Giới thiệu dự án

Bối cảnh và tính cấp thiết

Trong xu hướng chuyển dịch mạnh mẽ sang nền nông nghiệp 4.0, tự động hóa và trí tuệ nhân tạo đóng vai trò nòng cốt nhằm nâng cao năng suất và chất lượng nông sản. Theo Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO), sâu bệnh gây tổn thất từ 20% đến 40% sản lượng cây trồng toàn cầu mỗi năm. Tại Việt Nam, rau cải (Brassica juncea) là loại rau ăn lá phổ biến nhưng rất dễ mẫn cảm với các tác nhân sinh học gây hại, đặc biệt là bệnh thối nhũn do vi khuẩn (Erwinia carotovora) và bệnh vàng lá, ruồi đục lá.

Phương pháp quản lý sâu bệnh truyền thống chủ yếu dựa vào quan sát thủ công bằng mắt thường của người nông dân. Cách làm này bộc lộ nhiều điểm yếu: tốn nhiều nhân công, mang tính chủ quan, khó phát hiện bệnh ở giai đoạn khởi phát trên diện tích canh tác lớn, dẫn đến việc lạm dụng thuốc bảo vệ thực vật diện rộng và làm tăng chi phí vận hành.

                  THỰC TRẠNG CANH TÁC TRUYỀN THỐNG
[Quan sát mắt thường] ──> [Phát hiện muộn] ──> [Phun thuốc diện rộng]
        │                        │                       │
  Tốn nhân công           Lây lan dịch bệnh        Tồn dư hóa chất

Vấn đề kỹ thuật cần giải quyết

  1. Thiếu khả năng giám sát tự động và liên tục: Nhà kính và trang trại quy mô vừa/nhỏ chưa có hệ thống giám sát tự hành chi phí thấp.
  2. Độ trễ trong phát hiện tổn thương lá: Các vết đốm hoại tử hoặc nhũn dịch vi khuẩn giai đoạn sớm có kích thước nhỏ, dễ bị bỏ sót.
  3. Rào cản về hạ tầng tính toán tại biên (Edge Computing): Các mô hình thị giác máy tính phức tạp đòi hỏi phần cứng đắt đỏ, không tương thích với điều kiện vận hành tại nhà lưới thực tế.

Mục tiêu đề tài

  1. Thiết kế và chế tạo hoàn chỉnh mô hình robot giám sát di chuyển trên ray dẫn hướng kích thước nhỏ gọn ($25\text{ cm} \times 15\text{ cm} \times 20\text{ cm}$).
  2. Xây dựng thuật toán trích xuất đặc trưng Haar-like kết hợp bộ phân lớp tầng AdaBoost trên nền tảng thư viện OpenCV nhằm nhận diện bệnh thối nhũn và vàng lá trên rau cải.
  3. Tích hợp hệ thống nhúng Raspberry Pi với vi điều khiển/bộ điều khiển khả trình công nghiệp PLC Siemens S7-1200 qua giao thức truyền thông không dây (Wi-Fi/MQTT/GPIO).
  4. Xây dựng giao diện điều khiển và giám sát thời gian thực trên thiết bị di động thông qua giao thức mạng nội bộ/VNC.

Giải pháp kỹ thuật và kết quả kỳ vọng

Đề tài lựa chọn phương tiếp cận xử lý ảnh tại biên (Edge Processing) sử dụng bo mạch nhúng Raspberry Pi 3B kết hợp module Raspberry Pi Camera V2. Thay vì phụ thuộc vào hạ tầng đám mây có độ trễ cao hoặc các dòng GPU công nghiệp đắt tiền, hệ thống tối ưu hóa thuật toán Haar-Cascade truyền thống với cấu trúc ảnh tích hợp (Integral Image), giúp đạt tốc độ xử lý thời gian thực ($\ge 15\text{ FPS}$) ngay trên CPU ARM Cortex-A53 tiết kiệm điện năng.

