Đề tài ứng dụng thị giác máy tính trong thiết kế chế tạo hệ thống phát hiện sâu bệnh trên lá rau cải

Thị giác máy tính là một lĩnh vực quan trọng trong công nghệ hiện đại, đặc biệt trong nông nghiệp. 120 trang · Học viện Nông nghiệp Việt Nam · 2019.

• Tác giả: Nguyễn Trọng Chinh
• Người hướng dẫn: TS. Ngô Trí Dương
• Trường học: Học viện Nông nghiệp Việt Nam
• Chuyên ngành: Cơ điện
• Đề tài: Ứng Dụng Thị Giác Máy Tính Trong Phát Hiện Sâu Bệnh Rau Cải
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• MỞ ĐẦU
• 0.1. Mục đích nghiên cứu
• 0.2. Phạm vi nghiên cứu
• 0.3. Ý nghĩa khoa học của đề tài
• 1. CHƯƠNG 1: TỔNG QUAN TÀI LIỆU
• 1.1. Tổng quan về thị giác máy tính
• 1.1.1. Khái quát thị giác máy tính
• 1.1.2. Nhận dạng đối tượng bằng thị giác máy tính
• 1.1.2.1. Thế nào là bài toán nhận dạng
• 1.1.2.2. Khó khăn trong nhận dạng đối tượng
• 1.1.2.3. Tổng quan kiến trúc một hệ thống nhận dạng đối tượng
• 1.1.3. Ứng dụng thị giác máy tính trong đời sống
• 1.1.3.1. Lĩnh vực y tế
• 1.1.3.2. Bán lẻ
• 1.1.3.3. Ngân hàng
• 1.1.3.4. Phát hiện cháy dựa trên máy bay không người lái
• 1.1.3.5. Học máy
• 1.1.3.6. Học sâu
• 2. CHƯƠNG II: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đối tượng nghiên cứu
• 2.2. Phương pháp nhận dạng đối tượng
• 2.3. Cây rau cải
• 2.4. Thiết bị chung
• 2.5. Cài đặt hệ điều hành cho Raspberry PI
• 2.6. Thư viện OpenCV
• 2.7. Phần mềm Visual Studio. Ngôn ngữ lập trình Python
• 2.8. Giới thiệu Thonny Python IDE. Nội dung nghiên cứu. Phương pháp nghiên cứu
• 3. CHƯƠNG III: KẾT QUẢ VÀ THẢO LUẬN
• 3.1. Sơ đồ thiết kế không gian
• 3.2. Thiết kế phần cứng
• 3.2.1. Lựa chọn thiết bị
• 3.2.2. Các cơ cấu chấp hành. Sơ đồ mạch điều khiển và mạch động lực
• 3.3. Thiết kế phần mềm
• 3.3.1. Bảng phân công tín hiệu
• 3.3.2. Nguyên lý hoạt động
• 3.3.3. Xây dựng chương trình
• 3.3.4. Giao diện Raspberry trên điện thoại
• 3.3.5. Xây dựng bộ mẫu rút trích đặc trưng Haar-like
• 3.3.6. Lắp ráp và chạy thử robot
• 3.3.7. Một số hình ảnh chạy thực tế
• 3.3.8. Kết quả và thảo luận
• 3.3.9. Hoạch toán
• 4. CHƯƠNG IV: KẾT LUẬN VÀ ĐỀ NGHỊ
• 4.1. Đề nghị
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về ứng dụng thị giác máy tính trong phát hiện sâu bệnh rau cải

Thị giác máy tính là một lĩnh vực quan trọng trong công nghệ hiện đại, đặc biệt trong nông nghiệp. Ứng dụng của nó trong phát hiện sâu bệnh rau cải không chỉ giúp nâng cao năng suất mà còn giảm thiểu thiệt hại do sâu bệnh gây ra. Hệ thống này sử dụng các thuật toán học máy để nhận diện và phân loại các loại sâu bệnh, từ đó đưa ra các biện pháp xử lý kịp thời.

1.1. Khái niệm về thị giác máy tính trong nông nghiệp

Thị giác máy tính trong nông nghiệp là việc sử dụng công nghệ để phân tích hình ảnh cây trồng, giúp nhận diện sâu bệnh và tình trạng sức khỏe của cây. Công nghệ này cho phép nông dân theo dõi và quản lý cây trồng một cách hiệu quả hơn.

