Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết những thách thức cấp bách của ngành nuôi trồng thủy sản Việt Nam, đặc biệt tại khu vực Đồng bằng Sông Cửu Long như Kiên Giang, thông qua việc tích hợp sâu rộng các công nghệ Internet vạn vật (IoT) và Học sâu (Deep Learning). Bối cảnh khoa học của nghiên cứu được đặt trong sự phát triển nhanh chóng của Trí tuệ nhân tạo của vạn vật (AIoT) và nhu cầu cấp thiết về quản lý nuôi trồng thủy sản chính xác, bền vững để đối phó với biến đổi khí hậu và tối ưu hóa năng suất. Hiện trạng cho thấy ngành nuôi trồng thủy sản Việt Nam đã đạt được những thành tựu đáng kể, với sản lượng đạt 5.407 nghìn tấn và kim ngạch xuất khẩu 8.97 tỷ USD vào năm 2023 [Tổng quan về hệ thống IoT, tr. 21], tuy nhiên, việc ứng dụng công nghệ cao còn hạn chế.

Research gap SPECIFIC: Nghiên cứu này xác định hai khoảng trống nghiên cứu chính. Thứ nhất, trong lĩnh vực IoT cho nuôi trồng thủy sản, các hệ thống hiện có ở Việt Nam thường là các giải pháp đơn chiều, công nghệ chưa được làm chủ hoàn toàn, thiếu khả năng mở rộng và không được thiết kế tối ưu cho điều kiện môi trường nước lợ, mặn khắc nghiệt. Các nghiên cứu trước đây về giám sát môi trường nước sử dụng IoT thường tập trung vào thu thập dữ liệu cơ bản [8, 9, 10, 11] hoặc mở rộng vùng phủ sóng mà không đánh giá chất lượng nước toàn diện [12]. Các dự án trong nước, như dự án tại Kiên Giang (kinh phí 82 tỉ đồng) hay Thái Bình (sử dụng GSM 2G), chủ yếu là triển khai ứng dụng mà chưa làm chủ công nghệ thiết kế, chế tạo thiết bị đầu cuối, thiếu kiến trúc mở và khả năng điều khiển hai chiều, cũng như còn hạn chế về chi phí và độ trễ [54, 56]. Luận án nhận định: "Những hạn chế cơ bản của những hệ thống IoT trong nước hiện nay là: Vấn đề công nghệ... Độ mềm dẻo thiết kế... Vấn đề hiệu chỉnh, nâng cấp mất nhiều thời gian và rất phức tạp... Khâu bảo dưỡng sửa chữa... 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" [Mở Đầu, tr. 30-31].

Thứ hai, trong lĩnh vực xử lý ảnh cá thể sử dụng học sâu, các phương pháp phân vùng và phân loại hiện đại như FCN, ResNet, Faster R-CNN [21, 22, 23, 24, 25] đã cho thấy hiệu quả nhưng vẫn gặp thách thức lớn với hình ảnh dưới nước do độ tương phản thấp, che khuất, nhiễu và sự đa dạng về hình thái cá thể [57, 58, 59]. Đặc biệt, "khi huấn luyện các mạng, thông thường Cross Entropy được sử dụng để đo lường sự không tương đồng giữa các mặt nạ của thực tế và các mặt nạ của dự đoán, nên nó thiếu thông tin về chiều dài của biên và độ sáng của đối tượng cần phân đoạn" [Mở Đầu, tr. 15]. Thêm vào đó, việc tích hợp cơ chế chú ý để nâng cao hiệu suất mà không làm tăng đáng kể số lượng tham số trong các kiến trúc nhẹ như ConvMixer vẫn là một thách thức.

Research questions và hypotheses:

  1. RQ1: Làm thế nào để thiết kế và triển khai một mô hình hệ thống IoT kiến trúc mở, hai chiều, tiết kiệm năng lượng, có khả năng tự động quan trắc và điều khiển các thông số môi trường nước lợ, mặn trong nuôi trồng thủy sản, đồng thời làm chủ công nghệ thiết kế, chế tạo phần cứng và phần mềm ở Việt Nam?
    • H1.1: Mô hình kiến trúc IoT đề xuất có thể tích hợp đa dạng cảm biến môi trường nước (nhiệt độ, độ mặn, pH, DO, NO3-, NH4+) và camera thu thập hình ảnh.
    • H1.2: Thiết bị đầu cuối IoT, IoT cổng và IoT điều khiển được thiết kế, chế tạo có thể hoạt động ổn định, tiết kiệm năng lượng và hỗ trợ truyền thông LoRa ở cự ly xa (5-15km).
    • H1.3: Hệ thống IoT triển khai thử nghiệm tại Kiên Giang sẽ cung cấp dữ liệu theo thời gian thực và cho phép điều khiển tự động các cơ cấu chấp hành.
  2. RQ2: Làm thế nào để phát triển các thuật toán học sâu hiệu quả cho bài toán phân vùng và phân loại cá thể từ hình ảnh dưới nước, khắc phục những hạn chế của các phương pháp hiện có về độ chính xác biên và hiệu quả tham số, định hướng ứng dụng trong nuôi trồng thủy sản?
    • H2.1: Mô hình mạng nơ ron tích chập FCN-WRN-WASP với hàm mất mát dựa trên đường bao cục bộ sẽ đạt hiệu suất phân vùng cá thể vượt trội so với các hàm mất mát thông thường và các kiến trúc FCN/U-Net khác.
    • H2.2: Tích hợp cơ chế chú ý ưu tiên theo kênh (PCA) và ưu tiên theo không gian (PSA) vào kiến trúc ConvMixer sẽ cải thiện đáng kể hiệu suất phân loại cá thể trên các bộ dữ liệu đa dạng mà không làm tăng số lượng tham số huấn luyện.

Theoretical framework với tên theories cụ thể: Luận án dựa trên các lý thuyết nền tảng sau:

  • Lý thuyết Mạng nơ ron tích chập (Convolutional Neural Networks - CNNs) [23, AlexNet]: Làm cơ sở cho việc trích xuất đặc trưng và học mẫu từ dữ liệu hình ảnh, đặc biệt cho các nhiệm vụ phân vùng và phân loại.
  • Lý thuyết Internet Vạn vật (Internet of Things - IoT) [Kevin Ashton, 2009]: Đề cập đến mô hình kết nối các thiết bị vật lý để thu thập và chia sẻ dữ liệu, tạo thành mạng lưới thông minh. Luận án ứng dụng và mở rộng khái niệm này cho ngành nuôi trồng thủy sản (AIoT).
  • Lý thuyết Học sâu cho Xử lý ảnh (Deep Learning for Image Processing): Bao gồm các kiến trúc như Fully Convolutional Networks (FCNs) [21] cho phân vùng pixel-wise, các mạng với cơ chế bỏ qua kết nối (skip connections) như ResNet [25] cho việc giảm thiểu vấn đề gradient biến mất, và các mô hình dựa trên Transformer/MLP-Mixer [28, 29] cho hiệu quả tính toán.
  • Lý thuyết Điều chế trải phổ Chirp (Chirp Spread Spectrum - CSS): Nền tảng của công nghệ LoRa, đảm bảo truyền thông cự ly xa, công suất thấp và chống nhiễu hiệu quả trong môi trường khắc nghiệt [Mục 1.2.2, tr. 32].

Đóng góp đột phá với quantified impact:

  1. Hệ thống IoT tích hợp và kiến trúc mở: Phát triển thành công hệ thống IoT hai chiều, kiến trúc mở, tiết kiệm năng lượng, được thiết kế và chế tạo nội bộ. Hệ thống này có khả năng giám sát 6+ thông số môi trường nước (nhiệt độ, độ mặn, pH, DO, NO3-, NH4+) và thu thập hình ảnh theo thời gian thực. Đã triển khai thử nghiệm thành công tại Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên, Tỉnh Kiên Giang, với khả năng hoạt động ổn định và tin cậy [Mục 2.4.2, tr. 90-96], vượt trội so với các hệ thống thương mại hóa bị động một chiều.
  2. Thuật toán phân vùng cá thể tiên tiến: Đề xuất mô hình mạng nơ ron FCN-WRN-WASP kết hợp với một hàm mất mát mới dựa trên đường bao cục bộ. Phương pháp này đã cải thiện hiệu suất phân vùng so với các phương pháp trước đó, ví dụ, đạt kết quả tốt hơn so với U-Net, MultiResUnet, ResUnet++ trên các bộ dữ liệu DeepFish và SIUM [Bảng 3-1, 3-2, 3-3, 3-4, tr. 106-109], thể hiện khả năng nắm bắt thông tin biên và độ sáng của đối tượng một cách hiệu quả hơn.
  3. Thuật toán phân loại cá thể hiệu quả về tham số: Đề xuất mô hình ConvMixer được tăng cường bởi cơ chế chú ý ưu tiên kênh (PCA) và ưu tiên không gian (PSA) mà không làm tăng số lượng tham số huấn luyện [Mở Đầu, tr. 19], [Bảng 3-7, tr. 115]. Mô hình này đã đạt hiệu suất phân loại tốt hơn trên ba bộ dữ liệu đa dạng (Fish-Gres, Croatian Fish, BD Indigenous Fish) so với các kiến trúc như ResNet50, MobileNetV2, InceptionV3 [Bảng 3-6, tr. 114], chứng minh sự đột phá trong việc tối ưu hóa hiệu quả tính toán cho các thiết bị biên.

Scope và significance: Phạm vi nghiên cứu bao gồm thiết kế, chế tạo phần cứng và phần mềm của hệ thống IoT (thiết bị đầu cuối, cổng, điều khiển, máy chủ), sử dụng công nghệ truyền thông LoRa. Các thuật toán học sâu được phát triển tập trung vào phân vùng và phân loại cá thể (cá, tôm) từ dữ liệu hình ảnh. Hệ thống và thuật toán được ứng dụng và thử nghiệm cụ thể trong điều kiện nuôi tôm, cá nước lợ, mặn tại Kiên Giang, Việt Nam. Với tổng diện tích nuôi trồng thủy sản của tỉnh Kiên Giang là 292.000 ha vào năm 2023 [Hiện trạng và nhu cầu ứng dụng IoT cho nuôi thủy sản, tr. 22], nghiên cứu này có ý nghĩa to lớn trong việc nâng cao năng suất, giảm rủi ro, và thúc đẩy phát triển bền vững cho một ngành kinh tế mũi nhọn của địa phương và quốc gia.

Literature Review và Positioning

Nghiên cứu này tổng hợp các dòng tài liệu chính về Internet Vạn vật (IoT), mạng nơ ron học sâu (Deep Learning) và ứng dụng của chúng trong nuôi trồng thủy sản (Aquaculture IoT - AIoT), đồng thời định vị đóng góp độc đáo của luận án trong bối cảnh học thuật quốc tế và trong nước.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Dòng tài liệu về IoT bắt nguồn từ khái niệm của Kevin Ashton (2009) [Mở Đầu, tr. 23], nhấn mạnh việc kết nối các vật thể vào internet để thu thập và trao đổi dữ liệu. Sự phát triển này được thúc đẩy bởi sự hội tụ của công nghệ không dây, vi điện tử và Internet. Các tập đoàn lớn như AT&T và Jasper Wireless (2009) [35], Qualcomm và Verizon (2010) [36], cùng với HP (CeNSE) và IBM (Smart Earth) [38] đã tiên phong trong việc phát triển các dịch vụ và nền tảng M2M/M2M2H (Machine to Machine/Machine to Machine to Human) [34]. Dự báo từ IHS Markit cho thấy 125 tỷ thiết bị IoT sẽ được kết nối vào năm 2030 [39], cho thấy tiềm năng to lớn.

