Nghiên Cứu Mô Hình Hệ Thống Nhận Dạng Hạt Gạo Cho Máy Phân Loại Chất Lượng Gạo

Nghiên cứu nhận dạng hạt gạo bằng xử lý ảnh là một lĩnh vực quan trọng trong nông… 108 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2016.

• Tác giả: Hoàng Đình Minh
• Người hướng dẫn: TS. Lê Mỹ Hà
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điều Khiển-Tự Động Hóa
• Đề tài: Nghiên Cứu Mô Hình Hệ Thống Nhận Dạng Hạt Gạo Cho Máy Phân Loại Chất Lượng Gạo Dùng Kỹ Thuật Xử Lý Ảnh
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. MỤC TIÊU ĐỀ TÀI
• 1.2. GIỚI HẠN ĐỀ TÀI
• 1.3. PHƯƠNG PHÁP
• 1.4. NỘI DUNG ĐỀ TÀI
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH
• 2.2. NHỮNG VẤN ĐỀ TRONG HỆ THỐNG XỬ LÝ ẢNH
• 2.3. Các khái niệm cơ sở về xứ lý ảnh
• 2.4. Mức xám của ảnh
• 2.5. Quan hệ giữa các điểm ảnh
• 2.6. Các thiệt bị thu nhận ảnh
• 2.7. Mô hình không gian màu
• 2.8. Những định dạng của ảnh
• 2.9. CÁC VẤN ĐỀ KHÁC TRONG XỬ LÝ ẢNH
• 2.10. Chuyển đổi mức xám của ảnh
• 2.11. Làm trơn nhiễu bằng các phương pháp lọc nhiễu
• 2.12. Các kỹ thuật tìm biên
• 2.13. Kỹ thuật tı̀m khung xương đối tượng ảnh
• 2.14. Phân đoạn ảnh
• 2.15. CÁC PHÉP TOÁN HÌNH THÁI TRONG XỬ LÝ ẢNH
• 2.15.1. Phép co nhị phân (Erosion)
• 2.15.2. Phép dãn nhị phân (Dilation)
• 2.16. Giới thiệu về mạng Nơron
• 2.16.1. Mạng Nơron nhân tạo
• 2.16.2. Phương pháp huấn luyện mạng Nơron
• 2.17. ỨNG DỤNG CỦA MATLAB TRONG XỬ LÝ ẢNH
• 2.17.1. Ứng dụng của Matlab trong xử lý ảnh
• 3. CHƯƠNG 3: GIẢI THUẬT
• 3.1. PHƯƠNG PHÁP ĐỀ XUẤT
• 3.1.1. Cấu trúc mạng perceptron
• 3.1.2. Phương pháp huấn luyện
• 3.1.3. Mạng perceptron với hàm tác động bán tuyến tính
• 3.1.4. Hệ màu YCbCr
• 3.1.5. Tăng cường biên ảnh
• 3.2. PHÂN LOẠI KÍCH THƯỚC HẠT GẠO BẰNG PHƯƠNG PHÁP HUẤN LUYỆN MẠNG NƠRON NHÂN TẠO
• 3.2.1. Chuyển đổi ảnh RGB sang ảnh mức xám
• 3.2.4. Loại bỏ các pixel nhỏ
• 3.2.5. Phân đoạn ảnh
• 3.2.6. Lấy thông tin của đối tượng ảnh đem vào huấn luyện
• 3.2.7. Phân loại gạo
• 3.3. PHÂN LOẠI GẠO THEO MÀU SẮC
• 3.3.1. Chuyển ảnh từ hệ màu cơ bản RGB sang hệ màu YCbCr
• 3.4. KẾT QUẢ TRÊN CÁC ẢNH CHỤP
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. GIỚI THIỆU PHẦN CỨNG
• 4.1.1. Khay (máng) để đổ gạo chạy xuống
• 4.2. KẾT QUẢ THỰC NGHIỆM
• 4.2.1. Trích xuất các khung ảnh của video trong thời gian thực
• 4.2.2. Kết quả sau khi xử lý các khung hình
• 4.3. ĐÁNH GIÁ KẾT QUẢ
• 4.3.1. Tốc độ tính toán thực nghiệm
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. HƯỚNG PHÁT TRIỂN CHÍNH
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Nhận Dạng Hạt Gạo Bằng Xử Lý Ảnh

Nghiên cứu nhận dạng hạt gạo bằng xử lý ảnh là một lĩnh vực quan trọng trong nông nghiệp thông minh. Lúa gạo không chỉ là nguồn lương thực thiết yếu mà còn là mặt hàng xuất khẩu chủ lực của Việt Nam. Tuy nhiên, chất lượng gạo xuất khẩu còn hạn chế do quy trình kiểm định thủ công. Nghiên cứu này tập trung vào việc ứng dụng computer vision để tự động hóa quá trình phân loại gạo, nâng cao chất lượng gạo và giá trị gia tăng. Mục tiêu là xây dựng một hệ thống nhận dạng có khả năng phát hiện và phân loại các hạt gạo không đạt tiêu chuẩn về kích thước, hình dạng và màu sắc. Điều này góp phần giảm thiểu chi phí, tăng năng suất và đảm bảo tiêu chuẩn gạo xuất khẩu.

1.1. Tầm quan trọng của việc nâng cao chất lượng gạo

Nâng cao chất lượng gạo là yếu tố then chốt để tăng cường khả năng cạnh tranh trên thị trường quốc tế. Gạo Việt Nam thường có giá thấp hơn so với các nước khác do chất lượng chưa đồng đều. Việc áp dụng công nghệ xử lý ảnh giúp loại bỏ các hạt gạo kém chất lượng, từ đó nâng cao giá trị sản phẩm. Điều này không chỉ mang lại lợi ích kinh tế cho người nông dân và doanh nghiệp mà còn góp phần xây dựng thương hiệu gạo Việt Nam trên thị trường thế giới.

