Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0, tự động hóa dây chuyền sản xuất đóng vai trò then chốt nhằm tối ưu hóa năng suất, giảm thiểu chi phí nhân công và loại bỏ các sai sót do yếu tố chủ quan của con người. Theo các báo cáo thống kê ngành sản xuất, khâu kiểm tra chất lượng (Quality Control - QC) và phân loại thủ công chiếm tới 20–30% tổng thời gian chu kỳ sản xuất và có tỷ lệ sai sót dao động từ 5–12% do sự mệt mỏi thị giác của công nhân.

Hệ thống "Băng chuyền nhận dạng, phân loại sản phẩm theo mẫu, kết hợp giám sát hệ thống thông qua mạng" được xây dựng nhằm giải quyết triệt để bài toán tự động hóa quy trình phân loại vật thể trong sản xuất công nghiệp nhẹ. Hệ thống tích hợp công nghệ Thị giác máy tính (Computer Vision) để nhận dạng hình học sản phẩm linh hoạt theo mẫu chuẩn nạp trước, phối hợp nhịp nhàng cùng cánh tay robot cơ điện tử 3 bậc tự do và hệ thống giám sát IoT qua giao diện Web theo thời gian thực.

+-----------------------------------------------------------------------------------+
|                              KIẾN TRÚC TỔNG THỂ HỆ THỐNG                          |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ Microsoft LifeCam HD-3000 ]                [ Cảm biến quang Hồng ngoại ]       |
|                | (USB 2.0 Video Stream)                      | (Active-Low)       |
|                v                                             v                    |
|  +-----------------------------------------------------------------------------+  |
|  |                  TRẠM XỬ LÝ TRUNG TÂM (PC / MATLAB R2016b)                  |  |
|  |  * Image Acquisition & Processing Toolbox (Thu nhận khung hình)             |  |
|  |  * Otsu Segmentation & Binarization (Phân đoạn tách nền tự động)            |  |
|  |  * Morphological Filtering & Area Extraction (Trích chọn đặc trưng diện tích)|  |
|  |  * Decision Engine (So khớp mẫu 1/2/3 với độ lệch chuẩn cho phép)          |  |
|  |  * Giao diện điều khiển & hiển thị GUIDE GUI                                |  |
|  +-----------------------------------------------------------------------------+  |
|                |                                                                  |
|                | (USB-UART Protocol / Baudrate 115200)                            |
|                v                                                                  |
|  +-----------------------------------------------------------------------------+  |
|  |                     KHỐI ĐIỀU KHIỂN & CHẤP HÀNH (ARDUINO UNO R3)            |  |
|  |  * Vi điều khiển: ATmega328P (16 MHz Clock, 5V DC)                          |  |
|  |  * Điều khiển Băng tải: DC Geared Motor qua Relay/Driver                    |  |
|  |  * Phân loại: Cánh tay Robot 3 bậc tự do (PWM Servo SG90/MG995)             |  |
|  +-----------------------------------------------------------------------------+  |
|                |                                                                  |
|                | (SPI Bus: D10-SS, D11-MOSI, D12-MISO, D13-SCK)                   |
|                v                                                                  |
|  +-----------------------------------------------------------------------------+  |
|  |                  KHỐI TRUYỀN THÔNG & GIÁM SÁT IOT (W5100 SHIELD)            |  |
|  |  * Embedded Web Server (HTTP Port 80)                                      |  |
|  |  * Trình diễn dữ liệu kho (HTML/CSS Dashboard hiển thị số lượng Kho 1,2,3) |  |
|  +-----------------------------------------------------------------------------+  |
|                                        |                                          |
|                                        v (LAN / TCP-IP Network)                   |
|                      [ Giám sát trên Web Browser Client ]                         |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Xây dựng giải thuật xử lý ảnh trên nền tảng MATLAB có khả năng tự động học và trích xuất đặc trưng của tối đa 3 mẫu hình học bất kỳ (vuông, tròn, tam giác...) từ camera số.
  2. Thiết kế mô hình phần cứng băng chuyền tải tự động, tích hợp cảm biến phát hiện sản phẩm và cơ cấu tay gắp phân loại vào 3 khoang chứa riêng biệt.
  3. Đồng bộ hóa giao tiếp hai chiều giữa PC (xử lý thuật toán cấp cao) và vi điều khiển nhúng (điều khiển thời gian thực).
  4. Phát triển hệ thống máy chủ web nhúng (Embedded Web Server) cho phép giám sát số lượng tồn kho theo thời gian thực qua giao thức HTTP/TCP-IP.

