Nghiên cứu nhận biết độ tươi của cá dựa trên đặc trưng độ cong nhãn cầu cá

Bài viết Nghiên cứu nhận biết độ tươi của cá dựa trên đặc trưng độ cong nhãn cầu cá nghiên cứu phát triển một đặc trưng mới - độ cong của nhãn cầu cá với các kỹ thuật nhận dạng độ cong như phương pháp vector, độ lệch chuẩn, bình phương tối thiểu. Nhóm nghiên cứu đã thiết kế và thi công hệ thống chụp và xử lý tự động riêng để xây dựng cơ sở dữ liệu gồm 125 hình mắt cá diếc. Mời các bạn cùng tham khảo!

Nghiên cứu nhận biết độ tươi của cá dựa trên

đặc trưng độ cong nhãn cầu cá

Trần Thị Nguyệt Hà1, Hồ Xuân Đạt1, Lê Vũ Hoàng Đức1, Ngô Hồng Hoàng1, Nguyễn Thanh Liêm1,

Nguyễn Bá Hoàng2, Phạm Văn Tuấn1,2, Nguyễn Thị Anh Thư1,2*

1Khoa Khoa học Công nghệ tiên tiến, Trường Đại học bách khoa - Đại học Đà Nẵng

2Công ty TNHH MTV L.Y.D.I.N.C Email:ttnguyetha2001@gmail.com, vailvy225@gmail.com, levhoangduc@gmail.com,

honghoangngo@gmail.com,liem1762001@gmail.com,bahoang271199@gmail.com,pvtuan@dut.udn.vn,

ntathu@dut.udn.vn

Abstract- Chất lượng thực phẩm, đặc biệt là độ tươi của

cá luôn là vấn đề được quan tâm hiện nay Trong nghiên

cứu trước đây, nhóm tác giả đã đưa ra giải pháp về phát

hiện độ tươi của cá bằng phương pháp xử lý hình ảnh

thông qua trích xuất các đặc trưng của mắt cá và phân

loại dựa trên phương pháp ngưỡng và mạng nơron Bài

báo này nghiên cứu phát triển một đặc trưng mới - độ

cong của nhãn cầu cá với các kỹ thuật nhận dạng độ cong

như phương pháp vector, độ lệch chuẩn, bình phương tối

thiểu Nhóm nghiên cứu đã thiết kế và thi công hệ thống

chụp và xử lý tự động riêng để xây dựng cơ sở dữ liệu

gồm 125 hình mắt cá diếc Kết quả nghiên cứu với mô

hình thống kê (trung bình và phương sai) phát triển từ dữ

liệu huấn luyện đã cho thấy tính khả thi của đặc trưng độ

cong nhãn cầu trong ứng dụng để đánh giá độ tươi của cá

và có thể thử nghiệm mở rộng trên số lượng dữ liệu lớn

và cho các loại cá khác nhau.

Keywords- Nhận dạng độ tươi cá, đặc trưng độ cong

nhãn cầu, thu thập dữ liệu tự động, xử lý hình ảnh.

I GIỚI THIỆU

Cá là nguồn thực phẩm dinh dưỡng cho con người

Vấn đề về vệ sinh an toàn thực phẩm và chất lượng của

loại thực phẩm này ngày càng được quan tâm Vì lý do

đó, ngày càng nhiều các nghiên cứu được thực hiện với

những cách tiếp cận khác nhau nhằm xác định độ tươi

của cá

Trong số đó, một nghiên cứu của nhóm tác giả tại

trường đại học Amity, Noida, Ấn Độ vào năm 2016 [1]

