Thi công hệ thống kiểm tra và phân loại sản phẩm lỗi mạch PCB

Đồ án kiểm tra và phân loại sản phẩm lỗi mạch PCB dùng PLC tại ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Hoàng Tấn Minh Sanh
• Người hướng dẫn: ThS. Nguyễn Tử Đức
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Thi công hệ thống kiểm tra và phân loại sản phẩm lỗi mạch PCB
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan hệ thống kiểm tra và phân loại sản phẩm lỗi PCB

Công nghiệp chế tạo vi mạch điện tử đòi hỏi độ chính xác tuyệt đối. Bo mạch in PCB là nền tảng cốt lõi trong mọi thiết bị điện tử. Quá trình gia công cơ khí và hàn linh kiện thường phát sinh nhiều dạng khuyết tật nhỏ. Phương pháp kiểm tra thủ công truyền thống bộc lộ nhiều điểm hạn chế lớn. Mắt người dễ mỏi mệt khi làm việc liên tục. Tốc độ kiểm tra bằng sức người không theo kịp nhịp độ dây chuyền tự động. Sai số chủ quan gây lọt sản phẩm lỗi ra thị trường. Nhằm giải quyết triệt để vấn đề này, đề tài nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đã đề xuất mô hình tự động hóa toàn diện. Hệ thống tích hợp camera công nghiệp cùng bộ điều khiển logic lập trình được PLC. Sự kết hợp giữa thị giác máy tính và cơ điện tử đem lại hiệu năng vượt trội. Mô hình vận hành đồng bộ từ khâu cấp phôi, chụp ảnh, xử lý dữ liệu đến phân loại cơ học. Năng suất kiểm định tăng cao rõ rệt. Toàn bộ thông tin kiểm tra đều được lưu trữ trực quan trên phần mềm giám sát.

1.1. Mục tiêu nghiên cứu và phạm vi đề tài tại HCMUTE

Nghiên cứu hướng tới việc tự động hóa hoàn toàn quy trình kiểm định bo mạch in. Mục tiêu trọng tâm là chế tạo thành công một mô hình hoàn chỉnh có chi phí hợp lý. Hệ thống giúp giảm thiểu tối đa sự can thiệp của lao động thủ công. Độ chính xác phát hiện khuyết tật được nâng cao đáng kể. Năng suất phân loại sản phẩm đạt mức đồng đều và ổn định. Phạm vi đồ án bao gồm thiết kế cơ khí khung băng tải, đấu nối mạch tủ điện điều khiển, lập trình PLC Siemens S7-1212C và xây dựng thuật toán thị giác máy tính trên ngôn ngữ Python. Kết quả nghiên cứu chứng minh tính khả thi của việc ứng dụng công nghệ hiện đại vào dây chuyền công nghiệp vừa và nhỏ.

1.2. Ý nghĩa thực tiễn đối với sản xuất công nghiệp điện tử

Trong ngành chế tạo điện tử, lỗi mạch in gây ra tổn thất lớn về kinh tế và uy tín thương hiệu. Việc ứng dụng hệ thống tự động hóa mang lại bước đột phá cho công đoạn kiểm soát chất lượng. Doanh nghiệp tiết kiệm đáng kể chi phí thuê nhân công kiểm tra thủ công. Tốc độ kiểm tra nhanh giúp chu kỳ sản xuất rút ngắn. Dữ liệu lỗi được số hóa và thống kê tự động theo thời gian thực. Kỹ sư sản xuất có thể truy xuất nguyên nhân hỏng hóc để điều chỉnh công đoạn hàn hoặc in mạch kịp thời. Mô hình thực nghiệm còn đóng vai trò giáo cụ trực quan giá trị trong giảng dạy kỹ thuật điều khiển và tự động hóa.

II. Phân tích các dạng khuyết tật và thách thức kiểm tra lỗi PCB

Khuyết tật trên mạch in PCB diễn ra rất đa dạng trong quá trình ăn mòn hóa học và gắn linh kiện bề mặt. Các lỗi hình học phổ biến gồm đứt mạch, ngắn mạch, xước đường đồng, lỗ khoan lệch tâm và mất chân linh kiện. Kích thước vết hỏng thường rất bé, chỉ dao động từ vài chục đến vài trăm micromet. Mắt thường không thể nhận biết đầy đủ các chi tiết siêu nhỏ này trên bảng mạch phức tạp đặc thù. Khi áp dụng thị giác máy tính, môi trường quang học tạo ra thách thức kỹ thuật lớn. Ánh sáng tán xạ không đồng đều trên bề mặt kim loại bóng dễ gây hiện tượng lóa ảnh. Nhiễu môi trường khiến các thuật toán phân ngưỡng ảnh nhầm lẫn giữa vết xước và đường mạch chuẩn. Hơn nữa, bề mặt PCB có nhiều màu sắc và lớp phủ bảo vệ phức tạp. Sự sai lệch nhỏ về tiêu cự hoặc độ rung của băng chuyền cũng làm mờ biên dạng ảnh chụp. Việc phân loại chính xác đòi hỏi thuật toán xử lý ảnh phải có độ ổn định rất cao. Hệ thống cần phản hồi tín hiệu phân loại trong thời gian thực trước khi sản phẩm trôi qua vùng cơ cấu gạt.

2.1. Phân loại các dạng lỗi vi mạch thường gặp trên PCB

Khuyết tật trên bo mạch in được phân tách thành hai nhóm cơ bản. Nhóm lỗi kết nối điện bao gồm ngắn mạch và hở mạch. Hiện tượng ngắn mạch xảy ra khi các đường dẫn kim loại dính vào nhau do dư thừa đồng hoặc hàn lem. Ngược lại, hở mạch phát sinh khi đường dẫn đứt quãng, cản trở dòng điện lưu thông. Nhóm thứ hai liên quan đến khuyết tật hình học và bề mặt. Các lỗi tiêu biểu là rỗ lỗ xuyên qua via, trầy xước lớp phủ chống hàn xanh và thừa chi tiết đồng li ti. Ngoài ra, việc lệch góc chân linh kiện SMD cũng là nguyên nhân gây hư hỏng toàn bộ bo mạch. Việc nhận diện chính xác từng loại lỗi giúp bộ phận kỹ thuật điều chỉnh dây chuyền sản xuất đúng trọng tâm.

