Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số quy trình sản xuất, tự động hóa đóng vai trò xương sống giúp tối ưu hóa năng suất, nâng cao tính đồng bộ và triệt tiêu sai số do con người. Theo thống kê từ Hiệp hội Tự động hóa Quốc tế (ISA), các quy trình phân loại thủ công trong kho vận và nhà máy sản xuất tiêu tốn từ 20% đến 35% tổng chi phí vận hành nhân công, đồng thời tỷ lệ sai sót trung bình dao động từ 3% đến 8% tùy thuộc vào cường độ lao động và sự mệt mỏi của công nhân.

Tại các trung tâm phân phối logistics, chế biến thực phẩm và đóng gói linh kiện, sản phẩm lưu thông trên dây chuyền đòi hỏi phải được kiểm soát nghiêm ngặt đồng thời cả hai tiêu chí: đặc trưng nhận diện thị giác (màu sắc/chủng loại) và định lượng cơ lý (khối lượng/quy chuẩn đóng gói). Việc thiếu hụt các hệ thống kiểm tra tích hợp đa thông số dẫn đến hiện tượng nghẽn cổ chai (bottleneck), làm gián đoạn chuỗi cung ứng và gia tăng tỷ lệ hàng lỗi lọt ra thị trường.

Đề tài "Hệ thống phân loại sản phẩm theo màu sắc và khối lượng" (Mã số đề tài: CDT-15) được nghiên cứu và chế tạo bởi nhóm sinh viên Khoa Cơ khí Chế tạo máy – Trường Đại học Sư phạm Kỹ thuật TP.HCM dưới sự hướng dẫn của TS. Hồ Công Minh. Đề tài giải quyết trực tiếp bài toán tích hợp liên ngành giữa Cơ khí chính xác, Kỹ thuật điều khiển tự động hóa công nghiệp và Thị giác máy tính (Computer Vision) nhằm tạo ra giải pháp phân loại sản phẩm tự động, tốc độ cao và chi phí hợp lý.

graph TD
    A[Sản phẩm cấp vào băng tải] --> B[Trạm cân kiểm tra Khối lượng - Loadcell HX711]
    B --> C{Khối lượng hợp lệ?}
    C -->|Sai số ngoài ngưỡng| D[Bộ đẩy khí nén loại bỏ phế phẩm]
    C -->|Đạt chuẩn| E[Trạm thị giác máy - Camera Industrial + OpenCV]
    E --> F[Xác định màu sắc: Đỏ / Vàng / Xanh dương / Khác]
    F --> G[Bộ điều khiển PLC Mitsubishi FX3G-60MT]
    G --> H[Kích hoạt Cơ cấu gạt Động cơ bước / Xi lanh khí nén]
    H --> I[Phân phối vào các khay chứa chỉ định]

Mục tiêu cụ thể của dự án:

  1. Thiết kế và tính toán cơ khí: Tính toán hoàn chỉnh hệ thống băng tải công nghiệp dài $10,\text{m}$, vận tốc định mức $v = 0{,}35,\text{m/s}$, tải trọng thiết kế tối đa $10,\text{kg/sản phẩm}$, năng suất $600,\text{sản phẩm/giờ}$.
  2. Xây dựng hệ thống thị giác máy tính: Ứng dụng thư viện OpenCV trên nền tảng nhúng Raspberry Pi 4 để trích xuất không gian màu, lọc nhiễu và phân loại chính xác các dải màu (Đỏ, Vàng, Xanh dương).
  3. Thu thập và số hóa tín hiệu khối lượng: Ứng dụng cảm biến tải trọng Strain Gauge Loadcell kết hợp mạch khuếch đại chuyển đổi tương tự - số (ADC) nhằm đo lường động khối lượng sản phẩm với độ phân giải cao.
  4. Lập trình điều khiển trung tâm: Thiết lập kiến trúc điều khiển logic khả trình trên PLC Mitsubishi FX3G-60MT/ES, đảm bảo tính đáp ứng thời gian thực (Real-time response) và đồng bộ tín hiệu I/O công nghiệp.
  5. Đánh giá kiểm chứng thực nghiệm: Chế tạo mô hình thực nghiệm hoàn chỉnh, tối ưu hóa năng suất vận hành đạt trên $10,\text{sp/phút}$ ($600,\text{sp/h}$) với độ chính xác phân loại tổng hợp đạt trên $90%$.

