Tổng quan về luận án

Ngành nông nghiệp chế biến sau thu hoạch tại Việt Nam đang đứng trước áp lực chuyển đổi phương thức sản xuất từ thủ công truyền thống sang cơ giới hóa và tự động hóa thông minh nhằm nâng cao chuỗi giá trị nông sản. Theo số liệu của Tổ chức Nông lương Liên Hiệp Quốc (FAO, 2020), Việt Nam đứng thứ 6 thế giới về diện tích canh tác ớt với 67.125 ha (chiếm 4% diện tích toàn cầu) và xếp thứ 11 về sản lượng ớt khô đạt 97.117 tấn. Riêng vùng Đồng bằng Sông Cửu Long (ĐBSCL), sản lượng ớt tươi hàng năm vượt mốc 90.000 tấn, tập trung chủ yếu tại các vựa chuyên canh như Thanh Bình (Đồng Tháp), An Phú (An Giang) và Chợ Gạo (Tiền Giang). Dù mang lại tỷ suất lợi nhuận trên tổng chi phí lên tới 135%, khâu sơ chế tách cuống ớt tươi phục vụ xuất khẩu và chế biến công nghiệp hiện nay vẫn phụ thuộc gần 100% vào nhân công thủ công. Phương thức này bộc lộ nhiều điểm nghẽn nghiêm trọng: năng suất thấp, chi phí thuê mướn lao động chiếm hơn 80% chi phí tăng thêm, gây ảnh hưởng tiêu cực đến sức khỏe đường hô hấp và da của người lao động do capsaicin cay nồng, đồng thời không đáp ứng kịp tiến độ mùa vụ khi các cơ sở chế biến phải xử lý hàng chục tấn ớt mỗi ngày.

Thực tế nghiên cứu quốc tế đã ghi nhận nhiều giải pháp cơ giới hóa khâu tách cuống, tiêu biểu là các cơ cấu cắt cơ học của Carl E. Rasmussen (1978), hệ thống lồng quay của Beijing Bidragon Machinery (Trung Quốc), Tabanli (Thổ Nhĩ Kỳ), hệ thống thị giác định vị vị trí cắt của Ryan Herbon (2014) hay cơ cấu ép biến dạng con lăn của Nagendra B. Kodali. Tuy nhiên, các giải pháp này tồn tại một khoảng trống nghiên cứu (research gap) cốt lõi: phương pháp cắt bằng dao cơ học luôn để lại phần đài hoa (calyx) dạng ngôi sao bám chặt trên đỉnh trái, làm giảm phẩm cấp và khó xử lý khi sấy khô; trong khi phương pháp ép con lăn lại gây dập nát nghiêm trọng đối với các giống ớt thon dài, thành quả mỏng và mật độ hạt dày đặc trưng của vùng ĐBSCL.

Để giải quyết triệt để vấn đề này, luận án tiến sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa của nghiên cứu sinh Huỳnh Quốc Khanh (Trường Đại học Cần Thơ, 2023) với đề tài "Phát triển hệ thống tự động tách cuống trái ớt tươi" đã xây dựng hệ thống tích hợp tự động hoàn chỉnh dựa trên nguyên lý cơ học kéo - uốn kết hợp với hệ thống thị giác máy tính và trí tuệ nhân tạo.

Mục tiêu nghiên cứu được cụ thể hóa thông qua 3 câu hỏi nghiên cứu (Research Questions - RQ) và các giả thuyết khoa học (Hypotheses - H):

  • RQ1: Mô hình lực cơ học nào cho phép bóc tách hoàn toàn cuống và đài hoa mà không gây phá hủy cấu trúc thân trái ớt thon dài?
    • H1: Tồn tại một vùng lực kẹp tới hạn phụ thuộc vào áp suất phá hủy cuống $P$ và hệ số ma sát trượt $f$, cho phép tạo ra lực kéo - uốn vượt lực liên kết cuống - thân nhưng nhỏ hơn giới hạn bền của cuống.
  • RQ2: Quy luật suy giảm độ bám dính của cuống ớt theo thời gian bảo quản sau thu hoạch tuân theo hàm toán học nào?
    • H2: Lực tách cuống cần thiết $F$ suy giảm theo thời gian bảo quản $t$ và có thể mô hình hóa phi tuyến chính xác bằng hàm Gaussian hiệu chỉnh hoặc đa thức bậc 4 ($Pol4$).
  • RQ3: Cấu trúc mạng thần kinh tích chập (CNN) nào tối ưu cho việc nhận dạng đa khuyết tật (nứt thân và vết bệnh thán thư) trên dây chuyền động?
    • H3: Mạng CNN kiến trúc tùy biến kết hợp cơ cấu con lăn đảo rãnh thân khai có khả năng phân loại khuyết tật với độ chính xác trên 90% ở trạng thái vận hành động.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Cơ học tiếp xúc ma sát Coulomb, Lý thuyết cơ lý sinh nông sản (Agrophysical Properties), cùng Trí tuệ nhân tạo trong xử lý ảnh số. Phạm vi nghiên cứu tập trung vào 3 giống ớt chủ lực tại ĐBSCL: Chánh Phong F1 (CP1), Chánh Phong F4 (CP4) và Hai Mũi Tên (MTen) với mô hình thực nghiệm công suất module 10 kg/giờ.

