Giới thiệu dự án
Trong ngành công nghiệp sản xuất dược phẩm hiện đại, công đoạn đóng gói thứ cấp (secondary packaging) và kiểm soát chất lượng bề mặt viên thuốc đóng vai trò sống còn đối với tiêu chuẩn an toàn y tế và uy tín của nhà sản xuất. Theo các báo cáo thống kê công nghiệp dược phẩm, tỷ lệ phế phẩm trong quá trình dập viên và bao phim dao động từ 1.5% đến 3.8% do các lỗi nứt vỡ, mẻ cạnh, biến màu hoặc sai lệch kích thước hình học. Tại phần lớn các doanh nghiệp sản xuất dược quy mô vừa và nhỏ (SMEs), khâu kiểm tra và đóng lọ vẫn phụ thuộc nhiều vào nhân công thủ công với nhược điểm lớn: sai sót do mỏi mắt (human fatigue error lên tới 12 - 18%), năng suất giới hạn (< 500 viên/phút/người) và nguy cơ nhiễm chéo vi sinh vật không đáp ứng nghiêm ngặt tiêu chuẩn GMP-WHO.
+-----------------------------------------------------------------------+
| VẤN ĐỀ CỐT LÕI |
| - Lỗi nứt mẻ, biến dạng viên thuốc khó phát hiện bằng mắt thường |
| - Kiểm tra thủ công gây mệt mỏi, sai sót cao, vi phạm vô trùng GMP |
| - Hệ thống ngoại nhập (Keyence, Cognex) chi phí quá đắt (> $30,000) |
+-----------------------------------------------------------------------+
│
▼
+-----------------------------------------------------------------------+
| GIẢI PHÁP ĐỀ XUẤT |
| Dây chuyền Cơ điện tử tích hợp: |
| Phễu rung xoắn vít SUS304 + Machine Vision (HOG-SVM) + PLC S7-1200 |
+-----------------------------------------------------------------------+
Vấn đề đặt ra cho đề tài là: Làm thế nào để thiết kế một hệ thống tự động hóa hoàn chỉnh, kết hợp hài hòa giữa cơ cấu cấp phôi rung động định hướng, công nghệ thị giác máy tính (Machine Vision) ứng dụng học máy (Machine Learning) và bộ điều khiển logic lập trình được (PLC) với giá thành tối ưu nhưng vẫn đảm bảo độ tin cậy công nghiệp?
Dự án "Thiết kế hệ thống phân loại và đóng lọ thuốc sử dụng học máy" do nhóm sinh viên Cơ điện tử - Viện Cơ khí, Trường Đại học Bách Khoa Hà Nội thực hiện, tập trung giải quyết trọn vẹn chuỗi bài toán trên thông qua 5 mục tiêu cụ thể:
- Tính toán và chế tạo hệ thống cấp phôi rung máng xoắn ốc: Định hướng viên thuốc đơn lẻ tự động từ phễu nạp liệu với năng suất thiết kế $\ge 1450\text{ viên/giờ}$.
- Thiết kế buồng chụp ảnh và hệ thống chiếu sáng chuyên dụng: Khử nhiễu quang học môi trường, thu nhận ảnh độ phân giải cao của viên thuốc trên băng tải vận chuyển.
- Phát triển thuật toán xử lý ảnh và phân loại khuyết tật: Ứng dụng trích xuất đặc trưng HOG (Histogram of Oriented Gradients) kết hợp bộ phân lớp học máy SVM (Support Vector Machine) để phân tách chính xác thuốc đạt chuẩn (Good - G) và thuốc lỗi (No Good - NG).
- Tích hợp truyền thông công nghiệp thời gian thực: Xây dựng cầu nối truyền thông hai chiều giữa phần mềm máy tính (Python) và PLC Siemens S7-1200 qua thư viện Snap7 giao thức Ethernet TCP/IP.
- Điều khiển đồng bộ cơ cấu chấp hành: Kích hoạt xy lanh khí nén loại bỏ sản phẩm lỗi NG, điều khiển băng tải cấp lọ, mâm xoay chia độ và cụm dập nắp lọ tự động.
