Tổng quan nghiên cứu

Tại Nhà máy Đạm Cà Mau, với công suất sản xuất trên 2400 tấn U rê mỗi ngày, tương đương hơn 48.000 bao U rê loại 50Kg được xuất bán hàng ngày, việc kiểm đếm chính xác số lượng bao sản phẩm đóng vai trò quan trọng trong việc giảm thiểu thất thoát hàng hóa và nâng cao uy tín với khách hàng. Hệ thống đếm bao hiện tại chỉ có khả năng đếm các sản phẩm cùng loại, cùng kích thước và mẫu mã đồng nhất, gây khó khăn khi xuất hàng đa dạng sản phẩm với quy cách đóng bao khác nhau. Ngoài ra, mật độ và vị trí bao trên băng tải không đồng nhất cũng làm tăng sai số đếm.

Mục tiêu nghiên cứu là thiết kế và xây dựng hệ thống đếm bao tự động có khả năng nhận dạng và đếm chính xác các bao sản phẩm với kích thước và mẫu mã khác nhau, đáp ứng công suất tối thiểu 9600 bao/giờ, sai số không vượt quá 0,02%. Nghiên cứu tập trung vào ứng dụng công nghệ xử lý ảnh, sử dụng camera công nghiệp trong môi trường ánh sáng ổn định tại khu vực băng tải của Nhà máy Đạm Cà Mau. Phạm vi nghiên cứu bao gồm mô phỏng, xây dựng thuật toán xử lý ảnh và thực nghiệm trên mô hình hệ thống đếm thu nhỏ, làm cơ sở cho việc triển khai thực tế.

Việc phát triển hệ thống đếm bao tự động đa kích thước không chỉ giúp Nhà máy Đạm Cà Mau nâng cao hiệu quả quản lý xuất hàng mà còn góp phần tiết giảm chi phí vận hành và bảo dưỡng, đồng thời tăng tính chính xác và tin cậy trong giao dịch với khách hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Lý thuyết xử lý ảnh số: Ảnh số được biểu diễn dưới dạng ma trận điểm ảnh (pixel), với các dạng ảnh phổ biến gồm ảnh màu RGB, ảnh đa mức xám và ảnh nhị phân. Độ phân giải ảnh và hệ màu ảnh ảnh hưởng trực tiếp đến chất lượng xử lý và nhận dạng.

  • Mạng thần kinh tích chập (Convolutional Neural Network - CNN): Mô hình CNN được sử dụng để trích xuất đặc trưng ảnh, gồm các lớp convolutional, pooling và fully connected. Thuật toán YOLO (You Only Look Once) được áp dụng để phát hiện và phân loại đối tượng trong ảnh thời gian thực, với khả năng nhận dạng nhiều loại bao bì khác nhau trên băng tải.

  • Thuật toán convolution: Sử dụng kernel để trích xuất đặc trưng như cạnh, vùng sáng tối trong ảnh. Các tham số như padding, stride được điều chỉnh để giữ kích thước ảnh và tăng hiệu quả xử lý.

  • Hàm activation phi tuyến: Các hàm như ReLU, Leaky ReLU được sử dụng để tăng khả năng học của mạng, tránh hiện tượng "Dying ReLU".

  • Hàm đánh giá IOU (Intersection Over Union): Được dùng để đánh giá độ chính xác của việc phát hiện đối tượng, tính bằng tỷ lệ diện tích giao nhau trên diện tích hợp của bounding box dự đoán và thực tế.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Thu thập mẫu ảnh các loại bao bì sản phẩm của Nhà máy Đạm Cà Mau với kích thước 50Kg và 40Kg, cùng các mẫu mã khác nhau. Dữ liệu được thu thập trong môi trường ánh sáng ổn định tại khu vực băng tải xuất hàng.

  • Phương pháp phân tích: Xây dựng thuật toán xử lý ảnh dựa trên CNN và YOLO để nhận dạng và đếm bao bì. Thuật toán được huấn luyện và kiểm thử trên tập dữ liệu ảnh thu thập được. Các tham số mạng được điều chỉnh dựa trên hàm loss và giá trị mAP (mean Average Precision).

  • Cỡ mẫu và chọn mẫu: Mô hình thử nghiệm sử dụng khoảng 10.000 bao sản phẩm với tỷ lệ sai số mục tiêu 0,02%. Mẫu bao bì được chọn đại diện cho các loại sản phẩm phổ biến tại Nhà máy.

  • Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 6/2021, hoàn thành mô hình và thuật toán vào tháng 12/2021, tiến hành thực nghiệm và đánh giá kết quả trong cùng thời gian.

