Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuỗi giá trị nông nghiệp hiện đại, vấn đề an toàn thực phẩm và minh bạch nguồn gốc xuất xứ trở thành mối quan tâm hàng đầu của người tiêu dùng và các cơ quan quản lý. Thực trạng gian lận nguồn gốc, làm giả nhãn mác và suy giảm phẩm cấp sản phẩm nông nghiệp trên thị trường đặt ra yêu cầu cấp thiết về một cơ chế giám sát đáng tin cậy. Nghiên cứu của hai tác giả Lưu Trần Anh Khoa và Phan Phạm Quỳnh Hoa (chuyên ngành Hệ thống Thông tin, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, dưới sự hướng dẫn của PGS. TS. Nguyễn Đình Thuân và ThS. Vũ Minh Sang) tiếp cận vấn đề này thông qua việc tích hợp hai công nghệ cốt lõi: công nghệ Blockchain nhằm bảo đảm tính toàn vẹn dữ liệu chuỗi cung ứng và công nghệ Trí tuệ nhân tạo (AI/Học sâu) nhằm tự động hóa quy trình phân loại chất lượng nông sản.

Khóa luận xác định 3 mục tiêu nghiên cứu cụ thể:

  1. Kiểm tra và truy xuất nguồn gốc sản phẩm: Xây dựng hệ thống lưu trữ và quản trị dữ liệu liên quan đến nguồn gốc, chu trình sản xuất và mạng lưới phân phối trái cây trên nền tảng Blockchain, bảo đảm tính minh bạch, nhất quán và bất biến của dữ liệu.
  2. Chống hàng giả, hàng nhái: Lưu trữ các thông tin định danh duy nhất của sản phẩm, mã phản hồi nhanh (QR code) và toàn bộ lịch sử giao dịch (chuyển nhượng, phân phối, sở hữu) trên sổ cái phân tán, hỗ trợ người dùng tra cứu và xác thực tính hợp pháp của sản phẩm.
  3. Cải thiện quá trình quản lý chất lượng: Ứng dụng mô hình mạng nơ-ron tích chập (CNN) và các thuật toán phát hiện đối tượng để nhận diện, đánh giá và tự động phân loại phẩm cấp trái cây theo tiêu chuẩn định sẵn trước khi nhập kho.

Về đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Ứng dụng công nghệ Blockchain trong bài toán truy xuất nguồn gốc chuỗi cung ứng; hệ thống thị giác máy tính nhận dạng và phân loại phẩm cấp trái cây (khảo sát trên 10 loại trái cây Việt Nam theo 3 mức tiêu chí chất lượng); các thuật toán phát hiện đối tượng thuộc họ YOLO (v5, v7, v8) và SSD (Single Shot MultiBox Detector).
  • Phạm vi nghiên cứu: Tập trung vào chuỗi cung ứng ngành hàng trái cây, bao quát các khâu từ nhà sản xuất, đơn vị vận chuyển, nhà phân phối, điểm bán lẻ cho đến người tiêu dùng cuối. Phần AI tập trung vào bài toán hỗ trợ phân loại nguyên liệu đầu vào phục vụ công tác quản lý kho bãi và vận hành nhà xưởng.

Cơ sở lý thuyết và phương pháp

Khóa luận tổng hợp hệ thống cơ sở lý thuyết bao quát cả hai mảng công nghệ: hệ thống phân tán và thị giác máy tính học sâu.

Về nền tảng Blockchain:

  • Cấu trúc dữ liệu và mật mã học: Blockchain được định nghĩa là chuỗi khối liên kết thứ tự thời gian. Mỗi khối (Block) bao gồm khối tiêu đề (Block Header) chứa mã băm của khối trước (Previous Hash), mã băm dữ liệu hiện tại, dấu thời gian và danh sách các giao dịch đã qua mã hóa. Cấu trúc này bảo đảm tính toàn vẹn, loại bỏ khả năng chỉnh sửa dữ liệu trái phép. Hệ thống hoạt động dựa trên mạng ngang hàng (P2P), cơ chế khóa công khai (Public Key) và khóa bí mật (Private Key) kết hợp chữ ký điện tử.
  • Cơ chế đồng thuận Proof of Authority (PoA): Thay vì sử dụng cơ chế Proof of Work (PoW) gây lãng phí năng lượng và tốc độ chậm, hoặc Proof of Stake (PoS) tiềm ẩn rủi ro mở rộng, tác giả chọn cơ chế Proof of Authority (PoA). PoA hoạt động dựa trên danh tính và uy tín đã được xác thực của một số lượng hữu hạn các nút kiểm duyệt (validators). Cơ chế này giúp tối ưu hóa thông lượng xử lý giao dịch, giảm thiểu độ trễ, tiết kiệm tài nguyên tính toán và nâng cao khả năng mở rộng.
  • Hợp đồng thông minh (Smart Contract): Khóa luận phân tích nguyên lý thực thi tự động của các giao thức Smart Contract theo mệnh đề điều kiện "if/when... then...". Smart Contract được biên dịch và lưu trữ trên Blockchain, hỗ trợ thực thi tự động các giao kết mà không cần đơn vị trung gian giám sát.

Về thị giác máy tính và học sâu:

  • Phát hiện đối tượng (Object Detection): Nghiên cứu phân chia các phương pháp thành hai nhóm chính: phát hiện hai giai đoạn (Two-shot như họ R-CNN) cho độ chính xác cao nhưng tốn kém tính toán, và phát hiện một giai đoạn (Single-shot như SSD, YOLO) xử lý hình ảnh trong một lượt truyền thuận, đạt hiệu năng thời gian thực.
  • Thuật toán SSD (Single Shot MultiBox Detector): Sử dụng mạng VGG-16 đã loại bỏ tầng kết nối đầy đủ (fully-connected layers), bổ sung 6 tầng tích chập phụ trợ nhằm rút trích đặc trưng đa tỉ lệ (multi-scale feature maps) kết hợp các khung mặc định (default boxes) để dự đoán tọa độ đối tượng và phân phối xác suất lớp.
  • Họ thuật toán YOLO (You Only Look Once): Khóa luận phân tích nguyên lý chia ảnh thành lưới $S \times S$, mỗi ô dự đoán $B$ hộp bao (bounding boxes) cùng 5 tham số tọa độ $(x, y, w, h)$ và điểm tin cậy (confidence score). Nghiên cứu đánh giá ba phiên bản: YOLOv5 (kiến trúc mở rộng với EfficientNet backbone), YOLOv7 (tích hợp mạng tổng hợp lớp mở rộng E-ELAN, hàm mất mát focal loss, sử dụng 9 anchor box, xử lý ảnh 608x608 pixel với tốc độ 155 FPS) và YOLOv8 (phiên bản của Ultralytics nâng cấp kiến trúc mạng, hỗ trợ đa tác vụ thị giác).
  • Thước đo đánh giá: Khóa luận áp dụng các chỉ số: True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN), Precision ($TP / (TP + FP)$), Recall ($TP / (TP + FN)$), Intersection over Union (IoU = Diện tích giao / Diện tích hợp), Average Precision (AP) và mean Average Precision (mAP).

Phương pháp nghiên cứu thực tế:

  • Nghiên cứu tài liệu và khảo cứu hệ thống: Đánh giá giải pháp thương mại IBM Food Trust, các bài báo khoa học về tích hợp IoT với Blockchain trong quản lý chuỗi cung ứng thực phẩm (FSCM), và các nghiên cứu thực nghiệm phát hiện nông sản bằng Faster R-CNN, SSD512, YOLOv3-tiny, ATSS.
  • Phương pháp thiết kế và phát triển kỹ thuật phần mềm: Xây dựng kiến trúc hệ thống phân tán, thiết kế các hợp đồng thông minh bằng ngôn ngữ Solidity, xây dựng giao diện ứng dụng web/mobile.
  • Phương pháp thực nghiệm mô hình AI: Tiến hành thu thập dữ liệu hình ảnh 10 loại trái cây Việt Nam, tiền xử lý, gán nhãn thủ công (labeling), huấn luyện thực nghiệm các mô hình học sâu, so sánh đối chuẩn hiệu năng giữa SSD và các biến thể YOLO.
Mô hình Đặc điểm cấu trúc Ưu điểm chính Nhược điểm chính
SSD Mạng nơ-ron truyền thẳng (feedforward) trên nền VGG-16, trích xuất đặc trưng đa tầng. Tốc độ xử lý nhanh, phát hiện đối tượng hiệu quả ở các tỷ lệ cố định. Dễ bỏ sót vật thể nhỏ hoặc đối tượng có tỷ lệ khung hình không đồng đều.
YOLOv5 Tích hợp kiến trúc mạng EfficientNet/EfficientDet, tối ưu hóa quá trình trích xuất đặc trưng. Cân bằng tốt giữa tốc độ xử lý và độ chính xác phân loại. Hiệu năng nhận diện có thể giảm khi vật thể quá nhỏ hoặc nằm sát nhau.
YOLOv7 & YOLOv8 Kiến trúc phức tạp tích hợp E-ELAN, cơ chế attention, focal loss, xử lý độ phân giải cao. Đạt độ chính xác (mAP) vượt trội, phân định tốt ranh giới vật thể. Đòi hỏi tài nguyên phần cứng tính toán lớn hơn trong quá trình huấn luyện và suy luận.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo kiến trúc module hóa hai phân hệ: Phân hệ quản lý chuỗi cung ứng Blockchain (Blocktrace) và Phân hệ hỗ trợ quyết định nhận diện chất lượng trái cây (Subsystem).

