Hệ thống kiểm tra linh kiện trên bo mạch điện tử

Đồ án hệ thống kiểm tra linh kiện trên bo mạch điện tử - ĐH Sư phạm Kỹ thuật TPHCM

• Tác giả: Nguyễn Thị Thảo Trân
• Người hướng dẫn: PGS. TS. Phan Văn Ca
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử - Viễn thông
• Đề tài: Hệ thống kiểm tra linh kiện trên bo mạch điện tử
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về kiểm tra linh kiện trên bo mạch điện tử

Ngành sản xuất công nghiệp điện tử hiện đại đòi hỏi tiêu chuẩn chất lượng nghiêm ngặt. Bo mạch in là nền tảng cốt lõi trong mọi thiết bị điện tử. Quy trình lắp ráp linh kiện lên bo mạch thường tiềm ẩn nhiều rủi ro sai sót. Việc kiểm tra thủ công truyền thống tốn nhiều thời gian và dễ phát sinh lỗi do yếu tố con người. Do đó, nghiên cứu hệ thống kiểm tra linh kiện trên bo mạch điện tử tại ĐH SPKT TPHCM mang tính cấp thiết cao. Đề tài do sinh viên Nguyễn Thị Thảo Trân thực hiện dưới sự hướng dẫn của PGS. TS Phan Văn Ca. Nghiên cứu tập trung giải quyết bài toán tự động hóa kiểm định bo mạch trong dây chuyền sản xuất. Hệ thống ứng dụng công nghệ xử lý ảnh tiên tiến để phát hiện lỗi linh kiện nhanh chóng. Thiết bị hỗ trợ phân loại linh kiện chính xác, giảm thiểu chi phí nhân công và nâng cao năng suất xuất xưởng. Mô hình tích hợp đồng bộ giữa phần cứng cơ điện tử và phần mềm trí tuệ nhân tạo. Kết quả nghiên cứu tạo nền tảng vững chắc cho việc ứng dụng thị giác máy tính vào sản xuất công nghiệp thông minh tại Việt Nam.

1.1. Bối cảnh nghiên cứu tại Đại học Sư phạm Kỹ thuật TPHCM

Khoa Điện - Điện tử thuộc Đại học Sư phạm Kỹ thuật TPHCM luôn chú trọng các đề tài mang tính thực tiễn cao. Đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Điện tử - Viễn thông đặt mục tiêu gắn liền nghiên cứu với sản xuất công nghiệp. Xu hướng tự động hóa nhà máy đòi hỏi các công nghệ kiểm tra quang học tự động có độ tin cậy lớn. Đề tài tập trung vào việc thiết kế hệ thống cơ điện tử kết hợp thuật toán xử lý ảnh thông minh. Hệ thống đáp ứng yêu cầu giám sát chất lượng linh kiện trực tiếp trên băng chuyền sản xuất. Đây là tiền đề kỹ thuật quan trọng giúp sinh viên tiếp cận bài toán tự động hóa hiện đại.

1.2. Vai trò của kiểm tra quang học tự động trong sản xuất bo mạch

Kiểm tra quang học tự động đóng vai trò then chốt trong chuỗi sản xuất thiết bị điện tử. Phương pháp này giúp phát hiện sớm các lỗi sai lệch linh kiện, thiếu linh kiện hoặc hàn sai vị trí. Nhờ đó, doanh nghiệp giảm thiểu tối đa tỷ lệ phế phẩm và tiết kiệm chi phí khắc phục. Tốc độ kiểm tra nhanh của máy móc vượt trội hơn nhiều so với thao tác thủ công của kỹ thuật viên. Tính nhất quán trong phân loại sản phẩm cũng được đảm bảo tuyệt đối, không phụ thuộc vào tình trạng sức khỏe hay sự tập trung của con người. Ứng dụng giải pháp này nâng cao uy tín thương hiệu và chất lượng thành phẩm trên thị trường.

II. Thách thức trong kiểm tra linh kiện trên bo mạch điện tử

Quy trình kiểm tra chất lượng linh kiện trên bo mạch điện tử đối mặt nhiều rào cản kỹ thuật phức tạp. Kích thước các linh kiện dán bề mặt ngày càng thu nhỏ, mật độ bố trí trên bo mạch rất dày đặc. Việc quan sát bằng mắt thường dễ gây nhầm lẫn và nhanh chóng làm thị lực suy giảm. Phương pháp kiểm định thủ công không thể đáp ứng tốc độ của các dây chuyền sản xuất hàng loạt hiện đại. Ngoài ra, sự biến đổi ánh sáng môi trường tạo ra bóng đổ và phản xạ gây nhiễu ảnh nghiêm trọng. Các thuật toán xử lý ảnh truyền thống thường gặp khó khăn khi môi trường chiếu sáng thay đổi bất thường. Hạn chế này dẫn đến tỷ lệ nhận diện sai sót hoặc bỏ sót linh kiện lỗi tăng cao. Chi phí đầu tư các hệ thống kiểm tra quang học nhập ngoại lại quá đắt đỏ so với doanh nghiệp vừa và nhỏ. Do đó, việc xây dựng mô hình kiểm tra nội địa có chi phí hợp lý, độ chính xác cao và hoạt động ổn định là một thách thức lớn. Hệ thống cần khả năng phân loại linh kiện chính xác trong thời gian thực.

2.1. Giới hạn của phương pháp kiểm tra thủ công truyền thống

Kiểm tra thủ công đòi hỏi nguồn nhân lực lớn và tốn kém chi phí quản lý vận hành. Nhân viên kiểm tra dễ bị mệt mỏi sau nhiều giờ làm việc liên tục trước kính hiển vi. Sự suy giảm thị lực và mất tập trung dẫn đến sai sót nghiêm trọng trong quá trình đánh giá. Phương pháp này thiếu tính khách quan và thiếu dữ liệu thống kê số hóa theo thời gian thực. Tốc độ kiểm tra thủ công rất chậm, tạo thành nút thắt cổ chai kìm hãm toàn bộ dây chuyền sản xuất. Doanh nghiệp khó lòng nâng cao sản lượng khi vẫn duy trì phương thức đánh giá thủ công lạc hậu này.

2.2. Khó khăn khi nhận diện linh kiện siêu nhỏ và biến dạng quang học

Linh kiện điện tử hiện đại có kích thước siêu nhỏ như tụ điện hay điện trở dán. Hiện tượng phản chiếu ánh sáng từ mối hàn kim loại gây lóa và làm mất chi tiết hình ảnh. Điều này cản trở quá trình trích xuất đặc trưng của các thuật toán nhận dạng quang học cơ bản. Sự sai lệch vị trí của linh kiện trên bo mạch đôi khi chỉ tính bằng phần mười milimét. Môi trường công nghiệp với độ rung lắc của băng chuyền cũng gây nhòe khung hình thu nhận. Việc phân biệt giữa linh kiện đạt chuẩn và linh kiện lỗi đòi hỏi mô hình thị giác phải có độ nhạy rất cao và khả năng khử nhiễu ưu việt.

