Giới thiệu dự án

Theo thống kê từ Bộ Tài nguyên và Môi trường, Việt Nam phát sinh khoảng 60.000 tấn rác thải sinh hoạt mỗi ngày, trong đó khu vực đô thị chiếm hơn 60% và dự báo tiếp tục tăng 10% – 16% mỗi năm. Rác thải nhựa dùng một lần như chai nhựa Polyethylene Terephthalate (PET), lon nhôm và ly giấy chiếm tỷ trọng lớn nhưng tỷ lệ phân loại tại nguồn đạt dưới 15%. Rác thải lon, chai chưa qua xử lý cồng kềnh làm thùng chứa nhanh đầy, tăng chi phí logistics thu gom lên 35% – 45% và tạo áp lực nghiêm trọng lên các bãi chôn lấp cũng như hệ sinh thái biển.

Vấn đề cốt lõi (Problem Statement) xuất phát từ ba điểm nghẽn:

  • Phân loại thủ công kém hiệu quả: Ý thức phân loại tại nguồn chưa đồng đều, dẫn đến rác tái chế bị nhiễm bẩn hữu cơ, gây khó khăn cho dây chuyền tái chế.
  • Thể tích rác chiếm dụng lớn: Chai nhựa và vỏ lon rỗng chứa lượng lớn thể tích không khí, làm các thùng rác truyền thống quá tải chỉ sau vài chục lượt sử dụng.
  • Thiếu động lực tương tác: Các điểm thu gom rác công cộng thiếu cơ chế khuyến khích người dùng và thiếu hệ thống giám sát thời gian thực cho đơn vị vận hành.

Đồ án tốt nghiệp "Thiết kế và thi công mô hình máy xử lý rác" do sinh viên Huỳnh Nguyễn Thanh Tiên và Trần Trọng Trịnh thực hiện dưới sự hướng dẫn của PGS.TS Trương Đình Nhơn (Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM) giải quyết bài toán trên thông qua hệ thống tự động hóa tích hợp trí tuệ nhân tạo biên (Edge AI) và Internet of Things (IoT).

Mục tiêu cụ thể của dự án:

  1. Thiết kế và chế tạo hoàn thiện cơ cấu cơ điện tử tự động nhận diện và phân loại 03 nhóm vật thể: chai nhựa, lon kim loại và rác không phù hợp/ly giấy.
  2. Tích hợp cơ cấu cơ khí đâm thủng thoát khí và ép tịnh tiến nhằm giảm thể tích rác thải tái chế từ 60% – 70% trước khi đưa vào ngăn chứa.
  3. Xây dựng hệ thống điều khiển biên phân tán sử dụng máy tính nhúng Raspberry Pi 4 kết hợp vi điều khiển ESP32 qua giao thức Message Queuing Telemetry Transport (MQTT).
  4. Phát triển nền tảng Web Dashboard giám sát dung tích thùng rác theo thời gian thực, định vị toàn cầu GPS (Global Positioning System) qua module A9G và cơ cấu trả thưởng tương tác bằng điểm thưởng tích lũy.

Phạm vi nghiên cứu tập trung vào mô hình tự động hóa phân loại rác kích thước tiêu chuẩn tại các khu vực công cộng (trường học, trung tâm thương mại), chấp nhận giới hạn vật thể có độ cứng và kích thước đường kính dưới 90mm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình máy thu gom và phân loại rác hiện hành trên thị trường và trong các đề tài nghiên cứu trước đây bộc lộ nhiều hạn chế về mặt vận hành cơ khí lẫn khả năng kết nối mạng.

Tiêu chí Mô hình sinh viên nghiên cứu (2020) Máy thu hồi tự động R-One (2022) Hệ thống máy xử lý rác của đề tài (2024)
Công nghệ nhận diện Cảm biến tiệm cận + Màu sắc Camera + Xử lý ảnh đám mây Edge AI (SSD MobileNet V2 FPN Lite 320) trên Pi 4
Xử lý thể tích Không có cơ cấu nén Ép dập cơ bản (dễ kẹt/nổ khí) Đâm thủng thoát khí chủ động + Ép trục vít/xy lanh điện
Độ trễ phân loại < 1.0 giây 3.0 – 5.0 giây (phụ thuộc Cloud) 0.8 – 1.2 giây (xử lý trực tiếp tại biên)
Giám sát từ xa Không hỗ trợ 4G Dashboard quản lý tập trung Wi-Fi / GSM / GPRS / GPS qua Module A9G + Web Server
Cơ chế thưởng Không có Chuyển khoản ví điện tử Trả quà vật lý trực tiếp qua Servo MG90S + Tích điểm Web

