Giới thiệu dự án

Trong bối cảnh ngành chăn nuôi công nghiệp đang hướng tới tự động hóa và chăn nuôi chính xác (Precision Livestock Farming - PLF), việc giám sát sức khỏe đàn vật nuôi theo thời gian thực đóng vai trò sống còn. Theo các thống kê dịch tễ thú y, các bệnh truyền nhiễm nguy hiểm ở lợn như Dịch tả lợn (Classical Swine Fever - CSF), Tụ huyết trùng (Pasteurellosis), Phó thương hàn (Salmonellosis) và Đóng dấu lợn (Swine Erysipelas) — thường được gọi chung là nhóm "bệnh đỏ" — gây thiệt hại kinh tế hàng nghìn tỷ đồng mỗi năm. Tỷ lệ tử vong ở lợn con do hạ thân nhiệt và nhiễm bệnh trong 48 giờ đầu sau sinh có thể lên tới 18% – 35%, trong đó các cá thể xuất hiện triệu chứng run rẩy có tỷ lệ chết lên đến 34%.

+-------------------------------------------------------------------------+
|                  VẤN ĐỀ TRONG GIÁM SÁT THÂN NHIỆT TRUYỀN THỐNG          |
+-------------------------------------------------------------------------+
| [Đo trực tiếp/Xâm lấn] ---> Gây hoảng loạn/Stress ---> Tăng Cortisol    |
|                           ---> Nguy cơ lây nhiễm chéo giữa các chuồng   |
|                           ---> Tốn nhân công, không đo liên tục 24/7    |
+-------------------------------------------------------------------------+
                                    |
                                    v
+-------------------------------------------------------------------------+
|             GIẢI PHÁP: CAMERA ẢNH NHIỆT + COMPUTER VISION + IOT         |
+-------------------------------------------------------------------------+
| [Ảnh nhiệt hồng ngoại] ---> [Thuật toán OpenCV] ---> [Cảnh báo Blynk]  |
| - Không tiếp xúc (Non-invasive)                                         |
| - Định vị tọa độ điểm cực nhiệt (Hotspot Localization)                  |
| - Giám sát từ xa & Cảnh báo tức thời qua Mobile App                     |
+-------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Các phương pháp chẩn đoán lâm sàng truyền thống (quan sát ngoại hình, sờ nắn, gõ, nghe và dùng nhiệt kế trực tràng) bộc lộ nhiều điểm hạn chế nghiêm trọng:

  • Gây stress cấp tính: Việc bắt giữ, cố định và cắm que đo trực tràng kích thích tuyến thượng thận tiết hormone cortisol, làm biến đổi các chỉ số sinh hóa và làm trầm trọng thêm tình trạng bệnh lý.
  • Nguy cơ lây nhiễm chéo: Dụng cụ đo tiếp xúc trực tiếp giữa các cá thể là vector lan truyền mầm bệnh nguy hiểm trong toàn trại.
  • Độ trễ cao: Không thể phát hiện sớm các ổ viêm cục bộ (tai, cổ, lưng, bụng) trước khi triệu chứng lâm sàng toàn thân bùng phát.

Mục tiêu dự án

  1. Nghiên cứu nguyên lý bức xạ nhiệt hồng ngoại và cơ chế biến đổi thân nhiệt cục bộ trên cơ thể lợn nuôi.
  2. Xây dựng phần mềm xử lý ảnh nhiệt ứng dụng thư viện OpenCV trên nền tảng ngôn ngữ Python để tự động nhận dạng, khoanh vùng tọa độ vùng nhiệt bất thường.
  3. Giải thuật nội suy và tính toán chính xác giá trị nhiệt độ cao nhất ($T_{\max}$) trên bề mặt da với sai số tuyệt đối $\Delta T \le 0.5^\circ\text{C}$.
  4. Tích hợp module phần cứng IoT (ESP8266/Raspberry Pi) và nền tảng đám mây Blynk để truyền dữ liệu hình ảnh, gửi cảnh báo tức thời tới người quản trị trang trại.

