Đưa AI vào mô hình kiểm soát hạt cà phê nhân? Giải mã con số 99% của mô hình YOLOv8

Trong một lô cà phê nhân, có những hạt lỗi rất dễ nhận ra: hạt đen, hạt vỡ, hạt biến dạng hoặc còn lẫn mảnh vỏ quả. Nhưng cũng có những khuyết tật nhỏ đến mức người kiểm tra phải quan sát từng hạt dưới điều kiện ánh sáng tốt mới phát hiện được.

Khi khối lượng nguyên liệu tăng lên hàng tấn, việc kiểm tra bằng mắt thường trở nên tốn thời gian và phụ thuộc vào kinh nghiệm của người phân loại. Đây là một trong những lý do thị giác máy tính bắt đầu được nghiên cứu như công cụ hỗ trợ kiểm soát chất lượng cà phê nhân.

Năm 2024, một nghiên cứu sử dụng mô hình YOLOv8 cải tiến đã công bố kết quả mAP đạt 99% trong nhiệm vụ phát hiện và phân loại cà phê nhân. Con số này rất ấn tượng, nhưng cần hiểu đúng nó đo lường điều gì trước khi nghĩ đến việc đưa AI vào dây chuyền sản xuất.

Từ mắt người kiểm tra đến hệ thống thị giác máy tính

Phân loại cà phê nhân truyền thống sử dụng nhiều phương pháp khác nhau. Sàng cơ học phân loại theo kích thước; thiết bị tách trọng lượng riêng hỗ trợ loại bỏ một số nhóm hạt có tỷ trọng khác biệt; nhân viên kiểm tra màu sắc và hình dạng để phát hiện hạt lỗi.

Mỗi phương pháp giải quyết một nhóm đặc điểm nhất định. Sàng kích thước không thể nhận diện tất cả lỗi màu sắc. Máy tách tỷ trọng không nhất thiết phát hiện được một vết biến màu nhỏ. Kiểm tra thủ công lại có thể thay đổi theo ánh sáng, thời gian làm việc và kinh nghiệm của người kiểm tra.

Thị giác máy tính tiếp cận vấn đề theo cách khác: camera ghi lại hình ảnh từng hạt, sau đó thuật toán phân tích màu sắc, đường viền, hình dạng và những đặc trưng hình ảnh để xác định vị trí cũng như nhóm lỗi.

Thay vì chỉ trả lời hạt có kích thước bao nhiêu, mô hình có thể xác định một đối tượng nằm ở đâu trong khung hình và nó có khả năng thuộc nhóm hạt bình thường, hạt đen hay hạt vỡ.

Nghiên cứu YOLOv8 năm 2024 đã thực hiện như thế nào?

Trong nghiên cứu của Ji, Xu và Yan, công bố ngày 01/11/2024 trên Journal of Food Processing and Preservation, nhóm tác giả xây dựng một hệ thống nhận diện cà phê nhân dựa trên YOLOv8n.

Nguyên liệu được sử dụng là giống Catimor trồng tại Vân Nam, Trung Quốc. Nhóm nghiên cứu chụp ảnh trong môi trường mô phỏng dây chuyền sản xuất, sử dụng camera công nghiệp có độ phân giải 4.000 × 3.000 pixel.

Hệ thống nhận diện được xây dựng để phân biệt các nhóm đối tượng dựa trên đặc điểm ngoại hình. Dữ liệu được gán nhãn thành bốn nhóm trong mô hình: hạt bình thường, hạt đen, hạt vỡ và nhóm được tác giả đặt tên là cherry.

Để cải thiện khả năng nhận diện các đối tượng nhỏ, nhóm nghiên cứu điều chỉnh mô hình YOLOv8n bằng hai thành phần chính:

• WIoUv3: Hàm mất mát hỗ trợ cải thiện khả năng định vị đối tượng bằng cách điều chỉnh trọng số học theo đặc điểm của mẫu.
• Atn-C3Ghost: Cấu trúc kết hợp cơ chế chú ý theo kênh ECA với C3Ghost, nhằm tăng khả năng trích xuất đặc trưng trong khi kiểm soát số lượng tham số của mô hình.

