Tổng quan luận án

Luận án tiến sĩ ngành Kỹ thuật cơ khí (mã số 9520103) của tác giả Nguyễn Đức Thông, được thực hiện tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh dưới sự hướng dẫn khoa học của PGS. Nguyễn Trường Thịnh và PGS. Huỳnh Thanh Công, tập trung vào 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".

Tính cấp thiết và khoảng trống nghiên cứu

Theo Quyết định số 418/QĐ-TTg phê duyệt Chiến lược phát triển khoa học và công nghệ Việt Nam giai đoạn 2011–2020, việc ứng dụng công nghệ hiện đại nhằm tối ưu hóa chuỗi giá trị và xây dựng thương hiệu nông sản xuất khẩu là nhiệm vụ trọng tâm. Việt Nam là quốc gia sản xuất xoài lớn thứ 13 trên thế giới với diện tích canh tác hơn 87.000 ha và sản lượng năm 2020 đạt 893,2 ngàn tấn. Vùng Đồng bằng sông Cửu Long chiếm 48% diện tích cả nước, trong đó tỉnh Đồng Tháp giữ vị trí dẫn đầu với hơn 12.106 ha (sản lượng toàn vùng đạt trên 567.700 tấn/năm). Kim ngạch xuất khẩu xoài năm 2020 đạt 180,8 triệu USD, chủ yếu sang các thị trường Trung Quốc (83,95%), Nga (4,65%), Papua New Guinea (3,03%), Mỹ, EU, Nhật Bản và Hàn Quốc.

Tuy nhiên, chuỗi giá trị ngành hàng xoài đang đối mặt với tỷ lệ thất thoát sau thu hoạch lên tới hơn 27% do quy trình thu hái, sơ chế, đóng gói và bảo quản chưa đồng bộ. Việc phân loại xoài thương phẩm hiện nay chủ yếu được thực hiện thủ công bằng mắt thường, tốn khoảng 2.750 công lao động/năm với chi phí phân loại nguyên liệu ước tính 100 tỷ đồng/năm. Năng suất phân loại thủ công của một lao động chỉ đạt từ 40–80 kg/ngày (tương đương 100–200 trái/ngày), dễ gây sai sót chủ quan và ảnh hưởng sức khỏe người lao động. Dù trên thế giới đã có một số hệ thống phân loại nông sản, phần lớn các thiết bị nhập khẩu có giá thành cao, chưa được thiết kế chuyên biệt cho các đặc tính hình học, khuyết tật vỏ và tính chất cơ lý của giống xoài Việt Nam. Do đó, việc nghiên cứu thiết kế một hệ thống phân loại tự động tích hợp xử lý ảnh và trí tuệ nhân tạo có năng suất và độ chính xác cao, giá thành phù hợp là yêu cầu cấp thiết.