Hệ thống được thiết kế hướng tới phạm vi ứng dụng cho các dây chuyền đóng gói thuốc viên nén hình trụ/oval tiêu chuẩn trong lọ nhựa dược phẩm, hoạt động trong môi trường nhà xưởng công nghiệp có kiểm soát ánh sáng và nguồn khí nén tiêu chuẩn (4 - 6 bar).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trước khi xây dựng hệ thống, nhóm nghiên cứu đã tiến hành đánh giá chi tiết các giải pháp phân loại và đóng chai hiện có trên thị trường:
| Phương pháp |
Ưu điểm |
Nhược điểm |
Chi phí & Khả năng ứng dụng |
| Kiểm tra thủ công bằng mắt |
• Không yêu cầu vốn đầu tư ban đầu cao
• Dễ chuyển đổi giữa các loại thuốc |
• Năng suất thấp (< 600 viên/h)
• Tỷ lệ bỏ sót lỗi cao (15 - 20%)
• Rủi ro nhiễm khuẩn cao |
• Chi phí nhân công định kỳ cao
• Không phù hợp tiêu chuẩn GMP-WHO |
| Cảm biến quang học truyền thống |
• Tốc độ phản hồi cực nhanh (< 5ms)
• Cấu hình PLC đơn giản |
• Chỉ kiểm tra được sự hiện diện hoặc kích thước ngoài cơ bản
• Không nhận diện được nứt, mẻ, biến màu |
• Chi phí trung bình
• Không đáp ứng yêu cầu phân loại khuyết tật bề mặt |
| Thị giác máy AI cao cấp (Keyence/Cognex) |
• Tốc độ xử lý siêu cao (> 5000 viên/h)
• Độ chính xác > 99.8% |
• Chi phí đầu tư phần cứng cực kỳ đắt đỏ ($25,000 - $60,000)
• Phần mềm đóng kín, khó tùy biến sâu |
• Phù hợp các tập đoàn đa quốc gia
• Vượt quá ngân sách của doanh nghiệp vừa và nhỏ |
| Hệ thống đề xuất (HOG-SVM + S7-1200) |
• Chi phí thấp ($1,500 - $2,500)
• Độ chính xác $\ge 80%$ (thực nghiệm đạt $88.5%$)
• Mã nguồn mở, dễ dàng nâng cấp |
• Cần cân chỉnh chiếu sáng chuẩn
• Năng suất ở mức trung bình (1450 viên/h) |
• Cực kỳ tối ưu cho các xưởng sản xuất vừa và nhỏ, phòng lab nghiên cứu |
Phân tích yêu cầu hệ thống theo mô hình MoSCoW:
- Must have (Bắt buộc): Cơ cấu phễu rung cấp phôi từng viên; buồng tối chiếu sáng đồng đều; thuật toán phát hiện nứt/mẻ; loại bỏ phôi NG bằng xy lanh khí nén; điều khiển bằng PLC S7-1200.
- Should have (Nên có): Giao diện HMI giám sát trạng thái số lượng phôi G/NG; module truyền thông Snap7 không làm trễ chu kỳ quét PLC; mâm xoay cấp lọ tự động.
- Could have (Có thể có): Cơ cấu tự động dập nắp lọ khi đủ số lượng thuốc quy định; lưu trữ lịch sử kiểm tra vào cơ sở dữ liệu.
- Won't have (Chưa thực hiện): Khâu đóng thùng carton tự động và dán nhãn thông minh (dành cho phiên bản mở rộng).
Thiết kế hệ thống
Kiến trúc tổng thể của hệ thống được tổ chức thành 3 tầng: Tầng vật lý & chấp hành (Mechanics & Actuators), Tầng điều khiển thời gian thực (PLC Control Layer), và Tầng xử lý thị giác thông minh (Machine Vision & AI Processing Layer).
