Đồ Án Tốt Nghiệp: Ứng Dụng Xử Lý Ảnh Phân Loại Sản Phẩm (ĐH Sư Phạm Kỹ Thuật Đà Nẵng)

Đồ án tốt nghiệp xử lý ảnh: Tổng hợp các đề tài, dự án xử lý ảnh chất lượng cao. Tài liệu tham khảo hữu ích cho sinh viên công nghệ thông tin.

Người đăng

Ẩn danh

Thể loại

Đồ án tốt nghiệp

2022

111
7
0

Phí lưu trữ

35 Point

Mục lục chi tiết

MỞ ĐẦU

1. CHƯƠNG 1: TỔNG QUAN VỀ HỆ THỐNG PHÂN LOẠI SẢN PHẨM THEO HÌNH DẠNG

1.1. Tổng quan về hệ thống

1.2. Nguyên lý hoạt động của hệ thống

1.3. Các công nghệ sử dụng trong hệ thống

1.4. Phương pháp phân loại sản phẩm theo hình dạng

1.4.1. Các hình dạng cơ bản của sản phẩm

1.4.2. Phương pháp nhận dạng hình dạng

1.4.3. Phương pháp tìm đặc điểm hình dạng để phân loại sản phẩm

1.4.3.1. Phương pháp tìm đỉnh
1.4.3.2. Phương pháp tìm độ dài cạnh
1.4.3.3. Phương pháp tìm tâm và bán kính

1.5. Phương án thiết kế

1.5.1. Yêu cầu thiết kế

1.5.2. Lựa chọn phương án thiết kế

2. CHƯƠNG 2: GIỚI THIỆU VỀ RASPPBERRY VÀ NGÔN NGỮ LẬP TRÌNH PYTHON

2.1. Tổng quan về Raspberry

2.2. Giới thiệu ngôn ngữ lập trình Python

2.2.1. Giới thiệu ngôn ngữ Python

2.2.2. Đặc điểm nổi bật của Python

2.3. Giới thiệu thư viện OpenCV

2.3.1. Giới thiệu OpenCV

2.3.2. Đặc điểm OpenCV

2.4. Tổng quan về xử lý ảnh

2.4.1. Giới thiệu xử lí ảnh

2.4.2. Những vấn đề trong xử lý ảnh

2.4.3. Biến đổi ảnh

2.4.4. Lọc màu ảnh

2.4.5. Phương pháp phát hiện biên

2.4.6. Phân đoạn ảnh

2.4.7. Các phép giãn nở của ảnh

2.4.8. Những định dạng của ảnh

2.4.9. Các phần mềm hỗ trợ xử lý ảnh

2.5. Tiền xử lý ảnh

2.5.1. Đọc ảnh và cắt ảnh

2.5.2. Biến đổi ảnh

2.5.3. Vẽ viền quanh ảnh

2.6. Xác định cạnh và tính toán ảnh để nhận dạng hình dạng

2.6.1. Tính toán ảnh

3. CHƯƠNG 3: TỔNG QUAN VỀ PLC VÀ PHẦN MỀM TIA PORTAL

3.1. Giới thiệu về PLC

3.2. Giới thiệu về PLC S7 – 1200

3.2.1. Cấu trúc phần cứng của PLC S7 – 1200:

3.2.2. Cấu trúc phần mềm của PLC S7 – 1200

3.2.3. Module mở rộng của PLC S7 – 1200:

3.2.4. Ngôn ngữ lập trình cho PLC S7 – 1200:

3.2.5. Phương pháp lập trình PLC S7 – 1200

3.2.6. Các tập lệnh cơ bản của PLC S7 – 1200

3.3. Bộ đảo logic NOT

3.4. Cuộn dây ngõ ra (LAD)

3.5. Các lệnh Set và Reset

3.6. Lệnh dò ngưỡng dương và âm

3.7. Bộ đếm Counter

3.8. Lệnh so sánh

3.9. Các lệnh tính toán

3.10. Lệnh giá trị nhỏ nhất và lớn nhất

3.11. Phần mềm lập trình cho PLC S7 – 1200

3.11.1. Tổng quan về phần mềm TIA Portal V16

3.11.2. Giao diện phần mềm TIA Portal

3.11.3. Sử dụng bảng Tag trong PLC

3.11.4. Tải chương trình xuống CPU:

3.12. Giới thiệu về WinCC

3.12.1. Tổng quan về WinCC

3.12.2. Các ứng dụng của WinCC

4. CHƯƠNG 4: THIẾT KẾ VÀ THI CÔNG MÔ HÌNH “ỨNG DỤNG XỬ LÝ ẢNH ĐỂ PHÂN LOẠI SẢN PHẨM THEO HÌNH DẠNG”

4.1. Yêu cầu công nghệ của hệ thống

4.2. Thiết kế phần cứng

4.2.1. Lựa chọn thiết bị

4.2.2. Khối nút nhấn và đèn báo

4.2.3. Thiết kế băng tải

4.2.4. Khối cảm biến

4.2.5. Khối động lực

4.2.6. Khối cách ly bảo vệ

4.2.7. Động cơ DC kéo băng tải

4.3. Sơ đồ đấu nối tủ điện

4.4. Thi công mô hình hệ thống