       QUY TRÌNH XỬ LÝ TẠI BIÊN CỦA HỆ THỐNG
[Pi Camera V2] ──> [Raspberry Pi 3B] ──> [Haar-Cascade] ──> [PLC S7-1200]
 (Thu nhận ảnh)    (Integral Image)     (Phát hiện bệnh)   (Kích hoạt cơ cấu)

Phạm vi và giới hạn: Hệ thống được thử nghiệm thực tế trong môi trường nhà lưới (greenhouse), tập trung nhận dạng hai bệnh phổ biến trên cây rau cải là thối nhũn vi khuẩn và vàng lá/ruồi đục lá; chuyển động giới hạn trên hệ thống khung ray tuyến tính cố định.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và so sánh giải pháp

Tiêu chí Giám sát thủ công Hệ thống quang phổ/Siêu phổ Deep Learning trên Cloud Server Hệ thống Haar-Cascade Edge (Đề tài)
Chi phí đầu tư Thấp (chi phí định kỳ cao) Rất cao (> 10.000 USD) Trung bình - Cao (thuê GPU) Rất thấp (< 200 USD)
Độ trễ xử lý Chậm (theo chu kỳ ngày) Thời gian thực 500 - 1500 ms (phụ thuộc mạng) < 70 ms (xử lý tại chỗ)
Độ tin cậy 60% - 75% (chủ quan) > 95% 90% - 96% 88% - 94% (ổn định)
Khả năng tự động Không Bán tự động Tự động hoàn toàn Tự động hoàn toàn
Yêu cầu hạ tầng Nhân công trực tiếp Phòng lab/Thiết bị đắt tiền Internet băng thông rộng Hệ thống nhúng độc lập

Yêu cầu hệ thống (Mô hình MoSCoW)

  • Must have (Bắt buộc): Di chuyển 2 chiều trên đường ray; tự động chụp ảnh bề mặt lá; phân loại chính xác vùng bệnh thối nhũn/vàng lá; xuất tín hiệu logic điều khiển đến PLC S7-1200.
  • Should have (Nên có): Giao diện phát luồng video và điều khiển bằng tay qua smartphone; lưu trữ ảnh bệnh vào thẻ nhớ; cảnh báo còi/đèn trạng thái.
  • Could have (Có thể có): Gửi báo cáo thống kê qua giao thức MQTT; tự động định vị tọa độ cây bệnh trên luống.
  • Won't have (Chưa thực hiện): Tích hợp tay gắp cơ khí cắt tỉa lá bệnh; phân tích hàm lượng diệp lục đa phổ chuyên sâu.

Thiết kế kiến trúc hệ thống

graph TD
    subgraph SENSING_PROCESSING ["Khối Cảm biến & Xử lý (Robot)"]
        Cam["Raspberry Pi Camera V2 (8MP)"] -->|CSI Bus| Pi3["Raspberry Pi 3B (OpenCV / Haar-Cascade)"]
        Pi3 -->|PWM / Direction| L298N["Module Driver L298N"]
        L298N -->|12V DC| Motor["Động cơ giảm tốc DC (Bánh dẫn động)"]
    end

    subgraph TELEMETRY_CONTROL ["Khối Điều khiển Trung tâm & Giám sát"]
        Pi3 -->|Wi-Fi / TCP-IP / MQTT| PiZero["Raspberry Pi Zero (Bộ nhận tín hiệu)"]
        PiZero -->|GPIO / Relay| PLC["PLC Siemens S7-1200 (CPU 1214C)"]
        PLC -->|Điều khiển| Actuators["Bơm thuốc / Đèn báo / Van tưới"]
        Pi3 -.->|VNC / Web Stream| Mobile["Điện thoại / Tablet Giám sát"]
    end

