Hệ Thống Kiểm Tra Lỗi Phốt Bạc Đạn Tự Động Ứng Dụng Xử Lý Ảnh (ĐH Sư Phạm Kỹ Thuật)

Khám phá công nghệ AI kiểm tra lỗi phốt bạc đạn tự động. Giải pháp nâng cao độ chính xác và hiệu quả trong kiểm soát chất lượng sản xuất.

• Tác giả: Nguyễn Văn Tâm
• Người hướng dẫn: ThS. Nguyễn Minh Triết
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Cơ Điện Tử
• Đề tài: Hệ Thống Kiểm Tra Lỗi Phốt Bạc Đạn Tự Động Ứng Dụng Xử Lý Ảnh
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
• LỜI CAM KẾT
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC BẢNG BIỂU
• DANH MỤC SƠ ĐỒ, HÌNH VẼ
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài và lý do chọn đề tài
• 1.2. Ý nghĩa khoa học và thực tiễn của đề tài
• 1.3. Mục tiêu nghiên cứu của đề tài
• 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. Phương pháp nghiên cứu
• 1.5.1. Cơ sở phương pháp luận
• 1.5.2. Các phương pháp nghiên cứu cụ thể
• 1.6. Kết cấu của ĐATN
• 2. CHƯƠNG 2: TỔNG QUAN HỆ THỐNG KIỂM TRA LỖI VÀ XỬ LÝ ẢNH
• 2.1. Phốt bạc đạn
• 2.1.1. Giới thiệu về phốt bạc đạn
• 2.1.2. Công dụng, cách sử dụng
• 2.1.3. Các dạng lỗi phốt thường gặp
• 2.2. Tổng quan về hệ thống
• 2.3. Tổng quan về xử lý ảnh
• 2.4. Tình hình trong nước và ngoài nước
• 2.4.1. Tình hình ngoài nước
• 2.4.2. Tình hình trong nước
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Giới thiệu về thư viện OpenCV
• 3.2. Phương pháp Deep Learning
• 3.2.1. Khái niệm về Deep Learning
• 3.3. Giao diện GUI
• 3.3.1. Các khái niệm cơ bản về GUI
• 3.3.2. Lập trình Tkinter
• 3.3.3. Quản lý hình học
• 3.4. Thư viện Custom tkinter
• 3.5. Thư viện Serial
• 3.6. Khái niệm Blynk
• 4. CHƯƠNG 4: PHƯƠNG HƯỚNG VÀ CÁC GIẢI PHÁP VỀ PHÂN LOẠI PHỐT BẠC ĐẠN
• 4.1. Phân loại theo mô hình OpenCV
• 4.1.1. Nhận diện lỗi
• 4.1.2. Tách lỗi từ ảnh
• 4.1.3. Phân vùng lỗi
• 4.2. Phân loại theo mô hình YOLO
• 4.2.1. Chuẩn bị dữ liệu huấn luyện
• 4.2.2. Chuẩn bị tệp cấu hình và tải trọng số của mô hình pre-trained
• 4.2.3. Tiến hành huấn luyện
• 4.2.4. Đánh giá mô hình
• 4.3. Lựa chọn phương pháp
• 4.4. Sơ đồ nguyên lý và nguyên lý làm việc
• 4.5. Lưu đồ giải thuật ESP32
• 5. CHƯƠNG 5: CHỌN LINH KIỆN VÀ TÍNH TOÁN BĂNG TẢI, TRỤC, TRUYỀN ĐỘNG ĐAI VÀ Ổ LĂN
• 5.1. Chọn động cơ điện và tính toán tỉ số truyền
• 5.1.1. Xác định số vòng quay sơ bộ
• 5.1.2. Xác định công suất
• 5.1.3. Tính tỷ số truyền
• 5.2. Truyền động đai
• 5.2.1. Chọn loại đai thang
• 5.2.2. Đường kính các bánh đai d1, d2
• 5.2.3. Khoảng cách trục a
• 5.2.4. Chiều dài đai L
• 5.2.5. Kiểm nghiệm đai về tuổi thọ
• 5.2.6. Lực tác dụng lên trục
• 5.3. Tính toán băng tải và trục
• 5.3.1. Tính toán chiều dài băng tải
• 5.3.2. Tính toán trục
• 5.3.3. Kiểm nghiệm khả năng tải động:
• 5.3.4. Kiểm nghiệm khả năng tải tĩnh:
• 5.4. Các thiết bị được sử dụng
• 5.4.1. Vi điều khiển ESP32
• 5.4.2. Relay đóng ngắt
• 5.4.3. Module A4988 điều khiển động cơ bước
• 5.4.4. Cảm biến phát hiện từ tính Hall KY - 003
• 5.4.5. Động cơ DC giảm tốc GA25 12V 12RPM
• 5.4.6. Sơ đồ nguyên lý bộ điều khiển
• 6. CHƯƠNG 6: THI CÔNG VÀ ĐÁNH GIÁ HỆ THỐNG PHÂN LOẠI PHỐT ỨNG DỤNG XỬ LÝ ẢNH
• 6.1. Xây dựng mô hình 3D
• 6.2. Gia công phần cứng
• 6.3. Thiết kế giao diện GUI
• 6.4. Giao diện trên App và Web Blynk
• 6.5. Thực nghiệm và đánh giá
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Hướng Dẫn Kiểm Tra Lỗi Phốt Bạc Đạn Tự Động Bằng AI

