Giới thiệu dự án

Nuôi trồng nấm bào ngư (Pleurotus ostreatus) tại Việt Nam đang phát triển mạnh mẽ nhờ giá trị dinh dưỡng cao và tiềm năng kinh tế vượt trội. Tuy nhiên, sự sinh trưởng và năng suất của nấm phụ thuộc chặt chẽ vào các vi khí hậu nhà nấm, trong đó nhiệt độ là biến số quyết định. Theo các khảo sát thực nghiệm sinh học, nhiệt độ tối ưu cho sự hình thành và phát triển quả thể nấm bào ngư dao động nghiêm ngặt ở mức $28^\circ\text{C}$, duy trì sinh trưởng ổn định tại $24^\circ\text{C} - 32^\circ\text{C}$. Khi nhiệt độ vượt ngưỡng $36^\circ\text{C}$, tỷ lệ sống sót và phát triển sau 8 ngày cấy giống (Day After Inoculation - DAI) ghi nhận mức suy giảm nghiêm trọng về 0%.

Thực trạng tại phần lớn trang trại nông nghiệp quy mô vừa và nhỏ hiện nay là phương pháp giám sát thủ công hoặc sử dụng cảm biến ngưỡng cố định (Fixed-Threshold Alarms). Các hệ thống này bộc lộ nhiều điểm nghẽn:

  • Tính bị động: Chỉ cảnh báo khi nhiệt độ đã vượt ngưỡng nguy hiểm, không thể đón đầu các biến động thời tiết cực đoan.
  • Chi phí vận hành cao: Tốn công lao động thủ công ghi chép, dễ xảy ra sai sót dữ liệu.
  • Độ trễ xử lý (Latency) và phụ thuộc băng thông: Các giải pháp IoT truyền thống đẩy toàn bộ dữ liệu thô lên Cloud Server, dẫn đến rủi ro mất kết nối mạng và chi phí duy trì máy chủ liên tục.

Nhằm giải quyết triệt để các tồn tại trên, đề tài "Ứng dụng máy học thiết kế thiết bị biên để hỗ trợ đưa ra quyết định trong nuôi trồng nấm bào ngư" được thực hiện bởi nhóm nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (Khoa Đào tạo Chất lượng cao, Bộ môn Kỹ thuật Máy tính - Viễn thông). Đồ án tập trung nghiên cứu, thiết kế phần cứng và nhúng các mô hình Machine Learning (ML) trực tiếp lên thiết bị biên (Edge Device), cho phép dự báo biến động nhiệt độ chuỗi thời gian ngắn và dài hạn (lên đến 7 ngày), từ đó tự động đưa ra khuyến nghị can thiệp môi trường kịp thời.

Mục tiêu cụ thể của dự án:

  1. Nghiên cứu lý thuyết và thực nghiệm 6 mô hình học máy: ARIMA, SVM, HYBRID (ARIMA-SVM), Random Forest (RF), LSTM và mô hình kết hợp RF-LSTM trên tập dữ liệu chuỗi thời gian nhiệt độ nhà nấm.
  2. Tối ưu hóa siêu tham số (Hyperparameters) và đánh giá toàn diện mô hình dựa trên các chỉ số định lượng: MAE, RMSE, Hệ số xác định $R^2$, thời gian thực thi (Latency) và dung lượng bộ nhớ RAM tiêu thụ.
  3. Thiết kế hệ thống phần cứng IoT đa tầng gồm khối Node Sensor (ESP32 + DHT11) và khối Edge Processor (Raspberry Pi 4 Model B).
  4. Xây dựng giao thức truyền thông TCP/IP Socket hỗ trợ xử lý đa luồng (Multi-threading) và tích hợp cơ sở dữ liệu phân tán Cloud Firestore & Realtime Database.
  5. Phát triển ứng dụng di động đa nền tảng bằng React Native giúp trực quan hóa dữ liệu theo thời gian thực và tự động phát cảnh báo, hỗ trợ ra quyết định cho chủ trang trại.