Đây là cách tiếp cận có ý nghĩa đối với bài toán cà phê nhân vì hạt cà phê thường chiếm diện tích nhỏ trong ảnh, các hạt có thể nằm sát nhau và những dấu hiệu lỗi đôi khi chỉ khác biệt ở một vùng màu hoặc đường viền.

99% không có nghĩa máy phân loại đúng 99% mọi lô cà phê

Kết quả nổi bật nhất của nghiên cứu là mô hình Atn-YOLOv8n đạt mAP@0.5 bằng 99,0%. Đây là chỉ số mean Average Precision tại ngưỡng IoU 0,5, phản ánh hiệu quả phát hiện đối tượng và phân loại trên bộ dữ liệu thử nghiệm.

Trong cùng bảng kết quả, nhóm tác giả ghi nhận:

Chỉ số	Kết quả
Precision	96,8%
Recall	97,6%
mAP@0.5	99,0%
mAP@0.5:0.95	80,5%
Số tham số mô hình	2,0 triệu

Điểm cần chú ý là mAP@0.5 và mAP@0.5:0.95 không phải cùng một thước đo. Ở ngưỡng IoU 0,5, yêu cầu về độ trùng khớp giữa vùng dự đoán và vùng đối tượng thực tế thấp hơn so với việc đánh giá trên nhiều ngưỡng IoU từ 0,5 đến 0,95.

Vì vậy, không nên diễn giải kết quả 99% thành khẳng định rằng máy sẽ phân loại chính xác 99% mọi loại cà phê nhân trong mọi nhà máy. Đây là kết quả trên một nhiệm vụ, một bộ dữ liệu và điều kiện thử nghiệm cụ thể.

Dữ liệu huấn luyện quyết định khả năng nhìn thấy lỗi

Nghiên cứu sử dụng hình ảnh cà phê Catimor trong môi trường mô phỏng dây chuyền. Điều này có lợi cho việc kiểm soát ánh sáng và xây dựng bộ dữ liệu ban đầu, nhưng cũng đặt ra câu hỏi về khả năng áp dụng khi nguyên liệu thay đổi.

Cà phê nhân thực tế có thể khác nhau đáng kể về:

• Giống và loài cà phê: Arabica, Robusta hoặc các nhóm vật liệu khác.
• Phương pháp sơ chế: Natural, Washed, Honey và những biến thể quy trình.
• Màu sắc tự nhiên, độ đồng đều bề mặt và mức độ biến đổi sau bảo quản.
• Độ ẩm, kích thước, hình dạng và mức độ hư hại.
• Điều kiện chiếu sáng, góc camera, tốc độ băng tải và mật độ hạt trên nền chụp.

Chính nhóm tác giả cũng thừa nhận mô hình còn gặp thách thức khi xử lý các mẫu cà phê đa dạng về kích thước, hình dạng và màu sắc. Giới hạn dữ liệu có thể ảnh hưởng đến khả năng tổng quát hóa, trong khi cấu trúc mô hình phức tạp hơn cũng làm tăng yêu cầu tài nguyên tính toán.

Đây là điểm khác biệt giữa kết quả phòng thí nghiệm và hiệu quả vận hành. Một mô hình có thể đạt chỉ số cao trên ảnh chụp được kiểm soát, nhưng vẫn cần được kiểm tra trên những lô cà phê mới, đến từ nhiều vùng nguyên liệu và nhiều vụ thu hoạch.

So sánh với một hướng nghiên cứu khác: SVM trên 2.873 hạt Arabica

Năm 2022, Zhao và cộng sự công bố nghiên cứu nhận diện lỗi Arabica bằng cách kết hợp đặc trưng hình ảnh với thuật toán Support Vector Machine (SVM).

Nhóm nghiên cứu sử dụng 2.873 hạt Arabica, trong đó có 1.500 hạt bình thường và 1.373 hạt lỗi thuộc 11 nhóm. Hệ thống trích xuất 19 đặc trưng từ ba nhóm thông tin: đường viền, kết cấu và màu sắc.

Mô hình SVM sử dụng kết hợp cả ba nhóm đặc trưng đạt các kết quả:

Chỉ số	Kết quả
Accuracy	84,9%
Precision	85,8%
Recall	82,3%
F1-score	84,0%

Không nên đặt trực tiếp 84,9% của SVM cạnh 99,0% mAP của YOLOv8 rồi kết luận mô hình sau tốt hơn một tỷ lệ cố định. Hai nghiên cứu khác nhau về dữ liệu, cách gán nhãn, số nhóm lỗi, nhiệm vụ dự đoán và thước đo đánh giá.