2.2. Hạn chế của phương pháp kiểm tra thủ công truyền thống

Kiểm tra thủ công bằng kính lúp hoặc kính hiển vi quang học đòi hỏi nhân lực tập trung cao độ. Sau vài giờ làm việc, thị giác của kỹ thuật viên sẽ giảm sút do mỏi mắt. Điều này dẫn tới hiện tượng bỏ sót khuyết tật nghiêm trọng hoặc đánh giá sai sản phẩm đạt chuẩn. Chi phí thuê và đào tạo nhân sự kiểm định chiếm tỷ trọng lớn trong ngân sách vận hành xưởng. Tốc độ kiểm tra bằng mắt người rất chậm, tạo ra điểm nghẽn cổ chai trên toàn bộ dây chuyền sản xuất hàng loạt. Ngoài ra, việc ghi chép thống kê lỗi thủ công dễ nhầm lẫn số liệu và thiếu tính đồng bộ. Do đó, phương pháp truyền thống không còn đáp ứng được các tiêu chuẩn sản xuất vi mạch hiện đại.

III. Giải pháp thiết kế hệ thống kiểm tra và phân loại sản phẩm lỗi PCB

Mô hình thực nghiệm do nhóm nghiên cứu ĐH SPKT TP.HCM chế tạo tích hợp hài hòa giữa phần cứng và phần mềm. Trọng tâm điều khiển chấp hành là bộ điều khiển lập trình PLC Siemens S7-1212C DC/DC/DC. Băng tải vận chuyển bảng mạch được dẫn động bằng động cơ giảm tốc DC kèm bộ điều tốc PWM. Cảm biến quang điện E3F-DS30P1 đóng vai trò định vị vật thể khi PCB tiến vào buồng chụp. Tại đây, camera công nghiệp ghi lại hình ảnh sắc nét dưới nguồn sáng LED chuyên dụng. Tín hiệu hình ảnh chuyển tức thời về máy tính qua giao diện USB. Phần mềm viết bằng ngôn ngữ Python xử lý ảnh qua các bước tiền xử lý lọc nhiễu, cân bằng ánh sáng và so sánh mẫu. Khi phát hiện sản phẩm lỗi, máy tính gửi lệnh phản hồi về PLC qua giao thức truyền thông công nghiệp. PLC lập tức điều khiển động cơ servo MG996R gạt sản phẩm hỏng sang khay chứa phế phẩm. Ngược lại, sản phẩm đạt tiêu chuẩn tiếp tục di chuyển về cuối băng tải. Quy trình kiểm tra và phân loại diễn ra khép kín, tự động và đạt tốc độ phản xạ cao.

3.1. Cấu trúc phần cứng điều khiển PLC Siemens và cảm biến

Khung cơ khí hệ thống được gia công vững chắc từ nhôm định hình và mica kỹ thuật. Trung tâm điều hành là PLC Siemens S7-1212C DC/DC/DC, nổi tiếng với độ bền và khả năng chống nhiễu công nghiệp. Cảm biến quang phản xạ khuếch tán E3F-DS30P1 phát hiện phôi với khoảng cách điều chỉnh từ 10 đến 30cm. Khi bo mạch cắt ngang chùm tia hồng ngoại, cảm biến phát tín hiệu kích hoạt chụp ảnh. Hệ thống chấp hành dùng động cơ servo kỹ thuật số MG996R có lực kéo khỏe và góc quay linh hoạt. Nguồn tổ ong 24VDC và 5VDC cung cấp năng lượng ổn định cho toàn mạch. Rơ-le trung gian cùng aptomat bảo vệ mạch điện an toàn trước các sự cố quá tải hoặc chạm chập.

3.2. Thuật toán xử lý ảnh Python và giao diện điều khiển

Khối thị giác máy tính được xây dựng bằng ngôn ngữ Python với thư viện xử lý ảnh OpenCV. Ảnh chụp PCB trước tiên được chuyển sang ảnh xám và cân bằng độ tương phản. Bộ lọc Gaussian triệt tiêu nhiễu hạt do môi trường quang học gây ra. Thuật toán phân ngưỡng nhị phân thích nghi tách biệt rõ các đường mạch dẫn đồng. Tiếp theo, hệ thống so sánh ảnh hiện tại với ảnh mẫu PCB chuẩn bằng phương pháp trừ ảnh hoặc trích xuất đặc trưng biên dạng. Nếu số điểm sai lệch vượt ngưỡng quy định, bo mạch bị xác định là lỗi. Giao diện người dùng GUI thiết kế trực quan bằng Python PyQt hiển thị hình ảnh camera, vị trí lỗi và thống kê tỷ lệ thành phẩm theo thời gian thực.

IV. Đánh giá hiệu quả và ứng dụng hệ thống phân loại lỗi PCB

Kết quả thử nghiệm thực tế tại phòng thí nghiệm chứng minh hệ thống hoạt động ổn định và tin cậy. Thời gian nhận diện và xử lý phân loại mỗi sản phẩm chỉ mất chưa đầy hai giây. Khả năng phát hiện chính xác các lỗi ngắn mạch, đứt mạch và trầy xước đạt trên chín mươi phần trăm. Khâu phân loại bằng tay gạt servo phản ứng nhịp nhàng với tốc độ di chuyển của băng tải. Mô hình giải quyết triệt để sự phụ thuộc vào thao tác thủ công, giúp chuẩn hóa chất lượng xuất xưởng của sản phẩm vi mạch. Về mặt học thuật, đề tài khẳng định năng lực ứng dụng kiến thức điều khiển tự động và trí tuệ nhân tạo của sinh viên ĐH SPKT TP.HCM. Trong bối cảnh công nghiệp 4.0, giải pháp này mở ra tiềm năng lớn cho các xưởng gia công điện tử trong nước. Doanh nghiệp vừa và nhỏ hoàn toàn có thể tiếp cận công nghệ kiểm định tự động với mức đầu tư hợp lý. Nền tảng mở cũng cho phép dễ dàng tích hợp thêm các công nghệ học sâu tiên tiến trong tương lai.

4.1. Khả năng ứng dụng thực tế trong dây chuyền sản xuất

Hệ thống có cấu trúc cơ khí nhỏ gọn, rất phù hợp lắp đặt trực tiếp vào dây chuyền đóng gói hoặc kiểm tra cuối chuyền SMT. Thiết bị vận hành bền bỉ và dễ dàng bảo trì nhờ linh kiện công nghiệp tiêu chuẩn. Chi phí chế tạo hệ thống thấp hơn nhiều lần so với các máy quang học tự động AOI nhập ngoại. Khả năng tùy biến linh hoạt cho phép hệ thống kiểm tra được nhiều chủng loại mạch in kích cỡ khác nhau. Doanh nghiệp chỉ cần chụp và lưu trữ ảnh mẫu mới vào cơ sở dữ liệu phần mềm mà không cần thay đổi kết cấu cơ khí. Đây là giải pháp hữu hiệu giúp các nhà máy điện tử nâng cao năng lực cạnh tranh và giảm chi phí sản xuất.

