Bối cảnh và vấn đề nghiên cứu

Trong xu thế tự động hóa công nghiệp và sự phát triển của các công nghệ thị giác máy tính, việc tối ưu hóa quy trình phân loại hàng hóa đóng vai trò then chốt tại các nhà máy sản xuất và trung tâm logistics. Thực tiễn vận hành cho thấy màu sắc và khối lượng là hai thông số nhận diện cơ bản, phản ánh trực tiếp nhóm sản phẩm, chủng loại cũng như tiêu chuẩn chất lượng. Tuy nhiên, tại nhiều cơ sở sản xuất, công đoạn phân loại vẫn dựa chủ yếu vào thao tác thủ công của con người. Phương thức này bộc lộ nhiều hạn chế như: năng suất lao động thấp, chi phí vận hành cao và tiềm ẩn nguy cơ sai sót do yếu tố mệt mỏi hay mất tập trung của nhân công.

Để giải quyết bài toán này, đồ án tốt nghiệp "Hệ thống phân loại sản phẩm theo màu sắc và khối lượng" (Mã số đề tài: CDT-15) được thực hiện nhằm tích hợp kỹ thuật xử lý ảnh số và điều khiển tự động vào dây chuyền băng tải. Tác giả đặt ra câu hỏi nghiên cứu trung tâm: "Làm thế nào chúng ta có thể áp dụng hiệu quả công nghệ nhận diện màu sắc và xác định khối lượng trong quá trình phân loại sản phẩm để tối ưu hóa hiệu suất, giảm thiểu sai sót và đáp ứng nhanh chóng với sự biến động của thị trường?"

Đồ án xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể sau:

  1. Xây dựng thành công thuật toán nhận diện màu sắc sản phẩm dựa trên thị giác máy tính.
  2. Tạo lập chương trình điều khiển logic để vận hành toàn bộ hệ thống tự động.
  3. Chế tạo mô hình phần cứng hoàn chỉnh có khả năng hoạt động ổn định.
  4. Phát triển giao diện điều khiển trực quan hỗ trợ người vận hành giám sát.
  5. Đạt năng suất phân loại của mô hình thực nghiệm trên 10 sản phẩm/phút.
  6. Đạt độ chính xác phân loại tổng thể trên 90%.

Đối tượng nghiên cứu là hệ thống băng tải phân loại sản phẩm tự động tích hợp cụm cảm biến đo khối lượng và camera nhận diện màu sắc. Phạm vi nghiên cứu về mặt không gian bao gồm hai cấp độ: tính toán thiết kế hệ thống băng tải công nghiệp hoàn chỉnh (chiều dài 10 m, tải trọng tối đa 10 kg, kích thước sản phẩm tối đa $500 \times 300 \times 200$ mm, năng suất thiết kế 600 sản phẩm/giờ) và chế tạo mô hình thực nghiệm thu nhỏ (sử dụng băng tải PVC mini, bộ điều khiển PLC, vi xử lý nhúng và cơ cấu chấp hành khí nén) do điều kiện kinh phí hạn chế. Về mặt thời gian, đồ án được thực hiện trong Học kỳ II năm học 2023–2024 và hoàn thành nghiệm thu vào tháng 7 năm 2024 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Về khung lý thuyết, đồ án tổng hợp các nguyên lý phân loại sản phẩm phổ biến trong công nghiệp gồm phân loại theo khối lượng, phân loại theo chiều cao bằng cảm biến quang/hồng ngoại, và phân loại dựa trên quét mã vạch (barcode). Về đo lường khối lượng, tác giả sử dụng nguyên lý cảm biến lực Loadcell dạng điện trở. Cảm biến hoạt động dựa trên mạch cầu điện trở Wheatstone gắn các cảm biến biến dạng (strain gauge). Khi có tải trọng tác động, thanh kim loại đàn hồi bị biến dạng làm thay đổi chiều dài $L$ và tiết diện $S$, dẫn đến sự biến thiên điện trở $R = \rho \frac{L}{S}$ và tạo ra tín hiệu điện áp vi sai tỷ lệ thuận với khối lượng vật thể.

