Giới thiệu dự án

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 đang phát triển mạnh mẽ, tự động hóa dây chuyền sản xuất đóng vai trò quyết định đến năng suất, độ chính xác và năng lực cạnh tranh của doanh nghiệp. Theo các khảo sát công nghiệp chế tạo, khâu kiểm định và phân loại sản phẩm thủ công chiếm tới 25–30% tổng thời gian chu kỳ sản xuất nhưng lại có tỷ lệ sai sót từ 8–15% do phụ thuộc vào yếu tố thị giác và thể lực của con người. Đặc biệt, khi dây chuyền vận hành với tốc độ cao, việc phân biệt các sản phẩm có hình dạng tương đồng (vuông, chữ nhật, tam giác, tròn) bằng mắt thường dẫn đến tắc nghẽn cục bộ và suy giảm chỉ số hiệu suất thiết bị tổng thể (OEE - Overall Equipment Effectiveness).

Vấn đề đặt ra (Problem Statement) là các hệ thống phân loại truyền thống dựa trên cảm biến quang học hoặc cơ khí đơn thuần chỉ phát hiện được sự hiện diện của vật thể mà không thể nhận diện chính xác biên dạng hình học phức tạp khi sản phẩm bị xoay lệch góc trên băng tải. Mặt khác, các giải pháp thị giác máy tính công nghiệp chuyên dụng (Machine Vision Systems) của Cognex hay Keyence lại có chi phí đầu tư bản quyền và phần cứng quá cao ($5,000 – $15,000/line), vượt quá khả năng tài chính của các doanh nghiệp vừa và nhỏ (SMEs).

Mục tiêu cụ thể của dự án:

  1. Nghiên cứu, làm chủ thuật toán xử lý ảnh số thời gian thực bằng ngôn ngữ Python kết hợp thư viện OpenCV để nhận dạng 04 nhóm hình học cơ bản: Tam giác, Hình vuông, Hình chữ nhật, Hình tròn.
  2. Thiết kế và thi công mô hình phần cứng tích hợp giữa máy tính nhúng Raspberry Pi 4B (Bộ xử lý thị giác) và bộ điều khiển logic lập trình được PLC Siemens S7-1200 CPU 1214C DC/DC/DC (Bộ điều khiển chấp hành).
  3. Xây dựng giao diện SCADA/HMI trên phần mềm Siemens WinCC Runtime Advanced V16 phục vụ giám sát trạng thái thời gian thực, điều khiển Manual/Auto và thống kê số lượng thành phẩm.
  4. Tối ưu hóa giao thức truyền thông công nghiệp Ethernet TCP/IP thông qua thư viện Snap7, đảm bảo độ trễ truyền dữ liệu $T_{latency} < 50\text{ ms}$.

Giải pháp lựa chọn là mô hình phân tán phân cấp: Raspberry Pi 4B đóng vai trò Edge Computing node thực hiện xử lý ảnh và trích xuất đặc trưng hình học, sau đó gửi mã định danh sản phẩm trực tiếp vào Data Block (DB) của PLC S7-1200 qua cổng Profinet/Ethernet. PLC tiếp nhận tín hiệu, phối hợp với cảm biến vị trí hồng ngoại để điều khiển hệ thống cơ cấu chấp hành khí nén (xi lanh, van điện từ 5/2) phân loại sản phẩm vào đúng khay chứa.

Kết quả kỳ vọng: Hệ thống đạt độ chính xác phân loại $\ge 95%$, thời gian xử lý ảnh $\le 120\text{ ms/frame}$, đáp ứng tốc độ băng tải $0.15\text{ m/s}$, và toàn bộ quy trình được trực quan hóa trên giao diện giám sát WinCC.

