Nghiên cứu và giải pháp làm sạch tổ yến trong luận văn thạc sĩ kỹ thuật cơ điện tử

Luận văn thạc sĩ kỹ thuật nghiên cứu kỹ thuật cơ điện tử nghiên cứu và đề xuất giải pháp làm sạch tổ yến, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện

• Tác giả: Trần Văn Xuân
• Người hướng dẫn: PGS. Nguyễn Tấn Tiến
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Kỹ thuật Cơ Điện Tử
• Đề tài: Giải Pháp Làm Sạch Tổ Yến
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Quy trình làm sạch tổ yến

Quy trình làm sạch tổ yến đóng vai trò quan trọng trong ngành công nghiệp chế biến thực phẩm, nhất là đối với tổ yến, một sản phẩm có giá trị dinh dưỡng cao. Giải pháp làm sạch tổ yến được thực hiện qua bốn giai đoạn chính: thu hoạch, sơ chế, làm sạch và phơi khô. Trong giai đoạn thu hoạch, tổ yến được thu từ các nhà nuôi yến và phân loại theo chất lượng. Giai đoạn sơ chế bao gồm việc loại bỏ các tạp chất lớn như lông chim, bụi bẩn và phân động vật. Quy trình làm sạch tổ yến được thực hiện bằng tay hoặc bằng các thiết bị tự động hóa nhằm nâng cao hiệu quả và giảm thiểu sức lao động. Việc sử dụng công nghệ hiện đại như công nghệ thực phẩm trong quá trình làm sạch không chỉ giúp tiết kiệm thời gian mà còn đảm bảo chất lượng sản phẩm cuối cùng. Các sản phẩm yến sau khi làm sạch sẽ được phơi khô và đóng gói để đưa ra thị trường.

1.1. Giai đoạn thu hoạch

Giai đoạn thu hoạch tổ yến là bước đầu tiên trong quy trình làm sạch. Tổ yến được thu hoạch từ các nhà nuôi yến và được phân loại theo chất lượng. Có ba loại tổ yến chính: tổ ít lông, tổ nhiều lông và vụn yến. Việc phân loại này rất quan trọng vì nó quyết định đến quy trình làm sạch tiếp theo. Tổ yến loại A và B thường được xử lý khác với tổ loại C và D, nhằm đảm bảo chất lượng sản phẩm. Sau khi thu hoạch, tổ yến sẽ được đóng gói và vận chuyển về cơ sở chế biến, nơi chúng sẽ trải qua các bước sơ chế và làm sạch tiếp theo.

1.2. Giai đoạn sơ chế

Trong giai đoạn sơ chế, tổ yến sẽ được chuẩn bị để loại bỏ các tạp chất. Đối với tổ yến loại A và B, quy trình này thường sử dụng bình xịt phun sương và dao để loại bỏ tạp chất. Đối với tổ yến loại C và D, việc ngâm yến trong nước là cần thiết để làm mềm và dễ dàng loại bỏ các tạp chất. Giai đoạn này giúp loại bỏ hầu hết các tạp chất lớn như bụi, cát và lông lớn, chỉ còn lại những lông nhỏ dính vào tổ yến. Việc thực hiện quy trình này một cách cẩn thận là rất quan trọng để đảm bảo chất lượng của tổ yến sau khi làm sạch.

1.3. Giai đoạn làm sạch

Giai đoạn làm sạch là bước quan trọng nhất trong quy trình chế biến tổ yến. Sau khi sơ chế, tổ yến sẽ được làm sạch bằng tay hoặc bằng các thiết bị tự động hóa. Đối với tổ yến loại A và B, nhân viên sẽ sử dụng nhíp để gắp lông dính. Đối với tổ yến loại C và D, việc ngâm nước giúp dễ dàng loại bỏ lông. Đối với vụn yến, quy trình làm sạch thường được thực hiện bằng tay, đòi hỏi sự tỉ mỉ và khéo léo. Việc áp dụng công nghệ làm sạch hiện đại có thể giúp tăng hiệu quả và giảm thiểu sức lao động trong giai đoạn này.