Scope và phạm vi của đề tài tập trung vào việc giám sát và dự báo chu kỳ nhiệt độ thu thập định kỳ 6 phút/lần tại các nhà nấm thực nghiệm khu vực phía Nam Việt Nam.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát các giải pháp công nghệ hiện hữu trên thị trường và trong nghiên cứu học thuật cho thấy sự khác biệt rõ rệt giữa các thế hệ giám sát:

Tiêu chí Phương pháp thủ công truyền thống Giải pháp IoT dựa trên Cloud Giải pháp Edge AI (Đề tài đề xuất)
Cơ chế hoạt động Nhiệt kế cơ học, ghi chép sổ tay Gửi dữ liệu thô lên Cloud Server để tính toán Xử lý, suy luận ML cục bộ tại Gateway biên
Khả năng dự báo Không có (Hoàn toàn bị động) Phụ thuộc vào kết nối mạng và tài nguyên Cloud Dự báo chuỗi thời gian 7 ngày ngay tại biên
Độ trễ cảnh báo Rất cao (> vài giờ) Trung bình (phụ thuộc băng thông) Thời gian thực (< 1 giây tại chỗ)
Chi phí vận hành Chi phí nhân công định kỳ Phí thuê API/Server Cloud hàng tháng Tối ưu chi phí phần cứng một lần
Khả năng tự trị Phụ thuộc 100% con người Mất kết nối Internet sẽ ngừng hoạt động Hoạt động độc lập ngoại tuyến liên tục

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW):

  • Must Have (Bắt buộc): Thu thập dữ liệu nhiệt độ chu kỳ 6 phút với độ chính xác cao; Thuật toán Machine Learning dự báo chuỗi thời gian ổn định; Hệ thống Socket TCP/IP Client-Server đa luồng; Ứng dụng di động hiển thị thông báo khẩn cấp khi nhiệt độ vượt ngưỡng $28^\circ\text{C} \pm 4^\circ\text{C}$.
  • Should Have (Nên có): Cơ chế tiền xử lý dữ liệu tự động (Stationary check bằng Augmented Dickey-Fuller, Differencing, Log transform, Zero-Base, MinMaxScaler); Đồng bộ dữ liệu lịch sử lên Firestore Database và dự báo lên Realtime Database.
  • Could Have (Có thể có): Mô hình kết hợp phức hợp RF-LSTM nhằm khai thác tối đa tương quan không gian - thời gian; Biểu đồ trực quan hóa dữ liệu theo từng ngày trong tuần.
  • Won't Have (Chưa thực hiện): Tích hợp bộ điều khiển truyền động tự động (Actuator) đóng/mở van phun sương hoặc điều hòa công nghiệp (sẽ phát triển ở pha mở rộng).

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống được chia thành 4 phân lớp kết nối chặt chẽ:

[Khối Cảm Biến (Node Sensor)]
   ESP32 + DHT11 (Chu kỳ 6 phút)
[Khối Xử Lý Biên (Edge Processor)]
   Raspberry Pi 4 Model B (Broadcom BCM2711, 4GB RAM)
   - Multi-threaded Socket Server
   - Preprocessing Engine (ADF Test, Log/Diff, Scaling)
   - Inference ML Models (ARIMA, SVM, RF, LSTM, Hybrids)
[Khối Lưu Trữ & Điện Toán Đám Mây (Cloud Layer)]
   - Cloud Firestore: Lưu trữ lịch sử (Database -> Day Doc -> Hourly Fields: 0h-23h)
   - Realtime Database: Đồng bộ tức thì (Actual: Temp | Predict: 7-day Forecaster)
[Khối Người Dùng Cuối (Client Interface)]
   Mobile App (React Native - TSX Engine) -> Push Notification & Analytics UI

Technology Stack và Thông số phiên bản:

