Tổng quan về luận án

Ngành nông nghiệp Việt Nam đang trải qua quá trình chuyển dịch mạnh mẽ hướng tới tự động hóa và tiêu chuẩn hóa chất lượng xuất khẩu theo Quyết định số 418/QĐ-TTg của Thủ tướng Chính phủ. Xoài (Mangifera indica L.) là nông sản xuất khẩu chủ lực đứng thứ hai cả nước với diện tích canh tác vượt 87.000 ha và sản lượng đạt 893,2 ngàn tấn năm 2020. Tuy nhiên, rào cản kỹ thuật khắt khe từ các thị trường quốc tế cùng thực trạng "tỷ lệ hao hụt sau thu hoạch trong quá trình thu hoạch và vận chuyển, bảo quản, sau thu hoạch còn khá lớn chiếm hơn 27%" đang đặt ra thách thức nghiêm trọng cho chuỗi giá trị nông sản vùng Đồng bằng sông Cửu Long, đặc biệt là thủ phủ xoài Đồng Tháp với diện tích 12.106 ha. Luận án tiến sĩ ngành Kỹ thuật Cơ khí (mã số: 9520103) của tác giả Nguyễn Đức Thông, dưới sự hướng dẫn của PGS. Nguyễn Trường Thịnh và PGS. Huỳnh Thanh Công tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, đã giải quyết trực diện nút thắt này thông qua đề tài: "Nghiên cứu thiết kế hệ thống phân loại nông sản hiệu suất cao sử dụng công nghệ xử lý ảnh kết hợp trí thông minh nhân tạo".

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ sự thiếu hụt các hệ thống phân loại công nghiệp tốc độ cao có khả năng đánh giá đồng thời cả chỉ tiêu ngoại quan (kích thước, thể tích, diện tích khuyết tật vỏ) lẫn chỉ tiêu chất lượng nội tại (độ ngọt Brix) theo thời gian thực mà không phá hủy mẫu. Nhằm giải quyết triệt để vấn đề này, luận án xác lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • RQ1: Làm thế nào để trích xuất chính xác thể tích hình học và diện tích khuyết tật bề mặt trái xoài trong điều kiện chuyển động liên tục trên băng chuyền công nghiệp?
  • RQ2: Thuật toán máy học nào tối ưu hóa khả năng phân loại đa lớp khi xử lý dữ liệu đặc trưng phi tuyến từ hệ thống thị giác máy tính?
  • RQ3: Mối quan hệ tương quan phi tuyến giữa các thông số hình học ngoại quan với hàm lượng chất rắn hòa tan (độ Brix) bên trong trái xoài được mô hình hóa như thế nào thông qua trí tuệ nhân tạo?
  • H1: Tích hợp thị giác máy 2D/3D (RGB kết hợp cảm biến chiều sâu Kinect) cho phép ước tính thể tích xoài với sai số tương quan dưới 5% so với phương pháp bình tràn tiêu chuẩn.
  • H2: Mô hình Random Forest (RF) vượt trội hơn Linear Discriminant Analysis (LDA), Support Vector Machines (SVM) và k-Nearest Neighbours (KNN) về độ chính xác phân loại tổng thể trong môi trường công nghiệp có độ nhiễu cao.
  • H3: Mạng thần kinh nhân tạo truyền thẳng (Feed-forward Neural Network - FFNN) kết hợp phân tích thành phần chính (PCA) có thể dự đoán độ Brix với độ chính xác thực nghiệm đạt trên 95%.

Khung lý thuyết của công trình tích hợp lý thuyết thị giác máy tính (Computer Vision), xử lý hình thái học nhị phân (Morphological Operations), lý thuyết học máy có giám sát (Supervised Machine Learning), và mạng thần kinh nhân tạo (Artificial Neural Network - ANN). Về mặt quy mô và ý nghĩa thực tiễn, hệ thống phân loại cơ điện tử hoàn chỉnh đã được chế tạo, tích hợp và vận hành thực nghiệm trực tiếp tại TP. Cao Lãnh, tỉnh Đồng Tháp với năng suất đạt 3.000 – 5.000 kg xoài/giờ (tương đương 6 – 8 trái/giây), đáp ứng đầy đủ các tiêu chuẩn phân hạng khắt khe của VietGAP và GlobalGAP (Codex Stan 184-1993, Unece Standard FFV-45).

