Bối cảnh và vấn đề nghiên cứu

Lý do chọn đề tài và bối cảnh thực tiễn

Bàn chải đánh răng là vật dụng chăm sóc vệ sinh răng miệng thiết yếu hằng ngày. Theo khuyến cáo y khoa, mỗi người nên thay bàn chải sau 2 đến 3 tháng sử dụng, tương đương nhu cầu tiêu thụ trung bình từ 4 đến 6 bàn chải/người/năm. Tại Việt Nam, năng lực sản xuất đạt trên 250 triệu sản phẩm mỗi năm phục vụ thị trường nội địa và xuất khẩu toàn cầu. Quy mô sản xuất lớn đặt ra yêu cầu nghiêm ngặt về kiểm soát chất lượng lông bàn chải; việc sử dụng bàn chải kém chất lượng hoặc mòn hỏng có thể làm tổn thương nướu, tụt lợi, mòn men răng và tăng nguy cơ nhiễm khuẩn khoang miệng.

Phần lớn các công đoạn đánh giá chất lượng bàn chải hiện nay vẫn phụ thuộc vào phương pháp thủ công, tiêu tốn nhân lực và thời gian. Nhằm tự động hóa khâu kiểm tra và phân loại, đề tài "Thiết kế và thi công hệ thống tự động phân loại bàn chải đánh răng" được thực hiện bởi sinh viên Lê Trường Giang và Nguyễn Thị Huỳnh Giao, dưới sự hướng dẫn của TS. Nguyễn Mạnh Hùng tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. Nghiên cứu khai thác nguyên lý chuyển đổi dao động cơ học thành tín hiệu điện thông qua cảm biến áp điện gốm (Ceramic) kết hợp cùng thuật toán học máy Support Vector Machine (SVM) trên nền tảng vi điều khiển và máy tính nhúng.

Mục tiêu và nhiệm vụ nghiên cứu

Mục tiêu trung tâm của đồ án là thiết kế, chế tạo hoàn chỉnh mô hình phần cứng và lập trình hệ thống tự động phân loại chất lượng bàn chải thành 3 nhóm: "Tốt", "Thường" và "Cũ". Quá trình nghiên cứu thực hiện 9 nội dung cụ thể:

  1. Thiết kế tay cầm giữ bàn chải.
  2. Thiết kế trục cơ khí để tạo dao động cho bàn chải.
  3. Kết nối cảm biến áp điện với Arduino Uno và truyền dữ liệu về Raspberry Pi 4.
  4. Lập trình giao tiếp và điều khiển toàn bộ hệ thống.
  5. Đo đạc và thu thập tập dữ liệu dao động.
  6. Xây dựng, huấn luyện và đánh giá mô hình phân loại học máy SVM.
  7. Thi công phần cứng, chạy thử nghiệm và hiệu chỉnh hệ thống.
  8. Viết báo cáo thực hiện đồ án tốt nghiệp.
  9. Bảo vệ luận văn trước hội đồng chuyên môn.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Sự thay đổi biên độ dao động và độ mịn của lông bàn chải đánh răng khi ma sát cơ học với bề mặt cảm biến áp điện; mô hình phân loại đa lớp Support Vector Machine.
  • Phạm vi dữ liệu và thực nghiệm: Hệ thống thực nghiệm trên 9 mẫu bàn chải phân bố theo 3 cấp chất lượng: loại "Tốt" (lông mềm mịn, sản phẩm cao cấp), loại "Thường" (lông cứng, giá rẻ bình dân) và loại "Cũ" (bàn chải đã qua sử dụng từ 3 tháng trở lên, lông cong vênh, tòe ngọn). Mỗi lần đo trích xuất 100 đặc trưng điện áp lưu trữ dưới dạng tệp CSV.
  • Thời gian thực hiện: Từ ngày 11/09/2023 đến ngày 31/12/2023.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tính toán

Nghiên cứu được xây dựng trên hai trụ cột lý thuyết chính:

  1. Nguyên lý cảm biến áp điện (Piezoelectric Effect): Dựa trên hiệu ứng áp điện trực tiếp (Curie, 1880), khi tác động lực cơ học lên vật liệu gốm áp điện (Ceramic), sự biến dạng cấu trúc tinh thể làm phân cực điện tích và sinh ra hiệu điện thế. Mối quan hệ giữa điện áp ngõ ra $V$, điện tích $Q$ và điện dung $C$ được xác định theo công thức: $$V = \frac{Q}{C}$$ Mật độ thông lượng điện trường tạo ra do áp điện trong ceramic tuân theo phương trình: $$D = dT + \varepsilon E$$ Trong đó: $D$ là mật độ thông lượng điện trường ($\text{C/m}^2$), $T$ là áp lực tác động ($\text{N/m}^2$), $E$ là điện trường ($\text{V/m}$), $d$ là hằng số áp điện ($\text{C/N}$ hoặc $\text{m/V}$), và $\varepsilon$ là độ điện thẩm.