  • Edge Gateway: Raspberry Pi 4 Model B (Quad-core ARM Cortex-A72 @ 1.5GHz, 4GB LPDDR4-3200 SDRAM, Raspberry Pi OS 64-bit).
  • Node Sensor: Vi điều khiển ESP32 Tensilica Xtensa Dual-Core 32-bit LX6 @ 240MHz, 520KB SRAM, 448KB ROM, Wi-Fi 802.11 b/g/n, điện áp hoạt động 2.6V - 3.6V.
  • Sensing Component: Cảm biến DHT11 (Dải đo nhiệt độ $0^\circ\text{C} - 50^\circ\text{C}$, sai số $\pm 2^\circ\text{C}$; độ ẩm 20% - 90% RH $\pm 5%$, tần số lấy mẫu 1Hz).
  • Backend & ML Core: Python 3.9, Scikit-learn v1.2, TensorFlow/Keras v2.11, Statsmodels v0.13, Pandas, NumPy.
  • Cloud Infrastructure: Firebase Cloud Firestore & Firebase Realtime Database.
  • Frontend Framework: React Native 0.71, TypeScript (TSX), React Navigation v6.

Thiết kế Database:

  1. Firestore Database (Lưu trữ lịch sử dài hạn phục vụ Retraining):
    • Collection: Database
    • Document ID: YYYY-MM-DD (Ví dụ: 2023-07-15)
    • Fields: Các khóa biểu thị giờ trong ngày từ "0h": 26.5 đến "23h": 27.8.
  2. Realtime Database (Đồng bộ tức thì cho giao diện Mobile):
    • Node /Actual: Lưu trữ giá trị đo tức thời {"Temperature": 28.2, "Timestamp": 1689405600}.
    • Node /Predict: Lưu trữ mảng dự báo 7 ngày tiếp theo theo từng khung giờ {"2023-07-16_14h": 29.1, ...}.

Methodology

Dự án áp dụng mô hình phát triển phần mềm lặp Agile/Scrum kết hợp quy trình chuẩn CRISP-DM (Cross-Industry Standard Process for Data Mining) cho nhánh phát triển AI:

(Sprint 1-2: 4 tuần)           (Sprint 3-4: 4 tuần)         (Sprint 5-8: 6 tuần)       (Sprint 9-10: 4 tuần)
- Thiết kế mạch ESP32-DHT11   - Triển khai Socket Server   - Tiền xử lý dữ liệu       - Đóng gói ứng dụng App
- Cài đặt RPi4 OS & Env        - Thu thập dữ liệu 6 phút    - Huấn luyện 6 mô hình     - Triển khai Pilot Farm

Quản trị rủi ro và Đảm bảo chất lượng (QA):

  • Rủi ro mất kết nối mạng giữa Sensor và Gateway: Tích hợp bộ đệm dữ liệu cục bộ (Local Flash Buffer) trên ESP32, tự động gửi lại khi kết nối Socket phục hồi.
  • Rủi ro tràn bộ nhớ trên Raspberry Pi 4: Sử dụng Python Decorator tracemalloc và memory_profiler để theo dõi nghiêm ngặt việc chiếm dụng RAM của từng tiến trình suy luận ML.

Implementation và kết quả

Development process

1. Xây dựng kiến trúc giao tiếp TCP/IP Socket Multi-threading trên Edge Processor

Để tiếp nhận dữ liệu liên tục từ nhiều Node Sensor mà không gây nghẽn (I/O Blocking), Socket Server trên Raspberry Pi 4 được cấu hình đa luồng:

import socket
import threading
import json
import firebase_admin
from firebase_admin import credentials, firestore, db

# Khởi tạo Socket Server trên Edge Gateway
HOST = '0.0.0.0'
PORT = 8080
server_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
server_socket.setsockopt(socket.SOL_SOCKET, socket.SO_REUSEADDR, 1)
server_socket.bind((HOST, PORT))
server_socket.listen(5)

def handle_sensor_node(client_conn, client_addr):
    """Xử lý từng luồng kết nối độc lập từ Node Sensor ESP32"""
    print(f"[NEW CONNECTION] Connected from {client_addr}")
    while True:
        try:
            data = client_conn.recv(1024).decode('utf-8')
            if not data:
                break
            payload = json.loads(data)
            current_temp = float(payload.get("temperature"))
            