4.2. Định hướng nâng cấp trí tuệ nhân tạo và học sâu

Mặc dù thuật toán xử lý ảnh truyền thống đạt hiệu quả cao, việc nhận diện các khuyết tật phức tạp vẫn có biên độ sai lệch nhất định. Hướng phát triển tiếp theo của đề tài là tích hợp các mạng nơ-ron tích chập CNN hoặc mô hình YOLO vào phần mềm nhận dạng. Học sâu giúp hệ thống tự động học các đặc trưng khuyết tật từ tập dữ liệu lớn mà không phụ thuộc quá nhiều vào điều kiện ánh sáng môi trường. Ngoài ra, việc kết nối hệ thống với nền tảng điện toán đám mây IoT sẽ mở ra khả năng giám sát thông số từ xa. Dữ liệu lỗi được phân tích theo chuỗi thời gian nhằm dự đoán tuổi thọ khuôn dập hoặc cảnh báo lỗi hệ thống hàn trước khi sự cố xảy ra.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong quy trình sản xuất thiết bị điện tử hiện đại, công nghệ dán bề mặt (Surface Mount Technology - SMT) đã thay thế phần lớn phương pháp xuyên lỗ truyền thống nhờ khả năng lắp ráp linh kiện trực tiếp lên bề mặt bảng mạch in (PCB) với mật độ cao. Tuy nhiên, các công đoạn in keo hàn, gắp đặt linh kiện và hàn hồi lưu trong dây chuyền SMT luôn tiềm ẩn nguy cơ xuất hiện các dạng khuyết tật kỹ thuật. Phương pháp kiểm tra thủ công bằng mắt người bộc lộ nhiều nhược điểm như tốc độ thao tác chậm, chi phí lao động cao, tính ổn định không đồng đều và dễ phát sinh sai sót do sự mệt mỏi của thị giác. Xu hướng công nghiệp hiện đại đòi hỏi phải tích hợp các giải pháp kiểm tra quang học tự động (Automated Optical Inspection - AOI) kết hợp trí tuệ nhân tạo, thị giác máy tính và các bộ điều khiển logic khả trình (PLC) để giám sát và phân loại sản phẩm lỗi trực tiếp trên dây chuyền.

Đề tài "Thi công hệ thống kiểm tra và phân loại sản phẩm lỗi mạch PCB" được thực hiện nhằm xây dựng một mô hình thực nghiệm tự động hóa quy trình kiểm tra bo mạch, giảm thiểu sự can thiệp của con người, hạn chế sai sót và tối ưu hóa chi phí sản xuất.

Mục tiêu nghiên cứu bao gồm:

• Xây dựng hệ thống tự động kiểm tra và phát hiện các khuyết tật trên bảng mạch PCB trong quá trình sản xuất, tập trung vào ba dạng lỗi cụ thể: mạch thiếu linh kiện, mạch cắm sai vị trí linh kiện và mạch sai chiều linh kiện.
• Tự động hóa quy trình phân loại sản phẩm đạt và không đạt yêu cầu nhằm nâng cao độ chính xác, tăng năng suất và hỗ trợ truy soát dữ liệu sản xuất.

Nhiệm vụ nghiên cứu được xác định cụ thể theo 4 nội dung:

1. Thi công mô hình phần cứng và hệ thống phân phối điện cho toàn bộ cơ cấu thiết bị.
2. Lập trình điều khiển, thiết lập mạng truyền thông và thử nghiệm vận hành hệ thống thông qua bộ điều khiển PLC Siemens S7-1200 (CPU 1212C DC/DC/DC).
3. Lập trình thuật toán xử lý ảnh nhận diện lỗi linh kiện và thiết kế giao diện giám sát, điều khiển người dùng (HMI/GUI) bằng ngôn ngữ Python.
4. Đánh giá, nhận xét kết quả thử nghiệm thực tế của mô hình và đề xuất phương hướng phát triển tiếp theo.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Hệ thống cơ khí - điện tự động phân loại sản phẩm; ứng dụng ngôn ngữ Python trong xử lý thị giác máy tính; giải pháp điều khiển và giao tiếp công nghiệp với PLC.
• Phạm vi nghiên cứu: Đồ án thực hiện nghiên cứu thực nghiệm trên mô hình băng tải phòng thí nghiệm tại Bộ môn Tự động Điều khiển, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Thời gian triển khai kéo dài từ ngày 14/09/2024 đến ngày 06/01/2025.

---

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp lý thuyết điều khiển tự động hóa công nghiệp và các thuật toán thị giác máy tính hiện đại:

• Công nghệ lắp ráp và kiểm tra SMT/AOI: Khảo sát các công đoạn quét keo hàn, định vị linh kiện bằng máy hút chân không theo tọa độ X-Y, lò gia nhiệt nung chảy thiếc hàn và nguyên lý kiểm tra quang học so khớp hình ảnh sản phẩm với mẫu chuẩn tham chiếu để cảnh báo bất thường.
• Lý thuyết thị giác máy tính và xử lý ảnh số: Phân tích cấu trúc dữ liệu điểm ảnh (pixel), độ sâu bit và không gian biểu diễn mức xám (ảnh nhị phân 1-bit, ảnh đen trắng 8-bit với 256 mức sáng, ảnh màu RGB 24-bit kết hợp từ 3 kênh màu và hệ màu HSV). Áp dụng các quy trình kinh điển gồm thu nhận ảnh số, tiền xử lý giảm nhiễu (bộ lọc tuyến tính làm trơn và bộ lọc phi tuyến), phân đoạn ảnh dựa trên phát hiện biên (toán tử gradient, tách đường viền), trích xuất đặc trưng hình học/màu sắc và nhận dạng mẫu theo tham số hoặc cấu trúc.
• Mô hình học sâu YOLOv8: Sử dụng kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network - CNN) đa tầng kết hợp các lớp tích chập trích xuất đặc trưng và các lớp kết nối đầy đủ (fully connected layers) để dự đoán tọa độ hộp bao (bounding box) cùng nhãn phân loại của linh kiện điện tử trên mạch trong một lượt xử lý thời gian thực.
• Công cụ phát triển phần mềm và giao thức truyền thông:
  • Môi trường lập trình PyCharm kết hợp thư viện thị giác mã nguồn mở OpenCV.
  • Bộ công cụ thiết kế giao diện đồ họa Qt Designer (chuyển đổi tệp giao diện định dạng .ui sang mã nguồn Python).
  • Phần mềm Totally Integrated Automation Portal (TIA Portal) của Siemens để lập trình logic điều khiển PLC theo ngôn ngữ hình thang (Ladder Diagram - LAD).
  • Thư viện mã nguồn mở Snap7 đóng vai trò cầu nối trung gian, cho phép chương trình Python trao đổi dữ liệu trực tiếp với vùng nhớ PLC S7-1200 thông qua giao thức truyền thông công nghiệp S7comm qua mạng Ethernet.

