Chương 1 sẽ nêu lên vấn đề hiện nay của các trang trại nuôi trồng nấm. Đồng thời, chương này cũng sẽ nhấn mạnh tầm quan trọng của nhiệt độ trong nuôi trồng nấm bào ngư, và trình bày nguyên nhân và các giải pháp. Chương 2 sẽ giới thiệu về thiết bị biên, phần cứng, các mô hình học máy và thuật toán để triển khai ứng dụng. Chương 3 sẽ nói tổng quan về thiết kế hệ thống với mục đích nâng cao năng suất của nấm bào ngư, bao gồm các bước như thiết lập phần cứng để thu thập dữ liệu, quy trình chuẩn bị, lưu đồ thuật toán các mô hình học máy, cách lựa chọn các tham số để xây dựng mô hình và xây dựng ứng dụng cho người dùng.
Chương 4 sẽ đưa ra kết quả thực tế của các mô hình dựa theo các thang đo hoặc tiêu chí. Đặc biệt, chương này sẽ so sánh độ chính xác giữa các mô hình và đánh giá hiệu quả của nó rồi đưa ra mô hình tốt nhất sẽ sử dụng trong thực tế. Chương 5 sẽ là phần tổng kết và đưa ra những hướng phát triển tiềm năng cho đề tài nghiên cứu này. 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.
TỔNG QUAN THIẾT BỊ BIÊN 2. Giới thiệu thiết bị biên Thiết bị biên (Edge Device) đóng vai trò quan trọng trong hệ thống IoT bằng cách tạo liên kết giữa thế giới thực và công nghệ số. Đặc biệt thiết bị biên tích hợp xử lý nên có thể thực hiện các tác vụ xử lý dữ liệu ngay tại điểm thu thập, giúp giảm tải cho mạng. Thiết bị biên cũng được trang bị khả năng kết nối với các mạng như Wifi, Bluetooth, Zigbee hoặc các giao thức mạng di động.
Điều này cho phép nó truyền dữ liệu đến các thiết bị mạng, máy chủ hoặc Cloud để lưu trữ và xử lý dữ liệu. Ứng dụng thiết bị biên Trong đề tài này, Raspberry Pi được sử dụng như một thiết bị biên quan trọng mang lại nhiều ưu điểm cho hệ thống. Raspberry Pi, như một thiết bị biên, không chỉ giúp thu thập dữ liệu mà còn có khả năng xử lý dữ liệu tại chỗ. Điều này cho phép Raspberry Pi thực hiện các thuật toán phân tích và dự đoán nhiệt độ trong thời gian thực, mà không cần phải truyền dữ liệu lên một máy chủ từ xa.
Điều này tạo điều kiện cho việc đưa ra quyết định nhanh chóng và kịp thời dựa trên thông tin nhiệt độ hiện tại và dự đoán về nhiệt độ trong tương lai. Ngoài ra, thiết bị biên cũng giúp việc truyền dữ liệu thu thập được lên nền tảng điện toán đám mây để lưu trữ và sử dụng dữ liệu. Việc lưu trữ dữ liệu trên đám mây giúp dễ dàng truy cập và quản lý dữ liệu từ xa. TỔNG QUAN PHẦN CỨNG 2.
Raspberry Pi 4 Raspberry Pi là một thiết bị máy tính nhỏ gọn và thường được sử dụng trong phạm vi học tập hoặc nghiên cứu. Nó được thiết kế như một máy tính đầy đủ với tất cả các thành phần tích hợp bên trong với chip vi xử lý SoC của Raspberry Pi được cung cấp bởi Broadcom BCM2835 [2].1: Thiết bị Raspberry Pi 4 thực tế.2: Bản đồ chân Raspberry Pi 4.1: Thông số kỹ thuật Raspberry Pi 4 CPU Broadcom BCM2711, SoC 64-bit quad-core ARM Cortex-A72 RAM 4 GB Kết nối mạng Gigabit Ethernet Kết nối không dây Wi-Fi 802.0 Cổng USB 2 cổng USB 2.0 và 2 cổng USB 3.0 GPIO 40 chân GPIO Khe thẻ nhớ MicroSD Cổng HDMI 2 cổng Micro HDMI Cổng hiển thị MIPI DSI 2 làn Cổng camera MIPI CSI 2 làn Điện áp làm việc 5. Vi điều khiển ESP32 ESP32 là một mô-đun IoT và hệ thống điều khiển trên chip (SoC) của Espressif System. Nó được thiết kế để kế thừa và nâng cấp từ SoC ESP8266.
