Hệ Thống Quản Lý và Phân Loại Rác Thải Tự Động

Hệ thống quản lý và phân loại rác thải tự động sử dụng IoT và AI đang trở thành một giải… 118 trang · Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh · 2024.

• Tác giả: Đặng Thanh Duy
• Người hướng dẫn: ThS. Huỳnh Thị Thu Hiền
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Máy Tính
• Đề tài: Hệ Thống Quản Lý Và Phân Loại Rác Thải
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. MỤC TIÊU ĐỀ TÀI
• 1.2. GIỚI HẠN ĐỀ TÀI
• 1.3. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. BỐ CỤC QUYỂN BÁO CÁO
• 1.6. TRÍ TUỆ NHÂN TẠO
• 1.6.1. Trí tuệ nhân tạo là gì?
• 1.6.2. Các lĩnh vực ứng dụng của AI
• 1.7. CẤU TRÚC MẠNG NƠRON
• 1.7.1. MÔ HÌNH HUẤN LUYỆN YOLO
• 1.7.1.1. Mạng neuron tích chập
• 1.7.1.2. Hàm chi phí (Loss function)
• 1.7.1.3. Quy trình phát hiện đối tượng
• 1.7.2. MÔ HÌNH HUẤN LUYỆN SSD
• 1.7.2.1. Rút trích đặc trưng
• 1.7.2.2. Bộ dự đoán tích chập dùng dự đoán đối tượng
• 1.7.2.3. Sử dụng nhiều tỷ lệ cho ánh xạ đặc trưng để phát hiện đối tượng
• 1.7.2.4. Lựa chọn box mặc định
• 1.7.2.5. Phát hiện đối tượng
• 1.7.2.6. Box mặc định và ma trận đặc trưng nhiều tỷ lệ
• 1.7.2.7. Kiến trúc mạng SSD
• 1.7.2.8. Hàm chi phí (Loss Function)
• 1.7.2.9. Tỷ lệ co giản và tỷ lệ khung hình của box mặc định
• 1.7.3. MÔ HÌNH HUẤN LUYỆN YOLOV8
• 1.7.3.1. Giới thiệu về mô hình YOLO và các phiên bản của mô hình YOLO
• 1.7.3.2. Giới thiệu mô hình YOLOv8
• 1.7.3.3. Kiến trúc mạng YOLOv8
• 1.8. SO SÁNH YOLO VÀ SSD
• 1.8.1. Về phương pháp
• 1.8.2. Về thực nghiệm
• 1.9. GIỚI THIỆU VỀ NỀN TẢNG TRỰC TUYẾN FIREBASE
• 1.10. GIỚI THIỆU PHẦN MỀM LẬP TRÌNH WEB VSCODE
• 1.11. CÁC PHẦN MỀM ĐƯỢC DÙNG ĐỂ HUẤN LUYỆN MÔ HÌNH AI
• 1.11.1. Phần mềm gán nhãn dữ liệu LabelImg
• 1.11.2. Nền tảng trực tuyến Kaggle được dùng huấn luyện mô hình AI
• 1.12. CÁC PHẦN MỀM ĐƯỢC DÙNG THIẾT KẾ GIAO DIỆN
• 1.12.1. Phần mềm viết giao diện Qt Designer
• 1.12.2. Phần mềm Pycharm lập trình với ngôn ngữ Python
• 2. THIẾT KẾ HỆ THỐNG
• 2.1. Ý TƯỞNG THIẾT KẾ
• 2.2. YÊU CẦU THIẾT KẾ
• 2.3. PHƯƠNG ÁN THIẾT KẾ
• 2.4. THIẾT KẾ PHẦN CỨNG
• 2.4.1. Sơ đồ khối của hệ thống
• 2.4.2. Khối xử lý trung tâm
• 2.4.3. Khối cảm biến
• 2.4.4. Khối thực thi
• 2.5. THIẾT KẾ PHẦN MỀM
• 2.5.1. Quá trình huấn luyện mô hình nhận diện rác thải qua hình ảnh
• 2.5.2. Thiết kế giao diện mô phỏng nhận diện rác thải qua hình ảnh
• 2.5.3. Thiết kế web quản lý và điều khiển hệ thống
• 3. KẾT QUẢ THỰC HIỆN MÔ HÌNH
• 3.1. Kết quả thiết kế mô hình phần cứng
• 3.2. Kết quả thiết kế web quản lý và điều khiển hệ thống
• 3.3. Kết quả thiết kế giao diện mô phỏng
• 4. ĐÁNH GIÁ MÔ HÌNH
• 4.1. Đánh giá kết quả của mô hình nhận diện rác thải qua hình ảnh
• 4.2. Đánh giá quá trình hoạt động của giao diện
• 4.3. Đánh giá các tính năng của mô hình thùng rác và trang web
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Hệ Thống Quản Lý và Phân Loại Rác Thải Tự Động

Hệ thống quản lý và phân loại rác thải tự động sử dụng IoT và AI đang trở thành một giải pháp quan trọng trong việc giải quyết vấn đề ô nhiễm môi trường. Với sự phát triển của công nghệ, việc áp dụng các giải pháp thông minh giúp nâng cao hiệu quả trong việc quản lý rác thải. Hệ thống này không chỉ giúp phân loại rác một cách chính xác mà còn tối ưu hóa quy trình xử lý rác thải, từ đó giảm thiểu tác động đến môi trường.

1.1. Khái niệm về Hệ Thống Quản Lý Rác Thải

Hệ thống quản lý rác thải là một tập hợp các quy trình và công nghệ nhằm thu thập, phân loại và xử lý rác thải một cách hiệu quả. Sự kết hợp giữa IoT và AI trong hệ thống này giúp tự động hóa các quy trình, từ đó nâng cao hiệu suất và giảm thiểu sai sót.