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Nhận diện chính xác chai nhựa/lon nhôm; cơ cấu đâm thủng và ép nén vỏ chai; cảm biến báo đầy thùng; cơ cấu phân loại máng trượt.
  • Should have: Web Server hiển thị dung tích và vị trí bản đồ; cơ cấu nhả quà vật lý tích hợp; truyền dữ liệu telemetry qua MQTT.
  • Could have: Cảnh báo tin nhắn SMS qua mạng GSM khi thùng rác đầy 90%; lưu trữ lịch sử số lượng rác trong ngày.
  • Won't have (in this phase): Phân loại rác hữu cơ ướt, xử lý chai thủy tinh công suất lớn.

Thiết kế hệ thống

Kiến trúc hệ thống được phân lớp rõ ràng theo mô hình điều khiển phân tán Master - Slave:

  • Lớp Edge Intelligence (Master): Raspberry Pi 4 Model B (Broadcom BCM2711, 4 nhân Cortex-A72 @ 1.8GHz, 8GB LPDDR4) tiếp nhận luồng hình ảnh từ Camera góc rộng, chạy mô hình học sâu suy luận tại chỗ và xuất bản dữ liệu phân loại tới MQTT Broker.
  • Lớp Real-time Actuation (Slave): Vi điều khiển ESP32 NodeMCU 38 chân (Xtensa dual-core LX6 @ 240MHz) đảm nhiệm đọc cảm biến tiệm cận hồng ngoại, cảm biến siêu âm SRF05, điều khiển động cơ giảm tốc DC 775, xy lanh điện 24VDC và các động cơ Servo.
  • Lớp Telemetry & Connectivity: Module A9G truyền tọa độ GPS và hỗ trợ hạ tầng mạng GSM/GPRS khi mất kết nối Wi-Fi cục bộ.
+--------------------------------------------------------------------+
|                       Raspberry Pi 4 (Edge AI)                     |
|  - Camera Module -> OpenCV Frame Capture                           |
|  - TensorFlow Lite (SSD MobileNet V2 FPN Lite 320x320)             |
|  - Local MQTT Broker (Mosquitto v2.0.18)                           |
+---------------------------------+----------------------------------+
                                  | Wi-Fi / MQTT Protocol
+---------------------------------v----------------------------------+
|                     ESP32 Microcontroller (Control)                |
|  - Inputs: IR Obstacle Sensor, Ultrasonic SRF05                    |
|  - Telemetry: Module GSM/GPS A9G (UART)                            |
|  - Actuators: DC 775 Motor, Linear Actuator 24V-300N,              |
|               Servo MG996R (Chute), Servo MG90S (Gift Dispenser)   |
+---------------------------------+----------------------------------+
                                  | WebSocket / HTTP
+---------------------------------v----------------------------------+
|                   Web Server Dashboard & UI Clients                |
|  - Real-time Capacity Monitoring (%) | GPS Map Tracking             |
|  - Reward Point Redemption System    | Daily Waste Counter          |
+--------------------------------------------------------------------+

Technology Stack và phiên bản cụ thể:

  • Edge AI Framework: TensorFlow Lite v2.12.0, OpenCV-Python v4.8.1.
  • Firmware Engine: Arduino C/C++ trên Arduino IDE v2.3.2, ESP-IDF core v2.0.11.
  • Networking & Backend: Eclipse Mosquitto MQTT Broker v2.0.18, Python Flask v3.0.0, WebSocket RFC 6455.
  • Thiết kế phần cứng: SolidWorks 2022 (thiết kế cơ khí 3D), Altium Designer 22 (thiết kế mạch nguồn & giao tiếp).

