Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0, tự động hóa đóng vai trò then chốt giúp nâng cao năng suất, tối ưu hóa chi phí vận hành và loại bỏ sai sót do con người. Theo thống kê từ Liên đoàn Robot Quốc tế (IFR), các ứng dụng gắp - đặt (pick-and-place) và phân loại tự động chiếm hơn 45% tổng số lượng robot công nghiệp triển khai trên toàn cầu. Mặc dù các dòng robot nối tiếp (Serial Manipulators) và robot Delta truyền thống đã khẳng định vị thế, các hạn chế về quán tính cơ cấu, độ cứng vững và chi phí đầu tư cao vẫn là bài toán nan giải đối với các dây chuyền sản xuất phân tán.

Hệ thống phân loại thủ công hoặc bán tự động hiện nay bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Tốc độ xử lý thấp và độ mỏi nhân lực: Năng suất phân loại thủ công dao động dưới 20–30 sản phẩm/phút, dễ xảy ra nhầm lẫn khi làm việc liên tục.
  • Tính linh hoạt kém: Các cơ cấu phân loại cơ học cố định không thể thích ứng khi kích thước hoặc màu sắc sản phẩm thay đổi.
  • Chi phí bảo trì và sai số tích lũy: Robot chuỗi động học hở (nối tiếp) có sai số tích lũy qua từng khớp, yêu cầu kết cấu truyền động phức tạp và đắt tiền.

Đề tài "Ứng dụng xử lý ảnh để phân loại vật cho robot song song Triglide Robot 3 bậc tự do" được thực hiện nhằm giải quyết trực tiếp các vấn đề trên. Dự án tập trung nghiên cứu, thiết kế và chế tạo hoàn chỉnh hệ thống cơ điện tử kết hợp thị giác máy tính, sử dụng cấu trúc robot song song tịnh tiến Triglide 3-DOF để gắp và phân loại phôi định hình theo màu sắc trong không gian 3 chiều.

Mục tiêu dự án

  1. Thiết lập mô hình động học chính xác: Giải toán động học thuận (Forward Kinematics) và động học nghịch (Inverse Kinematics) giải tích cho cấu hình Triglide 3-DOF.
  2. Thiết kế và tích hợp phần cứng: Chế tạo khung cơ khí nhôm định hình, hệ thống truyền động tuyến tính, mạch điều khiển trung tâm vi điều khiển STM32F407VG và cơ cấu kẹp hút chân không áp suất 600 kPa.
  3. Tích hợp hệ thống thị giác máy: Ứng dụng camera chiều sâu Intel RealSense D435 để định vị không gian và phân loại vật thể kích thước $25 \times 25 \times 25\text{ mm}$ theo không gian màu HSV.
  4. Tối ưu hóa không gian làm việc: Xác định vùng thao tác tối ưu $Z \in [-300\text{ mm}, -325\text{ mm}]$ và kiểm soát góc giới hạn khớp cầu nhằm chống kẹt cơ học.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Robot nối tiếp (Articulated) Robot Delta 3-DOF Robot song song Triglide 3-DOF
Độ cứng vững (Rigidity) Trung bình (sai số tích lũy) Cao (chia tải 3 chân) Rất cao (truyền động tịnh tiến dẫn hướng)
Quán tính chuyển động Cao (động cơ gắn trên khớp) Rất thấp (động cơ gắn trên bệ tĩnh) Rất thấp (động cơ cố định trên thanh trượt)
Độ phức tạp động học Động học thuận dễ, nghịch khó Động học thuận khó, nghịch dễ Động học giải tích hai chiều tường minh
Không gian làm việc Lớn, dạng cầu mở rộng Dạng nón, giảm dần xuống đáy Dạng lăng trụ tam giác đều, đồng đều ở trục Z
Chi phí chế tạo & Bảo trì Rất cao (hộp số Harmonic/Servo) Cao (khớp cầu carbon đặc chủng) Tiết kiệm, sử dụng nhôm định hình tiêu chuẩn

Yêu cầu kỹ thuật hệ thống phân bổ theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Bệ di động tịnh tiến độc lập 3 trục $(X, Y, Z)$; định vị chính xác phôi $25 \times 25 \times 25\text{ mm}$; nhận diện chuẩn xác 3 gam màu cơ bản; cơ cấu hút giữ an toàn tải trọng $m \le 1\text{ kg}$.
  • Should-have (Khuyến nghị cao): Tốc độ phản hồi thuật toán xử lý ảnh $\le 30\text{ ms}$; bù sai số quang học camera khi đặt nghiêng $45^\circ$.
  • Could-have (Mở rộng): Giao diện GUI giám sát thời gian thực hiển thị tọa độ và trạng thái hút chân không.
  • Won't-have (Tạm hoãn): Tự động xoay định hướng phôi (4-DOF) và phân loại phôi chuyển động trên băng tải tốc độ biến thiên cao.

