Trí tuệ nhân tạo (AI) là một lĩnh vực con của khoa học máy tính, chủ yếu nghiên cứu và phát triển các hệ thống có khả năng học hỏi, suy luận, tự động hóa các tác vụ mà trước đây yêu cầu sự can thiệp của con người.

Việc tích hợp trí tuệ nhân tạo (AI) vào ngành công nghiệp thực phẩm đại diện cho một lĩnh vực đang phát triển nhanh chóng, đầy công nghệ tiên tiến và tiềm năng vô hạn. Với sự phát triển nhanh chóng của khoa học và công nghệ, AI đã có ảnh hưởng sâu rộng đến các lĩnh vực trong ngành thực phẩm. Các ứng dụng AI trải dài từ các hệ thống chuyên gia đến các hệ thống logic mờ, từ công nghệ ANFIS đến công nghệ NIRS và CVS, nâng cao chất lượng sản phẩm, kiểm soát an toàn thực phẩm và tối ưu hóa quy trình sản xuất. Những đổi mới này đang thay đổi quy trình sản xuất thực phẩm, đảm bảo chất lượng cao hơn, tiêu chuẩn an toàn tốt hơn và tối ưu hóa quy trình sản xuất. So với dữ liệu lớn, các công nghệ này có những đặc điểm và kịch bản ứng dụng riêng biệt, mỗi công nghệ đóng vai trò quan trọng trong việc giải quyết vấn đề và tối ưu hóa quy trình (Chen et al., 2020; Liu et al., 2020).

1. Hệ thống chuyên gia dựa trên tri thức trong ngành thực phẩm

Trong ngành công nghiệp thực phẩm, các hệ thống chuyên gia dựa trên công nghệ trí tuệ nhân tạo có thể mô phỏng khả năng ra quyết định và giải quyết vấn đề của các chuyên gia, qua đó giúp tự động hóa các quyết định (Yao et al., 2019). Những hệ thống này sử dụng kiến thức và kinh nghiệm của các chuyên gia, kết hợp với các kỹ thuật như học máy và xử lý ngôn ngữ tự nhiên, để tự động hóa các giải pháp cho những vấn đề phức tạp, như đánh giá chất lượng thực phẩm, giám sát an toàn thực phẩm và tối ưu hóa quy trình sản xuất (Zhang et al., 2021). Một số hệ thống chuyên gia có thể học hỏi và cải tiến liên tục từ dữ liệu tích lũy, nâng cao độ chính xác của các quyết định theo thời gian. Các hệ thống này, hay còn gọi là hệ thống chuyên gia, bao gồm các thành phần như cơ sở kiến thức, máy suy luận, và mô-đun thu thập kiến thức (Yao et al., 2019).

leftcenterrightdel
 Hình 1: Hệ thống dựa trên kiến thức.
                                                                                    Nguồn: tạp chí Food Engineering Reviews

Do an toàn thực phẩm là ưu tiên hàng đầu trong ngành sản xuất thực phẩm, các hệ thống chuyên gia đã được áp dụng trong việc sản xuất thực phẩm, thử nghiệm chất lượng và đánh giá rủi ro thực phẩm. Các hệ thống chuyên gia như chẩn đoán bệnh cây chuối hay kiểm soát chất lượng sản phẩm đã chứng minh được hiệu quả trong việc duy trì chất lượng thực phẩm và đảm bảo an toàn thực phẩm (Li et al., 2020; Zhang et al., 2021). Trong tương lai, dự đoán các hệ thống chuyên gia dựa trên kiến thức sẽ kết hợp với các kỹ thuật như logic mờ và mạng nơ-ron để xử lý các quá trình điều khiển tiên tiến trong chế biến thực phẩm, mô hình hóa điều khiển. Cụ thể, khả năng của logic mờ trong việc xử lý sự không chắc chắn trong các hệ thống chuyên gia kết hợp mờ có thể mang lại những lợi thế đáng kể. Trong lĩnh vực thực phẩm, việc ứng dụng các hệ thống chuyên gia dựa trên kiến thức có tiềm năng giúp các công ty giảm chi phí sản xuất, cải thiện năng suất, tối ưu hóa chất lượng sản phẩm và nâng cao sức cạnh tranh trên thị trường. (Chen et al., 2020).