Technology Stack chi tiết

HỆ THỐNG PHẦN CỨNG & PHẦN MỀM:
├── Phần cứng nhúng:
│   ├── Bộ xử lý trung tâm: Raspberry Pi 3 Model B (Broadcom BCM2837, 4x Cortex-A53 @ 1.2GHz, 1GB LPDDR2)
│   ├── Bộ truyền nhận tín hiệu phụ trợ: Raspberry Pi Zero W (1GHz Single-core, 512MB RAM)
│   ├── Cảm biến hình ảnh: Raspberry Pi Camera Module V2 (Sony IMX219 8-megapixel, góc nhìn 62.2°)
│   ├── Mạch công suất: Dual H-Bridge Driver L298N (Dòng đỉnh 2A/kênh, điện áp cấp động cơ 12V DC)
│   ├── Động cơ: 02 Động cơ DC giảm tốc trục vuông (Tỷ số truyền 1:48, 100 RPM tại 12V)
│   └── PLC Công nghiệp: Siemens SIMATIC S7-1200 CPU 1214C DC/DC/DC (Firmware V4.2)
└── Phần mềm & Thư viện:
    ├── Hệ điều hành: Raspbian Stretch / Buster (Linux Kernel 4.19)
    ├── Môi trường lập trình: Python 3.7, Visual Studio 2015/2017, Thonny IDE
    ├── Thư viện thị giác máy tính: OpenCV 3.4.4 compiled with NEON & VFPv4 optimizations
    ├── Giao thức điều khiển: TIA Portal V15 (PLC Programming), RealVNC Server 6.7.1, Paho MQTT Client

Bảng phân công chân tín hiệu (I/O Mapping)

Tên thiết bị Chân vi điều khiển (Raspberry Pi GPIO) Chân Driver L298N / PLC Chức năng kỹ thuật
Motor A Forward GPIO 17 (Pin 11) IN1 (L298N) Điều khiển robot chạy tiến
Motor A Reverse GPIO 27 (Pin 13) IN2 (L298N) Điều khiển robot chạy lùi
Motor B Forward GPIO 22 (Pin 15) IN3 (L298N) Điều khiển động cơ phụ tiến
Motor B Reverse GPIO 23 (Pin 16) IN4 (L298N) Điều khiển động cơ phụ lùi
Speed Control PWM GPIO 18 (Pin 12) ENA / ENB Điều biến độ rộng xung vận tốc xe
Disease Flag Output GPIO 24 (Pin 18) Digital Input %I0.0 (PLC) Tín hiệu mức logic báo phát hiện bệnh
System Sync Ready GPIO 25 (Pin 22) Digital Input %I0.1 (PLC) Tín hiệu robot sẵn sàng nhận lệnh chu kỳ

Implementation và kết quả

Quy trình phát triển phần mềm và thuật toán

Toàn bộ quy trình nhận dạng đối tượng bệnh thực vật được tối ưu hóa thông qua chuỗi 4 giai đoạn xử lý dữ liệu:

[Ảnh gốc BGR] ──> [Chuyển Grayscale] ──> [Tính Integral Image] ──> [Cascade Classifier] ──> [Tọa độ ROI]

1. Nguyên lý đặc trưng Haar-like và ảnh tích hợp (Integral Image)

Giá trị của một đặc trưng Haar-like $f(x)$ được tính bằng hiệu giữa tổng mức xám của vùng đen và tổng mức xám của vùng trắng:

$$f(x) = \sum_{\text{Pixel } \in \text{ Vùng Đen}} I(x, y) - \sum_{\text{Pixel } \in \text{ Vùng Trắng}} I(x, y)$$

Để loại bỏ sự phụ thuộc vào kích thước cửa sổ con ($W \times H$) và tăng tốc độ tính toán lên độ phức tạp $O(1)$, ảnh tích hợp $ii(x,y)$ được tạo lập trước theo công thức đệ quy:

$$ii(x, y) = ii(x, y-1) + ii(x-1, y) - ii(x-1, y-1) + i(x, y)$$

Khi đó, tổng mức xám của một miền chữ nhật bất kỳ $D$ với 4 đỉnh $P_1(x_1, y_1), P_2(x_2, y_1), P_3(x_1, y_2), P_4(x_2, y_2)$ được tính tức thời qua 4 phép truy xuất bộ nhớ:

$$\text{Sum}(D) = P_4 + P_1 - P_2 - P_3$$

P1 (x1, y1) ──────── P2 (x2, y1)
 │                      │
 │       VÙNG D         │   Sum(D) = P4 + P1 - P2 - P3
 │                      │
P3 (x1, y2) ──────── P4 (x2, y2)

2. Thuật toán phân lớp tầng AdaBoost (Cascade Classifier)

Mô hình huấn luyện tập hợp $T$ bộ phân lớp yếu $h_j(x)$ thành một bộ phân lớp mạnh $H(x)$:

$$H(x) = \begin{cases} 1 & \text{nếu } \sum_{t=1}^{T} \alpha_t h_t(x) \ge \frac{1}{2} \sum_{t=1}^{T} \alpha_t \ 0 & \text{ngược lại} \end{cases}$$

Trong đó $\alpha_t = \ln\left(\frac{1 - \epsilon_t}{\epsilon_t}\right)$, với $\epsilon_t$ là sai số của bộ phân lớp yếu thứ $t$.

