# Xây dựng bộ dữ liệu 19.081 ảnh trái thanh long chín kết hợp AI và Blockchain

> Nhóm nghiên cứu tại Đại học Đà Nẵng thu thập 19.081 hình ảnh trái thanh long lưu trữ trên nền tảng Blockchain và huấn luyện mô hình học sâu nhận diện giai đoạn chín, đạt độ chính xác tới 99,14% với YOLOv8.

Nguồn: [ainhanong.vn](https://ainhanong.vn/tin-tuc/xay-dung-bo-du-lieu-anh-trai-thanh-long-chin-ket-hop-ai-blockchain/)

Danh mục: Thanh Long. Ngày đăng: 04/05/2025.

Trong chuỗi sản xuất và tiêu thụ thanh long xuất khẩu, việc xác định chính xác thời điểm trái đạt độ chín tiêu chuẩn giữ vai trò quyết định đến chất lượng thương phẩm và thời gian bảo quản vận chuyển. Nếu thu hoạch quá sớm, trái dễ bị nhạt vị và không đạt độ ngọt; ngược lại, thu hoạch quá muộn khiến vỏ nhanh xuống màu và giảm sức chịu đựng khi đi đường biển dài ngày. Nhằm giải quyết bài toán tự động hóa khâu nhận diện độ chín bằng công nghệ thông minh, nhóm tác giả gồm Trịnh Trung Hải, Hồ Phan Hiếu, Nguyễn Văn Trọng, Nguyễn Hà Huy Cường và Ninh Khánh Duy (Đại học Đà Nẵng và Trường THPT Lê Lợi) đã công bố công trình nghiên cứu xây dựng bộ dữ liệu hình ảnh trái thanh long chín kết hợp công nghệ Blockchain và các mô hình học sâu trên Tạp chí Khoa học và Công nghệ Đại học Đà Nẵng.

#### 1. Quy mô bộ dữ liệu 19.081 ảnh và quy trình chuẩn hóa nhãn phân loại

Độ chính xác của mọi hệ thống trí tuệ nhân tạo thị giác đều phụ thuộc trực tiếp vào chất lượng và độ bao phủ của tập dữ liệu huấn luyện. Trong nghiên cứu này, nhóm tác giả đã tiến hành thu thập, sàng lọc và tiền xử lý một bộ dữ liệu quy mô lớn gồm 19.081 hình ảnh trái thanh long tại các giai đoạn sinh trưởng và chín khác nhau.

Toàn bộ 19.081 mẫu ảnh được chuẩn hóa và gán nhãn cẩn thận theo hai nhóm phân loại cốt lõi phục vụ bài toán thu hoạch thực tế là "chín" và "chưa chín". Việc xây dựng tập mẫu đủ lớn với sự đa dạng về góc chụp, điều kiện ánh sáng và trạng thái phát triển của trái giúp các thuật toán học máy nắm bắt được những biến đổi tinh tế trên màu sắc vỏ và hình thái tai quả, khắc phục nhược điểm chủ quan khi phân loại bằng mắt thường.

#### 2. Vai trò của Blockchain trong bảo vệ tính toàn vẹn dữ liệu huấn luyện AI

Một điểm sáng tạo nổi bật trong đề xuất của nhóm nghiên cứu Đại học Đà Nẵng là tích hợp công nghệ chuỗi khối (Blockchain) vào kiến trúc lưu trữ và chia sẻ kho dữ liệu hình ảnh nông nghiệp. Trong các hệ thống nông nghiệp thông minh dùng chung giữa nhiều trang trại, cơ sở đóng gói và đơn vị nghiên cứu, dữ liệu hình ảnh rất dễ gặp rủi ro bị chỉnh sửa sai lệch, trùng lặp hoặc mất mát trong quá trình truyền tải.

Nhờ cơ chế lưu trữ phân tán và bất biến của Blockchain, từng gói dữ liệu ảnh trái thanh long sau khi gán nhãn đều được bảo đảm tính minh bạch, toàn vẹn và có thể truy vết nguồn gốc rõ ràng. Điều này không chỉ nâng cao độ tin cậy cho quá trình huấn luyện mô hình AI mà còn tạo hành lang chia sẻ dữ liệu an toàn giữa các bên tham gia chuỗi cung ứng thanh long.

#### 3. Hiệu suất nhận diện vượt trội của mô hình YOLOv8 và Faster R-CNN

Sau khi hoàn thiện kho dữ liệu chuẩn hóa trên nền tảng Blockchain, nhóm nghiên cứu đã triển khai huấn luyện và đối chiếu thực nghiệm trên hai kiến trúc mạng học sâu nhận diện đối tượng hàng đầu hiện nay là YOLOv8 và Faster R-CNN tại ngưỡng giao trên hợp (IoU) bằng 0,5:

- **Mô hình YOLOv8:** Đạt độ chính xác trung bình (mAP50) lên tới 99,14%, thể hiện khả năng phát hiện và phân loại trạng thái chín của trái thanh long cực kỳ chính xác với tốc độ xử lý nhanh, rất phù hợp để nhúng vào các thiết bị di động, camera giám sát tại vườn hoặc dây chuyền phân loại tốc độ cao.

- **Mô hình Faster R-CNN:** Đạt độ chính xác trung bình (mAP50) ở mức 98,6%, tiếp tục khẳng định độ ổn định cao trong việc khoanh vùng và nhận dạng chi tiết đặc trưng hình ảnh trái cây trong môi trường phức tạp.

#### 4. Tiềm năng tích hợp vào dây chuyền phân loại và giám sát thông minh

Kết quả thực nghiệm với độ tin cậy trên 98-99% mở ra khả năng ứng dụng trực tiếp vào hai khâu quan trọng của ngành hàng thanh long. Ở khâu canh tác ngoài vườn, mô hình có thể tích hợp vào hệ thống camera giám sát hoặc thiết bị bay không người lái để ước tính tỷ lệ trái đạt độ chín theo từng lô, giúp chủ vườn chủ động lập kế hoạch nhân công và thời điểm cắt trái đồng loạt. Ở khâu sau thu hoạch, thuật toán giúp tự động hóa việc phân luồng trái chín phục vụ tiêu thụ gần và trái chín tới phục vụ xuất khẩu đường xa.

#### 5. Góc nhìn ứng dụng cho nhà vườn và cơ sở đóng gói

Công trình của nhóm nghiên cứu Đại học Đà Nẵng là minh chứng cho thấy AI hoàn toàn có thể đạt độ chính xác gần như tuyệt đối khi được huấn luyện trên bộ dữ liệu ảnh thu thập bài bản tại Việt Nam. Đối với các hợp tác xã và vựa thu mua thanh long quy mô lớn, việc chuẩn hóa khâu phân loại độ chín bằng camera tích hợp các mô hình nhẹ như YOLOv8 sẽ giúp giảm mạnh tỷ lệ hàng bị trả về do lẫn trái non hoặc trái quá chín trong cùng một container xuất khẩu. Bạn đọc có thể truy cập toàn văn bài báo khoa học gốc tại mục nguồn trích dẫn để tham khảo chi tiết các thông số kỹ thuật.

## Nguồn trích dẫn

Trịnh Trung Hải, Hồ Phan Hiếu, Nguyễn Văn Trọng, Nguyễn Hà Huy Cường, & Ninh Khánh Duy. (2025, April 30). Xây dựng bộ dữ liệu hình ảnh trái Thanh Long chín sử dụng Blockchain. Tạp chí Khoa học và Công nghệ Đại học Đà Nẵng, 23(4), 121-125. https://jst-ud.vn/jst-ud/article/view/9725
