Giới thiệu dự án

Trong ngành công nghiệp chế biến thực phẩm hiện đại, kiểm định chất lượng và an toàn dinh dưỡng là khâu bắt buộc nhằm đáp ứng các tiêu chuẩn quản lý nhà nước và bảo vệ sức khỏe người tiêu dùng. Theo các báo cáo kỹ thuật ngành công nghiệp thực phẩm, phụ phẩm từ quá trình giết mổ động vật chiếm tới 40–50% tổng trọng lượng nhưng thường được tái chế thành các sản phẩm thịt chế biến sẵn như xúc xích, giò chả. Hàm lượng chất béo (lipid) trong các sản phẩm này là chỉ số quyết định chất lượng cảm quan và giá trị dinh dưỡng, đồng thời là tác nhân liên quan trực tiếp đến các bệnh lý tim mạch, béo phì và tiểu đường nếu tiêu thụ vượt mức khuyến nghị.

+-----------------------------------------------------------------------------------+
|                            BÀI TOÁN & GIẢI PHÁP TỔNG THỂ                         |
+-----------------------------------------------------------------------------------+
|  Hiện trạng: Phương pháp hóa ướt (Soxhlet) tốn hóa chất độc hại, phá hủy mẫu;     |
|              Máy quang phổ phòng thí nghiệm (SpectraStar 2600XT) giá quá cao.    |
|                                                                                   |
|  Giải pháp:  Hệ thống cảm biến đa phổ cận hồng ngoại (NIR AS7265x) kết hợp       |
|              máy tính nhúng Raspberry Pi 4 và mô hình AI đa thuật toán (MindsDB)   |
|              để định lượng nồng độ chất béo không phá hủy mẫu trong 5–7 giây.     |
+-----------------------------------------------------------------------------------+

Vấn đề kỹ thuật thực tế (Problem Statement)

Các phương pháp định lượng chất béo truyền thống (như chiết xuất dung môi Soxhlet hoặc quang phổ kế tiêu chuẩn phòng lab) gặp phải các hạn chế nghiêm trọng:

  • Phá hủy mẫu vật: Mẫu phân tích bị biến tính hoàn toàn sau kiểm nghiệm hóa lý.
  • Thời gian trễ lớn và độc hại: Quá trình trích ly dung môi kéo dài nhiều giờ, sử dụng hóa chất hữu cơ bay hơi gây hại cho người thao tác và môi trường.
  • Chi phí trang thiết bị đắt đỏ: Máy quang phổ nhập khẩu (như Unity Scientific NIR SpectraStar™ 2600XT) có giá hàng chục nghìn USD, cồng kềnh và thiếu khả năng tùy biến giao diện tiếng Việt cho các cơ sở sản xuất vừa và nhỏ.

Mục tiêu của đồ án

  1. Thiết kế và chế tạo phần cứng thu thập quang phổ cận hồng ngoại sử dụng cụm cảm biến đa kênh AS7265x và máy tính nhúng Raspberry Pi 4 Model B.
  2. Xây dựng khối phát xạ quang học sử dụng nguồn sáng Halogen điều chế nhiệt độ bằng rơ-le (Relay) và mạch ổn dòng nhằm bảo toàn cấu trúc bề mặt mẫu đo.
  3. Thu thập và chuẩn hóa bộ dữ liệu quang phổ thực tế từ 200–300 mẫu xúc xích thương phẩm thuộc nhiều thương hiệu trên thị trường.
  4. Triển khai mô hình học máy (Machine Learning) thông qua nền tảng MindsDB (kết hợp Artificial Neural Network và LightGBM) để dự đoán chính xác hàm lượng chất béo.
  5. Thiết lập kiến trúc phần mềm tích hợp hoàn chỉnh: MQTT Broker trung gian, RESTful API xây dựng trên ExpressJS, cơ sở dữ liệu MySQL lưu trữ tập trung và giao diện điều khiển (Web App / Màn hình LCD tích hợp).