sử dụng phương thức đo lường hình thái qua việc khảo

sát sự thay đổi về mang cá Theo bài viết, quan sát

bằng mắt thường cho thấy mang của cá Rohu ở

NIASM, Ấn Độ có sự thay đổi rõ rệt về màu đỏ của

mang cá giữa lúc tươi và lúc ươn Tuy nhiên phương

pháp được xây dựng ở trên chỉ có thể áp dụng được

cho một loài cá Rohu ở Ấn Độ Theo một nghiên cứu

khác đến từ trường đại học Zhejiang, Trung Quốc vào

năm 2013 [2] đã áp dụng phương pháp phát hiện độ

tươi thông qua qua sự thay đổi năng lượng trên hình

ảnh mắt cá và đã cho ra kết quả nhận diện được độ tươi

của cá nhanh chóng theo như bài báo đã kết luận Tuy

nhiên, việc chỉ thu 4 hình ảnh cho một mẫu thử trong

vòng 24 giờ khiến cho tính chính xác của nghiên cứu còn hạn chế Một nghiên cứu khác đến từ trường đại học Natural and Applied Sciences of Dokuz Eylül, Thổ Nhĩ Kỳ [3] vào năm 2013 đã sử dụng một hệ thống tự động thu thập dữ liệu với một điện thoại thông minh và một bộ các giá đỡ với dữ liệu thu được là hình ảnh cá nhìn từ trên xuống Tuy nhiên, hệ thống này vẫn còn hạn chế bởi góc đặt máy ảnh và khả năng thu thập dữ liệu vì chỉ có một mẫu cá trong mỗi lần chụp Một thiết

kế đã được áp dụng trong một bài báo vào năm 2018 [4] với khả năng nhận diện và phân đoạn tự động tuy nhiên vẫn còn tồn tại nhược điểm khi phải thu thập thủ công bằng điện thoại

Với hướng tiếp cận chẩn đoán không xâm lấn, nhóm tác giả đã công bố trong năm 2020 [5] kết quả nghiên cứu mới về hệ thống xác định được độ tươi của

cá dựa trên phương pháp so sánh ngưỡng và mạng nơron nhân tạo với những đặc trưng hình ảnh liên quan đến sự thay đổi đặc trưng sinh lý của mắt cá: tập 12 đường cắt (F0), giá trị nhỏ nhất của tập F0 (F1), biểu

đồ tần suất của hình ảnh mắt cá (F2), độ lệch chuẩn của tập F0 (F3) Những đặc trưng này được kiểm nghiệm hiệu quả trên cá diếc với cả hai phương pháp Với kết quả của nghiên cứu đạt được sự chính xác 100% trên

dữ liệu huấn luyện và 7 trên 9 mô đun đạt 100% trên

dữ liệu kiểm thử Trong đó, đặc trưng F2, F4 có độ chính xác 100% trên cả 2 phương pháp, và F3 có độ chính xác thấp nhất, đạt 100% trên phương pháp mạng nơron nhưng chỉ được 84% cho bộ dữ liệu huấn luyện

và 78% cho bộ thử bằng phương pháp ngưỡng Đến năm 2021, chúng tôi đã mở rộng phạm vi nghiên cứu

và đánh giá được độ khả thi của những đặc trưng đó đối với bốn loại cá: cá rô, cá diếc, cá đối, cá dìa [6]

Mô hình mạng nơron đã cho ra kết quả với độ chính xác đạt 94,9%, 89,9% và 88,4% cho ba đặc trưng F0, F1, F2 Trong đó, F0 đạt độ chính xác cao nhất và được công nhận là đặc trưng hiệu quả để đánh giá độ tươi cho mọi loại cá Thêm vào đó, khi mở rộng số lượng loại cá, đặc trưng F3 được xem như đặc trưng riêng để đánh giá độ tươi của một số loại cá cụ thể Tuy nhiên,