1.2. Ứng dụng xử lý ảnh trong nông nghiệp thông minh

Nông nghiệp thông minh đang trở thành xu hướng tất yếu trong bối cảnh hiện nay. Xử lý ảnh là một trong những công nghệ quan trọng giúp tự động hóa các quy trình sản xuất nông nghiệp, từ kiểm tra chất lượng sản phẩm đến giám sát mùa vụ. Ứng dụng xử lý ảnh trong nhận dạng hạt gạo giúp giảm thiểu sự can thiệp của con người, đảm bảo tính khách quan và chính xác trong quá trình đánh giá gạo.

II. Thách Thức Trong Nhận Dạng Hạt Gạo và Giải Pháp Xử Lý Ảnh

Việc nhận dạng hạt gạo bằng xử lý ảnh đối mặt với nhiều thách thức. Sự khác biệt về kích thước, hình dạng và màu sắc giữa các giống gạo, cũng như sự biến đổi về điều kiện ánh sáng, gây khó khăn cho việc xây dựng một hệ thống nhận dạng chính xác và ổn định. Các thuật toán xử lý ảnh cần phải được thiết kế để có thể xử lý các biến thể này và đảm bảo độ tin cậy cao. Ngoài ra, tốc độ xử lý ảnh cũng là một yếu tố quan trọng, đặc biệt trong các ứng dụng thực tế đòi hỏi khả năng phân loại gạo nhanh chóng và hiệu quả.

2.1. Các yếu tố ảnh hưởng đến độ chính xác nhận dạng

Độ chính xác của hệ thống nhận dạng chịu ảnh hưởng bởi nhiều yếu tố, bao gồm chất lượng ảnh hạt gạo, điều kiện ánh sáng, và sự đa dạng của các giống gạo. Các thuật toán xử lý ảnh cần phải được thiết kế để có thể giảm thiểu tác động của các yếu tố này và đảm bảo độ chính xác cao trong quá trình phân loại gạo. Việc sử dụng các kỹ thuật tiền xử lý ảnh như cân bằng histogram và lọc nhiễu có thể giúp cải thiện chất lượng ảnh hạt gạo và tăng cường độ chính xác của hệ thống nhận dạng.

2.2. Tối ưu hóa thuật toán xử lý ảnh để tăng tốc độ

Tốc độ xử lý ảnh là một yếu tố quan trọng trong các ứng dụng thực tế. Các thuật toán xử lý ảnh cần phải được tối ưu hóa để có thể phân loại gạo nhanh chóng và hiệu quả. Việc sử dụng các kỹ thuật như giảm kích thước ảnh, lựa chọn các đặc trưng phù hợp, và áp dụng các thuật toán song song có thể giúp tăng tốc độ xử lý ảnh và đáp ứng yêu cầu của các ứng dụng thực tế.

III. Phương Pháp Nhận Dạng Hạt Gạo Bằng Machine Learning

Machine learning đóng vai trò quan trọng trong việc xây dựng hệ thống nhận dạng hạt gạo hiệu quả. Các thuật toán machine learning có khả năng học từ dữ liệu và tự động điều chỉnh để đạt được độ chính xác cao. Trong lĩnh vực này, các phương pháp như deep learning, mạng nơ-ron tích chập (CNN) và các thuật toán phân loại truyền thống như Support Vector Machine (SVM) được sử dụng rộng rãi. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của ứng dụng.

3.1. Ứng dụng Deep Learning trong nhận dạng hạt gạo

Deep learning đã chứng minh được hiệu quả vượt trội trong nhiều bài toán computer vision, bao gồm cả nhận dạng hạt gạo. Các mô hình CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ ảnh hạt gạo và đạt được độ chính xác cao trong quá trình phân loại gạo. Việc sử dụng các mô hình tiền huấn luyện (pre-trained models) và kỹ thuật tăng cường dữ liệu (data augmentation) có thể giúp cải thiện hiệu suất của các mô hình deep learning.

3.2. So sánh các thuật toán Machine Learning khác nhau

Ngoài deep learning, các thuật toán machine learning truyền thống như SVM, Random Forest và K-Nearest Neighbors (KNN) cũng có thể được sử dụng để phân loại gạo. Mỗi thuật toán có những ưu điểm và nhược điểm riêng, và việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của ứng dụng. Việc so sánh hiệu suất của các thuật toán khác nhau trên cùng một tập dữ liệu có thể giúp xác định phương pháp tốt nhất cho bài toán nhận dạng hạt gạo.

3.3. Huấn luyện và đánh giá mô hình nhận dạng hạt gạo

Quá trình huấn luyện và đánh giá mô hình nhận dạng hạt gạo là rất quan trọng để đảm bảo hiệu suất của hệ thống nhận dạng. Dữ liệu huấn luyện cần phải đủ lớn và đa dạng để mô hình có thể học được các đặc trưng quan trọng của ảnh hạt gạo. Các chỉ số đánh giá như độ chính xác (accuracy), độ thu hồi (recall) và độ đo F1 (F1-score) được sử dụng để đánh giá hiệu suất của mô hình. Việc sử dụng kỹ thuật kiểm định chéo (cross-validation) có thể giúp đánh giá khách quan hiệu suất của mô hình trên các tập dữ liệu khác nhau.

