Bối cảnh và vấn đề nghiên cứu

Trong tiến trình công nghiệp hóa và hiện đại hóa, sự gia tăng ô nhiễm môi trường kéo theo tỷ lệ mắc bệnh trong cộng đồng có xu hướng tăng, dẫn đến nhu cầu sản xuất và cung ứng các chế phẩm dược phẩm ngày một lớn. Để đáp ứng khối lượng tiêu thụ thuốc chữa bệnh, các dây chuyền sản xuất dược phẩm hiện nay buộc phải vận hành ở quy mô loạt lớn và hàng khối. Tuy nhiên, tại các doanh nghiệp có quy mô sản xuất vừa và nhỏ, các khâu kiểm tra chất lượng bề mặt, phân loại và đóng gói sản phẩm phần lớn vẫn phụ thuộc vào phương thức thủ công sử dụng sức lao động con người. Điều này dẫn đến năng suất lao động chưa cao, đồng thời khó tránh khỏi sai sót trong việc phát hiện các khuyết tật của sản phẩm trên dây chuyền.

Để giải quyết bài toán kiểm soát chất lượng và nâng cao năng suất đóng gói dược phẩm, đồ án tốt nghiệp ngành Cơ điện tử tại Trường Đại học Bách Khoa Hà Nội đặt ra các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu tổng quan và đề xuất mô hình hệ thống tự động hóa khâu phân loại và đóng gói viên thuốc vào lọ ứng dụng công nghệ thị giác máy tính.
  2. Tính toán, thiết kế kết cấu cơ khí cho các cụm chức năng: phễu cấp phôi rung động xoắn vít, hệ thống băng tải, cơ cấu loại bỏ sản phẩm khuyết tật bằng khí nén, cơ cấu cấp lọ và mâm xoay dập nắp lọ.
  3. Mô phỏng động lực học và động học chuyển động của phôi trên phễu rung bằng phần mềm MSC ADAMS kết hợp bản vẽ thiết kế trên CATIA.
  4. Xây dựng chương trình thị giác máy tính và học máy bằng ngôn ngữ Python để trích xuất đặc trưng và phân loại viên thuốc đạt chuẩn (Good) hoặc viên thuốc lỗi (No Good).
  5. Thiết kế hệ thống điều khiển tự động sử dụng bộ điều khiển lập trình PLC Siemens S7-1200, lập trình trên TIA Portal V15, thiết kế giao diện HMI và thiết lập kênh truyền thông hai chiều giữa Python và PLC qua thư viện Snap7.
  6. Chế tạo mô hình phần cứng thực nghiệm, tiến hành đấu nối, vận hành thử nghiệm và đánh giá các chỉ tiêu kỹ thuật: năng suất thiết kế đạt trên 1450 viên/giờ; năng suất cấp phôi công nghệ đạt 180 viên/phút; tỷ lệ phân loại chính xác đạt tối thiểu 80%; loại bỏ triệt để sản phẩm lỗi ra khỏi dây chuyền đóng lọ; đảm bảo tuổi thọ hệ thống cơ khí tối thiểu 2 năm.

Đối tượng nghiên cứu của đề tài là viên thuốc dạng nén hình trụ có thể tích danh định xấp xỉ $630\text{ mm}^3$, chiều dài $l = 0,02\text{ m}$ ($20\text{ mm}$), trọng tâm nằm trên trục đối xứng tại trung tâm của vật thể. Phạm vi nghiên cứu tập trung vào bài toán nhận dạng, phát hiện khuyết tật hình thái/bề mặt viên thuốc và quy trình đóng gói thứ cấp (secondary packaging - đóng viên thuốc đạt chuẩn vào lọ và ép dập nắp), được triển khai thực nghiệm trên mô hình quy mô phòng thí nghiệm tại Viện Cơ khí, Trường Đại học Bách Khoa Hà Nội.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng nghiên cứu dựa trên sự giao thoa giữa cơ học máy, thị giác máy tính, học máy và tự động hóa công nghiệp:

  • Cơ học dao động và cấp phôi rung động: Ứng dụng lý thuyết chuyển động tương đối của vật thể trên máng xoắn ốc dưới tác dụng của lực kích động điều hòa từ nam châm điện; phân tích điều kiện chuyển động trượt và chuyển động ném xiên của phôi dựa trên sự cân bằng giữa lực quán tính ($F_{qt}$), lực ma sát ($F_{ms}$) và các thành phần trọng lực theo phương pháp tuyến và tiếp tuyến; lý thuyết dao động cộng hưởng của hệ đàn hồi nhiều nhíp thép lá.
  • Thị giác máy tính và học máy (Machine Learning): Khung giải thuật xử lý ảnh số gồm ma trận lọc Gauss nhằm khử nhiễu ảnh; thuật toán Canny xác định biên dạng đối tượng qua đạo hàm gradient không gian, lọc triệt tiêu phi cực đại (Non-maximum suppression) và phân ngưỡng kép (Hysteresis thresholding); kỹ thuật trích chọn đặc trưng biểu đồ hướng gradient HOG (Histogram of Oriented Gradients); mô hình học máy phân loại Support Vector Machine (SVM) xác định siêu phẳng tối ưu để phân lớp dữ liệu nhị phân.
  • Điều khiển lập trình và truyền thông công nghiệp: Lý thuyết điều khiển logic khả trình trên PLC; giao thức truyền thông công nghiệp qua cổng Ethernet công nghiệp TCP/IP; giải pháp trao đổi dữ liệu trực tiếp giữa môi trường phần mềm Python trên máy tính và vùng nhớ dữ liệu (DB/Merker) của PLC Siemens S7-1200 thông qua thư viện giao tiếp mã nguồn mở Snap7.

Phương pháp nghiên cứu thực tế được triển khai bao gồm:

  • Phương pháp tính toán giải tích và thiết kế kết cấu cơ khí 3D trên phần mềm CATIA.
  • Phương pháp mô phỏng số học động lực học nhiều vật thể (Multi-body Dynamics) trên phần mềm MSC ADAMS nhằm kiểm chứng quy luật chuyển động và các thông số vận tốc, gia tốc của viên thuốc trên đường xoắn ốc phễu rung.
  • Phương pháp phát triển phần mềm và thực nghiệm nhận dạng hình ảnh: Xây dựng tập dữ liệu ảnh mẫu thực tế của viên thuốc (bao gồm mẫu đạt chuẩn và mẫu khuyết tật), tiền xử lý và trích xuất vector đặc trưng HOG, huấn luyện và kiểm thử mô hình SVM trong môi trường Python.
  • Phương pháp chế tạo, tích hợp phần cứng và đo kiểm thực nghiệm: Gia công lắp ráp hệ thống cơ khí, đấu nối tủ điện điều khiển, lập trình điều khiển tuần tự trên TIA Portal V15 và thực nghiệm liên động toàn hệ thống.

Nguồn dữ liệu phục vụ nghiên cứu là tập hình ảnh thực nghiệm thu nhận trực tiếp từ camera bố trí bên trong buồng chắn sáng chuyên dụng của hệ thống, bao gồm các ảnh chụp bề mặt viên thuốc lành lặn đạt yêu cầu và các mẫu viên thuốc xuất hiện khuyết tật về kích thước, sai lệch màu sắc hoặc nứt vỡ bề mặt.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo cấu trúc liên ngành Cơ điện tử hoàn chỉnh, kết hợp đồng bộ giữa 5 cụm cơ khí chức năng, buồng thu nhận thị giác máy tính, khối điều khiển trung tâm PLC và chương trình học máy trên máy tính:

[Phễu rung cấp phôi SUS304]