bộ dữ liệu được thu thập thủ công, chưa đầy đủ là

nhược điểm của nghiên cứu này

Với mục tiêu nâng cao hiệu quả đánh giá độ tươi của

cá thông qua đánh giá các đặc trưng hình ảnh của mắt

cá, bên cạnh việc áp dụng phối hợp các đặc trưng đã

được nghiên cứu trước đó (F0, F1, F2, F3), nghiên cứu

này tiếp tục phát triển một đặc trưng mới về độ cong

nhãn cầu của cá Qua đó chứng minh giả định độ cong

nhãn cầu của cá biến đổi theo thời gian và có thể được

dùng để xác định tình trạng tươi/ươn của một số loại

cá, góp phần củng cố và bổ trợ cho bộ các đặc trưng

trước đó Đồng thời, để có thể xây dựng một bộ dữ liệu

lớn và nhất quán, phục vụ cho việc nghiên cứu thử

nghiệm của đề tài và các nghiên cứu khác, bài báo

chúng tôi xây dựng một mô hình chụp và xử lý ảnh tự

động, có khả năng chụp đồng thời nhiều mẫu cá và

chụp liên tục mỗi giờ từ 0-24 giờ từ lúc cá bắt đầu chết,

với cùng điều kiện chụp và lưu trữ cũng như xử lý tự

động

Phần tiếp theo của nghiên cứu này sẽ tập trung vào

những nội dung chính sau: giả định về độ cong nhãn

cầu cá, thiết kế hệ thống chụp tự động, phương pháp

xử lý dữ liệu đường cong, dữ liệu thực nghiệm, kết quả

và đánh giá

Dựa trên những nghiên cứu về sự biến đổi sinh lý

[7] của mắt khi cá chuyển từ trạng thái tươi sang ươn,

đồng thời dựa trên quan sát từ dữ liệu thực nghiệm như

mô tả trong hình 1, độ cong lồi của nhãn cầu của cá

biến thiên theo thời gian, thể hiện tương quan với độ

tươi của cá

Hình 1 Ảnh đường cong mắt cá dìa tại những giờ khác nhau

(0h, 5h, 16h, 24h)

Cụ thể, khi cá tươi, nhãn cầu cá căng, tròn và lồi,

giác mạc không bị nhăn nheo, nhưng khi cá ươn, nhãn

cầu cá bắt đầu có xu hướng phẳng và lõm Khi cá ở

môi trường trên cạn, tách khỏi nước trong một thời

gian dài sẽ dẫn đến hiện tượng mất nước, mắt cá sẽ xẹp

dần và không còn hình dáng tròn như lúc ban đầu Từ

cơ sở đó, chúng tôi đưa ra giả định rằng: độ cong của

nhãn cầu cá có xu hướng giảm khi chuyển từ tươi sang

ươn

Để chứng minh giả định này, chúng tôi tiến hành

xây dựng một hệ thống chụp ảnh tự động nhằm chụp

ảnh mắt cá liên tục mỗi giờ, từ 0-24 giờ sau khi cá chết

và phát triển các phương pháp xử lý ảnh nhằm xác định

tình trạng cong của nhãn cầu cá, thông qua đó đánh giá

độ tươi của cá

III THIẾT KẾ HỆ THỐNG CHỤP TỰ ĐỘNG

Để đảm bảo dữ liệu được đủ nhiều và đồng nhất phục vụ nghiên cứu, một hệ thống tự động thu thập dữ liệu được chế tạo, bao gồm cơ cấu quay, chiếu sáng, chụp, lưu trữ và xử lý phân đoạn tự động

A Hệ thống chụp tự động

Hình 2 Hộp chụp tự động

Nhằm đảm bảo điều kiện ánh sáng và góc chụp thống nhất trong suốt quá trình thu thập dữ liệu, hệ thống bao gồm một mặt bàn hình tròn có đường kính 50cm gắn với động cơ bước, cùng hệ thống ánh sáng gồm hộp chụp và đèn và một thiết bị chụp hình hiệu Rapoo được đặt cách mẫu cá 7cm theo phương ngang cùng với bộ điều khiển với thành phần chính là Raspberry Pi 3B được mô tả như hình 2 Trong đó, camera chụp ngang (được đánh dấu đỏ trong hình 2) được đặt hướng vào đường cong nhãn cầu của cá Mặt bàn được chia thành 5 phần bằng bìa trắng để phân biệt

5 mẫu cá trên bàn xoay, đồng thời để cố định nền phía sau ảnh chụp ngang, giúp thấy rõ độ cong của nhãn cầu Kết quả ảnh chụp đường cong có dạng như hình 3

Hình 3 Ảnh gốc nhãn cầu cá

Năm mẫu cá đặt vào 5 khuôn của mặt bàn xoay như hình 4, sẽ được lấy dữ liệu một tiếng một lần trong vòng 25 giờ sau khi chết Trong quá trình chụp, bàn sẽ xoay mỗi lần một góc 36°, dừng lại và tiếp tục chụp lấy mẫu tiếp theo và mất 2 phút để hoàn thành một lần chụp Nghiên cứu này xây dựng thuật toán cho hệ thống phù hợp với từng quy chuẩn thu thập dữ liệu của nhóm cũng như việc tự động đồng bộ dữ liệu lên dịch

vụ đám mây Kết quả của hệ thống tự động đạt được hiệu suất tốt và đáp ứng mọi yêu cầu xây dựng bộ dữ liệu được đề ra về số lượng dữ liệu, lâu dài, chính xác

và chi phí thấp

Hình 4 Mặt bàn tự xoay chụp từ trên xuống.