Phạm vi và giới hạn nghiên cứu

  • Đối tượng: Định lượng hàm lượng chất béo trong các dòng sản phẩm xúc xích tiệt trùng và xúc xích tươi thương phẩm.
  • Phổ đo lường: Tập trung vào dải sóng cận hồng ngoại bước sóng ngắn từ 610 nm đến 900 nm (đặc trưng cho dao động điều hòa bậc cao Overtone và Combination Bands của liên kết C-H, O-H trong phân tử lipid).
  • Hiệu năng kỳ vọng: Thời gian phản hồi chu trình đo từ 5–7 giây, sai số tuyệt đối thấp với độ chính xác đạt trên 90%.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí phân tích Phương pháp hóa lý (Soxhlet) Máy quang phổ Lab (NIR SpectraStar 2600XT) Hệ thống nhúng quang phổ AS7265x + MindsDB (Đồ án)
Bản chất đo lường Phá hủy mẫu vật Không phá hủy mẫu Không phá hủy mẫu (Non-destructive)
Thời gian phân tích 2 – 6 giờ 1 – 2 phút 5 – 7 giây
Chi phí triển khai Trung bình (chi phí hóa chất liên tục) Rất cao (> 30.000 USD) Rất thấp (< 200 USD cho toàn bộ phần cứng)
Độ phức tạp vận hành Cần kỹ thuật viên hóa nghiệm Yêu cầu hiệu chuẩn phòng lab Vận hành tự động qua 1 nút nhấn / Web API
Tính cơ động Cố định trong phòng lab Cồng kềnh, đặt cố định Thiết bị IoT nhỏ gọn, đo đạc tại hiện trường
Mức độ an toàn Tiềm ẩn độc hại dung môi hữu cơ An toàn quang học An toàn tuyệt đối, không hóa chất độc hại

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Đo đạc chính xác phản xạ quang phổ tại các kênh bước sóng chủ đạo của chất béo (610–900 nm); tích hợp vi điều khiển/nhúng điều khiển chu kỳ bật/tắt đèn halogen; mô hình AI suy luận nồng độ chất béo trả về thời gian thực; cơ sở dữ liệu lưu vết dữ liệu đo.
  • Should have (Nên có): Điều khiển từ xa thông qua giao diện Web; giao thức MQTT truyền nhận dữ liệu phi đồng bộ; màn hình cảm ứng LCD hiển thị trực quan tại trạm đo.
  • Could have (Có thể mở rộng): Tự động phát hiện loại xúc xích dựa trên đặc trưng phổ bề mặt; cơ chế bù nhiệt tự động cho cảm biến.
  • Won't have (Chưa thực hiện): Phân tích đồng thời hàm lượng Protein, Tinh bột và Độ ẩm trong cùng một phiên bản suy luận.

Thiết kế kiến trúc hệ thống

+---------------------------------------------------------------------------------------+
|                                KIẾN TRÚC TỔNG THỂ HỆ THỐNG                             |
+---------------------------------------------------------------------------------------+
|                                                                                       |
|   +--------------------------+                      +-----------------------------+   |
|   |     KHỐI PHẦN CỨNG       |                      |      KHỐI PHẦN MỀM          |   |
|   |  - Đèn Halogen 12V-5W    |                      |  - MQTT Broker (Mosquitto)  |   |
|   |  - Module Relay 5V       |      MQTT Over IP    |  - ExpressJS API Server     |   |
|   |  - AS7265x (Triad Sensor)| <==================> |  - MySQL RDBMS (InnoDB)     |   |
|   |  - Raspberry Pi 4 (Edge) |                      |  - MindsDB Engine           |   |
|   |  - Màn hình MHS 3.5"     |                      |    (ANN + LightGBM Model)   |   |
|   +--------------------------+                      +-----------------------------+   |
|                 ^                                                  ^                  |
|                 | (SPI / I2C / GPIO)                               | (RESTful HTTP)   |
|                 v                                                  v                  |
|   +--------------------------+                      +-----------------------------+   |
|   |   GIAO DIỆN TẠI CHỖ      |                      |   ỨNG DỤNG NGƯỜI DÙNG       |   |
|   |  - UI Tkinter trên Pi    |                      |  - Web Client Dashboard     |   |
|   |  - Nút bấm cơ PBS-33B    |                      |  - DBeaver Management GUI   |   |
|   +--------------------------+                      +-----------------------------+   |
+---------------------------------------------------------------------------------------+

