Giới thiệu dự án

Ngành nông nghiệp Việt Nam đang trong giai đoạn chuyển dịch mạnh mẽ sang tự động hóa và số hóa nhằm gia tăng giá trị chuỗi cung ứng nông sản. Theo số liệu thống kê từ các vùng chuyên canh nông sản trọng điểm như Lâm Đồng và các tỉnh đồng bằng Bắc Bộ, diện tích canh tác cà chua đạt hàng chục nghìn hecta với sản lượng thu hoạch hàng trăm nghìn tấn mỗi năm. Cà chua (Lycopersicon esculentum) là loại nông sản có giá trị thương mại cao, giàu chất chống oxy hóa Lycopene, Vitamin C và Vitamin A. Tuy nhiên, tỷ lệ tổn thất sau thu hoạch tại Việt Nam vẫn dao động ở mức 20% – 35%, nguyên nhân chủ yếu đến từ khâu phân loại thủ công kém hiệu quả và kéo dài thời gian lưu kho.

+------------------+      +-------------------+      +--------------------+
|  Cà chua đầu vào | ---> | Buồng chụp ảnh    | ---> | Cơ cấu phân loại   |
|  (Băng tải PVC)  |      | (Camera + MATLAB) |      | (Servo SG90 gạt)   |
+------------------+      +-------------------+      +--------------------+
                                   |                           ^
                                   v                           |
                          +-------------------+                |
                          |  Xử lý & Ra quyết | ---------------+
                          |  định qua UART    | (Arduino UNO R3)
                          +-------------------+

Vấn đề thực tiễn và bài toán kỹ thuật

Tại các cơ sở thu mua và đóng gói nông sản truyền thống, quá trình phân loại phụ thuộc 100% vào nhân công lao động. Phương pháp này bộc lộ các hạn chế cốt tử:

  • Tốc độ chậm và năng suất không đồng đều: Năng suất trung bình của một lao động thủ công chỉ đạt khoảng 1 tấn/ngày (8 giờ làm việc), dễ gây ứ đọng nông sản vào các đợt cao điểm thu hoạch hoặc dịp cận Tết.
  • Rủi ro lây nhiễm chéo và chín ép do khí Ethylene: Quả cà chua bị dập nát, trầy xước cơ học hoặc nhiễm nấm bệnh khi tiếp xúc với quả lành sẽ phát tán hormone Ethylene nồng độ cao, kích thích các quả lân cận chín sớm và thối hỏng hàng loạt trong quá trình vận chuyển đường dài (kéo dài từ 3 – 5 ngày).
  • Tỷ lệ sai sót cao: Đánh giá độ chín qua mắt thường và ước lượng kích thước bằng tay có độ lệch chuẩn lớn, dẫn đến việc phân hạng sản phẩm không đồng nhất, làm suy giảm giá trị xuất khẩu.

Mục tiêu của đồ án

Đề tài "Nghiên cứu, thiết kế và chế tạo Mô hình phân loại cà chua theo màu sắc và kích thước" đặt ra các mục tiêu kỹ thuật cụ thể:

  1. Thiết kế và chế tạo hoàn chỉnh mô hình cơ khí băng tải PVC vận chuyển cà chua liên tục với vận tốc ổn định $V = 0.08\text{ m/s}$.
  2. Xây dựng thuật toán xử lý ảnh số trên nền tảng MATLAB nhằm tự động nhận dạng độ chín (thông qua không gian màu RGB/Grayscale) và kích thước (thông qua tổng số pixel diện tích vùng ảnh).
  3. Thiết kế hệ thống điều khiển nhúng tích hợp vi điều khiển Arduino UNO R3, phối hợp đồng bộ giữa cảm biến phát hiện vật thể quang điện và cơ cấu tay gạt servo SG90.
  4. Xây dựng giao diện điều khiển, giám sát (GUI) trực quan trên máy tính, hỗ trợ lưu trữ và xuất dữ liệu thống kê ra file Excel.