Về cơ sở điều khiển tự động, đề tài phân tích kiến trúc phần cứng của bộ điều khiển logic khả trình (PLC) với các khối CPU, bộ nhớ RAM, ROM, EPROM, module vào/ra (I/O) và các chuẩn giao tiếp công nghiệp (RS232, RS485, Modbus RTU, Ethernet). Bên cạnh đó, hệ thống sử dụng lý thuyết khí nén với cơ cấu chấp hành là xy lanh khí nén tác động kép (gồm nòng barrel, piston rod, cổng cấp và xả khí) kết hợp van điện từ đảo chiều (loại 5/2 hoặc 5/3, cuộn coil 24 VDC) để điều hướng dòng khí nén đẩy sản phẩm vào các khay chứa.

Về thị giác máy tính, đồ án ứng dụng thư viện mã nguồn mở OpenCV với các giải thuật xử lý ảnh số gồm:

  • Chuyển đổi không gian màu: Chuyển đổi ảnh màu RGB sang ảnh mức xám (Grayscale) theo công thức chuyển đổi độ chói: $I(x, y) = 0.299 \times Red(x, y) + 0.587 \times Green(x, y) + 0.114 \times Blue(x, y)$.
  • Lọc nhiễu và tăng cường chất lượng ảnh: Áp dụng bộ lọc trung vị (Median filter) với cửa sổ quét kích thước $3 \times 3$ hoặc $5 \times 5$ để loại bỏ nhiễu muối tiêu mà không làm mờ biên, cùng bộ lọc trung bình (Mean filter) để làm mịn ảnh.
  • Phân ngưỡng ảnh: Áp dụng thuật toán phân ngưỡng toàn cục để tách đối tượng khỏi nền theo điều kiện giá trị pixel nhị phân: $I(x, y) = 1$ khi $f(x, y) \ge T$ và $I(x, y) = 0$ khi $f(x, y) < T$. Đồng thời, tài liệu nghiên cứu thuật toán phân ngưỡng thích nghi (Adaptive Thresholding) qua 5 bước lặp tính toán ngưỡng $T = \frac{\mu_1 + \mu_2}{2}$ nhằm thích ứng với sự thay đổi của điều kiện ánh sáng môi trường.

Phương pháp nghiên cứu thực tế được triển khai qua 5 bước:

  1. Phương pháp mô hình hóa: Xác định yêu cầu kỹ thuật, xây dựng sơ đồ bố trí cơ khí, sơ đồ nguyên lý hệ thống điện và lưu đồ thuật toán điều khiển.
  2. Phân tích và tổng hợp lý thuyết: Thu thập tài liệu chuyên ngành về thiết kế máy vận chuyển liên tục, lý thuyết điều khiển tự động và xử lý ảnh số.
  3. Tính toán và thiết kế kỹ thuật: Tính toán động lực học băng tải, sức căng kéo, kiểm tra độ bền, lựa chọn động cơ, tỷ số truyền hộp giảm tốc, tính toán bộ truyền đai răng và thiết bị điện đóng cắt theo tiêu chuẩn kỹ thuật.
  4. Chế tạo mô hình thực nghiệm: Lắp ráp phần cứng mô hình, lập trình điều khiển PLC, cài đặt chương trình xử lý ảnh trên máy tính nhúng và kết nối các cơ cấu khí nén.
  5. Tổng hợp và đánh giá: Tiến hành các thực nghiệm phân loại với các mẫu sản phẩm khác nhau ở các mức tốc độ để thu thập số liệu, đánh giá độ ổn định và sai số.

Thiết kế và triển khai hệ thống

Tính toán thiết kế cơ khí hệ thống băng tải công nghiệp

Hệ thống băng tải công nghiệp được tính toán dựa trên các thông số ban đầu: năng suất 600 sản phẩm/giờ, hệ số nạp liệu không đều 1,1, kích thước sản phẩm tối đa $500 \times 300 \times 200$ mm, đường chéo sản phẩm $L_{spm} = 583$ mm, khối lượng tối đa 10 kg, chiều dài băng 10 m. Chiều rộng băng tải tính toán $B = 700$ mm, tác giả chọn chiều rộng tiêu chuẩn $B = 800$ mm. Khoảng cách bước giữa các sản phẩm được chọn $L_{kc} = 800$ mm, khoảng cách tâm giữa hai sản phẩm liên tiếp $a = 1383$ mm. Số sản phẩm phân bố đồng thời trên băng chuyền tại một thời điểm là khoảng 7 sản phẩm.