1.4. Giai đoạn phơi khô

Sau khi hoàn tất quy trình làm sạch, tổ yến sẽ được phơi khô hoặc định hình để đóng gói sản phẩm. Đối với tổ yến đã được làm sạch, việc phơi khô không chỉ giúp bảo quản sản phẩm mà còn tạo ra các sản phẩm cao cấp như yến tinh chế. Quy trình này đòi hỏi sự chú ý đến các yếu tố như nhiệt độ và độ ẩm để đảm bảo chất lượng sản phẩm cuối cùng. Việc phơi khô đúng cách giúp tổ yến giữ được giá trị dinh dưỡng và hương vị tự nhiên, từ đó đáp ứng nhu cầu ngày càng cao của thị trường.

II. Công nghệ làm sạch tổ yến

Công nghệ làm sạch tổ yến hiện nay đang được áp dụng rộng rãi nhằm tối ưu hóa quy trình và nâng cao hiệu quả. Công nghệ thực phẩm và kỹ thuật cơ điện tử được tích hợp để phát triển các thiết bị tự động hóa trong quy trình làm sạch. Các thiết bị này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu sự can thiệp của con người, từ đó nâng cao độ chính xác trong việc loại bỏ tạp chất. Việc áp dụng công nghệ nhận diện đối tượng như mạng học sâu giúp xác định vị trí các tạp chất dính trong tổ yến, từ đó cải thiện quy trình làm sạch. Các nghiên cứu gần đây đã chỉ ra rằng việc sử dụng công nghệ này có thể tăng năng suất lên đến 80%, đồng thời giảm thiểu lỗi trong quá trình làm sạch.

2.1. Ứng dụng công nghệ tự động hóa

Công nghệ tự động hóa đang ngày càng được ứng dụng trong quy trình làm sạch tổ yến. Việc sử dụng máy móc và thiết bị tự động không chỉ giúp giảm thiểu sức lao động mà còn nâng cao hiệu quả làm sạch. Các thiết bị này có khả năng nhận diện và phân loại tạp chất một cách chính xác, từ đó giúp quá trình làm sạch diễn ra nhanh chóng và hiệu quả hơn. Bên cạnh đó, việc áp dụng công nghệ tự động hóa còn giúp giảm thiểu rủi ro trong quá trình sản xuất, đảm bảo an toàn thực phẩm và chất lượng sản phẩm cuối cùng.

2.2. Công nghệ nhận diện đối tượng

Công nghệ nhận diện đối tượng đã được áp dụng trong quy trình làm sạch tổ yến nhằm nâng cao độ chính xác trong việc phát hiện và loại bỏ tạp chất. Các mô hình học sâu như Mask R-CNN được sử dụng để phát hiện và định vị các tạp chất trong tổ yến. Công nghệ này giúp tối ưu hóa quy trình làm sạch, từ đó nâng cao chất lượng sản phẩm. Bên cạnh đó, việc sử dụng công nghệ này cũng giúp giảm thiểu thời gian làm sạch và tăng năng suất sản xuất, đáp ứng nhu cầu ngày càng cao của thị trường.

2.3. Đánh giá hiệu quả công nghệ

Đánh giá hiệu quả của công nghệ làm sạch tổ yến là rất quan trọng để xác định tính khả thi và ứng dụng thực tế của nó. Các nghiên cứu cho thấy rằng việc áp dụng công nghệ tự động hóa và nhận diện đối tượng có thể giúp giảm thời gian làm sạch xuống còn một nửa so với quy trình truyền thống. Đồng thời, chất lượng sản phẩm cũng được nâng cao, với tỷ lệ tạp chất còn lại giảm đáng kể. Điều này không chỉ giúp tăng cường uy tín của sản phẩm trên thị trường mà còn góp phần nâng cao giá trị kinh tế cho ngành công nghiệp chế biến tổ yến.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN phản giữa tạp chất và EBN để phân đoạn tạp chất và phát hiện. Mô hình học máy được phát triển gần đây cho các ứng dụng về thị giác máy tính, tuy nhiên vẫn còn hạn chế trong lĩnh phức phát hiện lông yến. Công trình liên quan đến kiểm tra chất lượng trong quá trình xử lí gần đây trong nghiên cứu [13], cho thấy các nghiên cứu gần đây chuyển dần sang hướng sử dụng các mạng học sâu.