1. Cụm cấp phôi tự động kiểu rung máng xoắn (Bowl Feeder)

  • Kết cấu phễu: Chế tạo bằng thép không gỉ INOX SUS304, đường kính phễu $D = 460\text{ mm}$, chiều cao $H = 160\text{ mm}$, bước xoắn máng dẫn $t = 50\text{ mm}$, bề dày rãnh và vành $a = b = 2\text{ mm}$, góc nâng rãnh xoắn $\theta = 2^\circ$.
  • Cơ cấu định hướng phôi: Bố trí 2 kênh định hướng trên thành phễu. Kênh 1 sử dụng thanh gạt có khoảng cách $h < d < 2h$ nhằm gạt các viên thuốc xếp chồng hoặc dựng đứng về một lớp phẳng. Kênh 2 loại bỏ các viên thuốc nằm ngang và chỉ cho phép các viên thuốc có hướng nằm dọc theo thành phễu đi tiếp ra máng dẫn.
  • Nguồn rung và hệ đàn hồi: Phần rung bên trên có khối lượng $m_t = 11,584\text{ kg}$; phần đế dưới bằng gang có khối lượng $m_d = 69,504\text{ kg}$; khối lượng quy đổi của cơ hệ $m_{qd} = 10,36\text{ kg}$. Hệ thống sử dụng 3 nhíp thép lá ($E = 2 \times 10^5\text{ N/mm}^2$) đặt nghiêng góc $\alpha = 15^\circ$ so với phương thẳng đứng, làm việc ở trạng thái cộng hưởng với tần số dao động riêng $f_r = 55\text{ Hz}$ (tần số cưỡng bức có nắn dòng $f_{cb} = 50\text{ Hz}$).
  • Bộ kích rung điện từ: Nam châm điện sử dụng nguồn xoay chiều $220\text{V}$, tần số $50\text{ Hz}$, tiết diện lõi thép thật $S_t = 0,02\text{ m}^2$, cuộn dây gồm 50 vòng (đường kính dây đồng $d = 0,5\text{ mm}$), tạo ra lực kích rung tính toán $P = 6840\text{ N}$ (lực tác dụng phương đứng $Q_B = 26427\text{ N}$), biên độ dao động làm việc $A = 0,304\text{ mm}$. Hệ thống đặt trên các đệm giảm chấn cao su có tần số dao động riêng $f_{gc} = 35,36\text{ Hz}$ ($\omega_{gc} = 222,17\text{ rad/s}$).

2. Cụm băng tải vận chuyển và buồng kiểm tra thị giác

  • Dẫn động bằng động cơ điện một chiều giảm tốc TG-85B-SG có tỉ số truyền $1/15$, vận chuyển thuốc từ đầu ra phễu rung đến vùng kiểm tra.
  • Buồng chắn sáng chuyên dụng được gá cố định trên giá đỡ đầu hệ thống nhằm loại bỏ ánh sáng tự nhiên từ môi trường ngoài, bên trong bố trí đèn LED chiếu sáng công nghiệp và camera thu nhận hình ảnh độ phân giải cao hướng vuông góc xuống mặt băng tải.

3. Cụm phân loại và loại bỏ sản phẩm khuyết tật

  • Bố trí cảm biến quang điện Omron E3F-DS30B4 (cảm biến số 2) để phát hiện viên thuốc đi vào vị trí chụp ảnh.
  • Khi chương trình thị giác máy tính phát hiện sản phẩm lỗi (NG), tín hiệu điều khiển kích hoạt van điện từ đảo chiều $5/2$, cấp khí nén cho xy lanh tác động kép dòng SMC CXSJ đẩy sản phẩm lỗi rơi vào khay chứa phế phẩm.

4. Cụm cấp lọ, hứng thuốc và dập nắp

  • Băng tải cấp lọ rỗng dẫn động bởi động cơ DC giảm tốc TG-85B-SG tỉ số truyền $1/50$.
  • Cảm biến quang điện (cảm biến số 3) đếm số lượng viên thuốc đạt chuẩn (Good) rơi qua máng trượt vào lọ đặt trên mâm xoay.
  • Mâm xoay chia độ dẫn động xoay từng góc định sẵn để đưa lọ rỗng vào vị trí hứng thuốc; khi thuốc rơi đủ số lượng quy định, mâm xoay chuyển lọ chứa thuốc sang vị trí cơ cấu dập nắp và đồng thời đưa một lọ rỗng mới vào vị trí hứng.

5. Cấu trúc điều khiển và phần mềm

  • Phần cứng điều khiển: PLC Siemens S7-1200 CPU 1214C DC/DC/DC, rơ-le trung gian Omron MY2NJ, bộ nguồn tổ ong 24V DC.
  • Phần mềm điều khiển: Chương trình logic lập trình trên TIA Portal V15, giao diện giám sát HMI điều khiển các chế độ vận hành (Run/Stop/Manual/Auto).
  • Xử lý ảnh và truyền thông: Phần mềm viết bằng Python sử dụng ma trận lọc Gauss, thuật toán Canny, trích xuất đặc trưng HOG và mô hình phân loại SVM. Dữ liệu phân loại được truyền xuống PLC thông qua thư viện Snap7 qua cổng giao tiếp Ethernet RJ45.