1.2. Lợi ích của việc phát hiện sâu bệnh bằng thị giác máy tính

Việc phát hiện sâu bệnh sớm giúp nông dân giảm thiểu thiệt hại, tiết kiệm chi phí và tăng năng suất. Hệ thống này còn giúp tối ưu hóa quy trình chăm sóc cây trồng, từ đó nâng cao chất lượng sản phẩm.

II. Thách thức trong việc phát hiện sâu bệnh rau cải bằng thị giác máy tính

Mặc dù có nhiều lợi ích, việc ứng dụng thị giác máy tính trong phát hiện sâu bệnh rau cải cũng gặp phải nhiều thách thức. Các yếu tố như điều kiện ánh sáng, góc chụp và sự che khuất có thể ảnh hưởng đến độ chính xác của hệ thống.

2.1. Ảnh hưởng của điều kiện ánh sáng đến nhận diện

Điều kiện ánh sáng không đồng đều có thể làm giảm chất lượng hình ảnh, dẫn đến khó khăn trong việc nhận diện sâu bệnh. Hệ thống cần được thiết kế để hoạt động hiệu quả trong nhiều điều kiện ánh sáng khác nhau.

2.2. Vấn đề góc chụp và sự che khuất

Góc chụp khác nhau có thể làm thay đổi hình dạng và kích thước của đối tượng, gây khó khăn trong việc nhận diện. Sự che khuất bởi các lá khác cũng có thể làm giảm độ chính xác của hệ thống.

III. Phương pháp phát hiện sâu bệnh rau cải hiệu quả bằng thị giác máy tính

Để phát hiện sâu bệnh rau cải hiệu quả, các phương pháp như học sâu và phân tích hình ảnh được áp dụng. Những công nghệ này cho phép hệ thống nhận diện và phân loại sâu bệnh một cách chính xác.

3.1. Sử dụng học sâu trong nhận diện sâu bệnh

Học sâu là một phần quan trọng trong việc phát triển các mô hình nhận diện sâu bệnh. Các mạng nơ-ron sâu có khả năng học hỏi từ dữ liệu lớn, giúp cải thiện độ chính xác trong việc phát hiện.

3.2. Phân tích hình ảnh để nhận diện sâu bệnh

Phân tích hình ảnh là bước quan trọng trong quy trình nhận diện. Hệ thống sẽ trích xuất các đặc trưng từ hình ảnh để xác định sự hiện diện của sâu bệnh trên lá rau cải.

IV. Ứng dụng thực tiễn của hệ thống phát hiện sâu bệnh rau cải

Hệ thống phát hiện sâu bệnh rau cải đã được áp dụng thực tiễn tại nhiều trang trại. Kết quả cho thấy, việc sử dụng công nghệ này giúp nông dân phát hiện sâu bệnh sớm hơn và giảm thiểu thiệt hại.

4.1. Kết quả nghiên cứu tại các trang trại

Nghiên cứu cho thấy, việc áp dụng thị giác máy tính trong phát hiện sâu bệnh đã giúp tăng năng suất rau cải lên đến 30%. Nông dân có thể theo dõi tình trạng cây trồng một cách hiệu quả hơn.

4.2. Phản hồi từ nông dân về hệ thống

Nông dân đã phản hồi tích cực về hệ thống phát hiện sâu bệnh. Họ cho rằng công nghệ này giúp họ tiết kiệm thời gian và chi phí trong việc chăm sóc cây trồng.

V. Kết luận và tương lai của ứng dụng thị giác máy tính trong nông nghiệp

Ứng dụng thị giác máy tính trong phát hiện sâu bệnh rau cải đang mở ra nhiều cơ hội mới cho ngành nông nghiệp. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến trong quy trình sản xuất nông nghiệp.

5.1. Triển vọng phát triển công nghệ trong nông nghiệp

Công nghệ thị giác máy tính sẽ tiếp tục phát triển và được áp dụng rộng rãi trong nông nghiệp. Điều này sẽ giúp nâng cao năng suất và chất lượng sản phẩm nông nghiệp.