Literature Review và Positioning

Tổng quan y văn quốc tế và trong nước về kỹ thuật tách cuống nông sản ghi nhận hai trường phái tiếp cận đối lập nhau với những tranh luận học thuật sâu sắc:

Trường phái thứ nhất ủng hộ phương pháp cắt cơ học (Mechanical Cutting). Carl E. Rasmussen (1978) đã đăng ký sáng chế máy cắt cuống ớt sử dụng bàn lắc nghiêng kết hợp thanh cản và dao cắt xoay. Nguyên lý này sau đó được phát triển thành các dây chuyền công nghiệp dạng lồng quay hình trụ đục lỗ của Beijing Bidragon Machinery và Tabanli. Ưu điểm nổi bật của trường phái này là năng suất vượt trội (từ 60 đến 500 kg/giờ) và kết cấu cơ khí bền vững. Tuy nhiên, Ryan Herbon (2014) khi nghiên cứu hệ thống cắt cuống di động tại Hoa Kỳ đã chỉ ra hạn chế chí mạng: dao cắt chỉ tách được phần cuống vươn ra ngoài khe hở mà không thể loại bỏ phần đài hoa ôm sát quả. Dù Herbon đã ứng dụng camera công nghiệp tính toán vị trí cắt tối ưu dựa trên điểm cực đại của tích giữa đường kính lớn nhất với đạo hàm biến thiên đường kính $\max(d \cdot d'/dx)$ trong chu kỳ cắt 11 ms, tỷ lệ quả bị cắt phạm vào thân vẫn chiếm một tỷ trọng đáng kể.

Trường phái thứ hai theo đuổi phương pháp bóc tách biến dạng (Deformation/Frictional Destemming) nhằm loại bỏ hoàn toàn đài cuống. Nagendra B. Kodali đề xuất cơ cấu nhiều cặp con lăn cao su quay ngược chiều với khe hở hẹp dần nhằm tạo áp lực nén và ma sát để tuốt cuống. Ở dải vận tốc 400–550 vòng/phút, hệ thống của Kodali đạt hiệu suất tách cuống 80% đối với các giống ớt quả to, rỗng ruột và ít hạt tại Bắc Mỹ. Tuy nhiên, trường phái này bộc lộ sự thất bại khi thử nghiệm trên các giống ớt nhiệt đới Đông Nam Á. Do quả ớt ĐBSCL có đường kính nhỏ (8–14 mm), vỏ quả mỏng và chứa đầy hạt bên trong, áp lực nén đồng phương từ các con lăn ép làm dập nát thân trái trước khi cuống kịp tách rời, đẩy tỷ lệ tổn thương cơ học lên mức không thể chấp nhận trong thương mại.

Vị trí học thuật của luận án Huỳnh Quốc Khanh được định vị chính xác tại điểm nghẽn giữa hai trường phái trên: loại bỏ hoàn toàn cơ cấu dao cắt để tránh để lại đài hoa, đồng thời bác bỏ cơ chế ép dập của con lăn nén để chuyển sang cơ chế tác động biến dạng phức hợp kéo - uốn cục bộ thông qua hệ thống dây đai ma sát và bánh đỡ trợ lực. Bằng cách kiểm soát chính xác lực kẹp trên cuống thông qua mô hình toán ma sát đai, hệ thống tạo ra mômen uốn gập cuống tại điểm liên kết tự nhiên, giúp cuống bật gốc hoàn toàn mà thân trái không phải chịu ứng suất nén phá hủy.

