Giới thiệu dự án

Thị trường bàn chải đánh răng toàn cầu đang chứng kiến mức tăng trưởng liên tục với giá trị hàng tỷ USD mỗi năm. Tại Việt Nam, quy mô sản xuất ước tính đạt hơn 250 triệu sản phẩm/năm nhằm phục vụ nhu cầu nội địa và xuất khẩu quốc tế. Theo khuyến cáo từ các tổ chức nha khoa quốc tế, mỗi cá nhân cần thay bàn chải định kỳ từ 2–3 tháng/lần (tương đương 4–6 sản phẩm/năm). Chất lượng lông bàn chải (độ mịn, độ đàn hồi, mật độ sợi) là yếu tố quyết định trực tiếp đến sức khỏe răng miệng: lông bàn chải đạt chuẩn giúp làm sạch mảng bám hiệu quả mà không tổn thương nướu, trong khi sợi lông cứng, biến dạng hoặc kém chất lượng có thể gây tụt lợi, mòn men răng, viêm nha chu và làm tăng nguy cơ nhiễm khuẩn khoang miệng.

Trong dây chuyền sản xuất truyền thống, công đoạn kiểm tra chất lượng lông bàn chải chủ yếu phụ thuộc vào phương pháp thủ công bằng mắt thường kết hợp kiểm tra cảm quan của nhân công. Phương pháp này bộc lộ các nhược điểm nghiêm trọng:

  • Tính chủ quan cao và độ sai số lớn: Phụ thuộc hoàn toàn vào kinh nghiệm và thể trạng của công nhân, dẫn đến tỷ lệ phân loại nhầm lẫn tăng cao sau nhiều giờ làm việc liên tục.
  • Năng suất thấp và chi phí vận hành cao: Tốc độ kiểm tra thủ công không theo kịp công suất của các máy ép nhựa và cấy lông tự động tốc độ cao.
  • Không định lượng được độ cứng/mịn: Không thể đo lường chính xác các thông số cơ lý vi mô của sợi lông thông qua quan sát bề mặt.

Để giải quyết triệt để bài toán trên, dự án "Thiết kế và thi công hệ thống tự động phân loại bàn chải đánh răng" (Đồ án tốt nghiệp ngành Điện tử Công nghiệp – Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, thực hiện bởi SVTH Lê Trường Giang, Nguyễn Thị Huỳnh Giao dưới sự hướng dẫn của TS. Nguyễn Mạnh Hùng) đã được nghiên cứu và triển khai thành công.

+-----------------------------------------------------------------------------------+
|                            MỤC TIÊU DỰ ÁN CỤ THỂ                                  |
+-----------------------------------------------------------------------------------+
| 1. Thiết kế cơ cấu cơ khí tự động (tay kẹp Servo MG996R, trục trượt dẫn hướng).   |
| 2. Tích hợp cảm biến áp điện Ceramic thu thập tín hiệu dao động động học (Analog). |
| 3. Xây dựng mạch điều khiển trung gian dựa trên vi điều khiển ATmega328P.         |
| 4. Triển khai thuật toán máy học Multiclass SVM trên máy tính nhúng Raspberry Pi 4 |
| 5. Phân loại chính xác 3 cấp chất lượng: Tốt (T), Thường (B) và Cũ/Hỏng (K).     |
+-----------------------------------------------------------------------------------+

Giải pháp sử dụng nguyên lý chuyển đổi cơ điện thông qua cảm biến áp điện Ceramic: khi lông bàn chải dao động quét qua bề mặt gốm áp điện, ứng suất cơ học tạo ra điện áp tương ứng với độ mịn và độ cứng của sợi lông. Tín hiệu này được số hóa và phân tích bằng thuật toán Support Vector Machine (SVM) trên hệ điều hành Linux nhúng.

Phạm vi và giới hạn kỹ thuật:

  • Hệ thống tập trung phân loại 3 dòng sản phẩm đại diện trên thị trường: Bàn chải cao cấp (lông tơ siêu mịn), Bàn chải thông thường (lông sợi tổng hợp tiêu chuẩn), và Bàn chải đã qua sử dụng trên 3 tháng (lông tòe, gãy nếp).
  • Thu thập vector đặc trưng gồm 100 điểm điện áp/mẫu dao động thông qua bộ chuyển đổi ADC 10-bit.
  • Đầu ra kết quả được trực quan hóa trên màn hình LCD 2004 thông qua giao thức I2C và truyền thông UART.