Trong nghiên cứu này tác giả sử dụng mạng U-Net huấn luyện và đánh giá trên tập dữ liệu được tác giả tự xây dựng. Dựa trên nghiên cứu các công trình liên quan đến việc phát hiện lông yến, có thể thấy các hướng tiếp cận được thực hiện dựa trên các phương pháp Hình 1. Các hướng tiếp cận phát hiện tạp chất Trong các phương pháp trên các phương pháp dựa trên học sâu cho kết quả tốt hơn so với phương pháp khác, và không cần cấu hình nguồn sáng phức tạp hoặc phụ thuộc vào vị trí của camera. Ngoài ra một số công trình dựa trên các đặc tính hóa học không thích hợp cho chủ đề nhận diện dựa trên hình ảnh.

Do đó trong luận văn này, tác giả tiếp tục công trình nghiên cứu dựa trên học sâu.3 Mục tiêu, phạm vi và đối tượng nghiên cứu 1.1 Mục tiêu Mục tiêu của đề tài là khảo sát và đánh giá các nghiên cứu mới về bài toán phát hiện đối tượng áp dụng cho lớp bài toán xác định vị trí lông yến, từ đó đề xuất thay đổi, cải tiến và tìm ra mô hình phù hợp nhất đối với bài toán phát hiện và xác định vị trí lông yến. Đồng thời cũng thử nghiệm các loại mạng cơ sở nhằm có được mô hình tốt. Ngoài ra để phục vụ cho các nghiên cứu về đề tài phát hiện và xác định vị trí lông yến, tác giả cũng xây dựng tập dữ liệu về tạp chất cho các nghiên cứu sau.2 Phạm vi nghiên cứu Phạm vi nghiên cứu của đề tài là xác định đối tượng tạp chất trong ảnh bao gồm vị trí và từng điểm ảnh thuộc tạp chất, được sử dụng trong các camera được lắp ở góc máy ở vị trí vuông góc với khay yến. Điều kiện ánh sáng, góc quay, và độ cao của các camera này là có thể thay đổi phù hợp với điều kiện làm việc thực tế tại các công ty xử lí chế biến yến.3 Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài là các phương pháp thiết kế mô hình mạng, các phương pháp rút trích đặc trưng, kiến trúc mạng học máy, các phương pháp cải thiện, các phương pháp làm giàu dữ liệu theo hướng tập trung chủ yếu cho bài toán phát hiện đối tượng(object detection), dựa trên mô hình tiếp cận nhiều giai đoạn (multi-stage).4 Bố cục của luận văn Chương 1: Tổng quan: giới thiệu về quy trình làm sạch yến, mục tiêu, đối tượng nghiên cứu, cấu trúc luận văn.

Chương 2: Cơ sở lý thuyết: Các kiến thức cơ sở có liên quan và hỗ trợ cho các đề xuất trong đề tài. Chương 3: Phương án nguyên lí: xác định bài toán, các bước giải quyết bài toán. Chương 4: Thực hiện thí nghiệm: Trình bày phương pháp và cách thức thí nghiệm. Chương 5: Kết quả thí nghiệm: So sánh và đánh giá hiệu quả của các thí nghiệm.

TỔNG QUAN Chương 6: Kết luận: Tổng kết kết quả thí nghiệm, và những điểm cần cải thiện, cần thí nghiệm thêm trong tương lai. TỔNG QUAN Hình 1. Quy trình làm sạch lông yến 10 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT Học máy là một trong các lĩnh vực phát triển nhanh hiện nay. Học máy được chia ra nhiều phương pháp trong đó phương pháp sử dụng mạng nơron đang phát triển nhanh trong những năm gần đây.