Nội dung chính theo từng chương

Chương 1: Tổng quan về hệ thống phân loại và đóng gói sản phẩm ứng dụng xử lí ảnh

Chương này phân tích thực trạng sản xuất và sự cần thiết của việc tự động hóa khâu phân loại đóng gói trong ngành dược phẩm tại Việt Nam. Tác giả trình bày nguyên lý chung của hệ thống kiểm tra chất lượng bằng thị giác máy tính bao gồm 3 phân hệ: bộ phận thu thập và xử lý ảnh (camera, đèn chiếu sáng, buồng tối), bộ phận điều khiển giao tiếp người - máy (HMI, nút bấm) và hệ thống cơ khí chấp hành (băng tải, xy lanh đẩy). Quy trình đóng gói thuốc công nghiệp được phân định rõ thành hai bước: đóng thuốc vào lọ (secondary packaging) và đóng lọ vào thùng carton (final packaging). Chương 1 khẳng định việc ứng dụng học máy và xử lý ảnh giúp hệ thống linh hoạt khi thay đổi mẫu mã và kiểm tra được các biên dạng phức tạp mà cảm biến thông thường không thực hiện được.

Chương 2: Tính toán, thiết kế hệ thống cơ khí

Chương 2 trình bày toàn bộ quá trình tính toán giải tích và thiết kế kết cấu cơ khí 3D cho 5 cụm chi tiết. Tác giả phân tích chi tiết cơ cấu cấp phôi rung động xoắn vít cho viên thuốc nén ($V_p = 630\text{ mm}^3$), thiết lập bất phương trình chuyển động trượt của phôi trên máng xoắn theo góc nâng rãnh $\theta = 2^\circ$ và góc tác dụng lực $\psi = 20^\circ$. Đưa ra các công thức xác định kích thước phễu bằng inox SUS304 ($D = 460\text{ mm}$, $H = 160\text{ mm}$, $t = 50\text{ mm}$), tính toán hệ thống 3 lò xo lá nghiêng $\alpha = 15^\circ$, tính toán lực nam châm điện ($P = 6840\text{ N}$, $Q_B = 26427\text{ N}$) và giảm chấn cao su ($f_{gc} = 35,36\text{ Hz}$). Chương này cũng trình bày các bước mô phỏng hình học và động học của phễu rung trên phần mềm MSC ADAMS thông qua việc gán vật liệu, thiết lập liên kết ngàm cứng (Fixed Joint), tiếp xúc ma sát Coulomb (Create Contact) và khớp trụ (Cylindrical Joint) với hai hàm dao động điều hòa theo phương tịnh tiến và phương quay. Đồng thời, chương 2 hoàn thiện tính chọn động cơ băng tải TG-85B-SG, xy lanh khí nén SMC CXSJ và cơ cấu đóng nắp.

Chương 3: Hệ thống điện, điều khiển

Chương 3 trình bày cấu hình phần cứng tủ điện điều khiển và giải thuật tự động hóa. Tác giả liệt kê chi tiết các thiết bị: PLC Siemens S7-1200 CPU 1214C DC/DC/DC, cảm biến quang điện Omron E3F-DS30B4, rơ-le Omron MY2NJ, van đảo chiều 5/2, nguồn 24V DC và hệ thống chiếu sáng buồng tối. Xây dựng lưu đồ thuật toán điều khiển tổng thể của dây chuyền, thiết lập bảng phân bổ địa chỉ đầu vào (Input Tags) và đầu ra (Output Tags) trên phần mềm TIA Portal V15. Thiết kế giao diện giám sát HMI cho phép người vận hành theo dõi trạng thái hệ thống. Thiết lập giải pháp truyền thông giữa chương trình phân loại viết bằng Python và PLC S7-1200 thông qua thư viện kết nối Snap7 trên nền tảng mạng Ethernet công nghiệp.