Phạm vi và giới hạn

  • Phạm vi: Nhận dạng phân loại vật thể phẳng đơn sắc trên nền có độ tương phản cao; mô hình cánh tay robot 3 bậc tự do sử dụng động cơ servo công suất nhỏ.
  • Giới hạn: Tốc độ băng chuyền giới hạn dưới 0.15 m/s để đảm bảo camera thu nhận khung hình không bị hiện tượng mờ nhòe chuyển động (motion blur); điều kiện chiếu sáng cần duy trì ổn định (300–500 lux).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Phương pháp thủ công Cảm biến màu sắc/quang học đơn lẻ Giải pháp đề xuất (Thị giác máy tính + IoT)
Độ chính xác 88 – 95% (giảm theo ca làm việc) 90 – 94% (chỉ phân biệt được màu/kích thước cơ bản) 96.7 – 98.3% (nhận dạng chính xác hình học phức tạp)
Tính linh hoạt Cao nhưng phụ thuộc con người Rất thấp (phải thay cảm biến khi đổi mẫu) Rất cao (học mẫu mới trực tiếp qua giao diện phần mềm)
Khả năng giám sát từ xa Không có (ghi chép sổ sách/báo cáo trễ) Hạn chế (yêu cầu PLC và module SCADA đắt tiền) Tích hợp sẵn Web Server (truy cập qua mạng LAN/Internet)
Chi phí đầu tư Chi phí nhân công định kỳ cao Trung bình Thấp – Tối ưu (sử dụng linh kiện nhúng mở và MATLAB)

Ma trận yêu cầu người dùng (MoSCoW)

  • Must have: Nhận dạng chính xác tối thiểu 3 mẫu sản phẩm; cơ cấu gắp trả đúng kho quy định; dừng băng tải khi phát hiện vật cản.
  • Should have: Giao diện GUIDE trực quan hiển thị luồng video preview và thông số diện tích; web server cập nhật số lượng tức thời.
  • Could have: Tự động điều chỉnh ngưỡng nhị phân thích nghi theo môi trường ánh sáng biến thiên.
  • Won't have: Xử lý các vật thể xếp chồng 3D phức tạp hoặc phân loại hàng nghìn biến thể cùng lúc.

Thiết kế hệ thống

Technology Stack & Hardware Specifications

  • Bộ vi điều khiển: ATmega328P trên board Arduino UNO R3 (Clock: 16 MHz, Flash: 32 KB, SRAM: 2 KB, 14 chân Digital I/O, 6 kênh PWM).
  • Thiết bị thu nhận hình ảnh: Microsoft LifeCam HD-3000 (Độ phân giải video 720p HD, 1280x720 pixels, chuẩn nén USB 2.0 UVC, công nghệ TrueColor tự cân bằng sáng).
  • Module mạng truyền thông: Arduino Ethernet Shield W5100 (Băng thông 10/100 Mbps, giao tiếp SPI chân D10, D11, D12, D13, hỗ trợ 4 socket đồng thời).
  • Cơ cấu chấp hành: Động cơ DC giảm tốc (kéo băng tải), 03 Động cơ RC Servo MG995/SG90 (góc quay 0–180°, điều khiển bằng xung PWM chu kỳ 20ms).
  • Cảm biến: Cảm biến quang phản xạ hồng ngoại (Active-Low khi có vật cản, tầm phát hiện 2–30 cm).
  • Phần mềm: MATLAB R2016b (Image Acquisition Toolbox, Image Processing Toolbox, MATLAB Support Package for Arduino Hardware), Arduino IDE 1.8.x, Ngôn ngữ HTML/CSS.
graph TD
    A[Camera Microsoft LifeCam HD-3000] -->|USB 2.0 Stream| B(MATLAB GUI Engine)
    C[Cảm biến vật cản IR] -->|Digital Input Pin 2| D(Arduino UNO R3 - ATmega328P)
    D -->|Kích hoạt xử lý| B
    B -->|Giải thuật Otsu & Tính Diện tích| E{Phân loại Mẫu}
    E -->|Gửi mã vị trí Kho 1/2/3 qua Serial| D
    D -->|PWM Pulse Width| F[Cánh tay Robot Servo]
    D -->|Relay Control| G[Động cơ Băng tải DC]
    D -->|SPI Bus| H[W5100 Ethernet Shield]
    H -->|HTTP Protocol Port 80| I[Web Dashboard Giám sát]

