Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông: 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

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

44
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông "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" được nghiên cứu với mục tiêu: 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 và mặn; 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.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông: 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

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 Ngành: Kỹ thuật viễn thông Mã số: 9520208 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG Hà Nội - 2024
Công trình được hoàn thành tại: Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: GS.TS. Vũ Văn Yêm TS. Vương Hoàng Nam Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Đại học Bách khoa Hà Nội họp tại Đại học Bách khoa Hà Nội Vào hồi giờ phút, ngày tháng năm 2024 Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu - Đại học Bách khoa Hà Nội 2. Thư viện Quốc gia Việt Nam
MỞ ĐẦU Luận án tập trung nghiên cứu, triển khai thử nghiệm thực tế mô hình IoT quan trắc môi trường nước phục vụ nuôi thủy sản tại Kiên Giang và đề xuất mô hình, thuật toán phân vùng, phân loại cá thể, xử lý ảnh ứng dụng học sâu định hướng ứng dụng trong nuôi thủy sản. . Mục tiêu nghiên cứu của luận án - 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 và mặn. - Thiết kế, chế tạo, tích hợp được hệ thống, thiết bị đầu cuối IoT kiến trúc mở cho thu thập, điều khiển và truyền một số chỉ tiêu môi trường nước như nhiệt độ, độ mặn, pH, nồng độ ô xy hòa tan DO, độ trong, NO3-, NH4+ ứng dụng trong nuôi trồng 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 mặn, lợ 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. 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. Phạm vi nghiên cứu của luận án: - Phạm vi nghiên cứu giới hạn trong các hệ thống AIoT, các thiết bị trong hệ thống IoT như các thiết bị đầu cuối IoT, thiết bị IoT cổng, thiết bị IoT điều khiển bao gồm cả phần cứng mạch điện tử, tích hợp các cảm biến có sẵn, phần mềm frontend, backend, 1
các thuật toán xử lý ảnh dựa theo học sâu tại trung tâm dữ liệu hệ thống IoT. - Công nghệ truyền thông LORA. Các hệ thống này ứng dụng, thử nghiệm trong nuôi tôm, cá nước lợ, nước mặn tại Kiên Giang Những đóng góp của luận án: Luận án có 02 đóng góp khoa học chính như sau: - Đề xuất mô hình hệ thống và thiết bị đầu cuối IoT kiến trúc mở, hai chiều tiết kiệm năng lượng định hướng ứng dụng trong nuôi trồng thủy sản nói chung và cho tỉnh Kiên Giang nói riêng. Kết quả nghiên cứu này được thể hiện qua bài báo số 1 trong danh mục các công trình khoa học công bố của nghiên cứu sinh (HT1). - Đề xuất mô hình, thuật toán phát hiện và phân loại đối tượng ứng dụng học sâu định hướng ứng dụng trong nuôi thủy sản. Trong đó: + Phương pháp tự động phân đoạn hình ảnh cả thể sử dụng mô 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. + Đề xuất một mô hình mạng học sâu dựa trên cơ chế tự chú ý, hay còn gọi là cơ chế tập trung cho bài toán phân loại các loài cá. CHƯƠNG 1: TỔNG QUAN VỀ IoT VÀ ỨNG DỤNG TRONG NUÔI THỦY SẢN 1.1 Tổng quan về hệ thống IoT 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.. 1.2 Hiện trạng và nhu cầu ứng dụng IoT cho nuôi Thủy sản 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 2
