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
Mã số:

8510302.01

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 tơi trong q trình
làm luận văn.
Mặc dù có nhiều cố gắng, song thời gian thực hiện luận văn có hạn, nên luận văn
cịn nhiều hạn chế. Tơi rất mong nhận được nhiều sự góp ý, chỉ bảo của các thầy, cơ để
hồn thiện hơn luận văn của mình.
Tơi xin chân thành cảm ơn!
Hà Nội, ngày 25 tháng 8 năm 2020
Học viên

Vũ Minh Thoại

ii


TĨM TẮT
Hiện nay, ngành chăn ni sản xuất sữa và thực phẩm đang có nhiều bước phát
triển mạnh tại nước ta. Là ngành kinh tế quan trọng để phát triển kinh tế xã hội và an
ninh lương thực. 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 trị rất quan trọng và nó là nhu cầu thiết yếu
đối với ngành chăn nuôi. Tại Việt Nam, có một số trang trại chăn ni bị sữa lớn để
nâng cao năng suất và chất lượng sản phẩm, họ rất quan tâm đến vấn đề sức khoẻ của
bị. 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 ni ln ln có nhu cầu "giám sát"
động vật của họ một cách tự động và tiết kiệm chi phí nhất. Cơng nghệ mạng cảm biến
không dây là một giải pháp khả thi cho vấn đề này. Trong các thông tin cần cho việc
chăn sóc sức khỏe gia súc thì hành vi là một trong những cơ sở quan trọng và nhạy

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) .................................................................7
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 khơng dây 2.4GHz trên dòng module nRF24 .................................................20
Module NRF24L01 ...................................................................................................23
Thiết bị gắn cảm biến ................................................................................................ 25
Thiết bị LoRa Gateway ............................................................................................. 29
2.2. PHÂN LOẠI HÀNH VI GIA SÚC ....................................................................31
2.2.1. Trạng thái hành vi gia súc ...............................................................................31
2.1.3. Xây dựng bộ tham số đánh giá phân loại gia súc .............................................33
CHƯƠNG 3. KẾT QUẢ.............................................................................................. 36
3.1. HỆ THỐNG PHẦN CỨNG ...............................................................................36
3.2. THỬ NGHIỆM HỆ THỐNG .............................................................................36
3.3. KẾT QUẢ PHÂN LOẠI HÀNH VI SỬ DỤNG K-MEANS ............................ 36
3.4. MỘT SỐ SAI SỐ TRONG QUÁ TRÌNH THU DỮ LIỆU ............................... 36
KẾT LUẬN ..................................................................................................................45
TÀI LIỆU THAM KHẢO...........................................................................................46

iv


DANH MỤC HÌNH VẼ
Hình 1.1. Sơ đồ giải thuật tốn k-means .........................................................................7
Hình 1.2. Thuật tốn SVM ............................................................................................... 8

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

Gia tốc cơ thể động trục x

DBAy


ADC

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

VeDBA

sử dụng mã vạch được gắn trên vật nuôi và ghi chép lại thông tin của từng con theo
ngày, tuần, tháng... Việc sử dụng cách này gây nhiều bất tiện cho người chăm sóc.
Hướng phát triển theo hình thức hiện đại hơn đó là hệ giám sát tự động tình trạng sức
khỏe và các thơng số đặc thù theo mong muốn từ người chăn nuôi. Các hình thức giám
sát hiện đại giúp người chăn ni 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 mơ hình hành
vi của bị. Hành vi vật lí của bị 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 ni bị sữa Israel, hay
Vinamilk mỗi con bị 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 ni 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 ni gia súc; đường điện, nước...;
có thiết kế mẫu hệ thống chuồng chăn ni. 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...
1.1.2. Tình hình nghiên cứu quốc tế

