Giới thiệu dự án

Trong kỷ nguyên Cách mạng Công nghiệp 4.0, các dây chuyền sản xuất hiện đại đòi hỏi tốc độ xử lý nhanh, tính linh hoạt cao và độ chính xác tuyệt đối ở khâu phân loại và đóng gói sản phẩm. Theo các báo cáo tự động hóa công nghiệp quốc tế, khâu phân loại thủ công chiếm tới 35–45% tổng thời gian chu kỳ đóng gói và tiềm ẩn tỷ lệ sai sót từ 3–7% do yếu tố mệt mỏi của con người. Để giải quyết triệt để bài toán này, đề tài "Hệ thống phân loại sản phẩm sử dụng Robot Delta kết hợp xử lý ảnh" được nghiên cứu và chế tạo tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) nhằm xây dựng dây chuyền phân loại tự động tốc độ cao theo thời gian thực.

Bài toán thực tế và các điểm nghẽn (Pain Points)

  1. Tốc độ và độ linh hoạt hạn chế: Các cánh tay robot tọa độ Decartes (Cartesian) hoặc băng tải cơ khí truyền thống cồng kềnh, quán tính lớn, không đáp ứng được tần suất gắp thả (Pick & Place) trên 40–60 chu kỳ/phút.
  2. Sai lệch hướng và vị trí sản phẩm: Sản phẩm lưu thông tự do trên băng tải thường bị xô lệch tọa độ $(x, y)$ và góc xoay $\theta$, khiến các cơ cấu gắp cố định bị trượt hoặc làm hỏng bao bì.
  3. Thiếu khả năng giám sát từ xa: Các hệ thống phân loại cục bộ thiếu khả năng đồng bộ dữ liệu thời gian thực lên đám mây, gây khó khăn cho việc quản lý sản lượng và trạng thái vận hành qua thiết bị di động.

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế và mô phỏng: Xây dựng mô hình 3D trên SolidWorks, giải bài toán động học thuận (Forward Kinematics) và động học nghịch (Inverse Kinematics), kiểm nghiệm chuyển động trên MATLAB/Simulink Simscape Multibody.
  2. Chế tạo phần cứng: Gia công khung robot Delta 4 bậc tự do (4-DOF), tích hợp 3 động cơ bước NEMA 17 kèm hộp giảm tốc tỷ số $57/11 \approx 5.18$, 1 động cơ RC Servo MG996R điều khiển góc xoay đầu hút chân không 12VDC.
  3. Phát triển thuật toán thị giác máy tính: Xây dựng pipeline xử lý ảnh bằng OpenCV/Python sử dụng thuật toán so khớp mẫu (Template Matching) và lọc màu HSV để nhận diện loại sản phẩm (gói giấy Bless You và Pulppy), xác định tọa độ tâm $(x, y)$ và góc lệch xoay.
  4. Phần mềm điều khiển & IoT: Lập trình giao diện điều khiển trung tâm PyQt5 trên PC, thiết kế ứng dụng Android giám sát qua Kivy/KivyMD và đồng bộ dữ liệu qua Firebase Realtime Database.
       [ CAMERA HD 720P ]
               │ (Video Frame Stream)
               ▼
┌───────────────────────────────┐
│     XỬ LÝ ẢNH (PC / PYTHON)   │ ──► [ FIREBASE CLOUD ] ──► [ APP ANDROID ]
│ • Color Filtering (HSV)       │                               (Kivy/KivyMD)
│ • Template Matching           │
│ • Coordinate / Angle Extract  │
└───────────────────────────────┘
               │ (UART G-Code / Trajectory)
               ▼
┌───────────────────────────────┐
│  ARDUINO MEGA 2560 R3 (MCU)   │
│ • Kinematic Step Generation   │
│ • Trajectory Interpolation    │
└───────────────────────────────┘
   │            │            │
   ▼ (Pulse/Dir)▼ (PWM)      ▼ (Relay)
[ 3x NEMA17 ] [ MG996R ] [ BƠM HÚT CHÂN KHÔNG ]
[ + DM806   ] (Góc xoay) (Gắp/Nhả Phôi)