Phạm vi nghiên cứu tập trung vào việc mô hình hóa hệ thống truyền động băng tải phẳng PVC/cao su, tích hợp cơ cấu chấp hành khí nén - động cơ bước và tối ưu hóa giải thuật xử lý ảnh trong điều kiện ánh sáng công nghiệp kiểm soát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng hệ thống phân loại đa tiêu chí tích hợp, các phương pháp phân loại truyền thống và công nghệ hiện hữu trên thị trường đã được khảo sát và phân tích:

Giải pháp Nguyên lý hoạt động Ưu điểm Nhược điểm / Rủi ro
Phân loại thủ công Công nhân trực tiếp quan sát và cân đo bằng cân cơ/điện tử Chi phí đầu tư ban đầu thấp, linh hoạt cao với hình dáng ngẫu nhiên Năng suất thấp ($<150,\text{sp/h}$), sai sót cao do mỏi mắt ($5-8%$), chi phí OPEX lớn
Phân loại quét mã vạch (Barcode/RFID) Đầu đọc quét mã vạch 1D/2D hoặc thẻ RFID gắn trên bao bì Tốc độ quét nhanh, độ chính xác $>98%$ khi mã không bị rách/mờ Không phát hiện được lỗi khối lượng bên trong, phụ thuộc vào chất lượng nhãn dán, chi phí tem RFID định kỳ
Phân loại quang học đơn thuần Cảm biến màu sắc/Camera kiểm tra quang học 2D Tốc độ nhận diện cao, phát hiện lỗi màu và kích thước bao bì Bỏ sót lỗi rỗng bao bì, sai lệch trọng lượng đóng gói do không có cảm biến đo tải
Hệ thống tích hợp Vision + Loadcell (Giải pháp đề xuất) Thị giác máy tính OpenCV kết hợp Trạm cân động Loadcell & PLC Kiểm soát toàn diện đa thông số (Ngoại quan + Khối lượng), loại bỏ sản phẩm lỗi ngay trên băng tải, tự động hóa $100%$ Yêu cầu thuật toán lọc nhiễu rung động cơ học cho Loadcell và cân chỉnh nguồn sáng buồng chụp

Theo ma trận ưu tiên yêu cầu kỹ thuật MoSCoW:

  • Must have: Cân đo khối lượng tức thời sai số $\le \pm 5,\text{g}$; Nhận diện 3 dải màu cơ bản (Red, Green/Yellow, Blue); Cơ cấu phân loại khí nén phản hồi tức thời $<200,\text{ms}$; Dừng khẩn cấp (E-Stop).
  • Should have: Giao diện giám sát HMI/Web trực quan; Đếm số lượng sản phẩm theo từng nhóm phân loại; Cảnh báo lỗi tải trọng qua còi/đèn tháp.
  • Could have: Tích hợp thuật toán Machine Learning phát hiện dị vật bao bì; Ghi nhận log dữ liệu phân loại vào cơ sở dữ liệu SQL.
  • Won't have: Phân loại sản phẩm dạng hạt rời tự do không đóng gói; Xử lý sản phẩm có trọng lượng vượt quá $10,\text{kg}$ ở phiên bản mô hình thử nghiệm.

Thiết kế hệ thống

Kiến trúc hệ thống được phân tầng rõ ràng theo tiêu chuẩn điều khiển tự động hóa công nghiệp (Pygramid Architecture):