1.2. Vai trò của IoT và AI trong Quản Lý Rác Thải

IoT cho phép kết nối và thu thập dữ liệu từ các cảm biến, trong khi AI giúp phân tích và đưa ra quyết định dựa trên dữ liệu đó. Sự kết hợp này tạo ra một hệ thống thông minh, có khả năng tự động nhận diện và phân loại rác thải.

II. Vấn đề và Thách thức trong Quản Lý Rác Thải

Quản lý rác thải hiện nay đang đối mặt với nhiều thách thức, bao gồm việc phân loại không chính xác và thiếu hiệu quả trong quy trình xử lý. Những vấn đề này không chỉ gây lãng phí tài nguyên mà còn ảnh hưởng đến sức khỏe cộng đồng và môi trường. Việc áp dụng công nghệ vào quản lý rác thải là cần thiết để giải quyết những vấn đề này.

2.1. Thách thức trong Phân Loại Rác Thải

Phân loại rác thải thủ công thường gặp khó khăn do sự lẫn lộn giữa các loại rác. Điều này dẫn đến việc tái chế không hiệu quả và gia tăng ô nhiễm môi trường.

2.2. Tác động của Rác Thải đến Môi Trường

Rác thải không được xử lý đúng cách có thể gây ô nhiễm đất, nước và không khí. Điều này ảnh hưởng nghiêm trọng đến sức khỏe con người và sự phát triển bền vững của cộng đồng.

III. Phương Pháp và Giải Pháp Chính trong Hệ Thống Quản Lý Rác Thải

Để giải quyết các vấn đề trong quản lý rác thải, hệ thống tự động phân loại rác thải sử dụng các công nghệ tiên tiến như cảm biến IoT và AI. Những giải pháp này không chỉ giúp phân loại rác một cách chính xác mà còn tối ưu hóa quy trình xử lý rác thải.

3.1. Sử Dụng Cảm Biến IoT trong Quản Lý Rác Thải

Cảm biến IoT giúp theo dõi lượng rác thải và nhận diện người vứt rác. Thông qua dữ liệu thu thập được, hệ thống có thể đưa ra các quyết định kịp thời về việc xử lý rác.

3.2. Ứng Dụng AI trong Phân Loại Rác Thải

AI được sử dụng để nhận diện và phân loại các loại rác thông qua hình ảnh. Hệ thống sẽ tự động mở ngăn chứa phù hợp với loại rác được nhận diện, từ đó nâng cao hiệu quả phân loại.

IV. Ứng Dụng Thực Tiễn của Hệ Thống Quản Lý Rác Thải Tự Động

Hệ thống quản lý và phân loại rác thải tự động đã được triển khai tại nhiều khu vực công cộng và hộ gia đình. Những ứng dụng này không chỉ giúp giảm thiểu ô nhiễm mà còn nâng cao ý thức cộng đồng trong việc bảo vệ môi trường.

4.1. Triển Khai Hệ Thống tại Khu Vực Công Cộng

Hệ thống đã được lắp đặt tại các công viên và khu vực công cộng, giúp người dân dễ dàng phân loại rác thải và giảm thiểu ô nhiễm môi trường.

4.2. Kết Quả Nghiên Cứu và Đánh Giá Hiệu Quả

Các nghiên cứu cho thấy hệ thống tự động phân loại rác thải đã cải thiện đáng kể tỷ lệ tái chế và giảm lượng rác thải ra môi trường. Điều này chứng tỏ tính hiệu quả của công nghệ trong quản lý rác thải.

V. Kết Luận và Tương Lai của Hệ Thống Quản Lý Rác Thải

Hệ thống quản lý và phân loại rác thải tự động sử dụng IoT và AI không chỉ là một giải pháp hiệu quả cho vấn đề ô nhiễm môi trường mà còn mở ra hướng đi mới cho công nghệ xanh. Tương lai của hệ thống này hứa hẹn sẽ mang lại nhiều lợi ích cho cộng đồng và môi trường.

5.1. Tương Lai của Công Nghệ Quản Lý Rác Thải

Với sự phát triển không ngừng của công nghệ, hệ thống quản lý rác thải tự động sẽ ngày càng hoàn thiện và được áp dụng rộng rãi hơn trong xã hội.

5.2. Khuyến Khích Sự Tham Gia của Cộng Đồng

Để hệ thống hoạt động hiệu quả, cần có sự tham gia tích cực của cộng đồng trong việc phân loại rác thải và bảo vệ môi trường.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Vấn đề xả rác và vứt rác bừa bãi gây ô nhiễm môi trường đang là thách thức đối với nhiều quốc gia, trong đó có Việt Nam. Tại nhiều khu vực, tình trạng ô nhiễm diễn ra nghiêm trọng tại các con kênh, bãi rác tự phát và bãi đất trống, ảnh hưởng trực tiếp đến sức khỏe cộng đồng và sự phát triển bền vững. Phần lớn công tác thu gom và phân loại rác thải hiện nay vẫn được thực hiện theo phương thức thủ công bằng tay. Phương thức này bộc lộ nhiều hạn chế như tốn nhiều nhân công, độ chính xác không cao, dễ gây lẫn lộn các loại rác tái chế và gây khó khăn cho quy trình xử lý tiếp theo.

Trước sự phát triển của cuộc Cách mạng Công nghiệp 4.0, việc kết hợp công nghệ Internet vạn vật (Internet of Things - IoT) và Trí tuệ nhân tạo (Artificial Intelligence - AI) mang lại giải pháp tự động hóa quá trình thu gom, phân loại rác thải tại nguồn và giám sát từ xa. Đồ án "Hệ thống quản lý và phân loại rác thải" của nhóm tác giả Đặng Thanh Duy và Trần Bình Nguyên (ngành Công nghệ Kỹ thuật Máy tính, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, năm 2024) được triển khai nhằm giải quyết các yêu cầu thực tiễn nêu trên.