Trong nuôi trồng thủy sản, khái niệm AIoT đã được hình thành để mô tả sự tích hợp của IoT và AI, nhằm giám sát môi trường nước và tối ưu hóa quá trình nuôi trồng [Tổng quan về hệ thống IoT, tr. 25]. Các nghiên cứu trước đây đã đề xuất hệ thống IoT giám sát các thông số môi trường nước [8, 9, 10, 11] nhưng thường ở quy mô nhỏ, sử dụng Wi-Fi và thiếu khả năng bao quát hoặc điều khiển hai chiều. Kỹ thuật IoT băng hẹp (Narrow Band – IoT) được [12] nghiên cứu để mở rộng vùng phủ sóng và tiết kiệm năng lượng, tuy nhiên, việc đánh giá và cảnh báo chất lượng nước chưa được thực hiện đầy đủ.

Dòng tài liệu về học sâu trong xử lý ảnh, đặc biệt cho phân vùng và phân loại cá thể, đã phát triển mạnh mẽ. Các phương pháp cổ điển như trích xuất đường viền, ngưỡng, phân vùng dựa trên miền hay đường bao chủ động (Active Contour) [19, 20] thường không hiệu quả với hình ảnh dưới nước phức tạp [Mở Đầu, tr. 15]. Sự ra đời của mạng nơ ron tích chập (CNN) [23, AlexNet] đã mở ra kỷ nguyên mới. Các kiến trúc tiên tiến như FCN (Fully Convolutional Networks) của Long et al. (2015) [21] là nền tảng cho phân vùng ngữ nghĩa, tiếp theo là các biến thể FCN với "backbones" như ResNet [22, 25]. Trong phát hiện đối tượng, các mô hình hai giai đoạn như R-CNN, Fast R-CNN, Faster R-CNN [47, 48] đã đạt độ chính xác cao, trong đó Faster R-CNN sử dụng Region Proposal Network (RPN) để trích xuất các vùng quan tâm [Mục 1.4.2, tr. 47]. Gần đây, các mô hình như U-net [77], MultiRes Unet [78], ResUnet++ [79] đã cải thiện hiệu quả phân vùng bằng cách kết hợp các khối kiến trúc đặc biệt. Tuy nhiên, các mô hình này vẫn đối mặt với thách thức về điều kiện ảnh dưới nước và việc tối ưu hóa hàm mất mát, đặc biệt là Cross Entropy, vốn được nhận định là "thiếu thông tin về chiều dài của biên và độ sáng của đối tượng cần phân đoạn" [Mở Đầu, tr. 15].

Contradictions/debates với ít nhất 2 opposing views:

  1. Hiệu quả và phức tạp của mô hình học sâu: Một bên là sự ưu việt của các mô hình học sâu phức tạp như Transformers [28] và MLP-Mixer [29] trong việc đạt được độ chính xác cao trên các nhiệm vụ thị giác máy tính, vốn đòi hỏi "số lượng tham số lớn và độ phức tạp cao, cũng như yêu cầu lượng lớn dữ liệu để đạt được hiệu suất cao" [Mở Đầu, tr. 16]. Ngược lại, quan điểm đối lập cho rằng "tích chập vẫn là sự lựa chọn chính trong các nhiệm vụ liên quan đến thị giác máy tính" [Mở Đầu, tr. 16] do hiệu quả và khả năng trích xuất đặc trưng tốt hơn với số lượng tham số hợp lý hơn, đặc biệt khi nguồn dữ liệu lớn không luôn có sẵn cho các tác vụ chuyên biệt như phân loại cá thể. Luận án này nằm ở giữa, tìm cách cải thiện hiệu suất tích chập thông qua cơ chế chú ý mà không tăng phức tạp.
  2. Phương pháp quan trắc truyền thống vs. IoT: Phương pháp quan trắc môi trường nước truyền thống, thủ công "hàng ngày người nuôi chỉ lấy mẫu nước 1 đến 2 lần và dùng các phương pháp thử mẫu truyền thống" [Tổng quan về hệ thống IoT, tr. 21]. Tuy nhiên, phương pháp này "sẽ không thể xác định kịp thời nguồn nước bị ô nhiễm hoặc chất lượng kém để điều chỉnh" [Tổng quan về hệ thống IoT, tr. 21], dẫn đến rủi ro lớn. Ngược lại, các hệ thống IoT hứa hẹn "theo dõi, điều khiển thời gian thực" [Tổng quan về hệ thống IoT, tr. 25], cung cấp dữ liệu liên tục để đưa ra cảnh báo và điều chỉnh kịp thời. Tuy nhiên, việc triển khai IoT cũng đối mặt với "vấn đề công nghệ, độ mềm dẻo thiết kế, hiệu chỉnh, nâng cấp và bảo dưỡng sửa chữa" [Mở Đầu, tr. 30-31] đặc biệt trong môi trường khắc nghiệt. Luận án này hướng tới việc làm chủ công nghệ để vượt qua những hạn chế này.

Positioning trong literature với specific gap identified: Luận án định vị bản thân là cầu nối giữa phát triển công nghệ IoT cốt lõi (phần cứng và phần mềm điều khiển) và ứng dụng học sâu tiên tiến cho một lĩnh vực cụ thể (nuôi trồng thủy sản nước lợ, mặn).

  • IoT: Nghiên cứu vượt ra ngoài việc sử dụng các nền tảng IoT có sẵn bằng cách "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" [Mở Đầu, tr. 17]. Điều này giải quyết khoảng trống về thiếu hệ thống IoT tích hợp, hai chiều, và có khả năng tùy chỉnh cao cho điều kiện Việt Nam, không chỉ giám sát mà còn điều khiển.
  • Học sâu: Luận án giải quyết khoảng trống trong việc tối ưu hóa các mô hình học sâu cho hình ảnh dưới nước bằng cách đề xuất hàm mất mát mới cho phân vùng ảnh, khắc phục nhược điểm của Cross Entropy trong việc nắm bắt chi tiết đường biên. Đồng thời, nó cải tiến kiến trúc ConvMixer bằng cơ chế chú ý hiệu quả về tham số, "không làm tăng đáng kể số lượng tham số" [Mở Đầu, tr. 16] để nâng cao hiệu suất phân loại, giải quyết vấn đề của các mô hình lớn hơn.

How this advances field với concrete contributions:

  • Tiến bộ về IoT: Bằng cách thiết kế và chế tạo một hệ thống IoT kiến trúc mở, nghiên cứu cung cấp một khuôn khổ có thể tái sử dụng và tùy chỉnh cho các ứng dụng AIoT khác, cho phép các nhà nghiên cứu và doanh nghiệp Việt Nam làm chủ công nghệ thay vì phụ thuộc vào giải pháp nước ngoài. Điều này đặc biệt quan trọng trong việc ứng phó với "môi trường khắc nghiệt" tại các vùng sông nước của Việt Nam, vốn gây "lão hóa vật tư" nhanh chóng [Mở Đầu, tr. 31].
  • Tiến bộ về Học sâu: Đóng góp vào lý thuyết phân vùng ảnh bằng việc đưa ra hàm mất mát độc đáo, cải thiện đáng kể độ chính xác của đường biên. Đồng thời, bằng cách tích hợp PCA/PSA vào ConvMixer, luận án cung cấp một phương pháp hiệu quả hơn về mặt tính toán cho phân loại cá thể, đặc biệt phù hợp cho việc triển khai trên các thiết bị biên với tài nguyên hạn chế.

So sánh với ÍT NHẤT 2 international studies:

  1. So với Fier et al. [70] và Sharif et al. [67] (Phát hiện và đếm cá thể): Các nghiên cứu của Fier và cộng sự [70] đã sử dụng thuật toán trừ nền để phát hiện cá từ video dưới nước, nhưng gặp lỗi đếm do lỗi phân đoạn và vật thể bị tắc. Sharif và cộng sự [67] cũng gặp hạn chế khi không hỗ trợ theo dõi nhiều cá thể do "sự hạn chế của bước phân vùng ảnh" [Mục 1.3.4, tr. 38]. Luận án này vượt trội bằng cách phát triển thuật toán phân vùng ảnh học sâu (FCN-WRN-WASP) với hàm mất mát cải tiến, tập trung vào độ chính xác của đường biên, điều này trực tiếp nâng cao hiệu suất của các bước phát hiện và đếm cá thể sau đó, vượt qua hạn chế về phân vùng mà các nghiên cứu trước gặp phải.
  2. So với Liu et al. [76] (Đếm cá thể bằng CNN): Liu và cộng sự [76] đề xuất phương pháp CNN dựa trên bản đồ mật độ để đếm cá thể trên hình ảnh sonar độ phân giải thấp, với sai số giảm gần 50% so với các phương pháp hiện đại khác. Tuy nhiên, nghiên cứu của Liu tập trung vào đếm mật độ. Luận án này mở rộng phạm vi bằng cách cung cấp giải pháp toàn diện hơn bao gồm cả phân vùng chi tiết và phân loại loài cá thể. Hơn nữa, với việc tích hợp các cơ chế chú ý hiệu quả vào ConvMixer, luận án cung cấp một giải pháp phân loại mạnh mẽ hơn cho nhiều loại hình ảnh cá thể, không chỉ giới hạn ở hình ảnh sonar, và giải quyết hiệu quả vấn đề "sự biến đổi về hình thức của cá thể" [Mở Đầu, tr. 16].

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực thị giác máy tính và IoT.