Thiết kế hệ thống

1. Động học robot Triglide 3-DOF

Cấu trúc robot gồm bệ tĩnh tam giác đều, 3 con trượt tịnh tiến $q_1, q_2, q_3 \in [96\text{ mm}, 351\text{ mm}]$ nghiêng góc $120^\circ$, liên kết với bệ động (platform) qua 3 cặp cánh tay hình bình hành có chiều dài $L = 371\text{ mm}$, bán kính bệ động $r = 20\text{ mm}$.

Phương trình vector vòng kín của từng nhánh: $$\vec{P B_i} - \vec{OP} + \vec{O A_i} = \vec{A_i B_i}$$

Biến đổi toán học bậc hai dẫn đến hệ phương trình động học nghịch (Inverse Kinematics) tường minh cho từng biến khớp: $$q_1 = x + r + \sqrt{L^2 - z^2 - y^2}$$ $$q_2 = \frac{2r - \sqrt{3}y - x + \sqrt{4L^2 - 4z^2 - 3x^2 - y^2 + 2\sqrt{3}xy}}{2}$$ $$q_3 = \frac{2r + \sqrt{3}y - x + \sqrt{4L^2 - 4z^2 - 3x^2 - y^2 - 2\sqrt{3}xy}}{2}$$

import numpy as np

def inverse_kinematics_triglide(x, y, z, L=371.0, r=20.0):
    """
    Tính toán biến khớp q1, q2, q3 cho robot Triglide 3-DOF
    Đơn vị: mm
    """
    # Khớp trượt 1 (dọc trục X)
    term_q1 = L**2 - z**2 - y**2
    if term_q1 < 0: raise ValueError("Vị trí ngoài không gian làm việc (q1)")
    q1 = x + r + np.sqrt(term_q1)

    # Khớp trượt 2 (góc 120 độ)
    term_q2 = 4*L**2 - 4*z**2 - 3*x**2 - y**2 + 2*np.sqrt(3)*x*y
    if term_q2 < 0: raise ValueError("Vị trí ngoài không gian làm việc (q2)")
    q2 = (2*r - np.sqrt(3)*y - x + np.sqrt(term_q2)) / 2.0

    # Khớp trượt 3 (góc 240 độ)
    term_q3 = 4*L**2 - 4*z**2 - 3*x**2 - y**2 - 2*np.sqrt(3)*x*y
    if term_q3 < 0: raise ValueError("Vị trí ngoài không gian làm việc (q3)")
    q3 = (2*r + np.sqrt(3)*y - x + np.sqrt(term_q3)) / 2.0

    return q1, q2, q3

2. Phân tích giới hạn góc quay khớp cầu

Khớp mắt cầu liên kết giữa thanh giằng và con trượt có biên độ quay giới hạn. Từ phân tích tiếp xúc hình học: $$\cos(\alpha) = \frac{4}{6-y} = \frac{6}{10-2x} \implies 4x - 3y - 2 = 0$$ Kết hợp điều kiện hình học $6^2 + y^2 = (10-2x)^2$, ta xác định được góc nghiêng cực đại trước khi kẹt cơ khí là $\alpha_{\max} \approx 16.87^\circ$. Nhằm đảm bảo an toàn tuyệt đối khi vận hành liên tục, góc làm việc được khống chế ở $\alpha_{\text{safe}} = 10^\circ$, tương ứng hành trình dịch chuyển tối đa $\Delta X = \Delta Y = L \cdot \sin(10^\circ) = 64.42\text{ mm}$.

3. Thiết kế đồ gá quang học Camera 3D

Để bao quát toàn bộ chiều rộng vùng làm việc $d = 921\text{ mm}$ ở độ cao $z \in [486\text{ mm}, 535\text{ mm}]$, camera Intel RealSense D435 ($HFOV = 75^\circ \pm 3^\circ$, baseline $B = 50\text{ mm}$) được thiết lập trên đồ gá nghiêng một góc $\alpha_{\text{cam}} = 45^\circ$ ở cao độ $z = 520\text{ mm}$. Kích thước khung gá gia công nhôm định hình $20 \times 20\text{ mm}$ đạt $800 \times 250 \times 500\text{ mm}$.

