Đồ án HCMUTE: Phân loại sản phẩm ứng dụng Robot và Xử lý ảnh

Đồ án phân loại sản phẩm ứng dụng cánh tay robot và xử lý ảnh. Mô hình tự động hóa quy trình kiểm tra và phân loại sản phẩm công nghiệp.

• Tác giả: Lê Đức Kông
• Người hướng dẫn: TS. Trần Mạnh Sơn
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Phân loại sản phẩm ứng dụng Robot và Xử lí ảnh
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
• LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP
• PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
• PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN
• LỜI CẢM ƠN
• MỤC LỤC
• Danh sách hình ảnh
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng phạm vi nghiên cứu
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. Phương thức tiếp cận, phương pháp nghiên cứu
• 1.4.1. Phương thức tiếp cận
• 1.4.2. Phương pháp nghiên cứu
• 1.5. Nội dung nghiên cứu
• 1.5.1. Giới thiệu về Robot Delta
• 1.5.2. Giới thiệu về bộ điều khiển PLC
• 1.5.2.1. Giới thiệu về PLC
• 1.5.2. Khái niệm xử lí ảnh
• 1.5.2. Các vấn đề trong khi xử lí ảnh
• 1.5.3. Xử lí hình thái học
• 1.5.4. Các phần mềm sử dụng làm đề tài
• 1.5.5. Tổng quan và phần mềm lập trình PLC GXWorks 3 dòng Mitsubishi
• 1.5.6. Visual Studio Code
• 1.5.7. Thiết kế bản vẽ Solidworks
• 2. NỘI DUNG THỰC HIỆN
• 2.1. Cấu tạo robot song song Delta
• 2.2. Động học thuận
• 2.3. Động học nghịch
• 2.2. Thiết kế và thi công hệ thống
• 2.2.1. Thiết kế băng tải
• 2.2.2. Thiết kế khung đỡ và mặt cố định robot
• 2.2.3. Thiết kế cánh tay robot
• 2.2.4. Thiết kế khớp xoay
• 2.3. Chọn lựa thiết bị
• 2.3.1. PLC Mitsubishi FX5U
• 2.3.2. Camera Xiaovv HD USB Webcam
• 2.3.3. Nguồn tổ ong
• 2.3.4. Công tắc hành trình
• 2.3.5. Giác hút chân không chữ T và động cơ bơm
• 2.3.6. Động cơ DC giảm tốc GA25 Encoder 60RPM
• 2.3.7. Module điều khiển động cơ L298N
• 2.3.8. Động cơ bước và driver TB6600
• 2.3.9. Động cơ AC Servo HC – MFS13
• 2.3.10. Hộp số giảm tốc
• 2.4. Thi công hệ thống
• 2.4.1. Thiết kế thi công tủ điện
• 2.4.2. Mô hình robot delta đã thiết kế
• 2.5. Giải thuật và chương trình điều khiển robot
• 2.5.1. Trình tự điều khiển
• 2.5.2. Trình tự training data ảnh và xử lí hình ảnh
• 3.4. Thiết kế giao diện điều khiển HMI cho robot
• 3. KẾT QUẢ THỰC HIỆN
• 3.1. Kết quả thực hiện về phần cứng
• 3.2. Kết quả thực hiện về phần mềm
• 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Mục tiêu đã đạt được
• 4.2. Hạn chế của đề tài
• 4.2.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Khám phá đồ án phân loại sản phẩm Robot và Xử lý ảnh

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0, tự động hóa đã trở thành yếu tố cốt lõi, định hình lại các quy trình sản xuất hiện đại. Việc ứng dụng robot và trí tuệ nhân tạo không chỉ giúp tối ưu hóa hiệu suất mà còn nâng cao độ chính xác, giảm thiểu sai sót do con người. Đồ án Phân loại sản phẩm ứng dụng Robot và Xử lý ảnh là một minh chứng điển hình cho xu hướng này, kết hợp sức mạnh của thị giác máy tính (computer vision) và cơ khí chính xác để tạo ra một hệ thống phân loại tự động hiệu quả. Hệ thống này sử dụng một cánh tay robot Delta, hoạt động dựa trên dữ liệu từ camera và các thuật toán học sâu (deep learning) để nhận dạng sản phẩm và sắp xếp chúng một cách thông minh. Đề tài này không chỉ là một bài toán kỹ thuật phức tạp mà còn mở ra những ứng dụng thực tiễn to lớn trong các ngành công nghiệp đòi hỏi tốc độ và độ chính xác cao như lắp ráp linh kiện điện tử, đóng gói thực phẩm hay phân loại hàng hóa trong logistics. Việc nghiên cứu và hoàn thiện một báo cáo đồ án robot như thế này cung cấp nền tảng vững chắc cho các kỹ sư tự động hóa tương lai.