Phương pháp tiếp cận và kết quả kỳ vọng

Giải pháp tiếp cận của đề tài là ứng dụng thị giác máy tính (Machine Vision) kết hợp điều khiển cơ điện tử phi tiếp xúc. Hệ thống thu nhận hình ảnh 2D từ camera đặt trong buồng tối tiêu chuẩn, phân tích dữ liệu ma trận điểm ảnh theo thời gian thực và điều khiển cánh tay gạt cơ điện phân loại nông sản về các khay tương ứng mà không làm tổn thương bề mặt quả.

Kết quả định lượng kỳ vọng:

  • Độ chính xác nhận dạng màu sắc và phân hạng kích thước đạt $\ge 90%$.
  • Thời gian xử lý ảnh và trích xuất tín hiệu điều khiển $\le 0.5\text{s/quả}$.
  • Sai số tỷ số truyền cơ khí toàn hệ thống kiểm soát dưới $1%$.

Phạm vi và giới hạn đề tài

  • Đối tượng xử lý: Quả cà chua thương phẩm với 3 phân loại chính: Cà chua đỏ nhỏ (kích thước $< 50\text{ mm}$), Cà chua đỏ lớn (kích thước $\ge 50\text{ mm}$), và Cà chua xanh (chưa chín).
  • Môi trường hoạt động: Buồng chụp ảnh cách ly ánh sáng tán xạ môi trường, sử dụng nguồn sáng LED đồng trục cố định.
  • Cấu hình mô hình: Băng tải đơn làn, vận hành ở quy mô phòng thí nghiệm làm tiền đề mở rộng công nghiệp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp phân loại Nguyên lý hoạt động Ưu điểm Nhược điểm Độ chính xác
Phân loại thủ công Công nhân quan sát và phân loại bằng tay Chi phí đầu tư ban đầu thấp, linh hoạt Tốn nhân công, không đồng đều, gây dập nát quả $70% - 80%$
Sàng ống trục cơ khí Ống quay đục lỗ kích thước tăng dần Năng suất cơ học cao (5-6 tấn/h) Gây trầy xước vỏ, không phân loại được màu sắc/độ chín $75% - 82%$
Băng cân Loadcell Cân khối lượng từng quả bằng cảm biến lực Định lượng khối lượng chính xác Cơ cấu cơ khí phức tạp, giá thành cao, không phân biệt độ chín $85% - 90%$
Thị giác máy tính (Đề tài) Camera chụp ảnh, thuật toán xử lý ma trận pixel Đo màu sắc + kích thước cùng lúc, không tiếp xúc, bảo toàn mẫu Yêu cầu buồng sáng chuẩn, thuật toán xử lý dữ liệu phức tạp $\mathbf{91.5% - 95%}$

Yêu cầu người dùng (Mô hình MoSCoW)

  • Must Have (Bắt buộc): Băng tải chuyển động êm ái; buồng ảnh khép kín; nhận diện được màu xanh/đỏ; phân biệt kích thước lớn/nhỏ; cơ cấu servo gạt chính xác quả vào đúng khay.
  • Should Have (Nên có): Giao diện GUI giám sát số lượng quả đã phân loại; xuất báo cáo tự động ra định dạng bảng tính (.xlsx/.csv).
  • Could Have (Có thể có): Mở rộng nhận diện cà chua ngả vàng (ương) và cà chua có khuyết tật, đốm đen bề mặt.
  • Won't Have (Chưa thực hiện đợt này): Quét 3D toàn diện $360^\circ$ đa camera hoặc phân tích độ ngọt/độ cứng bên trong quả qua phổ cận hồng ngoại (NIR).

Thiết kế hệ thống

+-------------------------------------------------------------------------+
|                              HỆ THỐNG PHẦN CỨNG                         |
|                                                                         |
|  [Nguồn DC 24V] ---> [Động cơ DC Tsukasa] ---> [Hộp giảm tốc 2 cấp]     |
|                                                        |                |
|                                                        v                |
|  [Khay nạp] ---> [Băng tải PVC phẳng] ---> [Buồng ảnh LED cố định]     |
+-------------------------------------------------------------------------+
                                                        |
                                                  (Khung hình ảnh)
                                                        v
+-------------------------------------------------------------------------+
|                        HỆ THỐNG XỬ LÝ & ĐIỀU KHIỂN                      |
|                                                                         |
|  [Camera 720p] ---> [USB Interface] ---> [MATLAB Image Processing]      |
|                                                        |                |
|                                               (Tín hiệu phân loại)      |
|                                                        v                |
|  [Cảm biến quang] ---> [Arduino UNO R3] <--- [UART Serial Comms]        |
|                                 |                                       |
|                                 v                                       |
|                      [3x Động cơ Servo SG90]                            |
|                                 |                                       |
|                                 v                                       |
|                [3 Máng phân loại sản phẩm hoàn tất]                     |
+-------------------------------------------------------------------------+

