I. Tổng quan về hệ thống phân loại rác thải nhựa tự động
Hệ thống phân loại rác thải nhựa tự động tại nguồn là một giải pháp hiện đại giúp giải quyết vấn đề ô nhiễm môi trường tại Việt Nam. Đồ án này được thực hiện tại Trường Đại học Bách Khoa TP.HCM, tập trung vào thiết kế và chế tạo thùng rác tự động có khả năng nhận diện và phân loại các loại nhựa tái chế. Hệ thống được ứng dụng mô hình học sâu (Deep Learning) để nhận diện chính xác loại rác, sau đó tự động đưa chúng đến ngăn chứa thích hợp. Thùng rác được thiết kế dành cho không gian trong nhà như trường học, văn phòng và các cơ sở công cộng. Công nghệ này kết hợp cơ khí, điện tử và trí tuệ nhân tạo, tạo nên một giải pháp toàn diện cho quản lý rác thải nhựa hiệu quả, góp phần bảo vệ môi trường và nâng cao ý thức tái chế của cộng đồng.
1.1. Nhu cầu phân loại rác thải nhựa tại Việt Nam
Rác thải nhựa là vấn đề cấp bách tại Việt Nam, với lượng nhựa tái chế được sử dụng làm nhiên liệu cho các lò nung xi măng và bãi chôn lấp ngày càng tăng. Việc phân loại rác thải nhựa tại nguồn giúp tăng hiệu suất tái chế, giảm áp lực lên môi trường. Các loại nhựa như PET, HDPE cần được tách riêng để có thể xử lý hiệu quả, tránh gây hại đến hệ thống xử lý rác.
1.2. Công nghệ nhận diện được áp dụng
Mô hình học sâu (Deep Learning) sử dụng Convolutional Neural Network (CNN) để nhận diện các loại nhựa một cách chính xác. Hệ thống kết hợp camera công nghiệp để chụp ảnh rác, xử lý dữ liệu và đưa ra quyết định phân loại tự động, đạt độ chính xác cao trong việc phân biệt các loại nhựa khác nhau.
II. Thiết kế cơ khí và hệ thống con
Thiết kế cơ khí hệ thống phân loại rác thải nhựa bao gồm khung thùng rác chính và các cơ cấu phân loại rác tích hợp. Thùng rác được thiết kế với kết cấu đa ngăn để chứa các loại nhựa khác nhau, sử dụng vật liệu bền và dễ vệ sinh. Hệ thống sử dụng thanh trượt nhôm Vslot để đảm bảo chuyển động mượt mà và chính xác. Cơ cấu mở cửa tự động được điều khiển bởi động cơ DC, cho phép rác được đưa vào ngăn chứa phù hợp. Cảm biến tiệm cận và cảm biến siêu âm được tích hợp để phát hiện vị trí rác. Toàn bộ hệ thống được quản lý bởi Raspberry Pi 4, điều phối các thành phần điện tử và thực hiện các lệnh phân loại tự động, đảm bảo hiệu suất hoạt động tối ưu.
2.1. Cấu trúc khung thùng rác và ngăn chứa
Khung thùng rác được thiết kế dưới dạng 3D với kích thước tối ưu cho không gian trong nhà. Hệ thống 7 ngăn hoặc 2 ngăn tùy theo nhu cầu sử dụng. Mỗi ngăn được thiết kế riêng biệt để chứa các loại nhựa khác nhau, với cơ cấu phân loại rác thứ nhất và thứ hai đảm bảo rác được đưa chính xác vào đúng vị trí.
2.2. Hệ thống truyền động và cảm biến
Hệ thống truyền động sử dụng động cơ DC GA25 370 với hai công suất: 130 vòng/phút và 280 vòng/phút, cung cấp lực cần thiết cho cơ cấu mở cửa bỏ rác. Cảm biến hồng ngoại E18-D80NK phát hiện vật cản, cảm biến tiệm cận kim loại SN04-N xác định vị trí chính xác, cảm biến siêu âm US-015 đo khoảng cách, tạo nên hệ thống cảm nhận toàn diện.
