Camera AI phân loại nông sản làm tốt ba việc: chia cỡ, chia màu chín và loại quả có vết hỏng nhìn thấy được trên bề mặt; nó không thay được người ở những lỗi nằm bên trong ruột quả hay lỗi phải sờ, phải ngửi mới biết. Với một cơ sở sơ chế vài chục tấn mỗi tuần, cái lợi lớn nhất thường không phải là bớt người, mà là các lô hàng đồng đều hơn và có số liệu để nói chuyện với bên mua khi bị trả hàng.
Bài này dành cho chủ cơ sở đóng gói trái cây, hợp tác xã rau củ, xưởng sơ chế hạt đang cân nhắc thử một trạm camera. Phần kỹ thuật canh tác và chăm cây thuộc trang AI Nông Nghiệp; ở đây chỉ bàn khúc sau thu hoạch: hàng đã về tới nhà sơ chế, cần chia loại cho đúng yêu cầu của từng bên mua. Mọi con số trong bài là ví dụ giả định để bạn hình dung cách tính.
Camera nhìn thấy gì và không nhìn thấy gì trên một quả
Một hệ thống phân loại bằng hình ảnh về bản chất là máy ảnh chụp từng quả khi nó lăn qua, cộng với một mô hình đã được dạy để nhận ra các đặc điểm. Những gì thể hiện rõ trên ảnh thì máy làm tốt: đường kính và diện tích bề mặt để suy ra cỡ, tỉ lệ màu xanh – vàng – đỏ để đoán độ chín, đốm thâm, vết nứt, vết côn trùng chích, vỏ xước, quả méo dạng. Khi băng chuyền có con lăn làm quả xoay, camera chụp được nhiều mặt hơn, nên số vết hỏng bị giấu ở mặt dưới giảm đi.
Những gì không thể hiện trên ảnh thường thì camera thông thường chịu. Quả bị thối từ cuống vào trong, ruột bị sượng, sầu riêng chưa đủ già, xoài bị đốm nội, độ ngọt – những thứ này cần cảm biến khác như cận hồng ngoại, cân tỉ trọng, hoặc người có kinh nghiệm gõ, bóp, bổ thử. Thiết bị đo cận hồng ngoại có tồn tại nhưng đắt hơn và cần hiệu chỉnh riêng cho từng loại quả, nên với cơ sở nhỏ, bạn nên coi đó là bước sau.
Một ranh giới nữa: AI chỉ học được cái mà người dạy nó đã thống nhất. Nếu hai tổ trưởng trong xưởng hiểu "loại hai" khác nhau, máy sẽ học một thứ lẫn lộn. Vì vậy trước khi nói tới camera, việc đầu tiên là viết ra bộ tiêu chí phân loại bằng chữ và bằng ảnh mẫu, sao cho người mới vào làm một tuần cũng đọc là hiểu.
Chuẩn bị bộ ảnh mẫu trước khi nói chuyện với nhà cung cấp thiết bị
Nhiều cơ sở mua máy trước rồi mới lo dữ liệu, sau đó mất cả vụ để chỉnh. Làm ngược lại rẻ hơn nhiều. Bộ ảnh mẫu tự chụp bằng điện thoại cũng đủ để bạn hiểu bài toán và để bên cung cấp đánh giá có làm được không.
- Viết bảng tiêu chí: mỗi loại hàng (loại một, loại hai, hàng chế biến, hàng bỏ) mô tả bằng hai ba câu, kèm cỡ tối thiểu, màu chấp nhận, số và kích thước vết được phép.
- Dựng một góc chụp cố định: tấm nền màu trung tính, đèn trắng chiếu đều từ hai bên, điện thoại gắn giá đỡ cách mặt bàn một khoảng cố định. Thay đổi ánh sáng giữa các buổi chụp là nguyên nhân số một khiến mô hình nhận nhầm màu chín.
