Giới thiệu dự án

Trong bối cảnh nền nông nghiệp 4.0 và công nghiệp hóa toàn cầu, khâu xử lý và phân loại nông sản sau thu hoạch đóng vai trò quyết định đến giá trị thương mại và khả năng xuất khẩu. Cà chua (Solanum lycopersicum) là một trong những loại nông sản chiến lược tại Việt Nam, đặc biệt tập trung tại vùng chuyên canh như Đà Lạt (Lâm Đồng) và đồng bằng Bắc Bộ. Tuy nhiên, theo các thống kê ngành nông nghiệp, tổn thất sau thu hoạch đối với rau quả tươi tại Việt Nam dao động từ 15% đến 25%, trong đó nguyên nhân lớn xuất phát từ quy trình phân loại thủ công thiếu chuẩn xác, tốn nhân lực và gây dập nát cơ học.

Quy trình phân loại truyền thống bằng mắt thường tồn tại nhiều điểm nghẽn nghiêm trọng: năng suất thấp, tính chủ quan cao dẫn đến sai lệch độ chín, không thể đồng thời kiểm soát khối lượng từng quả và dễ bỏ sót các khuyết tật nhỏ trên bề mặt vỏ. Để giải quyết triệt để vấn đề này, đồ án tốt nghiệp "Thiết kế và chế tạo hệ thống phân loại cà chua tự động theo màu sắc và khối lượng" (Khoa Đào tạo Chất lượng cao – Trường Đại học Sư phạm Kỹ thuật TP.HCM, thực hiện bởi nhóm tác giả Trần Quốc Duy, Hà Huy Hoàng, Thân Nguyễn Khôi Nguyên; GVHD: TS. Huỳnh Quang Duy) đề xuất một giải pháp cơ điện tử toàn diện tích hợp Thị giác máy tính (Computer Vision), Cảm biến tải trọng số hóa và Nền tảng Giám sát Đám mây (Cloud IoT).

Mục tiêu cụ thể của dự án được xác lập:

  1. Thiết kế và gia công kết cấu cơ khí hoàn chỉnh: Bao gồm khung máy chịu lực, cơ cấu cấp phôi định lượng, cụm buồng tối quang học (Vision Chamber), cụm cân động và cơ cấu phân làn gạt sản phẩm.
  2. Xây dựng thuật toán nhận diện đa tầng: Ứng dụng mô hình học sâu YOLOv5 kết hợp xử lý không gian màu HSV để phân biệt 4 cấp độ màu sắc (Đỏ, Vàng, Xanh) và nhận dạng quả khuyết tật/hư hỏng.
  3. Tích hợp module cân điện tử thời gian thực: Ứng dụng cảm biến tải trọng Loadcell 1kg kết hợp mạch khuếch đại ADC 24-bit HX711 với độ chính xác $\pm 0.1\text{g}$.
  4. Phát triển hệ thống điều khiển trung tâm và IoT Web Server: Đồng bộ vi điều khiển STM32 với dịch vụ đám mây Firebase Realtime Database để hiển thị và lưu trữ dữ liệu phân loại từ xa.
Nhóm phân loại Tiêu chí màu sắc Tiêu chí khối lượng Mục đích thương phẩm
Loại 1 Đỏ (Chín hoàn toàn) $\ge 10\text{g}$ Xuất khẩu / Siêu thị cao cấp
Loại 2 Đỏ (Chín hoàn toàn) $< 10\text{g}$ Tiêu thụ nội địa / Chế biến
Loại 3 Vàng (Ươm / Đang chín) Không xét Lưu kho ủ chín tiếp
Loại 4 Xanh (Chưa chín / Hư hại) Không xét Tách riêng xử lý nông nghiệp

Phạm vi và giới hạn: Hệ thống tập trung tối ưu hóa cho dòng cà chua bi (cherry tomato) có kích thước trung bình $20\text{mm} - 35\text{mm}$, hoạt động theo phương thức cấp phôi đơn hạt liên tục trên băng chuyền đơn hướng.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng hệ thống, việc đánh giá các giải pháp hiện hữu trên thị trường giúp định hình bài toán tối ưu về kỹ thuật và chi phí:

Tiêu chí Phân loại thủ công Máy phân loại cơ học (Sàng rung/Khe hở) Hệ thống quang học công nghiệp Giải pháp Đề tài (Cơ điện tử + IoT)
Tiêu chí phân loại Màu sắc cảm quan Chỉ theo kích thước Màu sắc, khuyết tật Màu sắc + Khối lượng + Lỗi
Độ chính xác $70% - 80%$ (Giảm theo ca) $80% - 85%$ (Dễ kẹt quả) $> 98%$ $> 95%$
Nguy cơ dập nát Trung bình Rất cao do va đập rung Thấp (Thổi khí nén) Rất thấp (Tay gạt Servo đệm)
Chi phí đầu tư Chi phí nhân công định kỳ $30 - 80\text{ triệu VNĐ}$ $> 300\text{ triệu VNĐ}$ $< 20\text{ triệu VNĐ}$
Giám sát dữ liệu Ghi sổ thủ công Không có SCADA đắt tiền Web Server + Firebase IoT

Ưu tiên hóa yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Băng tải chuyển động êm; buồng chụp ảnh cách ly ánh sáng ngoài; nhận dạng chính xác 3 trạng thái màu (Đỏ, Vàng, Xanh); cân khối lượng sai số $< \pm 0.5\text{g}$; tay gạt Servo MG996R phản hồi $< 200\text{ms}$.
  • Should Have (Nên có): Nhận diện quả thối hỏng qua mạng nơ-ron YOLOv5; hiển thị LCD 1602/2004 tại chỗ; đồng bộ dữ liệu Realtime Database.
  • Could Have (Có thể có): Biểu đồ thống kê tỷ lệ phân loại theo giờ trên giao diện Web UI.
  • Won't Have (Chưa thực hiện đợt này): Phân loại đa làn đồng thời (Multi-lane); cơ cấu đẩy sản phẩm bằng khí nén tốc độ siêu cao.

Thiết kế hệ thống

Kiến trúc hệ thống phân loại cà chua được module hóa thành các tầng tương tác độc lập:

[ Phôi cà chua ] 
       │
       ▼
[ Cụm Cấp phôi tự động (Servo Feeder) ]
       │
       ▼
[ Cụm Cân điện tử (Loadcell 1kg + HX711) ] ──(I2C/GPIO)──► [ Vi điều khiển STM32 ]
       │                                                          │
       ▼                                                          │ (UART / Serial)
[ Buồng tối Vision (Camera + LED Ring) ] ────► [ Máy tính xử lý Mini PC / Host ]
       │                                              │          │
       ▼                                              │          ▼
[ Băng tải truyền động (Động cơ DC + Đai) ]           │    [ YOLOv5 + OpenCV HSV ]
       │                                              │          │
       ▼                                              │          ▼
[ Cụm Phân loại (4 x Servo MG996R) ] ◄────────────────┘    [ Gửi phân loại ]
       │                                                          │
       ▼                                                          ▼
[ 4 Máng hứng sản phẩm ]                                  [ Firebase Cloud ]
                                                                  │
                                                                  ▼
                                                          [ Web Dashboard ]

Technology Stack và phiên bản sử dụng:

  • Xử lý ảnh & AI: Python 3.9.13, OpenCV 4.7.0, PyTorch 1.13.1, YOLOv5 v7.0.
  • Firmware Nhúng: C/C++ trên nền Keil MDK ARM v5.38 / STM32CubeIDE 1.12, HAL Drivers.
  • Giao thức truyền thông: I2C (Inter-Integrated Circuit) tần số $100\text{kHz}$, UART Baudrate $115200\text{bps}$, PWM tần số $50\text{Hz}$ cho điều khiển Servo.
  • IoT & Lưu trữ Cloud: Google Firebase Realtime Database REST API, HTML5/CSS3, JavaScript (ES6), WebSockets.