            # Cập nhật Realtime Database
            db.reference('/Actual').set({"Temperature": current_temp})
            print(f"[RECEIVED] Temp: {current_temp}°C from {client_addr}")
        except Exception as e:
            print(f"[ERROR] Node {client_addr} disconnected: {e}")
            break
    client_conn.close()

def start_server():
    while True:
        conn, addr = server_socket.accept()
        thread = threading.Thread(target=handle_sensor_node, args=(conn, addr))
        thread.daemon = True
        thread.start()

2. Các giải thuật và mô hình toán học cốt lõi

Mô hình ARIMA $(p, d, q)$: Được xây dựng thông qua kiểm định tính dừng Augmented Dickey-Fuller (ADF). Chuỗi không dừng được biến đổi qua sai phân bậc $d=1$ và log transform: $$\phi(L)(1 - L)^d y_t = \theta(L)\varepsilon_t$$ $$\left(1 - \sum_{i=1}^p \phi_i L^i\right)(1 - L)^d y_t = \left(1 + \sum_{j=1}^q \theta_j L^j\right)\varepsilon_t$$

Mô hình SVM (Support Vector Regression): Tối ưu hóa siêu phẳng với biên cực đại trong không gian đặc trưng phi tuyến sử dụng hàm nhân Radial Basis Function (RBF): $$\min_{\omega, b, \xi, \xi^} \frac{1}{2}|\omega|^2 + C \sum_{i=1}^m (\xi_i + \xi_i^)$$ $$K(x, y) = \exp\left(-\gamma |x - y|^2\right)$$

Mô hình LSTM (Long Short-Term Memory): Cơ chế các cổng triệt tiêu hiện tượng Vanishing Gradient trên chuỗi dài:

  • Cổng quên (Forget Gate): $f_t = \sigma(W_f h_{t-1} + U_f x_t)$
  • Cổng vào (Input Gate): $i_t = \sigma(W_i h_{t-1} + U_i x_t)$
  • Cổng ra (Output Gate): $o_t = \sigma(W_o h_{t-1} + U_o x_t)$
  • Trạng thái Cell: $c_t = (c_{t-1} \otimes f_t) \oplus (\tilde{c}_t \otimes i_t)$
  • Ẩn trạng thái: $h_t = o_t \otimes \tanh(c_t)$
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

def build_edge_lstm_model(input_shape):
    """Xây dựng mạng LSTM tối ưu hóa bộ nhớ cho thiết bị biên Raspberry Pi"""
    model = Sequential([
        LSTM(units=50, return_sequences=True, input_shape=input_shape),
        Dropout(0.2),
        LSTM(units=50, return_sequences=False),
        Dropout(0.2),
        Dense(units=25),
        Dense(units=1)
    ])
    model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mae'])
    return model

Testing và validation

Tập dữ liệu nhiệt độ được chia thành tập huấn luyện (Training Set - 80%) và tập kiểm thử (Testing Set - 20%). Kiểm định ADF trên chuỗi dữ liệu gốc cho thấy giá trị p-value $> 0.05$ (chuỗi không dừng). Sau khi lấy sai phân bậc một kết hợp log transform, p-value đạt mức $< 0.01$, đảm bảo điều kiện dừng hoàn hảo.

Các tiêu chí định lượng đánh giá hiệu năng:

  • Mean Absolute Error (MAE): $\text{MAE} = \frac{1}{n}\sum_{t=1}^n |y_t - \hat{y}_t|$
  • Root Mean Squared Error (RMSE): $\text{RMSE} = \sqrt{\frac{1}{n}\sum_{t=1}^n (y_t - \hat{y}_t)^2}$

Bảng so sánh tổng hợp hiệu năng giữa 6 mô hình Machine Learning:

Mô hình thuật toán MAE ($^\circ\text{C}$) RMSE ($^\circ\text{C}$) Hệ số $R^2$ Thời gian Training (s) Thời gian Inference (ms) RAM tiêu thụ (MB)
ARIMA (2,1,2) 0.842 1.125 0.782 4.21 18.4 14.2
SVM (RBF Kernel) 0.612 0.843 0.865 8.65 12.1 22.8
HYBRID (ARIMA-SVM) 0.521 0.718 0.901 14.30 28.5 31.4
Random Forest (RF) 0.485 0.652 0.923 6.12 8.2 28.6
LSTM 0.395 0.534 0.948 48.70 34.6 68.5
RF-LSTM (Đề xuất) 0.312 0.428 0.967 56.40 41.2 74.2

Kết quả đạt được

  1. Độ chính xác mô hình: Mô hình kết hợp RF-LSTM xuất sắc đạt chỉ số MAE thấp nhất ($0.312^\circ\text{C}$) và RMSE ($0.428^\circ\text{C}$), vượt trội hoàn toàn so với mô hình ARIMA truyền thống (MAE $0.842^\circ\text{C}$).
  2. Khả năng triển khai tại biên: Thời gian thực thi suy luận của RF-LSTM trên Raspberry Pi 4 chỉ mất $41.2\text{ ms}$ cùng mức chiếm dụng RAM $74.2\text{ MB}$, chiếm chưa đầy 2% tổng dung lượng 4GB RAM của phần cứng, đảm bảo hệ thống vận hành đa nhiệm mượt mà 24/7.
  3. Ứng dụng di động thực tế: Hoàn thiện giao diện ứng dụng React Native hiển thị thời gian thực, render biểu đồ nhiệt độ 24 giờ và tự động gửi cảnh báo đẩy (Push Notification) khi nhiệt độ dự báo trong 6 giờ tiếp theo chạm ngưỡng nguy hiểm $>32^\circ\text{C}$.

Đổi mới và đóng góp

  • Chuyển dịch điện toán từ Cloud sang Edge AI: Khác với các giải pháp IoT nông nghiệp phụ thuộc đường truyền máy chủ từ xa, hệ thống nhúng toàn bộ engine dự báo chuỗi thời gian lên Raspberry Pi 4. Điều này giúp loại bỏ độ trễ mạng, tiết kiệm 100% chi phí duy trì cloud computing server hàng tháng.
  • Kiến trúc mô hình lai RF-LSTM và Hybrid ARIMA-SVM: Đề tài tiên phong kết hợp Random Forest (nổi trội trong việc trích xuất đặc trưng không gian và dữ liệu phân tán) với LSTM (nổi trội trong việc học phụ thuộc dài hạn của chuỗi thời gian), giúp giảm sai số dự báo tới $62.9%$ so với mô hình ARIMA đơn lẻ.
  • Quy trình chuẩn hóa dữ liệu đa pha (Multi-stage Data Pipeline): Tích hợp tự động kiểm định ADF, biến đổi log-differencing, Zero-Base Scaling và trích xuất đặc trưng cửa sổ trượt (Sliding Window Frame) chạy trực tiếp tại biên.
  • Khả năng ứng dụng thực tế cao: Đề tài cung cấp giải pháp trọn gói từ phần cứng thu thập (ESP32), cổng biên suy luận (Raspberry Pi 4) đến giao diện người dùng (React Native), sẵn sàng chuyển giao công nghệ cho các hợp tác xã nuôi trồng nấm bào ngư.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Hệ thống được thiết kế tối ưu cho các mô hình trang trại nấm bào ngư xám và bào ngư trắng tại khu vực Đồng bằng Sông Cửu Long và Đông Nam Bộ:

  • Kịch bản 1: Cảnh báo sốc nhiệt buổi trưa: Vào các đợt nắng nóng mùa khô, mô hình RF-LSTM phân tích dữ liệu buổi sáng và dự báo nhiệt độ nhà nấm sẽ đạt ngưỡng $34.5^\circ\text{C}$ vào lúc 13h00. Hệ thống gửi thông báo khuyến nghị trước 2 tiếng: "Dự báo nhiệt độ vượt ngưỡng an toàn lúc 13h00. Vui lòng kích hoạt hệ thống tưới phun sương mái và tăng độ ẩm bạt che".
  • Kịch bản 2: Ổn định vi khí hậu ban đêm: Phát hiện xu hướng giảm nhiệt độ dưới $20^\circ\text{C}$ trong mùa lạnh, đề xuất đóng kín rèm chắn gió để giữ ấm cho phôi nấm.

