Tổng quan luận án

Luận án tiến sĩ kỹ thuật cơ khí (mã ngành 9520103) của tác giả Nguyễn Đức Thông, thực hiện tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh dưới sự hướng dẫn của PGS. Nguyễn Trường Thịnh và PGS. Huỳnh Thanh Công (năm 2022), mang tên: "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 của Thủ tướng Chính phủ phê duyệt Chiến lược phát triển khoa học và công nghệ Việt Nam giai đoạn 2011–2020, việc hiện đại hóa công nghệ chế biến và xuất khẩu nông sản là nhiệm vụ trọng tâm, trong đó trái xoài thuộc danh mục nông sản đặc biệt được chú trọng. Việt Nam là quốc gia sản xuất xoài lớn thứ 13 thế giới với diện tích trên 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 dẫn đầu với 12.106 ha và sản lượng trên 567.700 tấn/năm. Kim ngạch xuất khẩu xoài của Việt Nam năm 2020 đạt 180,8 triệu USD (trong đó Trung Quốc chiếm 83,95% với 151,8 triệu USD; Liên bang Nga chiếm 4,65% với 8,4 triệu USD; Papua New Guinea chiếm 3,03% với 5,5 triệu USD; tiếp theo là Hoa Kỳ, EU, Nhật Bản, Hàn Quốc).

Mặc dù sản lượng lớn, tỷ lệ thất thoát sau thu hoạch của ngành hàng xoài còn cao (chiếm hơn 27%). Quy trình phân loại sau thu hoạch chủ yếu thực hiện thủ công bằng mắt thường, gây tốn kém chi phí nhân công (ước tính khoảng 100 tỷ đồng/năm cho việc phân loại tại địa phương, năng suất lao động thủ công chỉ đạt 40–80 kg/người/ngày) và không đảm bảo tính đồng đều theo các tiêu chuẩn quốc tế như VietGAP hay GlobalGAP. Các hệ thống phân loại ngoại nhập có chi phí đầu tư cao, chưa được thiết kế thích ứng chuyên biệt với đặc tính hình học và khuyết tật của các giống xoài nội địa. Khoảng trống nghiên cứu được tác giả xác định là sự thiếu vắng một hệ thống thiết bị tự động tích hợp đồng thời cơ cấu cơ khí, kỹ thuật xử lý ảnh đa chiều và các mô hình trí tuệ nhân tạo để phân loại nông sản (cụ thể là xoài) theo đa tiêu chí (khối lượng, thể tích, khuyết tật vỏ) và dự đoán phẩm chất bên trong (độ Brix) ở quy mô công nghiệp với chi phí hợp lý.

Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của luận án được xác lập cụ thể như sau:

  1. Mục tiêu tổng quát: Nghiên cứu, thiết kế, chế tạo và thử nghiệm hoàn chỉnh hệ thống phân loại xoài tự động công suất cao, ứng dụng công nghệ xử lý ảnh kết hợp các thuật toán trí tuệ nhân tạo nhằm nâng cao năng suất, độ chính xác phân loại và giảm thiểu tổn thất sau thu hoạch.
  2. Mục tiêu cụ thể:
    • Xây dựng cơ sở lý thuyết, mô hình hóa toán học và phương pháp luận cho việc phân loại xoài dựa trên hình ảnh quang học và thông số tải trọng.
    • Thiết kế, chế tạo mô hình cơ điện tử gồm hệ thống băng tải, buồng chụp ảnh, cơ cấu cân định lượng thời gian thực và cơ cấu chấp hành phân loại bằng khí nén.
    • Phát triển các thuật toán xử lý ảnh số 2D và 3D (sử dụng Camera RGB và cảm biến Kinect) nhằm trích xuất các thông số hình học (chiều dài, chiều rộng), diện tích khuyết tật bề mặt và tính toán thể tích trái.
    • Xây dựng, huấn luyện và so sánh các mô hình máy học có giám sát (LDA, SVM, KNN, RF) để phân loại ngoại quan xoài theo tiêu chuẩn thương phẩm.
    • Thiết lập mô hình mạng nơ-ron nhân tạo (FFNN) kết hợp phân tích thành phần chính (PCA) để dự đoán không phá hủy độ ngọt (độ Brix) bên trong trái xoài dựa trên các đặc trưng vật lý thu nhận được.
    • Thử nghiệm thực tế hệ thống tại cơ sở sản xuất ở tỉnh Đồng Tháp để đánh giá năng suất và độ chính xác phân loại.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Trái xoài thương phẩm (Mangifera indica L., thuộc họ Anacardiaceae, trọng tâm là các giống xoài chủ lực như xoài Cát Chu và xoài Cát Hòa Lộc) và hệ thống thiết bị cơ điện tử phân loại tự động tích hợp thị giác máy tính và trí tuệ nhân tạo.
  • Phạm vi không gian: Hệ thống thực nghiệm được chế tạo, lắp đặt và vận hành khảo nghiệm trực tiếp tại thành phố Cao Lãnh, tỉnh Đồng Tháp.
  • Phạm vi nội dung: Tập trung vào các chỉ tiêu phân loại ngoại quan (khối lượng từ 180 g đến trên 800 g; diện tích khuyết tật vỏ theo phân hạng Đặc biệt, Hạng I, Hạng II của tiêu chuẩn GlobalGAP) và đánh giá gián tiếp hàm lượng chất rắn hòa tan (độ Brix).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trong nước

