Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và sự bùng nổ của chuỗi cung ứng logistics hiện đại, khâu phân loại, kiểm tra ngoại quan và ước tính thể tích hàng hóa đóng vai trò then chốt trong việc tối ưu hóa không gian lưu kho và chi phí vận chuyển. Theo thống kê từ các tổ chức logistics quốc tế, chi phí vận hành kho bãi và xử lý đơn hàng chiếm từ 12% đến 18% tổng chi phí chuỗi cung ứng, trong đó thời gian định danh và đo đạc kích thước thủ công tạo ra điểm nghẽn nghiêm trọng (bottleneck), làm giảm năng suất tới 35% trong các giờ cao điểm.

Các phương pháp truyền thống hiện nay tại các doanh nghiệp vừa và nhỏ chủ yếu dựa vào đo đạc bán tự động bằng thước laser 1D kết hợp cân tĩnh, hoặc hệ thống thị giác 2D đơn giản. Những hệ thống này bộc lộ nhiều điểm hạn chế:

  • Không thể xác định chính xác thể tích thực của các kiện hàng hoặc sản phẩm có hình dạng phức tạp, bất đối xứng hoặc bề mặt biến dạng.
  • Sai số tích lũy trong quá trình đo thủ công dao động từ 5% đến 12%, gây thất thoát doanh thu cước vận chuyển (Dimensional Weight).
  • Tốc độ xử lý chậm, khó tích hợp trực tiếp vào băng tải công nghiệp tốc độ cao (> 0.5 m/s).
  • Thiếu khả năng nhận diện đồng thời khuyết tật bề mặt, sai lệch quy cách bao bì và phân loại đa thuộc tính.

Đồ án tập trung nghiên cứu, thiết kế và chế tạo hoàn chỉnh: "Hệ thống nhận dạng, phân loại và tính kích thước - thể tích hàng hóa tự động sử dụng Camera 3D kết hợp Trí tuệ nhân tạo (AI)". Đây là công trình tích hợp liên ngành Cơ khí chính xác - Điện tử điều khiển - Thị giác máy tính (Computer Vision) ứng dụng trực tiếp cho dây chuyền tự động hóa.

                   +--------------------------------+
                   |  CẢM BIẾN THỊ GIÁC 3D RGB-D   |
                   |   (Intel RealSense D435i)      |
                   +---------------+----------------+
                                   | (USB 3.0 / Point Cloud & RGB)
                                   v
                   +--------------------------------+
                   |    BỘ XỬ LÝ NHÚNG EDGE AI      |
                   |   (NVIDIA Jetson / TensorRT)   |
                   | - YOLOv8x-OBB (Nhận dạng)      |
                   | - RANSAC & 3D Bounding Box     |
                   +---------------+----------------+
                                   | (Modbus TCP/IP qua Ethernet)
                                   v
                   +--------------------------------+
                   |      BỘ ĐIỀU KHIỂN PLC         |
                   |    (Siemens S7-1200 CPU 1214C) |
                   +---------------+----------------+
                                   | (Tín hiệu xung PTO / Digital Out)
                                   v
+----------------------------------+----------------------------------+
|                                                                     |
v                                                                     v
+--------------------------------+  +--------------------------------+
|      ĐIỀU KHIỂN TRUYỀN ĐỘNG    |  |       CƠ CẤU CHẤP HÀNH         |
| - Biến tần V20 + Động cơ 3 pha |  | - Xy lanh khí nén tác động kép |
| - Servo Driver + Động cơ 400W  |  | - Van điện từ Festo 5/2        |
+--------------------------------+  +--------------------------------+

Mục tiêu cụ thể của dự án:

  1. Thiết kế và chế tạo khung cơ khí băng tải công nghiệp kích thước $2000 \times 450 \times 800\text{ mm}$ cùng cụm cơ cấu phân loại sản phẩm bằng khí nén kết hợp cánh tay gạt định hướng servo.
  2. Tích hợp cảm biến thị giác 3D (RGB-D Sensor) thu nhận đồng thời dữ liệu hình ảnh 2D và đám mây điểm (Point Cloud) không gian 3 chiều theo thời gian thực.
  3. Phát triển thuật toán lọc phẳng nền (RANSAC Ground Plane Removal), phân đoạn cụm điểm (Euclidean Cluster Extraction) và bao đóng định hướng (Oriented Bounding Box - OBB) để tính toán chiều dài, chiều rộng, chiều cao và thể tích kiện hàng với sai số dưới 1.8%.
  4. Triển khai mô hình học sâu (Deep Learning) YOLOv8x-OBB tối ưu hóa qua NVIDIA TensorRT để phân loại chủng loại sản phẩm và phát hiện lỗi quy cách bao bì với độ chính xác trên 98%.
  5. Xây dựng giao thức truyền thông công nghiệp đồng bộ giữa Máy tính xử lý biên (Edge IPC) và PLC Siemens S7-1200 qua chuẩn Modbus TCP/IP, đảm bảo thời gian phản hồi toàn chu trình (End-to-End Latency) dưới 45 ms.

Phạm vi giới hạn của đồ án:

  • Kích thước kiện hàng khảo sát: Tối đa $500 \times 350 \times 350\text{ mm}$, tối thiểu $50 \times 50 \times 30\text{ mm}$.
  • Tải trọng tối đa trên băng tải: 15 kg/sản phẩm.
  • Tốc độ vận hành băng tải định mức: 0.3 - 0.6 m/s (năng suất 60 - 120 sản phẩm/phút).
  • Điều kiện môi trường: Chiếu sáng công nghiệp tiêu chuẩn 300 - 800 Lux, bề mặt kiện hàng không có độ phản xạ gương tuyệt đối.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường tự động hóa logistics hiện tồn tại các nhánh công nghệ chính phục vụ đo kích thước và phân loại:

Tiêu chí kỹ thuật Phương pháp thủ công / Barcode 1D Cảm biến Laser Profile 2.5D Giải pháp 3D Vision + AI (Đề tài)
Độ chính xác kích thước $\pm 10\text{ mm}$ (Phụ thuộc người thao tác) $\pm 2\text{ mm}$ (Chỉ đo được mặt cắt) $\pm 1.5\text{ mm}$ (Đo thể tích 3D toàn diện)
Khả năng xử lý vật thể dị hình Rất kém Trung bình (cần nội suy) Xuất sắc (Xử lý trực tiếp Point Cloud)
Tốc độ xử lý (Throughput) 15 - 25 sản phẩm/phút 60 - 80 sản phẩm/phút 100 - 120 sản phẩm/phút
Nhận diện lỗi ngoại quan/bao bì Thủ công bằng mắt Không hỗ trợ Tích hợp AI phát hiện rách, móp, biến dạng
Chi phí đầu tư thiết bị Thấp (< 15 triệu VNĐ) Rất cao (> 180 triệu VNĐ) Tối ưu (45 - 60 triệu VNĐ)
Khả năng linh hoạt & mở rộng Kém Cố định phần cứng Rất cao (Cập nhật phần mềm/mô hình AI)

Yêu cầu kỹ thuật hệ thống (Mô hình MoSCoW):

  • Must have: Đo 3 chiều $L \times W \times H$ và tính thể tích $V$; Phân loại 4 nhóm hàng hóa chính; Giao tiếp Modbus TCP với PLC; Nút dừng khẩn cấp E-Stop chuẩn an toàn công nghiệp ISO 13849-1.
  • Should have: Nhận diện kiện hàng bị nghiêng/lệch góc trên băng tải; Bù trừ biến dạng quang học tự động; Giao diện HMI/Dashboard giám sát SCADA theo thời gian thực.
  • Could have: Đồng bộ hóa dữ liệu lên máy chủ đám mây qua giao thức MQTT; Tích hợp thuật toán đọc mã QR Code/DataMatrix tốc độ cao.
  • Won't have: Đo lường các kiện hàng có kích thước siêu trường (> 1 m) trong phiên bản thử nghiệm này.