B Hệ thống cắt ảnh tự động

Đứng trước nhu cầu về xây dựng một hệ thống

giúp cắt giảm thời gian đáng kể cho việc tiền xử lý ảnh

với bộ dữ liệu lớn, cũng như ứng dụng hệ thống AI đã

xây dựng từ giai đoạn trước và trên hết là tạo tiền để để

dự án có thể đi kết quả cuối cùng là triển khai trên thiết

bị điện thoại người dùng Nghiên cứu này đề ra một mô

hình học máy nhằm tự động phân đoạn dữ liệu phục vụ

cho mục đích tiền xử lý ảnh Việc này bao gồm công

đoạn nhận diện vị trí mắt cá (hình 5a) và tiếp sau đó là

phân đoạn hình ảnh từ dữ liệu ảnh gốc sử dụng công

nghệ Instance Segmentation để phân vùng dữ liệu mắt

cá nằm trong ảnh (hình 5b) Mục đích thiết kế hệ thống

với phần nền phía sau của cá màu trắng giúp cho việc

tự động phân vùng trở nên đơn giản hơn và đồng thời

đảm bảo độ chính xác cho mô hình học máy Từ kết

quả thu được, ảnh sẽ được chuyển sang dạng ảnh nhị

phân (hình 5c)

Hình 5 Các công đoạn tự động phân đoạn dữ liệu

Thuật toán tự động phân đoạn dữ liệu giúp giảm

đáng kể lượng dữ liệu và thời gian dành ra cho việc

tiền xử lý bằng cách lọc ra những thông tin không cần

thiết trong khi vẫn bảo toàn các đặc trưng hữu ích, cụ

thể là đường cong của mắt cá

C Phát triển cơ sở dữ liệu

Bộ dữ liệu này bao gồm 125 ảnh của 5 mẫu cá diếc

được thu thập Loại cá này khá phổ biến và được tiêu

thụ nhiều tại miền Trung Việt Nam nên được chọn làm

nghiên cứu Mỗi mẫu cá được mua từ chợ khi đang ở

trạng thái còn sống, sau đó tách nước và giữ ở nhiệt độ

phòng đến khi cá chết Ngay sau khi chết, hệ thống tự

động chụp ảnh được mô tả ở phần hệ thống sẽ bắt đầu

thu thập dữ liệu ảnh cá trong vòng 25 giờ

IV.PHƯƠNG PHÁP TRÍCH THUỘC TÍNH TỪ

ĐƯỜNG CONG NHÃN CẦU Trong nghiên cứu này, phương pháp xử lý hình ảnh được ứng dụng để khảo sát và đánh giá sự thay đổi về

độ cong của nhãn cầu cá

Đầu tiên, đường cong nhãn cầu được chụp lại, cắt

ra và thay đổi kích cỡ về 125x125 điểm ảnh để phục vụ cho việc phân tích Nhằm đơn giản hóa thuật toán, ảnh được chuyển thành ảnh xám (grayscale) thay vì ảnh màu (RGB) Sau đó, sử dụng phương pháp phân vùng ảnh, vùng mắt cá trong ảnh sẽ được trích xuất và chuyển về dạng ảnh nhị phân Để đảm bảo phương pháp xử lý có thể áp dụng được cho ảnh chụp với góc

độ khác nhau, các ảnh nhị phân đó tiếp theo sẽ được quay về song song với trục ngang như hình 6

Hình 6 Ảnh nhị phân của cá diếc tại những thời điểm (0h,

5h, 16h, 24h)

Vị trí của những điểm ảnh màu đen phía trên bề mặt đường cong sẽ được lưu lại dưới dạng tọa độ (y, x) với

x là tọa độ trên trục hoành, chiều dương từ trái qua phải và y là tọa độ trên trục tung , chiều dương từ trên xuống dưới Để phục vụ cho xử lý và tính toán, bộ tọa

độ này sẽ được đổi về hệ trục tọa độ xy tiêu chuẩn với trục tung y có chiều dương hướng lên trên Bộ số những tọa độ này sẽ được phân tích theo 3 hướng: bộ 4 vectơ độ dốc, thông số độ lệch chuẩn trên đường cong nhãn cầu và bình phương tối thiểu

