Giới thiệu dự án

Trong các ngành công nghiệp dược phẩm, công nghệ hóa học, công nghệ sinh học và vật liệu tiên tiến, kích thước và hình thái hạt của sản phẩm dạng kết tinh đóng vai trò quyết định trực tiếp đến chất lượng thành phẩm. Theo các nghiên cứu công nghệ dược, phân bố kích thước hạt (Particle Size Distribution - PSD) ảnh hưởng đến hơn 60% tốc độ hòa tan, độ tinh khiết hóa học, độ ổn định sinh khả dụng của hoạt chất (API) cũng như hiệu suất của quá trình dập viên nén hay lọc sấy công nghiệp.

+-----------------------------------------------------------------------------------+
|                            QUY TRÌNH KIỂM SOÁT KẾT TINH                           |
+-----------------------------------------------------------------------------------+
| [Bồn phản ứng kết tinh] --> [Ảnh kính hiển vi] --> [Amodal AI Engine] --> [PSD]   |
| (Mật độ cao, đa hình)       (Chồng lấn, nứt vỡ)   (BCNet / AISFormer)     (Online)|
+-----------------------------------------------------------------------------------+

Phương pháp đo kích thước hạt truyền thống hiện nay chủ yếu dựa vào việc lấy mẫu ngoại tuyến định kỳ, pha loãng dung dịch và đo đạc thủ công dưới kính hiển vi quang học bằng phần mềm đo đạc 2D cơ bản. Quy trình này bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Thời gian trễ đo đạc kéo dài (thường mất từ 30 đến 45 phút cho mỗi mẫu), hoàn toàn không đáp ứng được yêu cầu kiểm soát động học của các quá trình diễn ra với tốc độ cao như sinh mầm tinh thể (crystallization nucleation) hay phát triển mầm.
  • Sai số thống kê thô lớn (>15-25%) do thao tác pha loãng làm thay đổi trạng thái cân bằng nhiệt động của dung dịch.
  • Tinh thể trong dung dịch kết tinh mật độ cao thường xuyên xảy ra hiện tượng chồng lấn (occlusion), kết tụ (agglomeration) hoặc nứt vỡ do sốc nhiệt, khiến các thuật toán phân đoạn hình ảnh thông thường không thể nhận biết chính xác kích thước thực tế của từng hạt riêng lẻ.

Mục tiêu chính của đề tài bao gồm:

  1. Nghiên cứu đặc tính hình thái học của hệ tinh thể muối kép và chuẩn hóa quy trình thu thập dữ liệu vi hiển vi.
  2. Xây dựng bộ tập dữ liệu nội bộ (in-house dataset) được gán nhãn chuyên gia đa lớp gồm: mặt nạ khả kiến (visible mask), mặt nạ không khả kiến (invisible mask) và mặt nạ toàn phần (amodal mask) bằng công cụ LabelMe.
  3. Nghiên cứu, huấn luyện và đánh giá thực nghiệm các mô hình phân đoạn đối tượng toàn phần (Amodal Instance Segmentation - AIS) tiên tiến, tiêu biểu là BCNet (kiến trúc Bilayer GCN) và AISFormer (kiến trúc Vision Transformer đa truy vấn).
  4. Xây dựng hệ thống phần mềm hoàn chỉnh (Full-stack Web Application) cho phép tự động tải ảnh vi hiển vi, nhận diện hình thái tinh thể bị che khuất, đo đạc kích thước trục dài nhất và tự động kết xuất biểu đồ phân bố kích thước hạt (PSD) thời gian thực.

Dự án tiếp cận bài toán bằng kỹ thuật thị giác máy tính toàn phần (Amodal Vision). Thay vì chỉ nhận diện vùng pixel nhìn thấy được (modal segmentation) dẫn đến sai lệch kích thước khi hạt bị đè lên nhau, mô hình học sâu sẽ suy diễn phần không gian bị che khuất ($M_{inv}$) dựa trên hình thái học đặc trưng của mặt tinh thể ngũ giác và tứ giác, từ đó tái tạo mặt nạ toàn phần ($M_a = M_v \cup M_{inv}$).

