Luận văn thạc sĩ: Ứng dụng kỹ thuật học sâu trong đánh giá chất lượng xoài thu hoạch

• Tác giả: Võ Thị Phương
• Người hướng dẫn: TS. Phan Học
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Đánh Giá Chất Lượng Xoài Thu Hoạch Bằng Kỹ Thuật Học Sâu Tại HCMUTE
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Tp. Hồ Chí Minh

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. MỤC TIÊU CỦA ĐỀ TÀI
• 1.2. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.3. BỐ CỤC
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. GIỚI THIỆU
• 2.2. TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
• 2.2.1. Tình hình trong nước
• 2.2.2. Tình hình nghiên cứu ở nước ngoài
• 2.3. CÁC CÁCH PHÂN LOẠI
• 2.3.1. Sử dụng cảm biến màu
• 2.3.2. Phương pháp quét laser
• 2.3.3. Phương pháp phân loại và đánh giá thủ công
• 2.4. TỔNG QUAN VỀ MACHINE VÀ DEEP LEARNING
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG
• 3.1. THIẾT KẾ, TÍNH TOÁN PHẦN CỨNG THIẾT BỊ
• 3.2. SƠ ĐỒ TỔNG QUAN THUẬT TOÁN HỆ THỐNG
• 3.3. PHÂN LOẠI BỆNH CỦA XOÀI
• 3.4. CHỌN MODEL VÀ IMPORT THƯ VIỆN
• 3.5. BIÊN DỊCH MÔ HÌNH
• 3.6. THIẾT KẾ GIAO DIỆN
• 3.7. KẾT LUẬN CHƯƠNG 3
• 4. KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. KẾT QUẢ THỰC NGHIỆM TRÊN ẢNH VỚI GIAO DIỆN
• 4.2. ĐÁNH GIÁ HỆ THỐNG
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. KẾT LUẬN
• 5.2. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

I. Giới thiệu

Xoài là loại trái cây có giá trị kinh tế cao và được ưa chuộng. Tuy nhiên, trong quá trình thu hoạch và phân loại, chất lượng sản phẩm thường bị giảm sút do phương pháp thủ công. Việc áp dụng kỹ thuật học sâu vào đánh giá chất lượng xoài thu hoạch là một giải pháp tiềm năng nhằm nâng cao hiệu quả phân loại và giảm thiểu thiệt hại cho nông dân. Nghiên cứu này tập trung vào việc phát triển một mô hình sử dụng học sâu để phân loại các loại xoài đạt chất lượng và bị bệnh, từ đó cải thiện quy trình sản xuất nông sản.

1.1 Tính cấp thiết của đề tài

Ngành công nghiệp chế biến trái cây tại Việt Nam chủ yếu là các doanh nghiệp vừa và nhỏ, chưa có sự tự động hóa trong quy trình phân loại. Điều này dẫn đến việc tiêu tốn nhiều nhân lực và thời gian, đồng thời gây ra sai số trong quá trình phân loại. Việc áp dụng công nghệ nhận diện hình ảnh và học sâu sẽ giúp cải thiện quy trình này, đảm bảo chất lượng sản phẩm và giảm thiểu chi phí.

II. Cơ sở lý thuyết

Nghiên cứu này dựa trên nền tảng lý thuyết về học sâu và machine learning. Các mô hình như MobileNet được sử dụng để phân loại hình ảnh xoài. Dữ liệu đầu vào bao gồm hình ảnh của xoài bị bệnh và đạt chất lượng. Mô hình được huấn luyện trên nền tảng TensorFlow, cho phép phân loại chính xác các loại bệnh của xoài. Kết quả cho thấy tỷ lệ chính xác đạt khoảng 70-80%, cho thấy tính khả thi của phương pháp này trong việc đánh giá chất lượng nông sản.

2.1 Tổng quan về học sâu

Học sâu là một nhánh của machine learning, sử dụng các mạng nơ-ron để phân tích và nhận diện hình ảnh. Các mô hình như CNN (Convolutional Neural Networks) cho phép máy tính học từ dữ liệu lớn và thực hiện các tác vụ phân loại với độ chính xác cao. Việc áp dụng học sâu trong nông nghiệp, đặc biệt là trong đánh giá chất lượng xoài, mở ra hướng đi mới cho ngành nông sản Việt Nam.

III. Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thu thập dữ liệu hình ảnh xoài và áp dụng các thuật toán học sâu để phân loại. Mô hình được xây dựng dựa trên MobileNet, cho phép phân loại nhanh chóng và chính xác. Các bước thực hiện bao gồm thu thập dữ liệu, xử lý hình ảnh, huấn luyện mô hình và kiểm tra kết quả. Kết quả cho thấy mô hình có khả năng phân loại chính xác các loại bệnh của xoài, từ đó giúp nông dân có thể đưa ra quyết định kịp thời trong việc thu hoạch và tiêu thụ sản phẩm.

3.1 Xây dựng mô hình

Mô hình được xây dựng dựa trên nền tảng TensorFlow và sử dụng MobileNet để phân loại hình ảnh. Dữ liệu được thu thập từ các vườn xoài và được phân loại thành các nhóm khác nhau dựa trên chất lượng. Quá trình huấn luyện mô hình diễn ra trong nhiều vòng lặp để tối ưu hóa độ chính xác. Kết quả cho thấy mô hình có thể phân loại chính xác các loại bệnh của xoài, từ đó nâng cao chất lượng sản phẩm trước khi xuất khẩu.

IV. Kết quả và đánh giá

Kết quả nghiên cứu cho thấy mô hình có khả năng phân loại chính xác các loại bệnh của xoài với tỷ lệ chính xác từ 70-80%. Việc áp dụng kỹ thuật học sâu không chỉ giúp nâng cao chất lượng sản phẩm mà còn giảm thiểu chi phí và thời gian trong quy trình phân loại. Mô hình này có thể được áp dụng rộng rãi trong ngành nông nghiệp, đặc biệt là trong việc đánh giá chất lượng nông sản trước khi xuất khẩu.

4.1 Đánh giá hệ thống

Hệ thống được đánh giá dựa trên độ chính xác và tốc độ phân loại. Kết quả cho thấy mô hình hoạt động hiệu quả trong việc phân loại các loại bệnh của xoài. Việc sử dụng học sâu đã chứng minh được tính khả thi trong việc cải thiện quy trình phân loại nông sản, từ đó giúp nông dân nâng cao chất lượng sản phẩm và tăng cường khả năng cạnh tranh trên thị trường.

V. Kết luận và hướng phát triển

Nghiên cứu đã chỉ ra rằng việc áp dụng kỹ thuật học sâu vào đánh giá chất lượng xoài thu hoạch là một giải pháp hiệu quả. Mô hình không chỉ giúp phân loại chính xác các loại bệnh mà còn nâng cao chất lượng sản phẩm nông sản. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng mô hình để áp dụng cho các loại trái cây khác, từ đó nâng cao hiệu quả sản xuất nông nghiệp tại Việt Nam.

5.1 Hướng phát triển

Để nâng cao hiệu quả của mô hình, cần tiếp tục nghiên cứu và phát triển các thuật toán học sâu mới, đồng thời mở rộng ứng dụng cho nhiều loại nông sản khác. Việc kết hợp giữa công nghệ và nông nghiệp sẽ giúp nâng cao chất lượng sản phẩm và đáp ứng nhu cầu ngày càng cao của thị trường trong nước và quốc tế.

Tổng quan nghiên cứu

Xoài là một trong những loại trái cây có giá trị kinh tế cao và được ưa chuộng trên thị trường quốc tế. Kim ngạch xuất khẩu xoài của Việt Nam đã tăng trưởng mạnh mẽ qua các năm, từ 46 triệu USD năm 2015 lên đến 193,2 triệu USD năm 2018, chiếm khoảng 5% tổng kim ngạch xuất khẩu rau quả. Tuy nhiên, quá trình phân loại chất lượng xoài sau thu hoạch hiện nay chủ yếu dựa vào phương pháp thủ công, gây tốn kém chi phí nhân công và thời gian, đồng thời làm giảm chất lượng sản phẩm do sai sót trong phân loại. Điều này đặt ra nhu cầu cấp thiết về việc ứng dụng công nghệ tự động hóa nhằm nâng cao hiệu quả và độ chính xác trong phân loại xoài.