5. CHƯƠNG 5: CHƯƠNG TRÌNH ĐIỀU KHIỂN VÀ GIÁM SÁT HỆ THỐNG

5.1. Bảng phân công đầu vào, đầu ra

5.2. Giản đồ thời gian

5.3. Giới thiệu về giao diện hệ thống điều khiển và giám sát

5.4. Thành phần chính của hệ thống SCADA

5.5. Thiết kế giao diện:

5.5.1. Tạo giao diện cho hệ thống:

5.5.2. Gắn HMI Tags cho hệ thống:

5.5.3. Hiệu chỉnh giao diện:

5.6. Giao tiếp và truyền thông Raspberry với PLC S7 1200

5.6.1. Mở quyền truy cập truyền nhận dữ liệu trên PLC S7 1200

5.6.2. Cài đặt địa chỉ và truyền thông

5.6.3. Đọc và ghi dữ liệu

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Đồ Án Xử Lý Ảnh Phân Loại Sản Phẩm Mới

Trong bối cảnh công nghiệp hóa, hiện đại hóa đất nước, việc ứng dụng các dây chuyền sản xuất tự động ngày càng trở nên quan trọng. Đồ án Xử Lý Ảnh để Phân Loại Sản Phẩm là một bước tiến trong lĩnh vực này, hướng tới mục tiêu tăng năng suất, giảm chi phí và nâng cao chất lượng sản phẩm. Đồ án này tập trung vào việc sử dụng các kỹ thuật Computer VisionMachine Learning để tự động hóa quá trình phân loại, giảm thiểu sự can thiệp của con người và nâng cao độ chính xác.

Đồ án này không chỉ mang tính ứng dụng cao trong thực tế sản xuất mà còn là cơ hội để sinh viên áp dụng kiến thức đã học vào giải quyết một bài toán cụ thể. Việc sử dụng các công cụ như Python, Tensorflow, Keras, và OpenCV giúp sinh viên làm quen với các công nghệ tiên tiến, chuẩn bị cho sự nghiệp trong lĩnh vực Trí Tuệ Nhân TạoTự Động Hóa. Báo cáo này sẽ đi sâu vào các khía cạnh kỹ thuật của đồ án, từ việc thu thập và xử lý dữ liệu ảnh đến việc xây dựng và đánh giá mô hình phân loại. Mục tiêu cuối cùng là tạo ra một hệ thống có khả năng Nhận Diện Ảnh và phân loại sản phẩm một cách chính xác và hiệu quả.

Nghiên cứu này sử dụng Raspberry Pi 4BPLC S7-1200 để thực hiện việc phân loại. Theo tóm tắt đồ án gốc, nhóm nghiên cứu "tập trung vào sử dụng ngôn ngữ lập trình Python để xử lý ảnh, tín hiệu được gửi tới PLC S7 – 1200 thông qua cổng Ethernet, quy trình điều khiển tuần tự mà từ đó viết chương trình phân loại sản phẩm dựa theo hình dạng".

Đề tài "Ứng dụng xử lý ảnh để phân loại sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC" được chia thành 5 chương chính, từ tổng quan hệ thống đến chương trình điều khiển và giám sát. Mục tiêu là tạo ra mô hình có khả năng phân loại sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC, sử dụng Kit Raspberry Pi 4BPLC Siemens S7 – 1200.

1.1. Ứng Dụng Xử Lý Ảnh Để Giải Quyết Bài Toán Phân Loại

Việc ứng dụng xử lý ảnh trong phân loại sản phẩm mang lại nhiều lợi ích, bao gồm khả năng xử lý nhanh chóng, độ chính xác cao và khả năng hoạt động liên tục. Các hệ thống phân loại sản phẩm truyền thống thường dựa vào các cảm biến cơ học hoặc quang học để phát hiện và phân loại sản phẩm. Tuy nhiên, các hệ thống này có thể bị hạn chế bởi độ chính xác, tốc độ và khả năng xử lý các sản phẩm có hình dạng phức tạp. Xử lý ảnh cho phép hệ thống phân loại sản phẩm dựa trên nhiều yếu tố khác nhau, như hình dạng, kích thước, màu sắc và thậm chí cả các đặc điểm bề mặt.