5.2. Hướng nghiên cứu trong tương lai

Nghiên cứu trong tương lai sẽ tập trung vào việc cải thiện độ chính xác của hệ thống và mở rộng khả năng nhận diện cho nhiều loại sâu bệnh khác nhau.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong xu thế công nghiệp hóa và hiện đại hóa, nông nghiệp Việt Nam đang bước vào giai đoạn tiếp cận cuộc Cách mạng Công nghiệp 4.0 với sự xuất hiện của các thiết bị cảm biến kết nối vạn vật (IoT), hệ thống chiếu sáng LED, máy bay không người lái, robot nông nghiệp và các nền tảng quản trị trang trại thông minh. Mặc dù vậy, tại thời điểm nghiên cứu, phần lớn quy trình canh tác và quản lý dịch hại trong nước vẫn phụ thuộc vào phương thức thủ công. Việc giám sát đồng ruộng và phát hiện sâu bệnh chủ yếu thực hiện bằng mắt thường, gây tốn kém thời gian, tiêu hao nhiều nhân lực và khó kiểm soát kịp thời nguy cơ lây lan diện rộng.

Ứng dụng kỹ thuật thị giác máy tính vào sản xuất nông nghiệp mở ra giải pháp tự động hóa các khâu giám sát mùa màng, nâng cao năng suất và chất lượng nông sản, đồng thời giảm bớt sự phụ thuộc vào sự can thiệp trực tiếp của con người. Từ bối cảnh thực tiễn đó, đề tài "Ứng dụng thị giác máy tính trong thiết kế chế tạo hệ thống phát hiện sâu bệnh trên lá rau cải" được thực hiện tại Khoa Cơ điện – Học viện Nông nghiệp Việt Nam nhằm giải quyết bài toán phát hiện sớm mầm bệnh trên cây trồng thông qua hệ thống robot tự hành quy mô nhỏ.

Mục tiêu nghiên cứu của đồ án được xác định cụ thể theo bốn nhiệm vụ kỹ thuật:

1. Thiết kế và chế tạo một hệ thống có khả năng theo dõi, giám sát quá trình phát triển của cây trồng, tự động nhận biết nguy cơ và sự xuất hiện của sâu bệnh hại lá.
2. Xây dựng robot có khả năng chụp ảnh hiện trường và ứng dụng thuật toán thị giác máy tính để nhận dạng chính xác mầm bệnh trên cây rau cải.
3. Thiết lập mạng truyền thông không dây để gửi và nhận tín hiệu điều khiển, dữ liệu giám sát hai chiều với tủ điều khiển trung tâm (PLC).
4. Xây dựng giao diện cho phép người vận hành truy cập, giám sát và điều khiển robot từ xa qua thiết bị di động hoặc máy tính.

Đối tượng nghiên cứu trọng tâm là cây rau cải xanh và các dạng bệnh hại điển hình gồm bệnh thối nhũn do vi khuẩn (Erwinia carotovora) và bệnh vàng lá/ruồi đục lá. Phạm vi nghiên cứu giới hạn ở việc xây dựng, thử nghiệm mô hình thực nghiệm trong môi trường phòng thí nghiệm và tại nhà lưới trồng rau thủy canh/thổ canh với quy mô mô hình nhỏ, làm cơ sở khoa học để mở rộng thương mại hóa và ứng dụng trên quy mô diện tích lớn.

---

Cơ sở lý thuyết và phương pháp

Cơ sở lý luận của đồ án dựa trên các nguyên lý xử lý ảnh số, lý thuyết nhận dạng đối tượng (Object Recognition) và kiến trúc điều khiển tự động hóa nhúng.

Hệ thống nhận dạng đối tượng sử dụng mô hình trích chọn đặc trưng và phân lớp kinh điển của Viola & Jones (2001), kết hợp với các thuật toán tối ưu tốc độ xử lý thời gian thực:

• Đặc trưng Haar-like: Sử dụng các khung chữ nhật đen - trắng mở rộng (gồm 4 tập đặc trưng: đặc trưng cạnh, đặc trưng đường, đặc trưng xung quanh tâm và đặc trưng chéo) để phản ánh sự chênh lệch mức xám cục bộ giữa các vùng ảnh theo công thức: $$f(x) = \sum \text{Pixel}{\text{vùng đen}} - \sum \text{Pixel}{\text{vùng trắng}}$$
• Ảnh tích hợp (Integral Image): Giúp giảm thiểu tối đa khối lượng tính toán khi quét hàng nghìn đặc trưng trên các cửa sổ con (sub-window). Giá trị ảnh tích hợp tại vị trí $(x, y)$ là tổng giá trị các điểm ảnh thuộc vùng chữ nhật từ gốc $(0, 0)$ đến $(x, y)$. Nhờ đó, tổng mức xám của một miền chữ nhật $D$ bất kỳ được tính nhanh chóng chỉ bằng 4 phép toán qua các đỉnh: $$D = P_1 + P_4 - P_2 - P_3$$
• Thuật toán AdaBoost (Freund & Schapire, 1996): Lựa chọn các đặc trưng Haar-like tiêu biểu nhất để tạo thành các bộ phân lớp yếu (weak classifiers), sau đó cập nhật trọng số cho các mẫu nhận dạng sai qua từng vòng lặp huấn luyện nhằm kết hợp tuyến tính thành một bộ phân lớp mạnh (strong classifier).
• Mô hình phân lớp phân tầng (Cascade of Classifiers): Cấu trúc các bộ phân lớp nối tiếp nhau từ đơn giản đến phức tạp, giúp loại bỏ sớm các vùng ảnh không chứa đối tượng và chỉ tập trung năng lực tính toán cho các mẫu phức tạp, đảm bảo tốc độ đáp ứng thời gian thực trên phần cứng nhúng.

Phương pháp nghiên cứu thực nghiệm bao gồm việc thu thập tập mẫu hình ảnh thực tế của lá rau cải khỏe mạnh và lá rau cải bị sâu bệnh (bệnh thối nhũn, đốm vàng), thực hiện gán nhãn, tạo tập tin vector đặc trưng và huấn luyện mô hình cascade phân loại thông qua công cụ của thư viện OpenCV.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo cấu trúc điều khiển phân tán kết hợp xử lý thị giác máy tính và cơ cấu chấp hành chuyển động:

Thành phần	Thông số và Trang thiết bị sử dụng	Vai trò và Chức năng
Bộ xử lý trung tâm robot	Bo mạch Raspberry Pi 3B (HĐH Raspbian)	Thu nhận ảnh từ camera, chạy chương trình Python/OpenCV để nhận dạng sâu bệnh, gửi tín hiệu điều khiển
Bộ thu phát tín hiệu phụ	Bo mạch Raspberry Pi Zero	Đóng vai trò cầu nối truyền nhận không dây giữa robot và tủ điều khiển
Cảm biến hình ảnh	Raspberry Pi Camera Module V2 (8 MP)	Chụp ảnh lá rau cải trực tiếp trên luống khi robot di chuyển
Mạch điều khiển công suất	Module mạch cầu H L298N	Điều khiển đảo chiều và cấp nguồn cho hệ thống động cơ di chuyển
Động cơ truyền động	Động cơ DC giảm tốc kèm bánh xe	Dẫn động khung xe di chuyển dọc theo hệ thống thanh ray
Bộ điều khiển công nghiệp	PLC Siemens SIMATIC S7-1200 CPU 1214C	Quản lý logic điều khiển tại tủ trung tâm, đồng bộ với hệ thống tự động hóa nhà lưới
Khung cơ khí	Khung hợp kim/mica (Dài: 25cm, Rộng: 15cm, Cao: 20cm)	Mang toàn bộ khối xử lý, camera, nguồn pin và di chuyển trên ray
Nền tảng phần mềm	Python 3, OpenCV, Thonny IDE, Visual Studio, VNC Viewer, MQTT	Xử lý ảnh, huấn luyện bộ nhận dạng Haar-like, truyền thông không dây và giao diện điều khiển từ xa

Quy trình hoạt động: Robot di chuyển dọc theo đường ray đặt giữa các luống rau cải. Khi nhận tín hiệu điều khiển hoặc định kỳ theo hành trình, camera chụp ảnh mặt lá rau cải. Khung hình được tiền xử lý và đưa qua bộ phân lớp Cascade Haar-like đã huấn luyện. Nếu phát hiện vùng tổn thương do bệnh thối nhũn hoặc sâu bệnh, hệ thống lưu lại ảnh, trích xuất tọa độ/trạng thái và truyền gói tin cảnh báo qua giao thức MQTT/Wifi về Raspberry Pi Zero nối với tủ PLC S7-1200. Đồng thời, hình ảnh và trạng thái hoạt động được truyền trực tiếp về ứng dụng VNC Viewer trên điện thoại thông minh để người quản lý theo dõi trực quan.