  • Extend/challenge WHICH specific theories:

    • Mở rộng lý thuyết về Mạng tích chập hoàn toàn (Fully Convolutional Networks - FCNs) của Long et al. [21]: Luận án mở rộng FCN bằng cách tích hợp kiến trúc Wide ResNet (WRN) và Waterfall Atrous Spatial Pooling (WASP), một cách tiếp cận cải tiến để tận dụng việc trích xuất các đặc trưng lớn hơn từ các phương pháp dòng liên tục. Đặc biệt, nghiên cứu này thách thức sự phụ thuộc vào hàm mất mát Cross Entropy truyền thống bằng cách đề xuất "một hàm mất mát đề xuất contour active có căn cứ cục bộ để huấn luyện mạng" [Mở Đầu, tr. 19], nhằm nắm bắt tốt hơn thông tin về chiều dài biên và độ sáng của đối tượng. Điều này cung cấp một cải tiến lý thuyết quan trọng cho các nhiệm vụ phân vùng ảnh phức tạp, đặc biệt trong môi trường có biên giới không rõ ràng.
    • Mở rộng lý thuyết về Kiến trúc mạng nơ ron hiệu quả (Efficient Neural Network Architectures): Luận án mở rộng kiến trúc ConvMixer [29] bằng cách tích hợp cơ chế chú ý ưu tiên theo kênh (PCA) và ưu tiên theo không gian (PSA). Điều này thách thức quan điểm rằng cần phải tăng đáng kể số lượng tham số để đạt được hiệu suất cao, như thường thấy trong các mô hình Transformers [28] hay MLP-Mixer [29] lớn. Bằng chứng từ nghiên cứu cho thấy "Với số lượng tham số không tăng, PSA và PCA được tích hợp vào ConvMixer để tạo ra hiệu suất phân loại tốt hơn" [Mở Đầu, tr. 19].
    • Mở rộng lý thuyết về Mạng lưới Internet Vạn vật (IoT) cho Nông nghiệp (AIoT): Luận án không chỉ ứng dụng các nguyên lý IoT cơ bản mà còn mở rộng chúng thông qua việc thiết kế một "mô hình hệ thống IoT kiến trúc mở, hai chiều, tiết kiệm năng lượng" [Mở Đầu, tr. 19]. Điều này bổ sung vào lý thuyết về AIoT bằng cách cung cấp một khuôn khổ chi tiết, có thể kiểm soát và mở rộng được cho các hệ thống giám sát và điều khiển tự động, đặc biệt quan trọng trong các môi trường nuôi trồng thủy sản có đặc thù riêng biệt.

  • Conceptual framework với components và relationships: Khung lý thuyết của luận án tích hợp ba thành phần chính:

    1. Hệ thống IoT thu thập và điều khiển dữ liệu: Bao gồm các thiết bị đầu cuối IoT (thu thập cảm biến môi trường như nhiệt độ, độ mặn, pH, DO, NO3-, NH4+, và hình ảnh), thiết bị IoT cổng (gateway) sử dụng LoRaWAN cho truyền thông cự ly xa, và thiết bị IoT điều khiển cơ cấu chấp hành (bơm, sục khí). Mối quan hệ là truyền dữ liệu hai chiều từ cảm biến đến máy chủ và từ máy chủ đến cơ cấu chấp hành, tạo thành một vòng lặp điều khiển phản hồi theo thời gian thực.
    2. Trung tâm xử lý dữ liệu và thuật toán học sâu: Nơi dữ liệu môi trường và hình ảnh được thu thập, lưu trữ, và xử lý. Các thuật toán học sâu (FCN-WRN-WASP cho phân vùng và ConvMixer-PCA-PSA cho phân loại) hoạt động trên dữ liệu hình ảnh để trích xuất thông tin có giá trị về cá thể.
    3. Giao diện người dùng và quyết định thông minh: Cung cấp khả năng giám sát, điều khiển thủ công hoặc tự động hóa quá trình nuôi, dựa trên phân tích dữ liệu và dự đoán từ thuật toán học sâu.

  • Theoretical model với propositions/hypotheses numbered:

    1. Proposition 1.1: Việc tích hợp FCN với Wide ResNet và Waterfall Atrous Spatial Pooling sẽ nâng cao khả năng trích xuất đặc trưng đa tỉ lệ, dẫn đến cải thiện chất lượng phân vùng ảnh cá thể dưới nước.
    2. Proposition 1.2: Hàm mất mát dựa trên đường bao cục bộ (đề xuất) sẽ tối ưu hóa việc học đường biên của đối tượng, mang lại độ chính xác phân vùng cao hơn so với hàm mất mát Cross Entropy truyền thống, đặc biệt với các đối tượng có hình dạng phức tạp và biên mờ.
    3. Proposition 2.1: Việc tích hợp cơ chế chú ý ưu tiên theo kênh (PCA) và ưu tiên theo không gian (PSA) vào kiến trúc ConvMixer sẽ cho phép mô hình tập trung vào các đặc trưng quan trọng, cải thiện hiệu suất phân loại cá thể.
    4. Proposition 2.2: Các cơ chế chú ý PCA và PSA có thể được tích hợp hiệu quả vào ConvMixer mà không làm tăng đáng kể số lượng tham số huấn luyện, giữ vững hiệu quả tính toán của mô hình.
    5. Proposition 3.1: Hệ thống IoT kiến trúc mở, hai chiều, sử dụng LoRaWAN, được thiết kế và chế tạo nội bộ sẽ cung cấp khả năng quan trắc môi trường nước liên tục, chính xác và khả năng điều khiển tự động các hoạt động nuôi trồng, tối ưu hóa điều kiện sinh trưởng của thủy sản.

  • Paradigm shift với EVIDENCE từ findings: Luận án đóng góp vào một sự chuyển dịch mô hình (paradigm shift) từ "nông nghiệp định tính" sang "nông nghiệp chính xác" dựa trên dữ liệu và trí tuệ nhân tạo, đặc biệt trong nuôi trồng thủy sản. Như đã nêu, "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" [Tổng quan về hệ thống IoT, tr. 22].

    • Evidence 1 (Data-driven decision making): Hệ thống IoT được triển khai tại Kiên Giang đã thành công trong việc "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" [Mở Đầu, tr. 17]. Dữ liệu thu thập được bao gồm nhiệt độ, độ mặn, pH, DO, NO3-, NH4+, cung cấp nền tảng cho các quyết định dựa trên bằng chứng thay vì kinh nghiệm truyền thống.
    • Evidence 2 (Automated, intelligent management): Các thuật toán học sâu cho phép "phân vùng, phân loại cá, để đạt được hiệu suất phân loại tốt hơn, định hướng ứng dụng trong nuôi thủy sản" [Mở Đầu, tr. 17]. Điều này cho phép ước lượng mật độ, dự báo khối lượng cá thể, truy xuất nguồn gốc một cách tự động, chính xác, giảm sự can thiệp thủ công tốn thời gian và công sức. "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" [Mục 1.3.1, tr. 33].

Khung phân tích độc đáo

  • Integration của theories: Khung phân tích của luận án thể hiện sự tích hợp chặt chẽ của Lý thuyết IoT/AIoT cho việc xây dựng hạ tầng thu thập và truyền dữ liệu, Lý thuyết Học sâu cho Xử lý ảnh (đặc biệt là CNN, FCN, kiến trúc Transformer/MLP-Mixer và cơ chế chú ý) cho việc phân tích dữ liệu hình ảnh thông minh, và Lý thuyết Điều khiển và Tự động hóa cho việc phản ứng tự động với các thay đổi môi trường.
  • Novel analytical approach với justification: Luận án đề xuất một cách tiếp cận phân tích độc đáo bao gồm:
    1. Thiết kế hệ thống IoT từ gốc (Ground-up IoT system design): Thay vì sử dụng các giải pháp thương mại có sẵn, nghiên cứu tập trung vào việc "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" [Mở Đầu, tr. 17]. Điều này cho phép tối ưu hóa từng thành phần cho môi trường và nhu cầu cụ thể của nuôi trồng thủy sản nước lợ, mặn, đảm bảo độ bền, khả năng mở rộng và hiệu quả chi phí.
    2. Tối ưu hóa hàm mất mát theo ngữ cảnh (Context-aware loss function optimization): Đối với phân vùng ảnh, việc đề xuất "hàm mất mát dựa trên đường bao cục bộ" là một phương pháp mới để giải quyết nhược điểm của các hàm mất mát chung. Phương pháp này được thiết kế để "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" [Mở Đầu, tr. 19], đặc biệt quan trọng cho các đối tượng có đường biên không rõ ràng trong môi trường dưới nước.
    3. Tăng cường hiệu quả tham số của mạng nơ ron (Parameter-efficient neural network enhancement): Việc tích hợp PCA và PSA vào ConvMixer mà không tăng số lượng tham số là một chiến lược phân tích mới, giải quyết vấn đề tài nguyên tính toán hạn chế trên các thiết bị biên hoặc trong các ứng dụng thời gian thực. Điều này cho phép triển khai các giải pháp thông minh mà không yêu cầu phần cứng quá mạnh mẽ.
  • Conceptual contributions với definitions:
    • Hệ thống IoT kiến trúc mở, hai chiều: Một hệ thống IoT không chỉ thu thập dữ liệu (một chiều) mà còn có khả năng nhận lệnh và điều khiển các cơ cấu chấp hành (hai chiều), với thiết kế mô-đun cho phép dễ dàng mở rộng, thay thế và nâng cấp các thành phần phần cứng/phần mềm.
    • Hàm mất mát đường bao cục bộ (Locally-based active contour loss function): Một hàm mất mát được thiết kế để tối ưu hóa việc phân vùng bằng cách trực tiếp xem xét các đặc điểm của đường biên và độ sáng cục bộ của đối tượng, vượt ra ngoài việc chỉ so sánh pixel-wise giữa dự đoán và nhãn thực tế.
    • Cơ chế chú ý ưu tiên theo kênh (PCA) và ưu tiên theo không gian (PSA) hiệu quả về tham số: Các kỹ thuật tăng cường mạng nơ ron cho phép mô hình tập trung vào các đặc trưng quan trọng nhất của hình ảnh mà không cần thêm các lớp hoặc tham số phức tạp, duy trì hiệu quả tính toán.
  • Boundary conditions explicitly stated:
    • Phạm vi địa lý: Hệ thống IoT và thuật toán được thiết kế và thử nghiệm chính trong môi trường nuôi trồng thủy sản nước lợ, mặn tại tỉnh Kiên Giang, Việt Nam. Mặc dù có khả năng khái quát hóa, hiệu suất tối ưu có thể thay đổi ở các vùng khí hậu hoặc loại hình nuôi trồng khác.
    • Điều kiện môi trường: Các thuật toán xử lý ảnh được phát triển để xử lý hình ảnh từ môi trường dưới nước, có thể bị ảnh hưởng bởi độ đục, ánh sáng không đồng đều và che khuất. Mặc dù đã có cải tiến, hiệu suất vẫn có thể bị hạn chế trong điều kiện cực kỳ khắc nghiệt.
    • Loại thủy sản: Các thuật toán phân vùng và phân loại được tối ưu cho cá và tôm. Việc mở rộng sang các loài thủy sản khác có thể yêu cầu hiệu chỉnh hoặc huấn luyện lại mô hình.
    • Tài nguyên phần cứng: Mặc dù các thuật toán học sâu được tối ưu về tham số, việc triển khai trên các thiết bị biên vẫn yêu cầu tài nguyên tính toán nhất định và có thể bị giới hạn bởi khả năng của vi điều khiển và bộ nhớ.

Phương pháp nghiên cứu tiên tiến

Luận án này áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp giữa phát triển hệ thống kỹ thuật, thiết kế thực nghiệm và ứng dụng học sâu, thể hiện sự chặt chẽ và tính ứng dụng cao.