A Phương pháp bộ 4 vectơ độ dốc

Trong phương pháp này, 4 vectơ độ dốc dọc theo đường cong nhãn cầu sẽ được xác định để đánh giá độ cong và từ đó xác định sự tương quan với độ tươi của

cá Với mục đích giảm độ phức tạp và thời gian xử lý của thuật toán, năm điểm đặc trưng trên đường cong được chọn và mô tả như hình 7 Đây là những điểm được chọn bởi vì chúng thể hiện sự thay đổi rõ rệt của mắt khi cá chuyển trạng thái từ tươi sang trạng thái ươn

Hình 7 Năm điểm được chọn trong phương pháp tính toán

độ dốc

Vị trí của các điểm đó sẽ được tính theo chiều ngang

của bức ảnh như sau:

- P1: điểm ở bên trái cùng của ảnh (điểm ảnh số 0);

- P2: điểm cách P1 một khoảng 1/4 chiều dài ảnh

(điểm ảnh số 31);

- P3: điểm chính giữa (điểm ảnh số 62);

- P4: điểm cách P3 một khoảng 1/4 chiều dài ảnh

(điểm ảnh số 93);

- P5: điểm ở bên phải cùng của ảnh (điểm ảnh số 124)

Sau đó, 4 vectơ độ dốc sẽ được tính từ bộ 5 số trên

theo công thức:

(1)

𝑠 = 𝑑𝑦𝑑𝑥 = 𝑦2 −𝑦

1

𝑥

2 −𝑥

1 Trong đó,

- s là độ dốc từ điểm ảnh thứ nhất đến điểm ảnh thứ 2;

- 𝑦2,𝑦1là tọa độ trên trục tung của điểm ảnh thứ hai và

điểm ảnh thứ nhất;

- 𝑥 , là tọa độ trên trục hoành của điểm ảnh thứ hai

1

và điểm ảnh thứ nhất;

Từ 5 điểm𝑃1,𝑃2,𝑃3,𝑃4,𝑃5bốn vectơ độ dốc giữa

các cặp điểm sau sẽ được tính toán:𝑃 , , ,

3−4

và kí hiệu theo thứ tự là S1-3, S2-3, S3-4 và S3-5

𝑃

3−5

Độ dốc biểu thị sự thay đổi về tọa độ trục tung của

điểm ảnh trên đường cong nhãn cầu cá Độ dốc lớn sẽ

biểu thị sự thay đổi nhanh chóng, và độ dốc nhỏ biểu

thị sự thay đổi ít Khi giá độ dốc tiến về gần giá trị 0,

độ cao của các điểm ảnh gần như không đổi tại vùng

điểm ảnh đang xét Điều này đồng nghĩa với việc mắt

cá không còn độ cong

Vì vậy, bộ 4 vectơ độ dốc sẽ được sử dụng để đánh

giá sự thay đổi về độ cong mắt cá lúc mắt chuyển dần

sang trạng thái ươn

B Phương pháp xác định độ lệch chuẩn đường

cong nhãn cầu

Độ lệch chuẩn về độ cao của những điểm ảnh trên

bề mặt đường cong nhãn cầu thể hiện mức độ chênh

lệch về tọa độ các điểm so với điểm trung vị trên

đường cong mắt cá Độ lệch chuẩn có thể được xác

định bằng công thức sau:

(2)

σ = Σ(𝑦𝑖 −µ)2

𝑁

Trong đó,

- σlà độ lệch chuẩn;

- 𝑦 là tọa độ trục tung của điểm ảnh trên đường

𝑖

cong ứng với điểm ;𝑥

𝑖

- µlà điểm trung vị của bộ tọa độ điểm ảnh trên trục tung y;

- N là độ lớn của tập hợp, ở đây N sẽ có giá trị 125 ứng với 125 điểm ảnh trên đường cong mắt cá Giá trị độ lệch chuẩnσsẽ được tính dựa trên công thức (2) bằng hàm std trong thư viện numpy của Python Tại thời điểm nhãn cầu có độ cong lớn, sự chênh lệch về độ cao các điểm ảnh trên bề mặt đường cong mắt so với điểm trung vị sẽ có giá trị lớn, độ lệch chuẩn sẽ có giá trị cao.σ