Phương pháp tiếp cận và Phạm vi nghiên cứu

  • Giải pháp: Sử dụng camera ảnh nhiệt chuyên dụng (FLIR TG267) kết hợp xử lý thị giác máy tính biên (Edge Vision Computing) trên bo mạch Raspberry Pi và truyền nhận vi điều khiển ESP8266.
  • Phạm vi: Tập trung vào các vùng phát xạ nhiệt nhạy cảm trên cơ thể lợn (tai, mắt, cổ, lưng, bụng) và kết hợp mã định danh QR trên tai để nhận diện chính xác cá thể nhiễm bệnh tại trại thực nghiệm thuộc Học viện Nông nghiệp Việt Nam.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay, các giải pháp đo thân nhiệt cho gia súc phân thành hai nhóm chính: phương pháp tiếp xúc vật lý và phương pháp đo bức xạ không tiếp xúc.

Tiêu chí so sánh Đo nhiệt kế tiếp xúc (Trực tràng/Dưới da) Cảm biến cấy ghép sinh học (Implantable Sensor) Hệ thống Camera ảnh nhiệt + OpenCV (Giải pháp đề xuất)
Mức độ xâm lấn Xâm lấn trực tiếp, gây đau và stress Xâm lấn cao (phẫu thuật cấy ghép viên nang) Hoàn toàn không xâm lấn (Non-contact)
Độ trễ cảnh báo Rất cao (chỉ đo định kỳ theo ca) Thấp (truyền telemetry liên tục) Thời gian thực ($< 1.5\text{ giây}$)
Khả năng định vị viêm Không (chỉ đo nhiệt độ một điểm) Cục bộ tại vị trí cấy ghép Định vị chính xác tọa độ $(X, Y)$ mọi vùng da
Nguy cơ đào thải/Nhiễm trùng Nguy cơ lây nhiễm chéo cao Nguy cơ đào thải mô sinh học, viêm mủ Tuyệt đối an toàn sinh học
Chi phí vận hành Tốn nhiều nhân công Chi phí linh kiện đắt, thay pin phức tạp Chi phí bảo trì thấp, độ bền thiết bị cao

Ma trận yêu cầu người dùng theo mô hình MoSCoW

  • Must Have (Bắt buộc): Chuyển đổi phổ màu nhiệt thành giá trị nhiệt độ chính xác; khoanh vùng Bounding Box vị trí tăng nhiệt; sai số $< 0.5^\circ\text{C}$; gửi thông báo qua Blynk.
  • Should Have (Nên có): Tích hợp quét mã QR trên tai để truy xuất số hiệu cá thể; hiển thị đồ thị phân bố nhiệt độ bề mặt theo thời gian.
  • Could Have (Có thể mở rộng): Lưu trữ lịch sử ảnh nhiệt vào cơ sở dữ liệu đám mây; tự động phân loại bệnh dựa trên vị trí sốt cục bộ.
  • Won't Have (Chưa thực hiện ở pha này): Phân tích video đa luồng đồng thời cho đàn lợn trên 100 con di chuyển nhanh.
+-----------------------------------------------------------------------------------+
|                           KIẾN TRÚC TỔNG THỂ HỆ THỐNG                             |
+-----------------------------------------------------------------------------------+
|  [FLIR TG267 Camera]                                                              |
|          | (Thermal Image Stream / USB / UVC)                                     |
|          v                                                                        |
|  [Bộ xử lý trung tâm: Raspberry Pi 4 / Python 3.8 + OpenCV 4.5]                    |
|     |---> Giai đoạn 1: Tiền xử lý (RGB to Grayscale / HSV Thresholding)          |
|     |---> Giai đoạn 2: Trích xuất đặc trưng & Phân vùng liên thông (Contour Ext.)|
|     |---> Giai đoạn 3: Ánh xạ đường đặc tính nhiệt ($T = f(\text{Pixel Intensity})$)   |
|     |---> Giai đoạn 4: Đóng khung tọa độ $(X, Y, W, H)$ & Tìm $T_{\max}$          |
|          |                                                                        |
|          | (Serial UART / Wi-Fi Socket)                                           |
|          v                                                                        |
|  [Module IoT: NodeMCU ESP8266]                                                    |
|          | (HTTPS / REST API / MQTT)                                              |
|          v                                                                        |
|  [Blynk Cloud Server] ---> [Ứng dụng Di động Blynk (iOS/Android)]                 |
|                            - Hiển thị giá trị $T_{\max}$                          |
|                            - Push Notification: "Phát hiện sốt tại Vùng Tai #03"  |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Danh mục công nghệ và Phần cứng (Technology Stack)