Mô hình bảo mật và hiệu năng:

  • Tách biệt miền nguồn công suất cao (24VDC - 15A cấp cho động cơ DC 775 và xy lanh điện) và nguồn logic (5V/3.3V cho Pi 4 và ESP32) qua bộ chuyển đổi nguồn cách ly Buck DC-DC và mạch Optocoupler chống xung ngược cảm ứng.
  • API giao tiếp qua WebSocket truyền tải gói tin JSON có định dạng tối giản giúp giảm tải băng thông mạng cục bộ:
{
  "device_id": "BIN_HCMUTE_01",
  "waste_type": "plastic_bottle",
  "fill_level_percent": 64.5,
  "gps": {"lat": 10.8505, "lng": 106.7719},
  "timestamp": 1718956800
}

Methodology

Dự án áp dụng quy trình phát triển lặp kết hợp phần cứng và phần mềm (Hardware-in-the-loop V-Model):

  • Giai đoạn 1 (Tuần 1 - 6): Khảo sát tài liệu lý thuyết, xác định thông số động lực học quá trình ép nén vỏ chai, lựa chọn module phần cứng (Pi 4, ESP32, A9G).
  • Giai đoạn 2 (Tuần 7 - 13): Thiết kế 3D SolidWorks, gia công CNC khung nhôm định hình và mica chịu lực; thiết kế chế tạo mạch nguồn tổ ong 24V 15A 360W và bảng mạch điều khiển driver công suất.
  • Giai đoạn 3 (Tuần 14 - 18): Huấn luyện mô hình xử lý ảnh SSD MobileNet V2, tối ưu hóa định dạng Quantized TFLite, lập trình thuật toán điều khiển FSM (Finite State Machine) trên ESP32 và dựng Web Dashboard.
  • Giai đoạn 4 (Tuần 19 - 20): Tích hợp toàn hệ thống, thử nghiệm chịu tải, kiểm thử kịch bản kẹt cơ khí và hiệu chỉnh độ trễ phân loại.

Đánh giá và giảm thiểu rủi ro:

  • Rủi ro nổ áp suất khí khi ép chai đóng nắp: Thiết kế cụm dao đâm phụ trợ bằng kim thép cứng gắn trên đầu xy lanh để xả khí tức thì trước khi nén hành trình chính.
  • Rủi ro quá nhiệt của Pi 4: Bổ sung khối tản nhiệt nhôm nguyên khối kèm quạt làm mát cưỡng bức 5V DC điều khiển theo ngưỡng nhiệt độ CPU (ngưỡng kích hoạt 60°C).

Implementation và kết quả

Development process

Quá trình phát triển tập trung vào việc hiện thực hóa 02 thuật toán trọng tâm: thuật toán nhận dạng vật thể trên Raspberry Pi 4 và máy trạng thái hữu hạn điều khiển chu trình cơ cấu trên ESP32.

Dưới đây là đoạn mã thực thi suy luận Object Detection sử dụng TensorFlow Lite trên Raspberry Pi 4:

import cv2
import numpy as np
import tflite_runtime.interpreter as tflite
import paho.mqtt.client as mqtt

# Khoi tao TFLite Interpreter voi model SSD MobileNet V2 FPN Lite
MODEL_PATH = "/home/pi/models/ssd_mobilenet_v2_waste.tflite"
interpreter = tflite.Interpreter(model_path=MODEL_PATH)
interpreter.allocate_tensors()

input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
labels = {0: "plastic_bottle", 1: "metal_can", 2: "paper_cup"}

# Khoi tao MQTT Client ket noi ESP32
client = mqtt.Client("RaspberryPi_Detector")
client.connect("localhost", 1883, 60)

def detect_waste(frame):
    img_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    img_resized = cv2.resize(img_rgb, (320, 320))
    input_data = np.expand_dims(img_resized, axis=0).astype(np.uint8)
    
    interpreter.set_tensor(input_details[0]['index'], input_data)
    interpreter.invoke()
    
    boxes = interpreter.get_tensor(output_details[0]['index'])[0]
    classes = interpreter.get_tensor(output_details[1]['index'])[0]
    scores = interpreter.get_tensor(output_details[2]['index'])[0]
    
    for i in range(len(scores)):
        if scores[i] > 0.75:
            detected_class = labels.get(int(classes[i]), "unknown")
            client.publish("waste/classify/result", detected_class)
            return detected_class
    return "none"

Trên vi điều khiển ESP32, chương trình điều khiển phân luồng chấp hành và cập nhật telemetry qua giao tiếp UART với module GSM/GPS A9G và giao thức MQTT:

#include <WiFi.h>
#include <PubSubClient.h>
#include <ESP32Servo.h>

#define IR_SENSOR_PIN 34
#define TRIG_PIN 5
#define ECHO_PIN 18
#define MOTOR_PWM 25
#define MOTOR_DIR 26