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. 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. Trong nước ta cũng như trên địa bàn tỉnh Kiên Giang đang có nhu cầu rất cao về ứng dụng công nghệ cao trong nuôi thủy hải sản, nhằm nâng cao chất lượng, giá trị sản phẩm phục vụ xuất khẩu trong thời gian tới. 1.3 Kiến trúc và các giao thức hệ thống IoT 1.3.1 Kiến trúc hệ thống IoT Hệ thống IoT quan trắc môi trường nước có thể xây dựng theo mô hình phân lớp gồm các lớp sau: Lớp thứ nhất bao gồm các thiết bị phần cứng cảm biến, giám sát và điều khiển. Lớp này có nhiệm vụ đo, phát hiện và tổng hợp các thông tin cần thiết cho mục đích giám sát và ổn định môi trường sống lý tưởng cho sinh vật thủy sinh và đảm bảo các sự can thiệp kịp thời từ người nuôi trồng. 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, giao thức truyền thông LORA được lựa chọn. LoRa sử dụng kỹ thuật điều chế Chirp Spread Spectrum 3
(CSS), nguyên lý kỹ thuật điều chế CSS được biểu diễnnhư sau: Hình 0-1: 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 Hình 1 4: Thành phần một gói dữ liệu được truyền và nhận Một gói dữ liệu truyền đi gồm các thành phần: Ưu điểm của hệ thống truyền thông LoRa gồm: Hoạt động trên băng tần ISM 433MHz tại Việt Nam. Phạm vi phủ sóng có thể đạt khoảng 5 km ở khu vực đô thị và 15 km ở khu vực ngoại thành. Tiêu thụ ít năng lượng hơn phù hợp thiết bị sử dụng Pin mang lại tính di động cao. Một thiết bị Lora Gateway có thể giao tiếp với nhiều thiết bị đầu cuối hoặc các nút. Rất dễ triển khai do cấu trúc đơn giản. Tốc độ mã hóa dữ liệu có thể thay đổi từ 0,3 kbps đến 27 kbps cho băng thông 125KHz. Được sử dụng rộng rãi cho các ứng dụng M2M/IOT. LoraWan hỗ trợ 3 loại thiết bị khác nhau lớp A, lớp B và lớp C. 4
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. 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 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 0-2: Sơ đồ khối của một hệ thống quyết định thông minh trong nuôi trồng thủy sản 1.4.2 Các thách thức trong phát hiện và ước lượng mật độ cá thể 5
Trong việc xác định cũng như phân tích hành vi của cá nói chung và thủy sản nói riêng, đã có nhiều nghiên cứu về phát hiện và theo dõi di chuyển của 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 hành vi của cá là những nguyên nhân làm giảm độ chính xác của bước phát hiện cá/thủy sản. 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 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. 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. Hệ thống thu thập hình ảnh Tiền xử lý ảnh Ngoài ra còn các kỹ thuật thị giác máy tính khác. 1.4.4. Ước lượng và đếm cá thể thủy sản 6
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. Hình 0-3: Minh họa hình ảnh trong các trường hợp mật độ cá thể khác nhau: a-c: mật độ thưa, d-h: mật độ dày 1.5. Các kỹ thuật phát hiện vật thể trong thị giác máy tính 1.5.1. Giới thiệu chung về một số kỹ thuật trong thị giác máy tính Hình ảnh đóng vai trò quan trọng trong việc trao đổi thông tin nhờ tính trực quan của nó. Thị giác máy tính (Computer Vision) là một lĩnh vực trí tuệ nhân tạo nhằm đào tạo máy tính để hiểu và diễn giải về thế giới như cách con người nhìn thấy. Bằng việc sử dụng hình ảnh kỹ thuật số từ các máy ảnh và những đoạn phim cũng như các mô hình học sâu (deep learning), máy móc có thể xác định và phân loại chính xác các đối tượng – tiếp sau đó phản ứng với những gì chúng “nhìn thấy”. Các bài toán trong thị giác máy tính khá đa dạng. Phân loại ảnh là lớp bài toán phổ biến nhất, mục tiêu là phân loại ảnh. Phát hiện đối tượng thì không chỉ phân loại ảnh mà còn xác định vị trí của vật thể trong ảnh. Chú thích hình ảnh (Image Captioning) kết hợp 7
