Nghiên cứu và ứng dụng công nghệ kiểm tra chất lượng trái cây dựa trên thị giác máy tính

Kiểm tra chất lượng trái cây là một mắt xích quan trọng trong chuỗi sản xuất nông nghiệp hiện đại, ảnh hưởng trực tiếp đến giá trị thương mại và sức cạnh tranh của trái cây trên thị trường. Với sự phát triển nhanh chóng của công nghệ thị giác máy tính và trí tuệ nhân tạo, công nghệ kiểm tra trái cây đã chuyển từ phương pháp phân loại thủ công truyền thống sang giai đoạn chế biến thông minh và tự động hóa mới. Bài báo này tổng quan một cách có hệ thống về tiến trình nghiên cứu và triển vọng ứng dụng của công nghệ kiểm tra chất lượng trái cây dựa trên thị giác máy tính.

1. Nguyên lý kỹ thuật và hệ thống thành phần của kiểm tra trực quan trái cây

Hệ thống kiểm tra trái cây dựa trên thị giác máy tính chủ yếu thu thập hình ảnh kỹ thuật số của trái cây thông qua thiết bị thu thập hình ảnh. Sau đó, các thuật toán xử lý hình ảnh hoặc mô hình học sâu được sử dụng để phân tích hình ảnh, trích xuất các thông số đặc trưng như kích thước, hình dạng, màu sắc và khuyết tật bề mặt của trái cây, cuối cùng đạt được kết quả phân loại và đánh giá chất lượng tự động của trái cây.

Một hệ thống phân loại trái cây tự động điển hình bao gồm hai hệ thống con cốt lõi: hệ thống phát hiện khuyết tật và hệ thống phân loại cơ học. Về kiến ​​trúc phần cứng, hệ thống thường bao gồm băng chuyền, mô-đun thu nhận hình ảnh, bộ điều khiển và bộ truyền động. Mô-đun thu nhận hình ảnh sử dụng camera CCD hoặc camera USB kết hợp với nguồn sáng LED để ghi lại hình ảnh RGB của trái cây trong môi trường khép kín nhằm loại bỏ bóng và nhiễu ánh sáng bên ngoài. Lõi điều khiển sử dụng bộ vi điều khiển để phối hợp các kết quả xử lý hình ảnh với các hoạt động cơ học, đạt được khả năng điều khiển vòng kín.

Thuật toán xử lý hình ảnh xử lý trước ảnh RGB để chuyển đổi sang thang độ xám, HSV và các không gian màu khác nhằm tối ưu hóa độ đồng nhất của ánh sáng. Sau đó, thuật toán trích xuất vùng mục tiêu thông qua phân đoạn ngưỡng, kết hợp các phép toán hình thái như giãn nở và xói mòn để giảm nhiễu và tăng cường đường viền, và cuối cùng tính toán tỷ lệ các vùng lỗi. Ví dụ, khi tỷ lệ lỗi >5%, quả có thể được phân loại là không đạt tiêu chuẩn.

2. So sánh các kỹ thuật xử lý hình ảnh truyền thống và học sâu

Công nghệ kiểm tra trực quan trái cây chủ yếu phát triển theo hai hướng: một là dựa trên các phương pháp xử lý hình ảnh truyền thống và hai là dựa trên các phương pháp học sâu.

Công nghệ xử lý ảnh truyền thống chủ yếu sử dụng trích xuất đặc điểm màu sắc và kết cấu kết hợp với các thuật toán học máy để phát hiện chất lượng quả. Shao Yu và cộng sự đã đề xuất một phương pháp phát hiện bệnh lá táo dựa trên công nghệ xử lý ảnh. Họ đã sử dụng GrabCut và các thuật toán phân đoạn ảnh lưu vực để loại bỏ nền, sau đó trích xuất các đặc điểm bệnh lá thông qua thuật toán chiếu bảo tồn cục bộ phân biệt, và cuối cùng đạt được khả năng phát hiện bệnh thông qua bộ phân loại K-láng giềng gần nhất, đạt tỷ lệ chính xác 91,84%. Trong nghiên cứu về phát hiện bệnh đốm đen trên táo tàu, Sun Shipeng và cộng sự đã phân tích và mô hình hóa chín thành phần màu của ảnh trong không gian màu RGB, HSB và Lab, đạt độ chính xác phát hiện bệnh là 94,2%.

Các phương pháp truyền thống có ưu điểm là tính minh bạch về mặt thuật toán, độ phức tạp tính toán thấp và yêu cầu phần cứng thấp. Tuy nhiên, hiệu suất phát hiện của chúng bị ảnh hưởng rất nhiều bởi điều kiện ánh sáng; phân đoạn ngưỡng dễ bị lỗi khi độ tương phản giữa màu vỏ quả và nền thấp hoặc ánh sáng không đồng đều. Ví dụ, vùng chuyển màu vàng-xanh lá cây trên vỏ xoài dễ bị phân loại nhầm là khuyết tật, dẫn đến tỷ lệ dương tính giả cao.

