I. Tổng quan xác định mức độ chín của sầu riêng bằng học máy
Nghiên cứu tại Đại học Sư phạm Kỹ thuật TP.HCM mở ra hướng đi mới cho ngành nông nghiệp công nghệ cao. Đề tài tập trung giải quyết bài toán phân loại độ chín sầu riêng tự động. Đây là loại trái cây có giá trị kinh tế xuất khẩu rất lớn tại Việt Nam. Phương pháp truyền thống dựa vào kinh nghiệm thủ công thường thiếu tính ổn định. Việc ứng dụng trí tuệ nhân tạo mang lại giải pháp đánh giá khách quan và nhất quán. Nhóm tác giả khai thác tín hiệu âm thanh thu được từ thao tác gõ vào vỏ quả. Dữ liệu âm học phản ánh chính xác cấu trúc cơ học bên trong múi sầu riêng. Khi trái chín, khoảng trống giữa múi và vỏ thay đổi rõ rệt. Tần số cộng hưởng âm thanh tạo ra sự khác biệt đặc trưng. Công nghệ học máy xử lý các tín hiệu này với tốc độ nhanh chóng. Hệ thống cung cấp kết quả phân loại tức thì mà không cần xâm lấn bề mặt. Giải pháp này bảo toàn toàn vẹn giá trị thương phẩm của quả. Công trình đánh dấu bước tiến công nghệ ứng dụng thiết thực của sinh viên cơ khí chế tạo máy.
1.1. Bối cảnh nghiên cứu đề tài tại ĐH SPKT TP.HCM
Khoa Cơ khí Chế tạo máy thuộc Đại học Sư phạm Kỹ thuật TP.HCM luôn chú trọng nghiên cứu ứng dụng. Đề tài tốt nghiệp năm 2025 hướng tới giải quyết thách thức thực tiễn của chuỗi cung ứng nông sản. Sầu riêng là mặt hàng xuất khẩu chủ lực nhưng quy trình thu hoạch còn phụ thuộc nhiều vào thợ lành nghề. Nhân lực thẩm định chất lượng có kinh nghiệm hiện nay ngày càng khan hiếm. Sai sót trong phân loại gây thiệt hại kinh tế lớn cho nhà vườn và doanh nghiệp. Xuất phát từ thực trạng đó, nhóm nghiên cứu đã xây dựng công cụ kiểm định thông minh. Mục tiêu cốt lõi là tự động hóa khâu đánh giá chất lượng quả sầu riêng.
1.2. Vai trò của công nghệ học máy trong nông nghiệp
Học máy đang thay đổi toàn diện quy trình kiểm soát chất lượng nông sản hiện đại. Các thuật toán thông minh có khả năng nhận diện quy luật ẩn trong dữ liệu phi cấu trúc. Âm thanh gõ trái cây vốn chứa đựng nhiều thông tin phức tạp và khó phân biệt bằng tai người. Kỹ thuật số hóa chuyển đổi dao động cơ học thành biểu diễn phổ trực quan. Mô hình trí tuệ nhân tạo tiếp nhận dữ liệu và tự động phân loại chuẩn xác. Quá trình xử lý diễn ra độc lập, loại bỏ hoàn toàn yếu tố cảm tính của con người. Điều này thiết lập tiêu chuẩn kiểm định đồng nhất cho nông sản xuất khẩu chất lượng cao.
II. Phân tích khó khăn khi xác định mức độ chín của sầu riêng
Đánh giá độ chín sầu riêng luôn là thách thức lớn đối với thương lái và người tiêu dùng. Vỏ sầu riêng dày, nhiều gai nhọn và có độ đàn hồi phức tạp. Màu sắc bề mặt vỏ không phản ánh trung thực mức độ mềm ngọt của cơm quả bên trong. Phương pháp kiểm tra truyền thống đòi hỏi thợ gõ chuyên nghiệp dùng cán dao gõ vào từng rãnh múi. Người thợ phải lắng nghe tiếng bộp hay tiếng đanh để phán đoán. Thao tác này phụ thuộc nặng nề vào thính giác và kinh nghiệm tích lũy nhiều năm. Tuy nhiên, sai số từ đánh giá cảm tính vẫn diễn ra thường xuyên. Cường độ làm việc liên tục khiến tai người dễ mệt mỏi và giảm độ nhạy. Môi trường vựa thu mua nhiều tiếng ồn xung quanh cũng làm sai lệch kết quả thẩm định. Hơn nữa, việc gọt vỏ thử nghiệm làm tổn thương quả và rút ngắn thời hạn bảo quản. Doanh nghiệp xuất khẩu chịu rủi ro bồi thường cao nếu sản phẩm chưa đạt chuẩn chín tối ưu.