Tác giả đã điểm lại các công trình nghiên cứu trong nước liên quan đến chuỗi giá trị nông sản và ứng dụng kỹ thuật tự động hóa:

  • Nghiên cứu chuỗi giá trị xoài: Trương Hồng, Võ Tuấn Kiệt, Dương Ngọc Thành, Từ Thị Kim Trang, Trần Hoàng Khoa [10] và Trương Hồng, Võ Tuấn Kiệt, Dương Ngọc Thành [11] đã phân tích chuỗi giá trị xoài Cát Chu và Cát Hòa Lộc tại tỉnh Đồng Tháp; Trịnh Đức Trí, Võ Thị Thanh Lộc [14] nghiên cứu chuỗi giá trị xoài vùng Đồng bằng sông Cửu Long; Đinh Ngọc Loan [12] nghiên cứu quy trình chế biến xoài tại Khánh Hòa; Nguyễn Thành Tài, Nguyễn Bảo Vệ [13] điều tra hiện trạng xử lý xoài sau thu hoạch tại huyện Cao Lãnh, tỉnh Đồng Tháp. Các tác giả chỉ ra rằng khâu phân loại và sơ chế thủ công là mắt xích gây thất thoát lớn về kinh tế.
  • Nghiên cứu đánh giá phẩm chất cơ lý: Võ Minh Trí, Võ Tấn Thành [15] nghiên cứu phương pháp phân tích không phá hủy bằng va đập nhẹ để đo độ cứng trái xoài.
  • Ứng dụng xử lý ảnh và cơ điện tử: Trương Quốc Bảo, Nguyễn Văn Vững [16] ứng dụng thuật toán phân đoạn Valley-Emphasis nhận dạng khuyết điểm trên vỏ trái xoài với độ chính xác đạt 92% nhưng thời gian xử lý còn chậm (7 giây/khung hình); Nguyễn Lê Tường, Nguyễn Văn Hùng [17] thiết kế mô hình phân loại khoai tây qua webcam đạt độ chính xác 92% với thời gian 0,3 giây/củ ở quy mô phòng thí nghiệm; Trương Quốc Bảo, Nguyễn Minh Luân, Quách Tuấn Văn [18] phát triển thuật toán nhận dạng quả cà chua trên cây dùng hệ 2 camera đạt độ chính xác 96,7% trên không gian màu R-G; Trần Trọng Nghĩa [19] thiết kế máy phân loại xoài tự động theo khối lượng đạt năng suất 92%; Trần Khánh Hưng, Hoàng Như Ý [20] phân loại cà chua theo màu sắc sử dụng PLC S7-1200 đạt hiệu suất 86%.

Các hướng nghiên cứu quốc tế

Các công trình quốc tế được tác giả tổng thuật bao gồm:

  • Ayman H. Amer Eissa và Ayman A. [23] nghiên cứu thị giác máy tính đánh giá màu sắc, kích thước và khuyết tật cho quả cam và cà chua; Tomas U. Ganiron Jr [24] trích xuất chu vi, diện tích, độ tròn và tỷ lệ hư hỏng của xoài qua xử lý ảnh; Chandra Sekhar Nandi và cộng sự [25] áp dụng mô hình hỗn hợp Gaussian (GMM) phân loại 4 giống xoài theo độ chín với thời gian đáp ứng 50 ms (độ chính xác giống KU đạt 93,3%); Yud-Ren Chen và cộng sự [26] ứng dụng ảnh siêu phổ (hyperspectral) phát hiện khuyết tật gia cầm và táo với tốc độ truyền 132 MB/s qua bus PCI.
  • Hiwa Golpira và Hêmin Golpîra [27] chế tạo máy phân loại táo dùng xi lanh khí nén (van 4A220-08, khuếch đại OP177, năng suất 130 kg/h); Ayman A. Ibrahim và cộng sự [28] phân loại quả theo không gian màu RGB với tốc độ 0,3 s/trái; Anna Siedliska và cộng sự [29] sử dụng ảnh siêu phổ VNIR/SWIR kết hợp mô hình SVM và SMO phát hiện vết bầm táo đạt độ chính xác trên 95%; Wenqian Huang và Jiangbo Li [30] sử dụng ảnh đa phổ chọn bước sóng 780 nm, 850 nm, 960 nm phát hiện vết bầm táo đạt độ chính xác 90,4%–92,3% với tốc độ 3 trái/giây; Vahid Mohammadi và cộng sự [31] dùng thuật toán QDA phân loại độ chín quả hồng đạt độ chính xác 90,24%; Md. Jayasuriya và cộng sự [32] phân loại khuyết tật quả cà chua dùng mạng nơ-ron đạt độ chính xác 87,5% với tốc độ 180 quả/phút.

Khoảng trống luận án lựa chọn giải quyết

Các công trình trong nước chủ yếu dừng lại ở mô hình phòng thí nghiệm hoặc phân loại đơn tiêu chí (chỉ theo khối lượng hoặc chỉ theo màu sắc) với thời gian xử lý dài. Các hệ thống quốc tế sử dụng công nghệ siêu phổ tuy có độ chính xác cao nhưng cấu hình phần cứng đắt tiền, không phù hợp triển khai diện rộng tại Việt Nam. Luận án giải quyết khoảng trống này bằng cách: kết hợp cơ cấu cân động tốc độ cao với thị giác máy tính đa chiều (RGB và Kinect) và thuật toán học máy Random Forest để phân loại đồng thời ba thông số ngoại quan (khối lượng, thể tích, khuyết tật) với chu kỳ xử lý thời gian thực, đồng thời tích hợp mạng nơ-ron FFNN dự đoán gián tiếp độ Brix mà không phá hủy trái xoài.


Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

  • Lý thuyết xử lý ảnh số và thị giác máy: Biểu diễn ảnh dưới dạng ma trận hai chiều $f(x, y)$; chuyển đổi không gian màu từ RGB sang ảnh mức xám (Grayscale) và nhị phân hóa (Binary thresholding); sử dụng bộ lọc trung vị (Median filter) khử nhiễu; các phép toán hình thái học (Hit, Fit, Dilation, Erosion, Opening, Closing); giải thuật Contour xác định biên dạng, kích thước (pixel) và tính toán diện tích vùng khuyết tật ($S_{kt}$).
  • Tiêu chuẩn chất lượng thương phẩm: Áp dụng tiêu chuẩn Codex Stan 184-1993, Unece Standard FFV-45, VietGAP và GlobalGAP cho xoài thương phẩm:
    • Mã kích cỡ theo khối lượng: Nhóm A (200–350 g), Nhóm B (351–550 g), Nhóm C (551–800 g). Khối lượng tối thiểu chấp nhận là 180 g (khi tính dung sai) và tối đa là 925 g.
    • Phân hạng khuyết tật: Hạng Đặc biệt (không có khuyết tật); Hạng I (diện tích khuyết tật không vượt quá 3 cm², 4 cm², 5 cm² lần lượt cho nhóm A, B, C); Hạng II (diện tích khuyết tật không vượt quá 5 cm², 6 cm², 7 cm² lần lượt cho nhóm A, B, C).
  • Lý thuyết học máy và mạng nơ-ron:
    • Kỹ thuật giảm chiều dữ liệu: Phân tích thành phần chính (PCA).
    • Các mô hình phân loại có giám sát: Linear Discriminant Analysis (LDA), Support Vector Machines (SVM) với thuật toán Sequential Minimal Optimization (SMO), k-Nearest Neighbours (KNN), và Random Forest (RF).
    • Mô hình mạng nơ-ron truyền thẳng (Feedforward Neural Network - FFNN) trong bài toán hồi quy phi tuyến tính dự đoán hàm lượng đường.