IV. Ứng Dụng Thực Tế Hệ Thống Nhận Dạng Hạt Gạo Tự Động

Hệ thống nhận dạng hạt gạo tự động có nhiều ứng dụng thực tế trong ngành nông nghiệp. Nó có thể được sử dụng để kiểm tra chất lượng gạo trong quá trình sản xuất, phân loại gạo theo giống và đánh giá gạo trước khi xuất khẩu. Việc tự động hóa quá trình kiểm định giúp giảm thiểu chi phí, tăng năng suất và đảm bảo tiêu chuẩn gạo xuất khẩu. Ngoài ra, hệ thống nhận dạng cũng có thể được tích hợp vào các thiết bị phân loại gạo tự động để loại bỏ các hạt gạo kém chất lượng.

4.1. Kiểm tra chất lượng gạo trong quá trình sản xuất

Hệ thống nhận dạng có thể được sử dụng để kiểm tra chất lượng gạo trong quá trình sản xuất, từ khâu thu hoạch đến khâu đóng gói. Việc phát hiện sớm các hạt gạo kém chất lượng giúp ngăn chặn sự lây lan của các bệnh tật và đảm bảo chất lượng gạo cuối cùng. Hệ thống nhận dạng cũng có thể được sử dụng để giám sát quá trình sấy và xay xát gạo, đảm bảo các thông số kỹ thuật được tuân thủ.

4.2. Phân loại gạo theo giống và đặc tính

Hệ thống nhận dạng có thể được sử dụng để phân loại gạo theo giống và các đặc tính như kích thước, hình dạng, màu sắc và độ trắng. Việc phân loại gạo chính xác giúp đáp ứng yêu cầu của các thị trường khác nhau và tăng giá trị sản phẩm. Hệ thống nhận dạng cũng có thể được sử dụng để phát hiện các tạp chất trong gạo, đảm bảo tiêu chuẩn gạo xuất khẩu.

4.3. Tích hợp vào dây chuyền phân loại gạo tự động

Hệ thống nhận dạng có thể được tích hợp vào các dây chuyền phân loại gạo tự động để loại bỏ các hạt gạo kém chất lượng. Việc tự động hóa quá trình phân loại gạo giúp giảm thiểu chi phí lao động, tăng năng suất và đảm bảo chất lượng gạo cuối cùng. Hệ thống nhận dạng cũng có thể được kết hợp với các thiết bị cơ khí như máy thổi khí hoặc băng tải để loại bỏ các hạt gạo không đạt tiêu chuẩn.

V. Đánh Giá Hiệu Quả và Độ Chính Xác Hệ Thống Nhận Dạng

Đánh giá hiệu quả và độ chính xác của hệ thống nhận dạng là bước quan trọng để đảm bảo tính tin cậy và khả năng ứng dụng thực tế. Các chỉ số như độ chính xác, độ thu hồi, độ đo F1 và thời gian xử lý ảnh được sử dụng để đánh giá hiệu suất của hệ thống nhận dạng. Việc so sánh hiệu suất của hệ thống nhận dạng với các phương pháp truyền thống hoặc các hệ thống khác giúp xác định ưu điểm và nhược điểm của phương pháp.

5.1. Các chỉ số đánh giá hiệu suất hệ thống

Các chỉ số đánh giá hiệu suất hệ thống nhận dạng bao gồm độ chính xác (accuracy), độ thu hồi (recall), độ đo F1 (F1-score) và thời gian xử lý ảnh. Độ chính xác đo lường tỷ lệ các hạt gạo được phân loại đúng. Độ thu hồi đo lường tỷ lệ các hạt gạo kém chất lượng được phát hiện. Độ đo F1 là trung bình điều hòa của độ chính xác và độ thu hồi. Thời gian xử lý ảnh đo lường tốc độ phân loại gạo của hệ thống nhận dạng.

5.2. So sánh với các phương pháp phân loại gạo truyền thống

Việc so sánh hiệu suất của hệ thống nhận dạng với các phương pháp phân loại gạo truyền thống giúp xác định ưu điểm và nhược điểm của phương pháp. Các phương pháp truyền thống thường dựa vào kinh nghiệm của con người và có thể không chính xác và tốn thời gian. Hệ thống nhận dạng tự động có thể phân loại gạo nhanh chóng và chính xác hơn, giúp giảm thiểu chi phí và tăng năng suất.

VI. Kết Luận và Hướng Phát Triển Nghiên Cứu Nhận Dạng Gạo

Nghiên cứu nhận dạng hạt gạo bằng xử lý ảnh đã đạt được những kết quả khả quan, mở ra tiềm năng ứng dụng rộng rãi trong ngành nông nghiệp. Tuy nhiên, vẫn còn nhiều hướng phát triển để nâng cao hiệu quả và độ tin cậy của hệ thống nhận dạng. Các hướng phát triển bao gồm cải thiện thuật toán xử lý ảnh, sử dụng các phương pháp machine learning tiên tiến hơn, và tích hợp hệ thống nhận dạng với các thiết bị IoT trong nông nghiệp để tạo ra một hệ sinh thái nông nghiệp thông minh hoàn chỉnh.

6.1. Các hướng cải thiện thuật toán xử lý ảnh

Các hướng cải thiện thuật toán xử lý ảnh bao gồm sử dụng các bộ lọc nhiễu tiên tiến hơn, áp dụng các kỹ thuật tăng cường ảnh để cải thiện chất lượng ảnh hạt gạo, và phát triển các thuật toán phân đoạn ảnh chính xác hơn. Việc kết hợp các thuật toán xử lý ảnh khác nhau có thể giúp đạt được hiệu quả tốt hơn.

