Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản

Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC BÁCH KHOA HÀ NỘI

LÊ THANH VIỆT

NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG IoT THU THẬP DỮ LIỆU VÀ THUẬT TOÁN PHÂN VÙNG, PHÂN LOẠI CÁ THỂ SỬ DỤNG HỌC SÂU ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI TRỒNG THỦY SẢN

LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

Hà Nội - 2024

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC BÁCH KHOA HÀ NỘI

LÊ THANH VIỆT

NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG IoT THU THẬP DỮ LIỆU VÀ THUẬT TOÁN PHÂN VÙNG, PHÂN LOẠI CÁ THỂSỬ DỤNG HỌC SÂU ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI TRỒNG THỦY SẢN

Ngành: Kỹ thuật Viễn thông

Mã số: 9520208

LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

NGƯỜI HƯỚNG DẪN KHOA HỌC:

GS.TS VŨ VĂN YÊM

TS VƯƠNG HOÀNG NAM

Hà Nội - 2024

i

LỜI CAM ĐOAN

Tôi xin cam đoan luận án “Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu

và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản” là kết quả nghiên cứu của riêng tôi Các số liệu, kết quả nghiên cứu trình bày trong luận án là trung thực, một phần đã được công bố trên các tạp chí khoa học chuyên ngành trong và ngoài nước trong danh mục các công trình khoa học

đã công bố của luận án Phần còn lại chưa được ai công bố trong bất kỳ công trình nghiên cứu nào

Hà Nội, ngày tháng năm 2024

GS.TS Vũ Văn Yêm TS Vương Hoàng Nam Lê Thanh Việt

ii

LỜI CẢM ƠN

Lời đầu tiên, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS.TS Vũ Văn Yêm và

TS Vương Hoàng Nam, người đã tận tình hướng dẫn trực tiếp nghiên cứu sinh về mặt khoa học cũng như phần thực hành chế tạo thiết bị và hỗ trợ về mọi mặt để tôi

có thể hoàn thành bản luận án này sau 7 năm làm nghiên cứu sinh

Qua đây, tôi cũng xin cảm ơn Bộ môn hệ thống viễn thông, Viện Điện tử - Viễn thông trước đây, nay là Khoa kỹ thuật truyền thông, Trường Điện - Điện tử Đại học Bách khoa Hà Nội đã tạo mọi điều kiện thuận lợi cho nghiên cứu sinh trong quá trình học tập, nghiên cứu

Bản thân cũng xin gửi lời cảm ơn chân thành tới các thành viên nghiên cứu của RF lab, Đại học Bách khoa Hà Nội đã đồng hành cùng tôi trong suốt thời gian nghiên cứu vừa qua

Cuối cùng, tôi cũng xin cảm ơn gia đình, bạn bè, đồng nghiệp và người thân

đã giúp đỡ, chia sẻ những khó khăn, khích lệ, động viên để tôi có thể hoàn thành luận

án này

Xin trân trọng cảm ơn

Hà Nội, ngày tháng năm 2024

Tác giả luận án

Lê Thanh Việt

1.2 Hiện trạng và nhu cầu ứng dụng IoT cho nuôi thủy sản 29

1.3 Kiến trúc và các giao thức hệ thống IoT 31

1.3.1 Kiến trúc hệ thống IoT 31

1.3.2 Giao thức truyền thông LORA trong IoT 31

1.4 Tổng quan về ứng dụng xử lý ảnh trong phân vùng và phân loại thủy sản 33

1.4.1 Giới thiệu chung 33

1.4.2 Các thách thức trong phát hiện và ước lượng mật độ cá thể 34

1.4.3 Các mô hình thị giác máy tính dùng trong phát hiện cá thể 36

1.4.4 Ước lượng và đếm cá thể thủy sản 37

1.5 Các kỹ thuật phát hiện vật thể trong thị giác máy tính 39

1.5.1 Giới thiệu chung về một số kỹ thuật trong thị giác máy tính 39

1.5.2 Một số phương pháp phân vùng ảnh cổ điển 40

1.5.3 Các phương pháp phát hiện vật thể hiện đại dùng học sâu 44

1.6 Các vấn đề nghiên cứu cần giải quyết 55

2.2 Mô hình hệ thống IoT ứng dụng trong nuôi thủy sản 64

2.2.1 Nghiên cứu thiết kế mô hình hệ thống IoT 64

2.2.2 Mô hình hệ thống IoT khi triển khai thực nghiệm tại hiện trường 66

iv

2.2.3 Yêu cầu kỹ thuật, xây dựng giải pháp cho các khối trong hệ thống 67

2.3 Thiết kế, chế tạo phần cứng và thiết kế phần mềm hệ thống IoT ứng dụng trong nuôi thủy sản 68

2.3.1 Thiết kế, chế tạo thiết bị đầu cuối IoT thu thập dữ liệu từ cảm biến 68

2.3.2 Thiết kế, chế tạo thiết bị IoT điều khiển cơ cấu chấp hành (IoT control node) 72

2.3.3 Thiết kế và chế tạo IoT cổng (IoT gateway) 73

3.1 Phát hiện và phân loại cá thể dùng học sâu 98

3.1.1 Phát hiện cá dùng phương pháp phân vùng 98

3.1.2 Phân loại cá 99

3.1.3 Phát hiện cá thể kết hợp phân loại 101

3.2 Mô hình mạng nơ ron tích chập sử dụng khối giảm chiều đa tỉ lệ theo không gian và hàm mất mát dựa trên đường bao cục bộ và ứng dụng cho phân vùng hình ảnh cá thể 102

3.2.1 Mô hình mạng nơ ron tích chập sử dụng khối giảm chiều đa tỉ lệ theo không gian 102

3.2.2 Hàm mất mát cho mô hình bài toán phân đoạn ảnh cá 103

v

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 121 DANH MỤC TÀI LIỆU THAM KHẢO 122

vii

DANH MỤC CÁC CHỮ VIẾT TẮT

tự/số AES Advanced Encryption Standard Chuẩn mật mã hóa tiên tiến

AIoT Artificial Intelligence Of Things Trí tuệ nhân tạo của vạn vật

API Application Programming Interface Giao diện lập trình ứng dụng

CDMA Code Division Multiple Access Đa truy cập phân chia theo mã

CSA Climate-SmartTech Nông nghiệp thích ứng với khí hậu CSMA/CA Carrier Senser Multiple Access

with Collision Avoidance Đa truy nhập theo cảm nhận sóng mang cùng cơ chế tránh xung đột

DDOS Distributed Denial of Service Tấn công từ chối dịch vụ phân tán DHCP Dynamic Host Configuration

EDGE Enhanced Data for GSM Evolution Di động theo chuẩn EDGE (2.75G)

FAO Food and Agriculture Organizationof the United

Nations

Tổ chức Lương thực và Nông nghiệp Liên Hiệp Quốc FDMA Frequency Division Multiple

FSK Frequency Shift Keying Khoa dịch tần số

FTP File Transfer Protocol Giao thức chuyển tệp tin

GPIO General Purpose Input Output Đầu vào ra đa mục đích

GPRS Generla Packet Radio Services Dịch vụ vô tuyến gói chung

GSM Global System For Mobile Hệ thống thông tin di động toàn cầu HTTP Hyper Text Transfer Protocol Giao thức truyền tải siêu văn bản ICSP In Ciruit Serial Programming Lập trình trong mạch nối tiếp IDS Instruction Detection System Hệ thống phát hiện xâm nhập IEEE Institute of Electrical and Electronics Engineers Viện các kỹ sư điện, điện tử

viii

IFAD International Fund for Agriculture Development Quỹ phát triển nông nghiệp quốc tế

IPS Intrusion Prevention Systems Hệ thống ngăn ngừa xâm nhập

JSON JavaScript Object Notation Ký hiệu đối tượng JavaScript

LoRA Long Range Application Truyền thông cự ly xa theo chuẩn

Lora LoRaWAN Long Range Wireless Area

LPWAN Low-Powered Wide Area

MSSP Master Synchronous Serial Port Cổng giao tiếp nối tiếp chính NAT Network Address Translation Biên dịch địa chỉ mạng

NTC Negative Temperature Coefficient Điện trở nhiệt hệ số âm

OTP One Time Programmable Được lập trình một lần

RFID Radio Frequency Identification Nhận thực sử dụng sóng vô tuyến RSTP Real Time Streaming Protocol Giao thức phát thời gian thực

SDMA Space Division Multiple Access Đa truy nhập phân chia theo

không gian SSP Synchoronous Serial Port Cổng giao tiếp nối tiếp

SPI Serial Peripheral Interface Giao diện ngoại vi nối tiếp

ix

SIEM Security Information and Event

Management

Giải pháp quản lý và phân tích sự kiện an toàn thông tin

Snort Network Intrusion detection

system mạng mã nguồn mở Hệ thống phát hiện xâm nhập

UNEP Programme United Nations Environment hợp quốc Chương trình môi trường Liên

WEP Wired Equivalent Privacy Bảo mật tương đương có dây WFP World Food Programme Chương trình lương thực thế giới

WSN Wireless Sensor Network Mạng cảm biến vô tuyến

x

DANH MỤC CÁC BẢNG

Bảng 2-1: Bảng tổng hợp tính độc của NH3 theo pH và NH4 61

Bảng 2-2: Dải đo và tín hiệu ra của bộ cảm biến 67

Bảng 2-3: Cơ sở dữ liệu cần thu thập 77

Bảng 2-4: Kết quả đo các thông số trung bình 1 ngày 91

Bảng 2-5: Kết quả đo các thông số trung bình 1 tháng 91

Bảng 2-6: Đánh giá về chức năng phần mềm quan trắc 91

Bảng 2-7: Đánh giá về chức năng phần mềm quan trắc 92

Bảng 2-8: Các sự cố liên quan của hệ thống quan trắc 94

Bảng 3-1: So sánh giữa các phương pháp phân đoạn cá khác trên dữ liệu DeepFish 106

Bảng 3-2: So sánh giữa các phương pháp phân vùng cá khác trên dữ liệu SIUM 108

Bảng 3-3: So sánh hiệu năng phân vùng cá khi sử dụng mô đun WASP (w/WASP) và không sử dụng WASP (w/o WASP) 109

Bảng 3-4: So sánh giữa hiệu năng phân vùng cá khi sử dụng hàm tổn thất đề xuất và tổn thất Entropy chéo 109

Bảng 3-5: Thông tin về lớp và số lượng mỗi loại cá của các tập dữ liệu dùng để đánh giá 113

Bảng 3-6: Kết quả so sánh của mô hình, phương pháp đề xuất so với các phương pháp khác 114

Bảng 3-7: So sánh về số lượng tham số huấn luyện và hiệu năng của phương pháp đề xuất so với các phương pháp khác 115

Bảng 3-8: Vai trò của việc sử dụng PCA, PSA trên ConvMixer 116

xi

DANH MỤC CÁC HÌNH VẼ

Hình 1-1: Nguyên lý điều chế tín hiệu LoRa 32

Hình 1-2: Thành phần một gói dữ liệu được truyền và nhận 32

Hình 1-3: Sơ đồ khối của một hệ thống quyết định thông minh trong nuôi trồng thủy sản 34

Hình 1-4: Phân loại các thách thức trong việc phát hiện cá thể 35

Hình 1-5: Minh họa các thách thức trong việc phát hiện cá thể Nguồn ảnh từ Fish4-Knowledge [58] và NOAA [59] 35

Hình 1-6: Hệ thống thu thập hình ảnh 2D và 3D 36

Hình 1-7: Minh họa hình ảnh trong các trường hợp mật độ cá thể khác nhau: c: mật độ thưa, d-h: mật độ dày 38

a-Hình 1-8: Một số kỹ thuật trong thị giác máy tính 40

Hình 1-9: Minh họa cho kĩ thuật lan vùng 42

Hình 1-10: Minh họa phương pháp K-means Clutering 42

Hình 1-11: Sự biến đổi của Active contour từ vị trí ban đầu tới biên của đối tượng quan tâm 43