Phương pháp nghiên cứu

Luận án kết hợp ba phương pháp nghiên cứu chính:

  1. Phương pháp nghiên cứu lý thuyết: Xây dựng mô hình toán học động học cơ cấu cơ khí, các phương trình tương quan thể tích – kích thước và hàm phân phối xác suất đặc trưng hình ảnh.
  2. Phương pháp mô phỏng: Mô phỏng ứng xử động lực học tải trọng trên băng tải cân theo các trục không gian và kiểm thử thuật toán học máy trên môi trường máy tính trước khi nạp vào bộ điều khiển.
  3. Phương pháp thực nghiệm: Chế tạo hệ thống phần cứng hoàn chỉnh, tiến hành thu thập mẫu xoài thực tế tại vườn, thu nhận dữ liệu cảm biến và kiểm chứng đối chứng với các phương pháp đo thủ công chuẩn (cân điện tử chính xác, phương pháp bình tràn đo thể tích nước, và khúc xạ kế đo độ Brix).

Nguồn tư liệu và tập dữ liệu

Tập dữ liệu phục vụ nghiên cứu gồm các mẫu xoài Cát Chu và Cát Hòa Lộc thu thập tại tỉnh Đồng Tháp. Dữ liệu đầu vào cho hệ thống bao gồm:

  • Tín hiệu điện áp từ cảm biến lực (Strain gauge/Load cell) qua mạch khuếch đại và chuyển đổi tín hiệu giao tiếp máy tính.
  • Ảnh màu độ phân giải cao thu nhận từ Camera CCD/RGB và dữ liệu chiều sâu từ Depth Camera của cảm biến Kinect trong buồng chiếu sáng tiêu chuẩn.
  • Dữ liệu đo kiểm đối chứng: Khối lượng cân tĩnh ($m_{thuc}$), thể tích bình tràn ($V_{thuc}$), diện tích khuyết tật đo bằng dưỡng mẫu và độ Brix đo bằng thiết bị quang học phá hủy mẫu sau khi chụp ảnh.

Nội dung chính theo từng chương

CHƯƠNG I: TỔNG QUAN VÀ CƠ SỞ LÝ THUYẾT

Chương I trình bày tổng quan ngành hàng xoài Việt Nam, thực trạng chế biến sau thu hoạch tại Đồng bằng sông Cửu Long và cơ sở lý thuyết về xử lý ảnh, thị giác máy tính và trí tuệ nhân tạo. Tác giả khảo sát chi tiết các tiêu chuẩn đánh giá chất lượng xoài theo Codex, VietGAP và GlobalGAP, lượng hóa các yêu cầu về kích cỡ, dung sai khối lượng và giới hạn diện tích khuyết tật cho từng hạng thương phẩm. Chương này cũng phân tích tổng quan các công trình nghiên cứu trong và ngoài nước, từ đó xác lập tính cấp thiết, mục tiêu, đối tượng, phạm vi và phương pháp luận cho toàn bộ luận án.

CHƯƠNG II: NGHIÊN CỨU MÔ HÌNH THÍ NGHIỆM HỆ THỐNG PHÂN LOẠI XOÀI THEO KHỐI LƯỢNG

Chương II tập trung nghiên cứu nguyên lý hoạt động và thiết kế cơ khí cho hệ thống phân loại xoài theo khối lượng:

  • Thiết kế kết cấu khung máy, cụm băng tải tiếp nhận, băng tải xử lý ảnh và băng tải cân định lượng.
  • Thiết lập sơ đồ tính toán tải trọng động của trái xoài tác động lên băng tải theo các trục $x$ và trục $y$.
  • Xây dựng giải thuật bù sai số động khi quả xoài di chuyển qua cảm biến lực Load cell, phân tích mối liên hệ giữa khối lượng cân thực tế trên băng tải và khối lượng cân tĩnh của mẫu.
  • Thiết kế cơ cấu gạt phân loại sử dụng xi lanh khí nén, xác định thời điểm và hành trình đẩy trái xoài vào từng ô phân loại tương ứng với các cấp khối lượng đã lập trình.