  2. Mô hình học máy Support Vector Machine (SVM): Thuật toán tìm kiếm siêu phẳng (hyperplane) tối ưu trong không gian đa chiều nhằm tối đa hóa khoảng cách biên (margin) giữa các lớp dữ liệu. Để giải quyết bài toán phân loại đa lớp (Multiclass Classification) cho 3 nhóm bàn chải, tác giả khảo sát hai chiến lược:

    • One-vs-One (OvO): Xây dựng $\frac{N(N-1)}{2}$ bộ phân loại nhị phân (với $N=3$ lớp thì tạo ra 3 bộ phân biệt: Tốt-Thường, Tốt-Cũ, Thường-Cũ) và bỏ phiếu bầu chọn.
    • One-vs-All (OvA / OvR): Xây dựng $N$ bộ phân loại, mỗi bộ phân tách một lớp xác định với tất cả các lớp còn lại.
    • Hàm nhân (Kernel Function): Sử dụng hàm nhân Radial Basis Function (RBF) để ánh xạ không gian đặc trưng phi tuyến tính phức tạp.
+-------------------------------------------------------------+
|                     Kiến trúc hệ thống                      |
|                                                             |
|  [ Bàn chải ] --(Dao động cơ học)--> [ Cảm biến Ceramic ]   |
|                                             |               |
|                                    (Tín hiệu Analog)        |
|                                             v               |
|  [ Màn hình LCD 20x4 ] <--(I2C)-- [ Arduino Uno R3 ]        |
|                                             |               |
|                                      (Giao tiếp UART)       |
|                                             v               |
|       [ Raspberry Pi 4 Model B ] <----------+               |
|       - Thu thập tệp CSV (100 đặc trưng)                    |
|       - Phân loại SVM (RBF Kernel: C, gamma)                |
|       - Xuất nhãn: Tốt (T) / Thường (B) / Cũ (K)            |
+-------------------------------------------------------------+

Phương pháp nghiên cứu và công cụ xử lý

  • Phương pháp thu thập dữ liệu thực nghiệm: Bàn chải được cố định bằng tay gắp cơ khí, kích hoạt chuyển động tịnh tiến/quét qua đầu cảm biến áp điện Ceramic; tín hiệu điện áp biến thiên được lấy mẫu analog qua bộ chuyển đổi ADC 10-bit của Arduino Uno và truyền nối tiếp về Raspberry Pi 4.
  • Phương pháp tiền xử lý và tối ưu hóa: Dữ liệu điện áp thô được chuẩn hóa, phân chia thành tập huấn luyện (Training set), tập kiểm định (Validation set) và tập kiểm thử (Test set). Quá trình tinh chỉnh siêu tham số $C$ (kiểm soát mức độ phạt lỗi/regularization) và $\gamma$ (gamma - xác định tầm ảnh hưởng của từng điểm dữ liệu) được thực hiện thông qua phương pháp kiểm định chéo phân tầng (Stratified K-Fold Cross-Validation).
  • Phương pháp đánh giá mô hình: Đánh giá thông qua độ chính xác tổng thể (Accuracy), ma trận nhầm lẫn (Confusion Matrix), cùng các chỉ số đo lường Precision (độ chuẩn xác), Recall (độ thu hồi) và F1-Score.

Thiết kế và triển khai

Kiến trúc phần cứng

Hệ thống phần cứng được thiết kế dạng module tích hợp bao gồm các khối chức năng chính:

Tên linh kiện / Module Thông số kỹ thuật chính Vai trò trong hệ thống
Raspberry Pi 4 Model B CPU Broadcom BCM2711 quad-core Cortex-A72 1.5GHz, 40 chân GPIO, hệ điều hành Raspbian OS Đơn vị xử lý trung tâm, lưu trữ tệp dữ liệu CSV, chạy mô hình học máy SVM, đưa ra quyết định phân loại
Arduino Uno R3 Vi điều khiển ATmega328P (8-bit, 16 MHz), 6 ngõ vào Analog (10-bit), 14 chân Digital I/O Đọc tín hiệu điện áp analog từ cảm biến áp điện, điều khiển cơ cấu chấp hành và truyền dữ liệu lên Raspberry Pi qua UART
Cảm biến áp điện Ceramic Điện áp hoạt động 3.3V – 5V, dòng điện < 1mA, nhiệt độ 10°C – 70°C, ngõ ra tín hiệu Analog, kích thước 30 x 23 mm Tiếp nhận rung động cơ học từ lông bàn chải và biến đổi thành tín hiệu điện áp tương ứng
Động cơ Servo MG996R Điện áp 4.8V – 6.0V DC, góc quay 0° – 180°, tốc độ 0.14s/60° (ở 6V), mô-men xoắn 9.4 kg.cm (4.8V) và 11 kg.cm (6V), bánh răng kim loại Dẫn động trục cơ khí tạo dao động quét ổn định cho bàn chải
Tay gắp Servo MG995 Cơ cấu gắp kim loại điều khiển bằng servo Kẹp giữ cố định thân bàn chải đánh răng trong quá trình kiểm tra
Module 1 Relay 5V Kích mức cao/thấp (High/Low trigger), dòng tải tối đa 10A (250VAC / 30VDC) Điều khiển đóng ngắt mạch điện cơ cấu kéo đẩy và ống từ trường
Màn hình LCD 2004 Kích thước hiển thị 20 ký tự x 4 dòng, tích hợp mạch chuyển đổi I2C Hiển thị trực quan trạng thái vận hành và kết quả phân loại ("Tốt", "Thường", "Cũ")

Triển khai phần mềm và thuật toán

  1. Chương trình nhúng trên Arduino: Lập trình bằng C/C++ trên môi trường Arduino IDE, thực hiện đọc tín hiệu liên tục từ cổng Analog A0, chuyển đổi mức điện áp sang định dạng số và truyền tuần tự qua giao tiếp USB Serial (UART) tốc độ cao sang Raspberry Pi.
  2. Chương trình xử lý trên Raspberry Pi: Phát triển bằng ngôn ngữ Python trên Jupyter Notebook và Thonny:
    • Khai thác các thư viện: pandas và numpy (tiền xử lý mảng và lưu tệp CSV), scikit-learn (huấn luyện mô hình LinearSVC, SVC, NuSVC và chạy Stratified K-Fold CV), matplotlib (trực quan hóa biểu đồ dao động và ma trận nhầm lẫn), pickle (đóng gói và lưu trữ trọng số mô hình tối ưu để triển khai thực tế).
    • Thiết lập cấu trúc vector dữ liệu gồm 100 chiều điện áp đầu vào đại diện cho biến thiên rung động của từng mẫu, nhãn phân loại đầu ra gồm: "T" (Tốt), "B" (Thường), "K" (Cũ).

Nội dung chính theo từng chương

Chương 1: Tổng quan

Trình bày tổng quan ngành công nghiệp sản xuất bàn chải đánh răng với doanh thu hàng tỷ USD và sản lượng hơn 250 triệu chiếc/năm tại Việt Nam. Nêu rõ mức độ ảnh hưởng của chất lượng lông bàn chải đối với sức khỏe nướu và khoang miệng. Xác định tính cấp thiết của việc chuyển đổi phương pháp kiểm tra thủ công sang tự động hóa bằng cảm biến áp điện kết hợp máy học; công bố mục tiêu, 9 nội dung nghiên cứu, giới hạn kỹ thuật và bố cục tổng thể của đồ án.

Chương 2: Cơ sở lý thuyết

Đi sâu vào các kiến thức chuyên ngành liên quan:

  • Phân tích mối quan hệ giữa độ mịn lông bàn chải với chất lượng: lông mềm mịn phân bổ lực đều giúp làm sạch mảng bám mà không gây tổn thương mô mềm; lông thô ráp gây xước nướu; lông mòn cong làm mất khả năng len lỏi kẽ răng.
  • Trình bày bản chất vật lý của hiệu ứng áp điện trên vật liệu gốm Ceramic và các phương trình biến đổi năng lượng cơ - điện.
  • Giới thiệu chi tiết lý thuyết thuật toán SVM, phân loại siêu phẳng, khoảng cách lề lớn nhất (large margin), cơ chế mở rộng đa lớp One-vs-One và One-vs-All.
  • Khảo sát các lớp thuật toán trong thư viện Scikit-learn: LinearSVC (tối ưu tuyến tính dựa trên liblinear), SVC (hỗ trợ kernel phi tuyến RBF dựa trên libsvm), và NuSVC (kiểm soát số lượng vector hỗ trợ qua tham số $\nu$).
  • Phân tích thông số kỹ thuật chi tiết của phần cứng: Raspberry Pi 4 Model B, Arduino Uno R3, cảm biến Ceramic, Servo MG996R/MG995, Relay và LCD 2004.