Mục tiêu nghiên cứu là xây dựng một mô hình ứng dụng kỹ thuật học sâu (deep learning) để đánh giá và phân loại chất lượng xoài sau thu hoạch, bao gồm phân biệt xoài đạt chất lượng và xoài bị các loại bệnh như thúi, đốm, nứt hoặc thẹo, nám. Nghiên cứu sử dụng bộ dữ liệu gồm 230 ảnh xoài được thu thập tại thời điểm sau thu hoạch, áp dụng mô hình MobileNet trên nền tảng TensorFlow để phân loại thành 5 lớp. Phạm vi nghiên cứu tập trung vào việc phát triển hệ thống trên thiết bị nhúng Raspberry Pi 3B+ nhằm đảm bảo tính nhỏ gọn, tiết kiệm năng lượng và khả năng ứng dụng thực tế tại các nhà máy chế biến hoặc nông trại.

Nghiên cứu có ý nghĩa quan trọng trong việc giảm thiểu chi phí nhân công, tăng tốc độ phân loại và nâng cao độ chính xác, góp phần nâng cao chất lượng sản phẩm xuất khẩu xoài Việt Nam, đồng thời mở ra hướng phát triển ứng dụng trí tuệ nhân tạo trong nông nghiệp thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết về học sâu (deep learning), một nhánh của machine learning sử dụng mạng nơ-ron nhân tạo nhiều lớp (Artificial Neural Networks - ANN) để tự động trích xuất đặc trưng và phân loại dữ liệu phức tạp. Trong đó, mô hình Convolutional Neural Networks (CNN) được sử dụng phổ biến trong nhận dạng hình ảnh nhờ khả năng phát hiện các đặc trưng không gian như góc, cạnh, màu sắc và kết cấu.

Mô hình MobileNet được lựa chọn do ưu điểm về kích thước nhỏ gọn và hiệu suất tính toán cao, phù hợp với các thiết bị nhúng có khả năng xử lý hạn chế như Raspberry Pi. MobileNet sử dụng kỹ thuật Depthwise Separable Convolution, tách phép tích chập truyền thống thành hai bước riêng biệt nhằm giảm đáng kể số lượng tham số và chi phí tính toán mà vẫn giữ được độ chính xác cao. Mạng MobileNet gồm 30 lớp, trong đó có các lớp convolution, depthwise, pointwise, ReLU và softmax để phân loại đa lớp.

Các khái niệm chính bao gồm:

• Học sâu (Deep Learning): Phương pháp học máy sử dụng mạng nơ-ron nhiều lớp để tự động học đặc trưng từ dữ liệu lớn.
• Mạng nơ-ron tích chập (CNN): Mạng chuyên dùng cho xử lý ảnh, gồm các lớp convolution, pooling và fully connected.
• Depthwise Separable Convolution: Kỹ thuật phân tách phép tích chập thành hai bước để giảm chi phí tính toán.
• MobileNet: Mô hình CNN nhẹ, tối ưu cho thiết bị nhúng.
• Supervised Learning: Phương pháp học có giám sát sử dụng dữ liệu đầu vào và nhãn tương ứng để huấn luyện mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh gồm 230 hình ảnh xoài sau thu hoạch, được phân loại thành 5 lớp: xoài đạt chất lượng, xoài bị thúi, đốm, nứt hoặc thẹo, và nám. Dữ liệu được thu thập trực tiếp và xử lý tiền xử lý ảnh như chuẩn hóa giá trị pixel về khoảng 0-1, thay đổi kích thước ảnh về 224x224 pixel để phù hợp với đầu vào của mô hình.

Phương pháp phân tích sử dụng mô hình MobileNet được huấn luyện trên nền tảng TensorFlow với kỹ thuật supervised learning. Quá trình huấn luyện áp dụng kỹ thuật bottleneck để tăng tốc độ và hiệu quả, sử dụng cross-validation k-fold để chia dữ liệu thành tập huấn luyện và kiểm tra nhằm đánh giá độ chính xác mô hình.

Thiết bị phần cứng sử dụng là máy tính nhúng Raspberry Pi 3B+ với chip Broadcom BCM2837B0 4 nhân 1.4GHz, RAM 1GB, hỗ trợ kết nối Wifi và Bluetooth, đảm bảo khả năng xử lý và vận hành liên tục. Phần mềm được phát triển trên hệ điều hành Raspbian, sử dụng các thư viện TensorFlow, OpenCV và Keras để xây dựng và triển khai mô hình, đồng thời thiết kế giao diện người dùng bằng Tkinter để thuận tiện trong thao tác.

