Page 236 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

cầu bố trí nguồn sáng và camera phù hợp để có thể thu thập được thông tin
quan trọng từ ảnh màu RGB thông thường hay ảnh phổ trong vùng ánh sáng
khả kiến hay cận hồng ngoại. Tùy độ phức tạp của bài toán mà việc đánh giá
có thể thực hiện dựa trên các thuật toán xử lý ảnh thông thường (Baculo &
Marcos, 2018; Ayllon et al., 2019; Behera et al., 2019; Jaramillo-Acevedo et
al., 2020; Nguyen et al., 2022; Ramírez Alberto et al., 2023; Velásquez et al.,
2024b) hay phải áp dụng các mô hình máy học để giải các bài toán có độ phức
tạp cao hơn như mô hình hồi quy tuyến tính (Velásquez et al., 2024b) hoặc
các mạng nơ-ron tích chập (Walsh et al., 2024), một công cụ mạnh thường
được sử dụng để giải quyết bài toán có độ phức tạp cao.

Phân tích phổ
90
Thị giác máy tính
80 Đặc tính âm học
Số lượng công trình công bố 60
70
Khứu giác điện tử

50

40
30

20

10
0
2019 2020 2021 2022 2023 4/2024
Năm công bố

Hình 11.5. Số công trình về các giải pháp đánh giá chất lượng trái cây khác nhau
trong cơ sở dữ liệu Scopus những năm gần đây
Đối với đánh giá chất lượng nội quả, phương pháp này chỉ nên được áp
dụng khi có sự tương quan giữa tiêu chí chất lượng nội quả cần đánh giá với
các biểu hiện hình thái của trái. Chẳng hạn, ước lượng độ chín, độ tăng trưởng
có thể được thực hiện thông qua kích cỡ trái, màu sắc khi còn trên cây để có
thể ước lượng sản lượng và thu hoạch tự động khi quả đạt độ trưởng thành
nhất định (Wang et al., 2017, Anderson et al., 2021b; Benelli et al., 2021).
Ngoài ra, cần lưu ý các trường hợp màu sắc vỏ trái không thay đổi đáng kể

222