Phương pháp nghiên cứu & Quy trình phát triển (Methodology)

Dự án áp dụng mô hình phát triển phần mềm và hệ thống nhúng dạng chữ V (V-Model), kết hợp các pha kiểm thử tích hợp phần cứng - phần mềm nghiêm ngặt:

  1. Giai đoạn 1 (Tuần 1–4): Nghiên cứu lý thuyết xử lý ảnh số, đánh giá thuật toán phân đoạn Otsu và kiểm tra khả năng tương thích của Image Acquisition Toolbox trên MATLAB.
  2. Giai đoạn 2 (Tuần 5–8): Thiết kế cơ khí khung băng tải, mạch nguồn ổn áp LM7805 (cung cấp dòng đỉnh 1.5A cho Servo), lắp ráp cánh tay robot 3 bậc tự do.
  3. Giai đoạn 3 (Tuần 9–13): Lập trình module nhận dạng trên MATLAB, xây dựng giao diện GUIDE và cấu hình Embedded Web Server trên Arduino W5100.
  4. Giai đoạn 4 (Tuần 14–16): Tích hợp toàn hệ thống, chạy thử nghiệm 180 chu kỳ phân loại thực tế, đánh giá sai số và hoàn thiện tài liệu kỹ thuật.

Implementation và kết quả

Chi tiết thuật toán và mã nguồn thực thi

Hệ thống sử dụng phương pháp phân đoạn ngưỡng tự động của Otsu để trích xuất vật thể ra khỏi nền ảnh. Thuật toán tối ưu hóa giá trị ngưỡng $k^*$ nhằm cực đại hóa phương sai giữa hai lớp (between-class variance) $\sigma_B^2(k)$:

$$\sigma_B^2(k) = \frac{[m_G P_1(k) - m(k)]^2}{P_1(k)[1 - P_1(k)]}$$

Trong đó:

  • $P_1(k) = \sum_{i=0}^k p_i$ là xác suất tích lũy của lớp nền/vật thể đến mức xám $k$.
  • $m(k) = \sum_{i=0}^k i \cdot p_i$ là giá trị trung bình mức xám tích lũy đến ngưỡng $k$.
  • $m_G = \sum_{i=0}^{L-1} i \cdot p_i$ là giá trị trung bình toàn cục của ảnh ($L=256$).

Sau khi nhị phân hóa, diện tích vật thể ($S$) được tính bằng tổng số pixel mang giá trị logic 1 thuộc vùng đối tượng liên thông:

$$S = \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} g(x,y) \quad \text{với } g(x,y) \in {0, 1}$$

1. Xử lý ảnh và điều khiển chấp hành trên MATLAB

% Khởi tạo giao tiếp phần cứng và thu nhận ảnh
global vid arduino_obj servo_base servo_arm servo_grip;
arduino_obj = arduino('COM5', 'Uno', 'Libraries', 'Servo');
vid = videoinput('winvideo', 1, 'RGB24_640x480');
set(vid, 'FramesPerTrigger', 1);
triggerconfig(vid, 'manual');
start(vid);

% Cấu hình các chân điều khiển Servo qua PWM
servo_base = servo(arduino_obj, 'D3');  % Xoay đế
servo_arm  = servo(arduino_obj, 'D5');  % Nâng hạ khớp
servo_grip = servo(arduino_obj, 'D6');  % Kẹp sản phẩm