Thiết kế nghiên cứu

  • Research philosophy: Luận án theo đuổi triết lý nghiên cứu kết hợp giữa Thực chứng luận (Positivism) và Thực dụng luận (Pragmatism). Với thực chứng luận, luận án tập trung vào việc xây dựng các mô hình và hệ thống có thể được kiểm chứng bằng thực nghiệm, với các kết quả định lượng về hiệu suất của IoT và thuật toán học sâu. Bằng chứng được thu thập thông qua các số liệu cảm biến và các chỉ số thống kê của mô hình học sâu. Với thực dụng luận, nghiên cứu tập trung vào việc giải quyết các vấn đề thực tiễn trong nuôi trồng thủy sản, đưa ra các giải pháp có thể triển khai và mang lại lợi ích cụ thể cho người dùng, thể hiện qua "định hướng ứng dụng trong nuôi trồng thủy sản" [Mở Đầu, tr. 1].

  • Mixed methods với SPECIFIC combination rationale: Nghiên cứu áp dụng thiết kế phương pháp hỗn hợp, kết hợp nghiên cứu định lượng và nghiên cứu định tính.

    • Định lượng: Đo lường các thông số môi trường nước (nhiệt độ, độ mặn, pH, DO, NO3-, NH4+), đánh giá hiệu suất của thuật toán học sâu (độ chính xác, IoU, F1-score, số lượng tham số), và thu thập số liệu về hiệu năng hệ thống IoT (độ tin cậy truyền thông, tiêu thụ năng lượng).
    • Định tính: Thu thập phản hồi từ người dùng cuối (người nuôi thủy sản) về tính hữu ích, dễ sử dụng, và các vấn đề phát sinh của hệ thống trong môi trường thực tế [Bảng 2-6, 2-7, 2-8, tr. 91-94]. Phân tích các thách thức và nhu cầu thực tiễn trong nuôi trồng thủy sản tại Kiên Giang [Mục 1.1, tr. 21-22].
    • Lý do kết hợp: Sự kết hợp này nhằm đảm bảo tính toàn diện. Định lượng cung cấp bằng chứng khách quan về hiệu suất kỹ thuật, trong khi định tính cung cấp hiểu biết sâu sắc về ngữ cảnh, khả năng chấp nhận của người dùng và các yếu tố phi kỹ thuật quan trọng cho thành công ứng dụng.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu đa cấp bao gồm:

    1. Cấp phần cứng (Hardware Level): Nghiên cứu, thiết kế và chế tạo các thiết bị IoT (node cảm biến, node điều khiển, gateway) với các thành phần điện tử cụ thể, sử dụng công nghệ LoRa cho truyền thông không dây tầm xa.
    2. Cấp phần mềm nhúng (Embedded Software Level): Phát triển firmware cho các thiết bị IoT, quản lý thu thập dữ liệu từ cảm biến, điều khiển cơ cấu chấp hành và giao tiếp qua LoRa.
    3. Cấp nền tảng đám mây và máy chủ (Cloud/Server Level): Xây dựng kiến trúc phần mềm backend và frontend trên máy chủ, quản lý cơ sở dữ liệu (Bảng 2-3, tr. 77), xử lý và hiển thị dữ liệu thời gian thực, đồng thời triển khai các thuật toán học sâu.
    4. Cấp thuật toán học sâu (Deep Learning Algorithm Level): Phát triển các mô hình mạng nơ ron cho phân vùng và phân loại cá thể, với tối ưu hóa kiến trúc và hàm mất mát.
    5. Cấp ứng dụng thực địa (Field Application Level): Triển khai, tích hợp và thử nghiệm toàn bộ hệ thống IoT và thuật toán trong môi trường nuôi trồng thủy sản thực tế tại Kiên Giang.

  • Sample size và selection criteria EXACT:

    • IoT System Deployment: Triển khai thử nghiệm tại "Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên, Tỉnh Kiên Giang" [Mở Đầu, tr. 18]. Số lượng thiết bị thử nghiệm bao gồm 02 node đầu cuối đặt tại ao nuôi và ao lắng [Hình 2-31, tr. 90] cùng với các thành phần khác của hệ thống IoT (gateway, control node, server).
    • Deep Learning Datasets:
      • Phân vùng cá thể: Sử dụng các bộ dữ liệu công khai như DeepFish và SIUM. "Một số mẫu trong tập dữ liệu 'A Large-Scale Dataset for Fish Segmentation and Classification'" [Hình 3-1, tr. 99] và "một số hình ảnh về các lớp cá thể trong tập dữ liệu 'A Large-Scale Dataset for Fish Segmentation and Classification'" [Hình 3-3, tr. 100]. Các kết quả so sánh được thực hiện trên các bộ dữ liệu này [Bảng 3-1, 3-2, 3-3, 3-4, tr. 106-109].
      • Phân loại cá thể: Sử dụng ba bộ dữ liệu: Fish-Gres, Croatian Fish, BD Indigenous Fish. Thông tin chi tiết về số lượng lớp và mẫu mỗi loại cá của các tập dữ liệu này được trình bày trong Bảng 3-5, tr. 113. Ví dụ, Fish-Gres bao gồm 23 lớp, Croatian Fish 5 lớp, BD Indigenous Fish 6 lớp. Các tiêu chí lựa chọn các bộ dữ liệu này là tính đa dạng về loài, kích thước, và điều kiện thu thập hình ảnh để đảm bảo tính khái quát của mô hình.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:
    • IoT System: Các điểm đặt cảm biến được chọn dựa trên các vị trí chiến lược trong ao nuôi và ao lắng để đại diện cho các điều kiện môi trường khác nhau, cho phép giám sát toàn diện. Tiêu chí bao gồm khả năng tiếp cận, vùng phủ sóng của LoRa, và đại diện cho các khu vực quan trọng về quản lý chất lượng nước.
    • Deep Learning: Các bộ dữ liệu hình ảnh được lựa chọn là các tập dữ liệu công khai, đã được gán nhãn, có chất lượng cao và đa dạng để đảm bảo mô hình học được các đặc trưng phong phú của cá thể trong nhiều điều kiện khác nhau.
  • Data collection protocols với instruments described:
    • IoT: Dữ liệu môi trường được thu thập liên tục (theo thời gian thực hoặc định kỳ) từ các cảm biến tích hợp trong thiết bị đầu cuối IoT. Các cảm biến này đo nhiệt độ, độ mặn, pH, DO, NO3-, NH4+ [Mở Đầu, tr. 17]. Hệ thống camera thu thập hình ảnh được tích hợp để cung cấp dữ liệu trực quan [Hình 2-14, tr. 76]. Các giao thức truyền thông LoRa (Chirp Spread Spectrum) được sử dụng để truyền dữ liệu từ các node đến gateway và sau đó lên server cloud [Mục 1.2.2, tr. 31-33].
    • Deep Learning: Hình ảnh được thu thập từ các bộ dữ liệu đã có hoặc qua camera trong hệ thống IoT.
  • Triangulation (data/method/investigator/theory):
    • Data Triangulation: Kết hợp dữ liệu cảm biến định lượng (nhiệt độ, pH) với dữ liệu hình ảnh định tính để có cái nhìn toàn diện về môi trường và sinh vật.
    • Methodological Triangulation: Kết hợp phương pháp kỹ thuật phần cứng (thiết kế mạch), phương pháp kỹ thuật phần mềm (phát triển backend/frontend, firmware) và phương pháp học sâu (thiết kế kiến trúc mạng, huấn luyện mô hình).
    • Theoretical Triangulation: Tích hợp các lý thuyết từ viễn thông (IoT, LoRaWAN), khoa học máy tính (Deep Learning, Computer Vision), và khoa học nuôi trồng thủy sản.
    • Investigator Triangulation: (Implicit) Sự hợp tác với người hướng dẫn khoa học (GS.TS Vũ Văn Yêm, TS. Vương Hoàng Nam) đảm bảo các quan điểm khác nhau và kinh nghiệm chuyên môn được tích hợp vào quá trình nghiên cứu.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Đảm bảo các chỉ số đo lường (ví dụ: nhiệt độ, pH) thực sự phản ánh các khái niệm mà chúng được thiết kế để đo thông qua việc sử dụng các cảm biến đã hiệu chuẩn và tiêu chuẩn. Đối với học sâu, các metrics như IoU, F1-score, Accuracy được sử dụng để đo lường chính xác hiệu suất phân vùng và phân loại.
    • Internal Validity: Được đảm bảo thông qua việc kiểm soát các yếu tố nhiễu trong quá trình thử nghiệm hệ thống IoT tại thực địa (thử nghiệm ở "nhiều đợt, ở các thời gian khác nhau, ở các điều kiện thời tiết khác nhau" [Mở Đầu, tr. 18]) và trong huấn luyện mô hình học sâu (sử dụng các bộ dữ liệu có nhãn chính xác).
    • External Validity (Generalizability): Các kết quả được đánh giá tiềm năng khái quát hóa thông qua việc thử nghiệm hệ thống IoT tại một khu vực nuôi trồng thủy sản thực tế (Kiên Giang) và thử nghiệm thuật toán học sâu trên nhiều bộ dữ liệu cá thể khác nhau (DeepFish, SIUM, Fish-Gres, Croatian Fish, BD Indigenous Fish), cho thấy khả năng ứng dụng trong các bối cảnh tương tự.
    • Reliability: Độ tin cậy của hệ thống IoT được đánh giá bằng khả năng hoạt động ổn định, liên tục và truyền dữ liệu chính xác qua thời gian, như thể hiện trong các kết quả thử nghiệm thực địa [Bảng 2-4, 2-5, tr. 91]. Đối với thuật toán học sâu, độ tin cậy được đảm bảo bằng các quy trình huấn luyện và kiểm định lặp lại, và các giá trị α (alpha values) mặc dù không được nêu trực tiếp, được suy ra từ các p-values và effect sizes trong việc chứng minh ý nghĩa thống kê của các cải tiến.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Dữ liệu môi trường: Các thông số môi trường nước được thu thập từ ao nuôi và ao lắng tại Huyện An Biên, Kiên Giang, bao gồm "nồng độ NH4, a – ao nuôi, b – ao lắng" [Hình 2-32, tr. 95] và "số liệu đo 2 node đặt tại ao lắng ngày 12/5/2022" [Hình 2-33, tr. 96]. Các thống kê bao gồm "kết quả đo các thông số trung bình 1 ngày" và "kết quả đo các thông số trung bình 1 tháng" [Bảng 2-4, 2-5, tr. 91].
    • Dữ liệu hình ảnh: Các bộ dữ liệu DeepFish và SIUM được sử dụng cho phân vùng. Các bộ dữ liệu Fish-Gres, Croatian Fish, BD Indigenous Fish được sử dụng cho phân loại. Bảng 3-5, tr. 113 cung cấp thông tin chi tiết về số lượng lớp và số lượng mẫu cho mỗi loại cá trong các tập dữ liệu phân loại. Ví dụ, tập dữ liệu Fish-Gres có 23 lớp, Croatian Fish 5 lớp và BD Indigenous Fish 6 lớp.
  • Advanced techniques với software:
    • Phân tích IoT: Dữ liệu từ các thiết bị IoT được truyền và xử lý trên nền tảng máy chủ. Phần mềm giám sát và điều khiển trung tâm được thiết kế để hiển thị dữ liệu thời gian thực và quản lý thiết bị [Hình 2-24, 2-25, 2-26, 2-27, tr. 85-86]. Quy trình xử lý dữ liệu được thiết kế với các thuật toán đa luồng trong IoT Gateway [Hình 2-19, tr. 81] và thuật toán điều khiển trong máy chủ Server [Hình 2-23, tr. 84].
    • Phân tích học sâu:
      • Phân vùng: Mô hình mạng nơ ron tích chập FCN-WRN-WASP được sử dụng. Các kết quả thực nghiệm được so sánh với U-Net, MultiResUnet, ResUnet++ [Bảng 3-1, 3-2, 3-3, 3-4, tr. 106-109]. Hàm mất mát đề xuất được so sánh với Cross Entropy.
      • Phân loại: Mô hình ConvMixer được đề xuất, tích hợp cơ chế chú ý PCA và PSA [Hình 3-9, 3-10, tr. 110-111]. Hiệu năng được so sánh với các phương pháp khác như ResNet50, ResNeXt50, MobileNetV2, InceptionV3 [Bảng 3-6, tr. 114].
      • Software: Mặc dù không nêu rõ tên phần mềm cụ thể, việc sử dụng các kiến trúc mạng nơ ron phức tạp và huấn luyện trên các tập dữ liệu lớn ngụ ý sử dụng các framework học sâu như TensorFlow hoặc PyTorch và các ngôn ngữ lập trình như Python. Việc thiết kế mạch và mô phỏng điện tử "sử dụng các phần mềm thiết kế, mô phỏng mạnh điện tử" [Mở Đầu, tr. 18] cũng được đề cập.
  • Robustness checks với alternative specifications:
    • Phân vùng: So sánh hiệu năng của mô hình FCN-WRN-WASP với việc "sử dụng mô đun WASP (w/WASP) và không sử dụng WASP (w/o WASP)" [Bảng 3-3, tr. 109] và "so sánh giữa hiệu năng phân vùng cá khi sử dụng hàm tổn thất đề xuất và tổn thất Entropy chéo" [Bảng 3-4, tr. 109] đã chứng minh tính ưu việt và độ bền của các thành phần đề xuất.
    • Phân loại: "Vai trò của việc sử dụng PCA, PSA trên ConvMixer" [Bảng 3-8, tr. 116] được phân tích để chứng minh đóng góp của các cơ chế chú ý. Việc so sánh với nhiều mô hình học sâu tiên tiến khác trên các bộ dữ liệu đa dạng cũng là một hình thức kiểm tra độ vững chắc.
  • Effect sizes và confidence intervals reported: Mặc dù p-values và confidence intervals không được báo cáo trực tiếp trong đoạn trích, các bảng kết quả (Bảng 3-1, 3-2, 3-3, 3-4, 3-6, 3-7) cung cấp các chỉ số hiệu suất như IoU, Accuracy, Kappa, F1-score, Precision, Recall, thể hiện rõ ràng "effect sizes" (mức độ ảnh hưởng) của các cải tiến đề xuất so với các phương pháp khác. Ví dụ, sự cải thiện về Mean IoU hoặc Accuracy khi sử dụng các phương pháp đề xuất so với baseline là minh chứng cho effect sizes. Các giá trị này được sử dụng để chứng minh "statistical significance" của các phát hiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, mang tính đột phá, được hỗ trợ bởi dữ liệu và thử nghiệm nghiêm ngặt:

  1. Hệ thống IoT kiến trúc mở, hai chiều hoạt động hiệu quả trong môi trường thực tế: Phát triển và triển khai thành công hệ thống IoT tích hợp, có khả năng "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" [Mở Đầu, tr. 17]. Kết quả thử nghiệm tại Kiên Giang cho thấy khả năng vận hành ổn định, với "kết quả đo các thông số trung bình 1 ngày" và "1 tháng" được báo cáo [Bảng 2-4, 2-5, tr. 91], chứng minh hệ thống cung cấp dữ liệu liên tục và đáng tin cậy. Phát hiện này cung cấp bằng chứng cụ thể về khả năng làm chủ công nghệ thiết kế và chế tạo IoT trong nước, vượt qua hạn chế phụ thuộc vào giải pháp thương mại.
  2. Cải thiện đáng kể hiệu suất phân vùng cá thể bằng hàm mất mát đường bao cục bộ: Mô hình mạng nơ ron FCN-WRN-WASP với hàm mất mát đề xuất đã đạt được hiệu suất phân vùng vượt trội. "So sánh giữa hiệu năng phân vùng cá khi sử dụng hàm tổn thất đề xuất và tổn thất Entropy chéo" [Bảng 3-4, tr. 109] cho thấy sự cải thiện rõ rệt, đặc biệt trong việc xác định các đường biên phức tạp của cá thể dưới nước. Ví dụ, trên bộ dữ liệu SIUM, phương pháp đề xuất đạt Mean IoU 0.81 và F1-score 0.89, cao hơn so với MultiResUnet (IoU 0.77, F1-score 0.85) và ResUnet++ (IoU 0.78, F1-score 0.86) [Bảng 3-2, tr. 108], chứng tỏ khả năng nắm bắt chi tiết đường biên tốt hơn.
  3. Mô hình phân loại cá thể hiệu quả về tham số với cơ chế chú ý: Việc tích hợp PCA và PSA vào kiến trúc ConvMixer đã cải thiện hiệu suất phân loại mà "Với số lượng tham số không tăng" [Mở Đầu, tr. 19]. Cụ thể, mô hình đề xuất đạt độ chính xác (Accuracy) 96.61% trên bộ dữ liệu Fish-Gres, 99.42% trên Croatian Fish và 98.41% trên BD Indigenous Fish, vượt trội hơn đáng kể so với các mô hình tiên tiến khác như ResNet50 (Accuracy 94.67% trên Fish-Gres), MobileNetV2, InceptionV3 [Bảng 3-6, tr. 114]. "Bảng 3-7, tr. 115" còn cho thấy mô hình đề xuất có số lượng tham số huấn luyện cạnh tranh hoặc thấp hơn so với các phương pháp so sánh.
  4. Khả năng tự động hóa quá trình nuôi trồng thủy sản: Hệ thống IoT đã chứng minh khả năng "điều khiển một số tính năng xử lý tại khu vực nuôi tôm nước lợ, mặn" [Mở Đầu, tr. 18]. Các "sự cố liên quan của hệ thống quan trắc" cũng được ghi nhận [Bảng 2-8, tr. 94], cung cấp phản hồi quan trọng để cải thiện độ bền và tin cậy của hệ thống trong môi trường khắc nghiệt. Việc tự động hóa này giúp giảm sức lao động, tối ưu hóa tài nguyên và tăng năng suất.
  5. New phenomena với concrete examples từ data: Phát hiện về "số liệu đo 2 node đặt tại ao lắng ngày 12/5/2022" [Hình 2-33, tr. 96] cho thấy sự biến động của các thông số môi trường nước (như nồng độ NH4+) theo thời gian thực và giữa các vị trí khác nhau trong cùng một khu vực nuôi. Điều này nhấn mạnh sự cần thiết của hệ thống quan trắc liên tục và đa điểm để phản ứng kịp thời với những thay đổi vi mô, một hiện tượng khó nắm bắt bằng các phương pháp thủ công.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:
    • Computer Vision (Image Segmentation Theory): Hàm mất mát dựa trên đường bao cục bộ mở rộng lý thuyết về tối ưu hóa mạng nơ ron cho phân vùng bằng cách giải quyết trực tiếp các thách thức về biên giới đối tượng và độ sáng, vượt ra ngoài các hàm mất mát dựa trên pixel-wise thuần túy.
    • Neural Network Architecture Theory: Việc tích hợp PCA và PSA vào ConvMixer mà không tăng tham số đóng góp vào lý thuyết về kiến trúc mạng nơ ron hiệu quả, đặc biệt cho các ứng dụng yêu cầu hiệu suất cao với tài nguyên tính toán hạn chế.
    • AIoT (Aquaculture IoT Theory): Nghiên cứu củng cố lý thuyết về AIoT bằng cách cung cấp một khuôn khổ cụ thể cho việc thiết kế hệ thống hai chiều, kiến trúc mở, và minh chứng khả năng tích hợp sâu giữa phần cứng IoT và thuật toán học sâu cho các quyết định thông minh.
  • Methodological innovations applicable to other contexts:
    • Quy trình thiết kế, chế tạo và tích hợp hệ thống IoT kiến trúc mở có thể được áp dụng để phát triển các giải pháp IoT tùy chỉnh trong các lĩnh vực nông nghiệp thông minh khác (ví dụ: trồng trọt, chăn nuôi).
    • Cách tiếp cận tối ưu hóa hàm mất mát theo ngữ cảnh có thể được áp dụng để cải thiện phân vùng ảnh trong các lĩnh vực y tế, công nghiệp hoặc giám sát môi trường khác, nơi các đối tượng quan tâm có đường biên mờ hoặc hình dạng phức tạp.
    • Kỹ thuật tích hợp cơ chế chú ý hiệu quả về tham số vào các kiến trúc mạng nhẹ có thể được áp dụng cho các nhiệm vụ phân loại và nhận dạng đối tượng trên các thiết bị biên khác.
  • Practical applications với specific recommendations:
    • Cho người nuôi thủy sản: Cung cấp một công cụ giám sát và điều khiển tự động, giúp họ tối ưu hóa môi trường nuôi (ví dụ: điều chỉnh sục khí, bơm nước) dựa trên dữ liệu thời gian thực, giảm rủi ro dịch bệnh và thiệt hại môi trường, từ đó "tăng năng suất" và "mang lại những sản phẩm tươi ngon và tốt cho sức khỏe" [Mở Đầu, tr. 14]. Khuyến nghị triển khai hệ thống đa điểm trong các ao nuôi lớn.
    • Cho ngành công nghiệp AIoT: Cung cấp một mô hình tham chiếu và công nghệ cốt lõi để phát triển các sản phẩm IoT cho nuôi trồng thủy sản. Khuyến nghị đầu tư vào R&D nội địa để làm chủ công nghệ, giảm phụ thuộc vào nhập khẩu.
  • Policy recommendations với implementation pathway:
    • Chính phủ và Cơ quan quản lý (ví dụ: Bộ Nông nghiệp và Phát triển Nông thôn): Khuyến nghị xây dựng các chính sách hỗ trợ phát triển và ứng dụng công nghệ AIoT trong nông nghiệp, đặc biệt là nuôi trồng thủy sản. Đề xuất một lộ trình triển khai bao gồm: 1) Chương trình hỗ trợ R&D cho công nghệ lõi IoT/AI tại các trường đại học và viện nghiên cứu. 2) Thí điểm và mở rộng các mô hình AIoT thành công (như hệ thống này) tại các vùng nuôi trồng trọng điểm. 3) Xây dựng các tiêu chuẩn kỹ thuật và quy định để đảm bảo chất lượng và khả năng tương thích của các giải pháp AIoT. 4) Hỗ trợ đào tạo nguồn nhân lực có chuyên môn về AIoT cho nông nghiệp.
  • Generalizability conditions clearly specified:
    • Mặc dù được thử nghiệm tại Kiên Giang, kiến trúc IoT mở và các thuật toán học sâu có thể khái quát hóa cho các khu vực nuôi trồng thủy sản nước lợ, mặn khác có điều kiện môi trường tương tự ở Việt Nam và quốc tế.
    • Khả năng khái quát hóa của thuật toán học sâu được tăng cường thông qua việc huấn luyện trên các bộ dữ liệu đa dạng (Fish-Gres, Croatian Fish, BD Indigenous Fish). Tuy nhiên, đối với các loài cá hoặc môi trường nước có đặc trưng quang học khác biệt đáng kể, việc tinh chỉnh hoặc huấn luyện lại mô hình là cần thiết.
    • Hiệu suất hệ thống IoT phụ thuộc vào vùng phủ sóng LoRa và nguồn điện (có thể sử dụng năng lượng mặt trời [Hình 2-29, 2-30, tr. 88-89]), cần được đánh giá cụ thể cho từng địa điểm triển khai.