Phạm vi và giới hạn: Đồ án tập trung nghiên cứu nhận dạng sản phẩm đơn lẻ trên mặt phẳng 2D của băng tải với điều kiện nguồn sáng ổn định; chưa xử lý các trường hợp sản phẩm bị xếp chồng, biến dạng 3D phức tạp hoặc băng chuyền vận hành ở dải tốc độ siêu cao (> $1.0\text{ m/s}$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi lựa chọn kiến trúc phần cứng và phần mềm, nhóm nghiên cứu tiến hành đánh giá so sánh các giải pháp xử lý ảnh và điều khiển công nghiệp hiện hành trên thị trường:

Tiêu chí kỹ thuật Giải pháp MATLAB / Simulink Giải pháp LabVIEW Vision Giải pháp Đề tài: Raspberry Pi + PLC S7-1200
Nền tảng phần cứng PC công nghiệp cồng kềnh PC / NI CompactRIO đắt đỏ Máy tính nhúng nhỏ gọn + PLC Siemens chuẩn công nghiệp
Chi phí triển khai Rất cao (Bản quyền MATLAB + Toolboxes) Rất cao (Bản quyền National Instruments) Tối ưu, phần mềm mã nguồn mở (OpenCV, Python, Snap7)
Khả năng giao tiếp PLC Khó cấu hình qua OPC Server bên thứ 3 Hỗ trợ tốt qua OPC/Modbus nhưng cấu hình phức tạp Giao tiếp trực tiếp S7 Protocol qua Snap7 cực kỳ nhanh và mượt
Tính linh hoạt mở rộng Trung bình, phụ thuộc runtime Thấp khi muốn đổi nền tảng phần cứng khác Rất cao, dễ nhúng thuật toán Deep Learning/AI trong tương lai
Độ bền công nghiệp Phụ thuộc độ bền của PC văn phòng Rất cao với phần cứng NI Rất cao nhờ tầng chấp hành dùng PLC S7-1200

Phân loại yêu cầu người dùng theo mô hình MoSCoW:

  • Must have (Bắt buộc): Nhận dạng chính xác 4 loại hình học; Truyền dữ liệu phân loại sang PLC; Kích hoạt xi lanh khí nén tương ứng; Nút dừng khẩn cấp E-Stop; Giám sát số lượng sản phẩm trên WinCC.
  • Should have (Nên có): Chế độ chuyển đổi Manual/Auto; Cảnh báo lỗi hệ thống trên HMI; Lọc nhiễu ảnh tự động khi điều kiện ánh sáng thay đổi biên độ nhỏ.
  • Could have (Có thể có): Lưu trữ lịch sử phân loại vào cơ sở dữ liệu SQL; Tùy chỉnh ngưỡng nhị phân trực tiếp trên SCADA.
  • Won't have (Chưa làm đợt này): Nhận diện màu sắc kết hợp học sâu (Deep Learning CNN); Phân loại theo khối lượng tích hợp loadcell.

Rào cản kỹ thuật chính: Khắc phục hiện tượng bóng đổ (shadowing) gây sai lệch đường bao khi nhị phân hóa ảnh, và đồng bộ hóa thời gian thực giữa thời điểm camera nhận diện với thời điểm sản phẩm trôi tới vị trí xi lanh đẩy.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống bao gồm 03 phân tầng chính:

graph TD
    A[USB HD Camera] -->|Thu nhận hình ảnh RAW| B(Raspberry Pi 4B - Edge Computing)
    B -->|Thư viện OpenCV: Grayscale / Threshold / Contours / approxPolyDP| B
    B -->|Snap7 Protocol qua Ethernet TCP/IP| C(Siemens PLC S7-1200 CPU 1214C)
    D[Cảm biến hồng ngoại E3F-DS30P1] -->|Tín hiệu Digital 24VDC| C
    E[Bảng điều khiển tủ điện Start/Stop/E-Stop] -->|DI 24VDC| C
    C -->|DO Relay / 24VDC| F[Động cơ DC Băng tải + Van 5/2 & Xi lanh khí nén]
    C <-->|Profinet Industrial Ethernet| G[WinCC Runtime Advanced V16 - SCADA HMI]