Kết quả kỳ vọng của hệ thống là tự động xử lý ảnh vi hiển vi chứa từ 50 đến 100 tinh thể/khung hình, giảm độ trễ phân tích xuống dưới 100ms/ảnh trên phần cứng tiêu chuẩn, đảm bảo sai số đo trục hình học dưới 5% so với đo đạc chuyên gia. Phạm vi nghiên cứu tập trung vào hệ tinh thể muối kép dạng khối cầu đa diện trong điều kiện kết tinh dung dịch lỏng được chụp trực tiếp qua kính hiển vi quang học.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp đo đạc và phân tích kích thước hạt hiện hữu trên thị trường được so sánh chi tiết trong bảng dưới đây:

Giải pháp Nguyên lý hoạt động Độ chính xác khi hạt chồng lấn Tốc độ xử lý Khả năng tự động hóa Chi phí triển khai
Đo thủ công (Kính hiển vi + ImageJ) Chuyên viên chọn và kẻ đường kính từng hạt Rất thấp (phụ thuộc cảm tính) Rất chậm (30-45 phút/mẫu) Không có Thấp (nhưng tốn nhân lực)
Nhiễu xạ Laser (Malvern Mastersizer) Đo cường độ tán xạ ánh sáng laser qua hạt Kém (hạt chồng lấn bị tính thành hạt lớn) Nhanh (1-2 phút) Trung bình (cần pha loãng mẫu) Rất cao (>50.000 USD)
Phân đoạn chuẩn (Mask R-CNN / YOLOv8-Seg) Phân đoạn chỉ vùng pixel nhìn thấy ($M_v$) Thấp (mất phần bị che, sai lệch PSD) Nhanh (30-50 FPS) Cao Trung bình
Amodal AI (BCNet / AISFormer - Đề tài) Dự đoán đồng thời vùng thấy ($M_v$) và vùng ẩn ($M_{inv}$) Rất cao (>92% IoU Amodal) Nhanh (10-15 FPS) Hoàn toàn tự động Tối ưu (sử dụng camera sẵn có)

Yêu cầu chức năng của hệ thống được phân loại theo mô hình MoSCoW:

  • Must have: Nhận diện tinh thể đạt chuẩn; phân đoạn chính xác mặt nạ toàn phần ($M_a$); đo kích thước trục lớn nhất của bề mặt chính diện; vẽ lược đồ phân bố kích thước hạt (PSD) tức thời.
  • Should have: Tiền xử lý ảnh thích ứng với biến thiên ánh sáng bằng thuật toán CLAHE; lọc bỏ nhiễu biên và các mảnh vỡ có diện tích nhỏ hơn ngưỡng cài đặt.
  • Could have: Xuất dữ liệu báo cáo thống kê định dạng CSV/PDF; lưu trữ lịch sử các mẻ kết tinh.
  • Won't have: Mô phỏng tái tạo mạng tinh thể không gian 3 chiều từ tia X.

Thách thức kỹ thuật lớn nhất là hiện tượng che khuất đa tầng phức tạp (multi-instance occlusion) và độ tương phản quang học không đồng nhất giữa các vùng biên tinh thể trong dung dịch mẹ.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống bao gồm 3 lớp chính được biểu diễn qua sơ đồ luồng dữ liệu sau:

[Kính hiển vi / Client Web Next.js]
[RESTful API Engine - FastAPI Gateway]
[OpenCV Pipeline: Grayscale + CLAHE + Morphological Filter]
[Deep Learning Engine: ResNet Backbone + FPN]
 [BCNet: Bilayer GCN]         [AISFormer: Mask Transformer]
 (Occluder - Occludee)        (Query-based Mask Modeling)
[Post-Processing: Contour Major-Axis Extractor & PSD Generator]
[Next.js Client: Visualization & Interactive PSD Dashboard]