Các kỹ thuật xử lý ảnh được sử dụng trong phân loại sản phẩm bao gồm tiền xử lý ảnh, trích xuất đặc trưngphân loại ảnh. Tiền xử lý ảnh bao gồm các bước như giảm nhiễu, cân bằng histogrambiến đổi ảnh để cải thiện chất lượng ảnh đầu vào. Trích xuất đặc trưng là quá trình xác định và đo lường các đặc điểm quan trọng của ảnh, như hình dạng, kích thước và màu sắc. Phân loại ảnh là quá trình sử dụng các đặc trưng đã trích xuất để gán sản phẩm vào một trong các loại được định nghĩa trước. Các thuật toán phân loại phổ biến bao gồm SVM, Random ForestConvolutional Neural Network (CNN).

1.2. Tầm Quan Trọng Của Đồ Án Tốt Nghiệp Trong Ngành Tự Động Hóa

Đồ án tốt nghiệp "Xử Lý Ảnh Phân Loại Sản Phẩm" đóng vai trò quan trọng trong việc đào tạo kỹ sư Tự Động Hóa. Nó cung cấp cơ hội thực hành các kiến thức lý thuyết đã học, đồng thời rèn luyện kỹ năng giải quyết vấn đề và làm việc nhóm. Sinh viên được tiếp cận với các công nghệ tiên tiến, như Computer Vision, Machine LearningPLC, từ đó nâng cao khả năng cạnh tranh trên thị trường lao động. Bên cạnh đó, đồ án còn khuyến khích sinh viên nghiên cứu và sáng tạo, góp phần vào sự phát triển của ngành Tự Động Hóa trong nước.

Thông qua việc thực hiện đồ án, sinh viên không chỉ nắm vững các kiến thức chuyên môn mà còn phát triển các kỹ năng mềm quan trọng, như kỹ năng giao tiếp, kỹ năng quản lý thời gian và kỹ năng giải quyết xung đột. Đồ án cũng giúp sinh viên hiểu rõ hơn về quy trình nghiên cứu khoa học, từ việc xác định vấn đề đến việc thu thập dữ liệu, phân tích kết quả và viết báo cáo. Những kinh nghiệm này sẽ là nền tảng vững chắc cho sự nghiệp của sinh viên sau khi tốt nghiệp.

II. Vấn Đề Khó Khăn Phân Loại Sản Phẩm Bằng Phương Pháp Cũ

Các phương pháp phân loại sản phẩm truyền thống thường gặp nhiều hạn chế, đặc biệt là khi phải xử lý các sản phẩm có hình dạng phức tạp hoặc yêu cầu độ chính xác cao. Việc sử dụng nhân công để phân loại sản phẩm có thể tốn kém, chậm trễ và dễ xảy ra sai sót. Các hệ thống phân loại dựa trên cảm biến cơ học hoặc quang học có thể bị ảnh hưởng bởi điều kiện môi trường, như ánh sáng và bụi bẩn. Ngoài ra, các hệ thống này thường khó có thể thích ứng với các loại sản phẩm mới hoặc thay đổi trong quy trình sản xuất.

Việc phân loại sản phẩm bằng phương pháp thủ công cũng gặp khó khăn trong việc đảm bảo tính nhất quán và khách quan. Mỗi nhân viên có thể có những tiêu chuẩn phân loại khác nhau, dẫn đến sự không đồng đều trong chất lượng sản phẩm. Hơn nữa, việc kiểm soát và theo dõi quá trình phân loại trở nên khó khăn, gây khó khăn cho việc cải tiến quy trình sản xuất.

Những hạn chế này đặt ra yêu cầu cấp thiết về việc phát triển các hệ thống phân loại sản phẩm tự động, có khả năng vượt qua những khó khăn của các phương pháp truyền thống. Đồ án "Xử Lý Ảnh Phân Loại Sản Phẩm" hướng tới giải quyết bài toán này bằng cách ứng dụng các công nghệ tiên tiến, mang lại giải pháp phân loại hiệu quả, chính xác và linh hoạt.

2.1. Sai Sót Và Thiếu Nhất Quán Trong Phân Loại Thủ Công

Phân loại thủ công dễ dẫn đến sai sót do sự mệt mỏi, thiếu tập trung của nhân viên. Tính chủ quan trong đánh giá cũng gây ra sự thiếu nhất quán giữa các ca làm việc, ảnh hưởng đến chất lượng sản phẩm cuối cùng. Các độ đo hiệu năng như accuracy, precision, recall, và F1-score thường thấp hơn so với hệ thống tự động.

2.2. Hạn Chế Về Tốc Độ Và Khả Năng Thích Ứng Của Cảm Biến

Các hệ thống phân loại bằng cảm biến truyền thống gặp khó khăn khi sản phẩm có hình dạng phức tạp, kích thước nhỏ hoặc thay đổi liên tục. Cảm biến dễ bị ảnh hưởng bởi môi trường, đòi hỏi bảo trì thường xuyên và khó thích ứng với dây chuyền sản xuất linh hoạt. Việc tích hợp xử lý ảnh có thể khắc phục các nhược điểm này.

