Tổng quan
Thuỷ sản thông minh là một công nghệ để xác định và cảnh báo người dùng về chất lượng nước để nuôi các loài hải sản bằng việc ứng dụng IoT, AI,… giúp cho người nuôi trồng thuỷ sản kịp thời xử lý nguồn nước nuôi trồng khi nhận được cảnh báo từ đầu cuối. Đặc biệt ngành tôm đại diện cho các hệ thống nuôi thâm canh có khả năng mang lại sản lượng protein cao cho nhu cầu tiêu thụ. Ao tôm là một hệ thống phức tạp đầy sự biến động liên tục. Sản lượng phụ thuộc vào sự kết hợp phức tạp của điều kiện khởi đầu (chất lượng nước, môi trường tự nhiên, giống tôm,…), phương pháp quản lý và các yếu tố môi trường khác. Vì thế mà ở các ao tôm khác nhau thì sẽ có sự khác biệt nhau dù ở cùng một vị trí địa lý. Nên việc thu thập dữ liệu được coi là rất quan trọng trong ngành công nghiệp này. Thực trạng hiện nay tại các trang trại nuôi tôm, việc thu thập dữ liệu được thực hiện thủ công, đòi hỏi công sức lao động và có chi phí tương đối cao và khó quản lý đối với quy mô lớn (khoảng cách thời gian dài giữa lấy mẫu và phát hiện bất thường). Với lý do này, việc kết hợp sử dụng các công nghệ tiên tiến trong hệ thống quản lý chất lượng nước xử lý dữ liệu được thu thập, tạo ra các quyết định có cơ sở dựa trên thông tin đa dạng và phức tạp là điều tối cần thiết.
Ưu điểm lớn của IoT trong thuỷ sản thông minh bao gồm khả năng thu thập dữ liệu liên tục, giảm công sức lao động và chi phí, phát hiện tình trạng nguy hiểm một cách nhanh chóng, quyết định chính xác hơn dựa trên dữ liệu thông minh, tăng hiệu quả sản xuất và chất lượng thủy sản, điều khiển tự động, giảm rủi ro và thiệt hại, cũng như quản lý quy mô lớn và từ xa.
Trong khi các mô hình học máy truyền thống cải thiện nhờ dữ liệu mới, chúng thường yêu cầu sự can thiệp liên tục của con người để giải quyết những điểm thiếu chính xác trong dự đoán. Ngược lại, các mô hình học sâu hoạt động với mức độ tự chủ, tận dụng mạng nơ-ron nhân tạo để đánh giá và tinh chỉnh các dự đoán một cách độc lập. Khả năng tự học này giảm thiểu nhu cầu can thiệp liên tục của con người. Vì thế, học sâu dần trở nên phổ biến trong việc đưa ra dự báo một cách liên tục để cảnh báo kịp thời. Trong bối cảnh giám sát chất lượng nước trong ao nuôi tôm, các mô hình học sâu mang lại giải pháp hiệu quả và phù hợp hơn.
Mục tiêu nghiên cứu
Bao gồm bốn mục tiêu chính sau đây:
- Tìm hiểu bộ công cụ Libelium Smart Water và các cảm biến liên quan để tiến hành thu thập dữ liệu, tối ưu dữ liệu thu thập được từ cảm biến.
- Xây dựng mô hình IoT gồm 3 lớp, trong đó các dịch vụ cận biên được triển khai bằng công nghệ K3s.
- Xây dựng mô hình học sâu để tiến hành dự đoán dữ liệu tương lai dựa trên dữ liệu thu thập được từ cảm biến.
- Thiết kế giao diện người dùng (Dashboard, App Mobile) để người dùng có thể theo dõi và nắm được thông tin về các dữ liệu trong ao tôm.
Phạm vi và đối tượng nghiên cứu
Đối tượng nghiên cứu: Bộ phần cứng Libelium Smart Water; Học sâu (Single LSTM, Stacked LSTM và Bi-LSTM); Kiến trúc cận biên sử dụng K3S.
Phạm vi nghiên cứu: Hệ thống xử lý thông tin về chất lượng nước của môi trường sống tôm có độ trễ thấp, sử dụng thuật toán Deep Learning để đưa ra dự đoán một cách tối ưu nhất có thể và đưa ra cảnh báo cho người nuôi trồng.
Mô hình đề xuất
Trong mô hình trên có 3 thành phần chính:
- Device Layer: Các Sensor của bộ công cụ Libelium cùng với Turbidity Sensor kết hợp với Arduino giúp thu thập các dữ liệu cần theo dõi.
- Edge Layer: Cụm K3s được xây dựng trên 3 thiết bị máy tính nhúng Orange PI giúp lưu trữ và tiền xử lý dữ liệu ở biên trước khi gửi lên trên Server chính.
- Cloud Layer: Gồm Server chính chứa mô hình học sâu mà nhóm đã thực hiện. Xây dựng thiết bị di động và giao diện Web dùng để trực quan hóa dữ liệu thu thập được. Giúp người dùng biết được hiện trạng các thông số từ đó đưa ra các quyết định phù hợp.
Kết luận
Sự kết hợp giữa Internet of Things (IoT) và các mô hình học sâu đang trở nên phổ biến và được áp dụng rộng rãi, đặc biệt là trong lĩnh vực sản xuất nông – lâm – ngư nghiệp. Phương pháp theo dõi thông số truyền thống và thủ công đang không hiệu quả, vì vậy, chúng tôi đề xuất một cách thu thập dữ liệu tự động để cung cấp cái nhìn tổng quan nhanh chóng về dữ liệu hiện tại và dự đoán xu hướng tương lai, giúp người dùng điều chỉnh thông số phù hợp với tình hình thực tế.
Nghiên cứu này đã thành công trong việc phát triển hệ thống giám sát chất lượng nước kết hợp dự đoán dữ liệu theo thời gian thực, sử dụng các công nghệ hiện đại như mô hình học sâu LSTM, K3s cluster, React Native và Python Library. Trong thực nghiệm, mô hình BLSTM Autoencoder đã được đánh giá và chứng minh khả năng dự đoán tốt và độ chính xác ổn định. Hệ thống có độ trễ không quá lớn, và giao diện người dùng được xây dựng linh hoạt, giúp họ theo dõi thông số đo đạc một cách chủ động.
