Phân loại hạt dựa trên một hoặc nhiều tín hiệu vật lý để tách phần nguyên liệu đạt yêu cầu khỏi phần cần loại. Kích thước có thể giúp tách hạt quá nhỏ hoặc quá lớn; hình dạng có thể nhận diện hạt vỡ, méo hoặc khác cấu trúc; màu sắc có thể nhận diện nhiều lỗi có biểu hiện bề mặt; còn tín hiệu quang phổ có thể cung cấp thông tin vượt ra ngoài màu nhìn thấy. Một nghiên cứu về máy thị giác cho cà phê xanh cho thấy các đặc trưng màu, hình dạng và kết cấu có thể được kết hợp để phân loại nhiều loại lỗi.
Những lỗi có thể được phân loại
Các phương pháp và loại dữ liệu
Sàng chủ yếu dựa vào kích thước. Phân loại màu dùng tín hiệu quang học ở vùng nhìn thấy để nhận diện sự khác biệt về màu. Thị giác máy sử dụng hình ảnh và thuật toán để phân tích màu, hình dạng hoặc kết cấu. Hệ quang phổ, đặc biệt ảnh siêu phổ gần hồng ngoại, có thể khai thác thông tin liên quan đến thành phần và cấu trúc mà mắt thường khó phân biệt. Nghiên cứu năm 2019 cho thấy ảnh siêu phổ gần hồng ngoại có thể phân biệt các loại lỗi có ngoại hình gần nhau, còn nghiên cứu năm 2022 phát triển hệ kiểm tra lỗi thời gian thực dựa trên cảm biến siêu phổ và học sâu.
Nhận đúng, loại nhầm và bỏ sót
Một hệ phân loại không chỉ có tỷ lệ nhận đúng. Nó còn có thể loại nhầm hạt tốt hoặc bỏ sót hạt lỗi. Nếu đặt ngưỡng quá chặt, số lỗi còn lại giảm nhưng lượng hạt tốt bị loại có thể tăng. Nếu đặt ngưỡng quá rộng, tỷ lệ thu hồi tăng nhưng lỗi có thể đi qua. Vì vậy, cần theo dõi ít nhất tỷ lệ lỗi đầu ra, tỷ lệ hạt tốt bị loại và khối lượng bị mất. Đây là cách biến một máy phân loại từ thiết bị “loại lỗi” thành một hệ thống có thể đánh giá bằng dữ liệu.
Hiệu quả thay đổi theo loại lỗi và nguyên liệu
Không phải lỗi nào cũng dễ nhận diện như nhau. Nghiên cứu thị giác trên cà phê xanh cho thấy lỗi màu đen dễ phân biệt hơn lỗi chua vì đặc trưng màu của lỗi đen tách biệt hơn, trong khi màu của lỗi chua có thể chồng lấn với hạt bình thường. Nghiên cứu siêu phổ năm 2022 cũng phải xây dựng mô hình nhiều lớp để xử lý các loại lỗi khác nhau. Điều này có nghĩa là một mức độ chính xác được công bố cho một bộ mẫu không nên được hiểu là hiệu quả cố định cho mọi giống, vùng nguyên liệu, mức độ lỗi và điều kiện chiếu sáng.
Phân loại trong hệ thống kiểm soát chất lượng
Phân loại chỉ là một điểm kiểm soát. Một hệ thống tốt cần có mẫu đầu vào, mẫu sau phân loại, mẫu của dòng bị loại và kiểm tra xác nhận định kỳ. Khi các mẫu này được ghi lại, nhà máy có thể biết máy đang bỏ sót loại lỗi nào hoặc loại nhầm bao nhiêu hạt tốt. Điều này cũng giúp điều chỉnh ngưỡng theo từng dòng nguyên liệu. Công nghệ phân loại vì thế nên được nhìn như một phần của hệ thống kiểm soát chất lượng, cùng với sàng, làm sạch, kiểm tra mẫu và truy xuất dữ liệu.
Phân loại kích thước không thay thế phân loại lỗi
Sàng rất hiệu quả khi vấn đề là kích thước. Nhưng hai hạt có cùng kích thước vẫn có thể khác nhau về màu, hình dạng hoặc tình trạng bề mặt. Vì vậy, một dây chuyền chỉ dùng sàng sẽ không xử lý được tất cả các loại lỗi. Phân loại màu và thị giác máy bổ sung thông tin mà kích thước không có. Đây là lý do nhiều quy trình sử dụng nhiều bước tách nối tiếp thay vì cố gắng giải quyết mọi lỗi bằng một thiết bị.
Tín hiệu càng giàu thì yêu cầu dữ liệu càng cao
Một hệ chỉ nhìn màu cần dữ liệu về màu và điều kiện chiếu sáng. Hệ kết hợp màu, hình dạng và kết cấu cần dữ liệu phong phú hơn. Hệ siêu phổ còn cần chọn bước sóng, xử lý dữ liệu và mô hình phân loại. Nghiên cứu 2019 về ảnh siêu phổ cho thấy cách tiếp cận này có thể phân biệt những lỗi khó nhận ra bằng mắt, nhưng đó cũng là lý do hệ thống phức tạp hơn. Độ chính xác của thuật toán luôn gắn với chất lượng bộ mẫu dùng để xây dựng và kiểm tra mô hình.