Phạm vi và giới hạn

  • Phạm vi nhận diện: Phân loại 02 dòng sản phẩm mẫu dạng hộp/gói mềm (Bless You và Pulppy) di chuyển trên băng chuyền mini với dải tốc độ $16\text{ mm/s} - 20\text{ mm/s}$.
  • Giới hạn kỹ thuật: Chưa tích hợp bộ mã hóa vòng quay (Encoder) closed-loop trên trục động cơ bước (hoạt động theo chế độ open-loop microstepping); môi trường chiếu sáng cần duy trì ổn định để tránh nhiễu ngưỡng nhị phân hóa.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Phân loại thủ công Robot SCARA / Cartesian Robot Delta kết hợp Xử lý ảnh
Tốc độ gắp thả Chậm (15–25 sp/phút) Trung bình (30–45 sp/phút) Rất cao (60–120 sp/phút)
Khối lượng di động Không áp dụng Lớn (động cơ nằm trên khớp) Cực nhỏ (động cơ cố định trên bệ)
Độ linh hoạt Cao nhưng không ổn định Trung bình (khó xoay góc nhanh) Rất cao (xoay 4-DOF linh hoạt)
Độ chính xác $85% - 92%$ (lỗi do mệt mỏi) $95% - 98%$ $98% - 99.5%$
Chi phí đầu tư Chi phí nhân công định kỳ Rất đắt ($> 15.000\text{ USD}$) Tối ưu chi phí ($< 800\text{ USD}$ cho mô hình R&D)

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must-have: Robot di chuyển 3 trục $X, Y, Z$ chính xác; thuật toán nhận diện phát hiện đúng sản phẩm và góc lệch; cơ cấu giác hút chân không giữ chắc phôi; dừng khẩn cấp khi gặp sự cố hành trình.
  • Should-have: Giao diện GUI trực quan hiển thị tọa độ và webcam feed; ứng dụng Android theo dõi sản lượng thời gian thực.
  • Could-have: Tự động tinh chỉnh ngưỡng màu theo môi trường ánh sáng; tối ưu quỹ đạo theo đường cong Bézier hoặc đa thức bậc 5.
  • Won't-have (giai đoạn này): Tích hợp cánh tay robot công nghiệp tải trọng $> 5\text{ kg}$; phân loại đa luồng $> 10$ loại sản phẩm cùng lúc.

Thiết kế hệ thống

Technology Stack và Phần cứng

  • Vi điều khiển trung tâm: Arduino Mega 2560 R3 (Vi điều khiển 8-bit ATmega2560, tần số $16\text{ MHz}$, $256\text{ KB}$ Flash, $8\text{ KB}$ SRAM).
  • Bộ truyền động: 03 Động cơ bước NEMA 17-SK4248 (Mô-men xoắn giữ $0.55\text{ Nm}$, góc bước $1.8^\circ$, dòng danh định $1.5\text{ A}$) kết hợp hộp số giảm tốc hành tinh $57/11$.
  • Mạch công suất: 03 Driver vi bước DM806 (Điện áp hoạt động $24 - 80\text{ VDC}$, dòng đỉnh $1.8 - 6.0\text{ A}$, hỗ trợ cấu hình xung vi bước lên đến 25.600 xung/vòng).
  • Cơ cấu xoay và gắp: RC Servo MG996R kim loại (Mô-men xoắn $11\text{ kg}\cdot\text{cm}$ tại $6\text{ V}$, dải xung PWM $1.0\text{ ms} - 2.0\text{ ms}$ ứng với góc $0^\circ - 180^\circ$); Bơm chân không mini 12VDC model 365 (Lưu lượng $2 - 3\text{ L/phút}$, áp suất hút $-0.05\text{ MPa}$); Cảm biến hành trình Omron V-155-1C25 bảo vệ giới hạn cơ khí.
  • Thị giác máy tính: Camera Genius Facecam 1000X (Cảm biến CMOS HD 720p $1280 \times 720$ pixel, $30\text{ fps}$, chuẩn giao tiếp USB 2.0).
  • Môi trường phần mềm: Python 3.10, OpenCV 4.8.0, PyQt5 (Desktop GUI), Kivy 2.2.1 & KivyMD (Mobile App), SolidWorks 2022, MATLAB R2023a (Simscape Multibody), Firebase Realtime Database.
┌────────────────────────────────────────────────────────┐
│                   HỆ THỐNG PHÂN LOẠI                   │
├───────────────────────────┬────────────────────────────┤
│ THÔNG SỐ CƠ KHÍ & ĐIỆN    │ GIÁ TRỊ THIẾT KẾ           │
├───────────────────────────┼────────────────────────────┤
│ Bán kính bệ cố định ($f$) │ $120.0\text{ mm}$          │
│ Bán kính bệ di động ($e$) │ $45.0\text{ mm}$           │
│ Chiều dài cánh tay chủ động ($r_f$) │ $180.0\text{ mm}$│
│ Chiều dài cánh tay bị động ($r_e$) │ $320.0\text{ mm}$ │
│ Không gian làm việc (Work Envelope)│ Bán kính $R=160\text{ mm}, H=180\text{ mm}$ │
│ Giao tiếp truyền thông    │ UART Serial @ 115200 bps   │
└───────────────────────────┴────────────────────────────┘

