Ứng dụng camera và AI trong phát hiện phôi chết sớm khi ấp trứng gà

Tổng Quan Quá Trình Ấp Trứng và Vấn Đề Phôi Chết Sớm

• Quá trình ấp trứng gà kéo dài khoảng 21 ngày, trong đó trứng được duy trì ở nhiệt độ và độ ẩm thích hợp để phôi phát triển. Tuy nhiên, một tỷ lệ đáng kể phôi có thể ngừng phát triển sớm (phôi chết sớm) do nhiều nguyên nhân như sốc nhiệt hoặc thao tác xử lý trứng không đúng kỹ thuật trong giai đoạn đầu ấp. Theo báo cáo, khoảng 5–10% phôi có thể chết trong những ngày đầu ấp vì các lý do này. Những trứng không có phôi sống (bao gồm trứng không thụ tinh hoặc phôi đã chết sớm) nếu không được loại bỏ kịp thời có thể bị nhiễm khuẩn, phát sinh nấm mốc và thậm chí vỡ “bom thối” trong máy ấp, gây lây nhiễm sang trứng khỏe. Tỷ lệ trứng không phôi (trứng không thụ tinh) trong sản xuất có thể dao động từ 1% đến 18%, đồng nghĩa với việc hàng tỷ quả trứng được ấp mỗi năm nhưng không thể nở. Do đó, phát hiện sớm và loại bỏ những trứng hỏng này là cực kỳ quan trọng để tăng tỷ lệ nở, bảo vệ phôi khỏe cũng như đảm bảo vệ sinh trong trại ấp.
• Truyền thống, kỹ thuật soi trứng (candling) được sử dụng để kiểm tra phôi. Công nhân sẽ soi đèn qua trứng vào khoảng ngày 7–10 của kỳ ấp để phân biệt trứng có phôi đang phát triển (thấy hệ thống mạch máu hoặc phôi chuyển động) với trứng trống hoặc phôi đã chết (trứng trong suốt hoặc có vết máu cố định). Tuy nhiên, phương pháp thủ công này tốn nhân công và thời gian, không hiệu quả đối với quy mô công nghiệp lớn. Hơn nữa, việc nhấc khay trứng ra ngoài để soi có thể làm trứng bị sốc nhiệt, tăng nguy cơ chết phôi do dao động nhiệt độ và tạo cơ hội cho mầm bệnh xâm nhập. Vì vậy, ngành chăn nuôi đang hướng đến các giải pháp phát hiện không phá hủy và tự động theo dõi trong thời gian thực nhờ công nghệ cảm biến và trí tuệ nhân tạo (AI) nhằm loại bỏ sớm trứng hỏng mà không cần can thiệp thủ công trung kỳ ấp.

Công Nghệ Camera Hiện Đại Được Sử Dụng

• Các tiến bộ trong công nghệ cảm biến hình ảnh mở ra nhiều hướng tiếp cận mới để quan sát và phân tích trứng ấp mà không cần phá vỡ vỏ trứng. Dưới đây là các loại công nghệ camera tiêu biểu đang được nghiên cứu ứng dụng trong phát hiện phôi chết sớm:

Hình ảnh phổ siêu quang (Hyperspectral Imaging – HSI)

• Camera siêu phổ thu nhận ảnh trong hàng trăm dải bước sóng hẹp, thường bao gồm vùng ánh sáng khả kiến (VIS) mở rộng sang cận hồng ngoại (NIR). Nhờ đó, HSI cung cấp phổ phản xạ/xuyên qua chi tiết tại mỗi điểm ảnh, giúp phát hiện những khác biệt hóa học – sinh học tinh vi giữa trứng có phôi sống và trứng hỏng. Chẳng hạn, phôi sống phát triển sẽ hình thành mạng mạch máu và các dịch thể đặc trưng; máu lưu thông chứa hemoglobin hấp thụ mạnh ánh sáng ở ~570–580 nm, tạo ra dấu hiệu phổ khác biệt so với trứng không có phôi hoạt động. Ngược lại, trứng không phôi hoặc phôi chết sớm thiếu các hấp thụ đặc trưng này. Nghiên cứu tại Đại học Illinois (UIUC) đã cho thấy phổ truyền qua trứng ở vùng 570 nm thay đổi rõ rệt giữa phôi sống và phôi chết chỉ sau 4 ngày ấp. Sử dụng camera siêu phổ (phạm vi 400–1000 nm) chụp ảnh truyền qua trứng ngày thứ 4 và thuật toán phân tích phổ, nhóm nghiên cứu UIUC đạt độ chính xác 90% trong việc phân loại trứng có phôi sống vs. phôi chết sớm một cách không hủy mẫu. Kết quả này, được báo cáo tại Diễn đàn Khoa học Gia cầm Quốc tế (IPSF) 2025, minh chứng rằng HSI có thể được ứng dụng để loại bỏ sớm trứng hỏng, nhờ đó nâng cao hiệu suất ấp nở và giảm rủi ro lây nhiễm trong máy ấp.
• Ngoài phát hiện phôi chết sớm trong quá trình ấp, công nghệ HSI còn tỏ ra hiệu quả trong phân biệt trứng có phôi (trứng thụ tinh) và trứng không phôi trước khi ấp. Việc sàng lọc trứng từ trước khi đưa vào lò ấp giúp tránh lãng phí công suất máy cho những trứng sẽ không nở. Một nghiên cứu công bố trên tạp chí Scientific Reports (2024) đã sử dụng HSI truyền qua (VIS-SWNIR) để phân loại trứng chưa ấp (ngày 0) thành trứng có phôi vs. không phôi, với mẫu 227 trứng vỏ trắng. Bằng cách chọn lọc một vài kênh phổ quan trọng (thay vì dùng toàn bộ 256 kênh phổ), mô hình phân loại đạt độ chính xác ~93% – cao hơn so với mô hình mạng neural truyền thống dùng toàn bộ phổ (91%). Điều này cho thấy chỉ cần một số bước sóng trọng yếu (liên quan đến màu lòng đỏ, hoạt động tế bào sớm, độ ẩm, protein/lipid…) cũng đủ để phân biệt trứng có phôi hay không, mở ra tiềm năng thiết kế các thiết bị cảm biến đa phổ đơn giản hơn thay vì hệ thống siêu phổ phức tạp.
• Tuy HSI rất hứa hẹn, nhưng nhược điểm lớn là chi phí cao và vận hành phức tạp, đòi hỏi máy ảnh đặc biệt và lượng dữ liệu khổng lồ. Để khắc phục rào cản này, các nhà khoa học đang phát triển phương pháp tái tạo ảnh siêu phổ từ ảnh RGB thông thường nhờ AI. Nhóm UIUC đã đề xuất mô hình học sâu để “dịch” ảnh chụp RGB (3 kênh màu) thành phổ giả lập nhiều kênh, sau đó dùng phổ này để dự đoán phôi sống/chết. Cụ thể, các thuật toán Deep Learning tiên tiến (HRNet, MST++, Restormer, EDSR) được so sánh để tái tạo phổ HSI của trứng trong những ngày ấp đầu tiên, và HRNet cho kết quả tái tạo chính xác nhất (sai số MRAE ~0.095, PSNR ~36.8 dB). Khi kết hợp phổ ảnh tái tạo này với mô hình máy học (XGBoost, Random Forest), hệ thống phân loại phôi sống/chết cho thấy hiệu quả đầy triển vọng. Theo các nhà nghiên cứu, cách làm này giúp tận dụng thiết bị RGB giá rẻ, cầm tay (thậm chí là camera điện thoại) để đạt được sức mạnh gần như HSI, mở đường cho giải pháp giám sát quy mô lớn, chi phí thấp trong trại ấp. Báo cáo mới đây cho biết nếu được tối ưu, một thiết bị cầm tay áp dụng kỹ thuật này có thể sàng lọc tới 20.000 trứng mỗi giờ, rất phù hợp với dây chuyền sản xuất công nghiệp.

Camera RGB thông thường và cảm biến chiều sâu (RGB-D)

• Bên cạnh HSI, các hệ thống camera màu (RGB) tiêu chuẩn cũng được tận dụng để giám sát phôi. Dưới ánh sáng trắng (hoặc ánh sáng đơn sắc từ đèn LED), camera RGB có thể ghi nhận hình ảnh soi trứng tương tự như mắt người nhưng với độ nhạy và độ nhất quán cao hơn. Nhờ đó, AI có thể phân tích dấu hiệu như màu sắc lòng đỏ, mạng lưới mạch máu hoặc vùng tối của phôi trên ảnh để xác định tình trạng của trứng. Chẳng hạn, một nghiên cứu sử dụng ảnh chụp từ camera thường trong máy ấp và thuật toán Mask R-CNN (mạng neural tích chập dùng cho nhận dạng và phân vùng đối tượng) đã phân biệt chính xác 100% số phôi đang phát triển ngay từ ngày 3 của kỳ ấp trong tập thử nghiệm. Mô hình Mask R-CNN này có khả năng phát hiện đồng thời nhiều trứng và xác định trứng có phôi (qua việc nhận dạng vùng phôi trong mỗi quả) chỉ bằng một mạng học sâu duy nhất – đây là ưu điểm so với phương pháp truyền thống vốn cần tách bước phát hiện và bước phân loại riêng rẽ. Kết quả hứa hẹn này cho thấy với hệ thống camera và chiếu sáng phù hợp, kỹ thuật học sâu có thể tự động hóa hoàn toàn việc soi trứng thay cho con người.
• Để hỗ trợ camera RGB, cảm biến chiều sâu (depth) có thể được tích hợp (camera RGB-D) nhằm thu được thông tin 3D về vị trí và hình dạng trứng. Điều này hữu ích cho việc định vị tự động các quả trứng trong máy ấp (phục vụ robot thu hình) và tách trứng ra khỏi nền hoặc khay đỡ khi xử lý ảnh. Chẳng hạn, trong một hệ thống quan sát gia cầm khác, camera RGB-D gắn trần đã giúp theo dõi tự động vật nuôi mà không bị che khuất. Đối với trứng ấp, dữ liệu độ sâu có thể giúp nhận biết trứng nghiêng hay thẳng, kiểm soát khoảng cách chiếu sáng và thậm chí phát hiện dao động vi sai của trứng do phôi cử động. Tuy chưa phổ biến như HSI hay camera thường, cảm biến chiều sâu là mảnh ghép tiềm năng để tăng cường độ chính xác cho hệ thống quan sát phôi (ví dụ, xác định một quả trứng không được xoay trở đúng cách hoặc bị dịch chuyển vị trí có thể ảnh hưởng đến kết quả phân tích hình ảnh).