Chi tiết Stack công nghệ và phần cứng

  • Xử lý trung tâm cạnh (Edge Processing): Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 ARM v8 64-bit @ 1.5GHz, 4GB LPDDR4 SDRAM, Raspberry Pi OS).
  • Cảm biến quang phổ: SparkFun Triad Spectroscopy Sensor AS7265x (bao gồm AS72651 NIRS Master, AS72652 Spectral ID, AS72653 UV-VIS Slave kết nối I2C, độ phân giải quang học 18 kênh từ 410 nm đến 940 nm, độ rộng nửa cực đại FWHM = 20 nm, độ chính xác bước sóng WACC = ±10 nm, góc thu quang AFOV = ±20.5°).
  • Nguồn kích thích quang phổ: Đèn Philips Halogen T10 W5W (12V–5W, dải phổ liên tục 320 nm – 2400 nm) kết hợp mạch ổn dòng chống trôi quang thông và Relay 5V kích mức cao (High-Level Trigger).
  • Màn hình hiển thị: MHS-3.5 inch RPi Display (độ phân giải 480x320 pixel, giao tiếp qua bus SPI và header 40-pin GPIO).
  • Hạ tầng Backend & Database: Node.js v16+ / ExpressJS v4.18+, MySQL Server 8.0 (InnoDB Engine, utf8mb4), Docker Engine v20.10+ containerization.
  • Nền tảng trí tuệ nhân tạo (AI Engine): MindsDB v22.1 (AutoML Engine hỗ trợ PyTorch, TensorFlow, LightGBM và Scikit-Learn).

Thiết kế cơ sở dữ liệu (Database Schema)

Cơ sở dữ liệu predicted_fats lưu trữ kết quả phân tích và vệt dữ liệu thô (raw spectral data) từ cảm biến quang phổ gửi lên:

CREATE DATABASE IF NOT EXISTS predicted_fats CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

USE predicted_fats;

CREATE TABLE IF NOT EXISTS data_fats (
    id INT AUTO_INCREMENT PRIMARY KEY,
    fats FLOAT NOT NULL COMMENT 'Hàm lượng chất béo dự đoán (%)',
    score FLOAT NOT NULL COMMENT 'Độ tin cậy của mô hình (Confidence score)',
    input VARCHAR(255) NOT NULL COMMENT 'Chuỗi giá trị phổ thô 8 kênh (w610..w900)',
    timer TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT 'Thời điểm ghi nhận'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Implementation và kết quả

Quy trình phát triển và thuật toán

Hệ thống hoạt động dựa trên nguyên lý quang phổ phản xạ khuếch tán bên trong (Internal Diffuse Reflectance). Khi ánh sáng halogen chiếu vào mẫu xúc xích, năng lượng photon bị hấp thụ chọn lọc bởi các liên kết hóa học đặc thù theo hệ thức:

$$\lambda = \frac{c}{\nu}$$

Trong đó phân tử lipid với cấu trúc chuỗi alkyl $-(CH_x)_n$ và nhóm carboxyl $-COOH$ gây suy giảm năng lượng quang phổ tại các bước sóng cận hồng ngoại 590 nm, 610 nm, 680 nm, 705 nm, 730 nm, 760 nm, 810 nm, 860 nm và 900 nm.