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển tự động hóa kết hợp chữ V (V-Model):

  1. Giai đoạn phân tích & toán học: Xây dựng hệ phương trình động học thuận/nghịch dạng giải tích khép kín, triệt tiêu nghiệm ảo thông qua phân tích tọa độ không gian.
  2. Giai đoạn mô phỏng: Xuất mô hình CAD từ SolidWorks sang Simscape Multibody để kiểm tra hiện tượng tự va đập của khớp cầu (Ball joints) và tính toán mô-men tải trọng cực đại.
  3. Giai đoạn tích hợp & hiệu chuẩn: Đồng bộ thời gian trễ giữa chu kỳ xử lý ảnh ($\approx 33\text{ ms}$) và chu kỳ nội suy xung điều khiển bước của vi điều khiển Arduino.

Triển khai và kết quả thực nghiệm

Quá trình phát triển và thuật toán cốt lõi

1. Động học thuận Robot Delta (Forward Kinematics)

Cho trước 3 góc quay của động cơ bước $\theta_1, \theta_2, \theta_3$. Vị trí 3 khớp nối khuỷu tay ảo $J_1, J_2, J_3$ được xác định trên mặt phẳng $Oxy$ sau khi tịnh tiến bệ di động về gốc tọa độ: $$J_i = \left( x_{Ji}, y_{Ji}, z_{Ji} \right)$$ Tọa độ điểm đầu cuối $E_0(x_0, y_0, z_0)$ là giao điểm của 3 mặt cầu tâm $J_i$ bán kính $r_e$: $$(x - x_i)^2 + (y - y_i)^2 + (z - z_i)^2 = r_e^2, \quad (i = 1, 2, 3)$$ Đặt $m_i = x_i^2 + y_i^2 + z_i^2$, trừ các phương trình cho nhau ta giải được hệ tuyến tính: $$x = a_1 z + b_1, \quad y = a_2 z + b_2$$ Thế vào phương trình mặt cầu thứ nhất, ta được phương trình bậc hai theo $z$: $$(a_1^2 + a_2^2 + 1)z^2 + 2\left[ a_1 b_1 + a_2(b_2 - y_1) - z_1 \right] z + b_1^2 + (b_2 - y_1)^2 + z_1^2 - r_e^2 = 0$$ Do cơ cấu Delta làm việc bên dưới bệ cố định, ta chọn nghiệm $z < 0$ và bù thêm khoảng cách que hút $d_{\text{hút}}$: $z_{\text{thực tế}} = z_0 - d_{\text{hút}}$.

2. Động học nghịch Robot Delta (Inverse Kinematics)

Từ tọa độ mong muốn của đầu hút $E_0(x_0, y_0, z_0)$, hệ thống tính toán góc quay $\theta_1, \theta_2, \theta_3$. Với trục thứ nhất nằm trên mặt phẳng $Oyz$: $$\theta_1 = \arctan\left( \frac{z_{J1}}{y_{F1} - y_{J1}} \right)$$ Đối với trục thứ 2 và thứ 3, thực hiện phép quay hệ tọa độ quanh trục $Oz$ các góc tương ứng $+120^\circ$ và $-120^\circ$: $$\begin{bmatrix} x' \ y' \end{bmatrix} = \begin{bmatrix} \cos(\pm 120^\circ) & \sin(\pm 120^\circ) \ -\sin(\pm 120^\circ) & \cos(\pm 120^\circ) \end{bmatrix} \begin{bmatrix} x_0 \ y_0 \end{bmatrix}$$ Sau đó áp dụng công thức tương tự để tìm $\theta_2, \theta_3$.