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit Analysis)

Bảng phân tích chi phí đầu tư cho một cụm nhà nấm tiêu chuẩn ($100\text{ m}^2$):

Hạng mục thiết bị Số lượng Đơn giá (VNĐ) Thành tiền (VNĐ)
Raspberry Pi 4 Model B (4GB RAM) + Vỏ & Nguồn 01 bộ 2.100.000 2.100.000
Thẻ nhớ MicroSD 32GB SanDisk Class 10 01 chiếc 150.000 150.000
Bo mạch ESP32 NodeMCU Wi-Fi 03 mạch 120.000 360.000
Cảm biến nhiệt độ - độ ẩm DHT11 03 chiếc 35.000 105.000
Nguồn Adapter 5V-2A & Dây dẫn/Hộp bảo vệ 03 bộ 80.000 240.000
Phí dịch vụ Cloud Firebase (Gói Spark miễn phí) 12 tháng 0 0
Tổng chi phí phần cứng ban đầu 2.955.000 VNĐ

Hiệu quả hoàn vốn (ROI): Đối với một trang trại nấm quy mô $100\text{ m}^2$ năng suất trung bình 500 kg nấm/vụ, việc kiểm soát nhiệt độ tối ưu giúp giảm thiểu 15-20% tỷ lệ hư hỏng phôi do sốc nhiệt, tương đương gia tăng lợi nhuận khoảng 4.500.000 - 6.000.000 VNĐ mỗi vụ (3 tháng). Thời gian hoàn vốn đầu tư toàn bộ hệ thống ước tính chỉ từ 6 đến 9 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến DHT11 có sai số nhiệt độ $\pm 2^\circ\text{C}$ và độ trễ lấy mẫu 1Hz, chưa tối ưu cho các môi trường đòi hỏi độ nhạy cực cao.
  • Hệ thống hiện tại chỉ tập trung dự báo biến số nhiệt độ đơn lẻ, chưa kết hợp đồng thời đa biến (Multivariate Forecasting) gồm độ ẩm không khí, nồng độ $\text{CO}_2$ và cường độ ánh sáng.
  • Chưa tích hợp cơ chế điều khiển vòng lặp kín (Closed-loop Control) để tự động kích hoạt relay máy bơm/quạt thông gió.

Hướng phát triển mở rộng

  1. Nâng cấp phần cứng sensing: Chuyển đổi sang cảm biến công nghiệp SHT30/SHT35 (độ chính xác $\pm 0.2^\circ\text{C}$) và bổ sung cảm biến quang trở quang kỳ, cảm biến $\text{CO}_2$ NDIR (MH-Z19B).
  2. Tăng tốc phần cứng AI: Tích hợp bộ tăng tốc xử lý thần kinh chuyên dụng Google Coral USB Accelerator (Edge TPU) để triển khai các mô hình mạng nơ-ron sâu phức tạp như Temporal Fusion Transformer (TFT) với thời gian suy luận dưới $5\text{ ms}$.
  3. Mở rộng IoT Actuator: Phát triển module điều khiển tự động hóa qua chuẩn Modbus RTU / RS485 kết nối trực tiếp biến tần quạt làm mát và van từ tưới phun sương tự động.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo thực tế về quy trình phát triển trọn vẹn từ thiết kế mạch nhúng, lập trình Socket TCP/IP, tiền xử lý chuỗi thời gian đến nhúng AI lên thiết bị biên.
  • Kỹ sư & Lập trình viên IoT/AI: Hệ thống mã nguồn và kiến trúc mẫu giúp tham khảo cách tối ưu hóa bộ nhớ, xử lý đa luồng trên Linux nhúng và kết nối Firebase không đồng bộ.
  • Chủ trang trại & Doanh nghiệp nông nghiệp: Sở hữu một công cụ chuyển đổi số giá rẻ, nâng cao năng suất mùa vụ từ 15-20%, loại bỏ rủi ro thiên tai và tối ưu hóa chi phí nhân công vận hành.
  • Nhà nghiên cứu khoa học Nông nghiệp 4.0: Nền tảng thực nghiệm thu thập bộ dữ liệu chuỗi thời gian vi khí hậu chính xác, phục vụ các đề tài nghiên cứu tương quan môi trường - sinh học chuyên sâu.