III. Phương Pháp Xử Lý Ảnh Phân Loại Sản Phẩm Bằng CNN Tối Ưu

Để giải quyết bài toán phân loại sản phẩm, đồ án này tập trung vào việc sử dụng mạng nơ-ron tích chập (CNN), một kỹ thuật Deep Learning mạnh mẽ trong lĩnh vực Computer Vision. CNN có khả năng tự động học các đặc trưng quan trọng từ ảnh, giúp hệ thống nhận diện ảnhphân loại sản phẩm một cách chính xác. Quá trình xây dựng hệ thống phân loại sản phẩm bằng CNN bao gồm các bước chính sau: thu thập và chuẩn bị tập dữ liệu ảnh, xây dựng và huấn luyện mô hình CNN, đánh giá hiệu năng mô hình và triển khai hệ thống.

Việc lựa chọn CNN làm phương pháp chính là do khả năng vượt trội của nó trong việc xử lý ảnh và nhận diện các đặc trưng phức tạp. CNN không yêu cầu con người phải thiết kế các đặc trưng một cách thủ công, mà tự động học các đặc trưng phù hợp từ dữ liệu. Điều này giúp tiết kiệm thời gian và công sức, đồng thời nâng cao độ chính xác của hệ thống phân loại. Transfer Learning cũng có thể được áp dụng để tận dụng các mô hình CNN đã được huấn luyện trước trên các tập dữ liệu ảnh lớn, giúp giảm thời gian huấn luyện và cải thiện hiệu năng mô hình.

Các kỹ thuật tiền xử lý ảnh như augmentation dữ liệu, biến đổi ảnhgiảm nhiễu cũng được áp dụng để cải thiện chất lượng tập dữ liệu ảnh và tăng cường độ ổn định của mô hình CNN. Mục tiêu là tạo ra một hệ thống phân loại sản phẩm có khả năng hoạt động hiệu quả trong môi trường sản xuất thực tế, đối mặt với các yếu tố gây nhiễu như ánh sáng, góc nhìn và biến dạng hình ảnh.

3.1. Thu Thập Và Chuẩn Bị Tập Dữ Liệu Ảnh Quan Trọng

Việc thu thập và chuẩn bị tập dữ liệu ảnh là bước quan trọng nhất trong quá trình xây dựng hệ thống phân loại sản phẩm. Tập dữ liệu ảnh cần phải đủ lớn, đa dạng và đại diện cho các loại sản phẩm cần phân loại. Các ảnh cần được gắn nhãn chính xác, đảm bảo rằng mô hình CNN có thể học các đặc trưng phân biệt giữa các loại sản phẩm. Augmentation dữ liệu có thể được sử dụng để tăng kích thước tập dữ liệu ảnh bằng cách tạo ra các ảnh biến đổi từ các ảnh gốc, như xoay, lật, thay đổi độ sáng và thêm nhiễu.

3.2. Xây Dựng Và Huấn Luyện Mô Hình CNN Hiệu Quả

Việc xây dựng mô hình CNN đòi hỏi kiến thức về kiến trúc mạng nơ-ron và các tham số huấn luyện. Các kiến trúc CNN phổ biến bao gồm LeNet, AlexNet, VGGNet, ResNetInceptionNet. Việc lựa chọn kiến trúc phù hợp phụ thuộc vào độ phức tạp của bài toán và kích thước tập dữ liệu ảnh. Các tham số huấn luyện cần được điều chỉnh cẩn thận để đảm bảo rằng mô hình CNN hội tụ và đạt được hiệu năng tốt nhất. Tối ưu hóa mô hình bằng các thuật toán như AdamRMSprop cũng rất quan trọng.

3.3. Đánh Giá Hiệu Năng Mô Hình Độ Chính Xác Cao

Sau khi huấn luyện, mô hình CNN cần được đánh giá để xác định hiệu năng của nó trên tập dữ liệu kiểm tra. Các độ đo hiệu năng phổ biến bao gồm accuracy, precision, recall, và F1-score. Confusion matrix cũng được sử dụng để phân tích chi tiết các lỗi phân loại. Nếu hiệu năng của mô hình không đạt yêu cầu, cần phải điều chỉnh kiến trúc mạng, tham số huấn luyện hoặc tập dữ liệu ảnh.

IV. Ứng Dụng Thực Tế Mô Hình Phân Loại Hình Dạng Sản Phẩm

Đồ án "Xử Lý Ảnh Phân Loại Sản Phẩm" được ứng dụng cụ thể vào bài toán phân loại sản phẩm theo hình dạng. Hệ thống được thiết kế để phân loại các sản phẩm có hình dạng cơ bản, như hình tròn, hình vuông, hình tam giác và hình chữ nhật. Quá trình phân loại được thực hiện bằng cách sử dụng Raspberry Pi 4B để thu thập và xử lý ảnh, sau đó gửi thông tin đến PLC S7-1200 để điều khiển các cơ cấu chấp hành, thực hiện việc phân loại sản phẩm.