Mục tiêu nghiên cứu

  1. Mục tiêu tổng quát: Nghiên cứu, thiết kế, chế tạo và thử nghiệm hệ thống phân loại xoài tự động đạt năng suất cao, tích hợp công nghệ xử lý ảnh và các thuật toán trí tuệ nhân tạo để đánh giá chất lượng toàn diện (khối lượng, thể tích, khuyết tật bề mặt và độ ngọt bên trong).
  2. Mục tiêu cụ thể:
    • Xây dựng mô hình cơ khí và hệ thống điều khiển tự động phân loại xoài theo khối lượng bằng cảm biến lực trên băng tải liên tục.
    • Phát triển thuật toán xử lý ảnh số nhằm xác định kích thước hình học, tính toán thể tích và phát hiện, đo lường diện tích các vùng khuyết tật bề mặt trái xoài.
    • Ứng dụng các thuật toán máy học có giám sát để phân loại xoài thương phẩm theo tiêu chuẩn chất lượng.
    • Xây dựng mô hình mạng thần kinh nhân tạo dự đoán không phá hủy chỉ tiêu chất lượng bên trong (độ Brix) dựa trên các đặc trưng ngoại quan.
    • Chế tạo mô hình thực nghiệm hoàn chỉnh, lắp đặt và đánh giá vận hành thực tế tại cơ sở sản xuất.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Trái xoài thương phẩm (tập trung vào hai giống chủ lực là xoài Cát Chu chiếm 70% và xoài Cát Hòa Lộc chiếm 20% diện tích tại vùng trồng) cùng hệ thống cơ điện tử phân loại tự động tích hợp buồng chụp ảnh, cảm biến lực, cơ cấu chấp hành khí nén và máy tính xử lý.
  • Phạm vi không gian: Thu thập mẫu và triển khai thử nghiệm hệ thống thực tế tại TP. Cao Lãnh, tỉnh Đồng Tháp.
  • Phạm vi thời gian và tiêu chuẩn: Dữ liệu nghiên cứu thực nghiệm được thu thập trong giai đoạn 2020–2022; áp dụng các tiêu chuẩn phân loại nông sản VietGAP, GlobalGAP, tiêu chuẩn Codex Stan 184-1993 (soát xét 2005) và Unece Standard FFV-45 (2012).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trong nước

Tác giả đã tổng hợp và phân tích các nhóm nghiên cứu liên quan tại Việt Nam:

  • Chuỗi giá trị và xử lý sau thu hoạch xoài: Trương Hồng, Võ Tuấn Kiệt, Dương Ngọc Thành, Từ Thị Kim Trang, Trần Hoàng Khoa (2013) và Trương Hồng, Võ Tuấn Kiệt, Dương Ngọc Thành phân tích chuỗi giá trị xoài Cát Chu và Cát Hòa Lộc tại Đồng Tháp, chỉ rõ hạn chế trong khâu sơ chế và liên kết tiêu thụ; Đinh Ngọc Loan nghiên cứu quy trình công nghệ chế biến xoài tại Khánh Hòa; Nguyễn Thành Tài, Nguyễn Bảo Vệ khảo sát hiện trạng xử lý xoài sau thu hoạch tại huyện Cao Lãnh, Đồng Tháp; Trịnh Đức Trí, Võ Thị Thanh Lộc đánh giá chuỗi giá trị xoài vùng ĐBSCL.
  • Phân tích cơ lý không phá hủy: Võ Minh Trí, Võ Tấn Thành ứng dụng phương pháp va đập nhẹ để xác định độ cứng của trái xoài phục vụ phân loại tự động.
  • Ứng dụng thị giác máy tính và tự động hóa trong phân loại:
    • Trương Quốc Bảo, Nguyễn Văn Vững sử dụng kỹ thuật phân đoạn ảnh Valley-Emphasis để phát hiện khuyết điểm trên vỏ trái xoài, đạt độ chính xác 92% nhưng thời gian xử lý còn chậm (7 giây/khung hình) và tập dữ liệu còn nhỏ.
    • Nguyễn Lê Tường, Nguyễn Văn Hùng thiết kế máy phân loại khoai tây qua webcam đạt độ chính xác 92%, tốc độ 0,3 giây/củ nhưng mới dừng ở mức mô hình thí nghiệm, cơ cấu chấp hành chưa đạt độ nhạy cao.
    • Trương Quốc Bảo, Nguyễn Minh Luân, Quách Tuấn Văn phát triển thuật toán định vị quả cà chua chín bằng hệ 2 camera, trong đó phương pháp mặt phẳng kết tủa màu R-G đạt độ chính xác 96,7% và phân tích màu sắc đạt 88,9%.
    • Trần Trọng Nghĩa thiết kế máy phân loại xoài tự động theo khối lượng đạt hiệu suất 92%; Trần Khánh Hưng, Hoàng Như Ý phân loại cà chua theo màu sắc sử dụng PLC S7-1200 đạt hiệu suất 86%.

