Giới thiệu dự án

Trong bối cảnh nền nông nghiệp 4.0 và chuyển đổi số trong chuỗi cung ứng thực phẩm, khâu sơ chế và phân loại nông sản đóng vai trò quyết định đến giá trị thương phẩm. Theo số liệu từ Bộ Nông nghiệp và Phát triển Nông thôn, tỷ lệ thất thoát sau thu hoạch của rau quả tươi tại Việt Nam dao động từ 20% đến 30%, phần lớn bắt nguồn từ khâu thu hái, bảo quản và phân loại chất lượng không đồng đều. Sự biến động mạnh của giá nông sản—điển hình như dưa chuột dao động từ 7.000 VNĐ/kg xuống mức 500 – 1.000 VNĐ/kg trong chính vụ do không đạt chuẩn xuất khẩu—cho thấy tính cấp thiết của việc chuẩn hóa quy trình phân loại tự động tại nguồn.

Phương pháp phân loại thủ công bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Sai số chủ quan cao: Độ chính xác phụ thuộc vào sự mệt mỏi thị giác và cảm tính của nhân công, dẫn đến tỷ lệ phân loại sai từ 15% đến 22%.
  • Năng suất thấp và chi phí cao: Tốn kém chi phí nhân công cố định nhưng không đáp ứng được tiến độ đóng gói theo dây chuyền công nghiệp.
  • Không đáp ứng chuẩn xuất khẩu: Thiếu khả năng định lượng chính xác đồng thời cả hai chỉ số vật lý cốt lõi: sắc tố vỏ quả (độ chín) và khối lượng tịnh (kích cỡ).

Đề tài "Nghiên cứu, thiết kế và thi công mô hình đếm và phân loại sản phẩm theo cân nặng, màu sắc" do nhóm nghiên cứu ngành Công nghệ Kỹ thuật Điện tử Truyền thông (Bộ môn Điện tử Công nghiệp – Y sinh, Trường Đại học Sư phạm Kỹ thuật TP.HCM) thực hiện nhằm giải quyết triệt để bài toán trên.

Mục tiêu cụ thể của dự án:

  1. Nghiên cứu thuật toán thị giác máy tính xử lý ảnh chuyển đổi không gian màu RGB sang HSV để phân loại độ chín nông sản (cà chua).
  2. Thiết kế và thi công hệ thống đo lường khối lượng sử dụng cảm biến tải trọng (Loadcell) tích hợp mạch biến đổi tương tự - số 24-bit ADC HX711.
  3. Chế tạo cơ cấu chấp hành cơ điện tử gồm băng tải điều khiển tốc độ bằng PWM và hệ thống 4 xi-lanh khí nén phân luồng tự động.
  4. Xây dựng hệ thống nhúng điều khiển trung tâm trên kit Raspberry Pi 3 Model B, đồng bộ dữ liệu thời gian thực lên Firebase Realtime Database và giám sát qua giao diện Web Localhost / Tkinter.
  5. Thử nghiệm và đánh giá độ chính xác phân loại thành 5 cấp thương phẩm riêng biệt với chu kỳ xử lý thời gian thực.
+-------------------------------------------------------------------------------+
|                            TỔNG QUAN GIẢI PHÁP HỆ THỐNG                       |
+-------------------------------------------------------------------------------+
|   Thu nhận hình ảnh     -> Buồng chụp LED chuẩn hóa -> Camera USB 640x480     |
|   Thu nhận khối lượng   -> Loadcell 1kg + Mạch giải mã ADC HX711 24-bit       |
|   Xử lý trung tâm       -> Raspberry Pi 3 Model B (OpenCV + Python)           |
|   Phân loại chấp hành   -> Van điện từ Solenoid 24V + 4 Xi-lanh khí nén kép   |
|   Giám sát & Điều khiển -> Giao diện Tkinter + Web App + Cloud Firebase       |
+-------------------------------------------------------------------------------+

Phạm vi giới hạn của đề tài tập trung vào mô hình dây chuyền phân loại đơn luồng dành cho quả cà chua, xử lý từng mẫu đơn lẻ khi đi qua buồng chụp quang học và bàn cân tĩnh tích hợp trên mặt bằng xưởng quy mô vừa và nhỏ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng kiến trúc kỹ thuật, nhóm nghiên cứu đã tiến hành so sánh đối chiếu giữa các giải pháp phân loại đang tồn tại trên thị trường:

Tiêu chí kỹ thuật Phân loại thủ công Dây chuyền công nghiệp (PLC + Cảm biến quang) Giải pháp nhúng đề tài (Raspberry Pi + Computer Vision)
Độ chính xác 75% – 85% (phụ thuộc con người) 98% – 99% 95% – 97%
Chi phí đầu tư Thấp ban đầu, chi phí vận hành cao Rất cao (>200 – 500 triệu VNĐ) Tối ưu (< 5 triệu VNĐ)
Khả năng tùy biến Không có tham số định lượng Phức tạp, cần lập trình lại PLC Cực kỳ linh hoạt qua giao diện Web/Cloud
Đa tiêu chí phân loại Hạn chế, khó kiểm soát đồng thời Cần nhiều trạm cảm biến đắt tiền Kết hợp đồng thời ảnh màu HSV & Loadcell
Khả năng giám sát từ xa Không hỗ trợ Yêu cầu hạ tầng SCADA chuyên dụng Đồng bộ trực tiếp Web Server & Firebase IoT

Bảng phân tích yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must-have: Nhận diện chính xác 3 vùng màu (đỏ, cam/vàng, xanh); đo khối lượng sai số $\le \pm 1\text{g}$; kích hoạt đúng xi-lanh tương ứng với 5 phân lớp sản phẩm.
  • Should-have: Giao diện hiển thị trực quan số lượng từng loại trên màn hình LCD/Tkinter; tùy chỉnh ngưỡng khối lượng và màu sắc trực tiếp qua Web.
  • Could-have: Lưu trữ lịch sử phân loại theo thời gian thực trên đám mây Firebase Realtime Database.
  • Won't-have (giai đoạn này): Xử lý nhiều sản phẩm đồng thời trên cùng một khung hình (multi-tracking) hoặc phát hiện dị tật sâu bệnh bề mặt phức tạp.

Thiết kế hệ thống

Kiến trúc hệ thống được phân chia thành 7 khối chức năng chặt chẽ:

graph TD
    A[Nguồn cấp: 24VDC, 12VDC, 5VDC] --> B[Khối Xử Lý Trung Tâm: Raspberry Pi 3 Model B]
    C[USB Camera 640x480] -->|Chuẩn giao tiếp USB V4L2| B
    D[Loadcell 1kg + Module ADC HX711] -->|Giao tiếp 2-dây DOUT/SCK| B
    B -->|Tín hiệu logic GPIO| E[Mạch Relay Driver cách ly quang Opto]
    E -->|Đóng cắt cuộn hút 24V| F[4x Van Điện Từ Solenoid Valve]
    F -->|Đường khí nén 0.8 MPa| G[4x Xi-lanh Khí Nén Đẩy Sản Phẩm]
    B -->|PWM điều khiển tốc độ| H[Động cơ DC Băng Tải JGB37-3530]
    B <-->|REST API / WebSockets| I[Firebase Realtime Database & Web Localhost]
    B -->|Hiển thị trạng thái| J[Giao diện LCD / GUI Tkinter]

Technology Stack và Thông số linh kiện:

  • Khối xử lý trung tâm: SoC Broadcom BCM2837 (Quad-Core 64-bit ARM Cortex-A53 @ 1.2 GHz), 1GB LPDDR2 RAM, chạy hệ điều hành Raspbian GNU/Linux (Kernel 4.19).
  • Thị giác máy tính (Computer Vision): Ngôn ngữ Python 3.7 kết hợp thư viện OpenCV 4.1.0 và NumPy 1.16.2.
  • Khối thu nhận hình ảnh: USB Camera tiêu cự $F = 6.0\text{mm}$, vùng lấy nét $20\text{mm}$, phân giải $640 \times 480\text{ px}$. Buồng chụp cách ly kích thước $150 \times 120 \times 200\text{ mm}$ được chiếu sáng bởi 4 LED K3E19-3 ($3\text{W}$, nhiệt độ màu sáng trắng ổn định, $180 - 200\text{ lm}$).
  • Khối cảm biến cân nặng: Loadcell thanh nhôm cảm ứng biến dạng (Strain Gauge Wheatstone Bridge) tải trọng cực đại $1\text{kg}$, kết nối vi mạch khuếch đại vi sai chuyên dụng ADC 24-bit HX711 (tốc độ lấy mẫu 10 SPS, chống nhiễu 50/60Hz).
  • Khối cơ cấu chấp hành:
    • Động cơ giảm tốc DC 12V JGB37-3530 kéo trục ru-lô băng tải qua module điều chế độ rộng xung PWM NE555 tải dòng cực đại 10A.
    • 4 xi-lanh khí nén tác động kép kết hợp van điện từ Solenoid 24VDC/120mA, áp suất vận hành 0.8 MPa.