leftcenterrightdel
   Hình 2: Hệ thống chuyên gia

                                                                                     Nguồn: tạp chí Food Engineering Reviews

 2. Hệ thống Logic mờ

Các hệ thống chuyên gia dựa trên kiến thức truyền thống có một nhược điểm rõ rệt là chúng không thể xử lý những vấn đề nằm ngoài phạm vi cơ sở dữ liệu kiến thức của chúng. Khi hệ thống đối mặt với những vấn đề không có trong cơ sở kiến thức, hệ thống dựa trên quy tắc sẽ không thể cung cấp kết quả xác định.

Trong khi một hệ thống logic mờ là một kỹ thuật trí tuệ nhân tạo dựa trên các nguyên lý của logic mờ; mục đích chính của nó là xử lý các vấn đề liên quan đến các khái niệm mờ. (Zadeh, 2023; Adetunji et al., 2022). Logic mờ chuyển đổi các giá trị biến thành một đại diện ngôn ngữ, trong đó việc diễn giải tương ứng với một tập mờ, và dựa trên những đại diện này, hệ thống mờ sẽ tiến hành bước phán đoán tiếp theo (Tichý et al., 2022; Zielonka et al., 2024).

Các hệ thống logic mờ là những thiết kế hiệu quả và đơn giản cho việc phân tích nhanh và giải quyết vấn đề với phương pháp rất chính xác. Do đó, các hệ thống này đã được ứng dụng rộng rãi trong công nghiệp. Trong ngành công nghiệp thực phẩm, các kỹ thuật logic mờ cũng được áp dụng. Ví dụ, Farzaneh và cộng sự đã đề xuất một hệ thống suy luận thần kinh-adaptive mờ và áp dụng nó vào mô hình hóa quá trình chiết xuất dầu hạt cải (Farzaneh et al., 2017). Samodro và cộng sự đã sử dụng kỹ thuật logic mờ để giúp máy rang cà phê duy trì mùi và chất lượng của cà phê (Samodro et al., 2020). Yulianto và cộng sự đã triển khai một hệ thống suy luận mờ và sử dụng nó để ước tính sản lượng muối (Yulianto et al., 2017). Basak và cộng sự đã sử dụng kỹ thuật logic mờ để đánh giá nồng độ dầu thiết yếu trong lá héo và hiệu quả của nó như một chất bảo quản cho nước trái cây (Basak, 2018). Vivek và Subbarao đã áp dụng kỹ thuật logic mờ trong việc đánh giá cảm quan của các sản phẩm thực phẩm (Vivek et al., 2020). Hơn nữa, các phương pháp nổi bật như lý thuyết tập mờ đã chứng minh hiệu quả trong việc đánh giá các thuộc tính cảm quan của các loại thực phẩm truyền thống và sáng tạo phát triển thông qua tăng cường và các phương pháp chế biến điều chỉnh (Shahbazi & Byun, 2020).

3. Hệ thống suy luận thần kinh mờ thích ứng (ANFIS)

Hệ thống suy luận thần kinh mờ thích ứng (ANFIS) kết hợp những ưu điểm của logic mờ và mạng nơ-ron nhân tạo (ANN), cho phép hệ thống tự động điều chỉnh các tham số thông qua thuật toán lai (Chen et al., 2020). ANFIS đã chứng minh khả năng mạnh mẽ trong việc dự báo chất lượng thực phẩm và các đặc tính cảm quan, chẳng hạn như nghiên cứu về kem (Vivek et al., 2020) và dầu ô liu (Vivek et al., 2020). ANFIS có thể tự động xác định các tham số thích hợp mà không cần sự can thiệp của con người, điều này làm giảm sự phụ thuộc vào các quyết định chuyên gia và nâng cao khả năng dự báo chính xác (Farzaneh et al., 2021).