Chương 3: Tính toán và thiết kế

  • Xây dựng sơ đồ khối toàn hệ thống, sơ đồ nguyên lý mạch điều khiển, tính toán công suất nguồn cấp ổn định cho máy tính nhúng, vi điều khiển và hệ thống động cơ chấp hành.
  • Thiết kế cơ khí chi tiết: thiết kế khung kéo đẩy, ống từ trường tạo lực dao động, thanh trượt dẫn hướng và cụm tay gắp bàn chải cố định.
  • Thiết kế mô hình dữ liệu: cấu trúc hóa tập mẫu với 100 giá trị điện áp trích xuất cho mỗi lần đo.
  • Thiết lập phương pháp tối ưu hóa siêu tham số $C$ và $\gamma$ thông qua kiểm định chéo phân tầng Stratified K-Fold kết hợp đánh giá ma trận nhầm lẫn (Confusion Matrix).

Chương 4: Thi công hệ thống

  • Tiến hành lắp ráp cơ khí, gia công khung gá, kết nối dây dẫn giữa cảm biến, các board điều khiển, mạch cầu relay đảo chiều và màn hình hiển thị LCD I2C.
  • Xây dựng lưu đồ giải thuật cho chương trình Arduino (đọc analog và điều khiển ngoại vi) và lưu đồ giải thuật trên Raspberry Pi (thu nhận chuỗi ký tự, trích xuất đặc trưng, gọi mô hình SVM phân loại và xuất kết quả ra màn hình).
  • Lập bảng dự toán chi phí linh kiện và vật tư phục vụ thi công hệ thống.

Chương 5: Kết quả và nhận xét

  • Đánh giá hoạt động thực tế của mô hình phần cứng: các cơ cấu kẹp, đẩy và quét dao động hoạt động đồng bộ, cảm biến áp điện Ceramic ghi nhận rõ rệt sự chênh lệch tín hiệu điện áp giữa 3 nhóm chất lượng lông bàn chải.
  • Thử nghiệm 25 cặp tổ hợp siêu tham số $C$ và $\gamma$ để tìm ra 5 cấu hình tối ưu nhất.
  • Đánh giá chi tiết hiệu suất mô hình SVM sử dụng kernel RBF qua 5 kịch bản thông số tiêu biểu ($C=10, \gamma=0.x$; $C=1, \gamma=0.x$; $C=100, \gamma=0.x$), phân tích ma trận nhầm lẫn và chỉ ra các trường hợp nhận diện sai lệch giữa các lớp.

Chương 6: Kết luận và hướng phát triển

  • Tổng kết toàn bộ kết quả đạt được về mặt chế tạo phần cứng, thu thập dữ liệu và độ chính xác phân loại của thuật toán học máy.
  • Đề xuất các định hướng nghiên cứu tiếp theo nhằm nâng cao độ tin cậy và khả năng ứng dụng thực tế trong dây chuyền sản xuất công nghiệp.

Kết quả và đóng góp

Kết quả định lượng của mô hình học máy

Qua quá trình thực nghiệm và kiểm tra 25 trường hợp cấu hình siêu tham số trên tập dữ liệu đo đạc, mô hình SVM sử dụng hàm nhân RBF đã cho các kết quả cụ thể:

Giai đoạn đánh giá Độ chính xác (Accuracy) Ghi chú kỹ thuật
Tập huấn luyện (Training Set) 89% Mô hình học tốt các ranh giới siêu phẳng giữa 3 nhóm bàn chải
Tập kiểm định (Validation Set) 71% Đánh giá thông qua Stratified K-Fold Cross-Validation
Tập kiểm thử (Test Set) 72% Đánh giá trên tập dữ liệu kiểm tra độc lập

Các chỉ số phân lớp chi tiết:

  • Ma trận nhầm lẫn (Confusion Matrix) cho thấy mô hình có khả năng phân tách rất rõ ràng giữa nhóm bàn chải "Tốt" và bàn chải "Cũ" do sự cách biệt lớn về biên độ dao động điện áp.
  • Một số trường hợp nhầm lẫn xuất hiện chủ yếu giữa nhóm "Thường" và "Tốt", hoặc giữa "Thường" và "Cũ" do đặc tính độ mịn ở vùng ranh giới có sự giao thoa nhẹ.
  • Các chỉ số Precision, Recall và F1-Score trên từng lớp đạt mức đồng đều sau khi lựa chọn bộ tham số $C$ và $\gamma$ tối ưu.
                    Ma trận phân loại thực tế
                       (Dữ liệu kiểm thử)
                      
                         Dự đoán: Tốt   Dự đoán: Thường   Dự đoán: Cũ
     Thực tế: Tốt      [     Cao     ] [      Thấp     ] [    Rất thấp   ]
     Thực tế: Thường   [     Thấp    ] [       Cao     ] [      Thấp     ]
     Thực tế: Cũ       [   Rất thấp  ] [      Thấp     ] [      Cao      ]

Giải pháp kỹ thuật và đóng góp của đề tài

  1. Thi công thành công mô hình tích hợp: Kết hợp cơ cấu cơ khí tự động (servo MG996R, tay gắp MG995, ống trượt từ trường) với cảm biến áp điện gốm Ceramic, tạo ra giải pháp đo lường dao động khách quan thay thế phương pháp cảm quan thủ công.
  2. Quy trình thu nhận và xử lý dữ liệu hoàn chỉnh: Xây dựng luồng giao tiếp dữ liệu liên tục từ cảm biến analog $\rightarrow$ Arduino Uno $\rightarrow$ Raspberry Pi 4 $\rightarrow$ tệp CSV $\rightarrow$ mô hình phân loại SVM $\rightarrow$ xuất kết quả lên LCD 20x4.
  3. Ứng dụng thuật toán học máy vào bài toán kỹ thuật thực tế: Chứng minh tính khả thi của việc sử dụng SVM đa lớp (với RBF kernel) trong việc xử lý chuỗi 100 đặc trưng điện áp dao động cơ học để phân loại chất lượng sản phẩm tiêu dùng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Kích thước bộ dữ liệu: Số lượng mẫu thử nghiệm còn hạn chế (9 bàn chải đại diện cho 3 phân nhóm), dẫn đến độ chính xác trên tập kiểm định (71%) và tập kiểm thử (72%) chưa đạt mức tối ưu tuyệt đối.
  • Tính ổn định cơ khí: Hệ thống cơ cấu kẹp và tiếp xúc rung cơ học trong môi trường thực nghiệm vẫn tồn tại sai số tiếp xúc nhỏ giữa các lần gá đặt bàn chải.
  • Số lượng đặc trưng: Cố định 100 đặc trưng điện áp ngõ ra cho mỗi lần quét, chưa áp dụng các giải pháp lọc nhiễu nâng cao hoặc trích xuất đặc trưng miền tần số (FFT).

Hướng nghiên cứu phát triển

  • Mở rộng quy mô tập dữ liệu bằng cách thu thập trên hàng trăm mẫu bàn chải với nhiều chủng loại, thương hiệu và mức độ hao mòn khác nhau.
  • Tăng cường số lượng đặc trưng điện áp trích xuất và thử nghiệm thêm các kỹ thuật tiền xử lý tín hiệu (bộ lọc số, phân tích phổ tần số dao động).
  • Tối ưu hóa cơ cấu cơ khí, thiết kế băng chuyền nạp - nhả bàn chải tự động liên tục nhằm đáp ứng yêu cầu tốc độ cao của dây chuyền công nghiệp.
  • Khảo sát bổ sung các mô hình học máy và mạng nơ-ron khác để so sánh hiệu năng và nâng cao hơn nữa độ chính xác phân loại.

Giá trị tham khảo

Tài liệu đồ án tốt nghiệp này mang lại giá trị tham khảo thiết thực cho:

  • Sinh viên ngành Kỹ thuật Điện tử, Điện tử Công nghiệp, Cơ điện tử và Kỹ thuật Y sinh: Cung cấp tài liệu tham khảo chi tiết về phương pháp ghép nối cảm biến áp điện analog với vi điều khiển, kỹ thuật truyền thông nối tiếp giữa Arduino và máy tính nhúng Linux (Raspberry Pi).
  • Người nghiên cứu ứng dụng Trí tuệ nhân tạo và Học máy trên thiết bị biên (Edge AI): Cung cấp quy trình hoàn chỉnh từ thu thập tín hiệu vật lý, tiền xử lý, cấu trúc hóa dữ liệu dạng bảng (CSV), huấn luyện thuật toán SVM (LinearSVC, SVC, NuSVC), tinh chỉnh siêu tham số $C, \gamma$ bằng Stratified K-Fold đến đóng gói mô hình bằng pickle để thực thi trực tiếp trên hệ nhúng.
  • Kỹ sư thiết kế hệ thống kiểm tra chất lượng tự động (QA/QC): Cung cấp ý tưởng thiết kế cơ cấu đo độ cứng/độ mịn bề mặt tiếp xúc dựa trên phân tích dao động điện áp thay vì chỉ dựa vào thị giác máy tính thông thường.

