Bối cảnh và vấn đề nghiên cứu

Trong xu hướng phát triển nông nghiệp công nghệ cao, phương pháp thủy canh được xem là giải pháp trồng trọt hiệu quả trong không gian hạn chế hoặc môi trường nội thất, hỗ trợ tiết kiệm nguồn nước, diện tích và tài nguyên phân bón. Tuy nhiên, việc quản lý và chăm sóc dinh dưỡng trong mô hình thủy canh truyền thống vẫn đòi hỏi sự giám sát liên tục và can thiệp thủ công từ con người. Việc tích hợp công nghệ Internet vạn vật (IoT) và trí tuệ nhân tạo (AI) giúp tự động hóa quá trình giám sát, giảm thiểu sai sót chủ quan và nâng cao năng suất cây trồng.

Tại Việt Nam, các công trình nghiên cứu trước đây (như nghiên cứu của Lương Vinh Quốc Danh năm 2019, Chu Đức Hoàng năm 2017) đã ứng dụng IoT để giám sát các chỉ số môi trường như nhiệt độ, độ ẩm, pH, EC. Tuy nhiên, việc kết hợp thị giác máy tính và học sâu để nhận diện trực quan tình trạng sinh trưởng của cây trồng vẫn chưa được triển khai rộng rãi. Khảo sát thực tế các đề tài liên quan cho thấy các hệ thống hiện tại còn thiếu dữ liệu phân tích trực quan về cây trồng và chưa đưa ra được đánh giá tương quan giữa thông số môi trường với mức độ phát triển của cây.

Mục tiêu nghiên cứu của khóa luận được xác định cụ thể gồm hai nhiệm vụ chính:

  1. Xây dựng hệ thống nhận diện cây trồng nhằm xác định chính xác loại cây được canh tác trong hệ thống thủy canh.
  2. Xây dựng hệ thống phân tích và đề xuất điều chỉnh các yếu tố môi trường (nhiệt độ, độ ẩm, ánh sáng, chất dinh dưỡng) phù hợp với điều kiện sinh trưởng của từng loại cây.

Đối tượng nghiên cứu của đề tài là cây rau xà lách và cây rau muống. Đây là hai giống rau phổ biến trong mô hình thủy canh, có chu kỳ sinh trưởng ngắn, cấu trúc hình thái và hình dạng khác biệt rõ rệt, tạo điều kiện thuận lợi cho việc đa dạng hóa tập dữ liệu huấn luyện thị giác máy tính. Phạm vi không gian thực nghiệm là giàn thủy canh hồi lưu lắp đặt thực tế, với dữ liệu hình ảnh và môi trường được thu thập trong khoảng thời gian từ ngày 01/06/2023 đến ngày 18/06/2023.

Cơ sở lý thuyết và phương pháp

Khóa luận dựa trên các cơ sở lý thuyết chuyên ngành về kỹ thuật thủy canh, hệ thống nhúng IoT và các thuật toán học máy, học sâu:

  • Mô hình thủy canh hồi lưu: Cơ chế tuần hoàn dung dịch dinh dưỡng từ bể chứa qua hệ thống ống dẫn PVC đến rễ cây, sau đó thu hồi lượng dung dịch thừa về bể để tái sử dụng nhờ bơm chuyên dụng.
  • Yếu tố môi trường nông nghiệp: Các chỉ số ảnh hưởng trực tiếp đến sự phát triển của cây gồm nhiệt độ, độ ẩm không khí, cường độ ánh sáng, độ dẫn điện (EC), độ pH và tổng lượng chất rắn hòa tan trong nước (TDS - Total Dissolved Solids).
  • Mạng phát hiện đối tượng SSD (Single Shot MultiBox Detector): Sử dụng kiến trúc mạng cơ sở (Base Network) kết hợp các tầng phụ (Auxiliary Layers) và các hộp mặc định (Default Boxes) với nhiều tỷ lệ khung hình (Aspect Ratios) để nhận diện và định vị đối tượng trên đa tỷ lệ đặc trưng.
  • Mạng nơ-ron tích chập CNN (Convolutional Neural Network): Cấu trúc gồm các tầng tích chập (Convolutional Layer), tầng kích hoạt phi tuyến (ReLU), tầng gộp (Pooling Layer) và tầng liên kết đầy đủ (Fully Connected Layer) kết hợp hàm Softmax nhằm phân loại nhãn hình ảnh.
  • Thuật toán rừng ngẫu nhiên (Random Forest): Phương pháp học máy kết hợp nhiều cây quyết định (Decision Trees) dựa trên kỹ thuật lấy mẫu tái lập (Bootstrap Sampling), chọn thuộc tính ngẫu nhiên (Feature Randomness), đánh giá lỗi Out-of-Bag (OOB) và cơ chế bỏ phiếu đa số (Majority Voting) để đưa ra dự đoán.