  • Camera ảnh nhiệt: FLIR TG267 (Cảm biến Uncooled Focal Plane Array - UFPA, thấu kính Germanium, dải đo $-25^\circ\text{C}$ đến $380^\circ\text{C}$, độ phân giải nhiệt $160 \times 120$ pixels, góc nhìn $57^\circ \times 44^\circ$).
  • Bo mạch xử lý biên (Edge Device): Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 1.5GHz, 4GB LPDDR4).
  • Module truyền thông IoT: ESP8266 NodeMCU v3 (Chuẩn Wi-Fi 802.11 b/g/n, điện áp 3.3V, tốc độ baud 115200 bps).
  • Môi trường phần mềm: Python v3.8.10, OpenCV Library v4.5.3, NumPy v1.20.2, Blynk C++ Library v1.0.1.

Thiết kế logic ánh xạ nhiệt độ (Calibration Curve Design)

Hệ thống sử dụng nguyên lý chuyển đổi bức xạ nhiệt thành ma trận số học. Năng lượng bức xạ hồng ngoại đơn vị ($E$) được cảm biến UFPA chuyển đổi qua bộ xử lý tín hiệu hình ảnh (ISP) và bộ xử lý tín hiệu số (DSP) để tạo thành tệp ảnh nhiệt màu (Color Palette Ironbow/Rainbow).

Phương trình chuyển đổi từ giá trị mức xám/cường độ màu điểm ảnh $I(x,y)$ sang giá trị nhiệt độ bề mặt $T(x,y)$:

$$T(x,y) = T_{\min} + \frac{I(x,y) - I_{\min}}{I_{\max} - I_{\min}} \times (T_{\max_scale} - T_{\min_scale})$$

Trong đó:

  • $I(x,y)$ là giá trị cường độ sáng tại tọa độ $(x,y)$ sau khi chuyển sang thang độ xám (Grayscale $0 - 255$).
  • $T_{\min_scale}, T_{\max_scale}$ lần lượt là ngưỡng nhiệt độ cài đặt dưới và trên của thang đo camera.

Implementation và kết quả

Development process

Quá trình phát triển hệ thống được tổ chức qua 4 giai đoạn logic khép kín:

  1. Thu nhận và chuẩn hóa dữ liệu: Thu nhận luồng ảnh nhiệt từ camera FLIR qua cổng giao tiếp UVC, lọc nhiễu dải cao bằng bộ lọc Gaussian Blur ($5 \times 5$).
  2. Phân đoạn ngưỡng và Tách biên: Tách các vùng có mức nhiệt vượt ngưỡng sinh lý bình thường ($> 39.5^\circ\text{C}$) bằng kỹ thuật phân ngưỡng nhị phân (Binary Thresholding) và tìm contour bao quanh.
  3. Định vị điểm cực nhiệt: Quét ma trận pixel bên trong contour để xác định tọa độ $(x_0, y_0)$ có giá trị $I(x_0, y_0) = I_{\max}$, từ đó nội suy ra $T_{\max}$.
  4. Truyền thông cảnh báo: Đóng gói bản tin JSON gồm {pig_id, max_temp, location_tag, timestamp} gửi qua UART sang ESP8266 đẩy lên Blynk Cloud.
import cv2
import numpy as np

def process_thermal_frame(image_path, temp_min=20.0, temp_max=45.0, fever_thresh=39.5):
    """
    Phân tích ảnh nhiệt, xác định vùng nhiệt độ bất thường và tìm điểm cực nhiệt T_max
    """
    # 1. Đọc ảnh nhiệt đầu vào (RGB)
    img_rgb = cv2.imread(image_path)
    if img_rgb is None:
        raise ValueError("Không thể đọc tệp ảnh nhiệt.")
        