Mục tiêu cuối cùng là giảm lỗi với mức hao hụt chấp nhận được
Một máy phân loại có thể làm tỷ lệ lỗi giảm nhưng đồng thời loại bỏ nhiều hạt tốt. Nếu chỉ đo phần lỗi giảm, đánh giá sẽ thiếu. Cần cân bằng giữa tỷ lệ loại lỗi, tỷ lệ bỏ sót và tỷ lệ hạt tốt bị loại. Trong sản xuất, đây chính là quan hệ giữa chất lượng và thu hồi. Một thay đổi ngưỡng phân loại chỉ đáng giá khi cải thiện được mục tiêu tổng thể chứ không phải một chỉ số đơn lẻ.
Hiệu quả phân loại cần được xác nhận bằng mẫu trước và sau máy
Cách đơn giản để kiểm tra một hệ phân loại là lấy mẫu đại diện trước máy, sau máy và ở dòng bị loại. Sau đó phân loại lại bằng phương pháp tham chiếu để biết mỗi dòng chứa bao nhiêu lỗi và bao nhiêu hạt tốt. Nếu chỉ đo tỷ lệ loại bỏ theo khối lượng, không thể biết máy đang loại đúng lỗi hay đang loại quá nhiều hạt tốt. Phương pháp xác nhận này đặc biệt quan trọng khi thay đổi nguồn nguyên liệu, mùa vụ, mức độ khô hoặc thiết lập cảm biến.
Một lớp dữ liệu cần theo dõi
Một hệ thống phân loại cũng cần phân biệt “loại lỗi” với “loại hạt khác biệt”. Trong một số loại cà phê, sự khác biệt về màu hoặc hình dạng có thể liên quan đến phương pháp chế biến chứ không phải lỗi. Nếu đặt ngưỡng máy quá cứng, những hạt hợp lệ nhưng khác màu có thể bị loại. Vì vậy, dữ liệu huấn luyện và mẫu xác nhận phải đại diện cho chính loại nguyên liệu và quy trình đang xử lý. Máy càng thông minh thì yêu cầu về dữ liệu và xác nhận càng cao, chứ không phải càng ít cần con người.
Đúng Master ID / Article ID / tiêu đề: PASS
Đúng phạm vi dàn ý đã duyệt: PASS
Câu hỏi trung tâm không phải heading: PASS
Cấu trúc không dùng khuôn cố định: PASS
Không đưa thông tin riêng của An Khương khi không có dữ kiện dự án: PASS
Classification systems use one or more physical signals to separate material that meets a specification from material that should be removed. In coffee, size, colour, shape and surface characteristics can provide different types of evidence. A classification method is therefore defined not only by the machine but also by the property being measured and the decision threshold used to separate one stream from another.
Which Defects Can Be Classified?
Different methods require different data. Screening is primarily based on particle size. Colour sorting uses optical signals in the visible range to distinguish colour differences. Machine vision can combine images with algorithms to evaluate shape, colour and texture, while hyperspectral approaches can add wavelength information beyond ordinary visible colour. Richer signals can reveal more properties, but they also require more data and more careful validation.
Methods and Data Types
A classification system has more outcomes than a simple accuracy percentage. It can correctly accept good material, correctly reject defects, falsely reject acceptable material or miss defects. Tightening a threshold may reduce defects in the accepted stream while increasing the amount of good coffee that is discarded. Performance therefore needs to be described using several measures rather than a single headline accuracy figure.
Correct Detection, False Rejection and Missed Defects
Detection performance also changes with defect type and raw material. Some defects have a strong visual contrast and are easier to separate than defects whose colour is close to normal coffee. Lighting, surface condition and variety can also affect the signal. A result obtained on one sample population should therefore not be treated as universal evidence for another population without validation.
Performance Changes With Defect Type and Raw Material
Classification is one control point within a larger quality system. A robust process can retain samples from the incoming stream, accepted stream and rejected stream and periodically verify them using a reference method. These samples allow the operator to see whether the machine is drifting, whether the raw material has changed or whether the rejection threshold is producing unacceptable product loss.
Classification Within a Quality-Control System
Size classification cannot replace defect classification. Two particles can have the same size while differing in colour, shape or surface condition. A line that relies only on screening can therefore remove dimensional outliers without addressing quality defects that are not correlated with size. Conversely, an optical system should not be expected to solve a problem whose defining property is particle size.
Size Classification Does Not Replace Defect Classification
As the signal becomes richer, the data requirement increases. A colour-only system needs representative colour data under controlled lighting. A system combining colour, shape and texture requires broader training and validation data. Hyperspectral classification adds wavelength selection and data-processing requirements. The more complex the signal, the more important it becomes to document the sample population, measurement conditions and validation method.
Richer Signals Require More Data
The practical goal is to reduce defects while keeping acceptable-product loss within a defined limit. A machine can lower the defect rate and still perform poorly if it removes too much good coffee. Evaluation should therefore balance defect removal, missed defects and false rejection. The acceptable balance depends on the product specification and the economic consequences of each error.
The Goal Is Lower Defect Levels With Acceptable Loss
One straightforward verification method is representative sampling before the machine, after the machine and from the rejected stream. Those samples can then be checked with a reference classification method to determine what each stream actually contains. Repeating the test over time provides evidence of consistency rather than relying on a single commissioning result.
Classification Performance Must Be Verified With Before-and-After Samples
A classification system should also distinguish a true defect from a naturally different but acceptable particle. In some coffees, legitimate variation in colour or shape can be related to processing or origin rather than a quality failure. The final control system therefore needs a clear definition of the defect classes, representative samples and a validation procedure that matches the real production population.
A Data Layer Worth Tracking
A classification system is reliable only when its decision rules are validated against representative material and its errors are measured in both directions. Monitoring accepted and rejected streams over time shows whether the system continues to meet the intended defect specification without creating unacceptable product loss.