Bối cảnh và vấn đề nghiên cứu

Ngành sản xuất nông nghiệp và chế biến nông sản tại Việt Nam giữ vị trí quan trọng trong nền kinh tế, đặc biệt là các mặt hàng xuất khẩu chủ lực. Điển hình như nông sản cà chua của Việt Nam từng đạt vị trí xuất khẩu thứ 27 trên toàn cầu (năm 2011 với tổng giá trị xuất khẩu đạt 2,4 triệu USD). Nông sản sau thu hoạch cần được phân loại theo các tiêu chuẩn nghiêm ngặt về kích thước, màu sắc và chất lượng để định giá và phục vụ các mục đích thương mại khác nhau. Tuy nhiên, hoạt động làm sạch và phân loại nông sản tại các cơ sở trong nước phần lớn vẫn thực hiện thủ công, dẫn đến năng suất lao động không cao và độ đồng đều sản phẩm chưa tối ưu.

Mặc dù trên thị trường quốc tế đã xuất hiện các dây chuyền phân loại quy mô lớn (như hệ thống phân loại táo của Hà Lan, phân loại cà chua của Mỹ), các hệ thống này thường có chi phí đầu tư rất lớn, kết cấu cồng kềnh, quy trình vận hành phức tạp và khó tùy biến cho các hộ nông dân hoặc tiểu thương quy mô vừa và nhỏ. Xuất phát từ thực tế đó, đề tài "Máy đánh giá chất lượng trái cây tự động" được nhóm tác giả Hoàng Văn Huy, Nguyễn Sỹ Nguyên và Huỳnh Nguyễn Bảo Triệu (ngành Công nghệ Kỹ thuật Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) thực hiện dưới sự hướng dẫn của ThS. Tưởng Phước Thọ trong giai đoạn từ tháng 03/2021 đến tháng 08/2021.

Mục tiêu cụ thể của đề tài bao gồm:

  1. Đánh giá chất lượng quả cà chua một cách tự động với độ chính xác cao.
  2. Nghiên cứu và ứng dụng kỹ thuật xử lý ảnh số vào hệ thống cơ điện tử phân loại.
  3. Phân loại cà chua theo tiêu chí kích thước: nhóm nhỏ (đường kính dưới 50 mm) và nhóm to (đường kính từ 50 mm đến dưới 70 mm).
  4. Phân loại cà chua theo tiêu chí màu sắc: 3 nhóm màu chính gồm đỏ, vàng và xanh.

Phạm vi và giới hạn của đề tài được xác định rõ:

  • Đối tượng nghiên cứu: Chỉ tập trung đánh giá giống cà chua dạng "quả tròn" (Round). Đề tài loại trừ các giống cà chua khác như cà chua múi (Ribbed), cà chua nhót (Oblong), cà chua quả dài (Elongated), cà chua bi (Cherry) và cà chua Salad (Cocktail).
  • Tiêu chí đánh giá: Đánh giá ngoại quan dựa trên màu sắc và kích thước hình học 2D; không nghiên cứu các chỉ tiêu về khối lượng hoặc chất lượng bên trong (độ ngọt, mùi vị, độ ẩm).
  • Phạm vi màu sắc: Chỉ xử lý 3 nhóm màu bề mặt: đỏ (quả chín đỏ, chín hồng), vàng (quả chín vàng, vàng xanh) và xanh (quả xanh, quả non).

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp giữa lý thuyết xử lý ảnh số và kỹ thuật điều khiển tự động hóa để xây dựng giải pháp phân loại sản phẩm theo thời gian thực.