này để dự đốn để dự đốn cho tập dữ liệu mới. Thuật tốn học máy khơng có giám sát
khám phá dữ liệu để tìm mơ hình ẩn hoặc cụm dữ liệu đầu vào trong các lớp với tính
chất thống kê tương tự. Thuật tốn học máy có giám sát có thể kể đến là: máy vector
hỗ trợ (SVM). Thuật tốn học máy khơng có giám sát là: thuật tốn cây quyết định, kmean và mơ hình Markov ẩn (HMM). Mỗi thuật tốn đều có ưu và nhược điểm khác
nhau. SVM và HMM đi kèm với chi phí tính tốn lớn, làm cho việc thực hiện một
thuật toán như vậy bên trong một thiết bị sinh học từ xa là khơng thực tế. Tuy nhiên
thuật tốn cây quyết định có chi phí tính tốn 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 bị.
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 thơng – Trường đại học Cơng 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 bị 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
mơ 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 bị thơng qua thuật tốn cây quyết định. Có thể thấy rằng thiết bị
cịn 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

3

- Học có giám sát: Học có giám sát hay cịn gọi là học có thầy là thuật tốn dự đốn
nhãn (label)/đầu ra (output) của một dữ liệu mới dựa trên tập dữ liệu huấn luyện mà
trong đó mỗi mẫu dữ liệu đều đã được gán nhãn. Dữ liệu huấn luyện bao gồm các cặp
gồm đối tượng đầu vào (thường dạng vec-tơ), và đầu ra mong muốn. Đầu ra của một
hàm có thể là một giá trị liên tục (gọi là hồi qui), hay có thể là dự đốn một nhãn phân
loại cho một đối tượng đầu vào (gọi là phân loại). Phương pháp này sử dụng cho các
bài toán phân lớp.
- Học không giám sát: hay học không thầy là thuật toán dự đoán nhãn của một dữ liệu
mới dựa trên tập dữ liệu huấn luyện mà trong đó tất cả các mẫu dữ liệu đều chưa được
gán nhãn hay nói cách khác là ta khơng biết câu trả lời chính xác cho mỗi dữ liệu đầu
vào. Khi đó, mục tiêu của thuật tốn unsupervised learning khơng phải là tìm đầu ra
chính xác mà sẽ hướng tới việc tìm ra cấu trúc hoặc sự liên hệ trong dữ liệu để thực
hiện một cơng việc nào đó, ví như gom cụm (clustering) hoặc giảm số chiều của dữ
liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính tốn.
Các bài toán Unsupervised learning tiếp tục được chia nhỏ thành hai loại là phân cụm
(Clustering) và luật kết hợp (Association Rule).

4


- Học máy bán giám sát: là một lớp của kỹ thuật học máy, sử dụng cả dữ liệu đã
gán nhãn và chưa gán nhãn để huấn luyện - điển hình là một lượng nhỏ dữ liệu có gán
nhãn cùng với lượng lớn dữ liệu chưa gán nhãn. Học bán giám sát đứng giữa học
khơng giám sát (khơng có bất kì dữ liệu đã được nhãn nào) và có giám sát (toàn bộ dữ
liệu đều được gán nhãn).
- Học tăng cường: Máy tính đưa ra quyết định hành động và nhận kết quả phản
hồi từ mơi trường. Sau đó máy tính tìm cách chỉnh sửa cách ra quyết định hành động
của mình.
Trong luận văn này, thuật tốn SVM và decission-tree là học có giám sát, thuật
tốn k-means là học khơng giám sát.