Trong bối cảnh Công nghiệp 4.0, việc tự động hóa các quy trình sản xuất và kiểm soát chất lượng là yếu tố then chốt để nâng cao năng suất và khả năng cạnh tranh. Một trong những thách thức lớn nhất là việc kiểm tra các linh kiện nhỏ với độ chính xác cao, điển hình là phốt bạc đạn. Bài viết này trình bày một hệ thống toàn diện về kiểm tra lỗi phốt bạc đạn tự động bằng AI, ứng dụng các công nghệ tiên tiến như thị giác máy tính (computer vision) và học sâu (deep learning) trong sản xuất. Mục tiêu chính của hệ thống là thay thế phương pháp kiểm tra thủ công truyền thống, vốn tồn tại nhiều hạn chế về tốc độ, độ chính xác và chi phí nhân công. Bằng cách tích hợp camera công nghiệp độ phân giải cao và các thuật toán thông minh, giải pháp này mang đến một quy trình kiểm soát chất lượng (QC) phốt bạc đạn hiệu quả, nhất quán và đáng tin cậy. Hệ thống không chỉ có khả năng phát hiện khuyết tật phốt bạc đạn một cách nhanh chóng mà còn có thể phân loại chi tiết từng loại lỗi, từ đó cung cấp dữ liệu giá trị cho việc cải tiến quy trình sản xuất. Đây được xem là một giải pháp QC 4.0 điển hình, mở ra hướng đi mới cho việc đảm bảo chất lượng (QA) linh kiện trong ngành cơ khí chế tạo và các lĩnh vực liên quan, góp phần vào việc tự động hóa dây chuyền sản xuất một cách toàn diện.

1.1. Giới thiệu về phốt bạc đạn và vai trò trong công nghiệp

Phốt bạc đạn, hay còn gọi là phốt chặn dầu, là một chi tiết cơ khí quan trọng có chức năng làm kín, ngăn chặn sự rò rỉ của chất bôi trơn và sự xâm nhập của các tác nhân gây hại như bụi bẩn, nước từ môi trường bên ngoài vào bên trong các cụm ổ trục, vòng bi. Chúng đóng vai trò thiết yếu trong việc bảo vệ và duy trì tuổi thọ, hiệu suất hoạt động của máy móc. Bất kỳ một khuyết tật nào, dù là nhỏ nhất, trên bề mặt phốt chặn dầu cũng có thể dẫn đến hỏng hóc nghiêm trọng cho toàn bộ hệ thống, gây thiệt hại lớn về kinh tế. Do đó, việc đảm bảo chất lượng (QA) linh kiện này là yêu cầu bắt buộc trong mọi dây chuyền sản xuất.

1.2. Tính cấp thiết của hệ thống kiểm tra ngoại quan tự động

Theo "Đồ án tốt nghiệp: Hệ thống kiểm tra lỗi phốt bạc đạn tự động ứng dụng xử lý ảnh" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM, quy trình kiểm tra thủ công bộc lộ nhiều nhược điểm như phụ thuộc vào kinh nghiệm và sự tập trung của công nhân, dễ xảy ra sai sót do mệt mỏi, và không đáp ứng được yêu cầu về năng suất cao của các dây chuyền hiện đại. Việc xây dựng một hệ thống kiểm tra ngoại quan tự động là giải pháp tối ưu để giải quyết các vấn đề này. Hệ thống giúp tăng năng suất, giảm thiểu sai sót, đồng thời thu thập dữ liệu chất lượng một cách khách quan, tạo tiền đề cho việc phân tích và cải tiến liên tục quy trình sản xuất.