Technology Stack và phiên bản cụ thể:

  • Xử lý ảnh: Python v3.8.10, OpenCV v4.5.3, NumPy v1.21.0.
  • Truyền thông máy tính nhúng - PLC: Thư viện python-snap7 v1.1, giao thức S7 Communication (cổng ISO-on-TCP Port 102).
  • Bộ điều khiển trung tâm: PLC Siemens SIMATIC S7-1200 CPU 1214C DC/DC/DC (Firmware v4.4, Bộ nhớ làm việc 100 KB, 14 DI / 10 DO tích hợp).
  • Môi trường lập trình PLC & SCADA: TIA Portal V16 (Totally Integrated Automation Portal) và WinCC Runtime Advanced V16.
  • Hệ thống cảm biến & chấp hành: 04 Cảm biến quang hồng ngoại PNP E3F-DS30P1 (khoảng cách phát hiện 10–30 cm), 03 Van điện từ khí nén 5/2 (Cuộn hút 24VDC), 03 Xi lanh khí nén tác động kép hành trình 100 mm, 01 Động cơ kéo băng tải giảm tốc DC 24V (tốc độ 60 RPM).

Cấu trúc Data Block (DB) truyền thông trên S7-1200:

  • Thiết lập Data Block DB1 (đặt tên Data_Raspberry), tắt thuộc tính "Optimized block access" để truy xuất theo địa chỉ Offset cố định:
    • DB1.DBX0.0 (Bool): Trigger_Camera (PLC yêu cầu chụp ảnh).
    • DB1.DBB1 (Byte): Shape_ID (1 = Tam giác, 2 = Vuông, 3 = Chữ nhật, 4 = Tròn).
    • DB1.DBX2.0 (Bool): Processing_Done (Raspberry Pi xác nhận hoàn thành xử lý).

An toàn và bảo mật hệ thống:

  • Mạch phần cứng tích hợp nút E-Stop cơ khí ngắt trực tiếp nguồn động lực qua rơ-le an toàn.
  • Cấu hình phân quyền trên PLC: Bật tính năng "Permit access with PUT/GET communication from remote partner" trong CPU Device Configuration.
  • Cách ly tín hiệu ngõ vào/ra thông qua optocoupler và relay trung gian Omron 24VDC 14 chân nhằm bảo vệ cổng I/O của CPU 1214C khỏi xung điện áp ngược từ van điện từ.

Methodology

Dự án áp dụng mô hình phát triển V-Model kết hợp kỹ thuật lặp (Iterative Prototyping):

  1. Giai đoạn 1 (Tuần 1–4): Nghiên cứu lý thuyết toán học xử lý ảnh (Ramer-Douglas-Peucker, Hu Moments), khảo sát phần cứng và lập sơ đồ nguyên lý điện.
  2. Giai đoạn 2 (Tuần 5–8): Thiết kế cơ khí khung băng tải (nhôm định hình 20x40, kích thước $120 \times 60 \times 40\text{ cm}$), lắp đặt máng dẫn hướng và gá đặt xi lanh.
  3. Giai đoạn 3 (Tuần 9–12): Lập trình module xử lý ảnh trên Python; Cấu hình PLC trên TIA Portal V16; Đấu nối tủ điện phân phối và tích hợp truyền thông Snap7.
  4. Giai đoạn 4 (Tuần 13–15): Thiết kế giao diện WinCC SCADA; Chạy thử nghiệm đơn động (Manual) và liên động toàn hệ thống (Auto); Đo kiểm hiệu năng và tinh chỉnh tham số.

Chiến lược quản trị rủi ro:

  • Rủi ro ánh sáng môi trường gây nhiễu ảnh: Lắp đặt hộp chụp kín (Inspection Box) chuyên dụng tích hợp đèn LED ring công nghiệp 24VDC chiếu sáng góc $45^\circ$, loại bỏ hiện tượng chói lóa.
  • Rủi ro mất gói tin truyền thông TCP/IP: Xây dựng cơ chế bắt tay 3 bước (Handshake) và hàm kiểm tra Timeout trên cả Python và Ladder Logic.