3. Code triển khai nhận diện và điều khiển thời gian thực

import cv2
import RPi.GPIO as GPIO
import time

# Cấu hình GPIO điều khiển động cơ và tín hiệu PLC
PIN_PLC_ALERT = 24
PIN_ENA = 18
PIN_IN1 = 17
PIN_IN2 = 27

GPIO.setmode(GPIO.BCM)
GPIO.setup(PIN_PLC_ALERT, GPIO.OUT)
GPIO.setup(PIN_ENA, GPIO.OUT)
GPIO.setup(PIN_IN1, GPIO.OUT)
GPIO.setup(PIN_IN2, GPIO.OUT)

pwm_motor = GPIO.PWM(PIN_ENA, 1000) # PWM 1kHz
pwm_motor.start(60) # Chạy với 60% Duty Cycle

# Load Cascade Model đã huấn luyện
cascade_thoi_nhun = cv2.CascadeClassifier('cascade_thoinhun_v2.xml')

# Khởi tạo Camera
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

def set_robot_motion(forward=True):
    GPIO.output(PIN_IN1, GPIO.HIGH if forward else GPIO.LOW)
    GPIO.output(PIN_IN2, GPIO.LOW if forward else GPIO.HIGH)

try:
    set_robot_motion(True)
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
            
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        
        # Nhận diện vùng bệnh
        diseases = cascade_thoi_nhun.detectMultiScale(
            gray,
            scaleFactor=1.15,
            minNeighbors=5,
            minSize=(30, 30),
            flags=cv2.CASCADE_SCALE_IMAGE
        )
        
        if len(diseases) > 0:
            # Phát hiện bệnh: Xuất tín hiệu sang PLC và vẽ bounding box
            GPIO.output(PIN_PLC_ALERT, GPIO.HIGH)
            for (x, y, w, h) in diseases:
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
                cv2.putText(frame, "Benh Thoi Nhun", (x, y - 5),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)
        else:
            GPIO.output(PIN_PLC_ALERT, GPIO.LOW)
            
        cv2.imshow('Crop Health Monitor', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
finally:
    pwm_motor.stop()
    GPIO.cleanup()
    cap.release()
    cv2.destroyAllWindows()

Thử nghiệm và Đánh giá hiệu năng

Dữ liệu huấn luyện gồm 850 mẫu dương tính (Positive Samples - ảnh lá bị thối nhũn và vàng lá thực tế) và 1.500 mẫu âm tính (Negative Samples - lá rau khỏe, đất cát, khung cơ khí).

TẬP DỮ LIỆU HUẤN LUYỆN:
├── Positive Samples: 850 ảnh (Lá bệnh thối nhũn + đốm vàng)
└── Negative Samples: 1,500 ảnh (Lá lành + Đất + Nền gạch + Khung kim loại)

Kết quả thử nghiệm định lượng

Môi trường thử nghiệm Số lượng mẫu kiểm tra Số mẫu nhận diện đúng Sai số phát hiện giả (FP) Độ trễ xử lý TB Tỷ lệ chính xác (%)
Phòng thí nghiệm (Ánh sáng chuẩn 500 Lux) 120 114 4 54 ms (~18.5 FPS) 95.0%
Nhà lưới thực tế (Nắng tự nhiên, có bóng đổ) 150 134 11 62 ms (~16.1 FPS) 89.3%
Nhà lưới chiều tối (Đèn LED bổ sung) 80 73 5 58 ms (~17.2 FPS) 91.2% 
KẾT QUẢ ĐẠT ĐƯỢC THEO MỤC TIÊU BAN ĐẦU:
- Khả năng phát hiện bệnh: Đạt 89.3% - 95.0% (Mục tiêu: >= 85%) ──> VƯỢT CHỈ TIÊU
- Tốc độ xử lý hình ảnh: 16.1 - 18.5 FPS (Mục tiêu: >= 15 FPS)  ──> ĐẠT YÊU CẦU
- Tích hợp điều khiển PLC: Đồng bộ chu kỳ quét 100ms            ──> ĐẠT YÊU CẦU
- Trọng lượng cơ cấu robot: 1.85 kg (Nhẹ hơn giới hạn 2.5 kg)   ──> ĐẠT YÊU CẦU

