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

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

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 Hồng Đức1, Ngơ Hồng Hồng1, Nguyễn Thanh Liêm1,
Nguyễn Bá Hoàng2, Phạm Văn Tuấn 1,2, Nguyễn Thị Anh Thư1,2*
1

Khoa Khoa học Công nghệ tiên tiến, Trường Đại học bách khoa - Đại học Đà Nẵng
2
Công ty TNHH MTV L.Y.D.I.N.C
Email: , , ,
, , , ,

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
thơng 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 cơng 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 mơ
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 lồi 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

ISBN 978-604-80-7468-5

vịng 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 cịn
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 đốn khơng xâm lấn,
nhóm tác giả đã cơng 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 rơ, cá diếc, cá đối, cá dìa [6].
Mơ 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
cơng 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,

341


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

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.
II.

GIẢ ĐỊNH VỀ ĐỘ CONG NHÃN CẦU CÁ

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
mơ 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.

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 q trình thu thập dữ liệu, hệ
thống bao gồm một mặt bàn hình trịn 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 mơ 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 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 khơng cịn hình dáng trịn như lúc ban đầu. Từ
cơ sở đó, chúng tơi 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, thơng qua đó đánh giá
độ tươi của cá.

ISBN 978-604-80-7468-5

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 q 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.

342


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

IV. PHƯƠNG PHÁP TRÍCH THUỘC TÍNH TỪ

ĐƯỜNG CONG NHÃN CẦU

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 mơ
hình học máy nhằm tự động phân đoạn dữ liệu phục vụ
cho mục đích tiền xử lý ảnh. Việc này bao gồm cơng
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 mơ hình học máy. Từ kết
quả thu được, ảnh sẽ được chuyển sang dạng ảnh nhị
phân (hình 5c).

Hình 5. Các cơng 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 khơng cần

thiết trong khi vẫn bảo tồn 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 cịn 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.

ISBN 978-604-80-7468-5

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 tốn, 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 mơ 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.

343


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2022)

2

Σ(𝑦𝑖−μ)

σ=

𝑁

(2)

Trong đó,
- σ là độ lệch chuẩn;
- 𝑦𝑖 là tọa độ trục tung của điểm ảnh trên đường
cong ứng với điểm 𝑥𝑖;

Hình 7. Năm điểm được chọn trong phương pháp tính tốn
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 cơng thức:
𝑠 =

𝑑𝑦
𝑑𝑥

=

𝑦2−𝑦1
𝑥2−𝑥1

(1)

Trong đó,
- s là độ dốc từ điểm ảnh thứ nhất đến điểm ảnh thứ 2;
- 𝑦2, 𝑦1 là tọa độ trên trục tung của điểm ảnh thứ hai và
điểm ảnh thứ nhất;
- 𝑥2, 𝑥1 là tọa độ trên trục hoành của điểm ảnh thứ hai
và điểm ảnh thứ nhất;
Từ 5 điểm 𝑃1, 𝑃2, 𝑃3, 𝑃4, 𝑃5 bốn vectơ độ dốc giữa
các cặp điểm sau sẽ được tính tốn: 𝑃1−3, 𝑃2−3, 𝑃3−4,
𝑃3−5 và kí hiệu theo thứ tự là S1-3, S2-3, S3-4 và S3-5.
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 khơng cịn 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.

- μ là 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 chuẩn σ sẽ 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 σ sẽ có giá trị cao.
Theo giả thuyết trên, độ lệch chuẩn σ sẽ được dùng
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:
2

𝑓(𝑥) = 𝑎𝑥 + 𝑏𝑥 + 𝑐

(3)

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)

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 cơng thức sau:

ISBN 978-604-80-7468-5

Hình 8. Đồ thị đa thức bậc 2 khớp với đường nhãn cầu tại
những thời điểm 0h, 5h, 16h, 24h.

344


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

Tiếp theo, để khảo sát sự thay đổi của những đường
parabol, đạo hàm bậc 1 của chúng sẽ được tính dựa
trên cơng thức:
−1

𝑑(𝑥) = 𝑓 (𝑥) =

𝑑
𝑑𝑥

𝑓(𝑥) = 2𝑎𝑥 + 𝑏

(4)

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 𝑥 trong công
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 tốn dựa trên cơng thức:
𝑚 = (2𝑎) × 100

(a)

(5)

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
khơng cịn 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 cịn 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 thơng số được
tính tốn 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.

ISBN 978-604-80-7468-5

(b)

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

345

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

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, thơng 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 thơng 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 mơ hình giá trị trung bình và độ lệch
chuẩn của mỗi phương pháp trích thuộc tính, chúng tơi
thực hiện đối sánh thuộc tính trích ra từ 5 mẫu cá với
mơ hình và nhận được kết quả như bảng 1.
Bảng 1. Kết quả đối sánh sự phù hợp của mơ hình thống kê
với các mẫu cá.
Phương pháp

Kết quả đối sánh
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)

Bộ 4 vectơ độ dốc

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

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 hỡ 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
hỡ 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.

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 vịng 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

ISBN 978-604-80-7468-5

346