Giới thiệu dự án

Trong bối cảnh cách mạng công nghiệp 4.0 và chuyển đổi số nông nghiệp tại Việt Nam, khâu xử lý và phân loại nông sản sau thu hoạch đóng vai trò then chốt quyết định giá trị thương phẩm xuất khẩu. Theo thống kê của Viện Cơ điện nông nghiệp và Công nghệ sau thu hoạch, tỷ lệ tổn thất sau thu hoạch đối với rau quả tại Việt Nam dao động từ 20% đến 25%, trong đó việc phân loại thủ công truyền thống bộc lộ nhiều điểm nghẽn: phụ thuộc lớn vào kinh nghiệm chủ quan của nhân công, độ sai lệch phân loại từ 15% đến 20%, năng suất không đồng đều và chi phí nhân công ngày một gia tăng.

Đề tài "Chế tạo mô hình phân loại trái cây theo màu sắc và kích thước" (Mã số đề tài: CTM-104) do sinh viên ngành Công nghệ Kỹ thuật Cơ khí Chế tạo máy – Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện, dưới sự hướng dẫn của TS. Võ Xuân Tiến, được nghiên cứu nhằm giải quyết bài toán tự động hóa dây chuyền phân loại nông sản với chi phí tối ưu, độ tin cậy công nghiệp cao.

                    KIẾN TRÚC TỔNG QUAN HỆ THỐNG
[Camera Full HD 1080p] ---> [Xử lý ảnh Python / OpenCV]
                                       |
                               (Modbus TCP/IP)
                                       v
[Cảm biến E3F-DS30P1] ----> [PLC Siemens S7-1200] ----> [Van từ 5/2 & Xy lanh SMC]
                                       |
                           [Băng tải PVC & Động cơ DC]

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế và chế tạo cơ khí hoàn chỉnh: Xây dựng hệ thống khung sườn, băng tải PVC xanh trơn, bộ truyền đai răng và cơ cấu cấp - đẩy phôi bằng khí nén nhỏ gọn, đạt độ cứng vững và thẩm mỹ công nghiệp.
  2. Xây dựng thuật toán xử lý ảnh (Computer Vision): Phát triển chương trình nhận diện và phân tích đặc trưng màu sắc (không gian màu HSV) và kích thước (Contour Area/Bounding Box) của quả trong môi trường chiếu sáng ổn định bằng Python và thư viện OpenCV.
  3. Tích hợp điều khiển tự động hóa: Lập trình điều khiển PLC Siemens S7-1200 CPU 1212C kết nối giao tiếp thời gian thực với PC qua giao thức Modbus TCP/IP, kích hoạt chính xác cơ cấu chấp hành khí nén.
  4. Đánh giá và tối ưu hiệu suất: Đảm bảo độ chính xác phân loại tổng thể đạt trên 90%, thời gian xử lý chu kỳ dưới 400ms/sản phẩm.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng thử nghiệm: Trái cà chua được chia thành 3 phân nhóm rõ rệt: Cà chua chín đỏ (kích thước đạt chuẩn), Cà chua xanh (chưa chín) và Cà chua nhỏ/khuyết tật kích thước.
  • Phạm vi công nghệ: Ứng dụng camera 2D công nghiệp thông thường kết hợp buồng tối tiêu chuẩn, điều khiển logic qua PLC và chấp hành bằng khí nén; không đi sâu vào kiểm tra khuyết tật bên trong quả (nội bào, độ ngọt brix) bằng tia cận hồng ngoại (NIR).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Phân loại thủ công Máy công nghiệp nhập khẩu (iQS Performance Plus) Hệ thống nghiên cứu đề tài
Độ chính xác 75% - 82% (phụ thuộc thị giác) 96% - 98% (sử dụng camera quang phổ) 91.5% - 95.2% (OpenCV + Vision AI)
Tốc độ phân loại 20 - 30 quả/phút/người 600 - 1200 quả/phút 60 - 90 quả/phút (mô hình mẫu)
Chi phí đầu tư Thấp ban đầu, chi phí vận hành cao Rất cao (> 1.5 - 3 tỷ VNĐ) Thấp - Trung bình (< 30 triệu VNĐ)
Tính linh hoạt Kém linh hoạt, dễ mệt mỏi Tùy biến phức tạp, phụ thuộc hãng Dễ dàng cấu hình lại thuật toán
Độ tin cậy Không ổn định Rất cao Cao (PLC S7-1200 công nghiệp)