Hình 1-12: Level set hoạt động trong trường hợp ảnh có những vật thể riêng biệt 44

Hình 1-13: Minh họa một mạng nơ ron tích chập CNN 45

Hình 1-14: Minh họa hai công đoạn phát hiện đội tượng 46

Hình 1-15: Mạng R-CNN 47

Hình 1-16: Mạng Fast R-CNN 47

Hình 1-17: Minh họa mạng Faster-RCNN 48

Hình 1-18: Cấu trúc Encoder-Decoder của hầu hết mô hình Phân vùng ảnh hiện đại 49

Hình 1-19: Ví dụ về tác dụng của kernel lên ảnh thông qua phép nhân tích chập 49

Hình 1-20: Minh họa các hoạt động của Transpose Convolution 50

Hình 1-21: Mô hình U-net [77] 51 Hình 1-22: Minh họa quá trình hình thành MultiRes block : a) Inception block đơn giản b) Thay thế các lớp 5x5 và 7x7 tốn nhiều khối lượng tính toán bằng

xii các chuỗi 2 và chuỗi 3 các lớp 3x3 c) cấu trúc hoàn thiện của MultiRes block

với thêm residual connection [78] 52

Hình 1-23: Cấu trúc ResPath [78] 52

Hình 1-24: Cấu trúc mô hình MultiRes Unet [78] 53

Hình 1-25: Cấu trúc mô hình ResUnet++ [79] 54

Hình 2-1: Chu trình Nitrate 63

Hình 2-2: Mô hình hệ thống IoT đề xuất ứng dụng trong nuôi thủy sản 64

Hình 2-3: Sơ đồ chi tiết các khối trong hệ thống IoT thiết kế, chế tạo và thử nghiệm [104] 67

Hình 2-4: Sơ đồ khối của thiết bị đầu cuối IoT 69

Hình 2-5: Sơ đồ nguyên lý thiết kế mạch tổng thể thiết bị đầu cuối IoT 69

Hình 2-6: Thiết bị đầu cuối IoT với kết cấu mở 71

Hình 2-7: Bộ thiết bị đầu cuối được chế tạo, lắp ráp hoàn chỉnh 71

Hình 2-8: Sơ đồ khối thiết bị IoT node điều khiển 72

Hình 2-9: Sơ đồ nguyên lý thiết kế mạch tổng thể thiết bị IoT node điều khiển 72

Hình 2-10: Thiết bị IoT điều khiển bơm sau khi thiết kế, chế tạo 73

Hình 2-11: Sơ đồ khối thiết bị IoT trung tâm 73

Hình 2-12: Sơ đồ nguyên lý thiết kế mạch tổng thể thiết bị IoT trung tâm 74

Hình 2-13: Thiết bị IoT cổng thiết kế và chế tạo 75

Hình 2-14: Hệ thống camera tích hợp thu thập hình ảnh 76

Hình 2-15: Kiến trúc hệ thống phần mềm và thuật toán tổng quát 78

Hình 2-16: Luồng trao đổi dữ liệu của hệ thống IoT 79

Hình 2-17: Lưu đồ thuật toán hoạt động của thiết bị đầu cuối IoT 80

Hình 2-18: Lưu đồ thuật toán trong IoT node điều khiển 80

Hình 2-19: Thuật toán hoạt động đa luồng trong IoT Gateway 81

Hình 2-20: Luồng kết nối với Server cloud 82

Hình 2-21: Luồng kết nối từ IoT Gateway đến IoT node và IoT Controller 82

Hình 2-22: Luồng cập nhật dữ liệu theo thời gian thực 83

Hình 2-23: Thuật toán điều khiển trong máy chủ Server 84

Hình 2-24: Giao diện thiết kế phần mềm máy chủ sau khi đã tích hợp 85

xiii

Hình 2-25: Giao diện đăng nhập hệ thống quản lý 85

Hình 2-26: Giao diện hiển thị, quản lý thiết bị IoT trên web 86

Hình 2-27: Cơ sở dữ liệu hiển thị theo dõi, quản lý Node 86

Hình 2-28: Lưu đồ thuật toán điều khiển cơ cấu chấp hành 87

Hình 2-29: Đấu nối pin mặt trời vào bảng mạch sensor node 88

Hình 2-30: Hình ảnh thiết bị đầu cuối IoT có module tấm năng lượng mặt trời và khung giá đỡ cơ khí 89

Hình 2-31: Node đầu cuối được lắp tại ao nuôi và ao lắng tại đầm nuôi tôm huyện An Biên 90

Hình 2-32: Kết quả chỉ thị nồng độ NH4, a – ao nuôi, b – ao lắng 95

Hình 2-33: Hình ảnh số liệu đo 2 node đặt tại ao lắng ngày 12/5/2022 96

Hình 3-1: Một số mẫu trong tập dữ liệu “A Large-Scale Dataset for Fish Segmentation and Classification” bao gồm ảnh đầu vào (hình bên trái) và nhãn (hình bên phải) 99

Hình 3-2: Minh họa một kết quả đầu ra mạng 99

Hình 3-3: Một số hình ảnh về các lớp cá thể trong tập dữ liệu “A Large-Scale Dataset for Fish Segmentation and Classification” 100

Hình 3-4: Đường cong học thử nghiệm trên mạng CNN với 3 lớp tích chập 100

Hình 3-5: Một kết quả phát hiện cá sử dụng Faster-RCNN 101

Hình 3-6: Mạng FCN-WRN-WASP đề xuất cho bài toán phân vùng cá 102

Hình 3-7: Kết quả phân vùng cá đại diện theo phương pháp đề xuất trên bộ dữ liệu DeepFish Ảnh nền gốc sự thật và ảnh kết quả dự đoán được phủ lên thang màu xám để hiển thị rõ hơn 105

Hình 3-8: Kết quả phân vùng cá đại diện theo phương pháp đề xuất trên bộ dữ liệu SIUM Ảnh nền gốc sự thật và ảnh kết quả dự đoán được phủ lên thang màu xám để hiển thị rõ hơn 107

Hình 3-9: Mô hình tập trung chú ý ConvMixer đề xuất 110

Hình 3-10: Khối cơ chế tập trung ưu tiên theo kênh (PCA) 111

14

MỞ ĐẦU

1 Tính cấp thiết của đề tài luận án

Đặc điểm địa lý Việt Nam có bờ biển dài, ngành nuôi trồng thủy hải sản phát triển mạnh mẽ, đóng góp lớn vào nền kinh tế Ngày nay, việc ứng dụng công nghệ thông tin, tự động hóa trong sản xuất nông nghiệp và nuôi trồng thủy sản hiện nay đang trở nên phổ biến và đang được quan tâm tại Việt Nam [1] bởi những lợi ích mà công nghệ thông minh mang lại như giải phóng lao động, sử dụng tài nguyên hợp lý [2] [3], tăng năng suất [4], mang lại những sản phẩm tươi ngon và tốt cho sức khỏe [5] Tại Việt Nam, trong những năm gần đây, hệ thống nuôi tôm, cá đã phát triển theo hướng tiếp cận

hệ sinh thái, kết nối với các hệ thống phù hợp khác, đặc biệt là ở vùng Đồng bằng Sông Cửu Long [6] [7] theo xu hướng ứng dụng công nghệ mới như công nghệ Internet kết nối vạn vật IoT

Trong việc áp dụng IoT vào lĩnh vực quan trắc môi trường nước thì gần đây có 1

số nghiên cứu về thiết kế các hệ thống IoT để giám sát môi trường nước trong hộ gia đình, nhằm phát hiện ô nhiễm nước và kích hoạt quá trình lọc nước khi cần thiết [8] [9] [10] [11] Các hệ thống này được thiết kế theo cấu trúc lớp, bao gồm cả cảm biến và các mô-đun thu thập dữ liệu sử dụng vi điều khiển Dữ liệu được hiển thị thông qua điện thoại thông minh Android hoặc máy tính thông qua Wi-Fi Trong [12] kỹ thuật IoT băng hẹp (Narrow Band – IoT) được sử dụng để mở rộng khu vực phủ sóng của các thiết bị đầu cuối IoT và tiết kiệm năng lượng, nhưng việc đánh giá và đưa ra cảnh báo về chất lượng nước chưa được thực hiện Ngoài ra, các tác giả trong [13] đã thiết kế một mô-đun EXO với 7 cổng thông tin chung cho kết nối cảm biến

Trong việc áp dụng học máy, học sâu, trí tuệ nhân tạo (AI) vào lĩnh vực thủy hải sản, các nhà nghiên cứu và người lao động trong cộng đồng nuôi trồng thủy sản đã thăm

dò nhiều phương pháp để đo lường khối lượng cá thể như cá,tôm trong lồng hoặc ao mà không cần can thiệp thủ công Những phương pháp này, như một sự thay thế nhanh chóng, không xâm phạm, khách quan và có thể lặp lại, mang lại khả năng giám sát từ xa lượng khối lượng cá thể trong ngành nuôi trồng thủy sản [14] [15] [16] Trong đó, vấn

đề phân loại cá thể (cá,tôm) đã có một cấu trúc hệ thống để tổ chức và phân loại một loạt các loài cá thể trên khắp thế giới [17] Phân loại cá thể giúp đánh giá và ghi chép đa dạng sinh học của môi trường nước Bằng cách xác định và phân loại các loài cá thể khác nhau, các nhà khoa học thu được hiểu biết về mô hình phân phối, số lượng và vai trò sinh thái của các quần thể cá Thông tin này quan trọng để theo dõi và quản lý nguồn

cá thể, bảo tồn các loài đang nguy cấp và duy trì sức khỏe tổng thể của hệ sinh thái Phân loại chính xác cá thể là quan trọng để thiết lập các chiến lược bảo tồn và quản lý hiệu quả Nó cho phép các nhà khoa học xác định các loài đang đe dọa hoặc nguy cấp, ưu tiên các nỗ lực bảo tồn và phát triển kế hoạch bảo tồn có mục tiêu Hiểu biết về mối quan hệ giữa các loài cá thể khác nhau cũng hỗ trợ trong việc đánh giá các tác động của

và phát triển chương trình nuôi cấy để tăng cường sản xuất [18]

Các phương pháp phân loại cá thể có thể được phân loại thành phương pháp thủ công và phương pháp hỗ trợ máy tính Phương pháp thủ công thường đòi hỏi một lượng lớn thời gian, công sức và nguồn lực con người Ngược lại, phương pháp phân loại cá thể hỗ trợ bởi máy tính sử dụng kỹ thuật xử lý ảnh luôn đạt được độ chính xác cao Phương pháp thủ công bao gồm việc các chuyên gia hoặc những người được đào tạo kiểm tra cá thể bằng mắt thường và xác định loài dựa trên các đặc điểm phân biệt khác nhau Phương pháp này có thể tốn nhiều thời gian, đặc biệt khi xử lý một lượng lớn mẫu

cá thể hoặc xác định loài phức tạp Ngược lại, phương pháp hỗ trợ bởi máy tính sử dụng thuật toán xử lý ảnh và kỹ thuật học máy truyền thống để tự động hóa quá trình phân loại cá thể Quan trọng là phải xem xét sự đánh đổi giữa độ chính xác và hiệu suất khi chọn phương pháp phân loại cá thể Phương pháp thủ công đi kèm với sự tăng thời gian

và lao động Phương pháp hỗ trợ máy tính cung cấp xử lý nhanh hơn nhưng có thể cần xem xét thêm về độ chính xác

