1. Đặt vấn đề

Sự gia tăng nhanh chóng của rác thải nhựa trong môi trường nước đang gây ra những hệ lụy nghiêm trọng đối với hệ sinh thái và đời sống con người. Nhiều nghiên cứu đã chỉ ra rằng hiện nay có hơn hàng nghìn tỷ mảnh rác nhựa đang tồn tại trong các đại dương, với tổng khối lượng lên đến hàng trăm nghìn tấn. Phần lớn lượng rác này bắt nguồn từ các nguồn nước nội địa như sông, kênh, rạch và hồ, sau đó theo dòng chảy đổ ra biển. Do đó, việc xử lý rác thải ngay từ các thủy vực nội địa được xem là giải pháp then chốt nhằm hạn chế ô nhiễm đại dương.

Các phương pháp thu gom rác truyền thống chủ yếu dựa vào lao động thủ công, vốn tồn tại nhiều hạn chế như hiệu suất thấp, chi phí vận hành cao và tiềm ẩn nhiều rủi ro cho người lao động. Trước những thách thức này, các thiết bị thu gom rác tự động, đặc biệt là các phương tiện mặt nước không người lái (Unmanned Surface Vehicles – USV), đang được quan tâm và nghiên cứu mạnh mẽ. Tuy nhiên, một trong những bài toán khó đặt ra đối với các hệ thống này là khả năng nhận dạng chính xác các loại rác có kích thước nhỏ, bị che khuất hoặc lẫn trong môi trường nước phức tạp.

Trong bối cảnh đó, bài báo tập trung nghiên cứu giải pháp nhận dạng rác trôi nổi trên mặt nước dựa trên dữ liệu hình ảnh thu được từ camera quan trắc, kết hợp với mô hình học sâu hiện đại YOLOv7, đồng thời tích hợp vào hệ thống máy thu rác WSCA nhằm hướng tới một giải pháp tự động hóa hoàn chỉnh.

2. Kết quả nghiên cứu và khảo sát

2.1. Phương pháp tư duy thiết kế

Tư duy thiết kế (Design Thinking) là phương pháp tiếp cận sáng tạo được ứng dụng rộng rãi trong phát triển sản phẩm, dịch vụ và các hệ thống kỹ thuật phức tạp. Phương pháp này nhấn mạnh việc phân tích bối cảnh sử dụng, xác định đúng vấn đề cốt lõi, từ đó đề xuất giải pháp thông qua quá trình lặp và cải tiến liên tục.

Quy trình tư duy thiết kế bao gồm các bước chính như phân tích bối cảnh, xác định vấn đề, đề xuất ý tưởng, xây dựng mô hình, thử nghiệm và đánh giá. Trong nghiên cứu này, nhóm tác giả mở rộng quy trình bằng cách bổ sung bước kiểm tra trong và sau quá trình vận hành nhằm ghi nhận các lỗi kỹ thuật và làm cơ sở cho việc cải tiến các phiên bản tiếp theo của WSCA.

2.2. Thiết kế máy thu rác trên mặt nước WSCA

WSCA là thiết bị thu gom rác trôi nổi trên mặt nước được thiết kế để hoạt động trong các môi trường nước tĩnh hoặc chảy chậm như sông, hồ và kênh rạch. Thiết bị được phát triển với mục tiêu ban đầu là vận hành bán tự động, sau đó tiến tới tự động hoàn toàn thông qua việc tích hợp hệ thống nhận dạng và điều hướng thông minh.

Trong giai đoạn thiết kế, WSCA được mô phỏng và đánh giá trong không gian 3D nhằm kiểm tra các yếu tố như độ nổi, tính ổn định, khả năng di chuyển và sức chứa rác. Bản mẫu tỷ lệ 1:1 được chế tạo và thử nghiệm thực tế tại một số khu vực sông nội địa, qua đó cho phép đánh giá chính xác hiệu năng vận hành và độ bền của cấu trúc cơ khí.

2.3. Tập dữ liệu FloW

Tập dữ liệu FloW được xây dựng từ các hình ảnh thu thập trong quá trình vận hành thiết bị USV tại các thủy vực nội địa. Dữ liệu bao gồm 2.000 hình ảnh với hơn 5.000 đối tượng rác thải nhựa trôi nổi đã được gán nhãn. Các đối tượng rác trong tập dữ liệu có kích thước đa dạng, trong đó phần lớn là các vật thể nhỏ, gây nhiều khó khăn cho bài toán nhận dạng.

Do điều kiện vận hành và vị trí camera của WSCA tương đồng với thiết bị thu thập dữ liệu FloW, tập dữ liệu này được đánh giá là phù hợp cho việc huấn luyện mô hình nhận dạng rác cho WSCA.

2.4. Kiến trúc mạng YOLOv7

YOLOv7 là phiên bản mới của họ mô hình YOLO, được thiết kế nhằm tối ưu đồng thời độ chính xác và tốc độ xử lý cho các bài toán phát hiện đối tượng theo thời gian thực. Kiến trúc của YOLOv7 bao gồm các khối trích xuất đặc trưng, mạng kim tự tháp đặc trưng và khối dự đoán, cho phép mô hình nhận dạng hiệu quả các đối tượng có kích thước khác nhau trong cùng một khung hình.

So với các phiên bản trước, YOLOv7 cho thấy ưu thế rõ rệt về hiệu năng, đặc biệt trong các ứng dụng yêu cầu xử lý nhanh và ổn định như hệ thống camera quan trắc thời gian thực.

2.5. Giải pháp tăng cường dữ liệu

Nhằm cải thiện khả năng tổng quát hóa của mô hình và khắc phục tình trạng thiếu dữ liệu, nghiên cứu đề xuất phương pháp tăng cường dữ liệu dựa trên kỹ thuật ghép ảnh. Các ảnh rác thải nhựa đã được tách nền được xử lý với các phép biến đổi như thay đổi tỷ lệ, xoay, lật và ghép ngẫu nhiên vào các ảnh mặt nước.

Thông qua phương pháp này, tập dữ liệu huấn luyện được mở rộng từ 2.000 ảnh lên 2.800 ảnh, tạo thành tập FloW+. Việc tăng cường dữ liệu giúp mô hình tiếp cận đa dạng hơn các tình huống thực tế, từ đó nâng cao độ chính xác nhận dạng.

2.6. Kết quả thực nghiệm

Mô hình YOLOv7 được huấn luyện và đánh giá trên tập dữ liệu FloW+. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác cao với Precision đạt 80,5% và Recall đạt 76,6%. Chỉ số mAP@0.5 đạt 78,8% và mAP@0.5…0.95 đạt 35,6%, đồng thời đảm bảo tốc độ xử lý trung bình 17,6 khung hình trên giây.

So sánh với các mô hình học sâu khác cho thấy YOLOv7 đạt được sự cân bằng tốt giữa độ chính xác và tốc độ, phù hợp để triển khai trong các hệ thống thu gom rác tự động hoạt động theo thời gian thực.

3. Kết luận

Bài báo đã trình bày một giải pháp toàn diện cho bài toán thu gom rác trôi nổi trên mặt nước thông qua việc kết hợp phương pháp tư duy thiết kế trong phát triển thiết bị WSCA và mô hình nhận dạng rác dựa trên mạng nơ-ron học sâu YOLOv7. Kết quả nghiên cứu cho thấy giải pháp đề xuất có tính khả thi cao, đáp ứng tốt yêu cầu về độ chính xác và tốc độ xử lý.

Trong tương lai, nghiên cứu có thể mở rộng theo hướng thu thập thêm dữ liệu thực tế trong quá trình vận hành WSCA, đồng thời cải tiến thuật toán nhận dạng nhằm nâng cao khả năng phân loại chi tiết các loại rác thải. Những hướng phát triển này hứa hẹn sẽ đóng góp tích cực vào công tác bảo vệ môi trường nước và giảm thiểu ô nhiễm rác thải nhựa trong thực tiễn.