Đổi mới và đóng góp

Điểm mới về kỹ thuật

  1. Kiến trúc phân tầng biên không đồng bộ: Tách biệt tác vụ xử lý hình ảnh phức tạp trên Raspberry Pi 3B và điều khiển chấp hành công nghiệp trên PLC S7-1200 thông qua bộ đệm Raspberry Pi Zero, đảm bảo an toàn điện áp công nghiệp (24V logic) và tính liên tục của hệ thống nhúng (3.3V logic).
  2. Bộ mẫu đặc trưng Haar chuyên biệt cho bệnh thối nhũn: Trích xuất chính xác các đặc trưng viền hoại tử và biến đổi tương phản giữa mô lá diệp lục khỏe mạnh và vùng dịch nhầy vi khuẩn, giảm thiểu tối đa hiện tượng phát hiện sai do gân lá tự nhiên.

So sánh với các giải pháp hiện hành

Đặc tính kỹ thuật Giải pháp Deep Learning Cloud (YOLOv5/ResNet) Phương pháp xử lý ảnh màu truyền thống (Color Thresholding) Giải pháp Đề tài (Haar-Cascade + Edge SBC)
Yêu cầu GPU Cần Nvidia Jetson / Cloud GPU Không Không cần (chạy tốt trên CPU ARM)
Công suất tiêu thụ 15W - 50W < 3W ~ 4.5W (Tối ưu cho pin dự phòng)
Độ ổn định khi mất mạng Ngừng hoạt động Hoạt động bình thường Hoạt động cục bộ 100% độc lập
Thời gian huấn luyện 4 - 12 giờ trên máy trạm Không cần huấn luyện 45 phút trên PC văn phòng

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

  1. Chế độ tự động (Auto Patrol): Robot di chuyển định kỳ 30 phút/lần dọc theo luống rau cải thủy canh hoặc luống đất trong nhà lưới. Khi camera phát hiện cụm lá có diện tích thối nhũn vượt ngưỡng $5\text{ mm}^2$, robot kích hoạt cờ tín hiệu gửi về PLC S7-1200. PLC ghi nhận tọa độ mét thứ $n$ trên thanh ray và bật van vi phun cục bộ chế phẩm sinh học EMINA-P.
  2. Chế độ kiểm tra từ xa (Remote Diagnosis): Kỹ sư nông nghiệp mở ứng dụng VNC Viewer trên điện thoại kết nối vào IP tĩnh của robot để xem luồng video trực tiếp, điều khiển hướng xe và chụp ảnh lưu trữ các mẫu bệnh lạ.
                  SƠ ĐỒ BỐ TRÍ TẠI NHÀ LƯỚI
┌──────────────────────────────────────────────────────────┐
│                     HỆ THỐNG RAY TREO                    │
│   [Robot] ===> ===> [Robot Camera] ===> ===> [Cây bệnh] │
│      │                                           │       │
│      └────── [Wi-Fi] ───> [Tủ PLC S7-1200] ──────┘       │
│                                  │                       │
│                           [Van Phun Thuốc]               │
└──────────────────────────────────────────────────────────┘

Dự toán chi phí chế tạo (BOM - Bill of Materials)

STT Tên linh kiện / Thiết bị Số lượng Đơn giá dự kiến (VNĐ) Thành tiền (VNĐ)
1 Bo mạch Raspberry Pi 3 Model B 01 950.000 950.000
2 Bo mạch Raspberry Pi Zero W 01 320.000 320.000
3 Raspberry Pi Camera Module V2 (8MP) 01 450.000 450.000
4 Mạch điều khiển động cơ L298N 01 45.000 45.000
5 Động cơ DC giảm tốc + Bánh xe 02 85.000 170.000
6 Khung nhôm định hình, ray dẫn, gá cơ khí 01 bộ 650.000 650.000
7 Nguồn xung 12V-5A, module hạ áp LM2596, dây nối 01 bộ 280.000 280.000
8 Thiết bị phụ trợ, rơ le trung gian cách ly 01 bộ 150.000 150.000
TỔNG Toàn bộ hệ thống chấp hành & xử lý robot 3.015.000 VNĐ

Ghi chú: Khối PLC S7-1200 sử dụng hạ tầng có sẵn tại tủ điện trung tâm của trang trại.

Phân tích hiệu quả kinh tế (ROI)

  • Với nhà lưới diện tích $500\text{ m}^2$, chi phí thuê nhân công kiểm tra định kỳ khoảng $4.000.000\text{ VNĐ/tháng}$.
  • Áp dụng 02 hệ thống robot giám sát (chi phí đầu tư ~ $6.000.000\text{ VNĐ}$), tỷ lệ phát hiện sớm dịch bệnh đạt trên $89%$, giảm thiểu thất thoát rau hỏng ước tính $2.500.000\text{ VNĐ/vụ}$.
  • Thời gian hoàn vốn (Payback Period): Khoảng 2.5 đến 3 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Nhạy cảm với sự thay đổi cường độ sáng đột ngột: Thuật toán Haar-like dựa vào độ chênh lệch mức xám, do đó khi ánh sáng mặt trời chiếu trực tiếp gắt hoặc bóng cây thay đổi nhanh, tỷ lệ nhận diện sai tăng lên $10.7%$.
  • Hạn chế góc nhìn 2D: Camera cố định góc nhìn từ trên xuống chỉ quét được tầng lá trên cùng; các ổ nấm bệnh ẩn dưới cuống lá sát mặt đất chưa thể quan sát toàn diện.

Hướng nâng cấp mở rộng

  1. Nâng cấp mô hình AI: Triển khai các kiến trúc mạng nơ-ron tích chập siêu nhẹ như MobileNetV3-SSD hoặc YOLOv8-Nano tối ưu qua TensorRT/OpenVINO trên các dòng phần cứng thế hệ mới (Raspberry Pi 5 hoặc Raspberry Pi AI Kit).
  2. Cơ cấu cơ khí đa trục: Bổ sung cơ cấu nâng hạ trục Z và cụm camera xoay Pan-Tilt 2 bậc tự do giúp quét sâu vào các kẽ lá và mặt dưới của tầng tán thực vật.
  3. Mở rộng tập dữ liệu: Mở rộng bộ nhận diện cho các loại rau trồng khác (cải bắp, xà lách, cà chua) và các bệnh đốm lá vi khuẩn, phấn trắng, sâu tơ.

Đối tượng hưởng lợi

                         CỘNG ĐỒNG HƯỞNG LỢI
   ┌──────────────────────┬──────────────────────┬──────────────────────┐
   │    Sinh viên / GV    │    Lập trình viên    │   Chủ trang trại     │
   ├──────────────────────┼──────────────────────┼──────────────────────┤
   │ Tài liệu tham khảo   │ Mẫu tích hợp OpenCV  │ Giảm 70% công kiểm   │
   │ thực tế đồ án nhúng  │ với PLC công nghiệp  │ tra, hoàn vốn 3 tháng│
   └──────────────────────┴──────────────────────┴──────────────────────┘
  • Sinh viên & Giảng viên khối ngành Cơ điện tử / Tự động hóa / Nông nghiệp công nghệ cao: Nguồn tài liệu thực nghiệm hoàn chỉnh về kết hợp thị giác máy tính mã nguồn mở với thiết bị điều khiển công nghiệp tiêu chuẩn.
  • Kỹ sư phát triển hệ thống nhúng (Embedded Engineers): Cung cấp kiến trúc phần mềm tối ưu hiệu năng tính toán trên chip ARM đơn thuần mà không cần GPU đắt đỏ.
  • Chủ trang trại & Hợp tác xã nông nghiệp: Giải pháp công nghệ chi phí rẻ, dễ chế tạo, giúp số hóa khâu giám sát sức khỏe cây trồng và bảo vệ mùa màng kịp thời.