Literature Review và Positioning

Tổng quan tài liệu trong nước và quốc tế chỉ ra ba luồng nghiên cứu chính trong kỹ thuật phân loại nông sản tự động:

Luồng thứ nhất tập trung vào các hệ thống phân loại cơ học thuần túy hoặc cân định lượng tĩnh. Các công trình của Hiwa Golpira & Hêmin Golpîra (2014) về hệ thống phân loại táo bằng khí nén hay Trần Trọng Nghĩa (2018) về máy phân loại xoài theo khối lượng đạt độ chính xác 92% nhưng năng suất bị giới hạn dưới 130 kg/giờ và không thể nhận diện được các khuyết tật vỏ hoặc chất lượng bên trong.

Luồng thứ hai ứng dụng công nghệ xử lý ảnh 2D truyền thống để nhận diện màu sắc, kích thước và khuyết tật hình học. Điển hình là nghiên cứu của Tomas U. Ganiron Jr (2014) về trích xuất chu vi, diện tích và độ tròn của xoài, hay Trương Quốc Bảo & Nguyễn Văn Vững (2017) sử dụng thuật toán phân đoạn ảnh Valley-Emphasis để phát hiện khuyết điểm vỏ xoài đạt độ chính xác 92%. Tuy nhiên, điểm hạn chế lớn là thời gian xử lý kéo dài tới 7 giây cho một khung hình, hoàn toàn bất khả thi khi triển khai trên dây chuyền công nghiệp.

Luồng thứ ba khai thác quang phổ siêu phổ (Hyperspectral Imaging - HSI) trong vùng phổ VNIR (400–1000 nm) và SWIR (1000–2500 nm). Tiêu biểu như các nghiên cứu của Yud-Ren Chen et al. (2002), Anna Siedliska et al. (2018) với mô hình SVM phát hiện vết bầm táo đạt 95%, và Wenqian Huang & Jiangbo Li (2015) sử dụng phân tích PCA trích xuất 3 bước sóng đặc trưng (780, 850, 960 nm) đạt độ chính xác 91,5% ở chế độ tĩnh nhưng sụt giảm mạnh xuống 74,6% ở chế độ trực tuyến. Dù có độ chính xác cao trong phòng thí nghiệm, công nghệ HSI đòi hỏi chi phí đầu tư thiết bị quang học cực lớn và năng lực tính toán phức tạp, gây trở ngại cho việc thương mại hóa tại các quốc gia đang phát triển.

Trong bối cảnh tranh luận giữa giải pháp quang phổ đắt tiền và kỹ thuật xử lý ảnh RGB truyền thống còn chậm, công trình của Chandra Sekhar Nandi et al. (2014) đã ứng dụng mô hình hỗn hợp Gaussian (Gaussian Mixture Model - GMM) phân loại độ chín xoài với thời gian đáp ứng 50 ms và độ chính xác 93,3%. Tuy nhiên, nghiên cứu của Nandi et al. chỉ giới hạn ở 4 giống xoài địa phương Ấn Độ và phụ thuộc nặng nề vào điều kiện chiếu sáng môi trường mà chưa tích hợp đo lường thể tích 3D hay khối lượng động học. Luận án của Nguyễn Đức Thông đã định vị chính xác vị thế khoa học bằng cách bắc cầu nối giữa công nghệ thị giác máy tính chi phí hợp lý (RGB + Depth Sensor Kinect) với các thuật toán máy học hiện đại (Random Forest) và mạng nơ-ron sâu FFNN, tạo nên bước đột phá về năng suất công nghiệp 6 – 8 trái/giây với độ chính xác vượt trội 98,1%.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào việc mở rộng lý thuyết nhận dạng mẫu (Pattern Recognition) và lý thuyết máy học trong kỹ thuật nông nghiệp thông qua các nội dung:

  1. Mở rộng lý thuyết ước lượng đa thuộc tính (Multi-Attribute Decision Making - MADM): Chứng minh rằng việc kết hợp phi tuyến giữa vector đặc trưng hình học $X = [\text{Chiều dài}, \text{Chiều rộng}, \text{Thể tích}, \text{Diện tích khuyết tật}]$ với giá trị khối lượng động học từ cảm biến Strain Gauge cho phép mô tả trạng thái chất lượng nông sản toàn diện hơn so với các mô hình đơn biến truyền thống.
  2. Xác lập mô hình dự đoán phi phá hủy (Non-destructive Prediction Model): Khẳng định tính khả thi của việc ánh xạ phi tuyến từ các biến hình học ngoại quan sang hàm lượng đường nội tại (độ Brix) thông qua mạng nơ-ron truyền thẳng (FFNN) tối ưu hóa bằng PCA, thách thức quan điểm trước đây cho rằng độ Brix chỉ có thể xác định thông qua quang phổ cận hồng ngoại (NIR) hoặc khúc xạ kế phá hủy mẫu.
  3. Mô hình hóa động học tiếp xúc và phân loại khí nén: Thiết lập hệ phương trình vi phân mô tả chuyển động của trái xoài trên băng tải phân loại dưới tác động của lực đẩy xi-lanh khí nén và góc nghiêng máng dẫn, đảm bảo triệt tiêu hiện tượng dập nát cơ học.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng: Lý thuyết xử lý tín hiệu số không gian (Spatial Digital Signal Processing), Lý thuyết học máy có giám sát phân lớp (Supervised Classification Theory), và Lý thuyết nơ-ron sinh học nhân tạo (Artificial Neural Network Theory).

Khung xử lý dữ liệu được thiết kế theo quy trình 4 giai đoạn khép kín:

  • Giai đoạn 1 (Thu nhận và Tiền xử lý ảnh): Khử nhiễu quang học bằng bộ lọc trung vị (Median Filter), chuẩn hóa không gian màu RGB sang Grayscale và nhị phân hóa cục bộ thích nghi.
  • Giai đoạn 2 (Trích xuất đặc trưng hình thái): Ứng dụng giải thuật Contour và phép đóng/mở hình thái học (Morphological Closing/Opening) để bóc tách biên dạng, tính toán diện tích khuyết tật bề mặt ($S_{\text{defect}}$) và thể tích trái ($V$).
  • Giai đoạn 3 (Phân lớp chất lượng ngoại quan): Đưa vector đặc trưng vào 4 cấu trúc mô hình máy học đối sánh (LDA, SVM, KNN, RF) để phân loại xoài thành ba hạng thương phẩm: Hạng Đặc biệt, Hạng I và Hạng II theo tiêu chuẩn GlobalGAP.
  • Giai đoạn 4 (Ước lượng chất lượng nội tại): Sử dụng cấu trúc mạng FFNN tinh chỉnh để nội suy chỉ số Brix từ không gian đặc trưng đã giảm chiều $X_{\text{PCA}}$.

Điều kiện biên của khung phân tích được xác lập rõ ràng: áp dụng cho các giống xoài nhiệt đới dạng quả thuôn dài như xoài Cát Chu, Cát Hòa Lộc có khối lượng từ 180 g đến 925 g, độ ẩm bề mặt đồng đều và vận tốc băng chuyền không vượt quá 1,2 m/s.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên nền tảng triết lý thực chứng thực nghiệm (Empirical Positivism) kết hợp thiết kế đa phương pháp hỗn hợp (Mixed-Methods Experimental Design) trong kỹ thuật cơ điện tử. Cấu trúc nghiên cứu liên kết chặt chẽ giữa ba cấp độ:

  • Cấp độ mô hình hóa toán học: Xây dựng mô hình hồi quy giải tích và phương trình động lực học hệ thống.
  • Cấp độ mô phỏng số: Kiểm chứng giải thuật trích xuất ảnh và thuật toán máy học trên môi trường MATLAB/Python.
  • Cấp độ thực nghiệm công nghiệp: Chế tạo hệ thống phần cứng hoàn chỉnh và vận hành tại cơ sở chế biến xoài xuất khẩu.

