Tổng quan nghiên cứu

Sầu riêng, được mệnh danh là "vua của các loại trái cây" tại Đông Nam Á, đóng vai trò quan trọng trong ngành nông nghiệp và xuất khẩu của Việt Nam. Theo Tổng cục Thống kê, diện tích trồng sầu riêng năm 2022 đạt khoảng 90.000 ha với sản lượng ước tính 1,3 triệu tấn quả, tập trung chủ yếu ở các vùng Đông Nam Bộ, Tây Nguyên và đồng bằng sông Cửu Long. Thị trường xuất khẩu chính là Trung Quốc, tiếp theo là Hong Kong, Đài Loan, Canada, Mỹ và Nhật Bản. Kim ngạch xuất khẩu sầu riêng trong 10 tháng đầu năm 2022 đạt 293,6 triệu USD, chiếm 17,3% tổng giá trị xuất khẩu trái cây Việt Nam, cho thấy tiềm năng kinh tế rất lớn.

Tuy nhiên, hiện nay Việt Nam chưa có hệ thống tự động đánh giá độ chín của quả sầu riêng, chủ yếu dựa vào kinh nghiệm và quy trình thủ công. Việc phân loại chất lượng quả dựa trên cân nặng, hình dáng, độ chín và còn cuống là rất cần thiết để nâng cao giá trị xuất khẩu, đặc biệt với giống sầu riêng Ri-6 được ưa chuộng. Mục tiêu nghiên cứu là thiết kế hệ thống cơ điện tử bán tự động phục vụ xuất khẩu sầu riêng, tập trung vào thuật toán đánh giá độ chín dựa trên phân tích phổ âm thanh gõ quả, kết hợp với phân loại hình thức và cân nặng.

Phạm vi nghiên cứu tập trung vào thiết kế hệ thống với công suất 1200 quả/giờ, sai số thuật toán dưới 20%, áp dụng cho sầu riêng Ri-6 tại tỉnh Đồng Nai. Ý nghĩa nghiên cứu không chỉ nâng cao chất lượng xuất khẩu mà còn mở ra hướng phát triển công nghệ tự động hóa trong ngành nông nghiệp Việt Nam, giúp cạnh tranh với các nước trong khu vực như Thái Lan đã có nhiều nghiên cứu từ đầu những năm 2000.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: lý thuyết xử lý tín hiệu âm thanh và mô hình học sâu (deep learning) trong phân loại dữ liệu.

  1. Xử lý tín hiệu âm thanh: Phân tích phổ âm thanh gõ vào quả sầu riêng để xác định đặc trưng tần số liên quan đến độ chín. Các kỹ thuật lọc nhiễu như bộ lọc thông dải IIR Eliptic bậc 7 và Spectral Noise Gating được áp dụng để loại bỏ tạp âm nền, nâng cao chất lượng tín hiệu. Phương pháp ước lượng phân bố nhiễu và lọc nhiễu truyền thống cũng được so sánh để chọn giải pháp tối ưu.

  2. Mô hình học sâu (CNN): Sử dụng mạng neural ResNet50 với kỹ thuật học chuyển giao (transfer learning) để huấn luyện mô hình phân loại độ chín dựa trên đặc trưng phổ âm thanh. Các thuật toán huấn luyện siêu tham số và làm giàu dữ liệu (data augmentation) được áp dụng nhằm tăng độ chính xác và khả năng tổng quát của mô hình.

Các khái niệm chính bao gồm: độ chín quả sầu riêng, phân tích phổ âm thanh, lọc nhiễu, mạng neural convolutional, học chuyển giao, và thuật toán phân loại.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là mẫu âm thanh gõ quả sầu riêng Ri-6 thu thập trực tiếp tại vườn chuyên xuất khẩu ở tỉnh Đồng Nai. Mẫu được thu thập trong khoảng thời gian trái vụ, đảm bảo đa dạng về độ chín từ ngày 0 đến trên 11 ngày sau thu hoạch. Cỡ mẫu khoảng vài trăm quả, mỗi quả được gõ và thu âm nhiều lần để xây dựng cơ sở dữ liệu phong phú.

Phương pháp phân tích gồm các bước: thu thập dữ liệu âm thanh, lọc nhiễu bằng các bộ lọc số, trích xuất đặc trưng phổ âm, huấn luyện mô hình CNN với kỹ thuật học chuyển giao, và đánh giá kết quả phân loại. Hệ thống cơ điện tử được thiết kế song song với hai cơ cấu gõ và băng chuyền, mô phỏng và kiểm thử trên phần mềm PLC và laptop.

Timeline nghiên cứu kéo dài 18 tuần, bao gồm các giai đoạn tổng quan, lựa chọn phương án, thiết kế cơ khí, thiết kế hệ thống điện, xây dựng giải thuật, mô phỏng, thực nghiệm và đánh giá kết quả. Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên có kiểm soát để đảm bảo tính đại diện cho các nhóm độ chín khác nhau.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Mối tương quan giữa tần số âm thanh và độ chín: Phương trình tuyến tính 𝑦 = −4,543𝑥 + 100,5 (𝑦 là tần số Hz, 𝑥 là số ngày sau thu hoạch) được xác định với hệ số R² = 0,8339, cho thấy tần số âm thanh gõ vào vỏ quả giảm dần theo thời gian chín. Điều này hỗ trợ việc phân loại độ chín dựa trên phổ âm thanh.

  2. Hiệu quả lọc nhiễu: Bộ lọc thông dải IIR Eliptic bậc 7 và Spectral Noise Gating giúp loại bỏ nhiễu nền hiệu quả, nâng cao chất lượng tín hiệu âm thanh thu được. Kết quả lọc nhiễu cho thấy tần số đỉnh cao nhất được xác định rõ ràng hơn, giúp tăng độ chính xác phân loại.

  3. Độ chính xác phân loại bằng CNN: Mô hình ResNet50 với học chuyển giao đạt độ chính xác phân loại trên 80% trên tập kiểm tra, vượt trội so với các mô hình AlexNet và GoogleNet. Tỷ lệ sai số thuật toán dưới 20% theo yêu cầu đề tài.

  4. Thiết kế hệ thống cơ điện tử: Cơ cấu gõ thứ hai được lựa chọn do tính đơn giản, khả năng kiểm soát lực ổn định và giảm nhiễu âm. Băng tải đai có vạch phân chia được chọn để cố định quả, đảm bảo vận chuyển ổn định với công suất 1200 quả/giờ. Hệ thống điều khiển phân cấp sử dụng PLC và laptop phối hợp xử lý tín hiệu và điều khiển động cơ.

Thảo luận kết quả

Kết quả mối tương quan tần số và độ chín phù hợp với các nghiên cứu quốc tế về phân loại quả dựa trên âm thanh gõ, như nghiên cứu của Siriluck Sangkue và cộng sự (2020). Việc áp dụng bộ lọc số và kỹ thuật học sâu giúp cải thiện đáng kể độ chính xác so với phương pháp truyền thống dựa trên kinh nghiệm.

Hệ thống cơ điện tử thiết kế phù hợp với điều kiện thực tế tại Việt Nam, tận dụng được kinh nghiệm gõ quả truyền thống nhưng nâng cao tính tự động và chính xác. Việc lựa chọn cơ cấu gõ thứ hai giúp giảm thiểu tiếng ồn và tăng độ bền thiết bị, đồng thời dễ dàng tích hợp với băng tải đai.

So sánh với các nghiên cứu trong nước về phân loại quả xoài, dừa sáp và dứa, hệ thống này là bước tiến quan trọng trong việc ứng dụng công nghệ xử lý tín hiệu và học máy vào ngành nông nghiệp Việt Nam. Kết quả có thể được trình bày qua biểu đồ mối tương quan tần số - ngày thu hoạch, bảng so sánh độ chính xác các mô hình CNN, và sơ đồ mô phỏng hệ thống cơ điện tử.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống bán tự động tại các vùng trồng sầu riêng trọng điểm: Tập trung lắp đặt hệ thống tại Đồng Nai, Bình Phước và Tây Nguyên trong vòng 12 tháng để nâng cao chất lượng xuất khẩu, giảm thiểu sai sót trong phân loại thủ công.

  2. Phát triển thuật toán đa đặc trưng: Kết hợp phân tích phổ âm thanh với xử lý hình ảnh vỏ quả và cân nặng để tăng độ chính xác phân loại lên trên 90% trong 18 tháng tiếp theo, do nhóm nghiên cứu và doanh nghiệp phối hợp thực hiện.

  3. Đào tạo nhân lực vận hành và bảo trì hệ thống: Tổ chức các khóa đào tạo kỹ thuật cho công nhân và kỹ sư trong 6 tháng nhằm đảm bảo vận hành hiệu quả và bảo trì định kỳ, giảm thiểu thời gian ngưng máy.

  4. Mở rộng nghiên cứu áp dụng cho các giống sầu riêng khác và trái cây có giá trị kinh tế cao: Nghiên cứu điều chỉnh thuật toán và thiết kế hệ thống cho các giống như Monthong, Dona và các loại trái cây khác trong vòng 24 tháng, nhằm đa dạng hóa sản phẩm và thị trường xuất khẩu.

Đối tượng nên tham khảo luận văn

  1. Doanh nghiệp xuất khẩu trái cây: Nắm bắt công nghệ phân loại tự động giúp nâng cao chất lượng sản phẩm, giảm chi phí nhân công và tăng khả năng cạnh tranh trên thị trường quốc tế.

  2. Nhà nghiên cứu và sinh viên ngành cơ điện tử, công nghệ thực phẩm: Tham khảo phương pháp thiết kế hệ thống cơ điện tử tích hợp xử lý tín hiệu và học máy, ứng dụng trong lĩnh vực nông nghiệp công nghệ cao.

  3. Nông dân và hợp tác xã trồng sầu riêng: Hiểu rõ quy trình phân loại và bảo quản quả, từ đó nâng cao giá trị sản phẩm và đáp ứng yêu cầu xuất khẩu.

  4. Cơ quan quản lý và chính sách nông nghiệp: Đánh giá tiềm năng ứng dụng công nghệ tự động hóa trong chuỗi giá trị nông sản, từ đó xây dựng chính sách hỗ trợ phát triển bền vững ngành xuất khẩu trái cây.

Câu hỏi thường gặp

  1. Hệ thống đánh giá độ chín sầu riêng hoạt động như thế nào?
    Hệ thống sử dụng cơ cấu gõ để tạo âm thanh khi gõ vào vỏ quả, thu âm tín hiệu và xử lý phổ âm thanh để xác định độ chín dựa trên mô hình học sâu. Ví dụ, tần số âm thanh giảm dần theo ngày sau thu hoạch, giúp phân loại chính xác.

  2. Độ chính xác của thuật toán phân loại là bao nhiêu?
    Mô hình ResNet50 đạt độ chính xác trên 80% trên tập kiểm tra, với sai số dưới 20%, đáp ứng yêu cầu đề tài và có thể cải thiện thêm khi kết hợp đa đặc trưng.

  3. Hệ thống có thể áp dụng cho các loại trái cây khác không?
    Có thể, với điều chỉnh thuật toán và thiết kế cơ cấu phù hợp, hệ thống có thể mở rộng cho các loại trái cây có cấu trúc tương tự như xoài, dừa sáp, dứa, giúp đa dạng hóa ứng dụng.

  4. Chi phí đầu tư hệ thống như thế nào?
    Chi phí đầu tư tương đối hợp lý do sử dụng động cơ bước, cảm biến quang và PLC phổ biến trong công nghiệp, đồng thời tận dụng laptop để xử lý thuật toán, giảm chi phí phần cứng chuyên dụng.

  5. Hệ thống có thể hoạt động hoàn toàn tự động không?
    Hiện tại hệ thống là bán tự động, công nhân vẫn tham gia cấp và lấy quả. Tuy nhiên, nghiên cứu hướng tới tự động hóa hoàn toàn trong tương lai để nâng cao năng suất và giảm nhân công.

Kết luận

  • Thiết kế thành công hệ thống cơ điện tử bán tự động đánh giá độ chín sầu riêng dựa trên phân tích phổ âm thanh gõ quả, công suất 1200 quả/giờ.
  • Thuật toán học sâu ResNet50 với học chuyển giao đạt độ chính xác phân loại trên 80%, sai số dưới 20%.
  • Lựa chọn cơ cấu gõ thứ hai và băng tải đai có vạch phân chia phù hợp với yêu cầu kỹ thuật và thực tế vận hành.
  • Hệ thống góp phần nâng cao giá trị xuất khẩu sầu riêng Việt Nam, mở ra hướng phát triển công nghệ tự động hóa trong nông nghiệp.
  • Tiếp tục phát triển đa đặc trưng, mở rộng ứng dụng cho các giống sầu riêng khác và trái cây có giá trị kinh tế cao trong 1-2 năm tới.

Để hiện thực hóa các bước tiếp theo, các doanh nghiệp và nhà nghiên cứu nên phối hợp triển khai thử nghiệm thực tế, đồng thời đào tạo nhân lực vận hành. Hãy bắt đầu ứng dụng công nghệ để nâng tầm giá trị nông sản Việt Nam ngay hôm nay!