Mục tiêu và nhiệm vụ nghiên cứu của đồ án bao gồm:

1. Thiết kế và chế tạo mô hình thùng rác thông minh có khả năng tự động phát hiện người dùng, tự động mở nắp khi có người đến gần và đóng lại khi người dùng rời đi.
2. Ứng dụng thị giác máy tính và mô hình học sâu để tự động nhận diện, phân loại rác thải; điều khiển cơ cấu phân loại rác vào đúng ngăn chứa quy định (ngăn dành riêng cho chai nhựa và ngăn dành cho các loại rác thải khác).
3. Thu thập dữ liệu từ các cảm biến đo mức rác và cảm biến khí gas để giám sát trạng thái rác đầy và nồng độ khí thải độc hại bên trong thùng rác.
4. Tích hợp mô-đun phát âm thanh cảnh báo khi thùng rác đã đầy lúc có người đến gần vứt rác.
5. Xây dựng giao diện web quản trị kết nối với cơ sở dữ liệu thời gian thực để giám sát vị trí, trạng thái hoạt động, tình trạng đầy của từng thùng rác và hỗ trợ điều khiển bật/tắt nguồn từ xa.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Hệ thống tự động phân loại rác thải ứng dụng thị giác máy tính (phân biệt rác thải chai nhựa và rác thải không phải chai nhựa) kết hợp hệ thống IoT giám sát trạng thái thùng rác qua mạng.
• Phạm vi nghiên cứu:
  • Về nhận dạng hình ảnh: Mô hình được huấn luyện và kiểm thử trong điều kiện ánh sáng ban ngày, đầy đủ độ sáng, góc chụp trực diện và khoảng cách cố định từ camera đến vật thể là 35 cm.
  • Về kích thước và không gian áp dụng: Sử dụng mô hình thùng rác cỡ nhỏ để chứa rác thải kích thước nhỏ và vừa; không gian ứng dụng hướng đến các khu vực trong nhà có diện tích hẹp như phòng học, phòng làm việc, nhà vệ sinh hoặc hỗ trợ phân loại rác tại hộ gia đình và khu vực công cộng.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tính toán

Đề tài dựa trên nền tảng lý thuyết về Mạng nơ-ron nhân tạo (ANN), Mạng nơ-ron tích chập (CNN) và Xử lý ảnh số:

• Mạng nơ-ron tích chập (CNN): Sử dụng các tầng tích chập (Convolutional layer) với bộ lọc (kernel) trượt trên ma trận ảnh để trích xuất đặc trưng không gian, kết hợp hàm kích hoạt phi tuyến tính ReLU ($f(x) = \max(0, x)$) nhằm giải quyết hiện tượng triệt tiêu đạo hàm (vanishing gradient), tầng lấy mẫu giảm kích thước (Pooling layer - Max/Average Pooling) và tầng kết nối đầy đủ (Fully Connected layer) để phân loại.
• Mô hình phát hiện đối tượng YOLO (You Only Look Once): Phân tích ảnh đầu vào bằng cách chia ảnh thành lưới $S \times S$ ô, dự đoán đồng thời tọa độ khung bao (Bounding Box), độ tin cậy (Confidence score dựa trên chỉ số giao nhau trên hợp - Intersection over Union - IoU) và phân phối xác suất lớp chỉ qua một lần quét (Single-shot). Đồ án khảo cứu sự phát triển kiến trúc qua các phiên bản YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7 và tập trung vào YOLOv8 (sử dụng khối C2f thay cho C3, kiến trúc tách rời Decoupled Head, loại bỏ Anchor Box sang cơ chế Anchor-free).
• Mô hình SSD (Single Shot MultiBox Detector): Sử dụng các ma trận đặc trưng đa tỷ lệ (Multi-scale Feature Maps) từ các tầng tích chập khác nhau (Conv4_3, Conv7, Conv8_2, Conv9_2, Conv10_2, Conv11_2) tạo ra 8.732 bounding box mặc định (default boxes), tối ưu hóa bằng hàm mất mát tổng hợp gồm thành phần định vị (Smooth L1 Loss) và độ tin cậy phân loại (Softmax Loss).
• Mô hình MobileNet: Cấu trúc mạng học sâu thu gọn sử dụng phép tích chập tách biệt theo chiều sâu (Depthwise Separable Convolution) để so sánh hiệu năng huấn luyện với YOLOv8 trên tập dữ liệu thực nghiệm.

Phương pháp nghiên cứu

1. Phương pháp tổng hợp tài liệu lý thuyết: Phân tích tài liệu kỹ thuật (datasheet), hướng dẫn sử dụng và sơ đồ nguyên lý của các dòng máy tính nhúng, vi điều khiển, cảm biến siêu âm, cảm biến khí gas, module âm thanh và mạch nguồn.
2. Phương pháp mô phỏng phần mềm: Xây dựng môi trường giả lập trên máy tính cá nhân bằng các công cụ lập trình Python, thư viện Qt Designer và môi trường phát triển tích hợp (PyCharm, Visual Studio Code) để kiểm tra giải thuật xử lý ảnh và giao diện trước khi nạp lên phần cứng thật.
3. Phương pháp khảo sát và thử nghiệm thực tế: Chế tạo phần cứng, lắp ráp cơ cấu cơ khí, nạp chương trình điều khiển cho máy tính nhúng và vi điều khiển, tiến hành đo kiểm thực tế độ chính xác của mô hình nhận diện AI và độ trễ phản hồi của hệ thống cơ điện tử.

Nguồn dữ liệu và công cụ phát triển

• Dữ liệu huấn luyện: Tập dữ liệu hình ảnh rác thải tùy chỉnh được thu thập thực tế, phân loại nhãn và gán nhãn khung bao thông qua phần mềm mã nguồn mở LabelImg.
• Môi trường huấn luyện: Nền tảng điện toán đám mây Kaggle sử dụng GPU để huấn luyện mô hình YOLOv8 và MobileNet.
• Nền tảng truyền thông và lưu trữ: Dịch vụ cơ sở dữ liệu thời gian thực Firebase Realtime Database của Google, cho phép đồng bộ dữ liệu hai chiều giữa phần cứng và ứng dụng Web.