Methodology

Quy trình phát triển dự án tuân theo mô hình V-Model lặp với 15 tuần thực hiện:

  • Tuần 1 - 3: Khảo sát lý thuyết, lựa chọn kiến trúc phần cứng Raspberry Pi 3 và thiết lập môi trường lập trình Python/OpenCV.
  • Tuần 4 - 6: Nghiên cứu giải thuật trích chọn đặc trưng không gian màu HSV và cân chỉnh ngưỡng thực nghiệm.
  • Tuần 7 - 8: Thiết kế mạch in PCB cho khối Relay, kết nối mạch giải mã HX711 và thiết kế buồng cân/chụp ảnh.
  • Tuần 9 - 12: Thi công cơ khí khung băng tải, lắp ráp hệ thống khí nén, tích hợp toàn diện phần mềm - phần cứng và tinh chỉnh độ trễ cơ cấu chấp hành.
  • Tuần 13 - 15: Thử nghiệm độ tin cậy, thống kê sai số và hoàn thiện tài liệu kỹ thuật.

Implementation và kết quả

Development process

Trọng tâm thuật toán phân loại nằm ở việc kết hợp xử lý song song giữa phân tích phổ màu và giải mã giá trị lực nén.

1. Thuật toán nhận diện màu sắc (Color Segmentation in HSV)

Ảnh chụp từ camera được chuyển từ RGB sang HSV. Không gian màu HSV phân tách rõ ràng thành phần sắc thái thái màu (Hue) độc lập với cường độ sáng (Value) và độ bão hòa (Saturation), giúp loại bỏ hoàn toàn hiện tượng bóng mờ và phản xạ quang học trên vỏ quả.

import cv2
import numpy as np

def classify_tomato_color(image_path):
    # Đọc ảnh từ buồng chụp chuẩn hóa
    img = cv2.imread(image_path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    
    # Định nghĩa ngưỡng HSV thực nghiệm sau quá trình cân chỉnh
    # Màu đỏ (bao gồm 2 dải biên trong không gian HSV)
    lower_red1, upper_red1 = np.array([0, 50, 50]), np.array([10, 255, 255])
    lower_red2, upper_red2 = np.array([170, 50, 50]), np.array([180, 255, 255])
    
    # Màu vàng / cam (Giai đoạn chuyển màu & chín vàng)
    lower_orange_yellow, upper_orange_yellow = np.array([11, 50, 50]), np.array([65, 255, 255])
    
    # Màu xanh (Chưa chín / xanh)
    lower_green, upper_green = np.array([66, 50, 50]), np.array([160, 255, 255])
    
    # Tạo mask lọc màu
    mask_r1 = cv2.inRange(hsv, lower_red1, upper_red1)
    mask_r2 = cv2.inRange(hsv, lower_red2, upper_red2)
    mask_red = cv2.bitwise_or(mask_r1, mask_r2)
    mask_yellow = cv2.inRange(hsv, lower_orange_yellow, upper_orange_yellow)
    mask_green = cv2.inRange(hsv, lower_green, upper_green)
    
    # Tính toán diện tích pixel của từng vùng màu
    total_pixels = cv2.countNonZero(cv2.inRange(hsv, np.array([0, 30, 30]), np.array([180, 255, 255])))
    if total_pixels == 0:
        return "UNKNOWN"
        
    red_ratio = (cv2.countNonZero(mask_red) / total_pixels) * 100
    yellow_ratio = (cv2.countNonZero(mask_yellow) / total_pixels) * 100
    green_ratio = (cv2.countNonZero(mask_green) / total_pixels) * 100
    
    # Điều kiện phân loại dựa trên tỷ lệ diện tích bề mặt
    if red_ratio >= 90.0 or (red_ratio > yellow_ratio and red_ratio > 60.0):
        return "RED"
    elif yellow_ratio >= 30.0 or (yellow_ratio > green_ratio and red_ratio < 60.0):
        return "YELLOW_ORANGE"
    else:
        return "GREEN"