1. Kiến trúc Hợp đồng thông minh (Smart Contracts)

Phân hệ Blockchain được triển khai thông qua 5 hợp đồng thông minh viết bằng ngôn ngữ Solidity:

Bảng thuộc tính các Smart Contracts trong hệ thống:

Tên Hợp đồng Thuộc tính (Variables) Kiểu dữ liệu Ý nghĩa chức năng
User Contract UserId
UserName
UserRole
UserType
DateOfBirth
UserCccd
UserEmail
UserPhone
UserAddress
TeamId		 uint256
string
string
string
string
uint256
string
string
address
uint256		 Lưu trữ thông tin tài khoản người dùng phi tập trung. Phân quyền vai trò (Admin/Member) và loại tài khoản (Personal/Team). Địa chỉ ví dùng để xác thực quyền ghi sổ.
Product Owner Contract ProductOwnerId
BatchId
ProductCode
ManufacturerId
DistributorId
MarketId
StaffId
CustomerId
DateTime		 uint256
string
string
uint256
uint256
uint256
uint256
uint256
string		 Ghi nhận chuỗi chuyển dịch quyền sở hữu sản phẩm từ nhà sản xuất, đơn vị phân phối, điểm bán lẻ, nhân viên bán hàng đến người mua lẻ kèm mốc thời gian.
Batch Contract BatchId
UserId
TeamId
BatchName
NumOfProcess
Categories
VerifyCode		 uint256
uint256
uint256
string
uint256
string
string		 Quản lý thông tin định danh lô hàng, số lượng công đoạn trong quy trình chế biến/vận chuyển, phân loại danh mục và mã xác thực lô.
Processing Contract BatchId
UserId
TeamId
ProductName
Date
Location
UserCccd
Categories		 uint256
uint256
uint256
string
string
string
uint256
string		 Ghi nhận nhật ký từng bước xử lý trong chuỗi cung ứng: địa điểm, ngày thực hiện, định danh nhân sự phụ trách và căn cước công dân người nhập liệu.
Subsystem Contract SubId
UserAddress
TypeOfSystem
RegisterDay		 uint256
uint256
uint256
string		 Quản lý việc cấp phép và ghi nhận lịch sử đăng ký của người dùng khi tích hợp phân hệ trí tuệ nhân tạo hỗ trợ quyết định vào chuỗi cung ứng.