Các công nghệ học sâu, đặc biệt là Mạng Nơ-ron Tích chập (CNN) và thuật toán YOLO, cải thiện đáng kể độ chính xác và độ tin cậy của việc phát hiện trái cây bằng cách tự động trích xuất các đặc điểm thông qua học tập đầu cuối. Trong một nghiên cứu tại Đại học Nông nghiệp Faisalabad, độ chính xác xác thực của mô hình CNN để phát hiện khuyết tật trên xoài và cà chua lần lượt đạt 95% và 93,5%, cao hơn đáng kể so với 89% và 92% của các phương pháp xử lý ảnh truyền thống.

Các mô hình học sâu thể hiện khả năng thích ứng mạnh mẽ hơn trong các môi trường phức tạp, giải quyết hiệu quả các thách thức như tư thế quả, che khuất và thay đổi nền. Ví dụ, YOLOv8, bằng cách tối ưu hóa cấu trúc mạng xương sống và áp dụng cơ chế chú ý động, có thể nắm bắt chính xác hơn các thay đổi về kết cấu vỏ quả, sự khác biệt về màu sắc và các đặc điểm hình thái, cải thiện đáng kể độ chính xác trong việc xác định các vùng bị thối.

3. Các chỉ số đánh giá chính cho việc kiểm tra chất lượng trái cây

Kiểm tra chất lượng trái cây dựa trên thị giác máy tính chủ yếu xoay quanh chất lượng hình thức, bao gồm bốn thông số chính: kích thước, hình dạng, màu sắc và khuyết tật bề mặt.

Đặc điểm kích thước và hình dạng là cơ sở cơ bản để phân loại trái cây. Kích thước trái cây thường được định lượng bằng các chỉ số như đường kính ngang, đường kính dọc và thể tích. Đặc điểm hình dạng có thể được mô tả bằng các đặc điểm hình học như độ tròn, độ vuông góc và độ lệch tâm. Công thức tính độ tròn là 4π x diện tích / chu vi², phản ánh mức độ gần với hình tròn của trái cây; độ vuông góc là tỷ lệ giữa diện tích với diện tích của hình chữ nhật nhỏ nhất bao quanh. Những đặc điểm hình học này rất dễ phân biệt đối với các loại trái cây gần với hình tròn, chẳng hạn như táo và cam.

Đặc điểm màu sắc là chỉ số quan trọng để đánh giá độ chín và chất lượng của trái cây. Trong các hệ thống thị giác máy tính, màu sắc của trái cây thường được biểu diễn bằng các không gian màu như RGB, HSV và Lab. Không gian màu HSV tách thông tin màu sắc khỏi thông tin độ sáng, phù hợp hơn với đặc điểm nhận thức thị giác của con người. Đặc điểm màu sắc có thể được định lượng thông qua các đặc điểm thống kê về sắc độ, độ bão hòa và độ sáng, chẳng hạn như giá trị trung bình và độ lệch chuẩn. Ví dụ, chuối dần chuyển từ màu xanh sang màu vàng trong quá trình chín, cuối cùng trở thành màu vàng đậm với các đốm nâu. Sự thay đổi này có thể được xác định chính xác bằng cách phân tích phân bố sắc độ trong không gian màu HSV.

Phát hiện khuyết tật bề mặt là một bước quan trọng trong kiểm soát chất lượng trái cây. Các khuyết tật bề mặt bao gồm nhiều loại khác nhau như bệnh tật, côn trùng xâm nhập và vết bầm tím, ảnh hưởng trực tiếp đến giá trị thương mại của trái cây. Các phương pháp dựa trên học sâu hoạt động xuất sắc trong lĩnh vực này; ví dụ, mô hình YOLOv8-timm đạt độ chính xác 95,3% mAP@0.5 trong việc xác định trái cây tốt/xấu cho nhiều loại khác nhau, với tốc độ phát hiện theo thời gian thực là 42 FPS.

4. Các tình huống ứng dụng và phân tích thực tế

Công nghệ thị giác máy tính có nhiều ứng dụng trong việc kiểm tra chất lượng trái cây, bao gồm toàn bộ chuỗi công nghiệp từ sản xuất nông nghiệp đến tiêu thụ bán lẻ.

Trong sản xuất và thu hoạch nông nghiệp, camera hoặc máy bay không người lái có thể được triển khai trên đồng ruộng để theo dõi độ chín của trái cây và rau củ theo thời gian thực bằng mô hình YOLO, hỗ trợ nông dân xác định thời điểm thu hoạch tối ưu. Hệ thống thị giác tích hợp vào robot thu hoạch thông minh có thể xác định vị trí, độ chín và độ bám dính của trái cây, điều khiển cánh tay robot thực hiện thu hoạch chính xác và giải quyết vấn đề "hái nhầm quả chưa chín" và "bỏ sót quả chín".