Phương pháp nghiên cứu thực nghiệm được thực hiện theo chu trình tích hợp phần cứng và phần mềm:

  1. Thiết kế mạch phần cứng IoT thu thập thông số cảm biến và truyền dữ liệu telemetry về máy chủ qua giao thức MQTT.
  2. Thiết lập camera IP thu nhận luồng video qua giao thức RTSP (Real-Time Streaming Protocol) để trích xuất khung hình giàn cây.
  3. Gán nhãn thủ công dữ liệu hình ảnh bằng công cụ LabelImg, huấn luyện mô hình SSD MobileNet v2 để nhận diện loại cây và cắt vùng ảnh bounding box.
  4. Xây dựng và huấn luyện mô hình CNN để phân loại tình trạng sinh trưởng (tươi/héo) của từng cây.
  5. Hợp nhất dữ liệu trạng thái cây với dữ liệu cảm biến thời gian thực trên nền tảng ThingsBoard để huấn luyện mô hình Random Forest dự đoán tình trạng sinh trưởng dựa trên điều kiện môi trường.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo cấu trúc module phân tầng gồm khối phần cứng thu thập - chấp hành, khối truyền thông - lưu trữ dữ liệu, và khối xử lý trí tuệ nhân tạo.

Cấu hình thiết bị phần cứng

Thiết bị / Linh kiện Chức năng kỹ thuật trong hệ thống Thông số hoạt động chính
Arduino Nano R3 Bo mạch vi điều khiển trung tâm xử lý tín hiệu analog/digital từ cảm biến 14 chân I/O số, 8 chân ADC, vi điều khiển ATmega328P (16MHz)
ESP8266 NodeMCU Lua CP2102 Module vi điều khiển tích hợp WiFi, truyền nhận dữ liệu với nền tảng IoT Giao tiếp UART/I2C/SPI với Arduino, hỗ trợ TCP/IP, MQTT
Cảm biến TDS DFRobot Gravity Đo tổng chất rắn hòa tan trong dung dịch dinh dưỡng thủy canh Dải đo: 0 – 1000 PPM
Cảm biến DHT11 Giám sát nhiệt độ và độ ẩm môi trường không khí xung quanh giàn cây Độ ẩm: 20% – 80% RH (±5%); Nhiệt độ: 0 – 50°C (±2°C)
Cảm biến MS-CDS05 Cảm biến quang trở đo cường độ ánh sáng môi trường Khoảng giá trị đo ADC: 0 – 1023
Bơm Lifetech AP 3500 Bơm chìm tuần hoàn dung dịch dinh dưỡng lên giàn thủy canh Công suất 60W, lưu lượng 3000 L/h, độ cao đẩy tối đa 3m
Ổ cắm hẹn giờ cơ Thiết bị đóng ngắt chu kỳ cấp nguồn cho máy bơm thủy canh Thiết lập thời gian đóng/ngắt cơ học tự động
Camera Wyze Cam v3 Ghi nhận hình ảnh giàn cây, cung cấp luồng video thời gian thực Độ phân giải 1080p Full HD, góc nhìn 130°, zoom số 8X, hỗ trợ RTSP