Khung lý thuyết và mô hình xử lý ảnh

Quá trình xử lý dữ liệu hình ảnh tuân thủ quy trình chuẩn trong thị giác máy tính, bao gồm:

  • Thu nhận ảnh (Image Acquisition): Sử dụng camera kỹ thuật số ghi lại hình ảnh quả khi di chuyển vào buồng tối có nguồn sáng cố định.
  • Tiền xử lý ảnh (Image Preprocessing): Sử dụng bộ lọc làm mịn Gaussian (Gaussian Filter) với tích chập 2 chiều (2D convolution) trên ma trận kernel kích thước $3 \times 3$ nhằm loại bỏ nhiễu mức xám mà không làm mất thông tin biên.
  • Phát hiện biên (Edge Detection): Áp dụng thuật toán Canny qua 4 bước: làm mịn bằng bộ lọc Gauss, tính toán gradient cường độ, triệt tiêu các điểm không phải cực đại (Non-maximum suppression) và phân ngưỡng kép (Hysteresis thresholding) để tìm đường bao chính xác của quả.
  • Thuật toán theo dõi đối tượng (Object Tracking): Tìm hiểu thuật toán MedianFlow để tính toán quỹ đạo chuyển động tiến - lùi của vật thể trên khung hình video.
  • Chuyển đổi không gian màu: Ảnh gốc định dạng RGB (Red, Green, Blue) được chuyển đổi sang không gian màu HSV (Hue, Saturation, Value). Không gian HSV giúp phân tách giá trị màu sắc ($H \in [0^\circ, 360^\circ]$) độc lập với độ bão hòa ($S \in [0, 255]$) và độ sáng ($V \in [0, 255]$), hạn chế ảnh hưởng của biến thiên ánh sáng môi trường.

Phương pháp phân loại màu sắc và kích thước

  • Phương pháp nhận dạng màu: Xác lập mặt nạ màu (color mask) theo các dải thông số HSV thực nghiệm. Thuật toán đếm tổng số điểm ảnh (pixel) thuộc từng vùng màu trên bề mặt quả và tính tỷ lệ phần trăm để gán nhãn loại màu tương ứng.
  • Phương pháp đo kích thước: Sau khi tách nền và phát hiện đường biên bằng Canny trên ảnh nhị phân, thuật toán tiến hành tính độ dài đường bao (chu vi/kích thước điểm ảnh) để quy đổi và phân cấp kích thước thành hai mức (dưới 50 mm và từ 50 mm đến dưới 70 mm).

Thiết kế và triển khai hệ thống

Hệ thống được tổ chức thành 2 khối chức năng chính: khối xử lý ảnh thị giác máy tính và khối cơ cấu phân loại chấp hành.

Khối chức năng Thiết bị / Linh kiện chính Thông số kỹ thuật / Đặc điểm
Xử lý trung tâm & Thị giác Kit Raspberry Pi 3 Model B Vi điều khiển xử lý ảnh trung tâm, chạy hệ điều hành Linux, lập trình ngôn ngữ Python kết hợp thư viện OpenCV
Thu nhận hình ảnh Camera Raspberry Pi V1 Độ phân giải 5 Megapixels, kết nối trực tiếp với Raspberry Pi qua cáp bus CSI
Hệ thống chiếu sáng 4 module LED hắt 5054 Mỗi module gồm 3 bóng LED ánh sáng trắng, bố trí bên trong buồng tối để tạo môi trường quang học đồng nhất
Điều khiển chấp hành Kit Arduino Mega 2560 Tiếp nhận lệnh phân loại từ Raspberry Pi, đọc cảm biến và điều khiển các cơ cấu chấp hành
Cảm biến nhận diện vị trí 6 cảm biến quang E18-D80NK Cảm biến hồng ngoại tiệm cận, ngõ ra cực thu hở NPN, dùng để định vị quả tại các trạm phân loại
Dẫn động băng tải Động cơ DC JGB37-520 12V Động cơ giảm tốc kéo hệ thống băng tải vận chuyển cà chua
Cơ cấu gạt sản phẩm Động cơ Servo MG995 Điều khiển các cánh tay gạt cơ khí đẩy cà chua vào từng máng chứa tương ứng
Giao diện & Nguồn điện Màn hình Raspberry Pi LCD 7" Màn hình cảm ứng hiển thị trạng thái phân loại; Nguồn tổ ong 12V 5A và 5V 60A, công tắc KCD1-6-10A

