Tên đề tài: “Xây dựng giải pháp để phân loại xoài bằng phương pháp không phá hủy”

Tác giả: Nguyễn Phước Lộc Khóa: 2019

Ngành: Kỹ thuật điều khiển và tự động hóa; Mã số: 9520216. Nhóm ngành: Kỹ thuật

Người hướng dẫn: PGS.TS. Nguyễn Chánh Nghiệm - Trường Đại học Cần Thơ

  1. Tóm tắt nội dung luận án

Xoài Cát Hòa Lộc (Mangifera indica L.) là nông sản phổ biến ở Việt Nam, có hàm lượng dinh dưỡng cao, thơm ngon và giá trị xuất khẩu. Gần đây, các giải pháp không phá hủy dựa trên phân tích quang phổ và thị giác máy tính (CV) đã được sử dụng để đánh giá các thông số về chất lượng nội và ngoại quả cho mục đích phân loại. Hiện nay, phương pháp thủ công ở giai đoạn cuối quy trình phân loại xoài nhằm tìm quả đạt độ trưởng thành sinh lý và chất lượng đồng đều về bề mặt gặp khó khăn trong việc đảm bảo năng suất và độ chính xác. Vì vậy, luận án tập trung phát triển các giải pháp dựa trên chất lượng nội và ngoại quả. Các giải pháp xây dựng mô hình phân loại xoài dựa vào °Brix (tương quan độ ngọt), số ngày sau khi đậu trái (DAFS) và hàm lượng chất khô (DM) để đánh giá độ trưởng thành sinh lý. Bên cạnh đó, các mô hình hồi quy để dự đoán độ ngọt, DM và đo chính xác diện tích khiếm khuyết trên da xoài đã được xây dựng, phát triển và đánh giá.

Đối với phân loại xoài dựa trên chất lượng nội quả, kết quả thực nghiệm cho thấy mô hình phân loại chính xác độ ngọt xoài bằng phương pháp RPR, trong đó các kỹ thuật như Random Forest (RF), Partial Least Squares regression (PLSR) và RF được áp dụng với cảm biến đa phổ giá thấp, đạt độ chính xác huấn luyện và kiểm tra lần lượt là 100% và 82,1%. Hơn nữa, sai số dự đoán RMSEp khoảng 1,439 °Brix của mô hình PLSR từ dữ liệu đa phổ giá thấp khẳng định tiềm năng mô hình. Để khách quan khẳng định hiệu suất PLSR, thuật toán tiền xử lý và chọn bước sóng, 6 mô hình máy học được xây dựng từ dữ liệu phổ tương tác, phản xạ, vùng phổ (410–940 nm) và (900–1700 nm) để dự đoán °Brix và DM cho thấy tiềm năng thuật toán RC trong chọn bước sóng cho mô hình PLSR tốt nhất, với RMSEp và RPD lần lượt là 1,258 °Brix và 2,074. Hiệu suất phân loại xoài của mô hình CARS–PLS–RF dựa trên DAFS và DM đạt độ chính xác kiểm tra là 85,7% với vụ nghịch và 83,4% với vụ thuận.

Ngoài ra, để giải quyết được hiện tượng biến đổi sinh học và biến đổi khí hậu, các giải pháp hiệu chuẩn mô hình, dùng mô hình kết hợp đã được xây dựng và phát triển để dự đoán °Brix và DM được hiệu quả và bền vững. Qua kết quả xây dựng mô hình dự đoán độ ngọt xoài, cho thấy mô hình PLS–CNN hai lớp tích chập đạt hiệu suất tốt nhất với hệ số tương quan khi kiểm tra đạt 0,855. Trong dự đoán DM, mô hình PLS–BiLSTM đảm bảo được sự ổn định qua các vụ mùa với hệ số tương quan đạt 0,789.

Đối với đánh giá chất lượng bên ngoài, giải pháp cân nhắc về năng suất và độ chính xác đã được thiết kế và xây dựng. Hệ thống CV với một camera có khả năng đáp ứng hiệu suất lên đến 1452 quả/giờ. Để tăng độ chính xác đo diện tích khiếm khuyết, hệ thống CV với 3 camera đã đánh giá được toàn diện 6 mặt xoài với giải thuật SMSI–PPOS có sai số tuyệt đối trung bình (MAE) khoảng 3,5 khi đo khiếm khuyết nhân tạo 100 mm2 và ước lượng khối lượng xoài với MAE khoảng 7,9. Từ kết quả của hai nhóm giải pháp không phá hủy đề xuất, cho thấy tiềm năng phát triển một hệ thống phân loại xoài tự động dựa vào chất lượng nội quả và khiếm khuyết trên da xoài trong tương lai.

  1. Những kết quả mới của luận án:

Luận án đã đạt được những điểm mới như sau:

  • Tìm được những dải tần quan trọng để xây dựng mô hình phân loại, hồi quy tối ưu cho xoài Cát Hòa Lộc.
  • Thiết kế mô đun chụp ảnh xoài độc đáo giúp xoài tự xoay quanh trục của nó 360o và thu ảnh toàn bề mặt xoài từ đó xác định các ảnh bề mặt chính của xoài được chính xác làm cơ sở để phát hiện và xác định diện tích các khiếm khuyết bề mặt chính xác.
  • Đề xuất giải thuật MSIS–PPOS dựa trên cắt lát ảnh xoài và xác định góc nghiêng của khiếm khuyết để tăng độ chính xác của kết quả xác định diện tích khiếm khuyết.
  • Điểm khác biệt và sáng tạo khác của luận án được xác nhận với giải pháp tránh sự trùng lặp trong xác định và đo diện tích khiếm khuyết trên 6 mặt xoài chưa tìm thấy trong các công bố trước đây.
  1. Các ứng dụng/khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu:

Kết quả nghiên cứu của luận án mặc dù chưa triển khai thực tế tại doanh nghiệp mà chỉ dừng lại quy mô nghiên cứu trong phòng thí nghiệm, nhưng các kết quả chính xác trong phân loại chất lượng quả xoài cho thấy tiềm năng khi áp dụng vào thực tế, đặc biệt khi nâng cao được năng suất phân loại.