+-----------------------------------------------------------------------------------+
|                        LUỒNG XỬ LÝ DỮ LIỆU TỪ CẢM BIẾN ĐẾN AI                     |
+-----------------------------------------------------------------------------------+
|  [Trạng thái nghỉ]                                                                |
|         |                                                                         |
|         v                                                                         |
|  [Nhận tín hiệu kích hoạt từ Nút bấm / Web API]                                   |
|         |                                                                         |
|         v                                                                         |
|  [Raspberry Pi kích hoạt Relay: Đèn Halogen sáng trong đúng 3.0 giây]             |
|         |                                                                         |
|         v                                                                         |
|  [Tắt đèn Halogen -> Cảm biến AS7265x đọc 18 kênh phổ qua I2C]                   |
|         |                                                                         |
|         v                                                                         |
|  [Trích xuất 8 kênh quan trọng: w610, w680, w705, w730, w760, w810, w860, w900]    |
|         |                                                                         |
|         v                                                                         |
|  [Đóng gói JSON payload -> Publish qua MQTT Topic 'sensor/spectral_data']         |
|         |                                                                         |
|         v                                                                         |
|  [ExpressJS Server tiếp nhận -> Thực thi SQL Inference tới MindsDB]               |
|         |                                                                         |
|         v                                                                         |
|  [MindsDB Ensembling Model (ANN + LightGBM) tính toán nồng độ Fats + Confidence]  |
|         |                                                                         |
|         v                                                                         |
|  [Ghi kết quả vào MySQL -> Phản hồi Web Dashboard & Màn hình OLED/LCD]            |
+-----------------------------------------------------------------------------------+

Huấn luyện mô hình suy luận trên MindsDB

Dữ liệu quang phổ 8 kênh được đưa vào huấn luyện mô hình thông qua giao diện lập trình SQL mở rộng của MindsDB:

-- 1. Khởi tạo và huấn luyện mô hình học máy đa thuật toán
CREATE PREDICTOR mindsdb.fat_predictor_1
FROM files (SELECT * FROM data_1)
PREDICT fats;

-- 2. Kiểm tra trạng thái và đánh giá chất lượng mô hình
SELECT name, status, accuracy, predict, update_status, mindsdb_version 
FROM mindsdb.predictors 
WHERE name = 'fat_predictor_1';

-- 3. Truy vấn suy luận thời gian thực với dữ liệu cảm biến đầu vào
SELECT fats, fats_confidence 
FROM mindsdb.fat_predictor_1 
WHERE w610 = 123 
  AND w680 = 23 
  AND w705 = 12 
  AND w730 = 23 
  AND w760 = 123 
  AND w810 = 23 
  AND w860 = 123 
  AND w900 = 200;

MindsDB tự động lựa chọn và kết hợp thuật toán tối ưu (Ensemble Learning) giữa mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và mô hình cây quyết định tăng cường gradient LightGBM (Light Gradient Boosting Machine) dựa trên hàm đánh giá balanced_accuracy_score.

Testing và đánh giá thực nghiệm

Quá trình huấn luyện và kiểm thử được tiến hành qua hai giai đoạn mở rộng dữ liệu:

  • Giai đoạn 1 (Baseline Dataset): 160 mẫu đo huấn luyện (data_0), độ chính xác mô hình đạt 95.0% (0.950).
  • Giai đoạn 2 (Extended Dataset): 260 mẫu đo bao gồm tập huấn luyện (Training Set), tập đánh giá (Validation Set - 80 mẫu) và tập kiểm tra độc lập (Test Set), nâng độ chính xác tổng thể lên 95.8% (0.958).
Tập kiểm thử Chỉ số MSE (Mean Squared Error) Chỉ số MAE (Mean Absolute Error) Độ chính xác tổng thể (Accuracy)
Tập đánh giá (Validation - 80 mẫu) 0.0842 0.2150 95.2%
Tập kiểm tra (Test Set) 0.0718 0.1984 95.8% 
Chi tiết phân bổ sai số theo từng phân loại mẫu xúc xích:
- Xúc xích heo tiệt trùng:  MAE = 0.182%, MSE = 0.065
- Xúc xích bò tiệt trùng:   MAE = 0.204%, MSE = 0.078
- Xúc xích phô mai / xông khói: MAE = 0.221%, MSE = 0.089