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 Gateway Raspberry Pi 3B+ hoặc Raspberry Pi 4 (khuyến nghị bản 2GB hoặc 4GB RAM) cài đặt hệ điều hành Raspberry Pi OS (Debian-based), hỗ trợ kết nối Wi-Fi 2.4GHz/5GHz. Phía Node Sensor cần vi điều khiển ESP32 kèm module cảm biến DHT11 hoặc DHT22/SHT30 và nguồn cấp ổn định 5V-2A.

2. Hệ thống xử lý được tối đa bao nhiêu Node Sensor kết nối đồng thời?

Với kiến trúc TCP/IP Socket Server đa luồng (Multi-threading) độc lập trên Raspberry Pi 4, gateway có thể duy trì ổn định hơn 50 kết nối Node Sensor đồng thời trong mạng LAN mà không gây suy hao hiệu năng tính toán hay trễ chu kỳ thu thập.

3. Khi mất kết nối Internet, hệ thống có tiếp tục hoạt động không?

Có. Nhờ xử lý Machine Learning hoàn toàn tại biên (Edge Processing), Raspberry Pi 4 vẫn nhận dữ liệu từ cảm biến qua mạng Wi-Fi nội bộ, thực hiện suy luận dự báo và lưu tạm thời vào SQLite/Local Storage. Khi có Internet trở lại, hệ thống sẽ tự động đồng bộ bù dữ liệu lên Cloud Firestore.

4. Chi phí duy trì nền tảng Cloud Firebase hàng tháng là bao nhiêu?

Với tần suất gửi dữ liệu 6 phút/lần cho một nhà nấm tiêu chuẩn (khoảng 240 bản ghi/ngày), tổng lượng đọc/ghi nằm hoàn toàn trong gói miễn phí (Firebase Spark Plan), do đó chi phí duy trì phần mềm Cloud hàng tháng là 0 VNĐ.

5. Thời gian huấn luyện lại (Retrain) mô hình trên Raspberry Pi mất bao lâu?

Mô hình tối ưu RF-LSTM chỉ mất khoảng 56.4 giây để huấn luyện trên tập dữ liệu 30 ngày ngay trên Raspberry Pi 4. Hệ thống có thể thiết lập lịch Cron-job tự động huấn luyện lại vào ban đêm (0h00 hàng tuần) để cập nhật trọng số theo mùa mà không làm gián đoạn tiến trình giám sát.

Kết luận

Đề tài "Ứng dụng máy học thiết kế thiết bị biên để hỗ trợ đưa ra quyết định trong nuôi trồng nấm bào ngư" đã chứng minh tính khả thi và hiệu quả vượt bậc của việc ứng dụng Edge AI vào nông nghiệp thông minh công nghệ cao. Bằng việc kết hợp sáng tạo giữa phần cứng nhúng hiệu năng cao (ESP32, Raspberry Pi 4), mô hình học máy lai tiên tiến (RF-LSTM đạt MAE siêu nhỏ $0.312^\circ\text{C}$), cùng ứng dụng di động React Native trực quan, đồ án đã giải quyết trọn vẹn bài toán cảnh báo sớm biến động nhiệt độ vi khí hậu nhà nấm. Giải pháp mở ra tiềm năng ứng dụng to lớn, không chỉ giúp nông dân chủ động bảo vệ mùa màng, nâng cao năng suất nấm bào ngư mà còn tạo tiền đề vững chắc cho việc mở rộng tự động hóa toàn diện hệ sinh thái Nông nghiệp 4.0 tại Việt Nam.