Các hướng nghiên cứu quốc tế

  • Thị giác máy tính và xử lý ảnh trên nông sản: Ayman H. Amer Eissa và Ayman A. Ibrahim nghiên cứu hệ thống quang học đánh giá kích thước, màu sắc, khuyết tật trên cam và cà chua; Tomas U. Ganiron Jr phát triển thuật toán xác định chu vi, diện tích, độ tròn và tỷ lệ hư hỏng của xoài; Ayman A. Ibrahim và cộng sự thiết kế hệ thống phân loại trái cây theo màu RGB và kích thước với thời gian đáp ứng 0,3 giây/trái; Vahid Mohammadi và cộng sự phân loại độ chín của trái hồng bằng phương pháp QDA với độ chính xác trên 90,24%; Md. Jayasuriya phát triển hệ thống phân loại cà chua phát hiện lỗi nứt và thối đuôi quả (BER) kết hợp mạng nơ-ron với độ chính xác 84%–87,5%, tốc độ 180 quả/phút.
  • Mô hình thống kê và ảnh đa phổ/siêu phổ:
    • Chandra Sekhar Nandi và cộng sự sử dụng camera CCD và mô hình hỗn hợp Gaussian (GMM) phân loại 4 giống xoài theo độ chín, thời gian xử lý 50 ms nhưng dễ bị ảnh hưởng bởi ánh sáng môi trường và vết bẩn vỏ.
    • Yud-Ren Chen và cộng sự ứng dụng ảnh siêu phổ (hyperspectral) với tốc độ truyền dữ liệu 132 MB/s qua bus PCI để kiểm tra khuyết tật trên táo và gia cầm.
    • Hiwa Golpira và Hêmin Golpîra tối ưu hóa hệ thống phân loại táo bằng ống trọng lực dốc 0,02 m, xi lanh khí nén, mạch khuếch đại OP177, đạt năng suất 130 kg/h với chu kỳ 2 giây/trái.
    • Anna Siedliska và cộng sự sử dụng ảnh siêu phổ VNIR (400–1000 nm) và SWIR (1000–2500 nm) kết hợp thuật toán CFS, SVM và SMO để phát hiện vết bầm trên táo với độ chính xác 98,2%–100%.
    • Wenqian Huang và Jiangbo Li trích xuất 3 bước sóng hiệu dụng (780 nm, 850 nm, 960 nm) từ ảnh siêu phổ 325–1100 nm qua phân tích PCA để phát hiện vết dập táo với tốc độ 3 trái/giây, độ chính xác phân loại tĩnh đạt 91,5% và trực tiếp đạt 74,6%.

Khoảng trống luận án lựa chọn giải quyết

Các công trình trước đây chủ yếu dừng lại ở mức mô phỏng phòng thí nghiệm, phân loại đơn tiêu chí (chỉ khối lượng hoặc chỉ màu sắc), thời gian xử lý ảnh còn dài (từ 0,3 đến 7 giây/trái), hoặc sử dụng hệ thống siêu phổ quá đắt đỏ khó áp dụng công nghiệp. Luận án giải quyết khoảng trống này bằng cách xây dựng một hệ thống công nghiệp hoàn chỉnh, kết hợp cân động tốc độ cao, xử lý ảnh quang học RGB/Kinect và trí tuệ nhân tạo (RF, FFNN) để đánh giá đồng thời: khối lượng, thể tích, khuyết tật bề mặt và dự đoán độ Brix bên trong với năng suất đạt 3.000 kg/giờ (6–8 trái/giây).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Luận án xây dựng khung phân tích dựa trên ba trụ cột lý thuyết:

  1. Lý thuyết xử lý ảnh số và thị giác máy tính:
    • Cấu trúc hệ thống: Camera quang học (CCD/RGB), card thu nhận hình ảnh (frame grabber), buồng chụp hộp kín và nguồn sáng chuẩn hóa.
    • Biểu diễn ảnh: Hàm không gian 2D $f(x, y)$ với mức xám và không gian màu RGB.
    • Thuật toán tiền xử lý và lọc nhiễu: Lọc trung bình (Mean filter), lọc trung vị (Median filter), lọc đồng hình (Homomorphic filter), lọc thông thấp và thông cao.
    • Hình thái học (Morphology): Các phép toán Fit, Hit, co ảnh (Erosion), giãn ảnh (Dilation), mở ảnh (Opening - làm trơn biên ngoài, loại bỏ gai nhỏ) và đóng ảnh (Closing - lấp đầy lỗ hổng nhỏ).
    • Phân đoạn ảnh và trích xuất đường biên: Ngưỡng nhị phân hóa (Otsu/Thresholding), phân đoạn dựa trên vùng/biên, giải thuật dò biên Contour xác định chu vi, diện tích và tọa độ tâm.
  2. Lý thuyết trí tuệ nhân tạo và máy học:
    • Máy học có giám sát: Phân tích biệt thức tuyến tính (LDA), Máy vectơ hỗ trợ (SVM) với các hàm nhân, K-láng giềng gần nhất (KNN), và Rừng ngẫu nhiên (Random Forest - RF) dựa trên tập hợp cây quyết định.
    • Mạng thần kinh nhân tạo: Mạng thần kinh truyền thẳng (Feed-forward Neural Network - FFNN/ANN) kết hợp kỹ thuật giảm chiều dữ liệu Phân tích thành phần chính (PCA).
  3. Tiêu chuẩn chất lượng xoài thương phẩm: Dựa trên tiêu chuẩn GlobalGAP, VietGAP, Codex Stan 184-1993 và Unece FFV-45, quy định phân hạng và kích cỡ khối lượng xoài:
Mã kích cỡ Khối lượng chuẩn (g) Dải khối lượng cho phép (g) Chênh lệch tối đa trong bao gói (g) Giới hạn khuyết tật vỏ Hạng I ($cm^2$) Giới hạn khuyết tật vỏ Hạng II ($cm^2$)
A 200 – 350 180 – 425 112,5 $\le 3$ $\le 5$
B 351 – 550 251 – 650 150,0 $\le 4$ $\le 6$
C 551 – 800 426 – 925 187,5 $\le 5$ $\le 7$

Ghi chú: Xoài Hạng Đặc biệt không được có khuyết tật (dung sai 5%). Hạng I và II cho phép mảng bạc màu/vàng do ánh nắng nhưng không quá 40% diện tích bề mặt.

Phương pháp nghiên cứu

  • Nghiên cứu lý thuyết: Tính toán động học, động lực học của cơ cấu băng tải và chuyển động của quả xoài; phân tích lực tác dụng lên cảm biến lực (loadcell) theo hai trục $x$ và $y$; xây dựng mô hình toán học giải thuật xử lý ảnh và mạng nơ-ron.
  • Nghiên cứu mô phỏng: Mô phỏng quá trình xử lý tín hiệu cân động, mô phỏng các bộ phân loại LDA, SVM, KNN, RF và huấn luyện mạng FFNN trên máy tính.
  • Nghiên cứu thực nghiệm: Thu thập mẫu xoài Cát Chu và Cát Hòa Lộc thực tế theo từng tháng; đo đạc kích thước (dài, rộng, cao), thể tích (bằng phương pháp bình tràn), khối lượng (cân điện tử chính xác) và đo độ Brix bằng khúc xạ kế; thử nghiệm hệ thống phân loại tại xưởng.

Nội dung chính theo từng chương

Chương I: Tổng quan và cơ sở lý thuyết

Chương này phân tích tổng quan về bối cảnh ngành sản xuất, xuất khẩu xoài của Việt Nam và vùng Đồng bằng sông Cửu Long (đặc biệt là tỉnh Đồng Tháp). Tác giả trình bày chi tiết các tiêu chuẩn chất lượng VietGAP, GlobalGAP, tiêu chuẩn quốc tế Codex Stan 184-1993 và Unece Standard FFV-45 về yêu cầu tối thiểu, phân hạng (Đặc biệt, Hạng I, Hạng II), kích cỡ theo khối lượng (Mã A, B, C) và dung sai thương phẩm cho phép.