Bước 1: Khởi tạo K điểm dữ liệu trong bộ dữ liệu và tạm thời coi nó là tâm của các
cụm dữ liệu. Mỗi cụm được đại diện bằng các tâm của cụm.
Bước 2: Với mỗi điểm dữ liệu trong bộ dữ liệu, tâm cụm của nó sẽ được xác định
là 1 trong K tâm cụm gần nó nhất.
Bước 3: Sau khi tất cả các điểm dữ liệu đã có tâm, tính tốn lại vị trí của tâm cụm
để đảm bảo tâm của cụm nằm ở chính giữa cụm.
Bước 4: Bước 2 và bước 3 sẽ được lặp đi lặp lại cho tới khi vị trí của tâm cụm
khơng thay đổi hoặc tâm của tất cả các điểm dữ liệu không thay đổi.
Sơ đồ dưới đây mơ tả thuật tốn k-means

6


Hình 1.1. Sơ đồ giải thuật tốn k-means
Thuật tốn k-means là một thuật toán đơn giản, đệ quy (lặp đi lặp lại nhiều lần)
nên chi phí tính tốn sẽ lớn.
1.2.3.

Thuật toán máy vector hỗ trợ (SVM)

Thuật toán máy vector hỗ trợ (Support Vector Machines - SVM) được Corters và
Vapnik giới thiệu vào năm 1995. SVM rất hiệu quả để giải quyết các bài tốn với dữ
liệu có số chiều lớn như các vector biểu diễn văn bản. Thuật toán SVM ban đầu chỉ
được thiết kế để giải quyết bài toán phân lớp nhị phân tức là số lớp hạn chế là hai lớp.
Hiện nay, SVM được đánh giá là bộ phân lớp chính xác nhất cho bài tốn phân
lớp văn bản, bởi vì đó là bộ phân lớp tốc độ rất nhanh và hiệu quả đối với bài
toán phân lớp văn bản
Phương pháp SVM được coi là phương pháp hiệu quả để giải quyết bài toán phân lớp
với dữ liệu có số chiều lớn như các vector biểu diễn văn bản. Về mặt lý thuyết, thuật
toán phân lớp nhị phân này cũng có thể sử dụng cho bài tốn phân lớp đa lớp bằng

Thuật toán SVM được thực hiện qua các bước sau:
8


 Chuyển dữ liệu đầu vào về dạng số của SVM.
 Tiền xử lý dữ liệu: Thực hiện biến đổi dữ liệu phù hợp cho q trình tính tốn,
tránh các số q lớn mơ 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 q trình phân lớp.
 Thực hiện việc kiểm tra chéo để xác định các tham số cho ứng dụng. Điều này
cũng quyết định đến tính chính xác của q trình phân lớp.
 Sử dụng các tham số cho việc huấn luyện với tập mẫu. Trong q trình huấn
luyện sẽ sử dụng thuật tốn tối ưu hóa khoảng cách giữa các siêu phẳng trong q trình
phân lớp, xác định hàm phân lớp trong khơng gian đặc trưng nhờ việc ánh xạ dữ liệu
vào không gian đặc trưng bằng cách mô tả hạt nhân, giải quyết cho cả hai trường hợp
dữ liệu là phân tách và khơng phân tách tuyến tính trong khơng gian đặc trưng.
 Kiểm thử tập dữ liệu Kiểm tra.
1.2.4. Thuật toán cây quyết định
Trong lĩnh vực học máy, cây quyết định là một kiểu mơ hình dự báo, nghĩa là
một ánh xạ từ các quan sát về một sự vật/hiện tượng tới các kết luận về giá trị mục tiêu
của sự vật/hiện tượng. Mỗi một nút trong tương ứng với một biến; đường nối giữa nó
với nút con của nó thể hiện một giá trị cụ thể cho biến đó. Mỗi nút đại diện cho giá trị
dự đoán của biến mục tiêu, cho trước các giá trị của các biến được biểu diễn bởi đường
đi từ nút gốc tới nút đó. Kỹ thuật học máy dùng trong cây quyết định được gọi là học
bằng cây quyết định, hay chỉ gọi với cái tên ngắn gọn là cây quyết định.
Cây quyết định cũng nằm trong bài tốn phân lớp (học có giám sát). Để xây dựng
cây quyết định cũng cần phải có 2 bước là “Học” và “Phân lớp”.
Học bằng cây quyết định cũng là một phương pháp thông dụng trong khai phá dữ
liệu. Khi đó, cây quyết định mơ tả một cấu trúc cây, trong đó, các lá đại diện cho các