3. Thuật toán nhận diện và định vị phôi (OpenCV/Python)

Quy trình nhận diện sử dụng kết hợp lọc không gian màu HSV và phương pháp chuẩn hóa tương quan mẫu (Normalized Cross-Correlation):

import cv2
import numpy as np

def detect_and_classify_product(frame, template_bless_you, template_pulppy):
    # 1. Chuyển đổi không gian màu sang HSV và Gray
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 2. Lọc biên Canny khử nhiễu bằng Gaussian Blur
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    edges = cv2.Canny(blurred, threshold1=50, threshold2=150)
    
    # 3. Thực hiện Template Matching xác định loại phôi
    res_bless = cv2.matchTemplate(gray, template_bless_you, cv2.TM_CCOEFF_NORMED)
    res_pulppy = cv2.matchTemplate(gray, template_pulppy, cv2.TM_CCOEFF_NORMED)
    
    min_val_b, max_val_b, min_loc_b, max_loc_b = cv2.minMaxLoc(res_bless)
    min_val_p, max_val_p, min_loc_p, max_loc_p = cv2.minMaxLoc(res_pulppy)
    
    threshold = 0.78
    detected_obj = None
    
    if max_val_b > threshold and max_val_b > max_val_p:
        top_left = max_loc_b
        h, w = template_bless_you.shape[:2]
        center_x = top_left[0] + w // 2
        center_y = top_left[1] + h // 2
        detected_obj = ("Bless You", center_x, center_y, max_val_b)
    elif max_val_p > threshold:
        top_left = max_loc_p
        h, w = template_pulppy.shape[:2]
        center_x = top_left[0] + w // 2
        center_y = top_left[1] + h // 2
        detected_obj = ("Pulppy", center_x, center_y, max_val_p)
        
    return detected_obj

Kiểm thử và kết quả thực nghiệm

Hệ thống được thử nghiệm phân loại liên tục trên 100 chu kỳ với 5 dải tốc độ băng tải khác nhau từ $16\text{ mm/s}$ đến $20\text{ mm/s}$:

Vận tốc băng chuyền (mm/s) Số lượng mẫu thử Nhận diện đúng (sp) Gắp/Sắp xếp đúng (sp) Tỷ lệ chính xác chung (%) Thời gian xử lý TB (ms)
16 mm/s 100 99 98 98.0% 31.2 ms
17 mm/s 100 99 97 97.0% 31.8 ms
18 mm/s 100 98 96 96.0% 32.5 ms
19 mm/s 100 96 93 93.0% 33.1 ms
20 mm/s 100 94 89 89.0% 34.0 ms

Đánh giá kết quả

  • Độ chính xác nhận diện hình ảnh: Đạt trung bình $97.2%$ trong điều kiện ánh sáng tiêu chuẩn ($400 - 600\text{ Lux}$).
  • Độ ổn định cơ khí: Hộp số $57/11$ giúp tăng mô-men tải lên gấp 5.18 lần, loại bỏ hoàn toàn hiện tượng trượt bước (Step Loss) ở dải gia tốc dưới $1500\text{ mm/s}^2$.
  • Đồng bộ hóa đám mây: Thời gian trễ đẩy dữ liệu lên Firebase Realtime Database và hiển thị trên ứng dụng KivyMD đạt $\approx 120 - 180\text{ ms}$, đáp ứng yêu cầu giám sát từ xa.