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 so sánh các giải pháp kiểm định chất lượng hiện có trong công nghiệp:

Tiêu chí so sánh Kiểm tra thủ công (Manual Inspection) Thị giác máy tính 2D (Computer Vision) Hệ thống cảm biến rung Áp điện + SVM (Đề tài)
Độ chính xác Thấp (60% – 70%, giảm dần theo ca làm việc) Trung bình – Khá (80% – 85%) Khá – Cao (89% trên tập huấn luyện)
Chi phí đầu tư Thấp ban đầu, chi phí nhân công cao dài hạn Rất cao (Camera công nghiệp, lens tele, GPU) Thấp – Tối ưu (Dưới 3.5 triệu VNĐ)
Khả năng đo cơ lý Kém (chỉ sờ nắm định tính) Kém (chỉ thấy hình dạng ngoài, không đo được độ đàn hồi) Rất tốt (Đo trực tiếp lực đàn hồi và ma sát động)
Độ phức tạp tính toán Không có Rất cao (xử lý ma trận ảnh độ phân giải cao) Vừa phải (vector 100 chiều, chạy mượt trên ARM SoC)
Ảnh hưởng môi trường Mệt mỏi mắt, stress nhân công Nhạy cảm với ánh sáng môi trường và bụi bẩn Ổn định, ít phụ thuộc điều kiện quang học

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Tay kẹp giữ bàn chải ổn định; cơ cấu quét bàn chải qua mặt cảm biến với tần số cố định; bộ chuyển đổi ADC đọc điện áp áp điện chính xác; mô hình SVM phân loại 3 lớp đạt độ chính xác $>70%$.
  • Should Have (Nên có): Hiển thị trực tiếp kết quả phân loại lên màn hình LCD 2004; giao diện lưu trữ tệp CSV để tái huấn luyện mô hình.
  • Could Have (Có thể mở rộng): Tự động đẩy bàn chải lỗi vào thùng chứa riêng thông qua cánh tay gạt khí nén.
  • Won't Have (Chưa thực hiện): Phân loại tốc độ siêu cao $>120$ sản phẩm/phút trên băng chuyền xoay công nghiệp.

Thiết kế hệ thống

Kiến trúc hệ thống được phân chia thành 4 khối chức năng chính: Khối chấp hành cơ khí, Khối cảm biến thu thập, Khối xử lý biên (Edge Processing) và Khối hiển thị giám sát.

graph TD
    A[Bàn chải mẫu] -->|Tạo áp lực & dao động| B(Cảm biến Áp điện Ceramic)
    B -->|Tín hiệu điện áp Analog| C(Arduino Uno R3 - ATmega328P)
    C -->|ADC 10-bit, 100 Samples/chu kỳ| D[UART Serial Interface - 9600 baud]
    D -->|Dữ liệu thô CSV| E[Raspberry Pi 4 Model B - BCM2711]
    E -->|Trích xuất đặc trưng & SVM Classifier| F{Mô hình SVM RBF Kernel}
    F -->|Dự đoán: Tốt / Thường / Cũ| G[LCD 2004 via PCF8574 I2C]
    E -->|Điều khiển vị trí & hành trình| H[Driver Động cơ Servo MG996R & Relay]

Technology Stack chi tiết:

  • Hardware Layer:
    • Edge Computing Unit: Raspberry Pi 4 Model B (SoC Broadcom BCM2711, 4 nhân Cortex-A72 64-bit @ 1.5GHz, 4GB LPDDR4-2400 SDRAM).
    • Microcontroller Unit: Arduino Uno R3 (Vi điều khiển 8-bit ATmega328P @ 16MHz, 32KB Flash, 2KB SRAM, 10-bit ADC).
    • Sensing Unit: Cảm biến áp điện Ceramic (Kích thước $30 \times 23\text{ mm}$, điện áp hoạt động $3.3\text{V} - 5\text{V}$, dòng tiêu thụ $<1\text{mA}$, tầm nhiệt $-10^\circ\text{C} \to +70^\circ\text{C}$).
    • Actuator Unit: Động cơ RC Servo MG996R (Bánh răng kim loại, mô-men xoắn $11\text{ kg}\cdot\text{cm}$ tại $6\text{V}$, tốc độ $0.14\text{ s}/60^\circ$), Module Relay cách ly quang 5V kích High/Low.
    • Display Unit: LCD 2004 (20 ký tự $\times$ 4 dòng) tích hợp mạch chuyển đổi I2C chip PCF8574.
  • Software Layer:
    • Hệ điều hành nhúng: Raspberry Pi OS (Debian 11 bullseye, kernel Linux 5.15 LTS).
    • Ngôn ngữ lập trình: Python 3.9.2 (trên Raspberry Pi) và C/C++ (trên Arduino Core).
    • Thư viện máy học & tính toán: Scikit-learn v1.2.x, NumPy v1.24.x, Pandas v1.5.x, Matplotlib v3.7.x, Joblib/Pickle.
    • IDE & Toolchain: Thonny IDE, Jupyter Notebook, Arduino IDE 2.x.

Methodology

Dự án áp dụng quy trình phát triển kết hợp (Hybrid Agile-Waterfall) qua 16 tuần thực hiện nghiêm ngặt:

+---------------------------------------------------------------------------------------------------+
|                                  LỊCH TRÌNH THỰC HIỆN DỰ ÁN (16 TUẦN)                             |
+---------+-------------------------------------------------------------+---------------------------+
| Tuần    | Hạng mục công việc (Milestones)                             | Sản phẩm bàn giao         |
+---------+-------------------------------------------------------------+---------------------------+
| T1 - T2 | Khảo sát tài liệu, nghiên cứu hiệu ứng áp điện & giải thuật | Đề cương chi tiết         |
| T3 - T5 | Thiết kế cơ khí 3D, gia công khung trượt, tay kẹp Servo     | Phần cứng khung cơ khí    |
| T6 - T8 | Thiết kế mạch nguyên lý, lập trình firmware đọc ADC Arduino | Mạch điện & Firmware C++  |
| T9 - T10| Thu thập bộ dữ liệu 9 mẫu bàn chải, trích xuất 100 đặc trưng| Dataset chuẩn hóa (.CSV)  |
| T11- T12| Huấn luyện mô hình SVM, tối ưu hóa C & Gamma qua K-Fold     | Model SVM hoàn chỉnh      |
| T13- T14| Tích hợp toàn hệ thống, thử nghiệm thực tế & gỡ lỗi         | Hệ thống hoàn chỉnh       |
| T15- T16| Viết báo cáo toàn văn, nghiệm thu & bảo vệ trước hội đồng   | Báo cáo đồ án & Slide     |
+---------+-------------------------------------------------------------+---------------------------+

Implementation và kết quả

Development process

1. Cơ sở vật lý của tín hiệu rung cảm biến Ceramic

Hiệu ứng áp điện trực tiếp biến đổi năng lượng cơ học từ độ đàn hồi của lông bàn chải thành điện tích. Mối quan hệ giữa điện áp đầu ra $V$, điện tích $Q$ và điện dung tương đương $C_{\text{sensor}}$ tuân theo phương trình:

$$V = \frac{Q}{C_{\text{sensor}}}$$

Mật độ thông lượng điện trường $D$ sinh ra trong cấu trúc gốm áp điện dưới tác dụng của ứng suất nén/uốn $T$ từ sợi lông bàn chải được mô tả bởi phương trình trạng thái áp điện:

$$D = d \cdot T + \varepsilon \cdot E$$

Trong đó: $d$ là hằng số áp điện của vật liệu ceramic ($\text{C/N}$), $T$ là ứng suất cơ học ($\text{N/m}^2$), $\varepsilon$ là hằng số điện môi ($\text{F/m}$), và $E$ là cường độ điện trường ($\text{V/m}$).

2. Thu thập và tiền xử lý dữ liệu (Arduino C++)

Arduino Uno đọc tín hiệu analog từ chân A0 kết nối với cảm biến Ceramic. Mỗi chu kỳ quét của cơ cấu cơ khí, Arduino lấy mẫu 100 điểm điện áp liên tiếp và đóng gói thành một chuỗi dữ liệu truyền qua cổng nối tiếp (UART Serial, baudrate 9600 bps).