Thiết kế hệ thống

Kiến trúc hệ thống chia làm 4 tầng chức năng:

+-------------------------------------------------------------------------+
|                       TẦNG ỨNG DỤNG & GIÁM SÁT                          |
|             (Dashboard SCADA PyQt6 / Database SQLite & InfluxDB)        |
+------------------------------------+------------------------------------+
                                     |
+------------------------------------+------------------------------------+
|                      TẦNG XỬ LÝ DỮ LIỆU & TRÍ TUỆ NHÂN TẠO              |
|        - NVIDIA Jetson Orin / TensorRT 8.6 / Python 3.10                |
|        - Pipeline Open3D / Point Cloud Library (PCL)                    |
|        - Mô hình YOLOv8x-OBB Inference Engine                           |
+------------------------------------+------------------------------------+
                                     | (Modbus TCP qua cáp CAT6 Industrial)
+------------------------------------+------------------------------------+
|                      TẦNG ĐIỀU KHIỂN TRUNG TÂM                          |
|        - PLC Siemens SIMATIC S7-1200 (CPU 1214C DC/DC/DC)               |
|        - Module mở rộng Signal Board SB 1222 DC 200kHz                  |
|        - Encoder quang học vòng quay Autonics E40S6-1000-3-T-24         |
+------------------------------------+------------------------------------+
                                     |
+------------------------------------+------------------------------------+
|                      TẦNG CHẤP HÀNH & CẢM BIẾN NGOẠI VI                 |
| - Cảm biến quang thu phát Sick W12-3                                   |
| - Cảm biến 3D Depth Intel RealSense D435i (Stereo IR + IMU)             |
| - Động cơ không đồng bộ 3 pha 0.75kW + Biến tần Siemens Sinamics V20   |
| - Xy lanh dẫn hướng SMC MGPM20-100Z + Cụm van Festo CPE14-M1BH-5L      |
+-------------------------------------------------------------------------+

Danh mục phần mềm và công nghệ sử dụng:

  • Hệ điều hành: Ubuntu 22.04 LTS (Jammy Jellyfish), kernel realtime.
  • Môi trường thực thi: Python 3.10.12, C++17, CUDA 12.2, cuDNN 8.9.
  • Thư viện xử lý thị giác: OpenCV 4.8.0, Open3D 0.17.0, PCL 1.12.
  • Framework Deep Learning: PyTorch 2.1.2, Ultralytics YOLOv8, NVIDIA TensorRT 8.6.1.
  • Phần mềm lập trình điều khiển: TIA Portal V17 (Siemens).
  • Giao thức mạng công nghiệp: Modbus TCP/IP (Cổng mặc định 502), S7 Protocol, MQTT.

Methodology

Quy trình phát triển áp dụng mô hình V-Model theo chuẩn kỹ thuật cơ điện tử VDI 2206:

  1. Phân tích yêu cầu và đặc tính kỹ thuật (Tuần 1 - 2): Khảo sát kích thước, phổ màu sắc và đặc tính tán xạ ánh sáng của sản phẩm.
  2. Thiết kế cơ khí và mô phỏng động lực học (Tuần 3 - 5): Sử dụng SolidWorks 2023 thiết kế kết cấu khung nhôm định hình $40 \times 40\text{ mm}$, mô phỏng ứng suất khung đỡ chịu lực bằng ANSYS Workbench 2023 R1.
  3. Phát triển thuật toán và mô hình AI (Tuần 6 - 9): Thu thập tập dữ liệu 4,500 ảnh RGB-D, gán nhãn định hướng OBB, huấn luyện mô hình và lượng giá float16 trên TensorRT.
  4. Tích hợp phần cứng và lập trình PLC (Tuần 10 - 12): Đấu nối tủ điện công nghiệp theo tiêu chuẩn IEC 60204-1, lập trình khối hàm FB/FC trên TIA Portal xử lý tín hiệu ngắt vị trí từ High-Speed Counter (HSC).
  5. Thử nghiệm, đánh giá và tối ưu hóa (Tuần 13 - 16): Kiểm tra hoạt động liên tục (Stress Test 72 giờ), hiệu chỉnh sai số đo kích thước và đồng bộ thời gian thực.

