Đồ án tốt nghiệp: Hệ thống phân loại sản phẩm bằng màu sắc - HUTECH

Đồ án hệ thống phân loại sản phẩm theo màu sắc: Nghiên cứu và xây dựng giải pháp phân loại sản phẩm tự động dựa trên màu sắc, tăng hiệu quả quản lý kho và tìm kiếm.

• Tác giả: Trần Đình Hoàng
• Người hướng dẫn: Hoàng Nguyên Phước
• Trường học: Trường Đại Học Công Nghệ Tp. Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện – Điện Tử
• Đề tài: Hệ Thống Phân Loại Sản Phẩm Bằng Màu Sắc
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• MỤC LỤC
• 1. Chương I: Giới thiệu
• 1.1. Xu thế sử dụng dây chuyền phân loại sản phẩm trong sản xuất
• 1.2. Ứng dụng xu thế trong bài toán thực tế
• 1.3. Mục tiêu mô hình
• 1.4. Nội dung nghiên cứu
• 2. Chương II: Cấu trúc và các thiết thiết bị trong hệ thống
• 2.1. Cấu trúc chung của hệ thống phân loại sản phẩm
• 2.2. Khối xi lanh khí nén
• 2.2.1. Xi lanh khí nén
• 2.2.2. Van điện từ (Van khí nén)
• 2.2.3. Máy nén khí và bình trích chứa khí nén
• 2.2.4. Ống dẫn khí & Van tiết lưu
• 2.3. Cảm biến màu sắc TCS230-Chống nhiễu
• 2.4. Bộ điều khiển logic khả trình PLC
• 2.5. Cảm biến quang
• 3. Chương III: Thiết kế và xây dựng mô hình
• 3.1. Cấu trúc hệ thống
• 3.2. Lựa chọn thiết bị
• 3.3. Xây dựng khối băng tải và cơ cấu chấp hành
• 3.4. Lập trình hệ thống nhận dạng màu sắc
• 3.5. Lập trình điều khiển PLC
• 3.6. Thiết kế và xây dựng tủ điện
• 4. Chương IV: Đánh giá và Kết Luận
• DANH SÁCH CÁC HÌNH ẢNH
• DANH SÁCH CÁC BẢNG

Tóm tắt

I. Đồ án Phân Loại Sản Phẩm Theo Màu Sắc Tổng Quan Dự Án

Đồ án phân loại sản phẩm theo màu sắc là một dự án kỹ thuật tập trung vào việc tự động hóa quy trình phân loại sản phẩm dựa trên nhận diện màu sắc sản phẩm. Xu hướng tự động hóa trong sản xuất ngày càng tăng, việc ứng dụng hệ thống phân loại sản phẩm giúp tiết kiệm công sức, nguồn lao động, nâng cao năng suất, chất lượng sản phẩm. Hệ thống này đặc biệt hữu ích trong các ngành sản xuất sản phẩm chứa chất độc hại hoặc yêu cầu độ chính xác cao. Dự án này tập trung vào phát triển một hệ thống có khả năng phân loại sản phẩm bằng màu sắc một cách hiệu quả và chính xác. Dây chuyền phân loại sản phẩm là dây chuyền mà trong đó sản phẩm có những đặc điểm chung sẽ được phân ra thành từng loại tùy theo yêu cầu (các sản phẩm phân loại có cùng màu sắc, cùng kích thước, khối lượng, …). Tùy theo yêu cầu sản xuất trong thực tế mà người ta phân ra các hình thức phân loại sản phẩm như: Phân loại sản phẩm theo kích thước (cao-thấp, dài ngắn), theo khối lượng, theo hình ảnh, theo màu sắc, dựa trên mã vạch. Đặc điểm chung của các hình thức phân loại đó là việc điều khiển đều sử dụng bộ điều khiển logic khả trình PLC. Trong đó, Computer vision phân loại sản phẩm, machine learning phân loại sản phẩm và deep learning phân loại màu sắc đóng vai trò quan trọng trong việc phát triển các thuật toán và mô hình phân loại chính xác. Việc đánh giá hiệu quả hệ thống phân loại màu sắc là một phần quan trọng để đảm bảo tính tin cậy và hiệu quả của hệ thống. Cảm biến màu sắc, xử lý ảnh sản phẩm, và PLC (Programmable Logic Controller) là các thành phần quan trọng của hệ thống. Mục tiêu là tạo ra một hệ thống phân loại sản phẩm tự động hiệu quả, có khả năng ứng dụng rộng rãi trong các ngành công nghiệp khác nhau.