Chương 4: Chương trình phân loại thuốc ứng dụng xử lý ảnh và công nghệ học máy

Chương 4 tập trung vào quy trình xây dựng thuật toán thị giác máy tính và trí tuệ nhân tạo. Tác giả trình bày cơ sở toán học của bộ lọc không gian Gauss nhằm loại bỏ nhiễu điểm ảnh, giải thuật Canny nhằm phát hiện biên sắc nét dựa trên tính đạo hàm theo trục $x, y$, triệt tiêu phi cực đại và phân ngưỡng kép. Triển khai thuật toán trích chọn đặc trưng HOG thông qua việc chia ảnh thành các ô cell (ví dụ kích thước chuẩn $64 \times 128$), tính toán độ lớn và hướng gradient, bỏ phiếu biểu đồ gradient cho từng khối block và chuẩn hóa vector đặc trưng. Ứng dụng mô hình phân loại Support Vector Machine (SVM) để huấn luyện tập dữ liệu viên thuốc đạt (Good) và viên thuốc lỗi (No Good), thiết lập siêu phẳng phân tách trong không gian đặc trưng nhằm đưa ra quyết định phân loại cho từng khung hình camera gửi về.

Chương 5: Xây dựng mô hình hệ thống và thực nghiệm

Chương 5 mô tả quá trình chế tạo mô hình vật lý hoàn chỉnh, lắp ráp tủ điện điều khiển và tiến hành thử nghiệm các kịch bản vận hành thực tế. Trình bày chu trình làm việc từng bước: viên thuốc di chuyển trên băng tải -> kích hoạt cảm biến số 2 -> dừng tại vị trí buồng tối để camera chụp ảnh -> chương trình Python nhận diện phân loại qua SVM -> truyền tín hiệu qua Snap7 tới PLC -> nếu là thuốc lỗi, xy lanh khí nén tác động đẩy thuốc vào khay phế phẩm; nếu là thuốc đạt, thuốc đi qua cảm biến số 3 rơi vào lọ trên mâm xoay -> mâm xoay quay chuyển lọ đủ số lượng sang cụm dập nắp. Tác giả tổng hợp các kết quả thực nghiệm đạt được và phân tích các sai số vận hành của mô hình.

Chương 6: Kết luận

Chương 6 tổng kết các kết quả chính đã thực hiện được của đồ án tốt nghiệp, khẳng định mô hình đã giải quyết được các yêu cầu đặt ra về tính toán cơ khí, lập trình điều khiển tự động và nhận diện sản phẩm bằng học máy. Đánh giá tính khả quan của mô hình và chỉ ra các hạn chế thực tế cùng các hướng phát triển kỹ thuật cho hệ thống trong tương lai.

Kết quả và đóng góp

Hạng mục / Thông số Giá trị thiết kế / Lựa chọn kỹ thuật trong đồ án
Năng suất thiết kế hệ thống 1450 viên/giờ
Năng suất cấp phôi công nghệ 180 viên/phút
Yêu cầu độ chính xác phân loại $\ge 80%$ viên thuốc; không để sản phẩm lỗi vào lọ
Vật liệu và kích thước phễu rung Inox SUS304; Đường kính $D = 460\text{ mm}$, Chiều cao $H = 160\text{ mm}$, Bước xoắn $t = 50\text{ mm}$
Góc nâng rãnh xoắn phễu $\theta = 2^\circ$
Khối lượng cơ hệ phễu rung Phần rung $m_t = 11,584\text{ kg}$; Đế gang $m_d = 69,504\text{ kg}$; Khối lượng quy đổi $m_{qd} = 10,36\text{ kg}$
Hệ thống lò xo lá (nhíp) 3 nhíp thép đặt nghiêng $\alpha = 15^\circ$; Tần số dao động riêng $f_r = 55\text{ Hz}$
Nam châm điện kích rung Nguồn xoay chiều $220\text{V}/50\text{ Hz}$; Cuộn dây 50 vòng ($d = 0,5\text{ mm}$); Lực kích rung $P = 6840\text{ N}$
Động cơ dẫn động băng tải Động cơ DC giảm tốc TG-85B-SG (tỉ số truyền $1/15$ và $1/50$)
Bộ điều khiển khả trình (PLC) Siemens S7-1200 CPU 1214C DC/DC/DC (lập trình TIA Portal V15)
Cảm biến & Khí nén Cảm biến quang Omron E3F-DS30B4; Van 5/2; Xy lanh SMC dòng CXSJ; Rơ-le Omron MY2NJ
Giải thuật xử lý ảnh & Học máy Lọc Gauss + Canny Edge Detection + Trích xuất đặc trưng HOG + Phân loại Support Vector Machine (SVM)
Thư viện truyền thông Snap7 (kết nối Python với PLC S7-1200 qua Ethernet)

