.ĐẠI

HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
----------

VŨ MINH THOẠI

NGHIÊN CỨU PHÁT TRIỂN MẠNG CẢM BIẾN KHÔNG DÂY
GIÁM SÁT HÀNH VI GIA SÚC SỬ DỤNG THUẬT TOÁN
PHÂN LOẠI HIỆU QUẢ ĐÁP ỨNG THỜI GIAN THỰC

LUẬN VĂN THẠC SĨ
CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ VIỄN THÔNG

Hà Nội - 2020


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
----------

VŨ MINH THOẠI

NGHIÊN CỨU PHÁT TRIỂN MẠNG CẢM BIẾN KHÔNG DÂY
GIÁM SÁT HÀNH VI GIA SÚC SỬ DỤNG THUẬT TOÁN
PHÂN LOẠI HIỆU QUẢ ĐÁP ỨNG THỜI GIAN THỰC

Ngành: Công nghệ kỹ thuật Điện tử,Viễn thông
Chuyên ngành: Kỹ thuật Điện tử

văn này tại Khoa Điện tử Viễn thông, Trường đại học Công nghệ.
Tôi xin cám ơn sự hỗ trợ từ đề tài “Nghiên cứu xử lý thông tin hành vi của bò dựa trên
chuyển động từ cảm biến nhằm nâng cao hiệu quả chăn nuôi”, mã số ĐLTE00.02/20-21.
Nghiên cứu này được thực hiện trong khuôn khổ đề tài mã số KC.01.21/16-20 tài
trợ bởi Bộ Khoa học và Công nghệ.
Tiếp theo, tôi cũng xin gửi lời cảm ơn sâu sắc tới các Thầy, các Cô và các anh chị
em trong Khoa đã luôn sẵn sàng giúp đỡ tạo điều kiện tốt nhất cho tôi trong quá trình
làm luận văn.
Mặc dù có nhiều cố gắng, song thời gian thực hiện luận văn có hạn, nên luận văn
còn nhiều hạn chế. Tôi rất mong nhận được nhiều sự góp ý, chỉ bảo của các thầy, cô để
hoàn thiện hơn luận văn của mình.
Tôi xin chân thành cảm ơn!
Hà Nội, ngày 25 tháng 8 năm 2020
Học viên

Vũ Minh Thoại

ii


TÓM TẮT
Ngành chăn nuôi, sản xuất sữa và thực phẩm là ngành kinh tế quan trọng trong
phát triển kinh tế xã hội và an ninh lương thực thế giới. Để bảo đảm sự phát triển bền
vững của các ngành này việc giám sát và chăm sóc sức khỏe của gia súc có vai trò rất
quan trọng và nó là nhu cầu thiết yếu đối với ngành chăn nuôi. Tại Việt Nam, có một
số công ty sữa lớn như TH Truemilk, VINAMILK, để nâng cao năng suất và chất
lượng sản phẩm, họ rất quan tâm đến vấn đề sức khoẻ của bò. Vì vậy, họ có nhu cầu
giám sát về thể chất và sinh lý của đàn gia súc càng thường xuyên càng tốt. Phát sinh
từ bản chất của những khó khăn liên quan đến việc quản lý trang trại với các khu chăn
thả lớn, các nhà chăn nuôi luôn luôn có nhu cầu "giám sát" động vật của họ một cách

1.2. NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC .............3
1.2.1 Tổng quan về các phương pháp học máy................................................................3
1.2.1.1. Giới thiệu về học máy ........................................................................................3
1.2.1.2. Các giải thuật học máy.......................................................................................4
1.2.2. Thuật toán phân cụm k-means..................................................................................5
1.2.3. Thuật toán máy vector hỗ trợ (SVM) ......................................................................6
1.2.4. Thuật toán cây quyết định .........................................................................................9
1.2.5. So sánh các loại thuật toán phân loại và nhận xét............................................... 12
CHƯƠNG 2. NỘI DUNG ĐỀ TÀI NGHIÊN CỨU..................................................... 14
2.1. NGHIÊN CỨU HỆ THỐNG THIẾT BỊ GIÁM SÁT HÀNH VI GIA SÚC ....... 14
2.1.1. Xây dựng mạng wsn ứng dụng cho giám sát hành vi gia súc........................... 14
Module Ra-02 (hình 2.3).................................................................................................. 19
Mạng không dây 2.4GHz trên dòng module nRF24 .................................................... 20
Module NRF24L01 ........................................................................................................... 23
Thiết bị gắn cảm biến ....................................................................................................... 26
Thiết bị LoRa Gateway .................................................................................................... 30
2.2. PHÂN LOẠI HÀNH VI GIA SÚC......................................................................... 32
2.2.1. Trạng thái hành vi gia súc ..................................................................................... 32
2.1.3. Xây dựng bộ tham số đánh giá phân loại gia súc................................................ 34
CHƯƠNG 3. KẾT QUẢ .................................................................................................... 37
3.1. HỆ THỐNG PHẦN CỨNG ..................................................................................... 37
3.2. THỬ NGHIỆM HỆ THỐNG ................................................................................... 37
3.3. KẾT QUẢ PHÂN LOẠI HÀNH VI SỬ DỤNG K-MEANS.............................. 37
3.4. MỘT SỐ SAI SỐ TRONG QUÁ TRÌNH THU DỮ LIỆU ................................. 37
KẾT LUẬN ........................................................................................................................... 46
TÀI LIỆU THAM KHẢO ................................................................................................. 47