Kết quả tính toán lực cản chuyển động và lực căng băng tại các điểm đặc trưng trên chu trình làm việc:

  • Lực căng tại điểm nhánh ra tang dẫn động: $S_1 \approx 52$ kg.
  • Lực căng tại điểm bắt đầu nhánh không tải: $S_2 \approx 55$ kg.
  • Lực căng tại điểm trước khi vào nhánh có tải: $S_3 \approx 59$ kg.
  • Lực căng lớn nhất tại nhánh có tải (vị trí tháo liệu): $S_4 = S_{max} \approx 105$ kg.
  • Kiểm tra độ bền: Băng tải cao su được chọn có 4 lớp vải đệm loại Б-820 (thay vì 5 lớp sơ bộ) theo tiêu chuẩn ГОСТ 20-54, đảm bảo điều kiện bền và độ võng cho phép ($f = 0,04 < 0,06$).

Hệ thống dẫn động sử dụng tang dẫn động đường kính $D_{tg} = 500$ mm, tốc độ quay làm việc khoảng 12 vòng/phút. Công suất thiết kế của bộ truyền là $N = 0,34$ kW, tác giả chọn động cơ điện không đồng bộ 3 pha loại A 041-6 có công suất định mức $N = 1$ kW, tốc độ quay 930 vòng/phút (thương phẩm tương đương là Parma Y3-90S-6). Hộp giảm tốc được chọn là loại trục vít PM-250 có tỷ số truyền $u_h = 20,49$ (sơ đồ II). Hệ thống sử dụng bộ truyền đai răng với các thông số kỹ thuật được tổng hợp trong bảng dưới đây:

Thông số bộ truyền đai răng Ký hiệu Giá trị tính toán Đơn vị
Modun ăn khớp $m$ 7 mm
Số răng bánh đai nhỏ $z_1$ 20 răng
Số răng bánh đai lớn $z_2$ 80 răng
Đường kính vòng chia bánh đai nhỏ $d_1$ 140 mm
Đường kính vòng chia bánh đai lớn $d_2$ 560 mm
Đường kính đỉnh răng bánh đai nhỏ $d_{a1}$ 138,4 mm
Đường kính đỉnh răng bánh đai lớn $d_{a2}$ 558,4 mm
Đường kính đáy răng bánh đai nhỏ $d_{f1}$ 125,8 mm
Đường kính đáy răng bánh đai lớn $d_{f2}$ 545,8 mm
Chiều cao răng $h$ 6,3 mm
Chiều rộng bản đai $B$ 70 mm
Khoảng cách trục $a$ 950 mm

Trạm kéo căng sử dụng cơ cấu căng vít ren hệ mét M20 chịu kéo. Lực kéo tính toán trên vít là $P = 112$ kg, ứng suất kéo sinh ra tại mặt cắt nguy hiểm của vít là $\sigma_k = 85\text{ kg/cm}^2$, thấp hơn nhiều so với ứng suất kéo cho phép của vật liệu thép. Chiều cao làm việc của đai ốc tính toán là $H = 7,5$ mm, chọn đai ốc tiêu chuẩn M20 có chiều cao 16 mm.

Thiết kế hệ thống điện và giải thuật điều khiển

Hệ thống điện được tính toán bảo vệ bằng thiết bị đóng cắt MCB 3 pha cho động cơ chính. Với công suất động cơ $1,1$ kW, dòng điện định mức tính toán $I_{dm} = 2,1$ A, tác giả chọn MCB bảo vệ có dòng tác động $I_{CB} = 4,2$ A. Thông số kỹ thuật của thiết bị đóng cắt được chọn thể hiện trong bảng sau:

Thuộc tính thiết bị Thông số kỹ thuật
Tên thiết bị / Thương hiệu Aptomat LS MCB 3P 6A
Mã sản phẩm BKN 3P 6A LS
Số cực 3P (3 Phase)
Kích thước khung vỏ 63AF
Dòng điện định mức ($I_n$) 6 A
Khả năng cắt dòng ngắn mạch 6 kA
Điện áp cách điện định mức 400 VAC (50/60 Hz)
Tiêu chuẩn áp dụng IEC 60898