---

Thiết kế và triển khai hệ thống

Kiến trúc phần cứng

Hệ thống phần cứng được chia thành 4 khối chức năng chính:

Khối chức năng	Linh kiện và thiết bị chính	Thông số kỹ thuật / Chức năng trong hệ thống
Khối xử lý trung tâm	- Raspberry Pi 5 - ESP32 NodeMCU LuaNode32 (38 chân)	- Raspberry Pi 5: Máy tính nhúng chạy mô hình AI, xử lý luồng video từ camera và gửi lệnh phân loại. - ESP32: Vi điều khiển thu thập tín hiệu cảm biến, điều khiển động cơ servo, giao tiếp Wi-Fi với Firebase.
Khối cảm biến	- Cảm biến siêu âm HC-SR04 - Cảm biến khí Gas	- HC-SR04: Đo khoảng cách phát hiện người đến gần thùng rác; đo khoảng cách mức rác trong từng ngăn để cảnh báo đầy. - Cảm biến Gas: Đo nồng độ khí sinh ra từ rác thải trong khoang chứa.
Khối thu nhận hình ảnh	- Camera USB 2.0	Kết nối trực tiếp cổng USB Raspberry Pi 5, chụp ảnh rác thải ở khoảng cách 35 cm để nhận diện.
Khối chấp hành & Thông báo	- Động cơ Servo 180 độ - Module MP3 DFPlayer Mini & Loa 3W (4Ω, 50mm, 87dB) - LED 5mm & Nút nhấn 10mm	- Động cơ Servo: Kéo mở nắp chính thùng rác và điều khiển cửa ngăn chứa phân loại. - DFPlayer Mini + Loa: Phát tệp âm thanh "Thùng rác đã đầy" khi có người lại gần. - LED và nút nhấn: Chỉ thị trạng thái và can thiệp vận hành thủ công.
Khối nguồn	- Nguồn Power Supply PD 5V - Adapter 12V - 2A - Module giảm áp LM2596S (3A, có LED hiển thị)	Cấp nguồn công suất riêng cho Raspberry Pi 5 và hạ áp từ 12V xuống 5V phục vụ ESP32, động cơ servo và các cảm biến.

[Camera USB 2.0] ----> [Raspberry Pi 5 (AI/YOLOv8)] 
                              | (UART/I2C/GPIO)
                              v
[Khối cảm biến: HC-SR04, Gas] -> [ESP32 NodeMCU] <===> [Firebase Realtime Database] <===> [Web Dashboard]
                                      |
                                      v
                        [Khối chấp hành: Servo, DFPlayer, Loa, LED]

Kiến trúc phần mềm và luồng điều khiển

1. Quy trình nhận diện và phân loại:
   • Cảm biến siêu âm gắn mặt trước thùng rác quét khoảng cách liên tục. Khi phát hiện người dùng tiếp cận ở cự ly định trước, nắp chính của thùng rác tự động mở.
   • Camera USB kích hoạt thu nhận khung hình rác thải đưa vào khay tiếp nhận ở khoảng cách 35 cm.
   • Mô hình YOLOv8 chạy trên Raspberry Pi 5 phân tích hình ảnh:
     • Nếu nhận diện lớp đối tượng "Chai nhựa": Vi điều khiển kích hoạt động cơ servo mở nắp ngăn chứa rác tái chế (ngăn ngoài).
     • Nếu nhận diện "Rác thải khác" (không phải chai nhựa): Hệ thống kích hoạt mở ngăn chứa rác thông thường (ngăn trong).
   • Sau khi rác rơi vào ngăn, các nắp ngăn chứa và nắp chính tự động đóng lại để ngăn mùi.
2. Quy trình giám sát mức rác và cảnh báo:
   • Cảm biến siêu âm lắp phía trong từng ngăn đo khoảng cách từ nắp đến bề mặt rác. Cảm biến khí gas đo chất lượng không khí bên trong thùng.
   • Nếu khoảng cách đo được nhỏ hơn ngưỡng an toàn (thùng rác đầy) hoặc nồng độ khí gas vượt ngưỡng:
     • ESP32 kích hoạt mạch DFPlayer Mini phát thông báo giọng nói qua loa 3W: "Thùng rác đã đầy".
     • ESP32 gửi cờ trạng thái cảnh báo lên Firebase Realtime Database qua mạng Wi-Fi.
3. Giao diện Web giám sát và quản trị:
   • Xây dựng bằng Visual Studio Code, sử dụng các công nghệ HTML5, CSS3, JavaScript kết nối trực tiếp với Firebase API.
   • Các chức năng trên giao diện web gồm: Quản lý danh sách thùng rác theo vị trí/địa chỉ lắp đặt, hiển thị mức dung tích rác theo thời gian thực (%), hiển thị nồng độ khí gas, trạng thái kết nối trực tuyến, lịch sử cảnh báo bảo trì và nút điều khiển bật/tắt nguồn hệ thống từ xa.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Trình bày cơ sở hình thành đề tài, lý do lựa chọn nghiên cứu hệ thống phân loại rác thải tự động ứng dụng IoT và AI. Chương này xác định rõ mục tiêu đề tài, giới hạn phạm vi nghiên cứu (khoảng cách chụp 35 cm, ánh sáng ban ngày, mô hình thùng rác cỡ nhỏ cho không gian phòng làm việc/lớp học), các phương pháp nghiên cứu được sử dụng và cấu trúc 5 chương của quyển báo cáo.