Xét trong một hệ thống dựa trên thị giác máy tính để theo dõi cá thể, việc phân vùng cá thể là một nhiệm vụ trung tâm, giúp xác định vị trí của cá thể để tiếp tục các bước như đếm cá thể và ước lượng mật độ Việc phân vùng đối tượng chính xác có thể giúp phân tích tốt hơn về việc đếm cá thể và hành vi nhóm cá thể, phục vụ nhiều mục đích khác nhau như nghiên cứu, tự động hóa và tối ưu hóa quá trình nuôi nhằm nâng cao chất lượng và hiệu quả Tuy nhiên, việc phân vùng cá thể từ hình ảnh dưới nước là thách thức do sự đa dạng về loài cá thể, điều kiện nước đối kháng, sự tương đồng cao

về diện mạo giữa cá thể và một số yếu tố trong phông nền như đá và sự che khuất giữa các cá thể Sự xuất hiện của phân loại cá thể đã đóng một vai trò quan trọng trong việc nâng cao sự hiểu biết về các hệ sinh thái nước và có ứng dụng thực tế trong nhiều lĩnh vực Các phương pháp phân vùng hình ảnh cổ điển như phương pháp mở rộng khu vực, phân cụm mờ [19], mô hình tập trung mức [20] không thể xử lý nhiệm vụ phân vùng cá thể từ hình ảnh dưới nước Gần đây, với sự phát triển của các phương pháp dựa trên học sâu, các phương pháp tự động phân vùng đã cho thấy hiệu quả trong nhiệm vụ phân vùng hình ảnh nói chung và có thể là triển vọng cho ngành nuôi trồng thủy sản nói chung, nuôi cá, tôm nói riêng Trong phương pháp dựa trên học sâu để phân vùng hình ảnh, các phương pháp tiên tiến đầu tiên được phát triển dựa vào mạng tích chập FCN (Fully Convolutional Networks)[21] Tiếp theo FCN, nhiều biến thể như sự kết hợp giữa

Hầu hết các phương pháp học sâu sử dụng mạng nơ-ron tích chập để tự động học các đặc điểm từ hình ảnh cá thể Các mạng nơ-ron tích chập có khả năng học các đặc điểm phức tạp hơn so với các phương pháp truyền thống và chúng cũng chống lại tốt hơn trước sự thay đổi trong môi trường Các mạng nơ-ron tích chập đã được chứng minh đạt độ chính xác cao trên nhiều tập dữ liệu cá thể khác nhau Một trong những thách thức của nhiệm vụ này là sự biến đổi về hình thức của cá thể Cá thể có thể thay đổi về kích thước, hình dạng, màu sắc và cấu trúc và chúng cũng có thể được tìm thấy trong nhiều môi trường khác nhau, điều này có thể ảnh hưởng đến hình dạng của chúng Một thách thức khác là khó khăn trong việc có được các bộ dữ liệu hình ảnh cá thể lớn và chất lượng cao Việc chụp ảnh cá thể thường khó khăn và có thể tốn thời gian để thu thập một bộ dữ liệu đủ lớn để huấn luyện một mô hình học sâu Mặc dù có những thách thức này, phân loại cá thể là một lĩnh vực hứa hẹn với nhiều ứng dụng tiềm năng Khi các phương pháp học sâu tiếp tục cải thiện và khi có thêm bộ dữ liệu hình ảnh cá thể, khả năng chính xác của phân loại cá sẽ tăng lên Một số mạng nơ-ron tích chập phổ biến như AlexNet [23], được đề xuất đầu tiên là một mạng nơ-ron cho mục đích này Ngoài

ra, các mạng tiên tiến hơn như VGG16 [24] và ResNet [25] thường được sử dụng thường xuyên do kiến trúc sâu hơn của chúng, cho phép cải thiện hiệu suất Ngoài những mô hình này, còn có các mạng nơ-ron khác sử dụng các loại phép toán tích chập khác nhau

Ví dụ, Efficient-Net [26] và MnasNet [27] sử dụng tích chập tiêu chuẩn cùng với tích chập theo chiều sâu và tích chập theo điểm Điều này cho phép mở rộng mạng theo chiều rộng và chiều sâu mà không làm tăng đáng kể số lượng tham số Hơn nữa, mặc dù Transformers [28] ban đầu được sử dụng trong xử lý ngôn ngữ tự nhiên (NLP), chúng cũng đã cho thấy kết quả hứa hẹn khi áp dụng vào các nhiệm vụ phân vùng ảnh Tuy nhiên, do số lượng tham số lớn và độ phức tạp cao, cũng như yêu cầu lượng lớn dữ liệu

để đạt được hiệu suất cao, Transformers không nhất thiết là lựa chọn hàng đầu cho các nhiệm vụ phân loại cá thể Gần đây kiến trúc MLP-Mixer được đề xuất cũng đạt được kết quả khá tốt trong các nhiệm vụ phân vùng ảnh Tuy nhiên, cần lưu ý rằng MLP-Mixer [29] và các biến thể như AxialAtt-MLP Mixer [30] thường có số lượng tham số lớn Tóm lại, tích chập vẫn là sự lựa chọn chính trong các nhiệm vụ liên quan đến thị giác máy tính Các phép toán tích chập bao gồm việc trượt bộ lọc qua các vùng hình

17

ảnh, cho phép mạng trích xuất các đặc điểm có ý nghĩa Tuy nhiên, chỉ với tích chập mà không kèm theo khả năng học ưu tiên thông tin quan trọng, kết quả mang lại vẫn còn một số hạn chế Để giải quyết hạn chế này, hỗ trợ của các cơ chế chú ý là cần thiết Cơ chế chú ý cho phép mạng tập trung vào các vùng hoặc đặc điểm quan trọng nhất trong một hình ảnh Chúng cho phép mô hình hóa vị trí dựa trên sự phân phối sự chú ý và tăng cường khả năng của nó trong việc nắm bắt các mẫu và mối quan hệ quan trọng trong dữ liệu Bằng cách tích hợp các cơ chế chú ý cùng với các phép toán tích chập, mô hình có thể hiệu quả học cách chú ý đến các đặc điểm nổi bật nhất và cải thiện khả năng phân loại của mình

Từ những nhu cầu thực tiễn và các vấn đề tiềm năng trong việc áp dụng công nghệ trí tuệ nhân tạo AI, học máy, học sâu và IoT vào lĩnh vực nuôi trồng thủy sản và một số vấn đề khoa học nhất là xử lý dữ liệu, xử lý ảnh tại trung tâm sau thu thập, nghiên

và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản” nhằm làm chủ công nghệ thiết kế, cải tiến kiến trúc, mô hình hệ thống IoT giúp tiết kiệm năng lượng, sẵn sàng mở rộng nâng cấp cho việc thu thập dữ liệu, ảnh tự động, quan trắc giám sát theo thời gian thực, đề xuất, cải tiến thuật toán xử

lý dữ liệu thông minh trong việc phân vùng, phân loại cá thể trong hệ sinh thái nuôi trồng thủy sản ứng dụng công nghệ cao

Vấn đề nghiên cứu chính của luận án tập trung 2 nội dung: Nội dung xây dựng

và đề xuất mô hình hệ thống IoT ứng dụng trong nuôi trồng thủy sản để đưa ra giải pháp, kiến trúc hệ thống tổng thể cho bài toán quản lý, vận hành và ứng dụng công nghệ cao trong nuôi trồng thủy sản tại tỉnh, đặc biệt là làm chủ công nghệ thiết kế, chế tạo hệ thống IoT phần cứng và phần mềm, thiết bị đầu cuối IoT có khả năng mở rộng, nâng cấp, tự động thu thập dữ liệu nuôi thủy sản từ các đơn vị, hộ cá thể tại tỉnh Nội dung nghiên cứu và để xuất thuật toán học máy, học sâu dùng mạng nơ ron để cải thiện độ chính xác ước lượng mật độ, dự báo khối lượng cá thể (tôm, cá…) cho bài toán phân loại, đánh giá trữ lượng, tình trạng phát triển, tăng trưởng của các cá thể, truy xuất nguồn gốc… phục vụ cho các nhà quản lý và người dân trực tiếp sản xuất Cả 2 nội dung nghiên cứu kết hợp chặt chẽ với nhau đem lại lợi ích quan trọng cho phát triển kinh tế xã hội, đặc biệt là nuôi trồng thuỷ sản tại Kiên Giang

2 Mục tiêu, đối tượng, phương pháp và phạm vi nghiên cứu

a) Mục tiêu nghiên cứu

Mục tiêu chính của luận án là phát triển hệ thống thu thập và thuật toán xử lý dữ liệu thông minh ứng dụng trong hệ thống quan trắc môi trường nước phục vụ ngành nuôi trồng thủy hải sản, cụ thể:

- Nghiên cứu, xây dựng mô hình, kiến trúc hệ thống IoT cấu trúc mở hai chiều quan trắc các thông số môi trường nước, tự động hóa quá trình nuôi thủy sản nước lợ, mặn

- Triển khai thử nghiệm mô hình hệ thống IoT tự động quan trắc và cảnh báo các thông

số môi trường nước, điều khiển một số tính năng xử lý tại khu vực nuôi tôm nước

lợ, mặn trên địa bàn tỉnh Kiên Giang

- Đề xuất thuật toán phân vùng và phân loại cá thể sử dụng học sâu cho phân vùng, phân loại cá, để đạt được hiệu suất phân loại tốt hơn, định hướng ứng dụng trong

nuôi thủy sản

b) Đối tượng nghiên cứu:

- Hệ thống, kiến trúc hệ thống IoT quan trắc môi trường nước

- Các phần tử trong hệ thống IoT gồm thiết bị đầu cuối IoT, thiết bị IoT cổng, thiết bị IoT điều khiển và server

- Phần mềm frontend, backend, giao thức truyền thông giữa các thiết bị trong hệ thống IoT

- Các thuật toán trong xử lý ảnh nhằm phân vùng, phân loại cá thể như cá, tôm dựa trên học sâu

c) Phương pháp nghiên cứu:

Luận án sử dụng phương pháp tìm hiểu, nghiên cứu lý thuyết, xây dựng giải pháp, thiết kế, mô phỏng rồi đi đến thực nghiệm

- Phương pháp nghiên cứu lý thuyết: Nghiên cứu về mô hình, kiến trúc hệ thống IoT, nguyên lý thiết kế chế tạo cho các mô đun, thiết bị, phân hệ của hệ thống IoT Nghiên cứu hiện trạng ứng dụng IoT trong nuôi tôm, cá, trong quan trắc môi trường tại Kiên Giang, Từ đó, nắm vững được các mô hình, kiến trúc, đặc tính và tham số kỹ thuật trong các thiết kế và tiền đề cho đề xuất mô hình hệ thống

- Phương pháp nghiên cứu mô hình hóa, mô phỏng: Thiết kế mô hình kiến trúc hệ thống IoT phù hợp với các yêu cầu kỹ thuật và khả năng hiện có của phần cứng cũng như phần mềm Mô phỏng hoạt động các mô đun, thiết bị, hệ thống IoT sử dụng các phần mềm thiết kế, mô phỏng mạnh điện tử Thiết kế, mô hình hóa, mô phỏng phần mềm fontend và phần mềm backend trong hệ thống, thiết bị IoT

- Phương pháp nghiên cứu thực nghiệm: Chế tạo thiết bị, hệ thống IoT, xây dựng phần mềm trung tâm IoT Tích hợp và thử nghiệm hệ thống IoT trong phòng thí nghiệm để điều chỉnh thiết kế và sau đó triển khai thử nghiệm hệ thống IoT tại thực tế là Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên, Tỉnh Kiên Giang nhằm đánh giá các tính năng và thông số thực nghiệm thực tế Việc thử nghiệm sẽ tiến hành nhiều đợt, ở các thời gian khác nhau, ở các điều kiện thời tiết khác nhau để kiểm nghiệm các kết quả nghiên cứu

- Công nghệ truyền thông LORA

- Các hệ thống này ứng dụng, thử nghiệm trong nuôi tôm, cá nước lợ, mặn tại Kiên Giang