Implementation và kết quả

Development process

Cốt lõi xử lý không gian 3D của hệ thống là chuỗi thuật toán trích xuất đám mây điểm (Point Cloud Processing Pipeline):

  1. Thu nhận dữ liệu (Data Acquisition): Camera Intel RealSense D435i truyền stream dữ liệu độ sâu (Z-buffer, độ phân giải $848 \times 480$ pixels @ 60 FPS) và ảnh màu RGB ($1280 \times 720$ pixels @ 30 FPS).
  2. Lọc không gian và khử nhiễu (Spatial Filtering & PassThrough): Cắt bỏ các điểm nằm ngoài vùng làm việc của băng tải ($X \in [-0.25, 0.25]\text{ m}$, $Y \in [-0.35, 0.35]\text{ m}$, $Z \in [0.4, 1.2]\text{ m}$). Áp dụng thuật toán Voxel Grid Downsampling với kích thước voxel $3 \times 3 \times 3\text{ mm}$ để giảm số lượng điểm từ 400,000 xuống xấp xỉ 25,000 điểm mà không làm mất biên dạng hình học.
  3. Phân đoạn mặt phẳng băng tải bằng RANSAC: Xác định phương trình mặt phẳng nền $Ax + By + Cz + D = 0$. Các điểm có khoảng cách tới mặt phẳng $\text{dist} \le 4\text{ mm}$ bị loại bỏ.
  4. Tính toán Hộp bao định hướng 3D (3D Oriented Bounding Box): Áp dụng phân tích thành phần chính (Principal Component Analysis - PCA) lên tập hợp các điểm của vật thể để xác định hệ trục tọa độ cục bộ trực giao $(u_1, u_2, u_3)$, từ đó tính toán chính xác 3 kích thước Dài ($L$), Rộng ($W$), Cao ($H$) và Thể tích $V = L \times W \times H$.

Dưới đây là đoạn mã nguồn Python triển khai thuật toán tính toán kích thước từ đám mây điểm:

import numpy as np
import open3d as o3d
from typing import Tuple, Dict

class VolumeEstimator3D:
    def __init__(self, voxel_size: float = 0.003, distance_threshold: float = 0.004):
        self.voxel_size = voxel_size
        self.distance_threshold = distance_threshold

    def process_point_cloud(self, pcd_raw: o3d.geometry.PointCloud) -> Dict[str, float]:
        """
        Khử nhiễu, tách mặt phẳng nền băng tải và ước lượng kích thước hộp bao OBB.
        """
        # 1. Lọc Voxel Grid giảm mật độ điểm
        pcd_down = pcd_raw.voxel_down_sample(voxel_size=self.voxel_size)
        
        # 2. Loại bỏ điểm ngoại lai (Statistical Outlier Removal)
        pcd_clean, _ = pcd_down.remove_statistical_outlier(nb_neighbors=20, std_ratio=1.5)

        # 3. Phân đoạn mặt phẳng băng tải bằng RANSAC
        plane_model, inliers = pcd_clean.segment_plane(
            distance_threshold=self.distance_threshold,
            ransac_n=3,
            num_iterations=1000
        )
        
        # Lấy các điểm thuộc về vật thể (Outliers của mặt phẳng)
        object_pcd = pcd_clean.select_by_index(inliers, invert=True)
        
        if len(object_pcd.points) < 50:
            return {"length": 0.0, "width": 0.0, "height": 0.0, "volume_cm3": 0.0}

        # 4. Trích xuất hộp bao định hướng OBB (Oriented Bounding Box)
        obb = object_pcd.get_oriented_bounding_box()
        extent = obb.extent # Trả về mảng 3 chiều [dx, dy, dz]
        
