Đề tài nghiên cứu khoa học

Soi độ chín quả vải bằng trí tuệ nhân tạo

Chụp một quả vải, mô hình AI chấm độ chín thuộc một trong ba mức lớn chỉ trong vài giây.

Xem trước kết quả

Kết quả phân tích

Chín tới

Mô tả đề tài

Đề tài nghiên cứu ứng dụng Mạng Nơ-ron Tích chập (CNNs) để tự động phân loại độ chín của quả vải, sử dụng trí tuệ nhân tạo và xử lý hình ảnh nhằm xác định độ chín dựa trên màu sắc và đặc điểm của vỏ quả.

Quá trình thực hiện bao gồm thu thập hình ảnh quả vải ở các giai đoạn chín khác nhau, gán nhãn và chuẩn hóa dữ liệu, huấn luyện mô hình CNN, sau đó kiểm tra và đánh giá kết quả bằng các chỉ số Accuracy, Precision, Recall và F1-Score.

Lĩnh vực: Computer Vision & AI
Đối tượng: Quả vải tươi
Phương pháp: Phân loại ảnh

Sản phẩm

LycheeScan, công cụ chấm độ chín

Tải ảnh một quả vải lên, để mô hình đo độ chín thuộc một trong ba mức lớn.

Quả vải của bạn đã chín chưa?

Chụp hoặc tải ảnh một quả, AI chấm độ chín trong vài giây.

Ảnh rõ nét, đủ sáng
Một quả vải trong khung
Không cần thẻ màu chuẩn

anh.jpg 0 KB

Đang nạp mô hình AI…
Đang phân tích màu sắc vỏ quả…
Đang đối chiếu mô hình độ chín…
Đang tổng hợp kết quả…

Kết quả phân tích

Chín tới

0% độ tin cậy

Độ tin cậy từng mức

Chưa chín 0%

Chín tới 0%

Chín kỹ 0%

Vì sao AI chọn nhãn này?

Vùng AI chú ý

Vùng càng đỏ đậm, AI càng dựa vào đó để chấm điểm. Chạm vào một mức độ chín ở trên để xem AI chú ý gì khi nghĩ tới mức đó.

Chưa phân tích được

Mô hình AI cần tải về lần đầu qua Internet, sau đó chạy ngay trên máy bạn. Kiểm tra kết nối mạng rồi thử lại nhé.

Ý nghĩa của đề tài

Ý nghĩa khoa học và thực tiễn của việc dùng CNN để phân loại độ chín quả vải.

Giá trị khoa học

Nghiên cứu tìm hiểu mối liên hệ giữa đặc điểm bề ngoài của quả vải và mức độ chín, đánh giá xem những thay đổi về hình ảnh có đủ để mô hình CNN phân biệt các giai đoạn chín hay không.

Giá trị thực tiễn

Việc đánh giá độ chín hiện nay chủ yếu dựa vào mắt và kinh nghiệm, dễ gây sai lệch giữa người đánh giá. Nếu đạt độ chính xác phù hợp, mô hình có thể trở thành công cụ hỗ trợ phân loại và kiểm tra chất lượng quả vải nhanh chóng, nhất quán.

Tiềm năng và hạn chế

Phương pháp dựa trên hình ảnh chủ yếu cung cấp thông tin bề mặt, nên khó phát hiện hư hỏng bên trong quả. Đây là cơ sở để xem xét kết hợp thêm các cảm biến khác trong những nghiên cứu tiếp theo.

Timeline dự án

Các mốc chính trong quá trình xây dựng và đánh giá mô hình LycheeScan.

Khởi tạo ý tưởng
Xác định đề tài và mục tiêu nghiên cứu, phạm vi ứng dụng CNN cho bài toán phân loại độ chín quả vải.
Thu thập dữ liệu
Thu thập hình ảnh quả vải ở các mức độ chín khác nhau, gán nhãn và chuẩn hóa dữ liệu để phục vụ huấn luyện.
Huấn luyện mô hình
Xây dựng và huấn luyện mô hình CNN trên bộ dữ liệu đã gán nhãn, kiểm tra trên hình ảnh mới và đánh giá bằng Accuracy, Precision, Recall, F1-Score.
Xây dựng giao diện
Phát triển giao diện LycheeScan để người dùng tải ảnh và xem kết quả phân tích độ chín.
Triển lãm NCKH
Trình bày kết quả thực nghiệm, đánh giá khả năng ứng dụng thực tế và đề xuất hướng phát triển tiếp.

Ý tưởng phát triển

Hướng phát triển tiếp theo nhằm mở rộng khả năng ứng dụng của mô hình.

Mở rộng loại trái cây
Áp dụng phương pháp cho các loại trái cây khác có sự thay đổi màu sắc và đặc điểm vỏ theo độ chín.
Phiên bản di động
Phiên bản di động giúp người nông dân kiểm tra độ chín tại vườn ngay trước khi thu hoạch.
Tích hợp trực tiếp tại nhà máy
Kết hợp vào dây chuyền phân loại ở nhà máy để tự động hoá kiểm tra chất lượng quả vải.