Thực phẩm nhiễm kim loại nặng gây ra những hậu quả nghiêm trọng cho sức khỏe con người, đây luôn là mối quan tâm hàng đầu của bất kỳ hệ thống kiểm soát an toàn thực phẩm nào, thậm chí được yêu cầu thông qua các quy trình tốn kém từ thu thập mẫu và đánh giá các thành phần ô nhiễm trong mẫu thực phẩm. Nghiên cứu này nhằm mục đích sử dụng kết hợp sóng siêu âm với mạng lưới sâu để đánh giá sự hiện diện của kim loại nặng trong khoai lang, đồng thời siêu âm vẫn an toàn. Để phân loại các tập dữ liệu siêu âm thu được, chúng tôi đã sử dụng các mạng lưới sâu hiện đã trở thành một công cụ mạnh mẽ và thu hút nhiều nhà nghiên cứu nhằm nhận ra dữ liệu liên quan đến sự hiện diện của chì sunfat trong các mẫu khoai lang. Đối với 31 bộ dữ liệu siêu âm của các mẫu khoai lang thu được, việc áp dụng Mạng Neuron (NN) và máy Deep Boltzmann (DBM) làm mạng sâu mục tiêu của chúng tôi đã mang lại kết quả cho thấy độ chính xác của NN là 62% đối với bộ huấn luyện và 55 % cho tập thử nghiệm và DBM lần lượt là 68% cho tập huấn luyện và 65% cho tập thử nghiệm., Tóm tắt tiếng anh, Food contaminated with heavy metals causes serious consequences for human health, it is always the prime concern of any food safety control systems, even required through costly processes from sample collecting and evaluating contaminated components in the food samples. This study aimed to use ultrasound coupling with deep networks to assess the presence of heavy metals in sweet potatoes, while ultrasound is safe. To classify the acquired ultrasound data sets, we used deep networks that presently become a powerful tool and attract many researchers in order to recognize the data associating with the presence of lead sulfate in samples of sweet potatoes. For the 31 ultrasonic data sets of sweet potato samples acquired, the application of Neuron Network (NN) and Deep Boltzmann machine (DBM) as our target deep networks yielded the results showing that the accuracies of the NN was 62% for training set and 55% for testing set, and of DBM was 68% for training set and 65% for testing set, respectively.