Timeline nghiên cứu bao gồm các bước: thu thập và xử lý dữ liệu, xây dựng và huấn luyện mô hình, kiểm thử và đánh giá kết quả, thiết kế giao diện và tích hợp hệ thống trên Raspberry Pi, hoàn thiện và đề xuất hướng phát triển.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác mô hình: Mô hình MobileNet đạt tỷ lệ chính xác phân loại xoài trong khoảng 70-80% trên bộ dữ liệu thử nghiệm gồm 230 ảnh. Đây là mức độ chính xác tương đối cao, phù hợp với yêu cầu ứng dụng thực tế trong phân loại xoài sau thu hoạch.

2. Hiệu quả xử lý trên thiết bị nhúng: Raspberry Pi 3B+ có khả năng xử lý mô hình MobileNet với tốc độ đáp ứng phù hợp, cho phép phân loại ảnh xoài trong thời gian thực, giúp giảm thiểu thời gian và chi phí so với phương pháp thủ công.

3. Phân loại đa lớp: Mô hình có khả năng phân biệt chính xác giữa 5 lớp xoài gồm xoài đạt chất lượng và 4 loại bệnh phổ biến (thúi, đốm, nứt hoặc thẹo, nám), với tỷ lệ nhận diện các loại bệnh đạt trên 70%, giúp nâng cao hiệu quả kiểm soát chất lượng sản phẩm.

4. Tiện ích giao diện người dùng: Giao diện đồ họa được thiết kế thân thiện, cho phép người dùng tải ảnh hoặc sử dụng camera trực tiếp để đánh giá chất lượng xoài, đồng thời lưu trữ dữ liệu để cải thiện mô hình trong tương lai.

Thảo luận kết quả

Kết quả đạt được cho thấy mô hình học sâu MobileNet là giải pháp khả thi để tự động hóa phân loại chất lượng xoài sau thu hoạch, đặc biệt phù hợp với các cơ sở sản xuất vừa và nhỏ tại Việt Nam. So với các phương pháp truyền thống như phân loại thủ công hoặc sử dụng cảm biến màu, mô hình này giảm thiểu sai số do con người và tăng tốc độ xử lý.

Mức độ chính xác 70-80% tuy chưa đạt đến mức tối ưu tuyệt đối nhưng đã vượt trội so với các phương pháp thủ công và có thể cải thiện thêm bằng cách mở rộng bộ dữ liệu huấn luyện và tinh chỉnh tham số mô hình. So sánh với các nghiên cứu trong nước và quốc tế, mô hình MobileNet trên thiết bị nhúng cho thấy sự cân bằng tốt giữa hiệu suất và chi phí, trong khi các mô hình phức tạp hơn như ResNet hay Inception đòi hỏi phần cứng mạnh hơn và chi phí cao hơn.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các lớp bệnh và biểu đồ thời gian xử lý trên Raspberry Pi, giúp minh họa rõ ràng hiệu quả của hệ thống. Ngoài ra, bảng so sánh ưu nhược điểm giữa phương pháp học sâu và các phương pháp truyền thống cũng góp phần làm rõ giá trị nghiên cứu.

Đề xuất và khuyến nghị

1. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm hình ảnh xoài với đa dạng điều kiện ánh sáng, góc chụp và các loại bệnh khác nhau để tăng tính đa dạng và độ chính xác của mô hình. Thời gian thực hiện dự kiến 6-12 tháng, do các cơ sở nghiên cứu và nông trại phối hợp thực hiện.

2. Tối ưu hóa mô hình học sâu: Áp dụng các kỹ thuật tăng cường dữ liệu (data augmentation), điều chỉnh tham số hyperparameter và thử nghiệm các kiến trúc mạng khác như MobileNetV2 hoặc EfficientNet để nâng cao độ chính xác phân loại. Thời gian thực hiện 3-6 tháng, do nhóm nghiên cứu chuyên sâu đảm nhiệm.

3. Phát triển hệ thống tích hợp tự động: Kết nối mô hình với băng chuyền phân loại tự động tại nhà máy, tích hợp camera và thiết bị điều khiển để tự động phân loại xoài theo chất lượng, giảm thiểu nhân công và tăng năng suất. Thời gian triển khai 12 tháng, phối hợp giữa nhà máy và nhóm kỹ thuật.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho cán bộ kỹ thuật và người lao động tại các nông trại, nhà máy về cách sử dụng hệ thống và bảo trì thiết bị, đảm bảo vận hành hiệu quả. Thời gian đào tạo 3 tháng, do đơn vị nghiên cứu phối hợp với các tổ chức đào tạo thực hiện.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, công nghệ thông tin: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng học sâu và mạng nơ-ron tích chập trong xử lý ảnh, giúp phát triển các đề tài nghiên cứu liên quan.