2.1. Hạn chế của phương pháp đánh giá thủ công truyền thống
Phương pháp thẩm định thủ công bộc lộ nhiều nhược điểm chí mạng trong sản xuất quy mô lớn. Kỹ năng gõ thẩm định đòi hỏi quá trình đào tạo lâu dài và rất khó chuẩn hóa. Năng suất lao động của con người bị giới hạn nghiêm ngặt theo thời gian làm việc. Sai lệch chủ quan giữa các chuyên gia thẩm định thường xuyên xảy ra trong thực tế. Ngoài ra, việc bổ góc vỏ để kiểm tra độ dày cơm làm hỏng cấu trúc quả. Trái sầu riêng bị rạch vỏ dễ nhiễm nấm khuẩn và thối hỏng nhanh chóng. Những bất cập này đòi hỏi phải có công nghệ kiểm tra không phá hủy thay thế.
2.2. Thách thức về dữ liệu âm thanh và tạp âm môi trường
Thu thập tín hiệu âm học ngoài thực địa đối mặt nhiều trở ngại kỹ thuật phức tạp. Tiếng gõ sầu riêng diễn ra trong khoảng thời gian cực ngắn với biên độ dao động nhỏ. Môi trường nhà vườn hoặc cơ sở đóng gói luôn tồn tại nhiều tạp âm hỗn tạp. Tiếng động cơ máy móc, tiếng phương tiện và tiếng người dễ làm biến dạng phổ âm thanh gốc. Tín hiệu thu âm cần được làm sạch cẩn thận trước khi đưa vào mô hình học máy. Nếu tiền xử lý không tốt, thuật toán sẽ nhận diện sai lệch các đỉnh sóng đặc trưng. Đây là thách thức lớn nhất khi triển khai công nghệ vào điều kiện thực tế.
III. Phương pháp học máy xác định mức độ chín của sầu riêng chuẩn xác
Nhóm kỹ sư tại ĐH SPKT TP.HCM xây dựng giải pháp học máy hoàn chỉnh và tối ưu. Hệ thống kết hợp phần cứng thu nhận âm thanh chuyên dụng cùng thuật toán xử lý tiên tiến. Quy trình bắt đầu bằng việc số hóa âm thanh gõ qua thư viện Librosa trên nền tảng Python. Tần số lấy mẫu tiêu chuẩn được thiết lập ở mức 16000 Hz nhằm đảm bảo độ trung thực cao. Mức tần số này giúp giảm kích thước tập dữ liệu và tăng tốc độ tính toán cho hệ thống. Tín hiệu sóng âm liên tục được chuyển thành dạng ma trận số học thông qua biến đổi Fourier thời gian ngắn STFT. Mô hình học sâu xây dựng trên nền tảng TensorFlow đảm nhận vai trò phân loại trung tâm. Mạng nơ-ron tích chập tiếp nhận ma trận đặc trưng phổ và tính toán xác suất đầu ra. Kết quả phân loại chia thành hai nhãn rõ ràng gồm quả chín hoặc quả chưa chín. Toàn bộ kiến trúc được đóng gói triển khai trên máy chủ FastAPI với tốc độ phản hồi cực nhanh.
3.1. Tiền xử lý tín hiệu âm thanh bằng Librosa và STFT
Thư viện Librosa chuyển đổi file ghi âm định dạng WAV thành mảng dữ liệu số Numpy. Kỹ thuật biến đổi Fourier thời gian ngắn STFT trích xuất thông tin tần số theo từng khung thời gian. Ma trận STFT biểu diễn biên độ và năng lượng sóng âm dưới dạng đồ thị phổ chi tiết. Các ma trận phổ được chuẩn hóa kích thước thông qua kỹ thuật cắt ghép và đệm dữ liệu đồng nhất. Quá trình này giúp mô hình nhận diện chính xác các họa âm sinh ra từ khoang rỗng bên trong quả chín. Việc chuẩn hóa đầu vào giữ vai trò quyết định tới độ chính xác của mạng học sâu.