graph TD
subgraph "Tầng Xử Lý Trí Tuệ Nhân Tạo (PC Engine)"
CAM[Camera Công Nghiệp USB/GigE] -->|Frame Capture| PRE[Tiền Xử Lý: Gauss Blur & Canny]
PRE -->|ROI & Contours| HOG[Trích Xuất Đặc Trưng HOG]
HOG -->|Feature Vector| SVM[Mô Hình Phân Lớp SVM]
SVM -->|Quyết Định: G / NG| SNAP7[Module Giao Tiếp Snap7]
end
subgraph "Tầng Điều Khiển Công Nghiệp (PLC S7-1200)"
SNAP7 -->|Ethernet TCP/IP DB1| CPU[PLC S7-1200 CPU 1214C]
SENSOR[Cảm Biến Omron E3F-DS30B4] -->|Tín Hiệu Digital In| CPU
CPU -->|HMI Status| SCREEN[Màn Hình HMI KTP700 / Weintek]
end
subgraph "Tầng Chấp Hành & Cơ Khí (Actuators & Mechanics)"
CPU -->|Digital Out Q0.0| VIB[Phễu Rung Cấp Phôi SUS304]
CPU -->|Digital Out Q0.1| CONV1[Động Cơ Băng Tải Thuốc]
CPU -->|Digital Out Q0.2| VALV1[Van Khí Nén 5/2 - Xy Lanh Loại NG]
CPU -->|Digital Out Q0.3| CONV2[Động Cơ Băng Tải Lọ]
CPU -->|Digital Out Q0.4| ROT[Mâm Xoay Chia Độ]
CPU -->|Digital Out Q0.5| CAP[Cơ Cấu Dập Nắp Lọ]
end
Danh mục công nghệ và phiên bản phần mềm (Technology Stack)
- Thiết kế & Mô phỏng Cơ khí: CATIA V5-6R2017 (Dựng 3D, xuất bản vẽ A0), MSC ADAMS 2019 (Mô phỏng động lực học phôi trên máng xoắn).
- Môi trường Lập trình PLC: TIA Portal V15 (Siemens SIMATIC Step 7 Professional).
- Bộ điều khiển trung tâm: PLC Siemens S7-1200 CPU 1214C DC/DC/DC (Mã đặt hàng: 6ES7214-1AG40-0XB0).
- Môi trường Xử lý ảnh & AI: Python 3.7.6 x64, OpenCV 4.2.0, Scikit-learn 0.23.1, NumPy 1.18.5.
- Thư viện Truyền thông Công nghiệp:
python-snap7 v0.11 (giao tiếp S7 Communication qua cổng TCP Port 102).
- Phần cứng Điện khí nén: Cảm biến quang tán xạ Omron E3F-DS30B4 (NPN NO), Relay trung gian Omron MY2NJ 24VDC, Van đảo chiều khí nén 5/2 Airtac, Xy lanh dẫn hướng 2 ty SMC/CXSJ series.
Bảng ánh xạ tín hiệu I/O và Data Block truyền thông
| Địa chỉ PLC |
Ký hiệu Tag |
Loại tín hiệu |
Thiết bị kết nối |
Mô tả chức năng |
I0.0 |
SS_Start |
Digital In |
Nút nhấn nhả xanh |
Khởi động toàn hệ thống |
I0.1 |
SS_Stop |
Digital In |
Nút nhấn nhả đỏ |
Dừng hệ thống |
I0.2 |
Sensor_Cam |
Digital In |
Omron E3F-DS30B4 |
Phát hiện thuốc vào vị trí chụp ảnh |
I0.3 |
Sensor_NG |
Digital In |
Omron E3F-DS30B4 |
Phát hiện thuốc tới vị trí xy lanh đẩy |
I0.4 |
Sensor_Bottle |
Digital In |
Omron E3F-DS30B4 |
Phát hiện lọ tại vị trí hứng thuốc |
Q0.0 |
Motor_Conv1 |
Digital Out |
Động cơ DC giảm tốc |
Kích chạy băng tải phân loại thuốc |
Q0.1 |
Coil_VibFeeder |
Digital Out |
SSR / Relay từ |
Bật nguồn phễu rung cấp thuốc |
Q0.2 |
Cylinder_Reject |
Digital Out |
Cuộn coil van 5/2 |
Kích xy lanh đẩy thuốc lỗi vào khay NG |
Q0.3 |
Motor_Rotary |
Digital Out |
Động cơ bước/DC |
Quay mâm xoay đưa lọ vào vị trí |
DB1.DBX0.0 |
PC_Ready |
Snap7 Bool |
Python Client |
Báo phần mềm xử lý ảnh sẵn sàng |
DB1.DBX0.1 |
Result_NG |
Snap7 Bool |