III. Giải pháp hệ thống kiểm tra linh kiện trên bo mạch điện tử

Nghiên cứu tại ĐH SPKT TPHCM đề xuất mô hình kiểm tra linh kiện trên bo mạch điện tử tự động hóa toàn diện. Hệ thống kết hợp kiến trúc phần cứng băng tải công nghiệp và phần mềm trí tuệ nhân tạo. Mô hình YOLOv8 đóng vai trò trung tâm trong tác vụ nhận diện đối tượng và phân đoạn cá thể linh kiện. Thư viện OpenCV hỗ trợ xử lý tiền kỳ ảnh, căn chỉnh khung hình và loại bỏ nhiễu ánh sáng. Cơ cấu phần cứng sử dụng vi điều khiển tích hợp cảm biến phát hiện sản phẩm cùng hệ thống xi lanh khí nén. Khi bo mạch di chuyển vào vị trí camera, cảm biến kích hoạt chụp ảnh và gửi dữ liệu về máy tính xử lý. Thuật toán phân tích trạng thái linh kiện và trả về kết quả đạt hoặc lỗi trong thời gian thực. Hệ thống điều khiển xi lanh gạt phân loại bo mạch đạt chuẩn sang băng chuyền tiếp theo hoặc đẩy sản phẩm lỗi sang khay loại bỏ. Quy trình vận hành khép kín đảm bảo tính chính xác và an toàn tuyệt đối cho thiết bị.

3.1. Ứng dụng mô hình YOLOv8 và thư viện OpenCV nhận dạng linh kiện

YOLOv8 là thuật toán học sâu hàng đầu trong lĩnh vực thị giác máy tính hiện đại. Mô hình có tốc độ suy luận cực nhanh và thời gian phản hồi tín hiệu rất thấp. Khả năng phát hiện bounding box chính xác giúp hệ thống định vị từng linh kiện trên bo mạch. Thư viện OpenCV đảm nhận vai trò chuyển đổi không gian màu, khử mờ và trích xuất vùng quan tâm. Sự kết hợp giữa YOLOv8 và OpenCV giúp hệ thống nhận diện tốt các lỗi thiếu linh kiện, sai vị trí hoặc sai chiều lắp ráp. Cấu trúc mô hình gọn nhẹ cho phép triển khai thuận lợi trên các thiết bị máy tính nhúng chuyên dụng.

3.2. Cơ cấu cơ điện tử tự động và phân loại sản phẩm bằng xi lanh khí nén

Phần cứng của hệ thống gồm băng tải dẫn động động cơ DC, các cảm biến vị trí và hệ thống xi lanh khí nén. Vi điều khiển lập trình nhận tín hiệu từ cảm biến quang để điều khiển động cơ băng chuyền dừng đúng thời điểm chụp ảnh. Sau khi nhận kết quả phân tích phân loại từ máy tính xử lý qua giao thức truyền thông nối tiếp, cơ cấu chấp hành sẽ phản hồi tức thì. Nếu kết quả là đạt, sản phẩm tiếp tục di chuyển về cuối băng chuyền sang khâu kế tiếp. Nếu kết quả báo lỗi, xi lanh phân loại lập tức kích hoạt để đẩy bo mạch hỏng ra khỏi chuyền. Giải pháp này giúp tự động hóa hoàn toàn khâu sàng lọc chất lượng.

IV. Hiệu quả ứng dụng kiểm tra linh kiện trên bo mạch điện tử

Đồ án tốt nghiệp tại ĐH SPKT TPHCM khẳng định tính khả thi và hiệu quả vượt trội của hệ thống kiểm tra linh kiện trên bo mạch điện tử. Kết quả thử nghiệm thực tế chứng minh mô hình đạt độ chính xác nhận diện trên 90%. Hệ thống đáp ứng tốt các yêu cầu khắt khe về tính ổn định và khả năng tự động hóa trong phân loại mạch in. Cơ chế phát hiện linh kiện lỗi hoạt động nhịp nhàng cùng cơ cấu gạt khí nén, ngăn chặn triệt để sản phẩm lỗi lọt vào thị trường. Đề tài mở ra tiềm năng ứng dụng to lớn cho các xưởng lắp ráp linh kiện điện tử trong nước với chi phí đầu tư phải chăng. Nghiên cứu cũng định hướng các giải pháp cải tiến tiếp theo nhằm nâng cao tốc độ xử lý khung hình. Việc mở rộng tập dữ liệu huấn luyện sẽ giúp mô hình tối ưu khả năng nhận diện các linh kiện siêu nhỏ. Đề tài đánh dấu bước phát triển thực chất trong việc đưa trí tuệ nhân tạo vào sản xuất công nghiệp thực tế.

4.1. Đánh giá kết quả thử nghiệm và độ chính xác phân loại

Thử nghiệm thực tế ghi nhận hệ thống đạt độ chính xác nhận diện vượt mốc 90% đối với các linh kiện phổ biến. Thời gian phản hồi tín hiệu phân loại giữa máy tính và cơ cấu truyền động diễn ra mượt mà và kịp thời. Tỷ lệ phân loại nhầm giữa sản phẩm đạt chuẩn và sản phẩm phế phẩm ở mức rất thấp. Các báo cáo phân tích từ giảng viên hướng dẫn đánh giá cao tính hợp lý, khoa học và giá trị thực tiễn của đề tài. Hệ thống chứng minh khả năng vận hành ổn định trong môi trường thử nghiệm liên tục, tạo cơ sở tin cậy cho ứng dụng công nghiệp.

4.2. Tiềm năng triển khai và định hướng nâng cấp trong công nghiệp

Hệ thống kiểm tra quang học tự động này có khả năng triển khai linh hoạt trong các dây chuyền lắp ráp điện tử quy mô vừa và nhỏ. Định hướng phát triển tương lai tập trung vào việc bổ sung tập dữ liệu đa dạng để nhận diện các linh kiện siêu nhỏ. Đồng thời, việc tối ưu hóa thuật toán deep learning sẽ giúp đẩy nhanh tốc độ xử lý khung hình trên giây. Mô hình có thể tích hợp trực tiếp lên các vi máy tính nhúng gọn nhẹ để giảm thiểu chi phí thiết bị. Việc kết nối hệ thống đám mây cũng hỗ trợ quản lý chất lượng và lưu trữ dữ liệu sản xuất tập trung.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong quy trình sản xuất thiết bị điện tử tại các doanh nghiệp vừa và nhỏ ở Việt Nam, công đoạn gia công và lắp ráp bo mạch in phần lớn vẫn phụ thuộc vào thao tác thủ công của con người. Với năng suất hàng trăm đến hàng nghìn sản phẩm mỗi ngày, sai sót trong quá trình hàn linh kiện – đặc biệt là hiện tượng gắn thiếu hoặc sai lệch linh kiện – là vấn đề khó tránh khỏi. Công tác kiểm định chất lượng sản phẩm đầu ra theo phương pháp truyền thống đòi hỏi nguồn nhân lực lớn, chi phí vận hành cao và thời gian kiểm tra kéo dài, đồng thời tiềm ẩn rủi ro sai sót do yếu tố chủ quan của người thao tác. Nhằm giải quyết các bất cập trên, đồ án tốt nghiệp kỹ sư ngành Công nghệ Kỹ thuật Điện tử - Viễn thông của tác giả Nguyễn Thị Thảo Trân (Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, thực hiện dưới sự hướng dẫn của PGS. TS. Phan Văn Ca) đã đề xuất và triển khai đề tài: "Hệ thống kiểm tra linh kiện trên bo mạch điện tử".