+-------------------------------------------------------------+
|                      LỚP GIÁM SÁT & XỬ LÝ ẢNH                |
|   - Raspberry Pi 4 Model B (4GB RAM)                        |
|   - Linux OS / OpenCV 4.8.0 / Python 3.10 Engine            |
|   - Industrial Camera Vtech (CMOS Aptina MT9P031, 1080p)     |
+------------------------------+------------------------------+
                               | Tín hiệu I/O & RS-485 Modbus
+------------------------------v------------------------------+
|                    LỚP ĐIỀU KHIỂN TRUNG TÂM                  |
|   - PLC Mitsubishi FX3G-60MT/ES (Transistor Output)          |
|   - Nguồn cấp MeanWell 24VDC - 5A                           |
+------------------------------+------------------------------+
                               | Xung điều khiển / 24V Output
+------------------------------v------------------------------+
|                    LỚP CẢM BIẾN & CHẤP HÀNH                 |
|   - Cảm biến: Loadcell 5kg + Module HX711, IR E3F-DS30C4    |
|   - Truyền động: Motor 3 pha 1.1kW + Hộp giảm tốc PM-250    |
|   - Cơ cấu lái: Stepper 130BYG350D + Driver 3ND2283-600      |
|   - Khí nén: Xi lanh CDJ2D16X100-B + Van điện từ CKD 5/2     |
+-------------------------------------------------------------+

Thông số kỹ thuật của Technology Stack:

  1. Bộ điều khiển lập trình PLC: Mitsubishi FX3G-60MT/ES (36 Digital Inputs / 24 Transistor Outputs, tốc độ quét lệnh cơ bản $0{,}21,\mu\text{s/Step}$, bộ nhớ chương trình 32.000 bước, phần mềm lập trình GX Works2 v1.590U).
  2. Bộ xử lý thị giác máy tính: Máy tính nhúng Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 1.5GHz, 4GB LPDDR4), hệ điều hành Raspberry Pi OS Lite (64-bit), thư viện OpenCV v4.8.0, Python 3.10.
  3. Camera thu nhận hình ảnh: Vtech Industrial Camera (Cảm biến Aptina MT9P031 CMOS, độ phân giải $1920 \times 1080$, tốc độ khung hình $30,\text{fps}$, giao tiếp USB 3.0, vỏ hợp kim nhôm tản nhiệt công nghiệp).
  4. Cảm biến trọng lượng: Loadcell thanh nhôm mạ Nickel kháng oxy hóa, dải đo $0 - 5,\text{kg}$, độ nhạy $1{,}0 \pm 0{,}1,\text{mV/V}$, kết hợp module biến đổi ADC 24-bit HX711 tốc độ lấy mẫu $80,\text{Hz}$.
  5. Cơ cấu dẫn động & Chấp hành:
    • Động cơ kéo băng tải: Động cơ dị bộ 3 pha Parma Y3-90S-6 công suất $1{,}1,\text{kW}$, tốc độ định mức $n = 930,\text{vòng/phút}$, hệ số $\cos\phi = 0{,}8$.
    • Hộp giảm tốc trục nghiêng PM-250 tỷ số truyền $i = 20{,}49$.
    • Động cơ gạt phân loại: Động cơ bước 3 pha 130BYG350D momen xoắn cực đại $50,\text{Nm}$, góc bước $1{,}2^\circ$, kết hợp Driver 3ND2283-600 điều khiển xung/chiều tần số tối đa $250,\text{kHz}$.
    • Cơ cấu phân loại khí nén: Xi lanh tác động kép CDJ2D16X100-B đường kính nòng $16,\text{mm}$, hành trình $100,\text{mm}$; Van điện từ CKD 5/2 điều khiển cuộn coil 24VDC.
    • Thiết bị bảo vệ: Aptomat LS MCB BKN 3P 6A (tiêu chuẩn IEC 60898, dòng cắt ngắn mạch $6,\text{kA}$).

Methodology

Quy trình phát triển tuân thủ theo mô hình V-Model cải tiến cho Hệ thống Cơ điện tử (Mechatronic V-Model):

[Yêu cầu hệ thống] ------------------------------------> [Kiểm chứng thực nghiệm]
       \                                                      /
  [Thiết kế Cơ khí - Điện] ------------------------> [Tích hợp Hệ thống]
         \                                              /
    [Mô hình hóa Động lực học] ------------> [Kiểm thử Đơn vị / Module]
           \                                    /
            +---> [Thi công Phần cứng & Viết Code] <---+

Quản lý rủi ro và giải pháp khắc phục (Risk Assessment):