Phương pháp nghiên cứu thực tế gồm hai trục chính: phương pháp nghiên cứu tài liệu kỹ thuật chuyên ngành và phương pháp thực nghiệm chế tạo mô hình phần cứng kết hợp lập trình kiểm chứng thực tế.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc module hóa phân tầng, kết hợp đồng bộ giữa cơ cấu chấp hành cơ khí, mạch điện điều khiển và phần mềm xử lý hình ảnh trung tâm.

Kiến trúc phần cứng

Hệ thống được tổ chức thành 6 khối chức năng:

[Khối cảm biến quang] --------> [Bộ điều khiển PLC S7-1200] --------> [Cơ cấu gạt phân loại]
                                        ^
                                        | (Snap7 / Ethernet)
                                        v
[Camera công nghiệp Basler] ---> [Máy tính xử lý Python / YOLO]

1. Khối nguồn: Cung cấp năng lượng độc lập, ổn định cho toàn bộ thiết bị thông qua ba bộ nguồn chuyển đổi AC-DC.
2. Khối thu nhận hình ảnh: Sử dụng một camera công nghiệp chuyên dụng được gắn cố định trên khung nhôm định hình phía trên băng tải, hướng vuông góc với bề mặt bảng mạch để thu nhận tín hiệu thị giác.
3. Khối xử lý trung tâm: Bao gồm máy tính cá nhân (chạy chương trình nhận diện Python và giao diện điều khiển) và PLC Siemens S7-1200 CPU 1212C đóng vai trò điều khiển thời gian thực cho các cơ cấu chấp hành.
4. Khối cảm biến: Cảm biến quang điện phản xạ khuếch tán phát hiện sự hiện diện của bo mạch khi di chuyển đến vị trí kiểm tra dưới camera và gửi tín hiệu kích hoạt về PLC.
5. Khối cơ cấu chấp hành: Động cơ điện một chiều giảm tốc dẫn động băng tải tịnh tiến và các động cơ servo gắn tay gạt cơ khí để gạt sản phẩm lỗi ra khỏi dây chuyền.
6. Khối giám sát điều khiển (HMI): Giao diện người dùng đồ họa xây dựng bằng thư viện PyQt/Qt Designer chạy trên máy tính, hiển thị trạng thái vận hành, số lượng thống kê và nút điều khiển.

Nhóm thiết bị	Tên thiết bị / Model	Thông số kỹ thuật chính ghi nhận trong văn bản
Bộ điều khiển lập trình	Siemens PLC CPU 1212C DC/DC/DC	Nguồn cấp 24VDC; 8 ngõ vào số (DI); 6 ngõ ra số (DQ); bộ nhớ làm việc 100 KB; tích hợp cổng Ethernet (Profinet).
Camera công nghiệp	Basler ace acA2500-14gm	Độ phân giải 5 Megapixels (2592 x 1944); cảm biến CMOS MT9P031 kích thước 1/2.5 inch; kích thước điểm ảnh 2.2 μm; tốc độ 14 khung hình/giây; ngàm C-mount; giao tiếp Gigabit Ethernet (GigE Vision, GenICam); ngõ ra ảnh 8-bit monochrome; nguồn 12VDC hoặc PoE (công suất ~2.7W).
Động cơ băng tải	Động cơ DC giảm tốc	Điện áp hoạt động 24VDC; tốc độ định mức 110 vòng/phút; truyền động gián tiếp qua dây đai.
Động cơ phân loại	Servo MG996R	Khối lượng 55g; bánh răng kim loại; mô-men xoắn dừng đạt tiêu chuẩn kéo tay gạt; tốc độ 0.14 s/60º (ở 6V); dòng làm việc 500-900 mA (dòng kẹt 2.5A); chu kỳ xung PWM 20ms (tần số 50Hz); băng thông chết 5μs.
Cảm biến vị trí	Cảm biến quang E3F-DS30P1	Dạng quang điện phản xạ khuếch tán (diffuse reflective); đường kính thân M18; nguồn cấp DC 6-36V; khoảng cách phát hiện 10-30cm; ngõ ra transistor PNP tiếp điểm thường mở (NO); tần số đáp ứng 300Hz; dòng tải tối đa 300mA.
Bộ nguồn 24VDC	Nguồn tổ ong chuyển mạch	Điện áp vào 110V-220VAC; ngõ ra 24VDC - 10A; công suất 250W; 3 ngõ ra tải; kích thước 220 x 110 x 49 mm.
Bộ nguồn 12VDC	Nguồn tổ ong chuyển mạch	Điện áp vào 110V-220VAC; ngõ ra 12VDC - 5A; công suất 60W; 2 ngõ ra tải (cấp nguồn riêng cho camera Basler).
Bộ nguồn 5VDC	Nguồn tổ ong chuyển mạch	Điện áp vào 110V-220VAC; ngõ ra 5VDC - 5A; công suất 25W; 2 ngõ ra tải (cấp nguồn cho mạch động cơ servo).
Thiết bị bảo vệ và phụ trợ	CB, Rơ-le trung gian, Module LM2596	Aptomat (CB) đóng cắt an toàn nguồn tổng; rơ-le trung gian cách ly đệm tín hiệu; mạch hạ áp LM2596 ổn định điện áp; bộ chuyển Type-C sang Ethernet kết nối máy tính với switch mạng.

Triển khai thuật toán và phần mềm

• Thuật toán điều khiển hệ thống: Chia thành hai chế độ độc lập:
  • Chế độ thủ công (Manual): Người vận hành có thể can thiệp kích hoạt riêng rẽ từng cơ cấu chấp hành (bật/tắt băng tải, kích hoạt thử nghiệm từng tay gạt servo) trực tiếp từ giao diện máy tính phục vụ công tác căn chỉnh cơ khí và kiểm tra hệ thống.
  • Chế độ tự động (Auto): Băng tải tự động vận chuyển mạch PCB. Khi bo mạch chạm ngưỡng phát hiện của cảm biến E3F-DS30P1, tín hiệu số được gửi về đầu vào PLC, PLC ra lệnh dừng băng tải tạm thời và gửi cờ báo hiệu cho máy tính. Chương trình Python gọi API camera Basler chụp ảnh, đưa ma trận ảnh vào mô hình YOLOv8 để định vị và phân loại trạng thái linh kiện. Kết quả kiểm tra được mã hóa thành dữ liệu phân loại gửi ngược về PLC thông qua thư viện Snap7. PLC điều khiển băng tải chạy tiếp và kích hoạt tay gạt servo tương ứng tại vị trí đã định để đẩy mạch lỗi ra khỏi băng tải, đưa mạch chuẩn về cuối dây chuyền.
• Huấn luyện mô hình nhận diện YOLOv8: Nhóm tác giả tự chế tạo mẫu mạch PCB thử nghiệm, thu thập tập dữ liệu hình ảnh mạch chuẩn và các mạch tạo lỗi nhân tạo (thiếu tụ điện, sai vị trí, đặt ngược chiều tụ phân cực). Các hình ảnh được gán nhãn thủ công để tạo tệp văn bản chứa tọa độ nhãn chuẩn hóa. Dữ liệu được đưa vào huấn luyện mô hình mạng nơ-ron, đánh giá độ chính xác thông qua ma trận nhầm lẫn (Confusion Matrix).