Nền tảng phần mềm và các thư viện hỗ trợ

  • ThingsBoard: Nền tảng IoT mã nguồn mở phục vụ quản lý thiết bị, kết nối qua giao thức MQTT/HTTP/CoAP, lưu trữ chuỗi thời gian (time-series data), hiển thị bảng điều khiển trực quan và thiết lập các rule engine cảnh báo.
  • Thư viện nhúng Arduino: Thư viện DHT đọc cảm biến nhiệt - ẩm; thư viện PubSubClient kết nối và truyền bản tin MQTT; thư viện ArduinoJson tuần tự hóa/giải tuần tự hóa dữ liệu JSON.
  • Thư viện AI và thị giác máy tính: TensorFlow Object Detection API, OpenCV (cv2), môi trường Google Colab, ngôn ngữ lập trình Python và C/C++ trên Arduino IDE.

Quy trình tiền xử lý và triển khai mô hình học máy

+-------------------+       +-----------------------+       +----------------------+
| Luồng RTSP Camera | ----> |  SSD MobileNet v2     | ----> | Cắt Bounding Box     |
| (Wyze Cam v3)     |       |  (Nhận diện loại cây) |       | (Rau muống / Xà lách)|
+-------------------+       +-----------------------+       +----------------------+
                                                                       |
                                                                       v
+-------------------+       +-----------------------+       +----------------------+
| Telemetry Sensor  | ----> | Hợp nhất dữ liệu      | <---- | CNN Classifier       |
| (ThingsBoard IoT) |       | (Map Timestamp CSV)   |       | (Phân loại Tươi/Héo) |
+-------------------+       +-----------------------+       +----------------------+
                                        |
                                        v
                            +-----------------------+
                            | Random Forest Model   |
                            | (Dự đoán môi trường)  |
                            +-----------------------+
  1. Khối nhận diện cây trồng (SSD): Luồng RTSP từ camera được trích xuất hình ảnh giàn thủy canh kích thước chuẩn. Mô hình ssd-mobilenet-v2-fpnlite-320 xác định vị trí các hộp giới hạn của từng cây xà lách và rau muống.
  2. Khối phân loại trạng thái (CNN): Các tọa độ bounding box được cắt rời tự động thành từng ảnh cây riêng lẻ, chuẩn hóa về kích thước 320x320x3 pixel và chia tỷ lệ điểm ảnh [0, 1]. Mạng CNN phân loại nhãn cây thành hai trạng thái: "tuoi" (khỏe mạnh) hoặc "heo" (suy thoái).
  3. Khối dự đoán và cảnh báo (Random Forest): Dữ liệu trạng thái cây được gán mốc thời gian (timestamp) và khớp với các thông số cảm biến môi trường (nhiệt độ, độ ẩm, ánh sáng, TDS) thu thập từ ThingsBoard. Thuật toán Random Forest học mối tương quan để đưa ra dự báo trạng thái sinh trưởng khi môi trường thay đổi.

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương mở đầu phân tích vai trò của thủy canh trong nông nghiệp hiện đại và chỉ ra các hạn chế trong việc quản lý thủ công. Tác giả tổng quan các nghiên cứu trong nước (Lương Vinh Quốc Danh, Chu Đức Hoàng) và quốc tế (Mohamed Farag Taha năm 2022 về phân loại thiếu dinh dưỡng qua CNN; Sandy C. Lauguico năm 2020 về dự đoán giai đoạn tăng trưởng của rau). Từ đó, đề tài xác định rõ mục tiêu xây dựng hệ thống tự động nhận diện cây và dự đoán trạng thái dựa trên các yếu tố môi trường. Đối tượng khảo nghiệm được giới hạn là rau muống và xà lách.