Mẫu nghiên cứu bao gồm hàng ngàn trái xoài Cát Chu và Cát Hòa Lộc thu thập liên tục theo các tháng vụ mùa tại Đồng Tháp, bảo đảm tính đại diện sinh học về hình dáng, kích thước và mức độ khuyết tật tự nhiên.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ nghiêm ngặt các tiêu chuẩn kiểm soát sai số công nghiệp:

  • Giao thức thu nhận dữ liệu: Buồng chụp ảnh công nghiệp khép kín tích hợp hệ thống chiếu sáng LED khuếch tán đồng nhất, triệt tiêu hiện tượng phản xạ gương (specular reflection). Camera CCD độ phân giải cao và Depth Camera Kinect được bố trí vuông góc với mặt phẳng băng tải.
  • Xử lý tín hiệu cảm biến lực: Tín hiệu từ cảm biến tải trọng (Strain gauge load cell) được truyền qua mạch khuếch đại siêu thấp nhiễu (OP177), lọc thông thấp (Low-pass filter) và biến đổi ADC trước khi đưa vào vi điều khiển nhằm loại bỏ hoàn toàn rung động cơ học của động cơ băng tải.
  • Tam giác hóa phương pháp (Methodological Triangulation): Thể tích xoài được đối sánh chéo giữa hai phương pháp thị giác (Phương pháp 1: Tách lớp cắt 3D qua Depth Camera Kinect; Phương pháp 2: Thống kê kích thước 2D qua Camera RGB) với phương pháp đo thể tích dịch chuyển chất lỏng chuẩn (bình tràn Archimedes).
  • Kiểm định độ tin cậy và độ giá trị: Các mô hình học máy được đánh giá chéo (K-fold cross-validation) với tập huấn luyện (Training Set) và tập kiểm tra (Testing Set) độc lập, đánh giá qua ma trận nhầm lẫn (Confusion Matrix) và đường cong ROC.

Data và phân tích

Dữ liệu đặc trưng sau khi trích xuất được chuẩn hóa Min-Max Scaling về miền $[0, 1]$ nhằm tránh hiện tượng thiên vị thuộc tính. Bốn mô hình máy học phân lớp được huấn luyện và tinh chỉnh siêu tham số tối ưu:

  • Linear Discriminant Analysis (LDA): Tìm kiếm siêu phẳng chiếu tối đa hóa khoảng cách giữa các lớp và tối thiểu hóa phương sai nội lớp.
  • Support Vector Machines (SVM): Khảo sát các hàm nhân (Kernel functions) RBF, Linear, Polynomial kết hợp thuật toán tối thiểu hóa tuần tự (SMO).
  • k-Nearest Neighbours (KNN): Tối ưu hóa số lượng láng giềng $k$ và khoảng cách Euclidean.
  • Random Forest (RF): Thiết lập cấu trúc rừng cây quyết định với số lượng cây phân nhánh tối ưu nhằm chống hiện tượng quá khớp (overfitting).

Đối với mô hình dự đoán độ Brix, kiến trúc FFNN được cấu hình nhiều lớp ẩn với hàm kích hoạt phi tuyến Sigmoid/ReLU, giải thuật lan truyền ngược (Backpropagation) hiệu chỉnh trọng số dựa trên hàm mất mát sai số toàn phương trung bình (MSE).

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại 5 phát hiện cốt lõi có giá trị khoa học và thực tiễn sâu sắc:

  1. Hiệu suất vượt trội của mô hình Random Forest (RF): Trong số các thuật toán được thử nghiệm, mô hình RF đạt độ chính xác phân loại cao nhất là 98,1% đối với phân loại tổng hợp khuyết tật, thể tích và khối lượng. Kết quả này vượt trội có ý nghĩa thống kê so với LDA (89,4%), SVM (94,2%) và KNN (91,6%), khẳng định khả năng chống nhiễu của thuật toán đóng gói cây (ensemble learning) trong môi trường phân loại liên tục.
  2. Đột phá dự đoán độ ngọt không phá hủy bằng FFNN: Luận án chứng minh một phát hiện mang tính bước ngoặt: "Mạng thần kinh nhân tạo tối ưu có thể dự đoán độ Brix của mỗi trái xoài dựa trên khối lượng, chiều dài, chiều rộng và thể tích với độ chính xác 98% trên thực nghiệm". Điều này mở ra cơ chế liên kết hàm lượng đường với tỷ trọng và độ no căng hình học của trái xoài nhiệt đới.
  3. Năng suất phân loại công nghiệp đột phá: Hệ thống thực nghiệm đạt công suất ổn định từ 3.000 đến 5.000 kg xoài/giờ, tương đương tốc độ xử lý cơ chế 6 – 8 trái/giây với thời gian đáp ứng của thuật toán thị giác dưới 35 ms/trái, rút ngắn thời gian xử lý gấp hàng chục lần so với các nghiên cứu trước đây.
  4. Độ chính xác đo lường hình học và thể tích 3D: Sai số tuyệt đối giữa thể tích ước tính bằng thuật toán tách lớp cắt trên ảnh độ sâu Kinect so với thể tích thực tế từ bình tràn đạt dưới 3,2%, bảo đảm độ tin cậy tuyệt đối khi phân nhóm kích cỡ A (200–350g), B (351–550g), và C (551–800g).
  5. Cơ cấu phân loại chấp hành êm dịu: Thiết kế xi-lanh khí nén vận hành ở dải áp suất 0,15–0,8 MPa kết hợp máng trượt góc nghiêng tối ưu đã giảm thiểu hoàn toàn tỷ lệ bầm dập quả trong quá trình gạt phân loại (< 0,5%), giải quyết triệt để nhược điểm chấn thương cơ học của các cơ cấu gạt tự động truyền thống.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp mô hình toán học giải thích tương quan giữa các thông số phát triển sinh học ngoại quan (kích thước, tỷ trọng thể tích) với nồng độ chất khô hòa tan bên trong quả xoài, đóng góp luận cứ mới cho sinh lý học thực vật sau thu hoạch.
  • Về mặt phương pháp luận: Chuẩn hóa quy trình tích hợp giữa thị giác máy tính chi phí thấp và mô hình học máy đa tầng, có thể chuyển giao và tùy biến cho các loại quả có đặc tính tương đồng như bơ, đu đủ, thanh long, bưởi.
  • Về mặt thực tiễn sản xuất: Cung cấp giải pháp công nghệ nội địa hóa hoàn chỉnh, thay thế máy móc nhập khẩu đắt tiền, giúp các hợp tác xã và doanh nghiệp xuất khẩu hạ giá thành chế biến đóng gói.
  • Về mặt chính sách: Cung cấp cơ sở khoa học để Bộ Nông nghiệp & PTNT cùng các địa phương xây dựng tiêu chuẩn kỹ thuật số cho các trung tâm sơ chế tiên tiến theo chuỗi giá trị nông sản hiện đại.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Tính phụ thuộc vào giống xoài: Bộ dữ liệu huấn luyện tập trung chủ yếu vào xoài Cát Chu và Cát Hòa Lộc; do đó, việc áp dụng mô hình cho các giống xoài có hình thái khác biệt lớn (như xoài Tượng, xoài Úc) đòi hỏi phải tái thu thập mẫu và huấn luyện lại dữ liệu.
  2. Nhận diện khuyết tật mặt khuất: Do sử dụng hệ thống quan sát đơn buồng với góc nhìn cố định từ trên xuống, các khuyết tật nằm ở mặt đáy tiếp xúc trực tiếp với băng tải có thể bị bỏ sót nếu trái xoài không được cơ cấu xoay lật tự động đảo mặt trước khi vào buồng chụp.
  3. Biến thiên nhiệt độ môi trường: Sự thay đổi nhiệt độ nhà xưởng có thể gây trôi dạt điểm không (drift) của cảm biến tải trọng Strain gauge nếu không được bù nhiệt định kỳ.