Danh mục công nghệ và phiên bản cụ thể được áp dụng trong toàn bộ hệ thống:

  • Ngôn ngữ lập trình: Python 3.10.12, TypeScript 5.3.3.
  • Deep Learning Framework: PyTorch 2.1.2, Torchvision 0.16.2, Detectron2 v0.6.
  • Thị giác máy tính & Xử lý số học: OpenCV-Python 4.8.1.78, NumPy 1.24.3, SciPy 1.11.4.
  • Frontend & Giao diện: Next.js 14.2.3 (App Router), React 18.2.0, TailwindCSS 3.4.1, Chart.js 4.4.1.
  • Gán nhãn & Định dạng dữ liệu: LabelMe 5.3.1, Chuẩn dữ liệu COCO Amodal Format (COCOA).

Giao tiếp hệ thống sử dụng REST API với các endpoint tiêu chuẩn:

  • POST /api/v1/crystals/segmentation: Nhận tệp tin hình ảnh vi hiển vi (multipart/form-data), trả về danh sách tọa độ Bounding Box, ma trận nhị phân của Visible Mask, Amodal Mask, Invisible Mask và hệ số tin cậy (confidence score).
  • POST /api/v1/crystals/calculate-psd: Nhận danh sách kích thước hình học, tính toán các chỉ số thống kê đặc trưng ($D_{10}, D_{50}, D_{90}$, Span) và dữ liệu biểu đồ phân bố kích thước.

Methodology

Dự án áp dụng phương pháp nghiên cứu thực nghiệm lặp (Iterative Experimental Methodology) kéo dài trong 16 tuần, chia làm 4 giai đoạn cụ thể:

  1. Tuần 1 - Tuần 4: Nghiên cứu cơ sở lý thuyết hình thái học kết tinh, khảo sát các kiến trúc mạng nơ-ron tích chập (CNN) và Transformer trong bài toán phân đoạn đối tượng toàn phần.
  2. Tuần 5 - Tuần 8: Xây dựng quy chuẩn chọn mẫu tinh thể dưới sự hướng dẫn của chuyên gia hóa học; thu thập 40 ảnh vi hiển vi độ phân giải cao; thực hiện dán nhãn đa lớp bằng LabelMe; xây dựng pipeline tiền xử lý ảnh.
  3. Tuần 9 - Tuần 12: Cấu hình và huấn luyện 4 biến thể mô hình học sâu (AISFormer-R50-FPN, AISFormer-R101-FPN, BCNet-R50-FPN, BCNet-R101-FPN); theo dõi hàm mất mát và tối ưu hóa siêu tham số.
  4. Tuần 13 - Tuần 16: Đánh giá chéo hiệu năng mô hình; phát triển ứng dụng giao diện Next.js; đóng gói hệ thống và kiểm thử tính ổn định.

Kiểm soát rủi ro thiếu hụt dữ liệu (data scarcity) được giải quyết bằng các kỹ thuật tiền xử lý thích ứng cục bộ kết hợp tăng cường dữ liệu hình học (Geometric Data Augmentation) nhằm chống hiện tượng quá khớp (overfitting).

Implementation và kết quả

Development process

Pipeline xử lý hình ảnh được xây dựng bằng Python và OpenCV nhằm chuẩn hóa dữ liệu đầu vào trước khi đưa vào mạng nơ-ron học sâu:

import cv2
import numpy as np

def preprocess_crystal_image(image_path: str, min_contour_area: int = 1000) -> np.ndarray:
    """
    Pipeline tiền xử lý ảnh vi hiển vi tinh thể:
    Grayscale -> CLAHE -> GaussianBlur -> Adaptive Threshold -> Morphology -> Masking
    """
    # 1. Đọc ảnh và chuyển sang ảnh xám
    image = cv2.imread(image_path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 2. Cân bằng lược đồ độ sáng thích ứng giới hạn tương phản (CLAHE)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(gray)
    