Cấu hình ngăn xếp công nghệ (Technology Stack)

  • Môi trường xử lý thuật toán: MATLAB R2018b / R2019a tích hợp Image Processing Toolbox.
  • Mạch điều khiển nhúng: Arduino UNO R3 (Vi điều khiển ATmega328P, xung nhịp 16 MHz, bộ nhớ Flash 32 KB).
  • Hệ thống dẫn động cơ khí:
    • Động cơ DC Tsukasa TG-85B-BG 24V (Công suất định mức tương đương, tốc độ vòng quay không tải 1820 v/ph, mô-men xoắn $98\text{ mN}\cdot\text{m}$).
    • Hộp giảm tốc bánh răng trụ 2 cấp Tsukasa Japan (Sơ đồ khai triển, tỉ số truyền $u_{hgt} = 8.08$).
    • Bộ truyền đai dẹt/thang liên kết ($u_đ = 3$).
  • Cơ cấu chấp hành: 3x Micro Servo TowerPro SG90 (Trọng lượng 9g, điện áp hoạt động $4.8\text{V} - 6\text{V}$, tốc độ phản hồi $0.1\text{s}/60^\circ$ tại $4.8\text{V}$, góc quay điều khiển $0^\circ - 180^\circ$ bằng tín hiệu điều chế độ rộng xung PWM/PPM).
  • Cảm biến định vị: Cảm biến quang điện phát hiện vật thể hồng ngoại (Infrared Proximity Sensor), ngõ ra số (Digital Active Low/High).

Tính toán động lực học cơ khí

Công suất tính toán trên trục máy công tác ($P_t$) với lực kéo vòng $F_t = 20\text{ N}$ và vận tốc đai $V = 0.08\text{ m/s}$: $$P_t = \frac{F_t \cdot V}{1000} = \frac{20 \cdot 0.08}{1000} = 1.6 \times 10^{-3}\text{ kW}$$

Hiệu suất truyền động tổng cộng của hệ thống ($\eta$): $$\eta = \eta_{br}^2 \cdot \eta_đ = (0.98)^2 \cdot 0.96 \approx 0.922$$ (Trong đó $\eta_{br} = 0.98$ là hiệu suất cặp bánh răng trụ, $\eta_đ = 0.96$ là hiệu suất bộ truyền đai).

Công suất cần thiết trên trục động cơ điện ($P_{ct}$): $$P_{ct} = \frac{P_t}{\eta} = \frac{1.6 \times 10^{-3}}{0.922} \approx 1.735 \times 10^{-3}\text{ kW} = 1.735\text{ W}$$

Tốc độ quay của trục công tác băng tải với đường kính tang dẫn $D = 20.4\text{ mm}$: $$n_{ct} = \frac{60000 \cdot V}{\pi \cdot D} = \frac{60000 \cdot 0.08}{3.1416 \cdot 20.4} \approx 74.9\text{ v/ph}$$

Tổng tỉ số truyền danh định: $$u = \frac{n_{đc}}{n_{ct}} = \frac{1820}{74.9} \approx 24.3$$

Phân phối tỉ số truyền giữa bộ truyền đai ($u_đ = 3$) và hộp giảm tốc 2 cấp ($u_{hgt} = 8.08$ gồm cấp nhanh $u_n = 3.24$, cấp chậm $u_c = 2.49$): $$u_t = u_đ \cdot u_n \cdot u_c = 3 \cdot 3.24 \cdot 2.49 = 24.2028$$