2. Doanh nghiệp chế biến và xuất khẩu trái cây: Hệ thống phân loại tự động giúp nâng cao chất lượng sản phẩm, giảm chi phí nhân công và tăng tính cạnh tranh trên thị trường quốc tế.

3. Nông dân và hợp tác xã trồng xoài: Áp dụng công nghệ để phân loại và đánh giá chất lượng xoài ngay tại nông trại, nâng cao hiệu quả sản xuất và giảm thiểu tổn thất sau thu hoạch.

4. Các nhà phát triển phần mềm và thiết bị nhúng: Tham khảo mô hình triển khai trên Raspberry Pi và các thư viện TensorFlow, OpenCV, Keras để phát triển các ứng dụng tương tự trong lĩnh vực nông nghiệp thông minh.

Câu hỏi thường gặp

1. Mô hình học sâu MobileNet có ưu điểm gì so với các mô hình khác?
   MobileNet sử dụng kỹ thuật Depthwise Separable Convolution giúp giảm đáng kể số lượng tham số và chi phí tính toán, phù hợp với thiết bị nhúng có cấu hình thấp như Raspberry Pi, trong khi vẫn giữ được độ chính xác cao.

2. Bộ dữ liệu huấn luyện gồm những loại bệnh xoài nào?
   Bộ dữ liệu gồm 5 lớp: xoài đạt chất lượng, xoài bị thúi, đốm, nứt hoặc thẹo, và nám, được thu thập trực tiếp sau thu hoạch với tổng số khoảng 230 ảnh.

3. Tại sao chọn Raspberry Pi 3B+ làm thiết bị xử lý?
   Raspberry Pi 3B+ có kích thước nhỏ gọn, tiêu thụ năng lượng thấp, giá thành hợp lý (khoảng 30-40 USD), đủ khả năng xử lý mô hình MobileNet và hỗ trợ kết nối không dây, phù hợp cho ứng dụng thực tế tại nông trại và nhà máy.

4. Độ chính xác của mô hình có thể cải thiện như thế nào?
   Có thể nâng cao bằng cách mở rộng bộ dữ liệu huấn luyện, áp dụng kỹ thuật tăng cường dữ liệu, tinh chỉnh tham số mô hình và thử nghiệm các kiến trúc mạng mới hơn.

5. Hệ thống có thể áp dụng cho các loại trái cây khác không?
   Về nguyên tắc, mô hình học sâu và thiết bị nhúng có thể được điều chỉnh để phân loại các loại trái cây khác, tuy nhiên cần thu thập dữ liệu đặc trưng và huấn luyện lại mô hình phù hợp với từng loại.

Kết luận

• Nghiên cứu đã xây dựng thành công mô hình học sâu MobileNet để phân loại chất lượng xoài sau thu hoạch với độ chính xác khoảng 70-80%.
• Hệ thống được triển khai trên thiết bị nhúng Raspberry Pi 3B+ nhỏ gọn, tiết kiệm năng lượng và phù hợp với điều kiện thực tế tại các nhà máy và nông trại.
• Mô hình có khả năng phân biệt đa dạng các loại bệnh phổ biến trên xoài, góp phần nâng cao chất lượng sản phẩm và giảm chi phí nhân công.
• Giao diện người dùng thân thiện, hỗ trợ thao tác tải ảnh và sử dụng camera trực tiếp, thuận tiện cho người vận hành.
• Hướng phát triển tiếp theo là mở rộng bộ dữ liệu, tối ưu mô hình và tích hợp hệ thống tự động hóa trong quy trình sản xuất.

Để tiếp tục phát triển và ứng dụng rộng rãi, các nhà nghiên cứu và doanh nghiệp được khuyến khích phối hợp triển khai các giải pháp nâng cao, đồng thời đào tạo nhân lực vận hành hệ thống. Hãy bắt đầu áp dụng công nghệ học sâu để nâng tầm chất lượng xoài Việt Nam trên thị trường quốc tế ngay hôm nay!