Đổi mới và đóng góp kỹ thuật

  1. Thiết kế khớp cầu kép khử rung chấn: Sử dụng thanh giằng carbon kết hợp đầu khớp cầu chịu lực cao giúp bệ di động đạt trọng lượng chỉ $145\text{ g}$, giảm $42%$ quán tính chuyển động so với các cơ cấu in 3D nguyên khối thông thường.
  2. Thuật toán bù góc xoay phôi động cơ 4-DOF: Bổ sung trục Servo MG996R trực tiếp tại bệ gắp, cho phép tự động xoay bù góc lệch $\Delta \theta \in [-90^\circ, +90^\circ]$ của phôi trước khi đặt vào vị trí quy định, giúp sản phẩm xếp thẳng hàng $100%$.
  3. Mô hình kiến trúc điều khiển phân tán (Distributed Architecture):
    • Tầng cấp cao (High-level): PC đảm nhận tính toán thị giác máy tính phức tạp và kết nối Cloud.
    • Tầng cấp thấp (Low-level): Arduino Mega 2560 R3 chuyên trách sinh xung phần cứng thời gian thực theo thuật toán Bresenham nội suy tuyến tính, tránh hiện tượng trễ khung hình gây giật cơ cấu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

  • Công nghiệp đóng gói bánh kẹo & thực phẩm: Gắp các sản phẩm mềm từ băng tải cấp phôi vào khay định hình với tốc độ cao không gây biến dạng bề mặt.
  • Dây chuyền sản xuất dược phẩm: Phân loại vỉ thuốc, chai lọ y tế theo mã màu bao bì hoặc lỗi in ấn trên nắp chai.
  • Phân loại bưu phẩm chuyển phát nhanh (Logistics Mini): Nhận diện mã màu phân loại gói hàng kích thước nhỏ dưới $300\text{ g}$.

Phân tích chi phí & Lợi ích kinh tế (Cost-Benefit & ROI)

  • Chi phí chế tạo hệ thống: $\approx 8.500.000\text{ VNĐ}$ (Bao gồm linh kiện cơ khí, điện tử, vi điều khiển, camera và gia công CNC).
  • Chi phí thuê nhân công thủ công: $7.000.000\text{ VNĐ/tháng/vị trí}$.
  • Hiệu quả hoàn vốn (ROI): Hệ thống vận hành liên tục 2 ca/ngày tương đương năng suất của 2 công nhân; thời gian thu hồi vốn đầu tư thực tế chỉ từ 1.5 đến 2.5 tháng.
Lộ trình triển khai công nghiệp (Roadmap):
[Tháng 1-2: R&D & Mô phỏng CAD/Kinematics] ──► [Tháng 3-4: Gia công cơ khí & Tích hợp điện]
                                                        │
[Tháng 6+: Scale-up công nghiệp đa luồng] ◄── [Tháng 5: Test thử nghiệm & Tuning PID]

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ nhạy sáng của Camera: Thuật toán Canny và Template Matching truyền thống dễ bị suy giảm độ tin cậy khi ánh sáng môi trường thay đổi đột ngột hoặc xuất hiện bóng đổ (Shadow effect).
  • Điều khiển vòng hở: Động cơ bước NEMA 17 hoạt động không có phản hồi encoder tuyệt đối, nếu xảy ra va chạm cơ học bất ngờ hệ thống bắt buộc phải thực hiện lại chu trình Homing qua công tắc hành trình.

Hướng nâng cấp mở rộng

  1. Nâng cấp Deep Learning: Triển khai mô hình phát hiện vật thể YOLOv8-Nano tối ưu hóa bằng TensorRT/ONNX Runtime trên card nhúng NVIDIA Jetson Nano để phân loại đa dạng sản phẩm không phụ thuộc điều kiện sáng.
  2. Tối ưu hóa quỹ đạo (Trajectory Planning): Ứng dụng đường cong S-Curve (7-segment jerk-limited) hoặc B-spline để triệt tiêu hiện tượng rung lắc điểm dừng khi robot tăng tốc độ gắp lên $> 80\text{ sp/phút}$.
  3. Chuyển đổi động cơ Servo Closed-loop: Thay thế NEMA 17 bằng Hybrid Stepper Motor hoặc AC Servo công nghiệp có encoder 17-bit.