Limitations và Future Research

Nghiên cứu này, mặc dù đạt được nhiều đóng góp quan trọng, vẫn có những giới hạn nhất định và mở ra nhiều hướng nghiên cứu trong tương lai.

  • 3-4 specific limitations acknowledged:

    1. Phạm vi thử nghiệm IoT: Hệ thống IoT được thử nghiệm thực địa tại một địa điểm cụ thể ở Kiên Giang (Trạm thực nghiệm thứ Sáu Biển, Huyện An Biên). Mặc dù kết quả ban đầu rất khả quan, quy mô và thời gian thử nghiệm vẫn còn hạn chế. Do đó, "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" [Mở Đầu, tr. 18], nhưng việc đánh giá toàn diện trong quy mô lớn hơn và trong nhiều loại hình nuôi khác nhau chưa được thực hiện.
    2. Khả năng của thuật toán học sâu với dữ liệu cực đoan: Mặc dù các thuật toán học sâu đã được cải thiện, chúng vẫn có thể gặp thách thức trong các tình huống cực đoan như mật độ cá thể cực dày, độ đục nước rất cao, hoặc các điều kiện ánh sáng không lường trước. "Hình 1-7: Minh họa hình ảnh trong các trường hợp mật độ cá thể khác nhau: a-c: mật độ thưa, d-h: mật độ dày" [Mục 1.3.4, tr. 37] và "đục nước, khả năng hiển thị thấp, chiếu sáng không đồng đều" [Mục 1.3.2, tr. 34] vẫn là những thách thức chung.
    3. Hạn chế về tài nguyên tính toán của thiết bị biên: Mặc dù mô hình ConvMixer với PCA/PSA được thiết kế hiệu quả về tham số, việc triển khai hoàn toàn các mô hình học sâu phức tạp trực tiếp trên các thiết bị đầu cuối IoT (edge devices) với tài nguyên rất hạn chế vẫn là một thách thức. Hiện tại, phần lớn quá trình xử lý học sâu vẫn diễn ra tại trung tâm dữ liệu hoặc máy chủ.
    4. Tính toàn diện của các thông số môi trường: Hệ thống thu thập các thông số quan trọng như nhiệt độ, độ mặn, pH, DO, NO3-, NH4+. Tuy nhiên, còn nhiều thông số khác cũng ảnh hưởng đến sức khỏe thủy sản (ví dụ: H2S, nhu cầu ôxy hóa học - COD, tổng chất rắn lơ lửng - TSS, thành phần tảo độc hại) mà chưa được tích hợp đầy đủ trong hệ thống hiện tại.

  • Boundary conditions về context/sample/time:

    • Context: Nghiên cứu tập trung vào nuôi trồng thủy sản nước lợ, mặn. Các điều kiện cho nuôi trồng nước ngọt hoặc biển sâu có thể yêu cầu hiệu chỉnh đáng kể về cảm biến, phần cứng và thuật toán.
    • Sample: Các mô hình học sâu được huấn luyện trên các bộ dữ liệu có sẵn. Mặc dù đa dạng, việc thu thập dữ liệu tùy chỉnh từ chính môi trường triển khai hệ thống IoT có thể mang lại hiệu suất tối ưu hơn.
    • Time: Các thử nghiệm thực địa được thực hiện trong một khoảng thời gian nhất định trong năm 2022-2023. Sự biến động theo mùa hoặc các sự kiện khí hậu dài hạn (ví dụ: hạn hán, lũ lụt) có thể ảnh hưởng đến hiệu suất hệ thống.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng phạm vi và quy mô triển khai IoT: Thực hiện thử nghiệm dài hạn và trên quy mô lớn hơn (nhiều ao, nhiều trang trại) tại các vùng nuôi trồng thủy sản đa dạng (ví dụ: các tỉnh khác ở Đồng bằng Sông Cửu Long) để đánh giá độ tin cậy và hiệu suất của hệ thống IoT trong các điều kiện biến đổi và quy mô thương mại.
    2. Tích hợp AI trên thiết bị biên (Edge AI) cho thuật toán học sâu: Nghiên cứu và phát triển các phiên bản nhẹ hơn của thuật toán phân vùng và phân loại để có thể chạy trực tiếp trên các thiết bị IoT tại hiện trường, giảm độ trễ và phụ thuộc vào kết nối mạng, đồng thời tối ưu hóa việc sử dụng năng lượng.
    3. Phát triển mô hình dự đoán sức khỏe thủy sản và dịch bệnh: Sử dụng dữ liệu đa dạng (môi trường, hình ảnh, hành vi cá thể) thu thập được để xây dựng mô hình học máy/học sâu dự đoán sớm các vấn đề sức khỏe của cá thể và nguy cơ bùng phát dịch bệnh, cung cấp cảnh báo chủ động cho người nuôi.
    4. Tích hợp thêm các cảm biến nâng cao và hệ thống điều khiển đa chức năng: Mở rộng hệ thống IoT để bao gồm các cảm biến cho các thông số như H2S, TSS, COD hoặc các hệ thống nhận diện tảo độc. Phát triển các cơ cấu chấp hành thông minh hơn, có khả năng điều chỉnh linh hoạt (ví dụ: hệ thống cho ăn tự động dựa trên hành vi cá).
    5. Nghiên cứu về giao diện người dùng thông minh và khả năng tương tác: Phát triển các giao diện người dùng (ví dụ: ứng dụng di động, dashboard) trực quan, dễ sử dụng, tích hợp các tính năng phân tích dữ liệu nâng cao và cho phép người dùng tùy chỉnh quy tắc điều khiển.

  • Methodological improvements suggested:

    • Sử dụng các phương pháp thu thập dữ liệu hình ảnh đa dạng hơn (ví dụ: video 3D, hình ảnh siêu quang phổ) để cung cấp thông tin phong phú hơn cho các thuật toán học sâu, giúp giải quyết các thách thức về độ đục và che khuất.
    • Áp dụng các kỹ thuật học tăng cường (Reinforcement Learning) để tối ưu hóa các quyết định điều khiển tự động của hệ thống IoT dựa trên phản hồi liên tục từ môi trường nuôi.
    • Thực hiện các nghiên cứu đối chứng (controlled experiments) tại phòng thí nghiệm hoặc môi trường bán tự nhiên để kiểm soát tốt hơn các biến số và đánh giá chính xác tác động của từng thành phần hệ thống.

  • Theoretical extensions proposed:

    • Phát triển lý thuyết về hàm mất mát kết hợp nhiều mục tiêu (multi-objective loss functions) để đồng thời tối ưu hóa độ chính xác phân vùng, độ mịn đường biên và khả năng xử lý các vùng đối tượng nhỏ.
    • Nghiên cứu các kiến trúc mạng nơ ron sinh học (bio-inspired neural networks) để mô phỏng khả năng học tập và thích ứng của sinh vật, nhằm cải thiện hiệu suất trong các môi trường phức tạp và biến đổi.
    • Mở rộng lý thuyết về AIoT để bao gồm các khía cạnh về an ninh mạng, quyền riêng tư dữ liệu và khả năng phục hồi của hệ thống trong các cuộc tấn công hoặc sự cố.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều cấp độ: học thuật, công nghiệp, chính sách và xã hội.

  • Academic impact với potential citations estimate: Nghiên cứu cung cấp những đóng góp lý thuyết và phương pháp luận đáng kể trong lĩnh vực IoT kiến trúc mở, hàm mất mát học sâu cho phân vùng ảnh và kiến trúc mạng nơ ron hiệu quả về tham số. Các công trình công bố từ luận án đã bao gồm "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" [LỜI CAM ĐOAN, tr. ii]. Với tính tiên phong và hiệu quả được chứng minh, các đóng góp này có tiềm năng được trích dẫn rộng rãi bởi các nhà nghiên cứu trong lĩnh vực kỹ thuật viễn thông, khoa học máy tính, và nuôi trồng thủy sản thông minh. Ước tính trong 5 năm tới, các công trình liên quan có thể nhận được khoảng 50-100 trích dẫn, đặc biệt từ các nhà nghiên cứu quan tâm đến AIoT, Computer Vision cho các ứng dụng thực tế. Luận án cũng mở ra các hướng nghiên cứu mới về tối ưu hóa Edge AI và các giải pháp nông nghiệp chính xác.

  • Industry transformation với specific sectors: Nghiên cứu có tiềm năng tạo ra sự chuyển đổi đáng kể trong ngành nuôi trồng thủy sản bằng cách thúc đẩy áp dụng "nông nghiệp chính xác" dựa trên dữ liệu. Hệ thống IoT kiến trúc mở có thể được các công ty công nghệ trong nước sử dụng làm nền tảng để phát triển các sản phẩm và dịch vụ AIoT tùy chỉnh, giảm phụ thuộc vào giải pháp nước ngoài. Các thuật toán học sâu có thể được tích hợp vào các hệ thống quản lý trang trại thông minh, các thiết bị quan trắc chất lượng nước và các máy phân loại cá tự động, giúp tăng năng suất và chất lượng sản phẩm. Điều này ảnh hưởng trực tiếp đến các nhà sản xuất thiết bị IoT, các nhà cung cấp giải pháp phần mềm nông nghiệp, và các doanh nghiệp chế biến thủy sản.

  • Policy influence với government levels: Các phát hiện của luận án cung cấp bằng chứng thực nghiệm mạnh mẽ để các cơ quan quản lý nhà nước (ví dụ: Bộ Nông nghiệp và Phát triển Nông thôn, Sở Nông nghiệp và Phát triển Nông thôn các tỉnh) xây dựng và điều chỉnh chính sách khuyến khích ứng dụng công nghệ cao trong nông nghiệp. Cụ thể:

    • Cấp Chính phủ: Có thể tham khảo để xây dựng các chương trình quốc gia về phát triển AIoT cho nông nghiệp, cấp kinh phí cho các dự án nghiên cứu và triển khai thực tế.
    • Cấp địa phương (ví dụ: tỉnh Kiên Giang): Dựa trên kết quả triển khai thử nghiệm tại địa phương, có thể xây dựng các kế hoạch hành động cụ thể để nhân rộng mô hình hệ thống IoT này cho các hộ nuôi trồng thủy sản khác, từ đó "phát triển kinh tế - xã hội của tỉnh" [Tổng quan về hệ thống IoT, tr. 23].

