Bối cảnh và vấn đề nghiên cứu

Trong ngành công nghiệp thực phẩm, việc kiểm soát và phân loại chất lượng thịt là công đoạn giữ vai trò thiết yếu nhằm đáp ứng nhu cầu tiêu thụ, tối ưu hóa giá trị thương mại và bảo đảm an toàn thực phẩm cho cộng đồng. Các phương pháp đánh giá truyền thống chủ yếu dựa trên quan sát cảm quan bằng mắt thường (thông qua màu sắc, mùi vị, độ đàn hồi, kết cấu) hoặc áp dụng các bộ tiêu chuẩn như USDA (Hoa Kỳ) và EUROP (Liên minh Châu Âu). Tuy nhiên, các hình thức này đòi hỏi nhân lực có chuyên môn kinh nghiệm, mang tính chủ quan hoặc yêu cầu quy trình phức tạp.

Từ yêu cầu thực tế của doanh nghiệp chế biến thực phẩm, một tiêu chí phân loại mới đã được đặt ra: sử dụng độ dài phần đuôi lợn làm thước đo phân loại chất lượng thịt. Theo quy ước từ bài toán thực tế, "lợn đuôi dài" đại diện cho giống lợn nuôi tự nhiên, trong khi "lợn đuôi ngắn" là giống lợn nuôi theo mô hình công nghiệp. Việc đánh giá thủ công hoặc phân loại rời rạc trên dây chuyền sản xuất tốc độ cao gặp nhiều trở ngại về tính liên tục và độ chuẩn xác. Do đó, việc ứng dụng học sâu kết hợp kỹ thuật thị giác máy tính nhằm tự động hóa quy trình phân loại trở thành một đòi hỏi cấp thiết.

Mục tiêu nghiên cứu của đề tài được tác giả xác định cụ thể qua 4 nhiệm vụ:

  1. Xây dựng tập dữ liệu phục vụ cho quá trình giải quyết bài toán.
  2. Xây dựng các mô hình học sâu (Deep Learning) để hỗ trợ và giải quyết bài toán phân loại chất lượng thịt dựa trên các đặc điểm quan trọng.
  3. Triển khai các thí nghiệm khác nhau với mô hình học sâu để thu được kết quả tối ưu.
  4. Tích hợp các phương pháp xử lý ảnh kết hợp với mô hình học sâu nhằm đánh giá chất lượng thịt trên video.
  • Đối tượng nghiên cứu: Vị trí, vùng biên và kích thước chiều dài của bộ phận đuôi lợn xuất hiện trên các khung hình video trích xuất từ camera giám sát dây chuyền sản xuất thịt lợn.
  • Phạm vi nghiên cứu:
    • Không gian: Môi trường dây chuyền sản xuất thịt lợn công nghiệp.
    • Dữ liệu và kỹ thuật: Triển khai trên tập dữ liệu hình ảnh thu thập thực tế; ứng dụng mô hình học sâu YOLOv5 và thư viện OpenCV; điều kiện thực nghiệm được thiết kế phù hợp với hệ thống phần cứng máy tính cá nhân cấu hình tầm trung.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng khung cơ sở lý thuyết bao gồm các khái niệm, mô hình và công cụ kỹ thuật thuộc chuyên ngành Khoa học dữ liệu và Thị giác máy tính:

  • Tiêu chuẩn phân loại thịt truyền thống:
    • Hệ thống USDA (Bộ Nông nghiệp Hoa Kỳ): Phân loại dựa trên màu sắc, mùi vị, kết cấu và độ đàn hồi.
    • Hệ thống EUROP (Liên minh Châu Âu): Phân loại thịt lợn dựa trên cấu trúc cơ bắp và tỷ lệ lớp mỡ, chia cấp độ từ E (chuẩn cao nhất) đến P (chuẩn thấp nhất).
  • Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Bao gồm các lớp tích chập hai chiều (Conv2D), lớp giảm mẫu (Pooling Layers, tiêu biểu là Max Pooling), lớp kết nối đầy đủ (Fully Connected Layers), kỹ thuật ngắt nơ-ron ngẫu nhiên (Dropout), các hàm kích hoạt (tiêu biểu là ReLU), hàm mất mát (Cross-Entropy, MSE, MAE) và các thuật toán tối ưu hóa trọng số (SGD, Adam).
  • Mô hình phát hiện đối tượng YOLO (You Only Look Once): Tiếp cận bài toán phát hiện đối tượng dưới dạng hồi quy từ toàn bộ bức ảnh trong một lần đánh giá duy nhất để dự đoán đồng thời hộp bao giới hạn (bounding box) và xác suất lớp. Phiên bản được lựa chọn triển khai trong đề tài là YOLOv5.
  • Thư viện xử lý ảnh OpenCV: Cung cấp các thuật toán xử lý ảnh hình thái học và biến đổi không gian màu, bao gồm chuyển đổi ảnh xám (Grayscaling), tính hiệu sai phân ảnh liền kề qua hàm cv2.absdiff(), phối hợp ảnh có trọng số qua cv2.addWeighted(), xử lý đóng hình thái học (Closing) qua cv2.morphologyEx(), phát hiện cạnh bằng thuật toán Canny (cv2.Canny()), phân ngưỡng nhị phân đảo (Binary_inv) qua cv2.threshold(), và trích xuất đường viền vật thể (cv2.findContours).

Phương pháp nghiên cứu thực nghiệm được tác giả lựa chọn là sự phối hợp giữa mô hình học sâu và chuỗi thuật toán xử lý ảnh truyền thống:

Phương pháp Ưu điểm ghi nhận Nhược điểm được chỉ ra Vai trò trong đồ án
Chỉ dùng mô hình phát hiện đối tượng (YOLO) Xác định chính xác vị trí tọa độ hộp bao của vật thể (đuôi lợn) với tốc độ cao. Không thể tính toán hoặc đo đạc trực tiếp chiều dài của đối tượng. Dùng làm bước 1 để định vị tọa độ vùng chứa đuôi lợn.
Chỉ dùng mô hình phân đoạn cá thể (Mask-RCNN) Xác định được đối tượng và tạo mặt nạ (mask) bao quanh hình dáng chi tiết. Gán nhãn cấp độ điểm ảnh rất phức tạp; thời gian huấn luyện lâu; đòi hỏi cấu hình phần cứng vượt quá máy tính cá nhân tầm trung. Không lựa chọn triển khai do giới hạn tài nguyên tính toán và chi phí gán nhãn.
Giải pháp kết hợp đề xuất (YOLOv5 + OpenCV) Tận dụng khả năng định vị của YOLOv5 và khả năng trích xuất hình học của OpenCV; tối ưu thời gian huấn luyện và chi phí gán nhãn. Đòi hỏi thiết lập chuỗi tiền xử lý và lọc nhiễu ảnh liên khung hình chuẩn xác. Giải pháp cốt lõi được tác giả lựa chọn và thực nghiệm toàn diện trong đồ án.
  • Nguồn dữ liệu:
    • Dữ liệu thu thập ban đầu: Khoảng 12.000 bức ảnh ghi nhận từ video ghi hình dây chuyền sản xuất thịt lợn trong công nghiệp.
    • Tăng cường dữ liệu (Data Augmentation): Áp dụng các phép biến đổi ảnh gồm chuyển ảnh xám (Grayscale), làm mờ (Blur), và thay đổi kích thước (Resize), nâng tổng số lượng dữ liệu phục vụ huấn luyện lên xấp xỉ 400.000 bức ảnh.
    • Gán nhãn dữ liệu: Thực hiện trên nền tảng app.roboflow, xác định hộp bao cho từng đối tượng đuôi lợn với các tham số (w, h, x, y, Label).

Thiết kế và triển khai quy trình kỹ thuật

Hệ thống phân loại chất lượng thịt dựa trên chiều dài đuôi được thiết kế theo quy trình tích hợp gồm hai khối chức năng liên hoàn: Khối học sâu định vị đối tượng và Khối xử lý ảnh phân đoạn trích xuất kích thước.

Dữ liệu video dây chuyền sản xuất -> Trích xuất khung hình
          Tính toán độ dài đuôi -> Đưa ra phân loại chất lượng thịt

1. Kiến trúc và cấu hình huấn luyện YOLOv5

Mô hình phát hiện đối tượng YOLOv5 được cấu thành từ các thành phần:

  • Backbone Network: Sử dụng kiến trúc trích xuất đặc trưng CSPDarknet53 hoặc CSPResNeXt50 với các lớp tích chập nhằm rút trích thông tin không gian từ ảnh đầu vào.
  • Neck Network: Sử dụng các lớp Convolution và UpSampling để gia tăng kích thước đặc trưng và kết hợp đa tầng thông tin.
  • Head Network: Dự đoán tọa độ hộp giới hạn (Bounding Box), độ tin cậy của vật thể và xác suất lớp đối tượng qua các hàm kích hoạt Sigmoid và Softmax.
  • Hàm mất mát (Loss Function): Phối hợp giữa hàm mất mát vị trí hộp bao (Box_Loss), độ tin cậy vật thể (Obj_Loss) và hàm mất mát phân loại (Cross-Entropy).
  • Hậu xử lý (Post-processing): Áp dụng kỹ thuật triệt tiêu phi cực đại (Non-Maximum Suppression) và ngưỡng lọc kết quả.

Thông số cấu hình thực nghiệm của mô hình YOLOv5 được thiết lập cụ thể:

Tham số Giá trị thiết lập
Số chu kỳ huấn luyện (Epochs) 40
Tốc độ học (Learning Rate - Lr) 0,01
Kích thước lô (Batch Size) 32
Tổng số lượng tham số mô hình (Parameters) 20.871.318 (khoảng 20,87 triệu tham số)

2. Quy trình xử lý ảnh trích xuất vùng đối tượng và đo độ dài

Sau khi nhận diện được hộp bao giới hạn từ mô hình YOLOv5, hệ thống áp dụng chuỗi thuật toán xử lý ảnh trên nền tảng OpenCV:

  • Bước 1 - Chuyển sang ảnh xám (Grayscaling): Chuyển từ hệ màu RGB sang ảnh xám theo công thức: $$Y = 0.299 \times R + 0.587 \times G + 0.114 \times B$$ Việc này giúp giản lược kích thước dữ liệu từ 3 kênh màu xuống 1 kênh duy nhất.
  • Bước 2 - Tính toán sai phân giữa các khung hình liền kề (cv2.absdiff): $$dst(I) = saturate(|src1(I) - src2(I)|)$$ Hàm tính giá trị tuyệt đối độ lệch điểm ảnh giữa hai khung hình liên tiếp nhằm bắt trọn chuyển động của vật thể.
  • Bước 3 - Kết hợp trọng số làm nổi bật vùng chuyển động (cv2.addWeighted): $$dst(I) = saturate(src1(I) \times \alpha + src2(I) \times \beta + \gamma)$$ Thực hiện phối hợp ảnh nhằm tăng cường độ tương phản của vật thể chuyển động. Tác giả áp dụng chu trình lặp: Bước 2 $\rightarrow$ Bước 3 $\rightarrow$ Bước 2 để tách biệt hoàn toàn đối tượng khỏi nền môi trường xung quanh.
  • Bước 4 - Lọc nhiễu hình thái học (cv2.morphologyEx): Áp dụng phép toán Đóng (Closing), kết hợp giữa Dilation (giãn) và Erosion (co), nhằm lấp đầy các lỗ rỗng, khe nứt nhỏ bên trong vật thể và hợp nhất các vùng bị đứt đoạn.
  • Bước 5 - Phát hiện cạnh (cv2.Canny): Trích xuất đường biên của vật thể. Để hạn chế các đường biên nhiễu từ bối cảnh phức tạp của dây chuyền, hệ thống áp dụng khung giới hạn (Bounding Box) lấy từ kết quả của mô hình YOLOv5 ở giai đoạn trước nhằm thu hẹp không gian tìm cạnh.
  • Bước 6 - Phân ngưỡng và xác định đường bao (cv2.threshold và Contour): Áp dụng phép phân ngưỡng nhị phân đảo Binary_inv để chuyển đối tượng đuôi thành màu trắng trên nền màu đen, sau đó trích xuất tập hợp điểm đường bao liên tục (Contour) để tính toán chiều dài thực tế của phần đuôi.

Nội dung chính theo từng chương

Mở đầu

Tác giả nêu rõ tầm quan trọng của việc kiểm soát chất lượng thịt đối với kinh tế và an toàn thực phẩm trong bối cảnh ngành công nghiệp chế biến phát triển nhanh. Khái quát mục tiêu ứng dụng học sâu kết hợp xử lý ảnh để tự động hóa bài toán phân loại thịt dựa trên đặc điểm hình học của đuôi lợn trích xuất từ camera giám sát.

Chương 1: Tổng quan về đề tài

  • Khái niệm và ý nghĩa: Trình bày định nghĩa chất lượng thịt thông qua các chỉ số cảm quan (màu sắc, cấu trúc, mùi vị, độ đàn hồi, hàm lượng mỡ) cùng các điều kiện chăn nuôi, an toàn vệ sinh thực phẩm. Tác giả phân tích 8 vai trò trọng yếu của việc phân loại chất lượng thịt trong chuỗi cung ứng nông nghiệp và công nghiệp.
  • Các phương pháp truyền thống: Mô tả phương pháp đánh giá cảm quan bằng mắt thường và các tiêu chuẩn phân loại thịt quốc tế như USDA (Mỹ) và EUROP (Châu Âu).
  • Đề xuất tiếp cận mới từ thực tế: Trình bày bài toán đặt ra từ doanh nghiệp thực phẩm: sử dụng độ dài phần đuôi lợn làm tiêu chí phân biệt giữa lợn nuôi tự nhiên (đuôi dài) và lợn nuôi công nghiệp (đuôi ngắn). Đưa ra khung quy trình giải quyết bài toán gồm: thu thập dữ liệu, tiền xử lý, gán nhãn, tăng cường dữ liệu, huấn luyện YOLOv5 và xử lý ảnh đo kích thước.

Chương 2: Cơ sở lý thuyết

  • Thị giác máy tính và thư viện OpenCV: Giới thiệu tổng quan về lĩnh vực thị giác máy tính và 8 bài toán cốt lõi. Trình bày chi tiết các hàm xử lý ảnh số trong OpenCV: chuyển đổi ảnh xám, sai phân khung hình absdiff(), phối hợp trọng số addWeighted(), hình thái học morphologyEx(), phát hiện cạnh Canny(), phân ngưỡng threshold(), và xác định đường bao Contour.
  • Học máy và Học sâu: Nêu khái niệm và phân loại các bài toán học máy lớn (không giám sát, bán giám sát, tăng cường) cùng các ứng dụng thực tiễn. Đi sâu vào mạng nơ-ron học sâu và các tác động tích cực của nó đối với công nghiệp sản xuất thực phẩm.
  • Kiến trúc mạng CNN và mô hình YOLO: Phân tích nguyên lý toán học của phép tích chập hai chiều (Conv2D), cấu trúc các tầng tích chập (Convolutional Layers), tầng giảm mẫu (Pooling Layers), tầng kết nối đầy đủ (Fully Connected Layers), hàm kích hoạt (ReLU), kỹ thuật Dropout, cùng các hàm mất mát và bộ tối ưu hóa (SGD, Adam). Phân tích cơ chế hoạt động của mạng YOLO và ba ưu điểm cốt lõi: tốc độ xử lý đạt chuẩn thời gian thực, khả năng lập luận toàn cục trên toàn bộ khung hình, và tính tổng quát hóa cao.

Chương 3: Giải pháp và triển khai thực nghiệm

  • Lựa chọn giải pháp: Phân tích ưu - nhược điểm của hai hướng tiếp cận độc lập gồm mô hình phát hiện đối tượng (YOLO) và mô hình phân đoạn đối tượng (Mask-RCNN). Đưa ra giải pháp đề xuất: kết hợp YOLOv5 để xác định vị trí và kỹ thuật xử lý ảnh OpenCV để phân vùng, đo đạc kích thước.
  • Công tác dữ liệu: Trình bày quy trình thu thập 12.000 ảnh từ dây chuyền thực tế, áp dụng các phép biến đổi tăng cường dữ liệu để nâng quy mô lên ~400.000 ảnh, và quy trình gán nhãn hộp bao (w, h, x, y, Label) trên nền tảng app.roboflow.
  • Huấn luyện mô hình YOLOv5: Mô tả các khối kiến trúc Backbone (CSPDarknet53/CSPResNeXt50), Neck, Head, hàm mất mát và hậu xử lý. Công bố bảng tham số thực nghiệm: 40 epochs, learning rate 0,01, batch size 32, tổng số tham số là 20.871.318.
  • Quy trình xử lý ảnh trích xuất vùng đối tượng: Trình bày chi tiết thực nghiệm từng bước xử lý hình ảnh trên OpenCV: chuyển đổi sang ảnh xám, chu trình lặp sai phân khung hình và cộng trọng số (absdiff và addWeighted), lọc nhiễu hình thái học bằng phép Closing, phát hiện cạnh bằng bộ lọc Canny kết hợp khung bao YOLOv5, tách ngưỡng nhị phân và tính toán độ dài dựa trên đường bao contour.

Kết quả và đóng góp

Kết quả kỹ thuật và số liệu thực nghiệm

  • Xây dựng thành công bộ dữ liệu đặc thù cho dây chuyền sản xuất thịt công nghiệp: thu thập 12.000 ảnh gốc và sinh thêm dữ liệu qua các kỹ thuật Grayscale, Blur, Resize đạt quy mô ~400.000 ảnh.
  • Hoàn thành gán nhãn hộp bao chuẩn hóa (w, h, x, y, Label) thông qua nền tảng Roboflow.
  • Huấn luyện hoàn chỉnh mô hình YOLOv5 với cấu hình 40 epochs, tốc độ học 0,01, kích thước lô 32, quản lý tổng cộng 20.871.318 tham số mạng.
  • Xây dựng thành công chuỗi thuật toán xử lý ảnh kết hợp (absdiff, addWeighted, morphologyEx - Closing, Canny, Binary_inv threshold, Contour) tích hợp với hộp giới hạn của YOLOv5, cho phép phân lập chính xác hình thái đuôi lợn từ video và đo đạc chiều dài để thực hiện phân loại.

Đóng góp so với các nghiên cứu và phương pháp trước

  • Khắc phục nhược điểm của mô hình phát hiện đối tượng đơn thuần (YOLO): Bổ sung khả năng đo đạc kích thước vật lý (chiều dài) cho đối tượng, giải quyết trọn vẹn bài toán phân loại chất lượng mà mô hình hộp bao thông thường không thể tự xử lý.
  • Khắc phục hạn chế của mô hình phân đoạn vùng đối tượng (Mask-RCNN): Loại bỏ sự phụ thuộc vào quá trình gán nhãn mặt nạ cấp độ pixel vô cùng tốn kém thời gian; giảm thiểu gánh nặng tính toán, cho phép triển khai huấn luyện và thực thi thực nghiệm hiệu quả ngay trên phần cứng máy tính cá nhân cấu hình tầm trung.
  • Hiện thực hóa bài toán thực tế của doanh nghiệp: Chuyển đổi tiêu chí phân loại dựa trên độ dài đuôi thành một giải pháp thị giác máy tính tự động trên dữ liệu video dây chuyền sản xuất.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích và phạm vi nghiên cứu được tác giả trình bày trong văn bản:

  • Hạn chế:
    • Nghiên cứu được thiết kế và triển khai trong điều kiện tài nguyên phần cứng giới hạn (máy tính cá nhân cấu hình tầm trung), chưa thực hiện huấn luyện các mô hình phân đoạn kích thước lớn để so sánh đối chuẩn trực tiếp.
    • Văn bản đồ án chưa trình bày bảng thống kê chi tiết các chỉ số đánh giá độ chính xác định lượng cuối cùng (như mAP của mô hình YOLOv5 hoặc sai số đo đạc chiều dài tính bằng milimet/pixel cụ thể qua từng đợt thử nghiệm).
    • Thuật toán trích xuất chuyển động dựa vào sai phân khung hình (cv2.absdiff) phụ thuộc vào vận tốc di chuyển ổn định của vật thể trên dây chuyền sản xuất.
  • Hướng nghiên cứu tiếp:
    • Tối ưu hóa các tham số của mô hình học sâu và thuật toán xử lý ảnh để nâng cao hơn nữa độ chính xác phân lập vùng đuôi.
    • Tích hợp và đóng gói hoàn thiện hệ thống để kiểm thử trực tiếp trên luồng video thời gian thực tại dây chuyền sản xuất công nghiệp quy mô lớn.
    • Thử nghiệm bổ sung các kiến trúc mô hình học sâu mới hơn nhằm cải thiện khả năng tổng quát hóa trong các điều kiện chiếu sáng và góc quay camera khác nhau.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho:

  • Sinh viên, học viên và nghiên cứu viên các ngành Khoa học dữ liệu, Công nghệ thông tin, Trí tuệ nhân tạo, và Kỹ thuật Tự động hóa đang thực hiện đề tài tốt nghiệp hoặc dự án ứng dụng thị giác máy tính trong công nghiệp.
  • Các kỹ sư phần mềm và thị giác máy tính tìm kiếm giải pháp kỹ thuật kết hợp giữa mô hình học sâu (Object Detection) và các thuật toán xử lý ảnh truyền thống (OpenCV) nhằm giải quyết bài toán đo đạc kích thước vật thể khi bị hạn chế về tài nguyên phần cứng và chi phí gán nhãn pixel.

Các nội dung có giá trị tham khảo nổi bật:

  • Phương pháp phối hợp chuỗi xử lý ảnh OpenCV (lặp absdiff và addWeighted kết hợp phép Closing) để tách trích vùng vật thể chuyển động từ video.
  • Quy trình chuẩn bị, gán nhãn và tăng cường dữ liệu từ 12.000 ảnh lên 400.000 ảnh cho bài toán công nghiệp đặc thù.
  • Kỹ thuật sử dụng hộp bao YOLOv5 để thu hẹp không gian tìm kiếm biên cạnh Canny, giúp loại bỏ nhiễu nền môi trường xung quanh.

Câu hỏi thường gặp

1. Tiêu chí phân loại chất lượng thịt được tác giả sử dụng trong đồ án dựa trên cơ sở nào?

Tác giả dựa trên yêu cầu thực tế từ phía doanh nghiệp chế biến thực phẩm: sử dụng độ dài phần đuôi lợn làm thước đo phân loại. Theo quy ước bài toán, "lợn đuôi dài" được xác định là giống lợn nuôi tự nhiên, còn "lợn đuôi ngắn" là giống lợn nuôi theo hình thức công nghiệp.

2. Vì sao tác giả không chọn mô hình Mask-RCNN để phân vùng và đo chiều dài đuôi lợn?

Mặc dù Mask-RCNN có ưu điểm là vẽ được mặt nạ bao quanh vật thể, tác giả chỉ ra phương pháp này tồn tại hai nhược điểm lớn: quy trình gán nhãn dữ liệu rất phức tạp và khó khăn do đòi hỏi độ chuẩn xác tới từng điểm ảnh (pixel), đồng thời thời gian huấn luyện rất lâu và đòi hỏi cấu hình phần cứng lớn, không thể thực hiện được trên máy tính cá nhân cấu hình tầm trung.

3. Mô hình YOLOv5 đơn thuần gặp hạn chế gì khi giải quyết bài toán này?

Mô hình YOLOv5 thuộc nhóm mô hình phát hiện đối tượng (Object Detection), có ưu điểm nhận diện và định vị chính xác vị trí vật thể bằng hộp bao chữ nhật với tốc độ rất nhanh, nhưng nhược điểm cốt lõi là không thể đo đạc hay tính toán được chiều dài thực tế của đối tượng đuôi lợn.

4. Quy trình xử lý ảnh OpenCV được thiết kế thế nào để khắc phục nhược điểm của YOLOv5?

Tác giả sử dụng YOLOv5 để định vị hộp bao đối tượng, sau đó áp dụng chuỗi thuật toán OpenCV bên trong vùng hộp bao đó: chuyển ảnh xám, tính sai phân ảnh liền kề (cv2.absdiff), phối hợp ảnh (cv2.addWeighted) theo chu trình lặp để làm nổi bật đối tượng, lọc nhiễu bằng phép đóng hình thái học (cv2.morphologyEx), phát hiện cạnh (cv2.Canny), phân ngưỡng nhị phân đảo (cv2.threshold), và trích xuất đường bao (Contour) để đo chiều dài của đuôi.

5. Dữ liệu thực nghiệm của đồ án có quy mô bao nhiêu và được xử lý như thế nào?

Dữ liệu gốc được thu thập từ video dây chuyền sản xuất thịt lợn công nghiệp gồm khoảng 12.000 bức ảnh. Dữ liệu sau đó được gán nhãn hộp bao trên nền tảng Roboflow và áp dụng các kỹ thuật biến đổi xử lý ảnh gồm Grayscale, Blur, Resize để tăng cường quy mô lên xấp xỉ 400.000 bức ảnh phục vụ huấn luyện.

Kết luận

Đồ án tốt nghiệp "Ứng dụng học sâu cho bài toán phân loại chất lượng thịt" của tác giả Trịnh Tuấn Anh đã giải quyết bài toán phân loại chất lượng thịt công nghiệp dựa trên thước đo độ dài đuôi lợn từ yêu cầu thực tế của doanh nghiệp. Bằng cách đề xuất giải pháp tích hợp giữa mô hình học sâu YOLOv5 (20,87 triệu tham số) và chuỗi thuật toán xử lý ảnh hình thái học OpenCV, nghiên cứu đã khắc phục triệt để điểm yếu không đo được kích thước của mô hình phát hiện đối tượng thông thường cũng như gánh nặng phần cứng của mô hình phân đoạn điểm ảnh. Hệ thống đã triển khai thực nghiệm thành công trên tập dữ liệu mở rộng 400.000 ảnh từ dây chuyền sản xuất, cung cấp một phương pháp tiếp cận khả thi, tối ưu tài nguyên cho các bài toán thị giác máy tính trong công nghiệp chế biến thực phẩm.