2. Môi trường phát triển và phân hệ ứng dụng

  • Ngôn ngữ và môi trường lập trình: Smart Contract được viết bằng Solidity; phân hệ ứng dụng web và mobile sử dụng JavaScript và TypeScript; hệ thống thị giác máy tính được xây dựng bằng Python.
  • Công cụ tích hợp: Quản lý phiên bản mã nguồn trên GitHub; xác thực giao dịch và tương tác hợp đồng qua ví điện tử MetaMask; thiết kế luồng quy trình và giao diện bằng Figma, Adobe Illustrator, Draw.io.
  • Phân quyền người dùng trên ứng dụng:
    • Personal Account (Tài khoản cá nhân): Phù hợp cho hộ sản xuất hoặc doanh nghiệp quy mô nhỏ tự đảm nhận tất cả các khâu từ gieo trồng, đóng gói đến bán lẻ. Người dùng tự nhập liệu cho toàn bộ chu trình.
    • Team Account (Tài khoản nhóm): Dành cho các doanh nghiệp chuỗi cung ứng quy mô lớn. Quản trị viên (Admin) tạo hồ sơ và phân phối TeamId cho các thành viên phụ trách từng mắt xích (nhà sản xuất, đơn vị vận chuyển, kho bãi, đại lý bán lẻ). Thành viên chỉ được phép cập nhật dữ liệu thuộc phạm vi trách nhiệm được phân công, nhưng có quyền giám sát minh bạch thông tin toàn bộ quy trình.
  • Quy trình nghiệp vụ: Người dùng sử dụng ví MetaMask đăng nhập hệ thống, tạo lô hàng (Batch), khai báo số lượng công đoạn và nhập thông tin nhật ký (Processing). Khi sản phẩm xuất xưởng, mã QR chứa mã xác thực VerifyCode được in lên bao bì. Người tiêu dùng cuối hoặc đối tác vận chuyển có thể sử dụng ứng dụng di động quét mã QR hoặc nhập mã tra cứu trên nền tảng website để truy xuất toàn bộ lý lịch lô hàng. Phân hệ AI cung cấp giao diện tải ảnh để tự động phát hiện, định vị và đánh giá chất lượng trái cây trước khi tạo lô hàng mới.

Nội dung chính theo từng chương

Chương 1: Giới thiệu và mô tả đề tài

Chương mở đầu phân tích tính cấp thiết của tính minh bạch trong chuỗi giá trị nông sản, chỉ ra những bất cập của các hệ thống quản lý tập trung truyền thống (dễ bị can thiệp dữ liệu, thiếu cơ chế xác thực chéo). Tác giả xác lập hệ thống 3 mục tiêu cụ thể, xác định đối tượng là chuỗi cung ứng trái cây và các mô hình thị giác máy tính (YOLO, SSD), giới hạn phạm vi nghiên cứu thực nghiệm trong việc phân loại 10 loại trái cây Việt Nam theo 3 cấp độ chất lượng, đồng thời phác thảo kiến trúc hệ thống và môi trường phát triển (Solidity, JavaScript, TypeScript, Python).

Chương 2: Các công trình nghiên cứu liên quan

Tác giả tiến hành khảo sát và đánh giá ba nhóm công trình nền tảng:

  1. Nền tảng IBM Food Trust: Nghiên cứu điển hình về ứng dụng công nghệ chuỗi khối kết hợp IoT và AI trong chuỗi cung ứng thực phẩm công nghiệp, phân tích giao diện quản lý truy xuất lô hàng từ trang trại đến siêu thị.
  2. Nghiên cứu tích hợp Blockchain và IoT trong FSCM: Đánh giá bài báo khảo sát chuyên sâu về tiềm năng và rào cản của việc ứng dụng cảm biến IoT ghi nhận dữ liệu thực phẩm tươi sống kết hợp Smart Contract tự động hóa xác thực giao dịch trên sổ cái phi tập trung.
  3. Các công trình về phát hiện đối tượng trong nông nghiệp: Điểm cứu các nghiên cứu ứng dụng học sâu nhận diện trái cây: mô hình R-CNN của Girshick et al., mạng SSD512 của Lamb and Chuah chứng minh hiệu năng cao hơn R-CNN gấp 3 lần trên tập PASCAL VOC/COCO, mạng Faster R-CNN của Sa et al. nhận diện đa loại quả qua ảnh RGB/NIR, biến thể YOLOv3-tiny cho phần cứng nhúng, Mask R-CNN thu gọn trong thu hoạch dâu tây tự động, và phương pháp Adaptive Training Sample Selection (ATSS) vượt trội hơn RetinaNet và HRNet từ 0,3% đến 2,4%.