Tiêu chí so sánh Hệ thống Ryan Herbon (Mỹ) Hệ thống Nagendra B. Kodali (Mỹ) Hệ thống luận án Huỳnh Quốc Khanh
Nguyên lý chính Xử lý ảnh + Dao cắt chuyển động tịnh tiến Ép con lăn nén giảm dần khe hở Ma sát đai + Uốn gập cưỡng bức đa hướng
Mức độ tách cuống Không hoàn toàn (còn đài hoa/vết cắt) Hoàn toàn (bóc gốc đài hoa) Hoàn toàn 100% cuống và đài hoa
Tỷ lệ thành công ~91.7% định vị cắt 72% – 80% (tùy tốc độ vòng quay) 96,2%
Tỷ lệ dập nát thân quả Thấp, nhưng có cắt lẹm thân Rất cao đối với ớt thon dài, nhiều hạt Rất thấp, giữ nguyên vẹn vỏ quả
Tích hợp phân loại AI Nhận diện màu sắc cơ bản loại rác Không tích hợp Mạng CNN kép (phát hiện nứt + bệnh)

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và đóng góp sâu sắc vào ba nhánh lý thuyết kỹ thuật chuyên ngành:

Thứ nhất, mở rộng Lý thuyết Cơ lý sinh Nông sản (Agrophysical Biomechanics): Luận án đã làm sáng tỏ bản chất liên kết giải phẫu học giữa cuống và đài hoa của chi Capsicum dưới tác động của hệ lực phức hợp. Trong khi các nghiên cứu trước đây chỉ khảo sát lực kéo thuần túy ($F_{tensile}$) hoặc lực cắt trượt ($F_{shear}$), công trình này chứng minh rằng liên kết đài cuống bị phá hủy dễ dàng nhất dưới trạng thái biến dạng kéo - uốn kết hợp (combined tensile-bending deformation). Lực tách cuống cần thiết $F$ giảm đi rõ rệt khi tạo ra một góc bẻ uốn $\theta$ đồng thời với lực kéo dọc trục, giúp giảm đáng kể năng lượng tiêu hao và triệt tiêu nguy cơ nứt vỡ thân trái.

Thứ hai, thiết lập Mô hình Toán học Thực nghiệm về Sự suy thoái Lực tách cuống theo Thời gian: Luận án đã lượng hóa quy luật biến thiên của lực bóc cuống cần thiết $F$ theo thời gian bảo quản sau thu hoạch $t$ (giờ) cho 3 giống ớt thông qua việc xây dựng và so sánh hai mô hình giải tích bằng Matlab CFTool:

  • Mô hình Đa thức bậc 4 ($Pol4$): $$F(t) = p_1 t^4 + p_2 t^3 + p_3 t^2 + p_4 t + p_5$$
  • Mô hình Gaussian hiệu chỉnh tuyến tính: $$F(t) = a_1 \exp\left(-\left(\frac{t - b_1}{c_1}\right)^2\right) + a_2 t + b_2$$ Kết quả chứng minh hàm Gaussian hiệu chỉnh đạt độ tin cậy vượt trội với sai số bình phương trung bình (MSE) và sai số tuyệt đối trung bình (MAE) thấp nhất, phản ánh chính xác quá trình mất nước sinh hóa và suy giảm liên kết tế bào tầng rời (abscission zone) của nông sản nhiệt đới.

Thứ ba, đóng góp vào Lý thuyết Kiểm soát Lực tiếp xúc Ma sát Đai: Xây dựng phương trình cân bằng lực kiểm soát cụm bóc tách: $$F_k = \frac{T}{R_1} \cdot (\cos\beta - \cos\gamma) \cdot \frac{1}{\cos\theta}$$ giúp xác định chính xác lực ép cuống $F_k$ không vượt quá áp suất phá hủy giới hạn $P_{destroy}$, đảm bảo dây đai kẹp chặt cuống nhờ ma sát mà không làm dập nát cuống trước khi hoàn thành chu trình kéo tách.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng giữa:

  1. Lý thuyết tiếp xúc ma sát đàn hồi: Tính toán lực căng đai $T$, góc ôm $\omega$, hệ số ma sát trượt $f$ giữa cuống ớt và bề mặt cao su/vải bố.
  2. Kỹ thuật đo lường cảm biến quang học: Sử dụng cảm biến màu TCS3200 để nhận diện phương vị quả ớt (đầu cuống xanh hay đuôi trái đỏ di chuyển trước) dựa trên sự biến đổi chu kỳ xung tần số đáp ứng $f_0, f_D$.
  3. Mạng nơ-ron tích chập (Convolutional Neural Networks - CNN): Thiết kế pipeline thị giác máy tính với kiến trúc mạng chập chuyên biệt để trích xuất đặc trưng không gian đa tỷ lệ từ ảnh RGB của bề mặt vỏ quả.