Các kết quả và đóng góp chính mà nhóm tác giả đã hoàn thành bao gồm:

  • Tính toán lý thuyết hoàn chỉnh và thiết kế chi tiết kết cấu cơ khí cho hệ thống cấp phôi rung động xoắn vít và dây chuyền phân loại, đóng lọ thuốc.
  • Ứng dụng thành công phần mềm MSC ADAMS để mô phỏng động lực học quá trình vận chuyển phôi trên phễu rung.
  • Tích hợp thành công thuật toán học máy phân loại Support Vector Machine (SVM) kết hợp đặc trưng HOG vào bài toán thị giác máy tính nhận diện khuyết tật viên thuốc.
  • Thiết lập thành công kênh truyền thông điều khiển dữ liệu thời gian thực giữa ngôn ngữ Python trên máy tính và PLC Siemens S7-1200 qua giao thức Ethernet sử dụng thư viện Snap7.
  • Chế tạo mô hình thực nghiệm hoàn chỉnh, chứng minh tính khả thi của giải pháp tự động hóa liên ngành Cơ - Điện - Trí tuệ nhân tạo phục vụ sản xuất quy mô vừa và nhỏ.

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được văn bản đồ án chỉ ra:

  • Khâu cấp phôi tự động bằng phễu rung đôi lúc hoạt động chưa thật sự ổn định, trong quá trình thực nghiệm vẫn phải can thiệp cấp thuốc bằng tay lên băng tải.
  • Độ chính xác và độ tin cậy trong các công đoạn định vị đóng lọ và cấp nắp tự động còn chưa cao do sai số gia công cơ khí và hạn chế của các cơ cấu chấp hành trên mô hình thử nghiệm.
  • Một số thiết bị phần cứng được sử dụng trên mô hình thực nghiệm chưa phải là dòng thiết bị công nghiệp tiêu chuẩn cao, làm ảnh hưởng đến độ ổn định chung của toàn hệ thống.

Hướng phát triển tiếp theo được tác giả đề xuất:

  • Thay thế và nâng cấp các cụm thiết bị cơ khí, cảm biến và cơ cấu chấp hành bằng các linh kiện công nghiệp có chất lượng và độ chính xác cao hơn nhằm nâng cao năng suất và độ tin cậy vận hành.
  • Tối ưu hóa kết cấu cơ khí của cụm cấp nắp tự động và hoàn thiện biên dạng các kênh định hướng phôi trên phễu rung xoắn vít.
  • Nâng cấp phần cứng máy tính xử lý và tối ưu hóa giải thuật thị giác máy tính để giảm thời gian xử lý khung hình, đáp ứng tốc độ phân loại cao hơn.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành Kỹ thuật Cơ điện tử, Kỹ thuật Cơ khí, Tự động hóa và Công nghệ Thông tin (định hướng Thị giác máy tính công nghiệp). Các nội dung có giá trị tham khảo kỹ thuật nổi bật gồm:

  • Quy trình tính toán giải tích chi tiết hệ thống cấp phôi rung động xoắn vít (tính toán hệ nhíp lò xo lá, thông số nam châm điện, đệm giảm chấn và điều kiện trượt của phôi trên rãnh nghiêng) và phương pháp mô phỏng động lực học cơ hệ trên phần mềm MSC ADAMS.
  • Kiến trúc giải pháp kết nối, trao đổi dữ liệu hai chiều giữa chương trình thị giác máy tính viết bằng Python với bộ điều khiển PLC Siemens S7-1200 thông qua thư viện Snap7 trên nền Ethernet.
  • Phương pháp luận áp dụng chuỗi xử lý ảnh số (Gauss, Canny, HOG) kết hợp bộ phân loại học máy SVM vào bài toán phát hiện khuyết tật sản phẩm thực tế trong dây chuyền sản xuất tự động.