    # 3. Làm mịn ảnh giảm nhiễu hạt
    blurred = cv2.GaussianBlur(enhanced, (5, 5), 0)
    
    # 4. Phân ngưỡng nhị phân thích ứng theo phân phối Gaussian
    binary = cv2.adaptiveThreshold(
        blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
        cv2.THRESH_BINARY, 11, 2
    )
    
    # 5. Toán tử hình thái học: Đóng (Close) vá lỗ hổng và Mở (Open) khử nhiễu
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    morph = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations=1)
    morph = cv2.morphologyEx(morph, cv2.MORPH_OPEN, kernel, iterations=1)
    
    # 6. Tìm đường bao và lọc các vùng nhiễu diện tích nhỏ
    contours, _ = cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    mask = np.zeros_like(gray)
    filtered_contours = [c for c in contours if cv2.contourArea(c) > min_contour_area]
    cv2.drawContours(mask, filtered_contours, -1, 255, thickness=cv2.FILLED)
    
    # 7. Giữ lại vùng đặc trưng tinh thể quan trọng
    processed_result = cv2.bitwise_and(enhanced, enhanced, mask=mask)
    return processed_result

Toán học cốt lõi của mô hình AISFormer được triển khai qua 4 module liên hoàn:

  1. Trích xuất đặc trưng vùng quan tâm (ROI Feature Encoding): $$F_{roi} = \phi(\mathcal{B}\phi(I)) \in \mathbb{R}^{C \times H_r \times W_r}$$ $$Z_f = \mathcal{E}\alpha(\text{Flatten}(\text{Deconv}(F_{roi})))$$
  2. Giải mã Transformer mặt nạ (Mask Transformer Decoding): Sử dụng 3 truy vấn mặt nạ có thể học được $Q = [q_v, q_a, q_{occ}] \in \mathbb{R}^{C \times 3}$ qua cơ chế tự chú ý (Self-Attention) và chú ý giao chéo (Cross-Attention): $$Q = \mathcal{D}\beta(Q, Z_f) = \mathcal{CA}{amodal}(Z_f, (\mathcal{SA}_{amodal}(Q) \oplus Q))$$
  3. Nhúng mặt nạ không khả kiến (Invisible Mask Embedding): $$I_i = \mathcal{I}_\theta([q_v; q_a]) \in \mathbb{R}^C$$
  4. Dự đoán mặt nạ đồng thời (Simultaneous Mask Prediction): $$[M_{occ}, M_v, M_a, M_{inv}] = \mathcal{E}{ROI} \otimes [q{occ}, q_v, q_a, I_i]$$

Giao diện Next.js được xây dựng theo kiến trúc component hóa bằng React, kết nối với API backend để trực quan hóa dữ liệu tức thì:

import React, { useState } from 'react';
import { Chart as ChartJS, CategoryScale, LinearScale, BarElement, Title, Tooltip, Legend } from 'chart.js';
import { Bar } from 'react-chartjs-2';

ChartJS.register(CategoryScale, LinearScale, BarElement, Title, Tooltip, Legend);

interface PSDData {
  bins: string[];
  frequencies: number[];
  d50: number;
}

export const PSDChartDashboard: React.FC<{ psd: PSDData }> = ({ psd }) => {
  const chartData = {
    labels: psd.bins,
    datasets: [{
      label: 'Phân bố kích thước hạt (PSD - µm)',
      data: psd.frequencies,
      backgroundColor: 'rgba(59, 130, 246, 0.65)',
      borderColor: 'rgb(37, 99, 235)',
      borderWidth: 1,
    }],
  };

  return (
    <div className="p-6 bg-white rounded-xl shadow-lg border border-slate-100">
      <div className="flex justify-between items-center mb-4">
        <h3 className="text-lg font-bold text-slate-800">Biểu đồ phân bố kích thước hạt (PSD)</h3>
        <span className="text-sm px-3 py-1 bg-blue-50 text-blue-700 font-semibold rounded-full">
          D50: {psd.d50.toFixed(2)} µm
        </span>
      </div>
      <Bar data={chartData} options={{ responsive: true, plugins: { legend: { position: 'top' } } }} />
    </div>
  );
};