1.1. Tổng quan hệ thống phân loại tự động trong công nghiệp

Các hệ thống phân loại tự động đang dần thay thế các phương pháp thủ công trên băng chuyền sản xuất. Trước đây, công nhân phải thực hiện các thao tác lặp đi lặp lại để phân loại sản phẩm dựa trên màu sắc, kích thước hoặc các khuyết tật. Phương pháp này tồn tại nhiều nhược điểm như tốc độ chậm, độ chính xác không đồng đều, chi phí nhân công cao và dễ gây mệt mỏi, dẫn đến sai sót. Ngược lại, một hệ thống tự động sử dụng xử lý ảnh công nghiệp có thể hoạt động liên tục 24/7 với hiệu suất ổn định. Camera đóng vai trò như "mắt thần", ghi lại hình ảnh sản phẩm, sau đó máy tính sẽ phân tích và đưa ra quyết định phân loại. Cuối cùng, robot gắp sản phẩm sẽ thực hiện thao tác một cách nhanh chóng và chính xác. Sự kết hợp này tạo ra một dây chuyền sản xuất thông minh, linh hoạt và hiệu quả hơn rất nhiều.

1.2. Mục tiêu và phạm vi nghiên cứu của đồ án robot phân loại

Mục tiêu chính của đồ án là thiết kế và chế tạo một mô hình robot Delta có khả năng phân loại sản phẩm một cách linh hoạt. Cụ thể, hệ thống phải đáp ứng các yêu cầu: nhận dạng sản phẩm dựa trên màu sắc và hình dạng; xác định góc xoay của vật thể và điều chỉnh lại cho đúng hướng trước khi đặt vào vị trí quy định. Phạm vi nghiên cứu tập trung vào việc giải quyết các bài toán cốt lõi: nghiên cứu lý thuyết động học thuận và nghịch của robot Delta, thiết kế và cải tiến cơ khí để đảm bảo độ cứng vững, hạn chế rung lắc. Về phần mềm, đề tài tập trung vào việc sử dụng ngôn ngữ Python và thư viện OpenCV để xây dựng chương trình xử lý ảnh. Đồng thời, nghiên cứu việc lập trình điều khiển robot thông qua PLC và tích hợp các thiết bị phần cứng như động cơ AC Servo và camera. Đây là một đồ án tốt nghiệp xử lý ảnh toàn diện, từ lý thuyết đến thực nghiệm.

II. Thách thức phân loại thủ công giải pháp tự động hóa

Quy trình phân loại sản phẩm thủ công trong các nhà máy sản xuất truyền thống đang đối mặt với nhiều thách thức lớn. Tốc độ phân loại bị giới hạn bởi khả năng của con người, khó đáp ứng được nhịp độ sản xuất ngày càng cao. Sai sót là điều không thể tránh khỏi do sự mệt mỏi và mất tập trung, ảnh hưởng trực tiếp đến chất lượng sản phẩm cuối cùng và uy tín của doanh nghiệp. Hơn nữa, chi phí nhân công và quản lý là một gánh nặng tài chính đáng kể. Để giải quyết triệt để những vấn đề này, giải pháp ứng dụng hệ thống phân loại tự động kết hợp robot và xử lý ảnh được xem là lựa chọn tối ưu. Công nghệ thị giác máy tính mang lại khả năng nhận diện chính xác và không mệt mỏi, trong khi cánh tay robot thực hiện thao tác gắp-thả với tốc độ và sự ổn định vượt trội. Việc đầu tư vào một hệ thống như vậy không chỉ là một giải pháp tình thế mà còn là một bước đi chiến lược hướng tới nhà máy thông minh.