Định hướng nghiên cứu tiếp theo bao gồm:

  • Tích hợp cơ cấu con lăn lật xoay 360 độ trên băng tải để thu nhận hình ảnh toàn diện toàn bộ bề mặt quả.
  • Ứng dụng các kiến trúc mạng nơ-ron tích chập sâu (Deep Convolutional Neural Networks - CNN như YOLOv8, Vision Transformer) để tự động trích xuất đặc trưng khuyết tật phức tạp mà không cần tách biên thủ công.
  • Mở rộng thuật toán AI sang ước tính độ chín theo thời gian bảo quản (shelf-life prediction) phục vụ logistics xuất khẩu đường biển dài ngày.

Tác động và ảnh hưởng

  • Tác động học thuật: Mở ra hướng nghiên cứu liên ngành Cơ khí chính xác - Thị giác máy tính - Trí tuệ nhân tạo ứng dụng trong nông nghiệp thông minh tại Việt Nam, dự kiến thu hút số lượng trích dẫn cao trong các tạp chí thuộc danh mục ISI/Scopus về Nông nghiệp chính xác (Precision Agriculture) và Kỹ thuật thực phẩm (Journal of Food Engineering).
  • Tác động công nghiệp: Tạo ra bước nhảy vọt về năng suất chế biến cho các doanh nghiệp xuất khẩu trái cây tại ĐBSCL, giảm chi phí vận hành phân loại từ 100 tỷ đồng/năm xuống dưới 30 tỷ đồng/năm, đồng thời giảm tỷ lệ tổn thất sau thu hoạch từ 27% xuống dưới 10%.
  • Tác động xã hội: Giảm thiểu gánh nặng lao động nặng nhọc và nguy cơ suy giảm sức khỏe cho người nông dân (trung bình 2.750 công lao động/năm), thúc đẩy quá trình chuyển đổi nghề nghiệp sang vận hành tự động hóa công nghệ cao.
  • Tác động quốc tế: Nâng cao năng lực cạnh tranh và uy tín thương hiệu xoài Việt Nam trên thị trường quốc tế (Mỹ, EU, Nhật Bản, Hàn Quốc) nhờ tính đồng nhất và khả năng truy xuất nguồn gốc chất lượng đạt chuẩn GlobalGAP.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Cơ điện tử/Tự động hóa: Tiếp cận bộ tài liệu thực nghiệm hoàn chỉnh về quy trình thiết kế hệ thống thị giác máy tính và thuật toán AI thời gian thực tích hợp trên phần cứng cơ khí.
  • Doanh nghiệp và Hợp tác xã xuất khẩu nông sản: Sở hữu giải pháp công nghệ phân loại hiệu năng cao với chi phí chế tạo và bảo trì chỉ bằng 25–30% so với dây chuyền ngoại nhập từ châu Âu.
  • Cơ quan quản lý và hoạch định chính sách: Sử dụng các kết quả thực nghiệm để xây dựng đề án phát triển chuỗi cung ứng nông sản thông minh và quy hoạch các trung tâm chiếu xạ, sơ chế tập trung tại vùng kinh tế trọng điểm phía Nam.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Đóng góp độc đáo nhất là việc thiết lập hàm tương quan phi tuyến giữa vector thuộc tính hình học ngoại quan (chiều dài, chiều rộng, thể tích, khối lượng) với chỉ số khúc xạ chất lượng nội tại (độ Brix) thông qua mạng nơ-ron nhân tạo FFNN kết hợp PCA. Công trình đã mở rộng lý thuyết nhận dạng mẫu và đo lường sinh hóa nông học, chứng minh rằng các biến dạng hình học vĩ mô và tỷ trọng chứa đựng thông tin mã hóa về mật độ đường tích lũy trong tế bào thịt quả.

2. Đột phá phương pháp luận của luận án khi so sánh với các công trình quốc tế tiêu biểu? So với nghiên cứu của Chandra Sekhar Nandi et al. (2014) chỉ sử dụng mô hình GMM để phân loại màu sắc 2D với độ chính xác 93,3%, luận án đã tích hợp thành công cảm biến độ sâu 3D Kinect và cảm biến tải trọng động học, đồng thời ứng dụng thuật toán Random Forest nâng độ chính xác lên 98,1%. So với các nghiên cứu siêu phổ VNIR/SWIR đắt đỏ của Anna Siedliska et al. (2018) hay Wenqian Huang & Jiangbo Li (2015), luận án đã giải quyết bài toán tối ưu hóa kinh tế - kỹ thuật bằng việc đạt hiệu suất 98,1% trên nền tảng cảm biến quang học thương mại hóa, nâng năng suất trực tuyến từ 3 trái/giây lên 6 – 8 trái/giây.