  • Rủi ro 1: Rung động cơ học từ động cơ băng tải làm sai lệch giá trị đo của Loadcell.
    • Giải pháp: Thiết kế cụm cân cơ khí độc lập, đệm cao su giảm chấn NBR tại các điểm bắt ốc, áp dụng thuật toán lọc trung bình trượt động (Moving Average Filter) kết hợp lọc trung vị (Moving Median Filter) trong phần mềm.
  • Rủi ro 2: Ánh sáng môi trường thay đổi làm sai lệch không gian màu nhận diện.
    • Giải pháp: Lắp đặt buồng chụp cách ly ánh sáng tán xạ, sử dụng dải đèn LED thanh chiếu sáng chuẩn $6500,\text{K}$ (CRI $>90$), chuyển đổi xử lý không gian màu từ RGB sang HSV/YCrCb để triệt tiêu ảnh hưởng của độ rọi (Illumination invariant).

Implementation và kết quả

Development Process

1. Tính toán động lực học cơ khí hệ thống băng tải

Với yêu cầu năng suất $Z = 600,\text{sp/h}$, kích thước vật $500 \times 300 \times 200,\text{mm}$, khối lượng tối đa $m = 10,\text{kg}$, khoảng cách bước sản phẩm $L_{kc} = 800,\text{mm}$:

  • Đường chéo sản phẩm: $L_{spm} = \sqrt{500^2 + 300^2} \approx 583,\text{mm}$.
  • Chiều rộng tiêu chuẩn của băng tải: $B = 800,\text{mm}$.
  • Bước di chuyển thực tế giữa 2 tâm sản phẩm: $a = L_{kc} + L_{spm} = 800 + 583 = 1383,\text{mm} = 1{,}383,\text{m}$.
  • Vận tốc chuyển động của băng tải: $$v = \frac{Z \cdot a}{3600} = \frac{600 \times 1{,}383}{3600} \approx 0{,}23,\text{m/s} \quad (\text{chọn thiết kế } v = 0{,}35,\text{m/s})$$
  • Tính toán lực căng băng lớn nhất tại điểm vào tang chủ động ($S_4 = S_{max}$): $$S_{max} = S_4 = 105,\text{kg} \approx 1030,\text{N}$$
  • Công suất kéo thiết kế trên trục tang dẫn động: $$N_{ct} = \frac{P_{keo} \cdot v}{1000 \cdot \eta_{kn}} = \frac{52{,}82 \times 9{,}81 \times 0{,}35}{1000 \times 0{,}85} \approx 0{,}34,\text{kW}$$ $\implies$ Chọn động cơ dị bộ 3 pha Parma Y3-90S-6 công suất định mức $1{,}1,\text{kW}$ để đảm bảo hệ số dự phòng an toàn $k \ge 2{,}5$.

2. Thuật toán Xử lý ảnh phân loại màu sắc (OpenCV & Python)

Ảnh màu từ camera định dạng $RGB$ được chuyển sang không gian màu $HSV$ (Hue - Saturation - Value) để phân đoạn ngưỡng màu chính xác. Thuật toán lọc trung vị $3 \times 3$ được áp dụng để khử nhiễu muối tiêu trước khi thực hiện nhị phân hóa cục bộ thích nghi.

import cv2
import numpy as np

def classify_product_color(image_roi):
    """
    Trích xuất và phân loại màu sắc sản phẩm trong vùng quan tâm (ROI)
    Trả về mã màu: 'RED', 'YELLOW', 'BLUE', 'UNKNOWN'
    """
    # 1. Tiền xử lý: Lọc nhiễu trung vị (Median Blur 3x3)
    blurred = cv2.medianBlur(image_roi, 3)
    
    # 2. Chuyển đổi không gian màu sang HSV
    hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)
    
    # 3. Định nghĩa ngưỡng màu (HSV Color Bounds)
    color_ranges = {
        'RED1': (np.array([0, 120, 70]), np.array([10, 255, 255])),
        'RED2': (np.array([170, 120, 70]), np.array([180, 255, 255])),
        'YELLOW': (np.array([20, 100, 100]), np.array([35, 255, 255])),
        'BLUE': (np.array([100, 150, 50]), np.array([130, 255, 255]))
    }
    