2.1. Hạn chế của các phương pháp phân loại truyền thống

Các phương pháp phân loại truyền thống phụ thuộc hoàn toàn vào con người, dẫn đến nhiều hạn chế cố hữu. Năng suất không ổn định, phụ thuộc vào sức khỏe và tâm trạng của công nhân. Độ chính xác giảm dần theo thời gian làm việc trong ngày. Việc đào tạo nhân viên mới cũng tốn kém thời gian và chi phí. Đặc biệt, trong các môi trường làm việc độc hại hoặc yêu cầu vệ sinh nghiêm ngặt (như chế biến thực phẩm, dược phẩm), việc sử dụng lao động thủ công tiềm ẩn nhiều rủi ro. Những hạn chế này làm giảm khả năng cạnh tranh của doanh nghiệp trong thị trường đòi hỏi sự linh hoạt và chất lượng ngày càng cao.

2.2. Vai trò của Computer Vision và Robot trong tự động hóa

Trong một hệ thống phân loại tự động, Computer Vision và Robot là hai thành phần không thể tách rời. Computer Vision (Thị giác máy tính) đóng vai trò là "bộ não" và "đôi mắt", có nhiệm vụ phân tích hình ảnh thu được từ camera để thực hiện nhận dạng đối tượng (object detection). Nó xác định sản phẩm là gì, vị trí ở đâu, và có đặc điểm như thế nào (màu sắc, hình dạng, lỗi). Sau khi có thông tin, hệ thống sẽ truyền tọa độ và lệnh đến cánh tay robot. Robot, với vai trò là "cơ bắp", sẽ thực hiện chính xác các hành động vật lý như gắp sản phẩm từ băng chuyền sản xuất và đặt chúng vào đúng vị trí. Sự phối hợp nhịp nhàng giữa hai công nghệ này tạo nên một chu trình tự động hóa khép kín, hiệu quả và đáng tin cậy.

III. Phương pháp nhận dạng sản phẩm bằng học sâu Deep Learning

Nền tảng của hệ thống phân loại thông minh nằm ở khả năng nhận dạng sản phẩm một cách chính xác và nhanh chóng. Để đạt được điều này, đồ án đã áp dụng các kỹ thuật học sâu (Deep Learning), một lĩnh vực tiên tiến của machine learning. Quy trình bắt đầu bằng việc xây dựng một bộ dữ liệu hình ảnh chất lượng cao, sau đó sử dụng nó để huấn luyện một mô hình mạng nơ-ron. Cụ thể, thuật toán YOLO (You Only Look Once) đã được lựa chọn nhờ vào khả năng phát hiện đối tượng trong thời gian thực với độ chính xác ấn tượng. Mô hình sau khi được huấn luyện có thể xác định vị trí và phân loại các sản phẩm khác nhau trên băng chuyền chỉ trong vài mili giây. Các công cụ và thư viện mã nguồn mở phổ biến như Python, OpenCV, và các framework như TensorFlow hay PyTorch đóng vai trò quan trọng trong việc triển khai các thuật toán phức tạp này. Quá trình này là minh chứng cho sức mạnh của xử lý ảnh công nghiệp trong việc giải quyết các bài toán thực tiễn.

3.1. Quy trình thu thập và gán nhãn dữ liệu ảnh sản phẩm

Chất lượng của mô hình học sâu phụ thuộc rất lớn vào chất lượng của dữ liệu đầu vào. Do đó, bước đầu tiên và quan trọng nhất là thu thập dữ liệu ảnh. Quá trình này bao gồm việc chụp hàng trăm, thậm chí hàng nghìn bức ảnh của các sản phẩm cần phân loại dưới nhiều điều kiện ánh sáng, góc độ và vị trí khác nhau để tạo ra một dataset phân loại sản phẩm đa dạng. Sau khi thu thập, bước tiếp theo là gán nhãn dữ liệu (data labeling). Ở bước này, con người sẽ vẽ các hộp giới hạn (bounding box) xung quanh từng sản phẩm trong ảnh và gán cho chúng một nhãn tương ứng (ví dụ: "sản phẩm đỏ hình tròn", "sản phẩm xanh hình chữ nhật"). Dữ liệu đã được gán nhãn này sẽ được sử dụng để "dạy" cho mô hình AI cách nhận biết các đối tượng.

3.2. Huấn luyện mô hình nhận dạng với thuật toán YOLO

Sau khi có bộ dữ liệu, quá trình huấn luyện mô hình (model training) bắt đầu. Đồ án sử dụng thuật toán YOLO, một trong những kiến trúc mạng nơ-ron tích chập (CNN) hàng đầu cho bài toán nhận dạng đối tượng. YOLO nổi bật vì nó xử lý toàn bộ ảnh chỉ trong một lần duy nhất, giúp đạt tốc độ rất cao, phù hợp cho các ứng dụng thời gian thực trên băng chuyền sản xuất. Quá trình huấn luyện bao gồm việc cung cấp bộ dữ liệu đã gán nhãn cho mô hình. Mô hình sẽ học cách nhận diện các đặc trưng của từng loại sản phẩm và tinh chỉnh các tham số nội bộ của nó để giảm thiểu sai số giữa dự đoán và nhãn thực tế. Kết quả của quá trình này là một tệp trọng số (weights) có thể được sử dụng để dự đoán trên các hình ảnh mới.

IV. Hướng dẫn thiết kế và điều khiển cánh tay robot phân loại

Phần cứng của hệ thống là cánh tay robot Delta, một loại robot song song nổi tiếng với tốc độ và độ chính xác cao, rất phù hợp cho các tác vụ gắp-thả (pick-and-place). Việc thiết kế và điều khiển robot đòi hỏi sự hiểu biết sâu sắc về cả cơ khí và điện tử. Về mặt cơ khí, mô hình robot được thiết kế trên phần mềm Solidworks để đảm bảo độ cứng vững, tối ưu hóa không gian làm việc và hạn chế rung động khi hoạt động ở tốc độ cao. Về mặt điều khiển, hệ thống sử dụng bộ điều khiển logic khả trình PLC (cụ thể là PLC Mitsubishi FX5U) để quản lý các hoạt động chính. Các động cơ AC Servo được sử dụng để dẫn động các khớp của robot, đảm bảo chuyển động mượt mà và chính xác. Quá trình tích hợp camera và robot là khâu then chốt, nơi dữ liệu tọa độ từ hệ thống xử lý ảnh được chuyển đổi và gửi đến PLC để ra lệnh cho robot gắp sản phẩm.

4.1. Phân tích động học Robot Delta cho bài toán gắp thả

Để điều khiển robot Delta di chuyển đến đúng tọa độ mong muốn, cần phải giải quyết bài toán động học. Bài toán này bao gồm hai phần: động học thuận và động học nghịch. Động học thuận là quá trình tính toán vị trí của khâu tác động cuối (đầu gắp) khi biết góc của các khớp động cơ. Ngược lại, động học nghịch là quá trình tính toán các góc khớp cần thiết để đưa đầu gắp đến một vị trí (x, y, z) cụ thể trong không gian. Bài toán động học nghịch đặc biệt quan trọng trong ứng dụng này, vì hệ thống xử lý ảnh sẽ cung cấp tọa độ (x, y) của sản phẩm, và bộ điều khiển phải tính toán được các góc quay tương ứng cho động cơ servo để robot di chuyển đến vị trí đó.

4.2. Lựa chọn và tích hợp phần cứng PLC AC Servo Camera

Việc lựa chọn thiết bị phần cứng phù hợp là yếu tố quyết định đến hiệu suất của toàn bộ hệ thống. Đồ án sử dụng PLC Mitsubishi FX5U-64MT/DSS làm bộ não trung tâm, chịu trách nhiệm nhận tín hiệu từ các cảm biến, xử lý logic điều khiển và phát xung điều khiển động cơ. Động cơ AC Servo HC-MFS13 được chọn vì khả năng đáp ứng nhanh, momen xoắn cao và độ chính xác vị trí tuyệt vời. Camera Xiaovv HD USB Webcam được sử dụng để thu thập hình ảnh với độ phân giải đủ để hệ thống phân loại ảnh hoạt động hiệu quả. Các thiết bị khác như nguồn tổ ong, công tắc hành trình, và giác hút chân không cũng được lựa chọn cẩn thận để đảm bảo hệ thống hoạt động ổn định và an toàn.

V. Kết quả thực nghiệm đồ án phân loại sản phẩm tự động

Sau quá trình thiết kế, thi công và lập trình, hệ thống phân loại tự động đã được đưa vào chạy thử nghiệm và cho kết quả rất khả quan. Mô hình hoàn chỉnh bao gồm một băng chuyền sản xuất đưa sản phẩm vào khu vực làm việc, một camera gắn phía trên để giám sát, và một cánh tay robot Delta sẵn sàng thực hiện thao tác. Khi sản phẩm đi qua, hệ thống xử lý ảnh dựa trên thuật toán YOLO đã nhận diện chính xác màu sắc và hình dạng của vật thể, đồng thời tính toán tọa độ tâm và góc lệch. Thông tin này sau đó được gửi đến bộ điều khiển PLC. Dựa trên dữ liệu nhận được, robot gắp sản phẩm di chuyển nhanh chóng và chính xác đến vị trí của sản phẩm, sử dụng khớp xoay để điều chỉnh hướng, và đặt sản phẩm vào đúng khay phân loại. Kết quả thực nghiệm cho thấy hệ thống hoạt động ổn định, đáp ứng được các mục tiêu đề ra trong báo cáo đồ án robot.

5.1. Mô hình hệ thống hoàn chỉnh Băng chuyền và Robot Delta

Mô hình thực tế được xây dựng dựa trên bản vẽ thiết kế 3D từ Solidworks. Khung robot và băng chuyền sản xuất được làm từ nhôm định hình, đảm bảo độ nhẹ và cứng vững. Robot Delta được lắp ráp với ba động cơ AC Servo gắn trên mặt đế cố định. Khâu tác động cuối được trang bị một giác hút chân không và một động cơ DC nhỏ để thực hiện chức năng xoay. Tủ điện được bố trí gọn gàng, chứa PLC, driver điều khiển động cơ và các thiết bị phụ trợ, đảm bảo an toàn và thẩm mỹ. Toàn bộ hệ thống được thiết kế theo dạng module, dễ dàng cho việc bảo trì, nâng cấp và thể hiện rõ cấu trúc của một đồ án phân loại sản phẩm chuyên nghiệp.

5.2. Đánh giá độ chính xác của hệ thống nhận dạng và phân loại

Độ chính xác là tiêu chí quan trọng nhất để đánh giá sự thành công của đề tài. Qua nhiều lần chạy thử nghiệm với các sản phẩm có màu sắc (đỏ, vàng, xanh) và hình dạng (chữ nhật, tròn) khác nhau, hệ thống nhận dạng sản phẩm đã đạt được độ chính xác cao. Mô hình YOLO có khả năng phát hiện đúng và định vị sản phẩm ngay cả khi chúng nằm ở các vị trí và góc xoay ngẫu nhiên trên băng chuyền. Cánh tay robot cũng thể hiện khả năng di chuyển chính xác đến tọa độ được chỉ định và thực hiện thao tác gắp-thả thành công. Sự phối hợp nhịp nhàng giữa phần mềm và phần cứng đã chứng minh tính hiệu quả và tiềm năng ứng dụng thực tế của mô hình.

VI. Tương lai và hướng phát triển cho hệ thống phân loại Robot

Đồ án Phân loại sản phẩm ứng dụng Robot và Xử lý ảnh đã hoàn thành xuất sắc các mục tiêu đề ra, xây dựng thành công một mô hình tự động hóa thông minh và hiệu quả. Tuy nhiên, công nghệ luôn không ngừng phát triển. Hệ thống này có tiềm năng rất lớn để được cải tiến và mở rộng trong tương lai. Các hướng phát triển có thể bao gồm việc nâng cao tốc độ xử lý của cả phần mềm và phần cứng, mở rộng khả năng phân loại cho nhiều loại sản phẩm phức tạp hơn, hoặc tích hợp hệ thống vào một mạng lưới sản xuất thông minh lớn hơn (Smart Factory). Những cải tiến này sẽ giúp hệ thống đáp ứng tốt hơn nữa các yêu cầu ngày càng khắt khe của ngành công nghiệp hiện đại. Đối với các sinh viên và nhà nghiên cứu quan tâm, việc tìm hiểu mã nguồn phân loại sản phẩm (source code product classification) từ các dự án như thế này là một khởi đầu tuyệt vời.