1.1. Lợi ích của tự động hóa trong phân loại sản phẩm

Tự động hóa mang lại nhiều lợi ích trong quy trình phân loại sản phẩm. Tiết kiệm chi phí lao động, giảm thiểu sai sót do con người, và tăng tốc độ phân loại là những ưu điểm chính. Trong các ngành công nghiệp như thực phẩm, dược phẩm, và điện tử, việc phân loại sản phẩm một cách chính xác và nhanh chóng là rất quan trọng. Hệ thống tự động có thể hoạt động liên tục 24/7, đảm bảo năng suất cao. Việc áp dụng ứng dụng trí tuệ nhân tạo trong phân loại sản phẩm giúp hệ thống học hỏi và cải thiện độ chính xác theo thời gian. Ngoài ra, tự động hóa còn giúp giảm thiểu rủi ro liên quan đến an toàn lao động, đặc biệt trong các môi trường làm việc nguy hiểm.

1.2. Ứng dụng thực tế của hệ thống phân loại màu sắc

Hệ thống phân loại sản phẩm theo màu sắc có nhiều ứng dụng thực tế trong các ngành công nghiệp khác nhau. Trong ngành dệt may, hệ thống có thể được sử dụng để phân loại vải nhuộm theo màu sắc, giúp quản lý kho hàng hiệu quả hơn. Trong ngành thực phẩm, hệ thống có thể phân loại trái cây, rau quả theo độ chín dựa trên màu sắc. Trong ngành tái chế, hệ thống có thể phân loại vật liệu tái chế theo màu sắc để tối ưu hóa quy trình tái chế. Ví dụ, trong quy trình nhuộm vải PES/CO tại nhà máy Dệt Phú Thọ, sau khi vải được nhuộm và hoàn tất, việc phân loại theo màu sắc giúp cho việc sắp xếp và thống kê số lượng sản phẩm ở kho dễ dàng hơn.

II. Thách Thức Trong Nhận Diện Màu Sắc Sản Phẩm Phân Tích

Việc nhận diện màu sắc sản phẩm một cách chính xác và đáng tin cậy là một thách thức kỹ thuật đáng kể. Ánh sáng môi trường, bóng đổ, và sự khác biệt về bề mặt sản phẩm có thể ảnh hưởng đến kết quả đo màu. Các thuật toán thuật toán phân loại màu sắc cần phải được thiết kế để đối phó với những biến động này. Độ chính xác của cảm biến màu sắc cũng là một yếu tố quan trọng. Các cảm biến cần phải được hiệu chỉnh thường xuyên để đảm bảo độ tin cậy. Thêm vào đó, việc xây dựng một cơ sở dữ liệu màu sắc sản phẩm đầy đủ và chính xác là một công việc tốn thời gian và công sức. Dữ liệu này cần phải được cập nhật liên tục để phản ánh sự thay đổi về màu sắc của sản phẩm theo thời gian. Việc đánh giá độ chính xác của hệ thống phân loại màu cũng là một thách thức. Cần phải có các phương pháp kiểm tra và đánh giá khách quan để đảm bảo rằng hệ thống hoạt động đúng theo yêu cầu.

2.1. Ảnh hưởng của ánh sáng và môi trường đến nhận diện màu

Ánh sáng môi trường có thể thay đổi màu sắc mà cảm biến ghi nhận. Ánh sáng tự nhiên và ánh sáng nhân tạo có phổ màu khác nhau, và điều này có thể dẫn đến sai lệch trong kết quả đo màu. Để giảm thiểu ảnh hưởng này, cần phải sử dụng các kỹ thuật bù sáng hoặc sử dụng các cảm biến có khả năng tự động điều chỉnh theo điều kiện ánh sáng. Bóng đổ cũng là một vấn đề cần được xem xét. Bóng đổ có thể làm giảm độ sáng của sản phẩm, dẫn đến sai lệch trong kết quả đo màu. Để giải quyết vấn đề này, cần phải sử dụng các kỹ thuật xử lý ảnh để loại bỏ hoặc giảm thiểu bóng đổ.