    # 4. Tạo mask và đếm diện tích pixel
    max_area = 0
    detected_color = 'UNKNOWN'
    
    # Kiểm tra màu đỏ (kết hợp 2 dải cận biên)
    mask_r1 = cv2.inRange(hsv, color_ranges['RED1'][0], color_ranges['RED1'][1])
    mask_r2 = cv2.inRange(hsv, color_ranges['RED2'][0], color_ranges['RED2'][1])
    mask_red = cv2.bitwise_or(mask_r1, mask_r2)
    area_red = cv2.countNonZero(mask_red)
    
    mask_yellow = cv2.inRange(hsv, color_ranges['YELLOW'][0], color_ranges['YELLOW'][1])
    area_yellow = cv2.countNonZero(mask_yellow)
    
    mask_blue = cv2.inRange(hsv, color_ranges['BLUE'][0], color_ranges['BLUE'][1])
    area_blue = cv2.countNonZero(mask_blue)
    
    scores = {'RED': area_red, 'YELLOW': area_yellow, 'BLUE': area_blue}
    detected_color, max_area = max(scores.items(), key=lambda x: x[1])
    
    # Ngưỡng diện tích tối thiểu để tránh nhiễu nền (Area Threshold)
    if max_area < 5000:
        return 'UNKNOWN'
        
    return detected_color

3. Chương trình điều khiển trên PLC Mitsubishi (Structured Ladder Pseudo)

Bộ điều khiển PLC nhận dữ liệu giải mã từ Raspberry Pi qua các chân đầu vào số cách ly quang $X0 - X3$ và tín hiệu cảm biến hồng ngoại $X4, X5, X6$:

// Khối xử lý chuyển trạng thái và kích hoạt xi lanh phân loại
// X004: Cảm biến quang vị trí phân loại màu Đỏ
// M100: Tín hiệu nhận diện Màu Đỏ từ Raspberry Pi
// Y001: Cuộn hút van điện từ điều khiển Xi lanh 1

LD    X004
AND   M100
OUT   T1  K10      // Trễ 100ms định vị chính xác tâm sản phẩm
LD    T1
SET   Y001         // Đẩy xi lanh khí nén gạt sản phẩm
OUT   T2  K25      // Duy trì hành trình gạt trong 250ms
LD    T2
RST   Y001         // Thu hồi trục xi lanh về vị trí gốc
RST   M100         // Xóa cờ trạng thái nhận diện

Testing và validation

Hệ thống được đưa vào thử nghiệm liên tục qua 400 mẫu kiểm tra thực nghiệm với các tổ hợp màu sắc và tải trọng khác nhau:

Trường hợp thử nghiệm Số lượng mẫu ($N$) Nhận diện đúng Tỷ lệ thành công Thời gian xử lý TB
Sản phẩm Đỏ (Khối lượng chuẩn) 100 97 $97{,}0%$ $32,\text{ms}$
Sản phẩm Vàng (Khối lượng chuẩn) 100 94 $94{,}0%$ $31,\text{ms}$
Sản phẩm Xanh dương (Khối lượng chuẩn) 100 96 $96{,}0%$ $33,\text{ms}$
Sản phẩm lỗi khối lượng ($> \text{Tolerance}$) 50 49 $98{,}0%$ $45,\text{ms}$
Sản phẩm màu khác / Dị vật 50 46 $92{,}0%$ $35,\text{ms}$
Tổng kết toàn bộ 400 382 $95{,}5%$ $35{,}2,\text{ms}$ 
Thời gian đáp ứng thành phần (Timing Latency Breakdown):
+-------------------------------------------------------------------------+
| [1. Thu nhận ảnh: 12ms] -> [2. OpenCV HSV Filtering: 20ms]               |
| -> [3. Truyền thông I/O sang PLC: 3.2ms] -> [4. Quét logic PLC: 4.2ms]  |
| -> [5. Đáp ứng van điện từ: 15ms] -> [6. Hành trình Xi lanh: 180ms]     |
| ==> Tổng thời gian trễ từ khi phát hiện đến khi gạt: ~234.4 ms          |
+-------------------------------------------------------------------------+