    # 2. Chuyển đổi sang không gian màu xám (Grayscale 8-bit: 0 - 255)
    gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
    
    # 3. Lọc nhiễu bằng Gaussian Filter để loại bỏ điểm ảnh đột biến cục bộ
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 4. Tính toán ngưỡng nhị phân ứng với nhiệt độ sốt (fever_thresh)
    # Ánh xạ ngược từ nhiệt độ sang giá trị pixel mức xám: Pixel = ((T - T_min)/(T_max - T_min)) * 255
    pixel_fever_threshold = int(((fever_thresh - temp_min) / (temp_max - temp_min)) * 255)
    _, binary_thresh = cv2.threshold(blurred, pixel_fever_threshold, 255, cv2.THRESH_BINARY)
    
    # 5. Tìm các đường bao (Contours) của vùng nhiệt bất thường
    contours, _ = cv2.findContours(binary_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    detected_anomalies = []
    
    for cnt in contours:
        # Bỏ qua các vùng nhiễu diện tích quá nhỏ (< 50 pixels)
        if cv2.contourArea(cnt) < 50:
            continue
            
        # Lấy tọa độ Bounding Box
        x, y, w, h = cv2.boundingRect(cnt)
        roi_gray = blurred[y:y+h, x:x+w]
        
        # Tìm giá trị pixel cực đại trong vùng ROI
        min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(roi_gray)
        
        # Tính toán nhiệt độ T_max chính xác theo đường đặc tính
        t_max_calculated = temp_min + (max_val / 255.0) * (temp_max - temp_min)
        
        # Tọa độ thực của điểm cực nhiệt trên toàn khung ảnh
        hotspot_coords = (x + max_loc[0], y + max_loc[1])
        
        detected_anomalies.append({
            "bbox": (x, y, w, h),
            "hotspot_coords": hotspot_coords,
            "max_temp": round(t_max_calculated, 2)
        })
        
        # Vẽ khung Bounding Box và đánh dấu điểm nóng nhất
        cv2.rectangle(img_rgb, (x, y), (x + w, y + h), (0, 0, 255), 2)
        cv2.circle(img_rgb, hotspot_coords, 4, (0, 255, 255), -1)
        cv2.putText(img_rgb, f"HOT: {t_max_calculated:.1f}C", (x, y - 10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)
                    
    return img_rgb, detected_anomalies

Testing và validation

Quá trình kiểm thử thực nghiệm được tiến hành trên đàn lợn thịt và lợn nái tại trang trại thực nghiệm với 120 mẫu chụp ảnh nhiệt ở các cự ly từ $0.8\text{m}$ đến $2.5\text{m}$. Giá trị đối chứng chuẩn được đo bằng nhiệt kế điện tử tiếp xúc trực tràng chuyên dụng Microlife Vet.

+-------------------------------------------------------------------------+
|                ĐỒ THỊ SAI SỐ NHIỆT ĐỘ ĐO ĐƯỢC VS CHUẨN ĐỐI CHỨNG         |
+-------------------------------------------------------------------------+
| Thân nhiệt (°C)                                                         |
| 42.0 |                                                * (Nhiệt kế chuẩn)|
| 41.0 |                                       *   #   (Hệ thống đề xuất) |
| 40.0 |                              *   #                               |
| 39.0 |                     *   #                                        |
| 38.0 |            *   #                                                 |
| 37.0 |   *   #                                                          |
|      +-------------------------------------------------------------     |
|         Lợn 01   Lợn 02   Lợn 03   Lợn 04   Lợn 05   Lợn 06 (Mẫu thử)   |
|         [Sai số trung bình toàn hệ thống: Delta T = 0.28°C <= 0.5°C]    |
+-------------------------------------------------------------------------+
Vị trí giải phẫu trên cơ thể lợn Nhiệt độ chuẩn trực tràng ($^\circ\text{C}$) Nhiệt độ đo bằng phần mềm ($^\circ\text{C}$) Sai số tuyệt đối $\Delta T$ ($^\circ\text{C}$) Độ chính xác nhận diện vị trí (%)
Gốc tai & Chóp tai $39.8$ $39.5$ $0.3$ $96.5%$
Vùng mắt & Mặt $39.2$ $39.0$ $0.2$ $98.0%$
Lưng & Cột sống $40.5$ (Sốt cao) $40.1$ $0.4$ $94.2%$
Cổ họng $38.9$ $38.6$ $0.3$ $92.8%$
Bụng & Bẹn $40.2$ (Viêm nhiễm) $39.8$ $0.4$ $91.5%$
Trung bình toàn diện $39.72$ $39.40$ $0.32$ $94.6%$