2.2. Độ chính xác và hiệu chuẩn cảm biến màu sắc

Độ chính xác của cảm biến màu sắc là một yếu tố quan trọng ảnh hưởng đến hiệu quả của hệ thống phân loại. Cảm biến cần phải được hiệu chuẩn thường xuyên để đảm bảo rằng nó đo màu một cách chính xác. Hiệu chuẩn có thể được thực hiện bằng cách sử dụng các mẫu màu chuẩn và điều chỉnh các thông số của cảm biến cho đến khi nó đo màu của các mẫu chuẩn một cách chính xác. Ngoài ra, cần phải chọn cảm biến có độ phân giải đủ cao để phân biệt được các màu sắc khác nhau. Cảm biến TCS230 được sử dụng trong đồ án này, có khả năng chống nhiễu và độ phân giải cao, giúp cải thiện độ chính xác của hệ thống.

2.3. Xây dựng và duy trì cơ sở dữ liệu màu sắc sản phẩm

Cơ sở dữ liệu màu sắc sản phẩm là một phần quan trọng của hệ thống phân loại. Dữ liệu này cần phải được thu thập và cập nhật liên tục để phản ánh sự thay đổi về màu sắc của sản phẩm theo thời gian. Việc thu thập dữ liệu có thể được thực hiện bằng cách sử dụng cảm biến màu sắc và lưu trữ kết quả đo trong cơ sở dữ liệu. Cần phải đảm bảo rằng dữ liệu được thu thập trong điều kiện ánh sáng tiêu chuẩn và rằng các mẫu sản phẩm được chọn đại diện cho toàn bộ phạm vi màu sắc của sản phẩm. Sau khi thu thập dữ liệu, cần phải sử dụng các thuật toán xử lý dữ liệu để loại bỏ các giá trị ngoại lệ và tạo ra một mô hình màu sắc chính xác.

III. Phương Pháp Phân Loại Sản Phẩm Màu Sắc Giải Pháp Tối Ưu

Để giải quyết các thách thức trong phân loại sản phẩm bằng màu sắc, có nhiều phương pháp và kỹ thuật có thể được áp dụng. Sử dụng computer vision và các thuật toán machine learning là một hướng tiếp cận hiệu quả. Các thuật toán này có thể được huấn luyện để nhận diện màu sắc sản phẩm một cách chính xác, ngay cả trong điều kiện ánh sáng thay đổi và có bóng đổ. Việc sử dụng các mô hình deep learning cũng có thể cải thiện độ chính xác của hệ thống. Một phương pháp khác là sử dụng các phần mềm phân loại sản phẩm chuyên dụng. Các phần mềm này thường đi kèm với các công cụ hiệu chuẩn cảm biến và xử lý ảnh, giúp đơn giản hóa quá trình phát triển và triển khai hệ thống. Ngoài ra, việc kết hợp các phương pháp khác nhau có thể mang lại kết quả tốt nhất. Ví dụ, có thể sử dụng computer vision để loại bỏ bóng đổ và sau đó sử dụng cảm biến màu sắc để đo màu sản phẩm một cách chính xác.

3.1. Sử dụng Computer Vision và Machine Learning

Computer vision cung cấp các công cụ mạnh mẽ để xử lý ảnh và video, giúp cải thiện khả năng nhận diện màu sắc sản phẩm. Các thuật toán machine learning có thể được huấn luyện để phân loại sản phẩm dựa trên màu sắc, ngay cả khi có sự biến động về ánh sáng và bề mặt. Ví dụ, có thể sử dụng mạng nơ-ron tích chập (CNN) để phân loại sản phẩm dựa trên ảnh màu. Để huấn luyện CNN, cần phải có một tập dữ liệu lớn các ảnh sản phẩm đã được gán nhãn màu sắc. Sau khi huấn luyện, CNN có thể được sử dụng để phân loại các sản phẩm mới.