Chương 3: Cơ sở lý thuyết

Nội dung chương 3 được cấu trúc thành hai trụ cột công nghệ chính:

  • Lý thuyết Blockchain: Trình bày lịch sử phát triển từ Bitcoin (Satoshi Nakamoto) đến Ethereum; phân tích chi tiết cấu trúc khối (Block Header, Hash liên kết, Transaction data); mô hình 4 cấp độ hoạt động (nguyên lý mã hóa khóa công khai/bí mật, quy tắc sổ cái phân tán, nguyên lý đóng gói khối giao dịch định kỳ 10 phút, và cơ chế đồng thuận PoA so với PoW/PoS); nêu rõ 6 đặc tính cốt lõi (phi tập trung, phân tán, bất biến, bảo mật, minh bạch, tích hợp Smart Contract) và ứng dụng trong tài chính, logistics, y tế, giáo dục, bán lẻ.
  • Lý thuyết Object Detection và Deep Learning: Khái quát Computer Vision và phân biệt Single-shot vs Two-shot detector; phân tích chi tiết mạng YOLO (cơ chế trích xuất feature bằng 24 tầng tích chập, max pooling và 2 tầng fully-connected dự đoán tensor $7 \times 7 \times 30$, công thức IoU); so sánh các phiên bản YOLOv5, YOLOv7 (cấu trúc E-ELAN, focal loss, xử lý ảnh 608x608 pixel, tốc độ 155 FPS, mAP 37,2% trên COCO) và YOLOv8; trình bày thuật toán SSD trên nền VGG-16; hệ thống hóa các chỉ số đo lường hiệu năng (TP, TN, FP, FN, Precision, Recall, IoU, AP, mAP).

Chương 4: Phân tích thiết kế và thực nghiệm

Chương thực nghiệm mô tả quy trình hiện thực hóa giải pháp qua hai giai đoạn:

  • Giai đoạn 1: Xây dựng ứng dụng Blocktrace truy xuất nguồn gốc: Thiết kế chi tiết sơ đồ quan hệ và bảng thuộc tính dữ liệu cho 5 Smart Contracts (User, Product Owner, Batch, Processing, Subsystem). Triển khai các màn hình chức năng: giao diện xác thực qua ví điện tử, tạo lập tài khoản theo mô hình Personal Account và Team Account, màn hình quản trị danh mục sản phẩm/lô hàng, phân hệ cập nhật thông tin công đoạn cho từng bên tham gia, màn hình truy xuất nguồn gốc trên nền tảng website và ứng dụng mobile tích hợp camera quét mã QR.
  • Giai đoạn 2: Xây dựng hệ thống nhận dạng và phân loại trái cây: Thu thập dữ liệu hình ảnh 10 loại trái cây Việt Nam; tiến hành tiền xử lý và gán nhãn dữ liệu; triển khai huấn luyện và đánh giá thực nghiệm các mô hình học sâu; kết nối phân hệ hỗ trợ quyết định (Subsystem) với giao diện ứng dụng để trả về kết quả phân loại tự động phục vụ khâu kiểm định nguyên liệu.

Chương 5: Tổng kết và hướng phát triển

Tổng kết toàn bộ các kết quả đạt được về mặt lý thuyết và sản phẩm ứng dụng; chỉ rõ các mặt hạn chế kỹ thuật trong quá trình thực nghiệm; xác lập các định hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu kỹ thuật đề ra với các kết quả cụ thể:

  • Triển khai giải pháp truy xuất chuỗi cung ứng phi tập trung: Xây dựng thành công ứng dụng Blocktrace trên nền tảng Blockchain sử dụng cơ chế đồng thuận Proof of Authority (PoA), đảm bảo thời gian xử lý khối nhanh, khả năng mở rộng tốt và giảm thiểu chi phí năng lượng.
  • Thiết kế hệ thống hợp đồng thông minh toàn diện: Xây dựng và đặc tả chi tiết 5 Smart Contracts (User, Product Owner, Batch, Processing, Subsystem) bằng ngôn ngữ Solidity, bao quát đầy đủ các thuộc tính quản lý danh tính, phân quyền, dữ liệu lô hàng, lịch sử quy trình và quyền sở hữu thương mại.
  • Xây dựng cơ chế phân quyền tài khoản linh hoạt: Mô hình hóa thành công hai cấu trúc tài khoản Personal Account (tự quản lý toàn chuỗi cho hộ kinh doanh nhỏ) và Team Account (phân quyền cập nhật theo từng vai trò cụ thể trong chuỗi cung ứng lớn).
  • Tích hợp phân hệ thị giác máy tính hỗ trợ quyết định: Thiết lập quy trình tiền xử lý, gán nhãn và huấn luyện nhận diện 10 loại trái cây Việt Nam theo 3 mức chất lượng; tích hợp hệ thống hỗ trợ quyết định (Subsystem) trực tiếp vào luồng quản lý nguyên liệu đầu vào trước khi lưu kho.
  • Đóng góp so với các nghiên cứu trước: Khác với các hệ thống truy xuất nguồn gốc truyền thống chỉ ghi nhận dữ liệu hành chính một cách thụ động trên cơ sở dữ liệu tập trung, đồ án kết hợp tính bất biến của Blockchain với khả năng đánh giá thực thể tự động của học sâu (Deep Learning). Giải pháp ngăn chặn tình trạng gian lận ngay từ khâu tiếp nhận nguyên liệu, bảo đảm tính minh bạch song hành với kiểm định chất lượng thực tế.