---

Nội dung chính theo từng chương

Chương 1: Tổng quan về hệ thống

Chương 1 khái quát thực trạng của nền công nghiệp sản xuất điện tử hiện đại, phân tích nhu cầu áp dụng trí tuệ nhân tạo và xử lý ảnh nhằm thay thế kiểm tra thủ công. Tác giả xác định rõ ràng mục tiêu nghiên cứu (tập trung vào 3 lỗi: thiếu linh kiện, sai vị trí, sai chiều), 4 nhiệm vụ kỹ thuật cụ thể, đối tượng nghiên cứu và giới hạn thực tế của đề tài về tính ổn định, độ nhạy ánh sáng cũng như tốc độ chu kỳ làm việc.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các kiến thức nền tảng:

• Quy trình lắp ráp bo mạch SMT và phương pháp kiểm tra quang học tự động AOI.
• Cơ sở xử lý ảnh số: từ cấu trúc điểm ảnh, không gian màu (RGB, HSV), các bước tiền xử lý, lọc nhiễu đến phát hiện biên cạnh.
• Tổng quan thư viện OpenCV (chức năng xử lý đồ họa, ma trận ảnh).
• Nguyên lý mạng nơ-ron tích chập nhận dạng đối tượng YOLOv8.
• Các công cụ kỹ thuật phần mềm: IDE PyCharm, phần mềm thiết kế giao diện Qt Designer, môi trường lập trình điều khiển tự động TIA Portal cho dòng S7-1200 và giao thức Snap7 kết nối máy tính - PLC.

Chương 3: Thi công phần cứng hệ thống

Chương 3 chi tiết hóa toàn bộ quá trình thiết kế, lựa chọn và chế tạo cơ điện:

• Phân tích sơ đồ khối chức năng và thông số kỹ thuật chi tiết của các thiết bị được lựa chọn: nguồn công nghiệp (24VDC, 12VDC, 5VDC), PLC S7-1200 CPU 1212C DC/DC/DC, camera Basler GigE 5MP, động cơ kéo DC 24V, servo MG996R, cảm biến tiệm cận quang E3F-DS30P1.
• Sơ đồ đấu nối dây phần điện công nghiệp, bao gồm liên kết giữa nút nhấn, cảm biến quang với các cổng đầu vào số (DI) của PLC; liên kết cổng đầu ra (DQ) qua rơ-le trung gian điều khiển động cơ; thiết kế mạng truyền thông Ethernet qua switch chuyển mạch.
• Thiết kế mạch PCB mẫu để làm đối tượng kiểm nghiệm thực tế cho toàn bộ hệ thống.

Chương 4: Xây dựng phần mềm hệ thống

Chương 4 tập trung vào phát triển giải pháp phần mềm và giải thuật điều khiển:

• Xây dựng lưu đồ thuật toán điều khiển tổng quát, lưu đồ giải thuật xử lý ảnh nhận diện lỗi và lưu đồ chi tiết cho hai chế độ Manual và Auto.
• Quy trình lấy mẫu dữ liệu hình ảnh thực tế, tiền xử lý và gán nhãn dữ liệu tọa độ hộp bao cho linh kiện trên mạch PCB mẫu.
• Huấn luyện mô hình YOLOv8, trích xuất đồ thị đánh giá hiệu năng huấn luyện và ma trận nhầm lẫn (Confusion Matrix).
• Thiết kế giao diện HMI trực quan trên Qt Designer kết hợp PyCharm, bao gồm các khối nút nhấn điều khiển, khối chọn chế độ vận hành, khối cưỡng bức tay gạt thủ công và bảng hiển thị số lượng mạch đã kiểm tra, phân loại theo từng nhóm.

Chương 5: Kết quả

Chương 5 báo cáo kết quả hoàn thiện của đề tài trên cả hai phương diện:

• Hoàn thiện mô hình vật lý phần cứng với khung nhôm định hình, hệ thống băng tải, hộp tủ điện, cơ cấu tay gạt servo và giá treo camera vững chắc.
• Kết quả chạy thực nghiệm hệ thống phân loại mạch PCB được tổng hợp qua 3 đợt thử nghiệm độc lập (ghi nhận tại Bảng Kết quả lần 1, Lần 2, Lần 3), đánh giá khả năng nhận biết các dạng mạch thiếu linh kiện, sai vị trí và sai hướng.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các hạng mục đã hoàn thành so với mục tiêu đề ra ban đầu, đồng thời chỉ ra các hạn chế kỹ thuật hiện hữu và định hướng các nội dung cải tiến hệ thống trong tương lai.

---

Kết quả và đóng góp

Kết quả chính

• Thi công hoàn chỉnh mô hình hệ thống cơ điện tự động hóa phục vụ kiểm tra và phân loại mạch PCB, tích hợp đồng bộ giữa băng tải, cơ cấu gạt servo, tủ điện điều khiển và khung giá đỡ camera công nghiệp.
• Xây dựng thành công kênh truyền thông công nghiệp đa tầng: kết nối camera Basler ace acA2500-14gm với máy tính qua chuẩn Gigabit Ethernet, kết nối máy tính chạy ứng dụng Python với PLC Siemens CPU 1212C DC/DC/DC qua thư viện Snap7 trên nền giao thức S7comm.
• Thiết kế giao diện đồ họa giám sát và điều khiển người dùng (GUI) trên nền PyQt/Qt Designer, cho phép vận hành linh hoạt ở cả hai chế độ Manual và Auto, đồng thời hiển thị số liệu thống kê phân loại trực tiếp.
• Triển khai mô hình nhận diện đối tượng YOLOv8 trên tập dữ liệu ảnh mạch PCB thực nghiệm, thực hiện kiểm tra và phân loại thành công các mẫu bo mạch chứa linh kiện đạt chuẩn, mạch thiếu linh kiện, mạch sai vị trí và mạch cắm sai cực tính/chiều tụ điện.

Giải pháp và kiến nghị của tác giả

• Ứng dụng giải pháp kiến trúc điều khiển lai (hybrid control architecture): giao toàn bộ tác vụ xử lý tính toán đồ họa nặng và suy luận AI cho máy tính, trong khi duy trì độ tin cậy và tính thời gian thực của các tác vụ chấp hành cơ điện bằng PLC công nghiệp.
• Sử dụng cảm biến quang phản xạ khuếch tán để ngắt mạch điều khiển băng tải tạm thời, giúp cố định tọa độ chụp ảnh của bo mạch, giảm thiểu ảnh hưởng của hiện tượng rung lắc và nhòe chuyển động (motion blur) trong quá trình camera thu nhận khung hình.