Phân loại yêu cầu hệ thống theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Nhận diện chính xác 2 dải màu cơ bản (Đỏ - Xanh); đo đường kính tương đối của quả; truyền tín hiệu không trễ giữa PC và PLC qua Ethernet; cơ cấu gạt khí nén hoạt động dứt khoát không làm dập quả.
  • Should-have (Nên có): Giao diện giám sát GUI hiển thị trực quan thông số đếm số lượng từng loại quả; cảm biến phát hiện vật cản đồng bộ nhịp gạt.
  • Could-have (Có thể mở rộng): Tự động điều tốc băng tải qua PWM/Inverter theo lưu lượng cấp phôi; lưu trữ log phân loại vào cơ sở dữ liệu.
  • Won't-have (Chưa triển khai): Phân loại đa làn đồng thời (Multi-lane); phân tích kết cấu cơ lý 3D.

Thiết kế hệ thống

Hệ thống được thiết kế theo cấu trúc điều khiển phân tán gồm 3 tầng: Tầng thu thập/xử lý ảnh (PC Vision), Tầng điều khiển logic (Siemens PLC) và Tầng chấp hành cơ khí khí nén.

                    SƠ ĐỒ TRUYỀN DẪN VÀ ĐIỀU KHIỂN
+--------------------+        Modbus TCP/IP        +---------------------+
| PC / Python OpenCV | <=========================> | Siemens S7-1200 PLC |
+--------------------+      (Ethernet RJ45)        +---------------------+
          ^                                                   |
          | Image Capture                                     | Digital Outputs
+--------------------+                                        v
| Camera HD 1080p    |                             +---------------------+
+--------------------+                             | Van đảo chiều 5/2   |
          ^                                        +---------------------+
          |                                                   |
    [Vùng chụp ảnh]                                           v
[Băng tải PVC 24V DC] <--- [Cảm biến E3F-DS30P1]   +---------------------+
                                                   | Xy lanh SMC CDJ2B   |
                                                   +---------------------+

Bảng thông số công nghệ và thiết bị phần cứng:

  • Bộ điều khiển trung tâm: Siemens SIMATIC S7-1200 CPU 1212C DC/DC/DC (Bộ nhớ làm việc 75KB Work Memory, 8 DI / 6 DO tích hợp, giao tiếp PROFINET/Ethernet).
  • Bộ truyền động: Động cơ điện một chiều 24V DC, bộ truyền đai răng đồng bộ 158-2GT-6 kết hợp Puly nhôm nhằm loại bỏ hoàn toàn hiện tượng trượt tải và đảm bảo an toàn vệ sinh thực phẩm.
  • Cơ cấu chấp hành khí nén: Xy lanh khí nén tác động kép SMC CDJ2B10-100Z-B (đường kính nòng 10mm, hành trình 100mm) điều khiển qua van điện từ đảo chiều 5/2 điện áp 24VDC.
  • Cảm biến định vị: Cảm biến quang hồng ngoại E3F-DS30P1 PNP ngõ ra kích mức cao, khoảng cách phát hiện 10-30cm.
  • Thiết bị ghi hình: Camera Full HD 1080p góc rộng cố định phía trên buồng chụp.
  • Hệ thống nguồn & Bảo vệ: Nguồn xung tổ ong 24V-5A DC, MCB Schneider/Vanlock PS45N C16 chống quá tải ngắn mạch.

Methodology (Quy trình phát triển)

Dự án áp dụng mô hình phát triển chữ V (V-Model) kết hợp kỹ thuật lặp Agile:

  1. Giai đoạn 1 (Tuần 1 - 4): Khảo sát đặc tính vật lý nông sản, tính toán động học và thiết kế 3D toàn bộ khung máy trên SolidWorks 2022.
  2. Giai đoạn 2 (Tuần 5 - 8): Gia công chi tiết cơ khí, lắp ráp băng tải, đấu nối tủ điện động lực và điều khiển theo tiêu chuẩn công nghiệp.
  3. Giai đoạn 3 (Tuần 9 - 12): Lập trình thuật toán Computer Vision bằng Python trên VS Code; lập trình tập lệnh điều khiển LAD (Ladder Diagram) trên TIA Portal V16.
  4. Giai đoạn 4 (Tuần 13 - 16): Tích hợp truyền thông Modbus TCP/IP, hiệu chỉnh độ trễ cơ cấu đẩy phôi, kiểm thử thống kê và tối ưu hóa hệ thống.