---

Nội dung chính theo từng chương

Mở đầu: Đặt vấn đề và mục tiêu nghiên cứu

Tác giả nêu rõ tính cấp thiết của việc áp dụng cơ điện tử, tự động hóa và thị giác máy tính trong bối cảnh nông nghiệp thông minh tại Việt Nam. Nội dung xác lập mục tiêu thiết kế mô hình robot giám sát sâu bệnh trên cây rau cải, giới hạn phạm vi nghiên cứu ở hai dạng bệnh phổ biến và khẳng định ý nghĩa khoa học của đề tài trong việc làm tiền đề ứng dụng thị giác máy tính vào canh tác tự động.

Chương I: Tổng quan tài liệu

Chương này tổng kết toàn diện cơ sở lý luận về thị giác máy tính và bài toán nhận dạng đối tượng, phân tích các thách thức lớn trong nhận dạng hình ảnh như sự thay đổi góc chụp, biến dạng đối tượng, sự che khuất, độ phức tạp của hậu cảnh và biến động điều kiện chiếu sáng.

Tác giả khảo sát các ứng dụng tiêu biểu của thị giác máy tính trong đời sống (y tế, bán lẻ với mô hình Amazon Go, nhận dạng khuôn mặt, ngân hàng, phát hiện cháy rừng bằng UAV), trong tự động hóa công nghiệp (bảo trì tiên đoán ZDT của FANUC, quét mã vạch PanelScan trên PCB, kiểm tra chai lỗi của Acquire Automation, phân loại khuyết tật bề mặt WebSPECTOR của Shelton, kiểm tra 3D bằng camera Dalsa Genie Nano).

Trong lĩnh vực nông nghiệp, chương I điểm lại các nghiên cứu tiền đề:

• Nghiên cứu của Zayas và cộng sự (1985, 1986, 1989) trích xuất đặc trưng hình thái học để phân loại hạt lúa mì.
• Liao và cộng sự (1994) dùng mạng nơ-ron phân loại hạt ngô đạt độ chính xác 99% (với 720 hạt dàn phẳng) và 96% (với 720 hạt bị tẽ).
• Merchant và cộng sự (1998) chế tạo hệ thống phân loại khoai tây với tốc độ 40 củ/giây.
• Uông Mậu Hoa và Băng Bân (2002) dùng kích thước phân dạng sắc độ và mạng nơ-ron phân cấp 120 mẫu táo đạt độ chính xác trung bình 95,2%.
• Triệu Tĩnh và Hà Đông Kiện (2001) dùng 6 thông số hình thái nhận dạng trái cây đạt độ chính xác trên 93%.
• Ninh Kỷ Phong và cộng sự (2001) phát hiện khuyết tật tròn trên trái cây đạt độ chính xác 94,5%.
• Trương Trường Lợi và cộng sự (2001) phân biệt độ chín cà chua qua không gian màu HSI đạt độ chính xác 94%.
• Trương Thư Tuệ và cộng sự (2002) phân loại phẩm chất táo, đào đạt độ chính xác 96%.
• McConnell và Blau (1995) đo sắc độ màu phục vụ tự động hóa quá trình sấy, nướng thực phẩm.

Từ các tổng quan trên, tác giả rút ra yêu cầu thiết kế cho mô hình robot: kích thước nhỏ gọn (25 x 15 x 20 cm), chuyển động ổn định trên ray, nhận dạng được bệnh trên lá rau cải, lưu trữ truy xuất dữ liệu đơn giản và có giao diện điều khiển qua điện thoại.

Chương II: Nội dung và phương pháp nghiên cứu

Tập trung trình bày cơ sở toán học của đặc trưng Haar-like, nguyên lý tăng tốc tính toán bằng ảnh tích hợp, thuật toán huấn luyện AdaBoost và cấu trúc phân lớp tầng (Cascade Classifier). Chương này mô tả chi tiết đặc tính sinh học của cây cải xanh (Brassica juncea), dấu hiệu nhận biết và tác hại của bệnh thối nhũn do nấm/vi khuẩn Erwinia carotovora (dịch nhờn trắng đục, mùi hôi, thân nhũn gục), bệnh vàng lá do sai lệch dinh dưỡng/nồng độ pH/PPM.

Chương II cũng giới thiệu các thiết bị phần cứng chính (Raspberry Pi 3B, Raspberry Pi Zero, PLC Siemens S7-1200) và môi trường phần mềm (hệ điều hành Raspbian, thư viện OpenCV, ngôn ngữ Python, Visual Studio 2015, Thonny IDE).