ESP32 có hai phiên bản, một là phiên bản lõi đơn và một là phiên bản lõi kép, đều được trang bị bộ xử lý 32-bit Xtensa LX6 của Tensilica cùng với tích hợp Wifi và Bluetooth. Điều đặc biệt là ESP32 sử dụng công nghệ 40nm, giúp tiết kiệm năng lượng.3: Thiết bị ESP32 thực tế.4: Sơ đồ khối chức năng ESP32.2: Thông số kỹ thuật ESP32. CPU Xtensa Dual-Core LX6 microprocessor 32 bit ROM 448 Kb RAM 520 Kb Giao tiếp không dây Wifi 802.2 Hỗ trợ giao tiếp UART, SPI, I2C, I2S và PWM GPIO 36 chân GPIO Điện áp làm việc 2.6V Nhiệt độ làm việc -40°C ÷ 85°C 2. Cảm biến DHT11 DHT11 là một loại cảm biến sử dụng để đo nhiệt độ và độ ẩm.
Cảm biến này đi kèm với một bộ chuyển đổi đặc biệt và một vi điều khiển 8-bit để truyền dữ liệu về nhiệt độ và độ ẩm dưới dạng dữ liệu liên tục [4].5: Thiết bị DHT11 thực tế.3: Thông số kỹ thuật DHT11 Điện áp làm việc 3V ÷ 5V (DC) Dải độ ẩm làm việc 20% ÷ 90% RH, sai số ±5%RH Dải nhiệt độ làm việc 0°C ÷ 50°C, sai số ±2°C Tần số lấy mẫu tối đa 1 Hz Khoảng cách truyền tối đa 20m 2. TẬP DỮ LIỆU HUẤN LUYỆN VÀ ĐÁNH GIÁ Tập dữ liệu nhiệt độ được thu thập theo từng giờ có thể được sử dụng để nghiên cứu và phân tích thời tiết, khí hậu, và các biến đổi nhiệt đới. Hiệu chuẩn dữ liệu: Để đảm bảo tính nhất quán và đáng tin cậy của tập dữ liệu nhiệt độ, cần thực hiện các quy trình hiệu chuẩn. Điều này bao gồm kiểm, xử lý các giá trị bất thường hoặc sai sót, và áp dụng các phương pháp thống kê để xác định các tham số như độ chính xác và độ tin cậy.
Tích hợp thời gian: Mỗi mẫu dữ liệu nhiệt độ trong tập dữ liệu đi kèm với thông tin thời gian được ghi lại theo đơn vị giờ, và được sử dụng để phân tích các xu hướng theo thời gian, chu kỳ và mô hình hóa dữ liệu. Phân tích thống kê: Tập dữ liệu nhiệt độ có thể được phân tích bằng các phương pháp thống kê để tìm hiểu các thông tin quan trọng như trung bình, phương sai, phân phối, tương quan và xu hướng theo thời gian. Các phân tích này giúp ta hiểu được biến đổi nhiệt độ và tìm ra các mô hình hoặc xu hướng tiềm năng. Dự báo và dự đoán: Dựa trên các dữ liệu nhiệt độ thu thập được theo từng giờ, có thể sử dụng các mô hình dự báo và dự đoán để ước lượng nhiệt độ trong tương lai.
Các mô hình này có thể dựa trên các phương pháp thống kê, học máy hoặc mạng nơ-ron để dự đoán xu hướng và biến đổi nhiệt độ. 10 Ứng dụng: Tập dữ liệu nhiệt độ theo từng giờ có thể được sử dụng trong nhiều lĩnh vực khác nhau. Ví dụ, trong lĩnh vực nông nghiệp, dữ liệu nhiệt độ có thể được sử dụng để dự đoán thời gian trồng trọt và thu hoạch cây trồng cũng như đưa ra những dự đoán trước để phòng ngừa. Tổng quan về Máy học Máy học là một lĩnh vực quan trọng trong trí tuệ nhân tạo, mục tiêu chính của Machine Learning là xây dựng các mô hình có khả năng tự động học và cải thiện khả năng dự đoán hoặc thực hiện tác vụ cụ thể nào đó.