Phương án điều khiển cơ cấu tay gạt phân loại công nghiệp sử dụng động cơ bước 3 pha mã hiệu 130BYG350D (mô-men xoắn 50 Nm, góc bước 1,2 độ, dòng định mức 8,5 A) được điều khiển qua Driver 3ND2283-600. Hệ thống thị giác công nghiệp được thiết kế với Camera công nghiệp Vtech (cảm biến Aptina MT9P031, CMOS rolling shutter, độ phân giải $1920 \times 1080$, tốc độ khung hình 30 fps, cổng kết nối USB 3.0) và bàn cân băng tải kiểm tra trọng lượng CW87 (dải đo $0,2 - 50$ kg, sai số từ $\pm 10$ g đến $\pm 30$ g).

Đối với mô hình thực nghiệm, phần cứng được tinh gọn để phù hợp quy mô nghiên cứu:

  • Băng tải: Băng tải PVC mini dẫn động bởi động cơ bước KH42JM-901.
  • Bộ điều khiển chính: PLC Mitsubishi FX3G-60MT/ES.
  • Cảm biến phát hiện vật thể: Cảm biến quang hồng ngoại E3F-DS30C4.
  • Cụm đo lường khối lượng: Cảm biến Loadcell tải trọng 5 kg.
  • Cụm thị giác: Module Camera Raspberry Pi kết nối board mạch nhúng Raspberry Pi để thực thi các thuật toán OpenCV.
  • Cơ cấu gạt sản phẩm: Xy lanh khí nén CDJ2D16X100-B điều khiển thông qua van điện từ CKD.

Giải thuật điều khiển được chia thành 4 lưu đồ xử lý:

  1. Lưu đồ đo khối lượng: Cảm biến Loadcell đọc tín hiệu liên tục, vi xử lý lọc giá trị ổn định khi sản phẩm dừng hoặc di chuyển qua bàn cân, so sánh với ngưỡng cài đặt và xuất tín hiệu cờ trạng thái (hợp lệ hoặc không hợp lệ).
  2. Lưu đồ xử lý ảnh: Camera kích hoạt chụp khi cảm biến phát hiện vật, chuyển đổi ảnh xám, áp dụng lọc trung vị, nhị phân hóa và nhận diện vùng màu sắc mục tiêu (đỏ, vàng, xanh dương, hoặc màu khác).
  3. Lưu đồ phân loại: Bộ điều khiển tiếp nhận kết quả phân tích đồng thời từ cụm cân và camera, xác định vị trí khay chứa tương ứng.
  4. Lưu đồ toàn hệ thống: Quản lý chu trình khởi động (Start), dừng (Stop), điều phối tốc độ băng tải, kích hoạt van điện từ tác động xy lanh gạt đúng thời điểm và cập nhật số lượng sản phẩm lên giao diện giám sát.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày lý do chọn đề tài xuất phát từ nhu cầu thực tiễn trong việc giảm thiểu sự can thiệp của con người và hạn chế sai sót trong khâu phân loại hàng hóa. Tác giả xác lập câu hỏi nghiên cứu, đưa ra 6 mục tiêu chính tập trung vào thuật toán nhận diện màu sắc, chương trình điều khiển, tính ổn định của mô hình, giao diện vận hành, năng suất (trên 10 sp/phút) và độ chính xác (trên 90%). Chương này cũng giới hạn phạm vi nghiên cứu ở kết cấu băng tải, cơ cấu phân loại khí nén và cụm xử lý ảnh, đồng thời phác thảo 5 phương pháp nghiên cứu và cấu trúc 5 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng lý thuyết toàn diện về các hệ thống phân loại sản phẩm tự động theo khối lượng, chiều cao và mã vạch. Phần cứng được làm rõ qua cấu trúc, nguyên lý quét vòng lặp của PLC, so sánh các dòng sản phẩm của Siemens và Mitsubishi; phân loại động cơ điện DC, AC; khảo sát các dòng cảm biến công nghiệp; cấu tạo và nguyên lý hoạt động của xy lanh khí nén (đơn và kép), van điện từ khí nén (các dạng 5/2, 5/3, van một chiều); các loại băng tải phổ biến (cao su, xích, con lăn, PVC). Đặc biệt, chương này trình bày chi tiết cấu tạo cầu Wheatstone của cảm biến Loadcell và cơ sở toán học của xử lý ảnh số qua OpenCV: công thức chuyển đổi RGB sang ảnh xám, thuật toán lọc trung vị, lọc trung bình và giải thuật phân ngưỡng nhị phân toàn cục cùng phân ngưỡng thích nghi.