Theo giả thuyết trên, độ lệch chuẩn sẽ được dùngσ

để đánh giá sự phân bố về độ cao của các điểm ảnh trên đường cong nhãn cầu cá lúc cá đang tươi và ươn

C Phương pháp bình phương tối thiểu

Dữ liệu tọa độ các điểm trên đường cong đã trích xuất ở trên sẽ tiếp tục được sử dụng trong phương pháp bình phương tối thiểu Đường cong parabol khớp nhất với dải dữ liệu điểm ảnh sẽ được tính bằng hàm polyfit của thư viện numpy Phương trình đường cong cần tìm

có dạng như sau:

(3) 𝑓(𝑥) = 𝑎𝑥2+ 𝑏𝑥 + 𝑐

Kết quả trả về của hàm polyfit là một phương trình đường parabol bậc 2, đặc trưng bởi bộ ba hệ số a, b, c

Đồ thị thu được sẽ có dạng như hình 8 Trong đó, bộ hệ

số (a, b, c) ứng với từng khung giờ lần lượt là:

- 0h: (-0.0059, 0.80, 57.92)

- 5h: (-0.0043, 0.56, 64.38)

- 16h: (-0.00020, 0.045, 71.04)

- 24h: (0.00033, 0.0047, 77.31)

Hình 8 Đồ thị đa thức bậc 2 khớp với đường nhãn cầu tại

những thời điểm 0h, 5h, 16h, 24h

Tiếp theo, để khảo sát sự thay đổi của những đường

parabol, đạo hàm bậc 1 của chúng sẽ được tính dựa

trên công thức:

(4) 𝑑(𝑥) = 𝑓−1(𝑥) = 𝑑𝑥𝑑 𝑓(𝑥) = 2𝑎𝑥 + 𝑏

Trong đó, d(x) là phương trình của đường đạo hàm

bậc 1, ứng với đa thức bậc 2 f(x)

Tuy nhiên vì giá trị hằng số đứng trước trong công𝑥

thức (4) xuất ra là rất nhỏ nên để tiện cho việc khảo sát

dữ liệu, các thông số m ứng với từng đường d(x) sẽ

được tính toán dựa trên công thức:

(5)

𝑚 = (2𝑎) × 100 Khi đi theo chiều dương của trục x trên ảnh về

đường cong mắt cá, độ cao của các điểm ảnh nằm trên

đường cong của vùng nhãn cầu sẽ thay đổi nhanh

chóng, ứng với trường hợp mắt cá còn cong nhiều

Đồng thời, với độ cong thấp, sự thay đổi về độ cao

điểm ảnh sẽ ít hơn và tiến gần về giá trị 0 khi mắt

không còn độ cong

Đường đạo hàm bậc 1 d(x) sẽ cho ta thấy được mức

độ thay đổi về độ cong mắt cá Với độ cong càng lớn,

giá trị d(x) sẽ thay đổi càng nhanh chóng Điều này có

nghĩa là giá trị độ dốc của đường đạo hàm bậc 1 d(x),

sẽ có giá trị cao hơn

Phương trình biểu thị cho đường d(x) có dạng là

đường thẳng biểu diễn bởi đa thức bậc 1 Đường d(x)