Mạng học sâu dần trở thành một nhánh quan trọng và có ứng dụng trong nhiều lĩnh vực từ xử lí âm thanh cho đến giọng nói. Riêng lĩnh vực thị giác máy tính, mạng học sâu cũng có tác động to lớn trong việc giải quyết các bài toán về xử lí ảnh. Với sự phát triển của tốc độ và bộ nhớ phần cứng, các phương pháp học sâu có cơ sở để hiện thực hóa các giải thuật vốn đòi hỏi tốc độ và bộ nhớ tính toán cao, do đó chúng đang trở thành cách tiếp cận thống trị trong nhiều lĩnh vực của thị giác máy tính, xử lý ngôn ngữ tự nhiên và khoa học dữ liệu. Đối với bài toán truyền thống phát hiện và phân loại đối tượng, mạng học sâu cũng được áp dụng trong các công trình [13], [14],[15], [16], [17], [18].1 Mạng nơron nhân tạo Mạng nơron được thể hiện là một mạng các nút, trong đó tạo thành mạng lưới các hàm toán học.

Mỗi neron gồm nhiều đầu vào và đầu ra mô phỏng hoạt động của mạng thần kinh trong tự nhiên. Để thể hiện đóng góp của mỗi tín hiệu đầu vào, đầu ra lấy tổng có trọng số của các điểm đầu vào. Phép tổng có trọng số được coi là phép biến đổi tuyến tính đầu vào bằng đầu ra. Để thể hiện tính chất phi tuyến của khả năng học, một hàm kích hoạt phi tuyến nhận đầu vào là tổ hợp tuyến tính và cho ra kết quả đầu ra.

Sơ đồ biểu diễn một nút mạng nơron được thể hiện như trong hình bên dưới: 11 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Hình 2. Sơ đồ tính toán một nút nơron Các hàm kích hoạt thường thấy là hàm Tank, ReLU, Sigmoid,. Tuy nhiên để mạng học được, các hàm kích hoạt phải có các tính chất sau để đảm bảo quá trình học không bị suy giảm độ dốc về không: 1.

Đồng biến trên không gian số thực, cho phép đặc trưng cho tính chất của dữ liệu đầu vào 2. Có thể lấy đạo hàm trên không gian số thực Dựa trên giải thuật học, các trọng số của mạng nơron sẽ được điều chỉnh theo đầu ra của dữ liệu huấn luyện. Khả năng học của mạng nơron là do việc kết hợp nhiều nút mạng lại với nhau, tăng khả năng biểu diễn của 1 bài toán. Mạng nơron có thể biểu diễn được mối quan hệ giữa đầu ra và đầu vào trong mọi vấn đề.

Do đó, mạng nơron là phương pháp rất linh hoạt trong việc giải quyết nhiều nhiệm vụ phức tạp mà việc thiết kế giải thuật thông thường khó có thể có được.2 Suy giảm độ dốc và lan truyền ngược Các giải thuật học cho mạng nơron hiện nay đều dựa trên giải thuật suy giảm độ dốc và phương pháp tối thiểu hóa hàm mục tiêu L. Hàm mục tiêu là một hàm thể hiện mối quan hệ giữa đầu ra quan sát, đầu vào, và đầu ra của mạng sao cho khi hàm L được tối thiểu hóa, các trọng số ω được cập nhật tối ưu theo giải thuật lan truyền ngược. Các thay đổi của ω sẽ giảm đi một lượng bằng đạo hàm của hàm L. Công thức cập nhật trọng số của một nơron được thể hiện như công thức bên dưới: ∂L ω =ω−α× (2.