Nhiệm vụ và mục tiêu nghiên cứu của đồ án được xác định cụ thể qua các điểm sau:

1. Xác định vị trí và nhận diện tên gọi các linh kiện hiện diện trên bo mạch điện tử.
2. Kiểm tra số lượng linh kiện thực tế trên bo mạch cần đánh giá.
3. Phân loại bo mạch thành ba nhóm: bo mạch có đầy đủ linh kiện so với bo mạch mẫu; bo mạch bị thiếu linh kiện so với bo mạch mẫu; bo mạch không đúng chủng loại đang cần kiểm tra.
4. Đếm số lượng sản phẩm đã kiểm tra và hiển thị trực quan kết quả trên màn hình theo dõi.
5. Đảm bảo thời gian kiểm tra và phân loại một sản phẩm dưới 1 phút.
6. Đạt độ chính xác phân loại tổng thể trên 90%.

Để đạt được các mục tiêu trên, tác giả đã triển khai bảy nội dung nghiên cứu theo trình tự:

• Nội dung 1: Cho hệ thống học tập dữ liệu hình ảnh của bo mạch điện tử.
• Nội dung 2: Gắn thẻ nhãn tên cho từng loại linh kiện điện tử.
• Nội dung 3: Chạy mô phỏng các tình huống sai hỏng có thể phát sinh trên bo mạch (linh kiện bị nghiêng, vỡ hoặc thiếu).
• Nội dung 4: Kết nối bo mạch Raspberry Pi với camera nhằm thu thập dữ liệu hình ảnh thời gian thực.
• Nội dung 5: Lắp đặt cơ khí, đấu nối phần cứng và vận hành kiểm nghiệm trên mô hình thực tế.
• Nội dung 6: Hiệu chỉnh các thông số và hoàn thiện hệ thống.
• Nội dung 7: Đánh giá kết quả thực nghiệm và điều chỉnh hệ thống.

Đối tượng và phạm vi nghiên cứu của đề tài được giới hạn trong các thông số kỹ thuật rõ ràng:

• Đối tượng kiểm tra: Các bo mạch điện tử sử dụng linh kiện kiểu chân cắm (DIP - Dual In-line Package).
• Kích thước bo mạch kiểm tra: Nhỏ hơn 8x12 cm.
• Kích thước linh kiện nhỏ nhất có thể nhận biết: 3 mm.
• Khoảng cách tối thiểu giữa các loại linh kiện trên mặt bo: 10 mm.
• Quy mô cơ khí: Băng tải có kích thước bề mặt 10x64 cm, kích thước khung tổng thể là 51,2 cm; mỗi chu kỳ xử lý đơn lẻ một bo mạch.
• Giới hạn vận hành: Thời gian xử lý dưới 1 phút trên mỗi mạch, hướng tới độ chính xác trên 90%.

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp giữa lý thuyết thị giác máy tính, kỹ thuật học sâu và thiết kế hệ thống cơ điện tử nhúng. Các nền tảng lý thuyết và công cụ cốt lõi được tác giả khai thác bao gồm:

• Thị giác máy tính (Computer Vision): Đóng vai trò là phương pháp trích xuất thông tin trực quan từ ảnh chụp, biến đổi ảnh thành mảng dữ liệu số biểu diễn pixel, cường độ sáng và mức độ màu sắc, từ đó trích xuất đặc trưng hình thái (features) và mẫu (patterns) để phát hiện khiếm khuyết linh kiện.
• Mô hình mạng học sâu YOLO (You Only Look Once): Được lựa chọn nhờ ưu điểm tốc độ xử lý nhanh và khả năng nhận diện nhiều đối tượng trong một khung hình duy nhất, vượt trội hơn các mô hình truyền thống như R-CNN hay Faster R-CNN trong các tác vụ kiểm tra thời gian thực.
• Mô hình YOLOv8 (phiên bản do Ultralytics phát triển năm 2023): Được tích hợp để giải quyết ba bài toán chuyên biệt: phân loại hình ảnh (Classification) dựa trên các đặc trưng học được từ tập dữ liệu lớn, nhận dạng vị trí linh kiện (Object Detection) thông qua các hộp giới hạn (Bounding Boxes), và phân đoạn đối tượng (Segmentation) để khoanh vùng chi tiết mức pixel của linh kiện.
• Thư viện OpenCV: Thư viện nguồn mở được sử dụng để tiền xử lý hình ảnh, phát hiện biên dạng, xác định điểm góc và hỗ trợ xử lý luồng dữ liệu thời gian thực trên nền tảng phần cứng nhúng.

Phương pháp nghiên cứu được tiến hành theo phương pháp thực nghiệm kết hợp thiết kế kỹ thuật:

• Thu thập và chuẩn bị dữ liệu: Chụp ảnh bo mạch mẫu chuẩn và các bo mạch có lỗi, gán nhãn từng linh kiện chân cắm, tạo tập dữ liệu huấn luyện mô hình YOLOv8.
• Xây dựng giải thuật điều khiển và phân loại: Sử dụng máy tính nhúng để chạy mô hình AI nhận diện, sau đó truyền thông mã lệnh sang vi điều khiển trung tâm.
• Nguồn dữ liệu: Toàn bộ ảnh thực tế thu nhận trực tiếp từ camera gắn trên hệ thống băng tải phân loại thực nghiệm tại phòng thí nghiệm của bộ môn Kỹ thuật Máy tính - Viễn thông.