Quy trình vận hành và kiểm thử

  1. Cà chua được đặt lên băng tải và di chuyển qua buồng tối được kiểm soát ánh sáng.
  2. Cảm biến nhận diện kích hoạt camera Raspberry Pi V1 chụp ảnh tĩnh của quả.
  3. Phần mềm viết bằng Python trên Raspberry Pi thực hiện cắt ảnh, chuyển đổi RGB sang HSV, áp mặt nạ màu để đếm pixel màu, đồng thời xử lý lọc Gauss - Canny để đo đường biên kích thước.
  4. Hệ thống phân định quả vào 1 trong 6 nhóm: Đỏ to, Đỏ nhỏ, Vàng to, Vàng nhỏ, Xanh to, Xanh nhỏ (hoặc xác định quả lỗi nếu không khớp thông số).
  5. Tín hiệu phân loại được gửi sang Arduino Mega 2560; khi cà chua trôi đến vị trí cảm biến E18-D80NK tương ứng, Arduino kích hoạt Servo MG995 điều khiển cánh tay gạt đẩy quả vào đúng khay phân loại.
  6. Toàn bộ hình ảnh và kết quả phân loại được hiển thị giám sát trực tiếp trên màn hình LCD 7 inch.

Nội dung chính theo từng chương

Chương 1: Đặt vấn đề và lý do chọn đề tài

Chương 1 khái quát vai trò của ngành xuất khẩu nông sản Việt Nam, thực trạng năng suất thu hoạch cà chua và các tiêu chuẩn xuất nhập khẩu nông sản. Tác giả phân tích các hạn chế của phương pháp phân loại thủ công và sự bất cập của các hệ thống công nghiệp ngoại nhập đối với cơ sở vừa và nhỏ, từ đó xác lập mục tiêu, giới hạn đề tài và cấu trúc báo cáo đồ án.

Chương 2: Cơ sở lý thuyết

Chương này cung cấp hệ thống lý luận về kỹ thuật phân loại nông sản (phân loại chất lượng bên trong bằng cảm ứng phản chiếu và chất lượng bên ngoài bằng camera multichannel). Trình bày chi tiết lý thuyết xử lý ảnh số: các bước thu nhận, tiền xử lý, phân đoạn, biểu diễn và trích xuất đặc trưng; toán tử lọc nhiễu Gaussian; giải thuật phát hiện biên Canny; thuật toán MedianFlow; đặc điểm ngôn ngữ Python, thư viện OpenCV và các không gian màu RGB, HSV. Chương 2 cũng xây dựng cơ sở phân loại sinh học của quả cà chua qua các thời kỳ sinh trưởng và xác lập bảng thông số ngưỡng màu thực nghiệm.

Chương 3: Tính toán và thiết kế

Tập trung xây dựng sơ đồ khối tổng quát và sơ đồ khối chi tiết của máy đánh giá chất lượng trái cây. Tác giả phân tích các yêu cầu kỹ thuật và tiến hành lựa chọn các thiết bị phần cứng (Raspberry Pi 3 Model B, Arduino Mega 2560, Camera 5MP, LED hắt 5054, cảm biến E18-D80NK, Servo MG995, động cơ JGB37-520, bộ nguồn tổ ong). Thiết kế sơ đồ nối dây tổng thể, giao diện hiển thị trên màn hình 7 inch và mô hình kết cấu cơ khí 3D (băng tải, buồng tối, rãnh phân loại).

Chương 4: Thi công hệ thống

Trình bày quy trình chế tạo cơ khí, gia công khung buồng tối, băng tải và hộp điều khiển. Trình bày chi tiết các lưu đồ giải thuật phân loại, lưu đồ điều khiển Arduino và các đoạn chương trình Python xử lý ảnh (chuyển đổi hệ màu, tạo mặt nạ màu, tính số pixel, chuyển ảnh nhị phân, tính độ dài biên và lưu mảng phân loại). Hoàn thiện việc lắp ráp, kết nối dây dẫn và kiểm tra chức năng từng khối.