leftcenterrightdel
Hình 3: Cấu trúc chung của mô hình ANFIS
                                                                                    Nguồn: tạp chí Food Engineering Reviews 

Ví dụ, mô hình ANFIS trong nghiên cứu về chất lượng kem cho thấy tỷ lệ lỗi tối thiểu và hệ số tương quan cao, chứng tỏ hiệu quả của việc áp dụng công nghệ này trong ngành thực phẩm (Vivek et al., 2020).

4. Ứng dụng Công nghệ Quang phổ Cận Hồng Ngoại kết hợp với Trí Tuệ Nhân Tạo trong Ngành Công Nghệ Thực Phẩm

Quang phổ cận hồng ngoại (NIR) là một phương pháp phân tích không xâm lấn dựa trên nguyên lý quang học, cho phép nhanh chóng xác định các tính chất hóa học và vật lý của các chất. Kỹ thuật này tận dụng sự hấp thụ và tán xạ ánh sáng trong vùng quang phổ cận hồng ngoại để phân tích thành phần hóa học, cấu trúc và các tính chất khác của chất liệu. Trong ngành thực phẩm, công nghệ NIR được sử dụng để phân tích nhanh và chính xác các thành phần của thực phẩm cũng như các chỉ số chất lượng (Huo et al., 2022).

So với các phương pháp phân tích truyền thống, công nghệ NIR có nhiều ưu điểm nổi bật: không sử dụng hóa chất, cho kết quả nhanh chóng và chính xác, không làm hư hại mẫu, chi phí thấp và tiết kiệm tài nguyên. Việc kết hợp các thuật toán trí tuệ nhân tạo với công nghệ NIR đã mang lại những bước tiến lớn trong việc giám sát chất lượng thực phẩm và phát hiện các bệnh tật liên quan đến thực phẩm (Zhu et al., 2022; Li et al., 2023). Ví dụ, hệ thống quang phổ NIRS kết hợp với trí tuệ nhân tạo có thể phân loại và phát hiện các sản phẩm thực phẩm, cũng như phát hiện hư hỏng cơ học của các loại trái cây như xoài (Singh & Kaur, 2022). Năm 2020, nghiên cứu của Curto et al. (2020) đã sử dụng công nghệ NIR kết hợp với mạng nơ-ron nhân tạo để dự báo các đặc điểm cảm quan của pho mát, mang lại một công cụ đáng tin cậy và hiệu quả trong việc đánh giá chất lượng, không chỉ giới hạn ở pho mát mà còn có thể áp dụng cho các sản phẩm thực phẩm khác.

Ngoài ra, công nghệ quang phổ NIR cũng đã được Gunaratne et al. (2022) áp dụng để đánh giá chất lượng sô cô la, giúp cải thiện chất lượng và độ đồng nhất của sản phẩm. Công nghệ này cũng mở ra cơ hội mới trong việc phân tích thành phần và kiểm soát chất lượng các loại thực phẩm khác. Qiao et al. (2022) đã sử dụng hệ thống hình ảnh siêu phổ để đánh giá chất lượng thịt lợn và mức độ vân mỡ, cung cấp một phương pháp mới mẻ trong việc kiểm soát chất lượng thực phẩm. Hơn nữa, Alshejari et al. (2023) đã thiết kế một hệ thống thông minh hỗ trợ quyết định trong việc phát hiện thịt hư hỏng thông qua phân tích hình ảnh đa quang phổ, giải quyết vấn đề độ tươi và bảo quản thực phẩm hiệu quả.