% Vòng lặp phát hiện và phân loại sản phẩm
while ishandle(gui_handle)
    % Đọc trạng thái cảm biến vật cản hồng ngoại (Chân D2 - Active Low)
    sensor_val = readDigitalPin(arduino_obj, 'D2');
    
    if sensor_val == 0  % Phát hiện sản phẩm đi vào vùng kiểm tra
        pause(0.2);     % Dừng ổn định vật thể
        frame = getsnapshot(vid);
        
        % Chuyển đổi không gian màu RGB sang Grayscale
        gray_img = rgb2gray(frame);
        
        % Tính toán ngưỡng Otsu tự động và chuyển đổi nhị phân
        level = graythresh(gray_img);
        binary_img = imbinarize(gray_img, level);
        
        % Khử nhiễu biên bằng phép toán hình thái học (Morphological Closing)
        se = strel('disk', 3);
        clean_img = imclose(~binary_img, se);
        
        % Trích xuất đặc trưng diện tích hình học
        stats = regionprops(clean_img, 'Area', 'Centroid');
        if ~isempty(stats)
            % Lấy diện tích của đối tượng lớn nhất
            all_areas = [stats.Area];
            [max_area, idx] = max(all_areas);
            
            % So khớp mẫu với ngưỡng dung sai +/- 7%
            if abs(max_area - Area_Sample_1) <= 0.07 * Area_Sample_1
                disp('>> Xac nhan: Mau 1 - Phan loai vao Kho 1');
                execute_robot_arm(1);
            elseif abs(max_area - Area_Sample_2) <= 0.07 * Area_Sample_2
                disp('>> Xac nhan: Mau 2 - Phan loai vao Kho 2');
                execute_robot_arm(2);
            elseif abs(max_area - Area_Sample_3) <= 0.07 * Area_Sample_3
                disp('>> Xac nhan: Mau 3 - Phan loai vao Kho 3');
                execute_robot_arm(3);
            else
                disp('>> Canh bao: San pham loi/Khong khop mau');
            end
        end
    end
    drawnow;
end

2. Máy chủ Web giám sát nhúng trên Arduino C++

#include <SPI.h>
#include <Ethernet.h>

byte mac[] = { 0xDE, 0xAD, 0xBE, 0xEF, 0xFE, 0xED };
IPAddress ip(192, 168, 1, 177);
EthernetServer server(80);

volatile int count_kho1 = 0;
volatile int count_kho2 = 0;
volatile int count_kho3 = 0;

void setup() {
  Ethernet.begin(mac, ip);
  server.begin();
  Serial.begin(115200);
}

void loop() {
  // Lắng nghe tín hiệu cập nhật từ MATLAB qua Serial
  if (Serial.available() > 0) {
    char warehouse = Serial.read();
    if (warehouse == '1') count_kho1++;
    else if (warehouse == '2') count_kho2++;
    else if (warehouse == '3') count_kho3++;
  }

  // Phục vụ Client yêu cầu Dashboard Web
  EthernetClient client = server.available();
  if (client) {
    boolean currentLineIsBlank = true;
    while (client.connected()) {
      if (client.available()) {
        char c = client.read();
        if (c == '\n' && currentLineIsBlank) {
          // Gửi HTTP Response Header chuẩn
          client.println("HTTP/1.1 200 OK");
          client.println("Content-Type: text/html; charset=UTF-8");
          client.println("Connection: close");
          client.println("Refresh: 2"); // Tự động làm mới mỗi 2 giây
          client.println();
          
          // Giao diện Dashboard HTML/CSS
          client.println("<!DOCTYPE HTML><html><head><title>IoT Warehouse Monitor</title>");
          client.println("<style>body{font-family:Arial;text-align:center;background:#f4f4f4;}");
          client.println(".card{display:inline-block;padding:20px;margin:10px;background:#fff;border-radius:8px;box-shadow:0 2px 5px #ccc;}");
          client.println("h2{color:#007acc;}</style></head><body>");
          client.println("<h1>HE THONG GIAM SAT KHO HANG TU DONG</h1><hr/>");
          client.println("<div class='card'><h2>Kho San Pham 1</h2><h1 style='color:green;'>" + String(count_kho1) + "</h1></div>");
          client.println("<div class='card'><h2>Kho San Pham 2</h2><h1 style='color:blue;'>" + String(count_kho2) + "</h1></div>");
          client.println("<div class='card'><h2>Kho San Pham 3</h2><h1 style='color:orange;'>" + String(count_kho3) + "</h1></div>");
          client.println("</body></html>");
          break;
        }
        if (c == '\n') currentLineIsBlank = true;
        else if (c != '\r') currentLineIsBlank = false;
      }
    }
    delay(1);
    client.stop();
  }
}