Implementation và kết quả

Development process

Trọng tâm của hệ thống xử lý ảnh là phân tách đối tượng khỏi nền, chuyển đổi không gian màu sang HSV (Hue - Saturation - Value) để hạn chế ảnh hưởng của cường độ sáng môi trường, sau đó tính toán diện tích đường bao (Contour Area) và đường kính vòng tròn bao tối thiểu (minEnclosingCircle).

import cv2
import numpy as np
from pymodbus.client import ModbusTcpClient

# Khởi tạo kết nối Modbus TCP tới PLC S7-1200
PLC_IP = '192.168.0.1'
client = ModbusTcpClient(PLC_IP, port=502)
client.connect()

def process_fruit_frame(frame):
    # Chuyển đổi sang không gian màu HSV
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    
    # Định nghĩa ngưỡng dải màu Đỏ (Cà chua chín) và Xanh (Cà chua xanh)
    lower_red1, upper_red1 = np.array([0, 100, 100]), np.array([10, 255, 255])
    lower_red2, upper_red2 = np.array([160, 100, 100]), np.array([179, 255, 255])
    lower_green, upper_green = np.array([35, 50, 50]), np.array([85, 255, 255])
    
    mask_red = cv2.bitwise_or(cv2.inRange(hsv, lower_red1, upper_red1),
                              cv2.inRange(hsv, lower_red2, upper_red2))
    mask_green = cv2.inRange(hsv, lower_green, upper_green)
    
    # Trích xuất Contour và tính toán diện tích
    contours_red, _ = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    contours_green, _ = cv2.findContours(mask_green, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    fruit_class = 0 # 1: Đỏ Chuẩn, 2: Xanh, 3: Đỏ Nhỏ
    
    if contours_red:
        c = max(contours_red, key=cv2.contourArea)
        area = cv2.contourArea(c)
        ((x, y), radius) = cv2.minEnclosingCircle(c)
        if area > 4500: # Ngưỡng diện tích chuẩn (pixel)
            fruit_class = 1 # Cà chua chín đạt chuẩn
        elif area > 1500:
            fruit_class = 3 # Cà chua chín kích thước nhỏ
            
    elif contours_green:
        c = max(contours_green, key=cv2.contourArea)
        area = cv2.contourArea(c)
        if area > 1500:
            fruit_class = 2 # Cà chua xanh
            
    # Ghi mã phân loại vào vùng nhớ trung gian MW10 của PLC S7-1200
    if fruit_class > 0:
        client.write_register(address=10, value=fruit_class)
        
    return fruit_class

Testing và validation

Quá trình kiểm nghiệm được thực hiện trên mẫu thử gồm 150 quả cà chua ngẫu nhiên qua các điều kiện vận hành khác nhau với tốc độ băng tải duy trì ở $0.15\text{ m/s}$.

                 KẾT QUẢ PHÂN PHỐI ĐỘ CHÍNH XÁC PHÂN LOẠI
[Nhóm 1: Chín Đạt Chuẩn]  ██████████████████████████████▌ 95.2% (60/63 mẫu)
[Nhóm 2: Cà Chua Xanh]    ███████████████████████████     91.5% (43/47 mẫu)
[Nhóm 3: Chín Nhỏ/Dị Dạng] ██████████████████████████     92.5% (37/40 mẫu)
-------------------------------------------------------------------------
Độ chính xác trung bình toàn hệ thống: 93.3% | Tốc độ đáp ứng: 320ms/chu kỳ

Bảng thông số đo lường hiệu năng:

  • Tần số khung hình xử lý (FPS): Đạt 28 - 30 FPS trên vi xử lý Intel Core i5.
  • Thời gian xử lý ảnh trung bình: $42.5\text{ ms/frame}$.
  • Độ trễ truyền thông Modbus TCP/IP: $12.3\text{ ms}$.
  • Thời gian tác động của xy lanh SMC: $180\text{ ms}$ (hành trình $100\text{ mm}$ tại áp suất $0.5\text{ MPa}$).
  • Tổng thời gian từ lúc nhận diện đến khi gạt phôi: $280\text{ ms} - 350\text{ ms}$ (đáp ứng hoàn toàn yêu cầu thời gian thực trước khi quả trôi qua vị trí xy lanh).