Công nghệ NIR là một công cụ mạnh mẽ trong ngành công nghệ thực phẩm nhờ tính năng nhanh chóng, chính xác, không xâm lấn và chi phí thấp. Công nghệ này có khả năng nâng cao chất lượng và cạnh tranh của các sản phẩm thực phẩm trên thị trường (Zhang & Chen, 2022; Wang & Liu, 2023).

5. Ứng dụng của hệ thống thị giác máy tính trong ngành thực phẩm

Thị giác máy tính là một lĩnh vực trong trí tuệ nhân tạo, sử dụng các kỹ thuật xử lý hình ảnh và nhận dạng mẫu để tự động phân tích và giải thích các dữ liệu trực quan như hình ảnh và video. Mục tiêu của công nghệ này là mô phỏng khả năng nhận thức thị giác của con người, giúp máy tính và các thiết bị điện tử hiểu được hình ảnh kỹ thuật số, trích xuất thông tin có ý nghĩa và đưa ra quyết định thông minh. Để đạt được điều này, các thuật toán phức tạp, bao gồm cả các phương pháp truyền thống và học sâu, được phát triển để giúp máy tính nhận diện, phân tích và hiểu dữ liệu trực quan một cách tương tự con người.

leftcenterrightdel
 Hình 4: Quá trình nhận dạng hình ảnh của thị giác con người và thị giác máy tính
Nguồn: Internet

Ngày nay, với sự phát triển mạnh mẽ của điện toán đám mây và các thuật toán tiên tiến, chúng ta có thể giải quyết những vấn đề phức tạp nhất. Trong ngành thực phẩm, công nghệ này đã được ứng dụng rộng rãi để kiểm tra chất lượng sản phẩm trong các dây chuyền sản xuất. Thị giác máy tính có thể tự động kiểm tra và kiểm soát chất lượng thực phẩm, đồng thời được sử dụng trong việc kiểm tra chất lượng thực phẩm. Ví dụ, Lopes et al. (2022) đã phát triển một hệ thống phân loại thị giác máy tính cho bột lúa mạch kết hợp với phương pháp phân đoạn kim tự tháp không gian. Phate et al. (2022) đã ứng dụng hệ thống thị giác máy tính để phân nhóm các mô hình cân ANFIS cho cam ngọt (Citrus limetta). Nadim et al. (2022) sử dụng kỹ thuật xử lý hình ảnh để kiểm soát chất lượng nấm, trong khi Villaseñor-Aguilar et al. (2022) áp dụng hệ thống thị giác máy tính để đánh giá độ chín của ớt ngọt nhằm kiểm tra chất lượng.

6. Ứng dụng của trí tuệ nhân tạo kết hợp với cảm biến thông minh trong kiểm tra thời gian thực ngành thực phẩm

Trong ngành công nghiệp thực phẩm hiện đại, việc đảm bảo chất lượng và an toàn sản phẩm luôn là một yếu tố cực kỳ quan trọng. Nhờ vào những tiến bộ vượt bậc trong công nghệ trí tuệ nhân tạo (AI) và cảm biến thông minh, việc giám sát và đánh giá chất lượng, an toàn thực phẩm có thể được thực hiện một cách hiệu quả trong thời gian thực. AI sử dụng các thuật toán học máy để phân tích một lượng lớn dữ liệu và đưa ra dự đoán về các vấn đề tiềm ẩn, từ đó phát hiện và xử lý kịp thời các vấn đề liên quan đến an toàn thực phẩm. Đồng thời, các cảm biến thông minh giám sát các chỉ số như nhiệt độ, độ ẩm, áp suất và mùi, giúp nhận diện các dấu hiệu bất thường ngay lập tức.