3 Các kết quả đạt được của luận án

- Đề xuất mô hình hệ thống và thiết bị đầu cuối IoT kiến trúc mở, hai chiều, tiết kiệm năng lượng tự động quan trắc các thông số môi trường nước như nhiệt độ, độ mặn,

pH, nồng độ ô xy hòa tan DO, độ trong, NO3-, NH4+, thu thập hình ảnh nhằm giám sát

và tự động hóa quá trình nuôi thủy sản nước lợ, mặn tại tỉnh Kiên Giang

- Đề xuất thuật toán phân vùng ảnh và phân loại cá thể dựa trên mạng nơ ron học sâu ứng dụng trong nuôi thủy sản Trong đó:

dựa trên FCN sử dụng Wide ResNet và Waterfall Atrous Spatial Pooling để tận dụng việc trích xuất ngày càng lớn hơn từ các phương pháp dòng liên tục để đạt được phân vùng tốt hơn, tìm ra thông tin độ sáng cục bộ từ hình ảnh đã được phân vùng dựa trên một hàm mất mát đề xuất contour active có căn cứ cục bộ để huấn luyện mạng

+ Đề xuất cơ chế kênh ưu tiên chú ý PCA để cải thiện việc lựa chọn kênh của phép toán tích chập Đồng thời sử dụng không gian ưu tiên chú ý PSA với mục tiêu tạo

sự quan tâm vào các khu vực đặc điểm quan trọng Với số lượng tham số không tăng, PSA và PCA được tích hợp vào ConvMixer để tạo ra hiệu suất phân loại tốt hơn trên ba

bộ dữ liệu: Fish-Gres, Croatian Fish, BD Indigenous Fish

4 Cấu trúc của luận án

Cấu trúc của nội dung luận án bao gồm 3 chương như sau:

Chương 1: Tổng quan về internet kết nối vạn vật IoT và mạng nơ ron học sâu ứng dụng trong thủy sản trình bày các nghiên cứu trong nước và ngoài nước về IoT, về phân vùng và phân loại cá thể dùng mạng nơ ron học sâu, hiện trạng về nuôi thủy sản tại Kiên Giang và nhu cầu ứng dụng IoT cho nuôi trồng thủy sản

Chương 2: Mô hình hệ thống IoT định hướng ứng dụng trong nuôi trồng thủy sản tại Kiên Giang Trong đó, nội dung trình bày về mô hình, kiến trúc hệ thống IoT, về thiết kế hệ thống, thiết bị IoT có kiến trúc mở hai chiều và kết quả thử nghiệm hệ thống tại Kiên Giang

20

Chương 3: Thuật toán phân vùng ảnh và phân loại cá thể tại trung tâm thu thập

và xử lý dữ liệu trong hệ thống, định hướng ứng dụng trong nuôi thủy sản Nội dung chương này trình bày các đề xuất, cải tiến thuật toán phân vùng ảnh, phân loại cá sử dụng mạng nơ ron học sâu

1.1 Tổng quan về hệ thống IoT

Theo nghiên cứu từ các dự án về nuôi trồng thủy sản ở Việt Nam, trong những năm qua, nuôi trồng thuỷ sản (NTTS) Việt Nam đã có bước phát triển mạnh mẽ, thu được những thành tựu to lớn, góp phần giảm nghèo, tạo thu nhập và việc làm cho một bộ phận lao động, đóng góp tích cực cho kinh tế nông nghiệp nói riêng và kinh tế đất nước nói chung Từ năm 2000 đến nay, NTTS nước ta đã có bước chuyển biến mang tính đột phá, diện tích NTTS cả nước tăng 2,48 lần năm 1999 là 524.619 ha đã tăng lên tới 1,3 triệu

ha nuôi nội địa và 9,5 triệu m2 lồng nuôi biển năm 2023; sản lượng NTTS tăng gấp 11

lần từ năm 1997 với 481 nghìn tấn lên 5.407 nghìn tấn năm 2023; kim ngạch xuất khẩu thủy sản năm 2012 đạt 6,15 tỷ USD, 2023 là 8,97 tỷ USD Theo số liệu thống kê của Tổng cục Hải quan, kim ngạch xuất khẩu thuỷ sản năm 2017 hơn 8,3 tỷ USD, tăng 18%

so năm 2016, đứng thứ 6 trong các mặt hàng xuất khẩu của VN; năm 2018 kim ngạch xuất khẩu thủy sản đạt 8,79 tỷ USD, tăng 5,8% so với năm 2017 [31] [32]

Tuy nhiên, nâng cao chất lượng thủy hải sản là một trong những yêu cầu cấp bách của ngành thủy sản Việt Nam trong điều kiện hội nhập kinh tế thế giới hiện nay Cùng với kiểm soát chất lượng giống đầu vào, chất lượng thức ăn và quản lý thức ăn thì kiểm soát chất lượng nước cũng là yếu tố cực kỳ quan trọng trong nuôi thủy sản, đặc biệt là nghề nuôi tôm, nuôi cá Chất lượng nước quyết định hiệu quả của thức ăn, tốc độ sinh trưởng và tỉ lệ sống của tôm, cá nhưng yếu tố này lại rất khó dự đoán và kiểm soát Chất lượng nước phụ thuộc vào chất lượng nguồn nước, chất đất, chế độ cho ăn, thời tiết, công nghệ và chế độ quản lý đầm nuôi Chất lượng nước được đánh giá bằng nhiều thông số sinh, hóa, lý khác nhau và cần được kiểm tra liên tục để có thể kịp thời điều chỉnh để bảo vệ con nuôi Với phương pháp truyền thống, hàng ngày người nuôi chỉ lấy mẫu nước 1 đến 2 lần và dùng các phương pháp thử mẫu truyền thống để xác định chất lượng nguồn nước Phương pháp này sẽ không thể xác định kịp thời nguồn nước bị ô nhiễm hoặc chất lượng kém để điều chỉnh Nguồn nước chất lượng kém không đạt yêu cầu là một trong những nguyên nhân đem đến rủi ro lớn nhất cho người nuôi tôm, nuôi

cá

22

Kiên Giang là một trong các tỉnh ven biển của Đồng bằng Sông Cửu Long,

có bờ biển dài, điều kiện tự nhiên phù hợp cho việc nuôi trồng thủy hải sản Năm 2023, diện tích thả nuôi thủy sản là 292.148 ha Trong đó tôm nước lợ, mặn 136.241 ha, cá lồng bè trên biển 3.837 lồng, nhuyễn thể 23.220 ha, cua biển 85.582 ha, cá ao, ruộng, vèo,…49.943 ha với kim ngạch xuất khẩu hải sản 246,37 triệu USD Việc nuôi trồng thủy hải sản vẫn còn nhiều khó khăn do bị động bởi thời tiết, môi trường Người dân chưa nắm hết các đặc điểm, tính phù hợp về sinh thái môi trường nuôi trồng thủy hải sản, chưa biết ứng dụng kỹ thuật công nghệ cao trong quá trình nuôi trồng, khai thác thủy hải sản dẫn đến hiệu quả sản xuất chưa cao và đặc biệt vẫn phải chịu ảnh hưởng thiệt hại lớn khi môi trường, nguồn nước ô nhiễm, nhiễm mặn do nước biển dâng Ô nhiễm nước có thể có nguồn gốc tự nhiên như do mưa, gió, lũ lụt đưa vào môi trường nước chất thải bẩn, các sinh vật và vi sinh vật có hại kể cả xác chết của chúng hoặc có nguồn gốc nhân tạo như do quá trình thải các chất độc hại chủ yếu dưới dạng lỏng như các chất thải sinh hoạt, công nghiệp, nông nghiệp, giao thông vào môi trường nước Để quản lý về ô nhiễm nguồn nước, cần có các thiết bị đo đạc các tham số cho biết mức độ

ô nhiễm của nó như độ pH, nồng độ Oxy hòa tan, NO2, NO3, NH4, H2S Các công việc theo dõi giám sát này thực hiện bằng phương pháp truyền thống thường chậm, các thông

số cảnh báo không kịp thời và liên tục, tốn kém sức người, nhất là khi địa điểm cần quan trắc, theo dõi ở những nơi có địa hình khó khăn, cần ứng cứu khẩn cấp khi lượng oxy không đủ cho các hải thủy sản nuôi trồng

Mạng lưới vạn vật kết nối Internet hoặc là Mạng lưới thiết bị kết nối Internet (IoT

- Internet of Things) là một mạng lưới ứng dụng công nghệ thông tin trong đó mỗi phần

tử được cung cấp một định danh của riêng mình và tất cả có khả năng truyền tải, trao đổi thông tin, dữ liệu qua một mạng mà không cần đến sự tương tác trực tiếp giữa người với người, hay người với máy tính IoT phát triển trên cơ sở sự hội tụ của công nghệ không dây, công nghệ vi điện tử và Internet Nói đơn giản IoT là một tập hợp các thiết

bị có khả năng kết nối với nhau, với Internet và với thế giới bên ngoài để thực hiện một công việc nào đó Nghiên cứu phát triển và ứng dụng IoT trong các lĩnh vực như nông nghiệp, nuôi trồng thủy hải sản đang thu hút được sự quan tâm đặc biệt của các nhà khoa học, cộng đồng doanh nghiệp trong thời gian gần đây

Internet vạn vật là đề cập đến hàng tỷ thiết bị vật lý trên khắp thế giới hiện được kết nối với internet, thu thập và chia sẻ dữ liệu Từ trước tới nay nông nghiệp là một trong những lĩnh vực ít được áp dụng công nghệ nhất Đặc biệt là ở những quốc gia đang phát triển và chậm phát triển, nông nghiệp gần như chỉ phụ thuộc vào kinh nghiệm của những người nông dân về đặc tính của cây trồng, về thời tiết Trong khi đó, trước những thách thức về biến đổi khí hậu, gia tăng dân số nhanh chóng, vấn đề đảm bảo đủ lương thực là một trong những thách thức mang tính toàn cầu

23

IoT sẽ biến nông nghiệp từ một lĩnh vực sản xuất định tính thành một lĩnh vực sản xuất chính xác dựa vào những số liệu thu thập, tổng hợp và phân tích thống kê [33] Từ việc phụ thuộc vào thời tiết, khí hậu , người nông dân có thể tự chủ, điều chỉnh mọi thứ để đạt được hiệu quả như mong muốn Hệ thống thiết bị cảm biến, đo đạc sẽ được kết nối với nhau, tích hợp GPS và các công nghệ theo dõi để thu thập dữ liệu, kết nối với hạ tầng đám mây để truy xuất dữ liệu, phân tích đưa ra quyết định tối ưu hóa lượng nước, lượng phân bón, tự động hóa các hoạt động nông nghiệp hàng ngày và cung cấp giải pháp theo dõi thời gian thực Nhờ đó, các điều kiện dinh dưỡng đối với cây trồng

sẽ được tối ưu, cho mức sinh trưởng tốt nhất, qua đó tăng chất lượng và hiệu suất canh tác

Ngoài ra ứng dụng IoT vào nông nghiệp còn giúp giảm thiểu dịch bệnh, nâng cao hiệu suất canh tác Việc ứng dụng khoa học công nghệ thông tin truyền thông trong nuôi trồng thủy hải sản nói chung, IoT nói riêng để xây dựng một hệ thống điều khiển tự động quan trắc theo dõi các thông số về mức nước và môi trường nước là hết sức cần thiết

Hệ thống có thể truyền tin ở cự ly xa với độ chính xác cao, chi phí thấp giúp việc theo dõi, điều khiển, quản lý quá trình nuôi trồng, khai thác nguồn lợi thủy hải sản một cách hiệu quả và tiết kiệm nguồn nhân lực Đề tài luận án này nghiên cứu để xuất mô hình hệ thống IoT tự động quan trắc và cảnh báo các thông số môi trường nước, đề xuất thuật toán xử lý dữ liệu, xử lý ảnh tại trung tâm thu thập dữ liệu IoT dựa trên học máy, học sâu định hướng ứng dụng trong nuôi trồng thủy sản nói chung và thử nghiệm tại tỉnh Kiên Giang nói riêng nhằm tự động hóa quá trình nuôi thủy sản, nâng cao chất lượng và hiệu quả nuôi thủy hản, góp phần phát triển kinh tế - xã hội của tỉnh

Việc ứng dụng IoT vào nuôi thủy sản giúp nâng cao việc quản lý hiệu quả, năng suất, chất lượng các sản phẩm thủy sản nói riêng Một hệ thống IoT bao gồm các thiết

bị cầu cuối IoT, node cảm biến, node điều khiển và máy chủ xử lý trung tâm sẽ đồng thời thực hiện các nhiệm vụ:

- Theo dõi môi trường và giữ các thông số quan trọng trong ngưỡng lý tưởng nhất Đưa ra các cảnh báo về những biến động nguy hiểm để có tác động, điều chỉnh kịp thời

- Theo dõi sự sinh trưởng và các điều kiện thời tiết, địa lý, sinh hóa của thủy sản

để đưa ra các dữ liệu cần thiết cho việc quản lý và đánh giá sản lượng, chất lượng thủy sản

- Hiện đại hóa, tự động hóa quá trình nuôi trồng thủy sản

- Chuyên nghiệp hóa từ khâu nuôi trồng đến đóng gói và xuất khẩu

Trên thế giới, vấn đề môi trường hiện là vấn đề được hầu hết các quốc gia quan tâm Đối với NTTS, hoạt động quan trắc môi trường có những nét đặc thù và mỗi nước

có cách tiến hành khác nhau Bản Quy tắc ứng xử nghề cá có trách nhiệm của FAO cũng

24

đề cập đến việc bắt buộc phải có hoạt động quan trắc môi trường đối với các vực nước trong phạm vi một quốc gia hay các hệ sinh thái liên quốc gia Cơ sở dữ liệu quan trắc phải được chia sẻ (FAO, 1995)

Trong bối cảnh cuộc cách mạng công nghiệp 4.0 và thời đại kinh tế tri thức, Internet vạn vật IoT, một viễn cảnh, ý tưởng táo bạo đề ra vào năm 2009 bởi nhà tiên phong người Anh Kevin Ashton về khả năng gia tăng năng suất và sự thoải mái của con người trong đời sống sinh hoạt bằng việc kết nối tất cả mọi vật tồn tại vào mạng internet, ngày càng thu hút được nhiều sự quan tâm nghiên cứu của cộng đồng các nhà khoa học, của các tổ chức nghiên cứu, các doanh nghiệp công nghệ cao trên khắp thế giới Trong đó tập trung chính vào các hướng nghiên cứu: nghiên cứu kỹ thuật (định danh vô tuyến, chống nhiễu, định tuyến tránh va chạm, vấn đề thiết bị tiêu thụ năng lượng thấp thân thiện với môi trường, an ninh mạng …), nghiên cứu ứng dụng (nhóm ứng dụng giao thông vận tải và hậu cần, nhóm ứng dụng chăm sóc sức khỏe, nhóm ứng dụng môi trường thông minh như nhà ở, văn phòng, nhà máy và nhóm ứng dụng cá nhân - xã hội) hoặc nhóm nghiên cứu ứng dụng hiện tại và các ứng dụng trong tương lai

Một trong các trên nền tảng trao đổi thông tin của IoT là dựa trên mạng truyền thông không dây, theo phương thức trao đổi giữa các máy móc thiết bị với nhau (Machine to Machine - M2M), bao hàm trao đổi giữa các máy móc thiết bị với máy móc thiết bị và con người (Machine to Machine to Human M2M2H) [34] Kể từ năm 2010, các hội thảo quốc tế về IoT được tổ chức thường niên Tại Mỹ một số hãng công nghệ lớn đã xúc tiến những chương trình nghiên cứu phát triển sản phẩm theo xu hướng này Năm 2009, AT&T và Jasper Wireless đã hợp tác phát triển dịch vụ kết nối thiệt bị điện

tử dân dụng vào mạng không dây [35] Năm 2010, hợp tác giữa Qualcomm và Verizon công bố hợp tác phát triển dịch vụ kết nối M2M tại Châu âu và Mỹ [36] Cùng năm HP xây dựng mạng Hệ Thần kinh Trung ương của Trái Đất CeNSE (Central Nervous System for the Earth) kết nối toàn cầu các cảm biến rung, quay, âm thanh, dòng khí, ánh sáng, nhiệt độ, áp suất để cung cấp thông tin phục vụ các ngành bán lẻ, quân sự, giao thông, dầu khí, dự báo thời tiết [37] IBM cũng triển khai chiến lược nghiên cứu Trái Đất thông minh hơn, trong đó thúc đẩy việc kết nối các đồ điện tử lên mạng Internet và đưa ra các dịch vụ trên đó IBM đã cung cấp hệ thống cảm biến kết nối trong mạng Internet cho một số thành phố giúp giảm ùn tắc giao thông, tiết kiệm năng lượng và giảm ô nhiễm, giảm khí thải [38] IHS Markit nghiên cứu dự báo tới năm 2030 sẽ có

125 tỷ thiết bị được kết nối IoT [39]

Tại châu Âu, Alcatel-Lucent đã đưa ra dịch vụ Touchatag, kết nối các vật thể với Internet, nhờ RFID và truyền thông trường gần (Near Field Communication - NFC) [40] Công ty viễn thông Telenor của Na Uy đã lên kế hoạch trở thành nhà cung ứng dịch vụ Internet of Things; họ đã thành lập App Store để các lập trình viên tạo phần mềm cho các thiết bị của IoT và người dùng đầu cuối có thể mua và tải về sử dụng [41] Ngoài

25

các công ty lớn, nhiều công ty nhỏ và các nhóm nghiên cứu đã thành lập và hoạt động nghiên cứu về IoT Công ty Arrayent nghiên cứu phát triển cung cấp giải pháp kết nối thiết bị dân dụng với Internet Công ty Connected Environments phát triển tạo ra sản phẩm Pachube cung cấp dịch vụ quản lý dữ liệu trực tuyến để liên kết cảm biến với Web

và giúp người dùng xây dựng ứng dụng của họ Công ty Arduino tạo ra nền tảng nguồn

mở cho cả phần cứng và phần mềm cho các thiết bị hoạt động trên IoT [42] Công ty Nimbits tạo ra các giải pháp nguồn mở cho IoT, ghi chép dữ liệu của các thiết bị kết nối với IoT, chạy trên nền tảng điện toán đám mây [43] Cộng đồng Châu Âu đã xây dựng

kế hoạch hành động cho việc phát triển IoT từ năm 2009 [44] Tại châu Á, Chính phủ Nhật Bản đã xây dựng các kế hoạch i-Japan [45] nhằm nghiên cứu phát triển, ứng dụng IoT Hàn Quốc cũng đã đưa ra kế hoạch chiến lược nghiên cứu phát triển và ứng dụng IoT [46] Trung Quốc cũng đã có kế hoạch cho IoT và xác định IoT là một trong 7 công nghệ mũi nhọn [47]

Trên thế giới trong ngành nuôi trồng thủy hải sản (Aquaculture) người ta đã đưa ra hẳn 1 khái niệm là AIoT nghĩa là Aquaculture IoT bởi sự lớn mạnh của công nghệ IoT trong ngành này và những lợi ích to lớn về mặt kinh tế mang lại Với những nông dân truyền thống, họ phải đối mặt với các vấn đề về theo dõi chất nước và các cách để cải thiện chất lượng nước nhanh, hiệu quả, quan trắc quá trình đó AIoT có thể mang lại một hệ thống theo dõi, điều khiển thời gian thực trên nền tảng mô hình IFTTT và điện toán đám mây Hệ thống này bao gồm các cảm biến, hệ thống sục khí, hệ thống mạng, điện toán đám mây, thống kê dữ liệu Có những công ty lớn ra đời chuyên bán những sản phẩm IoT cho ngành này nhưng sản phẩm còn mang tính chất chứng minh công nghệ chứ chưa thực sự áp dụng thực tiễn vào ngành Điều này là dễ hiểu bởi vì mỗi vùng mỗi con vật cần một sự tương tác riêng, nên sẽ khó có thể có 1 hệ thống đa nhiệm cho tất cả các hệ thống khác nhau

Tình hình nghiên cứu, phát triển ứng dụng IoT trong nước

Hoạt động quan trắc môi trường ở một số tỉnh NTTS phát triển mạnh đã hình thành

từ năm 2006, nhưng phải đến năm 2008 khi Bộ Thủy sản sát nhập vào Bộ Nông nghiệp

và Phát triển nông thôn thì các Sở Thủy sản được cơ cấu lại và quy định rõ trong chức năng nhiệm vụ về công tác quan trắc, cảnh báo môi trường phục vụ NTTS, làm tiền đề cho nhiều địa phương xây dựng hoạt động quan trắc môi trường Từ năm 2009 nhiều tỉnh đã thực hiện công tác quan trắc môi trường phục vụ những đối tượng nuôi trồng thủy sản chủ lực (tôm nước lợ, mặn nhuyễn thể, cá biển, cá tra…) như: Kiên Giang, Tiền Giang, Sóc Trăng, TP Hồ Chí Minh, Bà Rịa – Vũng Tàu, Phú Yên, Quảng Ngãi, Quảng Nam, Hà Tĩnh, Thanh Hóa, Nghệ An… Tuy nhiên cho đến nay vẫn còn nhiều tỉnh có sản lượng NTTS lớn nhưng vẫn chưa có hoạt động quan trắc môi trường hoặc chỉ quan trắc khi có dịch bệnh xảy ra như: Bạc Liêu, An Giang, Cần Thơ, Hải Phòng, Hải Dương,

Hà Nội, Thái Bình… Các tỉnh mà NTTS ít phát triển hầu như không có hoạt động quan

26

trắc môi trường như: Phú Thọ, Hà Giang, Cao Bằng, Đak Lak, Lâm Đồng, Tây Ninh…

Bộ phận quan trắc môi trường chủ yếu do các chi cục Thủy sản, chi cục Nuôi trồng thủy sản, phòng Nuôi trồng thủy sản hay Trung tâm giống thủy sản đảm nhận Tuy nhiên một

số tỉnh, công tác quan trắc môi trường do chi cục chăn nuôi thú y (Thanh Hóa, Nam Định), trung tâm Khuyến nông (Bến Tre), Chi cục Quản lý chất lượng nông lâm sản và thuỷ sản (Quảng Bình)… đảm nhận

Kinh phí cho hoạt động quan trắc môi trường của các địa phương cũng hạn chế và không đồng nhất Tỉnh có kinh phí quan trắc môi trường lớn nhất là Sóc Trăng, với kinh phí năm 2012 là 1,2 tỷ đồng, năm 2013 là 900 triệu đồng và năm 2014 là 700 triệu đồng Tiếp sau đó là TP Hồ Chí Minh 344 triệu đồng/năm, Bến Tre 250 triệu đồng, Phú Yên với 181 triệu đồng, Quảng Nam khoảng 150 triệu đồng, Kiên Giang là 111 triệu đồng cho năm 2014 (bao gồm cả kinh phí xét nghiệm một vài mẫu bệnh), 900 triệu đồng năm

2018 (quan trắc thủ công) Một vài tỉnh kinh phí bố trí cho hoạt động quan trắc môi trường hàng năm chỉ khoảng 20 triệu đồng đến 30 triệu đồng như Cần Thơ, Ninh Thuận Các tỉnh còn lại kinh phí cho hoạt động quan trắc từ 50 triệu – 100 triệu đồng như Bình Định, Nghệ An, Thanh Hóa, Ninh Bình, Hải Dương, Quảng Ninh… Một số tỉnh không

có kinh phí cho hoạt động quan trắc môi trường như: Thái Bình, Nam Định

Các địa phương chủ yếu quan trắc môi trường khu vực nuôi tôm nước lợ, mặn nhiều nhất Theo báo cáo khảo sát thì 60% các tỉnh chỉ quan trắc vùng nuôi tôm nước

lợ, mặn Một số tỉnh trọng điểm nuôi cá tra có quan trắc môi trường như Đồng Tháp, Bến Tre, Trà Vinh Nhuyễn thể, cá biển, rô phi và tôm hùm được quan trắc với mức độ

và tần suất thấp hơn rất nhiều

Thông số quan trắc được chia làm 3 nhóm gồm thủy lý, thủy hóa và thủy sinh Các Trung tâm quan trắc rất nhiều thông số như: Nhiệt độ, oxy, pH, thế oxy - hóa khử,