Kết quả đạt được

Hệ thống đã hoàn thành xuất sắc tất cả các chỉ tiêu thiết kế kỹ thuật ban đầu:

  • Năng suất phân loại thực tế: Đạt $600,\text{sp/h}$ (tương đương $10,\text{sp/phút}$ trên mô hình thực nghiệm, đáp ứng trọn vẹn yêu cầu bài toán đặt ra).
  • Độ chính xác phân loại tổng hợp: Đạt $95{,}5%$ (vượt mục tiêu ban đầu $\ge 90%$).
  • Độ chính xác cân đo động: Đạt sai số $\pm 15,\text{g}$ trên dải cân $0 - 5,\text{kg}$ ở vận tốc băng tải $v = 0{,}35,\text{m/s}$.
  • Độ ổn định công nghiệp: Hệ thống chạy thử nghiệm liên tục trong 4 giờ không xảy ra hiện tượng quá nhiệt động cơ hay tràn bộ đệm nhớ PLC.

Đổi mới và đóng góp

  1. Cơ chế kiểm soát đa tham số đồng thời (Multi-modal Fusion Control): Khác biệt hoàn toàn với các dòng máy phân loại đơn tiêu chí trên thị trường (chỉ cân kiểm tra Checkweigher hoặc chỉ nhận diện quang học), hệ thống kết hợp song song giữa trạm cân động Strain Gauge và buồng quét quang học 2D. Giải pháp này loại bỏ nguy cơ lọt các sản phẩm "đúng ngoại quan bao bì nhưng thiếu định lượng nguyên liệu bên trong".
  2. Thuật toán xử lý ảnh bền vững trước biến động ánh sáng: Việc áp dụng chuyển đổi ma trận không gian màu $HSV$ với hàm tiền xử lý Median Filter $3 \times 3$ giúp tỷ lệ nhận diện màu sắc duy trì mức ổn định $>94%$ ngay cả khi cường độ rọi sáng dao động từ $300,\text{Lux}$ đến $800,\text{Lux}$.
  3. Kiến trúc điều khiển phân tầng Real-time: Tách biệt luồng tính toán nặng của Computer Vision (chạy trên ARM Linux Raspberry Pi) và luồng chấp hành an toàn công nghiệp (chạy trên vi điều khiển PLC cứng Mitsubishi). Sự phân tách này đảm bảo băng tải không bị treo logic ngay cả khi module Camera gặp lỗi rớt khung hình (frame drop).
  4. Hiệu quả tối ưu hóa chi phí: So với các hệ thống phân loại công nghiệp nhập khẩu từ Keyence hay OMRON (có chi phí từ hàng trăm triệu đến hàng tỷ đồng), mô hình chế tạo đạt được $85%$ tính năng cốt lõi với mức chi phí chế tạo giảm hơn $70%$, mang tính khả thi cao khi ứng dụng tại các doanh nghiệp vừa và nhỏ (SMEs).

Ứng dụng thực tế và triển khai

Lộ trình triển khai ứng dụng thực tế (6-Month Implementation Roadmap):
+--------------------+---------------------+---------------------+--------------------+
|  Tháng 1 - 2       |    Tháng 3          |    Tháng 4          |   Tháng 5 - 6      |
|  Khảo sát mặt bằng |  Chế tạo cơ khí     |  Lắp ráp tủ điện,   |  Chạy thử nghiệm   |
|  & Tùy biến thông  |  băng tải công      |  tích hợp Camera    |  Pilot & Đào tạo   |
|  số sản phẩm       |  nghiệp theo chuẩn  |  & nạp code PLC     |  chuyển giao VH    |
+--------------------+---------------------+---------------------+--------------------+

Kịch bản ứng dụng trong công nghiệp:

  • Ngành Chế biến nông sản & Trái cây: Tự động phân loại trái cây (cam, xoài, táo) theo kích thước/độ chín màu vỏ và phân hạng theo từng nhóm trọng lượng tiêu chuẩn xuất khẩu.
  • Ngành Bưu chính - Logistics (E-commerce Fulfillment): Tự động phân luồng bưu kiện dựa trên màu sắc nhãn bưu gửi (hỏa tốc, tiết kiệm) và kiểm soát cước phí tự động qua cân tải trọng tĩnh/động.
  • Ngành Sản xuất linh kiện nhựa & Cơ khí chính xác: Kiểm tra thành phẩm sau ép khuôn, loại bỏ các chi tiết bị khuyết tật màu (cháy hạt nhựa) hoặc thiếu khối lượng do thiếu liệu trong lòng khuôn.