3.2. Kiến trúc học sâu TensorFlow và máy chủ FastAPI
Mô hình học sâu được huấn luyện kỹ lưỡng trên framework TensorFlow bằng tập dữ liệu âm thanh thực tế. Tệp mô hình định dạng .keras lưu trữ trọng số tối ưu và sẵn sàng suy luận nhanh chóng. Máy chủ backend FastAPI nạp mô hình vào môi trường thực thi ngay khi khởi động hệ thống. Dịch vụ web tiếp nhận yêu cầu từ giao diện Streamlit hoặc vi điều khiển ESP32 qua giao thức HTTP. Thuật toán dự đoán xác suất nhãn và trả về kết quả trạng thái độ chín chỉ trong vài mili-giây. Kiến trúc này đảm bảo tính ổn định cao và sẵn sàng mở rộng quy mô xử lý hàng loạt.
IV. Ứng dụng xác định mức độ chín của sầu riêng bằng học máy thực tế
Nghiên cứu của nhóm tác giả ĐH SPKT TP.HCM mang lại giá trị ứng dụng thực tiễn vượt bậc. Đề tài chứng minh tính khả thi cao của phương pháp học máy trong phân loại nông sản xuất khẩu. Thiết bị phần cứng tích hợp vi điều khiển ESP32 cho phép kiểm tra trực tiếp tại vườn hoặc kho bãi. Người sử dụng có thể ghi âm trực tiếp qua micro hoặc tải tệp âm thanh có sẵn lên hệ thống. Giao diện trực quan Streamlit hiển thị kết quả phân tích rõ ràng và dễ tiếp cận. Công nghệ giúp các đơn vị thu mua giảm thiểu tối đa tỷ lệ trái hỏng do thu hoạch non hoặc quá chín. Năng suất phân loại tăng cao trong khi chi phí nhân công chuyên môn giảm đáng kể. Dự án mở ra tiềm năng tích hợp sâu hơn vào các dây chuyền phân loại tự động công nghiệp. Thành công này khẳng định năng lực nghiên cứu sáng tạo của sinh viên khối ngành kỹ thuật công nghệ.
4.1. Tích hợp thiết bị nhúng ESP32 và phần mềm Streamlit
Hệ thống hoàn chỉnh tích hợp vi điều khiển nhúng ESP32 kết nối không dây cùng máy chủ xử lý trung tâm. Thiết bị nhỏ gọn hỗ trợ thu âm trực tiếp tiếng gõ tại hiện trường qua module micro chuyên dụng. Tín hiệu âm thanh được đóng gói và truyền tải nhanh chóng tới máy chủ thông qua giao thức HTTP. Song song đó, giao diện người dùng Streamlit cung cấp môi trường làm việc trực quan và thân thiện. Cán bộ kiểm định dễ dàng theo dõi dạng sóng âm thanh và kết quả phân loại chi tiết theo thời gian thực. Toàn bộ quy trình diễn ra khép kín, tự động và chuẩn xác.
4.2. Triển vọng thương mại hóa và phát triển tương lai
Giải pháp sở hữu tiềm năng thương mại hóa rộng rãi tại các vựa sầu riêng trên toàn quốc. Trong tương lai, mô hình có thể kết hợp thêm dữ liệu hình ảnh quang học để gia tăng độ chính xác. Nhóm nghiên cứu định hướng phát triển tay gõ cơ khí tự động kết hợp cánh tay robot phân loại. Hệ thống tự động sẽ loại bỏ hoàn toàn sức lao động thủ công trong các nhà máy chế biến nông sản lớn. Việc lưu trữ dữ liệu đám mây cũng hỗ trợ truy xuất nguồn gốc và kiểm định chất lượng theo lô hàng. Đề tài mở đường cho nông nghiệp thông minh tại Việt Nam.