6.2. Ứng dụng IoT trong hệ thống nhận dạng hạt gạo

Việc tích hợp hệ thống nhận dạng với các thiết bị IoT trong nông nghiệp có thể tạo ra một hệ sinh thái nông nghiệp thông minh hoàn chỉnh. Các cảm biến có thể được sử dụng để thu thập dữ liệu về điều kiện môi trường, độ ẩm và nhiệt độ, giúp tối ưu hóa quá trình sản xuất gạo. Dữ liệu từ các cảm biến có thể được sử dụng để cải thiện hiệu suất của hệ thống nhận dạng và đưa ra các quyết định thông minh về quản lý mùa vụ.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Lúa gạo là nguồn lương thực thiết yếu tại Việt Nam và là mặt hàng nông sản xuất khẩu chiếm tỷ trọng cao trong kim ngạch kinh tế quốc gia. Mặc dù Việt Nam sở hữu khối lượng gạo xuất khẩu lớn trên thị trường thế giới, giá trị thương mại thu về vẫn ở mức thấp do phương thức xuất khẩu chủ yếu là gạo thô, quy trình sơ chế và phân loại còn nhỏ lẻ, lạc hậu. Tỷ lệ lẫn các hạt gạo không đạt tiêu chuẩn về kích thước (hạt gãy, hạt vụn) và màu sắc (hạt đen, hạt ố vàng, hạt biến màu) làm giảm đáng kể phẩm cấp hạt gạo Việt Nam so với các quốc gia cạnh tranh như Thái Lan, Ấn Độ, Trung Quốc. Trong khi đó, các dây chuyền phân loại gạo tự động nhập khẩu từ nước ngoài có giá thành đầu tư rất cao, gây khó khăn cho việc phổ biến tại các cơ sở chế biến nội địa.

Trước thực tế đó, đề tài "Nghiên cứu mô hình hệ thống nhận dạng hạt gạo cho máy phân loại chất lượng gạo dùng kỹ thuật xử lý ảnh" được tác giả Hoàng Đình Minh (ngành Công nghệ Kỹ thuật Điều khiển - Tự động hóa, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh) thực hiện dưới sự hướng dẫn của TS. Lê Mỹ Hà. Đề tài tập trung vào việc nghiên cứu và thử nghiệm giải pháp thị giác máy tính nhằm tự động hóa khâu giám sát hạt gạo trong thời gian thực.

Mục tiêu nghiên cứu được xác định bao gồm hai nhiệm vụ cụ thể:

1. Nghiên cứu ứng dụng kỹ thuật xử lý ảnh số trên phần mềm MATLAB để phát hiện, đánh dấu và theo dõi tọa độ các hạt gạo không đạt tiêu chuẩn về kích thước và màu sắc từ dữ liệu video thời gian thực.
2. Nghiên cứu mô hình thực nghiệm có khả năng tích hợp thiết bị cơ khí (súng hơi) nhằm định hướng tách hạt gạo kém chất lượng ra khỏi dòng sản phẩm đạt chuẩn.

Đối tượng nghiên cứu của đồ án là các hạt gạo chuyển động liên tục trên hệ thống máng trượt, được thu nhận qua camera số. Phạm vi nghiên cứu giới hạn ở việc xây dựng và thực nghiệm giải pháp nhận dạng trên phần mềm mô phỏng MATLAB dựa trên nguồn dữ liệu video thực tế tại phòng thí nghiệm, kiểm chứng độ chính xác thuật toán trong điều kiện ánh sáng và màu nền thay đổi; chưa tích hợp điều khiển cơ cấu chấp hành khí nén thực tế để loại bỏ hạt gạo.

Cơ sở lý thuyết và phương pháp

Để xây dựng hệ thống nhận dạng, tác giả đã hệ thống hóa các nền tảng lý thuyết xử lý ảnh số, hình thái học toán học, lý thuyết không gian màu và mạng nơ-ron nhân tạo:

• Hệ thống không gian màu: Nghiên cứu khảo sát các mô hình biểu diễn màu sắc bao gồm RGB (Red - Green - Blue theo chuẩn CIE), CMYK (Cyan - Magenta - Yellow - Key), HSI (Hue - Saturation - Intensity), CIE-L*a*b* và YCbCr. Trong đó, hệ màu YCbCr được lựa chọn làm cơ sở để phân loại màu sắc hạt gạo nhờ khả năng tách biệt hoàn toàn thành phần độ sáng ($Y$) và hai thành phần hiệu số màu lam ($Cb$), màu đỏ ($Cr$), giúp loại bỏ sự phụ thuộc vào cường độ chiếu sáng của môi trường.
• Tiền xử lý và lọc nhiễu: Quá trình chuyển đổi ảnh màu RGB sang ảnh mức xám 8-bit (256 mức) áp dụng công thức theo chuẩn NTSC: $Y = \alpha R + \beta G + \gamma B$ (với các trọng số thực nghiệm). Để triệt tiêu nhiễu muối tiêu xuất hiện trên các đối tượng hạt gạo kích thước nhỏ, tác giả nghiên cứu các bộ lọc không gian: lọc trung bình (Mean Filter) với nhân chập kích thước $3 \times 3$, lọc trung vị phi tuyến (Median Filter), lọc giả trung vị, lọc đồng hình (Homomorphic Filter) khử nhiễu nhân, lọc ngoài (Outlier Filter), lọc thông thấp và bộ lọc Gaussian.
• Kỹ thuật dò biên đối tượng: Khảo sát các toán tử vi phân bậc nhất Gradient gồm toán tử Roberts (năm 1965), toán tử Sobel (năm 1973) và toán tử Prewitt (năm 1970) với các ma trận nhân chập theo hướng ngang và dọc; cùng toán tử vi phân bậc hai Laplace sử dụng mặt nạ xấp xỉ 4 lân cận và 8 lân cận.
• Hình thái học toán học (Morphology): Sử dụng các phép toán hình thái học nhị phân gồm phép co (Erosion: $A \ominus B$), phép dãn (Dilation: $A \oplus B$), phép mở (Opening) và phép đóng (Closing) kết hợp các phần tử cấu trúc thích hợp để làm sạch đường viền, khử bỏ gai nhiễu và nối liền các nét đứt. Đồng thời, kỹ thuật biến đổi khoảng cách (Distance Transformation) với các lân cận $N_4$ và $N_8$ được sử dụng để xác định khung xương (Skeleton) và đường biên đối tượng.
• Mạng nơ-ron nhân tạo (ANN): Sử dụng cấu trúc mạng Perceptron truyền thẳng một lớp, kết hợp hàm tác động bán tuyến tính (Piecewise Linear) và thuật toán học có giám sát để phân loại hạt gạo theo kích thước và tỷ lệ hình học.