// Firmware Arduino Uno R3: Thu thập tín hiệu dao động áp điện
const int SENSOR_PIN = A0;
const int SAMPLE_SIZE = 100;
int sensorValues[SAMPLE_SIZE];

void setup() {
  Serial.begin(9600);
  pinMode(SENSOR_PIN, INPUT);
}

void loop() {
  if (Serial.available() > 0) {
    char cmd = Serial.read();
    if (cmd == 'S') { // Kích hoạt lấy mẫu từ Raspberry Pi
      for (int i = 0; i < SAMPLE_SIZE; i++) {
        sensorValues[i] = analogRead(SENSOR_PIN);
        delayMicroseconds(500); // Tần số lấy mẫu 2kHz
      }
      // Gửi chuỗi 100 giá trị qua UART
      for (int i = 0; i < SAMPLE_SIZE; i++) {
        Serial.print(sensorValues[i]);
        if (i < SAMPLE_SIZE - 1) Serial.print(",");
      }
      Serial.println();
    }
  }
}

3. Huấn luyện mô hình SVM Đa lớp (Python / Scikit-learn)

Dữ liệu huấn luyện gồm ma trận đặc trưng $X \in \mathbb{R}^{M \times 100}$ và vector nhãn $Y \in {\text{'T'}, \text{'B'}, \text{'K'}}$. Sử dụng hạt nhân Radial Basis Function (RBF Kernel) để phân tách dữ liệu phi tuyến trong không gian nhiều chiều:

$$K(x_i, x_j) = \exp\left(-\gamma |x_i - x_j|^2\right)$$

Chiến lược phân loại đa lớp sử dụng One-vs-Rest (OvR), trong đó $N=3$ bộ phân loại nhị phân độc lập được huấn luyện để tìm ra siêu phẳng phân cách có lề cực đại (maximum margin).

import numpy as np
import pandas as pd
from sklearn.model_selection import StratifiedKFold, GridSearchCV, train_test_split
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
import pickle

# 1. Nạp và phân tách tập dữ liệu
dataset = pd.read_csv('toothbrush_vibration_data.csv')
X = dataset.iloc[:, 0:100].values  # 100 đặc trưng điện áp
y = dataset.iloc[:, 100].values    # Nhãn 'T' (Tốt), 'B' (Thường), 'K' (Cũ)

# Phân chia dữ liệu: 80% Train, 20% Test (Stratified)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.20, random_state=42, stratify=y
)

# 2. Thiết lập lưới siêu tham số để tối ưu hóa
param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': [0.001, 0.01, 0.1, 1, 'scale'],
    'kernel': ['rbf']
}

# 3. Tối ưu hóa siêu tham số bằng Stratified 5-Fold Cross-Validation
cv_strategy = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
grid_search = GridSearchCV(
    estimator=SVC(decision_function_shape='ovr'),
    param_grid=param_grid,
    cv=cv_strategy,
    scoring='accuracy',
    n_jobs=-1
)
grid_search.fit(X_train, y_train)

# 4. Lưu mô hình tối ưu nhất
best_model = grid_search.best_estimator_
with open('svm_toothbrush_model.pkl', 'wb') as model_file:
    pickle.dump(best_model, model_file)

print(f"Tham số tối ưu nhất: {grid_search.best_params_}")
print(f"Độ chính xác Cross-Validation cao nhất: {grid_search.best_score_ * 100:.2f}%")

Testing và validation

Nhóm nghiên cứu đã khảo sát 25 tổ hợp siêu tham số giữa tham số phạt lỗi $C$ và hệ số hạt nhân $\gamma$. Kết quả kiểm nghiệm thực nghiệm 5 trường hợp tiêu biểu nhất được tổng hợp dưới bảng sau:

STT Siêu tham số $C$ Siêu tham số $\gamma$ Training Accuracy Validation Accuracy (5-Fold) Test Accuracy
TH 1 10 0.1 89.13% 71.43% 72.22%
TH 2 1 0.1 86.95% 70.00% 72.22%
TH 3 100 0.01 91.30% 68.57% 66.67%
TH 4 10 0.01 82.60% 67.14% 66.67%
TH 5 1 'scale' 80.43% 65.71% 61.11%

Phân tích ma trận nhầm lẫn (Confusion Matrix) với $C=10, \gamma=0.1$:

  • Lớp Bàn chải Tốt (T): Precision đạt $75.0%$, Recall đạt $75.0%$, F1-Score đạt $0.75$.
  • Lớp Bàn chải Thường (B): Precision đạt $66.7%$, Recall đạt $66.7%$, F1-Score đạt $0.67$.
  • Lớp Bàn chải Cũ/Hỏng (K): Precision đạt $75.0%$, Recall đạt $75.0%$, F1-Score đạt $0.75$.
  • Nhận xét: Sự phân hóa điện áp giữa bàn chải Tốt (biên độ dao động mềm, đều đặn) và bàn chải Cũ (biên độ xung nhọn do lông gãy, cứng) rất rõ rệt. Một số mẫu bàn chải Thường có độ mịn trung gian nằm sát ranh giới quyết định (decision boundary) nên có sự nhầm lẫn nhẹ giữa nhóm T và B.
+-----------------------------------------------------------------------------------+
|                    BẢNG ĐỐI CHIẾU CHỈ TIÊU KỸ THUẬT ĐẠT ĐƯỢC                      |
+------------------------------------+-----------------------+----------------------+
| Thông số kỹ thuật / Tính năng      | Mục tiêu ban đầu      | Kết quả thực tế      |
+------------------------------------+-----------------------+----------------------+
| Thời gian lấy mẫu & phân loại      | $< 5.0\text{ giây}$   | $3.2\text{ giây}$    |
| Độ chính xác nhận dạng tổng thể    | $> 70.0\%$            | $72.22\%$ (Test Set) |
| Số lượng lớp nhận dạng             | 3 lớp (T, B, K)       | 3 lớp hoàn chỉnh     |
| Khả năng hoạt động độc lập (Edge)  | Standalone (No PC)    | 100% trên Raspberry  |
| Chi phí phần cứng hoàn thiện       | $< 4.000.000\text{ đ}$| $3.150.000\text{ đ}$ |
+------------------------------------+-----------------------+----------------------+

Đổi mới và đóng góp

  1. Phương pháp tiếp cận phi quang học (Non-optical Mechanical Sensing): Thay vì dùng camera dễ bị ảnh hưởng bởi ánh sáng, góc chụp và màu sắc sợi lông, đề tài sử dụng trực tiếp cảm biến áp điện Ceramic để đo phản lực cơ học vi mô. Đây là hướng tiếp cận sáng tạo, đo đạc trực tiếp bản chất độ đàn hồi vật lý của sợi lông.
  2. Tối ưu hóa tài nguyên phần cứng nhúng: Chuyển đổi thành công mô hình học máy SVM nhiều chiều sang chạy trực tiếp trên Raspberry Pi 4 Model B kết hợp Arduino Uno R3, không cần kết nối Cloud hay GPU chuyên dụng đắt tiền.
  3. Thuật toán phân loại tối ưu với tập dữ liệu nhỏ: Áp dụng thành công kỹ thuật Stratified K-Fold Cross-Validation kết hợp Grid Search để ngăn chặn hiện tượng Overfitting trên tập mẫu hữu hạn.
Phương pháp Chi phí triển khai Tốc độ chu kỳ Độ tin cậy cơ lý Mức độ phức tạp vận hành
Thủ công (Công nhân) Thấp ban đầu $8 - 12\text{ s/sản phẩm}$ Thấp (chủ quan) Đơn giản nhưng tốn nhân lực
Thị giác máy tính (AI Vision) $40 - 80\text{ triệu VNĐ}$ $1 - 2\text{ s/sản phẩm}$ Trung bình (quang học) Cao (cần hiệu chuẩn ánh sáng)
Áp điện Ceramic + SVM (Đề tài) $3.15\text{ triệu VNĐ}$ $3.2\text{ s/sản phẩm}$ Rất cao (đo lực trực tiếp) Thấp (Plug-and-play)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong nhà máy sản xuất hàng tiêu dùng

  • Trạm kiểm định chất lượng cuối chuyền (End-of-Line QA/QC): Tích hợp sau công đoạn cấy lông và cắt tỉa để loại bỏ ngay lập tức các bàn chải có sợi lông bị cứng bất thường hoặc không đồng đều.
  • Thiết bị kiểm định độc lập tại phòng R&D: Dùng để đánh giá tuổi thọ và độ bền mỏi của các mẫu sợi lông mới sau các chu kỳ chải mô phỏng $10.000 - 50.000$ lần.