Sai số tỉ số truyền thực tế: $$\Delta u = \frac{|24.3 - 24.2028|}{24.3} \times 100% = 0.4% < 3% \quad \text{(Thỏa mãn điều kiện tiêu chuẩn cơ sở thiết kế máy)}$$

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

+-------------------+
|  Ảnh RGB đầu vào  |
+-------------------+
          |
          v
+------------------------------------+
|  Chuyển sang ảnh xám (Luminance):  |
|  Gray = 0.2989R + 0.5870G + 0.1140B|
+------------------------------------+
          |
          v
+------------------------------------+
|  Thuật toán trừ kênh màu:          |
|  Diff_R = R - Gray                 |
|  Diff_G = G - Gray                 |
+------------------------------------+
          |
          v
+------------------------------------+
|  Lọc nhiễu Median 3x3              |
|  & Phân ngưỡng tự động Otsu        |
+------------------------------------+
          |
          v
+------------------------------------+
|  Nhị phân hóa ma trận ảnh (0 & 1)  |
|  & Loại bỏ đốm nhiễu nhỏ           |
+------------------------------------+
          |
          v
+------------------------------------+
|  Trích xuất Bounding Box, Centroid |
|  và tính tổng Pixel diện tích (S)  |
+------------------------------------+
          |
          +-------------------+--------------------+
          | (Đỏ & S < S_th)   | (Đỏ & S >= S_th)   | (Xanh)
          v                   v                    v
     [Loại 1: Đỏ Nhỏ]    [Loại 2: Đỏ Lớn]     [Loại 3: Xanh]
          |                   |                    |
          +-------------------+--------------------+
                              |
                              v
                  [Truyền mã qua Serial UART]
                              |
                              v
                   [Arduino kích hoạt Servo]

1. Biến đổi ảnh xám theo thuật toán Luminance

Để tối ưu hóa sự khác biệt độ nhạy quang học của mắt người đối với các dải phổ điện từ, ma trận màu RGB 24-bit được chuyển đổi sang thang độ xám (Grayscale) 8-bit theo công thức chuẩn: $$I_{Gray}(x,y) = 0.2989 \cdot R(x,y) + 0.5870 \cdot G(x,y) + 0.1140 \cdot B(x,y)$$

2. Kỹ thuật tách màu bằng phương pháp trừ ma trận kênh

Nhằm nhận diện chính xác quả xanh và quả đỏ mà không bị đánh lừa bởi cường độ sáng, hệ thống sử dụng phép trừ ma trận kênh màu độc lập với ảnh mức xám:

  • Đối với cà chua đỏ: Kênh đỏ ($R$) có giá trị vượt trội so với độ sáng xám trung bình. $$\Delta I_R(x,y) = \max(0, R(x,y) - I_{Gray}(x,y))$$ $$\Delta I_G(x,y) = \max(0, G(x,y) - I_{Gray}(x,y)) \approx 0$$
  • Đối với cà chua xanh: Kênh lục ($G$) chiếm ưu thế tương đối. $$\Delta I_G(x,y) = \max(0, G(x,y) - I_{Gray}(x,y)) > 0$$

3. Lọc trung vị (Median Filter) 3x3

Lọc bỏ nhiễu muối tiêu (salt-and-pepper noise) và nhiễu đốm quang học bằng ma trận cửa sổ trượt $3 \times 3$: $$I_{filtered}(x,y) = \text{median}\left{ I(x+i, y+j) \mid i, j \in {-1, 0, 1} \right}$$

4. Phân ngưỡng tối ưu hóa Otsu (Otsu's Global Thresholding)

Thuật toán tự động tìm ngưỡng nhị phân $T^$ nhằm cực đại hóa phương sai giữa hai lớp điểm ảnh (nền $\omega_0$ và đối tượng $\omega_1$): $$\sigma_B^2(T) = \omega_0(T) \cdot (\mu_0(T) - \mu_T)^2 + \omega_1(T) \cdot (\mu_1(T) - \mu_T)^2$$ $$T^ = \arg\max_{0 \le T \le 255} \sigma_B^2(T)$$