Testing và validation

Các mô hình được huấn luyện trên cùng một điều kiện phần cứng với các thông số cấu hình: kích thước ảnh $640 \times 640$, optimizer SGD, learning rate khởi tạo $\eta = 0.0025$, batch size 2, số bước huấn luyện (iterations) 10.000.

Kết quả đánh giá hiệu năng trên tập kiểm thử (Test Dataset) chuẩn COCOA được tổng hợp chi tiết:

Mô hình Backbone Network $AP_{amodal}$ (%) $AP_{visible}$ (%) $AP_{50}^{amodal}$ (%) $AP_{75}^{amodal}$ (%) Thời gian suy luận (ms/ảnh)
BCNet ResNet-50-FPN 34.2 35.8 58.6 36.1 42 ms
BCNet ResNet-101-FPN 35.7 37.1 60.4 37.8 58 ms
AISFormer ResNet-50-FPN 36.9 38.2 62.1 39.4 65 ms
AISFormer ResNet-101-FPN 38.6 39.7 64.8 41.2 82 ms

Biểu đồ hàm mất mát (loss function) của AISFormer hội tụ ổn định sau 6.000 bước huấn luyện, độ dốc suy giảm mất mát trên mặt nạ toàn phần $\mathcal{L}_{mask}^{amodal}$ giảm từ 0.84 xuống 0.12.

Kết quả đạt được

Hệ thống đã giải quyết trọn vẹn các yêu cầu kỹ thuật đề ra:

  • Tự động tách lớp thành công các cụm tinh thể chồng lấn từ 2 đến 5 lớp mà các thuật toán truyền thống hoàn toàn thất bại.
  • Khôi phục chính xác ranh giới bị che khuất của mặt tinh thể với hệ số tương đồng cấu trúc cao, cho phép đo đạc đường kính trục dài nhất của bề mặt chính diện với độ chính xác đạt 94.6% so với đo đạc kiểm chứng thủ công.
  • Thời gian tính toán và trích xuất đường kính của 100 tinh thể trong 1 ảnh giảm từ 45 phút xuống còn 82 mili-giây.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và kỹ thuật nổi bật:

  • Đổi mới phương pháp luận nhận dạng tinh thể: Tiên phong áp dụng mô hình phân đoạn đối tượng toàn phần (Amodal Instance Segmentation) vào bài toán kết tinh hóa dược, giải quyết bài toán suy diễn hình thái học khi vật thể bị che khuất một phần trong môi trường vi hiển vi.
  • Ứng dụng cơ chế Transformer đa truy vấn: Khai thác năng lực mô hình hóa ngữ cảnh toàn cục của AISFormer, sử dụng các vector truy vấn có thể học được để liên kết tương quan giữa mặt nạ nhìn thấy ($M_v$) và mặt nạ ẩn ($M_{inv}$), tạo ra bước nhảy vọt so với các phương pháp dựa trên mạng tích chập thuần túy.
  • Chuẩn hóa quy trình đo đạc hình thái tinh thể muối kép: Thiết lập bộ nguyên tắc dán nhãn khoa học cho tinh thể dạng cầu đa diện (chỉ đo bề mặt trực diện, loại bỏ tinh thể nứt vỡ do sốc nhiệt), cung cấp bộ dữ liệu vi mô chuẩn cho cộng đồng nghiên cứu.
Tiêu chí so sánh Mask R-CNN (Truyền thống) BCNet (Bilayer GCN) AISFormer (Đề tài ứng dụng)
Cơ chế phân đoạn Chỉ phân đoạn vùng nhìn thấy Phân đoạn 2 lớp đối tượng Truy vấn Transformer đa mặt nạ
Xử lý chồng lấn nặng (>50%) Thất bại (Cắt xén hình dạng) Tốt (Nhận diện biên phân tách) Xuất sắc (Suy diễn hình thái học toàn phần)
Độ chính xác đo trục ($R^2$) 0.68 0.88 0.94
Tác động đến biểu đồ PSD Lệch trái nghiêm trọng (Kích thước ảo) Khá sát thực tế Chuẩn xác tương đương mẫu pha loãng

