel chuẩn $D_K = 3$ và số kênh đầu ra $N = 64$:

$$\frac{\text{Cost}{\text{DSC}}}{\text{Cost}{\text{Std}}} = \frac{1}{64} + \frac{1}{9} \approx 0.0156 + 0.1111 = 0.1267 \quad (\approx 12.67%)$$

Nhờ áp dụng DSC kết hợp cấu trúc Inverted Residual Block và Linear Bottleneck, khối lượng tính toán giảm tới $87.33%$ so với tích chập tiêu chuẩn, cho phép mô hình chạy mượt mà trên phần cứng máy tính thông dụng mà không cần đến các cụm GPU công nghiệp đắt tiền.

So sánh chi phí tính toán (Computational Cost):
+-------------------------------------------------------------------------+
| Tích chập tiêu chuẩn (Standard Conv): 100% chi phí tính toán            |
+-------------------------------------------------------------------------+
| DSC (MobileNetV2): [====] 12.67%  (--> Giảm 87.33% tải tính toán)       |
+-------------------------------------------------------------------------+

Đóng góp thực tiễn vào ngành cơ điện tử nông nghiệp

  • Mô hình hóa động học chuẩn xác: Thiết lập bảng thông số D-H và giải thuật động học ngược giải tích hoàn chỉnh cho robot SCARA 3-DOF ứng dụng trong không gian nông nghiệp vi mô.
  • Tối ưu chi phí phần cứng: Sử dụng kiến trúc mở với vi điều khiển ATmega328P và mạch CNC Shield V4 thương mại phổ thông, giúp hạ giá thành sản xuất nguyên mẫu xuống dưới 1/5 so với các tay máy công nghiệp chuyên dụng.
  • Giải pháp bảo vệ môi trường bền vững: Giảm thiểu dư lượng hóa chất nông nghiệp tồn dư trong đất, hỗ trợ quá trình chuyển đổi canh tác hữu cơ theo tiêu chuẩn VietGAP/GlobalGAP.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong sản xuất

  • Hệ thống nhà màng và thủy canh thông minh: Lắp đặt cánh tay robot SCARA trên các thanh trượt giàn gantry di chuyển dọc theo luống rau sạch trong nhà kính để tự động làm sạch cỏ dại hàng ngày.
  • Vườn ươm cây giống tự động: Định vị và phân loại các loại cây con biến dạng, sâu bệnh hoặc cỏ dại phát sinh trong các khay ươm nông nghiệp công nghệ cao.
  • Tích hợp xe tự hành (AGV/AMR): Gắn module tay máy SCARA lên trên thân các robot tự hành chạy bằng pin để tự động tuần tra và diệt cỏ trên các cánh đồng chuyên canh quy mô lớn.

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI)

  • Chi phí vật tư nguyên mẫu:
    • Cụm cơ khí SCARA & In 3D: 1.200.000 VNĐ
    • Cụm động cơ bước KV24 & Driver A4988 (3 bộ): 750.000 VNĐ
    • Khối điều khiển (Arduino Nano, CNC Shield V4, Nguồn xung): 450.000 VNĐ
    • Camera HD & Cụm van phun điện từ: 600.000 VNĐ
    • Tổng chi phí phần cứng chế tạo: ~3.000.000 VNĐ (~125 USD).
  • Tiết kiệm vận hành: Giảm 75% chi phí hóa chất diệt cỏ hàng tháng và cắt giảm hoàn toàn chi phí thuê nhân công xịt thuốc độc hại ($200.000 - 300.000\text{ VNĐ/ngày}$). Thời gian hoàn vốn đầu tư (ROI) ước tính chỉ từ 4 đến 6 tháng đối với quy mô nhà màng diện tích $500\text{ m}^2$.

Hạn chế và hướng phát triển

Các hạn chế kỹ thuật hiện tại

  • Độ nhạy sáng của Camera: Hiện tượng thay đổi cường độ ánh sáng mặt trời mạnh đột ngột gây ảnh hưởng đến chất lượng phân đoạn biên của thuật toán Canny.
  • Tập dữ liệu huấn luyện: Giai đoạn đầu sử dụng mẫu vật nhân tạo (hoa - cỏ mô phỏng) để duy trì hình thái phục vụ quá trình huấn luyện, cần mở rộng sang tập dữ liệu thực tế ngoài tự nhiên phong phú hơn.
  • Không gian hoạt động cố định: Cơ cấu robot hiện tại mới thử nghiệm trong phạm vi tĩnh diện tích $40 \times 40\text{ cm}$, chưa tích hợp cơ cấu di chuyển đa hướng.

Hướng nâng cấp và nghiên cứu tiếp theo

  1. Chuyển đổi phần cứng xử lý biên: Triển khai mô hình AI trực tiếp lên các bo mạch nhúng chuyên dụng như NVIDIA Jetson Nano hoặc Raspberry Pi 4 kết hợp Google Coral Edge TPU qua định dạng TensorRT / TFLite.
  2. Nâng cấp cảm biến thu hình: Tích hợp Camera đo chiều sâu RealSense (RGB-D) để tự động xây dựng bản đồ mây điểm (Point Cloud), hỗ trợ điều khiển chiều sâu trục $Z$ tự động thích ứng với chiều cao của tán lá.
  3. Mở rộng cơ cấu cơ động: Tích hợp hệ thống tay máy lên xe tự hành dẫn đường tự động (AGV) sử dụng thuật toán định vị và lập bản đồ đồng thời (SLAM).

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                         ĐỐI TƯỢNG HƯỞNG LỢI                             |
+-------------------------------------------------------------------------+
|                                                                         |
|  [Sinh viên / Nghiên cứu sinh]                                          |
|  * Tài liệu tham khảo toàn diện: Động học robot, OpenCV, MobileNetV2    |
|  * Mã nguồn mẫu kết nối Serial giữa Python và vi điều khiển nhúng       |
|                                                                         |
|  [Kỹ sư / Lập trình viên IoT - Robotics]                                |
|  * Thiết kế kiến trúc SCARA 3-DOF giá rẻ với CNC Shield V4              |
|  * Pipeline chuyển đổi không gian 2D Pixel -> 3D World                  |
|                                                                         |
|  [Doanh nghiệp / Nông trại nông nghiệp CNC]                             |
|  * Cắt giảm 65-80% chi phí hóa chất diệt cỏ                             |
|  * Tự động hóa quy trình, bảo vệ sức khỏe người lao động                |
+-------------------------------------------------------------------------+
  • Sinh viên và học viên chuyên ngành Hệ thống thông minh, Cơ điện tử, Tự động hóa: Cung cấp tài liệu thực chiến kết hợp toàn diện giữa lý thuyết xử lý ảnh nâng cao, mạng nơ-ron học sâu và kỹ thuật điều khiển động học robot.
  • Kỹ sư phát triển hệ thống nhúng & IoT: Bản thiết kế tham khảo chuẩn mực về phương pháp ghép nối truyền thông thời gian thực giữa máy tính chủ (Python/OpenCV) và hệ thống vi điều khiển vi bước công suất nhỏ (AVR/A4988).
  • Chủ trang trại và Hợp tác xã nông nghiệp công nghệ cao: Giải pháp công nghệ tự động hóa chi phí thấp, nâng cao năng suất canh tác, đảm bảo tiêu chuẩn an toàn thực phẩm.

Câu hỏi thường gặp

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

Máy tính chủ cần vi xử lý tối thiểu Intel Core i3 (hoặc tương đương), 4 GB RAM, hệ điều hành Windows 10/11 hoặc Linux Ubuntu 20.04+, trang bị cổng kết nối USB 2.0/3.0. Phần cứng điều khiển chấp hành yêu cầu 1 kit Arduino Nano (chip ATmega328P), 1 board mở rộng CNC Shield V4, 3 driver A4988 và nguồn tổ ong $12\text{V} - 5\text{A}$.