Hạn chế và hướng nghiên cứu tiếp

Về hạn chế:

  • Các mô hình học sâu có cấu trúc mạng phức tạp (như YOLOv7, YOLOv8) đòi hỏi năng lực tính toán phần cứng cao, gây khó khăn khi triển khai suy luận thời gian thực trên các thiết bị biên hoặc điện thoại thông minh cấu hình thấp.
  • Thuật toán thị giác máy tính vẫn tồn tại độ nhạy cảm nhất định với các yếu tố môi trường ngoại cảnh như sự biến thiên điều kiện ánh sáng, góc chụp, hoặc khi trái cây bị che khuất một phần trong môi trường kho bãi thực tế.
  • Phạm vi dữ liệu thực nghiệm mới giới hạn ở 10 loại trái cây Việt Nam, chưa bao quát toàn bộ các chủng loại nông sản hàng hóa khác.

Về hướng nghiên cứu tiếp:

  • Tối ưu hóa cấu trúc mạng nơ-ron bằng các kỹ thuật nén mô hình (pruning, quantization) để triển khai hiệu quả trên phần cứng nhúng năng lượng thấp phục vụ kiểm định lưu động tại nông trại.
  • Tích hợp mạng lưới cảm biến vạn vật (IoT) tự động thu thập các chỉ số môi trường (nhiệt độ, độ ẩm) trong quá trình vận chuyển trực tiếp vào Smart Contract, giảm thiểu tối đa thao tác nhập liệu thủ công.
  • Mở rộng quy mô tập dữ liệu huấn luyện cho đa dạng các loại nông sản và tiêu chuẩn xuất khẩu khác nhau.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị chuyên môn cho:

  • Sinh viên, học viên cao học và kỹ sư thuộc các ngành Hệ thống Thông tin, Khoa học Máy tính, Kỹ thuật Phần mềm đang tìm kiếm kiến trúc mẫu về việc kết hợp công nghệ phân tán (Blockchain) với Trí tuệ nhân tạo (AI/Computer Vision).
  • Các nhà phát triển hệ thống chuỗi cung ứng (SCM) và chuyển đổi số nông nghiệp thông minh: Phần thiết kế cấu trúc 5 hợp đồng thông minh (Smart Contracts) và cơ chế phân quyền tài khoản kép (Personal/Team Account) cung cấp khung tham chiếu trực tiếp có thể áp dụng ngay cho các dự án thực tế.
  • Các nhóm nghiên cứu thị giác máy tính: Phần hệ thống hóa cơ sở lý thuyết, so sánh chi tiết giữa Single-shot và Two-shot detector, các biến thể kiến trúc YOLO (v5, v7, v8) và SSD kèm hệ thống công thức đo lường hiệu năng là tài liệu tổng quan hữu ích cho các bài toán phát hiện đối tượng nông sản.

Câu hỏi thường gặp

1. Ứng dụng Blocktrace giải quyết bài toán phân quyền người dùng trong chuỗi cung ứng như thế nào?
Hệ thống thiết kế hai loại tài khoản qua Smart Contract:

  • Personal Account: Dành cho cá nhân hoặc doanh nghiệp nhỏ tự quản lý mọi công đoạn từ sản xuất đến bán lẻ, người dùng trực tiếp nhập toàn bộ quy trình.
  • Team Account: Quản trị viên (Admin) tạo hồ sơ và cấp TeamId cho các bên liên quan. Mọi thành viên trong nhóm đều có quyền xem toàn bộ dữ liệu minh bạch, nhưng mỗi vai trò chỉ được phép nhập dữ liệu tương ứng với công đoạn mình phụ trách.