6.1. Tổng kết các mục tiêu đã đạt được của đồ án tốt nghiệp

Đồ án đã thành công trong việc thiết kế, chế tạo và vận hành một hệ thống phân loại tự động hoàn chỉnh. Các mục tiêu chính đã đạt được bao gồm: giải quyết thành công bài toán động học cho robot Delta; xây dựng được chương trình xử lý ảnh sử dụng học sâu để nhận dạng sản phẩm theo màu sắc và hình dạng; lập trình điều khiển robot một cách chính xác thông qua PLC; và thực hiện thành công việc tích hợp camera và robot để tạo thành một hệ thống thống nhất. Kết quả này không chỉ là một sản phẩm kỹ thuật mà còn là minh chứng cho quá trình nghiên cứu và ứng dụng kiến thức lý thuyết vào giải quyết một bài toán thực tế.

6.2. Tiềm năng mở rộng Phân loại đa dạng sản phẩm tối ưu tốc độ

Hướng phát triển trong tương lai rất đa dạng. Về phần mềm, có thể huấn luyện lại mô hình với một dataset phân loại sản phẩm lớn hơn và đa dạng hơn để hệ thống có thể nhận diện nhiều loại sản phẩm, thậm chí phát hiện các lỗi nhỏ trên bề mặt. Có thể áp dụng các phiên bản YOLO mới hơn hoặc các kiến trúc deep learning khác để cải thiện độ chính xác và tốc độ. Về phần cứng, việc nâng cấp động cơ hoặc tối ưu hóa thiết kế cơ khí có thể giúp cánh tay robot hoạt động nhanh hơn. Ngoài ra, hệ thống có thể được tích hợp thêm các cảm biến khác và kết nối với hệ thống quản lý kho, tạo thành một mắt xích quan trọng trong chuỗi cung ứng tự động của nhà máy.

Trích đoạn nội dung tài liệu

đặt vấn đề, mục tiêu đề tài, nội dung, giới hạn đề tài. Chương 2: Cơ sở lý thuyết Trình bày các nội dung tổng quan về kiến thức robot, các thông tin phần cứng, các kiến thức cơ bản để tạo nên hệ thống, lý thuyết về PLC, xử lý ảnh. Chương 3: Nội dung thực hiện Quá trình thực hiện thiết kế phần cứng, lắp ráp, cấu hình và thực nghiệm. Chương 4: Kết quả thực hiện Kết quả thực hiện đề tài sẽ được thể hiện ở phần này.

Chương 5: Kết luận và hướng phát triển Chương cuối đưa ra kết luận về hệ thống mà nhóm đã thực hiện, từ đó nhận định những hướng phát triển cho hệ thống. 3 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Chương 2.1 Giới thiệu về Robot Delta Ngày nay, cánh tay robot song song, cụ thể là robot Delta ngày càng được ứng dụng nhiều trong công nghiệp. Robot song song có 3 bậc tự do được cấu tạo bởi kết cấu vòng kín, trong đó khâu tác động cuối liên kết với nền bởi ít nhất hai chuỗi động học độc lập. Với kết cấu đặc biệt đã phần nào khắc phục được các những khuyết điểm của robot nối tiếp.

Quan trọng nhất là khả năng nâng tải lớn và có thể làm việc với tốc độ cao và độ chính xác cao, robot song song được sử dụng nhiều trong sản xuất phân loại sản phẩm linh hoạt hay công nghệ in 3D, một công việc yêu cầu độ chính xác gần như tuyệt đối. Tuy thế, một nhược điểm là không gian làm việc bị giới hạn. Với nhiều loại robot được ra đời, các phân loại robot cũng đa dạng hơn tạo ra nhiều lựa chọn hơn trong từng vấn đề cụ thể cần đến ưu điểm của từng loại robot.2 Giới thiệu về bộ điều khiển PLC 2.1 Giới thiệu về PLC PLC – Programmable Logic Controller là thiết bị điều khiển lập trình, cho phép thực hiện linh hoạt các thuật toán điều khiển thông qua ngôn ngữ lập trình. Đây là một chương trình thực hiện quay vòng, theo chu kỳ khép kín.

Người sử dụng có thể lập trình các chương trình từ đơn giản đến phức tạp. Sự ra đời và phát triển của hệ 4 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO điều khiển PLC đã làm thay đổi hệ thống điều khiển cũng như các quan niệm thiết kế về chúng, ưu điểm có thể kể đến như sau: - Lập trình dễ dàng, ngôn ngữ dễ hiểu - Số lượng relay, dây nối giảm, số lượng tiếp điểm trong chương trình sử dụng không hạn chế. - Độ tin cậy cao, kích thước nhỏ gọn, chi tiết mạch lạc, chức năng chuẩn đoán dễ bảo trì, sửa chữa. - Công suất tiêu thụ bộ điều khiển PLC thấp.