Việc sử dụng Raspberry Pi 4BPLC S7-1200 mang lại nhiều lợi ích, bao gồm khả năng xử lý nhanh chóng, độ tin cậy cao và khả năng tích hợp dễ dàng vào các hệ thống tự động hóa khác. Raspberry Pi 4B cung cấp một nền tảng mạnh mẽ để chạy các thuật toán xử lý ảnhMachine Learning, trong khi PLC S7-1200 đảm bảo rằng quá trình phân loại sản phẩm được thực hiện một cách chính xác và an toàn.

Kết quả nghiên cứu cho thấy rằng hệ thống có khả năng phân loại sản phẩm theo hình dạng với độ chính xác cao. Hệ thống có thể được sử dụng trong nhiều ứng dụng khác nhau, như phân loại sản phẩm trên dây chuyền sản xuất, kiểm tra chất lượng sản phẩm và phân loại phế liệu.

4.1. Tích Hợp Raspberry Pi Và PLC Để Điều Khiển Phân Loại

Raspberry Pi đóng vai trò xử lý ảnh và truyền tín hiệu phân loại tới PLC. PLC điều khiển các cơ cấu chấp hành như xi-lanh khí nén để đẩy sản phẩm vào các khay tương ứng. Việc tích hợp này tạo nên hệ thống tự động hóa hoàn chỉnh.

4.2. Giao Diện WinCC Giám Sát Và Điều Khiển Hệ Thống

WinCC cung cấp giao diện trực quan để người dùng theo dõi quá trình phân loại, điều chỉnh các thông số và can thiệp khi cần thiết. Giao diện hiển thị số lượng sản phẩm đã phân loại theo từng loại hình dạng, giúp quản lý sản xuất hiệu quả.

V. Đánh Giá Hướng Phát Triển Đồ Án Phân Loại Sản Phẩm

Đồ án "Xử Lý Ảnh Phân Loại Sản Phẩm" đã đạt được những kết quả khả quan, chứng minh tính khả thi và hiệu quả của việc ứng dụng các công nghệ Computer VisionMachine Learning vào bài toán phân loại sản phẩm. Tuy nhiên, vẫn còn nhiều hướng phát triển tiềm năng để nâng cao hiệu năng và mở rộng phạm vi ứng dụng của hệ thống. Các hướng phát triển có thể bao gồm: cải thiện độ chính xác của mô hình CNN, mở rộng tập dữ liệu ảnh, tích hợp các cảm biến khác, và phát triển các thuật toán phân loại mới.

Việc cải thiện độ chính xác của mô hình CNN có thể được thực hiện bằng cách sử dụng các kiến trúc mạng nơ-ron phức tạp hơn, tối ưu hóa các tham số huấn luyện và áp dụng các kỹ thuật augmentation dữ liệu tiên tiến. Việc mở rộng tập dữ liệu ảnh có thể giúp mô hình CNN học các đặc trưng phân biệt giữa các loại sản phẩm một cách tốt hơn. Việc tích hợp các cảm biến khác, như cảm biến độ cao và cảm biến trọng lượng, có thể cung cấp thêm thông tin cho hệ thống phân loại. Việc phát triển các thuật toán phân loại mới có thể giúp hệ thống phân loại các sản phẩm có hình dạng phức tạp hơn.

Đồ án "Xử Lý Ảnh Phân Loại Sản Phẩm" là một bước tiến quan trọng trong lĩnh vực tự động hóatrí tuệ nhân tạo. Với những kết quả đạt được và các hướng phát triển tiềm năng, đồ án hứa hẹn sẽ mang lại nhiều ứng dụng thực tế trong tương lai.

5.1. Cải Thiện Độ Chính Xác Mô Hình Bằng Dữ Liệu Và Thuật Toán

Tăng cường tập dữ liệu ảnh bằng cách thu thập thêm ảnh từ nhiều góc độ, điều kiện ánh sáng khác nhau. Thử nghiệm các kiến trúc CNN tiên tiến như EfficientNet, MobileNet. Sử dụng các kỹ thuật tối ưu hóa như Learning Rate Scheduling, Early Stopping để cải thiện quá trình huấn luyện.

5.2. Mở Rộng Phạm Vi Ứng Dụng Phân Loại Linh Hoạt

Tích hợp thêm các cảm biến khác như cảm biến màu sắc, cảm biến kích thước để phân loại sản phẩm dựa trên nhiều tiêu chí hơn. Phát triển khả năng phân loại sản phẩm theo các tiêu chuẩn chất lượng, không chỉ hình dạng. Ứng dụng vào các lĩnh vực khác như nông nghiệp, y tế.