2. Tại sao nghiên cứu đề xuất cơ chế đồng thuận Proof of Authority (PoA) thay vì Proof of Work (PoW) hay Proof of Stake (PoS)?
Khóa luận chỉ ra rằng PoW vận hành quá cồng kềnh, tiêu tốn năng lượng và tốc độ xử lý chậm; trong khi PoS vẫn gặp hạn chế về khả năng mở rộng. Cơ chế PoA dựa trên số lượng trình xác thực (validator) có giới hạn với danh tính đã được kiểm định uy tín. Nhờ đó, PoA giải quyết triệt để vấn đề mở rộng, đạt tốc độ giao dịch cao, tiêu thụ rất ít năng lượng và đặc biệt phù hợp với mạng lưới chuỗi cung ứng của các doanh nghiệp liên minh.

3. Hệ thống Hợp đồng thông minh của đề tài gồm những thành phần nào và nhiệm vụ của từng hợp đồng là gì?
Hệ thống gồm 5 hợp đồng thông minh:

  • User Contract: Quản lý định danh, vai trò, loại tài khoản và địa chỉ ví của người dùng.
  • Product Owner Contract: Quản lý lịch sử và xác thực quyền sở hữu sản phẩm qua các bên trong chuỗi.
  • Batch Contract: Lưu trữ thông tin định danh lô hàng, số quy trình và mã xác thực.
  • Processing Contract: Ghi nhận dữ liệu các bước thực hiện gồm ngày tháng, địa điểm và người nhập liệu.
  • Subsystem Contract: Quản lý thông tin đăng ký và phân quyền sử dụng hệ thống hỗ trợ quyết định bằng AI.

4. Khóa luận nêu những cải tiến kỹ thuật đáng chú ý nào của thuật toán YOLOv7 so với các phiên bản tiền nhiệm?
Theo phân tích lý thuyết trong khóa luận, YOLOv7 có các cải tiến: sử dụng kiến trúc mạng nơ-ron mở rộng E-ELAN giúp nâng cao năng lực học đặc trưng; áp dụng hàm mất mát focal loss thay cho cross-entropy tiêu chuẩn để nâng cao khả năng phát hiện vật thể nhỏ; sử dụng 9 anchor box đa dạng tỉ lệ; nâng độ phân giải xử lý lên 608x608 pixel; đạt tốc độ xử lý 155 FPS và độ chính xác mAP 37,2% trên tập dữ liệu COCO ở ngưỡng IoU 0,5.

5. Mục tiêu và phạm vi của mô hình phân loại chất lượng trái cây bằng học sâu trong đồ án là gì?
Mô hình AI được xây dựng nhằm nhận diện và phân loại 10 loại trái cây Việt Nam theo 3 mức tiêu chí chất lượng dựa trên hình ảnh đầu vào. Chức năng này đóng vai trò như một hệ thống hỗ trợ quyết định (Decision Support System), giúp tự động hóa khâu kiểm định chất lượng nguyên liệu trước khi nhập kho và đưa vào nhà máy chế biến.

Kết luận

Khóa luận tốt nghiệp của Lưu Trần Anh Khoa và Phan Phạm Quỳnh Hoa đã xây dựng thành công giải pháp toàn diện kết hợp công nghệ Blockchain và Học sâu để giải quyết bài toán truy xuất nguồn gốc và kiểm soát chất lượng chuỗi cung ứng trái cây. Bằng việc hiện thực hóa 5 hợp đồng thông minh trên nền tảng PoA song song với ứng dụng các thuật toán nhận dạng đối tượng hiện đại, đề tài cung cấp một kiến trúc hệ thống minh bạch, bất biến và tự động hóa cao. Kết quả nghiên cứu không chỉ đóng góp về mặt giải pháp kỹ thuật phần mềm mà còn mở ra tiềm năng ứng dụng thực tiễn trong công cuộc hiện đại hóa chuỗi giá trị nông nghiệp.