giữa ảnh và xử lý ngôn ngữ tự nhiên (NLP) để đưa ra một câu chú thích có nội dung phù hợp với bức ảnh. Biên dịch ảnh - ảnh là lớp bài toán liên quan đến việc biến đổi các bức ảnh sang đặc tính mới dựa trên ảnh gốc. 1.5.2. Một số phương pháp phân vùng ảnh cổ điển a. Phương pháp trích xuất đường viền (Edge Detection) Đường viền (cạnh) biểu thị đường bao của các vật thể trong ảnh, được cấu tạo bởi các pixel liên kết với nhau tạo thành đường phân cách giữa vật thể và các vùng xung quanh. b. Phương pháp sử dụng ngưỡng (Thresholding) Phương pháp sử dụng ngưỡng là một kĩ thuật đơn giản và hữu dụng trong việc phân vùng đối tượng có sự tương phản rõ nét với nền. c. Phân vùng ảnh dựa trên miền (Region Based Segmentation) Phân vùng ảnh dựa trên miền là xác định các tập hợp pixel được kết nối với nhau mà có cùng các thuộc tính tương tự. Mấu chốt của phương pháp này là sự tương đồng về giá trị và khoảng các giữa các pixel d. Phân vùng ảnh dựa trên nhóm đặc trưng Ý tưởng của phương pháp là xác định một số lượng nhóm (cluster) nhất định trước trong ảnh, mỗi nhóm sẽ có một đại diện (centroid), sau đó phân chia từng pixel vào các nhóm qua việc xác định nó gần centroid nào nhất. Các phương pháp được sử dụng nhiều có thể kể đến là K-means Clutering, Fuzzy C Means, Mean Shift Clustering, … e. Phương pháp đường bao chủ động (Active Contour) và tập mức (Level set) Phương pháp đường bao chủ động (Active contour) là phương pháp dùng để xác định các đường viền của các vật thể trong ảnh 2D 8
1.5.3. Các phương pháp phát hiện vật thể hiện đại dùng học sâu Ngày nay, khi kỹ thuật học sâu ngày càng phát triển, các phương pháp học sâu dựa trên mạng nơ ron tích chập (CNN) đã chứng minh được tính ưu việt vượt trội so với các phương pháp truyền thống. Do đó, nó được sử dụng nhiều trong các bài toán phân vùng và ngày càng được cải tiến. a. Cơ bản về mạng nơ ron tích chập CNN Mạng nơ ron tích chập (Convolutional Neural Network – CNN), là một mạng nơ ron học sâu và được sử dụng phổ biến đối với dữ liệu dạng ảnh 9
b. Các mô hình học sâu trong phát hiện vật thể (Object detection) Phát hiện đối tượng hay vật thể là một kỹ thuật máy tính liên quan tới thị giác máy tính và xử lý ảnh liên quan đến việc phát hiện các trường hợp của các đối tượng ngữ nghĩa của một lớp nhất định (như: con người, đồ vật hay xe ô tô, ...) trong các hình ảnh hoặc video. Về phần tiếp cận mô hình thì có thể phân loại phát hiện đối tượng thành một số dạng chính như: Một - hai công đoạn (One-stage vs Two-stage) và Region-proposal method vs Proposal-free method. Các thuật toán phát hiện đối tượng hai công đoạn điển hình như RCNN/Fast-RCNN/Faster-RCNN/Mask-RCNN, ... • Mạng R-CNN Với RCNN, việc trích xuất các vùng ảnh đề xuất được thực hiện thông qua thuật toán tìm kiếm chọn lọc để trích chọn ra các vùng có khả năng chứa đối tượng (khoảng 2000 vùng). Sau đó, các vùng ảnh này được thay đổi kích thước về 1 kích thước cố định và đưa qua 1 mạng CNN huấn luyện trước, rồi từ đó tiến hành xác định offset và nhãn đối tượng. Tuy nhiên, việc đưa các vùng ảnh đề xuất qua mạng CNN 2000 lần khiến tốc độ thực thi của mô hình rất chậm. 10
c. Các mô hình học sâu trong phân vùng ảnh (Image Segmentation) Các mô hình phân vùng ảnh hiện đại thường bao gồm hai phần chính là mã hóa (Encoder) và giải mã (Decoder). Hình Error! No text of specified style in document.