3.2. Các thuật toán xử lý ảnh để cải thiện độ chính xác

Các thuật toán xử lý ảnh có thể được sử dụng để loại bỏ bóng đổ, giảm nhiễu, và tăng độ tương phản của ảnh, giúp cải thiện độ chính xác của hệ thống phân loại. Ví dụ, có thể sử dụng thuật toán cân bằng histogram để tăng độ tương phản của ảnh. Thuật toán này hoạt động bằng cách phân phối lại các giá trị pixel trong ảnh sao cho chúng phân bố đều trên toàn bộ phạm vi giá trị. Điều này giúp làm nổi bật các chi tiết trong ảnh và giúp cảm biến màu sắc đo màu một cách chính xác hơn.

IV. Ứng Dụng Trí Tuệ Nhân Tạo Vào Phân Loại Sản Phẩm Tự Động

Ứng dụng trí tuệ nhân tạo (AI) trong phân loại sản phẩm tự động mở ra nhiều tiềm năng để cải thiện độ chính xác và hiệu quả của hệ thống. Các thuật toán AI có thể học hỏi từ dữ liệu và tự động điều chỉnh để đối phó với các biến động về ánh sáng, bề mặt sản phẩm, và các yếu tố khác. Ví dụ, có thể sử dụng mạng nơ-ron để phân loại sản phẩm dựa trên màu sắc, hình dạng, và kích thước. Mạng nơ-ron có thể được huấn luyện để nhận diện các mẫu phức tạp trong dữ liệu và đưa ra các quyết định phân loại chính xác. Ngoài ra, AI cũng có thể được sử dụng để tối ưu hóa quy trình phân loại, chẳng hạn như bằng cách tự động điều chỉnh tốc độ băng tải hoặc vị trí của cảm biến.

4.1. Mạng nơ ron và các mô hình học sâu Deep Learning

Mạng nơ-ron và các mô hình học sâu là các công cụ mạnh mẽ để phân loại sản phẩm dựa trên nhiều yếu tố, bao gồm màu sắc, hình dạng, và kích thước. Các mô hình này có thể học hỏi từ dữ liệu và tự động điều chỉnh để đối phó với các biến động và nhiễu. Ví dụ, có thể sử dụng mạng nơ-ron tích chập (CNN) để phân loại sản phẩm dựa trên ảnh. CNN có thể học hỏi các đặc trưng quan trọng trong ảnh, chẳng hạn như đường viền, góc cạnh, và màu sắc, và sử dụng các đặc trưng này để phân loại sản phẩm.

4.2. Tối ưu hóa quy trình phân loại bằng AI

AI có thể được sử dụng để tối ưu hóa quy trình phân loại bằng cách tự động điều chỉnh các thông số của hệ thống, chẳng hạn như tốc độ băng tải, vị trí của cảm biến, và ngưỡng phân loại. Ví dụ, có thể sử dụng thuật toán di truyền để tìm ra các thông số tối ưu cho hệ thống phân loại. Thuật toán di truyền hoạt động bằng cách tạo ra một quần thể các giải pháp tiềm năng và sau đó sử dụng các toán tử di truyền, chẳng hạn như lai ghép và đột biến, để tạo ra các thế hệ giải pháp mới. Quá trình này được lặp lại cho đến khi tìm thấy một giải pháp đáp ứng yêu cầu.

4.3. Phần mềm hỗ trợ AI trong phân loại sản phẩm

Các phần mềm hỗ trợ AI trong phân loại sản phẩm đang ngày càng trở nên phổ biến. Các phần mềm này cung cấp các công cụ và thư viện giúp đơn giản hóa quá trình phát triển và triển khai các hệ thống phân loại dựa trên AI. Ví dụ, TensorFlow và PyTorch là hai thư viện mã nguồn mở phổ biến cung cấp các công cụ để xây dựng và huấn luyện các mô hình học sâu. Các phần mềm này thường đi kèm với các giao diện người dùng đồ họa giúp người dùng dễ dàng tương tác với hệ thống.