Trong Machine Learning, dữ liệu được coi là tài nguyên và là đầu vào để mô hình học. Hầu hết các mô hình và thuật toán Machine Learning được áp dụng để phân tích và tìm ra các điểm đặc trưng, quy luật hoặc thông tin cốt lõi từ dữ liệu đó. Những mô hình này được huấn để hiểu và nhận biết các mối quan hệ phức tạp và tạo ra dự đoán, phân loại, phân cụm hoặc xử lý thông tin mới. Machine Learning đang là xu thế hiện nay với những ứng dụng phổ biến trong nhiều lĩnh vực khác nhau như nhận diện hình ảnh, xử lý ngôn ngữ, dự đoán tài chính, tự động hóa,.
Đặc điểm nổi bật của Machine Learning là khả năng tự động học và cải thiện hiệu suất dự đoán khi có dữ liệu mới. Tuy nhiên, triển khai Machine Learning không chỉ đòi hỏi kiến thức về các thuật toán mà còn yêu chuẩn bị dữ liệu, đánh giá và cải thiện mô hình để đạt được kết quả tốt nhất. Mô hình mạng học có giám sát Mô hình mạng học có giám sát là một dạng mô hình trong lĩnh vực học máy, trong đó dữ liệu huấn luyện được cung cấp kèm theo các nhãn hoặc thông tin giám sát. Mục tiêu chính là học từ các cặp dữ liệu đầu vào và nhãn đã được gán để dự đoán và phân loại các mẫu mới.
Một loại mô hình mạng học có giám thường thấy là mạng ANN. ANN được hình thành từ các đơn vị Neural kết nối với nhau thông qua các trọng số. Mô hình này học tập bằng cách điều chỉnh trọng số để tạo ra các dự đoán chính xác cho các mẫu mới. 11 Quá trình huấn luyện, học hỏi của mạng Neural có giám sát bao gồm hai giai đoạn chính: lan truyền ngược và lan truyền tiến.
Trong giai đoạn lan truyền tiến, đầu vào được truyền qua mạng và đi qua các lớp Neural để tạo ra đầu ra. Tiếp theo, tính toán sai số giữa đầu ra dự đoán và đầu ra thực tế. Trong giai đoạn lan truyền ngược, sai số tính toán từ lan truyền tiến được truyền ngược lại qua mạng để điều chỉnh các trọng số. Gradient Descent là phương pháp sử dụng để hiệu chỉnh trọng số, trong đó Gradient của hàm mất mát được tính toán và sử dụng để cập nhật các trọng số nhằm tối thiểu hóa hàm mất mát.
Mô hình mạng học không giám sát Mô hình mạng học không giám sát là một loại mạng nơ-ron trong lĩnh vực học máy, trong đó mục tiêu chính là học các cấu trúc, mẫu và đặc trưng ẩn trong dữ liệu mà không cần có nhãn giám sát. Điều này có nghĩa là không có sự can thiệp của con người để cung cấp thông tin phân loại hoặc gán nhãn cho dữ liệu đào tạo. Mạng học không giám sát thường được sử dụng để khám phá và tìm hiểu thông tin ẩn trong dữ liệu, phát hiện các cấu trúc ẩn, nhóm các mẫu tương tự hoặc tạo ra biểu diễn dữ liệu mới. Các mô hình này thường được áp dụng trong nhiều lĩnh vực, bao gồm xử lý ngôn ngữ tự nhiên, phân cụm dữ liệu, phát hiện bất thường, trích xuất thông tin và khám phá tri thức.
MÔ HÌNH THUẬT TOÁN ARIMA 2. Chuỗi thời gian Chuỗi thời gian là một dạng dữ liệu ghi lại các giá trị quan sát được theo thời gian một cách liên tục. Mỗi chuỗi thời gian có thể có theo xu hướng, theo chu kỳ, theo mùa và không theo quy tắc. Theo xu hướng, một chuỗi thời gian có thể giảm, tăng hoặc không giảm tăng trong một khoảng thời gian dài.