Servo chuteServo;
WiFiClient espClient;
PubSubClient mqttClient(espClient);

void callback(char* topic, byte* message, unsigned int length) {
    String payload = "";
    for (int i = 0; i < length; i++) payload += (char)message[i];
    
    if (payload == "plastic_bottle") {
        chuteServo.write(45);  // Huong vao ngan chai nhua
        triggerCompressionCycle();
    } else if (payload == "metal_can") {
        chuteServo.write(135); // Huong vao ngan lon kim loai
        triggerCompressionCycle();
    } else {
        chuteServo.write(90);  // Ngan rac khac
    }
}

void triggerCompressionCycle() {
    digitalWrite(MOTOR_DIR, HIGH);
    analogWrite(MOTOR_PWM, 255); // Xy lanh ep tien hanh trinh
    delay(3000);                 // Thoi gian hanh trinh ep & dam thung
    digitalWrite(MOTOR_DIR, LOW);  // Thu hoi xy lanh ve vi tri goc
    delay(3000);
    analogWrite(MOTOR_PWM, 0);
}

Testing và validation

Hệ thống đã trải qua 300 lượt thử nghiệm thực tế với nhiều loại phế thải sinh hoạt khác nhau nhằm kiểm tra độ chính xác và tính ổn định.

Loại rác thải Số mẫu kiểm thử Nhận diện đúng Độ chính xác (%) Thời gian xử lý trung bình (ms)
Chai nhựa trong suốt (PET) 100 94 94.0% 58 ms
Lon nhôm nước giải khát 100 96 96.0% 52 ms
Ly giấy / Rác ngoài danh mục 100 91 91.0% 61 ms
Tổng thể / Trung bình 300 281 93.67% 57 ms

Kết quả đo đạc độ trễ và thông số hiệu năng phần cứng:

  • Thời gian suy luận AI trên Raspberry Pi 4: 52 – 65 ms/frame với mô hình SSD MobileNet V2 FPN Lite 320 (đạt ~16 – 19 FPS).
  • Chu kỳ ép nén và phân loại hoàn chỉnh: 7.5 – 8.2 giây/vật thể (bao gồm nhận diện, đâm thủng xả áp, nén trục, chuyển hướng máng trượt và đưa vào thùng chứa).
  • Hiệu quả giảm thể tích: Chai nhựa 500ml giảm chiều cao từ 210mm xuống còn 55mm (giảm 73.8% thể tích chiếm dụng); lon nhôm 330ml giảm từ 120mm xuống 35mm (giảm 70.8% thể tích).
  • Độ chính xác cảm biến đo mức rác SRF05: Sai số dưới ±1.5cm trong dải khoảng cách từ 10cm đến 80cm của thùng chứa.

Kết quả đạt được

Hệ thống đã hoàn thiện 100% các tính năng đề ra theo đề cương nghiên cứu:

  • Thiết kế cơ khí chính xác với 4 cụm chức năng: cụm cửa nạp gắn cảm biến hồng ngoại, cụm buồng chụp camera xử lý ảnh, cụm đâm – ép nén giảm thể tích và cụm máng xoay phân loại điều khiển bởi Servo MG996R kết hợp cụm nhả quà Servo MG90S.
  • Mạch công suất vận hành ổn định dưới nguồn tổ ong 24VDC – 15A, không xảy ra hiện tượng sụt áp làm reset vi điều khiển ESP32 khi động cơ 775 và xy lanh điện khởi động đồng thời.
  • Giao diện Web Dashboard hiển thị trực quan các chỉ số: phần trăm thể tích rác của từng ngăn, số lượng chai/lon thu gom trong ngày, tọa độ vị trí thùng trên Google Maps API và cổng giao diện đổi quà tặng tích điểm cho người dùng.

Đổi mới và đóng góp

  1. Cơ cấu đâm thủng xả khí kết hợp nén tịnh tiến đồng trục: Khác với các mô hình ép dẹp truyền thống thường gặp sự cố nổ vỏ chai do nén khí kín, thiết kế dao đâm bằng thép định vị chính xác trước hành trình ép giúp giải phóng toàn bộ áp suất dư, đảm bảo lực ép 300N của xy lanh nén phẳng chai nhựa hoàn toàn.
  2. Kiến trúc tính toán biên không phụ thuộc Internet: Mô hình SSD MobileNet V2 FPN Lite 320x320 được tối ưu hóa qua TensorFlow Lite chạy trực tiếp trên GPU/CPU của Raspberry Pi 4, cho phép hệ thống phân loại ngay lập tức mà không gặp độ trễ truyền dữ liệu lên Cloud như các giải pháp thương mại khác.
  3. Giải pháp viễn thông đa kênh GSM/GPS A9G: Giữ kết nối liên tục tại các vị trí công cộng không có sóng Wi-Fi cố định, tự động gửi cảnh báo SMS khi thùng đạt mức 90% dung tích và truyền tọa độ định vị quản lý tập trung trên bản đồ.
  4. Mô hình kinh tế tuần hoàn khép kín: Tích hợp bộ đổi quà vật lý (kẹo, voucher, quà lưu niệm) nhả tự động qua cơ cấu thanh gạt Servo MG90S tương ứng với số lượng rác hợp lệ đã nạp, kích thích trực tiếp hành vi phân loại rác của người dân.