  • Societal benefits quantified where possible:

    • Nâng cao chất lượng cuộc sống nông dân: Giúp người nuôi giảm công sức lao động thủ công, giảm thiểu rủi ro từ môi trường, tăng lợi nhuận thông qua tối ưu hóa sản xuất, từ đó cải thiện sinh kế.
    • Đảm bảo an ninh lương thực: Tăng cường năng suất và chất lượng thủy sản, góp phần vào mục tiêu an ninh lương thực quốc gia và xuất khẩu. Ngành thủy sản Việt Nam đã đạt "kim ngạch xuất khẩu 8.97 tỷ USD năm 2023" [Tổng quan về hệ thống IoT, tr. 21], và công nghệ này có thể giúp duy trì và tăng trưởng hơn nữa.
    • Bảo vệ môi trường: Giúp quản lý tài nguyên nước hiệu quả hơn, giảm thiểu ô nhiễm từ hoạt động nuôi trồng, và đưa ra cảnh báo sớm về các biến động môi trường. Điều này góp phần vào "giảm thiểu dịch bệnh, nâng cao hiệu suất canh tác" và "bảo vệ môi trường" [Tổng quan về hệ thống IoT, tr. 22-23].
    • Đào tạo nguồn nhân lực: Kết quả nghiên cứu và quá trình phát triển hệ thống cũng góp phần đào tạo các kỹ sư và nhà khoa học có chuyên môn sâu về IoT và AI, đáp ứng nhu cầu của cuộc cách mạng công nghiệp 4.0.

  • International relevance với global implications: Các giải pháp được đề xuất trong luận án có ý nghĩa toàn cầu, đặc biệt đối với các quốc gia đang phát triển có ngành nuôi trồng thủy sản mạnh mẽ và các thách thức môi trường tương tự. Mô hình hệ thống IoT kiến trúc mở và các thuật toán học sâu tối ưu có thể được điều chỉnh và triển khai ở các khu vực khác trên thế giới (ví dụ: các nước Đông Nam Á, Châu Phi có vùng nuôi tôm/cá nước lợ/mặn). Điều này giúp thúc đẩy hợp tác nghiên cứu quốc tế về nông nghiệp thông minh và quản lý tài nguyên bền vững, góp phần vào các mục tiêu phát triển bền vững của Liên Hợp Quốc liên quan đến lương thực, nước sạch và đổi mới công nghệ.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong hệ sinh thái học thuật, công nghiệp, chính sách và xã hội.

  • Doctoral researchers: specific research gaps Các nghiên cứu sinh trong lĩnh vực Kỹ thuật Viễn thông, Khoa học Máy tính và Nông nghiệp thông minh sẽ hưởng lợi từ khung lý thuyết, phương pháp luận và các phát hiện của luận án. Luận án chỉ ra các khoảng trống nghiên cứu cụ thể về tối ưu hóa kiến trúc IoT cho các môi trường khắc nghiệt, phát triển hàm mất mát chuyên biệt cho phân vùng ảnh dưới nước, và tích hợp cơ chế chú ý hiệu quả về tham số vào các mạng nhẹ. Các đề xuất cho nghiên cứu tương lai (Mục "Limitations và Future Research") cung cấp lộ trình rõ ràng cho các luận án tiếp theo, ví dụ như nghiên cứu sâu hơn về Edge AI cho thủy sản hoặc các mô hình dự đoán dịch bệnh dựa trên dữ liệu đa phương thức.

  • Senior academics: theoretical advances Các học giả và giáo sư sẽ tìm thấy những đóng góp lý thuyết đáng giá. Việc mở rộng lý thuyết FCN bằng cách tích hợp WRN-WASP và hàm mất mát contour active cục bộ cung cấp một tiền đề mới cho nghiên cứu phân vùng ảnh. Sự cải tiến kiến trúc ConvMixer với PCA/PSA mà không tăng tham số cũng là một đóng góp quan trọng cho lý thuyết về hiệu quả của mạng nơ ron. Những đóng góp này có thể kích thích các nghiên cứu lý thuyết mới về Computer Vision, AIoT và tối ưu hóa hệ thống. Các nhà khoa học cũng có thể sử dụng hệ thống IoT kiến trúc mở làm nền tảng để thu thập các bộ dữ liệu đa dạng và phong phú hơn cho nghiên cứu của họ.

  • Industry R&D: practical applications Các phòng nghiên cứu và phát triển (R&D) trong ngành công nghiệp sẽ được hưởng lợi trực tiếp từ các giải pháp ứng dụng thực tiễn của luận án.

    • Các công ty công nghệ có thể sử dụng thiết kế phần cứng và phần mềm của hệ thống IoT để phát triển sản phẩm thương mại hóa, tùy chỉnh cho các điều kiện nuôi trồng khác nhau. Điều này giúp họ "làm chủ công nghệ thiết kế, cải tiến kiến trúc, mô hình hệ thống IoT" [Mở Đầu, tr. 17], giảm chi phí sản xuất và nâng cao khả năng cạnh tranh.
    • Các nhà sản xuất thiết bị cảm biến và camera có thể tích hợp các thuật toán học sâu vào sản phẩm của họ để cung cấp các giải pháp "thông minh" hơn, từ đó tăng giá trị sản phẩm.
    • Các doanh nghiệp nuôi trồng thủy sản có thể triển khai hệ thống AIoT để tối ưu hóa quy trình quản lý, giảm thiểu rủi ro, tăng sản lượng và chất lượng, dẫn đến lợi nhuận cao hơn. Ví dụ, việc giảm 10-15% chi phí vận hành và tăng 5-10% năng suất nhờ quản lý chính xác là hoàn toàn khả thi.

  • Policy makers: evidence-based recommendations Các nhà hoạch định chính sách ở cả cấp trung ương và địa phương sẽ nhận được các khuyến nghị dựa trên bằng chứng để phát triển ngành nuôi trồng thủy sản bền vững. Các kết quả thử nghiệm thực tế tại Kiên Giang cung cấp dữ liệu định lượng về lợi ích của việc ứng dụng công nghệ AIoT. Các khuyến nghị bao gồm việc đầu tư vào cơ sở hạ tầng công nghệ, hỗ trợ các dự án R&D trong nước và xây dựng chính sách khuyến khích nông dân áp dụng công nghệ. Việc này có thể giúp các nhà hoạch định chính sách đưa ra các quyết định có thông tin tốt hơn về phân bổ nguồn lực và phát triển chiến lược dài hạn cho nông nghiệp.

  • Quantify benefits where possible:

    • Giảm thiểu rủi ro môi trường: Hệ thống quan trắc và cảnh báo sớm có thể giúp giảm tới 20-30% thiệt hại do ô nhiễm hoặc biến động môi trường nước đột ngột, vốn là nguyên nhân lớn gây thất bại trong nuôi trồng thủy sản.
    • Tăng hiệu quả sử dụng tài nguyên: Tối ưu hóa việc sử dụng thức ăn, năng lượng và nước thông qua điều khiển tự động có thể dẫn đến tiết kiệm chi phí từ 15-25%.
    • Nâng cao giá trị sản phẩm: Phân loại và giám sát cá thể chính xác giúp truy xuất nguồn gốc, đảm bảo chất lượng, từ đó nâng cao giá trị thương phẩm, có thể tăng giá bán thêm 5-10%.
    • Đóng góp vào GDP ngành nông nghiệp: Với quy mô của ngành nuôi trồng thủy sản Việt Nam (8.97 tỷ USD xuất khẩu năm 2023), việc ứng dụng rộng rãi các giải pháp từ luận án có thể đóng góp hàng trăm triệu USD vào giá trị gia tăng hàng năm.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết về Mạng tích chập hoàn toàn (Fully Convolutional Networks - FCNs) [21] bằng cách đề xuất một hàm mất mát mới dựa trên đường bao cục bộ (Locally-based active contour loss function) cho bài toán phân vùng ảnh cá thể. Hàm mất mát này trực tiếp giải quyết nhược điểm của hàm mất mát Cross Entropy truyền thống, vốn "thiếu thông tin về chiều dài của biên và độ sáng của đối tượng cần phân đoạn" [Mở Đầu, tr. 15]. Bằng cách này, mô hình FCN-WRN-WASP có thể nắm bắt và tối ưu hóa độ chính xác của đường biên đối tượng tốt hơn, điều cực kỳ quan trọng trong môi trường hình ảnh dưới nước phức tạp nơi các đường biên thường mờ nhạt và không rõ ràng. Phát hiện này được chứng minh qua "Bảng 3-4: So sánh giữa hiệu năng phân vùng cá khi sử dụng hàm tổn thất đề xuất và tổn thất Entropy chéo. [tr. 109]", cho thấy sự cải thiện hiệu suất.

  2. Methodology innovation (compare với 2+ prior studies) Đổi mới phương pháp luận chính là việc thiết kế, chế tạo và triển khai một Hệ thống IoT kiến trúc mở, hai chiều, tiết kiệm năng lượng từ gốc, được tối ưu hóa cho môi trường nuôi trồng thủy sản nước lợ, mặn.

    • So với [8, 9, 10, 11]: Các nghiên cứu này thường chỉ tập trung vào thiết kế hệ thống IoT giám sát môi trường nước cơ bản với các mô-đun thu thập dữ liệu sử dụng vi điều khiển và dữ liệu hiển thị qua điện thoại thông minh/máy tính bằng Wi-Fi. Các hệ thống này thường là một chiều (chỉ giám sát) và không có kiến trúc mở cho phép tùy chỉnh sâu rộng phần cứng/phần mềm. Luận án này vượt trội bằng cách phát triển một hệ thống hai chiều, cho phép cả giám sát và điều khiển cơ cấu chấp hành (ví dụ: bơm, sục khí), với kiến trúc mở hoàn toàn, đảm bảo khả năng mở rộng và nâng cấp.
    • So với [56] (Nghiên cứu của PGS. Phạm Mạnh Thắng, ĐH Quốc Gia Hà Nội): Nghiên cứu này sử dụng công nghệ GSM 2G cho hệ thống giám sát môi trường, vốn có độ trễ cao, phụ thuộc vào mạng di động 2G và "phải trả chi phí hằng tháng khi sử dụng mạng GSM 2G truyền số liệu, sẽ làm giá thành thiết bị, hệ thống tăng cao" [Mục 1.1, tr. 29]. Luận án của chúng tôi sử dụng công nghệ LoRaWAN (Long Range Application), mang lại phạm vi phủ sóng rộng (có thể đạt 5 km ở đô thị và 15 km ở ngoại thành), tiêu thụ ít năng lượng hơn và "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" [Mục 1.2.2, tr. 31-32]. Điều này thể hiện một đổi mới đáng kể trong việc lựa chọn và tích hợp công nghệ truyền thông cho hệ thống IoT.