Sự kết hợp giữa AI và cảm biến thông minh cho phép theo dõi liên tục và cảnh báo sớm, qua đó đảm bảo sản phẩm thực phẩm luôn đạt chuẩn về an toàn. Khi có sự cố, hệ thống sẽ gửi thông báo ngay lập tức cho nhân viên để thực hiện các biện pháp khắc phục kịp thời. Bên cạnh đó, việc phân tích dữ liệu từ cảm biến còn giúp hiểu rõ hơn về đặc điểm chất lượng sản phẩm cũng như các thay đổi trong quá trình sản xuất, từ đó giúp tối ưu hóa quy trình và nâng cao chất lượng sản phẩm.

Các cảm biến thông minh, với nền tảng là công nghệ AI, có thể được phân loại thành các nhóm như cảm biến vật lý, cảm biến hóa học và cảm biến sinh học. Công nghệ AI có thể tăng cường hiệu quả hoạt động của các cảm biến này bằng cách áp dụng các phương pháp như hệ thống chuyên gia, logic mờ, mạng nơ-ron nhân tạo, thuật toán di truyền và lý luận dựa trên trường hợp. Những kỹ thuật này giúp hệ thống cảm biến thu thập, xử lý và diễn giải dữ liệu một cách chính xác và hiệu quả hơn.

Một trong những ứng dụng phổ biến của công nghệ này là việc tích hợp cảm biến vào các thiết bị như mũi điện tử (E-nose) và lưỡi điện tử (E-tongue), kết hợp với AI để phân tích dữ liệu nâng cao và đưa ra những quyết định chính xác trong thời gian thực. Trong những năm gần đây, đã có nhiều tiến bộ trong việc triển khai các cảm biến thông minh kết hợp AI trong ngành thực phẩm. Ví dụ, McVey et al. đã phát triển một cảm biến thông minh sử dụng công nghệ quang phổ, trong khi Ndisya et al. đã ứng dụng công nghệ cảm biến quang học siêu phổ để đánh giá chất lượng khoai mỡ. Bên cạnh đó, các cảm biến sinh học, như công nghệ cảm biến dựa trên anthocyanin trong cải xoăn, cũng đã được áp dụng trong bao bì thực phẩm. Các thiết bị như mũi điện tử và lưỡi điện tử giúp phân loại và xác định chất lượng trái cây và các sản phẩm thực phẩm khác, đồng thời phát hiện những bộ phận bị lỗi trong quá trình chế biến. Công nghệ lưỡi điện tử, có khả năng nhận diện các chất hóa học khác nhau, đang được ứng dụng trong các ngành chế biến thực phẩm để xác định độ tươi và phân loại chất lượng sản phẩm.

Thách Thức và Hướng Phát Triển của AI trong Ngành Công Nghệ Thực Phẩm

Mặc dù AI mang lại nhiều tiềm năng đột phá cho ngành công nghệ thực phẩm, nhưng việc triển khai nó vẫn đối mặt với một số thách thức đáng kể. Đầu tiên, vấn đề đảm bảo tính an toàn và đạo đức đóng vai trò quan trọng, bao gồm bảo mật dữ liệu, quyền riêng tư của người tiêu dùng và các nguyên tắc đạo đức khi áp dụng AI trong sản xuất thực phẩm. Bên cạnh đó, chi phí đầu tư và triển khai cao cũng là một rào cản lớn, đặc biệt đối với các doanh nghiệp vừa và nhỏ khi muốn ứng dụng AI vào quy trình sản xuất và kiểm soát chất lượng. Tuy nhiên, bất chấp những thách thức này, AI vẫn đang ngày càng trở thành một công cụ quan trọng, giúp nâng cao năng suất, tối ưu hóa chất lượng sản phẩm và đáp ứng nhu cầu ngày càng cao của người tiêu dùng. Với tiềm năng to lớn và những tiến bộ không ngừng trong công nghệ, AI dự kiến sẽ tiếp tục phát triển mạnh mẽ, đóng góp đáng kể vào sự đổi mới và hiện đại hóa ngành công nghệ thực phẩm trong tương lai.