Đóng góp kỹ thuật

• Tác giả đã chứng minh tính khả thi của việc tích hợp các mô hình trí tuệ nhân tạo nguồn mở hiện đại (YOLOv8, OpenCV, Python) vào các hệ thống tự động hóa công nghiệp dựa trên phần cứng tiêu chuẩn của Siemens (S7-1200) thông qua giao thức Snap7 mà không đòi hỏi chi phí bản quyền phần mềm xử lý ảnh công nghiệp đắt đỏ.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các giới hạn kỹ thuật được nhóm tác giả tự xác định và thừa nhận trong văn bản đồ án:

Hạn chế kỹ thuật

• Độ ổn định và hiệu suất: Độ chính xác và hiệu quả hoạt động tổng thể của hệ thống vẫn chưa đạt trạng thái ổn định cao; hiệu suất nhận diện còn phụ thuộc nhiều vào chất lượng mẫu.
• Độ nhạy môi trường chiếu sáng: Hệ thống chưa có buồng chụp ảnh kín chuyên dụng tích hợp nguồn sáng chuẩn; người vận hành vẫn phải tinh chỉnh lại độ sáng và tiêu cự thủ công trên ống kính camera Basler khi thay đổi vị trí hoặc điều kiện ánh sáng của môi trường xung quanh.
• Tốc độ đáp ứng: Thời gian trễ trong khâu truyền thông và xử lý ảnh của máy tính còn tương đối chậm; quy trình vận hành phải dừng - chạy ngắt quãng, chưa đạt được tính liên tục ở tốc độ cao như các dây chuyền AOI công nghiệp thương mại.

Hướng nghiên cứu tiếp

• Tối ưu hóa mô hình nhận diện học sâu (tinh chỉnh siêu tham số, nén mô hình) nhằm rút ngắn thời gian xử lý ảnh trên máy tính.
• Thiết kế buồng chụp cách ly quang học với bộ đèn chiếu sáng LED công nghiệp đồng nhất (chẳng hạn chiếu sáng vòng hoặc chiếu sáng vòm) để loại bỏ hoàn toàn sự phụ thuộc vào ánh sáng tự nhiên.
• Phát triển giải pháp chụp ảnh động (on-the-fly) đồng bộ với encoder đo tốc độ băng tải để hệ thống kiểm tra liên tục mà không cần dừng sản phẩm trước camera.

---

Giá trị tham khảo

Đồ án tốt nghiệp này mang lại giá trị tham khảo thiết thực cho nhiều đối tượng:

• Sinh viên các ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Điện tử: Cung cấp tài liệu tham khảo chi tiết về quy trình thi công một hệ thống cơ điện tử tích hợp hoàn chỉnh từ khâu tính toán chọn nguồn, thiết bị đóng cắt bảo vệ, cảm biến công nghiệp, rơ-le trung gian đến đấu nối I/O cho dòng PLC Siemens S7-1200.
• Sinh viên ngành Khoa học Máy tính, Kỹ thuật Máy tính và Trí tuệ Nhân tạo: Cung cấp phương pháp thực hành kết nối suy luận của mô hình thị giác máy tính (Python, OpenCV, YOLOv8) với phần cứng điều khiển cấp dưới thông qua thư viện truyền thông mạng Snap7.
• Kỹ sư nhà máy và người nghiên cứu hệ thống AOI chi phí thấp: Cung cấp sơ đồ khối, lưu đồ thuật toán điều khiển và kinh nghiệm lựa chọn linh kiện công nghiệp (camera Basler GigE, servo gạt, cảm biến PNP) nhằm xây dựng các giải pháp kiểm tra phân loại tự động trong môi trường giáo dục hoặc doanh nghiệp vừa và nhỏ.

---

Câu hỏi thường gặp

1. Bộ điều khiển trung tâm và phần mềm lập trình PLC được sử dụng trong hệ thống là gì?
Hệ thống sử dụng bộ điều khiển logic lập trình PLC Siemens S7-1200 (CPU 1212C DC/DC/DC) với 8 ngõ vào số 24VDC, 6 ngõ ra số transistor và bộ nhớ làm việc 100 KB. Toàn bộ chương trình điều khiển logic phần cứng được lập trình bằng phần mềm TIA Portal của Siemens theo ngôn ngữ lập trình Ladder (LAD).

2. Làm thế nào để chương trình xử lý ảnh bằng Python giao tiếp và truyền tín hiệu điều khiển sang PLC Siemens?
Máy tính xử lý hình ảnh kết nối trực tiếp với cổng Ethernet (Profinet) của PLC Siemens CPU 1212C thông qua bộ chuyển đổi Type-C sang cáp mạng. Về mặt phần mềm, chương trình Python sử dụng thư viện mã nguồn mở Snap7 để mở kết nối TCP/IP tới địa chỉ IP của PLC và thực hiện các hàm đọc/ghi dữ liệu trực tiếp vào các vùng nhớ (Memory bit / Data Block) của PLC trên nền giao thức truyền thông S7comm.

3. Khối thu nhận hình ảnh sử dụng loại camera nào và có đặc tính kỹ thuật ra sao?
Hệ thống trang bị camera công nghiệp Basler ace acA2500-14gm với cảm biến ảnh CMOS MT9P031 (kích thước 1/2.5 inch), độ phân giải 5 Megapixels (2592 x 1944 pixels), kích thước điểm ảnh 2.2 μm, tốc độ chụp tối đa 14 khung hình/giây. Camera sử dụng chuẩn kết nối Gigabit Ethernet (GigE Vision, GenICam), ngàm ống kính C-mount và xuất dữ liệu hình ảnh thang độ xám đơn sắc 8-bit (monochrome).

4. Mô hình trí tuệ nhân tạo nào được triển khai để nhận diện lỗi bo mạch và hệ thống phát hiện được những dạng khuyết tật cụ thể nào?
Hệ thống triển khai mô hình mạng nơ-ron tích chập YOLOv8. Hệ thống tập trung kiểm tra và phát hiện 3 dạng lỗi chính trên mạch PCB mẫu: linh kiện bị thiếu trên bo mạch, linh kiện bị đặt sai vị trí tọa độ, và linh kiện cắm sai chiều/cực tính (cụ thể là đối với tụ điện phân cực).

5. Cơ cấu cơ khí nào đảm nhiệm chức năng gạt phân loại sản phẩm và được cấp nguồn như thế nào?
Chức năng gạt phân loại bo mạch do các động cơ servo mini model MG996R (khối lượng 55g, bánh răng kim loại, góc quay điều khiển bằng xung PWM chu kỳ 20ms) đảm nhiệm. Để đảm bảo độ ổn định dòng điện và tránh sụt áp gây nhiễu cho PLC, động cơ servo được cấp nguồn riêng biệt từ bộ nguồn tổ ong 5VDC - 5A công suất 25W thông qua các mạch hạ áp/ổn áp LM2596.