iv



Hình 3.9. VeDBA của tập kiểm tra...................................................................................... 43
Hình 3.10. Quan hệ VeDBA – SCAY của tập kiểm tra ..................................................... 44
Hình 3.11. Chỉ số nhận dạng ước lượng (trên) và thực tế (dưới) ................................... 44
v


DANH MỤC BẢNG BIỂU

Bảng 1.1. So sánh các thuật toán phân loại........................................................................ 13
Bảng 2.1. Các tầng mạng của mạng không dây LoRa...................................................... 16
Bảng 2.2. Các lớp thiết bị trong mạng truyền thông LoRa .............................................. 18

vi


DANH MỤC VIẾT TẮT
Tiếng Anh đầyđủ

TiếngViệt

DBA

Dynamic Body Acceleration

Gia tốc cơ thể động

DBAx

Dynamic Body Acceleration of x-axis


Analog to Digital Converter

Bộ chuyển đội tương tự sang
số

UART

I2C

Universal asynchronous receiver /

Truyền nhận nối tiếp không

transmitter

đồng bộ

Inter-Integrated Circuit

Mạch chuyển đổi giao tiếp

vii


DANH MỤC KÍ HIỆU

Kí hiệu

Đơn vị


của người chăn nuôi. Hình thức giám sát phổ biến nhất hiện nay được dùng là sử dụng
mã vạch được gắn trên vật nuôi và ghi chép lại thông tin của từng con theo ngày, tuần,
tháng... Cách thức này gây nhiều bất tiện cho người chăm sóc. Một trong những hệ
được phát triển theo hình thức hiện đại hơn đó là hệ giám sát tự động tình trạng sức
khỏe và các thông số đặc thù theo mong muốn từ người chăn nuôi. Các hình thức giám
sát hiện đại giúp người chăn nuôi gia súc tiết kiệm được đáng kể thời gian giám sát và
nâng cao tính hiệu quả trong việc chăm sóc và phúc lợi cho vật nuôi. Sức khỏe và phúc
lợi chung của gia súc thường có thể được kiểm chứng và xác định theo mô hình hành
vi của bò. Hành vi vật lí của bò được báo cáo như một các phát hiện sớm các bệnh như
bệnh tim và chỉ thị về đau đớn, stress nhiệt và tương tác xã hội trong một đàn. Hành vi
thay đổi khi động vật ốm có thể bao gồm giảm hoạt độn thường ngày, hoạt động sinh
sản, ăn uống, chăm sóc và các hành vi xã hội khác. Việc giám sát bò được tập chung
theo ba hướng phổ biến nhất đó là giám sát phân loại hành vi của bò; phát hiện trấn
thương; xác định thời điểm sinh sản của bò.
Việt Nam là một nước có khí hậu nhiệt đới gió mùa, nơi có điều kiện phát triển
chăn nuôi gia súc. Một số công ty lớn chế biến sữa đã đi đầu trong việc áp dụng công
nghệ tiên tiến như TH True Milk đã áp dụng quy trình chăn nuôi bò sữa Israel, hay
Vinamilk mỗi con bò được đeo một chíp điện tử để giám sát qua hệ thống Alpro hiện
đại do Delaval cung cấp. Nhiều tỉnh thành trong cả nước (Hải Dương, Hà Nam, Nghệ
An, Bắc Giang, Sơn La...) đã có những đề án phát triển chăn nuôi gia súc, trong đó
nhấn mạnh đến chủ trương xây dụng trung tâm phát triển chăn nuôi gia súc theo hướng
quy mô lớn, hiệu quả, bán công nghiệp theo hướng tập chung. Nhiều địa phương đã
khuyến khích chuyển đổi trồng lúa sang trồng ngô, trồng cỏ phục vụ chăn nuôi; trong
1