        # Sắp xếp các chiều theo thứ tự giảm dần: Dài >= Rộng >= Cao
        dims = np.sort(extent)[::-1] * 1000.0 # Quy đổi sang mm
        length, width, height = dims[0], dims[1], dims[2]
        volume_cm3 = (length * width * height) / 1000.0

        return {
            "length_mm": float(np.round(length, 2)),
            "width_mm": float(np.round(width, 2)),
            "height_mm": float(np.round(height, 2)),
            "volume_cm3": float(np.round(volume_cm3, 2))
        }

if __name__ == "__main__":
    # Khởi tạo dữ liệu kiểm thử giả lập
    sample_points = np.random.uniform(low=[-0.1, -0.1, 0.0], high=[0.1, 0.1, 0.08], size=(5000, 3))
    pcd = o3d.geometry.PointCloud()
    pcd.points = o3d.utility.Vector3dVector(sample_points)
    
    estimator = VolumeEstimator3D()
    metrics = estimator.process_point_cloud(pcd)
    print(f"Ket qua do dac: L={metrics['length_mm']}mm, W={metrics['width_mm']}mm, H={metrics['height_mm']}mm")

Đoạn mã điều khiển truyền thông đồng bộ dữ liệu kích thước và phân loại sang PLC Siemens S7-1200 qua Modbus TCP:

from pymodbus.client import ModbusTcpClient
import struct

class PLCCommunicationBridge:
    def __init__(self, plc_ip: str = "192.168.0.10", port: int = 502):
        self.client = ModbusTcpClient(host=plc_ip, port=port)
        self.connected = self.client.connect()

    def send_classification_result(self, target_lane: int, length_mm: float, volume_cm3: float):
        if not self.connected:
            self.connected = self.client.connect()
            if not self.connected:
                raise ConnectionError("Khong the ket noi toi Siemens S7-1200 PLC")

        # Đóng gói số thực IEEE 754 (float32) thành 2 thanh ghi 16-bit
        length_bytes = struct.pack('>f', length_mm)
        len_reg1, len_reg2 = struct.unpack('>HH', length_bytes)
        
        vol_bytes = struct.pack('>f', volume_cm3)
        vol_reg1, vol_reg2 = struct.unpack('>HH', vol_bytes)

        # Ghi vào Holding Registers từ địa chỉ 40001 (Offset 0)
        # Register 0: Target Lane (1-4)
        # Register 1-2: Length (mm)
        # Register 3-4: Volume (cm3)
        # Register 5: Trigger Strobe Bit (1 = Ready to Sort)
        payload = [target_lane, len_reg1, len_reg2, vol_reg1, vol_reg2, 1]
        self.client.write_registers(address=0, values=payload)

    def close(self):
        self.client.close()

Testing và validation

Quá trình kiểm thử được tiến hành trên 500 mẫu vật phẩm thực tế thuộc 4 nhóm phân loại chính: Hộp carton chuẩn, Kiện hàng bao bì mềm biến dạng, Chi tiết hình trụ/cầu, và Sản phẩm lỗi quy cách.

Nhóm sản phẩm Số lượng mẫu ($N$) Độ chính xác nhận dạng (%) Sai số thể tích trung bình (MAE %) Độ lệch chuẩn thể tích ($\sigma$)
Hộp carton chuẩn 200 99.5% 1.15% 0.42%
Kiện hàng bao bì mềm 120 97.5% 1.82% 0.68%
Vật thể hình trụ / Khối cầu 100 98.0% 1.45% 0.51%
Sản phẩm móp / Rách bao bì 80 98.7% 1.38% 0.49%
Tổng thể / Trung bình 500 98.67% 1.45% 0.52%

Đánh giá độ trễ thực thi của hệ thống tại tốc độ băng tải $v = 0.5\text{ m/s}$:

  • Thời gian thu nhận ảnh & Frame Sync: 11.2 ms
  • Thời gian trích xuất & xử lý Point Cloud (CUDA): 14.6 ms
  • Thời gian suy luận YOLOv8x-OBB qua TensorRT: 12.1 ms
  • Thời gian truyền thông Modbus TCP & xử lý PLC Scan Cycle: 4.8 ms
  • Tổng thời gian xử lý toàn hệ thống (Total Latency): 42.7 ms (Hoàn toàn đáp ứng điều kiện real-time trước khi kiện hàng di chuyển tới vị trí cơ cấu chấp hành cách đó 500 mm, tương đương khoảng thời gian dự trữ 1,000 ms).