VI. Kết Luận Đồ Án Xử Lý Ảnh Mở Ra Tương Lai Tự Động

Đồ án "Xử Lý Ảnh Phân Loại Sản Phẩm" đã chứng minh tiềm năng to lớn của việc ứng dụng xử lý ảnh, computer vision, machine learning và các công nghệ tự động hoá hiện đại trong ngành công nghiệp. Từ các kiến thức chuyên sâu về mạng neuron tích chập (CNN), Python, Tensorflow, Keras và các kỹ thuật liên quan, đồ án không chỉ mang lại giải pháp cho bài toán phân loại sản phẩm mà còn mở ra hướng đi mới cho việc tối ưu hóa quy trình sản xuất, giảm thiểu chi phí và nâng cao chất lượng sản phẩm. Đồ án đã thành công trong việc kết hợp lý thuyết và thực hành, cung cấp cho sinh viên những kỹ năng cần thiết để đáp ứng nhu cầu của thị trường lao động ngày càng cạnh tranh. Sự kết hợp giữa Raspberry PiPLC S7-1200, cùng với giao diện WinCC tạo nên một hệ thống hoàn chỉnh, có khả năng ứng dụng rộng rãi trong thực tế.

6.1. Tự Động Hóa Quy Trình Sản Xuất Hiệu Quả

Ứng dụng xử lý ảnh giúp tự động hóa quá trình phân loại, giảm thiểu sự can thiệp của con người và tăng năng suất. Các doanh nghiệp có thể tiết kiệm chi phí nhân công, giảm thiểu sai sót và nâng cao hiệu quả hoạt động.

6.2. Phát Triển Kỹ Năng Chuyên Môn Ứng Dụng Cao

Việc thực hiện đồ án giúp sinh viên nắm vững các kiến thức chuyên môn, rèn luyện kỹ năng giải quyết vấn đề và làm việc nhóm. Sinh viên có cơ hội tiếp cận với các công nghệ tiên tiến và chuẩn bị tốt cho sự nghiệp trong lĩnh vực tự động hóa, trí tuệ nhân tạo.

22/09/2025

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ HỆ THỐNG PHÂN LOẠI SẢN PHẨM THEO HÌNH DẠNG 1.1 Tổng quan về hệ thống Ngày nay, nước ta đang thực chính sách “Công nghiệp hoá – hiện đại hoá đất nước”. Nền Công nghiệp đang hướng tới Công nghiệp 4.0, là sự kết hợp các công nghệ lại với nhau, làm mờ ranh giới giữa vật lý, kỹ thuật số và sinh học. Với sự phát triển của công nghệ kỹ thuật, các bộ điều khiển đang có ứng dụng rộng rãi trong các lĩnh vực khoa học kỹ thuật và đời sống xã hội, đặc biệt là trong tự động hoá và điều khiển. Từ đó mà việc đưa tự động hóa vào sản xuất như diễn ra một điều tất yếu.

Việc tạo ra các sản phẩm tự động hoá không những trong công nghiệp mà ngay cả trong đời sống con người ngày càng được phổ biến. Phân loại sản phẩm là một bài toán đã và đang được ứng dụng rất nhiều trong thực tế hiện nay. Công việc này đòi hỏi sự tập trung cao và có tính lặp lại, nên các công nhân khó đảm bảo được sự chính xác trong công việc. Chưa kể đến có những phân loại dựa trên các chi tiết kĩ thuật rất nhỏ mà mắt thường khó có thể nhận ra.

Điều đó sẽ ảnh hưởng trực tiếp tới chất lượng sản phẩm và uy tín của nhà sản xuất. Vì vậy, hệ thống tự động nhận dạng và phân loại sản phẩm ra đời là một sự phát triển tất yếu nhằm đáp ứng nhu cầu cấp bách này.2 Nguyên lý hoạt động của hệ thống Đề tài “Ứng dụng xử lý ảnh để phân loại sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC” là mô hình phân loại sản phẩm theo hình dạng (hình tròn, hình vuông, hình tam giác và hình chữ nhật). Dựa trên ngôn ngữ Python với thư viện chính là OpenCV và được thực hiện trên Kit Raspberry Pi 4B và PLC S7 - 1200. Tại đây sử dụng các đặc điểm riêng biệt của từng hình dạng để đi nhận dạng rồi sau đó phân loại từng sản phẩm.

Hệ thống gồm camera, Raspberry, PLC. Camera sẽ chụp ảnh sản phẩm cần phân loại rồi sau đó gửi đến Rasppberry để xử lí, sau khi xử lí được ảnh thì Rasppberry sẽ gửi đến PLC để điều khiển và phân loại sản phẩm. Kết quả thực hiện của đề tài là nhận dạng được những sản phẩm có hình dạng (hình tròn, hình vuông, hình tam giác và hình chữ nhật) cùng với việc đếm được sản phẩm theo hình dạng của từng sản phẩm, hiển thị trên màn hình.3 Các công nghệ sử dụng trong hệ thống  Phương pháp xử lý ảnh dùng phần mềm Matlab Matlab là ngôn ngữ lập trình bậc cao dùng cho kỹ thuật. Đồng thời nó là môi trường tương tác có thể thực hiện nhiều nhiệm vụ, phát triển giải thiết, phân tích dữ liệu, tính SVTH: Bùi Anh Dũng Người hướng dẫn: ThS.