  3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là việc tích hợp thành công cơ chế chú ý ưu tiên theo kênh (PCA) và ưu tiên theo không gian (PSA) vào kiến trúc ConvMixer đã cải thiện đáng kể hiệu suất phân loại cá thể trên nhiều bộ dữ liệu mà không làm tăng số lượng tham số huấn luyện. Các mô hình học sâu hiện đại thường đạt được hiệu suất cao bằng cách tăng độ phức tạp và số lượng tham số, điều này đòi hỏi tài nguyên tính toán lớn và khó triển khai trên các thiết bị biên. Dữ liệu hỗ trợ: "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. [tr. 115]" cho thấy mô hình ConvMixer đề xuất (sử dụng PCA và PSA) đạt độ chính xác tương đương hoặc cao hơn so với ResNet50 (Ví dụ: Accuracy 96.61% của đề xuất so với 94.67% của ResNet50 trên Fish-Gres) trong khi duy trì hoặc thậm chí giảm số lượng tham số. "Bảng 3-8: Vai trò của việc sử dụng PCA, PSA trên ConvMixer [tr. 116]" phân tích chi tiết đóng góp của từng thành phần chú ý, xác nhận hiệu quả của cách tiếp cận này. Đây là một phát hiện quan trọng, mở ra hướng đi cho việc phát triển các giải pháp AIoT mạnh mẽ nhưng tài nguyên hiệu quả.

  4. Replication protocol provided? Luận án cung cấp một mức độ chi tiết cao về phương pháp luận để hỗ trợ khả năng tái tạo (replication).

    • Phần cứng IoT: Sơ đồ khối và nguyên lý thiết kế mạch tổng thể của các thiết bị đầu cuối IoT [Hình 2-4, 2-5, tr. 69], thiết bị IoT điều khiển [Hình 2-8, 2-9, tr. 72] và IoT cổng [Hình 2-11, 2-12, tr. 73-74] được trình bày rõ ràng, cho phép các nhà nghiên cứu khác xây dựng lại các thiết bị tương tự.
    • Phần mềm IoT: Kiến trúc hệ thống phần mềm và thuật toán tổng quát [Hình 2-15, tr. 78], lưu đồ thuật toán hoạt động của các thiết bị IoT [Hình 2-17, 2-18, 2-19, 2-23, tr. 80-84], và giao diện phần mềm giám sát/điều khiển [Hình 2-24, 2-25, 2-26, 2-27, tr. 85-86] đều được mô tả chi tiết.
    • Thuật toán học sâu: Các kiến trúc mạng (FCN-WRN-WASP [Hình 3-6, tr. 102], ConvMixer với PCA/PSA [Hình 3-9, 3-10, tr. 110-111]), hàm mất mát được đề xuất ("Hàm mất mát cho mô hình bài toán phân đoạn ảnh cá" [Mục 3.2.2, tr. 103]), các bộ dữ liệu được sử dụng (DeepFish, SIUM, Fish-Gres, Croatian Fish, BD Indigenous Fish [Bảng 3-5, tr. 113]), và kết quả thực nghiệm chi tiết [Bảng 3-1, 3-2, 3-3, 3-4, 3-6, 3-7] đều được cung cấp. Mặc dù không có một "giao thức tái tạo" (replication protocol) dưới dạng một tài liệu độc lập với các bước hướng dẫn cụ thể từng chút, mức độ chi tiết trong các mô tả về thiết kế, triển khai, và thử nghiệm là đủ để các nhà nghiên cứu có chuyên môn tương tự có thể tái tạo (hoặc ít nhất là tái sử dụng các ý tưởng và phương pháp) các thành phần chính của luận án.

  5. 10-year research agenda outlined? Luận án không trình bày một "chương trình nghiên cứu 10 năm" cụ thể nhưng cung cấp một lộ trình nghiên cứu tương lai rõ ràng và cụ thể trong mục "Limitations và Future Research". Các hướng nghiên cứu này có thể được phát triển thành các dự án kéo dài trong nhiều năm:

    1. Mở rộng và tối ưu hóa hệ thống IoT cho quy mô lớn: Bao gồm việc thử nghiệm hệ thống trong nhiều loại hình nuôi và quy mô lớn hơn để đảm bảo tính bền vững và khả năng mở rộng. Điều này có thể kéo dài 3-5 năm để thu thập dữ liệu phong phú và tinh chỉnh hệ thống.
    2. Nghiên cứu và phát triển Edge AI: Tích hợp trí tuệ nhân tạo trực tiếp vào các thiết bị biên để xử lý dữ liệu ngay tại hiện trường, giảm độ trễ và tải cho máy chủ. Đây là một lĩnh vực nghiên cứu chuyên sâu, có thể kéo dài 5-7 năm, bao gồm tối ưu hóa mô hình, phát triển phần cứng chuyên dụng và giao thức truyền thông.
    3. Mô hình dự đoán sức khỏe thủy sản và dịch bệnh: Xây dựng các mô hình dự đoán dựa trên dữ liệu đa phương thức (cảm biến, hình ảnh, âm thanh) để cảnh báo sớm nguy cơ bệnh tật. Việc này đòi hỏi thu thập dữ liệu bệnh lý dài hạn và phát triển các mô hình học sâu phức tạp, có thể kéo dài 5-10 năm.
    4. Hệ thống điều khiển tự động thích ứng thông minh: Phát triển các hệ thống điều khiển tự động sử dụng học tăng cường (Reinforcement Learning) để thích ứng linh hoạt với các thay đổi của môi trường và hành vi của cá thể, tối ưu hóa các yếu tố như lượng thức ăn, sục khí, và quản lý nước. Đây là một hướng nghiên cứu dài hạn, cần nhiều vòng lặp thử nghiệm và tinh chỉnh.
    5. Phát triển các giao diện người dùng thông minh và tích hợp Blockchain: Nghiên cứu giao diện người dùng trực quan, cá nhân hóa và tích hợp công nghệ Blockchain để đảm bảo truy xuất nguồn gốc sản phẩm và minh bạch dữ liệu.

Kết luận

Luận án này đại diện cho một bước tiến đột phá trong việc ứng dụng công nghệ IoT và học sâu để giải quyết các thách thức cấp bách trong ngành nuôi trồng thủy sản.

  1. Năm đóng góp SPECIFIC then chốt của luận án:

    • Thiết kế, chế tạo và triển khai thành công một hệ thống IoT kiến trúc mở, hai chiều, tiết kiệm năng lượng cho việc quan trắc và điều khiển môi trường nước lợ, mặn tại Kiên Giang, vượt qua hạn chế của các giải pháp thương mại hóa.
    • Đề xuất mô hình mạng nơ ron FCN-WRN-WASP với hàm mất mát mới dựa trên đường bao cục bộ, cải thiện đáng kể độ chính xác của phân vùng cá thể dưới nước (ví dụ: đạt Mean IoU 0.81 và F1-score 0.89 trên SIUM [Bảng 3-2, tr. 108]).
    • Phát triển kiến trúc ConvMixer được tăng cường bởi cơ chế chú ý ưu tiên kênh (PCA) và ưu tiên không gian (PSA) mà không làm tăng số lượng tham số huấn luyện, đạt hiệu suất phân loại cá thể vượt trội (ví dụ: Accuracy 96.61% trên Fish-Gres [Bảng 3-6, tr. 114]).
    • Minh chứng khả năng tự động hóa quá trình nuôi trồng thủy sản thông qua hệ thống IoT tích hợp cảm biến và cơ cấu chấp hành, cung cấp dữ liệu thời gian thực và khả năng điều khiển linh hoạt.
    • Đóng góp vào việc làm chủ công nghệ cốt lõi trong nước, từ thiết kế phần cứng điện tử đến phát triển phần mềm và thuật toán học sâu, giảm phụ thuộc vào giải pháp nước ngoài.

  2. Paradigm advancement với evidence: Luận án thúc đẩy sự chuyển đổi mô hình từ "nông nghiệp định tính" truyền thống sang "nông nghiệp chính xác" dựa trên dữ liệu và trí tuệ nhân tạo. Bằng chứng là việc hệ thống IoT cung cấp "số liệu thu thập, tổng hợp và phân tích thống kê" [Tổng quan về hệ thống IoT, tr. 22] liên tục về môi trường nước và cá thể, cho phép người nuôi "tự chủ, điều chỉnh mọi thứ để đạt được hiệu quả như mong muốn" [Tổng quan về hệ thống IoT, tr. 22]. Các thuật toán học sâu cung cấp thông tin "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" [Mở Đầu, tr. 17], cho phép quản lý thông minh và khoa học.

  3. 3+ new research streams opened: Nghiên cứu này mở ra ít nhất ba dòng nghiên cứu mới:

    • Nghiên cứu về Edge AI cho AIoT: Tập trung vào việc tối ưu hóa các mô hình học sâu để chạy trực tiếp trên các thiết bị IoT với tài nguyên hạn chế, giảm độ trễ và chi phí truyền dữ liệu.
    • Nghiên cứu về mô hình dự đoán sức khỏe và dịch bệnh thủy sản: Phát triển các hệ thống cảnh báo sớm dựa trên dữ liệu đa phương thức (môi trường, hình ảnh, âm thanh) và học sâu để nâng cao khả năng quản lý rủi ro.
    • Nghiên cứu về hệ thống điều khiển tự động thích ứng dựa trên Học tăng cường (Reinforcement Learning): Xây dựng các hệ thống điều khiển có khả năng tự học và thích ứng với các thay đổi môi trường và hành vi sinh vật để tối ưu hóa liên tục các thông số nuôi trồng.

  4. Global relevance với international comparison: Các phương pháp và giải pháp được đề xuất có ý nghĩa toàn cầu, đặc biệt cho các quốc gia có ngành nuôi trồng thủy sản phát triển mạnh mẽ và đối mặt với các thách thức tương tự về môi trường và hiệu quả sản xuất. So với các nghiên cứu quốc tế về phát hiện và đếm cá thể như của Fier et al. [70] và Sharif et al. [67], luận án này cung cấp một giải pháp toàn diện hơn, giải quyết sâu sắc các hạn chế về phân vùng ảnh. Hơn nữa, với việc tập trung vào việc làm chủ công nghệ và tạo ra một kiến trúc mở, nghiên cứu này mang lại lợi ích đặc biệt cho các nước đang phát triển trong việc giảm phụ thuộc vào công nghệ ngoại nhập và xây dựng năng lực nội bộ.

  5. Legacy measurable outcomes: Di sản của luận án này có thể đo lường được thông qua:

    • Sự chấp nhận và nhân rộng: Số lượng hộ nuôi hoặc trang trại thủy sản áp dụng hệ thống IoT và các thuật toán thông minh được phát triển.
    • Tăng trưởng năng suất và giảm chi phí: Dữ liệu định lượng về mức tăng năng suất và giảm chi phí vận hành (ước tính 15-25%) tại các trang trại triển khai.
    • Số lượng công trình khoa học được trích dẫn: Đóng góp vào cộng đồng học thuật thông qua số lượng trích dẫn các bài báo được công bố từ luận án (ước tính 50-100 trích dẫn trong 5 năm).
    • Ảnh hưởng chính sách: Các chính sách cấp quốc gia hoặc địa phương được ban hành dựa trên khuyến nghị của luận án, thúc đẩy nông nghiệp thông minh.
    • Phát triển nguồn nhân lực: Số lượng sinh viên, nghiên cứu sinh được đào tạo và có khả năng phát triển các giải pháp AIoT tiếp theo.