Camera hồng ngoại nhiệt (Thermal Imaging)

• Một hướng khác để đánh giá tình trạng phôi là sử dụng camera nhiệt (cảm biến hồng ngoại) nhằm đo phân bố nhiệt độ bề mặt trứng. Phôi đang phát triển là một hệ thống sống, thực hiện trao đổi chất và sinh nhiệt nhẹ. Do đó, trứng có phôi sống thường ấm hơn một chút so với trứng không phôi hoặc phôi đã chết (nhất là khi phôi chết sớm, sự trao đổi chất dừng lại). Công nghệ ảnh nhiệt khai thác sự chênh lệch này: camera sẽ ghi nhận bức xạ hồng ngoại do trứng phát ra để suy ra nhiệt độ của nó. Thí nghiệm trên trứng cút ấp đã chứng minh tính khả thi của phương pháp này: Nhóm nghiên cứu Nakaguchi et al. sử dụng camera nhiệt vi mô chụp ảnh hồng ngoại các trứng cút trong 7 ngày đầu ấp, rồi dùng mô hình deep learning YOLO để phát hiện trứng không phôi dựa trên đặc điểm nhiệt. Kết quả thuật toán rất ấn tượng – mô hình YOLOv5 đạt độ chính xác trung bình (mAP@0.5) tới 99,5% trong việc nhận diện trứng không phôi so với trứng có phôi. Điều này nghĩa là gần như toàn bộ trứng có phôi đã được phân biệt đúng, chỉ dựa trên ảnh nhiệt độ bề mặt. Lý do là phôi bắt đầu phát triển sẽ tạo ra những vùng nhiệt bất thường trên vỏ trứng (do tuần hoàn máu cục bộ và quá trình trao đổi khí, nhiệt), trong khi trứng không phôi có xu hướng nhiệt độ đồng đều hơn.
• Tuy nhiên, ứng dụng ảnh nhiệt trong thực tế cũng đặt ra một số thách thức. Đầu tiên, độ chênh lệch nhiệt độ rất nhỏ (thường chỉ vài phần mười độ) đòi hỏi camera có độ nhạy cao và môi trường đo được kiểm soát (tránh gió lùa, nguồn nhiệt ngoại lai). Kế đến, việc xoay trứng (thông thường trứng được đảo đều đặn mỗi 1–3 giờ) có thể ảnh hưởng đến sự phân bố nhiệt và khiến đặc trưng nhiệt không ổn định. Trong nghiên cứu trên, nhóm tác giả còn thử nghiệm điều chỉnh tần suất đảo trứng (1,5 giờ, 6 giờ, 12 giờ) để tìm ra điều kiện tối ưu cho quan sát – kết quả cho thấy tạm dừng đảo trong khoảng 12 giờ giúp camera thu được hình ảnh nhiệt khác biệt rõ hơn giữa trứng có phôi và không phôi. Dù vậy, về lâu dài, phương pháp này rất hứa hẹn do tính chất thụ động, không cần chiếu sáng: camera nhiệt có thể hoạt động trong bóng tối hoàn toàn, thu ảnh nhanh (video) và không gây ảnh hưởng đến phôi. Điều này mở ra khả năng theo dõi nhịp tim phôi qua dao động nhiệt độ theo nhịp đập tim. Thật vậy, các nghiên cứu khác đã thành công trong việc đo tín hiệu PPG (photoplethysmography) – tức biến đổi ánh sáng do mạch máu phôi co bóp – để suy ra nhịp tim phôi mà không cần chạm vào trứng. Kết hợp tín hiệu PPG và mạng nơ-ron CNN chuyên biệt, độ chính xác phân loại trứng có phôi sống (tim đập) và trứng chết (không tim) đạt tới 99,6% ở ngày 9 của kỳ ấp. Điều này cho thấy tiềm năng tích hợp nhiều loại cảm biến (quang phổ, hình ảnh, nhiệt, PPG) để tạo nên một hệ thống giám sát phôi toàn diện, phát hiện sớm mọi dấu hiệu bất thường của phôi trong trứng.

Vai Trò của Trí Tuệ Nhân Tạo và Thuật Toán Học Máy

Để biến các tín hiệu thu được từ camera và cảm biến thành quyết định “phôi sống hay chết”, không thể thiếu các thuật toán AI và học máy phân tích dữ liệu. Nhiều phương pháp đã được áp dụng, từ mô hình thống kê truyền thống đến mạng học sâu hiện đại, mỗi loại đều có ưu nhược điểm riêng:

• Phân tích phân biệt (Discriminant Analysis): Đây là phương pháp thống kê cổ điển (bao gồm LDA, QDA) dùng để tìm đường biên phân loại hai nhóm dựa trên phân bố dữ liệu. Trong nghiên cứu HSI tại Illinois, LDA được sử dụng để phân loại phổ truyền qua trứng ngày 4 và đạt độ chính xác ~90% trong phân biệt phôi sống vs. chết. Phân tích phân biệt cũng được Ghaderi et al. (2024) áp dụng cùng với phương pháp SIMCA để tách trứng có phôi/nghỉ phôi trước ấp, cho kết quả khả quan (~86–93%) sau khi chọn lọc đặc trưng bước sóng. Ưu điểm của phương pháp này là đơn giản, dễ giải thích, và phù hợp với tập dữ liệu nhỏ. Tuy nhiên, hạn chế là giả định phân phối dữ liệu (thường là Gaussian) và khó bắt kịp các quan hệ phi tuyến phức tạp giữa các đặc trưng ảnh.
• Máy học truyền thống (SVM, cây quyết định, Boosting): Nhiều nghiên cứu đã thử các mô hình như SVM (máy vector hỗ trợ), rừng ngẫu nhiên, và đặc biệt là thuật toán cây tăng cường (Gradient Boosting). Chẳng hạn, Ahmed et al. (2025) đã xây dựng các mô hình phân loại trứng thụ tinh trước ấp bằng siêu phổ với XGBoost, CatBoost, Random Forest,… và đánh giá bằng kiểm định chéo 10 lần. Kết quả cho thấy mô hình CatBoost (thuật toán boosting tối ưu hóa cho phân loại) kết hợp dữ liệu tổng hợp (synthetic data) cho độ chính xác độc lập lên tới 95,1%. Mô hình Boosting với số ít đặc trưng bước sóng quan trọng vẫn giữ được độ chính xác cao, đồng thời giảm đáng kể chi phí tính toán và tăng khả năng giải thích. Đặc biệt, nhóm tác giả đã dùng phương pháp SHAP (Shapley values) để giải thích mô hình CatBoost, xác định các vùng bước sóng ảnh hưởng lớn đến kết quả (liên quan màu sắc lòng đỏ, hoạt động trao đổi chất sớm, hàm lượng nước, protein, lipid). Điều này rất quan trọng để hiểu được cơ chế sinh học đằng sau tín hiệu AI nhận biết phôi sống hay chết. Ngoài ra, một nghiên cứu khác sử dụng SVM kết hợp đặc trưng GLCM (ma trận đồng xuất hiện mức xám) trên ảnh soi trứng cũng đạt độ chính xác ~98,2% trong phân loại trứng có phôi vs. không phôi – cải thiện hơn so với các thử nghiệm trước đó dùng ngưỡng thủ công. Nhìn chung, các thuật toán máy học truyền thống vẫn tỏ ra hiệu quả khi đặc trưng đầu vào được chọn lọc tốt, và thường đòi hỏi tập dữ liệu huấn luyện nhỏ hơn so với deep learning.
• Mạng nơ-ron tích chập (CNN) và học sâu: Sự bùng nổ của học sâu đã mang lại những bước tiến vượt bậc cho phân tích hình ảnh trứng. CNN có khả năng tự động học đặc trưng từ dữ liệu ảnh thay vì dựa vào đặc trưng do con người thiết kế. Ví dụ tiêu biểu là mô hình YOLOv5 dùng trên ảnh nhiệt trứng cút, đạt mAP ~99% trong phát hiện trứng không phôi như đã nêu trên. Một nghiên cứu khác kết hợp mạng CNN chuyên biệt cho chuỗi thời gian (E-CNN) và CNN nhận diện ảnh tín hiệu (SR-CNN) để phân tích tín hiệu nhịp tim PPG thu từ trứng gà ngày 9: kết quả hai mô hình này nhận diện phôi sống/chết với độ chính xác lần lượt 99,50% và 99,62%. Mạng SR-CNN của nghiên cứu còn sử dụng cấu trúc Squeeze-and-Excitation (SE) kết hợp residual để nâng cao hiệu quả trích xuất đặc trưng, cho thấy sự tinh vi trong thiết kế mô hình deep learning hiện đại. Bên cạnh đó, như đã đề cập, Mask R-CNN cũng được áp dụng để vừa nhận dạng vị trí vừa phân loại trứng có phôi trên ảnh màu, cho kết quả phát hiện thành công tất cả phôi ở ngày 3 trong thử nghiệm. Nhìn chung, mạng học sâu đem lại độ chính xác rất cao, nhưng đòi hỏi tập dữ liệu huấn luyện lớn, đa dạng và quá trình tính toán mạnh (GPU) để đào tạo mô hình. Với bài toán phôi trong trứng, việc thu thập dữ liệu có gán nhãn gặp không ít khó khăn (cần ấp số lượng lớn trứng và xác nhận tình trạng phôi từng quả), do đó nhiều nhóm đã phải sáng tạo trong tăng cường dữ liệu, ví dụ tạo dữ liệu tổng hợp như nhóm UIUC thực hiện để cải thiện mô hình CatBoost.
• Mô hình tái tạo phổ siêu quang: Đây là hướng kết hợp giữa xử lý ảnh và học sâu, nhằm tận dụng ưu thế của cả hai. Thay vì dùng trực tiếp ảnh thường hoặc ảnh siêu phổ vốn đắt đỏ, các mô hình này học cách ước lượng phổ siêu quang từ ảnh RGB. Như đã trình bày, nhóm UIUC đã thử nghiệm thành công mô hình HRNet để tái tạo siêu phổ phục vụ phân loại phôi. Một khi mô hình tái tạo được huấn luyện tốt, ta chỉ cần chụp ảnh trứng bằng camera thường, mô hình sẽ chuyển ảnh đó thành một tập dữ liệu phổ giả định rồi đưa vào thuật toán phân loại (có thể là một ML đơn giản như XGBoost). Cách làm này giảm khối lượng tính toán tại hiện trường (do mô hình tái tạo và mô hình phân loại có thể chạy rất nhanh trên thiết bị edge), đồng thời giảm chi phí thiết bị (chỉ dùng camera thường thay vì camera siêu phổ). Kết quả mô phỏng cho thấy phân loại phôi dựa trên ảnh RGB tái tạo phổ có độ chính xác tiệm cận dùng ảnh siêu phổ thật, mở ra hướng ứng dụng AI với cảm biến phổ đơn giản trong tương lai gần.
• Tựu trung, AI giữ vai trò trung tâm trong hệ thống phát hiện phôi chết sớm: từ việc trích xuất đặc trưng quan trọng (mà mắt thường khó thấy), cho đến ra quyết định cuối cùng một cách nhất quán, nhanh chóng. Sự kết hợp giữa cảm biến tốt và thuật toán thông minh sẽ tạo nên một giải pháp vượt trội so với việc quan sát thủ công truyền thống.

Lợi Ích của Phương Pháp Không Phá Hủy, Theo Thời Gian Thực so với Kỹ Thuật Truyền Thống

Áp dụng công nghệ camera và AI để soi trứng tự động mang lại nhiều lợi ích đáng kể so với kỹ thuật truyền thống:

• Hoàn toàn không xâm lấn, không làm gián đoạn quá trình ấp: Trứng có thể được kiểm tra ngay bên trong máy ấp bằng hệ thống camera, không cần nhấc ra ngoài để soi như trước. Điều này loại bỏ nguy cơ sốc nhiệt cho phôi và giữ ổn định vi khí hậu trong lò ấp. Phương pháp quang học/ảnh nhiệt về bản chất là không phá hủy, trứng không bị tác động vật lý hay hóa học nào.
• Phát hiện sớm và liên tục (gần thời gian thực): Thay vì chờ đến ngày 7–10 mới soi một lần, hệ thống camera có thể theo dõi liên tục hoặc kiểm tra theo lịch dày hơn (ví dụ mỗi ngày). Nhờ đó, phôi chết sớm có thể được phát hiện sớm hơn nhiều. Như nghiên cứu HSI cho thấy có thể nhận biết phôi ngừng phát triển từ ngày 3–4, sớm hơn so với mắt thường (thường cần ~ngày 5 trở lên). Việc loại bỏ sớm các trứng hỏng giúp giảm nguy cơ nhiễm bẩn lò ấp và tiết kiệm không gian cho các trứng khỏe mạnh. Hơn nữa, thông tin phản hồi gần thời gian thực cho phép người quản lý trại ấp có những điều chỉnh nhanh chóng (ví dụ: kiểm tra lại nhiệt độ, độ ẩm nếu tỷ lệ phôi chết tăng bất thường, hoặc xem xét chất lượng trứng đầu vào từ đàn bố mẹ).
• Tăng hiệu suất ấp nở và năng suất trại: Bằng cách loại bỏ sớm trứng không có khả năng nở, máy ấp được giải phóng chỗ để tập trung tài nguyên (nhiệt, không khí) cho các trứng còn lại. Điều này tiềm năng tăng tỷ lệ nở cuối cùng do các phôi khỏe nhận được điều kiện tối ưu hơn (do không phải “cạnh tranh” với trứng hỏng gây khí độc hoặc nhiệt dư). Một lợi ích kinh tế rõ rệt là giảm chi phí cho mỗi con giống nở ra, bởi lẽ không còn lãng phí điện năng và diện tích ấp cho trứng vô ích. Nghiên cứu ước tính rằng công nghệ phát hiện sớm có thể giúp nhà sản xuất tiết kiệm tài nguyên và không gian đáng kể thay vì tiêu tốn vào các trứng không phôi. Đồng thời, tỷ lệ hao hụt phôi cũng giảm, tức là tổng số gà con thu được từ một mẻ ấp tăng lên, cải thiện hiệu quả sản xuất.
• Cải thiện an toàn sinh học và phúc lợi vật nuôi: Hệ thống tự động sẽ giảm thiểu tiếp xúc trực tiếp của con người với trứng và phôi. Mọi thao tác soi/trích mẫu thủ công đều tiềm ẩn nguy cơ đưa mầm bệnh từ bên ngoài vào máy ấp hoặc lây chéo giữa các trứng. Do đó, quan sát bằng camera từ bên ngoài đảm bảo an toàn sinh học tốt hơn. Các chuyên gia cũng nhấn mạnh rằng việc giảm xử lý các trứng không phôi (loại bỏ sớm, tự động) giúp hạn chế phát tán vi khuẩn, bảo vệ các phôi khỏe và môi trường chăn nuôi sạch sẽ hơn. Thêm vào đó, công nghệ này gián tiếp cải thiện phúc lợi động vật: con người không cần soi trứng bằng tay nhiều lần (giảm stress cho phôi do rung lắc, thay đổi nhiệt), và trứng hỏng được loại bỏ trước khi bốc mùi hôi thối hay nổ tung – những yếu tố có thể ảnh hưởng tiêu cực đến phôi khác.
• Tiết kiệm năng lượng: Mặc dù máy ấp vẫn phải duy trì nhiệt độ cho tất cả vị trí khay, việc loại bỏ trứng hỏng có thể cho phép tối ưu vận hành – ví dụ, có thể tắt sớm các khay đã trống hoặc giảm tải hệ thống khi ít trứng hơn. Một trứng có phôi phát triển về cuối kỳ sẽ tự sinh nhiệt, trong khi trứng không phôi chỉ hấp thụ nhiệt bị cấp vào. Do đó, loại bỏ trứng không phôi giúp cân bằng phân bố nhiệt, tránh máy phải làm việc quá mức để bù nhiệt cho chỗ “lạnh” do trứng chết. Quan trọng hơn, trong các hệ thống tích hợp, nếu biết trước tỷ lệ trứng không nở, người ta có thể điều chỉnh quy mô ấp hợp lý (không vận hành thừa công suất), từ đó tiết kiệm điện năng, giảm chi phí. Báo cáo IPSF 2025 cũng nêu rằng phương pháp HSI+AI có thể tối ưu sử dụng năng lượng trong trại ấp – một phần do giảm phải xử lý hậu quả (như làm sạch trứng vỡ, khử trùng máy) và tránh hao phí cho trứng hỏng.
• Tất cả những lợi ích trên góp phần hướng tới một ngành chăn nuôi gia cầm thông minh và bền vững hơn. Công nghệ mới không chỉ tăng hiệu quả kinh tế mà còn giúp giảm thiểu lãng phí, giảm tác động xấu đến môi trường và nâng cao tiêu chuẩn an toàn, chất lượng con giống.

Thách Thức Kỹ Thuật và Hướng Giải Quyết

Mặc dù đầy triển vọng, việc triển khai hệ thống camera + AI trong thực tế vẫn đối mặt với nhiều thách thức kỹ thuật:

• Điều kiện chiếu sáng: Ảnh hưởng của ánh sáng là yếu tố quan trọng. Để nhìn xuyên vỏ trứng, thường cần ánh sáng nền mạnh (ví dụ bóng đèn halogen hoặc LED công suất cao đặt dưới/đằng sau trứng). Tuy nhiên, cường độ và góc chiếu sáng cần được thiết kế tối ưu để tăng độ tương phản giữa phôi và nền lòng đỏ, đồng thời giảm lóe sáng trên vỏ trứng. Trong máy ấp công nghiệp, không gian chật hẹp và có nhiều vật cản (khay, giá đỡ) nên việc bố trí nguồn sáng gặp khó khăn. Giải pháp có thể là dùng đèn LED nhỏ gắn ngay dưới mỗi ô trứng hoặc hệ thống sợi quang dẫn sáng. Ngoài ra, như với bất kỳ hệ thống thị giác máy tính nào, cần đảm bảo tính đồng nhất của chiếu sáng giữa các lần chụp – dao động ánh sáng sẽ làm giảm độ chính xác của mô hình AI. Thật vậy, một nghiên cứu đã lưu ý cần cải thiện thiết lập camera và ánh sáng để tăng hiệu suất phân đoạn hình ảnh phôi. Do đó, hiệu chuẩn chiếu sáng và loại bỏ ảnh hưởng môi trường (ánh sáng lọt từ bên ngoài, bóng tối không mong muốn) là vấn đề cần giải quyết.
• Nhiễu và can nhiễu tín hiệu: Hình ảnh thu được có thể bị nhiễu bởi nhiều nguyên nhân. Nhiễu điện tử từ cảm biến trong điều kiện ánh sáng thấp hoặc nhiệt độ cao có thể làm giảm chất lượng ảnh (đặc biệt với camera hồng ngoại ở nhiệt độ ấp ~37℃). Can nhiễu từ môi trường bao gồm rung động (ví dụ quạt gió, cơ cấu đảo trứng gây rung khay làm ảnh mờ chuyển động), hoặc vật cản chen vào tầm nhìn (một trứng khác, thành khay). Trong chuồng nuôi gà thịt, người ta thấy chim sống cản tầm nhìn camera là hạn chế chính của hệ thống robot phát hiện gà chết. Tương tự, trong máy ấp nhiều tầng, trứng/phôi ở các hàng dưới có thể bị che bởi trứng hàng trên nếu camera đặt trên, hoặc bị cấu trúc khay che khuất một phần. Thiết kế hệ thống có thể khắc phục bằng cách dùng nhiều camera ở các góc khác nhau hoặc cơ cấu soi từng khay một. Bên cạnh đó, đặc điểm vỏ trứng cũng gây nhiễu tự nhiên – vỏ trứng màu nâu hoặc dày sẽ giảm độ truyền sáng hơn trứng vỏ trắng, dẫn đến đòi hỏi thuật toán phải thích ứng cho từng loại. Nghiên cứu năm 2006 cho thấy HSI đạt 91% với trứng vỏ trắng nhưng giảm còn 83% với trứng vỏ nâu vào ngày 3. Do đó, AI cần được huấn luyện trên tập dữ liệu đa dạng (nhiều màu vỏ, giống gà) để hoạt động ổn định.
• Thu thập và gán nhãn dữ liệu huấn luyện: Để đào tạo các mô hình AI, đặc biệt là deep learning, cần một lượng dữ liệu ảnh lớn về trứng ở các trạng thái (phôi khỏe, phôi chết ở các ngày khác nhau, trứng không phôi). Việc thu thập dữ liệu này trong thực tế đòi hỏi quy trình công phu: trứng phải được soi và đánh giá thủ công để làm “nhãn chuẩn”, hoặc phải ấp nở trọn vẹn rồi mới hồi cứu lại xem những quả nào không nở (nhưng làm vậy thì không biết chính xác phôi chết ngày nào). Một số nghiên cứu giải quyết bằng cách chủ động tạo mẫu phôi chết: ví dụ tiêm chất ngưng phôi (sodium azide) vào trứng ở các ngày khác nhau để tạo tập trứng chết ở từng giai đoạn, phục vụ mô hình học. Cách làm này tuy cung cấp dữ liệu phong phú nhưng có thể không hoàn toàn phản ánh hiện tượng tự nhiên. Do đó, các nhà khoa học còn kết hợp sinh dữ liệu nhân tạo: như đã nêu, dùng kỹ thuật tăng cường ảnh, tổng hợp phổ, hoặc thậm chí mô phỏng truyền ánh sáng qua trứng dựa trên mô hình quang học để mở rộng tập dữ liệu huấn luyện. Về gán nhãn, để xác nhận “phôi chết sớm” thường cần đập vỡ trứng kiểm tra phôi hoặc soi nhiều lần theo thời gian – những việc này tốn công và có tính hủy mẫu. Đây là thách thức khi triển khai ở quy mô lớn. Một giải pháp tiềm năng là áp dụng học không giám sát hoặc học ít giám sát, cho phép mô hình tự phân cụm dữ liệu ảnh trứng thành các nhóm (ví dụ nhóm “có sự phát triển” và “không có sự phát triển”) mà chỉ cần rất ít mẫu gán nhãn ban đầu.
• Tích hợp vào hệ thống hiện có: Để áp dụng đại trà, công nghệ mới phải dễ dàng tích hợp vào quy trình vận hành của trại ấp. Máy ấp công nghiệp có thiết kế chuẩn với khay chứa hàng nghìn trứng, việc bổ sung camera, đèn, dây dẫn… phải không làm cản trở hoạt động ấp (như đảo trứng, tuần hoàn không khí). Các thiết bị cũng phải chịu được nhiệt độ và độ ẩm cao trong buồng ấp thời gian dài mà không hỏng. Theo các nhà nghiên cứu, một thiết bị tối ưu cần ít chỉnh sửa nhất đến hệ thống sẵn có. Hiện nay, nhiều hướng đang được thử: từ thiết kế máy soi tự động độc lập để soi trứng hàng loạt giữa kỳ (trứng được băng chuyền đưa qua camera, rồi trả lại máy ấp) cho đến các giải pháp gắn cảm biến cố định trong máy truyền dữ liệu ra ngoài. Vấn đề kỹ thuật đặt ra là đảm bảo tốc độ xử lý phải theo kịp tốc độ dây chuyền (nếu soi ngoài) – ví dụ 20.000 trứng/giờ như đề cập, đồng thời phần mềm AI phải hoạt động ổn định trong môi trường công nghiệp (nơi bụi bặm, dao động nguồn điện có thể xảy ra).
• Chi phí đầu tư và hiệu quả kinh tế: Mặc dù về lâu dài việc nâng cao tỷ lệ nở và tiết kiệm chi phí nuôi sẽ mang lại lợi nhuận, nhưng chi phí ban đầu cho hệ thống camera + AI có thể khá cao. Camera siêu phổ hiện nay rất đắt, nhưng may mắn là các hướng thay thế bằng camera thường và mô hình tái tạo phổ đang được phát triển để giảm chi phí. Một số hãng công nghệ cũng đang thương mại hóa giải pháp soi trứng tự động (ví dụ máy soi dùng AI phân tích ảnh hoặc thậm chí hệ thống sử dụng MRI để phân loại trứng). Bài toán đặt ra cho các trại ấp là đánh giá hiệu quả hoàn vốn: hệ thống mới cần đủ tin cậy và mang lại cải thiện đáng kể để bù đắp chi phí đầu tư. Điều này thúc đẩy các nghiên cứu tiếp tục tối ưu mô hình để tăng độ chính xác đến mức tiệm cận 100% (tránh lọt phôi chết hoặc loại nhầm phôi khỏe) và tự động hóa tối đa (giảm nhu cầu lao động trình độ cao để vận hành).

Nghiên Cứu Thực Tế và Triển Vọng Tương Lai

• Nhiều viện nghiên cứu và trường đại học trên thế giới đang tiên phong trong lĩnh vực ứng dụng camera và AI cho ấp trứng. Tiêu biểu, Đại học Illinois (UIUC) đã có hàng loạt công trình từ phát hiện trứng có phôi trước ấp bằng HSI, đến phát hiện phôi chết sớm ngày 4 bằng HSI kết hợp phân tích phổ, và cải tiến phương pháp bằng mô hình tái tạo phổ để giảm chi phí. Những nỗ lực này không chỉ dừng ở phòng thí nghiệm; một số được trình bày tại các diễn đàn như IPSF 2025 và thu hút sự quan tâm của ngành công nghiệp gia cầm. Song song đó, Đại học Tennessee đã thử nghiệm ứng dụng AI trong chăn nuôi với robot tự động nhận diện gà chết trong chuồng nuôi bằng camera chạy trên đường ray. Dù đối tượng khác (gà thịt thay vì trứng), nhưng kinh nghiệm về xử lý hình ảnh trong môi trường phức tạp (ánh sáng chuồng trại, vật cản, chuyển động liên tục) của dự án này rất hữu ích cho việc phát triển hệ thống camera ấp trứng. Kết quả từ Tennessee cho thấy robot phát hiện xác gà tốt hơn hẳn con người ở một số vị trí (tỷ lệ phát hiện 57% so với 19% bằng mắt thường), đồng thời chỉ ra các thách thức như vật che khuất, cấu trúc chuồng và biến đổi ánh sáng ảnh hưởng đến độ chính xác. Bài học này tương đồng với những gì hệ thống soi trứng tự động phải đối mặt, và do đó các nhóm nghiên cứu đang tìm cách khắc phục (ví dụ điều chỉnh vị trí camera, bổ sung nguồn sáng, cải thiện thuật toán để chống nhiễu).
• Về phía doanh nghiệp, một số công ty khởi nghiệp cũng đã nhảy vào lĩnh vực công nghệ ấp nở thông minh. Họ phát triển các thiết bị thương mại tích hợp camera/ cảm biến với phần mềm AI thân thiện người dùng, hướng tới sản phẩm hoàn chỉnh cho trại giống. Chẳng hạn, công nghệ HyperEye (Canada) sử dụng quang phổ để xác định giới tính phôi từ ngày 4 cũng như loại sớm trứng không đạt, giúp giảm chi phí và tránh phải loại bỏ gà con đực sau nở. Một số hãng khác lại chọn giải pháp phi quang học, ví dụ máy MRI Genus của Orbem (Đức) quét trứng bằng cộng hưởng từ để phân loại trứng theo giới tính và tình trạng phôi một cách nhanh chóng. Điều này cho thấy bức tranh tổng thể: nhiều công nghệ khác nhau (quang học, hình ảnh, từ trường) đang được thử nghiệm nhằm giải quyết cùng một vấn đề – làm sao nhận biết sớm nhất tình trạng của trứng mà không cần phá vỡ. Trong đó, công nghệ camera kết hợp AI nổi lên như giải pháp khả thi nhờ sự tiến bộ nhanh chóng của học máy và chi phí phần cứng ngày càng giảm.
• Nhìn về tương lai, với đà phát triển của nông nghiệp 4.0, các hệ thống ấp trứng thông minh sẽ dần trở thành hiện thực. Những cảm biến đa phổ tinh vi có thể được tích hợp thẳng vào máy ấp, liên tục giám sát hàng chục nghìn trứng. Phân tích dữ liệu lớn từ các cảm biến này sẽ cho phép dự đoán không chỉ phôi chết sớm mà còn dự báo thời điểm nở, phân loại giới tính phôi, thậm chí phát hiện dị tật hoặc bệnh phôi từ rất sớm. Tất cả đều hướng tới mục tiêu cuối cùng: tăng năng suất, chất lượng con giống và giảm thiểu lãng phí, rủi ro trong ngành công nghiệp gia cầm. Công nghệ camera và AI trong phát hiện phôi chết sớm mới chỉ là bước khởi đầu, nhưng nó đang mở ra một kỷ nguyên mới cho quản lý ấp trứng – nơi mà mỗi quả trứng đều được “chăm sóc” và theo dõi bằng trí tuệ nhân tạo để đảm bảo cho ra đời những chú gà con khỏe mạnh nhất.