II. Các Thách Thức Trong Việc Phát Hiện Khuyết Tật Phốt Bạc Đạn

Quy trình kiểm soát chất lượng (QC) phốt bạc đạn phải đối mặt với nhiều thách thức đáng kể. Các lỗi trên sản phẩm này rất đa dạng về hình thái và kích thước, đòi hỏi một phương pháp kiểm tra có độ nhạy và độ chính xác cực cao. Các phương pháp thủ công thường không đủ khả năng để duy trì sự nhất quán, đặc biệt khi phải xử lý hàng nghìn sản phẩm mỗi giờ. Công nhân dễ bỏ sót các lỗi nhỏ hoặc phân loại sai do yếu tố chủ quan. Hơn nữa, việc phát hiện lỗi nứt, rách, biến dạng trên các bề mặt có màu sắc và độ bóng khác nhau cũng là một bài toán phức tạp. Ánh sáng môi trường có thể gây ra phản xạ, bóng đổ, làm sai lệch hình ảnh và ảnh hưởng đến kết quả kiểm tra. Tài liệu nghiên cứu cho thấy các dạng lỗi phổ biến bao gồm trầy bề mặt (tróc sơn, xước), sai hình dáng (vỡ, gãy, nứt, còn ba-via). Việc kiểm tra lỗi bề mặt sản phẩm không chỉ đơn thuần là nhận diện sự tồn tại của lỗi mà còn phải phân loại chính xác chúng. Đây là yêu cầu quan trọng để bộ phận sản xuất có thể xác định nguyên nhân gốc rễ và đưa ra biện pháp khắc phục. Do đó, một hệ thống AI-based inspection cần được huấn luyện với một bộ dữ liệu lớn và đa dạng, bao quát mọi trường hợp lỗi có thể xảy ra trong thực tế.

2.1. Phân loại các dạng lỗi thường gặp trên phốt bạc đạn

Các lỗi phốt bạc đạn thường được chia thành hai nhóm chính: lỗi bề mặt và lỗi hình dạng. Lỗi bề mặt bao gồm các vết trầy xước, tróc sơn, rỗ, hoặc các tạp chất lạ bám trên bề mặt. Lỗi hình dạng là các sai lệch nghiêm trọng hơn như nứt, rách, biến dạng, méo mó hoặc còn sót ba-via sau quá trình gia công. Việc phân loại lỗi sản phẩm bằng AI đòi hỏi mô hình phải học được các đặc trưng riêng biệt của từng loại lỗi này. Ví dụ, một vết xước có thể là một đường dài và mảnh, trong khi một vết nứt lại có cấu trúc phức tạp hơn. Việc nhận diện chính xác các lỗi này là nền tảng cho một hệ thống đảm bảo chất lượng (QA) linh kiện hiệu quả.

2.2. Hạn chế của phương pháp kiểm tra thủ công truyền thống

Phương pháp kiểm tra thủ công bằng mắt thường tồn tại nhiều hạn chế cố hữu. Tốc độ kiểm tra chậm, không thể đáp ứng được nhịp độ của các dây chuyền sản xuất hàng loạt. Độ chính xác phụ thuộc lớn vào yếu tố con người, dễ bị ảnh hưởng bởi sự mệt mỏi, thiếu tập trung, dẫn đến bỏ sót lỗi. Kết quả kiểm tra mang tính chủ quan, thiếu nhất quán giữa các công nhân khác nhau. Chi phí nhân công cho bộ phận QC cũng là một gánh nặng lớn cho doanh nghiệp. Những hạn chế này thúc đẩy sự ra đời của các giải pháp tự động hóa dây chuyền sản xuất trong khâu kiểm tra chất lượng.

III. Phương Pháp Xử Lý Ảnh Công Nghiệp Với Thư Viện OpenCV

Trước khi các mô hình học sâu trở nên phổ biến, xử lý ảnh công nghiệp dựa trên các thuật toán truyền thống với thư viện OpenCV là một phương pháp tiếp cận phổ biến để phát hiện khuyết tật phốt bạc đạn. Phương pháp này hoạt động dựa trên việc phân tích các đặc trưng hình ảnh như màu sắc, hình dạng, và kết cấu. Quy trình bắt đầu bằng việc thu nhận hình ảnh sản phẩm từ một camera công nghiệp độ phân giải cao được đặt trong một buồng chụp với điều kiện ánh sáng được kiểm soát chặt chẽ. Sau đó, các kỹ thuật tiền xử lý ảnh được áp dụng để loại bỏ nhiễu, tăng cường độ tương phản và chuẩn hóa hình ảnh. Bước tiếp theo là phân đoạn ảnh, tức là tách đối tượng phốt bạc đạn ra khỏi nền. Các thuật toán như ngưỡng màu (color thresholding) được sử dụng để xác định các vùng có màu sắc bất thường, vốn là dấu hiệu của lỗi. Dựa trên nghiên cứu, nhóm tác giả đã thử nghiệm việc giới hạn vùng màu sắc của sản phẩm bị lỗi theo dải màu RGB từ [200,200,200] đến [255,255,255] để tách các lỗi từ ảnh. Tuy nhiên, phương pháp này bộc lộ nhược điểm là rất nhạy cảm với sự thay đổi của điều kiện ánh sáng và khó có thể nhận diện các lỗi phức tạp có kích thước nhỏ hoặc độ tương phản thấp. Dù vậy, đây vẫn là một bước nền tảng quan trọng trong lĩnh vực thị giác máy tính (computer vision).