Thiết kế và triển khai

Hệ thống được thiết kế dưới dạng một dây chuyền bán tự động thu nhỏ với cấu trúc bao gồm 6 khối chức năng chính:

• Khối nguồn: Chuyển đổi nguồn điện lưới xoay chiều (AC) thành điện áp một chiều (DC) 12V để cung cấp cho toàn bộ thiết bị.
• Khối xử lý ảnh: Bao gồm Camera và máy tính nhúng Raspberry Pi 4 đảm nhiệm việc thu nhận ảnh, chạy mô hình YOLOv8 kết hợp OpenCV để đối soát linh kiện và phản hồi dữ liệu kết quả.
• Khối xử lý trung tâm: Sử dụng vi điều khiển Arduino Mega 2560 nhận lệnh từ Raspberry Pi 4 qua cổng nối tiếp (UART) và nhận tín hiệu từ các cảm biến để điều phối động cơ và hệ thống khí nén.
• Khối cảm biến: Gồm cảm biến vật cản hồng ngoại và cảm biến quang điện nhận diện vị trí bo mạch trên máng trượt và băng chuyền.
• Khối động cơ: Động cơ điện một chiều 12V kéo dây đai băng chuyền đưa sản phẩm vào các vị trí chỉ định.
• Khối xi lanh và khí nén: Bao gồm hai van điện từ điều khiển hai xi lanh tiết lưu đảm nhận nhiệm vụ cấp phôi từ máng nghiêng và gạt sản phẩm lỗi vào máng chứa riêng.

Trong khâu tính toán cơ khí và động lực học cho băng tải, tác giả xác định các thông số:

• Bo mạch kích thước 8x12 cm, máng trượt nghiêng góc 45 độ, máng hứng sản phẩm kích thước lớn hơn 12 cm.
• Khối lượng sản phẩm tối đa trên băng tải: 1 kg; khối lượng dây đai PVC: 0,8 kg; tổng tải trọng tính toán: $W = 1,8\text{ kg}$.
• Vận tốc băng chuyền: $v = 1\text{ m/s}$; hệ số ma sát giữa đai và bề mặt trượt: $\mu = 0,3$.
• Lực ma sát cần thắng: $F_{masat} = \mu \times W = 0,3 \times 1,8 \times 9,81 = 5,29\text{ N}$.
• Công suất trục công tác: $P_{lv} = F \times v = 5,29\text{ W}$.
• Với hiệu suất truyền động $\eta = 0,97$, công suất cần thiết của động cơ là: $P_{ct} = P_{lv} / \eta = 5,46 \times 10^{-3}\text{ kW} = 5,46\text{ W}$.
• Đường kính rulo dẫn động băng tải: $D = 60\text{ mm}$. Số vòng quay cần thiết của rulo: $n_{ct} = (60000 \times 1) / (\pi \times 60) \approx 318,3\text{ vòng/phút}$.
• Sử dụng bộ truyền xích có tỉ số truyền $i = 0,66$, số vòng quay sơ bộ của động cơ đạt: $n_{sb} = 318,3 \times 0,66 = 210\text{ vòng/phút}$.
• Mô-men xoắn yêu cầu trên trục động cơ: $T_{ct} = (9,55 \times 10^6 \times 5,46 \times 10^{-3}) / 210 \approx 248,3\text{ N.cm}$.

Về tính toán phụ tải điện, tác giả tổng hợp dòng tiêu thụ của các thiết bị để lựa chọn bộ nguồn phù hợp:

Tên thiết bị	Số lượng	Điện áp hoạt động	Dòng tiêu thụ đơn vị
Động cơ băng tải	1	12V	1A
Cảm biến vật cản hồng ngoại	2	12V	1A
Cảm biến quang	1	12V	100mA
Van điện từ kích xi lanh	2	12V	250mA
Đèn LED chiếu sáng	1	12V	100mA
Tổng cộng	6 thiết bị	12V	2,45A

Dựa trên tổng dòng tiêu thụ tính toán là 2,45A, tác giả lựa chọn bộ đổi nguồn AC-DC thông số 12V – 3A, đảm bảo hệ thống vận hành có hệ số dự phòng ổn định.

Về mặt điều khiển và lưu đồ thuật toán, quy trình vận hành được thiết kế tuần tự qua 5 bước:

• Bước 1: Nhấn nút ON (màu xanh) để khởi động toàn bộ hệ sinh thái phần cứng.
• Bước 2: Người vận hành đặt bo mạch lên máng trượt nghiêng. Cảm biến cấp phôi (chân 11 trên Arduino) kích hoạt xi lanh cấp phôi đẩy mạch xuống băng tải; động cơ băng chuyền khởi động đưa mạch đến vùng quan sát.
• Bước 3: Cảm biến tại vùng chụp ảnh (chân 10) nhận diện vật thể, ngắt động cơ để cố định phôi. Camera chụp ảnh và Raspberry Pi 4 tiến hành phân tích nhận dạng thông qua YOLOv8 trong khoảng thời gian khoảng 500 ms.
• Bước 4: Raspberry Pi 4 gửi kết quả về Arduino Mega 2560 qua giao tiếp UART (Serial1, baud rate 9600):
  • Trạng thái "Pass" (đầy đủ linh kiện): Động cơ tiếp tục quay đưa mạch thẳng về cuối băng chuyền.
  • Trạng thái "Fail" (thiếu linh kiện): Mạch chạy tới vị trí cảm biến sản phẩm lỗi (chân 12), xi lanh phân loại kích hoạt đẩy bo mạch rơi vào máng trượt phế phẩm. Màn hình đồng thời hiển thị chữ màu đỏ định danh chính xác linh kiện bị thiếu.
  • Trạng thái "Not the circuit to be classified" (sai chủng loại bo mạch): Hệ thống báo lỗi và phân loại tương tự sản phẩm không đạt.
• Bước 5: Hệ thống tổng kết số lượng mạch đã kiểm tra lên màn hình và người dùng bấm nút OFF để kết thúc chu trình làm việc.

Chương trình điều khiển nhúng trên Arduino Mega 2560 quản lý trực tiếp các chân vào/ra: chân 8 (động cơ), chân 7 (xi lanh cấp phôi ban đầu), chân 6 (xi lanh gạt phân loại cuối), chân 2 (nút Start), chân 3 (nút Stop), cùng các chân tín hiệu cảm biến 10, 11, 12 với cấu hình ngõ vào kéo lên nội bộ (INPUT_PULLUP).

Nội dung chính theo từng chương

Chương 1: Tổng quan về đề tài

Chương mở đầu tập trung nêu rõ lý do chọn đề tài dựa trên thực tế sản xuất tại các nhà máy điện tử quy mô vừa và nhỏ ở Việt Nam. Tác giả xác lập hệ thống mục tiêu định lượng gồm khả năng định danh linh kiện, phân chia 3 trạng thái phân loại bo mạch, tốc độ kiểm tra dưới 1 phút/mạch và độ chính xác trên 90%. Bố cục đề tài được giới hạn nghiêm ngặt ở phạm vi bo mạch kích thước dưới 8x12 cm, linh kiện chân cắm DIP có kích thước trên 3 mm và khoảng cách giữa các linh kiện từ 10 mm trở lên.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày tổng quan về lĩnh vực thị giác máy tính và lịch sử phát triển của thuật toán phát hiện vật thể YOLO. Nội dung đi sâu phân tích phiên bản YOLOv8 của Ultralytics với các đặc tính xử lý thời gian thực, độ trễ phản hồi thấp, khả năng chạy trên máy tính nhúng Raspberry Pi. Chương này cũng phân tích cấu trúc của thư viện xử lý ảnh OpenCV, làm rõ cách thức trích xuất biên dạng, phát hiện góc cạnh và phân tích đặc trưng phục vụ cho khâu tiền xử lý ảnh trước khi đưa vào mô hình nơ-ron.