Chương III: Kết quả và thảo luận

Trình bày toàn bộ quá trình hiện thực hóa mô hình từ sơ đồ không gian, thiết kế khung vỏ cơ khí, sơ đồ mạch động lực và điều khiển động cơ với module L298N, sơ đồ đấu nối chân tín hiệu và thuật toán chương trình. Tác giả trình bày quy trình huấn luyện bộ mẫu Haar-like: thu thập mẫu dương (lá bệnh) và mẫu âm (lá lành/hậu cảnh), tạo tập tin vector và trích xuất đặc trưng.

Nội dung chương ghi lại các kết quả thực nghiệm vận hành robot tại phòng thí nghiệm và nhà lưới thực tế, khả năng đồng bộ tín hiệu với tủ PLC S7-1200 qua MQTT, giao diện điều khiển trên smartphone qua VNC Viewer và lập bảng hoạch toán chi phí chế tạo.

Chương IV: Kết luận và đề nghị

Đánh giá mức độ hoàn thành các mục tiêu đề ra ban đầu, xác nhận hệ thống vận hành ổn định trong điều kiện thực nghiệm và đề xuất các giải pháp nâng cấp, mở rộng đề tài cho các giai đoạn tiếp theo.

---

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

1. Thiết kế và chế tạo phần cứng: Hoàn thiện mô hình robot tự hành kích thước 25 x 15 x 20 cm hoạt động trên hệ thống ray dẫn hướng, tích hợp camera Raspberry Pi V2, mạch điều khiển động cơ L298N và nguồn cấp di động.
2. Xây dựng phần mềm nhận dạng: Huấn luyện thành công bộ nhận dạng dựa trên đặc trưng Haar-like và thuật toán Cascade Classifier trong thư viện OpenCV, có khả năng khoanh vùng và phát hiện các dấu hiệu bệnh thối nhũn và vàng lá trên bề mặt lá rau cải.
3. Mạng truyền thông và giám sát: Thiết lập đường truyền thông không dây bằng giao thức MQTT giữa robot và bộ thu nhận Raspberry Pi Zero kết nối tủ PLC Siemens S7-1200; cài đặt giao diện điều khiển từ xa thông qua ứng dụng VNC Viewer trên điện thoại thông minh.
4. Kiểm nghiệm thực tế: Hệ thống đã được lắp ráp, vận hành thử nghiệm ổn định trong môi trường phòng thí nghiệm và chạy thực tế tại nhà lưới trồng rau.

Bảng phân công tín hiệu điều khiển hệ thống

Thiết bị / Chân IO	Ký hiệu tín hiệu	Chức năng điều khiển
Raspberry Pi GPIO	Pin_IN1, Pin_IN2	Tín hiệu logic điều khiển chiều quay động cơ trái qua L298N
Raspberry Pi GPIO	Pin_IN3, Pin_IN4	Tín hiệu logic điều khiển chiều quay động cơ phải qua L298N
Raspberry Pi PWM	ENA, ENB	Điều chỉnh tốc độ di chuyển của robot
Giao tiếp Camera	CSI Interface	Thu nhận luồng hình ảnh độ phân giải cao phục vụ xử lý
Giao tiếp Mạng	Wi-Fi / MQTT	Truyền trạng thái phát hiện bệnh về tủ điều khiển trung tâm
PLC S7-1200	Digital Input/Output	Nhận tín hiệu cảnh báo từ Pi Zero để điều khiển chuông/đèn/bơm

Đóng góp của đề tài

Đồ án đã chứng minh tính khả thi của việc tích hợp thị giác máy tính giá thành thấp (trên nền tảng vi máy tính Raspberry Pi) với hệ thống tự động hóa công nghiệp (PLC S7-1200) trong nông nghiệp. Đề tài cung cấp tài liệu thực nghiệm chi tiết từ khâu thiết kế cơ khí, lựa chọn linh kiện, lập trình thuật toán nhận dạng đến quy trình triển khai thực tế tại nhà lưới.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

• Dữ liệu huấn luyện nhận dạng mới tập trung vào 2 dạng bệnh điển hình trên rau cải (bệnh thối nhũn và vàng lá/ruồi đục lá); chưa bao quát được toàn bộ các loài sâu bệnh hại khác.
• Kích thước tập mẫu huấn luyện còn ở mức cơ bản, độ chính xác nhận dạng có thể bị dao động khi ánh sáng môi trường tự nhiên trong nhà lưới thay đổi đột ngột (nắng gắt hoặc trời tối).
• Robot hoạt động phụ thuộc vào hệ thống ray cố định, chưa có cơ chế tự định vị linh hoạt trên mặt đất gồ ghề.

