Ngày 27/09/2025, Cơ quan An toàn và Kiểm tra Thực phẩm Mỹ (FSIS) công bố một đợt thu hồi khoảng 58 triệu pound — chừng 26.000 tấn — xúc xích nhúng bột chiên và xúc xích xiên que của Hillshire Brands.

Lý do: mẩu gỗ lẫn trong lớp bột. Que gỗ đã lọt vào dây chuyền trước công đoạn nhúng bột.

Hàng bị thu hồi được đóng gói từ 17/03 đến 26/09/2025. Hơn sáu tháng sản xuất.

Người phát hiện không phải một máy kiểm tra nào. Là người tiêu dùng: nhiều khiếu nại, trong đó năm trường hợp bị thương.

Bản tin không nói dây chuyền đó có máy X-quang hay không, và tôi không đoán. Nhưng câu chuyện đặt đúng câu hỏi của bài này. Khi một hãng nói máy của họ thấy dị vật nhỏ tới 0,6 mm, con số đó đo với vật liệu gì, trong sản phẩm gì — và ai kiểm tra lại nó mỗi ca?

Cơ quan quản lý nhìn dị vật bằng thước nào

Mỹ vạch ranh ở 7 mm, không phải 0,6 mm. Theo hướng dẫn chính sách CPG Sec. 555.425 của FDA (ban hành 1999, sửa 2005), thực phẩm ăn liền chứa vật cứng hoặc sắc dài từ 7 đến 25 mm là căn cứ để FDA hành động. Dưới 7 mm, FDA nhận định hiếm khi gây thương tích nghiêm trọng — trừ nhóm nhạy cảm như trẻ sơ sinh, người vừa phẫu thuật, người cao tuổi.

Nghĩa là: rủi ro thật của anh chị không nằm ở viên bi thép 0,6 mm. Nó nằm ở mảnh nhựa 8 mm mà máy không nhìn thấy.

Châu Âu: dị vật vẫn “phổ biến”. Báo cáo năm 2025 của Mạng lưới Cảnh báo và Hợp tác EU ghi nhận các ca mảnh kim loại và mảnh nhựa — từ quá trình sản xuất hoặc từ bao bì — trong sản phẩm thịt chế biến vẫn phổ biến.

Anh: dị vật là nguyên nhân thứ ba. Trong báo cáo sự cố năm 2024/25 của FSA, doanh nghiệp gửi 283 bản phân tích nguyên nhân gốc sự cố. Dị vật chiếm 16%, sau dị ứng (38%) và vi sinh gây bệnh (35%).

Về AI, báo cáo của Hội đồng Khoa học FSA đăng ngày 25/06/2026 nói ba điều áp thẳng vào máy X-quang: AI chỉ hỗ trợ quyết định, con người chịu trách nhiệm; hiệu năng mô hình trôi theo thời gian nên thẩm định một lần là không đủ; và FSA nên hỗ trợ ngành xây bộ quy tắc thực hành cùng chuẩn thẩm định AI. Báo cáo cũng nêu một tình huống ở lò mổ: hệ thống AI cần chạy thử dài, lý tưởng khoảng sáu tháng, mới gặp đủ các ca hiếm. Dị vật cũng là ca hiếm.

Bằng chứng: phần lớn là số của hãng

Nói thẳng: bằng chứng độc lập về X-quang có AI trong nhà máy thực phẩm còn mỏng. Tôi đã tìm, nhưng chưa thấy nghiên cứu bình duyệt nào so sánh cùng một dây chuyền chạy X-quang có AI và không AI, với tỷ lệ bỏ sót công bố rõ. Phần lớn con số anh chị nghe là do hãng công bố.

Sesotec (Đức), theo trang sản phẩm của hãng: đầu dò 0,8 mm cho phép phát hiện dị vật nhỏ tới 0,6 mm. Con số này gắn với phần cứng, không phải phần mềm AI. Phần mềm AI tên THiNK được mô tả là gần như loại bỏ “hiệu ứng sản phẩm”, giúp thấy xương và dị vật có độ xám gần giống sản phẩm, ít loại nhầm hơn, ít thu hồi hơn. Trang sản phẩm không kèm con số định lượng nào cho phần AI.

Eagle Product Inspection (thuộc Mettler-Toledo) viết trên blog của hãng ngày 01/08/2025: máy dùng học máy so ảnh với một thư viện dữ liệu về sản phẩm chuẩn; khách chọn mô hình huấn luyện sẵn hoặc tự tạo từ dữ liệu của mình. Điều đáng quý là hãng tự nhận giới hạn: “AI can only go off of what it already knows” — AI chỉ biết những gì nó đã học. Hãng viết rằng ở giai đoạn này AI hợp lý hơn khi làm hệ hỗ trợ cho các thuật toán cố định, chưa phải công cụ đứng một mình; nó cần người giàu kinh nghiệm X-quang giám sát, cần một cơ sở dữ liệu lớn — và người mua không cần vội.

Khi chính hãng bán máy nói vậy, người mua nên nghe.