Python Client |
Bit cờ báo kết quả kiểm tra là sản phẩm lỗi |
Methodology
Dự án áp dụng mô hình phát triển V-Model kết hợp nguyên lý kỹ thuật hệ thống Cơ điện tử (Mechatronics Concurrent Engineering), chia thành 5 giai đoạn liên tục trong 5 tháng (02/2020 – 06/2020):
+─────────────────+ +─────────────────+ +─────────────────+
| GIAI ĐOẠN 1 | ───> | GIAI ĐOẠN 2 | ───> | GIAI ĐOẠN 3 |
| Nghiên cứu & | | Thiết kế 3D | | Thu thập dữ liệu|
| Tính toán lý | | CATIA, Mô phỏng | | Huấn luyện |
| thuyết phễu rung| | MSC ADAMS | | HOG-SVM (Python)|
+─────────────────+ +─────────────────+ +─────────────────+
│
▼
+─────────────────+ +─────────────────+ +─────────────────+
| GIAI ĐOẠN 5 | <─── | GIAI ĐOẠN 4 | <─── | Tích Hợp |
| Thử nghiệm | | Ghép nối Snap7 | | Lắp ráp mô hình |
| Tinh chỉnh & | | Lập trình PLC | | Tủ điện, buồng |
| Đánh giá chỉ số | | TIA Portal V15 | | chụp ảnh, cơ khí|
+─────────────────+ +─────────────────+ +─────────────────+
Đánh giá rủi ro và giải pháp khắc phục:
- Rủi ro kẹt phôi tại phễu rung: Lắp đặt khe hở định hướng 2 cấp ($h < d < 2h$) và gờ tách phôi nằm ngang.
- Rủi ro rung động làm mờ ảnh chụp: Tách rời khung gá camera độc lập với khung phễu rung, dùng buồng tối gắn đèn LED vòng siêu sáng.
- Rủi ro trễ truyền thông Python - PLC: Sử dụng cơ chế kết nối thường trực (Persistent Client Session) qua Snap7, tránh mở đóng socket liên tục.
Implementation và kết quả
Development process
1. Tính toán động lực học và chế tạo phễu rung máng xoắn (Bowl Feeder)
Phễu rung được chế tạo từ Inox SUS304, dập rãnh xoắn ốc bên trong để cấp phôi dạng viên nén ($l = 20\text{ mm}$, thể tích $V_p \approx 630\text{ mm}^3$).
- Đường kính phễu: $D = 460\text{ mm}$, chiều cao $H = 160\text{ mm}$, bước xoắn rãnh $t = 50\text{ mm}$.
- Góc nâng máng xoắn: $\theta = 2^\circ$, góc nghiêng chân nhíp $\alpha = 15^\circ$.
- Hệ thống nhíp đàn hồi: Gồm $n = 3$ nhíp thép lá đàn hồi ($E = 2 \times 10^5\text{ N/mm}^2$), độ cứng $c = 418\text{ N/mm}$.
- Nguồn rung điện từ: Nam châm điện tần số nắn dòng $f = 50\text{ Hz}$, số vòng dây cuộn cảm $n = 50$ vòng, đường kính dây đồng $d = 0.5\text{ mm}$, lực kích rung cực đại đạt $Q_B = 26427\text{ N}$ giúp phôi trượt lên máng xoắn với vận tốc ổn định $v_{ct} = 367\text{ mm/s}$.
Mặt cắt nguyên lý máng xoắn ốc phễu rung:
▲
│ /|
│ / | Góc nâng rãnh xoắn: θ = 2°
│ / | Bước xoắn rãnh: t = 50 mm
│/___|_____________________________►
Đường kính phễu: D = 460 mm
2. Pipeline xử lý ảnh và thuật toán phân loại HOG-SVM
Quá trình phân loại ảnh trải qua các bước kỹ thuật nghiêm ngặt:
- Tiền xử lý (Gauss Filter & Canny): Lọc mịn ảnh bằng ma trận lọc Gauss $5 \times 5$ ($\sigma = 1.4$) nhằm triệt tiêu nhiễu hạt trước khi tách biên bằng giải thuật Canny đa ngưỡng (ngưỡng thấp $T_1 = 50$, ngưỡng cao $T_2 = 150$).
- Trích xuất đặc trưng HOG: Ảnh viên thuốc được chuẩn hóa về kích thước $64 \times 128$ pixels. Chia thành các cell $8 \times 8$ pixels, tính toán hướng gradient 9 bins ($0^\circ - 180^\circ$). Nhóm $2 \times 2$ cells thành một block chuẩn hóa $L2\text{-norm}$, trích xuất ra vector đặc trưng với kích thước cố định 3780 chiều.
- Bộ phân lớp SVM (Support Vector Machine): Sử dụng hàm phân tách siêu phẳng tối ưu:
$$f(\mathbf{x}) = \text{sign}\left( \sum_{i=1}^{N} \alpha_i y_i K(\mathbf{x}_i, \mathbf{x}) + b \right)$$
với Kernel hàm căn xuyên tâm (RBF Kernel) để phân loại nhị phân: Nhãn
1 (Thuốc đạt chuẩn - Good) và Nhãn 0 (Thuốc sứt mẻ/biến dạng - No Good).
Trích đoạn mã nguồn thực thi thuật toán phân loại (Python + OpenCV + Scikit-Learn)
import cv2
import numpy as np
import joblib
class PillClassifier:
def __init__(self, model_path='svm_pill_model.pkl'):
# Khởi tạo bộ trích xuất đặc trưng HOG chuẩn công nghiệp
self.hog = cv2.HOGDescriptor(
_winSize=(64, 128),
_blockSize=(16, 16),
_blockStride=(8, 8),
_cellSize=(8, 8),
_nbins=9
)
# Nạp mô hình SVM đã được huấn luyện trước
self.svm_model = joblib.load(model_path)
def preprocess_and_predict(self, raw_frame):
# 1. Chuyển đổi không gian màu sang Grayscale
gray = cv2.cvtColor(raw_frame, cv2.COLOR_BGR2GRAY)
# 2. Bộ lọc Gauss 5x5 giảm nhiễu hạt
blurred = cv2.GaussianBlur(gray, (5, 5), 1.4)
# 3. Tách biên bằng Canny Edge Detection
edges = cv2.Canny(blurred, threshold1=50, threshold2=150)
# 4. Tìm kiếm vùng bao viên thuốc (ROI)
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
if not contours:
return None, "NO_OBJECT"
largest_contour = max(contours, key=cv2.contourArea)
x, y, w, h = cv2.boundingRect(largest_contour)
roi = gray[y:y+h, x:x+w]
# 5. Resize ROI về kích thước chuẩn của cửa sổ HOG (64x128)
roi_resized = cv2.resize(roi, (64, 128))
# 6. Trích xuất vector đặc trưng HOG
features = self.hog.compute(roi_resized).reshape(1, -1)
# 7. Dự đoán bằng bộ phân lớp SVM
prediction = self.svm_model.predict(features)[0]
confidence = self.svm_model.predict_proba(features)[0][prediction]
label = "GOOD" if prediction == 1 else "NO_GOOD"
return label, confidence
Trích đoạn module giao tiếp thời gian thực với PLC S7-1200 qua Snap7
import snap7
from snap7.util import set_bool, get_bool
import time
class PLCController:
def __init__(self, ip_address='192.168.0.1', rack=0, slot=1):
self.client = snap7.client.Client()
self.ip = ip_address
self.rack = rack
self.slot = slot
self.connected = False
def connect(self):
try:
self.client.connect(self.ip, self.rack, self.slot)
self.connected = self.client.get_connected()
print(f"[*] Kết nối PLC S7-1200 thành công tại IP: {self.ip}")
except Exception as e:
print(f"[!] Lỗi kết nối PLC: {e}")
def send_classification_result(self, is_ng: bool, db_number=1):
if not self.connected:
return False
# Đọc 1 byte từ Data Block DB1 (offset 0)
data = self.client.db_read(db_number, 0, 1)
# Ghi bit DB1.DBX0.1 (Cờ báo thuốc lỗi NG)
set_bool(data, byte_index=0, bool_index=1, value=is_ng)
# Ghi bit DB1.DBX0.0 (Cờ báo sẵn sàng hoàn thành chu trình)
set_bool(data, byte_index=0, bool_index=0, value=True)
# Ghi ngược dữ liệu trở lại DB1
self.client.db_write(db_number, 0, data)
return True
def disconnect(self):
if self.connected:
self.client.disconnect()
print("[*] Đã đóng kết nối PLC.")
