Ở Việt Nam, một nhóm nghiên cứu của Đại học Sư phạm Kỹ thuật TP.HCM đã làm được việc nhiều nhà máy vẫn đang làm bằng tay: phân loại thanh long bằng camera và mạng nơ-ron.

Kết quả họ công bố năm 2021: độ chính xác trên 96%, công suất phân loại gấp 6 lần làm tay.

Đó là ca AI phân loại trái cây có số liệu định lượng rõ nhất tôi tìm được cho Việt Nam.

Nhưng trước khi anh chị cầm con số 96% đi hỏi mua máy, hãy xem một thí nghiệm khác, ở Đại học Leeds (Anh), năm 2022.

Họ dùng quang phổ cận hồng ngoại (NIR) cộng với học máy để nhận diện 25 loại bột thực phẩm — bài toán nạp nhầm nguyên liệu trong nhà máy thật. Khi mẫu đứng yên: 99,52%. Khi mẫu chạy liên tục ở 0,068 m/s — chưa tới 7 cm mỗi giây — còn 91,68%.

Đó là bột, không phải trái cây, và là NIR, không phải camera. Nhưng bài học giống nhau: con số đo khi vật liệu đứng yên không phải con số trên băng tải. Và con số trong buổi demo gần như luôn là con số đứng yên.

Châu Âu đã đưa AI vào máy phân loại từ lâu

Ở phân khúc máy phân loại quang học, AI không còn là thử nghiệm.

TOMRA Food (Na Uy) cho biết họ dùng học máy trong sản phẩm hơn một thập kỷ. Nền tảng học sâu LUCAi ra mắt năm 2018, theo hãng công bố đã vượt 3.500 lượt lắp đặt cho táo, việt quất, anh đào, cam quýt. Danh mục ứng dụng của hãng có cả xoài và dứa. Hãng công bố tỷ lệ phát hiện lỗi trên 99%, và với dòng máy 4C ra mắt tháng 10/2025, tỷ lệ loại nhầm hàng tốt dưới 1% với hạt, dưới 0,5% với rau quả đông lạnh rời.

Bühler (Thụy Sĩ) ra mắt SORTEX AI700 tháng 5/2025, mạng nơ-ron huấn luyện trên hàng triệu ảnh đã gán nhãn. Ứng dụng đầu tiên là loại hạt lúa mì, lúa mạch, lúa mạch đen lẫn trong yến mạch — tức là kiểm soát chất gây dị ứng, không chỉ chuyện đẹp xấu.

Tất cả các con số trên là số hãng tự công bố. Không có kiểm chứng độc lập đi kèm.

Phía viện nghiên cứu thì đi sâu hơn. KU Leuven (Bỉ) chụp X-quang lê ngay trên dây chuyền, dùng học sâu phát hiện rối loạn bên trong — hốc rỗng, nâu thịt — thứ mắt người không nhìn thấy từ ngoài vỏ. Chỉ số AUC trung bình tới 0,962. Quả có hốc rỗng trên 1% thể tích bị phát hiện 100%. Quả hỏng nhẹ hơn thì độ chính xác phụ thuộc mức nâu thịt.

Còn Cơ quan Tiêu chuẩn Thực phẩm Anh (FSA), trong báo cáo đăng ngày 25/06/2026, nói điều mà ít nhà cung cấp nhắc: mô hình AI trôi hiệu năng theo thời gian, và thẩm định một lần là không đủ.

Bằng chứng nói gì — và nói tới đâu thì dừng

Đọc kỹ các nghiên cứu, tôi thấy ba điều.

1. Công nghệ đã chín ở phần “nhìn”. Một tổng quan năm 2023 trên Postharvest Biology and Technology ghi nhận mạng nơ-ron tích chập đã thành chuẩn để phát hiện quả, chỉ số F1 trên 90%, chạy được theo thời gian thực. Sai số định cỡ trên táo dưới 4 mm.