Implementation và kết quả

Development process

Trọng tâm thuật toán xử lý ảnh là chuỗi xử lý tiền xử lý và trích xuất đường bao hình học (Contour Analysis) kết hợp xấp xỉ đa giác Ramer-Douglas-Peucker:

import cv2
import numpy as np
import snap7
from snap7.util import set_byte

def init_plc_connection(ip='192.168.0.10', rack=0, slot=1):
    client = snap7.client.Client()
    client.connect(ip, rack, slot)
    return client

def process_and_classify_shape(image_frame):
    """
    Tiền xử lý và nhận diện hình dạng dựa trên thuật toán xấp xỉ đa giác.
    Trả về: 1 (Tam giác), 2 (Vuông), 3 (Chữ nhật), 4 (Tròn), 0 (Không xác định)
    """
    # 1. Cắt vùng quan tâm (ROI - Region of Interest)
    roi = image_frame[100:380, 150:490]
    
    # 2. Chuyển sang không gian màu xám và lọc nhiễu Gaussian
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 3. Phân đoạn ảnh bằng ngưỡng nhị phân nghịch đảo (Binary Inverted Threshold)
    _, thresh = cv2.threshold(blurred, 110, 255, cv2.THRESH_BINARY_INV)
    
    # 4. Tìm kiếm đường bao liên thông
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    shape_code = 0
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > 1200: # Lọc bỏ nhiễu hạt diện tích nhỏ
            perimeter = cv2.arcLength(cnt, True)
            
            # 5. Xấp xỉ đa giác Ramer-Douglas-Peucker với hệ số epsilon = 4% chu vi
            approx = cv2.approxPolyDP(cnt, 0.04 * perimeter, True)
            num_vertices = len(approx)
            
            if num_vertices == 3:
                shape_code = 1 # Hình tam giác
            elif num_vertices == 4:
                # Phân biệt hình vuông và chữ nhật thông qua tỷ lệ cạnh (Aspect Ratio)
                x, y, w, h = cv2.boundingRect(approx)
                aspect_ratio = float(w) / h
                if 0.92 <= aspect_ratio <= 1.08:
                    shape_code = 2 # Hình vuông (các cạnh xấp xỉ bằng nhau)
                else:
                    shape_code = 3 # Hình chữ nhật
            elif num_vertices > 6:
                # Kiểm tra độ tròn Circularity = 4 * PI * Area / (Perimeter^2)
                circularity = (4 * np.pi * area) / (perimeter ** 2)
                if circularity > 0.75:
                    shape_code = 4 # Hình tròn
                    
    return shape_code

Trên PLC Siemens S7-1200, chương trình điều khiển được viết bằng ngôn ngữ LAD (Ladder Logic) trong khối tổ chức chính OB1 kết hợp hàm FC1 (Manual Control), FC2 (Auto Sequence) và DB1:

  • Tín hiệu cảm biến quang ngõ vào I0.0 kích hoạt cờ nhớ gửi yêu cầu cho Raspberry Pi chụp ảnh.
  • Nhận diện xong, Raspberry Pi ghi giá trị shape_code vào DB1.DBB1.
  • Dựa trên giá trị DB1.DBB1, các ngõ ra điều khiển van khí nén được kích hoạt theo bảng gán:
    • Q0.0: Động cơ băng tải (Băng tải chạy liên tục khi hệ thống ở chế độ AUTO).
    • Q0.1: Van điện từ điều khiển Xi lanh 1 (Đẩy hình Tam giác khi kích hoạt cảm biến vị trí 1 I0.1).
    • Q0.2: Van điện từ điều khiển Xi lanh 2 (Đẩy hình Vuông khi kích hoạt cảm biến vị trí 2 I0.2).
    • Q0.3: Van điện từ điều khiển Xi lanh 3 (Đẩy hình Chữ nhật khi kích hoạt cảm biến vị trí 3 I0.3).
    • Sản phẩm Hình tròn tiếp tục di chuyển thẳng về cuối băng tải vào thùng chứa số 4.