được đặc tả bởi thông số m và hằng số b Đối với cá

tươi, độ cong nhãn cầu sẽ thấy rõ và hệ số a của đường

parabol khớp với các điểm ảnh trên đường cong sẽ

mang giá trị âm vì hình dạng đồ thị parabol có bề lõm

quay xuống dưới Khi cá chuyển sang trạng thái ươn,

giá trị a chuyển dần về 0 ứng với nhãn cầu cá có hình

dạng phẳng như mốc 16h và 24h trong hình 8

Từ cơ sở trên, nghiên cứu này sẽ đánh giá độ cong

nhãn cầu của cá dựa trên thông số m

V KẾT QUẢ VÀ ĐÁNH GIÁ

A Kết quả

Bộ dữ liệu này bao gồm 125 ảnh của 5 mẫu cá diếc

được thu thập Loại cá này khá phổ biến và được tiêu

thụ nhiều tại miền Trung Việt Nam nên được chọn làm

nghiên cứu Mỗi mẫu cá được mua từ chợ khi đang ở

trạng thái còn sống, sau đó tách nước và giữ ở nhiệt độ

phòng đến khi cá chết Ngay sau khi chết, hệ thống tự

động chụp ảnh được mô tả ở phần hệ thống sẽ bắt đầu

thu thập dữ liệu ảnh cá trong vòng 25 giờ

Với những phương pháp đã trình bày ở trên, dữ liệu

của 5 mẫu cá được xử lý và trích xuất Ở mỗi giờ, giá

trị trung bình và độ lệch chuẩn của mỗi thông số được

tính toán và biểu diễn ở hình 9a,b,c dưới đây Phần nét

đứt màu đỏ ở hình 9a, c để thể hiện khoảng thời gian

giá trị trung bình đạt giá trị bằng 0

(a)

(b)

(c) Hình 9 Giá trị trung bình của (a) độ dốc, (b) độ lệch chuẩn,

(c) thông số m

Từ hình 9a, có thể thấy rõ ràng về sự tăng giá trị độ dốc S3-4, S3-5 và xu hướng giảm của S1-3, S2-3 Cụ thể, từ 0 giờ đến 10 giờ, những thông số này thay đổi đáng kể và đạt giá trị bằng 0 tại khoảng thời điểm 7 đến 15 giờ Hình 9b cho thấy được sự biến động trong

độ lệch chuẩn giá trị tọa độ của đường hàm đa thức bậc

2 trích xuất từ đường nhãn cầu Đại lượng này giảm đáng kể từ nhóm 0 giờ đến 10 giờ nhưng lại tăng lên nhẹ ở khung giờ 20-24 giờ Đối với thông số m ở hình 9c thể hiện được xu hướng tăng từ giá trị âm đến xấp xỉ bằng không tại khoảng thời điểm 8 đến 10 giờ Lúc cá ươn, mắt cá sẽ lõm xuống và ảnh chụp nhãn cầu cá sẽ cho thấy một đường phẳng như trong hình 8, khung giờ 16h và 24h Tuy nhiên, đa thức quy hồi bậc 2 khớp với những khung giờ với bề mặt phẳng như đã nói có thể cho ra giá trị hệ số góc a dương nên hệ số m có thể lớn hơn giá trị 0

Những kết quả này đúng với giả định đã đặt ra trong nghiên cứu này và thể hiện được sự thay đổi rõ rệt của nhãn cầu cá từ lúc tươi đến ươn

B Đánh giá

Ở nghiên cứu này, có hai phương pháp đánh giá kết

quả của nghiên cứu:

- Dựa trên độ lệch chuẩn của mỗi thông số: Độ lệch

chuẩn thể hiện sự chênh lệch giá trị của dữ liệu, từ đó

đánh giá được tương đồng số liệu và hiệu quả của mỗi

phương pháp Từ hình 9a, S1-3 và S3-5 có độ lệch

chuẩn nhỏ hơn S2-3 và S3-4 Vì vậy, thông số độ dốc

S1-3 và S3-5 được xem là hiệu quả hơn sơ với S2-3 và

S3-4 Với phương pháp thứ hai, độ lệch chuẩn từ 10

đến 24 giờ khá lớn Phương pháp bình phương tối thiểu

tuy từ 10 đến 24 giờ, dữ liệu lệch nhiều hơn so với 0

đến 10 giờ nhưng nhìn chung, xu hướng của thông số

này vẫn ổn định Từ đó, có thể kết luận, phương pháp

xử lý đường cong thứ hai (độ lệch chuẩn) có khả năng

nhận dạng độ tươi thấp nhất

- Dựa trên kết quả mô hình giá trị trung bình và độ lệch

chuẩn của mỗi phương pháp trích thuộc tính, chúng tôi

thực hiện đối sánh thuộc tính trích ra từ 5 mẫu cá với

mô hình và nhận được kết quả như bảng 1

Bảng 1 Kết quả đối sánh sự phù hợp của mô hình thống kê

với các mẫu cá

Phương pháp Kết quả đối sánh

Bộ 4 vectơ độ dốc

S1-3 80% (khớp được 4

mẫu trên 5 mẫu)

S2-3 80% (khớp được 4

mẫu trên 5 mẫu)

S3-4 80% (khớp được 4

mẫu trên 5 mẫu)