2. Giải thuật đọc và chuẩn hóa tín hiệu cân nặng từ HX711

Cảm biến Loadcell kết nối với bộ chuyển đổi HX711 qua cầu Wheatstone. Raspberry Pi giao tiếp với HX711 bằng giao thức 2 dây (Clock và Data line) thông qua thuật toán lấy trung bình trượt 10 mẫu để lọc bỏ dao động cơ học khi băng chuyền vận hành:

import time
import RPi.GPIO as GPIO

class HX711_Reader:
    def __init__(self, dout_pin, sck_pin, calibration_factor=420.0):
        self.DOUT = dout_pin
        self.SCK = sck_pin
        self.CALIBRATION_FACTOR = calibration_factor
        GPIO.setup(self.SCK, GPIO.OUT)
        GPIO.setup(self.DOUT, GPIO.IN)
        
    def read_raw_data(self):
        while GPIO.input(self.DOUT) == 1:
            pass # Chờ chân DOUT kéo xuống mức 0 báo hiệu dữ liệu sẵn sàng
        
        count = 0
        for _ in range(24): # Đọc 24-bit dữ liệu nhị phân
            GPIO.output(self.SCK, True)
            count = count << 1
            GPIO.output(self.SCK, False)
            if GPIO.input(self.DOUT):
                count += 1
                
        # Xung thứ 25 để thiết lập Gain = 128 cho kênh A
        GPIO.output(self.SCK, True)
        GPIO.output(self.SCK, False)
        
        # Chuyển đổi bù 2 (Two's complement) cho dữ liệu 24-bit signed
        if count & 0x800000:
            count -= 0x1000000
        return count

    def get_weight(self, samples=10):
        readings = [self.read_raw_data() for _ in range(samples)]
        avg_raw = sum(readings) / float(samples)
        # Khấu trừ Offset (Tare) và chia cho hệ số chuẩn hóa
        weight_grams = (avg_raw - self.OFFSET) / self.CALIBRATION_FACTOR
        return max(0.0, round(weight_grams, 1))

Testing và validation

Hệ thống đã trải qua đợt kiểm nghiệm thực nghiệm với 120 mẫu cà chua thực tế thuộc nhiều độ chín và khối lượng khác nhau tại phòng thí nghiệm:

Nhóm sản phẩm thực tế Số lượng mẫu Nhận diện đúng Tỷ lệ chính xác (%) Thời gian xử lý trung bình (s)
Loại 1 (Đỏ, Nhẹ < 60g) 30 29 96.67% 1.22
Loại 2 (Đỏ, Nặng $\ge$ 60g) 30 29 96.67% 1.25
Loại 3 (Vàng/Cam, Nhẹ < 60g) 25 24 96.00% 1.20
Loại 4 (Vàng/Cam, Nặng $\ge$ 60g) 20 19 95.00% 1.28
Loại 5 (Xanh / Bất thường) 15 14 93.33% 1.18
Tổng thể / Trung bình 120 115 95.83% 1.23 
+-------------------------------------------------------------------------------+
|                      BIỂU ĐỒ TỔNG KẾT HIỆU NĂNG VẬN HÀNH                      |
+-------------------------------------------------------------------------------+
|  Độ chính xác phân loại màu sắc:  [=========================> ] 96.5%         |
|  Độ chính xác đo lường khối lượng:[==========================>] 98.2%         |
|  Độ chính xác cơ cấu chấp hành:   [========================>  ] 95.8%         |
|  Độ trễ phản hồi hệ thống (Latency): 1.23 giây / sản phẩm                     |
+-------------------------------------------------------------------------------+

Kết quả đạt được

  1. Phân lớp hoàn chỉnh 5 nhóm sản phẩm:
    • Loại 1: Quả chín đỏ, khối lượng nhẹ (< 60g) $\rightarrow$ Xi-lanh 1 kích hoạt.
    • Loại 2: Quả chín đỏ, khối lượng nặng ($\ge$ 60g) $\rightarrow$ Xi-lanh 2 kích hoạt.
    • Loại 3: Quả chín vàng/cam, khối lượng nhẹ (< 60g) $\rightarrow$ Xi-lanh 3 kích hoạt.
    • Loại 4: Quả chín vàng/cam, khối lượng nặng ($\ge$ 60g) $\rightarrow$ Xi-lanh 4 kích hoạt.
    • Loại 5: Quả xanh, quả không đạt chuẩn hoặc khối lượng dị thường $\rightarrow$ Trôi về cuối băng tải.
  2. Khả năng giám sát và điều khiển đa nền tảng: Dữ liệu số đếm từng loại quả được cập nhật trực tiếp lên màn hình LCD điều khiển, giao diện Web Localhost và đồng bộ qua Internet trên nền tảng Firebase.