Câu hỏi thường gặp

1. Đồ án sử dụng loại cảm biến nào để thu thập dữ liệu độ mịn lông bàn chải và nguyên lý đo là gì?
Đồ án sử dụng cảm biến áp điện Ceramic (gốm áp điện). Khi lông bàn chải dao động và quét qua bề mặt cảm biến, lực tác động cơ học làm biến dạng tinh thể gốm áp điện, sinh ra hiệu điện thế analog tỉ lệ thuận với cường độ rung ($V = Q/C$). Tín hiệu này được đưa vào chân analog A0 của Arduino Uno để chuyển đổi sang giá trị số.

2. Dữ liệu huấn luyện của hệ thống có cấu trúc như thế nào và bao gồm bao nhiêu lớp?
Dữ liệu huấn luyện được tổ chức dưới dạng tệp CSV gồm ma trận đặc trưng $X$ chứa 100 giá trị điện áp đo được trong một chu kỳ quét và vector nhãn $Y$ đại diện cho 3 lớp chất lượng: nhãn "T" (bàn chải Tốt), nhãn "B" (bàn chải Thường) và nhãn "K" (bàn chải Cũ/hỏng).

3. Tại sao tác giả lựa chọn thuật toán SVM và hàm nhân nào mang lại hiệu quả cao nhất?
Thuật toán SVM được chọn vì có khả năng phân loại tốt trong không gian nhiều chiều (100 đặc trưng điện áp) và tìm được siêu phẳng có khoảng cách lề lớn nhất giúp tổng quát hóa dữ liệu tốt. Hàm nhân RBF (Radial Basis Function) được lựa chọn vì phù hợp với phân bố dữ liệu phi tuyến tính của tín hiệu dao động cơ học.

4. Kết quả độ chính xác phân loại của mô hình trên các tập dữ liệu đạt bao nhiêu?
Mô hình SVM huấn luyện với siêu tham số tối ưu đạt độ chính xác khoảng 89% trên tập huấn luyện (Training set), 71% trên tập kiểm định chéo phân tầng (Validation set) và đạt 72% khi kiểm thử trên tập dữ liệu kiểm tra độc lập (Test set).

5. Cấu trúc phần cứng của hệ thống phân chia nhiệm vụ giữa Arduino Uno và Raspberry Pi 4 như thế nào?
Arduino Uno R3 chịu trách nhiệm đọc tín hiệu điện áp analog từ cảm biến áp điện Ceramic và điều khiển cơ cấu chấp hành (động cơ servo, relay). Raspberry Pi 4 Model B đóng vai trò bộ xử lý trung tâm: tiếp nhận chuỗi dữ liệu từ Arduino qua cổng giao tiếp nối tiếp, lưu trữ tệp CSV, chạy mô hình học máy SVM để dự đoán cấp chất lượng của bàn chải và gửi tín hiệu hiển thị lên màn hình LCD 2004 qua giao tiếp I2C.

Kết luận

Đồ án tốt nghiệp "Thiết kế và thi công hệ thống tự động phân loại bàn chải đánh răng" của sinh viên Lê Trường Giang và Nguyễn Thị Huỳnh Giao đã giải quyết trọn vẹn bài toán tự động hóa quy trình kiểm tra chất lượng lông bàn chải bằng giải pháp cơ điện tử kết hợp học máy. Hệ thống tích hợp hoàn chỉnh giữa cơ cấu cơ khí kẹp quét, cảm biến áp điện Ceramic, vi điều khiển Arduino Uno và máy tính nhúng Raspberry Pi 4. Mô hình học máy SVM đa lớp sử dụng hàm nhân RBF đã chứng minh tính khả thi với độ chính xác kiểm thử đạt 72% trên chuỗi 100 đặc trưng điện áp. Công trình mở ra hướng tiếp cận thực tiễn trong việc ứng dụng cảm biến dao động và trí tuệ nhân tạo biên vào các hệ thống kiểm soát chất lượng sản phẩm công nghiệp.