3.1. Nguyên lý hoạt động của thị giác máy tính trong QC

Thị giác máy tính (computer vision) là một lĩnh vực của trí tuệ nhân tạo, cho phép máy tính "nhìn" và diễn giải thế giới trực quan. Trong kiểm soát chất lượng, hệ thống sử dụng camera để chụp ảnh sản phẩm, sau đó phần mềm sẽ phân tích các điểm ảnh (pixel) để trích xuất thông tin. Các thuật toán được lập trình để so sánh hình ảnh sản phẩm thực tế với một mẫu chuẩn hoặc một bộ quy tắc đã định sẵn. Bất kỳ sự sai khác nào vượt quá ngưỡng cho phép đều được xác định là lỗi. Đây là nền tảng của mọi hệ thống kiểm tra ngoại quan tự động.

3.2. Quy trình nhận diện lỗi bằng các thuật toán OpenCV

Quy trình nhận diện lỗi bằng OpenCV thường bao gồm các bước: (1) Chuyển đổi ảnh màu sang ảnh xám để giảm độ phức tạp. (2) Áp dụng các bộ lọc (như Gaussian Blur) để làm mờ ảnh và loại bỏ nhiễu. (3) Sử dụng phương pháp ngưỡng hóa (thresholding) để tạo ra ảnh nhị phân (đen-trắng), làm nổi bật vùng lỗi. (4) Dùng các thuật toán tìm đường viền (contour detection) để khoanh vùng và đo đạc các đặc tính của vùng nghi ngờ là lỗi, như diện tích, chu vi. Mặc dù hiệu quả với các lỗi rõ ràng, phương pháp này gặp khó khăn trong việc phân loại lỗi sản phẩm bằng AI một cách tinh vi và chính xác như các mô hình học sâu.

IV. Bí Quyết Kiểm Tra Lỗi Phốt Bạc Đạn Bằng Học Sâu YOLOv8

Để khắc phục những hạn chế của phương pháp xử lý ảnh truyền thống, việc áp dụng học sâu (deep learning) trong sản xuất với mô hình YOLO (You Only Look Once) đã mang lại một bước đột phá. Đặc biệt, phiên bản YOLOv8 được lựa chọn trong nghiên cứu nhờ sự cân bằng vượt trội giữa tốc độ và độ chính xác. Không giống như các thuật toán cổ điển, mô hình YOLO không phân tích từng pixel mà "nhìn" toàn bộ bức ảnh một lần để phát hiện và định vị đối tượng. Quy trình kiểm tra lỗi phốt bạc đạn tự động bằng AI này bắt đầu bằng việc thu thập và gán nhãn một bộ dữ liệu lớn gồm hàng trăm hình ảnh phốt bạc đạn, bao gồm cả sản phẩm đạt chuẩn và các sản phẩm có lỗi đa dạng. Các lỗi như 'F_fraying' (trầy) và 'F_torn' (rách) được định vị bằng các hộp giới hạn (bounding box). Sau đó, mô hình YOLOv8n được huấn luyện trên nền tảng Google Colab để học cách nhận diện các đặc trưng của từng loại lỗi. Kết quả thực nghiệm trong đồ án cho thấy độ chính xác rất cao: Precision cho lỗi 'F_torn' đạt 0.97 và cho 'Bearing Seal' đạt 0.994. Đây là minh chứng cho hiệu quả vượt trội của hệ thống AI-based inspection, cho phép phân loại lỗi sản phẩm bằng AI một cách tin cậy và tự động.

4.1. Giới thiệu mô hình YOLO và kiến trúc YOLOv8

YOLO (You Only Look Once) là một kiến trúc mạng nơ-ron tích chập (CNN) được thiết kế cho bài toán phát hiện đối tượng trong thời gian thực. Ưu điểm chính của YOLO là tốc độ xử lý cực nhanh vì nó dự đoán cả hộp giới hạn và nhãn lớp đối tượng chỉ trong một lần truyền qua mạng. Phiên bản YOLOv8 là thế hệ mới nhất, cải tiến về kiến trúc, hàm mất mát (loss function) và kỹ thuật tăng cường dữ liệu, giúp đạt được độ chính xác cao hơn mà vẫn duy trì tốc độ ấn tượng. Trong đồ án, mô hình YOLOv8n (phiên bản nhỏ nhất) được chọn để tối ưu thời gian xử lý, phù hợp cho việc triển khai trên dây chuyền sản xuất thực tế.

4.2. Các bước huấn luyện mô hình để phát hiện khuyết tật

Quá trình huấn luyện mô hình phát hiện khuyết tật phốt bạc đạn bao gồm các bước chính. Đầu tiên là chuẩn bị dữ liệu: thu thập ảnh và sử dụng các công cụ như Cvat để gán nhãn, vẽ các hộp giới hạn xung quanh các lỗi và gán lớp cho chúng (ví dụ: F_fraying, F_torn). Tiếp theo, bộ dữ liệu được chia thành tập huấn luyện (train) và tập kiểm tra (test). Sau đó, quá trình huấn luyện được tiến hành trên một nền tảng có hỗ trợ GPU (như Google Colab) với các tham số được thiết lập sẵn như số epochs, kích thước ảnh. Cuối cùng, mô hình được đánh giá trên tập kiểm tra để đo lường các chỉ số như Precision, Recall và mAP (mean Average Precision) để đảm bảo hiệu suất.