Đổi mới và đóng góp

  • Hệ thống buồng chụp quang học chuẩn hóa: Thiết kế buồng chụp khép kín tích hợp cụm 4 LED K3E19-3 giúp duy trì điều kiện chiếu sáng đẳng hướng ($CRI > 85$, $180\text{ lm}$), triệt tiêu hoàn toàn sự phụ thuộc vào ánh sáng môi trường tự nhiên vốn là nhược điểm chí mạng của các hệ thống xử lý ảnh đơn giản.
  • Giải pháp phần cứng nhúng tối ưu chi phí: Thay thế các hệ thống phân loại đắt tiền sử dụng PLC công nghiệp và cảm biến quang phổ bằng việc khai thác tối đa năng lực tính toán của máy tính đơn bo Raspberry Pi 3 kết hợp vi mạch khuếch đại chuyên dụng HX711. Chi phí tổng thể giảm hơn 90% so với giải pháp ngoại nhập.
  • Cơ chế phân loại lai đa tiêu chí (Hybrid Vision-Weight Matrix): Không phân loại đơn tiêu chí (chỉ màu sắc hoặc chỉ kích thước), hệ thống tạo ra ma trận quyết định 2 chiều, cho phép nông hộ dễ dàng tùy chỉnh biên phân loại theo từng đơn đặt hàng cụ thể của đối tác thương mại.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng

  • Hợp tác xã nông nghiệp công nghệ cao: Đặt tại cửa xả của nhà màng trồng cà chua, dưa leo bao tử, thanh long mini để phân loại tức thời trước khi đóng thùng lạnh.
  • Nhà máy đóng hộp nông sản: Sàng lọc chính xác tỷ lệ quả chín đỏ đạt chuẩn lên men và kích thước đồng đều để đóng lon tự động.

Yêu cầu triển khai hạ tầng

  • Nguồn điện lưới: $220\text{VAC}/50\text{Hz}$ cấp qua bộ nguồn chuyển mạch (SMPS) tạo các mức điện áp: $24\text{VDC}/5\text{A}$ (van khí nén), $12\text{VDC}/5\text{A}$ (băng tải DC), $5\text{VDC}/3\text{A}$ (Raspberry Pi 3).
  • Nguồn cấp khí nén: Máy nén khí mini công suất $1 - 2\text{ HP}$, duy trì áp suất ổn định $0.6 - 0.8\text{ MPa}$.
  • Kết nối mạng: Wi-Fi $802.11\text{ b/g/n}$ hoặc cáp Ethernet RJ45 để đồng bộ cơ sở dữ liệu.

Phân tích hiệu quả kinh tế (ROI)

Với công suất phân loại thực tế $\approx 45 - 50\text{ quả/phút}$ ($\approx 150 - 200\text{ kg/giờ}$), một mô hình có chi phí đầu tư 4.500.000 VNĐ có thể thay thế 2 nhân công toàn thời gian trong mùa thu hoạch. Thời gian hoàn vốn đầu tư ước tính chỉ trong 2,5 đến 4 tháng vận hành liên tục.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Sản phẩm cần được cấp phôi đơn lẻ từng quả lên băng tải để tránh hiện tượng chồng lấn hình ảnh trong buồng chụp.
  • Thời gian dừng tạm thời tại vị trí cân ($0.5\text{s}$) để triệt tiêu dao động quán tính cơ học khiến tốc độ dây chuyền chưa thể đẩy lên mức siêu tốc công nghiệp.

Hướng nâng cấp

  • Tích hợp Deep Learning trên Edge AI: Ứng dụng mô hình nén YOLOv8-Nano chạy trên vi xử lý tăng tốc thần kinh (Google Coral Edge TPU hoặc Raspberry Pi AI Kit) để nhận diện dị tật bề mặt (vết nứt, sâu bệnh, thối hỏng).
  • Cân động liên tục (Dynamic Checkweigher): Áp dụng giải thuật lọc kỹ thuật số Kalman Filter cho tín hiệu Loadcell để cân trực tiếp khi sản phẩm đang trượt liên tục, nâng năng suất lên $>120\text{ sản phẩm/phút}$.
  • Cơ cấu chấp hành khí nén phản lực (Air-jet Nozzle): Thay thế pít-tông cơ khí bằng vòi phun khí nén tốc độ cao để giảm hao mòn cơ khí và tránh làm dập vỏ quả.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Điện tử - Tự động hóa: Mô hình mẫu chuẩn mực để học tập kỹ thuật lập trình nhúng Linux, xử lý ảnh OpenCV trên ARM và thiết kế mạch công nghiệp.
  • