Giới thiệu dự án

Việt Nam luôn giữ vị thế là một trong những quốc gia xuất khẩu gạo hàng đầu thế giới với sản lượng hàng triệu tấn mỗi năm. Tuy nhiên, giá trị kinh tế thu về chưa tương xứng do phần lớn sản phẩm xuất khẩu thuộc phân khúc gạo cấp thấp và trung bình. Theo các tiêu chuẩn kiểm định quốc tế khắt khe từ thị trường Mỹ (USDA), EU và Nhật Bản, chất lượng gạo xuất khẩu bị kiểm soát nghiêm ngặt bởi tỷ lệ hạt tấm (hạt vỡ nứt), hạt biến dạng, hạt bạc bụng và hạt đổi màu do nấm mốc hoặc sâu bệnh hại.

flowchart LR
    A[Mẫu gạo hỗn hợp] --> B[Camera Thu nhận ảnh]
    B --> C[Tiền xử lý & Lọc nhiễu]
    C --> D[Phân tích Hình thái học Morphology]
    C --> E[Chuyển đổi Không gian màu CIE L*a*b*]
    D --> F{Đánh giá Diện tích & Tỷ lệ}
    E --> G{So sánh Màu sắc SSD}
    F -->|Lỗi hình dạng| H[Hạt lỗi loại bỏ]
    G -->|Lỗi màu sắc| H
    F -->|Đạt chuẩn| I[Hạt gạo chuẩn thương phẩm]
    G -->|Đạt chuẩn| I

Bài toán thực tế và thách thức

Thực trạng tại các cơ sở chế biến nông sản vừa và nhỏ ở Việt Nam hiện nay vẫn tồn tại nhiều hạn chế:

  • Phương pháp thủ công: Đánh giá chất lượng dựa vào mắt thường của nhân viên KCS (Kiểm soát chất lượng), dễ dẫn đến sai số chủ quan, tốc độ chậm, năng suất thấp và gây mỏi mắt sau thời gian làm việc liên tục.
  • Rào cản thiết bị nhập khẩu: Các dòng máy bắn màu công nghiệp chuyên dụng (như Satake, Sortex, Bühler) có giá thành rất cao (hàng trăm triệu đến hàng tỷ đồng), đòi hỏi chi phí bảo trì đắt đỏ và cấu hình phức tạp, vượt quá khả năng đầu tư của các hợp tác xã và hộ kinh doanh cá thể.

Mục tiêu đề tài

Dự án "Ứng Dụng Xử Lý Ảnh Trong Phân Loại Chất Lượng Gạo" được thực hiện nhằm giải quyết các bài toán trên thông qua các mục tiêu cụ thể:

  1. Thiết kế và chế tạo mô hình phần cứng thu nhận ảnh khép kín với hệ thống chiếu sáng ổn định, triệt tiêu nhiễu môi trường.
  2. Xây dựng giải thuật xử lý ảnh số hóa trên nền tảng MATLAB, kết hợp phân tích hình thái học (Mathematical Morphology) và phân tích màu sắc trên không gian màu CIE $L^*a^b^$.
  3. Tối ưu thuật toán nhận dạng để phát hiện chính xác hạt gạo không đạt chuẩn (hạt vỡ, hạt lép, hạt biến màu) với độ chính xác kiểm nghiệm đạt trên 90%.

Phạm vi và giới hạn

  • Phạm vi nghiên cứu: Nhận dạng và phân loại mẫu gạo tẻ trắng thương phẩm dựa trên 2 tiêu chí cốt lõi: kích thước/hình dạng (diện tích hạt, tỷ lệ dài/rộng) và màu sắc (độ lệch màu chuẩn, vết thâm ố).
  • Giới hạn kỹ thuật: Thử nghiệm dừng lại ở giai đoạn xử lý ảnh tĩnh và nhận diện định vị lỗi trên khung ảnh thu nhận từ camera; chưa tích hợp cơ cấu chấp hành súng bắn khí nén tốc độ cao theo thời gian thực trên băng chuyền động.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay trên thị trường tồn tại ba nhóm giải pháp phân loại nông sản dạng hạt chính:

Tiêu chí Phân loại thủ công (KCS) Máy bắn màu công nghiệp (Sortex/Satake) Giải pháp Thị giác máy tính đề xuất
Độ chính xác 70% – 80% (phụ thuộc thị lực) $\ge 99.9%$ $90.0%$ (thực nghiệm)
Năng suất xử lý Rất thấp (< 50 kg/ca/người) Rất cao (2.0 – 6.0 tấn/giờ) Trung bình (mô hình phòng Lab)
Chi phí đầu tư Chi phí nhân công định kỳ Rất cao (500 triệu – 2 tỷ VNĐ) Rất thấp (< 5 triệu VNĐ cho R&D)
Độ linh hoạt Kém linh hoạt, mệt mỏi Khó tùy biến giải thuật riêng Dễ dàng tùy biến ngưỡng và chỉ tiêu
Khả năng mở rộng Không thể tự động hóa Khép kín, phụ thuộc nhà sản xuất Mã nguồn mở, dễ tích hợp IoT/AI

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Chuyển đổi ảnh màu RGB sang Grayscale, tách biên Sobel, lấp đầy vùng kín bằng Morphology, phân đoạn nhị phân hạt gạo, chuyển đổi sang không gian màu CIE $L^*a^b^$ và tính toán sai khác màu bằng thuật toán $SSD$.
  • Should Have (Nên có): Giao diện hiển thị trực quan đánh dấu hạt lỗi bằng viền màu đỏ, trích xuất tọa độ tâm và diện tích từng hạt.
  • Could Have (Có thể có): Khả năng tự động hiệu chỉnh độ sáng nền và xuất báo cáo tỷ lệ phần trăm hạt đạt chuẩn ra file Excel.
  • Won't Have (Chưa thực hiện): Tích hợp PLC điều khiển cụm van khí nén xả áp tốc độ mili-giây.

Thiết kế hệ thống

graph TD
    subgraph Phần cứng Thu nhận
        LED[Đèn LED chiếu sáng tán xạ 6500K] --> Box[Buồng tối cố định tiêu cự]
        Cam[Camera Logitech B525 HD] --> Box
        Box --> USB[Giao tiếp USB 2.0]
    end
    subgraph Khối Xử lý Trung tâm MATLAB
        USB --> ImgIn[Ảnh đầu vào RGB 1280x720]
        ImgIn --> Path1[Nhánh Phân tích Hình dạng]
        ImgIn --> Path2[Nhánh Phân tích Màu sắc]
        Path1 --> Gray[Chuyển mức xám Y]
        Gray --> Filt[Lọc trung vị 3x3]
        Filt --> Edge[Tách biên Sobel/Prewitt]
        Edge --> Morph[Morphology Dilation/Erosion]
        Morph --> Label1[Gán nhãn Regionprops]
        Path2 --> Lab[Chuyển RGB sang CIE L*a*b*]
        Lab --> Diff[Đo sai phân SSD so với mẫu chuẩn]
        Diff --> Label2[Đánh dấu hạt biến màu]
        Label1 --> Merge[Tổng hợp Đánh giá Chất lượng]
        Label2 --> Merge
        Merge --> Out[Xuất ảnh kết quả & Tọa độ hạt lỗi]
    end

Kiến trúc công nghệ

  • Phần cứng thu nhận: Logitech B525 HD Webcam (cảm biến CMOS độ phân giải HD 720p/1080p, tốc độ lấy khung hình 30 fps), khung hộp chụp ảnh kích thước $300 \times 300 \times 450\text{ mm}$ sơn đen mờ chống phản quang, dải đèn LED vòng 12V DC ánh sáng trắng tự nhiên (nhiệt độ màu 6500K).
  • Phần mềm xử lý: MATLAB R2015a / R2016a tích hợp công cụ Image Processing Toolbox.

Cơ sở toán học cho thuật toán xử lý

  1. Chuyển đổi mức xám: Áp dụng tiêu chuẩn truyền hình NTSC nhằm trích xuất cường độ sáng $Y$: $$Y = 0.299 \times R + 0.587 \times G + 0.114 \times B$$

  2. Phát hiện biên bằng toán tử Sobel: Sử dụng 2 mặt nạ tích chập trực giao $H_1$ (hướng ngang) và $H_2$ (hướng dọc): $$H_1 = \begin{bmatrix} -1 & 0 & 1 \ -2 & 0 & 2 \ -1 & 0 & 1 \end{bmatrix}, \quad H_2 = \begin{bmatrix} -1 & -2 & -1 \ 0 & 0 & 0 \ 1 & 2 & 1 \end{bmatrix}$$ Biên độ Gradient tại mỗi điểm ảnh $(m,n)$ được xấp xỉ hóa để tăng tốc độ tính toán: $$A_0(m,n) \approx |g_1(m,n)| + |g_2(m,n)|$$

  3. Toán tử hình thái học Morphology: Phép dãn ($A \oplus B$) và co ($A \ominus B$) đối tượng nhị phân $A$ với phần tử cấu trúc $B$: $$A \oplus B = {z \mid (\hat{B})_z \cap A \neq \emptyset}, \quad A \ominus B = {p \mid B_p \subseteq A}$$

  4. *Đo sai phân màu sắc trên không gian CIE $L^a^b^$: Dùng phương pháp tổng bình phương sai khác (Sum of Squared Differences - SSD): $$SSD = \sum_{i,j \in W} [I(i,j) - J(i,j)]^2$$ Trong đó $I(i,j)$ là giá trị kênh màu của hạt khảo sát và $J(i,j)$ là giá trị kênh màu của hạt gạo mẫu chuẩn.

Implementation và kết quả

Quy trình phát triển giải thuật

Quy trình phát triển phần mềm được chia thành 4 giai đoạn cụ thể:

  1. Giai đoạn 1 (Tuần 1 - 3): Khảo sát tài liệu, thiết kế buồng chụp ảnh, lựa chọn camera và nguồn sáng.
  2. Giai đoạn 2 (Tuần 4 - 7): Xây dựng module tiền xử lý lọc nhiễu, phân đoạn nhị phân và trích xuất đặc trưng hình thái (Diện tích, Tỷ lệ trục chính/trục phụ).
  3. Giai đoạn 3 (Tuần 8 - 11): Chuyển đổi không gian màu sang CIE $L^*a^b^$, xây dựng hàm so sánh sai lệch màu $SSD$.
  4. Giai đoạn 4 (Tuần 12 - 14): Tích hợp toàn diện trên MATLAB, tiến hành kiểm nghiệm với 100 mẫu hạt thực tế và đánh giá sai số.

Trích đoạn giải thuật xử lý ảnh lõi trên MATLAB

%% MODULE 1: TIỀN XỬ LÝ VÀ PHÂN ĐOẠN HÌNH THÁI HỌC (MORPHOLOGY)
function [bad_shape_indices, stats] = classify_rice_shape(rgb_img, min_area, max_area, min_aspect_ratio)
    % Chuyển sang mức xám
    gray_img = rgb2gray(rgb_img);
    
    % Lọc nhiễu trung vị bảo toàn biên (Median Filter 3x3)
    filtered_img = medfilt2(gray_img, [3 3]);
    
    % Phân ngưỡng nhị phân thích nghi kết hợp tách biên Sobel
    BW_edge = edge(filtered_img, 'sobel');
    
    % Loại bỏ các cụm nhiễu nhỏ hơn 10 pixels
    BW_clean = bwareaopen(BW_edge, 10);
    
    % Lấp đầy các vùng biên kín (Morphological Fill Holes)
    BW_filled = imfill(BW_clean, 'holes');
    
    % Làm dày biên và làm mịn bằng phép đóng/mở (Close/Open)
    se = strel('disk', 2);
    BW_morph = imclose(BW_filled, se);
    
    % Trích xuất thuộc tính hình học từng hạt gạo
    stats = regionprops(BW_morph, 'Area', 'MajorAxisLength', 'MinorAxisLength', 'Centroid', 'BoundingBox');
    
    % Đánh giá tiêu chí hạt lỗi theo diện tích và tỷ lệ dài/rộng
    bad_shape_indices = [];
    for k = 1:length(stats)
        area = stats(k).Area;
        aspect_ratio = stats(k).MajorAxisLength / (stats(k).MinorAxisLength + eps);
        
        % Hạt vỡ/tấm hoặc dính chùm
        if (area < min_area || area > max_area || aspect_ratio < min_aspect_ratio)
            bad_shape_indices = [bad_shape_indices; k];
        end
    end
end

%% MODULE 2: PHÂN LOẠI CHẤT LƯỢNG DỰA TRÊN MÀU SẮC TRONG KHÔNG GIAN CIE-Lab
function bad_color_indices = classify_rice_color(rgb_img, stats, standard_lab_mean, ssd_threshold)
    % Chuyển đổi từ không gian màu RGB sang CIE L*a*b*
    cform = makecform('srgb2lab');
    lab_img = applycform(rgb_img, cform);
    
    bad_color_indices = [];
    for k = 1:length(stats)
        bb = round(stats(k).BoundingBox);
        % Trích xuất vùng ảnh chứa hạt gạo
        sub_lab = imcrop(lab_img, bb);
        
        % Tính giá trị trung bình kênh màu a* và b* (loại bỏ ảnh hưởng độ sáng L*)
        mean_a = mean2(sub_lab(:,:,2));
        mean_b = mean2(sub_lab(:,:,3));
        current_ab = [mean_a, mean_b];
        
        % Tính khoảng cách sai lệch màu SSD so với mẫu chuẩn
        color_dist = sum((current_ab - standard_lab_mean).^2);
        
        % Nếu vượt ngưỡng sai lệch, đánh dấu hạt biến màu (bạc bụng, thâm đen, vàng ố)
        if color_dist > ssd_threshold
            bad_color_indices = [bad_color_indices; k];
        end
    end
end

Kết quả thử nghiệm và đánh giá thực nghiệm

Quá trình kiểm nghiệm được thực hiện trên tập mẫu gồm 100 hạt gạo hỗn hợp đặt ngẫu nhiên dưới góc quan sát của camera.

Nhóm mẫu thử nghiệm Số lượng mẫu Nhận dạng đúng Nhận dạng sai / Bỏ sót Độ chính xác (%)
Hạt gạo đạt chuẩn chất lượng 60 56 4 93.3%
Hạt gạo vỡ / Hạt tấm (Lỗi hình dạng) 20 18 2 90.0%
Hạt gạo vàng ố / Đổi màu (Lỗi màu sắc) 20 16 4 80.0%
Tổng kết toàn hệ thống 100 90 10 90.0% 
================ THỐNG KÊ HIỆU NĂNG HỆ THỐNG ================
- Thời gian chụp và nạp ảnh:             ~120 ms
- Thời gian phân đoạn & Morphology:       ~145 ms
- Thời gian chuyển đổi Lab & Tính SSD:    ~85 ms
- Tổng thời gian xử lý / khung hình:       ~350 ms
- Tỷ lệ phát hiện hạt lỗi chung:          90.0%
=============================================================

Đổi mới và đóng góp

Những cải tiến kỹ thuật nổi bật

  1. Tách biệt thông tin màu sắc và cường độ sáng: Khắc phục triệt để nhược điểm của không gian màu RGB truyền thống (dễ bị sai màu khi ánh sáng bóng đèn dao động) bằng cách chuyển đổi sang hệ màu độc lập thiết bị CIE $L^a^b^$. Việc tính toán sai lệch chỉ dựa trên hai kênh màu $a^$ (trục lục – đỏ) và $b^*$ (trục lam – vàng), giúp hệ thống ổn định trước sự biến thiên cường độ sáng.
  2. Quy trình kết hợp linh thái học 2 pha: Sử dụng toán tử lấp lỗ trống imfill kết hợp chuỗi phép đóng/mở với phần tử cấu trúc dạng đĩa (strel('disk', 2)), đảm bảo khôi phục đầy đủ diện tích thực của hạt mà không bị mất góc cạnh biên do nhiễu tách rời.
  3. Thuật toán kép phân loại đa tiêu chí: Đánh giá đồng thời cả kích thước hình học (diện tích pixel, tỷ lệ trục $\frac{MajorAxis}{MinorAxis}$) và độ lệch màu chuẩn $SSD$, ngăn ngừa bỏ sót các hạt có hình dáng chuẩn nhưng bị ôi mốc bên trong.

So sánh đối sánh với các nghiên cứu tiền nhiệm

Giải pháp đối sánh Công nghệ cốt lõi Hạn chế chính Cải tiến của đề tài
Nghiên cứu của IMI (Viện Máy & Dụng cụ công nghiệp) Cảm biến quang Photodiode rời rạc Chỉ phân loại được vật di chuyển chậm, sai số quang học lớn Chuyển sang cảm biến mảng Camera số, nhận dạng đồng thời nhiều hạt
Đề tài ứng dụng Mạng Neural (Nguyễn Xuân Vinh & ctg) Mạng Neural huấn luyện trên RGB Đòi hỏi tập dữ liệu lớn, thời gian huấn luyện lâu, nặng phần cứng Thuật toán $SSD$ trên CIE $L^*a^b^$ tính toán tức thời, cấu hình gọn nhẹ
Hệ thống đề tài hiện tại *Morphology + CIE $L^a^b^$ + SSD Chưa tích hợp cơ cấu van bắn khí tự động Chi phí chế tạo cực rẻ, thuật toán đạt độ chính xác 90%

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trạm kiểm tra chất lượng tự động tại phòng KCS: Đặt tại các nhà máy chế biến gạo xuất khẩu ở Đồng bằng sông Cửu Long nhằm kiểm tra nhanh mẫu thử của từng lô hàng (batch test) trước khi đóng bao xuất xưởng.
  • Tích hợp vào dây chuyền phân loại mini: Ứng dụng cho các hợp tác xã sản xuất lúa gạo chất lượng cao (gạo ST25, gạo Jasmine), phân tách gạo nguyên hạt và tấm thương phẩm.
gantt
    title Lộ trình Triển khai và Thương mại hóa Hệ thống
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Lab Prototype
    Chế tạo mô hình & Cài đặt MATLAB       :done, des1, 2015-10-05, 2016-01-15
    section Giai đoạn 2: Tối ưu Embedded
    Chuyển mã nguồn sang C++/OpenCV        :active, des2, 2026-09-01, 60d
    Tích hợp mạch nhúng Raspberry Pi 5 / Jetson Nano : des3, after des2, 45d
    section Giai đoạn 3: Tự động hóa
    Thiết kế băng chuyền & Cụm van khí nén Solenoid : des4, after des3, 60d
    section Giai đoạn 4: Thương mại
    Chạy thử nghiệm tại xưởng xay xát & Đóng gói sản phẩm : des5, after des4, 90d

Phân tích chi phí và hiệu quả đầu tư (ROI)

  • Chi phí phần cứng: Camera Logitech B525 (~800.000 VNĐ), đèn LED và nguồn (~200.000 VNĐ), khung mica gia công (~500.000 VNĐ), máy tính xử lý sẵn có. Tổng chi phí nguyên mẫu: dưới 2.000.000 VNĐ.
  • Hiệu quả kinh tế: Giúp doanh nghiệp vừa và nhỏ giảm 60% nhân sự kiểm định KCS thủ công, giảm tỷ lệ khiếu nại hàng trả về từ các đối tác quốc tế, thời gian hoàn vốn đầu tư dự kiến dưới 03 tháng.

Hạn chế và hướng phát triển

Các hạn chế kỹ thuật hiện tại

  • Xử lý hạt chồng lấn: Khi mật độ hạt gạo trên bàn chụp quá dày đặc, hiện tượng các hạt dính sát nhau làm giải thuật regionprops nhận diện nhầm thành một hạt lớn bất thường, dẫn đến phân loại sai thành hạt lỗi.
  • Tốc độ thực thi: Nền tảng MATLAB là ngôn ngữ thông dịch cấp cao, thời gian xử lý trung bình 350 ms/frame chưa đáp ứng được tần số lấy mẫu công nghiệp (cần $\le 20\text{ ms}$ cho dòng chảy gạo rơi tự do).

Hướng nâng cấp và phát triển tiếp theo

  • Tối ưu hóa mã nguồn nhúng: Biên dịch lại toàn bộ thuật toán sang ngôn ngữ C++ kết hợp thư viện OpenCV 4.x, chạy trực tiếp trên các vi xử lý nhúng ARM (Raspberry Pi 5 hoặc NVIDIA Jetson Nano).
  • Ứng dụng Trí tuệ nhân tạo (AI Deep Learning): Triển khai mạng nơ-ron tích chập nhẹ (YOLOv8n / MobileNetV3) để tự động phân loại chính xác các dạng khuyết tật phức tạp như vết đốm li ti, hạt phấn, hạt bạc bụng cục bộ mà giải thuật hình thái học cổ điển khó xử lý triệt để.
  • Tích hợp cơ cấu cơ điện tử: Kết hợp vi điều khiển STM32 và cụm van khí nén (Pneumatic Ejector Valves) để tạo thành hệ thống phân loại khép kín theo thời gian thực.

Đối tượng hưởng lợi

Đối tượng Giá trị mang lại Lợi ích định lượng
Sinh viên & Học viên Tài liệu tham khảo toàn diện về xử lý ảnh số, mã nguồn mẫu trực quan trên MATLAB kết hợp phần cứng thực tế. Rút ngắn 40% thời gian nghiên cứu thực nghiệm đề tài thị giác máy tính.
Kỹ sư & Lập trình viên Nắm vững kỹ thuật chuyển đổi không gian màu CIE $L^*a^b^$ và các phép toán Morphology ứng dụng trong phân đoạn vật thể. Cung cấp khung kiến trúc giải thuật sẵn sàng chuyển đổi sang C++/OpenCV.
Doanh nghiệp & Hộ kinh doanh Giải pháp phân loại chất lượng nông sản chi phí thấp, dễ vận hành, phù hợp quy mô vừa và nhỏ. Tiết kiệm hơn 95% chi phí đầu tư so với mua máy nhập ngoại nguyên chiếc.
Nhà nghiên cứu Cung cấp bộ thông số thực nghiệm, ma trận nhầm lẫn và phương pháp trích xuất đặc trưng cho nông sản hạt rời. Làm tiền đề phát triển các thuật toán Machine Learning / Deep Learning chuyên sâu.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai giải thuật xử lý ảnh này là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Windows 7/10/11 (64-bit), CPU Intel Core i3 trở lên, RAM tối thiểu 4GB, một cổng USB 2.0/3.0 kết nối với Webcam hỗ trợ độ phân giải tối thiểu HD 720p và phần mềm MATLAB R2014a trở lên có cài đặt sẵn Image Processing Toolbox.

2. Vì sao giải thuật lựa chọn không gian màu CIE $L^*a^b^$ thay vì sử dụng trực tiếp RGB?

Không gian màu RGB bị phụ thuộc chặt chẽ vào cường độ nguồn sáng; khi bóng đèn bị suy giảm quang thông hoặc ánh sáng môi trường thay đổi, giá trị các kênh $R, G, B$ đều biến động mạnh làm sai lệch ngưỡng phân loại. Trong khi đó, không gian CIE $L^a^b^$ tách biệt hoàn toàn thông tin độ sáng ($L^$) khỏi hai kênh sắc độ ($a^$ và $b^$), giúp thuật toán duy trì độ chính xác cao trong môi trường chiếu sáng thực tế.

3. Hệ thống xử lý thế nào khi các hạt gạo nằm dính sát vào nhau?

Trong phiên bản hiện tại, các hạt dính nhau sẽ bị bộ lọc diện tích xem là "hạt quá khổ" và đánh dấu lỗi. Để khắc phục triệt để, hệ thống cần bổ sung thuật toán phân đoạn lưu vực Watershed Segmentation kết hợp phép biến đổi khoảng cách (Distance Transform) nhằm tự động phát hiện eo thắt và tách rời các hạt bị tiếp xúc biên.

4. Chi phí bảo trì và độ bền của thiết bị thu nhận ảnh như thế nào?

Do hệ thống sử dụng cảm biến quang học không tiếp xúc (Non-contact optical inspection) và nguồn sáng LED tỏa nhiệt thấp, hệ thống không bị hao mòn cơ khí trong quá trình vận hành. Chi phí bảo trì gần như bằng 0, chỉ cần vệ sinh định kỳ bụi cám bám trên mặt kính thấu kính camera và bề mặt nền chiếu xạ.

5. Khả năng mở rộng giải thuật cho các loại nông sản khác như thế nào?

Giải thuật có tính tổng quát hóa cao. Bằng cách thay đổi tham số ngưỡng diện tích (min_area, max_area), tỷ lệ trục (min_aspect_ratio) và mẫu màu chuẩn ($SSD$), hệ thống có thể áp dụng trực tiếp để phân loại hạt cà phê, hạt tiêu, hạt đậu nành, hạt điều hoặc phân loại linh kiện cơ khí nhỏ.

Kết luận

Đồ án tốt nghiệp "Ứng Dụng Xử Lý Ảnh Trong Phân Loại Chất Lượng Gạo" của nhóm sinh viên Trần Quốc Dũng và Đinh Công Phong dưới sự hướng dẫn của TS. Lê Mỹ Hà đã xây dựng thành công một giải pháp thị giác máy tính hoàn chỉnh từ phần cứng thu nhận đến giải thuật phân tích. Việc kết hợp chặt chẽ giữa các toán tử hình thái học Morphology và không gian màu CIE $L^*a^b^$ đã chứng minh tính hiệu quả vượt trội với độ chính xác nhận dạng hạt lỗi thực nghiệm đạt 90.0%.

Kết quả nghiên cứu mở ra hướng đi đầy tiềm năng trong việc nội địa hóa các thiết bị kiểm định nông sản thông minh với chi phí cực thấp, tạo điều kiện thuận lợi cho các doanh nghiệp xuất khẩu gạo Việt Nam nâng cao năng lực cạnh tranh trên thị trường quốc tế. Các nhà phát triển và đơn vị sản xuất có thể tiếp tục kế thừa kiến trúc giải thuật này để tích hợp lên các hệ thống nhúng thời gian thực và tự động hóa toàn diện trong tương lai.