- Khi không thay đổi phần cứng sẽ rất dễ dàng thay đổi hướng điều khiển cũng như tìm lỗi khi hoạt động. - Thời gian điều khiển nhanh (từ vài ms trên một chu trình). - Có thể in dữ liệu chương trình thành tệp dữ liệu cứng. - Dung lượng bộ nhớ lớn.

- Đa dạng các thiết bị kết nối giúp liên kết hỗ trợ cho việc điều khiển hệ thống: máy tính, màn hình, nối mạng, các module mở rộng phục vụ kết nối các thiết bị điện.1 Khái niệm xử lí ảnh Xử lý ảnh là một ngành học nghiên cứu cúa kí thuật xử lí ảnh với tín hiệu xử lý là ảnh, gồm 4 lĩnh vực chính: xử lý nâng cao chất lượng ảnh, nhận dạng ảnh, nén ảnh và truy vấn ảnh. Loại hình ảnh được sử dụng trong đề tài là cảm biến thị giác dạng ảnh tĩnh (ảnh thu được từ webcam). Về mặt toán học, hình ảnh là một hàm liên tục của cường độ ánh sáng trên trường hai chiều. Để máy tính xử lý, ảnh phải được trình bày dưới dạng số với các giá trị rời rạc, có thể được biểu diễn bằng ma trận hai chiều f (x, y) bao gồm M cột và N hàng.1 Hình ảnh Hình ảnh được xác định bởi một hàm hai chiều F(x, y) biễu diễn trong tọa độ không gian, với cường độ hình ảnh là biên độ của F tại tọa độ (x, y) bất kỳ.

Khi x và y và biên độ F hữu hạn thì lúc đó hình ảnh được gọi là ảnh số. Cụ thể nhất là được xếp theo 1 ma trận biểu diễn như sau: 5 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO  f (0,0) f (0,1) f (0, 2) .2 Biểu diễn ảnh dưới dạng ma trận Quá trình thu nhận và xử lí ảnh theo sơ đồ khối sau: Hình 2.3 Hệ thống xử lí ảnh 2.2 Pixel Việc số hóa của hình ảnh được biến đổi từ giá trị tương tự (Analog) sang giá trị số (Digital) và lượng tử hóa về giá trị mà về nguyên tắc mắt thường không phân biệt được hai điểm kề nhau. Sử dụng khái niệm Picture Element hay Pixel – điểm ảnh. Một ảnh là một tập hợp các Pixel, mỗi Pixel là một cặp tọa độ (x, y) và thường được biểu thị 1, 2, 8 hay 16 bit màu.3 Grey level Mức xám là kết quả của sự mã hóa tương ứng của một cường độ sáng mỗi điểm ảnh với một giá trị số.

Mã hóa 256 là mức phổ biến nhất do kĩ thuật, mức xám là 256 thì mỗi pixel sẽ được mã hóa bởi 8 bit. 6 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Hình 2.4 Minh họa các mức ảnh xám 2.4 Ảnh màu Cơ bản của ảnh màu gồm có 3 màu cơ bản: đỏ, lục, xanh dương. Mỗi màu cũng phân thành các cấp khác nhau. Vì thế, mỗi ảnh màu được lưu trữ từng mặt màu riêng biệt, mỗi màu được lưu như một ảnh đa cấp xám.

Do đó với cùng một kích thước như nhau, không gian nhớ dành cho ảnh màu lớn hơn 3 lần không gian nhớ của ảnh xám. Một số màu cơ bản biểu diễn như sau: màu đỏ là (255, 0, 0), xanh lá cây là (0, 255, 0), xanh lam là (0, 0, 255), màu vàng là (255, 255, 0) … Hình 2.5 Bộ 3 màu cơ bản RGB 2.5 Ảnh đen trắng Ảnh đen trắng gồm có 2 màu đen và trắng, hay ảnh nhị phân và ảnh đa cấp xám. Thường phân biệt sự biến đổi này thành L mức: L=2 thì ảnh nhị phân, L>2 là ảnh đa cấp xám, trường hợp ảnh L=256 là mức mà ảnh có chất lượng cao, thường sử dụng nhất. 7 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Hình 2.6 Ảnh màu và ảnh đa mức xám 2.2 Các vấn đề trong khi xử lí ảnh 2.1 Biểu diễn hình ảnh Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lận cận.

Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính. Việc chọn các tính chất để thể hiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được. Có thể xem ảnh là một hàm 2 biến, các mô hình biểu diễn ảnh cho ta một mô tả logic hay định lượng của hàm này. Dựa 14 vào phần tử đặc trưng của ảnh đó là pixel.

Giá trị pixel có thể là một giá trị vô hướng, hoặc là 1 vector (3 thành phần trong trường hợp ảnh màu). Ta có thể biểu diễn ảnh bằng hàm toán học, hoặc các ma trận điểm.7 Chuyển ảnh bằng ma trận 8 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO 2.2 Khôi phục, biến đổi và phân tích ảnh Khôi phục ảnh nhằm mục đích khôi phục, dựng lại ảnh ban đầu, loại bỏ những biến dạng khỏi ảnh tùy theo nguyên nhân gây biên dạng. Biến đổi ảnh nhằm thuận lợi xử lí và phân tích ảnh với các phương pháp như: biến đổi Fourier, Sin, Cosin, … Khi phân tích ảnh là tìm ra đặc trưng ảnh và xây dựng các mối quan hệ giữa chúng bằng việc: tìm biên, tách biên, làm mảnh đường biên,, phân vùng ảnh, phân loại đối tượng.3 Không gian màu HSV Không gian màu HSV (Hue, Saturation và Value) là một phương pháp phân tích ảnh thành các thuộc tính màu, tương tự một mô hình màu hình trụ, biến đổi các màu cơ bản RGB thành các kích thước dễ hiểu hơn đối với con người. H (Hue): là vùng màu.

được biểu thị dưới dạng số từ 0 đến 360 độ. Trong đó màu đỏ (0-60), màu vàng (60-120), màu xanh lá (120-180),… S (Saturation): Là độ bão hòa màu: hay còn được xem là lượng màu xám trong màu cụ thể, được biểu diễn từ 0 - 100%. Khi giảm về 0 sẽ tạo ra màu sắc có sắc xám, màu nhạt do mức bão hòa thấp và tạo ra hiệu ứng mờ dần (trong một số tài liệu độ bão hòa sẽ được xuất hiện dưới phạm vi từ 0 đến 1), khi độ bão hào đạt 100% sẽ tạo ra màu tinh khiết mang tính chất của màu được chọn ở Hue (H). Giá trị độ sáng được sử dụng kết hợp với độ bão hòa và mô tả độ sáng hoặc cường độ của màu sắc từ 0-100 phần trăm, trong đó 0 là hoàn toàn đen và 100 là sáng nhất cho thấy màu sắc nhất.8 Cột màu minh họa hệ màu HSV 9 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Hình 2.9 Mối liên hệ giữa thông số S và V Nhóm đã sử dụng các khung ảnh mà mỗi pixel ảnh có độ sâu là 8 bit (256) có thể chuyển đổi các giá trị H, S, V thành các khoảng giá trị tương ứng [0,255] thay vì [0,360] ở H cũng như [0,1] ở S và V.

Hơn nữa, nhóm đã sử dụng không gian màu HSV để phát hiện và tạo ngưỡng màu trên HSV mạnh mẽ hơn đối với các thay đổi ánh sáng bên ngoài. Điều này có nghĩa là trong trường hợp ánh sáng bên ngoài thay đổi nhỏ, giá trị Hue thay đổi tương đối ít hơn giá trị RGB.3 Xử lí hình thái học 2.1 Phép toán giãn nở (Dilation) Phép toán giãn nở (Dilation) là một trong các hoạt động cơ bản trong hình thái toán học, có tác dụng làm cho đối tượng ban đầu trong ảnh tăng lên về kích thước.10 Phép toán giãn nở ảnh 10 ĐỒ ÁN TỐT NGHIỆP KHOA ĐÀO TẠO CHẤT LƯỢNG CAO 2.2 Phép toán co lại (Erosion) Phép toán co (Erosion) là một trong hai hoạt động cơ bản trong hình thái học có ứng dụng trong việc giảm kích thước của đối tượng, tách rời các đối tượng gần nhau, làm mảnh và tìm xương của đối tượng.