Testing và validation

Nhóm tiến hành 200 lượt chạy thực nghiệm liên tục (50 mẫu cho mỗi loại hình dạng) với các điều kiện thay đổi góc đặt sản phẩm từ $0^\circ$ đến $360^\circ$:

Loại hình dạng mẫu Số lượng thử nghiệm Nhận dạng đúng Phân loại đúng vị trí Tỷ lệ thành công (%) Nguyên nhân sai lệch chính
Hình Tam giác 50 49 48 96.0% Góc nhọn bị mờ do ánh sáng xiên
Hình Vuông 50 48 47 94.0% Xoay góc $45^\circ$ gây biến dạng Bounding Box
Hình Chữ nhật 50 49 49 98.0% Biên dạng rõ nét, diện tích lớn
Hình Tròn 50 50 50 100.0% Độ tròn đồng nhất ở mọi góc quay
TỔNG CỘNG 200 196 194 97.0% Độ chính xác trung bình toàn hệ thống

Đo lường thời gian thực thi (Performance Benchmarks):

  • Thời gian chụp và truyền khung hình: $35.2\text{ ms}$.
  • Thời gian xử lý thuật toán OpenCV trên Raspberry Pi 4B (4-core Cortex-A72 @ 1.5GHz): $42.6\text{ ms}$.
  • Thời gian truyền dữ liệu Snap7 qua Ethernet: $8.4\text{ ms}$.
  • Tổng thời gian đáp ứng hệ thống (Response Latency): $86.2\text{ ms}$ (thấp hơn nhiều so với ngưỡng yêu cầu $150\text{ ms}$).

Kết quả đạt được

Hệ thống đã hoàn thành $100%$ các tính năng thiết kế ban đầu:

  • Chế độ vận hành tự động (Auto Mode) phân loại liên tục với năng suất thực tế đạt 28–30 sản phẩm/phút.
  • Giao diện SCADA trên WinCC Runtime Advanced hiển thị đầy đủ: Sơ đồ mô phỏng trạng thái hoạt động của băng tải, xilanh; Biểu đồ đếm số lượng từng loại sản phẩm theo thời gian thực; Nhật ký cảnh báo lỗi (Alarm logging); Bảng điều khiển chuyển chế độ Manual/Auto trực quan.

Đổi mới và đóng góp

  1. Kiến trúc tích hợp Edge-to-PLC tối ưu chi phí: Thay vì sử dụng Smart Camera công nghiệp đắt tiền hoặc PC công nghiệp chuyên dụng, đồ án đã chứng minh tính khả thi vượt trội của việc kết hợp vi máy tính nhúng Raspberry Pi 4B chạy Linux với PLC S7-1200 qua giao thức S7 Protocol tiêu chuẩn mà không cần mua thêm license OPC Server đắt đỏ.
  2. Thuật toán xử lý biên dạng bền vững: Sử dụng kết hợp thuật toán Ramer-Douglas-Peucker với tiêu chuẩn độ tròn Circularity và Aspect Ratio giúp hệ thống nhận diện chính xác vật thể bất kể góc xoay (Rotation Invariant), khắc phục triệt để nhược điểm của các phương pháp so khớp mẫu Template Matching truyền thống.
  3. Cải thiện hiệu suất định lượng:
    • Tăng tốc độ phân loại lên $140%$ so với phương pháp thủ công.
    • Giảm tỷ lệ phân loại sai từ $12.5%$ xuống dưới $3.0%$.
    • Chi phí phần cứng chế tạo toàn bộ hệ thống giảm hơn $70%$ so với các giải pháp thị giác công nghiệp tương đương trên thị trường.