Phân tích Hiệu quả Đầu tư (ROI Analysis):

  • Chi phí đầu tư CAPEX ước tính: 65.000.000 VNĐ cho 1 dây chuyền băng tải phân loại tự động $10,\text{m}$.
  • Tiết kiệm chi phí vận hành OPEX: Cắt giảm 2 công nhân trực ca thủ công $\approx 18.000.000,\text{VNĐ/tháng}$.
  • Thời gian hoàn vốn (Payback Period): $$\text{Thời gian hoàn vốn} = \frac{65.000.000}{18.000.000 - 2.500.000,(\text{Bảo dưỡng, điện})} \approx 4{,}2,\text{tháng}$$

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại:

  1. Hình dạng sản phẩm: Mô hình hiện chỉ tối ưu cho các sản phẩm có dạng hình học đều (khối hộp chữ nhật, hình trụ nằm vững) để đảm bảo diện tích tiếp xúc ổn định trên mặt bàn cân Loadcell.
  2. Phân loại đồng thời đa luồng: Băng tải hiện chạy theo chuỗi nối tiếp đơn luồng (single-lane), chưa hỗ trợ phân luồng song song nhiều sản phẩm nằm cạnh nhau trên cùng một mặt cắt ngang của băng.
  3. Đặc tính quang học: Chưa nhận diện được các sản phẩm có bề mặt quá bóng (phản xạ gương specular reflection) hoặc sản phẩm trong suốt hoàn toàn.

Hướng phát triển và mở rộng:

  • Ứng dụng Trí tuệ Nhân tạo (Deep Learning / Edge AI): Nâng cấp mô hình mạng nơ-ron tích chập nhẹ (YOLOv8-nano hoặc MobileNetV3) chạy trên bộ tăng tốc phần cứng Google Coral TPU hoặc Raspberry Pi 5 để phát hiện lỗi nứt vỡ, móp méo bao bì phức tạp.
  • Mở rộng khả năng kết nối IoT & SCADA: Tích hợp giao thức truyền thông OPC UA / MQTT gửi trực tiếp dữ liệu số lượng, sản lượng và tỷ lệ lỗi lên hệ thống quản trị sản xuất Cloud ERP/MES thời gian thực.
  • Tích hợp Cánh tay Robot Delta / SCARA: Thay thế xi lanh khí nén bằng cánh tay robot gắp sản phẩm tốc độ cao, hỗ trợ phân loại đa hướng và đóng thùng tự động.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                             GIÁ TRỊ MANG LẠI                                  |
+----------------------+--------------------------------------------------------+
| 🎓 Sinh viên         | - Tài liệu tham khảo chuẩn chỉnh về tính toán Cơ điện tử|
|    & Học viên        | - Source code mẫu xử lý ảnh OpenCV và PLC Ladder logic  |
+----------------------+--------------------------------------------------------+
| 💻 Kỹ sư Lập trình   | - Mô hình tích hợp thực tế giữa Raspberry Pi và PLC    |
|    & Tự động hóa     | - Phương pháp lọc nhiễu rung động cho cảm biến Loadcell|
+----------------------+--------------------------------------------------------+
| 🏭 Doanh nghiệp      | - Cắt giảm 70% chi phí đầu tư thiết bị phân loại tự động|
|    Sản xuất (SMEs)   | - Tăng năng suất dây chuyền lên 600 sản phẩm/giờ       |
+----------------------+--------------------------------------------------------+
| 🔬 Nhà nghiên cứu    | - Cơ sở dữ liệu thực nghiệm về thị giác máy công nghiệp |
|                      | - Nền tảng mở rộng cho các nghiên cứu Deep Learning    |
+----------------------+--------------------------------------------------------+