2. Nhưng gần như toàn bộ bằng chứng nằm ở táo, nho, cam quýt, xoài. Cùng với tổng quan đó, nêu thẳng: thiếu bộ dữ liệu công khai, ánh sáng thay đổi, quả che khuất nhau, và khó chuyển kết quả nghiên cứu sang nhà máy. Với thanh long ruột đỏ hay dứa MD2 trồng ở Việt Nam, gần như không có bộ ảnh công khai nào để mô hình học sẵn.

3. Thay đổi nhỏ ngoài đời thật đủ làm hỏng mô hình phòng thí nghiệm.

Túi giấy bao xoài làm nhiễu phổ NIR. Nhóm nghiên cứu ở Tây Ban Nha phải dùng thêm mạng nơ-ron để khử nhiễu mới đưa được hệ số R² đo chất khô lên 0,932 (công bố 2025).
Phát hiện bệnh thán thư trên xoài trong 48 giờ, trước khi thấy triệu chứng, đạt 0,961–0,975 — nhưng là quả được cấy bệnh nhân tạo, trong phòng thí nghiệm, trên hai giống Keitt và Osteen, không phải Cát Hòa Lộc.
Ca thanh long ở TP.HCM: 1.287 quả để huấn luyện, chỉ chấm theo ngoại quan, chỉ gồm các giống hiện có.

Và một dữ kiện tôi muốn mọi giám đốc nhà máy nhớ: trong một nghiên cứu năm 2022 về phát hiện hạt đu đủ trộn vào hồ tiêu, người chấm bằng mắt đạt 0,97, còn AI đạt 0,92 trên cùng bộ ảnh.

AI không tự động giỏi hơn một QC lành nghề. Giá trị của nó là không mệt, không đổi tiêu chuẩn giữa ca sáng và ca đêm, và chạy nhanh hơn nhiều lần.

Nhóm Empa/ETH Zürich (Thụy Sĩ) còn chỉ ra rào cản thật: chuỗi sau thu hoạch phân tán, doanh nghiệp quá nhỏ để có chuyên gia học máy, thiếu bộ dữ liệu lớn. Họ đề xuất mô hình huấn luyện sẵn để giảm khoảng ba lần số mẫu cần gán nhãn. Bối cảnh đó giống Việt Nam hơn giống Na Uy.

Việt Nam có nên dùng không

Nên. Phân loại là một trong hai khâu tôi đặt lên đầu khi doanh nghiệp hỏi dùng AI ở đâu, vì lợi ích đo được bằng tiền: quả tốt bị loại nhầm là tiền mất, quả hỏng lọt qua là khiếu nại.

Nhưng có điều kiện, và thứ tự.

Trước khi mua thuật toán, mua dữ liệu. Nếu hôm nay tổ phân loại của anh chị không ghi lại mỗi ca loại bao nhiêu kg, vì lý do gì, theo lô nào, vùng nào — thì anh chị không có cách nào biết máy mới tốt hơn hay tệ hơn tổ cũ. Và nhà cung cấp cũng không có gì để hiệu chỉnh mô hình cho nguyên liệu của mình.

Khâu nên làm trước:

Phân hạng theo kích cỡ, màu, khuyết tật bề mặt — chỗ công nghệ đã chín nhất.
Loại quả dập, thối trước khi vào máy chà, máy ép. Quả thối lọt vào máy chà có thể mang vi sinh và mùi lạ vào cả mẻ puree. Với nhà máy chế biến thanh long hay dứa MD2, đây là chỗ tiền nằm.

Khâu chưa nên giao cho máy tự quyết:

Chấm bệnh tiềm ẩn, độ chín bên trong, độ Brix qua vỏ trên giống Việt Nam — bằng chứng chưa có cho đúng giống, đúng điều kiện bao trái của mình.
Bất cứ quyết định nào sẽ được ghi vào hồ sơ chất lượng gửi buyer mà chưa được thẩm định song song.

Một lý do nữa để không đứng ngoài: phía người mua đã có công cụ. Tháng 7/2025, một công ty Trung Quốc giới thiệu ở Hải Nam máy X-quang có AI chấm sầu riêng, theo đơn vị giới thiệu là 4 giây mỗi quả, độ chính xác 95%. Khi bên nhập khẩu chấm hàng bằng máy, bên xuất khẩu chấm bằng mắt sẽ luôn ở thế yếu khi tranh chấp.