  • Kiểm chứng thực nghiệm: Thực hiện trên mô hình hệ thống đếm thu nhỏ, mô phỏng các điều kiện thực tế về mật độ bao, tốc độ băng tải và ánh sáng. Kết quả thực nghiệm được so sánh với tiêu chí đánh giá ban đầu để xác định hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác nhận dạng bao bì đa kích thước: Hệ thống đạt tỷ lệ nhận dạng đúng mẫu bao bì với 2 loại kích thước khác nhau trên 99,98%, vượt yêu cầu sai số 0,02%. Điều này chứng tỏ thuật toán xử lý ảnh và mô hình CNN-YOLO có khả năng phân biệt chính xác các loại bao bì khác nhau.

  2. Công suất đếm: Hệ thống có khả năng đếm tối thiểu 9600 bao/giờ, tương đương 240 bao/phút, đáp ứng công suất xuất hàng của Nhà máy Đạm Cà Mau. So với bộ đếm hiện hữu chỉ đếm được 960 bao/giờ, đây là bước tiến đáng kể.

  3. Khả năng đếm trong điều kiện bao sát nhau: Thuật toán xử lý ảnh cho phép phân biệt và đếm chính xác các bao khi chúng đi sát nhau trên băng tải, giảm thiểu sai số do vị trí bao không đồng nhất. Tỷ lệ sai số trong các tình huống này được giữ dưới 0,02%.

  4. Tính năng phân loại sản phẩm: Hệ thống có thể đồng thời đếm và phân loại 3 loại sản phẩm khác nhau trong cùng một đơn hàng, với quy cách đóng bao 50Kg và 40Kg, giúp Nhà máy tinh gọn hệ thống xuất hàng và giảm chi phí vận hành.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc ứng dụng công nghệ xử lý ảnh và mạng CNN-YOLO trong hệ thống đếm bao tự động là giải pháp hiệu quả, vượt trội so với bộ đếm hiện hữu sử dụng cảm biến quang học truyền thống. Việc sử dụng camera công nghiệp trong môi trường ánh sáng ổn định giúp thu thập dữ liệu hình ảnh chất lượng cao, tạo điều kiện thuận lợi cho thuật toán nhận dạng.

So sánh với các nghiên cứu trong nước và quốc tế về ứng dụng xử lý ảnh trong đếm và phân loại sản phẩm, hệ thống này có ưu điểm về độ chính xác cao, khả năng xử lý đa dạng kích thước và mẫu mã bao bì, cũng như công suất đếm lớn. Các biểu đồ so sánh số lượng bao đếm thực nghiệm và tiêu chí đánh giá ban đầu minh họa rõ hiệu quả của hệ thống.

Nguyên nhân thành công đến từ việc lựa chọn thuật toán YOLO phù hợp với yêu cầu nhận dạng thời gian thực, kết hợp với mô hình CNN tối ưu hóa các tham số mạng và sử dụng hàm activation Leaky ReLU để tránh hiện tượng chết node. Ngoài ra, việc thiết kế hệ thống phần cứng gồm camera, PLC và giao diện HMI đồng bộ cũng góp phần nâng cao hiệu quả vận hành.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống đếm bao tự động trên dây chuyền xuất hàng thực tế: Áp dụng giải pháp đã phát triển tại Nhà máy Đạm Cà Mau để thay thế bộ đếm hiện hữu, nhằm nâng cao độ chính xác và công suất đếm. Thời gian thực hiện dự kiến trong 6 tháng, do phòng kỹ thuật và vận hành nhà máy phối hợp thực hiện.

  2. Nâng cấp phần mềm xử lý ảnh và thuật toán nhận dạng: Tiếp tục cải tiến thuật toán CNN-YOLO để mở rộng khả năng nhận dạng thêm các loại bao bì mới, tăng độ chính xác trong điều kiện ánh sáng thay đổi. Đề xuất cập nhật phần mềm định kỳ 3 tháng/lần bởi nhóm nghiên cứu và bộ phận IT.

  3. Đào tạo nhân viên vận hành và bảo trì hệ thống: Tổ chức các khóa đào tạo chuyên sâu về vận hành hệ thống đếm tự động, xử lý sự cố và bảo trì thiết bị nhằm đảm bảo hệ thống hoạt động ổn định lâu dài. Thời gian đào tạo trong 1 tháng, do phòng nhân sự phối hợp với nhà cung cấp thiết bị.

  4. Mở rộng ứng dụng công nghệ xử lý ảnh trong quản lý kho và kiểm soát chất lượng: Khuyến khích nghiên cứu và áp dụng công nghệ xử lý ảnh cho các khâu khác như kiểm tra nhãn mác, phân loại sản phẩm và kiểm soát lỗi nhằm tối ưu hóa toàn bộ quy trình sản xuất và xuất hàng. Thời gian nghiên cứu mở rộng dự kiến 12 tháng, do phòng R&D chủ trì.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư và chuyên gia công nghệ trong ngành cơ điện tử và tự động hóa: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng xử lý ảnh và mạng CNN trong thiết kế hệ thống đếm tự động, giúp họ phát triển các giải pháp tương tự trong sản xuất.