Phan Thị Thanh Vân Phạm Lê Bảo Hoàng 2 Tên đề tài: Ứng dụng xử lý ảnh để phân loai sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC toán các phép tính số học và hình ảnh hoá số liệu. So với các ngôn ngữ lập trình truyền thống như C, C++ hay Fortran thì Matlab có nhiều ưu điểm hơn do được tích hợp các hỗ trợ rất mạnh. - Ưu điểm : Phần mềm dễ sử dụng - Nhược điểm : + Độ chính xác không cao + Việc truyền thông, giao tiếp với các phần mềm rất khó  Phương pháp xử lý ảnh dùng phần mềm Labview Labview là một phần mềm lập trình mô phỏng robot được sáng chế ra với mục đích hỗ trợ người dùng tạo ra các thiết bị ảo dựa trên nhu cầu cá nhân. - Ưu điểm : + Phần mềm dễ sử dụng nên được nhiều người sử dụng + Khả năng phát hiện hình dạng của chương trình LabView là cực kì nhanh chóng.

Có thể sử dụng các chứng năng mở rộng có sẵn trong Labview đê tăng khả năng phân biệt nhiều sản phẩm + Kết quả xử lý ảnh với tỷ lệ sai lệch nhỏ và có độ chính xác cao - Nhược điểm : Khó khăn về kết hợp giữa phần mềm Labview với các phần mềm khác Trên đây là 2 phương pháp được sử dụng rất nhiều hiện nay. Tuy nhiên, trong một hệ thống đòi hỏi độ chính xác cao, việc giao tiếp và truyền thống với các thiết bị khác phải đảm bảo tính ổn định và nhanh chóng. Trong các nhà máy, xí nghiệp hiện nay thì việc sử dụng phương pháp xử lý ảnh thông qua Raspberry kết hợp với PLC đang dần thay thế các phương pháp khác. Do vậy, trong đề tài này sử dụng các công nghệ như sau: - Sử dụng Kit Raspberry Pi 4B thông qua thư viện OpenCV để xử lý ảnh - Sử dụng PLC S7 – 1200 để phân loại sản phẩm - Sử dụng WinCC để giám sát quá trình hoạt động và hiện thị số lượng lên màn hình 1.4 Phương pháp phân loại sản phẩm theo hình dạng Với đề tài “Ứng dụng xử lý ảnh để phân loại sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC”.

Ở phần này sẽ đi tìm hiểu chi tiết phương pháp nhận dạng của từng sản phẩm và phân loại sản phẩm theo từng hình dạng đã được nhận dạng.1 Các hình dạng cơ bản của sản phẩm Trong cuộc sống hiện nay, nhu cầu về kiểu dáng sản phẩm ngày càng được chứ trọng, để đáp ứng nhu cầu thiết yếu đó nên trên thị trường ra nhiều sản phẩm có hình dạng và kiểu dáng đa dạng. Ở đề tài này, để gần với thực tế, nhóm chọn sản phẩm có hình dạng phổ biến. Chủ yếu là các hình dạng ở ngoài cuộc sống (hình tròn, hình vuông, hình SVTH: Bùi Anh Dũng Người hướng dẫn: ThS. Phan Thị Thanh Vân Phạm Lê Bảo Hoàng 3 Tên đề tài: Ứng dụng xử lý ảnh để phân loai sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC tam giác và hình chữ nhật).

Đặc điểm cơ bản của sản phẩm có hình dạng phổ biến:  Đặc điểm nhận dạng hình chữ nhật: Có 4 đỉnh, 4 cạnh, 4 góc vuông, 2 cạnh đối diện đều bằng nhau khác với so với hình vuông là 2 cạnh kề không bằng nhau,…  Đặc điểm nhận dạng hình vuông : Có 4 đỉnh, 4 cạnh, 4 góc vuông, 2 cạnh đối diện đều bằng nhau, 2 cạnh kề bằng nhau,…  Đặc điểm nhận dạng hình tròn: Một hình tròn là một vùng trên mặt phẳng nằm "bên trong" đường tròn. Bán kính tính từ tâm đến đường tròn. Đặc điểm nhận dạng: Bán kính đều bằng nhau,…  Đặc điểm nhận dạng hình tam giác: có 3 đỉnh và 3 cạnh là hình tam giác,… 1.2 Phương pháp nhận dạng hình dạng Phương pháp nhận dạng hình ảnh là giai đoạn quan trọng của hệ thống xử lý ảnh. Nhận dạng là quá trình phân loại các đối tượng được biểu diễn theo một mô hình nào đó.