Đánh giá độ trễ và thời gian xử lý toàn hệ thống

  • Thời gian gia nhiệt/kích quang: 3.00 giây (được cố định bởi xung điều khiển rơ-le để đảm bảo an toàn nhiệt mẫu).
  • Thời gian cảm biến quét và thu thập phổ: 1.25 giây.
  • Thời gian truyền thông mạng (MQTT + REST API): 0.45 giây.
  • Thời gian suy luận AI trên MindsDB: 0.85 giây.
  • Tổng thời gian hoàn tất 1 chu trình đo: 5.55 – 6.20 giây (đạt cam kết thiết kế < 7 giây).

Đổi mới và đóng góp

  1. Chuyển dịch từ hồi quy tuyến tính cổ điển sang AutoML đa mô hình: Khắc phục triệt để điểm nghẽn của đề tài nghiên cứu tiền nhiệm (chỉ sử dụng hồi quy đa biến tuyến tính với sai số lớn trên mẫu phi tuyến). Việc ứng dụng MindsDB với kiến trúc kết hợp ANN + LightGBM giúp tăng độ chính xác dự đoán từ khoảng 80–85% lên 95.8% (cải thiện hơn 12.7% độ chính xác).
  2. Thu nhỏ kích thước và tối ưu hóa chi phí cảm biến quang học: Thay thế các bộ đơn sắc (Monochromator) hoặc cách sai quang phổ cơ điện cồng kềnh bằng cụm chip cảm biến đa kênh AS7265x tích hợp bộ lọc giao thoa quang học (Interference filters). Chi phí phần cứng giảm hơn 98% so với máy quang phổ công nghiệp.
  3. Cơ chế kiểm soát nhiệt lượng thông minh (Thermal Pulse Control): Đèn Halogen công suất cao phát xạ nhiệt mạnh có thể làm biến tính protein và mỡ trên bề mặt xúc xích. Giải pháp đóng ngắt xung 3 giây qua relay và ổn dòng giúp giữ vững phổ phản xạ của mẫu vật trong phạm vi nhiệt độ phòng mà không làm hư hại mẫu.
  4. Kiến trúc IoT đồng bộ toàn diện: Xây dựng luồng dữ liệu khép kín từ cảm biến vật lý $\rightarrow$ Máy tính nhúng $\rightarrow$ MQTT Broker $\rightarrow$ ExpressJS API $\rightarrow$ MindsDB $\rightarrow$ MySQL, sẵn sàng triển khai theo mô hình Edge-to-Cloud trong công nghiệp chế biến 4.0.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong chuỗi cung ứng thực phẩm