Phương pháp nghiên cứu kết hợp giữa mô hình hóa giải thuật toán học và kiểm chứng thực nghiệm. Dữ liệu đầu vào là các luồng video ghi nhận hạt gạo chuyển động trong thời gian thực từ camera công nghiệp, sau đó được trích xuất thành từng khung hình (frames) độc lập để giải thuật phân tích, đánh giá sai số và tốc độ xử lý.

Thiết kế và triển khai hệ thống nhận dạng

Mô hình hệ thống nhận dạng hạt gạo được thiết kế theo cấu trúc tích hợp giữa phần cứng thu nhận hình ảnh và phần mềm xử lý tín hiệu trung tâm:

Thiết kế phần cứng thực nghiệm

Mô hình cơ khí thực nghiệm gồm một khay (máng) trượt chuyên dụng nghiêng góc phù hợp, cho phép các hạt gạo trút xuống thành dòng chuyển động đều dưới tác dụng của trọng lực. Ngay phía trên máng trượt, một thiết bị camera thu nhận video số được gắn cố định tại vị trí vuông góc với mặt phẳng chuyển động để ghi lại toàn bộ dòng hạt gạo đi qua vùng quan sát. Tác giả đã tiến hành thử nghiệm hệ thống với 4 màu phông nền (background) khác nhau nhằm tìm ra giải pháp tối ưu cho việc tách biên đối tượng:

Loại phông nền	Đặc điểm tương phản với hạt gạo trắng	Kết quả tách biên thực nghiệm
Nền màu trắng	Độ tương phản kém, biên hạt bị hòa lẫn vào nền	Biên hạt đứt đoạn, thuật toán nhận dạng sai lệch
Nền màu vàng	Tương phản trung bình, dễ gây nhầm lẫn với hạt gạo ngả vàng	Khó khăn khi phân loại hạt gạo theo màu sắc
Nền màu đỏ	Tương phản tốt với màu gạo trắng	Tách biên tốt nhưng gây nhiễu kênh màu $Cr$
Nền màu đen	Độ tương phản đạt mức tối đa	Tách biên sắc nét, làm nổi rõ toàn bộ hình dạng hạt

Kết quả thử nghiệm cho thấy việc bố trí phông nền màu đen cho máng trượt mang lại độ phân giải biên đối tượng chính xác nhất, triệt tiêu tối đa hiện tượng nhiễu quang học khi xử lý nhị phân.

Kiến trúc giải thuật và luồng xử lý phần mềm

Giải thuật nhận dạng được lập trình và triển khai trên môi trường MATLAB, xử lý tuần tự qua hai nhánh chức năng độc lập:

1. Phân loại kích thước qua mạng Perceptron: Khung hình video sau khi trích xuất được chuyển sang ảnh mức xám 8-bit, đưa qua bộ lọc trung vị để loại bỏ nhiễu xung. Tiếp đó, hệ thống thực hiện tách biên bằng toán tử vi phân, loại bỏ các vùng kết nối có diện tích nhỏ hơn 4 pixel, áp dụng phép lấp đầy vùng biên kín lần 1, làm dày biên, lấp đầy biên kín lần 2 và làm mảnh biên trở lại. Các thông số hình học (kích thước pixel, chiều dài, chiều rộng, tỷ lệ trục) được trích xuất làm véc-tơ đầu vào cho mạng Perceptron đã qua huấn luyện nhằm phân biệt hạt gạo nguyên và hạt gạo gãy.
2. Phân loại màu sắc trên không gian YCbCr: Khung hình RGB được chuyển đổi sang hệ màu YCbCr và phân tách thành ba ma trận kênh riêng biệt: kênh $Y$, kênh $Cb$ và kênh $Cr$. Giải thuật tiến hành quét ngưỡng phân tích trên hai kênh hiệu màu $Cb$ và $Cr$ để phát hiện các giá trị pixel lệch chuẩn (đại diện cho hạt gạo bị mốc, sâu mọt, vàng ố), từ đó đánh dấu vị trí hạt lỗi màu bằng khung nhận diện trực quan.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 giới thiệu vai trò của ngành xuất khẩu lúa gạo đối với nền kinh tế Việt Nam, phân tích nguyên nhân giá gạo xuất khẩu thấp do tỷ lệ tạp chất và hạt khiếm khuyết còn cao. Tác giả trình bày tính cấp thiết của việc tự động hóa khâu phân loại nông sản, chỉ ra hạn chế của các dây chuyền phân loại gạo ngoại nhập có giá thành quá đắt đối với các cơ sở sản xuất vừa và nhỏ. Từ đó, tác giả xác định mục tiêu nghiên cứu mô hình phát hiện hạt gạo lỗi bằng thị giác máy tính, giới hạn phạm vi đề tài ở mức độ mô phỏng theo dõi thời gian thực trên MATLAB và tóm tắt bố cục toàn văn đồ án tốt nghiệp qua 5 chương nội dung.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng lý thuyết chuyên sâu về xử lý ảnh số, các mô hình màu sắc và mạng nơ-ron nhân tạo. Nội dung phân tích chi tiết cấu trúc điểm ảnh, độ phân giải, các ma trận lân cận $N_4(p)$, $N_8(p)$ và cách tính khoảng cách hình học (khoảng cách Euclide, khoảng cách City-Block). Chương này trình bày nguyên lý chuyển đổi giữa các không gian màu CIE-RGB, CMYK, HSI, CIE-L*a*b* và YCbCr; so sánh các kỹ thuật lọc làm trơn nhiễu tuyến tính và phi tuyến (lọc trung bình, lọc trung vị, lọc ngoài, lọc Gaussian).