đó quy hoạch hạ tầng: đường trục; hệ thống chuồng nuôi gia súc; đường điện, nước...;
có thiết kế mẫu hệ thống chuồng chăn nuôi. Có thể thấy rằng việc áp dụng kĩ thuật
hiện đại giúp nâng cao chất lượng sản phẩm, tăng năng suất lao động, cải tiến kĩ thuật
về giống, chăm sóc, thú y...

này sử dụng các tập dữ liệu đã biết để xây dựng nên mô hình, sau đó sử dụng mô hình
này để dự đoán để dự đoán cho tập dữ liệu mới. Thuật toán học máy không có giám sát
khám phá dữ liệu để tìm mô hình ẩn hoặc cụm dữ liệu đầu vào trong các lớp với tính
chất thống kê tương tự. Thuật toán học máy có giám sát có thể kể đến là: máy vector
hỗ trợ (SVM). Thuật toán học máy không có giám sát là: thuật toán cây quyết định, kmean và mô hình Markov ẩn (HMM). Mỗi thuật toán đều có ưu và nhược điểm khác
nhau. SVM và HMM đi kèm với chi phí tính toán lớn, làm cho việc thực hiện một
thuật toán như vậy bên trong một thiết bị sinh học từ xa là không thực tế. Tuy nhiên
thuật toán cây quyết định có chi phí tính toán thấp hơn nhiều và dễ dành được thực
hiện trong thời gian thực. Bên cạnh đó, SVM lại có độ chính xác cao trong khi cây
quyết định lại cho độ nhạy cao [4].
1.1.3. Tình hình nghiên cứu trong nước
Hiện nay, ở Việt Nam chưa có nhiều nghiên cứu về giám sát hoạt động của bò.
Có một nhóm nghiên cứu về giám sát hoạt động, hỗ trợ chăm sóc sức khỏe là một số
cán bộ trong Khoa Điện tử viễn thông – Trường đại học Công nghệ, nhóm đã có một
số kết quả tốt theo hướng này. Trong bài báo [1] các tác giả đã đưa ra mô hình giám
sát hành vi trên bò bao gồm thiết bị gắn ở chân bò để đếm số bước chân và thiết bị gắn
trên cổ bò để thu dữ liệu gia tốc ở cổ. Hai thiết bị này kết nối không dây với nhau tạo
thành một nút mạng để thu dữ liệu giúp giám sát hành vi của bò. Tuy nhiên đây mới là
mô hình chưa triển khai thực nghiệm và chưa đưa ra thuật toán xử lý dữ liệu. Trong
bài báo [3] nhóm tác giả đã tiến hành chế tạo một thiết bị thu dữ liệu gia tốc ở cổ và
chân bò và lưu vào thẻ nhớ. Dữ liệu offline sau đó được dùng để phân loại một số
hành vi cơ bản của bò thông qua thuật toán cây quyết định. Có thể thấy rằng thiết bị
còn đơn giản, việc lấy dữ liệu từ thẻ nhớ vấn thủ công. Việc xử lý dữ liệu chỉ dùng
thuật toán cây quyết định nên hiệu quả và độ chính xác chưa cao.
1.2. NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC
1.2.1 Tổng quan về các phương pháp học máy
1.2.1.1. Giới thiệu về học máy
Học máy, có tài liệu gọi là máy học, là một lĩnh vực của trí tuệ nhân tạo liên quan
đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ


hồi từ môi trường. Sau đó máy tính tìm cách chỉnh sửa cách ra quyết định hành động
của mình.