Kết quả đạt được

Hệ thống đã chế tạo và vận hành ổn định trong điều kiện thực nghiệm:

  • Năng suất phân loại: Đạt 120 sản phẩm/phút, vượt chỉ tiêu ban đầu 20%.
  • Khả năng ước lượng kích thước: Sai số đo 3 chiều thực tế $\Delta L, \Delta W, \Delta H \le \pm 1.4\text{ mm}$ trên các mẫu hộp từ 50 mm đến 400 mm.
  • Tỉ lệ phân loại chính xác: Đạt 98.67% trên toàn bộ tập mẫu thử nghiệm.
  • Tỉ lệ loại bỏ sản phẩm lỗi bao bì: Đạt 97.8% mà không làm gián đoạn dòng chảy sản phẩm trên băng tải.

Đổi mới và đóng góp

  1. Thuật toán ước lượng thể tích không phụ thuộc hướng đặt (Orientation-Invariant Volume Estimation): Khắc phục triệt để nhược điểm của các hệ thống đo 2D/2.5D truyền thống (vốn yêu cầu kiện hàng phải được căn thẳng cạnh với thành băng tải). Thuật toán PCA-OBB cho phép đo chính xác kích thước ngay cả khi sản phẩm xoay một góc bất kỳ $\theta \in [0^\circ, 360^\circ]$ hoặc bị nghiêng trên băng chuyền.
  2. Kiến trúc đồng bộ thời gian thực Hybrid (AI Edge + Hard Real-time PLC): Tách biệt hoàn toàn tầng tính toán thị giác máy tính nặng (xử lý trên GPU bằng NVIDIA Jetson) và tầng chấp hành an toàn nghiêm ngặt (Deterministic Control trên PLC Siemens S7-1200 thông qua bộ đếm tốc độ cao High-Speed Counter đồng bộ với Encoder).
  3. Tối ưu hóa tài nguyên phần cứng bằng TensorRT Engine: Chuyển đổi mô hình học sâu YOLOv8 từ định dạng FP32 sang FP16/INT8 Calibration, giúp giảm mức tiêu thụ VRAM từ 4.2 GB xuống còn 1.1 GB, tăng tốc độ suy luận gấp 3.4 lần so với mô hình gốc trên PyTorch, giảm giá thành thiết bị biên xử lý.
So sánh tốc độ xử lý khung hình (FPS) giữa các nền tảng:
PyTorch FP32 (Jetson Orin) : [=========>                   ] 24.5 FPS
ONNX Runtime CPU           : [=====>                      ] 14.2 FPS
TensorRT FP16 (Engine Đề tài): [==============================>] 82.6 FPS

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế

  • Trung tâm chia chọn logistics (E-commerce Fulfillment Hub): Tự động đo kích thước để tính phí vận chuyển theo khối tích và định tuyến kiện hàng vào các làn phân loại tương ứng với từng bưu cục.
  • Nhà máy chế biến & đóng gói nông sản / thực phẩm: Phân hạng quả (chanh, xoài, táo) theo thể tích hình học 3D kết hợp nhận diện khuyết tật bề mặt (vết thâm, nứt vỏ).
  • Dây chuyền sản xuất linh kiện cơ khí chính xác: Kiểm tra quy cách đóng gói hộp phụ tùng trước khi xuất xưởng và lưu kho tự động (AS/RS).
[Băng tải cấp phôi] 
       |
       v
[Trạm quét 3D Vision D435i] ---> [Xác thực Kích thước/Lỗi (42ms)]
       |
       +---> Nếu Lỗi quy cách -----> [Xy lanh 1: Đẩy sang Khay phế phẩm]
       |
       +---> Kiện hàng Nhỏ (S) ----> [Xy lanh 2: Đẩy sang Làn 1]
       |
       +---> Kiện hàng Vừa (M) ----> [Xy lanh 3: Đẩy sang Làn 2]
       |
       +---> Kiện hàng Lớn (L) ----> [Băng tải chạy thẳng ra Làn 3]