Ứng dụng thực tế và triển khai

Bối cảnh ứng dụng

Hệ thống có khả năng chuyển giao và ứng dụng trực tiếp trong nhiều dây chuyền sản xuất:

  • Ngành chế biến thực phẩm & bánh kẹo: Phân loại bánh quy, kẹo, hộp đóng gói theo hình dạng quy chuẩn trước khi vào máy đóng vỉ.
  • Ngành sản xuất linh kiện cơ khí, đồ chơi giáo dục: Phân loại bu lông, ốc vít, khối lắp ghép định hình.
  • Ngành đóng gói logistics & kho vận: Kiểm soát quy cách bưu kiện trên băng chuyền tự động.

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit Analysis)

Hạng mục thiết bị Chi phí ước tính (VNĐ) Ghi chú kỹ thuật
PLC Siemens S7-1200 CPU 1214C DC/DC/DC 5.200.000 Hàng chính hãng Siemens, độ bền công nghiệp
Máy tính nhúng Raspberry Pi 4B (4GB RAM) + Vỏ & Nguồn 1.850.000 Xử lý biên đồ họa và thuật toán
Camera USB Full HD 1080p + Ống kính góc rộng 650.000 Tích hợp đèn LED chiếu sáng hỗ trợ
Hệ thống khí nén (3 Xi lanh + 3 Van điện từ 5/2 + Dây & Cút nối) 1.450.000 Khí nén hành trình 100mm, cuộn coil 24VDC
Khung băng tải nhôm định hình + Động cơ 24VDC + Dây belt 2.100.000 Kết cấu vững chắc $120\times 60\times 40\text{ cm}$
Tủ điện, Nguồn tổ ong 24V-10A, MCB, Rơ-le, Cảm biến E3F 1.600.000 Thiết bị điện tiêu chuẩn công nghiệp LS/Omron
TỔNG CHI PHÍ PHẦN CỨNG 12.850.000 Tương đương ~ $550 USD

Hiệu quả kinh tế: Một dây chuyền quy mô nhỏ sử dụng 02 nhân công phân loại (chi phí ước tính 16.000.000 VNĐ/tháng). Khi triển khai hệ thống tự động, thời gian hoàn vốn đầu tư (Payback Period) ước tính chỉ mất dưới 02 tháng vận hành, đồng thời giảm thiểu hoàn toàn chi phí đền bù do lỗi phân loại sai hỏng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại:

  • Hệ thống xử lý ảnh dựa trên ngưỡng màu xám cổ điển nên dễ bị ảnh hưởng nếu sản phẩm có màu sắc trùng hoàn toàn với màu dây belt băng tải.
  • Khoảng cách giữa các sản phẩm trên băng chuyền phải đảm bảo tối thiểu $15\text{ cm}$ để tránh việc camera nhận diện hai vật thể trong cùng một khung hình xử lý.

Hướng phát triển đề xuất:

  • Tích hợp mạng nơ-ron tích chập (Convolutional Neural Networks - CNN như YOLOv8-nano hoặc MobileNetV3) lên Raspberry Pi để nhận diện các sản phẩm có biên dạng tự do, sản phẩm bị sứt mẻ hoặc phân loại kết hợp màu sắc/chữ in.
  • Nâng cấp hệ thống truyền thông lên giao thức MQTT/OPC UA kết nối Cloud (AWS IoT Core / Siemens MindSphere) để giám sát và dự đoán bảo trì từ xa (Predictive Maintenance).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điều khiển & Tự động hóa, Cơ điện tử: Nắm vững phương pháp kết hợp giữa công nghệ phần mềm hiện đại (Python, OpenCV) và thiết bị tự động hóa công nghiệp kinh điển (PLC S7-1200, TIA Portal, WinCC).
  • Kỹ sư phát triển hệ thống (Embedded / Automation Engineers): Tham khảo mẫu kiến trúc giao tiếp trực tiếp qua Snap7 và mô hình đồng bộ giữa xử lý ảnh với cơ cấu chấp hành thời gian thực.
  • Doanh nghiệp vừa và nhỏ (SMEs): Tiếp cận giải pháp tự động hóa chi phí thấp, tính ứng dụng cao, dễ dàng bảo trì và nội địa hóa công nghệ.
  • Nhà nghiên cứu ứng dụng: Có cơ sở thực nghiệm rõ ràng về hiệu năng của vi máy tính nhúng trong các tác vụ kiểm định sản phẩm thời gian thực.