V. Mô Hình Ứng Dụng Thực Tiễn Hệ Thống AI Based Inspection

Việc tích hợp mô hình AI vào một hệ thống vật lý hoàn chỉnh là bước cuối cùng để hiện thực hóa giải pháp kiểm tra lỗi phốt bạc đạn tự động bằng AI. Hệ thống được thiết kế trong đồ án bao gồm nhiều thành phần cơ khí và điện tử phối hợp nhịp nhàng. Trung tâm của hệ thống là một băng tải dùng để di chuyển sản phẩm qua khu vực kiểm tra. Tại đây, một buồng chụp ảnh được thiết kế đặc biệt với hệ thống chiếu sáng tối ưu để đảm bảo chất lượng hình ảnh đồng đều và loại bỏ các yếu tố gây nhiễu. Một camera công nghiệp độ phân giải cao sẽ chụp lại hình ảnh của từng phốt bạc đạn khi chúng đi qua. Hình ảnh này ngay lập tức được gửi đến máy tính xử lý, nơi mô hình YOLOv8 đã được huấn luyện sẽ phân tích và đưa ra kết quả phân loại trong mili giây: sản phẩm đạt hay sản phẩm lỗi (cùng loại lỗi cụ thể). Dựa trên kết quả này, một tín hiệu điều khiển được gửi đến vi điều khiển ESP32, kích hoạt cơ cấu chấp hành (actuator) để phân loại sản phẩm vào đúng vị trí. Toàn bộ quy trình này minh họa cho một hệ thống kiểm tra ngoại quan tự động hiệu quả, là một phần không thể thiếu trong việc tự động hóa dây chuyền sản xuất hiện đại, hướng tới mục tiêu nhà máy thông minh.

5.1. Thiết kế cơ khí Băng tải buồng chụp và cơ cấu phân loại

Phần cơ khí của hệ thống là bộ khung xương đảm bảo cho quy trình vận hành một cách trơn tru. Băng tải được tính toán để có tốc độ phù hợp (0.4 m/s) nhằm đảm bảo camera có đủ thời gian chụp ảnh rõ nét. Buồng chụp ảnh được che kín để kiểm soát hoàn toàn nguồn sáng, tránh ảnh hưởng từ môi trường bên ngoài. Cơ cấu phân loại thường là một xi-lanh khí nén hoặc động cơ bước, nhận tín hiệu từ bộ điều khiển để đẩy các sản phẩm lỗi ra khỏi dây chuyền chính. Thiết kế cơ khí tối ưu là yếu tố quan trọng để tự động hóa dây chuyền sản xuất hoạt động ổn định và bền bỉ.

5.2. Tích hợp phần cứng Camera vi điều khiển và máy tính

Sự kết hợp giữa các thiết bị phần cứng là chìa khóa của hệ thống. Camera công nghiệp độ phân giải cao đóng vai trò là "mắt" của hệ thống. Máy tính (PC hoặc máy tính công nghiệp) là "bộ não", nơi chạy mô hình AI để phân tích và ra quyết định. Vi điều khiển ESP32 hoạt động như một trung tâm điều khiển cấp thấp, giao tiếp giữa máy tính và các cơ cấu chấp hành. Nó nhận lệnh phân loại từ máy tính qua giao tiếp nối tiếp (Serial) và điều khiển trực tiếp động cơ của cơ cấu phân loại, hoàn thiện vòng lặp của một hệ thống AI-based inspection.

VI. Tương Lai và Tiềm Năng Phát Triển của Giải Pháp QC 4

Hệ thống kiểm tra lỗi phốt bạc đạn tự động bằng AI không chỉ là một giải pháp cho một bài toán cụ thể mà còn là một minh chứng cho tiềm năng to lớn của giải pháp QC 4.0. Trong tương lai, hệ thống này có thể được cải tiến và mở rộng theo nhiều hướng. Đầu tiên, việc thu thập thêm dữ liệu và huấn luyện lại mô hình định kỳ sẽ giúp hệ thống ngày càng thông minh hơn, có khả năng nhận diện các loại lỗi mới với độ chính xác cao hơn. Việc tích hợp các mô hình AI khác như phân loại đa nhãn (multi-label classification) có thể cho phép phát hiện nhiều loại lỗi trên cùng một sản phẩm. Hơn nữa, dữ liệu thu thập được từ hệ thống kiểm tra (số lượng lỗi, loại lỗi, tần suất xuất hiện) có thể được kết nối với các hệ thống quản lý sản xuất (MES) hoặc hoạch định nguồn lực doanh nghiệp (ERP). Điều này tạo ra một vòng lặp phản hồi, giúp các kỹ sư nhanh chóng xác định các vấn đề trong dây chuyền sản xuất và thực hiện các hành động khắc phục, phòng ngừa. Đây chính là bản chất của nhà máy thông minh, nơi dữ liệu thúc đẩy mọi quyết định để tối ưu hóa toàn bộ quá trình, từ việc đảm bảo chất lượng (QA) linh kiện đến hiệu suất chung của toàn bộ nhà máy.