Chương 2. Cơ sở lý thuyết về thủy canh và các thiết bị

Chương này làm rõ nguyên lý vận hành của hệ thống thủy canh hồi lưu, phân tích các ưu điểm (tiết kiệm nước, kiểm soát dưỡng chất, năng suất cao) cùng các nhược điểm (chi phí đầu tư ban đầu, yêu cầu kỹ thuật vận hành, nguy cơ lây lan mầm bệnh trong dung dịch). Tác giả chi tiết hóa cấu tạo, thông số kỹ thuật và nguyên lý làm việc của các thiết bị phần cứng gồm bo mạch Arduino Nano R3, vi điều khiển ESP8266 NodeMCU, cảm biến chất rắn hòa tan DFRobot Gravity (0–1000 PPM), cảm biến nhiệt độ - độ ẩm DHT11, cảm biến quang trở MS-CDS05, bơm Lifetech AP 3500, ổ cắm hẹn giờ cơ và camera IP Wyze Cam v3. Đồng thời, chương trình bày chi tiết về kiến trúc nền tảng ThingsBoard phục vụ quản lý thiết bị và truyền nhận dữ liệu IoT.

Chương 3. Cơ sở lý thuyết về các thuật toán

Nội dung chương tập trung giải thích cơ sở toán học và cấu trúc của ba thuật toán cốt lõi:

  • Mô hình SSD: Cấu tạo gồm Base Network (trích xuất đặc trưng cơ bản) và Auxiliary Layers (bản đồ đặc trưng đa tỷ lệ), cơ chế dự đoán bằng tích chập (Convolutional Predictors), cách thiết lập Default Boxes theo các tỷ lệ khung hình (1:1, 1:2, 2:1) và hàm mất mát kết hợp giữa Localization Loss và Confidence Loss.
  • Mạng CNN: Chi tiết các lớp đầu vào (Input Layer ma trận 3D), tầng tích chập (Convolutional Layer với các tham số Stride, Padding), tầng kích hoạt phi tuyến ReLU ($f(x) = \max(0, x)$), tầng gộp Max/Average Pooling và tầng liên kết đầy đủ (Fully Connected Layer) kết hợp phân loại xác suất Softmax.
  • Thuật toán Random Forest: Trình bày nguyên lý cây quyết định (Decision Tree), kỹ thuật Bootstrap Sampling tạo tập mẫu con, tính ngẫu nhiên của thuộc tính (Feature Randomness), cơ chế bỏ phiếu (Voting) và đánh giá sai số Out-of-Bag (OOB).
  • Giới thiệu các công cụ và thư viện lập trình: Arduino IDE, các thư viện nhúng (DHT, PubSubClient, ArduinoJson), công cụ gán nhãn LabelImg và thư viện TensorFlow Object Detection API (SSD MobileNet v1, SSD MobileNet v2).

Chương 4. Xây dựng hệ thống

Chương 4 mô tả toàn bộ quy trình thực nghiệm và lập trình hệ thống:

  1. Phát hiện đối tượng (SSD): Thu thập 40 ảnh giàn thủy canh từ 01/06/2023 đến 18/06/2023 qua luồng RTSP của Wyze Cam v3. Gán nhãn bằng LabelImg xuất 40 file XML. Chia tập dữ liệu: 32 ảnh train (80%), 4 ảnh validation (10%), 4 ảnh test (10%). Thiết lập mô hình ssd-mobilenet-v2-fpnlite-320, huấn luyện 10.000 bước (steps).
  2. Phân loại tình trạng cây (CNN): Cắt tự động 400 ảnh cây đơn lẻ từ kết quả SSD (76 ảnh rau muống, 324 ảnh xà lách). Phân chia trạng thái thủ công thành hai nhóm: 121 cây héo (24 rau muống, 97 xà lách) và 279 cây tươi (52 rau muống, 227 xà lách). Dữ liệu được đưa về kích thước 320x320x3, chia thành tập huấn luyện (320 ảnh) và tập kiểm tra (80 ảnh). Xây dựng mạng CNN gồm 3 tầng tích chập (lần lượt 32, 64, 128 bộ lọc kích thước 3x3, hàm ReLU, đệm MaxPooling 2x2) và tầng Fully Connected 128 đơn vị ẩn.
  3. Thu thập dữ liệu IoT và xây dựng Random Forest: Đấu nối mạch cảm biến Arduino Nano và ESP8266 gửi dữ liệu lên ThingsBoard. Xuất file dữ liệu môi trường dạng CSV, làm sạch, chuyển đổi cột thời gian và ánh xạ (map) với nhãn độ tươi thu được từ mô hình CNN. Chia dữ liệu train/test và huấn luyện mô hình Random Forest để thực hiện dự đoán tự động theo lịch trình.