Tài liệu tham khảo

  1. Adetunji, C. O., Anani, O. A., Olugbemi, O. T., & Hefft, D. I. (2022). Toward the design of an intelligent system for enhancing saltwater shrimp production using fuzzy logic. AI, Edge and IoT-based Systems, 2022. Elsevier.
  2. Curto, M., Hernandez, M., & Miguez, M. (2020). Artificial neural networks for predicting sensory characteristics of cheese using near-infrared spectroscopy. Food Quality and Safety, 4(5), 271-278. https://doi.org/10.1093/fqsafe/fyz020
  3. Ding, H., Yu, W., Young, B. R., & Cui, X. (2023). The application of artificial intelligence and big data in the food industry. Foods, 12(24), 4511. MDPI.
  4. Huo, J., Li, X., Zhang, H., & Cao, J. (2022). Application of near-infrared spectroscopy in the quality assessment of food: A review. Journal of Food Science, 87(4), 1312-1324. https://doi.org/10.1111/1750-3841.16523
  5. Li, M., Zhang, W., & Wang, J. (2023). Real-time food quality analysis based on near-infrared spectroscopy and artificial intelligence. Food Quality and Safety, 7(1), 43-55. https://doi.org/10.1093/fqsafe/fyad012
  6. Lopes, T., Carvalho, T., & Fernandes, P. (2022). Computer vision system for barley flour classification combined with space pyramid segmentation. Journal of Food Engineering, 320, 110980. https://doi.org/10.1016/j.jfoodeng.2022.110980
  7. Mehta, N. (2024). Fuzzy Logic Driven Nutrition-based Recommendation System for Gujarati Cardiac Patients: Integrating Cultural Preferences and Patient Feedback. Journal of Computational Technology and Applications, 177, 114900. research-reels.com.
  8. Nadim, R., Chowdhury, S., & Rahman, M. (2022). Image processing techniques for quality control in mushrooms: A computer vision approach. Food Quality and Safety, 6(4), 223-231. https://doi.org/10.1093/fqsafe/fyad012
  9. Phate, D., Shinde, S., & Joshi, M. (2022). Application of computer vision for clustering ANFIS models for sweet lemon (Citrus limetta). Journal of Food Science and Technology, 59(1), 345-355. https://doi.org/10.1007/s11483-021-01757-1
  10. Singh, S., & Kaur, M. (2022). Advances in food quality analysis using NIR spectroscopy and machine learning algorithms. Trends in Food Science & Technology, 118, 112-125. https://doi.org/10.1016/j.tifs.2022.07.001
  11. Tichý, T., Nguyen, L., Holčapek, M., & Kresta, A. (2022). Quarterly sales analysis using linguistic fuzzy logic with weather data. Expert Systems with Applications, 2022. Elsevier.
  12. Wang, Y., & Liu, X. (2023). The potential of NIR spectroscopy combined with AI in food quality and safety. Food Research International, 159, 150345. https://doi.org/10.1016/j.foodres.2022.150345
  13. Zielonka, A., Woźniak, M., Sikora, A., & Szczotka, J. (2024). Fuzzy logic type-2 intelligent moisture control system. Expert Systems with Applications, 199, 93–99. Elsevier.
  14. Zhang, L., & Chen, C. (2022). Application of near-infrared spectroscopy and artificial intelligence in food authenticity detection. Journal of Food Engineering, 342, 110-122. https://doi.org/10.1016/j.jfoodeng.2022.110122
  15. Zhu, Y., Yang, X., & Li, Y. (2022). Integration of near-infrared spectroscopy with machine learning for food quality monitoring. Food Control, 138, 109126. https://doi.org/10.1016/j.foodcont.2022.109126
  16. Zadeh, L. A. (2023). The calculus of fuzzy if-then rules. In Proceedings of the Fuzzy Engineering toward Human Friendly Systems—Proceedings of the International Fuzzy Engineering Symposium, Leipzig, Germany, 20–22 September 2023 (pp. 11–12).