Chương 3: Tính toán và thiết kế

Chương 3 là nội dung cốt lõi về thiết kế kỹ thuật. Tác giả tính toán toàn diện các thông số động học và động lực học của băng tải công nghiệp: bề rộng băng $B = 800$ mm, năng suất 600 sp/h, vận tốc làm việc, lực cản và sức căng băng tại 4 điểm nút ($S_{max} \approx 105$ kg), kiểm tra độ bền đệm vải cao su Б-820 và độ võng băng. Tiếp đó là tính toán hệ dẫn động: công suất $1$ kW, tỷ số truyền hộp giảm tốc PM-250 ($u_h = 20,49$), thiết kế chi tiết bộ truyền đai răng ($m = 7$ mm, $z_1 = 20$, $z_2 = 80$), trạm kéo căng vít ren M20. Về hệ thống điện, chương này tính chọn MCB LS BKN 3P 6A, động cơ bước 130BYG350D kèm driver, camera Vtech, cân CW87 và xây dựng 4 lưu đồ giải thuật điều khiển chi tiết cho hệ thống.

Chương 4: Thực nghiệm

Chương 4 trình bày việc hiện thực hóa mô hình thực nghiệm thu nhỏ để kiểm chứng thiết kế. Tác giả thuyết minh việc lựa chọn thiết bị cho mô hình gồm băng tải PVC mini, động cơ bước KH42JM-901, PLC Mitsubishi FX3G-60MT/ES, cảm biến hồng ngoại E3F-DS30C4, cảm biến Loadcell 5 kg, camera Raspberry Pi, xy lanh CDJ2D16X100-B và van điện từ CKD. Chương này ghi nhận toàn bộ quá trình chạy thử nghiệm, khảo sát độ chính xác của hệ thống qua 8 bảng số liệu thống kê: trường hợp khối lượng hợp lệ (Bảng 4.1 đến 4.4 cho các màu đỏ, vàng, xanh dương và màu khác) và trường hợp khối lượng không hợp lệ (Bảng 4.5 đến 4.8) ở các mức vận tốc khác nhau.

Chương 5: Kết luận

Chương 5 tổng kết toàn bộ các kết quả đạt được đối chiếu với mục tiêu ban đầu của đề tài. Tác giả khẳng định việc hoàn thành thiết kế cơ khí, xây dựng thành công giải thuật xử lý ảnh, lập trình PLC và vận hành ổn định mô hình thực nghiệm. Đồng thời, chương này chỉ ra các điểm còn hạn chế về khả năng phân loại đồng thời nhiều sản phẩm, tính thẩm mỹ của giao diện và đề xuất các định hướng nâng cấp trong tương lai.

Kết quả và đóng góp

Về kết quả kỹ thuật, đồ án đã hoàn thành các nội dung:

  • Hoàn thành bộ hồ sơ tính toán cơ khí hoàn chỉnh cho hệ thống băng tải công nghiệp tải trọng 10 kg, chiều dài 10 m, năng suất 600 sản phẩm/giờ, thỏa mãn đầy đủ các điều kiện bền kéo và độ võng theo tiêu chuẩn ГОСТ 20-54.
  • Chế tạo thành công mô hình thực nghiệm cơ điện tử tích hợp: băng tải PVC mini, cơ cấu gạt khí nén, PLC Mitsubishi FX3G-60MT/ES, vi xử lý Raspberry Pi, cảm biến Loadcell 5 kg và cảm biến hồng ngoại E3F-DS30C4.
  • Xây dựng giải thuật xử lý ảnh trên OpenCV kết nối với PLC, thực hiện phân loại thành công 3 nhóm màu sắc cơ bản (đỏ, vàng, xanh dương) và phát hiện các sản phẩm có màu sắc khác biệt hoặc khối lượng không hợp lệ.
  • Thực nghiệm kiểm chứng với 8 bảng khảo sát độc lập (Bảng 4.1 đến 4.8), xác nhận mô hình đạt chỉ tiêu năng suất thực tế trên 10 sản phẩm/phút và tỷ lệ nhận dạng, phân loại chính xác trên 90%.