S3-5 100% (khớp được 5

mẫu trên 5 mẫu)

Độ lệch chuẩn 80% (khớp được 4

mẫu trên 5 mẫu)

Bình phương tối thiểu 100% (khớp được 5

mẫu trên 5 mẫu)

Từ bảng 1, những phương pháp đã đề xuất đạt từ 80

đến 100% độ chính xác, đặc biệt bình phương tối thiểu

đạt 100% trong việc phân loại độ tươi của cá

VI KẾT LUẬN Nhằm hỗ trợ xây dựng bộ dữ liệu đủ lớn, một cách

đồng nhất và tiện lợi hơn, hệ thống tự động thu thập dữ

liệu được chế tạo và trình bày trong nghiên cứu này

Trong vòng 25 giờ, hệ thống có thể chụp và xử lý 125

bức ảnh cho 5 mẫu cá Dữ liệu thu thập từ hệ thống

chụp và xử lý được sử dụng để đánh giá mối tương

quan giữa độ cong nhãn cầu và độ tươi của cá Để khai

thác đặc trưng về đường cong, ba phương pháp được

ứng dụng bao gồm: bộ bốn số độ dốc, độ lệch chuẩn và bình phương tối thiểu Trong đó, phương pháp bình phương tối thiểu mang lại độ chính xác cao nhất Với

sự khả thi của đặc trưng độ cong nhãn cầu này, chúng tôi dự kiến sẽ phối hợp với các đặc trưng đã phát triển

để gia tăng khả năng phân loại độ tươi cho một số loại

cá cụ thể Từ đó, có thể phát triển một ứng dụng trên điện thoại để nhận diện độ tươi của cá một cách chính xác hơn

LỜI CẢM ƠN Chúng tôi xin chân thành cảm ơn công ty TNHH MTV L.Y.D.I.N.C đã hỗ trợ về tài chính, trang thiết bị nghiên cứu và tư vấn kĩ thuật cho đề tài này, xin cảm

ơn Trường Đại học Bách Khoa - Đại học Đà Nẵng đã

hỗ trợ một phần chi phí nghiên cứu đề tài

TÀI LIỆU THAM KHẢO

[1] M K Dutta, A Issac, N M.s a , B Sarkar, “Image processing based method to assess fish quality and freshness”, J Food Eng., vol 177, pp 50–58, 2016.

[2] Wang Feng, Zang Yue, Wo Qiqi, Zou Chen, Wang Nan,Wang Xiaobo, Li Dadong (2013) “Fish freshness rapid detection based on fish-eye image” PIAGENG 2013: Image Processing and Photonics for Agricultural Engineering.

[3] Aydoğan KARAGÖZ “Fish freshness detection by image processing”, A Thesis Submitted to the Graduate School of Natural and Applied Sciences of Dokuz Eylül University In Partial Fulfillment of the Requirements for the Degree of Master of Science in Electrical and Electronics Engineering,

pp 24-25, 2013 [4] Ian C.Navotas, Charisse Nadine V.Santos, Earl John M.Balderrama, Francia Emmanuelle B.Candido, Aloysius John E.Villacanas and Jessica S.Velasco “Fish identification and freshness classification through image processing using artificial neural networks” ARPN Journal of Engineering and Applied Sciences vol 13, no.18, Sep 2018

[5] Anh Thu T Nguyen, Minh Le, Hai Ngoc Vo, Duc Nguyen Tran Hong, Tuan Tran Anh Phuoc, Tuan V Pham: Proposed Novel Fish Freshness Classification Using Effective Low-Cost Threshold-Based and Neural Network Models on Extracted Image Features In: Computational Intelligence Methods for GTSD, pp 60-71.(2020).

[6] Anh Thu T Nguyen, Nguyet Ha T Tran, Phuong Dieu T Nguyen, Dat Xuan Ho, Uyen Kim Hoang, Nguyen Ba Hoang, Thuong H.N Nguyen, Tuan V Pham.“The Remarkable Enhancement in Fish Freshness Classification on Various Species using Neural Network on Physiological Characteristics Features” In: The International Conference on Intelligent Systems and Networks -ICISN.

[7] ‘Council Regulation (EEC) No 103/76 of 19 January 1976 laying down common marketing standards for certain fresh or chilled

fish’ (1976) Official Journal L 20, 29-34.