Ứng dụng trí tuệ nhân tạo trong phân tích chất lượng và ước tính khối lượng các loại hạt cà phê nhân
DOI:
https://doi.org/10.24311/jabes/2023.34.5.6Từ khóa:
Phân loại cà phê, Ước lượng khối lượng, Mạng thần kinh tích chập, Xử lý hình ảnh, Trí tuệ nhân tạoTóm tắt
Việt Nam là nước đứng thứ hai thế giới về sản lượng xuất khẩu cà phê, để duy trì thành tựu này thì chất lượng hạt cà phê nhân đóng vai trò rất quan trọng. Doanh nghiệp thu mua và xuất khẩu cà phê cần kiểm soát chất lượng cà phê từ khâu thu mua từng lô hàng tại hộ dân đến sơ chế tại nhà máy và xuất khẩu. Tuy nhiên, việc kiểm soát chất lượng cà phê nhân đòi hỏi chuyên môn và đang được thực hiện thủ công nên tốn thời gian, công sức và chi phí cho doanh nghiệp. Do đó, mục tiêu của nghiên cứu này là xây dựng quy trình, thiết kế thuật toán ứng dụng trí tuệ nhân tạo vào phân tích chất lượng và ước lượng khối lượng hạt cà phê nhân một cách tự động, nhanh chóng và giảm chi phí. Nghiên cứu được thực hiện bằng cách thu thập, dán nhãn mẫu dữ liệu hạt cà phê theo 12 loại hạt, huấn luyện mô hình bằng Yolov5 trong nhận diện đối tượng, công nghệ xử lý ảnh mã nguồn mở OpenCV, thuật toán CNN (Convolutional Neural Networks) trong xử lý ảnh để phân loại. Từ đó, ước lượng khối lượng từng loại hạt cà phê. Kết quả thử nghiệm cho thấy các mô hình thuật toán ứng dụng cho kết quả tin cậy cao, có thể ứng dụng vào thực tiễn.
Tài liệu tham khảo
Đức Anh. (2021). 10 nước sản xuất cà phê lớn nhất thế giới, Việt Nam đứng thứ 2. Truy cập từ https://vneconomy.vn/10-nuoc-san-xuat-ca-phe-lon-nhat-the-gioi-viet-nam-dung-thu-2.htm
Everingham, M., Eslami, S. M. A., van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2015). The pascal visual object classes challenge: A retrospective. International Journal of Computer Vision, 111(1), 98–136. doi: 10.1007/s11263-014-0733-5
Hà Mạnh Hùng, Trương Việt Hùng, Đinh Văn Thuật, & Vũ Quang Việt. (2020). Phương pháp xử lý hiện tượng mô hình quá khớp trong xây dựng mô hình học sâu để ước lượng khả năng chịu tải của giàn phi tuyến. Tạp chí Khoa học Công nghệ Xây dựng, 14(1V), 12–20. doi: 10.31814/stce.nuce2020-14(1V)-02
Huang, Y., Cheng, Y., Bapna, A., Firat, O., Chen, M. X., Chen, D., . . . Chen, Z. (2018). GPipe: Efficient training of giant neural networks using pipeline parallelism. Retrieved from https://arxiv.org/abs/1811.06965. doi: 10.48550/ARXIV.1811.06965
Huy, T. V. (2021). EfficientNet understanding. Retrieved from https://huytranvan2010.github.io/EfficientNet-Understanding/
Jumarlis, M., Mirfan, M., & Manga, A. (2022). Classification of Coffee Bean Defects Using Gray-Level Co-Occurrence Matrix and K-Nearest Neighbor. ILKOM Jurnal Ilmiah, 14, 1–9. doi: 10.33096/ilkom.v14i1.910.1-9
Keles, M. C., Salmanoglu, B., Guzel, M. S., Gursoy, B., & Bostanci, G. E. (2022). Evaluation of YOLO models with sliced inference for small object detection. Retrieved from https://arxiv.org/abs/2203.04799. doi: 10.48550/ARXIV.2203.04799
Lee, J. Y., & Jeong, Y. S. (2022). Prediction of defect coffee beans using CNN. Paper presented at the 2022 IEEE International Conference on Big Data and Smart Computing (BigComp).
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., . . . Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. Lecture Notes in Computer Science (pp. 740–755). doi: 10.1007/978-3-319-10602-1_48
Luis, V. A. M., Quiñones, M. V. T., & Yumang, A. N. (2022). Classification of defects in robusta green coffee beans using YOLO. Paper presented at the 2022 IEEE International Conference on Artificial Intelligence in Engineering and Technology (IICAIET).
Piao, Y., Chen, A., & Shang, Z. (2019). Housing price prediction based on CNN. Paper presented at the 2019 9th International Conference on Information Science and Technology (ICIST).
Pinto, C., Furukawa, J., Fukai, H., & Tamura, S. (2017). Classification of Green coffee bean images basec on defect types using convolutional neural network (CNN). Paper presented at the 2017 International Conference on Advanced Informatics, Concepts, Theory, and Applications (ICAICTA).
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. doi: 10.48550/ARXIV.1506.01497
Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. doi:10.48550/ARXIV.1905.11946
Trần Thanh Điện, Thái Nhựt Thanh, & Nguyễn Thái Nghe. (2019). Giải pháp phân loại bài báo khoa học bằng kĩ thuật máy học. Tạp chí Khoa học Trường Đại học Cần Thơ, 55(4A), 29–37. doi: 10.22144/ctu.jvn.2019.093
Xu, R., Lin, H., Lu, K., Cao, L., & Liu, Y. (2021). A forest fire detection system based on ensemble learning. Forests, 12, 217. doi: 10.3390/f12020217
Zhang, B., Guo, N., Huang, J., Gu, B., & Zhou, J. (2020). Computer vision estimation of the volume and weight of apples by using 3D reconstruction and noncontact measuring methods. Journal of Sensors, 2020, 1–12. doi: 10.1155/2020/5053407
Lượt tải xuống
Đã Xuất bản
Số
Chuyên mục
Giấy phép
Bản quyền (c) {copyrightHolder}
Tác phẩm này được cấp phép theo Giấy phép Creative Commons Ghi công-Phi thương mại 4.0 Quốc tế.