độ mặn, độ trong, CO2, độ cứng, độ kiềm, PO4-, NH3, NH4+, NO2, NO3, H2S nhu cầu ôxy hóa học (COD), nhu cầu oxy sinh học (BOD), sắt tổng số, tổng N, tổng P, Chloropyll-a, dư lượng váng dầu, chì, cadmium, đồng, thủy ngân, asen, kẽm, thực vật phù du, tảo độc hại, động vật phù du và động vật đáy, thành phần cơ giới, hô hấp đất,

pH đất, thế ôxy hóa-khử, tổng N đáy, tổng P đáy, tổng C đáy, tổng lưu huỳnh, tổng sắt trong đất, nấm trong đất và vi khuẩn vibrio… Tuy nhiên gần đây các Trung tâm đã giảm thông số quan trắc do thiếu kinh phí hoạt động

Trong khi đó tùy đối tượng nuôi, các địa phương thường quan trắc những thông số sau: Nhiệt độ, oxy hòa tan, pH, độ mặn, độ trong, độ cứng, độ kiềm, PO4-, NH3, NH4+,

NO2, NO3, H2S, nhu cầu ôxy hóa học (COD), tổng chất rắn lơ lửng (TSS), tổng hữu cơ

lơ lửng (OSS), thành phần và mật độ tảo độc, kim loại nặng (Cd, Pb, Hg), thuốc bảo vệ thực vật Những tỉnh có kinh phí quan trắc lớn thì quan trắc khá đầy đủ các thông số nêu trên, các địa phương khác chỉ tập trung quan trắc các thông số cơ bản như: Nhiệt độ, oxy hòa tan, pH, độ mặn, độ trong, độ kiềm, PO4-, NH3, NH4+, NO2, H2S, nhu cầu ôxy

Hiện nay, khái niệm IoT không còn quá xa lạ với tình hình nghiên cứu trong nước Các mảng nghiên cứu khác nhau về IoT đã được triển khai tìm hiểu một cách rộng khắp tại các cơ sở viện nghiên cứu, trường đại học, thậm chí tại các doanh nghiệp Các vấn

đề nghiên cứu tuy rằng đa dạng, nhưng có thể chia thành hai nhóm chính: nhóm ứng dụng và nhóm kỹ thuật Trong nghiên cứu ứng dụng, các lĩnh vực khác nhau như giao thông, chăm sóc sức khỏe, nông nghiệp, môi trường…được ứng dụng công nghệ nhằm đem lại những tiện ích cho đời sống xã hội Những nghiên cứu này chủ yếu khai thác về phương thức hoạt động trên một nền tảng phần cứng và phần mềm có sẵn, đồng thời khai thác mảng dịch vụ sau khi đã triển khai Các nền tảng này thường được mua trực tiếp Thứ hai là nghiên cứu kỹ thuật Nghiên cứu kỹ thuật cho IoT rất phức tạp và mang tính chuyên môn cao, đơn cử như nghiên cứu xác định tần số vô tuyến (radio frequency identification), nghiên cứu khắc phục va chạm và nhiễu các nút thông tin (collisions and interferences among nodes), kỹ thuật địa phương hóa (localisation), an ninh mạng (security), và đặc biệt là IPv6 - giao thức liên mạng thế hệ 6 - nhằm tăng số lượng địa chỉ Internet toàn cầu lên 2128 địa chỉ, với chuỗi địa chỉ 128 bit thay cho 32 bit như phiên bản IPv4 Nghiên cứu này gắn liền với các vần đề lõi của hệ thống và có thể can thiệp trực tiếp vào việc thiết kế, sản xuất phần cứng Chính vì vậy, hướng nghiên cứu thứ hai chỉ tồn tại ở một số nhóm nghiên cứu có chuyên môn cao tại các cơ sở nghiên cứu của trường đại học hay viện nghiên cứu Hướng nghiên cứu thứ hai đang được Nhà nước khuyến khích vì có thể làm chủ công nghệ và triển khai các dịch vụ giá rẻ đem lại lợi ích lâu dài cho xã hội Năm 2015, khu Công nghệ cao TP.HCM , hội Kỹ thuật chính xác Nhật Bản-viện Khoa học công nghệ Nhật Bản và Trung tâm nghiên cứu vi mạch ICDREC đã ký hợp tác liên minh nghiên cứu thiết kế và chế tạo cảm biến sensor và ứng dụng cảm biến không dây và IoT trong nông nghiệp Intel và VNPT Technology cũng

đã hợp tác phát triển Platform - Smart Connected Platform (SCP) cho nghiên cứu (Internet of Things) IoT đầu tiên tại Việt Nam Tuy nhiên đây mới chỉ là nền tảng cơ sở

để nghiên cứu phát triển, chưa có thiết kế, chế tạo phần cứng và mạng truyền thông và bài toán phân loại, phân vùng đối tượng cá thể Công ty Mimosatek cũng đã nghiên cứu phát triển giải pháp ứng dụng IoT Tuy nhiên chủ yếu tập trung vào phát triển phần mềm,

28

phần cứng hoàn toàn phụ thuộc vào các đối tác nước ngoài, không chủ động trong thiết

kế thiết bị đầu cuối và cũng chưa có nghiên cứu phát triển vấn đề nhận dạng, xử lý ảnh, phân vùng, phân loại đối tượng cá thể dùng học sâu Đề tài nghiên cứu cấp Bộ Giáo dục

và Đào tạo năm 2014-2017 “Kiểm soát cây trồng dựa trên nền tảng của Internet of Things” do PGS.TS Ngô Quỳnh Thu, Trường Đại học Bách khoa Hà Nội làm chủ nhiệm nghiên cứu ứng dụng IoT trong việc kiểm soát cây trồng Tuy nhiên nội dung nghiên cứu mới tập trung ở các lớp ứng dụng chưa nghiên cứu thiết kế, chế tạo thiết bị đầu cuối

IoT, tổ chức mạng IoT ở lớp vật lý Đề tài nghiên cứu cấp nhà nước “Nghiên cứu thiết

kế, chế tạo và đưa vào ứng dụng các thiết bị, phương tiện và hệ thống tự động hoá cho các nhà trồng thông minh” mã số KC.03.11/06-10 năm 2008-2010 nối tiếp là Dự án

“Hoàn thiện thiết kế, công nghệ và chế tạo hệ thống tự động hoá cho các nhà trồng thông minh”, mã số KC03.DA04/11-15 năm 2013-2015 do Viện Nghiên cứu Điện tử,

Tin học, Tự động hóa thực hiện Trong đó tập trung vào nghiên cứu, thiết kế chế tạo, hoàn thiện hệ thống tự động hoá điều khiển kết hợp với quy trình canh tác để ứng dụng trong các nhà trồng thông minh Trong đó có các hệ thống điều khiển tưới bơm nước, phun ẩm, kéo rèm, bật tắt đèn… cho nhà trồng cây. Năm 2017, Trường Đại học Công

nghệ - Đại học Quốc gia Hà Nội và Đại học Công nghệ Sydney (UTS, Úc) đã ký kết văn bản thỏa thuận hợp tác song phương triển khai phối hợp đào tạo nghiên cứu sinh, hợp tác triển khai các hoạt động nghiên cứu và phát triển công nghệ tiên tiến cho ứng dụng IoT Tuy nhiên đây mới chỉ bắt đầu vào lĩnh vực nghiên cứu này

Các cơ quan quản lý nhà nước cũng đặc biệt chú ý, quan tâm về IoT để có những nghiên cứu đưa ra những chiến lược phù hợp với Việt Nam Đề tài nghiên cứu cấp Bộ

Thông tin và Truyền thông năm 2015 “Nghiên cứu xu thế phát triển, những tác động của công nghệ IoT (Internet of Things) và đề xuất giải pháp quản lý phù hợp” do Đặng

Thị Hoa, Viện Chiến lược Thông tin và Truyền thông làm chủ nhiệm đã nghiên cứu chung về IoT trên thế giới, tác động của IoT để đề ra giải pháp quản lý cho phù hợp Viện Chiến lược và Chính sách Khoa học và Công nghệ Quốc gia đã và đang nghiên

cứu một đề tài cấp Bộ “Xu hướng phát triển, triển vọng ứng dụng và các khuyến nghị chính sách phát triển Internet kết nối vạn vật (Internet of Things - IoT) ở Việt Nam cho giai đoạn đến năm 2025” do TS Bạch Tân Sinh làm chủ nhiệm Các đề tài này nhằm

làm rõ về khái niệm, bản chất, các ứng dụng và tác động của IoT đối với sự phát triển KH&CN nói riêng cũng như sự phát triển kinh tế - xã hội nói chung; các xu thế phát triển IoT trên thế giới, và dự đoán những kịch bản phát triển IoT tại Việt Nam, nghiên cứu cơ sở lý luận và thực tiễn cho việc xây dựng chính sách phát triển và ứng dụng IoT

ở Việt Nam cho giai đoạn đến năm 2025 nhằm phát triển kinh tế - xã hội nâng cao chất lượng cuộc sống Các đề tài này chưa đi nghiên cứu và phát triển công nghệ IoT Đề tài cũng đã chỉ ra sự cần thiết và quan trọng của IoT trong tương lai ở nước ta và có một số kiến nghị về giải pháp quản lý nhà nước

29

1.2 Hiện trạng và nhu cầu ứng dụng IoT cho nuôi thủy sản

Từ 2017, Kiên Giang đang triển khai dự án: Dự án đầu tư thiết bị trạm quan trắc môi trường nước tự động phục vụ nuôi trồng thủy sản kết hợp bảo vệ môi trường trên địa bàn tỉnh Kiên Giang (Giai đoạn 1), với chủ đầu tư là Sở Nông nghiệp và Phát triển Nông thôn tỉnh Kiên Giang, đơn vị sử dụng là Chi cục Chăn nuôi và Thú y tỉnh Kiên Giang Về mặt nội dung khoa học công nghệ, dự án này có mục tiêu cụ thể là: xây dựng thiết bị, hệ thống quan trắc tham số môi trường nước để cung cấp số liệu tức thời, cập nhật liên tục, phản ánh hiện trạng môi trường nước, phân tích, đánh giá chất lượng nước phục vụ nuôi trồng thủy sản ở khu vực xả nước thải khu công nghiệp, cảng cá, khu dân sinh và khu vực nước nuôi cá lồng bè phục vụ cảnh báo sớm ô nhiễm, bất thường của môi trường nước, giúp cơ quan quản lý dự báo sớm diễn biến môi trường nước, có biện pháp ứng phó kịp thời, hỗ trợ người nuôi tầm soát dịch bệnh Dự án này triển khai 01 Trung tâm điều hành tiếp nhận, xử lý số liệu được đặt tại Chi cục Chăn nuôi và Thú y,

02 Trạm quan trắc nước nuôi trồng thủy sản kết hợp quan trắc chất lượng nước xả thải khu công nghiệp, cảng cá, nước thải dân sinh, 02 Trạm quan trắc nước biển nuôi cá lồng

bè, 03 trạm quan trắc nguồn nước mặt sử dụng làm nước cấp nuôi trồng thủy sản, 07 hệ thống hiển thị thông tin quan trắc môi trường đặt tại khu vực gần trạm quan trắc hoặc tại UBND các phường, xã có đặt trạm quan trắc tự động Tổng kinh phí thực hiện dự án

khoảng 82 tỉ đồng Đây là dự án triển khai ứng dụng thiết bị, hệ thống, chưa có nghiên cứu làm chủ công nghệ, đặc biệt là thiết kế, chế tạo [54] Nhiều công ty, tập đoàn nghiên

cứu, ứng dụng công nghệ trong nuôi trồng thủy sản Điển hình như công nghệ cảm biến được FARMEXT - Tép Bạc sản xuất được lắp đặt ở ao nuôi tôm, cá sử dụng các thiết

bị cảm biến chất lượng nước và gửi thông tin liên tục 1 chiều về các thiết bị thông minh cho người dùng, người nuôi tôm, cá xử lý khi có sự cố [55] Đề tài nghiên cứu khoa học