V. Đánh Giá Hiệu Quả Hệ Thống Phân Loại Màu Sắc Kết Quả

Việc đánh giá hiệu quả hệ thống phân loại màu sắc là rất quan trọng để đảm bảo rằng hệ thống hoạt động đúng theo yêu cầu và mang lại giá trị thực tế. Các tiêu chí đánh giá bao gồm độ chính xác, tốc độ, và chi phí. Độ chính xác được đo bằng tỷ lệ sản phẩm được phân loại đúng. Tốc độ được đo bằng số lượng sản phẩm được phân loại trong một đơn vị thời gian. Chi phí bao gồm chi phí đầu tư ban đầu, chi phí vận hành, và chi phí bảo trì. Kết quả đánh giá cho thấy rằng hệ thống phân loại sản phẩm theo màu sắc đã đạt được độ chính xác cao, tốc độ nhanh, và chi phí hợp lý. Tuy nhiên, vẫn còn một số điểm cần được cải thiện, chẳng hạn như khả năng đối phó với các sản phẩm có màu sắc phức tạp.

5.1. Tiêu chí đánh giá độ chính xác tốc độ và chi phí

Độ chính xác là tiêu chí quan trọng nhất để đánh giá hiệu quả của hệ thống phân loại. Độ chính xác được đo bằng tỷ lệ sản phẩm được phân loại đúng. Một hệ thống phân loại hiệu quả cần phải có độ chính xác cao, ít nhất là 95%. Tốc độ cũng là một tiêu chí quan trọng, đặc biệt trong các quy trình sản xuất hàng loạt. Tốc độ được đo bằng số lượng sản phẩm được phân loại trong một đơn vị thời gian. Chi phí cũng cần được xem xét, bao gồm chi phí đầu tư ban đầu, chi phí vận hành, và chi phí bảo trì. Cần phải tìm ra sự cân bằng giữa độ chính xác, tốc độ, và chi phí để đảm bảo rằng hệ thống phân loại mang lại giá trị tốt nhất.

5.2. So sánh kết quả với các phương pháp phân loại truyền thống

Kết quả đánh giá cần được so sánh với các phương pháp phân loại truyền thống, chẳng hạn như phân loại thủ công, để đánh giá được lợi ích của việc sử dụng hệ thống tự động. So sánh cần được thực hiện trên các tiêu chí độ chính xác, tốc độ, và chi phí. Thông thường, hệ thống tự động có độ chính xác cao hơn, tốc độ nhanh hơn, và chi phí thấp hơn so với phân loại thủ công. Ví dụ, sau khi áp dụng hệ thống phân loại, có thể giảm đáng kể chi phí lao động và tăng năng suất.

VI. Kết Luận Và Hướng Phát Triển Hệ Thống Phân Loại Màu

Đồ án hệ thống phân loại sản phẩm theo màu sắc đã chứng minh được tiềm năng của việc ứng dụng công nghệ vào tự động hóa quy trình phân loại. Hệ thống có độ chính xác cao, tốc độ nhanh, và chi phí hợp lý. Tuy nhiên, vẫn còn nhiều hướng phát triển tiềm năng để cải thiện hệ thống hơn nữa. Một hướng là tích hợp thêm các cảm biến và thuật toán để nhận diện các đặc điểm khác của sản phẩm, chẳng hạn như hình dạng và kích thước. Một hướng khác là sử dụng AI để tối ưu hóa quy trình phân loại và đối phó với các sản phẩm có màu sắc phức tạp. Ngoài ra, cần phải tiếp tục nghiên cứu và phát triển các thuật toán phân loại màu sắc mới để cải thiện độ chính xác và hiệu quả của hệ thống.

6.1. Tích hợp thêm các cảm biến và thuật toán nhận diện

Để tạo ra một hệ thống phân loại toàn diện hơn, có thể tích hợp thêm các cảm biến và thuật toán để nhận diện các đặc điểm khác của sản phẩm, chẳng hạn như hình dạng, kích thước, và trọng lượng. Việc kết hợp các đặc điểm khác nhau có thể giúp cải thiện độ chính xác của hệ thống và cho phép phân loại các sản phẩm phức tạp hơn. Ví dụ, có thể sử dụng camera 3D để đo kích thước và hình dạng của sản phẩm và sau đó sử dụng các thuật toán xử lý ảnh 3D để nhận diện các đặc điểm quan trọng.

6.2. Sử dụng AI để tối ưu hóa quy trình phân loại

AI có thể được sử dụng để tối ưu hóa quy trình phân loại bằng cách tự động điều chỉnh các thông số của hệ thống và đối phó với các sản phẩm có màu sắc phức tạp. Ví dụ, có thể sử dụng mạng nơ-ron để phân loại sản phẩm dựa trên các ảnh màu và sau đó sử dụng thuật toán di truyền để tìm ra các thông số tối ưu cho mạng nơ-ron. Ngoài ra, AI có thể được sử dụng để phát hiện và loại bỏ các sản phẩm bị lỗi hoặc hỏng.