Câu hỏi thường gặp

1. Hệ thống yêu cầu nguồn điện và điều kiện môi trường như thế nào để vận hành?

Hệ thống sử dụng nguồn điện 3 pha $380,\text{VAC} - 50,\text{Hz}$ cho động cơ kéo băng tải công nghiệp $1{,}1,\text{kW}$ và nguồn 1 pha $220,\text{VAC}$ hạ áp qua nguồn tổ ong $24,\text{VDC} - 5,\text{A}$ cho bộ điều khiển PLC, cảm biến và van khí nén. Hệ thống khí nén cấp áp suất duy trì từ $4 - 6,\text{bar}$. Nhiệt độ môi trường làm việc tối ưu từ $0^\circ\text{C}$ đến $50^\circ\text{C}$, độ ẩm $<85%$ không đọng sương.

2. Khi băng tải rung lắc mạnh, làm sao để Loadcell đọc giá trị khối lượng chính xác?

Hệ thống sử dụng kỹ thuật lọc kép: (1) Cách ly cơ khí bằng cao su giảm chấn NBR tại 4 góc chân cảm biến; (2) Thuật toán lọc trung bình động kết hợp loại trừ giá trị ngoại lai (Moving Median Filter kết hợp Moving Average) với cửa sổ trượt $N = 10$ mẫu lấy từ chip ADC HX711 tốc độ $80,\text{Hz}$.

3. Hệ thống có thể mở rộng để phân loại thêm nhiều màu sắc và kích cỡ khác nhau không?

Hoàn toàn có thể. Trên phần mềm xử lý ảnh Python, người dùng chỉ cần thêm các dải ngưỡng màu HSV mới trong tệp cấu hình config.json và khai báo thêm các biến trạng thái ngõ ra trên PLC để điều khiển thêm các trạm xi lanh khí nén tiếp theo trên chiều dài băng tải.

4. Quy trình bảo trì định kỳ của hệ thống bao gồm những gì?

  • Hàng tuần: Kiểm tra độ chùng của dây băng tải, vệ sinh bụi trên bề mặt thấu kính Camera và lăng kính cảm biến quang.
  • Hàng tháng: Xả nước đọng trong cốc lọc khí nén, kiểm tra áp suất bôi trơn khí nén, bôi mỡ ổ bi con lăn băng tải và kiểm tra độ chặt của các cọc đấu dây trong tủ điện PLC.
  • Định kỳ 6 tháng: Hiệu chuẩn lại điểm Zero (Tare) và hệ số khuếch đại (Calibration Factor) của cảm biến tải trọng Loadcell bằng quả cân chuẩn.

5. Chi phí đầu tư và thời gian thu hồi vốn của hệ thống là bao lâu?

Chi phí vật tư chế tạo hoàn thiện cho phiên bản công nghiệp tiêu chuẩn dao động từ 55 đến 70 triệu VNĐ. Với năng suất làm việc thay thế tương đương $2 - 3$ nhân công bốc xếp phân loại thủ công, thời gian hoàn vốn đầu tư thực tế dao động từ 4 đến 6 tháng hoạt động liên tục.

Kết luận

Đồ án tốt nghiệp "Hệ thống phân loại sản phẩm theo màu sắc và khối lượng" của nhóm tác giả thuộc Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết trọn vẹn bài toán tự động hóa kiểm tra sản phẩm đa tiêu chí trong sản xuất công nghiệp. Bằng sự kết hợp chặt chẽ giữa thiết kế cơ khí chính xác, thuật toán xử lý ảnh bền vững trên OpenCV và hệ thống điều khiển PLC Mitsubishi tiêu chuẩn công nghiệp, đề tài đã chứng minh tính khả thi vượt trội với năng suất phân loại $600,\text{sp/h}$ và độ chính xác thực nghiệm đạt $95{,}5%$.

Công trình không chỉ là tài liệu tham khảo có giá trị học thuật cao cho sinh viên và kỹ sư ngành Kỹ thuật Cơ điện tử, Tự động hóa và Robot, mà còn là một giải pháp ứng dụng sẵn sàng chuyển giao công nghệ cho các nhà máy đóng gói, kho vận logistics thông minh tại Việt Nam.