Cấu trúc Schema cơ sở dữ liệu Firebase JSON:

{
  "HeThongPhanLoai": {
    "RealtimeStatus": {
      "TrangThai": "RUNNING",
      "TongSoLuong": 1250,
      "NangSuat_QuaGio": 195
    },
    "ThongKeChiTiet": {
      "Loai1_Do_LonHon10g": 620,
      "Loai2_Do_NhoHon10g": 310,
      "Loai3_Vang": 210,
      "Loai4_Xanh": 110
    },
    "BanGhiMoiNhat": {
      "ID": "TC_20230802_084215",
      "MauSac": "Red",
      "KhoiLuong_Gram": 14.25,
      "KetLuan": "Loai 1",
      "Timestamp": "2023-08-02T08:42:15Z"
    }
  }
}

Methodology

Đồ án áp dụng quy trình phát triển lặp kết hợp mô hình chữ V (V-Model) trong kỹ thuật Cơ điện tử:

  • Giai đoạn 1 (Tuần 1 - 4): Nghiên cứu lý thuyết, tính toán động lực học cơ cấu truyền động đai, thiết kế khung 3D trên SolidWorks, mô phỏng biến dạng ứng suất kết cấu khung thép chữ C ($68 \times 30 \times 3\text{mm}$) và thép hộp ($30 \times 30 \times 1\text{mm}$).
  • Giai đoạn 2 (Tuần 5 - 8): Gia công cơ khí chính xác, lắp ráp cụm băng tải vải PVC, căn chỉnh độ căng dây đai, chế tạo buồng tối quang học.
  • Giai đoạn 3 (Tuần 9 - 12): Thiết kế mạch phần cứng, lập trình giải thuật cân bằng điểm 0 (Tare) cho HX711, thu thập 1.200 ảnh mẫu cà chua để huấn luyện mạng YOLOv5 trên nền tảng Google Colab GPU T4.
  • Giai đoạn 4 (Tuần 13 - 16): Tích hợp liên lạc Host-MCU, thử nghiệm kiểm chuẩn tổng thể (Integration Testing), tối ưu hóa thời gian trễ và hiệu chỉnh phản hồi góc quay động cơ servo.

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải pháp bao gồm 3 phân hệ cốt lõi:

1. Xử lý ảnh phân loại màu sắc bằng không gian màu HSV

Thuật toán chuyển đổi khung hình từ không gian màu $RGB$ sang $HSV$ ($Hue - Saturation - Value$). Giá trị kênh $Hue$ (0 - 180 trong OpenCV) phân tách triệt để đặc tính màu mà không bị phụ thuộc vào cường độ chiếu sáng ($Value$):

import cv2
import numpy as np

def classify_tomato_color(image_roi):
    # Chuyển đổi không gian màu sang HSV
    hsv = cv2.cvtColor(image_roi, cv2.COLOR_BGR2HSV)
    
    # Định nghĩa dải ngưỡng HSV cho màu Đỏ (kép do vòng tròn màu tròn quanh 0 và 180)
    lower_red1 = np.array([0, 70, 50])
    upper_red1 = np.array([10, 255, 255])
    lower_red2 = np.array([170, 70, 50])
    upper_red2 = np.array([180, 255, 255])
    
    # Dải ngưỡng HSV cho màu Vàng và Xanh
    lower_yellow = np.array([15, 70, 50])
    upper_yellow = np.array([35, 255, 255])
    lower_green = np.array([36, 50, 50])
    upper_green = np.array([85, 255, 255])
    
    # Tạo mặt nạ nhị phân (Binary Mask)
    mask_red = cv2.bitwise_or(cv2.inRange(hsv, lower_red1, upper_red1),
                               cv2.inRange(hsv, lower_red2, upper_red2))
    mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)
    mask_green = cv2.inRange(hsv, lower_green, upper_green)
    
    # Tính toán diện tích điểm ảnh (Pixel count) của từng mặt nạ
    counts = {
        "RED": cv2.countNonZero(mask_red),
        "YELLOW": cv2.countNonZero(mask_yellow),
        "GREEN": cv2.countNonZero(mask_green)
    }
    
    dominant_color = max(counts, key=counts.get)
    return dominant_color if counts[dominant_color] > 500 else "UNKNOWN"

2. Nhận diện khuyết tật bằng YOLOv tập huấn luyện trên Google Colab

Bộ dữ liệu gồm 1.200 ảnh cà chua được gán nhãn gồm các lớp: Tomato_Good, Tomato_Defect (dập, sâu đục, nấm mốc). Mô hình huấn luyện qua 100 Epochs đạt chỉ số độ hội tụ:

  • mAP@0.5: Đạt $95.4%$
  • Precision: $93.8%$
  • Recall: $92.6%$

3. Thu thập dữ liệu khối lượng qua STM32 và ADC HX711

Mạch cầu Wheatstone trong cảm biến Loadcell biến thiên điện áp vi sai bậc milivolt được số hóa qua bộ chuyển đổi HX711 24-bit. Vi điều khiển STM32 thực hiện lọc trung bình động (Moving Average Filter) qua 10 mẫu để triệt tiêu dao động rung do quán tính băng tải:

#include "stm32f1xx_hal.h"
#include "hx711.h"

#define CALIBRATION_FACTOR 420.5f // Hiệu chuẩn dựa trên quả cân chuẩn 50g

float Read_Filtered_Weight(HX711* scale, uint8_t samples) {
    int32_t raw_sum = 0;
    for(uint8_t i = 0; i < samples; i++) {
        raw_sum += HX711_Read_Raw(scale);
        HAL_Delay(10); // Thời gian chuyển đổi kênh 10Hz/80Hz
    }
    float raw_avg = (float)raw_sum / (float)samples;
    float weight = (raw_avg - scale->offset) / CALIBRATION_FACTOR;
    return (weight > 0.0f) ? weight : 0.0f;
}

void Trigger_Sorting_Servo(TIM_HandleTypeDef* htim, uint32_t Channel, uint8_t category) {
    uint32_t pulse_active = 2000; // Góc mở gạt 90 độ (Tương đương độ rộng xung 2.0ms)
    uint32_t pulse_idle = 1000;   // Góc đóng 0 độ (Độ rộng xung 1.0ms)
    
    // Điều khiển cơ cấu chấp hành theo phân loại
    __HAL_TIM_SET_COMPARE(htim, Channel, pulse_active);
    HAL_Delay(350); // Giữ thời gian cho cà chua lăn vào máng
    __HAL_TIM_SET_COMPARE(htim, Channel, pulse_idle);
}

Testing và validation

Hệ thống đã trải qua quá trình kiểm thử thực nghiệm tại xưởng với 500 mẫu quả cà chua bi thực tế:

Hạng mục kiểm thử Số mẫu thử Kết quả chính xác Tỷ lệ thành công (%) Độ lệch chuẩn / Sai số
Nhận diện màu sắc (Đỏ/Vàng/Xanh) 500 482 $96.4%$ Vùng chuyển tiếp màu ươm-đỏ
Đo lường khối lượng (Loadcell) 500 491 $98.2%$ $\text{Sai số trung bình } \pm 0.18\text{g}$
Phát hiện khuyết tật (YOLOv5) 200 188 $94.0%$ Lỗi với vết trầy xước vi mô
Độ chính xác chấp hành tay gạt 500 478 $95.6%$ Lỗi cơ học khi quả rơi lệch tâm
Hiệu suất tổng thể toàn hệ thống 500 473 $94.6%$ Đạt tiêu chuẩn đồ án

Kết quả đạt được

Hệ thống đã hoàn thiện với đầy đủ các tính năng đặt ra ban đầu:

  • Năng suất vận hành: Đạt $200\text{ quả/giờ}$ (tương đương $\sim 3.3\text{ giây/quả}$ cho chu trình cấp phôi - cân - chụp ảnh - phân làn).
  • Tính năng đồng bộ giám sát: Thời gian cập nhật trạng thái từ STM32 lên Firebase và hiển thị trên giao diện Web Dashboard đạt độ trễ trung bình $< 400\text{ms}$.
  • Độ tin cậy cơ khí: Khung máy vững chắc, thử nghiệm chạy liên tục 8 giờ không xảy ra hiện tượng trượt lệch dây đai hay quá nhiệt động cơ servo.

Đổi mới và đóng góp

  1. Hợp nhất đa thông số thông minh (Multimodal Sensory Fusion): Khác biệt hoàn toàn so với các máy phân loại rẻ tiền chỉ sử dụng một cảm biến màu quang học hoặc cơ cấu sàng lọc kích thước, hệ thống tích hợp đồng thời 3 kênh dữ liệu: Màu sắc (HSV) + Bề mặt tổn thương (YOLOv5) + Khối lượng (Loadcell 24-bit).
  2. Cơ cấu đệm gạt giảm chấn: Thiết kế tay gạt Servo MG996R bọc đệm xốp silicone mềm, tính toán vận tốc góc đóng mở phù hợp giúp triệt tiêu hoàn toàn hiện tượng dập nát vỏ quả cà chua mọng nước.
  3. Kiến trúc IoT chi phí thấp: Loại bỏ các hệ thống SCADA/PLC công nghiệp đắt đỏ, triển khai thành công hệ thống nhúng lai STM32 + Python Host + Firebase Realtime Database với tổng kinh phí phần cứng $< 20\text{ triệu VNĐ}$, giảm hơn $80%$ chi phí so với các giải pháp thương mại nhập khẩu.
  4. Khả năng mở rộng tham số linh hoạt: Ngưỡng phân loại khối lượng và màu sắc có thể tái cấu hình trực tiếp từ giao diện Web UI mà không cần can thiệp nạp lại firmware cho vi điều khiển.