-1: Cấu trúc Encoder- Decoder của hầu hết mô hình Phân vùng ảnh hiện đại • Mô hình mạng Unet Mô hình Unet được giới thiệu lần đầu vào năm 2015 bởi Olaf Ronneberger và các cộng sự của ông là một nghiên cứu đột phá trong lĩnh vực phân đoạn ảnh y sinh lúc bấy giờ • Mô hình mạng MultiResUnet Được giới thiệu vào cuối năm 2019, mô hình Multi ResUnet của tác giả Nabil Ibtehaz, M. Sohel Rahman như là một cải tiến cho Unet trong việc xử lí các hình ảnh y sinh mà đối tượng trong đó có kích thước khác nhau. Để làm được điều này, các tác giả đã giới thiệu một số khối mới như là MultiRes block và kết nối tắt Res Path. • Mô hình mạng ResUnet++ Cuối năm 2019, tác giả Debesh Jha cùng các cộng sự đã giới thiệu một mô hình kết hợp những điểm mạnh của các mô hình Deep Residual Unet (ResUnet) và Unet. Sự kết hợp này nhằm tận dụng những điểm mạnh của Residual block, Squeeze and excitation block, ASPP, Attention block và phương pháp nối tắt tương tự Unet nhằm đạt được kết quả tốt hơn trong các tác vụ phân vùng ảnh y sinh. Dưới đây là hình ảnh mô hình ResUnet++ • Các hàm mất mát thường dùng trong phân vùng ảnh Trong các bài toán phân vùng ảnh dùng kỹ thuật học sâu, các hàm mất mát thường được sử dụng là hàm Dice và cross-entropy 11
Các vấn đề nghiên cứu cần giải quyết Từ các phân tích ở mục 1.1 đến mục 1.5, các vấn đề đặt ra cần phải nghiên cứu giải quyết để xây dựng hệ thống IoT 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 đó là: Về mô hình hệ thống và thiết bị IoT Về thuật toán, mô hình xử lý dữ liệu, xử lý ảnh tại trung tâm thu nhận và xử lý IoT định hướng ứng dụng trong nuôi trồng thủy sản Kết luận chương 1 Từ những nghiên cứu trên, nghiên cứu sinh đề xuất mô hình hệ thống IoT ứng dụng trong nuôi thủy sản nói chung, cho nuôi tôm nước lợ, mặn tại Kiên Giang nói riêng. Hệ thống gồm các thiết bị đầu cuối với các cảm biến đo thông số môi trường nước và gửi dữ liệu về trung tâm sử dụng chuẩn truyền thông LoRa. Ngoài ra nghiên cứu sinh đề xuất mô hình, Chương này nghiên cứu sinh cũng đã phân tích một số mô hình mạng nơ ron học sâu trong phát hiện vật thể như mạng R-CNN, mạng Faster-RCNN. Sử dụng mạng nơ ron học sâu trong bài toán phân vùng, phân loại ảnh cá thể định hướng ứng dụng trong nuôi trồng thủy sản CHƯƠNG 2: MÔ HÌNH HỆ THỐNG IOT ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI THỦY SẢN TẠI KIÊN GIANG 2.1. Quy định, tiêu chuẩn về các tham số môi trường nước trong nuôi trồng thủy sản Về Nhiệt độ Về Độ muối Về Độ trong Về độ pH Về nồng độ Oxy hòa tan Về ion amoni NH4+ Ảnh hưởng khí độc NH3 trong ao Về nồng độ ion NO3- 12
2.2 Mô hình hệ thống IoT ứng dụng trong nuôi thủy sản 2.2.1Nghiên cứu thiết kế mô hình hệ thống IoT Hình 2-2 dưới đây là sơ đồ mô hình hệ thống IoT đề xuất ứng dụng trong nuôi thủy sản. Hệ thống được thiết kế sẽ bao gồm 2 phân hệ chính là phân hệ thiết bị thu thập thông tin môi trường và phân hệ trung tâm xử lý dữ liệu. Hình 2 2: Mô hình hệ thống IoT đề xuất ứng dụng trong nuôi thủy sản 13
2.2.2. Mô hình hệ thống IoT khi triển khai thực nghiệm tại hiện trường Hình 2 3: Sơ đồ chi tiết các khối trong hệ thống IoT thiết kế, chế tạo và thử nghiệm 2.2.3 Yêu cầu kỹ thuật, xây dựng giải pháp cho các khối trong hệ thống Hệ thống IoT tự động quan trắc và cảnh báo các thông số môi trường nuôi tôm tại Kiên Giang bao gồm: 02 thiết bị đầu cuối IoT tại các điểm đo tích hợp các loại cảm biến cho phép đo trực tiếp, liên tục và tự động các thông số gồm nhiệt độ (oC), độ mặn (‰), độ pH, DO (mg/l), độ trong, NO3 - , NH4+. Thiết bị đầu cuối có tính mở cho các loại sensor 2.3. Thiết kế, chế tạo phần cứng hệ thống IoT ứng dụng trong nuôi thủy sản 14