Hướng phát triển đề xuất

• Mở rộng tập dữ liệu ảnh và huấn luyện thêm các mô hình nhận dạng cho nhiều loại sâu bệnh và trên các giống cây trồng khác nhau.
• Nghiên cứu ứng dụng các thuật toán học sâu (Deep Learning, CNN) trên các bo mạch tính toán nhúng chuyên dụng có GPU để nâng cao độ chính xác nhận diện trong điều kiện ánh sáng phức tạp.
• Phát triển hệ thống di chuyển đa hướng không cần ray và tích hợp thêm cơ cấu phun thuốc trừ sâu tự động cục bộ ngay khi phát hiện vị trí lá bị bệnh.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên và học viên thuộc các chuyên ngành Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, Công nghệ Nông nghiệp thông minh, và Công nghệ Thông tin (hướng Thị giác máy tính/IoT).

Nội dung tài liệu mang lại giá trị thực hành cao ở các phần:

• Phương pháp xây dựng tập mẫu và huấn luyện bộ phân loại Haar-like Cascade bằng OpenCV và Python.
• Cách thức kết nối, giao tiếp dữ liệu giữa hệ thống nhúng mã nguồn mở (Raspberry Pi) với thiết bị tự động hóa công nghiệp (PLC Siemens S7-1200).
• Kỹ thuật điều khiển, giám sát thiết bị từ xa qua giao thức mạng không dây và VNC Viewer trên thiết bị di động.

---

Câu hỏi thường gặp

1. Đồ án sử dụng thuật toán nào để nhận dạng sâu bệnh trên lá rau cải? Hệ thống sử dụng kỹ thuật trích xuất đặc trưng Haar-like kết hợp thuật toán AdaBoost và mô hình phân lớp phân tầng (Cascade Classifier) trong thư viện OpenCV để nhận dạng vùng bệnh trên lá rau cải.

2. Robot được trang bị phần cứng tính toán và cảm biến hình ảnh nào? Robot sử dụng bo mạch vi máy tính Raspberry Pi 3B làm khối xử lý trung tâm, camera Raspberry Pi V2 (8 megapixel) để thu thập hình ảnh và mạch cầu H L298N để điều khiển động cơ DC di chuyển.

3. Robot truyền nhận dữ liệu với tủ điều khiển trung tâm bằng phương thức nào? Hệ thống truyền thông không dây thông qua mạng Wi-Fi sử dụng giao thức MQTT, gửi dữ liệu từ Raspberry Pi 3B trên robot đến bo mạch trung gian Raspberry Pi Zero được kết nối trực tiếp với tủ điều khiển PLC Siemens S7-1200.

4. Người vận hành giám sát và điều khiển robot từ xa bằng công cụ gì? Người vận hành có thể truy cập giao diện màn hình của Raspberry Pi từ xa trên điện thoại thông minh hoặc máy tính thông qua phần mềm VNC Viewer.

5. Kích thước hình học tiêu chuẩn của khung robot trong thiết kế là bao nhiêu? Khung robot được thiết kế nhỏ gọn với các thông số kích thước dài 25 cm, rộng 15 cm và cao 20 cm để đảm bảo di chuyển thuận tiện trên ray trong nhà lưới.

---

Kết luận

Đồ án "Ứng dụng thị giác máy tính trong thiết kế chế tạo hệ thống phát hiện sâu bệnh trên lá rau cải" của tác giả Nguyễn Trọng Chinh đã thiết kế và chế tạo thành công mô hình robot tự hành mini tích hợp camera giám sát và xử lý ảnh trên nền tảng Raspberry Pi. Hệ thống đáp ứng tốt các yêu cầu kỹ thuật về nhận dạng bệnh thối nhũn và vàng lá bằng thuật toán Haar-like/AdaBoost, đồng thời thiết lập kênh truyền thông không dây tin cậy đồng bộ với tủ điều khiển PLC S7-1200 và giao diện điện thoại thông minh. Kết quả nghiên cứu khẳng định tiềm năng ứng dụng thị giác máy tính và IoT chi phí thấp trong việc tự động hóa giám sát dịch hại, góp phần thúc đẩy hiện đại hóa sản xuất nông nghiệp công nghệ cao tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG I: TỔNG QUAN TÀI LIỆU 1. Tổng quan về thị giác máy tính 1. Khái quát thị giác máy tính Thị giác máy tính là một môn học khoa học liên quan đến lý thuyết đằng sau các hệ thống nhân tạo có trích xuất các thông tin từ các hình ảnh. Dữ liệu hình ảnh có thể nhiều dạng, chẳng hạn như chuỗi video, các cảnh từ đa camera, hay dữ liệu đa chiều từ máy quét y học.