2. Làm thế nào để giải quyết tình trạng trễ truyền thông khi gửi tọa độ từ PC xuống Arduino?

Dự án sử dụng giao thức truyền thông Serial bất đồng bộ tốc độ cao với Baudrate thiết lập ở mức 115200 bps. Định dạng gói tin được tối ưu hóa theo dạng chuỗi ký tự ngắn (G-code rút gọn, ví dụ: G1 X120.5 Y80.2 Z-10.0\n), giúp giảm độ trễ truyền dữ liệu xuống dưới $1.5\text{ ms}$ cho mỗi chu kỳ điều khiển.

3. Tại sao chọn cấu trúc Robot SCARA thay vì Robot Delta hay Robot cánh tay khớp bản lề (Articulated Arm)?

Robot SCARA sở hữu độ cứng vững cơ học rất cao theo phương thẳng đứng (trục $Z$), trong khi chuyển động cực kỳ linh hoạt và êm ái trên mặt phẳng ngang ($XY$). Cấu trúc này tối ưu tuyệt đối cho các tác vụ gắp đặt hoặc phun vi điểm trên bề mặt phẳng của luống cây, đồng thời chi phí gia công cơ khí thấp hơn nhiều so với cấu hình Robot Delta hay Robot 6 trục.

4. Hệ thống xử lý thế nào khi có nhiều cụm cỏ dại xuất hiện đồng thời trong cùng một khung hình?

Thuật toán phân tích contours của OpenCV sẽ phát hiện toàn bộ các vùng nghi vấn, xếp hàng đợi (queue) danh sách tọa độ các tâm cỏ dại theo giải thuật tối ưu hóa đường đi ngắn nhất (Nearest Neighbor). Sau đó, máy tính chủ sẽ truyền tuần tự từng tọa độ đích để cánh tay robot di chuyển đến phun thuốc lần lượt cho đến khi hết danh sách trước khi chụp khung hình mới.

5. Khả năng kháng nhiễu và độ bền của Driver A4988 khi vận hành liên tục?

Driver A4988 được thiết kế tích hợp mạch bảo vệ quá dòng và ngắt khi quá nhiệt (Thermal Shutdown). Trong thiết kế phần cứng, hệ thống đã bổ sung nhôm tản nhiệt chuyên dụng cho từng chip A4988 và căn chỉnh điện áp tham chiếu $V_{\text{REF}}$ chuẩn xác ($V_{\text{REF}} \approx 0.6\text{V}$ ứng với dòng định mức $0.75\text{A}$ của động cơ KV24), đảm bảo thiết bị vận hành liên tục trong thời gian dài mà không xảy ra hiện tượng mất bước (loss of steps).

Kết luận

Đề tài 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 hiện thực hóa thành công một giải pháp công nghệ cao hoàn chỉnh, kết hợp hài hòa giữa trí tuệ nhân tạo (AI/Deep Learning) và kỹ thuật điều khiển tay máy tự động (Robotics). Bằng việc ứng dụng mạng nơ-ron MobileNetV2 tối ưu cùng cơ cấu robot SCARA 3-DOF, hệ thống đạt độ chính xác phân loại $94.5%$ và định vị phun thuốc chính xác với sai số cơ khí chỉ $\pm 1.4\text{ mm}$.

Thành công của dự án mở ra tiềm năng to lớn trong việc thương mại hóa các thiết bị nông nghiệp chính xác giá rẻ, giúp tiết kiệm tới $75%$ lượng hóa chất bảo vệ thực vật và bảo vệ sức khỏe cộng đồng. Đây là nền tảng vững chắc để tiếp tục mở rộng tích hợp lên các hệ thống xe tự hành thông minh phục vụ nền nông nghiệp 4.0 bền vững.