Trích đoạn nội dung tài liệu

Chương I: GIỚI THIỆU 1.1 Xu thế sử dụng dây chuyền phân loại sản phẩm trong sản xuất Ngày nay cùng với sự phát triển mạnh mẽ của các ngành khoa học kỹ thuật, việc ứng dụng tự động hóa chính là xu thế chung của ngành công nghiệp. Hòa chung vào các quá trình trình tự động, thì khâu phân loại sản phẩm trong các ngành sản xuất cũng được chú ý đưa vào sử dụng. Việc sử dụng hệ thống phân loại sản phẩm giúp cho việc tiết kiệm công sức & nguồn lao động, đồng thời nâng cao năng suất và chất lượng sản phẩm. Nó còn mang nhiều ưu điểm hơn khi thay cho việc phân loại thủ công với một số ngành nghề sản xuất các sản phẩm có chứa chất độc hại (hóa chất, phân đạm, nhuộm, …) ảnh hưởng tới sức khỏe hoặc các ngành nghề yêu cầu việc sắp xếp có độ chính xác cao (sản xuất linh kiện, …) Hình 1.1: Dây chuyền phân loại hoa qua theo màu sắc( Internet) Dây chuyền là một hình thức tổ chức sản xuất trong đó các bộ phận, thiết bị được thiết kế tiếp nhau theo một trình tự đặt trước.

1 Dây chuyền phân loại sản phẩm là dây chuyền mà trong đó sản phẩm có những đặc điểm chung sẽ được phân ra thành từng loại tùy theo yêu cầu (các sản phẩm phân loại có cùng màu sắc, cùng kích thước, khối lượng, …) Tùy theo yêu cầu sản xuất trong thực tế mà người ta phân ra các hình thức phân loại sản phẩm như:  Phân loại sản phẩm theo kích thước (cao-thấp, dài ngắn)  Phân loại sản phẩm theo khối lượng  Phân loại sản phẩm theo hình ảnh  Phân loại sản phẩm theo màu sắc  Phân loại sản phẩm dựa trên mã vạch Đặc điểm chung của các hình thức phân loại đó là việc điều khiển đều sử dụng bộ điều khiển logic khả trình PLC. Phân loại theo kích thước sản phẩm: Kiểu phân loại này sử dụng các cảm biến quang, hồng ngoại để phát hiện và só sánh kính thước của sản phẩm, sau đó đưa tín hiệu về PLC và PLC thực hiện ra lệnh các chức năng điều khiển theo yêu cầu. Hình thức phân loại theo kích thước thường được ứng dụng trong các nhà máy đóng chai, đóng hộp với ưu điểm là chi phí cảm biến thấp, dễ lắp đặt và vận hành. Phân loại theo khối lượng sản phẩm: Kiểu phân loại sử dụng cảm biến trọng lượng để phân biệt sản phẩm nặng – nhẹ, so sánh xem có đủ khối lượng yêu cầu để phân loại hay chưa… sau đó tín hiệu cũng được đưa về PLC và PLC thực hiện các chức năng điều khiển, phân loại.

Phạm vi ứng dụng thường là các nhà máy sản xuất xi măng, phân bón hay các nhà máy sản xuất sản phẩm dưới dạng đóng gói bao bì cần khối lượng chính xác. 2 Phân loại theo màu sắc sản phẩm: Kiểu phân loại sử dụng các cảm biến màu sắc (các cảm biến có thể nhận biết màu riêng biệt như đen, trắng, đỏ, vàng, lục, …) Sau đó tín hiệu phát hiện màu sắc cũng được gửi về PLC và PLC tiến hành các chức năng giống như các hình thức trên. Hình thức phân loại này thường ứng dụng trong công nghiệp sản xuất vải nhuộm, sản xuất màu, … Phân loại theo hình ảnh sản phẩm: Khác với hình thức phân loại theo màu sắc, phân loại theo hình ảnh sử dụng camera để chụp sản phẩm thay vì sử dụng các các cảm biến màu sắc. Các hình ảnh của sản phẩm được chụp qua camera nhận dạng sẽ được so sánh với ảnh gốc để phân biệt sản phẩm thuộc loại nào.