Ứng dụng thực tế và triển khai

Hệ thống được thiết kế hướng đến việc triển khai thực tế tại các không gian công cộng có mật độ rác thải vỏ chai cao:

+-----------------------------------------------------------------------+
|                     TRIỂN KHAI VẬN HÀNH THỰC TẾ                       |
|                                                                       |
|  [Trường Đại học / KTX]   [TT Thương Mại / Siêu Thị]   [Công Viên]   |
|            |                          |                     |         |
|            +--------------------------+---------------------+         |
|                                       |                               |
|                                       v                               |
|                     +----------------------------------+              |
|                     |     MÁY PHÂN LOẠI & ÉP RÁC       |              |
|                     |  - Nhận diện phân loại AI        |              |
|                     |  - Ép nén giảm thể tích 70%      |              |
|                     |  - Đổi quà tương tác tại chỗ     |              |
|                     +-----------------+----------------+              |
|                                       |                               |
|                                       v (Wi-Fi / 4G Telemetry)        |
|                     +----------------------------------+              |
|                     |   TRUNG TÂM QUẢN LÝ ĐÔ THỊ / MÔI TRƯỜNG |        |
|                     |  - Giám sát mức đầy thời gian thực |           |
|                     |  - Tối ưu hóa tuyến xe thu gom    |             |
|                     |  - Tiết kiệm 40% chi phí vận chuyển|             |
|                     +----------------------------------+              |
+-----------------------------------------------------------------------+

Kịch bản triển khai và hiệu quả kinh tế (ROI):

  • Chi phí phần cứng nguyên mẫu: Khoảng 7.500.000 – 9.000.000 VNĐ (thấp hơn 60% so với các máy RVM - Reverse Vending Machine nhập khẩu).
  • Tối ưu chi phí vận hành: Nhờ cơ cấu nén giảm thể tích rác xuống 3 lần, tần suất xe gom rác phải đến thu gom giảm từ 3 lần/ngày xuống còn 1 lần/ngày, tiết kiệm ước tính 38% chi phí nhiên liệu và nhân công thu gom cho đơn vị quản trị tòa nhà.
  • Thời gian hoàn vốn dự kiến: 14 – 18 tháng thông qua việc bán phế liệu nhôm/PET đã phân loại sạch và khai thác quảng cáo tĩnh/màn hình trên thân máy.

Hạn chế và hướng phát triển

Dù đạt kết quả khả quan, đồ án vẫn còn một số điểm hạn chế cần khắc phục:

  • Tốc độ cơ cấu cơ khí: Sử dụng xy lanh điện 24V tiêu chuẩn khiến thời gian thực hiện một chu trình nén còn kéo dài (khoảng 6 – 8 giây). Trong các phiên bản công nghiệp cần chuyển đổi sang cơ cấu trục khuỷu - thanh truyền hoặc piston khí nén tốc độ cao.
  • Nhận diện vật thể phức tạp: Độ chính xác giảm xuống khi chai nhựa bị vò nát hoàn toàn trước khi cho vào máy hoặc chai có dán nhãn bao bì phản quang mạnh gây lóa sáng camera.
  • Hướng phát triển:
    • Nâng cấp mô hình mạng nơ-ron lên YOLOv8-Nano tối ưu trên vi xử lý tăng tốc NPU (Neural Processing Unit) như Hailo-8L hoặc Google Coral Edge TPU.
    • Tích hợp thêm cảm biến đo điện dung/cảm ứng từ để nhận diện chính xác 100% lon kim loại không phụ thuộc vào góc chụp thị giác máy tính.
    • Bổ sung bộ nén ép thủy lực công suất lớn và mô-đun thanh toán hoàn tiền trực tiếp qua mã QR MoMo/VNPay.