Kết quả đạt được

  1. Hệ thống vận hành ổn định trên vi máy tính nhúng, tốc độ xử lý đạt $22\text{ fps}$ ở độ phân giải $640 \times 480$, độ trễ từ lúc camera chụp đến khi nhận tin nhắn cảnh báo trên smartphone qua Blynk là $1.2\text{ giây}$.
  2. Độ chính xác phát hiện vùng nhiệt bất thường đạt $94.6%$, hoàn toàn thỏa mãn yêu cầu kỹ thuật đề ra ($\Delta T \le 0.5^\circ\text{C}$).
  3. Giao diện ứng dụng Blynk hiển thị đầy đủ: hình ảnh trực quan, giá trị $T_{\max}$, trạng thái sức khỏe (Thấp / Bình thường / Sốt cao) và số hiệu tai lợn.

Đổi mới và đóng góp

  • Tự động hóa hoàn toàn chu trình chẩn đoán không tiếp xúc: Khác với các nghiên cứu trước đây chỉ dừng lại ở việc chụp ảnh thủ công và phân tích offline trên máy tính trạm, đề tài đã tích hợp thành công kiến trúc xử lý biên kết nối IoT thời gian thực.
  • Thuật toán phân lập điểm cực nhiệt thông minh: Kết hợp phân vùng nhị phân động dựa trên ngưỡng sinh học với quét ma trận cục bộ, loại bỏ hoàn toàn hiện tượng báo động giả do phản xạ nhiệt từ bóng đèn sưởi hoặc phân lợn trong chuồng.
  • Nâng cao hiệu suất chăn nuôi: Giảm $85%$ thời gian cần thiết để kiểm tra thân nhiệt toàn đàn so với đo que truyền thống; giảm $100%$ stress vật lý và hoàn toàn ngăn ngừa nguy cơ lây nhiễm chéo dịch tả lợn châu Phi (ASF) trong quá trình kiểm tra.
+---------------------------------------------------------------------------+
|               BẢNG SO SÁNH HIỆU QUẢ KINH TẾ - KỸ THUẬT                    |
+---------------------------------------------------------------------------+
| Chỉ số                      | Phương pháp truyền thống | Hệ thống đề tài  |
+-----------------------------+--------------------------+------------------+
| Thời gian kiểm tra 100 con  | 180 phút                 | 15 phút (-91.6%) |
| Nhân công yêu cầu           | 3 kỹ thuật viên thú y    | 1 giám sát viên  |
| Mức độ kích động của lợn    | Rất cao (chạy, kêu la)   | Bằng 0 (Tự nhiên)|
| Tỷ lệ phát hiện bệnh sớm    | < 60% (khi đã bỏ ăn)     | > 94% (giai đoạn |
|                             |                          | ủ bệnh/sốt nhẹ)  |
+---------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản triển khai tại trang trại thông minh (Smart Farm)

Hệ thống được thiết kế theo dạng module hóa để tích hợp linh hoạt vào hai vị trí trọng yếu trong quy trình chăn nuôi:

  1. Lối đi vào máng ăn tự động: Khi lợn di chuyển qua hành lang một chiều đến máng ăn, đầu đọc QR Code quét số tai đồng thời camera nhiệt chụp mặt phẳng lưng và đầu lợn. Nếu $T_{\max} \ge 39.8^\circ\text{C}$, cửa phân loại tự động gạt cá thể đó sang khu cách ly.
  2. Khu vực chuồng đẻ (Farrowing Crate): Giám sát liên tục lợn con mới sinh. Khi nhiệt độ bề mặt lợn con giảm xuống dưới $34.0^\circ\text{C}$ (nguy cơ hạ thân nhiệt tử vong), hệ thống tự động kích hoạt đèn sưởi hồng ngoại cục bộ và gửi thông báo khẩn cấp đến điện thoại kỹ sư trực trại.
+-----------------------------------------------------------------------+
|                 SƠ ĐỒ BỐ TRÍ THIẾT BỊ TẠI HÀNH LANG CÁCH LY           |
+-----------------------------------------------------------------------+
|                                                                       |
|   [Camera FLIR TG267] (Lắp trên cao 1.8m, góc nghiêng 45 độ)          |
|            |                                                          |
|            v  Chùm quét bức xạ nhiệt                                  |
|     =====================                                             |
|     |   Lợn đi qua      | ---> [Đầu quét mã QR tai]                   |
|     |  (Hành lang hẹp)  |                                             |
|     =====================                                             |
|            |                                                          |
|            +---> [Cửa phân loại tự động]                              |
|                     |                                                 |
|                     |---> [Khỏe mạnh] ---> Vào chuồng nuôi chung      |
|                     |---> [Sốt/Nhiệt cao] ---> Rẽ vào ô cách ly y tế  |
+-----------------------------------------------------------------------+

Phân tích chi phí và Khả năng mở rộng (Cost-Benefit & Scalability)

  • Chi phí đầu tư thiết bị (1 trạm giám sát): Khoảng 12 – 15 triệu VNĐ (bao gồm camera nhiệt mini FLIR/Lepton, Raspberry Pi, cảm biến và phụ kiện).
  • Thời gian hoàn vốn (ROI): Ước tính từ 8 – 12 tháng đối với trang trại quy mô 500 lợn thịt nhờ giảm tỷ lệ chết ở lợn con từ 5% xuống dưới 1.5% và phát hiện sớm dịch bệnh trước khi lây lan diện rộng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Nhiễu môi trường: Bức xạ mặt trời trực tiếp và độ ẩm chuồng nuôi $> 85%$ làm suy giảm độ chính xác của thấu kính hồng ngoại.
  • Hiện tượng che khuất (Occlusion): Khi lợn nằm đè lên nhau, camera chỉ ghi nhận được nhiệt độ lưng mà không quan sát được vùng bụng và bẹn.

Hướng phát triển tiếp theo

  • Tích hợp Deep Learning: Nâng cấp thuật toán OpenCV truyền thống lên mạng nơ-ron tích chập (YOLOv8-Pose / Mask R-CNN) để phân đoạn chính xác từng bộ phận giải phẫu (tai, mắt, khớp chân) ngay cả khi lợn đang di chuyển hỗn loạn.
  • Tự động cân bằng môi trường: Bổ sung cảm biến nhiệt độ - độ ẩm môi trường (DHT22) để tự động bù trừ sai số nhiệt phát xạ theo thời gian thực.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------+
|                       ĐỐI TƯỢNG HƯỞNG LỢI TRỰC TIẾP                      |
+--------------------------------------------------------------------------+
|  [Sinh viên / Nghiên cứu sinh]  --> Tài liệu mẫu về Computer Vision & IoT|
|  [Kỹ sư Lập trình Nhúng]        --> Source code xử lý ảnh + Blynk Cloud  |
|  [Chủ trang trại / Doanh nghiệp]--> Giải pháp giảm thiểu rủi ro dịch bệnh|
|  [Bác sĩ Thú y / Chuyên gia]    --> Dữ liệu biểu đồ nhiệt lâm sàng 24/7  |
+--------------------------------------------------------------------------+
  • Sinh viên & Giảng viên ngành Tự động hóa / Kỹ thuật Điện tử: Tiếp cận một đồ án mẫu mực về sự kết hợp giữa kỹ thuật xử lý ảnh nhiệt và IoT truyền thông công nghiệp.
  • Doanh nghiệp & Chủ trang trại chăn nuôi: Sở hữu giải pháp công nghệ giá thành thấp, dễ triển khai, giúp bảo vệ an toàn sinh học đàn lợn và nâng cao năng suất thịt.
  • Chuyên gia Thú y & Dịch tễ học: Có được công cụ thu thập dữ liệu sinh lý khách quan, phục vụ việc phân tích phác đồ điều trị và đánh giá hiệu lực của vaccine.