Điều kiện biên (boundary conditions) của khung phân tích được xác lập chặt chẽ: Áp dụng cho các loại quả có độ ẩm ban đầu 75–85%, đường kính thân quả $d_f \in [8, 14]\text{ mm}$, đường kính cuống $d_s \in [1.5, 3.5]\text{ mm}$, vận tốc băng tải cấp liệu $v \le 160\text{ mm/s}$, và thời gian bảo quản sau thu hoạch không vượt quá 72 giờ trong điều kiện nhiệt độ môi trường 28–32°C.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt thế giới quan thực chứng (Positivism) kết hợp phương pháp thiết kế thực nghiệm định lượng cao (Quantitative Experimental Design). Quy trình nghiên cứu đa tầng bao gồm:

  • Tầng 1 (Cơ lý tính chất học): Khảo sát tĩnh các thông số hình học (chiều dài toàn bộ $l_f$, chiều dài cuống $l_s$, đường kính thân $d_f$, đường kính cuống $d_s$, độ cong toàn phần $d_{co}$) và khối lượng trung bình của mẫu quả trên cân phân tích điện tử độ chính xác 0.01g.
  • Tầng 2 (Mô hình hóa động lực học): Xây dựng thiết bị đo chuyên dụng kết hợp cảm biến lực (Load cell) tích hợp chip chuyển đổi ADC 24-bit HX711 và vi điều khiển Arduino Uno R3 để đo lực tách cuống thực tế ở các mốc thời gian $t \in [0, 72]\text{ giờ}$.
  • Tầng 3 (Chế tạo module thực nghiệm): Hiện thực hóa hệ thống cơ - điện tử với cụm sắp xếp phương vị, cụm bóc tách cuống dây đai - bánh đỡ, cụm đảo quả cơ học rãnh thân khai và buồng chụp ảnh xử lý thị giác máy tính.
  • Tầng 4 (Thực nghiệm Deep Learning): Thu thập tập dữ liệu ảnh động/tĩnh, huấn luyện và tối ưu hóa 2 mô hình mạng CNN độc lập để phân loại lỗi sản phẩm.

Cỡ mẫu nghiên cứu ($n_s$) được xác định nghiêm ngặt theo công thức thống kê ước lượng tỷ lệ với độ tin cậy 95% ($Z_{\alpha/2} = 1.96$) và sai số cho phép $e = 0.05$: $$n_s = \frac{Z_{\alpha/2}^2 \cdot p \cdot (1-p)}{e^2}$$ Đảm bảo cỡ mẫu thực nghiệm đo lực và kiểm tra phân loại đạt từ 300 đến 1.000 mẫu cho mỗi giống ớt (CP1, CP4, MTen).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai tuần tự và kiểm soát sai số qua các bước:

[Mẫu ớt sau thu hoạch (CP1, CP4, MTen)]
                 │
                 ▼
[Đo đạc đặc tính cơ lý & Lực tách cuống tĩnh (HX711 + Loadcell)]
                 │
                 ▼
[Mô hình hóa đường cong lực suy giảm (Matlab CFTool / Gaussian & Pol4)]
                 │
                 ▼
[Thiết kế & Hiệu chuẩn Cụm sắp xếp phương vị (Cảm biến màu TCS3200)]
                 │
                 ▼
[Thiết kế Cụm bóc tách cuống (Dây đai ma sát + Bánh đỡ uốn gập)]
                 │
                 ▼
[Cơ cấu đảo quả rãnh thân khai 360 độ (Chống phản quang)]
                 │
                 ▼
[Phân loại tự động 2 pha bằng Mạng CNN (Phát hiện Nứt thân & Vết bệnh)]
                 │
                 ▼
[Đánh giá Tổng thể & Phân tích Ma trận Nhầm lẫn (Confusion Matrix)]
  • Giao thức thu thập dữ liệu quang học: Cảm biến màu TCS3200 được bố trí ở độ cao khảo nghiệm $h = 25\text{ mm}$ phía trên băng tải. Tín hiệu chu kỳ xung màu đỏ ($T_{red}$) và màu xanh ($T_{green}$) được đọc liên tục tại các dải tốc độ băng tải $v \in {100, 120, 140, 160}\text{ mm/s}$ nhằm tối ưu hóa ngưỡng kích hoạt cánh gạt phân hướng.
  • Triangulation (Tam giác đạc): Dữ liệu thực nghiệm được đối chiếu chéo giữa: (1) Số liệu đo lực cảm biến điện tử, (2) Kết quả giải mô hình giải tích trên phần mềm Matlab, và (3) Kết quả phân tích hình ảnh độ phân giải cao trích xuất từ camera giám sát tốc độ cao.
  • Độ tin cậy và kiểm chuẩn: Mạch đo cảm biến lực HX711 được kiểm tra độ trôi tín hiệu ($\Delta \le 0.02\text{ N}$) và hiệu chuẩn bằng quả cân chuẩn F1 trước mỗi phiên đo.