Tạp chí Quản lý nhà nước (01/2026) ghi nhận đã có doanh nghiệp trái cây Việt Nam dùng camera AI trên băng chuyền để phân loại xoài, mít, sầu riêng — nhưng không nêu tên, không có tỷ lệ, và nêu rào cản số một là thiếu dữ liệu sạch, dài hạn.

Cơ chế quản lý: 5 điểm cho một dây chuyền phân loại có AI

1. Một người chủ quản có tên. Là trưởng QC, không phải phòng IT, càng không phải kỹ sư của hãng. Người này ký vào tỷ lệ loại mỗi ca và chịu trách nhiệm nếu hàng lọt.

2. Dữ liệu có chủ. Ảnh quả bị loại, nhãn do ai gán, ai được sửa nhãn, lưu bao lâu — ít nhất qua hết thời hạn khiếu nại của lô hàng. Hợp đồng phải ghi rõ: ảnh và nhãn là tài sản của nhà máy, xuất ra được khi đổi nhà cung cấp.

3. Thẩm định trước khi tin. Chạy song song với tổ phân loại tay ít nhất một mùa vụ. Mỗi ca, lấy mẫu ở cả dòng “đạt” lẫn dòng “loại” cho người chấm lại. Đo riêng hai loại sai: loại nhầm quả tốt, và lọt quả hỏng. Làm lại khi đổi giống, đổi vùng nguyên liệu, đổi đèn chiếu, hay tăng tốc độ băng.

4. Con người giữ quyền dừng. Máy tự quyết ở phân hạng kích cỡ và màu. Quả nghi thối, nghi dị vật đi ra dòng riêng để người xem lại. Khi tỷ lệ loại của một ca nhảy khỏi khoảng bình thường đã thống nhất, trưởng ca dừng băng và kiểm tra — không chờ máy tự “học lại”.

5. Đo lợi ích bằng tiền. Không báo cáo “độ chính xác 98%”. Báo cáo: bao nhiêu kg quả tốt không còn bị loại nhầm, nhân với giá; bao nhiêu lô bị khách phàn nàn so với vụ trước; bao nhiêu công phân loại được chuyển sang việc khác.

Sáu câu phải hỏi nhà cung cấp máy phân loại có AI

Con số độ chính xác của anh đo ở tốc độ băng bao nhiêu, trên giống nào, nguồn quả từ đâu? Cho tôi xem biên bản thử, không phải slide.
Tách riêng giúp tôi tỷ lệ loại nhầm và tỷ lệ lọt. Một con số “độ chính xác” gộp chung che mất cái nào đắt hơn với tôi.
Mô hình đã từng học trên giống Việt Nam chưa? Nếu chưa, cần bao nhiêu quả gán nhãn, ai gán, mất bao lâu, và ai trả chi phí đó?
Sang vụ mới hoặc đổi giống, ai hiệu chỉnh lại, mất bao lâu, phí bao nhiêu? Có bắt buộc kết nối từ xa về máy chủ của hãng không?
Ảnh và nhãn thuộc về ai? Tôi xuất ra được định dạng nào khi hết hợp đồng?
Anh có chấp nhận đưa tỷ lệ loại nhầm và tỷ lệ lọt, đo trên nguyên liệu của tôi ở tốc độ thực, vào biên bản nghiệm thu tại nhà máy không? Nhà cung cấp tự tin sẽ nói có. Nhà cung cấp né câu này — anh chị tự hiểu.

Sáu câu trên nằm trong bộ 37 câu hỏi phải hỏi nhà cung cấp thiết bị trước khi ký hợp đồng, tải bản đầy đủ tại foodtech.paulnguyen.vn hoặc nhắn Zalo 0938 613 408.