4. Tính toán hệ thống chân không

Với vật phẩm phân loại khối lượng $m = 1\text{ kg}$, gia tốc nâng $a = 2\text{ m/s}^2$, hệ số an toàn $S = 1.5$: $$F_{\text{th}} = m \cdot (g + a) \cdot S = 1 \cdot (9.81 + 2) \cdot 1.5 = 17.715\text{ N}$$ Áp suất khí nén thực tế $P = 600\text{ kPa}$, đường kính giác hút $d = 14\text{ mm}$ ($A = 1.539 \times 10^{-4}\text{ m}^2$), lực hút lý thuyết tạo ra: $$F = A \cdot P = 1.539 \times 10^{-4} \cdot 600 \times 10^3 = 92.36\text{ N}$$ Lực hút vượt trội $F \gg F_{\text{th}}$, khẳng định chỉ cần 01 giác hút đơn là đảm bảo khả năng giữ vật vững chắc khi di chuyển gia tốc cao.

Implementation và kết quả

Quy trình phát triển và Phần cứng

  • Vi điều khiển: STM32F407VG (ARM Cortex-M4, xung nhịp 168 MHz, FPU phần cứng hỗ trợ tính toán số thực dấu chấm động).
  • Mạch công suất: 03 Driver TB6600 điều khiển vi bước (Microstepping 1/8), cấp dòng 2.5A/phase cho động cơ bước NEMA 23.
  • Bảo vệ & Nguồn: MCB Mitsubishi BH-D6 2P 3A (dòng cắt ngắn mạch 6kA), nguồn công nghiệp MeanWell tổ ong 220VAC - 12VDC/20A, mạch hạ áp xung LM2596 cho mạch logic.
[Máy tính xử lý ảnh / GUI]
   (USB CDC/UART)
   (TIM_PWM / DIR)

Thuật toán xử lý ảnh phân loại màu sắc

  1. Thu nhận dòng ảnh: Khởi tạo luồng màu RGB $640 \times 480\text{ px}$ và luồng chiều sâu Depth từ Intel RealSense D435 SDK.
  2. Chuyển đổi không gian màu: Biến đổi RGB sang HSV để loại bỏ độ nhạy sáng môi trường.
  3. Phân ngưỡng màu (Color Thresholding):
    • Đỏ: $H \in [0, 10] \cup [170, 180], S \in [100, 255], V \in [100, 255]$
    • Xanh lục: $H \in [35, 85], S \in [100, 255], V \in [100, 255]$
    • Xanh dương: $H \in [100, 140], S \in [100, 255], V \in [100, 255]$
  4. Khử nhiễu & Trích xuất Contour: Sử dụng phép toán hình thái học (Morphological Opening/Closing kernel $5 \times 5$), tìm tâm hình học (Centroid) theo moment bậc 1: $$X_c = \frac{M_{10}}{M_{00}}, \quad Y_c = \frac{M_{01}}{M_{00}}$$
  5. Chuyển đổi tọa độ (Frame Calibration): Ánh xạ tọa độ Camera $(X_c, Y_c, Z_c)$ sang tọa độ cơ sở Robot $(X_r, Y_r, Z_r)$ qua ma trận biến đổi thuần nhất $T_{\text{cam}}^{\text{robot}}$.

Kiểm nghiệm thực nghiệm và Đánh giá sai số

Mô phỏng quét không gian làm việc trên MATLAB R2022b với bước quét $h = 12.7\text{ mm}$ xác định:

  • Dải độ cao thao tác tổng thể: $Z \in [-363\text{ mm}, -168\text{ mm}]$.
  • Mặt cắt $Oxy$ đạt diện tích hữu dụng cực đại tại cao độ $Z = -325\text{ mm}$.
  • Khối lập phương nội tiếp lớn nhất đạt bán kính $R = 30.5\text{ mm}$.
Hạng mục kiểm tra Giá trị thiết kế Giá trị thực nghiệm Sai số / Đánh giá
Độ chính xác lặp lại (Repeatability) $\pm 0.5\text{ mm}$ $\pm 0.38\text{ mm}$ Đạt yêu cầu gắp chính xác
Tỉ lệ nhận diện màu sắc $\ge 95%$ $98.4%$ Ổn định trong môi trường ánh sáng phòng thí nghiệm
Thời gian chu kỳ gắp - thả (Cycle Time) $\le 3.5\text{ s}$ $2.85\text{ s}$ Năng suất đạt ~21 sản phẩm/phút
Lực giữ vật tải trọng 1kg $\ge 17.7\text{ N}$ $92.3\text{ N}$ An toàn tuyệt đối, không trượt phôi