Phân tích chi phí - lợi ích (Cost-Benefit Analysis & ROI)

  • Chi phí chế tạo hệ thống mẫu (Prototype):
    • Kit Raspberry Pi 4 Model B (4GB): $1.650.000\text{ VNĐ}$
    • Bo mạch Arduino Uno R3: $180.000\text{ VNĐ}$
    • Động cơ Servo MG996R, module Relay, tay kẹp kim loại: $450.000\text{ VNĐ}$
    • Cảm biến áp điện Ceramic, màn hình LCD 2004 I2C, nguồn 5V-3A: $370.000\text{ VNĐ}$
    • Gia công khung cơ khí, mica, trục trượt dẫn hướng: $500.000\text{ VNĐ}$
    • Tổng chi phí phần cứng: $3.150.000\text{ VNĐ}$.
  • Thời gian hoàn vốn (ROI): Một chuyền kiểm tra thủ công cần ít nhất 2 công nhân/ca (chi phí $\approx 16\text{ triệu VNĐ/tháng}$). Khi lắp đặt 01 module phân loại tự động, doanh nghiệp tiết kiệm $>80%$ chi phí nhân công kiểm định, thời gian thu hồi vốn ước tính dưới 1.5 tháng/trạm kiểm tra.
+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI CÔNG NGHIỆP                            |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1 (0 - 3 tháng) : Chuẩn hóa cơ cấu kẹp phôi tự động từ băng tải.       |
| Giai đoạn 2 (4 - 6 tháng) : Tăng tần số lấy mẫu ADC lên 10kHz & tích hợp 1D-CNN.  |
| Giai đoạn 3 (7 - 9 tháng) : Kết nối giao thức công nghiệp Modbus TCP / MQTT SCADA.|
| Giai đoạn 4 (10 - 12 tháng): Đóng gói chuẩn công nghiệp IP65 & nhân rộng dây chuyền|
+-----------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Quy mô tập dữ liệu ban đầu còn hẹp: Thử nghiệm trên 9 mẫu bàn chải đại diện với 100 đặc trưng điện áp, chưa bao quát toàn bộ các biến thể lông bàn chải đa tầng hoặc lông than hoạt tính trên thị trường.
  • Tốc độ cơ cấu cơ khí: Cơ cấu sử dụng động cơ RC Servo góc quay giới hạn tốc độ quét; thời gian chu kỳ hiện tại đạt $3.2\text{ giây/sản phẩm}$, cần rút ngắn xuống $<1.0\text{ giây}$ để đồng bộ hoàn toàn với băng chuyền siêu tốc.
  • Độ mài mòn cơ học của bề mặt cảm biến: Tiếp xúc ma sát liên tục giữa sợi lông và tấm gốm áp điện có thể làm suy hao bề mặt theo thời gian dài nếu không có lớp màng polymer bảo vệ chuyên dụng.

Hướng phát triển mở rộng

  1. Nâng cấp mô hình mạng nơ-ron tích chập 1 chiều (1D-CNN) hoặc TinyML: Huấn luyện trực tiếp trên chuỗi tín hiệu thời gian thực (Time-series) để tăng độ chính xác lên $>95%$.
  2. Cải tiến cơ cấu chấp hành: Thay thế Servo RC bằng động cơ bước (Stepper Motor) kết hợp trục vít me bi (Ball screw) hoặc cơ cấu xi lanh khí nén tốc độ cao.
  3. Tích hợp cảm biến kép (Sensor Fusion): Kết hợp cảm biến áp điện Ceramic và Camera đo quang phổ để vừa kiểm tra cơ tính vừa kiểm tra tính thẩm mỹ của màu sắc lông bàn chải.