Thị giác máy tính còn là một môn học kỹ thuật, trong đó tìm kiếm việc áp dụng các mô hình và các lý thuyết cho việc xây dựng các hệ thống thị giác máy tính. Các lĩnh vực con của thị giác máy tính bao gồm tái cấu trúc cảnh, dò tìm sự kiện, theo dõi video, nhận diện bố cục đối tượng, học, chỉ mục, đánh giá chuyển động và phục hồi ảnh. Thị giác máy tính gắn liền với Trí tuệ nhân tạo AI, theo nghĩa thiết bị không chỉ cần nhìn mà ngay sau giai đoạn nhận biết này, nó phải phân tích và giải thích những gì mình thấy, từ đó đưa ra hành động phù hợp và tương tác với môi trường. Thị giác máy tính nhận dạng đối tượng 12 Thị giác máy tính so với xử lý hình ảnh không nên có sự nhầm lẫn giữa thị giác máy tính và xử lý hình ảnh.

Xử lý hình ảnh là phân tích hình ảnh kỹ thuật số hoặc thực hiện các thuật toán, bao gồm việc phân loại, trích xuất, chỉnh sửa hoặc lọc. Xử lý hình ảnh liên quan đến các công nghệ và phương pháp được sử dụng để gia tăng hình ảnh về khía cạnh thông tin trong khi thị giác máy tính hướng đến các “hành động thực tế”. Nhận dạng đối tượng bằng thị giác máy tính a. Thế nào là bài toán nhận dạng Nhận dạng đối tượng (Object recognition) là lĩnh vực thuộc “học máy (Machine Learning)” nghiên cứu việc tìm một đối tượng trong một ảnh hay video cho trước là một trong những ứng dụng của thị giác máy tính.

Đó là việc phát hiện lớp đối tượng cụ thể với các lớp đối tượng khác của hệ thống. Sự phát triển của khoa học kỹ thuật công nghệ đã thúc đẩy cho việc đưa bài toán nhận dạng đối tượng vào ứng dụng thực tiễn với mức độ tinh vi ngày càng cao, ta có thể thấy rất nhiều ứng dụng trong nhận dạng đối tượng phổ biến hiện nay như: camera theo dõi, nhận dạng vân tay,… b. Khó khăn trong nhận dạng đối tượng Đối với con người thì việc nhận dạng các đối tượng trong ảnh là việc không phải phức tạp, tuy nhiên đối với một hệ thống nhân tạo thì nhận ra một đối tượng từ một ảnh đòi hỏi phải giải quyết được rất nhiều vấn đề hóc búa. Chính vì thế vấn đề này vẫn đang được nhiều nhóm trên thế giới quan tâm nghiên cứu.

Khó khăn của bài toán nhận dạng có thể kể ra như sau: Tư thế, góc chụp: ảnh chụp đối tượng có thể thay đổi rất nhiều bởi vì góc chụp giữa camera và đối tượng. Với các tư thế khác nhau, các thành phần trên đối tượng cũng sẽ bị thay đổi khi bị khuất một phần hoặc khuất hết 13 Hình 1. Minh họa sự thay đổi góc chụp Sự biến dạng của đối tượng: Biến dạng của đối tượng có thể làm ảnh hưởng đáng kể lên các thông số của đối tượng đó. Chằng hạn, cùng một khuôn mặt một người nhưng có thể sẽ rất khác khi họ cười hoặc sợ hãi.

Sự che khuất: đối tượng có thể bị che khuất bởi các đối tượng khác. Minh họa cho sự che khuất Sự phức tạp của hình nền: Hình nền phía sau của đối tượng phức tạp sẽ khiến việc nhận dạng trở nên khó khăn, 14 Hình 1.