Đồng thời, chương 2 phân tích cơ chế dò biên trực tiếp qua đạo hàm bậc nhất (toán tử Roberts, Sobel, Prewitt) và đạo hàm bậc hai (toán tử Laplace); phương pháp biến đổi khoảng cách để rút trích khung xương đối tượng; các phép biến đổi hình thái học nhị phân (Erosion, Dilation, Opening, Closing) và lý thuyết mạng nơ-ron sinh học, mạng nơ-ron nhân tạo ANN, cấu trúc Perceptron, các hàm kích hoạt (tuyến tính, bão hòa, sigmoid) cùng các quy tắc học có giám sát, không giám sát và củng cố trên phần mềm MATLAB.

Chương 3: Giải thuật

Chương 3 trình bày chi tiết các giải pháp thuật toán do tác giả đề xuất để giải quyết bài toán nhận dạng hạt gạo:

• Trình bày cấu trúc mạng Perceptron một lớp với hàm tác động bán tuyến tính và lưu đồ quy trình huấn luyện mạng để phân biệt kích thước, tỷ lệ hạt gạo.
• Thiết lập quy trình 11 bước xử lý ảnh kích thước: từ chuyển đổi RGB sang ảnh xám, khử nhiễu bằng lọc trung vị, tách biên, lọc bỏ các vùng pixel nhỏ hơn 4, lấp đầy vùng kín hai lần, làm dày biên, làm mảnh biên, trích xuất đặc trưng hình học đến phân loại bằng Perceptron.
• Xây dựng giải thuật phân loại gạo theo màu sắc bằng cách chuyển đổi sang hệ màu YCbCr, bóc tách các kênh $Y$, $Cb$, $Cr$ và xác lập ngưỡng phát hiện các đốm màu bất thường.
• Minh chứng kết quả xử lý ảnh tĩnh qua các bước trung gian và hiển thị khung đánh dấu phân loại đối với các mẫu thử nghiệm.

Chương 4: Kết quả

Chương 4 công bố toàn bộ dữ liệu thực nghiệm thu được từ mô hình hệ thống nhận dạng:

• Giới thiệu kết cấu phần cứng gồm máng trượt hạt gạo, hệ thống chiếu sáng và camera thu hình. Bảng thông số kỹ thuật chi tiết của thiết bị camera được tổng hợp tại Bảng 4.1.
• Thử nghiệm và đánh giá ảnh hưởng của 4 màu nền máng trượt (trắng, vàng, đỏ, đen) đến khả năng tách biên hạt gạo.
• Thực nghiệm trích xuất chuỗi khung hình video liên tiếp trong thời gian thực, hiển thị kết quả thuật toán đóng khung theo dõi tọa độ các hạt gạo lỗi kích thước và màu sắc khi đang rơi.
• Đánh giá độ chính xác tổng thể thông qua Bảng 4.2 khảo sát trên 51 khung hình video thực tế.
• Khảo sát tốc độ xử lý tính toán của 1 khung hình trong mối tương quan với mật độ số lượng hạt gạo xuất hiện đồng thời, được lượng hóa cụ thể tại Bảng 4.3.

Chương 5: Kết luận và hướng phát triển chính

Chương 5 đúc kết các kết quả đạt được của đồ án tốt nghiệp, khẳng định tính khả thi của giải thuật nhận dạng kết hợp giữa mạng Perceptron và không gian màu YCbCr trên MATLAB. Đồng thời, tác giả thẳng thắn chỉ ra các điểm nghẽn kỹ thuật chưa giải quyết được và vạch ra các định hướng phát triển tiếp theo cho hệ thống trong tương lai.