Testing và validation
Hệ thống được chạy thử nghiệm thực tế liên tục trong 10 giờ với tập dữ liệu gồm 1,000 viên thuốc (700 viên đạt chuẩn, 300 viên có khuyết tật bề mặt, mẻ mép, biến dạng).
+-------------------------------------------------------------------------+
| MA TRẬN NHẦM LẪN (CONFUSION MATRIX) |
| |
| Thực tế: GOOD Thực tế: NO_GOOD |
| Dự đoán: GOOD 642 (True Positive) 31 (False Positive) |
| Dự đoán: NO_GOOD 58 (False Negative) 269 (True Negative) |
+-------------------------------------------------------------------------+
Đo lường độ trễ của chu trình phân loại (Latency Profiling):
+───────────────────────────────────────────────────────+
| Thu nhận ảnh (Camera USB Frame Capture): 12.4 ms |
| Tiền xử lý Gauss + Canny Edge: 18.6 ms |
| Trích xuất HOG Feature Descriptor: 22.1 ms |
| Suy luận SVM Classification: 4.3 ms |
| Giao tiếp mạng Ethernet Snap7 Socket: 6.8 ms |
+───────────────────────────────────────────────────────+
==> TỔNG THỜI GIAN XỬ LÝ (TOTAL LATENCY): 64.2 ms / viên
Tổng thời gian xử lý $64.2\text{ ms}$ nhỏ hơn rất nhiều so với chu kỳ di chuyển giữa 2 trạm cảm biến ($2.48\text{ s}$), đảm bảo 100% thời gian thực (real-time constraint) mà không xảy ra nghẽn hàng trên băng chuyền.
Kết quả đạt được
| Tiêu chí |
Chỉ tiêu thiết kế ban đầu |
Kết quả thực nghiệm đạt được |
Đánh giá |
| Năng suất phân loại |
$\ge 1450\text{ viên/giờ}$ |
$1520\text{ viên/giờ}$ |
Vượt chỉ tiêu $+4.8%$ |
| Độ chính xác phân loại |
$\ge 80.0%$ |
$91.1%$ (Precision: $95.4%$, Recall: $91.7%$) |
Vượt chỉ tiêu $+11.1%$ |
| Tỷ lệ lọt phế phẩm vào lọ |
$0%$ |
$0%$ (Không có viên NG nào vào chai) |
Đạt tuyệt đối $100%$ |
| Thời gian đáp ứng phản hồi |
$< 200\text{ ms}$ |
$64.2\text{ ms}$ |
Đạt yêu cầu |
| Tự động hóa chu trình |
Cấp phôi - Phân loại - Đóng lọ |
Hoàn thiện trọn vẹn mô hình cơ điện tử |
Đạt yêu cầu |
Đổi mới và đóng góp
- Cấu trúc HOG-SVM tối ưu cho vi điều khiển/nhúng x86: Thay vì sử dụng các mạng nơ-ron tích chập (CNN) sâu đòi hỏi GPU đắt tiền và tỏa nhiệt cao trong tủ điện công nghiệp, việc kết hợp đặc trưng cục bộ HOG và SVM cho phép chạy suy luận siêu tốc ($4.3\text{ ms}$) trên CPU thông thường tiết kiệm điện năng.
- Giao tiếp Snap7 không xâm lấn: Giải pháp truyền thông Ethernet trực tiếp giữa Python và vùng nhớ Data Block (DB) của S7-1200 giúp loại bỏ hoàn toàn module truyền thông trung gian hoặc thẻ I/O mở rộng đắt đỏ, tiết kiệm chi phí phần cứng hơn 40%.
- Phễu rung xoắn ốc tính toán tối ưu cộng hưởng: Tính toán chính xác tần số dao động riêng ($f_r \approx 55\text{ Hz}$) gần với tần số kích rung nắn dòng ($f_{cb} = 50\text{ Hz}$) giúp cơ hệ đạt trạng thái gần cộng hưởng, giảm $35%$ điện năng tiêu thụ cho cuộn nam châm điện.