Ứng dụng thực tế và triển khai

Môi trường triển khai mục tiêu

  • Các hợp tác xã nông nghiệp công nghệ cao, trang trại trồng cà chua nhà kính tại Đà Lạt, Mộc Châu, Gia Lai.
  • Các xưởng sơ chế, đóng gói nông sản cung cấp cho chuỗi siêu thị bán lẻ (Co.opmart, WinMart, Bách Hóa Xanh).
  • Nhà máy chế biến thực phẩm (tương cà, nước ép) cần phân loại riêng cà chua chín già và cà chua xanh.

Phân tích Kinh tế & Hiệu quả đầu tư (ROI)

Giả định áp dụng cho một cơ sở sơ chế nông sản quy mô vừa:

  • Chi phí nhân công hiện tại: 2 nhân công phân loại thủ công = $14.000.000\text{ VNĐ/tháng}$. Năng suất trung bình: $1.200\text{ quả/người/ngày}$, tỷ lệ lỗi $15%$.
  • Chi phí đầu tư hệ thống: $18.500.000\text{ VNĐ}$ (Chi phí chế tạo) + $1.500.000\text{ VNĐ}$ (Lắp đặt).
  • Chi phí vận hành (Điện + Bảo trì): $\approx 500.000\text{ VNĐ/tháng}$. Chỉ cần 1 nhân công giám sát bán thời gian.
  • Tiết kiệm ròng hàng tháng: $\approx 9.000.000\text{ VNĐ/tháng}$ (tính cả giảm tổn thất do phân loại sai).
  • Thời gian hoàn vốn (Payback Period): $$\text{ROI Time} = \frac{20.000.000\text{ VNĐ}}{9.000.000\text{ VNĐ/tháng}} \approx 2.22\text{ tháng}$$

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Góc nhìn camera đơn hướng (Single-view): Camera gắn cố định phía trên chỉ quan sát được $60% - 70%$ diện tích bề mặt trên của quả, có thể bỏ sót vết tổn thương ở mặt tiếp xúc đáy băng tải.
  • Năng suất giới hạn bởi cơ cấu cân tĩnh: Quả cần dừng nhẹ $\sim 0.5\text{s}$ trên cụm loadcell để loại bỏ quán tính động trước khi đọc dữ liệu chính xác, giới hạn năng suất ở mức 200 quả/giờ.
  • Độ nhạy sáng buồng tối: Khi ánh sáng môi trường xung quanh thay đổi quá mạnh, độ kín quang học của buồng chụp cần được hiệu chỉnh thêm.

Hướng phát triển nâng cấp

  • Tích hợp cụm camera đa hướng hoặc con lăn xoay quả: Thiết kế băng tải con lăn dạng trục xoay giúp quả cà chua tự quay $360^\circ$ khi đi qua buồng quét ảnh, đảm bảo chụp toàn bộ bề mặt vỏ.
  • Nâng cấp thuật toán cân động (Dynamic Weighing Algorithm): Áp dụng bộ lọc Kalman số để ước lượng khối lượng ngay khi quả đang di chuyển liên tục trên loadcell mà không cần dừng băng tải, nâng năng suất lên $> 600\text{ quả/giờ}$.
  • Chuyển đổi sang Edge AI: Triển khai mô hình nén YOLOv8-Nano trực tiếp lên các bo mạch nhúng hiệu năng cao như Raspberry Pi 4 hoặc NVIDIA Jetson Nano để biến hệ thống thành một khối xử lý khép kín không phụ thuộc PC.