Kết quả và đóng góp

Nghiên cứu đã đạt được các kết quả kỹ thuật cụ thể được ghi nhận qua số liệu thực nghiệm:

• Xây dựng thành công thuật toán kết hợp giữa kỹ thuật hình thái học nhị phân, mạng Perceptron và không gian màu YCbCr để nhận diện đồng thời hai tiêu chí khiếm khuyết của hạt gạo: kích thước (hạt gãy, vụn) và màu sắc (hạt ố vàng, biến màu).
• Dữ liệu thực nghiệm qua 51 khung hình trích xuất từ luồng video thời gian thực (được ghi nhận tại Bảng 4.2 trong văn bản) chứng minh giải thuật đạt độ chính xác phát hiện hạt gạo không đạt tiêu chuẩn ở mức 95% dưới các điều kiện cường độ ánh sáng và môi trường thay đổi.
• Xác định được phương án phông nền màu đen cho máng trượt là giải pháp tối ưu, cho phép tách biên triệt để hình dạng hạt gạo trắng và hạn chế tối đa nhiễu nền so với các màu nền trắng, vàng và đỏ.
• Khảo sát và đo đạc định lượng tốc độ xử lý của giải thuật trên 1 khung hình đối với các mật độ đối tượng khác nhau (được ghi nhận tại Bảng 4.3 trong văn bản), làm cơ sở dữ liệu đối sánh cho các nghiên cứu tối ưu hóa thời gian thực tiếp theo.

Về mặt giải pháp công nghệ, tác giả đóng góp một mô hình nhận dạng hạt gạo có chi phí chế tạo thấp, sử dụng các giải thuật xử lý ảnh kinh điển kết hợp mạng nơ-ron đơn giản hóa, có khả năng vận hành trên máy tính cá nhân mà không đòi hỏi hệ thống phần cứng chuyên dụng đắt đỏ như các thiết bị phân loại công nghiệp nhập khẩu.

Hạn chế và hướng nghiên cứu tiếp

Văn bản đồ án nêu rõ các hạn chế kỹ thuật hiện tại:

• Do giới hạn về mặt thời gian nghiên cứu và độ phức tạp của các bước tính toán hình thái học, tốc độ xử lý của giải thuật trên phần mềm MATLAB vẫn còn chậm, chưa đáp ứng đầy đủ yêu cầu phân loại với lưu lượng dòng hạt lớn trong dây chuyền công nghiệp.
• Đề tài mới dừng lại ở việc mô phỏng quá trình đánh dấu và theo dõi tọa độ hạt gạo lỗi trên video thời gian thực; hệ thống chưa kết nối điều khiển đồng bộ với cơ cấu cơ khí chấp hành (cụm súng hơi / van khí nén) để thực hiện công đoạn thổi bắn tách hạt lỗi ra khỏi máng trượt trong thực tế.

Hướng phát triển chính được tác giả đề xuất bao gồm:

1. Tối ưu hóa giải thuật tính toán và chuyển đổi mã nguồn sang các ngôn ngữ lập trình cấp thấp hoặc nền tảng xử lý nhúng tốc độ cao nhằm gia tăng số khung hình xử lý trên giây (FPS).
2. Thiết kế, chế tạo hoàn chỉnh cơ cấu cơ khí súng hơi và mạch giao tiếp điều khiển để kích hoạt cơ cấu thổi khí chính xác theo tọa độ thời gian thực của hạt gạo lỗi đã được camera phát hiện.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên, học viên cao học và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Điều khiển - Tự động hóa, Cơ điện tử, Kỹ thuật Máy tính và Công nghệ Thông tin đang thực hiện các đề tài về thị giác máy tính và tự động hóa nông nghiệp.

Các nội dung có giá trị tham khảo ứng dụng cao trong tài liệu bao gồm:

• Quy trình tiền xử lý ảnh và chuỗi biến đổi hình thái học nhị phân (lọc trung vị, loại bỏ vùng nhỏ hơn 4 pixel, lấp đầy vùng biên kín hai lần, làm dày và làm mảnh) được trình bày tại Chương 3, có thể áp dụng cho các bài toán phân tách biên đối tượng kích thước nhỏ trên nền tương phản.
• Cách tiếp cận phân tách màu sắc dựa trên không gian YCbCr để triệt tiêu ảnh hưởng của ánh sáng môi trường trong giám sát nông sản.
• Cấu hình và phương pháp huấn luyện mạng Perceptron bán tuyến tính trong việc phân loại kích thước hình học hạt gạo.

Câu hỏi thường gặp

1. Thuật toán trong đồ án sử dụng công cụ nào để phân loại kích thước và màu sắc của hạt gạo?

Để phân loại kích thước (phát hiện hạt gãy, hạt vụn), thuật toán sử dụng mạng nơ-ron nhân tạo Perceptron một lớp với hàm tác động bán tuyến tính sau khi đã trích xuất đặc trưng hình học qua chuỗi phép toán hình thái học. Để phân loại màu sắc (phát hiện hạt đen, hạt ố vàng), thuật toán chuyển ảnh sang không gian màu YCbCr và quét ngưỡng trên hai kênh hiệu màu $Cb$ và $Cr$.

2. Độ chính xác nhận dạng của hệ thống đạt bao nhiêu và được kiểm chứng trong điều kiện nào?

Giải thuật đạt độ chính xác 95%, được kiểm chứng thực nghiệm qua 51 khung hình trích xuất từ video thời gian thực với các chế độ ánh sáng và môi trường chiếu sáng thay đổi khác nhau (ghi nhận tại phần Tóm tắt và Bảng 4.2).

3. Màu sắc phông nền nào của máng trượt cho kết quả tách biên hạt gạo tốt nhất?

Trong 4 màu nền được đưa vào thực nghiệm (trắng, vàng, đỏ, đen), phông nền màu đen mang lại kết quả tách biên chính xác nhất do tạo ra độ tương phản tối đa với màu trắng của hạt gạo, giúp biên ảnh sau khi tách sắc nét và không bị đứt đoạn.