III. Hệ thống điều khiển và xử lý dữ liệu
Hệ thống điều khiển hệ thống phân loại rác được trang bị Raspberry Pi 4 làm bộ vi xử lý chính, quản lý toàn bộ hoạt động của thiết bị. Camera Logitech C270 HD cung cấp hình ảnh rác với chất lượng cao, được truyền tới mô hình học sâu để nhận diện. Màn hình LCD cảm ứng Waveshare hiển thị thông tin trạng thái và giao diện người dùng. Mạch hạ áp LM2596 giảm điện áp từ nguồn tổ ong 12V xuống các mức cần thiết cho các thiết bị khác nhau. Tủ điện kích thước 30×30×15 cm chứa RCBO Schneider EZ9D34616 để bảo vệ toàn hệ thống. Đèn LED dây 5050 cung cấp chiếu sáng cho vùng phân loại. Module relay 1 kênh 5V điều khiển quạt tản nhiệt 12V để giữ nhiệt độ ổn định, đảm bảo hoạt động ổn định lâu dài.
3.1. Sơ đồ khối hệ thống điện
Sơ đồ khối hệ thống điện thể hiện mối liên kết giữa các thành phần: nguồn cấp, Raspberry Pi 4, Atmega2560, Driver XY 160D, các động cơ DC, cảm biến, màn hình và module relay. Mỗi liên kết được thiết kế để đảm bảo truyền tín hiệu chính xác và cấp điện ổn định cho toàn hệ thống hoạt động hiệu quả.
3.2. Quản lý nguồn điện và bảo vệ hệ thống
Nguồn tổ ong 12V cung cấp điện cho toàn bộ hệ thống, được RCBO Schneider EZ9D34616 bảo vệ khỏi quá tải. Mạch hạ áp LM2596 chuyển đổi điện áp cho các thiết bị hoạt động ở mức 5V. Quạt tản nhiệt 12V được điều khiển bởi module relay để ngăn chặn quá nhiệt, kéo dài tuổi thọ thiết bị.
IV. Mô hình nhận diện và phân loại rác thải nhựa
Mô hình nhận diện rác thải nhựa dựa trên công nghệ Deep Learning sử dụng Convolutional Neural Network (CNN) để phân tích hình ảnh rác từ camera công nghiệp. Dữ liệu hình ảnh về chai nhựa được chuẩn bị ở dạng chuẩn để đảm bảo độ chính xác cao nhất. Hệ thống áp dụng Transfer Learning - kỹ thuật sử dụng mô hình đã được huấn luyện trên các tập dữ liệu lớn, giảm thời gian huấn luyện và cải thiện hiệu suất. Cấu trúc CNN bao gồm nhiều lớp convolution để trích xuất đặc trưng từ hình ảnh, sau đó các fully connected layers thực hiện phân loại cuối cùng. Kiến trúc base network được kết hợp với các lớp kết nối đầy đủ để nhận diện các loại nhựa như PET, HDPE, PVC với độ tin cậy cao, đạt hiệu suất tối ưu sau quá trình huấn luyện.
4.1. Cấu trúc mạng neural và quá trình học
Deep Neural Network được xây dựng với nhiều lớp ẩn để học các đặc trưng phức tạp của các loại nhựa. Machine Learning và Deep Learning được so sánh để lựa chọn phương pháp tối ưu nhất. Quá trình huấn luyện sử dụng bộ dữ liệu lớn về hình ảnh rác nhựa, điều chỉnh trọng số để tối thiểu hóa sai số nhận diện.
4.2. Ứng dụng Transfer Learning và tối ưu hóa
Transfer Learning cho phép sử dụng lại các mô hình đã huấn luyện, giảm nhu cầu dữ liệu huấn luyện. So sánh hiệu suất mô hình trước và sau khi áp dụng kỹ thuật này cho thấy cải thiện đáng kể. Chiến lược áp dụng Transfer Learning tối ưu hóa độ chính xác, tăng khả năng nhận diện các loại nhựa khác nhau một cách nhanh chóng và hiệu quả.