Chương 5. Đánh giá tổng quan

Chương 5 tổng kết và đánh giá hiệu năng của các mô hình đã triển khai:

  • Đánh giá khả năng thu thập dữ liệu hình ảnh và dữ liệu cảm biến thời gian thực.
  • Đánh giá độ chính xác và tốc độ khung hình của mô hình nhận dạng cây trồng SSD trên giàn thủy canh thực tế.
  • Đánh giá độ chính xác và sai số mất mát của mô hình CNN trong việc phân biệt cây tươi và cây héo.

Chương 6. Kết luận và hướng phát triển

Tóm lược các kết quả đạt được trong việc kết hợp IoT và AI cho hệ thống thủy canh tự động, đồng thời chỉ ra các điểm còn tồn tại và đề xuất hướng mở rộng cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Khóa luận đã hoàn thành việc xây dựng một hệ sinh thái thực nghiệm hoàn chỉnh từ phần cứng IoT, nền tảng đám mây đến các thuật toán thị giác máy tính và học máy.

Số liệu thực nghiệm của các mô hình

Tiêu chí / Mô hình Mô hình nhận diện đối tượng (SSD MobileNet v2) Mô hình phân loại trạng thái (CNN)
Quy mô tập dữ liệu 40 ảnh toàn cảnh giàn thủy canh (gán nhãn XML) 400 ảnh cây cắt rời (76 rau muống, 324 xà lách)
Phân chia dữ liệu Huấn luyện: 32 ảnh (80%)
Validation: 4 ảnh (10%)
Kiểm tra: 4 ảnh (10%)		 Huấn luyện: 320 ảnh (80%)
Kiểm tra: 80 ảnh (20%)
Tham số huấn luyện 10.000 steps (ssd-mobilenet-v2-fpnlite-320) 3 tầng Conv2D (32, 64, 128 filters), FC 128
Độ chính xác / Sai số - mAP xà lách: 24,40%
- mAP rau muống: 25,27%
- mAP tổng quan: 24,84%		 - Loss: 0,573
- Accuracy: 0,85 (85%)
Tốc độ xử lý thực tế 11 – 15 FPS (qua luồng RTSP camera) 1 – 2 FPS (khi kết hợp nhận dạng thời gian thực)

Đóng góp thực tiễn của đề tài

  1. Quy trình kết hợp đa mô hình học máy: Đề tài đề xuất pipeline tự động từ khâu phát hiện đối tượng (SSD) để trích xuất cây đơn lẻ, chuyển tiếp sang mô hình CNN để đánh giá sức khỏe cây, và cuối cùng liên kết với dữ liệu cảm biến môi trường trên ThingsBoard để huấn luyện Random Forest.
  2. Khắc phục hạn chế của các hệ thống IoT truyền thống: Thay vì chỉ hiển thị thông số môi trường thô, hệ thống đã bước đầu gắn kết được dữ liệu hình ảnh sinh trưởng trực quan với các chỉ số vi khí hậu (nhiệt độ, độ ẩm, TDS, ánh sáng), tạo tiền đề cho việc tự động đưa ra khuyến nghị điều chỉnh môi trường theo từng loại cây.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung văn bản khóa luận, các hạn chế và hướng mở rộng được ghi nhận như sau:

Hạn chế

  • Số lượng ảnh thu thập còn hạn chế (40 ảnh giàn thủy canh, 400 ảnh mẫu cây đơn lẻ) do thời gian thực nghiệm diễn ra trong khoảng ngắn (từ ngày 01/06/2023 đến 18/06/2023).
  • Chỉ số mAP tổng quan của mô hình SSD đạt mức 24,84%, độ chính xác phân loại của mô hình phát hiện đối tượng còn phụ thuộc vào điều kiện ánh sáng và góc quay camera.
  • Tốc độ xử lý của mô hình CNN phân loại trạng thái khi kết hợp thời gian thực còn thấp (chỉ đạt 1 – 2 FPS).
  • Hệ thống mới dừng lại ở bước nhận diện, phân loại và đưa ra dự đoán; chưa tích hợp cơ cấu chấp hành tự động điều khiển van dinh dưỡng, quạt gió hay đèn chiếu sáng để tự động cân bằng môi trường khi phát hiện cây héo.

Hướng nghiên cứu tiếp

  • Mở rộng tập dữ liệu hình ảnh đa dạng hơn về góc chụp, điều kiện ánh sáng và các giai đoạn phát triển khác nhau của cây.
  • Tối ưu hóa cấu trúc mạng nơ-ron để cải thiện chỉ số mAP của mô hình SSD và nâng cao tốc độ khung hình (FPS) cho mô hình CNN.
  • Mở rộng phạm vi nghiên cứu trên nhiều chủng loại cây trồng thủy canh khác ngoài xà lách và rau muống.
  • Tích hợp điều khiển khép kín hai chiều: kết nối kết quả dự đoán từ Random Forest với các rơ-le chấp hành để tự động điều chỉnh nồng độ dung dịch dinh dưỡng, hệ thống tưới và chiếu sáng nhân tạo.

Giá trị tham khảo

Báo cáo khóa luận cung cấp tài liệu tham khảo thực nghiệm có giá trị cho sinh viên và các nhà nghiên cứu thuộc các chuyên ngành Hệ thống Thông tin, Kỹ thuật Máy tính, Tự động hóa và Nông nghiệp Công nghệ cao:

  • Tài liệu tham khảo về triển khai phần cứng và IoT: Hướng dẫn cấu hình bo mạch Arduino Nano, kết nối WiFi ESP8266, đọc cảm biến TDS, nhiệt - ẩm, ánh sáng và thiết lập giao thức truyền thông MQTT đẩy dữ liệu lên nền tảng ThingsBoard.
  • Tài liệu tham khảo về pipeline thị giác máy tính: Cung cấp quy trình chi tiết từ việc lấy luồng video RTSP từ camera IP Wyze Cam v3, sử dụng LabelImg gán nhãn Pascal VOC, cấu hình TensorFlow Object Detection API huấn luyện SSD MobileNet v2, đến việc lập trình hàm OpenCV cắt bounding box tự động phục vụ bài toán phân loại tiếp theo bằng CNN.
  • Tài liệu tham khảo về hợp nhất dữ liệu đa phương thức: Minh họa cách thức kết hợp dữ liệu chuỗi thời gian (time-series sensor data) với dữ liệu hình ảnh (computer vision labels) thông qua cột mốc thời gian để xây dựng mô hình dự báo học máy (Random Forest).

Câu hỏi thường gặp

1. Khóa luận sử dụng các loại cảm biến nào để giám sát môi trường thủy canh?

Hệ thống sử dụng ba loại cảm biến chính kết nối với Arduino Nano R3:

  • Cảm biến chất rắn hòa tan DFRobot Gravity đo nồng độ dinh dưỡng TDS (dải đo 0 – 1000 PPM).
  • Cảm biến DHT11 đo nhiệt độ (dải đo 0 – 50°C, sai số ±2°C) và độ ẩm không khí (dải đo 20% – 80% RH, sai số ±5% RH).
  • Cảm biến quang trở MS-CDS05 đo cường độ ánh sáng xung quanh giàn cây (khoảng giá trị analog 0 – 1023).