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo hoàn chỉnh từ công thức động học thuận/nghịch giải tích, mã nguồn OpenCV xử lý ảnh đến mô hình mô phỏng Simscape Multibody.
  • Kỹ sư R&D & Lập trình viên nhúng: Nắm bắt kiến trúc phân tầng điều khiển PC–MCU qua giao tiếp UART và phương pháp xây dựng giao diện IoT realtime bằng KivyMD + Firebase.
  • Doanh nghiệp SME: Có giải pháp tham khảo tự động hóa chi phí thấp, tính khả thi cao để chuyển đổi từ phân loại thủ công sang tự động.

Câu hỏi thường gặp

1. Yêu cầu phần cứng máy tính tối thiểu để chạy hệ thống xử lý ảnh là gì?

Hệ thống sử dụng Python 3.10 cùng thư viện OpenCV 4.x tối ưu CPU. Cấu hình tối thiểu: CPU Intel Core i3 thế hệ 6 hoặc AMD Ryzen 3, RAM 4GB, 01 cổng USB 2.0/3.0 cho Camera HD. Hệ thống hoàn toàn có thể triển khai trên bo mạch nhúng như Raspberry Pi 4 (4GB RAM) với tốc độ xử lý đạt 25–30 fps.

2. Làm thế nào để mở rộng không gian làm việc (Work Envelope) của Robot Delta?

Không gian làm việc phụ thuộc trực tiếp vào chiều dài cánh tay chủ động $r_f$, cánh tay bị động $r_e$ và bán kính bệ $f, e$. Để tăng tầm với trục $Z$ và bán kính làm việc $R$, cần tăng tỷ lệ chiều dài $r_e / r_f$ (thông thường chọn tỷ lệ $1.6 - 2.0$) và tăng công suất mô-men xoắn của động cơ bước để bù trừ quán tính tải.

3. Tại sao chọn Template Matching thay vì mô hình học sâu (Deep Learning/CNN)?

Template Matching và lọc màu HSV có độ phức tạp thuật toán thấp $\mathcal{O}(W \cdot H \cdot w \cdot h)$, thời gian phản hồi cực nhanh ($< 35\text{ ms}$ trên CPU cơ bản) mà không yêu cầu GPU chuyên dụng đắt tiền, hoàn toàn phù hợp với các sản phẩm bao bì công nghiệp có kích thước và hình dáng chuẩn hóa cố định.

4. Hệ thống xử lý thế nào khi sản phẩm trên băng tải bị trượt hoặc lệch góc ngẫu nhiên?

Webcam liên tục chụp khung hình và tính toán tâm hình học $(c_x, c_y)$ cùng ma trận xoay của đường bao ngoài (Bounding Box). Tọa độ vị trí thực tế được ánh xạ qua ma trận chuyển đổi từ hệ tọa độ Camera sang hệ tọa độ Robot gốc $Oxyz$, đồng thời góc lệch $\Delta \theta$ được gửi xuống vi điều khiển để động cơ RC Servo xoay giác hút về đúng phương trước khi gắp.

5. Chi phí bảo trì định kỳ và độ bền của cơ cấu hút chân không ra sao?

Bơm chân không 12VDC model 365 có tuổi thọ trung bình từ 2–3 năm vận hành. Đầu giác hút silicone có thể thay thế dễ dàng với chi phí dưới $20.000\text{ VNĐ/núm}$. Hệ thống dẫn động bằng khớp cầu kim loại và dây đai/hộp số kín hầu như không cần bảo dưỡng phức tạp ngoài việc tra mỡ bôi trơn định kỳ 6 tháng/lần.

Kết luận

Đề tài "Hệ thống phân loại sản phẩm sử dụng Robot Delta kết hợp xử lý ảnh" đã nghiên cứu, thiết kế và chế tạo thành công một mô hình tự động hóa toàn diện, giải quyết trọn vẹn bài toán từ tính toán động học giải tích, thiết kế cơ khí 3D, lập trình thị giác máy tính đến tích hợp điều khiển nhúng và giám sát di động IoT. Với tỷ lệ phân loại chính xác đạt $98.0%$ ở vận tốc băng chuyền $16\text{ mm/s}$ và thời gian thu hồi vốn đầu tư nhanh chóng, công trình khẳng định tính ứng dụng cao và tiềm năng thương mại hóa rộng rãi trong các dây chuyền sản xuất công nghiệp vừa và nhỏ.