“Nghiên cứu cơ sở khoa học và đề xuất các giải pháp nâng cao khả năng tự làm sạch chất ô nhiễm nitơ của vi khuẩn nitrat hóa và phản nitrat hóa bản địa trong đầm nuôi thủy sản nước lợ, mặn ven biển phía Bắc Việt Nam” của TS Đỗ Mạnh Hào, Viện Tài nguyên

và Môi trường biển đã nghiên cứu xác định được thành phần vi khuẩn nitrate hóa và phản nitrate hóa bản địa và đưa ra luận cứ khoa học, đề xuất các biện pháp nâng cao khả năng làm sạch chất ô nhiễm nitơ của vi khuẩn nitrate hóa và phản nitrate hóa bản địa đặc thù cho một số đầm nuôi thủy sản nước lợ, mặn tiêu biểu ở ven biển phía bắc nước

ta Tuy nhiên đề tài này chưa tập trung đề xuất việc ứng dụng công nghệ thông tin và truyền thông trong nuôi cá, tôm Đề tài nghiên cứu khoa học 2009-2011 “Nghiên cứu, thiết kế, chế tạo và ứng dụng hệ thống Tự động hoá điều khiển, giám sát các thông số môi trường phục vụ các cơ sở sản xuất cá, tôm giống tại tỉnh Thái Bình” do PGS.TS Phạm Mạnh Thắng, Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội Đề tài nghiên cứu, phát triển và ứng dụng hệ thống giám sát các thông số môi trường, nuôi giống cá, tôm Lan Thao (huyện Hưng Hải, tỉnh Thái Bình), góp phần nâng cao hiệu quả

Nghiên cứu ứng dụng tự động hóa và công nghệ cao trong nuôi trồng thủy sản siêu thâm canh bền vững và rất cần thiết [6] [57] Đầu tư cho nuôi trồng thủy sản trên thế giới dự kiến vào khoảng 100 tỷ USD trong thập niên tới Peter Drucker, chuyên gia hàng đầu về tư vấn quản trị đã từng phát biểu: “Nuôi trồng thủy sản, chứ không phải Internet, cho thấy cơ hội đầu tư tài chính hứa hẹn nhất trong thế kỷ 21” Nuôi trồng thủy hải sản cung cấp thực phẩm cần thiết cho cộng đồng thế giới, đặc biệt các nước đang phát triển Tổng sản lượng sản xuất thủy hải sản chiếm 40% trong đó 80% sản lượng nuôi trồng này đến từ châu Á Năm 2022, trên bản đồ xuất khẩu thủy sản thế giới, Việt Nam đang

là quốc gia xuất khẩu thủy sản lớn thứ 3, chiếm trên 7% thị phần của thế giới, chỉ đứng sau Trung Quốc và Na Uy Trong khi đó tỉ lệ sử dụng công nghệ cao vẫn chiếm tỉ trọng rất nhỏ Trong ngành này việc giám sát chất lượng nước là yếu tố quan trọng nhất và bị chi phối bởi nhiều tham số liên quan đến vật lý, hóa học và sinh học Có 4 thông số quan trọng nhất trong nước cần kiểm soát đó là độ hòa tan oxi (DO), độ mặn, nhiệt độ nước

và pH Tùy thuộc từng loại hình canh tác mà các tham số lý tưởng này sẽ khác nhau trong đó lượng ô xi hòa tan là yếu tố ưu tiên nhất trong ngành và quyết định sự tăng trưởng của cá, tôm Nhiệt độ nước tăng sẽ làm giảm hàm lượng ô xi hòa tan Lượng ô

xi hòa tan quá cao sẽ gây ra các bọt khí trong máu làm chết cá nhưng lượng ô xi quá thấp khiến cá, tôm dễ nhiễm khuẩn Duy trì ổn định hàm lượng ô xi trong nước sẽ đảm bảo sự thành công trong nuôi trồng thủy sản Bên cạnh đó nước trung tính cũng làm sản lượng nuôi trồng cao hơn Bằng cách sục khí có thể làm nước có nhiều ô xi hơn Nước được làm sạch bằng cách hấp thụ các chất gây ô nhiễm và giữ môi trường nước ở mức

độ trung tính

Có thể khẳng định IoT đang thu hút được sự quan tâm đặc biệt của các cơ sở nghiên cứu, doanh nghiệp và cơ quan quản lý Cũng như xu hướng chung của bức tranh IoT nói chung thì ngành nuôi trồng thủy hải sản cũng đứng trước thách thức thay đổi mạnh để phát triển Hiện nay có rất nhiều các nhóm nghiên cứu sản phẩm này trong nước nhưng chưa thực sự gây được tiếng vang lớn Cần một sự thúc đẩy thực sự vào ngành này để thay đổi bức tranh AIoT ở việt Nam

Tuy nhiên, những hạn chế cơ bản của những hệ thống IoT trong nước hiện nay là:

- Vấn đề công nghệ: Các công nghệ cao chưa có nghiên cứu phát triển, làm chủ công nghệ tương xứng, ứng dụng vẫn còn khó, chưa sát thực tế với yêu cầu của từng

31

đặc thù vùng miền, đặc điểm từng nhóm đối tượng nuôi trồng, chưa có trao đổi kinh nghiệm, khảo sát dài ngày đối tượng cần nuôi trồng khiến cho thiết bị chưa sử dụng được hoặc kém hiệu quả Thiết bị nhanh chóng xuống cấp trong quá trình khai thác, sử dụng

- Độ mềm dẻo thiết kế: Mỗi hệ thống, thiết bị, mặc dù thực hiện được những chức năng như đặt ra ban đầu, khả năng mở rộng tính năng, thiết lập lại cấu hình máy để đáp ứng những yêu cầu mới là khó thực hiện được nếu không có sự thay đổi đáng kể hoặc làm chủ thiết kế về cấu trúc phần cứng Khả năng thay thế các thiết bị tương đương thấp

Do đó khó làm chủ việc mở rộng thiết bị cũng như hệ thống

- Vấn đề hiệu chỉnh, nâng cấp mất nhiều thời gian và rất phức tạp vì hệ thống có

sự tham gia của nhiều khối chức năng phần cứng riêng biệt hoàn toàn Hơn nữa, đòi hỏi người thiết kế phải có kiến thức sâu rộng trong tất cả các khâu của hệ thống

- Khâu bảo dưỡng sửa chữa trong quá trình sử dụng thậm chí không thể thực hiện được khi linh kiện phần cứng phù hợp không tìm được hoặc thiết kế quá phức tạp

- Đặc biệt, với đặc thù triển khai AIoT trên các vùng sông nước của Việt Nam thì ngoài việc nắng to, mưa bão lớn, khí hậu ẩm ướt, nước muối, sương muối gây lão hóa vật tư Đây là một thách thức không nhỏ với các thiết kế phần cứng, linh kiện cũng như

Lớp thứ 2 là lớp truyền dẫn bao gồm các phương thức truyền dẫn khác nhau từ không dây đến có dây nhằm đảm bảo thông tin thu được sẽ truyền về trung tâm xử lý một cách chính xác và hiệu quả

Lớp thứ 3 là lớp trung tâm sẽ đảm nhiệm vai trò xử lý thông tin và đưa ra các quyết định cần thiết

1.3.2 Giao thức truyền thông LORA trong IoT

Trong hệ thống IoT có nhiều loại giao thức truyền thông giữa các thiết bị đầu cuối và thiết bị cổng Tuy nhiên, do điều kiện ứng dụng trong môi trường nuôi trồng thủy sản, vị trí các node có thể đặt xa đến hàng Km và thường linh hoạt di chuyển Do

đó, giao thức truyền thông LORA (Long Range Application), LoRaWAN( là một kiến trúc hệ thống và giao thức truyền thông trong mạng dựa trên LORA, có chức năng giao

32

tiếp giửa các thiết bị ) được lựa chọn với nhiều lý do: phổ biến trên Thế Giới; giá không đắt; hoạt động phù hợp cho cự ly xa, môi trường khắc nghiệt; có các tiêu chuẩn kỹ thuật được công nhận, bảo mật 2 lớp, ít gây nhiễu; sử dụng năng lượng thấp; tương tác thông minh, xử lý nhiều node rất phù hợp cho hệ thống IoT đang thiết kế thử nghiệm Ở lớp vật lý, LoRa sử dụng kỹ thuật điều chế Chirp Spread Spectrum (CSS), nguyên lý kỹ thuật điều chế CSS được biểu diễn như sau:

Hình 1-1: Nguyên lý điều chế tín hiệu LoRa

Dữ liệu sẽ được chia nhỏ bằng các xung cao tần để tạo ra tín hiệu có dãy số tần

số cao hơn tần số dữ liệu gốc, sau đó tín hiệu thu được sẽ tiếp tục được mã hóa theo các chuỗi tín hiệu dạng chirp (chirp signal) Có 2 loại chirp signal là up-chirp có tần số tăng theo thời gian và down-chirp có tần số giảm theo thời gian và việc mã hóa theo nguyên tắc bit 1 cho up-chirp, bit 0 cho down-chirp trước khi truyền ra anten để bức xạ ra không gian Nguyên lý trên giúp giảm độ phức tạp và độ chính xác cần thiết của mạch thu để

có thể giải mã, điều chế dữ liệu

Nhiều thiết bị LoRa có thể trao đổi dữ liệu trên nhiều kênh đồng thời do nhờ sử dụng chirp signal mà các tín hiệu LoRa có các chip rate khác nhau để có thể hoạt động trong cùng một khu vực mà không gây nhiễu cho nhau

Hình 1-2: Thành phần một gói dữ liệu được truyền và nhận

Một gói dữ liệu truyền đi gồm các thành phần:

• Preamble: Là chuỗi bit để dò tìm tín hiệu của LoRa trong không gian

• Header: Chứa thông tin về kích thước của tải dữ liệu (Playload) và xem có payload CRC hay không Giá trị của header cũng được kiểm tra mã sửa lỗi CRC kèm theo

• Payload: Dữ liệu ứng dụng truyền qua LoRa

Một số thông số hoạt động của LoRa:

A, lớp B và lớp C

1.4 Tổng quan về ứng dụng xử lý ảnh trong phân vùng và phân loại thủy sản

1.4.1 Giới thiệu chung

Phát hiện và phân loại cá thể trong đại dương nói chung, trong nuôi trồng thủy sản nói riêng để chúng ta có thể hiểu rõ hơn về cách chúng tương tác với nhau và với các sinh vật khác trong đại dương, cũng như trong các ao nuôi thủy sản qua đó giúp chúng ta hiểu rõ hơn về sức khỏe của hệ sinh thái này và ứng dụng trong sinh học và quản lý nguồn cá thể Phân loại cá thể (cá, tôm,…) giúp đánh giá và ghi chép đa dạng sinh quyển của môi trường nước Bằng cách xác định và phân loại các loài cá thể khác nhau, các nhà khoa học thu được cái nhìn sâu sắc về mô hình phân phối, sự phong phú

và vai trò sinh thái của các quần thể cá thể Trong nuôi thủy sản, việc phân loại còn giúp chọn lựa loài cá thể phù hợp để nuôi, hiểu rõ về nhu cầu dinh dưỡng của chúng

và phát triển các chương trình chăn nuôi nhằm nâng cao năng suất và chất lượng Trong công nghiệp nuôi trồng thủy sản, việc ước lượng mật độ các cá thể, ví dụ như mật độ cá đóng vai trò quan trọng Đó là vì việc ước lượng các cá thể cá có thể giúp tối ưu hóa quá trình nuôi, điều khiển mật độ sinh sản, xác định thời gian thu hoạch tối ưu, cung cấp những thông tin có giá trị cho việc phát triển các hệ thống quản lý thông minh Mặc dù vậy, các phương pháp truyền thống dùng để tính toán mật độ cá thể phụ thuộc nhiều vào quá trình/việc lấy mẫu thủ công; quá trình đếm được thực hiện trực tiếp Điều đó không chỉ tiêu tốn thời gian, công sức mà còn ảnh hưởng đến tình trạng sức khỏe, nguồn lợi vì đây là phương pháp tiếp xúc trực tiếp