2. Mô hình phát hiện đối tượng nào được lựa chọn và kết quả thực nghiệm đạt được ra sao?

Khóa luận lựa chọn mô hình ssd-mobilenet-v2-fpnlite-320 thông qua thư viện TensorFlow Object Detection API, huấn luyện qua 10.000 steps trên tập dữ liệu 40 ảnh giàn cây (32 train, 4 validation, 4 test). Kết quả thực nghiệm đạt:

  • mAP của lớp rau xà lách: 24,40%.
  • mAP của lớp rau muống: 25,27%.
  • mAP tổng quan: 24,84%.
  • Tốc độ xử lý video thời gian thực: 11 – 15 FPS.

3. Kiến trúc mạng CNN phân loại tình trạng cây héo/tươi được thiết kế như thế nào và đạt hiệu năng bao nhiêu?

Mạng CNN nhận đầu vào ảnh kích thước 320x320x3 pixel, bao gồm 3 tầng tích chập Conv2D liên tiếp với số lượng bộ lọc tăng dần (32, 64, 128 filters kích thước 3x3, hàm kích hoạt ReLU), sau mỗi tầng Conv2D là một tầng gộp MaxPooling2D kích thước 2x2. Cuối mạng là tầng Flatten (184.832 tham số), một tầng Dense ẩn gồm 128 nơ-ron (hàm ReLU) và tầng Dense đầu ra gồm 2 nơ-ron (Softmax). Sau quá trình huấn luyện trên 320 ảnh train và 80 ảnh test, mô hình đạt giá trị sai số mất mát (Loss) là 0,573 và độ chính xác (Accuracy) đạt 0,85 (85%), tốc độ nhận dạng thời gian thực đạt 1 – 2 FPS.

4. Nền tảng ThingsBoard và thuật toán Random Forest đóng vai trò gì trong hệ thống?

ThingsBoard đóng vai trò là trung tâm quản trị IoT, nhận dữ liệu telemetry từ ESP8266 qua giao thức MQTT để lưu trữ và hiển thị lên bảng điều khiển thời gian thực. Thuật toán Random Forest nhận tập dữ liệu hợp nhất giữa các thông số môi trường (nhiệt độ, độ ẩm, ánh sáng, TDS từ ThingsBoard) và nhãn tình trạng cây (tươi/héo từ mô hình CNN) tương ứng theo timestamp, từ đó xây dựng các cây quyết định để dự đoán tình trạng sinh trưởng của cây khi môi trường biến động.

5. Quy mô và cơ cấu tập dữ liệu hình ảnh trong khóa luận được phân bổ như thế nào?

Tập dữ liệu hình ảnh được thu thập từ ngày 01/06/2023 đến ngày 18/06/2023 bằng camera Wyze Cam v3 qua luồng RTSP gồm 40 ảnh toàn cảnh giàn thủy canh. Sau khi qua mô hình SSD, hệ thống trích xuất được 400 ảnh cây đơn lẻ, trong đó có 76 ảnh rau muống và 324 ảnh xà lách. Khi phân chia theo trạng thái sức khỏe, tập dữ liệu gồm 121 cây héo (24 rau muống, 97 xà lách) và 279 cây tươi (52 rau muống, 227 xà lách).

Kết luận

Khóa luận tốt nghiệp "Ứng dụng IoT xây dựng hệ thống thủy canh tự động" của sinh viên Nguyễn Anh Trương Thắng và Lê Tiến Vinh đã thiết kế thành công mô hình tích hợp giữa phần cứng IoT (Arduino Nano, ESP8266, các cảm biến môi trường) và nền tảng đám mây ThingsBoard với các thuật toán học máy, học sâu. Nghiên cứu đã ứng dụng mô hình SSD MobileNet v2 để nhận diện cây trồng (mAP 24,84%), mô hình CNN để phân loại trạng thái cây tươi/héo (độ chính xác 85%), đồng thời sử dụng Random Forest để liên kết các chỉ số môi trường với sức khỏe cây. Mặc dù quy mô dữ liệu thực nghiệm còn ở mức nhỏ và tốc độ xử lý real-time của mô hình CNN cần được tối ưu hóa thêm, công trình đã thể hiện rõ tính khả thi của giải pháp ứng dụng AI và IoT vào việc tự động hóa giám sát nông nghiệp công nghệ cao.