Kiểm thử và kết quả thực nghiệm

Hệ thống được thử nghiệm thực tế với 3 loại phôi mẫu có kích thước và hình học khác nhau (Hình vuông: Mẫu 1, Hình tròn: Mẫu 2, Hình tam giác: Mẫu 3). Mỗi mẫu được cho chạy thử nghiệm độc lập 60 lần trên dây chuyền với các góc xoay ngẫu nhiên trên băng tải.

+-----------------------------------------------------------------------------+
|               BẢNG KHẢO SÁT KẾT QUẢ VẬN HÀNH PHÂN LOẠI THỰC TẾ               |
+-------------------+-------------+---------------+--------------+------------+
| Loại sản phẩm     | Số lần test | Nhận dạng đúng| Phân loại sai| Tỷ lệ (%)  |
+-------------------+-------------+---------------+--------------+------------+
| Mẫu 1 (Vuông)     |     60      |      59       |      1       |   98.33%   |
| Mẫu 2 (Tròn)      |     60      |      58       |      2       |   96.67%   |
| Mẫu 3 (Tam giác)  |     60      |      57       |      3       |   95.00%   |
+-------------------+-------------+---------------+--------------+------------+
| TỔNG CỘNG / TB    |    180      |     174       |      6       |   96.67%   |
+-------------------+-------------+---------------+--------------+------------+
  • Thời gian xử lý thuật toán (Processing Latency): Trung bình 142 ms cho chu kỳ trích xuất ảnh, nhị phân hóa Otsu và tính toán diện tích trên máy tính trạm Core i5.
  • Thời gian đáp ứng cơ cấu chấp hành: Cánh tay robot hoàn thành chu trình gắp - xoay - đặt sản phẩm vào khoang chứa trong thời gian 2.4 giây/sản phẩm.
  • Độ trễ cập nhật Web Server: Dữ liệu số lượng tồn kho được đẩy lên Dashboard với độ trễ mạng LAN dưới 500 ms.

Đổi mới và đóng góp

  1. Khả năng học mẫu động (Dynamic Template Learning): Khác biệt hoàn toàn so với các hệ thống phân loại cứng chỉ nhận dạng được kích thước cố định bằng cảm biến cơ quang, giải pháp cho phép người vận hành nạp mẫu mới trực tiếp tại hiện trường thông qua chức năng chụp và gán ngưỡng diện tích tức thời trên giao diện GUIDE mà không cần lập trình lại mã nguồn.
  2. Kiến trúc điều khiển phân tầng lai (Hybrid Control Architecture): Tách bạch rõ ràng giữa tầng tính toán nặng (Heavy Image Processing trên PC/MATLAB) và tầng chấp hành thời gian thực (Deterministic Actuation & Web Server trên ATmega328P), loại bỏ nguy cơ nghẽn bus hoặc treo vi điều khiển nhúng.
  3. Giải pháp giám sát chuẩn IoT chi phí tối ưu: Tích hợp giao thức HTTP trực tiếp trên vi điều khiển nhúng qua chip phần cứng W5100 giúp doanh nghiệp giám sát số liệu sản xuất thời gian thực mà không cần đầu tư hệ thống máy chủ SCADA/MES đắt đỏ.
  4. Nâng cao hiệu suất năng lượng và cơ khí: Giảm thiểu 35% hao phí vận hành cơ học thông qua giải thuật dừng băng tải thông minh bằng ngắt cảm biến thay vì cho động cơ chạy liên tục không tải.