Chương I cũng hệ thống hóa toàn diện cơ sở lý thuyết về xử lý ảnh số (lọc nhiễu, biến đổi hình thái học, phân đoạn ảnh, thuật toán Contour), thị giác máy tính và trí tuệ nhân tạo (AI truyền thống, máy học SVM, LDA, KNN, RF, mạng nơ-ron ANN, hệ mờ, tính toán tiến hóa). Trên cơ sở tổng hợp và đánh giá ưu nhược điểm của 10 công trình nghiên cứu tiêu biểu trong nước và 10 công trình quốc tế, tác giả khẳng định tính cấp thiết, xác định mục tiêu, đối tượng, phạm vi và phương pháp luận của đề tài.

Chương II: Nghiên cứu mô hình thí nghiệm hệ thống phân loại xoài theo khối lượng

Chương II trình bày thiết kế cơ khí và nguyên lý hoạt động của mô hình phân loại xoài theo khối lượng:

  • Cấu trúc phần cứng: Khung máy tích hợp hệ thống băng tải cấp liệu, băng tải chụp ảnh tính thể tích, cơ cấu gạt xoài hỏng, băng tải cân khối lượng liên tục gắn cảm biến biến dạng (Strain gauge/Loadcell) và các cơ cấu phân loại bằng xi lanh khí nén kết hợp van điện từ.
  • Phân tích động lực học: Xây dựng sơ đồ phân tích tải trọng động của quả xoài tác động lên băng tải theo trục $x$ (hướng di chuyển) và trục $y$ (phương thẳng đứng vuông góc), từ đó thiết lập biểu đồ liên hệ và thuật toán lọc nhiễu dao động cơ học khi quả xoài di chuyển qua vùng đo của cảm biến lực.
  • Kết quả thí nghiệm: Đối chiếu khối lượng đo động trên băng tải với khối lượng cân tĩnh thực tế, xác định sai số và hiệu chỉnh thông số điều khiển để đảm bảo độ chính xác cân động trong quá trình vận hành liên tục.

Chương III: Phân loại xoài theo khối lượng, thể tích và khuyết tật sử dụng công nghệ xử lý ảnh

Chương III tập trung vào thuật toán xử lý ảnh số để phân loại 3 chỉ tiêu:

  • Xử lý khuyết tật bề mặt: Buồng chụp ảnh chuẩn hóa ánh sáng ghi nhận ảnh màu RGB; ảnh được chuyển sang ảnh mức xám (Gray level) và tiến hành nhị phân hóa; áp dụng thuật toán Contour để trích xuất biên dạng trái xoài và nhận diện các vùng dị thường (vết thâm, vết trầy xước, cháy nắng, đốm đen, vết mủ nhựa); tính toán tổng diện tích khuyết tật ($cm^2$) và so sánh với ngưỡng tiêu chuẩn GlobalGAP để phân loại vào Hạng I, Hạng II hoặc loại bỏ bằng cơ cấu gạt.
  • Xác định thể tích xoài qua xử lý ảnh:
    • Phương pháp 1: Sử dụng cảm biến độ sâu (Depth camera) của Kinect để quét đám mây điểm, thực hiện thuật toán chia tách lát cắt hình học để tích phân tính thể tích.
    • Phương pháp 2: Sử dụng Camera RGB tiêu chuẩn kết hợp mô hình thống kê hồi quy tương quan giữa các kích thước hình học 2D (chiều dài, chiều rộng, chiều cao trích xuất từ pixel) với thể tích thực (được kiểm chứng qua phương pháp đo thế tích bằng bình tràn đo nước).
  • Tích hợp hệ thống: Kết nối chương trình xử lý ảnh trên máy tính với cơ cấu cân điện tử và bộ điều khiển chấp hành để tự động đẩy xoài vào các ngăn phân loại tương ứng.