  2. Nhà quản lý và kỹ thuật viên tại các nhà máy sản xuất phân bón và hàng hóa đóng gói: Tham khảo để nâng cao hiệu quả quản lý xuất hàng, giảm thiểu thất thoát và tăng độ chính xác trong kiểm đếm sản phẩm.

  3. Sinh viên và nghiên cứu sinh chuyên ngành kỹ thuật cơ điện tử, công nghệ thông tin và xử lý ảnh: Tài liệu tham khảo quý giá về lý thuyết xử lý ảnh, thuật toán CNN-YOLO và phương pháp nghiên cứu thực nghiệm trong môi trường công nghiệp.

  4. Các nhà phát triển phần mềm và thiết bị công nghiệp: Hướng dẫn thiết kế phần mềm xử lý ảnh tích hợp với phần cứng PLC, camera công nghiệp và giao diện HMI, phục vụ phát triển các hệ thống tự động hóa trong sản xuất.

Câu hỏi thường gặp

  1. Hệ thống đếm bao tự động có thể áp dụng cho các loại sản phẩm khác ngoài phân bón không?
    Có thể. Thuật toán xử lý ảnh và mô hình CNN-YOLO có khả năng tùy chỉnh để nhận dạng các loại bao bì khác nhau, miễn là có dữ liệu huấn luyện phù hợp. Ví dụ, trong thực tế, công nghệ này đã được áp dụng cho đếm sản phẩm đóng gói và phân loại nông sản.

  2. Sai số 0,02% trong đếm bao có ý nghĩa như thế nào đối với nhà máy?
    Sai số này tương đương với việc trong mỗi 10.000 bao đếm được, chỉ có tối đa 2 bao bị đếm sai, giúp giảm thiểu thất thoát hàng hóa và tăng độ tin cậy trong giao dịch với khách hàng.

  3. Tại sao chọn thuật toán YOLO thay vì các mô hình khác như RCNN?
    YOLO được thiết kế để nhận dạng đối tượng trong thời gian thực với tốc độ nhanh và độ chính xác cao, phù hợp với yêu cầu công suất đếm lớn của nhà máy. Trong khi đó, RCNN thường có độ trễ cao hơn, không phù hợp cho ứng dụng công nghiệp cần xử lý nhanh.

  4. Ảnh hưởng của ánh sáng đến chất lượng xử lý ảnh như thế nào?
    Ánh sáng ổn định và đồng nhất giúp camera thu được hình ảnh rõ nét, giảm nhiễu và sai lệch màu sắc, từ đó nâng cao độ chính xác của thuật toán nhận dạng. Nhà máy Đạm Cà Mau sử dụng ánh sáng điện màu vàng trong khu vực băng tải để đảm bảo điều kiện này.

  5. Hệ thống có thể đếm các bao sản phẩm đi chồng lên nhau không?
    Hệ thống được thiết kế để đếm chính xác khi tỷ lệ bao xếp chồng dưới 10% diện tích bao, theo tiêu chí đánh giá của nhà máy. Trong trường hợp bao chồng nhiều hơn, độ chính xác có thể giảm và cần có giải pháp bổ sung như điều chỉnh băng tải hoặc camera.

Kết luận

  • Hệ thống đếm bao tự động sử dụng công nghệ xử lý ảnh và mạng CNN-YOLO đạt độ chính xác trên 99,98%, đáp ứng yêu cầu sai số 0,02% của Nhà máy Đạm Cà Mau.
  • Công suất đếm tối thiểu 9600 bao/giờ vượt xa hệ thống hiện hữu, giúp nâng cao hiệu quả xuất hàng.
  • Hệ thống có khả năng nhận dạng và phân loại đồng thời nhiều loại bao bì với kích thước và mẫu mã khác nhau trong cùng một đơn hàng.
  • Thuật toán xử lý ảnh hoạt động hiệu quả trong điều kiện ánh sáng ổn định và mật độ bao sát nhau trên băng tải.
  • Đề xuất triển khai thực tế, nâng cấp phần mềm, đào tạo nhân viên và mở rộng ứng dụng công nghệ xử lý ảnh trong quản lý sản xuất.

Tiếp theo, Nhà máy Đạm Cà Mau và các đơn vị liên quan nên phối hợp triển khai lắp đặt hệ thống trên dây chuyền xuất hàng thực tế, đồng thời tiếp tục nghiên cứu cải tiến thuật toán để mở rộng ứng dụng. Độc giả quan tâm có thể liên hệ với tác giả hoặc phòng nghiên cứu để nhận hỗ trợ kỹ thuật và tư vấn triển khai.