Đổi mới và đóng góp

  1. Kiến trúc điều khiển lai linh hoạt (Hybrid Architecture): Kết hợp thành công giữa sức mạnh tính toán thị giác máy tính của Python/OpenCV trên máy tính cá nhân với độ ổn định, chống nhiễu tuyệt đối của PLC Siemens S7-1200 trong môi trường công nghiệp thông qua giao thức Ethernet Modbus TCP/IP.
  2. Bộ truyền đai răng vệ sinh công nghiệp: Thay thế hoàn toàn bộ truyền xích truyền thống bằng đai răng 158-2GT-6, loại bỏ yêu cầu bôi trơn dầu mỡ, chống nhiễm bẩn chéo cho nông sản thực phẩm.
  3. Thuật toán xử lý ảnh 2 mức phân loại đồng thời: Khắc phục nhược điểm của các hệ thống dùng cảm biến màu quang học điểm đơn (như TCS3200 vốn chỉ nhận diện 1 điểm cục bộ), cho phép trích xuất phân tích cả màu sắc toàn phần và diện tích đường bao chỉ trong 1 chu kỳ lấy mẫu ảnh.
  4. Hiệu quả kinh tế vượt trội: Tiết kiệm hơn 70% chi phí đầu tư so với các thiết bị phân loại chuyên dụng nhập ngoại nhưng vẫn đạt năng suất gấp 2.5 - 3 lần so với công nhân phân loại thủ công.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hợp tác xã nông nghiệp công nghệ cao: Lắp đặt tại các trạm sơ chế sau thu hoạch rau quả sạch (cà chua, cam, chanh, mận, táo), phân loại tự động trước khi đóng gói bao bì dán tem truy xuất nguồn gốc.
  • Nhà máy chế biến sốt và nước ép trái cây: Phân luồng quả chín đỏ đưa vào ép nước đóng hộp, quả xanh đưa vào khu vực ủ chín nhân tạo, quả dập nhỏ chuyển sang chế biến phụ phẩm.
                    KỊCH BẢN TRIỂN KHAI NHÀ MÁY
+-------------+      +-------------------+      +-------------------------+
| Thu hoạch   | ---> | Cấp liệu tự động  | ---> | Buồng kiểm tra thị giác |
| từ nông trại|      | lên băng tải PVC  |      | Camera + Chiếu sáng LED |
+-------------+      +-------------------+      +-------------------------+
                                                             |
                 +-------------------------------------------+
                 |
                 v
+-------------------------------------------------------------------------+
|                  KHU VỰC PHÂN LUỒNG KHÍ NÉN TỰ ĐỘNG                     |
|  [Cửa 1: Đạt chuẩn xuất khẩu] [Cửa 2: Quả xanh lưu kho] [Cửa 3: Ép nước]|
+-------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis & ROI)

  • Chi phí đầu tư phần cứng & gia công: Khoảng 18 - 25 triệu VNĐ/module.
  • Năng suất vận hành: Ước tính 1.2 - 1.8 tấn/ngày với 1 làn băng tải liên tục.
  • Thời gian hoàn vốn (ROI): Từ 6 đến 9 tháng nhờ cắt giảm 2 - 3 nhân công thủ công làm việc liên tục trong mùa cao điểm thu hoạch.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ thống camera 2D chỉ quan sát được phần bề mặt hướng lên trên của quả, chưa bao quát được toàn diện $360^\circ$ khi quả không tự lăn tròn trên băng tải.
  • Độ chính xác của thuật toán phân ngưỡng HSV phụ thuộc vào chất lượng nguồn sáng; khi có biến thiên ánh sáng môi trường đột ngột ngoài buồng chụp có thể gây quang sai.
  • Module mẫu phân loại theo cơ chế từng quả đơn lẻ (Single-lane), chưa tích hợp cơ cấu dàn đều phôi tự động với lưu lượng lớn.