CHƯƠNG III: PHÂN LOẠI XOÀI THEO KHỐI LƯỢNG, THỂ TÍCH VÀ KHUYẾT TẬT SỬ DỤNG CÔNG NGHỆ XỬ LÝ ẢNH

Chương III trình bày quy trình công nghệ xử lý ảnh nhằm trích xuất đồng thời diện tích khuyết tật và tính toán thể tích trái xoài:

  • Xử lý ảnh phát hiện khuyết tật: Ảnh màu RGB được chuyển đổi sang ảnh mức xám, nhị phân hóa và lọc nhiễu qua bộ lọc trung vị. Thuật toán Contour trích xuất biên dạng ngoài của quả xoài và định vị các vùng khuyết tật bề mặt (vết thâm, đốm đen, vết xước do nhựa). Chương trình tự động tính toán tổng diện tích khuyết tật ($S_{kt}$) bằng đơn vị mm² hoặc cm² để phân định hạng chất lượng (Đặc biệt, Hạng I, Hạng II).
  • Xác định thể tích xoài:
    • Phương pháp 1 (Sử dụng Depth Camera của Kinect): Thu nhận ảnh chiều sâu, thực hiện thuật toán tách lớp cắt không gian theo các lát quét pixel và tích phân thể tích các lớp để tính tổng thể tích hình học của trái xoài.
    • Phương pháp 2 (Sử dụng Camera RGB và mô hình thống kê): Trích xuất các kích thước hình học 2D gồm chiều dài ($L$) và chiều rộng ($W$), sau đó áp dụng phương trình tương quan thống kê để ước tính thể tích xoài. Kết quả tính toán được đối chứng với phương pháp đo thể tích bằng bình tràn nước.
  • Tích hợp tín hiệu xử lý ảnh với cơ cấu cân khối lượng và mạch điều khiển trung tâm để ra quyết định chấp hành cho hệ thống xi lanh phân loại.
+-----------------------------------------------------------------------------------+
|               Bảng tổng hợp đối chứng các phương pháp xác định thể tích           |
+---------------------+-------------------------------+-----------------------------+
| Phương pháp         | Nguyên lý kỹ thuật             | Đặc điểm kỹ thuật           |
+---------------------+-------------------------------+-----------------------------+
| Tách lớp cắt Kinect | Depth camera quét chiều sâu   | Tích phân thể tích 3D       |
| Thống kê Camera RGB | Ảnh 2D trích xuất biên (L, W) | Phương trình hồi quy đa biến|
| Bình tràn (chuẩn)   | Đo thể tích chất lỏng dâng lên| Đo thủ công đối chứng       |
+---------------------+-------------------------------+-----------------------------+

CHƯƠNG IV: HỆ THỐNG PHÂN LOẠI XOÀI SỬ DỤNG CÔNG NGHỆ XỬ LÝ ẢNH KẾT HỢP TRÍ TUỆ NHÂN TẠO

Chương IV trình bày việc triển khai các mô hình trí tuệ nhân tạo nhằm nâng cao hiệu suất phân loại toàn diện và dự đoán phẩm chất bên trong của quả xoài:

  • Quy trình học máy có giám sát phân loại ngoại quan: Trích xuất vector đặc trưng bao gồm khối lượng, chiều dài, chiều rộng, thể tích và diện tích khuyết tật. Huấn luyện và đánh giá 4 mô hình: Linear Discriminant Analysis (LDA), Support Vector Machines (SVM), k-Nearest Neighbours (KNN) và Random Forest (RF). Kết quả thực nghiệm cho thấy mô hình Random Forest (RF) đạt hiệu suất phân loại tối ưu nhất với độ chính xác đạt 98,1%.
  • Dự đoán độ Brix bằng mạng nơ-ron nhân tạo: Xác định mối quan hệ phụ thuộc phi tuyến tính giữa hàm lượng đường bên trong trái xoài với các biến hình học ngoại quan (khối lượng, chiều dài, chiều rộng, thể tích). Ứng dụng kỹ thuật phân tích thành phần chính PCA để trích xuất không gian đặc trưng $X_{PCA}$, sau đó huấn luyện mô hình mạng nơ-ron truyền thẳng (FFNN). Mạng nơ-ron tối ưu dự đoán độ Brix của trái xoài đạt độ chính xác 98% trên tập dữ liệu thực nghiệm kiểm chứng.
+-----------------------------------------------------------------------------------+
|      Bảng so sánh độ chính xác của các mô hình học máy phân loại trong luận án    |
+--------------------------+----------------------------+---------------------------+
| Mô hình học máy          | Mục tiêu phân loại         | Độ chính xác thực nghiệm  |
+--------------------------+----------------------------+---------------------------+
| LDA                      | Phân loại ngoại quan xoài  | Đạt yêu cầu cơ bản        |
| SVM                      | Phân loại ngoại quan xoài  | Tương đương KNN           |
| KNN                      | Phân loại ngoại quan xoài  | Khả quan                  |
| Random Forest (RF)       | Phân loại ngoại quan xoài  | 98,1% (Tối ưu nhất)       |
| Mạng FFNN kết hợp PCA    | Dự đoán độ ngọt (độ Brix)  | 98,0%                     |
+--------------------------+----------------------------+---------------------------+