Phạm vi ứng dụng thường là các nhà máy sản xuất gạch, đá. Phân loại theo mã vạch sản phẩm: Kiểu phẩn loại sử dụng máy đọc mã vạch hoặc là camera nhận dạng mã vạch. Phạm vi ứng dụng chủ yếu là trong bưu chính, vận tải, chuyển phát, … Hình 1.2: Hệ thống phân loại sản phẩm theo mã vạch được sử dụng ở GHN( Internet) 1.2 Ứng dụng xu thế trong bài toán thực tế 3 Mặc dù việc ứng dụng hệ thống phân loại sản phẩm tự động ngày càng trở nên phổ biến nhưng ngoại trừ một số ngành nghề yêu cầu hệ thống phân loại phức tạp, thì đa số các doanh nghiệp vẫn sử dụng lao động thủ công cho việc phân loại để đảm bảo lợi kinh tế. Bởi lẽ việc đầu tư một hệ thống tự động hoàn toàn cũng như được nhập khẩu nguyên từ nước ngoài có chi phí rất cao, trong khi dây chuyền máy móc sản xuất chính trong các doanh nghiệp trong nước hầu hết là các công nghệ cũ sau 1,2 thế hệ.

Việc nâng cấp dây chuyền chính trong từng ngành sản xuất sẽ được ưu tiên hơn. Qua việc tìm hiểu và nghiên cứu từ các thông tin qua mạng chúng em đã được biết đến các quá trình tự động được áp dụng trong quy trình nhuộm. Một trong những khâu tự động đó là quá trình đóng gói sản phẩm: sản phẩm vải nhuộm sau được đưa vào máy đếm và đóng trục, sau đó băng tải sẽ vận chuyển các trục vải đến các thùng chứa rồi chuyển đi tới kho. Nhận thấy hệ thống băng tải có thể cải tiến, giúp phân loại các sản phẩm vải nhuộm với các màu sắc khác nhau thành từng màu giúp cho việc sắp xếp dễ dàng.

Từ đó chúng em có ý tưởng xây dựng mô hình băng chuyền phân loại sản phẩm theo màu sắc với sản phẩm chính ở đây là vải nhuộm. Dưới đây là quy trình công nghệ quá trình nhuộm vải PES/CO tại nhà máy Dệt Phú Thọ: Giai đoạn tiền xử lí vải: 4 Hình 1.1: Các quá trình thuộc công đoạn tiền xử lí vải nhuộm (Internet) Gồm các quá trình: xử lí vải mộc, nấu tẩy, nhuộm hoặc làm bóng (với vải giữ nguyên màu) với mục đích loại bỏ các tạp chất của vải trước khi nhuộm. Vải mộc sau khi kiểm tra sẽ được nối thành các đầu tấm và đưa vào các máy JET để thực hiện công đoạn nấu – tẩy Vải mộc là thành phẩm sau quá trình dệt từ sợi. Trong còn chứa nhiều tạp chất như: dầu mỡ, hợp chất nitơ, chất tĩnh điện, đường và axit hữu cơ nền cần phải thực hiện các quá trình làm sạch hóa học đó để loại bỏ tạp chất.

Nấu – tẩy: Vải mộc sau khi đã được kiểm tra được vào được vào máy JET để nấu tẩy, người ta sử dụng công nghệ nấu tẩy kết hợp đồng thời để tiết kiệm thời gian, điện, nước và hơi. Công đoạn này ngoài việc loại bỏ các tạp chất của vải mộc còn giúp cho xơ bông trương nở đều và xốp để dễ thấm nước, thấm mồ hôi, dễ nhuộm màu và đều màu và sâu màu hơn. Làm bóng: Quá trình tẩy trắng hay làm bóng giúp cho vải tăng thêm độ sáng. Sau công đoạn nấu tẩy, tuy các chất màu thiên nhiên của trong đã bị phá hủy và vải đã đạt độ trắng 82-85%, song với các màu hàng để trắng thì các chỉ 5 tiêu này vẫn chưa đạt yêu cầu.