Hai nghiên cứu độc lập tôi tìm được nói về giới hạn nhiều hơn về thành tích:

Nghiên cứu	Phát hiện chính	Giới hạn
Zeegers và cộng sự, Expert Systems with Applications, 2022	Học sâu cho X-quang cần rất nhiều ảnh mẫu; gán nhãn thủ công chủ quan và tốn công. Nhóm đề xuất dựng dữ liệu huấn luyện bằng chụp CT; thí nghiệm cho thấy thường dưới 10 vật mẫu đại diện là đủ	Thí nghiệm quy mô phòng thí nghiệm
Campos, Yoon và cộng sự (có USDA ARS), Sensors, 2023	X-quang yếu với vật liệu mật độ thấp — nhựa, cao su, vải — vốn có trong thiết bị chế biến và đồ bảo hộ. Nhóm dùng ảnh siêu phổ cận hồng ngoại thay thế, đạt 96,5% ở cấp vật thể	Chỉ trên phi lê ức gà, dị vật nằm trên bề mặt; không thử thuỷ tinh; chưa chạy thời gian thực

Từ hai nghiên cứu này, hai kết luận. Một: mô hình AI của máy X-quang giỏi đến đâu phụ thuộc vào dữ liệu huấn luyện, mà dữ liệu đó khó làm. Hai: AI không đổi được vật lý. Dị vật có mật độ gần với sản phẩm thì ảnh X-quang gần như không có độ tương phản, và phần mềm thông minh đến mấy cũng không tạo ra độ tương phản không có. Gỗ khô nhẹ và xốp — tôi xếp nó vào cùng nhóm rủi ro.

Việt Nam có nên dùng không

Nên — cho hàng giá trị cao, đóng gói, đi thị trường khó tính. Hạt điều, tiêu đóng gói bán lẻ, collagen peptide đóng túi, phi lê cá có nguy cơ sót xương. Phép tính đơn giản: đặt giá máy cạnh giá trị một container và chi phí một lần thu hồi của chính anh chị.

AI chỉ đáng thêm tiền khi có đúng vấn đề nó giải. Vấn đề đó là “hiệu ứng sản phẩm”: sản phẩm không đồng đều về mật độ, xếp chồng, có xương, có hạt — làm máy thường phải chọn giữa hạ độ nhạy hoặc loại nhầm nhiều hàng tốt. Nếu sản phẩm của anh chị đồng đều, một máy X-quang tiêu chuẩn cấu hình đúng có thể đã đủ.

Chưa nên mua AI khi nhà máy chưa có ba thứ:

Nhật ký loại bỏ theo ca: mỗi lần máy đá hàng ra, ai kiểm lại, là dị vật thật hay loại nhầm.
Quy trình truy nguồn dị vật: mảnh vỡ đến từ đâu — lưới sàng, lưỡi dao, gioăng, pallet gỗ, bao bì nguyên liệu.
Bộ mẫu thử chuẩn và lịch thử mỗi ca.

Thiếu ba thứ đó, mua AI là mua một hộp đen: anh chị không biết nó tốt hơn hay tệ hơn máy cũ.

Thẩm định bằng mẫu thử chuẩn, mỗi ca. Đây là việc tôi coi là không thương lượng. Bộ mẫu thử có kích thước và vật liệu biết trước — thép không gỉ, thuỷ tinh, sứ, nhựa đặc, xương nếu là hàng thịt cá — đặt vào sản phẩm thật, chạy qua máy: đầu ca, sau mỗi lần đổi sản phẩm, sau mỗi lần cập nhật mô hình, và định kỳ trong ca. Máy không loại mẫu thử thì dừng dây chuyền, cách ly toàn bộ hàng từ lần thử đạt gần nhất.

Máy X-quang là một biện pháp kiểm soát trong kế hoạch HACCP, không phải kế hoạch HACCP. Người ký hồ sơ vẫn là người của anh chị — tôi đã viết về trách nhiệm này trong bài HACCP và ISO 22000 khác nhau ở đâu — nhìn từ phía người ký séc. Vị trí của X-quang trong lộ trình AI chung của nhà máy, tôi đặt ở bài trụ AI trong nhà máy thực phẩm: dùng ở đâu, chưa nên dùng ở đâu.

Cơ chế quản lý: năm điểm cho một máy X-quang có AI

1. Một người chủ quản có tên. Trưởng QA của nhà máy — không phải kỹ thuật viên của hãng. Chỉ người này được đổi ngưỡng độ nhạy, bật tắt chế độ AI, chấp nhận bản cập nhật mô hình.

2. Dữ liệu có chủ. Ảnh X-quang của mỗi lần loại bỏ, kết quả mẫu thử từng ca, nhật ký mọi lần đổi ngưỡng hoặc đổi mô hình — ai làm, lúc nào, vì sao. Lưu ít nhất hết hạn dùng của lô hàng. Dữ liệu gắn với mã lô, để khi buyer hỏi, anh chị trả lời được lô đó đã qua máy trong điều kiện nào.