Chương IV: Hệ thống phân loại xoài sử dụng công nghệ xử lý ảnh kết hợp trí tuệ nhân tạo

Chương IV là nội dung cốt lõi của luận án, tích hợp các thuật toán học máy và mạng nơ-ron:

  • Chuẩn bị dữ liệu và tiền xử lý: Thu thập tập dữ liệu hình ảnh xoài theo các tháng trong năm; trích xuất các thuộc tính hình học bên ngoài (chiều dài, chiều rộng, chiều cao, diện tích khuyết tật), ước tính khối lượng và tỷ trọng; chuẩn hóa dữ liệu đầu vào.
  • Ứng dụng và so sánh 4 mô hình máy học có giám sát:
    • Triển khai huấn luyện và kiểm thử 4 thuật toán: Phân tích biệt thức tuyến tính (LDA), Máy vectơ hỗ trợ (SVM), K-láng giềng gần nhất (KNN) và Rừng ngẫu nhiên (Random Forest - RF).
    • Kết quả so sánh cho thấy mô hình Random Forest (RF) đạt hiệu suất dự đoán phân loại cao nhất là 98,1%, vượt trội so với các mô hình còn lại trong việc xử lý các đặc trưng phi tuyến và phân loại cấp chất lượng xoài.
  • Dự đoán không phá hủy chất lượng bên trong (độ Brix):
    • Xác định các yếu tố ngoại quan có tương quan chặt chẽ với độ ngọt bên trong trái xoài thông qua kỹ thuật phân tích thành phần chính (PCA), tạo ra vector đặc trưng $X_{PCA}$ gồm: khối lượng, chiều dài, chiều rộng và thể tích.
    • Thiết kế kiến trúc mạng thần kinh truyền thẳng (FFNN/ANN) với giải thuật tự học và điều chỉnh trọng số tối ưu.
    • Kết quả thực nghiệm cho thấy mạng thần kinh FFNN tối ưu dự đoán độ Brix của trái xoài đạt độ chính xác 98% so với giá trị đo thực tế bằng khúc xạ kế.
  • Thử nghiệm hệ thống công nghiệp: Lắp đặt hệ thống hoàn chỉnh tại TP. Cao Lãnh, tỉnh Đồng Tháp. Hệ thống đạt năng suất thực tế 3.000 kg xoài/giờ (tương đương tốc độ xử lý 6 – 8 trái/giây), vận hành ổn định và tiết kiệm chi phí nhân công đáng kể so với phương pháp thủ công.

Chương V: Kết luận

Chương V tổng kết toàn bộ các kết quả đạt được từ mô hình lý thuyết, thuật toán xử lý ảnh, các mô hình AI đến quá trình vận hành thực nghiệm hệ thống phân loại tại xưởng; đồng thời đề xuất định hướng phát triển đề tài cho các loại nông sản khác.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học và lý luận

  1. Xây dựng thành công phương pháp luận và thuật toán phân loại nông sản đa tiêu chí tích hợp đồng thời: khối lượng động, kích thước hình học, thể tích và diện tích khuyết tật bề mặt bằng công nghệ xử lý ảnh số.
  2. Thiết lập và đánh giá thực nghiệm bộ 4 mô hình máy học có giám sát (LDA, SVM, KNN, RF) trong bài toán phân loại xoài thương phẩm; chứng minh mô hình Random Forest (RF) đạt hiệu suất tối ưu nhất với độ chính xác 98,1%.
  3. Đề xuất phương pháp mới dự đoán không phá hủy chỉ tiêu chất lượng bên trong (độ Brix) của trái xoài bằng mạng thần kinh truyền thẳng (FFNN) kết hợp kỹ thuật trích xuất đặc trưng PCA từ các thông số ngoại quan (khối lượng, chiều dài, chiều rộng, thể tích), đạt độ chính xác thực nghiệm 98%.