thực thi trên máy tính, những kiểm tra này chuyển thành các toán hàm logic và số
ngun là những tốn hạng thực thi nhanh và khơng đắt. Đây là một ưu điểm quan
trọng bởi trong môi trường thương mại, các mơ hình dự đốn 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:
Cây quyết định xử lý “tốt” như nhau với thuộc tính liên tục và thuộc tính rời rạc.
Tuy rằng với thuộc tính liên tục cần nhiều tài ngun tính tốn hơn. Những thuộc tính
10


rời rạc đã từng gây ra những vấn đề với mạng neural và các kỹ thuật thống kê lại thực
sự dễ dàng thao tác với các tiêu chuẩn phân chia trên cây quyết định: mỗi nhánh tương
ứng với từng phân tách tập dữ liệu theo giá trị của thuộc tính được chọn để phát triển
tại node đó. Các thuộc tính liên tục cũng dễ dàng phân chia bằng việc chọn ra một số
gọi là ngưỡng trong tập các giá trị đã sắp xếp của thuộc tính đó. Sau khi chọn được
ngưỡng tốt nhất, tập dữ liệu phân chia theo test nhị phân của ngưỡng đó.
 Thể hiện rõ ràng những thuộc tính tốt nhất:
Các thuật tốn xây dựng cây quyết định đưa ra thuộc tính mà phân chia tốt nhất
tập dữ liệu đào tạo bắt đầu từ node gốc của cây. Từ đó có thể thấy những thuộc tính
nào là quan trọng nhất cho việc dự đoán hay phân lớp.
Nhược điểm cây quyết định:
Dù có những sức mạnh nổi bật trên, cây quyết định vẫn khơng tránh khỏi có những
điểm yếu. Đó là cây quyết định khơng thích hợp lắm với những bài toán với mục tiêu là
dự đoán giá trị của thuộc tính liên tục như thu nhập, huyết áp hay lãi xuất ngân hàng, …
Cây quyết định cũng khó giải quyết với những dữ liệu thời gian liên tục nếu không bỏ ra
nhiều công sức cho việc đặt ra sự biểu diễn dữ liệu theo các mẫu liên tục.
 Dễ xảy ra lỗi khi có quá nhiều lớp:
Một số cây quyết định chỉ thao tác với những lớp giá trị nhị phân dạng có/khơng
hay đồng ý/từ chối. Số khác lại có thể chỉ định các bản ghi vào một số lớp bất kỳ,
nhưng dễ xảy ra lỗi khi số ví dụ đào tạo ứng với một lớp là nhỏ. Điều này xảy ra càng

Tính đơn giản liên quan đến kích thước của cây quyết định hay độ cong của các luật
cho chúng ta thấy sự so sánh của các thuật toán phân loại dựa trên các thuộc tính trên.
Thuật Tốn

Các thuộc tính

K-means

-

Độ chính xác dự đoán cao
Tốc độ thực thi chậm, cần phân cụm
Sức mạnh yếu
Khả năng mở rộng thấp
Tính hiểu được tốt
Đơn giản, dễ dùng

Máy vector hỗ trợ

-

Độ chính xác dự đốn cao nhất
Tốc độ thực thi chậm
Sức mạnh tốt
Khả năng mở rộng cao

12


Cây quyết định

chọn vì có thể áp dụng ngay cả trên các vi điều khiển cấu hình thấp.

13


CHƯƠNG 2. NỘI DUNG ĐỀ TÀI NGHIÊN CỨU
2.1. NGHIÊN CỨU HỆ THỐNG THIẾT BỊ GIÁM SÁT HÀNH VI GIA SÚC
2.1.1. Xây dựng mạng wsn ứng dụng cho giám sát hành vi gia súc
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 cịn 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 thơng 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
thơng 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 mơ tả vị trí có thể gắn cảm biến để
giám sát chuyển động gia súc.