Chương 3: Tính toán và thiết kế hệ thống

Nội dung chương 3 bao gồm toàn bộ thiết kế kỹ thuật từ sơ đồ khối 6 thành phần đến lưu đồ giải thuật phân loại chi tiết. Tác giả cung cấp bản vẽ kỹ thuật cơ khí của băng tải (kích thước 10x64 cm), tính toán công suất động cơ dẫn động đạt 5,46W, tính toán mô-men xoắn cần thiết 248,3 N.cm, và thiết lập bảng cân bằng công suất điện (12V - 2,45A) để lựa chọn nguồn cấp 12V 3A. Sơ đồ nối dây chi tiết giữa Raspberry Pi 4, Arduino Mega 2560, module relay 4 kênh, hệ thống van khí nén và các cảm biến quang điện được mô tả hoàn chỉnh cùng quy trình thao tác 5 bước.

Chương 4: Kết quả và đánh giá hệ thống

Chương 4 ghi nhận dữ liệu thực nghiệm trên một mẫu bo mạch chuẩn chứa 8 nhóm linh kiện chân cắm với số lượng cụ thể: 1 diode cầu (Bridge), 11 tụ điện (Capacitor), 1 diode xung (Diode), 1 bóng LED đỏ (Led), 2 điện trở (Resistor), 4 cổng kết nối dây (Terminal), 1 biến trở (Variable resistor) và 5 vi mạch tích hợp (IC). Thực nghiệm kiểm tra được triển khai trên 15 bo mạch (gồm 9 mạch chuẩn đủ linh kiện, 4 mạch thiếu linh kiện và 2 mạch sai kích thước 5x7 cm) lặp lại trong 3 đợt chạy độc lập. Tác giả phân tích các nguyên nhân gây sai số nhận diện, bao gồm hiện tượng bố trí linh kiện quá dày (dưới 10 mm), linh kiện tụ điện có kích thước nhỏ hơn 5 mm và sự thay đổi cường độ ánh sáng môi trường.

Chương 5: Kết luận và hướng phát triển của đề tài

Chương cuối cùng tổng kết các chỉ số hiệu quả của hệ thống, khẳng định mô hình hoàn thành 80% mục tiêu ban đầu đề ra. Đề tài đánh giá toàn diện mô hình dựa trên 5 tiêu chí: tính khả thi, tính ổn định, tính ứng dụng, tính thẩm mỹ và tính cạnh tranh. Đồng thời, tác giả vạch ra 4 hướng nghiên cứu nối tiếp nhằm nâng cao độ phân giải quang học, mở rộng nhận diện linh kiện dán SMD nhỏ dưới 5 mm và nâng cấp cấu hình phần cứng xử lý ảnh.

Kết quả và đóng góp

Quá trình kiểm nghiệm thực tế hệ thống được tác giả thực hiện qua 3 đợt chạy thử liên tục, mỗi đợt sử dụng bộ mẫu gồm 15 bo mạch điện tử (9 mạch đầy đủ linh kiện, 4 mạch thiếu linh kiện và 2 mạch sai chủng loại):

Đợt kiểm nghiệm thực tế	Số lượng mạch được phân loại đúng (trên tổng số 15 mạch)	Thời gian trung bình kiểm tra một mạch (giây)	Độ chính xác phân loại (%)
Lần 1	Đạt yêu cầu thực nghiệm	4,33	> 90%
Lần 2	Đạt yêu cầu thực nghiệm	4,33	> 90%
Lần 3	Đạt yêu cầu thực nghiệm	4,33	> 90%

Tổng hợp các kết quả thực nghiệm cho thấy hệ thống đã đạt được các chỉ tiêu kỹ thuật chính:

• Nhận dạng chính xác vị trí, số lượng và tên gọi của từng loại linh kiện trên mặt bo.
• Phân tách chính xác ba trạng thái: bo mạch đạt chuẩn (Pass), bo mạch thiếu linh kiện (Fail - chỉ rõ tên linh kiện thiếu bằng chữ màu đỏ trên màn hình hiển thị), và bo mạch không đúng quy cách cần phân loại.
• Thời gian kiểm tra và phân loại bo mạch đạt tốc độ trung bình 4,33 giây trên mỗi sản phẩm trong điều kiện băng chuyền vận hành liên tục (thỏa mãn tiêu chí thiết kế ban đầu đặt ra là dưới 1 phút/mạch).
• Độ chính xác trung bình toàn hệ thống đạt mức trên 90%.

Về mặt đóng góp, đề tài mang lại giải pháp cơ điện tử tích hợp thị giác máy tính ở mức chi phí thấp, phù hợp với điều kiện đầu tư của các doanh nghiệp quy mô vừa và nhỏ:

• Tự động hóa công đoạn kiểm tra ngoại quan vốn trước đây phụ thuộc 100% vào mắt nhìn của công nhân, giúp giảm chi phí nhân sự và hạn chế sai sót do mỏi mắt hay mất tập trung.
• Chứng minh tính khả thi của việc triển khai mô hình học sâu hiện đại YOLOv8 trên nền tảng máy tính nhúng nhỏ gọn Raspberry Pi 4 kết hợp với vi điều khiển công nghiệp Arduino Mega 2560 để điều khiển cơ cấu chấp hành khí nén.
• Đóng góp một thiết kế băng tải phân loại hoàn chỉnh, có đầy đủ công thức tính toán tải trọng cơ học và bảng cân bằng công suất điện nguồn.

Hạn chế và hướng nghiên cứu tiếp

Mặc dù đã hoàn thành phần lớn các nhiệm vụ nghiên cứu cốt lõi (được tác giả tự đánh giá đạt 80% mục tiêu ban đầu), hệ thống vẫn bộc lộ các hạn chế kỹ thuật cụ thể được văn bản ghi nhận:

• Sai số phân loại xuất hiện chủ yếu đối với các linh kiện có kích thước nhỏ hơn 5 mm hoặc tại các khu vực bo mạch có mật độ sắp xếp linh kiện dày đặc (khoảng cách giữa các linh kiện dưới 10 mm), trong đó tỷ lệ nhận diện sai tập trung nhiều nhất ở linh kiện tụ điện (Capacitor).
• Hệ thống chỉ mới nhận diện được linh kiện kiểu chân cắm (DIP), hoàn toàn chưa hỗ trợ kiểm tra linh kiện dán bề mặt (SMD - Surface Mount Device).
• Quá trình nhận diện hình ảnh còn chịu tác động từ sự bất ổn định của điều kiện ánh sáng môi trường bên ngoài.
• Tốc độ xử lý dữ liệu tổng thể đôi khi còn ghi nhận độ trễ (ở một số tình huống kiểm nghiệm kéo dài gần 2 phút/mạch), khiến hiệu suất chưa đạt mức tối ưu tuyệt đối.