Nếu anh chị đang cân nhắc một máy phân loại cụ thể và muốn có người đọc bản chào giá cùng mình, đặt một phiên chẩn đoán dự án — 45–60 phút, không tính phí.

Đọc thêm: AI trong nhà máy thực phẩm: dùng ở đâu, chưa nên dùng ở đâu · Thanh long 3.000 đồng/kg: chế biến không phải chỗ đổ hàng dạt · Dứa MD2 là gì?

Nguồn

Nguyen Minh Trieu, Nguyen Truong Thinh (ĐH Sư phạm Kỹ thuật TP.HCM). Quality Classification of Dragon Fruits Based on External Performance Using a Convolutional Neural Network. Applied Sciences, 2021. https://doi.org/10.3390/app112210558
Samet Ozturk, Nicholas J. Watson và cộng sự (Univ. Leeds). Near-infrared spectroscopy and machine learning for classification of food powders during a continuous process. Journal of Food Engineering, 2022. https://doi.org/10.1016/j.jfoodeng.2022.111339
TOMRA Food. A Guide to AI at TOMRA Food, 13/06/2025. https://www.tomra.com/food/media-center/news/2025/ai-for-food-growers-packers-and-processors
TOMRA Food ra mắt TOMRA 4C (thông cáo hãng qua Postharvest.biz), 10/10/2025. https://www.postharvest.biz/tomra-food/tomra-food-launches-the-tomra-4c-an-ai-powered-optical-sorter-for-the-nuts-and-iqf-industry
Bühler Group. Deep learning powers Bühler’s new SORTEX AI700, 15/05/2025. https://www.buhlergroup.com/global/en/media/media-releases/sortex-ai700.html
Tim Van De Looverbosch, Bart Nicolaï và cộng sự (KU Leuven). Inline nondestructive internal disorder detection in pear fruit using explainable deep anomaly detection on X-ray images. Computers and Electronics in Agriculture, 2022. https://doi.org/10.1016/j.compag.2022.106962 (bản thảo chấp nhận: https://lirias.kuleuven.be/retrieve/cbe444a6-ce8e-4d47-b5b8-6396dfa10bfb, truy cập 26/09/2026)
Food Standards Agency, Science Council. AI Applications in Food Safety and Authenticity, đăng GOV.UK 25/06/2026. https://www.gov.uk/government/publications/report-artificial-intelligence-applications/science-council-report-of-project-artificial-intelligence-applications-in-food-safety-and-authenticity
Juan Carlos Miranda, Manuela Zude-Sasse. Fruit sizing using AI: A review of methods and challenges. Postharvest Biology and Technology, 2023. https://doi.org/10.1016/j.postharvbio.2023.112587
Fangchen Ding, J.F. García Martín. Prediction of quality traits in packaged mango by NIR spectroscopy. Food Research International, 2025. https://doi.org/10.1016/j.foodres.2025.115963
Carlos Velásquez, José Blasco (IVIA). Enhancing anthracnose detection in mango at early stages using hyperspectral imaging and machine learning. Postharvest Biology and Technology, tập 209, 2024. https://doi.org/10.1016/j.postharvbio.2023.112732
N. Fatima, M.M. Khan. Siamese network-based computer vision approach to detect papaya seed adulteration in black peppercorns. Journal of Food Processing and Preservation, 2022. https://doi.org/10.1111/jfpp.16043
Manuel Knott, Thijs Defraeye (Empa/ETH). Facilitated machine learning for image-based fruit quality assessment. Journal of Food Engineering, 2022. https://doi.org/10.1016/j.jfoodeng.2022.111401
THVL. Máy phân loại sầu riêng bằng AI, 25/07/2025. https://thvl.vn/may-phan-loai-sau-rieng-bang-ai.html
Tạ Kim Sen. Ứng dụng trí tuệ nhân tạo (AI) trong sản xuất nông nghiệp ở Việt Nam. Tạp chí Quản lý nhà nước, 30/01/2026. https://www.quanlynhanuoc.vn/2026/01/30/ung-dung-tri-tue-nhan-tao-ai-trong-san-xuat-nong-nghiep-o-viet-nam/