6.1. Khả năng mở rộng và ứng dụng cho các sản phẩm khác

Kiến trúc của hệ thống này, bao gồm băng tải, buồng chụp và mô hình AI, có tính module và rất linh hoạt. Bằng cách thay đổi bộ dữ liệu huấn luyện, hệ thống có thể dễ dàng được điều chỉnh để kiểm tra chất lượng cho nhiều loại sản phẩm khác nhau trong ngành cơ khí, điện tử, dệt may, hoặc thực phẩm. Ví dụ, nó có thể được dùng để kiểm tra lỗi bề mặt sản phẩm như linh kiện nhựa, bao bì, vi mạch điện tử. Đây là tiềm năng to lớn, giúp doanh nghiệp tối ưu hóa chi phí đầu tư vào công nghệ kiểm soát chất lượng (QC) phốt bạc đạn và các sản phẩm khác.

6.2. Hướng tới nhà máy thông minh Tích hợp dữ liệu và AI

Tương lai của ngành sản xuất nằm ở việc kết nối và tận dụng dữ liệu. Hệ thống kiểm tra bằng AI không chỉ là một công cụ phân loại sản phẩm mà còn là một nguồn cung cấp dữ liệu chất lượng vô giá. Khi được tích hợp vào một hệ sinh thái nhà máy thông minh, dữ liệu này có thể được sử dụng cho việc bảo trì dự đoán (predictive maintenance), tối ưu hóa quy trình và phân tích nguyên nhân gốc rễ (root cause analysis). Việc học sâu (deep learning) trong sản xuất sẽ tiếp tục đóng vai trò trung tâm trong quá trình chuyển đổi số này, biến các nhà máy truyền thống thành các hệ thống sản xuất tự vận hành, linh hoạt và hiệu quả cao.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU 1. Tính cấp thiết của đề tài và lý do chọn đề tài Nhận thấy được trong các quy trình kiểm tra lỗi, nhiều doanh nghiệp phải qua hàng loạt quá trình, cần nhiều nhân công nhưng còn nhiều sai sót và để thực hiện Khóa Luận Tốt Nghiệp (ĐATN), nhóm chúng em quyết định chọn đề tài: Hệ thống kiểm tra lỗi phốt bạc đạn tự động ứng dụng xử lý ảnh. Đề tài giúp tăng năng suất dây chuyền phân loại, giảm sai sót, giảm thiểu nhiều vị trí công việc cho công ty. Ý nghĩa khoa học và thực tiễn của đề tài Hệ thống này có thể xác định và phân loại chính xác các phốt bạc đạn bằng cách sử dụng xử lý hình ảnh, thuật toán học máy hoặc cả hai.

Mục tiêu là làm cho việc xác định và phân loại các phốt này trở nên đơn giản hơn. Bên cạnh đó, bộ phận phần cứng và chương trình phần mềm phục vụ trong việc phân loại sản phẩm là yếu tố không thể thiếu trong đề tài. Từ đó tạo ra được cơ cấu phân loại sản phẩm bị lỗi và thành phẩm một cách tự động. Với đề tài “Hệ thống kiểm tra lỗi phốt bạc đạn tự động ứng dụng xử lý ảnh”, nội dung nghiên cứu chính và thực hiện cơ bản bao gồm hai phần đã được giới thiệu ở trên, có thể tóm lược lại như sau: - Thiết kế mô hình băng tải, hệ thống cấp phôi và hệ thống hứng phân loại.

- Thiết kế mạch điều khiển, xây dựng phần mềm cho hệ thống phân loại. Kế thừa kết quả từ đồ án Cơ điện tử ở học kỳ trước, nhóm chúng em tiến hành thực hiện tiếp tục cho ĐATN. Đồ án này giới hạn ở khâu thiết kế, bổ sung một phần các thiết bị điện tử đồng thời cập nhật phiên bản mới cho phần mềm của đề tài. Mục tiêu là hoàn thành là thiết bị và phần mềm của đề tài qua đó có thể áp dụng trong các quy trình sản xuất và đáp ứng các yêu cầu như tối ưu về chi phí, dễ quá trình vận hành.

Qua đó, khi thực hiện đồ án với đề tài này, nhóm chúng em sẽ có thể tích lũy được nhiều kiến thức phục vụ cho quá trình phát triển bản thân sau này. Mục tiêu nghiên cứu của đề tài Có nhiều mục tiêu được đặt ra trong đề tài này nhưng mục tiêu chính là phát triển một hệ thống tự động có thể kiểm tra và xử lý các lỗi của phốt bạc đạn áp dụng những thuật toán về xử lý ảnh. Phát triển một hệ thống kiểm tra tự động: mục tiêu là tạo ra một hệ thống phân loại lỗi bằng việc xử lý tự động các hình ảnh chụp của phốt bạc đạn. Hệ thống tiến hành phân loại các sản phẩm lỗi nhanh chóng và hiệu quả mà không cần can thiệp thủ công.