Từ các hạn chế trên, tác giả đề xuất 4 định hướng phát triển tiếp theo cho đề tài:

1. Nghiên cứu nâng cấp mô-đun camera có độ phân giải quang học cao hơn nhằm tăng cường độ sắc nét của dữ liệu ảnh, hỗ trợ nhận dạng các vật thể linh kiện có kích thước dưới 5 mm.
2. Tối ưu hóa và đào tạo lại mô hình nhận diện vật thể để mở rộng khả năng phát hiện các linh kiện siêu nhỏ và các linh kiện dạng chân dán SMD.
3. Cải tiến phương thức hiển thị kết quả bằng cách trang bị một màn hình điều khiển độc lập chuyên dụng, giúp kỹ thuật viên dễ dàng theo dõi và thao tác vận hành tại xưởng.
4. Nâng cấp bộ vi xử lý hình ảnh có xung nhịp và dung lượng bộ nhớ lớn hơn để rút ngắn thời gian xử lý và lưu trữ dữ liệu, đáp ứng tốt hơn yêu cầu về tốc độ của dây chuyền công nghiệp.

Giá trị tham khảo

Đồ án tốt nghiệp của tác giả Nguyễn Thị Thảo Trân mang lại giá trị tham khảo thiết thực cho nhiều nhóm đối tượng học thuật và ứng dụng:

• Sinh viên các chuyên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Máy tính, Tự động hóa và Cơ điện tử: Có thể khai thác đồ án như một tài liệu tham khảo hoàn chỉnh về mô hình đồ án tốt nghiệp kỹ sư có tính liên ngành, kết hợp nhuần nhuyễn giữa cơ khí băng tải, mạch điều khiển nhúng và thuật toán trí tuệ nhân tạo.
• Người nghiên cứu bài toán kiểm tra ngoại quan tự động (AOI - Automated Optical Inspection): Tham khảo trực tiếp phương pháp ứng dụng mạng YOLOv8 và thư viện OpenCV trong bài toán phân loại linh kiện điện tử trên bo mạch in.
• Kỹ sư thiết kế hệ thống nhúng: Khai thác chi tiết phương pháp tính toán động lực học băng tải nhỏ, công thức tính công suất trục công tác, bảng lựa chọn nguồn cấp điện DC, sơ đồ đấu nối vi điều khiển với relay và van điện từ khí nén, cùng toàn bộ mã nguồn lập trình C++ cho Arduino Mega 2560 điều khiển tuần tự qua giao tiếp UART.

Câu hỏi thường gặp

Hệ thống phân loại bo mạch thành các nhóm trạng thái nào và cơ cấu chấp hành xử lý ra sao? Hệ thống phân chia sản phẩm thành 3 nhóm: bo mạch đủ linh kiện (Pass), bo mạch thiếu linh kiện (Fail) và bo mạch không đúng quy cách cần kiểm tra (Not the circuit to be classified). Khi kết quả là Pass, động cơ kéo băng tải đưa mạch ra thẳng cuối dây chuyền. Khi kết quả là Fail hoặc sai quy cách, tín hiệu từ Raspberry Pi gửi qua Arduino kích hoạt xi lanh khí nén gạt bo mạch rơi vào máng trượt phế phẩm riêng, đồng thời màn hình hiển thị cảnh báo chữ màu đỏ nêu rõ tên linh kiện bị thiếu.

Bộ mẫu bo mạch chuẩn dùng để kiểm tra thực nghiệm gồm có những loại linh kiện nào? Bo mạch chuẩn được dùng trong thử nghiệm là bo mạch chân cắm DIP kích thước nhỏ hơn 8x12 cm, bao gồm 8 loại linh kiện với số lượng: 1 diode cầu (Bridge), 11 tụ điện (Capacitor), 1 diode xung (Diode), 1 đèn LED màu đỏ (Led), 2 điện trở (Resistor), 4 cổng kết nối dây (Terminal), 1 biến trở (Variable resistor) và 5 vi mạch tích hợp (IC).

Thông số tính toán cơ học và nguồn điện của băng tải được thiết lập như thế nào? Băng tải sử dụng dây đai PVC có kích thước mặt băng 10x64 cm, rulo đường kính 60 mm quay 318,3 vòng/phút, bộ truyền xích tỉ số truyền 0,66 dẫn động bởi động cơ có số vòng quay 210 vòng/phút và mô-men xoắn 248,3 N.cm. Tổng tải trọng tính toán là 1,8 kg với hệ số ma sát 0,3 và vận tốc 1 m/s, tiêu tốn công suất động cơ tính toán 5,46W. Toàn bộ thiết bị gồm động cơ 12V 1A, 2 cảm biến hồng ngoại 12V 1A, cảm biến quang 100mA, 2 van điện từ 250mA và đèn LED 100mA tiêu thụ tổng dòng 2,45A, do đó hệ thống được trang bị bộ nguồn tổ ong 12V 3A.

Mô hình YOLOv8 thực hiện những nhiệm vụ kỹ thuật gì trong hệ thống xử lý ảnh? Trong hệ thống, mô hình YOLOv8 đảm nhận ba nhiệm vụ chính: phân loại hình ảnh (Classification) để xác định sự hiện diện của linh kiện; nhận dạng đối tượng (Object Detection) để khoanh vùng vị trí tọa độ của từng linh kiện thông qua các hộp giới hạn (Bounding Boxes); và phân đoạn đối tượng (Segmentation) để xác định chính xác các điểm ảnh thuộc về linh kiện đó, giúp hệ thống đối chiếu với bo mạch chuẩn để phát hiện linh kiện bị thiếu hoặc bị sai hỏng.

Nguyên nhân chính nào dẫn đến các sai số phân loại trong quá trình thực nghiệm? Sai số phân loại trong thực nghiệm chủ yếu xuất phát từ ba nguyên nhân kỹ thuật: các linh kiện có kích thước nhỏ hơn 5 mm khó được nhận diện chính xác bởi camera hiện tại; khoảng cách giữa các linh kiện quá dày đặc (dưới 10 mm), đặc biệt là các tụ điện (Capacitor) nằm liền kề gây khó khăn cho việc phân tách hộp giới hạn; và sự biến thiên của điều kiện ánh sáng môi trường xung quanh gây nhiễu ảnh trong quá trình thu thập dữ liệu quang học.