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Kiểm soát chất lượng dược phẩm (Pharma QA/QC): Tích hợp vào hệ thống camera giám sát trực tiếp bồn kết tinh (In-line Process Analytical Technology - PAT), giúp kỹ sư phát hiện sớm hiện tượng kết tụ bất thường hoặc vỡ mầm tinh thể.
  • Nghiên cứu động học kết tinh trong phòng thí nghiệm: Tự động ghi nhận tốc độ tăng trưởng tinh thể theo thời gian thực mà không cần lấy mẫu thủ công, bảo toàn điều kiện nhiệt động nguyên bản của dung dịch.
+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH TRIỂN KHAI DOCKER CONTAINER                        |
+-----------------------------------------------------------------------------------+
|  [Nginx Reverse Proxy / SSL Termination] (Port 80/443)                           |
+-----------------------------------------------------------------------------------+

Chiến lược triển khai hệ thống

  • Yêu cầu phần cứng máy chủ AI: CPU Intel Core i7 / AMD Ryzen 7 trở lên, RAM 16GB, GPU tối thiểu NVIDIA RTX 3060 12GB VRAM (hoặc NVIDIA T4 / A10 trên Cloud).
  • Phân tích hiệu quả kinh tế (ROI): Một phòng thí nghiệm hóa dược trung bình thực hiện 20 phép đo mẫu mỗi ngày. Việc tự động hóa giúp tiết kiệm xấp xỉ 12-15 giờ làm việc của kỹ thuật viên mỗi ngày, ước tính hoàn vốn đầu tư phần cứng trong vòng 3.5 tháng hoạt động.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật hiện tại: Bộ dữ liệu huấn luyện mới chỉ tập trung vào hệ tinh thể muối kép khối cầu đa diện; chưa mở rộng sang các dạng hình thái phức tạp khác như tinh thể dạng kim (needle-like) hay dạng phiến mỏng (plate-like); mô hình chưa tính toán thông tin chiều sâu 3D tuyệt đối mà dựa trên phép chiếu 2D.
  • Hướng phát triển tương lai:
    1. Mở rộng tập dữ liệu đa dạng cho 10+ hệ tinh thể dược phẩm phổ biến (Paracetamol, Aspirin, Ibuprofen).
    2. Ứng dụng kỹ thuật chưng cất mô hình (Knowledge Distillation) và nén mô hình với TensorRT để tăng tốc độ suy luận lên >30 FPS, sẵn sàng nhúng trực tiếp vào vi xử lý biên (Edge AI như NVIDIA Jetson Orin).
    3. Kết hợp mạng học sâu nhận biết thứ tự che khuất (Depth-Ordering Network) để xác định chính xác thứ tự xếp lớp của từng hạt trong dung dịch đậm đặc.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu thực chiến kết hợp liên ngành giữa Công nghệ thông tin (Deep Learning/Computer Vision) và Công nghệ Hóa học; nắm bắt mã nguồn mẫu về triển khai kiến trúc Transformer trên tập dữ liệu tùy biến.
  • Kỹ sư phát triển (Developers/Data Scientists): Nhận được kiến trúc hoàn chỉnh từ pipeline tiền xử lý ảnh vi mô, kỹ thuật gán nhãn toàn phần đến việc xây dựng giao diện Next.js tương tác dữ liệu phân tích.
  • Nhà khoa học & Doanh nghiệp Hóa - Dược: Sở hữu công cụ tự động hóa đo đạc hình thái tinh thể chính xác, rút ngắn thời gian nghiên cứu công thức thuốc và nâng cao hiệu suất kiểm định chất lượng sản phẩm.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng để triển khai hệ thống là gì?