3. Thẩm định trước khi tin. Chạy song song ít nhất một mùa vụ: cách kiểm cũ vẫn giữ, chế độ AI chạy cùng. Kiểm lại bằng tay hàng bị loại để đếm loại nhầm; dùng mẫu thử để đếm bỏ sót. Và vì mô hình trôi, như FSA cảnh báo, mỗi lần cập nhật phần mềm là một lần thẩm định lại bằng đúng bộ mẫu thử đó.

4. Con người giữ quyền dừng. Máy tự đá hàng nghi ngờ ra là đúng việc của máy. Nhưng nới ngưỡng để giảm loại nhầm, hay cho hàng đã bị loại quay lại dây chuyền, là quyết định của người có tên ở điểm 1, có chữ ký.

5. Đo bằng tiền. Số kg hàng tốt bị loại nhầm mỗi ca nhân với giá bán. Số khiếu nại dị vật từ buyer. Chi phí một lần thu hồi mà anh chị không phải trả. Không đo bằng “độ nhạy 0,6 mm”.

Sáu câu phải hỏi nhà cung cấp máy X-quang có AI

Con số 0,6 mm đo với vật liệu gì, trong sản phẩm gì, độ dày bao nhiêu, tốc độ băng tải bao nhiêu? Có biên bản thử trên chính sản phẩm của tôi không?
Phần AI cải thiện chỉ tiêu nào — tỷ lệ phát hiện hay tỷ lệ loại nhầm? Bao nhiêu, trên sản phẩm nào, ai đo?
Với nhựa, cao su, gỗ, thuỷ tinh mỏng ở kích thước 7 mm, máy phát hiện được bao nhiêu phần trăm?
Mô hình học từ dữ liệu của hãng hay của nhà máy tôi? Khi đổi quy cách hoặc nguồn nguyên liệu, ai huấn luyện lại, mất bao lâu, tốn bao nhiêu?
Máy lưu ảnh loại bỏ và nhật ký thay đổi ngưỡng bao lâu, xuất ra cho đoàn audit được không, và ai có quyền sửa?
Bộ mẫu thử chuẩn đi kèm gồm những vật liệu và kích thước nào, và hãng hướng dẫn thử với tần suất nào?

Câu thứ nhất là câu phân loại nhà cung cấp nhanh nhất. Ai trả lời được bằng biên bản, anh chị nói chuyện tiếp.

Máy X-quang chỉ là một trong nhiều thiết bị mà câu hỏi đúng quan trọng hơn giá. Tôi tổng hợp 37 câu hỏi phải hỏi nhà cung cấp thiết bị trước khi ký hợp đồng — tải tại foodtech.paulnguyen.vn hoặc nhắn Zalo 0938 613 408.

Nếu anh chị đang so vài báo giá máy kiểm tra dị vật và muốn biết cấu hình nào khớp với sản phẩm của mình, có thể đặt một phiên chẩn đoán dự án — 45–60 phút, không tính phí.

Đọc thêm: HACCP và ISO 22000 khác nhau ở đâu — nhìn từ phía người ký séc · Có chứng nhận Halal rồi, kho vẫn làm hỏng được lô hàng

Nguồn

Food Safety News (dẫn thông báo của USDA FSIS). Hillshire recalls 58 million pounds of corndogs, sausages because of pieces of wood. 27/09/2025. foodsafetynews.com — thông báo gốc của FSIS: fsis.usda.gov
U.S. FDA. CPG Sec. 555.425 — Foods, Adulteration Involving Hard or Sharp Foreign Objects. Ban hành 23/03/1999, sửa 05/2005. fda.gov
Uỷ ban châu Âu, DG SANTE. Alert and Cooperation Network — 2025 Annual Report. Văn phòng Xuất bản EU, 2026. food.ec.europa.eu
Food Standards Agency (Anh). FSA 25/06/09 — Annual Report of Incidents, Resilience and Prevention 2024/25. GOV.UK, 25/06/2026. gov.uk
Food Standards Agency (Anh), Science Council. AI Applications in Food Safety and Authenticity. GOV.UK, 25/06/2026. gov.uk
Sesotec GmbH. X-ray Inspection Systems for Food Safety and Quality (trang sản phẩm, số liệu hãng công bố). Truy cập 26/09/2026. sesotec.com
Eagle Product Inspection. Is AI The Future of Food Safety? (blog hãng). 01/08/2025. eaglepi.com
Zeegers M.T., van Leeuwen T., Pelt D.M., Coban S.B., van Liere R., Batenburg K.J. A tomographic workflow to enable deep learning for X-ray based foreign object detection. Expert Systems with Applications, tập 206, 2022, 117768. DOI: 10.1016/j.eswa.2022.117768
Campos R.L., Yoon S.-C., Chung S., Bhandarkar S.M. (University of Georgia; USDA ARS; Seoul National University). Semisupervised Deep Learning for the Detection of Foreign Materials on Poultry Meat with Near-Infrared Hyperspectral Imaging. Sensors, 2023. DOI: 10.3390/s23167014