Câu hỏi thường gặp

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

Hệ thống yêu cầu tối thiểu một camera nhiệt có độ phân giải $160 \times 120$ pixels, hỗ trợ xuất hình ảnh qua giao tiếp UVC/SPI, bo mạch xử lý tương đương Raspberry Pi 3B+ (RAM tối thiểu 1GB), module Wi-Fi ESP8266 và kết nối Internet ổn định tại chuồng trại.

2. Camera nhiệt có bị ảnh hưởng bởi ánh sáng ban đêm hoặc khói bụi chuồng trại không?

Không. Camera ảnh nhiệt hoạt động dựa trên việc thu nhận bức xạ hồng ngoại do chính vật thể phát ra (bước sóng $8 - 14\mu\text{m}$), hoàn toàn không phụ thuộc vào nguồn sáng khả kiến. Hệ thống hoạt động chính xác trong bóng tối tuyệt đối, có khả năng xuyên qua lớp bụi mỏng và sương mù nhẹ.

3. Làm thế nào để tích hợp hệ thống với phần mềm quản lý trang trại ERP hiện có?

Module xử lý trung tâm có thể xuất dữ liệu qua giao thức chuẩn công nghiệp MQTT hoặc RESTful API JSON. Bất kỳ phần mềm ERP hoặc SCADA trang trại nào cũng có thể subscribe vào topic cảnh báo để lưu trữ dữ liệu và kích hoạt các cơ cấu chấp hành tự động.

4. Chi phí bảo dưỡng và hiệu chuẩn định kỳ hệ thống như thế nào?

Hệ thống không có bộ phận chuyển động cơ học nên độ bền rất cao. Thấu kính Germanium cần được vệ sinh bụi bẩn định kỳ 1 tháng/lần bằng cồn Isopropyl chuyên dụng. Việc hiệu chuẩn lại đường đặc tính nhiệt độ nên thực hiện 1 năm/lần bằng nguồn phát bức xạ chuẩn (Blackbody Calibrator).

5. Khả năng mở rộng hệ thống cho trang trại hàng nghìn con được thực hiện ra sao?

Kiến trúc phần mềm được thiết kế phân tán (Distributed Edge Architecture). Mỗi ô chuồng hoặc hành lang được gắn 1 cụm Edge Camera độc lập, tất cả cùng đẩy dữ liệu về một máy chủ trung tâm (Local Broker/Cloud Server) để tổng hợp báo cáo trên một Dashboard duy nhất mà không gây nghẽn băng thông.

Kết luận

Đề tài tốt nghiệp "Xây dựng phần mềm xác định vị trí có nhiệt độ tăng bất thường trên cơ thể lợn nuôi" do sinh viên Nguyễn Hữu Đạt thực hiện dưới sự hướng dẫn của TS. Nguyễn Thái Học (Khoa Cơ – Điện, Học viện Nông nghiệp Việt Nam) đã giải quyết trọn vẹn bài toán tự động hóa chẩn đoán thân nhiệt trong chăn nuôi hiện đại.

Bằng việc làm chủ công nghệ xử lý ảnh nhiệt OpenCV trên nền tảng nhúng kết hợp cảnh báo từ xa qua Blynk IoT, hệ thống đạt độ chính xác phát hiện vùng nhiệt bất thường $94.6%$ với sai số nhiệt độ $\Delta T \le 0.32^\circ\text{C}$. Đây là tiền đề công nghệ vững chắc, đóng góp thiết thực vào tiến trình chuyển đổi số ngành nông nghiệp và nâng cao năng lực kiểm soát dịch bệnh sinh học tại Việt Nam. Quý độc giả, kỹ sư và doanh nghiệp quan tâm có thể ứng dụng mã nguồn mở và kiến trúc đề tài để phát triển các hệ thống chăn nuôi thông minh toàn diện.