Câu hỏi thường gặp

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

Hệ thống yêu cầu nguồn cấp 12V DC (tối thiểu 3A) hoặc ắc quy dự phòng, hạ tầng ray trượt chữ U/nhôm định hình treo phía trên luống rau, mạng Wi-Fi nội bộ phủ sóng tại khu vực canh tác và bo mạch Raspberry Pi cài đặt sẵn hệ điều hành Raspbian cùng thư viện OpenCV.

2. Khả năng mở rộng quy mô cho trang trại lớn như thế nào?

Hệ thống áp dụng kiến trúc mạng phân tán. Với trang trại quy mô hàng hecta, mỗi luống hoặc nhà lưới lắp đặt 01 cụm robot cơ sở. Toàn bộ các robot gửi dữ liệu về broker MQTT tập trung tại máy chủ điều hành trang trại để quản lý đồng bộ hàng trăm điểm giám sát cùng lúc.

3. Làm thế nào để robot tích hợp an toàn với các dòng PLC khác nhau?

Hệ thống sử dụng tầng trung gian cách ly quang (Optocoupler) hoặc module Relay 5V/24V giữa đầu ra GPIO của bo mạch nhúng và đầu vào Digital Input của PLC. Do đó, hệ thống hoàn toàn tương thích với mọi dòng PLC như Mitsubishi FX-series, Omron, Schneider hay Siemens.

4. Chi phí bảo trì và bảo dưỡng định kỳ gồm những gì?

Chi phí bảo dưỡng định kỳ rất thấp, chủ yếu bao gồm vệ sinh ống kính camera bằng cồn chuyên dụng (1 lần/tuần), tra dầu mỡ ray trượt cơ khí (1 lần/tháng) và sao lưu dữ liệu hình ảnh trên thẻ nhớ SD định kỳ.

5. Tại sao không chọn mạng Deep Learning (CNN) ngay từ đầu?

Tại thời điểm nghiên cứu trên phần cứng nhúng Raspberry Pi 3B (1GB RAM), các mô hình mạng nơ-ron sâu phức tạp tiêu tốn lượng tài nguyên bộ nhớ rất lớn và chỉ đạt tốc độ 1 - 3 FPS trên CPU, không đáp ứng yêu cầu bám vết thời gian thực của xe di chuyển. Phương pháp Haar-Cascade mang lại sự cân bằng hoàn hảo giữa tốc độ tính toán (16 - 18 FPS), độ chính xác (~90%) và chi phí phần cứng cực thấp.

Kết luận

Đồ án tốt nghiệp "Ứng dụng thị giác máy tính trong thiết kế chế tạo hệ thống phát hiện sâu bệnh trên lá rau cải" đã hiện thực hóa thành công một giải pháp kỹ thuật liên ngành giữa Cơ điện tử, Nông nghiệp thông minh và Xử lý ảnh số:

  • Về mặt kỹ thuật: Chế tạo thành công robot giám sát di chuyển ổn định trên ray, làm chủ thuật toán trích xuất đặc trưng Haar-like và phân loại tầng AdaBoost với tốc độ xử lý $16 - 18.5\text{ FPS}$, độ chính xác đạt $89.3% - 95.0%$.
  • Về mặt ứng dụng: Kết nối thành công luồng dữ liệu thời gian thực giữa bo mạch nhúng Linux và hệ thống điều khiển công nghiệp PLC Siemens S7-1200, cho phép kích hoạt các cơ cấu dập dịch tự động.
  • Giá trị thực tiễn: Chi phí chế tạo nguyên mẫu tối ưu chỉ khoảng 3 triệu đồng, mang lại khả năng hoàn vốn nhanh trong vòng 3 tháng cho các nhà vườn công nghệ cao.

Hệ thống mở ra tiền đề quan trọng cho việc phổ cập các giải pháp thị giác máy tính giá rẻ vào sản xuất nông nghiệp thực tế tại Việt Nam, giảm thiểu sự phụ thuộc vào hóa chất và hướng tới nền nông nghiệp sạch, an toàn và bền vững.