---

Kết luận

Đồ án tốt nghiệp "Thi công hệ thống kiểm tra và phân loại sản phẩm lỗi mạch PCB" đã hiện thực hóa thành công một mô hình kiểm tra quang học tự động kết hợp liên ngành giữa cơ điện tử, điều khiển tự động và trí tuệ nhân tạo. Bằng việc tích hợp PLC Siemens S7-1200, camera công nghiệp Basler GigE và thuật toán học sâu YOLOv8 thông qua thư viện truyền thông Snap7, hệ thống đáp ứng tốt các yêu cầu phát hiện và phân loại các lỗi bo mạch cơ bản như thiếu, sai vị trí hoặc ngược chiều linh kiện. Mặc dù vẫn còn những hạn chế nhất định về tính ổn định khi môi trường ánh sáng thay đổi và độ trễ xử lý, công trình đã xây dựng được một nền tảng thực nghiệm hoàn chỉnh, tạo tiền đề khoa học vững chắc cho các nghiên cứu tối ưu hóa dây chuyền kiểm tra công nghiệp tốc độ cao tiếp theo.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về đề tài. Chương 2: Cơ sở lý thuyết. Chương này sẽ trình bày tổng quan về các hệ thống phân loại PCB trong công nghiệp, các kiến thức và một vài khái niệm về xử lý ảnh. Giới hiệu về thư 2 viện OpenCV, giới thiệu về PyCharm và QT Designer, phần mềm TIA Portal và thư viện Snap7.

Chương 3: Thiết kế phần cứng của hệ thống. Chương này giới thiệu các phần cứng và thông số của chúng. Chương 4: Xây dựng phần mềm hệ thống. Tiến hành xây dựng phần mềm PLC, tạo giao diện điều khiển và chương trình xử lý mạch PCB.

Chương 5: Trình bày kết quả của đề tài. Đánh giá khả năng hoạt động của phần cứng và phần mềm. Chương 6: Kết luận và hương phát triển. 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về hệ thống kiểm tra phân loại 2.1 Hệ thống dây chuyền lắp ráp mạch điện tử Khác với phương pháp truyền thống sử dụng công nghệ xuyên lỗ (THT) trong quy trình sản xuất linh kiện điện tử, quy trình SMT (Surface Mount Technology) đặt các thành phần trực tiếp lên bề mặt PCB thay vì hàn chúng vào dây dẫn.

Do đó, SMT đã trở thành một trong những phương pháp phổ biến nhất trong ngành công nghiệp sản xuất và lắp ráp mạch điện tử này. Dây chuyền SMT trong lĩnh vực sản xuất điện tử Công đoạn đặt và hàn các thành phần lên PCB là một phần quan trọng trong quy trình sản xuất linh kiện điện tử. Ngoài việc đặt chất hàn chứa hạt thiếc và chất trợ dung lên PCB, công đoạn này còn bao gồm việc đặt keo hàn và các thành phần của SMT lên PCB, sau đó thực hiện quá trình hàn bằng các phương pháp tương ứng. Quy trình sản xuất trong dây chuyền lắp ráp linh kiện điện tử: a.

Dán keo hàn lên bảng mạch Trong quy trình lắp ráp SMT, bước đầu tiên là dán keo hàn. Keo hàn được in lên bảng mạch bằng kỹ thuật in lụa. Sau đó, nhãn dán được áp dụng lên các vị trí cần hàn. Việc sử dụng keo hàn chính xác và kiểm tra mối hàn đảm bảo 4 tính chính xác của quá trình.

Sau khi hoàn thành, các bo mạch chuyển đến dây chuyền lắp ráp linh kiện điện tử để hoàn thiện quá trình lắp ráp. Quy trình sắp xếp và lắp ráp các linh kiện trong dây chuyền SMT Các linh kiện điện tử đã được sắp xếp trước trong các khay hoặc cuộn được đưa vào máy SMT. Trong quá trình nạp linh kiện, phần mềm kiểm soát sẽ đảm bảo không xảy ra sai sót như linh kiện bị chuyển đổi hoặc nạp nhầm vị trí. Tiếp theo, máy lắp ráp SMT sẽ tự động nhấc từng linh kiện ra khỏi khay/cuộn bằng công nghệ hút chân không.

Chúng được đặt chính xác vào vị trí trên bo mạch bằng hệ thống điều khiển tọa độ X-Y đã được lập trình trước đó. Sau khi hoàn tất quá trình lắp ráp, bo mạch sẽ được chuyển vào lò nung nóng lại. Nhiệt độ cao sẽ làm nhựa hàn chảy và kết dính vĩnh viễn các linh kiện với bo mạch in. Quá trình này giúp hoàn thiện công đoạn lắp ráp SMT trong dây chuyền sản xuất.

Hàn các thành phần linh kiện vào bo mạch Trong quá trình hàn các linh kiện điện tử, doanh nghiệp áp dụng hai phương pháp hàn khác nhau, tùy thuộc vào số lượng đơn hàng. Đối với các đơn hàng sản xuất hàng loạt, doanh nghiệp sẽ áp dụng quy trình hàn lại. Quá trình này sẽ làm cho keo hàn nóng chảy và chất lỏng bay hơi đi, từ đó các linh kiện được kết nối với bảng mạch. Khi keo hàn đã đông cứng và thiếc trong keo hàng đã được liên kết chắc chắn và các linh kiện được lắp cố định lên trên bảng mạch.

Khi đó, quá trình lắp ráp SMT đã hoàn tất. Qua quá trình này, doanh nghiệp đảm bảo sự kết nối chính xác và đáng tin cậy giữa các linh kiện và bo mạch điện tử với nhau nhằm tạo ra những sản phẩm hoàn chính và chất lượng cao. Kiểm tra AOI trực quan Nhằm đảm bảo được chất lượt sản phẩm và phát hiện ra các khuyết tật trong quá trình lắp ráp SMT, các doanh nghiệp sử dụng phương pháp kiểm tra trực quan tự động (AOI - Automated Optical Ínpection). Sau quá trình này, mỗi bảng mạch được kiểm tra bằng hệ thống camera chuyên dụng AOI.

Hình ảnh của từng bảng mạch được so sánh với hình ảnh tham chiếu trực quan đã được xác định trước để phát hiện bât kỳ sai lệch hay khuyết tật nào. 5 Đối với mỗi bảng mạch được kiểm tra, hệ thống AOI sẽ tự động phân tích và so sánh các đặc điểm quan trọng như hình dạng, vị trí và chiểu của các linh kiện. Khi nào có bất kỳ điểm gì khác với hình ảnh tham chiếu, hệ thống sẽ cảnh báo cho con người vận hành máy để chủ động xử lý. Việc xử lý này có thể là sửa lỗi trực tiếp hay nặng hơn là gỡ bỏ bo mạch để kiểm tra lại và khắc phục các sự cố đó.