Câu hỏi thường gặp

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

Hệ thống yêu cầu nguồn điện lưới 220VAC/50Hz; Nguồn khí nén áp suất 4–6 bar cho xi lanh; Mạng LAN nội bộ kết nối dây cáp Cat6 giữa Raspberry Pi, PLC S7-1200 và máy tính chạy WinCC SCADA; Python 3.8+ cài đặt sẵn các gói thư viện opencv-python và python-snap7.

2. Giới hạn tốc độ phân loại của hệ thống là bao nhiêu?

Hệ thống đạt hiệu năng tối ưu tại tốc độ băng tải $0.15 - 0.2\text{ m/s}$, tương đương năng suất 30 sản phẩm/phút. Nếu tăng tốc độ vượt quá $0.3\text{ m/s}$, cần nâng cấp camera lên loại Global Shutter công nghiệp để tránh hiện tượng nhòe chuyển động (Motion Blur) và nâng cấp vi xử lý lên Jetson Nano.

3. Làm thế nào để tích hợp hệ thống với dây chuyền sản xuất có sẵn?

PLC S7-1200 cung cấp các đầu vào/ra số (Digital I/O) và mạng truyền thông Profinet tiêu chuẩn. Hệ thống có thể dễ dàng nhận tín hiệu Interlock (Ready, Busy, Fault, Emergency Stop) từ các máy đóng gói hoặc máy ép phía trước để tạo thành dây chuyền liên động khép kín.

4. Chi phí bảo dưỡng và hỗ trợ kỹ thuật định kỳ ra sao?

Chi phí bảo dưỡng định kỳ rất thấp, chủ yếu bao gồm: Vệ sinh bề mặt ống kính camera hàng tuần; Bổ sung dầu bôi trơn cho bộ lọc khí nén định kỳ 3 tháng/lần; Kiểm tra độ căng của dây đai băng tải 6 tháng/lần.

5. Tại sao không dùng trực tiếp Camera AI công nghiệp mà phải kết hợp Raspberry Pi và PLC?

Camera AI công nghiệp nguyên khối có giá thành cao gấp 5–10 lần và bị đóng kín về mặt thuật toán. Việc tách biệt Raspberry Pi (xử lý thuật toán linh hoạt, dễ tùy biến mở rộng) và PLC (độ ổn định cấp công nghiệp, chống nhiễu điện từ cực tốt để kéo tải van/động cơ) mang lại sự cân bằng hoàn hảo giữa tính linh hoạt và độ bền tin cậy.

Kết luận

Đề tài tốt nghiệp "Ứng dụng xử lý ảnh để phân loại sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC" đã giải quyết trọn vẹn bài toán tự động hóa kiểm định và phân loại sản phẩm công nghiệp. Bằng cách kết hợp sáng tạo giữa máy tính nhúng Raspberry Pi 4B, thư viện thị giác OpenCV, PLC Siemens S7-1200 và SCADA WinCC, hệ thống đạt độ chính xác phân loại $97.0%$ với chi phí phần cứng tối ưu chỉ dưới 13 triệu đồng. Đây là tài liệu tham khảo kỹ thuật giá trị, có tính ứng dụng thực tiễn cao và mở ra tiềm năng lớn cho các doanh nghiệp đang tìm kiếm giải pháp chuyển đổi số và tự động hóa dây chuyền với chi phí hợp lý.