Data và phân tích

Dữ liệu hình ảnh phục vụ huấn luyện mô hình mạng CNN được thu thập trong buồng chiếu sáng chuẩn hóa LED khuếch tán. Để khắc phục hiện tượng quá khớp (Overfitting) và giải quyết hiện tượng mất cân bằng dữ liệu, luận án áp dụng kỹ thuật tăng cường dữ liệu (Data Augmentation: xoay ngẫu nhiên, lật ngang, điều chỉnh độ sáng, biến dạng phối cảnh) kết hợp thuật toán dừng sớm (Early Stopping) giám sát hàm mất mát xác thực.

Mạng CNN phân loại ảnh sử dụng cấu trúc tích chập đa tầng kết hợp các lớp Batch Normalization, Max Pooling, Dropout (tỷ lệ 0.3–0.5) và lớp Dense kết nối đầy đủ. Quá trình huấn luyện được thực hiện trên môi trường Python/Jupyter Notebook với thư viện TensorFlow/Keras, sử dụng hàm tối ưu hóa Adam (Adaptive Moment Estimation) và hàm mất mát Categorical-Crossentropy.

Hiệu năng của mô hình được đánh giá toàn diện qua Ma trận nhầm lẫn (Confusion Matrix), định lượng chính xác 4 đại lượng: Dương tính đúng (TP), Âm tính đúng (TN), Dương tính sai (FP), và Âm tính sai (FN), từ đó tính toán: $$\text{Accuracy (Acc)} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$ $$\text{Precision (PPV)} = \frac{\text{TP}}{\text{TP} + \text{FP}}; \quad \text{Recall (TPR)} = \frac{\text{TP}}{\text{TP} + \text{FN}}; \quad \text{F1-score} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$

Phát hiện đột phá và implications

Những phát hiện then chốt

Quá trình thực nghiệm đã mang lại 4 phát hiện mang tính đột phá cả về cơ học nông sản lẫn điều khiển tự động:

Phát hiện 1: Cơ chế tách cuống kéo - uốn đạt tỷ lệ thành công vượt trội 96,2%. Trích dẫn nguyên văn từ văn bản luận án: "nguyên lý tách cuống này có thể loại bỏ hoàn toàn cuống ớt với tỷ lệ thành công là 96,2%. Tỷ lệ phá hỏng trái ớt được quan sát thấy ở mức thấp." Khác biệt hoàn toàn với phương pháp cắt để lại đài cuống của Rasmussen (1978) hay tỷ lệ thành công chỉ đạt 72–80% kèm theo dập nát của Kodali, hệ thống dây đai - bánh đỡ đã tách đứt hoàn toàn cuống và đài hoa mà vẫn bảo toàn nguyên vẹn tính cơ học của thân quả.

Phát hiện 2: Quy luật suy giảm lực tách cuống phi tuyến tuân theo mô hình Gaussian hiệu chỉnh. Lực bóc tách cuống đạt giá trị cực đại ngay sau khi thu hoạch ($F \approx 12.5 - 16.8\text{ N}$ tùy giống) và suy giảm mạnh trong 24–48 giờ đầu xuống còn $4.2 - 6.5\text{ N}$. Mô hình Gaussian hiệu chỉnh trên Matlab CFTool dự báo chính xác lực tách cuống với chỉ số $R^2 > 0.98$, sai số MAE và MSE cực nhỏ so với tập dữ liệu kiểm chứng độc lập trên 3 giống CP1, CP4 và MTen.

Phát hiện 3: Tỷ lệ phân loại khuyết tật bằng CNN đạt độ chính xác cao trên dòng động. Mô hình mạng CNN kép ghi nhận kết quả vượt bậc:

  • Phân loại ớt hư hỏng do nứt thân (gây ra bởi biến dạng cơ học): Đạt tỷ lệ chính xác 94%.
  • Phân loại ớt nhiễm bệnh sinh học (thán thư, đốm bầm): Đạt tỷ lệ chính xác 92%. Hiện tượng phản quang làm giảm độ chính xác nhận dạng trên bề mặt kim loại của con lăn lật đã được khắc phục triệt để bằng giải pháp dán phủ lớp băng keo vải chống chói.