1 Áp dụng kỹ thuật xử lý ảnh: mục tiêu là tách và lọc thông tin từ các bức ảnh chụp phốt bạc đạn bằng quá trình xử lý ảnh. Đưa ra các nét tương đồng, lọc nhiễu, tinh chỉnh màu sắc, phân đoạn hình ảnh và nhận dạng các lỗi phốt bạc đạn được áp dụng kỹ thuật xử lý ảnh này. Phân loại lỗi phốt bạc đạn: mục tiêu là xây dựng hệ thống phân loại có thể xác định và phân loại các lỗi phốt bạc đạn. Hệ thống sẽ phân loại và xác định các lỗi phốt bạc đạn bằng cách sử dụng thuật toán huấn luyện.

Đối tượng và phạm vi nghiên cứu 1. Đối tượng nghiên cứu Hệ thống kiểm tra lỗi phốt bạc đạn một cách tự động là đối tượng nghiên cứu chính. Trong hệ thống này được xây dựng lên thông qua các thành phần như sau: buồng lấy ảnh, bộ điều khiển, cơ cấu cấp phôi tự động, cơ cấu phân loại sản phẩm tự động. Phạm vi nghiên cứu Trong đồ án tốt nghiệp nhóm em tập trung vào thiết kế hệ thống phân loại sản phẩm gồm có các thành phần như sau: + Tạo buồng ảnh và xử lý ảnh từ camera để nhận dạng một số lỗi thường gặp ở phốt bạc đạn.

+ Giao diện trên máy tính, tối ưu, dễ sử dụng. + Điều khiển kết cấu hứng sản phẩm sau khi phân loại. + Điều khiển kết cấu cấp sản phẩm để phân loại. + Thiết kế băng tải theo các thông số thiết kế đầu vào như bảng 1-1.

Bảng 1-1: Thông số thiết kế yêu cầu đầu vào Thông số Giá trị Lực vòng trục Rulo, F (N) 40 Đường kính phốt bạc đạn dp (m) 0,03 Đường kính Rulo drulo (m) 0,05 Khoảng cách giữa từng phốt bạc đạn Lp (m) 0,2 Năng suất hệ thống (sản phẩm/giây) 2 Thời gian phục vụ, L (năm) 5 (24/24h, 1 tháng ngừng và bảo trì 1 lần) Đường kính phốt bạc đạn (cm) 3 Tốc độ của băng tải (m/s) 0,4 Tải trọng của phốt bạc đạn (N) 2 2 1. Phương pháp nghiên cứu 1. Cơ sở phương pháp luận Các phương pháp về xử lý ảnh được ra như sử dụng OpenCV hay mô hình YOLO được tiến hành nghiên cứu và đưa ra đánh giá cho hệ thống kiểm tra lỗi phốt bạc đạn một cách tự động là những cơ sở của phương pháp luận. Các phương pháp nghiên cứu cụ thể Việc áp dụng các thuật toán trong OpenCV: Các phương pháp xử lý ảnh, trích xuất đặc trưng và tạo mặt nạ sẽ được hỗ trợ bởi các thư việc mở.

Để làm việc với ảnh, OpenCV đã hỗ trợ nhiều tính năng như xử lý nhiễu, cân bằng màu sắc, phân đoạn ảnh và tạo mặt nạ. Sử dụng mô hình YOLO (You Only Look Once): chúng em có thể sử dụng YOLO để tìm và phân loại các lỗi trong phốt bạc đạn. YOLO có thể phát hiện sản phẩm và xác định vị trí sản phẩm nhanh chóng. Hệ thống phân loại: Một hệ thống sẽ được tạo ra để phân loại các lỗi trong phốt bạc đạn.

Các phương pháp phân loại có thể bao gồm học máy hoặc học sâu. Đồng thời cũng cần một lượng dữ liệu lớn để tiến hành quá trình huấn luyện. Kết cấu của ĐATN ĐATN bao gồm 6 chương, trong đó chương 2 trình bày về tổng quan hệ thống phốt bạc đạn và xử lý ảnh, chương 3 đề cập đến vấn đề cơ sở lý thuyết về thư viện OpenCV, phương pháp Deep Learning, xây dựng giao diện GUI, chương 4 là các phương pháp phân loại sản phẩm theo thư viện OpenCV và mô hình YOLO. Chương 5 trình bày về chọn động cơ, chọn linh kiện và tính toán thiết kế các thành phần của băng tải, chương 6 về mô hình thi công hệ thống phân loại phốt bạc đạn ứng dụng xử lý ảnh.

