EcoSync – Hệ thống quản lý và phân loại rác thải theo thời gian thực sử dụng công nghệ IoT và học sâu

EcoSync - Real-time waste management and classification system using IoT and deep learning technology

“EcoSync – Hệ thống quản lý và phân loại rác thải theo thời gian thực sử dụng công nghệ IoT và học sâu” ra đời để giải quyết những vấn đề thực tiễn đó nhằm mang lại giải pháp toàn diện. Nền tảng này cho phép các doanh nghiệp đảm nhiệm vai trò quan trọng trong việc phân loại và xử lý rác thải dễ dàng quản lý, ứng dụng trí tuệ nhân tạo để tự động hóa quy trình, dễ dàng cập nhật, sửa đổi, bổ sung mô hình trí tuệ nhân tạo phân loại rác dễ dàng. Đồng thời, hệ thống cũng hỗ trợ con người trong việc hạn chế tiếp xúc trực tiếp với rác thải, điều này về lâu dài có thể tác động tiêu cực đến sức khỏe.

Xem toàn văn báo cáo tại:

TÁC GIẢ

Cao Minh Quân

GIẢNG VIÊN HƯỚNG DẪN

NGÀNH

Năm:

Tổng quan

Hiện nay, hệ thống quản lý và phân loại rác thải theo thời gian thực đóng vai trò quan trọng trong việc tối ưu hóa quy trình phân loại và xử lý rác, đặc biệt là trong bối cảnh đô thị hiện đại. Trong đề tài khóa luận này, EcoSync là một hệ thống được đề xuất, sử dụng công nghệ IoT hợp với mô hình học sâu để cung cấp giải pháp tiên tiến nhằm nhận dạng và phân loại rác thải tự động. Thông qua ứng dụng các cảm biến IoT, hệ thống có khả năng thu thập dữ liệu về rác thải kết hợp với mô hình học sâu và đưa ra các quyết định phân loại theo thời gian thực. Mô hình học sâu trong hệ thống giúp cải thiện độ chính xác trong việc phân loại rác tái chế và không tái chế, góp phần nâng cao hiệu quả quản lý rác thải đô thị, giảm chi phí xử lý, và thúc đẩy phát triển bền vững.

Công nghệ học sâu đã chứng minh tiềm năng mạnh mẽ trong việc tự động phân loại rác thải. Hệ thống này kết hợp cơ chế tập trung vào các lớp tích chập đầu và cuối của mô hình để tăng độ chính xác nhận diện, đồng thời sử dụng học chuyển giao để cải thiện khả năng tổng quát hóa của mô hình. Kết quả nghiên cứu cho thấy hệ thống đạt độ chính xác 90.7% trên bộ dữ liệu của Huawei Cloud và có thể vận hành trong thời gian thực trên thiết bị biên như Raspberry Pi 4B. Ngoài ra, nghiên cứu của Khan và cộng sự (2024) tập trung vào cải tiến quy trình phân loại rác thải qua học sâu liên kết (Federated Learning), sử dụng mô hình ResNext-101 để phân loại rác trong môi trường thành phố thông minh. Mô hình này đã đạt độ chính xác cao hơn so với các mô hình khác, góp phần vào quản lý rác thải bền vững tại các đô thị thông minh. Tương tự, nghiên cứu của Kumar (2024) đề xuất hệ thống phân loại rác thải và tái chế dựa trên biến thể YOLO, đặc biệt là YOLOv7, để nâng cao độ chính xác trong quy trình phân loại. Hệ thống này không chỉ cải thiện độ chính xác mà còn giảm thiểu rủi ro sức khỏe liên quan đến việc tiếp xúc với rác thải nguy hiểm, góp phần bảo vệ môi trường và nâng cao hiệu quả quản lý rác thải.

So với các giải pháp khác, EcoSync nổi bật nhờ tính dễ tiếp cận và khả năng phù hợp với nhiều đối tượng người dùng, nhất là các tổ chức, doanh nghiệp conhiệm vụ quan trọng trong việc thu gom, phân loại và xử lý rác thải. Hệ thống này không chỉ hỗ trợ theo dõi các hoạt động phân loại và thu gom rác thải mà còn cho phép tự động hóa quy trình với độ chính xác cao, áp dụng các mô hình mạng CNN tiên tiến, cho phép tùy chỉnh các thông số để cải thiện mô hình giúp phát hiện, nhận dạng, và phân loại rác tái chế cũng như không tái chế trong thời gian thực, tối ưu hóa hiệu suất hoạt động của hệ thống. Với khả năng mở rộng và dễ triển khai, hy vọng EcoSync sẽ trở thành một công cụ hữu ích trong việc hỗ trợ các thành phố thông minh quản lý rác thải hiệu quả hơn, góp phần bảo vệ môi trường và thúc đẩy phát triển bền vững.

Mục tiêu và phạm vi nghiên cứu

  • Tập trung vào việc phát triển một hệ thống hiệu quả để quản lý quy trình và phân loại rác thải: Hệ thống IoT và phần mềm được liên kết chặt chẽ, cho phép tương tác giữa người dùng với hệ thống, dễ dàng theo dõi các chỉ số, cài đặt hệ thống.
  • Tận dụng sức mạnh của các mô hình mạng CNN hiện đại cho việc phát hiện, nhận dạng, phân loại rác tái chế và rác không tái chế thời gian thực: Tăng cường độ chính xác, tối ưu hóa và hoàn thiện hệ thống.

Đề tài tập trung vào giải quyết bài toán phân loại rác thải bằng cách xây dựng một hệ thống hoàn chỉnh với sự kết hợp của IoT và học sâu, cho phép người dùng có thể dễ dàng thực hiện các thao tác quản lý dữ liệu, tương tác, cấu hình thông số cho các thiết bị IoT và mô hình phân loại rác để mô hình luôn được đảm bảo hiệu suất trong quá trình nhận diện và phân loại rác theo thời gian thực.

Triển khai hệ thống EcoSync với kiến trúc microservices cho phép ứng dụng dễ dàng được mở rộng, phát triển trong tương lai, đáp ứng các yêu cầu về độ chính xác và thời gian xử lý các tác vụ thời gian thực.

Tóm lại, phạm vi nghiên cứu tập trung vào các ý chính sau:

  • Phân lại rác thời gian thực: Phân loại rác thành hai loại gồm rác tái chế và rác không tái chế.
  • Đánh giá hiệu suất: Bao gồm các thông số Accuracy, Precision, Recall và F1-score.
  • So sánh với các nghiên cứu hiện có: So sánh các nghiên cứu về mô hình triển khai để khẳng định tính vượt trội của giải pháp.
  • Ứng dụng thực tiễn: Giải quyết bài toán phân loại rác trong thực tế, nâng cao hiệu suất quy trình phân loại rác thải của doanh nghiệp.

Nội dung đề tài

image 47
Hình 3.1 Kiến trúc hệ thống EcoSync

Client: Hệ thống website cho phép người dùng có thể truy cập tương tác với các dịch vụ của EcoSync thông qua màn hình giao diện một cách dễ dàng, trực quan.

Load balancer:

  • Giúp phân phối tải giữa các server backend, đảm bảo hệ thống hoạt động ổn định và tối ưu hiệu suất.
  • Giảm thiểu tình trạng server quá tải bằng cách chia sẻ khối lượng công việc giữa các server

API Gateway:

  • Cổng kết nối chính giữa frontend và backend, chịu trách nhiệm tiếp nhận yêu cầu từ client, xác thực, định tuyến và chuyển tiếp yêu cầu tới các dịch vụ microservices phù hợp.
  • Cung cấp chức năng như logging, kiểm soát quyền truy cập, và chuyển đổi giao thức.

Message broker:

  • Một thành phần trung gian dùng để truyền thông tin giữa các microservices thông qua cơ chế hàng đợi (queue).
  • Đảm bảo các dịch vụ không bị phụ thuộc chặt chẽ vào nhau và hỗ trợ các mô hình giao tiếp bất đồng bộ

Hệ thống Backend Microservices: được chia làm các dịch vụ chính bao gồm:

Authentication & Authorization Service:

  • Lưu trữ thông tin người dùng.
  • Xác thực người dùng.
  • Lưu trữ phiên hoạt động của người dùng.

Device Service:

  • Lưu trữ thông tin thiết bị.
  • Truyền thông tin từ các cụm thiết bị con lên server.

Trash Service:

  • Lưu trữ các thông tin về rác thải, dịch vụ thu gom,…

Detection Service:

  • Lưu trữ thông tin các mô hình học máy.
  • Thực hiện các nhiệm vụ liên quan đến Object Detection để tiến hành phân loại rác.
image 48
Hình 3.2 Mô hình phân rã chức năng EcoSync

Kết luận

Dựa vào những khảo sát, phân tích, đánh giá những vấn đề thực tiễn còn tồn đọng trong cuộc sống, nhóm đã tiến hành nghiên cứu và xây dựng nên giải pháp giải quyết bài toán phân loại rác tái chế và rác không tái chế thông qua ứng dụng của nhiều công nghệ và lĩnh vực về phát triển phần mềm kết hợp với học máy và hệ thống IoT kết nối truyền dữ liệu từ thiết bị camera lên trang web quản lý để doanh nghiệp và người quản trị dễ dàng tiếp cận, làm việc với mô hình học sâu, hỗ trợ trong việc nhận diện và phân loại rác dễ dàng.

Trong quá trình nghiên cứu và phát triển đề tài, nhóm đã có cơ hội được tiếp cận các nghiên cứu chuyên sâu hơn về lĩnh vực này. Nhờ đó, nhóm có thể tích lũy thêm nhiều phương pháp, có thêm được nhiều kiến thức bên ngoài chương trình giảng dạy và cả những kinh nghiệm trong thực tế.

Bên cạnh đó, sự thách thức về thời gian, điều kiện thử nghiệm các mô hình học máy còn hạn chế nên hệ thống chưa được tối ưu nhưng cả về khả năng mở rộng và chuyên sâu, đề tài khóa luận vẫn còn nhiều hướng có thể phát triển thêm. Mặc dù chúng em gặp nhiều khó khăn trong quá trình thực hiện đề tài, nhưng nhờ sự hỗ trợ và động viên nhiệt tình từ giảng viên hướng dẫn là thầy ThS. Lê Anh Tuấn, thầy luôn đưa ra nhiều hướng phát triển và giải pháp hay để đề tài được hoàn thiện hơn.