Chương 5: Kết quả, nhận xét, đánh giá, thực nghiệm

Trình bày kết quả hoàn thiện phần cứng mô hình thực tế và giao diện phần mềm. Tiến hành các đợt chạy thực nghiệm với các mẫu cà chua thực tế ở các nhóm màu và kích thước khác nhau. Ghi nhận số liệu phân loại thành công đối với 6 nhóm sản phẩm và trường hợp phát hiện quả lỗi, từ đó lập bảng thống kê đánh giá, tính toán tỷ lệ phân loại đúng trung bình và phân tích sai số trong quá trình thực nghiệm.

Chương 6: Kết luận và hướng phát triển

Tổng kết mức độ hoàn thành các mục tiêu nghiên cứu của đồ án, khẳng định tính khả thi của giải pháp cơ điện tử kết hợp xử lý ảnh trên nền tảng nhúng giá thành thấp, đồng thời chỉ ra các hạn chế kỹ thuật còn tồn tại và đề xuất các hướng cải tiến cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm

  • Chế tạo hoàn chỉnh mô hình máy đánh giá và phân loại cà chua tự động với cơ cấu băng tải, buồng tối quang học, hệ thống gạt servo và màn hình điều khiển giao diện người dùng.
  • Hệ thống thực hiện nhận dạng, dán nhãn và phân loại thành công 6 nhóm quả theo đúng tiêu chí thiết kế:
    1. Cà chua xanh nhỏ
    2. Cà chua xanh to
    3. Cà chua vàng nhỏ
    4. Cà chua vàng to
    5. Cà chua đỏ nhỏ
    6. Cà chua đỏ to
  • Nhận diện và gạt bỏ các trường hợp quả không đạt tiêu chuẩn (quả lỗi không nằm trong các ngưỡng màu hoặc kích thước quy định).
  • Xác lập bộ dải giá trị màu HSV thực nghiệm tối ưu cho bề mặt quả cà chua trong điều kiện buồng tối chiếu sáng LED 5054:
    • Màu đỏ: $H \in [0, 10] \cup [160, 179]$, $S \in [100, 255]$, $V \in [100, 255]$
    • Màu vàng: $H \in [21, 40]$, $S \in [39, 255]$, $V \in [64, 255]$
    • Màu xanh: $H \in [45, 54]$, $S \in [68, 86]$, $V \in [34, 47]$

Đóng góp của đề tài

  • Ứng dụng thành công kỹ thuật thị giác máy tính kết hợp giữa máy tính nhúng Raspberry Pi và vi điều khiển Arduino Mega trong bài toán tự động hóa nông nghiệp với chi phí thấp.
  • Cung cấp tài liệu thiết kế cơ khí và giải thuật mẫu phục vụ việc nghiên cứu, phát triển các dây chuyền phân loại nông sản có quy mô vừa và nhỏ.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Hệ thống chỉ mới thử nghiệm và áp dụng cho giống cà chua hình dạng quả tròn (Round); chưa thể phân loại chính xác các giống có hình thái phức tạp (cà chua quả dài, cà chua múi, cà chua bi).
  • Việc tính toán kích thước dựa trên hình ảnh 2D từ trên xuống nên chỉ đo được đường biên bề mặt phẳng chiếu của quả, chưa phản ánh đầy đủ thể tích không gian 3 chiều và khối lượng thực tế.
  • Chưa tích hợp module đánh giá phẩm chất bên trong quả (như độ ngọt Brix, tình trạng hỏng thối bên trong).