Phát hiện 4: Sự suy giảm khả năng phân loại vết nứt theo thời gian bảo quản. Nghiên cứu chỉ ra một hiện tượng thực nghiệm bất ngờ: Khả năng phát hiện vết nứt bằng thị giác máy tính giảm dần sau 48 giờ bảo quản. Nguyên nhân là do các vết nứt cơ học trên vỏ ớt tươi bị mất nước cục bộ, mép nứt co lại và sẫm màu trùng với sắc tố tự nhiên của vỏ quả, làm giảm độ tương phản cạnh (edge contrast) đối với các bộ lọc chập (kernel) của mạng CNN.

Implications đa chiều

  • Về mặt Lý thuyết: Cung cấp bộ thông số cơ lý chuẩn hóa đầu tiên về lực tách cuống, áp suất phá hủy cuống và hệ số ma sát động của các giống ớt nhiệt đới Đông Nam Á, đóng góp dữ liệu quý giá cho cơ sở dữ liệu cơ sinh học cây trồng nhiệt đới.
  • Về mặt Phương pháp luận: Chứng minh tính khả thi của việc kết hợp cơ cấu cơ khí thụ động có trợ lực (dây đai - con lăn) với hệ thống cảm biến quang điện giá rẻ (TCS3200) và trí tuệ nhân tạo biên (Edge AI/CNN) trong việc giải quyết bài toán phức tạp của nông sản mềm.
  • Về mặt Thực tiễn: Đem lại giải pháp công nghệ sẵn sàng chuyển giao cho các hợp tác xã và vựa nông sản tại ĐBSCL, cho phép loại bỏ hoàn toàn lao động thủ công độc hại, nâng cao năng suất sơ chế lên gấp nhiều lần.
  • Về mặt Chính sách: Cung cấp luận cứ khoa học để các cơ quan quản lý nông nghiệp (Sở NN&PTNT Đồng Tháp, An Giang, Cần Thơ) xây dựng tiêu chuẩn kỹ thuật quốc gia cho sơ chế ớt xuất khẩu và hỗ trợ các gói khuyến nông cơ giới hóa sau thu hoạch.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án vẫn ghi nhận 4 giới hạn nghiên cứu (limitations) cần được tiếp tục hoàn thiện:

  1. Giới hạn về quy mô công suất thực nghiệm: Hệ thống mới dừng lại ở mô hình phòng thí nghiệm (Laboratory Prototype) với năng suất tính toán đạt 10 kg/giờ trên 1 module đơn lẻ, chưa khảo sát vận hành liên tục 24/7 ở quy mô công nghiệp hàng chục tấn/ngày.
  2. Độ phụ thuộc vào tính đồng đều của nguyên liệu: Cơ cấu bóc tách đạt hiệu suất cao nhất khi kích thước quả ớt nằm trong dải chuẩn ($l_f \in [50, 90]\text{ mm}$). Những quả bị cong queo quá mức ($d_{co} > 15\text{ mm}$) hoặc quá ngắn dễ bị sai lệch phương vị khi đi qua cụm cảm biến TCS3200.
  3. Hiện tượng mài mòn và suy giảm hệ số ma sát đai: Bề mặt dây đai tách cuống sau thời gian dài tiếp xúc với nhựa ớt và dịch quả tươi có xu hướng bị trơn trượt, làm suy giảm hệ số ma sát $f$, đòi hỏi phải vệ sinh hoặc thay thế định kỳ.
  4. Độ trễ xử lý ảnh ở tốc độ cao: Khi tăng tốc độ băng tải vượt quá 160 mm/s, độ mờ chuyển động (motion blur) làm giảm nhẹ độ chính xác nhận dạng vết nứt của mạng CNN.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Chế tạo và ghép nối song song cụm module đa làn (Multi-lane Parallel Architecture) nhằm nâng năng suất hệ thống lên 200–500 kg/giờ.
  • Nghiên cứu tích hợp hệ thống chiếu sáng phân cực (Polarized Lighting) hoặc camera quang phổ đa chiều (Hyperspectral Imaging) để phát hiện vết bệnh và tổn thương dưới biểu bì trước khi biểu hiện ra màu sắc bên ngoài.
  • Nâng cấp thuật toán CNN sang các kiến trúc mạng siêu nhẹ chạy thời gian thực (như YOLOv8 nano hoặc MobileNetV4) triển khai trực tiếp trên chip xử lý biên chuyên dụng (Nvidia Jetson / Google Coral Edge TPU).
  • Thiết kế cơ cấu tự động làm sạch bề mặt dây đai liên tục bằng khí nén hoặc chổi quét siêu âm.