Quy trình kiểm tra trực quan AOI nhằm đảm bảo tính nhất quán và độ chính xác của quy trình lắp ráp SMT, không những thế quá trình nhà còn giúp nâng cao năng suất và sự tin cậy của sản phẩm đầu ra cuối cùng. Việc áp dụng các công nghệ cảm biến hình ảnh tiên tiến, các doanh nghiệp đảm bảo được mọi sản phẩm linh kiện và các bảng mạch đều được kiểm tra kỹ lưỡng và có độ tin cậy cực cao khi đi vào giai đoạn tiếp theo của quy trình sản xuất. Kiểm tra quang học tự động (AOI) trong sản xuất mạch in PCB 2.2 Nhu cầu thực tế Việc sử dụng nhân công để phân loại linh kiện trong sản xuất có tốc độ chậm, chi phí cao và độ tin cậy thấp hơn so với máy móc. Do đó, các nhà máy cần tích hợp công nghệ nhận diện linh kiện bằng xử lý ảnh vào dây chuyền sản xuất.

Công nghệ này giúp cải thiện tốc độ, tăng năng suất, nâng cao độ chính xác, đồng thời giảm chi phí nhân công và tối ưu hóa hiệu quả sản xuất. 6 Hơn nữa, việc áp dụng công nghệ hiện đại còn thúc đẩy quá trình hiện đại hóa sản xuất, giúp doanh nghiệp nhanh chóng đưa sản phẩm chất lượng cao ra thị trường một cách hiệu quả và cạnh tranh hơn.2 Tổng quan về xử lý ảnh Xử lý ảnh là một lĩnh vực khoa học và công nghệ nổi bật. Mặc dù nó là một ngành khoa học mới so với nhiều lĩnh vực khác, tuy nhiên, tốc độ phát triển của xử lý ảnh là rất nhanh, đồng thời cũng kích thích sự nghiên cứu và ứng dụng trong các trung tâm chuyên ngành, đặc biệt là các ngành có liên quan tới máy tính đặc biệt dành riêng cho xử lý ảnh. Xử lý ảnh ứng dụng và phát triển trong nhiều lĩnh vực quan trọng như: - Trong lĩnh vực quân sự: Xử lý và nhận dạng ảnh quân sự.

- Trong lĩnh vực giao tiếp người máy: Nhận dạng ảnh, xử lý âm thanh, đồ họa. - Trong lĩnh vực an ninh, bảo mật: Nhận diện khuôn mặt, nhận diện vân tay, mẫu mắt. - Trong lĩnh vực giải trí: Trò chơi điện tử. - Trong lĩnh vực y tế: Xử lý ảnh y sinh, chụp X quang, MRI.

- Trong lĩnh vực nông nghiệp: Nhận dạng và phát hiện bệnh trên cây lúa, chăm sóc sức khỏe vật nuôi. Quá trình xử lý ảnh bao gồm một số bước cần thiết. Với sự phát triển của công nghệ, hình ảnh màu và hình ảnh đen trắng được thu nhận từ camera và chuyển đổi trực tiếp thành hình ảnh số, tạo điều kiện thuận lợi cho quá trình xử lý tiếp theo. Các bước cơ bản trong xử lý ảnh 7 2.1 Thu nhận ảnh Có hai loại ảnh chính thường được thu nhận qua camera: - Ảnh màu: Sử dụng các bộ cảm biến màu để ghi lại thông tin về độ sáng và màu sắc tại từng điểm ảnh.

- Ảnh đen trắng: Chỉ ghi nhận mức độ sáng (intensites) mà không ghi màu sắc. Trước đây phổ biến là camera analog quét dòng, ghi ảnh theo từng dòng thành phần tương tự (chuẩn CCIR). Hiện nay nhiều loại camera kỹ thuật số đã ra đời, sử dụng cảm biến CCD/CMOS để chuyển ảnh thành tín hiệu số ngay tại camera. Chất lượng ảnh thu được phụ thuộc vào đặc tính cảm biến và thông số kỹ thuật của camera, điều kiện chiếu sáng và môi trường chụp ảnh.

Camera thường ghi ảnh theo kiểu hai chiều dạng ma trận điểm ảnh. Việc xử lý ảnh giúp nâng cao chất lượng ban đầu của nó.2 Tiền xử lý ảnh Sau khi thu nhận, ảnh đôi khi bị giảm chất lượng do có nhiễu hoặc độ tương phản thấp. Việc đầu tiên cần làm là đưa ảnh vào bộ xử lý sơ bộ với mục đích loại bỏ các nhiễu, tăng cưởng độ tương phản, ảnh trở nên rõ nét hơn. - Lọc bỏ nhiễu giúp loại bỏ các điểm ảnh có giá trị dị thường, gây mờ ảnh.

- Nâng độ tương phản bằng cách tăng giá trị các điểm ảnh sáng hoặc tối, giúp hình ảnh nổi bật hơn. - Các chỉnh sửa nhỏ khác như cân bằng trắng đen cũng góp phần cải thiện chất lượng ảnh ban đầu sau khi thu nhận. Xử lý sơ bộ giúp chuẩn bị ảnh cho các bước xử lý tiếp theo như phân tích, nhận diện hình ảnh và chiết xuất thông tin.3 Phân đoạn ảnh Phân đoạn ảnh có tác dụng tách ảnh gốc thành các vùng ý nghĩa riêng biệt. Nếu phân vùng sai sẽ ảnh hưởng đến độ chính xác trong nhận dạng.

Do đó, phương pháp xử lý ở bước này rất quan trọng. Người ta thường áp dụng kĩ thuật xử lý ảnh tiên tiến như: - Phát hiện cạnh bằng Gradient - Đường viền - Xác định màu sắc - Phân vùng theo kích thước. Để tách chữ, ký tự một cách chính xác nhất trước khi nhận dạng. Kết quả phân vùng sẽ ảnh hưởng trực tiếp đến chất lượng nhận dạng.4 Biểu diễn ảnh Sau quá trình phân đoạn, phần tiếp theo chứa các điểm ảnh của vùng ảnh đã được phân đoạn cùng với các mã liên kết trong các vùng lân cận.

Để tiếp tục xử lý ảnh trên máy tính, việc biến đổi dữ liệu này vào một định dạng phù hợp là rất quan trọng. Trích xuất đặc trưng (Feature Extraction) là quá trình chọn lọc các thuộc tính để biểu diễn ảnh, có thể là dưới dạng thông tin định lượng hoặc làm cơ sở để phân biệt các đối tượng trong ảnh. Ví dụ, trong việc nhận dạng ký tự trên phong bì thư, chúng ta cần mô tả các đặc trưng của từng ký tự để phân biệt chúng với các ký tự khác.