Đóng góp mới về mặt thực tiễn và công nghệ

  1. Thiết kế, chế tạo và thử nghiệm thành công hệ thống phân loại xoài tự động hoàn chỉnh, đáp ứng tiêu chuẩn VietGAP và GlobalGAP. Hệ thống đã được lắp đặt và vận hành thực tế tại TP. Cao Lãnh, tỉnh Đồng Tháp.
  2. Đạt năng suất làm việc công nghiệp 3.000 kg xoài/giờ (tương đương 6 – 8 trái/giây), giải quyết triệt để điểm nghẽn về tốc độ xử lý so với các nghiên cứu trước đây (vốn mất từ 0,3 đến 7 giây cho 1 trái).
  3. Góp phần giải quyết bài toán giảm tỷ lệ thất thoát sau thu hoạch (giảm từ mức 27% hiện tại), cắt giảm chi phí nhân công phân loại (ước tính 2.750 công lao động/năm cho một cơ sở quy mô lớn), nâng cao giá trị thương phẩm và năng lực cạnh tranh cho xoài xuất khẩu của tỉnh Đồng Tháp và vùng ĐBSCL.

Kiến nghị và giải pháp đề xuất

  • Đề xuất các cơ sở đóng gói và doanh nghiệp xuất khẩu nông sản tại ĐBSCL áp dụng mô hình phân loại tự động kết hợp xử lý ảnh và AI nhằm chuẩn hóa chất lượng xoài theo từng thị trường xuất khẩu.
  • Cần mở rộng quy mô cấp mã số vùng trồng và quy chuẩn hóa dữ liệu phân loại nông sản theo các tiêu chuẩn GlobalGAP để tối ưu hóa quá trình huấn luyện các mô hình AI.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Mô hình máy học có giám sát được huấn luyện tối ưu trên dữ liệu mẫu của giống xoài Cát Chu và Cát Hòa Lộc tại Đồng Tháp; khi áp dụng cho các giống xoài có hình dạng và màu sắc vỏ quá khác biệt hoặc các loại trái cây khác, độ chính xác có thể suy giảm nếu không được huấn luyện lại dữ liệu mẫu.
  • Độ chính xác của thuật toán xử lý ảnh nhận diện khuyết tật vẫn phụ thuộc vào chất lượng buồng chụp và độ ổn định của hệ thống chiếu sáng nhân tạo; các vết bẩn do nhựa tiết hoặc vết rám nắng nhẹ đôi khi có thể gây nhiễu trong phân khúc màu sắc.

Hướng nghiên cứu tiếp

  1. Mở rộng bộ dữ liệu huấn luyện máy học cho nhiều giống xoài thương phẩm khác nhau trên cả nước và các loại nông sản dạng quả nhiệt đới khác (cam, bưởi, thanh long, cà chua).
  2. Nghiên cứu cải tiến cơ cấu cơ khí chấp hành để nâng cao hơn nữa dải năng suất phân loại (từ 3.000 kg/giờ lên 5.000 kg/giờ).
  3. Ứng dụng công nghệ xử lý ảnh siêu phổ thu nhỏ (Micro-Hyperspectral) hoặc camera đa phổ giá thành thấp để nâng cao độ chính xác nhận diện các khuyết tật ẩn sâu dưới lớp biểu bì vỏ quả.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho nhiều đối tượng:

  • Nghiên cứu sinh, học viên cao học và giảng viên ngành Kỹ thuật Cơ khí, Cơ điện tử, Tự động hóa và Khoa học Máy tính: Tham khảo phương pháp thiết kế hệ thống cơ điện tử tích hợp, giải thuật xử lý ảnh hình thái học, thuật toán phân loại máy học (RF, SVM, KNN, LDA) và cấu trúc mạng thần kinh FFNN dự đoán chất lượng nông sản.
  • Kỹ sư thiết kế máy và doanh nghiệp chế tạo thiết bị nông nghiệp: Tham khảo bản vẽ nguyên lý, kết cấu cơ khí băng tải cân động, thuật toán khử nhiễu cảm biến lực và cơ cấu phân loại khí nén tốc độ cao.
  • Doanh nghiệp chế biến, xuất khẩu nông sản và nhà quản lý nông nghiệp: Tham khảo giải pháp tự động hóa khâu sơ chế sau thu hoạch nhằm đáp ứng các tiêu chuẩn xuất khẩu VietGAP, GlobalGAP và xây dựng chuỗi giá trị bền vững cho nông sản Việt Nam.