  • Trạm kiểm soát chất lượng tại chuyền sản xuất (In-line QC): Lắp đặt trực tiếp trên băng chuyền đóng gói xúc xích để lấy mẫu xác suất ngẫu nhiên với tốc độ 6 giây/mẫu mà không làm gián đoạn dây chuyền.
  • Hệ thống kiểm tra nhanh tại siêu thị và kho lạnh: Nhân viên kiểm tra chất lượng tại điểm bán (Point of Sale) có thể xác minh độ chuẩn xác của bảng thành phần dinh dưỡng in trên bao bì.
  • Phòng thí nghiệm kiểm định vệ sinh an toàn thực phẩm: Đóng vai trò công cụ sàng lọc nhanh (Rapid Screening Tool) trước khi quyết định gửi mẫu đến các phép thử hóa lý chuyên sâu.
+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI THỰC TẾ (ROADMAP)                      |
+-----------------------------------------------------------------------------------+
|  Giai đoạn 1 (1-2 tháng): Thử nghiệm đóng gói buồng đo quang học khép kín         |
|                           chống nhiễu quang môi trường (Dark Chamber Box).        |
|                                                                                   |
|  Giai đoạn 2 (3-4 tháng): Mở rộng tập mẫu lên >1.000 mẫu đa dạng; tích hợp mô     |
|                           hình phát hiện đồng thời Tinh bột, Protein, Nước.       |
|                                                                                   |
|  Giai đoạn 3 (5-6 tháng): Đóng gói thiết bị cầm tay thương mại (Handheld Scanner) |
|                           với pin Li-ion và kết nối Bluetooth Low Energy (BLE).   |
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Chi phí đầu tư phần cứng: ~4.500.000 VNĐ (~180 USD) bao gồm Raspberry Pi 4, Cảm biến AS7265x, bóng Halogen, mạch nguồn và khung vỏ.
  • Chi phí vận hành cho 10.000 phép đo: Gần như bằng 0 VNĐ chi phí tiêu hao (so với hàng chục triệu đồng tiền hóa chất n-Hexane/Ether và ống mẫu cho phương pháp chiết Soxhlet).
  • Thời gian thu hồi vốn (ROI): Ước tính từ 1 – 2 tháng khi triển khai tại các cơ sở chế biến thực phẩm quy mô vừa và nhỏ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Nhiễu phổ do hàm lượng nước cao: Xúc xích chứa tỷ lệ pha lỏng (Liquid Phase) đáng kể; liên kết O-H của nước hấp thụ mạnh ở vùng cận hồng ngoại gây hiện tượng suy giảm tín hiệu tại một số kênh lân cận 940 nm.
  • Phụ thuộc vào nhãn kiểm chuẩn bao bì: Dữ liệu nhãn đối chứng (Ground Truth) trong giai đoạn này chủ yếu dựa trên thông số công bố của nhà sản xuất, cần bổ sung đối chiếu chéo với kết quả phân tích sắc ký khí/Soxhlet chuẩn phòng Lab.
  • Giới hạn số kênh quang phổ: Cảm biến AS7265x chỉ quét 18 kênh rời rạc (FWHM = 20 nm), chưa đạt độ phân giải phổ liên tục như các đầu dò quang phổ cao cấp (1 nm step).

Hướng phát triển tiếp theo

  • Bổ sung thuật toán tiền xử lý phổ nâng cao như chuyển đổi đạo hàm bậc 1/bậc 2 (Savitzky-Golay filter) hoặc chuẩn hóa biến số chuẩn (Standard Normal Variate - SNV) để loại bỏ hiện tượng tán xạ ánh sáng do độ nhám bề mặt.
  • Nâng cấp mô hình AI để định lượng đồng thời đa chỉ tiêu (Multi-target Regression): Hàm lượng chất béo, độ đạm (Protein) và độ ẩm.
  • Thu nhỏ toàn bộ hệ thống lên bo mạch tích hợp chuyên dụng (Custom PCB) sử dụng vi điều khiển ESP32-S3 hoặc Raspberry Pi Compute Module 4 để tối ưu hóa kích thước cầm tay.

Đối tượng hưởng lợi

  • Kỹ sư và sinh viên ngành Kỹ thuật máy tính / Hệ thống nhúng & IoT: Nắm bắt được phương pháp luận tích hợp giữa cảm biến quang học I2C/SPI, máy tính nhúng Linux, giao thức truyền thông MQTT và nền tảng AutoML hiện đại.
  • Doanh nghiệp chế biến thực phẩm vừa và nhỏ (SMEs): Tiếp cận giải pháp kiểm tra chất lượng dinh dưỡng không phá hủy mẫu với chi phí đầu tư ban đầu thấp hơn hàng chục lần so với thiết bị ngoại nhập.
  • Các nhà nghiên cứu ứng dụng thực phẩm: Sở hữu bộ dữ liệu cơ sở về đặc tính hấp thụ quang phổ của các sản phẩm thịt chế biến sẵn tại thị trường Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và môi trường để triển khai hệ thống là gì?

Hệ thống yêu cầu nguồn cấp kép: 5.1V–3A cho Raspberry Pi 4 Model B và nguồn DC 12V–3A cho bóng đèn Halogen Philips. Phần mềm yêu cầu hệ điều hành Raspberry Pi OS (64-bit), Docker Engine để chạy MindsDB container và MySQL Server. Cảm biến AS7265x giao tiếp qua bus I2C (địa chỉ mặc định 0x49).

2. Tại sao lại chọn bước sóng trong khoảng 610 nm – 900 nm để đo chất béo?

Trong vùng phổ cận hồng ngoại ngắn (Short-wave NIR), các liên kết cộng hóa trị C-H và O-H trong phân tử axit béo thể hiện các dao động điều hòa bậc cao (Overtones). Dải sóng 610–900 nm phản ứng nhạy với nồng độ lipid, đồng thời cho phép sử dụng cảm biến quang phổ silic (Silicon photodiode) giá thành rẻ và ít bị trôi dải nhiệt trong khoảng -15°C đến 75°C.

3. Hệ thống xử lý vấn đề quá nhiệt mẫu do đèn Halogen gây ra như thế nào?

Đèn Halogen 12V được điều khiển thông qua một module Rơ-le kích hoạt mức cao kết hợp mạch ổn dòng. Raspberry Pi chỉ cấp lệnh đóng tiếp điểm relay cho đèn sáng đúng 3.0 giây trong lúc cảm biến lấy mẫu rồi lập tức ngắt điện, đảm bảo nhiệt lượng không làm chín hoặc biến tính lipid trên bề mặt mẫu xúc xích.

4. Giao thức MQTT và kiến trúc API kết nối với MindsDB ra sao?

Raspberry Pi đóng vai trò MQTT Client xuất bản (Publish) chuỗi dữ liệu quang phổ 8 kênh lên Topic sensor/spectral_data. ExpressJS Server đăng ký nhận (Subscribe) dữ liệu, sau đó thực thi câu lệnh truy vấn SQL trực tiếp tới MindsDB thông qua cổng kết nối cơ sở dữ liệu MySQL tiêu chuẩn (Port 47334) để nhận về giá trị hàm lượng chất béo dự đoán cùng độ tin cậy.

5. Chi phí sản xuất và thời gian đáp ứng của thiết bị so với máy công nghiệp?

Thiết bị có tổng chi phí phần cứng dưới 200 USD (so với 30.000–50.000 USD của các máy quang phổ công nghiệp như NIR SpectraStar 2600XT). Toàn bộ chu trình từ lúc nhấn nút kích hoạt đến khi hiển thị kết quả trên màn hình chỉ mất từ 5.5 đến 6.2 giây.

Kết luận

Đồ án tốt nghiệp "Hệ thống định lượng chất béo trong sản phẩm xúc xích dựa trên cảm biến quang phổ cận hồng ngoại" của nhóm tác giả Nguyễn Minh Hùng và Nguyễn Đức Hoàn (Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM), dưới sự hướng dẫn của TS. Phạm Quốc Hùng, đã giải quyết thành công bài toán đo lường không phá hủy mẫu trong công nghiệp thực phẩm.

Bằng sự kết hợp giữa cụm cảm biến đa phổ AS7265x, máy tính nhúng Raspberry Pi 4 và mô hình AI đa thuật toán trên nền tảng MindsDB, hệ thống đạt độ chính xác dự đoán ấn tượng 95.8%, thời gian thực thi chỉ 5–7 giây và cắt giảm chi phí chế tạo tới hơn 95% so với thiết bị thương mại. Đây là tiền đề vững chắc cho việc phát triển các thiết bị IoT kiểm định an toàn thực phẩm thông minh, phục vụ hiệu quả cho nền sản xuất và tiêu dùng thực phẩm tại Việt Nam.