Ứng Dụng Mô Hình Học Sâu Đa Nhiệm Sử Dụng ResNet18 Trong Nhận Diện Độ Tươi Trái Cây
Từ khóa:
Deep learning, Flutter, PyTorch, Agricultural Product Inspection, Multi-task Learning, Fruit Freshness Classification, Convolutional Neural NetworkTóm tắt
Trong bối cảnh nhu cầu tiêu dùng trái cây chất lượng cao ngày càng tăng tại các siêu thị và cá cửa hàng tiện lợi, việc đảm bảo độ tươi của sản phẩm là yếu tố then chốt. Tuy nhiên, phương pháp đánh giá độ tươi hiện nay vẫn chủ yếu dựa vào cảm quan, dễ gây sai lệch, thiếu nhất quán và dẫn đến lãng phí thực phẩm. Nghiên cứu này đề xuất một mô hình học sâu đa nhiệm (multi-task learning - MTL) sử dụng mạng nơ-ron tích chập (CNN), cụ thể là ResNet18, để đồng thời phân loại loại trái cây và độ tươi từ hình ảnh. Mô hình được huấn luyện trên tập dữ liệu Fruit Freshness với 6 loại trái cây, mỗi loại gồm hai mức độ tươi. Áp dụng kỹ thuật học chuyển giao và tăng cường dữ liệu, mô hình đạt độ chính xác 99.3% cho phân loại loại trái cây và 97.5% cho phân loại độ tươi. Hệ thống được tích hợp vào ứng dụng di động đa nền tảng, giúp người dùng đánh giá nhanh tình trạng trái cây qua ảnh chụp. Kết quả thực nghiệm chứng minh rằng mô hình học sâu đa nhiệm (multi-task learning - MTL) không chỉ mang lại độ chính xác cao mà còn khả thi trong ứng dụng thực tiễn. Giải pháp góp phần quan trọng vào việc hiện đại hóa quy trình kiểm định chất lượng nông sản, nâng cao hiệu quả chuỗi cung ứng, đồng thời thúc đẩy tiêu dùng bền vững và giảm thiểu lãng phí thực phẩm.