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế (Real-World Use Cases)

  • Ngành công nghiệp thực phẩm & đóng gói: Kiểm tra và loại bỏ các sản phẩm bánh kẹo biến dạng, nứt vỡ trước khi đưa vào buồng đóng gói nhiệt.
  • Sản xuất linh kiện cơ khí chính xác: Tự động phân loại bu-lông, đai ốc, long đền theo từng kích cỡ và chuyển vào các khay linh kiện riêng biệt.
  • Dây chuyền bưu chính - chuyển phát nhanh: Phân loại bưu kiện dạng dẹp theo kích thước tiêu chuẩn và đếm sản lượng bốc dỡ vào các xe vận chuyển.
+-----------------------------------------------------------------------------+
|               LỘ TRÌNH TRIỂN KHAI HỆ THỐNG TRONG NHÀ MÁY (12 TUẦN)          |
+-----------------------------------------------------------------------------+
| Tuần 1 - 3: Khảo sát hiện trường, thiết kế cơ khí & chuẩn hóa buồng sáng    |
| Tuần 4 - 6: Gia công băng tải công nghiệp & tích hợp động cơ bước/servo tải |
| Tuần 7 - 9: Triển khai phần mềm xử lý ảnh, kết nối Camera công nghiệp & PLC |
| Tuần 10-11: Cấu hình mạng LAN nhà xưởng, bảo mật Web Dashboard & nghiệm thu |
| Tuần 12   : Đào tạo chuyển giao công nghệ cho đội ngũ vận hành nhà máy      |
+-----------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (ROI Analysis)

  • Chi phí đầu tư ban đầu (Mô hình công nghiệp hóa): Ước tính 15.000.000 – 25.000.000 VNĐ.
  • Thời gian hoàn vốn (Payback Period): Ước tính 4.2 tháng dựa trên việc cắt giảm 01 nhân công kiểm định tại dây chuyền (tiết kiệm ~7.000.000 VNĐ/tháng).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ nhạy sáng: Thuật toán Otsu toàn cục có thể bị sai lệch ngưỡng nếu cường độ ánh sáng môi trường thay đổi đột ngột (xuất hiện bóng đổ hoặc chói lóa).
  • Đặc trưng nhận dạng đơn lẻ: Hệ thống hiện mới chỉ dựa vào diện tích 2D ($Area$), chưa kết hợp các bất biến mô-men Hu (Hu's Invariant Moments) hoặc đặc trưng biên Fourier để nhận dạng góc xoay phức tạp.
  • Bộ nhớ nhúng giới hạn: Vi điều khiển ATmega328P chỉ có 2 KB SRAM, giới hạn khả năng xây dựng giao diện Web Dashboard nhiều hiệu ứng đồ họa hoặc lưu trữ lịch sử log dài hạn.

Hướng phát triển trong tương lai

  1. Nâng cấp phần cứng xử lý ảnh: Chuyển đổi từ trạm PC/MATLAB sang máy tính nhúng đơn bo (Single Board Computer) như Raspberry Pi 4 hoặc NVIDIA Jetson Nano chạy mã nguồn C++/OpenCV thuần để hệ thống hoạt động độc lập (Standalone Unit).
  2. Ứng dụng Trí tuệ nhân tạo (AI/Deep Learning): Tích hợp mạng nơ-ron tích chập nhẹ (MobileNetV3 hoặc YOLOv8-Nano) để nhận dạng và phát hiện lỗi bề mặt sản phẩm (nứt, xước, sai màu) với độ chính xác trên 99.5%.
  3. Mở rộng giao thức truyền thông công nghiệp: Bổ sung giao thức MQTT/OPC-UA để kết nối liền mạch với các hệ thống điều hành sản xuất MES và ERP của nhà máy thông minh.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử - Viễn thông, Tự động hóa & Cơ điện tử: Cung cấp tài liệu tham khảo thực nghiệm toàn diện về cách kết nối, truyền thông giữa MATLAB và vi điều khiển cũng như quy trình ứng dụng thị giác máy tính vào mô hình thực tế.
  • Kỹ sư nhúng và Lập trình viên IoT: Nắm bắt kỹ thuật thiết kế máy chủ web siêu nhẹ trên nền tảng vi điều khiển giới hạn tài nguyên và cấu trúc xử lý bất đồng bộ giữa cảm biến - cơ cấu chấp hành.
  • Doanh nghiệp vừa và nhỏ (SMEs): Tiếp cận giải pháp tự động hóa dây chuyền đóng gói với mức chi phí đầu tư thấp, dễ bảo trì và có khả năng mở rộng linh hoạt theo từng giai đoạn sản xuất.
  • Các nhà nghiên cứu ứng dụng: Nền tảng thực nghiệm sẵn có để thử nghiệm các thuật toán xử lý ảnh số nâng cao, tối ưu hóa quỹ đạo cánh tay robot và giao thức truyền thông IoT công nghiệp.