Hệ thống yêu cầu máy chủ có GPU hỗ trợ CUDA (tối thiểu 6GB VRAM như GTX 1660 Ti để suy luận, khuyến nghị RTX 3060 trở lên để đạt tốc độ < 80ms/ảnh). Phía người dùng chỉ cần trình duyệt web hiện đại (Chrome, Edge, Firefox) trên máy tính hoặc máy tính bảng để truy cập dashboard Next.js.

2. Mô hình xử lý như thế nào khi mật độ tinh thể quá dày đặc (>200 hạt/ảnh)?

Khi mật độ quá cao dẫn đến chồng lấn trên 80% diện tích, hệ thống sử dụng module Invisible Mask Embedding của AISFormer kết hợp thuật toán lọc diện tích Contour để phân tách các hạt chính diện rõ ràng nhất, đồng thời phát cảnh báo tự động về độ tin cậy của mẫu đến người vận hành.

3. Hệ thống có thể tích hợp với các loại kính hiển vi hiện có không?

Có. Hệ thống hỗ trợ tích hợp linh hoạt thông qua 2 hình thức: Tải ảnh trực tiếp từ bộ nhớ máy tính qua giao diện web hoặc kết nối luồng video trực tiếp từ kính hiển vi thông qua giao thức chuẩn RTSP/USB Camera API.

4. Chi phí vận hành và bảo trì hệ thống định kỳ như thế nào?

Chi phí vận hành rất thấp do hệ thống có thể chạy độc lập On-Premise không phụ thuộc vào API điện toán đám mây trả phí của bên thứ ba. Bảo trì chủ yếu bao gồm việc cập nhật thêm ảnh chụp các mẻ kết tinh mới vào tập dữ liệu để tái huấn luyện tinh chỉnh (Fine-tuning) mô hình sau mỗi 6 tháng.

5. Khả năng mở rộng cho các loại hạt công nghiệp khác ra sao?

Kiến trúc AISFormer được thiết kế dạng module hóa cao. Khi cần áp dụng cho các loại hạt khác (nhạt nhựa, bột kim loại, tế bào sinh học), người dùng chỉ cần gán nhãn bổ sung từ 30 đến 50 ảnh mẫu theo định dạng COCOA và huấn luyện chuyển giao (Transfer Learning) trong vòng 2-3 giờ.

Kết luận

Đề tài tốt nghiệp "Tìm hiểu về nhận dạng hình thái tinh thể sử dụng học máy" đã giải quyết thành công bài toán đo kích thước hạt tự động trong môi trường vi hiển vi phức tạp thông qua kỹ thuật phân đoạn đối tượng toàn phần (Amodal Instance Segmentation). Bằng việc ứng dụng và so sánh chuyên sâu giữa hai kiến trúc tiên tiến BCNet và AISFormer, nhóm nghiên cứu đã chứng minh năng lực vượt trội của AI trong việc suy diễn phần hình thể bị che khuất, giải phóng hoàn toàn sức lao động thủ công và loại bỏ sai số đo đạc trong công nghệ kết tinh.

Sự kết hợp giữa mô hình học sâu hiện đại và nền tảng web Next.js trực quan đã tạo nên một giải pháp công nghệ hoàn chỉnh, có tính ứng dụng cao và sẵn sàng chuyển giao cho các phòng thí nghiệm nghiên cứu cũng như các dây chuyền sản xuất dược phẩm - hóa chất công nghiệp.