Kết luận

Đồ án tốt nghiệp "Hệ thống kiểm tra linh kiện trên bo mạch điện tử" của sinh viên Nguyễn Thị Thảo Trân đã chế tạo thành công một mô hình phân loại bán tự động kết hợp giữa cơ cấu băng tải khí nén và thị giác máy tính. Bằng việc ứng dụng thuật toán học sâu YOLOv8 trên máy tính nhúng Raspberry Pi 4 kết hợp điều khiển phần cứng Arduino Mega 2560, hệ thống đạt độ chính xác trên 90% với thời gian kiểm tra trung bình 4,33 giây trên mỗi bo mạch chân cắm DIP chuẩn. Kết quả nghiên cứu khẳng định tính khả thi cao trong việc ứng dụng công nghệ trí tuệ nhân tạo chi phí thấp để thay thế thao tác kiểm định thủ công, đồng thời mở ra định hướng hoàn thiện về độ phân giải và khả năng nhận diện linh kiện dán SMD trong môi trường sản xuất công nghiệp.

Trích đoạn nội dung tài liệu

đặt vấn đề, mục tiêu đề tài, nội dung nghiên cứu, các giới hạn và bố cục của đề tài. Cơ Sở Lý Thuyết Chương này giới thiệu về thị giác máy tính, mô hình phát hiện vật thể YOLOv8, thư viện OpenCV. Tính Toán và Thiết Kế Hệ Thống Tính toán các thông số cơ bản, sơ đồ kết nối dây của hệ thống, hướng dẫn thao tác và sử dụng mô hình. Kết Quả Và Đánh Giá Hệ Thống Chương này trình bày kết quả của quá trình phân tích, đánh giá, nêu ra nhận xét và hạn chế trong đề tài.

Kết Luận và Hướng Phát Triển Của Đề Tài Tổng kết lại đề tài đã đạt được những gì và chưa được những gì, so với mục tiêu đặt ra ban đầu thì đề tài đã hoàn thành được bao nhiêu phần trăm và nêu ra những hướng phát triển cho đề tài. 3 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 GIỚI THIỆU VỀ THỊ GIÁC MÁY TÍNH Thị giác máy tính (Computer Vision) là một bước ngoặt lớn của trí tuệ nhân tạo (AI - Artificial Intelligence), cho phép máy tính lấy thông tin từ hình ảnh, video và các đầu vào trực quan khác. Sau đó, công nghệ này thực hiện quan sát, phân tích và chuyển đổi dữ liệu thu thập được thành một mảng các pixel tương ứng với các giá trị số, các giá trị số này đại diện cho cường độ và mức độ màu sắc trong ảnh [3]. Dựa vào các thông số và thuật toán từ dữ liệu hình ảnh, trích xuất các đặc trưng (Features) của vật thể, nhận diện các mẫu (Patterns) mà công nghệ này được ứng dụng để giám sát, phát hiện vật thể, phát hiện lỗi trong quá trình sản xuất [4].

Vì vậy, chúng tôi đã quyết định ứng dụng thị giác máy tính vào đề tài này để kiểm tra sản phẩm trong quá trình sản xuất. Hệ thống này có thể phân tích hàng trăm đến hàng nghìn sản phẩm cùng một lúc, phát hiện lỗi hoặc những vấn đề mà con người chưa kịp nhận thấy một cách nhanh chóng, chính xác mà vẫn đảm bảo được các tiêu chí của người dùng như tiết kiệm chi phí vận hành, giảm thời gian sản xuất, tạo ra các sản phẩm chất lượng.1 Hình ảnh ứng dụng thị giác máy tính vào phân loại bo mạch điện tử.2 MÔ HÌNH PHÁT HIỆN VẬT THỂ YOLO 2.1 Giới thiệu về mô hình phát hiện vật thể YOLO YOLO (You Only Look Once) là một thuật toán của thị giác máy tính được thiết kế để thực hiện nhiệm vụ phát hiện và nhận dạng vật thể trong hình ảnh, video hoặc các đầu trực quan khác. So với mô hình phát hiện vật thể khác thì YOLO vượt trội hơn về tốc độ xử lý và độ chính xác khi chỉ cần một lần xử lý toàn bộ hình ảnh là đã dự đoán được vị trí và loại đối tượng phù hợp ứng dụng để phân loại sản phẩm [5]. Uư điểm: - Tốc độ xử lý hình ảnh và video nhanh phù hợp với các ứng dụng thời gian thực.

- Một khung hình chỉ cần xử lý một lần duy nhất, giảm đáng kể thời gian so với các thuật toán truyền thống như R-CNN hoặc Faster R-CNN. 5 - Phát hiện nhiều đối tượng trong một hình ảnh hoặc video cho ra kết quả có độ chính xác cao, kể cả trong các bối cảnh phức tạp. Nhược điểm: - Khó nhận diện vật thể nếu vật thể nhỏ so với kích thước ô lưới. - So với một số phương pháp khác (như Faster R-CNN), YOLO có thể gặp khó khăn khi phân biệt các đối tượng gần nhau.

Tuy nhiên, nhờ vào tính năng phát hiện và nhận dạng vật thể trong hình ảnh, video hoặc các đầu trực quan khác vượt trôi hơn so với các thuật toán khác. Với tốc độ xử lý dữ liệu nhanh và độ chính xác cao nên YOLO được ứng dụng trong đề tài này.2 Hình ảnh ứng dụng YOLO vào phân loại bo mạch điện tử.2 Giới thiệu về mô hình phát hiện vật thể YOLOv8 YOLOv8 (You Only Look Once, phiên bản v8) là mô hình phát hiện vật thể được phát triển dựa trên các phiên bản trước của YOLO, được sử dụng để phát hiện vật thể, phân loại ảnh hoặc phân đoạn hình ảnh, đối tượng trong một hình ảnh, video hoặc các đầu trực quan khác trong khoảng thời gian thực và có thể xử lý hình ảnh trong vài mili giây [7]. YOLOv8 có ba nhiệm vụ chính như sau: 6 - Phân loại (Classification) giúp xác định sự hiện diện của một lớp cụ thể trong hình ảnh đầu vào nhờ vào việc huấn luyện trước trên tập dữ liệu ImageNet lớn, chứa hàng triệu hình ảnh. - Nhận dạng đối tượng (Object detection) giúp xác định các lớp khác nhau có mặt trong hình ảnh và phát hiện vị trí chính xác của đối tượng thông qua các hộp giới hạn (Bounding Boxes).