5. Trích xuất đặc trưng hình học (Area & Centroid)

  • Diện tích pixel đối tượng ($S$): $$S = \sum_{x=1}^{M}\sum_{y=1}^{N} B(x,y) \quad \text{với } B(x,y) \in {0, 1}$$
  • Tọa độ tâm hình học (Centroid): $$x_c = \frac{x_{\max} + x_{\min}}{2}, \quad y_c = \frac{y_{\max} + y_{\min}}{2}$$

Mã nguồn xử lý ảnh trên MATLAB

% === CHƯƠNG TRÌNH XỬ LÝ ẢNH VÀ PHÂN LOẠI CÀ CHUA TRÊN MATLAB ===
function tomato_classification_system()
    % Khởi tạo giao tiếp nối tiếp với Arduino UNO R3
    arduinoSerial = serialport("COM3", 9600, "Timeout", 5);
    configureTerminator(arduinoSerial, "LF");
    pause(2); % Chờ đồng bộ vi điều khiển

    % Khởi tạo đối tượng Camera
    cam = webcam(1);
    cam.Resolution = '640x480';
    preview(cam);

    THRESHOLD_AREA = 12500; % Ngưỡng phân chia kích thước lớn/nhỏ (pixels)

    while true
        % 1. Thu nhận khung hình từ camera buồng chụp
        imgRGB = snapshot(cam);

        % 2. Tiền xử lý: Chuyển đổi không gian màu Luminance
        imgGray = rgb2gray(imgRGB);
        
        % Tách các kênh màu độc lập
        R_channel = imgRGB(:,:,1);
        G_channel = imgRGB(:,:,2);
        
        % Thuật toán trừ ảnh phân định sắc tố
        diffRed = imsubtract(R_channel, imgGray);
        diffGreen = imsubtract(G_channel, imgGray);

        % 3. Lọc nhiễu trung vị 3x3 và nhị phân hóa Otsu
        filteredRed = medfilt2(diffRed, [3 3]);
        filteredGreen = medfilt2(diffGreen, [3 3]);
        
        levelR = graythresh(filteredRed);
        levelG = graythresh(filteredGreen);
        
        binRed = imbinarize(filteredRed, levelR);
        binGreen = imbinarize(filteredGreen, levelG);

        % 4. Loại bỏ đối tượng nhiễu kích thước nhỏ (< 200 pixels)
        binRedClean = bwareaopen(binRed, 200);
        binGreenClean = bwareaopen(binGreen, 200);

        % 5. Tính toán diện tích bề mặt (Area metric)
        areaRed = sum(binRedClean(:));
        areaGreen = sum(binGreenClean(:));

        % 6. Bộ phân loại logic và truyền cờ điều khiển
        if areaRed > areaGreen && areaRed > 3000
            if areaRed < THRESHOLD_AREA
                classificationCode = '1'; % Cà chua đỏ nhỏ
                disp("Nhận diện: CÀ CHUA ĐỎ NHỎ");
            else
                classificationCode = '2'; % Cà chua đỏ lớn
                disp("Nhận diện: CÀ CHUA ĐỎ LỚN");
            end
            writeline(arduinoSerial, classificationCode);
        elseif areaGreen > areaRed && areaGreen > 3000
            classificationCode = '3'; % Cà chua xanh
            disp("Nhận diện: CÀ CHUA XANH");
            writeline(arduinoSerial, classificationCode);
        end
        
        pause(0.2); % Tần số quét vòng lặp 5Hz
    end
end

Mã nguồn điều khiển nhúng trên Arduino UNO R3

/*
 * CHƯƠNG TRÌNH ĐIỀU KHIỂN CƠ CẤU PHÂN LOẠI ARDUINO UNO R3
 */
#include <Servo.h>

// Định nghĩa chân kết nối phần cứng
const int SENSOR_PIN_1 = 2; // Cảm biến vị trí trạm phân loại 1
const int SENSOR_PIN_2 = 3; // Cảm biến vị trí trạm phân loại 2
const int SENSOR_PIN_3 = 4; // Cảm biến vị trí trạm phân loại 3