- Chụp mỗi loại vài trăm quả, mỗi quả hai mặt, ghi tên tệp theo loại do người kiểm có kinh nghiệm quyết định. Nhớ chụp đủ quả "khó": vừa ranh giới giữa hai loại, vết nhỏ, quả dính đất.
- Cho hai người phân loại độc lập cùng một rổ mẫu rồi so kết quả. Chỗ họ bất đồng là chỗ tiêu chí còn mơ hồ, cần sửa chữ trước khi dạy máy.
- Giữ riêng một phần ảnh không dùng để dạy, để sau này thử xem máy làm đúng tới đâu trên hàng nó chưa từng thấy.
Bạn có thể nhờ chatbot giúp viết bảng tiêu chí cho rõ ràng. Câu lệnh mẫu: "Dưới đây là cách xưởng phân loại bơ sáp thành bốn loại, viết theo lời của tổ trưởng. Hãy viết lại thành bảng tiêu chí có cột: tên loại, cỡ, màu vỏ, vết được phép, ví dụ quả bị loại; chỗ nào lời mô tả mâu thuẫn hoặc thiếu thì liệt kê thành câu hỏi để xưởng trả lời." Chỉ dán mô tả kỹ thuật, không dán tên khách mua hay giá thu mua.
Hai loại sai cần đo: bỏ sót hàng hỏng và loại nhầm hàng tốt
Khi bên cung cấp nói máy "chính xác chín mươi mấy phần trăm", câu hỏi cần hỏi lại là chính xác theo nghĩa nào. Với phân loại nông sản có hai kiểu sai, và cái giá của mỗi kiểu khác nhau tuỳ đầu ra của bạn.
| Kiểu sai | Hậu quả thường gặp | Ai chịu thiệt | Cách giảm |
|---|---|---|---|
| Bỏ sót: quả hỏng lọt vào loại tốt | Bên mua kiểm lô thấy lỗi, trả cả lô hoặc trừ tiền; hàng xuất khẩu có thể bị giữ | Cơ sở và uy tín với bên mua | Đặt một người kiểm lại cuối dòng, đặt ngưỡng của máy khắt khe hơn |
| Loại nhầm: quả tốt bị xếp xuống loại thấp | Bán giá thấp hơn đáng có, lặng lẽ mất tiền mỗi ngày | Cơ sở và người trồng nếu trả theo loại | Cho người nhặt lại từ máng hàng bị loại theo mẫu ngẫu nhiên |
| Lệch cỡ: đo sai đường kính | Hộp đóng không đều, khách lẻ phàn nàn | Cơ sở | Hiệu chỉnh bằng vật mẫu có kích thước biết trước mỗi đầu ca |
Ví dụ giả định: một ca phân loại mười nghìn quả, trong đó có năm trăm quả hỏng. Máy bắt được bốn trăm năm mươi quả hỏng, bỏ sót năm mươi; đồng thời loại nhầm ba trăm quả tốt. Con số "đúng chín mươi bảy phần trăm" nghe rất đẹp, nhưng năm mươi quả hỏng nằm rải rác trong các thùng loại một có thể đủ để một bên mua khó tính trả hàng. Vì vậy hãy yêu cầu bên cung cấp đưa riêng hai con số bỏ sót và loại nhầm, đo trên hàng của chính bạn.
Bắt đầu bằng một trạm thử, không thay cả dây chuyền
Chọn đúng một loại hàng và một lỗi khó chịu nhất. Ví dụ thanh long ở Lâm Đồng hay xoài ở Đồng Tháp, lỗi là vết thâm do va đập. Bài toán hẹp giúp đo được kết quả trong vài tuần thay vì vài tháng.
Chạy song song với người. Trong giai đoạn thử, máy chỉ ghi nhận và chấm loại, người vẫn phân loại như cũ. Cuối ca so hai kết quả trên cùng một mẫu. Cách này không làm gián đoạn đơn hàng và cho bạn số liệu thật.