CƠ SỞ LÝ THUYẾT Trong đó α là hệ số tỉ lệ đặc trưng cho việc học nhanh hay chậm của giải thuật gọi là hệ số học (Learning Rate). Việc chọn lựa α được coi là chọn lựa các siêu tham số vì mỗi mô hình và giải thuật học, chúng sẽ có giá trị tối ưu khác nhau. Nếu chọn không đúng hệ số này có thể khiến cho mô hình không thể học được. Sơ đồ tính toán hai nút nơron Trong mô hình ví dụ như trong Hình 2.2, là một mạng nơron gồm hai nút mạng, trong đó nơron n1 sẽ lấy tổng đầu vào x1 và ω1 , và là đầu vào của hàm f1 (x), nơron n2 sẽ lấy tổng đầu vào x2 và ω2 , và là đầu vào của hàm f2 (x).

Để tính toán được khả năng học của mô hình mạng nơron khi sử dụng giải thuật suy giảm độ dốc, ta cần tính toán được giá trị đạo hàm của hàm L theo các trong số. Công thức tính toán được cho trong phương trình bên dưới sử dụng lan truyền ngược: ∂L ∂L ∂f2 = × (2.3) ∂ω1 ∂f2 ∂f1 ∂ω1 Sau khi đã tính toán được đạo hàm của mỗi thông số, áp dụng Công Thức 3.10 ta nhận được các trọng số tối ưu. Quá trình học một mạng nơron nhiều lớp cũng diễn ra tương tự như quá trình tính toán ở trên, trong đó gồm các bước sau: 1. Lan truyền thuận: Dữ liệu đầu vào được đưa vào mạng tính toán và cho ra kết quả.

Sau đó các dữ liệu tính toán đầu ra được lưu lại để tính toán cho bước lan truyền thuận. Lan truyền ngược: đạo hàm được tính toán từng lớp một và lan truyền ngược về từng lớp mạng dựa trên quy tắc dây truyền (Chain-Rule) tính đạo hàm. Quá trình này được tính toán lần lượt cho mỗi trọng số của mỗi lớp mạng. Cập nhật trọng số: các trọng số được cập nhật theo Công Thức 3.10 cho đến khi hàm L không còn thay đổi nhiều, lúc này hàm tối ưu.

Quá trình học kết thúc.3 Mạng học sâu tích chập Mạng học sâu tích chập là mạng sử dụng các phép toán tích chập trên đầu vào dữ liệu hoặc trong các bước trung gian, nhằm phát hiện được các đặc trưng của dữ liệu. Các phép toán tích chập được chồng theo nhiều lớp, trong đó đầu ra của lớp trước phía trước là đầu vào của lớp phía sau. Các lớp này dùng để phát hiện đặc trưng ngày càng trừu tượng của dữ liệu. Phép toán tích chập thích hợp cho các bài toán về xử lí ảnh, trong đó dữ liệu có dạng mảng hai chiều, có thể dễ dàng áp dụng phép tích chập bằng cách sử dụng phép nhân ma trận.

Một kiến trúc mạng tích chập điển hình thường gồm hai phần: trích xuất đặc trưng và lớp phân loại như hình bên dưới. Hầu hết các mạng xử lí hiệu hiện nay cho dữ liệu ảnh đều sử dụng CNN và các phiên bản sửa đổi của chúng cho kết quả tối ưu về trích xuất đặc trưng trong quá trình học. Ví dụ minh họa cho các lớp tích chập Trong mạng nơron tích chập, một lớp tính toán tích chập là một phép tích chập đa kênh với kernel là bộ tham số. Mỗi kênh trong tensor đa kênh được gọi là một bản đồ đặc trưng (feature map), nói cách khác ảnh đa kênh được gọi là một bộ bản đồ đặc trưng.

Mỗi giá trị ở đầu ra sẽ không được tính trên toàn bộ đầu vào, mà chỉ được tính từ một trường tiếp nhận (receptional field). Điều này thỏa mãn giả thiết rằng thông 14 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT tin từ các điểm ảnh nằm gần nhau sẽ có ý nghĩa hơn các điểm ảnh nằm xa nhau. Với ý tưởng này, lớp tích chập giảm đáng kể lượng trọng số trong một lớp, đồng thời giữ được tính cục bộ của dữ liệu.