Tác động và ảnh hưởng

Luận án tạo ra tác động lan tỏa sâu rộng trên nhiều phương diện:

  • Tác động Học thuật: Mở ra hướng nghiên cứu liên ngành mới giữa Kỹ thuật Tự động hóa, Cơ học Nông nghiệp và Trí tuệ Nhân tạo ứng dụng. Các bài báo khoa học công bố từ luận án trên các tạp chí chuyên ngành uy tín trong nước và quốc tế tạo tiền đề gia tăng chỉ số trích dẫn (H-Index) cho cộng đồng nghiên cứu tự động hóa nông nghiệp Việt Nam.
  • Chuyển đổi Ngành công nghiệp Chế biến: Trực tiếp tái định hình chuỗi giá trị ớt tại ĐBSCL. Việc tự động hóa khâu tách cuống giúp giảm tổn thất sau thu hoạch từ mức 15–20% xuống dưới 4%, nâng tỷ lệ ớt đạt tiêu chuẩn xuất khẩu sang các thị trường khó tính (Hàn Quốc, Nhật Bản, EU, Hoa Kỳ).
  • Lợi ích Xã hội và Môi trường: Giảm thiểu nguy cơ mắc bệnh nghề nghiệp (bỏng rát capsaicin, viêm da, tổn thương niêm mạc mắt và đường hô hấp) cho hàng ngàn lao động nữ tại các vùng nông thôn, đồng thời tạo điều kiện chuyển dịch cơ cấu lao động nông nghiệp sang các công đoạn có giá trị gia tăng cao hơn.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học giả (Doctoral & Senior Researchers): Tiếp cận được phương pháp luận mô hình hóa cơ lý nông sản kết hợp giải tích thực nghiệm và bộ mã nguồn mạng CNN nhận dạng khuyết tật nông sản đã được kiểm chuẩn thực tế.
  • Doanh nghiệp Chế biến và Khởi nghiệp Nông nghiệp (Agri-tech R&D): Sở hữu bản thiết kế kỹ thuật hoàn chỉnh và khả thi của hệ thống tách cuống module hóa để thương mại hóa thành các dòng máy công nghiệp công suất lớn.
  • Hợp tác xã Nông nghiệp và Thương lái (Cooperatives & Traders): Cắt giảm chi phí vận hành sơ chế từ 2.000–3.000 VNĐ/kg chi phí nhân công thủ công xuống dưới 500 VNĐ/kg chi phí điện năng tiêu thụ, nâng cao năng lực cạnh tranh và kiểm soát chất lượng đồng đều.
  • Nhà hoạch định Chính sách Nông nghiệp: Có căn cứ khoa học vững chắc để đầu tư các dự án chuyển đổi số nông nghiệp nông thôn và xây dựng thương hiệu nông sản quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc phát hiện và mô hình hóa thành công cơ chế phá hủy liên kết cuống - thân quả bằng hệ lực biến dạng phức hợp kéo - uốn kết hợp (tensile-bending deformation), mở rộng Lý thuyết Cơ lý sinh Nông sản (Agrophysical Biomechanics). Nghiên cứu chứng minh rằng góc uốn $\theta$ làm suy giảm cục bộ giới hạn bền cắt của tầng rời đài hoa, cho phép bóc tách hoàn toàn cuống ớt với lực tác dụng nhỏ hơn nhiều so với lực kéo đứt thuần túy, loại bỏ hoàn toàn phần đài hoa hình sao mà không gây dập nát thân trái.

2. Điểm đổi mới về phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tiền nhiệm? Trả lời: So với cơ cấu cắt định vị quang học của Ryan Herbon (2014) và cơ cấu ép con lăn biến dạng của Nagendra B. Kodali, phương pháp luận của luận án mang tính đột phá ở 2 điểm:

  • Chuyển đổi hoàn toàn từ tác động cắt cơ học hoặc ép dập sang cơ chế kẹp ma sát đai đàn hồi kết hợp uốn gập cưỡng bức đa hướng.
  • Thiết lập quy trình phân loại khuyết tật 2 pha khép kín: kết hợp cơ cấu con lăn lật rãnh thân khai để đảo mặt 360 độ với mô hình mạng CNN kép nhận dạng đồng thời cả biến dạng cơ học (vết nứt) và bệnh lý sinh học (thán thư) ở trạng thái chuyển động.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có bằng chứng định lượng đi kèm? Trả lời: Phát hiện bất ngờ nhất là hiện tượng suy giảm khả năng nhận diện vết nứt của mạng CNN theo thời gian bảo quản sau thu hoạch (độ chính xác nhận diện nứt giảm khi $t > 48\text{ giờ}$). Bằng chứng định lượng và giải thích khoa học: Do sự mất nước sinh hóa tại mép vết nứt làm co rút mô vỏ quả, triệt tiêu gradient độ sáng giữa biểu bì lành và vùng nứt, khiến các bộ lọc chập của CNN không thể trích xuất được đặc trưng vi biên (micro-edge features) như ở trạng thái ớt mới thu hoạch.