4. Trong công đoạn xử lý hình thái học, tác giả loại bỏ các vùng nhiễu có kích thước bao nhiêu?

Sau khi thực hiện tách biên bằng toán tử vi phân, giải thuật thực hiện loại bỏ tất cả các vùng pixel liên thông có kích thước nhỏ hơn 4 pixel để khử nhiễu hạt trước khi thực hiện các phép lấp đầy vùng biên kín và làm dày biên.

5. Hệ thống đã thực hiện việc loại bỏ hạt gạo lỗi bằng cơ cấu cơ khí trên thực tế chưa?

Chưa. Do giới hạn về thời gian và độ phức tạp, đề tài mới dừng lại ở việc mô phỏng phát hiện, đánh dấu và theo dõi các hạt gạo không đạt chuẩn trên video thời gian thực bằng phần mềm MATLAB; việc điều khiển súng hơi cơ khí để tách hạt lỗi trong thực tế là hướng phát triển tiếp theo của đề tài.

Kết luận

Đồ án tốt nghiệp của tác giả Hoàng Đình Minh đã xây dựng thành công mô hình nhận dạng hạt gạo không đạt tiêu chuẩn kích thước và màu sắc dựa trên sự kết hợp giữa kỹ thuật xử lý ảnh, mạng Perceptron và không gian màu YCbCr trên môi trường MATLAB. Kết quả thực nghiệm trên luồng video thời gian thực từ camera gắn trên máng trượt nền đen khẳng định giải thuật đạt độ chính xác 95% dưới điều kiện ánh sáng biến thiên. Dù còn hạn chế về tốc độ tính toán và chưa hoàn thiện cơ cấu cơ khí súng hơi loại bỏ hạt trực tiếp, công trình đã cung cấp giải pháp kỹ thuật khả thi, làm tiền đề thực tiễn cho việc phát triển các dòng máy phân loại gạo tự động nội địa với chi phí hợp lý.

Trích đoạn nội dung tài liệu

Chương 1 – Tổng quan Chương này trình bày khái quát định hướng lựa chọn, mục tiêu, giới hạn đề tài cũng như giải pháp nghiên cứu và tiếp cận.  Chương 2 – Cơ sở lý thuyết Chương này giới thiệu khái quát các khái niệm cơ bản về thị giác máy tính (Computer Vision), lý thuyết về cơ bản về nueral nhân tạo và xử lý ảnh, cũng như các chỉ tiêu đánh giá việc phân loại các hạt gạo không đạt tiêu chuẩn.  Chương 3 – Giải thuật Chương này trình bày phương pháp đề xuất và các bước phân tích để có thể phân loại các hạt gạo đạt tiêu chuẩn về kích thước và màu sắc trong thời gian thực.  Chương 4 – Kết quả Chương này thể hiện kết quả đạt được, tốc độ xử lý của giải thuật từ đó rút ra những đánh giá, nhận xét cụ thể và so sánh với các phương pháp truyền thống hiện có.

 Chương 5 – Kết luận và hướng phát triển chính Chương này nhằm tổng kết những kết quả đạt được và đưa ra kết luận cụ thể cũng như những hướng phát chính của đề tài trong tương lai. 2 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT Trong chương này sẽ trình bày sơ lược các khái niệm cơ bản về xử lý ảnh, mạng nơron, và phần mềm Matlab. GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH Xử lý ảnh là đối tượng nghiên cứu trong lĩnh vực thị giác máy tính, là quá trình biến đổi từ một ảnh ban đầu sang một ảnh mới có các đặc tính và tuân theo ý muốn của người sử dụng, xử lý ảnh tuy là một ngành khoa học mới mẻ so với các ngành khoa học khác nhưng tốc độ phát triển của nó rất nhanh, kích thích các trung tâm, nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó và nó đang được ứng dụng trong rất nhiều trong dự báo thời tiết, nhận biết khuôn mặt, nhận dạng vân tay, nhận biết các biển báo chỉ đường,. Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng chính là: nâng cao chất lượng ảnh và phân tích ảnh.

Ứng dụng đầu tiên được biết đến là nâng cao chất lượng ảnh báo được truyền qua cáp từ London đến New York từ những năm 1920. Vấn đề nâng cao chất lượng ảnh có liên quan tới phân bố mức sáng và độ phân giải của ảnh. Việc nâng cao chất lượng ảnh được phát triển vào khoảng những năm 1955. Điều này có thể giải thích được vì sau thế chiến thứ hai, máy tính phát triển nhanh tạo điều kiện cho quá trình phát triển xử lý ảnh số diễn ra một cách thuận lợi.

Năm 1964, máy tính đã có khả năng xử lý và nâng cao chất lượng ảnh từ mặt trăng và vệ tinh Ranger 7 của Mỹ bao gồm: làm nổi đường biên, lưu ảnh. Từ năm 1964 đến nay, các phương tiện xử lý, nâng cao chất lượng, nhận dạng ảnh phát triển không ngừng. Các phương pháp tri thức nhân tạo như mạng neuron nhân tạo, các thuật toán xử lý hiện đại, các công cụ nén ảnh ngày càng được áp dụng rộng rãi và thu nhiều kết quả khả quan. Nhưng trong những năm trở lại đây thì xử lý ảnh được cho là rất quan trọng là có thể dùng để phân biệt màu sắc và được được áp dụng rất nhiều trong các ngành công nghiệp nhằm phát hiện và loại bỏ các sản phẩm không đạt chuẩn về kích thước lẫn màu sắc.

Nhờ có công nghệ số hóa hiện đại, ngày nay con người đã có thể xử lý tín hiệu nhiều chiều thông qua nhiều hệ thống khác nhau, từ những mạch số đơn giản cho đến những máy tính song song cao cấp.