Chương 2: Cơ sở lý thuyết

Cung cấp tổng quan học thuật về các công nghệ ứng dụng trong đồ án:

• Tổng quan về Trí tuệ nhân tạo (AI), Mạng nơ-ron nhân tạo (ANN) và Mạng nơ-ron tích chập (CNN) gồm các thành phần chi tiết: Lớp tích chập (Convolutional layer), hàm kích hoạt ReLU, lớp gộp (Pooling layer) và lớp kết nối đầy đủ (Fully Connected layer).
• Cơ sở lý thuyết xử lý ảnh số và cấu trúc thuật toán phát hiện đối tượng YOLO qua các thế hệ (v3, v4, v5, v6, v7, v8) và SSD (Single Shot MultiBox Detector).
• Phân tích chi tiết kiến trúc mạng YOLOv8, so sánh cấu trúc mô-đun C2f với C3 của YOLOv5, cơ chế Anchor-free và bộ phân loại tách rời (Decoupled Head).
• Giới thiệu các công cụ và nền tảng phần mềm: Firebase Realtime Database, Visual Studio Code, LabelImg, Kaggle, Qt Designer và PyCharm.

Chương 3: Thiết kế hệ thống

Chi tiết hóa phương án kỹ thuật và thiết kế phần cứng lẫn phần mềm:

• Xây dựng ý tưởng thiết kế, xác định các yêu cầu kỹ thuật và đề xuất sơ đồ khối toàn hệ thống.
• Thiết kế sơ đồ nguyên lý cho từng khối: Khối xử lý trung tâm (Raspberry Pi 5 kết nối ESP32), khối cảm biến (HC-SR04, Gas), khối chấp hành (Servo, DFPlayer Mini, Loa 3W, LED, nút nhấn) và khối nguồn (Adapter 12V, LM2596S, PD 5V).
• Xây dựng các lưu đồ giải thuật: Lưu đồ tổng thể toàn hệ thống, lưu đồ chức năng điều khiển đóng/mở nắp và phân loại rác thải.
• Thiết lập quy trình huấn luyện mô hình nhận diện rác thải tùy chỉnh với YOLOv8 và MobileNet trên Kaggle; thiết kế giao diện mô phỏng nhận diện bằng Qt Designer và thiết kế hệ thống trang web quản trị qua Firebase.

Chương 4: Kết quả thực hiện mô hình

Trình bày kết quả thi công phần cứng thực tế và đánh giá hiệu năng:

• Hình ảnh hoàn thiện của mô hình thùng rác thực tế: Mạch điện đóng gói trong hộp bảo vệ, kết cấu cơ khí 2 ngăn chứa, cơ cấu nắp mở tự động, vị trí lắp đặt cảm biến và camera.
• Kết quả hoạt động của hệ thống web điều khiển: Các giao diện đăng nhập/đăng ký tài khoản, trang tổng quan quản lý thùng rác, trang chi tiết hiển thị trạng thái nguồn (bật/tắt) và trạng thái cảnh báo khi rác đầy.
• Đánh giá thực nghiệm mô hình nhận diện rác thải: Phân tích độ chính xác của YOLOv8 so với MobileNet trên 2 tập dữ liệu huấn luyện, đánh giá độ ổn định của giao diện mô phỏng và các tính năng cơ điện tử trên thùng rác vật lý.

Chương 5: Kết luận và hướng phát triển

Đánh giá tổng kết các mục tiêu đã hoàn thành của đồ án; chỉ ra các ưu điểm về tính tự động hóa, khả năng giám sát từ xa và khả năng nhận diện phân loại; nêu rõ các mặt hạn chế còn tồn tại và đề xuất các giải pháp kỹ thuật mở rộng cho đề tài trong tương lai.

---

Kết quả và đóng góp

Kết quả thực nghiệm chính

• Chế tạo hoàn chỉnh mô hình phần cứng: Hệ thống cơ điện tử kết hợp giữa máy tính nhúng Raspberry Pi 5 và ESP32 hoạt động ổn định; cơ cấu cơ khí đóng mở nắp chính và nắp phân loại ngăn chứa bằng động cơ servo đạt độ chính xác theo đúng lệnh điều khiển.
• Hiệu năng nhận diện AI: Mô hình YOLOv8 sau khi huấn luyện trên tập dữ liệu tùy chỉnh đáp ứng tốt bài toán phân loại nhị phân (chai nhựa và rác thải khác) tại cự ly cố định 35 cm trong môi trường đủ sáng. Kết quả huấn luyện và thực nghiệm cho thấy YOLOv8 có độ chính xác nhận diện và khả năng trích xuất đặc trưng vượt trội so với kiến trúc MobileNet trên cùng tập dữ liệu.
• Hệ thống giám sát trực tuyến IoT: Hoàn thiện trang web quản lý tích hợp cơ sở dữ liệu thời gian thực Firebase, cập nhật liên tục trạng thái đầy của rác, thông số cảm biến khí gas, trạng thái nguồn và kích hoạt cảnh báo loa âm thanh chính xác khi thùng rác đạt ngưỡng đầy.

Giải pháp và đóng góp của đề tài

1. Mô hình hóa kiến trúc nhúng phân tán: Đề xuất giải pháp phân chia tác vụ tối ưu: Giao nhiệm vụ tính toán thị giác máy tính nặng (AI Inference) cho Raspberry Pi 5, đồng thời giao toàn bộ tác vụ thời gian thực (đọc cảm biến, điều khiển động cơ servo, phát âm thanh và truyền nhận Wi-Fi) cho vi điều khiển ESP32, giúp giảm tải và tăng tính ổn định của hệ thống.
2. Tự động hóa phân loại rác tại nguồn: Cung cấp giải pháp khả thi giúp giảm thiểu sự can thiệp thủ công của con người trong khâu phân loại rác thải sơ cấp, hỗ trợ đắc lực cho công tác thu gom và tái chế chai nhựa.
3. Giám sát quản lý tập trung qua Web: Xây dựng hệ thống theo dõi trực quan trạng thái nhiều thùng rác trên cùng một bảng điều khiển, giúp tối ưu hóa lịch trình thu gom rác của nhân viên vệ sinh.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Điều kiện nhận diện khắt khe: Hệ thống thị giác chỉ hoạt động chính xác trong điều kiện ánh sáng ban ngày, vật thể đặt trực diện trước camera và khoảng cách bắt buộc cố định ở mức 35 cm; độ chính xác suy giảm khi ánh sáng yếu hoặc vật thể bị che khuất, biến dạng mạnh.
• Số lượng phân lớp rác hạn chế: Mô hình mới chỉ tập trung phân loại 2 nhóm cơ bản là chai nhựa và các loại rác thải thông thường khác, chưa phân tách chi tiết các loại rác tái chế khác (kim loại, giấy, thủy tinh) hoặc rác thải hữu cơ.
• Quy mô thùng chứa: Kích thước mô hình thùng rác còn nhỏ, chỉ phù hợp thử nghiệm trong phòng học hoặc văn phòng với các loại rác thải thể tích bé.