Luận án đã bước đầu đề xuất các mô hình phân loại xoài dựa vào chất lượng bên ngoài (diện tích khiếm khuyết bề mặt, khối lượng) và một số giải pháp đánh giá chất lượng bên trong (độ ngọt, độ trưởng thành). Các giải pháp được đề xuất đều là tiếp cận đánh giá chất lượng theo kỹ thuật không phá hủy, cho thấy tiềm năng ứng dụng để phát triển một hệ thống tự động đánh giá và phân loại chất lượng xoài không phá hủy tại các hợp tác xã, cơ sở xuất khẩu xoài nơi mà việc phân loại chất lượng xoài chưa hiệu quả do vẫn còn được thực hiện thủ công, có thể kém chính xác và mất nhiều thời gian./.

Title: “Development of Non-Destructive Methods for Mango Classification”

Major:   Control Engineering and Automation                             Major code: 9520216

PhD candidate’s name: Nguyen Phuoc Loc

Scientific supervisor: Ass. Prof. Dr. Nguyen Chanh Nghiem

Training facilities: Can Tho University

  1. Abstract

Cat Hoa Loc mango (Mangifera indica L.) is a popular agricultural product in Vietnam, valued for its nutrition, taste, and export potential. Recently, non-destructive solutions using spectral analysis and computer vision (CV) have been applied to assess internal and external quality for classification. Currently, the manual method used in the final stage of sorting mangoes by maturity and surface quality lacks efficiency and accuracy. This thesis addresses the issue by developing models to classify mangoes based on °Brix (linked to sweetness), days after fruit set (DAFS), and dry matter (DM) to assess maturity. Solutions for predicting sweetness, DM, and defect areas on mango skin are built, refined, and evaluated.

For mango classification based on fruit quality, experimental results showed precise sweetness grading using the RPR method, applying Random Forest (RF), Partial Least Squares regression (PLSR), and RF with low-cost multispectral sensors, achieving 100% training accuracy and 82,1% testing accuracy. The PLSR model, built from low-cost multispectral data, showed a prediction error (RMSEp) of 1,439 °Brix, confirming its potential. Seven machine learning models using interactance spectral data, reflectance, and wavelengths (410–940 nm, 900–1700 nm) predicted °Brix and DM, with the RC algorithm selecting key wavelengths, yielding RMSEp of 1,258 °Brix and RPD of 2,074. The CARS–PLS–RF model based on DAFS and DM achieved test accuracy of 85.7% out of season and 83,4% in season.

In addition, to address the challenges posed by biological and climate change, model calibration solutions using combined models were developed to predict °Brix and dry matter (DM) more effectively and sustainably. The results from building a mango sweetness prediction model clearly demonstrated that the two-layer convolutional PLS–CNN model achieved the highest performance, with a correlation coefficient of 0.855 when tested. For DM prediction, the PLS–BiLSTM model exhibited consistent stability across different crop cycles, achieving a correlation coefficient of 0.789, ensuring reliable and robust performance in varying growing conditions.

For external quality assessment, a solution focused on productivity and accuracy was developed. The CV system, using one camera, achieved a performance rate of up to 1,452 fruits per hour. To enhance defect area measurement accuracy, a CV system with three cameras was employed to comprehensively assess six mango surfaces using the SMSI–PPOS algorithm, with a mean absolute error (MAE) of about 3.5 when measuring artificial defects of 100 mm², and an MAE of around 7.9 for estimating mango mass. The results from both non-destructive solutions highlight the potential for developing an automatic mango classification system based on internal fruit quality and external skin defects in the future.

  1. The novelty of the dissertation:

The dissertation has achieved the following new points:

  • Important wavelengths for developing optimal classification and regression models for Cat Hoa Loc mangoes were determined.
  • Design of a unique mango imaging module enabling the fruit to rotate 360° around its axis and capturing images of the whole mango surface for detecting mango defects and measuring the defect area accurately.
  • The MSIS–PPOS algorithm was proposed based on mango image slicing combined with the identification of the defect angle to improve the accuracy of defect area measurement.
  • Another unique and innovative point of the thesis is the prevention of duplicate calculations of the same defects on the mango skin previously unreported in the literature.
  1. Practical applications/applicability, issues that need further research:

The research results of this dissertation, though not yet implemented in practice and remaining at the laboratory scale, show promising accuracy in mango quality classification, highlighting its potential for real-world application, especially in improving classification productivity.

The dissertation proposes classification models based on external quality (e.g., surface defect area and weight) and solutions for assessing internal quality, such as sweetness and maturity. All proposed solutions are non-destructive, demonstrating the potential for developing an automated system for non-destructive mango quality evaluation and classification at cooperatives and export facilities, where manual classification is often inaccurate and time-consuming./.

 

Hướng dẫn HVCH nhập Kế hoạch học tập lên Hệ thống quản lý

Số lượt truy cập

22752840
Hôm nay
Tuần này
Tháng này
Tổng số lượt truy cập
7319
157315
858911
22752840
Vinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.x