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo chi tiết về cách tích hợp hệ thống phần cứng phức tạp (Raspberry Pi, ESP32, Module A9G, Driver cầu H động cơ DC) và triển khai mô hình Edge AI TFLite thực chiến.
  • Kỹ sư & Lập trình viên Embedded/IoT: Mô hình mẫu về giao thức truyền thông không đồng bộ MQTT giữa máy tính nhúng và vi điều khiển, quản trị nguồn chống nhiễu trong tự động hóa.
  • Doanh nghiệp & Đơn vị quản lý môi trường: Cung cấp giải pháp phần cứng chi phí thấp để tự động hóa khâu phân loại rác tại nguồn, giảm tải chi phí vận chuyển rác thải cồng kềnh.
  • Cộng đồng & Xã hội: Hình thành thói quen phân loại rác thông minh thông qua trải nghiệm tương tác đổi quà trực quan, góp phần bảo vệ môi trường và xây dựng đô thị thông minh (Smart City).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và vận hành hệ thống là gì?

Hệ thống yêu cầu nguồn điện lưới 220VAC (được chuyển đổi qua nguồn tổ ong 24VDC – 15A nội bộ), không gian lắp đặt kích thước 600 x 600 x 1200 mm, môi trường có độ che chắn mưa nắng và kết nối Wi-Fi 2.4GHz (hoặc gắn SIM nano hỗ trợ 2G/GPRS vào module A9G).

2. Hệ thống xử lý thế nào khi xảy ra tình trạng kẹt rác cơ khí?

Vi điều khiển ESP32 được cấu hình thuật toán đọc dòng điện phản hồi từ driver động cơ 775. Nếu dòng điện tăng vọt vượt ngưỡng định mức (quá tải do kẹt vật cứng), hệ thống sẽ tự động đảo chiều xy lanh lùi về vị trí an toàn, ngừng chu trình nén và gửi cảnh báo "Stall Error" lên Web Dashboard.

3. Mô hình xử lý ảnh có hoạt động được trong điều kiện ban đêm hoặc thiếu sáng không?

Buồng chụp xử lý ảnh được thiết kế khép kín hoàn toàn và trang bị dải đèn LED chiếu sáng vòng góc 45 độ chuẩn nhiệt độ màu 5000K, đảm bảo điều kiện ánh sáng đồng nhất cho camera trong mọi thời điểm vận hành.

4. Chi phí bảo trì và độ bền các linh kiện cơ khí ra sao?

Các linh kiện cơ cấu chấp hành như Servo MG996R bánh răng kim loại và xy lanh điện công nghiệp có tuổi thọ trung bình trên 100.000 chu kỳ hoạt động. Chi phí bảo dưỡng định kỳ bao gồm tra mỡ bôi trơn ray trượt và kiểm tra lưỡi đâm định kỳ 6 tháng/lần với chi phí rất thấp.

5. Khả năng mở rộng để nhận diện thêm các loại rác khác (thủy tinh, pin) như thế nào?

Kiến trúc hệ thống cho phép dễ dàng mở rộng: chỉ cần thu thập thêm 500 – 1.000 ảnh cho lớp nhãn mới (ví dụ: battery, glass), tiến hành Transfer Learning trên mô hình SSD MobileNet và nạp lại file .tflite vào Raspberry Pi 4 mà không cần thay đổi cấu trúc phần cứng mạch điều khiển.

Kết luận

Đồ án "Thiết kế và thi công mô hình máy xử lý rác" của nhóm sinh viên Huỳnh Nguyễn Thanh Tiên và Trần Trọng Trịnh dưới sự hướng dẫn của PGS.TS Trương Đình Nhơn đã chứng minh tính khả thi cao trong việc kết hợp trí tuệ nhân tạo biên (TensorFlow Lite trên Raspberry Pi 4) với cơ điện tử chính xác (ESP32, xy lanh điện, cơ cấu đâm - ép) và IoT (MQTT, A9G GPS/GSM).

Hệ thống đạt tỷ lệ nhận dạng phân loại chính xác 93.67%, thời gian phản hồi nhanh 57ms và giảm thể tích rác thải tái chế lên đến hơn 70%, đồng thời giải quyết bài toán tương tác người dùng qua cơ chế đổi quà tự động. Đây là mô hình nền tảng vững chắc để chuyển giao, hoàn thiện thành sản phẩm thương mại phục vụ các đề án thành phố thông minh và kinh tế tuần hoàn tại Việt Nam.