Về giải pháp và đề xuất kỹ thuật, nhóm tác giả đưa ra giải pháp cấu trúc điều khiển phân tầng: máy tính nhúng chuyên trách nhiệm vụ thị giác máy tính và đo lường trọng lượng, sau đó truyền tín hiệu phân loại sang PLC công nghiệp để trực tiếp điều khiển các cơ cấu chấp hành khí nén. Giải pháp này giúp tối ưu hóa tài nguyên phần cứng, tận dụng tốc độ xử lý thuật toán của Raspberry Pi kết hợp với độ tin cậy, chống nhiễu cao của PLC trong môi trường công nghiệp. Bên cạnh đó, việc áp dụng bộ lọc trung vị và phân ngưỡng thích nghi giải quyết triệt để vấn đề nhiễu ảnh và biến đổi ánh sáng trong quá trình nhận dạng.

Về mặt đóng góp, đề tài cung cấp một tài liệu thiết kế cơ khí chi tiết từ lý thuyết đến thực hành, chứng minh tính khả thi của việc tích hợp công nghệ thị giác máy tính mã nguồn mở chi phí thấp với hệ thống điều khiển tự động hóa truyền thống bằng PLC để giải quyết bài toán phân loại sản phẩm đa tiêu chí.

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được nhóm tác giả tự đánh giá bao gồm:

  • Do điều kiện kinh phí nghiên cứu có hạn, đề tài chưa thể chế tạo một hệ thống băng tải công nghiệp kích thước thực tế (dài 10 m) theo đúng các thông số đã tính toán mà phải thay thế bằng mô hình thu nhỏ.
  • Mô hình thực nghiệm chưa có khả năng phân loại đồng thời nhiều sản phẩm cùng lúc khi sản phẩm di chuyển liên tục với mật độ dày trên băng chuyền.
  • Khả năng nhận diện của hệ thống còn đơn giản, mới chỉ phân loại theo màu sắc cơ bản và ngưỡng khối lượng đơn chiếc; chưa thể nhận diện đa dạng các hình dạng hình học phức tạp của sản phẩm.
  • Giao diện điều khiển và giám sát vận hành chưa đạt tính thẩm mỹ cao, chưa tích hợp hệ thống lưu trữ và quản lý cơ sở dữ liệu sản phẩm toàn diện.

Hướng phát triển tiếp theo được đề xuất:

  • Ứng dụng trí tuệ nhân tạo (AI) và mạng nơ-ron học sâu vào khâu xử lý ảnh để nhận diện sản phẩm có hình dạng phức tạp và nâng cao tính năng phát hiện sản phẩm lỗi, khuyết tật bề mặt.
  • Nâng cấp chương trình điều khiển PLC và thuật toán hàng đợi dữ liệu để phân loại đồng thời nhiều sản phẩm trên băng tải nhằm tăng năng suất vận hành.
  • Xây dựng hệ thống quản lý cơ sở dữ liệu (SCADA/Database) trực quan hóa thông tin chi tiết của từng sản phẩm, hỗ trợ thống kê, truy xuất và quản lý kho hàng tự động.
  • Phát triển tính năng tùy chỉnh linh hoạt các tiêu chí phân loại trực tiếp trên giao diện điều khiển mà không cần can thiệp nạp lại mã nguồn chương trình.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Cơ điện tử, Kỹ thuật Cơ khí Chế tạo máy, Tự động hóa và Kỹ thuật Điều khiển.