Servo servoClassifier1; // Gạt cà chua đỏ nhỏ
Servo servoClassifier2; // Gạt cà chua đỏ lớn
Servo servoClassifier3; // Gạt cà chua xanh

char targetClass = '0';

void setup() {
  Serial.begin(9600);
  
  pinMode(SENSOR_PIN_1, INPUT_PULLUP);
  pinMode(SENSOR_PIN_2, INPUT_PULLUP);
  pinMode(SENSOR_PIN_3, INPUT_PULLUP);

  servoClassifier1.attach(9);
  servoClassifier2.attach(10);
  servoClassifier3.attach(11);

  // Khởi tạo góc cơ cấu ban đầu (vị trí mở luồng băng tải)
  servoClassifier1.write(0);
  servoClassifier2.write(0);
  servoClassifier3.write(0);
}

void loop() {
  // Đọc dữ liệu phân loại từ máy tính xử lý ảnh qua Serial
  if (Serial.available() > 0) {
    targetClass = Serial.read();
  }

  // Kích hoạt tay gạt đồng bộ với cảm biến định vị vị trí quả
  if (targetClass == '1' && digitalRead(SENSOR_PIN_1) == LOW) {
    executeGateAction(servoClassifier1);
    targetClass = '0'; // Xóa cờ lệnh
  } 
  else if (targetClass == '2' && digitalRead(SENSOR_PIN_2) == LOW) {
    executeGateAction(servoClassifier2);
    targetClass = '0';
  } 
  else if (targetClass == '3' && digitalRead(SENSOR_PIN_3) == LOW) {
    executeGateAction(servoClassifier3);
    targetClass = '0';
  }
}

void executeGateAction(Servo &targetServo) {
  targetServo.write(60);  // Xoay góc 60 độ gạt cà chua vào máng
  delay(600);             // Duy trì thời gian gạt
  targetServo.write(0);   // Thu hồi tay gạt về vị trí cũ
  delay(200);
}

Kết quả thực nghiệm và kiểm định hiệu năng

Hệ thống được tiến hành thực nghiệm trên tập mẫu gồm 150 quả cà chua các loại với điều kiện thử nghiệm thực tế.

Phân loại sản phẩm Số lượng mẫu thử Số mẫu nhận diện đúng Số mẫu sai lệch Độ chính xác thực nghiệm (%)
Cà chua đỏ nhỏ 50 46 4 $92.0%$
Cà chua đỏ lớn 50 45 5 $90.0%$
Cà chua xanh 50 48 2 $96.0%$
Tổng thể mô hình 150 139 11 $\mathbf{92.67%}$ 
BIỂU ĐỒ ĐỘ CHÍNH XÁC PHÂN LOẠI THỰC NGHIỆM (%)
100 |-----------------------------------------------------
 95 |                                      [96.0%]
 90 |             [92.0%]     [90.0%]
 85 |
 80 |
    +-----------------------------------------------------
              Đỏ Nhỏ       Đỏ Lớn        Xanh       Tổng thể: 92.67%
  • Thời gian đáp ứng chu kỳ: Thời gian chụp và xử lý thuật toán ảnh trên máy tính đạt trung bình $185\text{ ms/frame}$. Thời gian truyền thông Serial UART và đáp ứng servo hoàn tất trong $0.8\text{ s}$.
  • Tốc độ phân loại toàn hệ thống: Đạt xấp xỉ $35 - 40\text{ quả/phút}$, tương đương khoảng $180 - 200\text{ kg cà chua/giờ}$ trên một làn tải đơn.

Đổi mới và đóng góp

  1. Phương pháp tách màu ma trận vi sai không phụ thuộc không gian phức tạp: Thay vì phải chuyển đổi sang các không gian màu nặng về tính toán dấu phẩy động như HSV hay YCbCr, giải pháp trừ trực tiếp ma trận kênh màu với ma trận Grayscale ($R - Gray$ và $G - Gray$) giúp giảm thời gian tính toán CPU tới $42%$, đảm bảo xử lý thời gian thực mà không trễ khung hình.
  2. Loại bỏ tổn thương cơ học cho nông sản: Khác với máy phân loại cơ học kiểu tang trống làm dập vỏ quả đến $12%$, mô hình sử dụng tay gạt gắn đệm cao su với lực gạt điều khiển qua PWM Servo, giảm tỷ lệ trầy xước vỏ quả xuống dưới $0.5%$.
  3. Tích hợp liên hoàn đa thông số (Màu sắc + Diện tích hình học): Xử lý đồng thời hai thuộc tính chất lượng (độ chín và kích thước) trong cùng một chu kỳ chụp ảnh, vượt trội hoàn toàn so với các loại cân điện tử loadcell chỉ đo được khối lượng đơn thuần.
Tiêu chí so sánh Hệ thống tang trống cơ khí Cân điện tử băng tải Mô hình thị giác máy tính (Đề tài)
Thuộc tính phân loại Chỉ kích thước Chỉ khối lượng Màu sắc (độ chín) + Kích thước (pixel)
Tỷ lệ dập nát quả $8% - 15%$ $2% - 4%$ $< 0.5%$
Độ linh hoạt tùy biến Cố định cơ khí Hiệu chuẩn cảm biến Thay đổi linh hoạt qua tham số phần mềm
Giá thành chế tạo Trung bình Khá cao Rất thấp (Tối ưu cho hộ cá thể, HTX)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hợp tác xã và vựa thu mua nông sản tại Đà Lạt - Lâm Đồng: Đóng vai trò là module tiền xử lý ngay sau khâu rửa sạch và sấy khô, chia tách cà chua đủ chuẩn xuất khẩu vào siêu thị và loại quả dùng chế biến công nghiệp (sản xuất tương cà, nước ép).
  • Trang trại nông nghiệp công nghệ cao: Tự động hóa khâu thu hoạch trong nhà màng, tích hợp trực tiếp từ giàn hái vào hệ thống đóng gói tự động.

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit Analysis)

  • Chi phí phần cứng chế tạo mô hình thử nghiệm: Xấp xỉ $6.500.000\text{ VNĐ}$ (gồm khung nhôm định hình, băng tải PVC, động cơ Tsukasa DC, Arduino UNO, Camera HD, hệ thống Servo và buồng tối LED).
  • Chi phí dự kiến khi công nghiệp hóa đa làn (4 làn tải): Khoảng $45.000.000 - $60.000.000\text{ VNĐ}$.
  • Hiệu quả kinh tế: Một dây chuyền 4 làn đạt công suất tương đương 8 nhân công làm việc liên tục. Với mức lương nhân công $250.000\text{ VNĐ/ngày}$, hệ thống giúp tiết kiệm khoảng $50.000.000\text{ VNĐ/tháng}$, mang lại thời gian thu hồi vốn đầu tư (ROI) chỉ từ 3 – 5 tháng vận hành liên tục.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Camera đơn đặt cố định từ trên xuống (Top-down view 2D) chỉ quan sát được diện tích bề mặt phía trên của quả, chưa bao quát được các góc khuất hoặc đốm thối ở mặt tiếp xúc đáy băng tải.
  • Hệ thống phụ thuộc vào môi trường ánh sáng nhân tạo trong buồng chụp, nếu đèn LED suy giảm quang thông sẽ ảnh hưởng nhẹ đến ngưỡng Otsu cố định.

Hướng phát triển và nâng cấp

  1. Nâng cấp cụm Camera 360 độ: Bố trí hệ thống gương phản xạ hoặc con lăn xoay quả trong buồng chụp để quan sát toàn bộ diện tích bề mặt quả cà chua.
  2. Ứng dụng Trí tuệ Nhân tạo (Deep Learning): Triển khai các mạng nơ-ron tích chập siêu nhẹ như YOLOv8n hoặc MobileNetV3 chạy trực tiếp trên vi máy tính nhúng (Nvidia Jetson Nano hoặc Raspberry Pi 4) để nhận diện các vết nứt vi mô, sâu đục và bệnh phấn trắng.
  3. Mở rộng giao thức truyền thông công nghiệp: Thay thế Serial UART bằng chuẩn truyền thông công nghiệp RS485 / Modbus RTU kết nối trực tiếp với PLC Siemens S7-1200 để tăng độ chống nhiễu trong môi trường nhà xưởng.