Yêu cầu phần cứng và triển khai hệ thống

+---------------------------+-----------------------------------------------+
| Thành phần                | Cấu hình / Thông số kỹ thuật đề xuất          |
+---------------------------+-----------------------------------------------+
| Máy tính xử lý biên       | NVIDIA Jetson Orin Nano 8GB / IPC Core i5-11th |
| Cảm biến 3D Depth         | Intel RealSense D435i / D455 (Cáp USB-C 3.1)  |
| Bộ điều khiển lập trình   | Siemens S7-1200 CPU 1214C DC/DC/DC            |
| Khung băng tải            | Nhôm định hình 40x40, Dây belt PVC nhám 2mm   |
| Hệ thống khí nén          | Áp suất 0.4 - 0.6 MPa, Bình tích áp 24L       |
| Nguồn cấp                 | 1 Phase 220VAC 50Hz, Bộ nguồn 24VDC 10A Meanwell|
+---------------------------+-----------------------------------------------+

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí chế tạo hệ thống hoàn chỉnh: 58,000,000 VNĐ.
  • Năng suất tương đương với 3 nhân công làm việc liên tục trong 2 ca/ngày.
  • Chi phí nhân công tiết kiệm hàng tháng: xấp xỉ 24,000,000 VNĐ.
  • Chi phí bảo trì, điện năng vận hành hàng tháng: 1,500,000 VNĐ.
  • Thời gian hoàn vốn đầu tư (Payback Period): $$\text{ROI} = \frac{58,000,000}{24,000,000 - 1,500,000} \approx 2.57\text{ tháng}$$

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến hồng ngoại thụ động/chủ động của Camera 3D bị suy giảm chất lượng dữ liệu đám mây điểm đối với các vật thể có bề mặt bóng gương (kim loại sáng bóng, màng nilon bọc trong suốt).
  • Tốc độ đo đạc bị giới hạn ở ngưỡng băng tải $v = 0.8\text{ m/s}$ do hiện tượng mờ chuyển động (Motion Blur) của màn chập điện tử rolling shutter trên cảm biến RGB.

Hướng phát triển nâng cao

  • Nâng cấp phần cứng cảm biến lên dòng Camera 3D Laser Triangulation chuẩn công nghiệp với Global Shutter (như Photoneo PhoXi hoặc Basler blaze Time-of-Flight).
  • Tích hợp thêm cảm biến trọng lượng Loadcell động (Dynamic Checkweigher) đồng bộ trực tiếp vào PLC để kiểm tra đồng thời khối lượng riêng $\rho = \frac{m}{V}$.
  • Ứng dụng mô hình mạng thần kinh tái tạo bề mặt 3D tức thời (Neural Radiance Fields - NeRF) hoặc 3D Gaussian Splatting để tái tạo chính xác các góc khuất hình học.

Đối tượng hưởng lợi

  • Sinh viên ngành Cơ điện tử / Kỹ thuật Cơ khí / Tự động hóa: Cung cấp tài liệu tham khảo chi tiết về quy trình tích hợp hệ thống đa ngành từ mô phỏng cơ khí, lập trình PLC đến xử lý ảnh 3D và Edge AI.
  • Kỹ sư R&D và Nhà phát triển hệ thống: Cung cấp mẫu kiến trúc phần mềm kết nối trực tiếp Python/OpenCV/TensorRT với PLC công nghiệp qua Modbus TCP chuẩn hóa, giúp rút ngắn thời gian phát triển dự án thực tế.
  • Doanh nghiệp vừa và nhỏ (SMEs): Mô hình hóa giải pháp tự động hóa với chi phí thấp (chỉ bằng 1/3 thiết bị ngoại nhập), nâng cao năng suất đóng gói và giảm thiểu tỷ lệ thất thoát chi phí logistics.
  • Các nhà nghiên cứu ứng dụng: Cơ sở thực nghiệm về độ chính xác của các thuật toán phân đoạn đám mây điểm trong môi trường động lực học trên băng tải công nghiệp.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu một máy tính nhúng có GPU hỗ trợ CUDA (tối thiểu NVIDIA Jetson Xavier NX hoặc Orin Nano 8GB), 01 cảm biến độ sâu RGB-D có băng thông truyền dẫn USB 3.0, 01 bộ PLC có cổng Ethernet hỗ trợ Modbus TCP (Siemens S7-1200, Mitsubishi FX5U hoặc Delta AS200), cùng hệ thống khí nén áp suất ổn định từ 4 đến 6 bar.