Hướng nghiên cứu tiếp

  • Mở rộng thuật toán nhận dạng để xử lý đa dạng các loại trái cây và nhiều giống cà chua khác nhau.
  • Tích hợp thêm cảm biến cân khối lượng và hệ thống camera đa góc hoặc cảm biến quang phổ để đánh giá cả ngoại quan lẫn chất lượng bên trong quả.
  • Tối ưu hóa tốc độ xử lý của thuật toán và nâng cấp cơ cấu chấp hành để tăng năng suất phân loại trên quy mô lớn hơn.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho:

  • Sinh viên và học viên ngành Công nghệ Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển & Tự động hóa, Kỹ thuật Máy tính khi thực hiện đồ án tốt nghiệp liên quan đến nhúng thị giác máy tính (Embedded Computer Vision).
  • Kỹ sư cơ điện tử: Tham khảo phương pháp phối hợp giữa Raspberry Pi (xử lý ảnh cấp cao với Python/OpenCV) và Arduino (điều khiển tín hiệu vào/ra, động cơ, cảm biến theo thời gian thực).
  • Phần giá trị nhất: Phương pháp thiết kế buồng tối chiếu sáng cưỡng bức, quy trình chuyển đổi và cấu hình dải ngưỡng không gian màu HSV cho nông sản thực tế.

Câu hỏi thường gặp

1. Hệ thống phân loại cà chua thành bao nhiêu nhóm cụ thể?
Hệ thống phân loại thành 6 nhóm dựa trên sự kết hợp giữa 3 trạng thái màu sắc và 2 cấp kích thước: Xanh nhỏ, Xanh to, Vàng nhỏ, Vàng to, Đỏ nhỏ, Đỏ to, cùng với trạng thái phát hiện quả lỗi.

2. Tiêu chuẩn kích thước để phân biệt cà chua "to" và "nhỏ" trong đồ án là bao nhiêu?
Cà chua nhỏ được xác định là quả có kích thước đường kính dưới 50 mm; cà chua to có kích thước đường kính từ 50 mm đến dưới 70 mm.

3. Tại sao hệ thống cần chuyển đổi ảnh từ hệ màu RGB sang hệ màu HSV?
Không gian màu RGB bị phụ thuộc nhiều vào cường độ ánh sáng môi trường. Việc chuyển sang không gian màu HSV giúp tách biệt kênh màu sắc (Hue) với độ bão hòa (Saturation) và độ sáng (Value), từ đó phân tích và nhận diện màu sắc vỏ quả ổn định và chính xác hơn.

4. Hai bộ điều khiển Raspberry Pi 3 và Arduino Mega 2560 phân chia nhiệm vụ như thế nào?
Raspberry Pi 3 Model B đóng vai trò trung tâm xử lý ảnh, chạy thuật toán Python/OpenCV để nhận diện màu sắc, kích thước và hiển thị giao diện lên màn hình LCD 7 inch. Arduino Mega 2560 nhận kết quả phân loại từ Raspberry Pi để đọc cảm biến quang E18-D80NK và điều khiển các động cơ servo MG995 gạt cà chua vào đúng khay.

5. Đề tài có áp dụng cho tất cả các loại cà chua trên thị trường không?
Không. Đề tài giới hạn phạm vi nghiên cứu trên giống cà chua dạng "quả tròn" (Round) và loại trừ các giống cà chua múi, cà chua nhót, cà chua quả dài, cà chua bi và cà chua Salad.

Kết luận

Đồ án tốt nghiệp "Máy đánh giá chất lượng trái cây tự động" của nhóm sinh viên ngành Công nghệ Kỹ thuật Cơ điện tử (HCMUTE) đã thiết kế và chế tạo thành công mô hình phân loại cà chua tự động dựa trên xử lý ảnh. Bằng việc kết hợp kit nhúng Raspberry Pi 3, Arduino Mega 2560, thư viện OpenCV và cơ cấu gạt servo, hệ thống thực hiện hiệu quả việc nhận dạng 6 nhóm kích thước - màu sắc và loại bỏ quả lỗi trong môi trường buồng tối kiểm soát quang học. Kết quả nghiên cứu là tài liệu kỹ thuật có giá trị thực tiễn cao cho việc ứng dụng thị giác máy tính vào tự động hóa chế biến nông sản quy mô vừa và nhỏ.