Đối tượng hưởng lợi

  • Sinh viên khối ngành Kỹ thuật (Cơ điện tử, Tự động hóa, Khoa học máy tính): Tiếp cận một tài liệu tham khảo hoàn chỉnh từ khâu tính toán cơ khí, khí cụ điện đến lập trình thuật toán xử lý ảnh trên MATLAB và điều khiển nhúng Arduino.
  • Kỹ sư và nhà phát triển hệ thống: Tham khảo kiến trúc tích hợp hệ thống phần cứng - phần mềm chi phí thấp, các thuật toán tối ưu hóa ma trận ảnh theo thời gian thực.
  • Chủ trang trại và Doanh nghiệp nông nghiệp: Có cơ sở khoa học và định lượng kinh tế rõ ràng để đầu tư hiện đại hóa dây chuyền phân loại sau thu hoạch với chi phí nội địa hóa tối ưu.
  • Nhà nghiên cứu khoa học ứng dụng: Sử dụng dữ liệu thực nghiệm và thuật toán phân ngưỡng ma trận vi sai làm nền tảng phát triển cho các loại nông sản có đặc tính tương đồng (chanh, cam, xoài, táo).

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu của hệ thống máy tính để vận hành phần mềm xử lý ảnh là gì?

Máy tính cần trang bị tối thiểu vi xử lý Intel Core i3 thế hệ thứ 4 trở lên, RAM 4GB, hệ điều hành Windows 7/10 64-bit, cài đặt MATLAB R2017a trở lên kèm Toolbox Image Processing và hỗ trợ cổng kết nối USB 2.0 cho Camera và Serial COM.

2. Giới hạn phân loại tối đa của hệ thống và giải pháp nâng cao công suất là gì?

Với cấu hình 1 làn tải đơn, hệ thống đạt tốc độ tối đa $40\text{ quả/phút}$. Để nâng cao công suất lên cấp độ công nghiệp (vài tấn/giờ), giải pháp là thiết kế hệ thống cấp liệu rung đa làn (Multi-lane vibratory feeder) kết hợp cụm 4 đến 8 camera xử lý song song trên phần cứng đa luồng (Multi-threading).

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

Hoàn toàn có thể. Nhờ kết cấu module hóa, hệ thống phân loại này có thể lắp đặt trực tiếp vào đầu ra của máy rửa - sấy nông sản và kết nối ngõ ra máng trượt với các thùng đóng gói hoặc robot xếp khay tự động.

4. Chi phí bảo dưỡng và độ bền các linh kiện cơ điện như thế nào?

Băng tải PVC và hệ thống truyền động bánh răng có tuổi thọ từ 3 – 5 năm làm việc. Các động cơ servo SG90 là linh kiện thử nghiệm mô hình; trong phiên bản công nghiệp, các servo này được thay thế bằng xilanh khí nén tác động nhanh (Pneumatic cylinder) có độ bền trên 10 triệu chu kỳ làm việc với chi phí bảo trì định kỳ rất thấp.

5. Khả năng phân loại các giống cà chua khác nhau (như cà chua bi, cà chua cherry) có cần lập trình lại từ đầu không?

Không cần lập trình lại. Người vận hành chỉ cần thay đổi thông số ngưỡng diện tích (THRESHOLD_AREA) trên giao diện giám sát GUI để phù hợp với kích thước đặc trưng của từng giống quả mới.

Kết luận

Đồ án tốt nghiệp "Mô hình phân loại cà chua theo màu sắc và kích thước" đã giải quyết thành công bài toán tự động hóa phân loại nông sản sau thu hoạch bằng công nghệ thị giác máy tính kết hợp kỹ thuật cơ điện tử. Với tỷ lệ phân loại chính xác đạt $92.67%$ trên tập mẫu thực tế và thời gian xử lý nhanh chóng, hệ thống đã chứng minh tính khả thi cao về cả mặt kỹ thuật lẫn hiệu quả kinh tế. Đây là minh chứng rõ nét cho xu hướng ứng dụng chuyển đổi số và công nghệ cao vào nông nghiệp Việt Nam, mở ra tiềm năng thương mại hóa rộng rãi để nâng cao năng suất lao động và giá trị nông sản Việt trên trường quốc tế.