Điểm chung đáng chú ý là cả hai đều cho thấy hình ảnh chứa nhiều thông tin hơn một đặc trưng đơn lẻ. Màu sắc, hình dạng và kết cấu khi được kết hợp có thể giúp nhận diện lỗi tốt hơn so với việc chỉ dựa vào một dấu hiệu.

AI có thể thay thế hoàn toàn kiểm tra chất lượng cà phê nhân?

Câu trả lời hiện tại là chưa. Thị giác máy tính phù hợp với những lỗi có thể quan sát được trên bề mặt hoặc hình dạng hạt. Nhưng không phải mọi vấn đề chất lượng đều biểu hiện rõ trên ảnh RGB thông thường.

Một hạt có thể trông bình thường nhưng vẫn có vấn đề về độ ẩm, biến đổi hóa học hoặc chất lượng bên trong. Camera màu không thể tự xác định đầy đủ các chỉ tiêu như hoạt độ nước, thành phần hóa học, nguy cơ độc tố nấm mốc hay chất lượng cảm quan sau rang.

Do đó, một hệ thống kiểm soát chất lượng hợp lý nên kết hợp nhiều lớp kiểm tra:

1. Thị giác máy tính: Nhận diện lỗi ngoại hình, màu sắc, hình dạng và vật thể lạ.
2. Sàng kích thước và phân loại tỷ trọng: Tách các nhóm hạt theo đặc tính vật lý phù hợp.
3. Thiết bị đo độ ẩm và hoạt độ nước: Theo dõi các chỉ tiêu liên quan đến bảo quản.
4. Phân tích phổ khi cần thiết: Bổ sung thông tin hóa học mà ảnh thông thường không thể hiện đầy đủ.
5. Cupping và đánh giá chuyên môn: Xác minh chất lượng cuối cùng của lô hàng sau rang và pha.

Đối với doanh nghiệp xuất khẩu hoặc nhà máy sơ chế, lợi ích thực tế của AI không nhất thiết là loại bỏ con người khỏi dây chuyền. Giá trị lớn hơn nằm ở khả năng kiểm tra liên tục, giảm sự khác biệt giữa các ca làm việc, lưu lại dữ liệu lỗi và hỗ trợ truy xuất nguyên nhân khi chất lượng lô hàng thay đổi.

Để đưa một mô hình vào vận hành, cần kiểm tra trên dữ liệu độc lập của từng nguồn nguyên liệu, đo tỷ lệ bỏ sót lỗi, tỷ lệ loại nhầm hạt tốt và khả năng hoạt động khi tốc độ băng tải tăng. Chỉ số mAP cao là điểm khởi đầu của quá trình đánh giá, không phải giấy chứng nhận cho toàn bộ dây chuyền.

Trong kiểm soát cà phê nhân, máy tính có thể giúp đôi mắt con người làm việc nhanh và nhất quán hơn. Nhưng quyết định chất lượng vẫn phải dựa trên hệ thống chỉ tiêu vật lý, hóa học và cảm quan phù hợp với mục đích sử dụng của hạt cà phê.

Tham khảo thêm kiến thức về cà phê nhân và chuỗi sản xuất tại SAVINA Coffee Knowledge.

Nguồn tham khảo

1. Ji, Y., Xu, J. & Yan, B. (2024). Coffee Green Bean Defect Detection Method Based on an Improved YOLOv8 Model. Journal of Food Processing and Preservation. https://doi.org/10.1155/2024/2864052
2. Zhao, Y. et al. (2022). Detection of defective Arabica green coffee beans based on feature combination and SVM. Transactions of the Chinese Society of Agricultural Engineering, 38(14), 295–302. https://doi.org/10.11975/j.issn.1002-6819.2022.14.033
3. Belay, A. et al. (2014). Discrimination of Defective (Full Black, Full Sour and Immature) and Nondefective Coffee Beans by Their Physical Properties. Journal of Food Process Engineering, 37, 524–532. https://doi.org/10.1111/jfpe.12113