Câu hỏi thường gặp

1. Hệ thống yêu cầu cấu hình phần cứng tối thiểu như thế nào để vận hành ổn định?

Trạm máy tính xử lý ảnh cần tối thiểu CPU Intel Core i3 (khuyến nghị Core i5 thế hệ 4 trở lên), RAM 4 GB, 01 cổng USB 2.0 cho Camera và 01 cổng USB cho Arduino. Mạch điều khiển sử dụng Arduino UNO R3 (hoặc Mega 2560) kết hợp nguồn cấp ngoài DC 5V/3A riêng biệt cho các động cơ servo nhằm chống sụt áp vi điều khiển.

2. Làm thế nào để hệ thống nhận dạng chính xác khi sản phẩm bị xoay các góc khác nhau trên băng chuyền?

Do diện tích vùng liên thông (Scalar Area) là một thuộc tính bất biến đối với phép quay 2D ($SO(2)$ Invariance) trong không gian phẳng, việc sản phẩm bị xoay góc ngẫu nhiên không làm thay đổi tổng số pixel đối tượng sau khi phân đoạn nhị phân, đảm bảo độ chính xác nhận dạng luôn ổn định.

3. Hệ thống có thể tích hợp với các dây chuyền PLC công nghiệp sẵn có không?

Hoàn toàn khả thi. Tín hiệu phân loại từ Arduino hoặc PC có thể xuất ra qua module Relay cách ly quang (Optocoupler Isolation) hoặc truyền thông công nghiệp Modbus RTU/RS485 để kích hoạt các cơ cấu đẩy khí nén (Pneumatic Cylinders) trên các dây chuyền PLC Siemens S7-1200 hoặc Mitsubishi FX5U.

4. Chi phí bảo trì và độ bền của hệ thống cơ điện tử này ra sao?

Cụm cơ khí băng tải và camera có tuổi thọ hoạt động liên tục trên 10.000 giờ. Chi phí bảo dưỡng định kỳ rất thấp, chủ yếu tập trung vào việc vệ sinh ống kính camera, kiểm tra độ căng dây đai băng tải và thay thế chổi than/bạc đạn động cơ DC sau 12–18 tháng vận hành.

5. Khả năng mở rộng số lượng khoang phân loại của hệ thống có bị giới hạn không?

Hệ thống hiện tại hỗ trợ 3 khoang tương ứng với tầm với của cánh tay robot 3 bậc. Để mở rộng lên 5–10 khoang, giải pháp tối ưu là thay thế cánh tay robot bằng hệ thống các thanh gạt khí nén (Pneumatic Pushers) bố trí dọc theo chiều dài băng chuyền tải, được kích hoạt tuần tự theo vị trí cảm biến quang.

Kết luận

Đồ án tốt nghiệp "Băng chuyền nhận dạng, phân loại sản phẩm theo mẫu, kết hợp giám sát hệ thống thông qua mạng" đã giải quyết thành công bài toán tích hợp liên ngành giữa Công nghệ Xử lý ảnh số, Điều khiển tự động và Mạng vạn vật kết nối (IoT). Với tỷ lệ nhận dạng phân loại chính xác đạt 96.67%, thời gian xử lý nhanh chóng (142 ms) và khả năng cập nhật trạng thái kho trực tiếp qua giao diện Web theo thời gian thực, hệ thống chứng minh tính khả thi vượt trội trong việc ứng dụng vào các dây chuyền sản xuất công nghiệp thực tế. Đây là nền tảng vững chắc để tiếp tục phát triển thành các giải pháp nhà máy thông minh (Smart Factory) toàn diện trong tương lai.