Nên sẽ sử dụng thêm các chất hòa tan trong nước và phân li thành ion để tăng độ trắng quang học. Gia đoạn nhuộm, in: Vải sẽ được vào máy nhuộm sẽ được tiến đưa vào nhuộm. Dưới dưới nhiệt độ và độ ẩm cao (khoảng 130-150 độ C) Vải sẽ ngấm thuốc nhuộm và thay đổi màu sắc tự nhiên Sau các quá trình nấu, tẩy, làm bóng, nhuộm và in thì đều phải giặt vải, với mục đích loại bỏ các chất thừa sau mỗi công đoạn Hình 1.2: Quá trình nhuộm/in vải( Internet) Gia đoạn hoàn tất vải 6 Hình 1.3: Quá trình hoát tất vải nhuộm( Internet) Sau quá trình nhuộm, kết hợp với các phương pháp hóa học, vải sẽ được chuyển qua các công đoạn của quá trình hoàn tất bao gồm: vắt( sấy), văng khổ( văng sấy định hình) và cán nỉ với mục đích định hình lại khổ vải và giúp cho vải có chất lượng mềm , mịn theo yêu cầu Quá trình sấy: Vải sẽ được đưa vào máy vắt ly tâm giúp giảm độ ẩm và khối lượng vải khi vẫn còn ngấm nước xuống mức yêu cầu. Vải chất vào thùng hình trụ, thùng có đục nhiều lỗ và đặt vào máy.

Khí máy chạy, thùng chứa vật liệu quay tròn xung quanh trục, nhờ lực ly tâm tác động lên vải, phần nước không liên quan chặt chẽ với vật liệu sẽ bị văng ra khỏi vải qua các lỗ thủng. Quá trình văng sấy định hình: Quá trình giúp gỡ xoắn vải, đưa vải từ hình dạng xoắn thành dạng phẳng, tạo khổ vải thành phẩm hợp lí với mật độ ngang dọc theo yêu cầu Quá trình hồ mềm và cán nỉ: Quá trình giúp vải có thêm các tính chất mới như: mặt vải phẳng, mịn, mất đi nếp nhăn trong quá trình giặt và giúp vải có khả năng phản xạ ánh sáng tốt hơn. 7 Kết thúc quá trình hoàn tất vải, có thể coi như vải nhuộm là thành phẩm cuối cùng trong quá trình nhuộm. Bước cuối cùng là vải sẽ được đếm số mét và tiến hành đóng bọc nilon.4: Vải nhuộm có thể đem đi sử dụng sau giai đoạn hoàn tất vải( Internet) Giai đoạn đóng gói sản phẩm: Quá trình đóng gói sản phẩm là công đoạn đưa vải vào máy đếm vải.

Máy sẽ đếm số met vải và có thể cắt vải theo ý muốn. Vải qua máy đếm sẽ được cuộn tròn lại thành các trục, đóng gói và được đưa lên băng tải để di chuyển tới thùng chứa (xe đẩy có bánh lăn). Người công nhân xe di chuyển các thùng chứa này đến kho để lưu trữ vải.5: Vải được đưa vào máy đếm( Internet) Hình 1.6: Vải được lưu trữ tại kho( Internet) Do các cuộn vải sau khi nhuộm có màu sắc đa dạng. Nên việc có thể phân loại chúng thành từng màu dựa trên băng chuyền vận chuyển sẵn có rồi đưa vào một thùng chứa riêng sẽ thuận tiện cho việc sắp xếp và thống kê số 9 lượng sản phẩm ở kho sau này.

Để công việc phân loại sản phẩm được thực hiên một cách dễ dàng và giảm thiểu chi phí vận hành chúng em có ý tưởng xây dựng mô hình “hệ thống phân loại sản phẩm theo màu sắc” và sản phẩm trực tiếp ở đây là Vải nhuộm.3 Mục tiêu mô hình  Hệ thống tự động phân loại sản phẩm theo 3 loại: đỏ, xanh dương, xanh lá  Hệ thống hoạt động ổn định, có độ tin cậy cao  Chi phí lắp đặt phù hợp, chi phí vận hành thấp  Có thể dễ dàng tùy chỉnh, thay đổi màu sắc hệ thống cần nhận dạng.