Ảnh được chụp sẽ được phân tích thành các đặc trưng riêng biệt, với những đặc trưng đó ta đem đi nhận dạng. Như đã đề cập ở trên thì các hình dạng của sản phẩm sẽ có các đặc điểm riêng biệt. Tuy nhiên, thì vẫn có một số đặc điểm giống nhau, đặc điểm khác nhau, cùng với đó có thêm một số đặc điểm bị dư thừa trong việc so sánh với các sản phẩm khác. Chính vì vậy, ở đề tài này, ta cần chọn lọc ra từng đặc điểm riêng biệt của từng hình mà các hình khác không có và loại bỏ các đặc điểm không cần thiết.

Như vậy, để nhận dạng được hình dạng của sản phẩm cần xác định các đặc điểm đặc trưng riêng biệt của từng hình dạng. Ở đây chỉ có 4 hình dạng sản phẩm (hình chữ nhật, hình vuông, hình tròn, hình tam giác) cần phân loại, chính vì vậy sẽ có một số đặc điểm hình dạng không cần xét tới. Sản phẩm hình chữ nhật Hình chữ nhật là hình có 4 đỉnh, 4 cạnh, 4 góc vuông, 2 cạnh đối diện bằng nhau,. Từ đặc điểm đó ta đi so sánh với 3 hình còn lại và phân tích thấy: Đặc điểm thứ nhất có 4 đỉnh, nhưng sản phẩm hình vuông cũng có 4 đỉnh.

Vì vậy ta có đặc điểm thứ hai để so sánh sự khác biệt với hình vuông, đó là 2 cạnh kề không bằng nhau với hình chữ nhật, với hình vuông thì chúng bằng nhau. Như vậy, đặc điểm nhận dạng sản phẩm hình chữ nhật, gồm 4 đỉnh và 2 cạnh kề không bằng nhau. SVTH: Bùi Anh Dũng Người hướng dẫn: ThS. Phan Thị Thanh Vân Phạm Lê Bảo Hoàng 4 Tên đề tài: Ứng dụng xử lý ảnh để phân loai sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC Hình 1.

1: Đặc điểm hình chữ nhật Sản phẩm hình vuông Đặc điểm nhận dạng: Có 4 đỉnh, 4 cạnh, 4 góc vuông, 2 cạnh đối diện đều bằng nhau, 2 cạnh kề bằng nhau,… Từ đặc điểm đó ta đi so sánh với 3 hình còn lại và phân tích thấy: Đặc điểm thứ nhất có 4 đỉnh, nhưng sản phẩm hình chữ nhật cũng có 4 đỉnh như đã đề cập ở trên. Chính vì vậy ta có đặc điểm thứ hai để so sánh sự khác biệt với hình chữ nhật, đó là 2 cạnh bằng nhau. Như vậy, đặc điểm nhận dạng sản phẩm hình vuông, gồm 4 đỉnh và 2 cạnh kề bằng nhau. 2: Đặc điểm hình vuông Sản phẩm hình tròn Đặc điểm nhận dạng: Bán kính đều bằng nhau,… Từ đặc điểm đó ta đi so sánh với 3 hình còn lại và phân tích thấy: bán kính tính từ tâm đến đường tròn bên ngoài tất cả chúng đều bằn nhau chính vì vậy đó là đặc điểm riêng biệt của hình tròn.

3: Đặc điểm hình tròn SVTH: Bùi Anh Dũng Người hướng dẫn: ThS. Phan Thị Thanh Vân Phạm Lê Bảo Hoàng 5 Tên đề tài: Ứng dụng xử lý ảnh để phân loai sản phẩm theo hình dạng, điều khiển và giám sát qua WinCC Sản phẩm hình tam giác Đặc điểm nhận dạng: có 3 đỉnh và 3 cạnh là hình tam giác,… Từ đặc điểm đó ta đi so sánh với 3 hình còn lại và phân tích thấy: Chỉ có hình tam giác có 3 đỉnh, và đó chính là đặc điểm đặc trưng riêng biệt của tam giác. 4: Đặc điểm hình tam giác Bảng 1. 1 Đặc điểm hình dạng sản phẩm Đặc điểm Hình vuông Hình chữ nhật Hình tròn Hình tam giác đỉnh 4 đỉnh 4 đỉnh không 3 đỉnh 2 cạnh kề bằng 2 cạnh kề không cạnh không 3 cạnh nhau bằng nhau bán kính không không bằng nhau không Như vậy ta có thể thấy, ta chỉ cần tìm ba đặc điểm chính: Đỉnh, cạnh và bán kính.

Trong đó đỉnh liên quan đến hình tam giác, hình chữ nhật và hình vuông. Cạnh chỉ có hai hình là hình vuông và hình chữ nhật. Bán kính chỉ liên quan tới hình tròn.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