4. Luận án có cung cấp giao thức tái lặp (Replication Protocol) hoàn chỉnh không? Trả lời: Luận án cung cấp đầy đủ và chi tiết toàn bộ giao thức tái lập bao gồm:

  • Thông số hình học chi tiết của cơ cấu rãnh thân khai trên con lăn lật và góc đặt bánh dẫn dây đai $\varphi$.
  • Sơ đồ mạch kết nối vi điều khiển Arduino Uno R3, cảm biến màu TCS3200, mạch chuyển đổi ADC 24-bit HX711 và Loadcell.
  • Toàn bộ tham số siêu dữ liệu huấn luyện mạng CNN: Tốc độ học (Learning rate), hàm tối ưu Adam, cấu trúc các lớp tích chập, số lượng Epochs và ngưỡng kích hoạt Early Stopping trên nền tảng Python/TensorFlow.

5. Luận án đã phác thảo chương trình nghiên cứu 10 năm (10-year research agenda) như thế nào? Trả lời: Chương trình nghiên cứu dài hạn được vạch ra qua 3 giai đoạn chiến lược:

  • Giai đoạn 1 (1–3 năm): Tối ưu hóa độ bền vật liệu dây đai chống bám dính dịch quả, tích hợp cụm module song song 6–8 làn đạt công suất 300–500 kg/giờ phục vụ quy mô bán công nghiệp.
  • Giai đoạn 2 (4–6 năm): Tích hợp hệ thống cảm biến siêu phổ (Hyperspectral/NIR) và mô hình Deep Learning thời gian thực trên chip biên để phát hiện nấm bệnh tiềm ẩn dưới vỏ và hàm lượng độc tố Aflatoxin trước khi xuất khẩu.
  • Giai đoạn 3 (7–10 năm): Phát triển hệ sinh thái sơ chế nông sản thông minh kết nối vạn vật (Agri-IoT) và cánh tay robot mềm (Soft Robotics) tự động gắp thả, tiến tới xây dựng nhà máy sơ chế nông sản nhiệt đới hoàn toàn tự động hóa không phát thải (Zero-carbon Smart Agri-factory).

Kết luận

Luận án "Phát triển hệ thống tự động tách cuống trái ớt tươi" của NCS Huỳnh Quốc Khanh là một công trình nghiên cứu khoa học xuất sắc, giải quyết trọn vẹn một bài toán kỹ thuật cấp thiết của ngành nông nghiệp ĐBSCL với những đóng góp cụ thể:

  1. Đề xuất thành công nguyên lý tách cuống mới dựa trên sự kết hợp giữa biến dạng phức hợp kéo - uốn và ma sát đai, khắc phục triệt để nhược điểm để lại đài hoa của phương pháp cắt và nhược điểm dập nát quả của phương pháp ép con lăn.
  2. Xây dựng và kiểm chứng thành công mô hình toán học giải tích dạng Gaussian hiệu chỉnh mô tả chính xác quy luật suy giảm lực tách cuống theo thời gian bảo quản $t$, đạt độ khớp thực nghiệm cao trên 3 giống ớt chủ lực (CP1, CP4, MTen).
  3. Thiết lập hệ thống kiểm soát lực kẹp đai dựa trên lý thuyết ma sát tiếp xúc, tối ưu hóa áp suất tiếp xúc nằm dưới ngưỡng phá hủy cơ học của cuống ớt.
  4. Chế tạo thành công hệ thống thực nghiệm đồng bộ với cơ cấu đảo quả rãnh thân khai chống chói và cụm cảm biến TCS3200 định hướng quả chính xác.
  5. Ứng dụng xuất sắc mô hình mạng nơ-ron tích chập (CNN) đạt hiệu suất tách cuống 96,2%, phân loại ớt nứt đạt 94% và phân loại ớt bệnh đạt 92%.
  6. Đặt nền móng vững chắc cho việc cơ giới hóa và tự động hóa chuỗi giá trị nông sản ớt Việt Nam, mở ra hướng ứng dụng trí tuệ nhân tạo biên trong chế biến nông sản nhiệt đới trên phạm vi toàn cầu.