4


Trong luận văn này, thuật toán SVM và decission-tree là học có giám sát, thuật
toán k-means là học không giám sát.
1.2.2. Thuật toán phân cụm k-means
Phân cụm là kỹ thuật quan trọng trong khai phá dữ liệu, nó thuộc lớp các phương
pháp “Học không giám sát” trong Học Máy. Có rất nhiều định nghĩa khác nhau về kỹ
thuật này, nhưng về bản chất ta có thể hiểu phân cụm là các qui trình tìm cách nhóm
các đối tượng đã cho vào các cụm (clusters), sao cho các đối tượng trong cùng 1 cụm
tương tự nhau và các đối tượng khác cụm thì không tương tự nhau.
Mục đích của phân cụm là tìm ra bản chất bên trong các nhóm của dữ liệu. Các
thuật toán phân cụm đều sinh ra các cụm. Tuy nhiên, không có tiêu chí nào là được
xem là tốt nhất của của phân tích phân cụm, điều này phụ thuộc vào mục đích của
phân cụm như: data reduction, “natural clusters”, “usefull” clusters, outlier detection.
Khác với việc phân lớp đối tượng, nhãn của lớp là chưa biết. Điều này xảy ra
thường xuyên với những cơ sở dữ liệu lớn, vì việc gán nhãn lớp cho số lượng đối
tượng dữ liệu lớn là một quá trình tốn kém. Việc phân cụm rất có ích trong đưa ra cái
nhìn tổng quan trên toàn thể dữ liệu.
K-means là thuật toán rất quan trọng và được sử dụng phổ biến trong kỹ thuật
phân cụm. Tư tưởng chính của thuật toán k-means là tìm cách phân nhóm các đối
tượng đã cho vào K cụm (K là số các cụm được xác định trước, K nguyên dương) sao
cho tổng bình phương khoảng cách giữa các đối tượng đến tâm nhóm là nhỏ nhất.
Thuật toán k-means thực hiện qua các bước chính sau:
a) Chọn ngẫu nhiên K tâm cho K cụm. Mỗi cụm được đại diện bằng các tâm của cụm.
b) Tính khoảng cách giữa các đối tượng đến K tâm (thường dùng khoảng cách
Euclidean).


Thuật toán máy vector hỗ trợ (SVM)

Thực tế đặt ra nhu cầu là từ một cơ sở dữ liệu với nhiều thông tin ẩn con người
có thể trích rút ra các quyết định nghiệp vụ thông minh. Phân lớp và dự đoán là hai
dạng của phân tích dữ liệu nhằm trích rút ra một mô hình mô tả các lớp dữ liệu quan
trọng hay dự đoán xu hướng dữ liệu tương lai. Phân lớp dự đoán giá trị của những
nhãn xác định hay những giá trị rời rạc, có nghĩa là phân lớp thao tác với những đối
tượng dữ liệu mà có bộ giá trị là biết trước. Trong khi đó, dự đoán lại xây dựng mô
hình với các hàm dạng giá trị liên tục. Ví dụ mô hình phân lớp dự báo thời tiết có thể
cho biết thời tiết ngày mai là mưa, hay nắng dựa vào những thông số về độ ẩm, sức
gió, nhiệt độ, … của ngày hôm nay và các ngày trước đó. Hay nhờ các luật về xu
hướng mua hàng của khách hàng trong siêu thị, các nhân viên kinh doanh có thể ra
những quyết sách đúng đắn về lượng mặt hàng cũng như chủng loại bày bán… Một

6


mô hình dự đoán có thể dự đoán được tiền lương tiêu dùng của các khách hàng tiềm
năng dựa trên những thông tin về thu nhập và nghề nghiệp của khách hàng.
Bài toán phân lớp dữ liệu là quá trình phân lớp một đối tượng dữ liệu vào một
hay nhiều lớp cho trước nhờ một mô hình phân lớp mà mô hình này được xây dựng
dựa trên một tập hợp các đối tượng dữ liệu đã được gán nhãn từ trước gọi là tập dữ
liệu học (tập huấn luyện). Quá trình phân lớp còn được gọi là quá trình gán nhãn cho
các đối tượng dữ liệu.
Như vậy, nhiệm vụ của bài toán phân lớp dữ liệu là cần xây dựng mô hình phân
lớp để khi có một dữ liệu mới vào thì mô hình phân lớp sẽ cho biết dữ liệu đó thuộc
lớp nào.
Quá trình phân lớp dữ liệu gồm hai bước:
 Bước thứ nhất là quá trình học:

toán học chặt chẽ để đảm bảo rằng kết quả tìm được là chính xác.
 Là thuật toán học giám sát được sử dụng cho phân lớp dữ liệu.
 Là 1 phương pháp thử nghiệm, là 1 trong những phương pháp mạnh và chính
xác nhất trong số các thuật toán nổi tiếng về phân lớp dữ liệu.
 SVM là một phương pháp có tính tổng quát cao nên có thể được áp dụng cho
nhiều loại bài toán nhận dạng và phân loại.
Hình 1.2 dưới đây minh họa về tìm biên lớn nhất của thuật toán SVM:

Hình 1.2. Thuật toán SVM
Ý tưởng của phương pháp SVM là cho trước một tập huấn luyện, được biểu diễn
trong không gian vector, trong đó mỗi tài liệu là một điểm, phương pháp này tìm ra

8


một siêu phẳng quyết định tốt nhất có thể chia các điểm trên không gian này thành hai
lớp riêng biệt tương ứng là lớp + và lớp o. Một siêu phẳng là một hàm tương tự như
phương trình đường thẳng y = ax + b. Trong thực tế, nếu ta cần phân lớp tập dữ liệu
chỉ gồm 2 tính năng, siêu phẳng lúc này chính là một đường thẳng. Chất lượng của
siêu phẳng này được quyết định bởi khoảng cách (gọi là biên) của điểm dữ liệu gần
nhất của mỗi lớp đến mặt phẳng này. Khi đó, khoảng cách biên càng lớn thì mặt phẳng
quyết định càng tốt, đồng thời việc phân loại càng chính xác.Mục đích của phương
pháp SVM là tìm được khoảng cách biên lớn nhất.
Thuật toán SVM được thực hiện qua các bước sau:
 Chuyển dữ liệu đầu vào về dạng số của SVM.
 Tiền xử lý dữ liệu: Thực hiện biến đổi dữ liệu phù hợp cho quá trình tính toán,
tránh các số quá lớn mô tả các thuộc tính. Nên co giãn dữ liệu để chuyển về đoạn [-1,
1] hoặc [0, 1].
 Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân phù hợp tương ứng cho từng bài
toán cụ thể để đạt được độ chính xác cao trong quá trình phân lớp.

định để có thể cải thiện tỉ lệ phân loại.
Cây quyết định cũng là một phương tiện có tính mô tả dành cho việc tính toán
các xác suất có điều kiện.
Ưu điểm của cây quyết định:
 Dễ dàng chuyển đổi:
Cây quyết định có khả năng sinh ra các quy tắc có thể chuyển đổi được sang dạng
tiếng Anh, hoặc các câu lệnh SQL. Đây là ưu điểm nổi bật của kỹ thuật này. Thậm chí
với những tập dữ liệu lớn khiến cho hình dáng cây quyết định lớn và phức tạp, việc đi
theo bất cứ đường nào trên cây là dễ dàng theo nghĩa phổ biến và rõ ràng. Do vậy sự
giải thích cho bất cứ một sự phân lớp hay dự đoán nào đều tương đối minh bạch.
 Khả năng thực thi trong những lĩnh vực hướng quy tắc:
Điều này có nghe có vẻ hiển nhiên, nhưng quy tắc quy nạp nói chung và cây quyết
định nói riêng là lựa chọn hoàn hảo cho những lĩnh vực thực sự là các quy tắc. Rất nhiều
lĩnh vực từ di truyền tới các quá trình công nghiệp thực sự chứa các quy tắc ẩn, không rõ
ràng do khá phức tạp và tối nghĩa bởi những dữ liệu lỗi. Cây quyết định là một sự lựa
chọn tự nhiên khi chúng ta nghi ngờ sự tồn tại của các quy tắc ẩn, không rõ ràng.
 Dễ dàng tính toán trong khi phân lớp:

10


Mặc dù như chúng ta đã biết, cây quyết định có thể chứa nhiều định dạng, nhưng
trong thực tế, các thuật toán sử dụng để tạo ra cây quyết định thường tạo ra những cây
với số phân nhánh thấp và các kiểm tra đơn giản tại từng node. Những kiểm tra điển
hình là: so sánh số, xem xét phần tử của một tập hợp, và các phép nối đơn giản. Khi
thực thi trên máy tính, những kiểm tra này chuyển thành các toán hàm logic và số
nguyên là những toán hạng thực thi nhanh và không đắt. Đây là một ưu điểm quan
trọng bởi trong môi trường thương mại, các mô hình dự đoán thường được sử dụng để
phân lớp hàng triệu thậm chí hàng tỉ bản ghi.
 Khả năng xử lý với cả thuộc tính liên tục và thuộc tính rời rạc:

tiêu chuẩn phân chia) trên từng thuộc tính, với thuộc tính liên tục phải thêm thao tác sắp
xếp lại tập dữ liệu theo thứ tự giá trị của thuộc tính đó. Sau đó mới có thể chọn được một
thuộc tính phát triển và tương ứng là một phân chia tốt nhất. Một vài thuật toán sử dụng tổ
hợp các thuộc tính kết hợp với nhau có trọng số để phát triển cây quyết định. Quá trình cắt
cụt cây cũng “đắt” vì nhiều cây con ứng cử phải được tạo ra và so sánh.
1.2.5. So sánh các loại thuật toán phân loại và nhận xét
Các phương pháp phân lớp và phân cụm có thể được so sánh dựa trên các tiêu
chuẩn sau:
 Độ chính xác dự đoán
Độ chính xác là khả năng của mô hình để dự đoán chính xác nhãn lớp của dữ liệu
mới hay dữ liệu chưa biết.
 Tốc độ
Tốc độ là những chi phí tính toán liên quan đến quá trình tạo ra và sử dụng mô hình.
 Sức mạnh
Sức mạnh là khả năng mô hình tạo ta những dự đoán đúng từ những dữ liệunhiễu
hay dữ liệu với những giá trị thiếu.
 Khả năng mở rộng
Khả năng mở rộng là khả năng thực thi hiệu quả trên lượng lớn dữ liệu của mô
hình đã học.
 Tính hiểu được
Tính hiểu được là mức độ hiểu và hiểu rõ những kết quả sinh ra bởi mô hình đã học.
 Tính đơn giản
Tính đơn giản liên quan đến kích thước của cây quyết định hay độ cong của các luật

12


cho chúng ta thấy sự so sánh của các thuật toán phân loại dựa trên các thuộc tính trên.
Thuật Toán



-

Độ chính xác dự đoán cao nhất

-

Tốc độ thực thi chậm

-

Sức mạnh tốt

-

Khả năng mở rộng cao

-

Tính hiểu được tốt

-

Độ phức tạp cao

-

Độ chính xác dự đoán cao
Tốc độ thực thi nhanh


Trong luận văn này đề xuất và trình bày, sử dụng hai mạng cảm biến không dây
cho việc giám sát hành vi của gia súc.
Một là sử dụng chuẩn truyền thông không dây 2.4GHz để giao tiếp các nút được
gắn trên các cá thể. Dùng trong trường hợp để tăng tính chính xác khi xác định trạng
thái bằng cách sử dụng nhiều các cảm biến khác nhau. Mạng 2.4GHz còn đảm bảo
được tính tiết kiệm do chỉ cần yêu cầu truyền thông giao tiếp với nhau trong khoảng
cách rất nhỏ, chỉ trong nội bộ các cá thể. Với 125 kênh truyền khác nhau, khi tận dụng
lại tần số thì khoảng cách giữa hai cá thể để liên lạc giữa các nút với nhau là không
đáng kể so với khoảng cách giữa hai cá thể sử dụng chung một tần số. Khoảng cách
giữa hai nút sử dụng mạng 2.4GHz là khá gần nên có thể tận dụng lại tần số đã cấp
phát trước đó cho cá thể thứ 126 sau khi đã sử dụng hết 125 kênh truyền.
Hai là đề xuất sử dụng mạng cảm biến không dây LoRa. Ưu điểm lớn nhất của
LoRa đó là khoảng cách giao tiếp rất rộng và xa. Theo Semtech, tín hiệu của mạng
LoRaWAN có thể liên lạc giữa hai gateway với nhau khoảng cách lên đến khoảng
30km trong điều kiện lý tưởng. Với khoảng cách giao tiếp lớn như vậy giúp hạn
chế tối đa việc các nút trong mạng hoạt động hết công suất để giữ liên lạc, truyền
dữ liệu nối tiếp, tăng tuổi thọ thiết bị. Cũng theo Semtech, năng lượng sử dụng cho
truyền thông LoRa là rất rất ít, trong điều kiện thử nghiệm, nguồn năng lượng đến
từ pin có thể cho thời gian sử dụng lên đến 10 năm và mỗi gateway của truyền
thông LoRa có thể đảm nhiệm việc giữ liên lạc cũng như có khả năng giao tiếp
khoảng 1000 thiết bị LoRa đầu cuối. Hình 2.1 mô tả vị trí có thể gắn cảm biến để
giám sát chuyển động gia súc.

14


Hình 2.1. Mô tả vị trí của các thiết bị trên cá thể gia súc
2.1.2. Mạng không dây LoRa
LoRa là viết tắt của “Long Range” có nghĩa là khoảng cách lớn, cũng là nêu ra
lợi thế chính của công nghệ không dây này. Nhiều hệ thống không dây cũ sử dụng