3. Phát hiện bất ngờ nhất thu được từ dữ liệu thực nghiệm là gì? Phát hiện bất ngờ nhất là thuật toán Random Forest (RF) có khả năng duy trì độ chính xác phân loại 98,1% ngay cả khi dữ liệu bề mặt quả xoài bị biến thiên phức tạp bởi mảng màu vàng - xanh tiếp xúc nắng và các vết nhựa mủ tự nhiên. Trong khi các mô hình phân tuyến tính như LDA bị sụt giảm độ chính xác nghiêm trọng (89,4%) do hiện tượng chồng lấn không gian màu, cấu trúc đa cây quyết định ngẫu nhiên của RF đã tự động lọc bỏ các thuộc tính nhiễu để tập trung vào các đặc trưng biên khuyết tật thực sự.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không? Luận án cung cấp chi tiết toàn bộ thông số thiết kế phần cứng: thông số động cơ băng tải, cấu hình buồng tối chiếu sáng, mã cảm biến lực Loadcell và mạch lọc OP177, van khí nén 4A220-08, cấu hình camera CCD và Kinect, cùng sơ đồ khối giải thuật chi tiết từng bước từ tiền xử lý ảnh, trích xuất ma trận Contour, đến cấu trúc siêu tham số của các mô hình học máy LDA, SVM, KNN, RF và mạng FFNN.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào? Chương trình nghiên cứu hướng tới: (1) Phát triển cánh tay robot song song (Delta Robot) tích hợp giác hút mềm sử dụng AI định vị không gian 3D để gắp đặt và đóng thùng tự động; (2) Tích hợp mô hình học sâu biên (Edge AI) trực tiếp trên các vi xử lý nhúng công nghiệp để loại bỏ hoàn toàn máy tính trạm xử lý trung tâm; (3) Mở rộng hệ thống cảm biến quang học đa góc quét 360 độ phục vụ kiểm tra toàn diện chuỗi cung ứng trái cây nhiệt đới xuất khẩu.

Kết luận

  1. Nghiên cứu đã thiết kế, chế tạo và vận hành thành công hệ thống phân loại xoài tự động hoàn chỉnh tích hợp công nghệ xử lý ảnh và trí tuệ nhân tạo, đạt năng suất công nghiệp 3.000 – 5.000 kg/giờ (6 – 8 trái/giây).
  2. Xây dựng thành công thuật toán trích xuất đặc trưng hình thái 2D/3D và tính toán thể tích xoài với sai số thực nghiệm dưới 3,2% so với phương pháp bình tràn tiêu chuẩn.
  3. Xác lập mô hình phân loại đa tiêu chí tối ưu dựa trên thuật toán Random Forest (RF) đạt độ chính xác phân loại vượt trội 98,1%, vượt xa các mô hình đối sánh LDA, SVM và KNN.
  4. Phát triển thành công mô hình mạng thần kinh nhân tạo FFNN dự đoán độ ngọt (độ Brix) bên trong trái xoài đạt độ chính xác 98% dựa trên các thuộc tính ngoại quan mà không cần phá hủy mẫu.
  5. Kiểm chứng thực tế hệ thống tại TP. Cao Lãnh, tỉnh Đồng Tháp, chứng minh khả năng phân hạng chính xác theo tiêu chuẩn VietGAP và GlobalGAP, giảm thiểu tỷ lệ bầm dập quả xuống dưới 0,5%.
  6. Công trình tạo tiền đề vững chắc cho việc nội địa hóa thiết bị nông nghiệp công nghệ cao, nâng cao giá trị chuỗi cung ứng xoài Việt Nam trên thị trường toàn cầu.