Đổi mới và đóng góp

  1. Tối ưu hóa không gian làm việc và triệt tiêu điểm kỳ dị: Khác với các cấu hình Delta truyền thống phức tạp trong bài toán động học thuận, đề tài đã phát triển hệ phương trình giải tích tường minh cho Triglide 3-DOF, cho phép tính toán trực tiếp tọa độ bệ động trong vòng micro giây trên chip STM32F407VG mà không cần phương pháp lặp xấp xỉ Newton-Raphson.
  2. Khống chế góc giới hạn khớp cầu bảo vệ cơ cấu: Phát hiện và lượng hóa chính xác góc kẹt cơ học $\alpha_{\max} = 16.87^\circ$, đưa ra biên an toàn $10^\circ$ giúp kéo dài tuổi thọ cụm mắt cầu lên gấp 3 lần trong điều kiện làm việc liên tục.
  3. Thuật toán thị giác máy 3D bù góc nghiêng: Thiết lập mô hình hình học tích hợp dữ liệu trường nhìn Depth FOV của camera RealSense D435 đặt nghiêng $45^\circ$, giúp định vị chính xác phôi $25\text{ mm}$ mà không bị che khuất bởi cụm chấp hành phía trên.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng công nghiệp

  • Dây chuyền đóng gói thực phẩm & dược phẩm: Tự động gắp, chia chọn vỉ thuốc, bánh kẹo vào các hộp phân loại màu sắc với tốc độ cao.
  • Cấp phôi gia công chi tiết cơ khí nhỏ: Định vị chính xác phôi kim loại/nhựa $25\text{ mm}$ và nạp vào đồ gá máy phay CNC.
  • Phân loại linh kiện điện tử: Phân tách các module linh kiện hoặc kiểm tra ngoại quan sản phẩm trước khi đóng thùng.
                              (Xử lý ảnh HSV)
                      [Robot Triglide 3-DOF gắp]

Yêu cầu triển khai hệ thống (System Requirements)

  • Nguồn cấp: Điện lưới xoay chiều 220VAC $\pm 10%$, tần số 50Hz; nguồn khí nén áp suất tối thiểu 0.6 MPa (6 bar).
  • Phần cứng máy chủ xử lý ảnh: CPU Intel Core i5 thế hệ 8 trở lên, RAM 8GB, cổng giao tiếp USB 3.0 chuyên dụng cho luồng dữ liệu camera RealSense D435.
  • Môi trường vận hành: Nhiệt độ $10^\circ\text{C} - 40^\circ\text{C}$, độ ẩm $< 80%$, tránh ánh nắng mặt trời trực tiếp chiếu thẳng vào vùng quét quang học.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Không gian thao tác hạn chế: Bán kính mặt phẳng làm việc tối ưu còn hẹp ($R = 30.5\text{ mm}$ cho khối nội tiếp) do góc quay an toàn khớp cầu bị giới hạn ở $10^\circ$.
  • Bậc tự do hướng: Cấu trúc 3-DOF chỉ di chuyển tịnh tiến $(X, Y, Z)$, chưa có trục xoay Yaw $(\theta_z)$ để hiệu chỉnh góc xoay của phôi khi gắp.

Hướng phát triển

  • Nâng cấp khớp nối đa hướng: Thay thế khớp mắt cầu tiêu chuẩn bằng khớp các-đăng (Universal Joint) hoặc khớp cầu từ tính góc rộng nhằm nâng góc giới hạn lên $> 30^\circ$, mở rộng không gian thao tác lên 150%.
  • Tích hợp trục xoay thứ tư (4-DOF Hybrid): Lắp đặt thêm động cơ Servo siêu nhẹ trên bệ di động để tự động xoay phôi theo góc đặt mong muốn.
  • Ứng dụng Trí tuệ nhân tạo (AI Deep Learning): Triển khai mạng nơ-ron YOLOv8-Nano trực tiếp trên máy tính nhúng (như NVIDIA Jetson Orin Nano) để nhận diện đa dạng chủng loại phôi phức tạp thay thế thuật toán phân ngưỡng HSV.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Cơ điện tử / Tự động hóa: Tài liệu tham khảo toàn diện về giải tích động học robot song song, quy trình thiết kế hệ thống nhúng điều khiển chuyển động và ứng dụng thị giác máy tính RGB-D.
  • Kỹ sư R&D tại các doanh nghiệp chế tạo máy: Khung thiết kế tham chiếu tối ưu về chi phí để phát triển các module robot pick-and-place quy mô nhỏ, linh hoạt thay vì phải nhập khẩu các cánh tay robot đắt tiền.
  • Nhà máy sản xuất vừa và nhỏ (SMEs): Giải pháp tự động hóa phân loại phôi với chi phí đầu tư ban đầu thấp, thời gian hoàn vốn (ROI) ước tính dưới 8 tháng.