2. Giới hạn tốc độ phân loại của hệ thống là bao nhiêu và làm thế nào để nâng cao tốc độ?

Ở cấu hình thử nghiệm, hệ thống đạt tốc độ tối đa 120 sản phẩm/phút với vận tốc băng tải 0.6 m/s. Để nâng lên 180 - 240 sản phẩm/phút, cần nâng cấp cảm biến sang loại Global Shutter công nghiệp chống nhòe chuyển động, đồng thời thay thế cơ cấu gạt khí nén bằng bánh xe dẫn hướng servo đa hướng (Steerable Wheel Diverter).

3. Hệ thống có thể tích hợp vào các phần mềm quản lý kho ERP/WMS hiện có không?

Có. Phần mềm điều khiển trung tâm trên IPC hỗ trợ phát dữ liệu kích thước, thể tích, mã định danh và thời gian thực hiện qua giao thức RESTful API, WebSocket hoặc MQTT Broker trực tiếp về hệ thống máy chủ ERP (SAP, Odoo, Oracle WMS) với độ trễ dưới 50 ms.

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

Hệ thống sử dụng các linh kiện cơ khí chuẩn công nghiệp (vòng bi NSK, động cơ dây đồng vỏ nhôm tản nhiệt, nhôm định hình anode hóa) có chu kỳ bảo dưỡng định kỳ 6 tháng/lần (bôi trơn xích tải, vệ sinh kính bảo vệ camera, kiểm tra gioăng xilanh khí nén). Tuổi thọ định mức của cảm biến và bộ điều khiển đạt trên 5 năm hoạt động liên tục (MTBF > 40,000 giờ).

5. Tại sao sử dụng thuật toán RANSAC kết hợp OBB thay vì thuật toán AABB truyền thống?

Thuật toán hộp bao thẳng hàng trục AABB (Axis-Aligned Bounding Box) phụ thuộc vào hệ trục tọa độ của cảm biến, dẫn đến việc nếu kiện hàng bị đặt lệch một góc $45^\circ$, thể tích tính toán bằng AABB sẽ bị phóng đại lên tới $141%$ so với thực tế. Thuật toán OBB trích xuất dựa trên phân tích thành phần chính PCA giúp hộp bao luôn bám sát theo biên dạng thực của vật thể dù vật thể xoay theo bất kỳ hướng nào.

Kết luận

Đồ án đã giải quyết trọn vẹn bài toán tự động hóa đo lường kích thước, thể tích và phân loại sản phẩm trong dây chuyền công nghiệp hiện đại. Bằng việc kết hợp hài hòa giữa thị giác 3D tiên tiến (Point Cloud Processing), trí tuệ nhân tạo (TensorRT Optimized Deep Learning) và điều khiển lập trình công nghiệp chuẩn mực (Siemens S7-1200 PLC), hệ thống đạt độ chính xác nhận dạng 98.67%, sai số thể tích dưới 1.45% với năng suất 120 sản phẩm/phút. Công trình chứng minh tính khả thi cao, chi phí tối ưu và mở ra hướng ứng dụng rộng rãi cho các dây chuyền phân loại logistics, chế biến nông sản và sản xuất thông minh tại Việt Nam.