Giới thiệu dự án

Theo thống kê từ Bộ Nông nghiệp và Phát triển Nông thôn (tháng 6/2022), sản lượng xoài của Việt Nam đạt 590,6 nghìn tấn, đứng thứ ba trong nhóm cây ăn quả chủ lực toàn quốc (sau chuối với 1.292 nghìn tấn và thanh long với 606,8 nghìn tấn), vượt qua cam (490,8 nghìn tấn) và dứa (426,7 nghìn tấn). Xoài Việt Nam hiện diện tại các thị trường xuất khẩu trọng điểm đòi hỏi tiêu chuẩn kiểm định khắt khe như Liên minh Châu Âu (EU), Hoa Kỳ, Úc, Nhật Bản, Hàn Quốc, New Zealand, Trung Quốc, Trung Đông và khối ASEAN.

                    SẢN LƯỢNG CÂY ĂN QUẢ CHỦ LỰC VIỆT NAM (2022)
 Chuối         ████████████████████████████████████████ 1.292,0 nghìn tấn
 Thanh Long    ███████████████████ 606,8 nghìn tấn
 Xoài          ██████████████████ 590,6 nghìn tấn  <--- [ĐỐI TƯỢNG NGHIÊN CỨU]
 Cam           ███████████████ 490,8 nghìn tấn
 Dứa           █████████████ 426,7 nghìn tấn

Tuy nhiên, nút thắt lớn nhất trong chuỗi giá trị sau thu hoạch là công đoạn phân loại độ chín. Hầu hết các cơ sở đóng gói và hợp tác xã vẫn dựa vào phương pháp đánh giá thị giác thủ công (visual inspection). Phương thức này bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Phụ thuộc vào cảm tính và kinh nghiệm của nhân công, dẫn đến tỷ lệ phân loại sai lệch từ 15% đến 25%.
  • Năng suất lao động giảm mạnh sau các ca làm việc kéo dài do mỏi mắt và suy giảm độ tập trung.
  • Không đáp ứng được tiến độ xử lý khi sản lượng vào mùa thu hoạch rộ đạt hàng trăm tấn/ngày.
  • Nguy cơ làm dập nát, giảm chất lượng trái do tiếp xúc cơ học liên tục từ tay người phân loại.

Đề tài "Thiết kế hệ thống nhận diện và phân loại độ chín của các loại xoài" của tác giả Nguyễn Minh Trí (Trường Đại học Công nghệ Thông tin - ĐHQG-HCM) được xây dựng nhằm giải quyết triệt để các tồn đồn trên thông qua giải pháp tự động hóa bằng thị giác máy tính và hệ thống nhúng.

graph LR
    A[Băng chuyền đưa xoài vào] --> B[Cảm biến IR kích hoạt]
    B --> C[Pi Camera chụp ảnh buồng tối]
    C --> D[Raspberry Pi xử lý OpenCV]
    D --> E[Phân tích phổ màu HSV]
    E --> F{Xác định độ chín}
    F -->|Sống| G[Servo 1 gạt khay 1]
    F -->|Chín cấp 1| H[Servo 2 gạt khay 2]
    F -->|Chín cấp 2| I[Servo 3 gạt khay 3]
    F -->|Chín hoàn toàn| J[Trôi về cuối băng chuyền]
    D --> K[LCD 20x4 hiển thị số lượng]

Mục tiêu dự án

  1. Phân đoạn hình ảnh tự động: Tách chính xác biên dạng quả xoài khỏi phông nền băng chuyền bằng các giải thuật xử lý ảnh hình thái học (Morphological Operations) và toán tử logic bitwise.
  2. Nhận diện đa giống xoài: Phân loại độ chín chính xác cho 3 giống xoài thương phẩm đặc thù: Xoài Cát Chu, Xoài Cát Hòa Lộc và Xoài Cát Chu Vàng.
  3. Phân cấp độ chín chi tiết: Định lượng chính xác 4 mức độ chín: Sống, Chín cấp độ 1, Chín cấp độ 2, và Chín hoàn toàn.
  4. Đạt chỉ số chính xác cao: Độ chính xác nhận diện tổng thể đạt từ 90% trở lên trên tập mẫu thực nghiệm.
  5. Tự động hóa cơ khí chấp hành: Điều khiển cơ cấu tay gạt servo phân luồng xoài vật lý trên băng chuyền đồng bộ với cảm biến phát hiện vị trí và màn hình giám sát LCD thời gian thực.

Phương pháp tiếp cận và phạm vi đề tài

  • Phương pháp: Sử dụng không gian màu HSV (Hue - Saturation - Value) kết hợp xử lý phân ngưỡng động và tỷ lệ diện tích màu bề mặt trên nền tảng vi xử lý nhúng Raspberry Pi. Lựa chọn này giúp hệ thống đạt tốc độ xử lý thời gian thực mà không đòi hỏi phần cứng GPU đắt tiền.
  • Phạm vi & Giới hạn:
    • Hệ thống xử lý tuần tự từng quả xoài trên băng chuyền đơn luồng.
    • Quá trình phân loại thực hiện theo từng giống xoài được cấu hình trước thông qua công tắc chế độ phần cứng (2-bit switch).
    • Hoạt động trong buồng chụp khép kín có kiểm soát cường độ ánh sáng tiêu chuẩn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành đánh giá đối chiếu với các công trình phân loại nông sản đã công bố để xác định khoảng trống công nghệ:

Tiêu chí Thiết bị đánh giá quả xoài (Phùng Tuấn Anh) Phân loại cà chua dùng PLC & TCS3200 Nhận diện quả bằng mạng CNN Hệ thống đề xuất (Nghiên cứu này)
Công nghệ cốt lõi OpenCV cơ bản, mô-đun kết nối PLC S7-1200 + Cảm biến TCS3200 Mạng nơ-ron tích chập (CNN) OpenCV + HSV Masking + Raspberry Pi
Độ chính xác ~85% (phụ thuộc góc nhìn) 86.0% 98.0% (Táo xanh), 87.0% (Táo đỏ) $\ge$ 90.0% trên toàn bộ 3 giống
Chi phí phần cứng Thấp Rất cao (> 15.000.000 VNĐ) Cao (Yêu cầu GPU/TPU tăng tốc) Rất thấp (< 3.500.000 VNĐ)
Khả năng phân loại Xoài nói chung, đơn giống 1 màu điểm cố định, đo cục bộ 3 loại quả riêng biệt, nền trắng 3 giống xoài, 4 cấp độ chín/giống
Tính khả thi nhúng Trung bình Tốt trong công nghiệp Kém trên vi xử lý nhúng giá rẻ Tối ưu hóa hoàn toàn cho nhúng

Phân tích ưu tiên yêu cầu người dùng theo mô hình MoSCoW:

  • Must have: Tách nền trái xoài khỏi băng chuyền; Nhận diện 4 cấp độ chín cho Cát Chu, Cát Hòa Lộc, Cát Chu Vàng; Cơ chế tay gạt phân loại chính xác; Hiển thị bộ đếm trên LCD 20x4.
  • Should have: Thời gian xử lý ảnh dưới 300ms/trái; Cơ chế chuyển đổi giống xoài qua nút bấm vật lý nhanh chóng.
  • Could have: Giao diện dashboard web giám sát từ xa; Khả năng lưu trữ lịch sử phân loại vào thẻ nhớ.
  • Won't have (lần này): Tự động nhận diện giống xoài mà không cần chọn công tắc; Đánh giá khuyết tật sâu bệnh bên trong thịt quả.

Thiết kế hệ thống

Kiến trúc hệ thống gồm 3 tầng tích hợp: Tầng cảm biến & thu nhận ảnh, Tầng xử lý trung tâm, và Tầng chấp hành & hiển thị.

                    SƠ ĐỒ KHỐI HỆ THỐNG PHẦN CỨNG
 +-------------------------------------------------------------+
 |                     BUỒNG CHỤP HÌNH                         |
 |  +---------------+     +---------------------------------+  |
 |  | IR Sensor (1) | --> | Pi Camera v2 (Chụp ảnh quả)    |  |
 |  +---------------+     +---------------------------------+  |
 +----------------------------------|--------------------------+
                                    | Cáp CSI / Tín hiệu GPIO
                                    v
 +-------------------------------------------------------------+
 |                   BỘ XỬ LÝ TRUNG TÂM                        |
 |                   (Raspberry Pi 4 Model B)                  |
 |  - Hệ điều hành: Raspberry Pi OS 64-bit                     |
 |  - Ngôn ngữ & Thư viện: Python 3.9 + OpenCV 4.5.x           |
 |  - Giải thuật: Color Space Conversion & HSV Thresholding    |
 +--------------------+-----------------------+----------------+
                      |                       |
       Tín hiệu PWM 50Hz|                       | I2C (SDA/SCL)
                      v                       v
 +--------------------+-----------+    +------+----------------+
 |     CƠ CẤU PHÂN LOẠI CƠ KHÍ     |    |   MÀN HÌNH HIỂN THỊ    |
 |  - Servo 1: Xoài Sống (0°-90°) |    |  - LCD 20x4 + I2C PCF8574|
 |  - Servo 2: Chín cấp 1         |    |  - Địa chỉ: 0x27       |
 |  - Servo 3: Chín cấp 2         |    |  - Hiển thị sản lượng  |
 |  - Khay cuối: Chín hoàn toàn   |    +-----------------------+
 +--------------------------------+

classDiagram
    class SystemController {
        +int current_mode
        +read_switch_state()
        +process_cycle()
    }
    class VisionProcessor {
        +cvtColor(img, COLOR_BGR2GRAY)
        +threshold(gray, 127, 255)
        +Canny(thresh, 50, 150)
        +morphologyEx(th, MORPH_DILATE)
        +bitwise_and(src, mask)
        +calculate_hsv_ratio()
    }
    class ActuatorDriver {
        +PWM_Servo_1
        +PWM_Servo_2
        +PWM_Servo_3
        +trigger_gate(stage)
    }
    class DisplayDriver {
        +I2C_LCD_20x4
        +update_counts(stage_counts)
    }
    SystemController --> VisionProcessor
    SystemController --> ActuatorDriver
    SystemController --> DisplayDriver

Ngăn xếp công nghệ (Technology Stack)

  • Hệ điều hành: Raspberry Pi OS (Debian 11 bullseye, 64-bit kernel).
  • Môi trường thực thi: Python 3.9.2.
  • Thư viện xử lý ảnh: OpenCV (Open Source Computer Vision Library) phiên bản 4.5.5.64.
  • Thư viện điều khiển GPIO & Ngoại vi: RPi.GPIO v0.7.1, RPi_GPIO_i2c_LCD.
  • Phần cứng thu nhận: Raspberry Pi Camera Module v2 (Cảm biến Sony IMX219 8-Megapixel, ống kính tiêu cự cố định).
  • Cảm biến định vị: Cảm biến quang hồng ngoại bước sóng 950nm, khoảng cách phát hiện 2cm - 10cm, ngõ ra Active-Low NPN.
  • Cơ cấu phân dòng: 03 Động cơ Micro Servo TowerPro SG90/RC 9G, điện áp 5V, góc quét 0° - 180°, điều chế độ rộng xung PWM tần số 50Hz.
  • Giao tiếp ngoại vi: Chuẩn I2C (Inter-Integrated Circuit) tốc độ chuẩn 100kHz, bus address 0x27 cho LCD 20x4.

Bảng ánh xạ trạng thái cấu hình công tắc 2-bit:

Switch Bit 1 (GPIO 17) Switch Bit 2 (GPIO 27) Trạng thái mã hóa Giống xoài kích hoạt
0 0 00 Hệ thống tạm dừng (Idle / Stop)
0 1 01 Xoài Cát Chu
1 0 10 Xoài Cát Hòa Lộc
1 1 11 Xoài Cát Chu Vàng

Methodology

Quy trình phát triển áp dụng mô hình lặp thực nghiệm (Prototyping & Experimental Methodology) trải dài qua 4 giai đoạn chính trong 16 tuần:

Tuần 01 - 04: Nghiên cứu quang phổ màu HSV, thiết kế buồng chụp, chế tạo mô hình cơ khí.
Tuần 05 - 08: Lập trình tiền xử lý ảnh, phát triển pipeline tách nền OpenCV trên RPi.
Tuần 09 - 12: Thu thập 300 ảnh mẫu thực nghiệm, tối ưu ngưỡng Hue/Saturation, khớp bảng chân trị.
Tuần 13 - 16: Tích hợp đồng bộ Servo, cảm biến IR, kiểm thử liên tục trên băng chuyền & đánh giá lỗi.
  • Quản trị rủi ro kỹ thuật:
    • Rủi ro trôi điểm màu do ánh sáng môi trường: Khắc phục bằng buồng chụp kín cách ly quang hoàn toàn, tích hợp dải LED 12V nhiệt độ màu 6500K (Daylight) cố định góc chiếu 45°.
    • Rủi ro giật lag khung hình trên RPi: Chuyển đổi định dạng trực tiếp mảng NumPy từ PiCamera, vô hiệu hóa giao diện đồ họa X11 GUI trong quá trình vận hành sản xuất.

Implementation và kết quả

Development process

1. Pipeline trích xuất biên dạng xoài (Fruit Segmentation)

Quá trình tách nền thực hiện qua 6 bước toán tử liên hoàn nhằm loại bỏ hoàn toàn phông nền băng chuyền:

import cv2
import numpy as np

def extract_mango_region(image):
    # Bước 1: Chuyển đổi ảnh màu BGR sang ảnh xám Grayscale
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # Bước 2: Phân ngưỡng nhị phân cố định (Thresholding)
    ret, thresh = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
    
    # Bước 3: Nhận diện biên cạnh bằng toán tử Canny
    wide = cv2.Canny(thresh, 50, 150)
    
    # Bước 4: Giãn nở hình thái học (Morphological Dilation) làm liền mạch đường bao
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (19, 19))
    morph = cv2.morphologyEx(wide, cv2.MORPH_DILATE, kernel)
    
    # Bước 5: Tìm đường bao contour và vẽ mặt nạ mask nhị phân đặc
    contours, _ = cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    mask = np.zeros(image.shape[:2], dtype=np.uint8)
    if contours:
        largest_contour = max(contours, key=cv2.contourArea)
        cv2.drawContours(mask, [largest_contour], -1, 255, -1, lineType=cv2.LINE_AA)
    
    # Bước 6: Phép toán Bitwise AND giữa ảnh gốc và mask để cắt đối tượng
    mango_segmented = cv2.bitwise_and(image, image, mask=mask)
    return mango_segmented, mask

2. Giải thuật phân loại độ chín trên không gian màu HSV

Hệ thống chuyển đổi ảnh xoài đã tách sang không gian HSV và quét ma trận điểm ảnh theo dải phổ định sẵn.

                    DẢI PHỔ MÀU HSV DÙNG TRONG PHÂN LOẠI
           Hue (H)
 Xoài Cát Chu:
   [20  ----------- 27] [27.1 -------------------------- 60]
     Màu Vàng (Ripe)             Màu Xanh (Raw)
   Saturation: 50 - 255, Value: 0 - 255

 Xoài Cát Hòa Lộc:
   [20  ------------ 28] [28.1 ------------------------- 60]
     Màu Vàng (Ripe)             Màu Xanh (Raw)
   Saturation: 50 - 255, Value: 0 - 255

 Xoài Cát Chu Vàng (Hue cố định 20 - 34):
   Saturation: [0 --- 100] [100 --- 150] [150 --- 200] [200 --- 255]
                Vàng Nhạt   Vàng Nhạt Vừa  Vàng Đậm Vừa    Vàng Đậm
                (Sống)       (Chín C1)      (Chín C2)     (Chín HT)

  • Quy tắc phân loại cho Xoài Cát Chu & Xoài Cát Hòa Lộc:

    • Gọi $S_{\text{vang}}$ là tổng số pixel thỏa mãn ngưỡng màu Vàng.
    • Gọi $S_{\text{xanh}}$ là tổng số pixel thỏa mãn ngưỡng màu Xanh.
    • Sống (Raw): $S_{\text{xanh}} > 10 \times S_{\text{vang}}$ (Màu xanh chiếm áp đảo trên 10 lần).
    • Chín cấp độ 1 (Stage 1): $S_{\text{xanh}} > S_{\text{vang}}$ và $S_{\text{xanh}} \le 10 \times S_{\text{vang}}$.
    • Chín cấp độ 2 (Stage 2): $S_{\text{vang}} > S_{\text{xanh}}$ và $S_{\text{vang}} \le 10 \times S_{\text{xanh}}$.
    • Chín hoàn toàn (Fully Ripe): $S_{\text{vang}} > 10 \times S_{\text{xanh}}$ (Màu vàng chiếm áp đảo trên 10 lần).

  • Quy tắc phân loại cho Xoài Cát Chu Vàng:

    • Quả luôn mang sắc tố vàng từ khi non đến chín, do đó độ chín được phản ánh qua mức độ đậm đà của sắc tố (Saturation).
    • Phân tích 4 vùng diện tích: $S_{\text{nhạt}}$ ($S \in [0, 100]$), $S_{\text{nhạt vừa}}$ ($S \in [100, 150]$), $S_{\text{đậm vừa}}$ ($S \in [150, 200]$), $S_{\text{đậm}}$ ($S \in [200, 255]$).
    • Cấp độ chín được quyết định bởi vùng Saturation có diện tích lớn nhất: $\text{Ripeness} = \arg\max_i (S_i)$.

3. Điều khiển cơ cấu chấp hành PWM

Điều khiển độ rộng xung Servo RC 9G ở tần số $f = 50\text{ Hz}$ (chu kỳ $T = 20\text{ ms}$):

  • Độ rộng xung $0.5\text{ ms} \rightarrow \text{Duty Cycle } 2.5% \rightarrow \text{Góc } 0^\circ$ (Thu tay gạt về).
  • Độ rộng xung $1.5\text{ ms} \rightarrow \text{Duty Cycle } 7.5% \rightarrow \text{Góc } 90^\circ$ (Gạt quả sang thùng chứa).
  • Độ rộng xung $2.5\text{ ms} \rightarrow \text{Duty Cycle } 12.5% \rightarrow \text{Góc } 180^\circ$.
import RPi.GPIO as GPIO
import time

GPIO.setmode(GPIO.BCM)
SERVO_PINS = [21, 20, 16] # Servo 1 (Sống), Servo 2 (Cấp 1), Servo 3 (Cấp 2)
pwm_controllers = []

for pin in SERVO_PINS:
    GPIO.setup(pin, GPIO.OUT)
    pwm = GPIO.PWM(pin, 50) # 50Hz PWM frequency
    pwm.start(2.5) # Vị trí ban đầu 0 độ (Duty cycle 2.5%)
    pwm_controllers.append(pwm)

def activate_sorter(stage):
    """
    Kích hoạt servo tương ứng với độ chín của quả
    stage 0: Sống -> Servo 1
    stage 1: Chín cấp 1 -> Servo 2
    stage 2: Chín cấp 2 -> Servo 3
    stage 3: Chín hoàn toàn -> Trôi thẳng về cuối băng chuyền
    """
    if stage in [0, 1, 2]:
        pwm_controllers[stage].ChangeDutyCycle(7.5) # Quay 90 độ để gạt
        time.sleep(0.8)
        pwm_controllers[stage].ChangeDutyCycle(2.5) # Trở về 0 độ

Testing và validation

Nghiên cứu tiến hành thu thập và kiểm thử thực nghiệm trên tập dữ liệu gồm 300 mẫu ảnh chuẩn hóa (mỗi giống xoài gồm 100 quả, chia đều 25 quả cho mỗi cấp độ chín).

Nhóm mẫu thử nghiệm Số lượng mẫu (Quả) Số nhận diện đúng (Quả) Số nhận diện sai (Quả) Độ chính xác đạt được (%)
Xoài Cát Chu 100 94 6 94.0%
- Sống 25 24 1 96.0%
- Chín cấp độ 1 25 23 2 92.0%
- Chín cấp độ 2 25 23 2 92.0%
- Chín hoàn toàn 25 24 1 96.0%
Xoài Cát Hòa Lộc 100 92 8 92.0%
- Sống 25 24 1 96.0%
- Chín cấp độ 1 25 22 3 88.0%
- Chín cấp độ 2 25 22 3 88.0%
- Chín hoàn toàn 25 24 1 96.0%
Xoài Cát Chu Vàng 100 91 9 91.0%
- Sống (Vàng nhạt) 25 24 1 96.0%
- Chín cấp độ 1 (Nhạt vừa) 25 22 3 88.0%
- Chín cấp độ 2 (Đậm vừa) 25 22 3 88.0%
- Chín hoàn toàn (Đậm) 25 23 2 92.0%
Tổng thể toàn hệ thống 300 277 23 92.33% 
                           BIỂU ĐỒ ĐỘ CHÍNH XÁC THỰC NGHIỆM
 Xoài Cát Chu       [██████████████████████████████████████████░░░] 94.0%
 Xoài Cát Hòa Lộc   [███████████████████████████████████████░░░░░] 92.0%
 Xoài Cát Chu Vàng  [██████████████████████████████████████░░░░░░] 91.0%
 Trung bình         [███████████████████████████████████████░░░░░] 92.33% (Vượt chỉ tiêu >= 90%)
  • Độ trễ hệ thống (Latency Benchmark):
    • Thời gian xử lý thuật toán OpenCV (Canny + Dilation + Masking + HSV Count): $185\text{ ms} \pm 20\text{ ms}$.
    • Thời gian phản hồi cảm biến IR và chụp ảnh PiCamera: $65\text{ ms}$.
    • Thời gian chấp hành gạt servo: $800\text{ ms}$.
    • Tổng chu kỳ phân loại hoàn chỉnh cho 1 quả: $\approx 1.05\text{ giây/quả}$ (đáp ứng công suất ~3.400 quả/giờ).

Kết quả đạt được

Hệ thống đã hoàn thành 100% các mục tiêu kỹ thuật đề ra:

  • Tách biên dạng hoàn hảo: Loại bỏ 100% các chi tiết nền băng chuyền phức tạp nhờ cấu trúc mặt nạ elip $(19, 19)$ và thuật toán cv2.LINE_AA.
  • Độ chính xác vượt cam kết: Đạt tỷ lệ $92.33%$ (cao hơn mục tiêu ban đầu $\ge 90%$).
  • Điều khiển liên động tin cậy: 3 tay gạt servo và màn hình hiển thị LCD I2C vận hành chính xác theo tín hiệu logic trạng thái, không xảy ra hiện tượng xung đột chân GPIO.

Đổi mới và đóng góp

  1. Phương pháp phân ngưỡng Saturation động cho giống quả đơn sắc:

    • Hầu hết các nghiên cứu thị giác máy tính truyền thống chỉ tập trung vào sự chuyển dịch từ sắc xanh sang sắc vàng trên trục Hue. Nghiên cứu này đưa ra đóng góp kỹ thuật quan trọng khi giải quyết bài toán của Xoài Cát Chu Vàng (loại quả luôn có màu vàng ngay từ khi còn sống) bằng cách chia dải độ bão hòa màu Saturation thành 4 phân vùng độc lập ($[0-100]$, $[100-150]$, $[150-200]$, $[200-255]$), mở ra phương pháp tiếp cận mới cho các loại trái cây đơn sắc khác như chuối tiêu vàng, lê, dưa lưới.

  2. Kiến trúc nhúng tối ưu tài nguyên (Lightweight Edge Computing):

    • So với các mô hình học sâu (Deep Learning/CNN) đòi hỏi phần cứng đắt tiền và tiêu tốn năng lượng, giải pháp sử dụng toán tử hình thái học và ma trận màu HSV trực tiếp trên mảng NumPy của OpenCV giúp giảm $80%$ chi phí phần cứng và giảm thời gian trễ xử lý xuống dưới $200\text{ ms}$ trên vi xử lý ARM giá rẻ của Raspberry Pi.

  3. Cơ chế phân cấp logic quang học chuẩn xác:

    • Xác lập tỷ số diện tích $\text{Ratio} = 10.0$ làm ngưỡng phân định rõ ràng giữa trạng thái cực biên (Sống / Chín hoàn toàn) và trạng thái chuyển tiếp (Chín cấp 1 / Chín cấp 2), triệt tiêu các phán đoán mập mờ tại vùng giáp ranh.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

           MÔ HÌNH DÂY CHUYỀN ĐÓNG GÓI NÔNG SẢN TỰ ĐỘNG HÓA
 [Nông hộ/Thu hoạch] ---> [Băng tải cấp liệu] ---> [Buồng tối kiểm tra tự động]
                                                            |
                     +--------------------------------------+
                     |
                     v
   +-----------------+-----------------+-----------------+-----------------+
   |                 |                 |                 |                 |
   v                 v                 v                 v                 v
[Thùng: Sống]     [Thùng: Chín C1]  [Thùng: Chín C2]  [Thùng: Chín HT]   [Màn hình LCD]
(Xuất đi xa bằng  (Đóng gói bán buôn(Phân phối siêu   (Chế biến nước ép, (Giám sát số
tàu biển 15-20 d) nội địa 5-7 ngày)  thị tiêu dùng ngay)sấy dẻo ngay)    lượng/lô)
  1. Doanh nghiệp xuất khẩu trái cây đường biển:
    • Tách riêng toàn bộ xoài ở mức Sống và Chín cấp độ 1 (vỏ còn nhiều mảng xanh, độ cứng cao) để xử lý chiếu xạ, đóng thùng lạnh xuất khẩu sang thị trường Châu Âu, Mỹ (hành trình vận chuyển 20-30 ngày).
  2. Nhà máy chế biến thực phẩm (Nước ép, Xoài sấy dẻo):
    • Thu gom chính xác các lô xoài Chín cấp độ 2 và Chín hoàn toàn (độ ngọt Brix đạt cực đại, hàm lượng đường cao) đưa thẳng vào dây chuyền gọt vỏ và chế biến trong ngày, tránh thối hỏng.

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí đầu tư thiết bị (CAPEX):
    • 01 Raspberry Pi 4 Model B (2GB RAM): 1.500.000 VNĐ.
    • 01 Raspberry Pi Camera Module v2: 650.000 VNĐ.
    • 03 Servo SG90 + 01 Cảm biến IR + LCD 20x4 I2C: 350.000 VNĐ.
    • Khung cơ khí buồng chụp & băng tải mini: 900.000 VNĐ.
    • Tổng chi phí: $\approx 3.400.000\text{ VNĐ}$.
  • Lợi ích tài chính (OPEX Savings):
    • Thay thế 02 nhân công phân loại thủ công tại một cơ sở đóng gói nhỏ (tiết kiệm khoảng $12.000.000\text{ VNĐ/tháng}$).
    • Thời gian hoàn vốn (Payback Period): Dưới 1 tháng vận hành thực tế.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Góc chụp đơn hướng (2D Top-Down View): Camera hiện tại chỉ quét được một mặt trên của quả xoài; nếu mặt dưới bị chín ép hoặc rám nắng cục bộ, hệ thống có thể phán đoán sai lệch.
  • Phụ thuộc buồng sáng kín: Nếu ánh sáng môi trường bên ngoài lọt vào buồng chụp làm thay đổi phổ nhiệt độ màu, kết quả phân ngưỡng HSV sẽ bị trôi dạt.
  • Cơ chế chọn giống bán tự động: Vẫn cần người vận hành gạt công tắc 2-bit khi thay đổi lô giống xoài khác nhau.

Hướng phát triển mở rộng

  • Hệ thống camera đa góc / Băng chuyền con lăn xoay (Roller Conveyor): Xoay tròn quả xoài trong buồng chụp để chụp toàn diện $360^\circ$ bề mặt vỏ.
  • Tích hợp cảm biến cân trọng lượng (Loadcell HX711): Phân loại đồng thời cả độ chín lẫn kích cỡ/khối lượng quả (Grade A/B/C) theo chuẩn VietGAP.
  • Mạng nơ-ron MobileNetV3 / Tiny-YOLO tối ưu hóa bằng TensorRT/OpenVINO: Tự động nhận diện giống xoài và phát hiện vết nấm đốm than thư (Anthracnose) trên bề mặt.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Kỹ thuật Máy tính / IoT / Cơ điện tử: Tài liệu tham khảo toàn diện về tích hợp phần cứng nhúng Raspberry Pi, xử lý ảnh OpenCV thực tế, điều khiển PWM và tối ưu không gian màu.
  • Kỹ sư phát triển hệ thống tự động hóa: Mẫu kiến trúc hoàn chỉnh từ khâu thu thập tín hiệu cảm biến đến cơ cấu chấp hành cơ khí thời gian thực.
  • Hợp tác xã & Doanh nghiệp nông nghiệp: Giải pháp công nghệ chi phí thấp, dễ bảo trì, dễ chế tạo hàng loạt, giúp chuẩn hóa chất lượng nông sản Việt Nam vươn ra quốc tế.

Câu hỏi thường gặp

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

Hệ thống yêu cầu nguồn cấp ổn định $5\text{V} - 3\text{A}$ cho Raspberry Pi 4, nguồn phụ $5\text{V} - 2\text{A}$ riêng cho 3 động cơ servo để tránh hiện tượng sụt áp khi kích hoạt đồng thời, camera tương thích chuẩn CSI (khuyến nghị PiCamera v2) và buồng chụp có dải LED trắng đồng nhất ($6000\text{K} - 6500\text{K}$).

2. Tại sao lại dùng không gian màu HSV thay vì RGB truyền thống?

Không gian RGB kết hợp cường độ ánh sáng và sắc thái màu vào từng kênh (R, G, B), khiến màu sắc thay đổi đáng kể khi ánh sáng buồng chụp dao động nhỏ. Không gian HSV tách riêng kênh sắc thái màu sắc (Hue) và độ bão hòa (Saturation) khỏi kênh cường độ sáng (Value), giúp hệ thống nhận diện màu sắc vỏ xoài ổn định và chính xác hơn nhiều lần.

3. Hệ thống có khả năng mở rộng tích hợp vào dây chuyền công nghiệp không?

Có. Raspberry Pi có thể gửi dữ liệu độ chín và số lượng thống kê qua giao thức Modbus TCP hoặc MQTT sang PLC trung tâm (như Siemens S7-1200 / Mitsubishi FX5U) để điều khiển các xi-lanh khí nén công nghiệp với tốc độ cao hơn.

4. Chi phí bảo dưỡng và độ bền của thiết bị như thế nào?

Hệ thống sử dụng các linh kiện thể rắn không có chi tiết hao mòn phức tạp. Chi phí thay thế định kỳ chủ yếu nằm ở các vi động cơ servo gạt (giá chỉ ~35.000 VNĐ/chiếc) sau mỗi 500.000 chu kỳ gạt.

5. Nếu bề mặt xoài bị đốm đen hoặc phấn trắng thì giải thuật có bị ảnh hưởng không?

Nhờ bước giãn nở hình thái học cv2.MORPH_ELLIPSE kích thước $(19, 19)$ và thuật toán lọc diện tích hạt contour lớn nhất, các vết phấn trắng nhỏ hoặc đốm đen nhỏ li ti sẽ bị lọc bỏ trong quá trình tạo mask, không gây ảnh hưởng đến tỷ lệ tính toán tổng thể của quả.

Kết luận

Đề tài "Thiết kế hệ thống nhận diện và phân loại độ chín của các loại xoài" là một minh chứng xuất sắc cho việc ứng dụng công nghệ thị giác máy tính và hệ thống nhúng giá rẻ vào hiện đại hóa nông nghiệp sau thu hoạch tại Việt Nam. Bằng việc kết hợp sáng tạo giữa các toán tử xử lý ảnh hình thái học OpenCV và giải thuật phân ngưỡng thích nghi trên không gian màu HSV, hệ thống đã giải quyết trọn vẹn bài toán phân loại cho 3 giống xoài chủ lực (Cát Chu, Cát Hòa Lộc, Cát Chu Vàng) thành 4 cấp độ chín với độ chính xác ấn tượng đạt $92.33%$.

Công trình không chỉ mang giá trị học thuật cao trong việc tối ưu hóa thuật toán trên phần cứng giới hạn mà còn mở ra hướng đi thương mại hóa đầy tiềm năng với chi phí đầu tư cực thấp, góp phần nâng tầm giá trị nông sản Việt trên trường quốc tế.