3 CHƯƠNG 2: TỔNG QUAN HỆ THỐNG KIỂM TRA LỖI VÀ XỬ LÝ ẢNH 2. Phốt bạc đạn 2. Giới thiệu về phốt bạc đạn Phốt bạc đạn (như Hình 2-1) hay còn gọi là phốt vòng bi, là thiết bị bảo vệ vòng bi hoặc vỏ vòng bi, rất quan trọng để duy trì hiệu suất và tuổi thọ của vòng bi. Những vòng đệm này bảo vệ ổ trục bằng cách ngăn các chất gây ô nhiễm xâm nhập và giữ chất bôi trơn trong cụm ổ trục.

Hình 2-1: Phốt bạc đạn Có một số loại phốt vòng bi có sẵn trên thị trường, mỗi loại được thiết kế để đáp ứng các yêu cầu và điều kiện vận hành cụ thể. Dưới đây là một số loại vòng bi phổ biến: - Phốt từ tính: Phốt từ tính sử dụng nam châm để tạo ra một lớp đệm không tiếp xúc. Điều này thu hút và đẩy hạt kim loại màu vào khu vực ổ trục. Chúng thường được sử dụng trong các ứng dụng gặp khó khăn về ô nhiễm hạt mịn.

- Phốt hỗn hợp: Một phốt hỗn hợp sử dụng cả phốt tiếp xúc và không tiếp xúc. Chúng thường được kết hợp với cả phốt tiếp xúc và phốt không tiếp xúc (ví dụ: phốt mê cung hoặc tấm chắn). Sự kết hợp này cung cấp khả năng bảo vệ tốt hơn chống rò rỉ chất lỏng và chất gây ô nhiễm. Công dụng, cách sử dụng Mục đích chính của phốt là duy trì chất bôi trơn trong hệ thống đồng thời ngăn chặn các chất gây ô nhiễm như bụi bẩn, nước và các hạt khác xâm nhập vào hệ thống.

Các phốt giúp duy trì hoạt động bình thường và tuổi thọ của máy móc theo nhiều cách, chúng cách ly trục quay và môi trường xung quanh: 4 - Chống rò rỉ: Phốt đảm bảo rằng chất bôi trơn luôn ở trong khu vực mong muốn vì nó ngăn thoát ra khỏi hệ thống. Điều này rất quan trọng để duy trì độ bôi trơn phù hợp và ngăn ngừa mài mòn không cần thiết. - Chống ô nhiễm: Phốt ngăn ô nhiễm xâm nhập vào hệ thống. Chúng giúp duy trì môi trường hoạt động sạch sẽ bằng cách ngăn chặn bụi bẩn và hơi ẩm.

Điều này đặc biệt quan trọng đối với các phần nhạy cảm có thể bị ăn mòn hoặc mài mòn, chẳng hạn như vòng bi, bánh răng hoặc trục quay. - Giảm ma sát: Phốt thường phủ một lớp chất bôi trơn mỏng trên đệm. Chất bôi trơn này thúc đẩy hoạt động trơn tru đồng thời giảm thiểu sinh nhiệt và ma sát và mài mòn giữa trục quay và phốt. Phốt tăng hiệu quả và tuổi thọ của máy móc bằng cách giảm lực ma sát.

Các dạng lỗi phốt thường gặp Tiêu chí cần đạt được khi tạo ra sản phẩm là chất lượng, nhưng do một số lý do ngoại vi đã làm cho các sản phẩm không còn hoàn hảo, gây ra thất thoát cho doanh nghiệp, ví dụ (như Hình 2-2, Hình 2-3) là trầy bề mặt, sai hình dáng,… Hình 2-2: Trầy bề mặt bị tróc sơn hay xước Hình 2-3: Sai hình dáng bị vỡ, gãy, nứt, còn ba-via 5 2. Tổng quan về hệ thống Nhầm đáp ứng hiệu suất và độ chính xác trong việc phân loại lỗi, hệ thống phân loại phốt bạc đạn này được thiết kế và kết cấu phù hợp cho quá trình vận hành. Cách thức thứ nhất, để xử lý ảnh và sau đó tìm ra lỗi, hệ thống sử dụng thư viện OpenCV. Các thuật toán như lọc nhiễu, phân đoạn và xử lý mặt nạ được cung cấp bởi OpenCV để làm việc với ảnh.

Việc áp dụng các thuật toán xử lý ảnh này giúp cải thiện chất lượng ảnh, giảm tín hiệu nhiễu và tạo ra các đặc trưng dễ dàng cho mô hình phân loại lỗi. Cách thức thứ hai, hệ thống được áp dụng YOLO để tìm ra lỗi phốt bạc đạn trong hình ảnh. Mô hình YOLO có thể nhìn toàn bộ ảnh chỉ một lần, giúp hệ thống tìm nhanh và chính xác các đối tượng. Điều này giúp phân loại chính xác các lỗi phốt bạc đạn.