Câu hỏi thường gặp

1. Hệ thống phân loại xoài trong luận án đạt năng suất và tốc độ thực nghiệm là bao nhiêu?

Hệ thống phân loại thực nghiệm được lắp đặt và vận hành tại TP. Cao Lãnh, tỉnh Đồng Tháp đạt năng suất 3.000 kg xoài/giờ, tương đương với tốc độ phân loại từ 6 đến 8 trái/giây.

2. Mô hình máy học nào cho hiệu suất phân loại xoài cao nhất và đạt độ chính xác bao nhiêu?

Trong 4 mô hình máy học có giám sát được thử nghiệm (LDA, SVM, KNN và Random Forest), mô hình Rừng ngẫu nhiên (Random Forest - RF) cho hiệu suất phân loại tốt nhất với độ chính xác đạt 98,1%.

3. Mạng thần kinh nhân tạo dự đoán chỉ tiêu chất lượng bên trong nào của xoài và sử dụng những dữ liệu đầu vào nào?

Mạng thần kinh truyền thẳng (FFNN) được sử dụng để dự đoán độ ngọt (độ Brix) của trái xoài với độ chính xác 98%. Dữ liệu đầu vào của mạng là vector đặc trưng trích xuất từ phân tích thành phần chính ($X_{PCA}$) bao gồm 4 thông số ngoại quan: khối lượng, chiều dài, chiều rộng và thể tích.

4. Hai phương pháp đo thể tích xoài bằng công nghệ xử lý ảnh được tác giả nghiên cứu là gì?

  • Phương pháp 1: Sử dụng cảm biến độ sâu (Depth camera) của thiết bị Kinect để quét hình học và chia tách các lát cắt để tính thể tích.
  • Phương pháp 2: Sử dụng Camera RGB tiêu chuẩn kết hợp mô hình thống kê hồi quy kích thước (dài, rộng, cao trích xuất từ pixel) và đối chiếu với thể tích thực đo bằng phương pháp bình tràn.

5. Tiêu chuẩn phân hạng kích cỡ xoài theo khối lượng trong luận án được quy định như thế nào?

Theo tiêu chuẩn GlobalGAP áp dụng trong luận án, xoài được chia làm 3 mã kích cỡ theo khối lượng:

  • Mã A: Khối lượng từ 200 g đến 350 g (dải cho phép 180 – 425 g).
  • Mã B: Khối lượng từ 351 g đến 550 g (dải cho phép 251 – 650 g).
  • Mã C: Khối lượng từ 551 g đến 800 g (dải cho phép 426 – 925 g). Khối lượng tối thiểu không nhỏ hơn 200 g (hoặc 180 g trong dung sai cho phép).

Kết luận

Luận án của tác giả Nguyễn Đức Thông đã giải quyết trọn vẹn bài toán nghiên cứu, thiết kế và chế tạo hệ thống phân loại xoài tự động hiệu suất cao, kết hợp cơ điện tử, xử lý ảnh và trí tuệ nhân tạo. Công trình đã chứng minh tính hiệu quả của mô hình học máy Random Forest (chính xác 98,1%) trong phân loại ngoại quan và mạng nơ-ron FFNN (chính xác 98%) trong dự đoán không phá hủy độ Brix. Kết quả thực nghiệm vận hành tại TP. Cao Lãnh (Đồng Tháp) với năng suất 3.000 kg/giờ (6–8 trái/giây) khẳng định khả năng ứng dụng thực tiễn cao, đóng góp thiết thực cho công nghệ xử lý sau thu hoạch của ngành nông sản Việt Nam.