- Phân đoạn (Segmentation) giúp xác định vị trí của các đối tượng thông qua các hộp giới hạn. Phân đoạn có nhiệm vụ xác định các pixel riêng lẻ thuộc về một đối tượng. Uư và nhược điểm của mô hình phát hiện vật thể YOLOv8 so với các phiên bản trước: - Uư điểm: • Phân loại hình ảnh, nhận diện và phân đoạn đối tượng trong khoảng thời gian thực với tốc độ xử lý nhanh, thời gian phản hồi thấp. • Nhận diện đối tượng có tính chính xác cao nhờ vào các tiến bộ về học sâu và thị giác máy tính.

• Có thể triển khai trên nhiều nền tảng, từ máy tính cá nhân đến các thiết bị nhúng như Raspberry Pi. - Nhược điểm: • YOLOv8 cần được huấn luyện với một tập dữ liệu đủ lớn và đa dạng để đạt hiệu quả tối đa. • Để đạt được tốc độ xử lý nhanh và chính xác YOLOv8 có thuật toán phức tạp hơn so với những phiên bản trước. Với những ưu điểm trên YOLOv8 được ứng dụng vào đề tài này giúp phân loại, nhận dạng đối tượng, phân đoạn hình ảnh với hiệu suất cao.

YOLOv8 giúp tốc độ xử lý nhanh hơn, thời gian phản hồi thấp hơn, có tính chính xác cao và dễ triển khai trên nhiều nền tảng, đặc biệt là thiết bị nhúng như Raspberry Pi.3 THƯ VIỆN OPENCV OpenCV (Open source computer vision library) là kho lưu trữ các mã nguồn mở được dùng để xử lý hình ảnh, phát triển các ứng dụng đồ họa trong thời gian 7 thực. Thêm vào đó, thư viện còn hỗ trợ cải thiện tốc độ GPU trong các hoạt động thời gian thực. Thư viện này được sử dụng rộng rãi, đặc biệt trong lĩnh vực thị giác máy tính dùng để xử lý hình ảnh, phát hiện và nhận diện đối tượng, xác định các đặc trưng như điểm góc, đường hoặc đường viền [6]. Nhờ vào tính năng xác định các đặc trưng của vật thể hoặc đối tượng mà thư viện này được ứng dụng trong đề tài giúp phân loại tính đặc trưng của từng đối tượng vật thể.

Từ đó, nhận diện đối tượng dễ dàng hơn giúp tăng hiệu suất phân loại sản phẩm.3 Hình ảnh ứng dụng thư viện OpenCV xác định đối tượng vật thể. 8 CHƯƠNG 3 TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG 3.1 GIỚI THIỆU VỀ HỆ THỐNG Hình 3.1 Hình ảnh sơ đồ khối của hệ thống kiểm tra linh kiện trên bo mạch điện tử. Hệ thống bao gồm 6 khối chính: Khối nguồn, khối xử lý ảnh, khối xử lý trung tâm, khối cảm biến, khối động cơ, khối xi lanh và khí nén. Chức năng của từng khối: - Khối nguồn: khối này chuyển nguồn từ điện áp AC sang điện áp DC có nhiệm vụ cấp nguồn điện cho toàn bộ hệ thống hoạt động.

- Khối xử lý ảnh: khối này dùng để điểu khiển chụp ảnh, xử lý hình ảnh sau đó trả tín hiệu về khối xử lý trung tâm. 9 - Khối xử lý trung tâm: khối này dùng để nhận và phát tín hiệu. Sau khi nhận tín hiệu từ khối xử lý ảnh thì khối trung tâm sẽ truyền tín hiệu đến khối động cơ và khôi xi lanh. - Khối cảm biến: khối này nhận tín hiệu từ vật cản hoặc phôi và truyền tín hiệu về khối xử lý trung tâm.

- Khối xi lanh và khí nén: khối này dùng để cấp phôi và đẩy phôi.2 LƯU ĐỒ GIẢI THUẬT CỦA HỆ THỐNG Hình 3.2 Lưu đồ giải thuật của hệ thống. Sau khi khởi động hệ thống, đưa tuần tự từng phôi vào máng trượt, chờ đến khi có tín hiệu từ cảm biến cấp phôi nhận biết có phôi đến và truyền tín hiệu đến khối xử lý thì xi lanh bắt đầu đẩy phôi ra băng tải, sau khi động cơ chạy và băng 11 tải hoạt động thì xi lanh trở về trạng thái ban đầu chờ tín hiệu tiếp theo từ cảm biến cấp phôi. Băng tải sẽ hoạt động cho đến khi cảm biến vật chụp ảnh nhận tín hiệu từ vật cản và truyển dữ liệu về khối xử lý ảnh để chụp, lưu trữ và xử lý hình ảnh mất khoảng 500ms để xử lý dữ liệu hình ảnh. Sau khi, xử lý hình ảnh kết quả sẽ trả về khối xử lý trung tâm dưới dạng Pass (dữ liệu hình ảnh đúng so với dữ liệu hình ảnh gốc) và Fail (dữ liệu hình ảnh sai so với dữ liệu hình ảnh gốc) Khi Pass (dữ liệu hình ảnh đúng so với dữ liệu hình ảnh gốc) phôi sẽ chạy đến cuối băng tải thì dừng lại.

Khi Fail (dữ liệu hình ảnh sai so với dữ liệu hình ảnh gốc) dữ liệu này sẽ được truyền qua cảm biến sản phẩm lỗi và phôi sẽ bị xi lanh đẩy vào máng trượt phân loại thì dừng lại và chuẩn bị cho quá trình xử lý tiếp theo. Hệ thống này có thể phân thành ba loại: dữ liệu hình ảnh đúng so với dữ liệu hình ảnh gốc, dữ liệu hình ảnh sai so với dữ liệu hình ảnh gốc, dữ liệu hình ảnh không phải là dữ liệu đang cần phân loại. Cụ thể là phân loại bo mạch điện tử đầy đủ linh kiện so với bo mạch gốc, bo mạch điện tử thiếu linh kiện so với bo mạch gốc, không phải bo mạch đang cần phân loại.3 THIẾT KẾ HỆ THỐNG 3.1 Thiết kế băng tải Hình 3.3 Bản vẽ kỹ thuật của băng tải.4 Bản vẽ kỹ thuật của băng tải. Thiết kế băng tải dựa trên các thông số như sau: - Kích thước bo mạch: 8x12cm.

- Độ nghiêng máng trượt: 45 độ. - Máng hứng sản phẩm có kích thước: lớn hơn 12cm. - Trọng lượng chịu được tối đa: 1kg Bản vẽ kỹ thuật của băng tải phân loại mạch thể hiện cấu trúc tổng thể của hệ thống băng tải được thiết kế để phân loại các bo mạch điện tử và nguyên lý hoạt động của hệ thống. Mô tả chi tiết các bộ phận chính của hệ thống băng tải phân loại.

Bản vẽ thể hiện vị trí và kích thước lắp đặt của từng chi tiết, bộ phận để đảm bảo khả năng vận hành đúng và ổn định.