Các nội dung có giá trị tham khảo ứng dụng cao bao gồm:

  • Chương 3 cung cấp quy trình mẫu về tính toán động lực học băng tải công nghiệp: phương pháp xác định lực căng băng tại các điểm nút, kiểm tra độ bền đệm vải cao su theo tiêu chuẩn ГОСТ, tính toán bộ truyền đai răng công suất lớn và thiết kế trạm căng băng kiểu vít.
  • Chương 2 và Chương 4 cung cấp sơ đồ kết nối phần cứng và giải thuật phối hợp điều khiển giữa vi xử lý nhúng (Raspberry Pi/OpenCV) và PLC công nghiệp (Mitsubishi FX3G), hỗ trợ đắc lực cho những ai đang thực hiện các đồ án hoặc dự án nghiên cứu về ứng dụng thị giác máy tính trong tự động hóa nhà máy.

Câu hỏi thường gặp

1. Thông số kỹ thuật thiết kế ban đầu của hệ thống băng tải công nghiệp trong đồ án là gì?

Hệ thống băng tải công nghiệp được thiết kế với năng suất 600 sản phẩm/giờ, chiều dài băng 10 m, chiều rộng băng tiêu chuẩn 800 mm, phục vụ vận chuyển sản phẩm có kích thước tối đa $500 \times 300 \times 200$ mm và khối lượng tối đa 10 kg.

2. Vì sao nhóm tác giả không chế tạo băng tải 10m theo tính toán mà chuyển sang làm mô hình thu nhỏ?

Do điều kiện kinh phí không cho phép gia công và lắp ráp một hệ thống băng tải công nghiệp quy mô lớn theo các thông số tính toán, nhóm tác giả đã thiết kế và chế tạo một mô hình thực nghiệm thu nhỏ (dùng băng tải PVC mini và linh kiện tinh gọn) để kiểm chứng tính đúng đắn của giải thuật điều khiển và nguyên lý vận hành.

3. Những thuật toán xử lý ảnh nào được áp dụng để nhận dạng màu sắc sản phẩm?

Hệ thống sử dụng thư viện OpenCV để chuyển đổi không gian màu RGB sang ảnh xám (Grayscale), áp dụng bộ lọc trung vị (Median filter) cửa sổ $3 \times 3$ và bộ lọc trung bình để làm mịn và khử nhiễu muối tiêu, sau đó thực hiện phân ngưỡng nhị phân toàn cục và phân ngưỡng toàn cục thích nghi để tách vùng ảnh sản phẩm khỏi nền.

4. Các thiết bị điều khiển và chấp hành chính trên mô hình thực nghiệm gồm những gì?

Mô hình thực nghiệm sử dụng bộ điều khiển logic lập trình PLC Mitsubishi FX3G-60MT/ES, máy tính nhúng Raspberry Pi kèm Camera Raspberry Pi, cảm biến quang hồng ngoại E3F-DS30C4, cảm biến khối lượng Loadcell 5 kg, cơ cấu chấp hành khí nén gồm xy lanh SMC CDJ2D16X100-B và van điện từ đảo chiều CKD.

5. Năng suất và độ chính xác phân loại của mô hình thực nghiệm đạt mức nào?

Mô hình thực nghiệm đạt năng suất phân loại trên 10 sản phẩm/phút và độ chính xác phân loại tổng thể đạt trên 90%, thỏa mãn các chỉ tiêu kỹ thuật đã đặt ra trong nhiệm vụ đồ án.

Kết luận

Đồ án tốt nghiệp "Hệ thống phân loại sản phẩm theo màu sắc và khối lượng" đã giải quyết thành công bài toán tích hợp giữa kỹ thuật tính toán cơ khí chính xác và điều khiển tự động hóa hiện đại. Nhóm tác giả đã hoàn thành các bước tính toán động lực học cho hệ thống băng tải công nghiệp 10 m, đồng thời chế tạo mô hình thực nghiệm vận hành ổn định dựa trên sự phối hợp giữa PLC Mitsubishi FX3G-60MT/ES, máy tính nhúng Raspberry Pi và thư viện thị giác máy tính OpenCV. Kết quả kiểm nghiệm thực tế khẳng định hệ thống đạt năng suất trên 10 sản phẩm/phút với độ chính xác phân loại trên 90%. Đây là nền tảng kỹ thuật vững chắc để tiếp tục mở rộng nghiên cứu ứng dụng trí tuệ nhân tạo và hệ thống quản trị dữ liệu sản xuất trong tương lai.