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư ngành Cơ điện tử / Tự động hóa: Tài liệu mẫu chuẩn mực về việc tích hợp liên ngành Cơ khí chính xác, Mạch điện tử nhúng, Xử lý ảnh OpenCV/AI và Công nghệ phần mềm IoT.
  • Chủ trang trại & Doanh nghiệp nông nghiệp: Có được bản thiết kế khả thi với chi phí thấp để tự động hóa khâu đóng gói, gia tăng giá trị thương phẩm nông sản xuất khẩu thêm $20% - 30%$.
  • Nhà nghiên cứu sau thu hoạch: Nền tảng thực nghiệm để thu thập dữ liệu về tương quan giữa phổ màu sắc, khối lượng và hàm lượng chất dinh dưỡng (Lycopene, đường) trong quá trình chín của nông sản.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu nguồn điện lưới $220\text{V AC}$ qua bộ nguồn chuyển đổi tổ ong $12\text{V - 10A}$ và $5\text{V - 5A}$; máy tính điều khiển trung tâm (Host PC) có cấu hình tối thiểu Intel Core i3 thế hệ 8 hoặc card nhúng tương đương, RAM 8GB, camera độ phân giải HD 720p 30fps và kết nối Wi-Fi ổn định để đồng bộ Firebase.

2. Giới hạn năng suất phân loại và giải pháp mở rộng quy mô là gì?

Hệ thống đơn làn hiện tại đạt $200\text{ quả/giờ}$. Để nâng cấp lên quy mô công nghiệp ($2.000 - 5.000\text{ quả/giờ}$), giải pháp là nhân bản hệ thống thành cụm băng chuyền đa làn (Multi-lane Conveyor), kết hợp cơ cấu chia phôi tự động dạng đĩa quay ly tâm và van thổi khí nén phản hồi siêu nhanh ($< 20\text{ms}$).

3. Hệ thống có thể tích hợp vào dây chuyền đóng gói sẵn có không?

Hoàn toàn khả thi. Nhờ kiến trúc module độc lập, cụm băng tải phân loại có thể dễ dàng nối tiếp sau máy rửa/sấy nông sản và kết nối trực tiếp đầu ra máng gạt vào máy đóng hộp tự động thông qua các tín hiệu tiếp điểm khô (Relay/Optocoupler) hoặc truyền thông công nghiệp Modbus RTU/TCP.

4. Quy trình bảo trì, bảo dưỡng hệ thống định kỳ như thế nào?

  • Hàng ngày: Vệ sinh bề mặt băng tải PVC bằng cồn nhẹ, lau sạch bụi bám trên ống kính camera và gương tán xạ LED.
  • Hàng tuần: Kiểm tra độ căng dây đai truyền động, bôi trơn các gối đỡ ổ bi trục chủ động/bị động.
  • Hàng tháng: Hiệu chuẩn lại điểm 0 và hệ số phóng đại (Calibration Factor) của cảm biến Loadcell bằng quả cân chuẩn $50\text{g} / 100\text{g}$.

5. Dự toán chi phí chi tiết và thời gian hoàn vốn (ROI) là bao lâu?

Tổng chi phí chế tạo phần cứng và mạch điều khiển hoàn thiện xấp xỉ $18.500.000\text{ VNĐ}$. Với mức tiết kiệm chi phí nhân công và giảm thiểu hao hụt sản phẩm tại một cơ sở đóng gói trung bình, thời gian hoàn vốn đầu tư dao động từ $2.2$ đến $3.5$ tháng hoạt động liên tục.


Kết luận

Đề tài "Thiết kế và chế tạo hệ thống phân loại cà chua tự động theo màu sắc và khối lượng" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM là một minh chứng xuất sắc cho việc ứng dụng công nghệ Cơ điện tử và Trí tuệ nhân tạo vào giải quyết bài toán thực tế của nông nghiệp Việt Nam. Dự án đã chứng minh tính khả thi vượt trội với độ chính xác phân loại tổng thể đạt $94.6%$, năng suất $200\text{ quả/giờ}$, khả năng giám sát dữ liệu đám mây trực quan và chi phí sản xuất cực kỳ cạnh tranh.

Công trình không chỉ hoàn thành xuất sắc các mục tiêu học thuật của một đồ án tốt nghiệp kỹ sư chất lượng cao mà còn mở ra tiềm năng thương mại hóa rộng mở, góp phần thúc đẩy quá trình tự động hóa chuỗi giá trị nông sản hiện đại.