CHƯƠNG V: KẾT LUẬN

Chương V tổng kết toàn bộ kết quả nghiên cứu lý thuyết, mô phỏng và thực nghiệm thu được:

  • Hệ thống phân loại hoàn chỉnh được chế tạo và vận hành thực tế tại thành phố Cao Lãnh, tỉnh Đồng Tháp đạt năng suất từ 3.000 kg xoài/giờ (tương đương tốc độ phân loại 6–8 trái/giây).
  • Chứng minh tính hiệu quả của mô hình RF (độ chính xác 98,1%) trong phân loại ngoại quan và mạng FFNN (độ chính xác 98%) trong dự đoán không phá hủy độ Brix.
  • Đề xuất định hướng phát triển mở rộng hệ thống cho các chủng loại nông sản dạng quả khác.

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

  1. Thiết lập hoàn chỉnh cơ sở lý thuyết và phương pháp luận kết hợp giữa động học cơ cấu phân loại tốc độ cao, kỹ thuật xử lý ảnh số 2D/3D và các thuật toán học máy trong bài toán phân loại nông sản phức tạp.
  2. Xây dựng mô hình toán học và giải thuật trích xuất đặc trưng hình thái (chiều dài, chiều rộng, diện tích khuyết tật, thể tích lớp cắt qua Kinect) cho trái xoài – loại quả có hình dạng bất đối xứng cao.
  3. Chứng minh hiệu quả vượt trội của thuật toán Random Forest trong phân loại ngoại quan đa chỉ tiêu và đề xuất cấu trúc mạng nơ-ron truyền thẳng FFNN tích hợp phân tích thành phần chính PCA để dự đoán độ Brix gián tiếp từ các biến vật lý bên ngoài với độ chính xác 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 tại tỉnh Đồng Tháp đạt công suất công nghiệp 3.000 kg/giờ (6–8 trái/giây), đáp ứng tiêu chuẩn chất lượng xuất khẩu VietGAP và GlobalGAP.
  2. Giúp giảm thiểu chi phí nhân công và hạn chế tỷ lệ thất thoát sau thu hoạch cho các hợp tác xã, doanh nghiệp chế biến xuất khẩu xoài tại vùng Đồng bằng sông Cửu Long.
  3. Hệ thống có tính linh hoạt cao về mặt kết cấu cơ khí và phần mềm điều khiển, cho phép hiệu chỉnh thông số để áp dụng phân loại các loại nông sản và trái cây khác.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Mô hình máy học có giám sát yêu cầu tập dữ liệu huấn luyện phải tương đồng với giống xoài mẫu thực tế; khi phân loại giống xoài có hình dạng hoặc màu sắc khác biệt lớn cần phải thu thập dữ liệu và huấn luyện lại.
  • Chất lượng xử lý ảnh và phát hiện khuyết tật còn chịu ảnh hưởng bởi sự thay đổi cường độ ánh sáng môi trường buồng chụp và các trường hợp bề mặt vỏ xoài bị nhiễm bẩn phức tạp.

Hướng nghiên cứu tiếp

  • Nghiên cứu mở rộng cơ cấu cấp phôi và cơ cấu gạt để áp dụng hệ thống phân loại cho các loại nông sản có dạng hình học và tính chất cơ lý khác nhau.
  • Nâng cấp phần cứng thu nhận ảnh (sử dụng camera công nghiệp độ phân giải cao hơn) và tối ưu hóa thời gian tính toán của các thuật toán xử lý ảnh nhằm gia tăng hơn nữa năng suất làm việc của dây chuyền.