Câu hỏi thường gặp

1. Đồ án sử dụng giải thuật xử lý ảnh và mô hình học máy nào để nhận diện viên thuốc lỗi? Đồ án sử dụng bộ lọc Gauss để làm mịn và giảm nhiễu ảnh, thuật toán Canny để trích xuất biên dạng hình học, thuật toán HOG (Histogram of Oriented Gradients) để trích chọn vector đặc trưng phân bố gradient của điểm ảnh và sử dụng bộ phân loại Support Vector Machine (SVM) để phân lớp sản phẩm thành hai nhóm: thuốc đạt chuẩn (Good) và thuốc lỗi khuyết tật (No Good).

2. Chương trình Python trên máy tính giao tiếp với PLC Siemens S7-1200 bằng phương thức nào? Chương trình Python giao tiếp với PLC Siemens S7-1200 thông qua cổng mạng Ethernet công nghiệp sử dụng thư viện mã nguồn mở Snap7. Thư viện này cho phép chương trình đọc và ghi trực tiếp các bit/byte trạng thái phân loại sản phẩm vào các khối dữ liệu (DB) hoặc vùng nhớ cờ (Merker) của PLC trong thời gian thực.

3. Các thông số kỹ thuật chính của phễu rung cấp phôi xoắn vít trong đồ án là bao nhiêu? Phễu rung được làm bằng inox SUS304 có đường kính ngoài $D = 460\text{ mm}$, chiều cao $H = 160\text{ mm}$, bước xoắn $t = 50\text{ mm}$, góc nâng rãnh xoắn $\theta = 2^\circ$. Hệ thống sử dụng 3 nhíp thép lá đặt nghiêng góc $\alpha = 15^\circ$, đế gang nặng $69,504\text{ kg}$, nam châm điện $50\text{ Hz}$ tạo lực kích rung $P = 6840\text{ N}$ với biên độ dao động $A = 0,304\text{ mm}$.

4. Phễu rung định hướng trạng thái viên thuốc trước khi đưa vào băng tải bằng cách nào? Phễu rung sử dụng 2 kênh dẫn hướng tích hợp trên thành máng xoắn: Kênh 1 sử dụng thanh gạt có khe hở $h < d < 2h$ để gạt các viên thuốc xếp chồng hoặc đứng thẳng về một lớp phẳng nằm ngang/dọc; Kênh 2 tiếp tục loại bỏ các viên thuốc nằm ngang rơi trở lại đáy phễu và chỉ giữ lại các viên thuốc nằm dọc theo thành phễu đi ra đầu cấp.

5. Cơ cấu chấp hành thực hiện loại bỏ viên thuốc lỗi và cấp thuốc vào lọ như thế nào? Khi cảm biến số 2 phát hiện thuốc vào buồng tối, camera chụp ảnh và máy tính phân loại; nếu là thuốc lỗi (NG), PLC kích hoạt van điện từ $5/2$ điều khiển xy lanh khí nén SMC CXSJ đẩy viên thuốc lỗi vào khay phế phẩm. Nếu là thuốc đạt (G), thuốc đi tiếp qua cảm biến số 3 đếm số lượng rơi vào lọ rỗng trên mâm xoay; khi đủ số lượng, mâm xoay kích hoạt chuyển lọ sang cơ cấu dập nắp.

Kết luận

Đồ án tốt nghiệp "Thiết kế hệ thống phân loại và đóng lọ thuốc sử dụng học máy" của nhóm tác giả tại Trường Đại học Bách Khoa Hà Nội đã giải quyết trọn vẹn các yêu cầu kỹ thuật từ tính toán, thiết kế cơ khí, mô phỏng động lực học đến lập trình điều khiển PLC và ứng dụng thị giác máy tính thông minh. Công trình khẳng định tính khả thi của giải pháp kết hợp thuật toán phân loại học máy HOG - SVM với hệ thống tự động hóa công nghiệp nhằm kiểm soát chất lượng đóng gói dược phẩm. Mặc dù mô hình thực nghiệm còn một số hạn chế về độ ổn định cấp phôi và cơ cấu cấp nắp, đề tài mang lại giá trị tham khảo chuyên môn cao cho việc nghiên cứu và phát triển các hệ thống cơ điện tử phân loại tự động trong thực tiễn.