Hướng phát triển và mở rộng

  • Tích hợp Deep Learning (YOLOv8/YOLOv10): Nâng cấp mô hình từ phân ngưỡng màu kinh điển sang mạng nơ-ron tích chập (CNN) để phát hiện thêm các lỗi phức tạp như thâm giập, sâu đục cuống, nấm mốc bề mặt.
  • Nâng cấp cơ cấu cơ khí xoay quả: Thiết kế cụm con lăn xoay (Roller conveyor) để camera quét được toàn bộ bề mặt $360^\circ$ của trái cây khi di chuyển.
  • Phát triển hệ thống SCADA/IoT Cloud: Tích hợp giao diện điều khiển giám sát qua Web HMI trên nền tảng Node-RED hoặc WinCC Unified, lưu trữ dữ liệu sản lượng thời gian thực lên Cloud phục vụ quản trị chuỗi cung ứng.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Cơ điện tử / Tự động hóa: Tài liệu tham khảo trực quan, chi tiết về cách kết nối liên tầng giữa hệ thống xử lý ảnh máy tính (Python OpenCV) với bộ điều khiển công nghiệp tiêu chuẩn (Siemens S7-1200 qua Modbus TCP).
  • Kỹ sư tích hợp hệ thống (System Integrators): Nắm vững sơ đồ đấu nối phần cứng, phương pháp tính chọn công suất động cơ, đai truyền, van điện từ và cấu hình mạng công nghiệp thời gian thực.
  • Hợp tác xã & Doanh nghiệp chế biến nông sản: Có được giải pháp tự động hóa chi phí thấp, công nghệ làm chủ trong nước, dễ bảo trì sửa chữa với phụ tùng sẵn có trên thị trường.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai hệ thống là gì?

Hệ thống yêu cầu máy tính vận hành có CPU Intel Core i3 thế hệ 8 trở lên (hoặc board nhúng như Jetson Nano/Raspberry Pi 4), cài đặt Python 3.8+ cùng các thư viện OpenCV, NumPy, PyModbus. Phần cứng điều khiển sử dụng PLC Siemens S7-1200 (Firmware V4.0 trở lên), kết nối qua switch mạng chuẩn RJ45 và máy nén khí cấp áp suất làm việc từ $0.4 - 0.6\text{ MPa}$.

2. Hệ thống xử lý thế nào khi quả dính sát nhau trên băng tải?

Hiện tại, mô hình sử dụng phễu cấp phôi có thanh chặn cơ khí gạt đơn dòng để tách quả trước khi qua cảm biến hồng ngoại. Trong các phiên bản công nghiệp mở rộng, giải pháp là lắp thêm cụm băng chuyền cấp tốc độ biến thiên (V-belt accelerator) để giãn khoảng cách giữa các quả một cách tự động.

3. Tại sao chọn giao thức Modbus TCP/IP thay vì S7 Communication (Snap7)?

Modbus TCP/IP là chuẩn giao thức truyền thông mở công nghiệp, được hỗ trợ nguyên bản trên hầu hết các dòng PLC (Siemens, Mitsubishi, Schneider, Omron) và có sẵn thư viện mã nguồn mở hoàn chỉnh trên Python (pymodbus). Điều này giúp mã nguồn xử lý ảnh độc lập, dễ dàng chuyển đổi hoặc tích hợp với các bộ điều khiển của các hãng khác nhau mà không bị bó hẹp trong giao thức độc quyền.

4. Chi phí bảo trì và độ bền của thiết bị như thế nào?

Nhờ sử dụng PLC công nghiệp Siemens và xy lanh khí nén SMC chính hãng, tuổi thọ vận hành của hệ thống đạt hàng triệu chu kỳ gạt. Bộ truyền đai răng không cần tra dầu mỡ, định kỳ bảo trì chỉ cần kiểm tra độ căng dây đai, vệ sinh lăng kính camera và lau bụi cảm biến quang sau mỗi ca sản xuất.

5. Khả năng mở rộng cho các loại trái cây khác ngoài cà chua ra sao?

Người vận hành chỉ cần cập nhật dải giá trị màu sắc trong không gian HSV (lower_bound, upper_bound) và cấu hình lại ngưỡng diện tích pixel tương ứng trong mã nguồn Python mà không cần thay đổi kết cấu cơ khí hay viết lại chương trình điều khiển trên PLC.

Kết luận

Đồ án tốt nghiệp "Chế tạo mô hình phân loại trái cây theo màu sắc và kích thước" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã chứng minh tính khả thi và hiệu quả vượt trội trong việc ứng dụng công nghệ thị giác máy tính kết hợp tự động hóa công nghiệp vào nông nghiệp. Hệ thống đã giải quyết triệt để bài toán phân loại nông sản với độ chính xác trên 93%, tốc độ ổn định, kết cấu cơ khí vệ sinh và tối ưu hóa chi phí đầu tư. Đây là nền tảng kỹ thuật vững chắc mở ra hướng ứng dụng tự động hóa diện rộng cho các cơ sở sơ chế và nhà máy chế biến nông sản trên cả nước trong kỷ nguyên số hóa nông nghiệp.