Đối tượng hưởng lợi

  • Sinh viên & Người học ngành Kỹ thuật: Tiếp cận tài liệu thực tế về việc kết hợp giữa kỹ thuật cơ điện tử (Mechatronics), vi điều khiển và trí tuệ nhân tạo biên (Edge AI); nắm vững quy trình xử lý dữ liệu và tối ưu siêu tham số SVM bằng Python.
  • Kỹ sư lập trình nhúng & IoT: Tham khảo kiến trúc phân tầng xử lý: Arduino chuyên trách thu thập thời gian thực (Real-time data acquisition) kết hợp Raspberry Pi chuyên trách thuật toán thông minh (Complex computing).
  • Doanh nghiệp sản xuất hàng tiêu dùng: Giải pháp tham khảo chi phí thấp để tự động hóa công đoạn QA/QC, giảm tỷ lệ hàng lỗi xuất xưởng, bảo vệ uy tín thương hiệu.
  • Các nhà nghiên cứu ứng dụng: Minh chứng thực nghiệm cho thấy cảm biến áp điện có thể thay thế hiệu quả các hệ thống quang học đắt tiền trong các bài toán đo lường cơ học vi mô.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai lại hệ thống này là gì?

Hệ thống yêu cầu: 01 vi điều khiển hỗ trợ ADC 10-bit (Arduino Uno R3 hoặc STM32F103), 01 máy tính nhúng chạy hệ điều hành Linux hỗ trợ Python 3.8+ (Raspberry Pi 3B+/4B hoặc Jetson Nano), 01 cảm biến áp điện Ceramic $30\times23\text{ mm}$, 01 động cơ Servo tải trọng $\ge 10\text{ kg}\cdot\text{cm}$ và bộ nguồn DC $5\text{V} - 3\text{A}$ ổn áp.

2. Làm thế nào để giải quyết vấn đề nhiễu điện áp từ động cơ ảnh hưởng đến cảm biến Ceramic?

Trong thiết kế phần cứng, cần tách biệt nguồn cấp (Power Supply) của động cơ Servo và nguồn cấp của vi điều khiển/cảm biến; sử dụng tụ lọc nhiễu gốm $100\text{nF}$ mắc song song ngõ ra cảm biến kết hợp module Relay có cách ly quang (Optocoupler Isolation) để triệt tiêu hiện tượng sụt áp và xung điện áp ngược.

3. Tại sao chọn thuật toán SVM thay vì mạng nơ-ron học sâu (Deep Learning)?

Với bài toán có kích thước tập dữ liệu mẫu vừa phải và vector đặc trưng 100 chiều, SVM (đặc biệt là RBF Kernel) mang lại hiệu quả vượt trội trong việc tìm siêu phẳng tối ưu mà không yêu cầu tài nguyên tính toán lớn hay GPU rời, hạn chế tối đa nguy cơ Overfitting và cho thời gian suy luận (Inference time) cực nhanh ($<15\text{ ms}$) trên CPU ARM.

4. Cảm biến Ceramic có bị giảm độ nhạy sau thời gian dài tiếp xúc cơ học không?

Gốm áp điện Ceramic PZT có độ bền cơ học cao nhưng để vận hành công nghiệp liên tục, cần phủ một lớp màng bảo vệ mỏng bằng vật liệu Teflon hoặc Polyurethane lên bề mặt tiếp xúc để chống mài mòn mà vẫn truyền tải trọn vẹn lực dao động đến tinh thể áp điện.

5. Hệ thống giao tiếp giữa Arduino và Raspberry Pi như thế nào?

Hai bo mạch giao tiếp thông qua giao thức UART Serial chuẩn (chân TX/RX kết nối chéo hoặc qua cáp USB Serial) với tốc độ baudrate 9600 bps. Raspberry Pi gửi ký tự điều khiển 'S', Arduino nhận lệnh sẽ kích hoạt chu kỳ lấy mẫu 100 điểm và phản hồi chuỗi ký tự phân tách bằng dấu phẩy.

Kết luận

Đồ án "Thiết kế và thi công hệ thống tự động phân loại bàn chải đánh răng" đã chứng minh tính khả thi và hiệu quả cao của việc ứng dụng công nghệ cảm biến áp điện kết hợp thuật toán máy học Support Vector Machine trong công nghiệp sản xuất hàng tiêu dùng. Với độ chính xác phân loại đạt $89.13%$ trên tập huấn luyện và $72.22%$ trên tập kiểm thử thực tế độc lập, hệ thống mở ra một giải pháp tự động hóa chi phí thấp (chỉ hơn 3 triệu đồng), vận hành ổn định và sẵn sàng nâng cấp mở rộng. Đây là bước đệm quan trọng giúp các doanh nghiệp vừa và nhỏ từng bước chuyển đổi số dây chuyền kiểm định chất lượng theo tiêu chuẩn Công nghiệp 4.0.