2.3.1. Thiết kế, chế tạo thiết bị đầu cuối IoT thu thập dữ liệu từ cảm biến 2.3.2. Thiết kế, chế tạo thiết bị IoT điều khiển cơ cấu chấp hành (IoT control node) 2.3.3. Thiết kế và chế tạo IoT cổng (IoT gateway) 2.3.4 Hệ thống camera thu thập hình ảnh 2.3.5 Thiết kế phần mềm giám sát và điều khiển trung tâm Kiến trúc tổng quan về phần mềm giám sát Thiết kế phần mềm máy chủ (Server – backend) Máy chủ server được xây dựng dựa trên phần mềm Visual Studio với ngôn ngữ C# của Microsoft. Máy chủ server có khả năng tích hợp và hoạt động đa luồng với các kết nối như TCP/IP (với gateway) và API (với frontend). Dữ liệu người dung sẽ được mã hóa và bảo mật tại máy chủ dựa theo các tokenkey đặc biệt thay đổi theo thời gian Thiết kế phần mềm hiển thị (Frontend) Giao diện trang đăng nhập Đây là form có chức năng kết nối giữa chương trình quản lý và hệ quản trị cơ sở dữ liệu PostgreSQL. 2.4 Tích hợp và thử nghiệm hệ thống IoT 2.4.1 Tích hợp thiết bị Tích hợp thiết bị đầu cuối IoT với các thiết bị ngoại vi 15
Tích hợp thiết bị đầu cuối với hệ thống giá đỡ Thiết bị đầu cuối IoT hoạt động trong môi trường thả nổi trên các ao và thường xuyên di động, do đó cần phải thiết kế tích hợp mạch điện tử của thiết bị với hệ thống tủ điện và hệ thống giá đỡ bằng cơ khí cũng như phao nổi. 2.4.2 Thử nghiệm trong môi trường thực tế tại Kiên Giang a. Lựa chọn môi trường thử nghiệm 16
b. Kịch bản thử nghiệm Kịch bản kiểm tra, thử nghiệm chức năng c. Triển khai thử nghiệm Hệ thống được vận hành tại khu vực nuôi tôm thử nghiệm ở Huyện An Biên trong thời gian hoạt động liên tục 30 ngày bắt đầu từ ngày 07/04/2022 đến tháng 10/2022. Dưới đây là một số kết quả vận hành hệ thống và kiểm thử phần mềm được đánh giá bởi người dùng. 2.5 Kết luận chương 2 Trong chương này nghiên cứu sinh đã đề xuất mô hình hệ thống IoT ứng dụng trong nuôi thủy sản nói chung, cho nuôi tôm nước lợ, mặn tại Kiên Giang nói riêng. Hệ thống gồm các thiết bị đầu cuối với các cảm biến đo thông số môi trường nước và gửi dữ liệu về trung tâm sử dụng chuẩn truyền thông LoRa. Hệ thống có chức năng tự động, tương tác hai chiều để điều khiển cơ cấu chấp hành là hệ thống sục khí. Hệ thống IoT đề xuất được chế tạo và thử nghiệm quan trắc môi trường nuôi tôm tại trạm nuôi tôm thứ Sáu Biển huyện An Biên, tỉnh Kiên Giang. Hệ thống được điều khiển thông qua trình duyệt web và giám sát các thông số môi trường nước nuôi tôm. Sau quá trình thử nghiệm, hệ thống đã hoạt động tốt liên tục 30 ngày trong giai đoạn thử nghiệm hơn 6 tháng. Tuy nhiên hệ thống còn có một số hạn chế 17
nhất định như khả năng tự chuẩn đoán, tự làm sạch của sensor, khả năng dự báo sử dụng công nghệ AI, vẫn cần phải bảo trì thủ công các cảm biến. Các kết quả nghiên cứu đã được đăng trên hội thảo [HT1]. 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 Trong chương 3 này nghiên cứu sinh sẽ đề xuất phương pháp tự động phân vùng cá dùng 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. Ngoài ra nghiên cứu sinh cũng sẽ đề xuất một mô hình mạng học sâu dựa trên cơ chế tự chú ý, hay còn gọi là cơ chế tập trung cho bài toán phân loại các loài cá. 3.1 Phát hiện và phân loại cá thể dùng học sâu 3.1.1 Phát hiện cá dùng phương pháp phân vùng Như đã đề cập ở chương 1, các giống cá thường có nhiều loại khác nhau, có nhiều tình trạng cá khác nhau. Do đó, cần phải phân loại tự động các loại cá trước khi phân biệt cá tươi với cá hư và xác định các bệnh ở các loài khác nhau này. Một trong các nhiệm vụ trước tiên là phân vùng hình ảnh để lấy hình ảnh của cá hay nói cách khác là phân vùng cá (Fish Segmentation) 3.1.2 Phân loại cá Thường các đối tượng trong bài toán phân loại trong thực tế khá giống nhau và việc phân loại chúng khá phức tạp, ngay cả bằng mắt thường. Vì vậy, để phân loại được hiệu quả, bài toán phân loại yêu cầu tập dữ liệu chính xác với từng lớp dữ liệu. 3.1.3 Phát hiện cá thể kết hợp phân loại 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 18