Hướng nghiên cứu tiếp

• Mở rộng tập dữ liệu ảnh và huấn luyện mô hình nhận diện đa lớp (phân loại chi tiết rác hữu cơ, rác vô cơ, giấy, kim loại, rác thải điện tử và rác nguy hại).
• Cải tiến phần cứng camera và tích hợp đèn LED trợ sáng tự động hoặc camera hồng ngoại để nhận diện ổn định trong điều kiện ban đêm và môi trường thiếu sáng.
• Nghiên cứu cơ cấu cơ khí nén rác tự động nhằm tăng sức chứa của thùng rác; mở rộng thiết kế thùng rác công cộng quy mô lớn ngoài trời sử dụng nguồn năng lượng mặt trời.

---

Giá trị tham khảo

Báo cáo đồ án tốt nghiệp là tài liệu tham khảo chuyên ngành cho sinh viên, học viên và kỹ sư thuộc các ngành Công nghệ Kỹ thuật Máy tính, Điện tử - Viễn thông, Kỹ thuật Điều khiển và Tự động hóa, và Công nghệ Thông tin (Khoa học Dữ liệu / IoT):

• Thiết kế phần cứng và nhúng: Cung cấp tài liệu tham khảo chi tiết về sơ đồ nguyên lý ghép nối giữa Raspberry Pi 5 và vi điều khiển ESP32, sơ đồ điều khiển động cơ servo, mạch hạ áp công suất LM2596S và mạch xử lý âm thanh DFPlayer Mini.
• Thị giác máy tính ứng dụng: Cung cấp quy trình từng bước từ thu thập, gán nhãn dữ liệu bằng LabelImg, huấn luyện mô hình YOLOv8 trên nền tảng Kaggle và triển khai mô hình học sâu lên phần cứng máy tính nhúng.
• Hệ thống IoT hoàn chỉnh: Cung cấp phương pháp tích hợp cơ sở dữ liệu thời gian thực Firebase Realtime Database với phần cứng vi điều khiển và ứng dụng Web Dashboard.

---

Câu hỏi thường gặp

1. Đồ án sử dụng giải thuật thị giác máy tính nào để nhận diện rác thải và đối tượng phân loại cụ thể là gì?
Đồ án sử dụng mô hình học sâu YOLOv8 (kết hợp đối chứng với mô hình MobileNet) được huấn luyện trên tập dữ liệu tùy chỉnh. Hệ thống tập trung phân loại 2 nhóm đối tượng chính: rác thải là chai nhựa (mở ngăn ngoài) và rác thải không phải chai nhựa (mở ngăn trong).

2. Khối xử lý trung tâm của hệ thống bao gồm những vi xử lý/máy tính nhúng nào và phân chia nhiệm vụ ra sao?
Khối xử lý trung tâm gồm 2 thành phần chính: Máy tính nhúng Raspberry Pi 5 đóng vai trò xử lý ảnh từ USB Camera và chạy mô hình AI nhận diện rác; Module vi điều khiển ESP32 NodeMCU đóng vai trò đọc tín hiệu cảm biến siêu âm, cảm biến khí gas, điều khiển các động cơ Servo, mạch âm thanh DFPlayer Mini và truyền dữ liệu lên máy chủ web.

3. Cơ chế cảnh báo khi thùng rác đầy được thiết kế hoạt động như thế nào?
Khi cảm biến siêu âm bên trong ngăn chứa đo được mức rác đạt ngưỡng đầy (hoặc cảm biến khí gas phát hiện nồng độ khí vượt ngưỡng), vi điều khiển ESP32 sẽ điều khiển module DFPlayer Mini phát âm thanh thông báo "Thùng rác đã đầy" qua loa 3W khi có người lại gần vứt rác, đồng thời gửi cờ báo động về trang web quản trị qua Firebase.

4. Dữ liệu trạng thái của thùng rác được lưu trữ và đồng bộ lên giao diện Web bằng công nghệ gì?
Hệ thống sử dụng nền tảng cơ sở dữ liệu thời gian thực Firebase Realtime Database của Google để lưu trữ và đồng bộ hai chiều trạng thái dung tích rác, thông số cảm biến khí gas, trạng thái nguồn và vị trí thùng rác giữa vi điều khiển ESP32 và ứng dụng Web Dashboard.

5. Phạm vi và giới hạn nhận diện của camera trong đề tài được quy định như thế nào?
Đề tài giới hạn phạm vi nhận diện trong điều kiện ánh sáng ban ngày đầy đủ, góc chụp trực diện đối diện với vật thể và khoảng cách từ ống kính Camera USB đến vật thể rác thải được cố định chính xác là 35 cm.