Gần đây, với sự phát triển mạnh mẽ các phương pháp kiểm tra, đánh giá, phương pháp đếm không tiếp xúc dựa trên thị giác máy đã được áp dụng trong công nghiệp

34

nuôi trồng thủy sản như Hình 1-3 Phương pháp dựa trên thị giác máy tính có giá thành

thấp, ổn định, do đó đã cung cấp thêm một cách tiếp cận mới cho việc đếm, tính toán mật độ các cá thể cá trong nuôi trồng thủy sản

Hình 1-3: Sơ đồ khối của một hệ thống quyết định thông minh trong nuôi trồng thủy

sản

Bên cạnh các ưu điểm trình bày phía trên, phương pháp dựa trên thị giác máy và

kỹ thuật xử lý ảnh cũng đối mặt với các thách thức như sự thay đổi của ánh sáng, độ tương phản thấp, nhiễu, sự thay đổi hình dạng cá thể do góc chụp, cá thể bị che khuất

do nền và vật thể động Mặc dù vậy, lĩnh vực phát hiện thủy sản một cách tự động dựa trên hình ảnh đã có những phát triển vượt bậc trong một thập kỷ trở lại đây với sự trợ giúp của các thuật toán của thị giác máy tính, xử lý ảnh số cũng như các phương pháp tính toán mềm [52] [53] [54] [55]

1.4.2 Các thách thức trong phát hiện và ước lượng mật độ cá thể

Trong việc xác định cũng như phân tích các đặc tính nội tại của cá thể nói chung,

đã có nhiều nghiên cứu về phát hiện và theo dõi di chuyển của tôm, cá/thủy sản Thực

tế là các kết quả của bước nhận dạng và phân tích lại phụ thuộc nhiều vào độ chính xác của bước phát hiện Các khó khăn trong việc phát hiện và phân tích các đặc tính nội tại của cá thể là những nguyên nhân làm giảm độ chính xác của bước phát hiện cá/thủy sản Những khó khăn này là những đặc tính nội tại của tôm, cá/thủy sản cũng

như môi trường phức tạp, như thể hiện ở Hình 1-4 Ta cũng có thể thấy hình ảnh minh họa ở Hình 1-5, những hình ảnh chụp được ở các môi trường thực tế cho thấy một số

đặc tính bao gồm các đối tượng vật thể nhỏ, có độ biến dạng, độ sáng thấp, nhiễu cao, khó quan sát, mờ, nền phức tạp, sự giống nhau giữa cá và nền, cá thể có ngụy trang, bị che khuất, cũng như mật độ dày đặc của đối tượng quan sát

Thách thức thứ nhất là: Các đặc tính nội tại của cá thể thủy sản Các đặc tính nội tại của thủy sản có thể được chia thành năm loại chính: biến thể về lớp, sự giống nhau

về màu sắc giữa cá thể và nền, biến dạng của cá thể (về kích thước, hình dạng, tư thế và hướng thay đổi theo thời gian không theo quy luật [56]), thay đổi tỉ lệ, sự che khuất và

sự biến mất

Thứ hai là: Môi trường phức tạp Trong môi trường dưới nước, mặc dù được trang bị các thiết bị quang học tiên tiến, việc thu thập dữ liệu hình ảnh và video vẫn bị tác động bởi nhiều yếu tố Chất lượng hình ảnh kém gây ra bởi hiện tượng tán xạ, hấp

35

thụ, biến dạng quang học, đục nước, khả năng hiển thị thấp, chiếu sáng không đồng đều,

độ tương phản thấp, nhiễu và nhòe, gây khó khăn cho việc phân tích hành vi, đếm và phát hiện cá thể [57] Thay đổi độ sáng và độ phân giải thấp, video nền phức tạp, nền hình ảnh chứa nhiều vật thể không quan tâm nhưng gần giống với thủy sản, điều này sẽ làm giảm độ chính xác của bước phát hiện thủy sản Ngoài ra còn gặp các vấn đề khó khăn khác như: Thay đổi thời tiết, mật độ dày, đục nước, tảo trên ống kính máy ảnh, sự biến đổi của nền

Hình 1-4: Phân loại các thách thức trong việc phát hiện cá thể

Hình 1-5: Minh họa các thách thức trong việc phát hiện cá thể Nguồn ảnh từ

Fish4-Knowledge [58] và NOAA [59]

36

1.4.3 Các mô hình thị giác máy tính dùng trong phát hiện cá thể

Thông thường, trong một hệ thống thị giác máy tính gồm có 3 bước chính: thu thập ảnh, tiền xử lý ảnh và các kỹ thuật thị giác máy tính khác

a Hệ thống thu thập hình ảnh

Thu thập hình ảnh là bước đầu tiên của việc phát hiện cá thể bằng mô hình thị giác máy tính Chất lượng của hình ảnh thu thập xác định hiệu năng của các phương pháp mô hình dựa trên thị giác máy tính Hiện tại, các phương pháp thu nhận hình ảnh thông thường bao gồm hệ thống thu nhận hình ảnh hai chiều (2D) và ba chiều (3D) như

Hình 1-6 Mỗi phương pháp thu nhận ảnh đều có ưu và nhược điểm riêng Hệ thống thu

thập ảnh 2D chủ yếu bao gồm một camera đơn, vốn được sử dụng rộng rãi trong việc xác định và đếm loài cá

Tuy nhiên, nhược điểm chính của phương pháp này là cần các thuật toán tính toán chuyên sâu để tìm ra điểm giống nhau trên cả hai hình ảnh camera Tốc độ khung hình của hệ thống hình ảnh cần đáp ứng các yêu cầu cụ thể Hơn nữa, sự xuất hiện của

cá thể có sự khác biệt đáng kể giữa hình ảnh nhìn từ trên xuống và hình ảnh nhìn từ bên cạnh, điều này làm hạn chế hiệu năng của thuật toán

Một hệ thống thu nhận 3D khác là hệ thống phản xạ tia hồng ngoại (IREF), sử dụng nước để hấp thụ ánh sáng hồng ngoại và cá thể Sự phản xạ ánh sáng tia hồng ngoại của cá thể ở các độ sâu nước khác nhau cho thấy cường độ khác nhau Do đó, hệ thống camera hồng ngoại gần có thể được sử dụng để xây dựng mối quan hệ giữa độ sáng của ánh sáng phản xạ và độ sâu của vị trí hiện tại của cá thể, từ đó thu được hình ảnh 3D chỉ với một camera duy nhất Hiện nay, hệ thống phản xạ tia hồng ngoại đã được sử dụng rộng rãi trong phân tích hành vi của cá thể và cho phép theo dõi từng cá thể thủy sản trong điều kiện tối, ánh sáng kém và tắc nghẽn [60] [61] So với hệ thống thị giác âm thanh nổi, ưu điểm của nó là chi phí phần cứng thấp hơn và tính chuyên sâu về mặt tính toán thấp

Ngoài ra, cảm biến ánh sáng có cấu trúc cũng được sử dụng trong hình ảnh 3D [62]

Hình 1-6: Hệ thống thu thập hình ảnh 2D và 3D

37

b Tiền xử lý ảnh

Tiền xử lý ảnh là một trong những bước quan trọng nhất, bao gồm chuyển đổi hình ảnh màu xám, loại bỏ nhiễu, phân vùng ảnh, tăng cường dữ liệu và giảm chiều Do hình ảnh được chụp từ môi trường thực có chứa thông tin không phù hợp như nhiễu, nền phức tạp, ta cần phải thực hiện tiền xử lý trước khi trích xuất và phân loại Điều này sẽ cải thiện độ chính xác và hiệu quả tính toán Dưới đây là một số kỹ thuật tiền xử lý phổ biến và hiệu quả nhất

• Chuyển đổi hình ảnh sang ảnh xám: Thang độ xám của hình ảnh sẽ tăng tốc độ tính toán và giữ lại thông tin gradient trong phát hiện cá thể

• Loại bỏ tiếng ồn: Vì nhiễu cường độ cao ảnh hưởng đến hiệu suất của thuật toán [63] [64], bộ lọc Gaussian [65] và bộ lọc Trung vị [66], có thể được sử dụng để loại bỏ nhiễu trong một số nghiên cứu

• Cắt và thay đổi kích thước: Cắt ảnh giúp loại bỏ thông tin dư thừa khỏi nền Ngoài

ra, hình ảnh được thay đổi kích thước thành kích thước cố định phù hợp cho một đầu vào của các mạng học sâu

• Tăng cường dữ liệu: Lật, xoay, làm mờ, chia tỷ lệ, dịch, cắt và thay đổi cường độ ánh sáng được sử dụng để mở rộng, tăng số lượng mẫu huấn luyện

• Phân vùng ảnh: Mục đích của phân vùng ảnh là tìm được vùng quan tâm, tách bỏ nền trong bức ảnh

• Giảm chiều dữ liệu: PCA [67] và LDA được sử dụng để giảm chiều của đặc trưng

Ngoài ra còn các kỹ thuật thị giác máy tính khác

1.4.4 Ước lượng và đếm cá thể thủy sản

Gần đây, một số phương pháp phát hiện cá thể đã được mở rộng để đếm cá thể

trong các tình huống khác nhau (Hình 1-7), chẳng hạn như khi cá thể có mật độ cao [64]

[67] [68] [69] và thấp [70] [71] [72]

Các phương pháp phát hiện dựa trên chuyển động được sử dụng để phát hiện cá thể và sau đó đầu ra là hình ảnh nhị phân được sử dụng để đếm số lượng cá thể Các kỹ thuật dựa trên ngoại hình cùng với thuật toán học máy thường ước tính số lượng mục tiêu trong cảnh bằng cách thiết lập mô hình hồi quy giữa các tính năng được trích xuất

và số lượng mục tiêu

toán theo dõi được triển khai để ước tính tổng số cá thể trong video (Hình 1-7c) Cuối

cùng, số lượng cá trong khung hình thu được bằng cách dán nhãn thành phần được kết nối

Nghiên cứu này cho thấy khi trong video với tốc độ khung hình thấp (cá thể di chuyển quá nhanh khó theo dõi) và chất lượng hình ảnh thấp, dẫn đến kết quả đếm tự động nhiều hơn so với thực tế Fier và cộng sự [70] đã sử dụng thuật toán trừ nền để phát hiện cá từ video dưới nước với khả năng hiển thị hạn chế, độ tương phản thấp, ánh sáng không đồng đều và độ đục Tuy nhiên lỗi đếm vẫn xảy ra do lỗi phân đoạn, vật thể

bị tắc, cá thể di chuyển chậm

b Trường hợp mật độ cá thể thủy sản cao

Trong các hình ảnh trong đó có mật độ cá thể thủy sản cao, hầu hết các nghiên cứu tập trung vào việc đếm cá thể trong môi trường hồ cá hạn chế như thùng chứa, bể,

ao và hồ cá [64] [74] [75] (Hình 1-7 g, h) Để đạt được nhiệm vụ trên, phương pháp đếm

được sử dụng rộng rãi là dựa trên ngoại hình và dựa trên chuyển động của cá thể Phương pháp dựa trên ngoại hình dựa trên xử lý hình ảnh truyền thống được sử dụng để phát hiện diện tích pixel bị chiếm bởi mỗi cá thể [75], nhưng với số lượng cá thể tăng lên (vượt quá 700), tỷ lệ cá chồng chéo lên nhau tăng dẫn đến độ chính xác giảm xuống

Thông thường, do giai đoạn tiền xử lý không loại bỏ hết được nền, thường dẫn đến số lượng đếm được vượt quá số lượng thực tế Sharif và cộng sự [67] đã sử dụng phép trừ nền để phân biệt cá thể di chuyển khỏi môi trường nhiễu động (Hình 1-7e) Tâm của thân cá thể được ước tính bằng cách sử dụng thuật toán blob, đồng thời sử dụng liên kết dữ liệu bộ lọc Kalman để theo dõi cá thể cùng sự thay đổi số lượng của chúng