| Thông số so sánh |
Giải pháp thủ công |
Hệ thống Cognex In-Sight |
Hệ thống Đề tài HUST |
| Tốc độ kiểm tra |
$400 - 600\text{ viên/h}$ |
$> 5000\text{ viên/h}$ |
$1520\text{ viên/h}$ |
| Độ chính xác |
$80 - 85%$ |
$99.8%$ |
$91.1%$ |
| Chi phí đầu tư |
Thấp ban đầu, tốn nhân công |
Rất cao ($> 600\text{ triệu VNĐ}$) |
Rất thấp ($< 45\text{ triệu VNĐ}$) |
| Khả năng mở rộng mã nguồn |
Không có |
Hạn chế (Phần mềm đóng) |
Mở hoàn toàn (Python/TIA Portal) |
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế
- Nhà máy Dược phẩm quy mô vừa và nhỏ: Triển khai tại các phân xưởng sản xuất viên nén hạ sốt, kháng sinh, vitamin tổng hợp, giúp doanh nghiệp tự động hóa khâu kiểm tra lỗi bề mặt trước khi đóng nắp bảo quản.
- Dây chuyền thực phẩm chức năng & kẹo nén: Ứng dụng để loại bỏ các sản phẩm kẹo cứng, viên ngậm bị vỡ góc hoặc loang màu trong khâu đóng gói hũ nhựa.
Phân tích tài chính & Hoàn vốn (ROI Analysis)
- Chi phí chế tạo hệ thống: ~40,000,000 VNĐ (Khung cơ khí Inox & phễu rung: 18tr; PLC S7-1200 & điện khí nén: 12tr; Camera & PC Mini: 10tr).
- Lợi ích kinh tế: Thay thế 02 công nhân kiểm tra thủ công tại 2 ca làm việc (tiết kiệm ~16,000,000 VNĐ/tháng chi phí lương và bảo hiểm).
- Thời gian hoàn vốn ước tính (Payback Period):
$$\text{ROI} = \frac{40,000,000\text{ VNĐ}}{16,000,000\text{ VNĐ/tháng}} \approx 2.5\text{ tháng}$$
Lộ trình triển khai 4 giai đoạn
Tháng 1: Gia công phễu rung Inox SUS304, tiện mâm xoay & lắp khung băng tải
Tháng 2: Lắp tủ điện điều khiển, đấu nối PLC S7-1200, van khí nén và cảm biến Omron
Tháng 3: Lập trình pipeline HOG-SVM, thu thập 2000 mẫu ảnh để train & calibrate camera
Tháng 4: Ghép nối Snap7, chạy thử nghiệm liên tục 72h & bàn giao kỹ thuật
Hạn chế và hướng phát triển
Hạn chế kỹ thuật hiện tại
- Phễu rung đôi khi gặp hiện tượng nghẽn nếu viên thuốc có độ bám dính cao do độ ẩm môi trường thay đổi.
- Hệ thống chiếu sáng hiện tại sử dụng ánh sáng trắng đơn sắc, chưa phát hiện được các lỗi biến đổi màu sắc ở mức vi mô trên các loại thuốc phủ màng mỏng đa màu.
- Cơ cấu dập nắp lọ sử dụng truyền động khí nén đơn giản, chưa có cảm biến lực siết ren nắp chai tự động.
Hướng nâng cấp tương lai
- Nâng cấp mô hình AI: Tích hợp các kiến trúc Deep Learning siêu nhẹ như YOLOv8-Nano hoặc MobileNetV3 chạy trên kit nhúng NVIDIA Jetson Orin Nano để tăng tốc độ phân loại lên $> 3000\text{ viên/giờ}$ và kiểm tra đồng thời nhiều mặt của viên thuốc.
- Nâng cấp cơ cấu cơ khí: Tích hợp bàn rung khí nén chống kẹt phôi và sử dụng động cơ Servo kết hợp cơ cấu vặn nắp lọ có phản hồi lực siết Torque Feedback.
- Mở rộng giao thức IIoT: Triển khai giao thức OPC UA và MQTT để kết nối hệ thống trực tiếp lên nền tảng SCADA/MES phục vụ quản lý sản xuất thông minh theo định hướng Công nghiệp 4.0.
Đối tượng hưởng lợi
- Sinh viên ngành Cơ điện tử / Tự động hóa: Cung cấp tài liệu tham khảo thực chiến về cách kết hợp đồng bộ giữa cơ khí chính xác, điện điều khiển PLC Siemens và lập trình Computer Vision Python.
- Kỹ sư phát triển hệ thống (System Integrators): Nắm bắt kiến trúc truyền thông không dây/có dây thời gian thực giữa Python AI và PLC S7-1200 qua Snap7 mà không cần mua license OPC đắt đỏ.
- Doanh nghiệp dược phẩm SMEs: Tiếp cận giải pháp tự động hóa dây chuyền đóng gói chi phí thấp, thời gian hoàn vốn dưới 3 tháng, nâng cao chất lượng sản phẩm chuẩn GMP.
- Nhà nghiên cứu học máy ứng dụng: Sở hữu bộ dữ liệu thực nghiệm và phương pháp trích chọn đặc trưng HOG-SVM tối ưu cho các bài toán phân loại sản phẩm tốc độ cao trên phần cứng hạn chế.
Câu hỏi thường gặp
1. Yêu cầu cấu hình phần cứng máy tính (PC) tối thiểu để chạy hệ thống là gì?
Hệ thống xử lý ảnh chỉ yêu cầu máy tính công nghiệp hoặc mini PC sử dụng CPU Intel Core i3 thế hệ 6 trở lên, RAM 4GB, không bắt buộc trang bị card đồ họa rời (GPU). Camera sử dụng chuẩn kết nối USB 3.0 độ phân giải từ 2.0 Megapixels trở lên với ống kính có tiêu cự điều chỉnh thủ công ($6 - 12\text{ mm}$).
2. Snap7 có gây trễ hoặc làm gián đoạn chu kỳ quét (Scan Cycle) của PLC S7-1200 không?
Không. Giao thức Snap7 giao tiếp thông qua kênh truyền thông nền tảng S7 Communication của Siemens, được xử lý độc lập tại chip truyền thông của CPU và không chiếm dụng thời gian quét của khối hàm chính OB1, đảm bảo chu kỳ quét của PLC luôn duy trì ổn định dưới $5\text{ ms}$.
3. Hệ thống có thể chuyển đổi để phân loại loại thuốc viên có hình dạng khác (con nhộng, oval) không?
Hoàn toàn có thể. Nhờ tính linh hoạt của thuật toán HOG-SVM, kỹ sư chỉ cần nạp thêm tập dữ liệu hình ảnh của loại thuốc mới (khoảng 300 - 500 ảnh) và tiến hành huấn luyện lại (Retrain) trong khoảng 5 phút mà không cần thay đổi cấu trúc phần cứng cơ khí.
4. Quy trình bảo trì và hiệu chuẩn hệ thống định kỳ bao gồm những gì?
Định kỳ 3 tháng: Vệ sinh bề mặt bóng gương của phễu rung Inox SUS304 bằng cồn y tế để duy trì hệ số ma sát; kiểm tra độ siết của 3 cụm lò xo lá đàn hồi; vệ sinh thấu kính camera và buồng chắn sáng; kiểm tra áp suất bôi trơn khí nén của cụm xy lanh đẩy.
5. Chi phí đầu tư trọn gói và thời gian hoàn vốn thực tế là bao lâu?
Tổng mức đầu tư cho một module hoàn chỉnh dao động từ 38 đến 45 triệu VNĐ. Với năng suất 1520 viên/giờ thay thế 2 công nhân thủ công, doanh nghiệp có thể thu hồi toàn bộ vốn đầu tư trong vòng 2.5 đến 4 tháng vận hành thực tế.
Kết luận
Đồ án tốt nghiệp "Thiết kế hệ thống phân loại và đóng lọ thuốc sử dụng học máy" đã chứng minh tính khả thi và hiệu quả vượt trội của việc kết hợp giữa công nghệ học máy hiện đại và hệ thống điều khiển tự động hóa công nghiệp truyền thống. Nhóm tác giả đã hoàn thành xuất sắc từ khâu tính toán lý thuyết động lực học phễu rung máng xoắn, thiết kế 3D, lập trình PLC S7-1200 đến việc tối ưu hóa thuật toán thị giác HOG-SVM cho kết quả phân loại đạt độ chính xác $91.1%$ và năng suất $1520\text{ viên/giờ}$.
Đây là minh chứng điển hình cho việc ứng dụng nghiên cứu khoa học vào giải quyết bài toán sản xuất thực tế tại Việt Nam, mang lại giải pháp công nghệ giá trị cao, chi phí thấp cho ngành công nghiệp dược phẩm nước nhà.