---

Kết luận

Đồ án tốt nghiệp "Hệ thống quản lý và phân loại rác thải" của sinh viên Đặng Thanh Duy và Trần Bình Nguyên đã nghiên cứu, thiết kế và chế tạo thành công mô hình thùng rác thông minh tích hợp trí tuệ nhân tạo và IoT. Bằng việc kết hợp năng lực tính toán thị giác của mô hình YOLOv8 trên Raspberry Pi 5 cùng khả năng điều khiển linh hoạt của vi điều khiển ESP32 và dịch vụ Firebase Realtime Database, hệ thống đã thực hiện tốt chức năng phân loại rác thải tự động tại nguồn và giám sát từ xa. Kết quả nghiên cứu là nền tảng kỹ thuật hữu ích phục vụ việc phát triển các thiết bị xử lý rác thải tự động quy mô lớn trong đô thị thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN 1. GIỚI THIỆU Trong những năm gần đây, việc xả rác và vứt rác bừa bãi gây ô nhiễm môi trường đang trở thành một chủ đề nóng bỏng và đáng báo động ở mọi quốc gia trên thế giới. Riêng ở Việt Nam, một số nơi đã bị ô nhiễm nghiêm trọng như là các con kênh, bãi rác tự phát, khu đất trống…., dẫn đến ảnh hưởng tới sức khỏe và sự phát triển bền vững. Để giải quyết vấn đề này, điều kiên quyết và chủ yếu nằm ở ý thức mỗi người dân không xả rác bừa bãi, nhưng cũng qua đó, việc xây dựng hệ thống quản lí và phân loại rác thải một cách tự động cũng sẽ thúc đẩy và nâng cao ý thức người dân vứt rác đúng nơi quy định, nhằm hạn chế những vấn đề trên là vô cùng cần thiết.

Trong nghiên cứu này, nhóm thực hiện đề tài sẽ thực hiện tạo ra một thùng rác có thể nhận diện loại rác và tự động phân loại rác thải một cách tự động. Sự tiến bộ mạnh mẽ của công nghệ trong thời đại Công nghiệp 4.0 mở ra cơ hội áp dụng công nghệ vào cuộc sống hàng ngày, và trong trường hợp nhận diện và phân loại rác thải, Internet of Things (IoT) và nhận diện AI (Artificial Intelligence) có thể là một giải pháp hiệu quả. Các công nghệ IoT đã và đang phát triển mạnh mẽ và được áp dụng rộng rãi trong đời sống hiện nay. Một số hệ thống ứng dụng IoT xuất hiện nhiều trong đời sống hiện nay có thể kể đến như là ngôi nhà thông minh, hệ thống tự lái trong ô tô, hệ thống chống trộm, hệ thống tự động tưới cây.

Không chỉ có IoT đang phát triển mạnh mẽ mà bên cạnh đó hệ thống ứng dụng trí tuệ nhân tạo AI cũng đang phát triển mạnh mẽ song song với IoT. AI đang được ứng dụng rất nhiều trong đời sống hiện nay và là công nghệ đang được quan tâm và ứng dụng bậc nhất hiện nay. Có thể kể đến một số công nghệ được áp dụng AI như là nhận diện khuôn mặt, trợ lí ảo, sinh trắc học. Ngày nay, việc áp dụng công nghệ IoT và AI vào đời sống hiện nay nhằm mục đích tạo ra hệ thống tự động, giảm chi phí nhân công, tăng năng suất làm việc.

1 Và việc tạo ra hệ thống tự động để quản lí rác thải, phân loại rác để bảo vệ môi trường đang là vấn đề đang được quan tâm hiện nay. Nhiều nhóm nghiên cứu cũng đã tạo ra được các loại mô hình giúp bảo vệ môi trường như là rô bốt tự động nhặt rác hay các công nghệ xử lí rác thải tự động. Và thiết kế một thùng rác có thể quản lí, nhận diện và phân loại rác thải đang là đề tài được quan tâm hiện nay. Trong nghiên cứu này, nhóm thực hiện đề tài sẽ tập trung vào việc phân loại rác thải nhằm cải thiện quá trình xử lý rác và giảm thiểu ô nhiễm môi trường.

Sự hạn chế lớn nhất của việc phân loại rác thải thủ công là thiếu chính xác và tốn nhiều công sức. Đa phần việc phân loại rác hiện nay vẫn được thực hiện bằng tay, dẫn đến việc lẫn lộn các loại rác và khó khăn trong việc tái chế. Trong nghiên cứu này, nhóm thực hiện đề tài xây dựng một hệ thống tự động phân loại rác thải. Đầu tiên, hệ thống sẽ thực hiện nhận dạng các loại rác thông qua hình ảnh được chụp, và tự động phân loại vào các thùng chứa khác nhau.

Nghiên cứu chỉ tiến hành nhận dạng, phân loại một số loại rác thải đơn giản với hy vọng đây là tiền đề cho việc phát triển các thiết bị phân loại rác thải tự động. Thiết bị được phát triển hướng đến có thể được sử dụng trong hai trường hợp cụ thể: hỗ trợ việc phân loại rác tại các hộ gia đình và tự động phân loại rác thải tại các khu vực công cộng. MỤC TIÊU ĐỀ TÀI Mục tiêu chính của đề tài là tạo ra thùng rác tự động có khả năng nhận diện và phân loại các loại rác thải khác nhau. Đối với các loại rác thải như chai nhựa, hệ thống sẽ mở ngăn bên ngoài, đối với các loại rác thải khác, hệ thống sẽ mở ngăn bên trong.

Xây dựng và triển khai một hệ thống quản lý và phân loại rác thải qua giao diện web. Hệ thống này sẽ tích hợp nhiều chức năng quan trọng, nhằm đảm bảo sự thuận tiện và hiệu quả trong việc quản lý và phân loại rác thải. Hệ thống này có các tính năng sau: tự động đóng mở nắp thùng rác, tự động mở nắp khi có người lại gần để vứt rác và đóng lại khi không có người. Khi thùng rác đầy, loa sẽ phát thông báo "Thùng rác đã đầy" khi có người đến gần thùng rác.

Hệ thống cũng có khả năng tự động phân loại rác thải, nhận diện loại rác qua camera và điều khiển nắp ngăn chứa rác đóng/mở phù hợp. Ngoài ra, hệ 2 thống còn theo dõi vị trí và trạng thái hoạt động của thùng rác thông qua trang web quản lý, cho phép kiểm tra xem thùng rác còn hoạt động hay không và báo cáo về trang web. Bằng cách này, việc áp dụng công nghệ IoT và trí tuệ nhân tạo AI vào hệ thống này sẽ việc quản lý và xử lý rác trở nên dễ dàng hơn, không chỉ góp phần giải quyết vấn đề rác thải hiện nay mà còn tạo tiền đề cho việc phát triển các hệ thống quản lý rác thải thông minh trong tương lai, hướng tới một môi trường sống bền vững và sạch đẹp. GIỚI HẠN ĐỀ TÀI Giới hạn của đề tài bao gồm: - Nhận diện hình ảnh: Đề tài chỉ tập trung nghiên cứu nhận dạng vật thể ở điều kiện ban ngày, đủ ảnh sáng, góc chụp trực diện, khoảng cách từ camera chụp tới vật thể là 35cm.