Giá trị tham khảo

Luận án là tài liệu tham khảo hữu ích cho các nhóm đối tượng:

  • Nghiên cứu sinh, học viên cao học, giảng viên và kỹ sư ngành Kỹ thuật Cơ khí, Cơ điện tử, Tự động hóa và Công nghệ Nông nghiệp: Có thể tham khảo phương pháp tính toán động lực học băng tải cân, thiết kế buồng chiếu sáng thị giác máy và quy trình lập trình tích hợp PLC/máy tính với cơ cấu chấp hành khí nén.
  • Các nhà nghiên cứu trong lĩnh vực Thị giác máy tính và Trí tuệ nhân tạo ứng dụng: Tham khảo chi tiết giải thuật tách lớp cắt tính thể tích từ cảm biến Kinect (Chương III), quy trình trích xuất vector đặc trưng khuyết tật và phương pháp xây dựng mạng FFNN kết hợp PCA dự đoán độ Brix (Chương IV).
  • Các hợp tác xã, doanh nghiệp chế biến xuất khẩu nông sản và cơ quan quản lý nông nghiệp tại Đồng bằng sông Cửu Long: Tham khảo thông số kinh tế – kỹ thuật để đầu tư, chuyển giao công nghệ và cơ giới hóa khâu phân loại nông sản sau thu hoạch.

Câu hỏi thường gặp

1. Mô hình máy học nào cho kết quả phân loại xoài tối ưu nhất trong luận án và đạt độ chính xác bao nhiêu?

Trong số bốn mô hình máy học có giám sát được thử nghiệm (LDA, SVM, KNN, RF), mô hình Random Forest (RF) cho hiệu suất phân loại tối ưu nhất với độ chính xác đạt 98,1%.

2. Luận án sử dụng phương pháp nào để dự đoán độ Brix (hàm lượng đường) mà không cần cắt phá hủy trái xoài?

Luận án sử dụng mạng nơ-ron nhân tạo truyền thẳng (FFNN) kết hợp kỹ thuật phân tích thành phần chính (PCA), sử dụng vector đầu vào gồm 4 thông số vật lý ngoại quan thu nhận từ cảm biến và xử lý ảnh (khối lượng, chiều dài, chiều rộng, thể tích) để dự đoán độ Brix với độ chính xác đạt 98%.

3. Năng suất phân loại thực tế của hệ thống đạt bao nhiêu và được lắp đặt thử nghiệm ở đâu?

Hệ thống đạt năng suất phân loại thực tế khoảng 3.000 kg xoài/giờ (tương đương tốc độ xử lý 6–8 trái/giây), được chế tạo, lắp đặt và vận hành khảo nghiệm trực tiếp tại thành phố Cao Lãnh, tỉnh Đồng Tháp.

4. Luận án áp dụng các tiêu chuẩn phân hạng chất lượng nào cho trái xoài?

Luận án căn cứ trên tiêu chuẩn Codex Stan 184-1993, Unece Standard FFV-45, VietGAP và GlobalGAP để phân chia kích cỡ theo 3 nhóm khối lượng (Nhóm A: 200–350 g, Nhóm B: 351–550 g, Nhóm C: 551–800 g) và phân hạng khuyết tật bề mặt theo 3 cấp (Hạng Đặc biệt, Hạng I, Hạng II).

5. Có những phương pháp xử lý ảnh nào được luận án nghiên cứu để xác định thể tích quả xoài?

Luận án nghiên cứu hai phương pháp: (1) Sử dụng Depth Camera của cảm biến Kinect để quét không gian và tách lớp cắt 3D tích phân thể tích; (2) Sử dụng Camera RGB trích xuất kích thước chiều dài, chiều rộng 2D kết hợp mô hình thống kê hồi quy, đối chứng với phương pháp bình tràn đo thể tích nước.


Kết luận

Luận án của tác giả Nguyễn Đức Thông đã giải quyết bài toán thiết kế, chế tạo hoàn chỉnh hệ thống cơ điện tử phân loại nông sản tự động năng suất cao (3.000 kg/giờ) ứng dụng trên quả xoài. Công trình đã kết hợp đồng bộ cơ cấu cân động thời gian thực với công nghệ xử lý ảnh 2D/3D và các giải thuật trí tuệ nhân tạo (Random Forest đạt độ chính xác 98,1%, mạng FFNN dự đoán độ Brix đạt 98%). Kết quả thử nghiệm thực tế tại tỉnh Đồng Tháp khẳng định tính khả thi của hệ thống trong việc đáp ứng các tiêu chuẩn xuất khẩu VietGAP/GlobalGAP và mở ra tiềm năng ứng dụng cho nhiều chủng loại nông sản khác.