Trong quá trình xử lý và phân loại sau thu hoạch, hệ thống phân loại tự động có thể cải thiện đáng kể hiệu quả. Nghiên cứu cho thấy hệ thống tự động dựa trên thị giác có hiệu quả gấp 10-20 lần so với kiểm tra thủ công truyền thống, với tỷ lệ chính xác (mAP) vượt quá 90% và giảm 60% chi phí lao động. Nghiên cứu của Yuan Jinli về hệ thống kiểm tra và phân loại chất lượng bên ngoài táo đạt được hiệu quả phân loại nhanh chóng bằng cách thu thập nhiều hình ảnh bao phủ toàn bộ bề mặt quả táo và tích hợp bốn thông số: hình dạng, kích thước, màu sắc và khuyết tật bề mặt.

Trong lĩnh vực bán lẻ và dịch vụ ăn uống, kệ thông minh sử dụng camera để theo dõi chủng loại và độ tươi của trái cây, rau củ theo thời gian thực và tự động cập nhật nhãn giá; các ki-ốt tự thanh toán sử dụng công nghệ nhận dạng trái cây, cho phép người dùng nhanh chóng xác định danh mục sản phẩm bằng cách quét mã hoặc chụp ảnh, với thời gian nhận dạng sản phẩm duy nhất chưa đến 0,5 giây. Những ứng dụng này cải thiện đáng kể hiệu quả vận hành và giảm thiểu lãng phí thực phẩm.

5. Thách thức công nghệ và xu hướng phát triển

Mặc dù có tiến bộ đáng kể trong việc kiểm tra trái cây bằng thị giác máy tính, vẫn còn một số thách thức công nghệ. Khả năng khái quát hóa mô hình là một vấn đề cốt lõi và khả năng thích ứng của nó với các môi trường và giống khác nhau cần được cải thiện. Học ít lần là một thử thách khác; đối với các giống quả quý hiếm, cần phát triển phương pháp phát hiện ít lần. Hơn nữa, các yêu cầu về thời gian thực đặc biệt nghiêm ngặt trong các kịch bản công nghiệp, đòi hỏi phải tối ưu hóa hơn nữa hiệu quả tính toán của mô hình.

Tương lai của công nghệ kiểm tra trực quan trái cây sẽ phát triển theo nhiều hướng. Hợp nhất thông tin đa phương thức là một xu hướng quan trọng, kết hợp công nghệ hình ảnh quang phổ và nhiệt để phát hiện chất lượng bên trong trái cây mà không phá hủy. Ví dụ, quang phổ phản xạ có thể được sử dụng để phát hiện các bệnh trên bề mặt trái cây và lá, trong khi quang phổ truyền qua có thể phát hiện các bệnh bên trong.

Thiết kế mô hình nhẹ là một xu hướng khác, phù hợp với các tình huống điện toán biên. Các mô hình nhẹ được cải tiến như YOLOv5n đạt tốc độ phát hiện 23 FPS và độ chính xác trung bình 89% trên nền tảng TI Sitara, đáp ứng yêu cầu thời gian thực của các hệ thống bán trái cây tự động không người lái.

Việc mở rộng ứng dụng đa lĩnh vực cũng sẽ thúc đẩy sự phát triển công nghệ. Công nghệ thị giác máy tính có triển vọng ứng dụng rộng rãi, từ kiểm tra trái cây đến giám sát chất lượng nông sản và kiểm soát chất lượng chế biến thực phẩm. Với việc tối ưu hóa thuật toán và giảm chi phí phần cứng, các hệ thống kiểm tra trái cây thông minh sẽ tiếp tục phát triển, hướng tới việc áp dụng rộng rãi và thông minh hơn.

Phần kết luận

Công nghệ kiểm tra chất lượng trái cây dựa trên thị giác máy tính đã trở thành một thành phần quan trọng của nông nghiệp thông minh, thúc đẩy việc nâng cấp thông minh chuỗi ngành công nghiệp trái cây. Từ xử lý hình ảnh truyền thống đến học sâu, sự phát triển công nghệ đã cải thiện đáng kể độ chính xác và hiệu quả kiểm tra. Với sự phát triển của các công nghệ như hợp nhất đa phương thức và điện toán biên, kiểm tra trái cây trực quan sẽ đóng vai trò quan trọng hơn nữa trong nông nghiệp chính xác và quản lý chuỗi cung ứng thực phẩm, cung cấp hỗ trợ kỹ thuật mạnh mẽ để giảm tổn thất sau thu hoạch và cải thiện chất lượng trái cây.