- Diện tích chứa rác: Nhóm thực hiện đề tài sử dụng mô hình thùng rác cỡ nhỏ dùng để chứa các loại rác thải cỡ nhỏ và vừa. - Vị trí thùng rác: Thùng rác được ứng dụng đặt trong những nơi có diện tích nhỏ như phòng học, phòng làm việc, nhà vệ sinh… 1. PHƯƠNG PHÁP NGHIÊN CỨU Phương pháp tổng hợp tài liệu lý thuyết sẽ được thực hiện bằng cách nghiên cứu và đánh giá các nguồn thông tin chính, như datasheet, tài liệu hướng dẫn và các tài liệu liên quan khác về vi điều khiển và cảm biến. Phương pháp này sẽ tập trung vào cấu trúc, tính năng, giao tiếp và cách sử dụng của từng thành phần, đặc biệt là trong ngữ cảnh của hệ thống quản lý và phân loại rác thải.

Phương pháp mô phỏng sẽ được áp dụng để xây dựng một môi trường ảo, giúp kiểm thử và thử nghiệm phần mềm trước khi triển khai lên hệ thống thực tế. Việc này giúp xác định và khắc phục các lỗi và vấn đề tiềm ẩn trước khi đưa hệ thống vào sử dụng. Phương pháp này sẽ đóng vai trò quan trọng trong việc đảm bảo 3 tính ổn định và hiệu suất của hệ thống trước khi triển khai nó vào môi trường thực tế. Phương pháp khảo sát hệ thống thực tế sẽ được thực hiện bằng cách tiếp cận và nghiên cứu trực tiếp các thành phần của hệ thống, bao gồm cả cảm biến, vi điều khiển, phần cứng hiển thị và các linh kiện khác.

Việc này giúp định rõ cấu trúc và tính năng thực tế của từng phần, cũng như phát hiện và giải quyết các vấn đề mà có thể xuất hiện khi triển khai hệ thống trong điều kiện thực tế. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1. Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài này là hệ thống tự động phân loại rác thải sử dụng công nghệ nhận dạng hình ảnh. Cụ thể, hệ thống sẽ tập trung vào phân loại rác thải là chai nhựa và rác thải không phải chai nhựa.

Hệ thống sẽ sử dụng các cảm biến và camera để nhận dạng và phân loại các loại rác này. Phạm vi nghiên cứu Phạm vi nghiên cứu bao gồm các khía cạnh sau: - Nhận dạng hình ảnh: Sử dụng các kỹ thuật và mô hình học máy để nhận dạng và phân loại rác thải từ hình ảnh. Các mô hình này sẽ được huấn luyện để phân biệt các loại rác thải. - Thiết kế hệ thống phân loại: Xây dựng và thử nghiệm một mô hình hệ thống phân loại rác thải tự động bao gồm phần cứng (cảm biến, camera, bộ điều khiển) và phần mềm (thuật toán nhận dạng, giao diện người dùng).

- Môi trường thử nghiệm: Hệ thống sẽ được thử nghiệm trong môi trường kiểm soát để đánh giá hiệu quả phân loại. Các thử nghiệm sẽ tập trung vào độ chính xác của việc nhận dạng và phân loại, tốc độ xử lý, và khả năng ứng dụng vào thực tế. - Phân tích kết quả: Đánh giá kết quả thử nghiệm, xác định các yếu tố ảnh hưởng đến hiệu quả của hệ thống và đề xuất các cải tiến cần thiết. Ngoài ra, nghiên cứu cũng sẽ xem xét tính khả thi của việc triển khai hệ thống trên quy mô lớn.

BỐ CỤC QUYỂN BÁO CÁO Nội dung chính của đề tài được trình bày với 5 chương: - Chương 1 TỔNG QUAN: giới thiệu chung về đề tài, mục tiêu nghiên cứu, giới hạn đề tài, phương pháp nghiên cứu, đối tượng và phạm vi nghiên cứu. - Chương 2 CƠ SỞ LÝ THUYẾT: giới thiệu về tình hình nghiên cứu, hướng nghiên cứu, các dịch vụ đang được sử dụng. - Chương 3 THIẾT KẾ HỆ THỐNG: đưa ra mô hình chung của toàn hệ thống, các khối của hệ thống, thiết kế từng khối và các thiết bị được sử dụng trong các khối. - Chương 4 KẾT QUẢ: trình bày kết quả thi công của mô hình hệ thống.

- Chương 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN: rút ra các kết luận, điểm mạnh điểm yếu và hướng phát triển của mô hình. 5 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2. TRÍ TUỆ NHÂN TẠO 2. Trí tuệ nhân tạo là gì ? Trí tuệ nhân tạo là khả năng thông minh của máy móc được tạo ra bởi con người.

Từ khi máy tính đầu tiên xuất hiện, các nhà nghiên cứu đã nỗ lực phát triển cả phần cứng và phần mềm để làm cho chúng có khả năng thông minh như con người. Ví dụ, phần mềm chơi cờ trên siêu máy tính GeneBlue có thể đánh bại nhà vô địch cờ vua thế giới, và các ứng dụng khác có thể giải quyết các vấn đề hình học phức tạp. Trong một số lĩnh vực, máy tính có thể vượt trội hoặc bằng ngang con người, tạo thành các hệ thống thông minh. [1] Có nhiều cách tiếp cận để phát triển trí tuệ nhân tạo.