Câu hỏi thường gặp

1. Tại sao đề tài lựa chọn vi điều khiển STM32F407VG thay vì mạch Arduino Mega?

STM32F407VG sở hữu lõi ARM Cortex-M4 xung nhịp 168 MHz cùng bộ tính toán số thực phần cứng (Hardware FPU). Điều này cho phép thực thi thuật toán giải động học ngược và phát xung đa kênh tần số cao (lên tới hàng trăm kHz) một cách mượt mà, loại bỏ hiện tượng giật cục của động cơ bước mà vi điều khiển 8-bit AVR trên Arduino không thể đáp ứng.

2. Camera Intel RealSense D435 đóng vai trò gì khi hệ thống chỉ phân loại theo màu?

RealSense D435 cung cấp đồng thời kênh màu RGB và kênh khoảng cách Depth. Nhờ kênh Depth, hệ thống tự động xác định chính xác cao độ $Z$ của mặt trên phôi, cho phép giác hút tiếp cận nhẹ nhàng, chính xác mà không va chạm mạnh làm hỏng bề mặt sản phẩm.

3. Giải pháp nào ngăn ngừa hiện tượng kẹt cơ khí ở các cánh tay robot?

Đồ án đã mô hình hóa mặt cắt tiếp xúc hình học giữa cần đẩy và mép ngoài mắt cầu, tìm ra góc kẹt tới hạn $\alpha_{\max} = 16.87^\circ$. Trên cơ sở đó, thuật toán điều khiển đã giới hạn mềm hành trình chuyển động trong phạm vi an toàn $\alpha \le 10^\circ$, tương ứng biên độ di chuyển tối đa $\Delta X, \Delta Y \le 64.42\text{ mm}$.

4. Áp suất khí nén 600 kPa có làm vỡ hoặc móp các chi tiết phôi mỏng không?

Lực hút tính toán trên giác hút $\varnothing 14\text{ mm}$ là $92.36\text{ N}$, phân bố đều trên bề mặt tiếp xúc cao su đàn hồi của giác hút. Áp suất này đủ để nâng chắc chắn khối kim loại/nhựa $1\text{ kg}$ mà không gây biến dạng phôi định hình. Đối với vật mỏng manh, hệ thống có thể điều chỉnh van giảm áp đầu vào xuống mức $200 - 300\text{ kPa}$.

5. Hệ thống có thể tích hợp vào dây chuyền băng tải sẵn có không?

Hoàn toàn khả thi. Bằng cách kích hoạt chế độ bắt điểm theo thời gian thực từ camera RealSense và kết nối thêm bộ mã hóa xung (Encoder) đo tốc độ băng tải đưa vào STM32 qua ngắt ngoài, hệ thống có thể nâng cấp thuật toán bám chuyển động (Conveyor Tracking) để gắp vật liên tục mà không cần dừng băng tải.

Kết luận

Đồ án tốt nghiệp "Ứng dụng xử lý ảnh để phân loại vật cho robot song song Triglide Robot 3 bậc tự do" của tác giả Trần Duy Thanh đã hoàn thành xuất sắc toàn bộ mục tiêu đề ra. Nghiên cứu đã chứng minh tính khả thi và hiệu quả vượt trội của cấu hình robot song song tuyến tính Triglide trong bài toán gắp - đặt tự động hóa tốc độ cao. Sự kết hợp chặt chẽ giữa mô hình toán động học giải tích chính xác, cấu trúc điều khiển nhúng thời gian thực trên STM32F407VG và công nghệ thị giác máy tính 3D Intel RealSense mở ra hướng tiếp cận thực tiễn, kinh tế cho các dây chuyền phân loại tự động trong nền sản xuất thông minh.