Giữ nguyên điều kiện vận hành. Tốc độ băng chuyền, độ sáng, độ bẩn của quả khi lên băng ảnh hưởng mạnh tới kết quả. Thử ở tốc độ chậm rồi tăng dần, ghi lại ở tốc độ nào thì tỉ lệ bỏ sót bắt đầu tăng.
Ghi lỗi theo ảnh, không theo trí nhớ. Mỗi lần máy sai, lưu lại ảnh quả đó cùng kết luận đúng của người. Bộ ảnh lỗi này là thứ quý nhất để dạy lại mô hình và để đàm phán với bên cung cấp.
Đặt điều kiện dừng thử từ đầu. Viết ra: sau bao nhiêu tuần, nếu tỉ lệ bỏ sót không xuống dưới mức bạn chấp nhận được thì dừng. Điều kiện viết trước giúp tránh cảm giác "đã bỏ tiền rồi thì cố thêm".
Người kiểm đứng ở đâu khi đã có máy
Kinh nghiệm chung ở các xưởng có máy phân loại là người không biến mất, mà đổi chỗ đứng. Thay vì nhặt từng quả trên toàn bộ dòng hàng, người kiểm đứng ở hai điểm: cuối máng loại một để nhặt những quả máy bỏ sót, và ở máng hàng bị loại để vớt lại quả tốt bị xếp nhầm. Hai điểm này cần người có kinh nghiệm nhất, vì họ đang sửa sai cho máy chứ không làm việc lặp đi lặp lại.
Mỗi ca nên có một lần lấy mẫu ngẫu nhiên từ thùng thành phẩm, ví dụ mỗi giờ một thùng, kiểm lại toàn bộ bằng tay và ghi kết quả vào biểu mẫu. Đây là con số bạn sẽ đưa cho bên mua khi họ hỏi về chất lượng lô, và cũng là tín hiệu sớm khi mô hình bắt đầu sai vì hàng đầu vụ khác hàng giữa vụ.
Một điểm hay bị quên là vệ sinh và an toàn thực phẩm của chính thiết bị. Con lăn, băng chuyền, kính bảo vệ camera tiếp xúc trực tiếp hoặc gần với hàng; chúng cần nằm trong lịch vệ sinh của xưởng như mọi bề mặt khác. Kính camera mờ bụi hay đọng hơi nước cũng làm máy nhận nhầm màu, nên lau kính là việc của đầu ca chứ không đợi khi thấy máy sai.
Dùng chatbot để đọc số liệu phân loại cuối tuần
Máy phân loại thường xuất được bảng số liệu theo ca: số quả mỗi loại, số quả bị loại theo từng lý do. Bảng này để trong máy thì vô ích; mang ra đọc mỗi tuần mới thấy giá trị. Chatbot giúp bạn đọc nhanh nếu bạn hỏi đúng.
- Hỏi xu hướng: tỉ lệ hàng loại một của từng nhà vườn thay đổi thế nào qua các tuần, nhà vườn nào giảm đột ngột.
- Hỏi nguyên nhân bị loại: lý do loại nào tăng nhanh nhất, có trùng với tuần mưa nhiều hay đợt vận chuyển xa không.
- Hỏi chênh lệch giữa ca: ca đêm có tỉ lệ loại nhầm cao hơn ca ngày không, điều này gợi ý kiểm lại đèn hoặc tốc độ băng.
- Hỏi để lập câu hỏi cho buổi họp với nhà vườn, chứ không để kết luận lỗi của ai.
- Trước khi dán, thay tên nhà vườn bằng mã như NV01, NV02 và bỏ giá thu mua; chatbot không cần biết ai là ai để tìm xu hướng.
Nhớ rằng con số từ máy cũng có sai số. Một nhà vườn tụt tỉ lệ loại một trong một tuần có thể do máy, do đèn, hay do xe chở hàng xóc. Dùng số liệu làm điểm bắt đầu cuộc trò chuyện, không làm bằng chứng để ép giá.
Nối tiêu chí phân loại với phản hồi của bên mua
Bộ tiêu chí phân loại không đứng yên. Bên mua siêu thị có thể khắt khe với vết xước vỏ nhưng dễ với cỡ; bên mua chế biến lại chỉ quan tâm độ chín và thối hỏng. Khi cùng một xưởng giao cho nhiều đầu ra, mỗi đầu ra cần một bộ ngưỡng riêng trên máy, và người phụ trách chất lượng phải biết lô nào đang chạy theo ngưỡng nào.
Mỗi lần bị trả hàng hay bị trừ tiền, hãy ghi lại lý do bên mua đưa ra, kèm ảnh nếu họ gửi, rồi đối chiếu với ảnh máy đã chụp lô đó. Có ba khả năng: máy đã bỏ sót, tiêu chí của xưởng lỏng hơn yêu cầu của bên mua, hoặc hàng hỏng trên đường vận chuyển sau khi rời xưởng. Mỗi khả năng dẫn tới một cách sửa khác nhau, và chỉ có ảnh lưu theo lô mới giúp bạn phân biệt được.
Sau mỗi vụ, ngồi lại với bộ ảnh lỗi và danh sách phàn nàn để sửa bảng tiêu chí, rồi mới dạy lại mô hình. Thứ tự này giữ cho máy luôn học theo cái bên mua thật sự cần, chứ không theo thói quen cũ của xưởng.
Câu hỏi thường gặp
Cơ sở sơ chế nhỏ có cần máy phân loại bằng camera không?
Không phải lúc nào cũng cần. Nếu hàng ít, bên mua dễ tính và người phân loại có kinh nghiệm ổn định, viết rõ tiêu chí và kiểm mẫu đều đặn đã giải quyết phần lớn vấn đề. Camera đáng cân nhắc khi khối lượng lớn, thiếu người lành nghề hoặc bên mua đòi số liệu đồng đều theo lô.
Camera AI có phát hiện được quả hỏng bên trong không?
Camera ảnh thường chỉ thấy bề mặt, nên không phát hiện được thối ruột, sượng hay đốm bên trong. Một số máy dùng thêm cảm biến cận hồng ngoại hoặc cân tỉ trọng để đoán phần ruột, nhưng cần hiệu chỉnh riêng cho từng loại quả. Với lỗi bên trong, bổ mẫu kiểm vẫn là cách tin được.
Cần bao nhiêu ảnh mẫu để thử một trạm camera?
Không có con số chung, tuỳ loại hàng và số lỗi cần nhận. Cách làm hợp lý là chụp vài trăm quả cho mỗi loại, đủ cả quả khó nằm ở ranh giới hai loại, rồi để bên cung cấp thử trên phần ảnh giữ riêng. Kết quả trên ảnh giữ riêng mới phản ánh đúng khả năng thật.
Làm sao biết máy phân loại đang làm tốt hay kém?
Đo riêng hai con số: tỉ lệ quả hỏng lọt vào hàng tốt và tỉ lệ quả tốt bị loại nhầm, trên mẫu do người kiểm lại bằng tay. Lấy mẫu đều mỗi ca và ghi vào biểu mẫu. Một con số chính xác chung chung không cho bạn biết đang mất tiền ở đâu.
Ánh sáng ảnh hưởng thế nào đến việc phân loại màu chín?
Rất nhiều. Đèn đổi màu hay độ sáng giữa các ca khiến cùng một quả trông chín hơn hoặc xanh hơn trên ảnh. Nên dùng đèn trắng cố định, che ánh sáng ngoài trời, và kiểm bằng một vật mẫu màu chuẩn ở đầu mỗi ca.
Có nên dán số liệu phân loại của từng nhà vườn vào chatbot không?
Được, nếu đã thay tên nhà vườn bằng mã và bỏ giá thu mua, hợp đồng. Chatbot chỉ cần số quả theo loại và lý do loại để tìm xu hướng. Bảng ghép mã với tên thật giữ riêng ở máy của cơ sở.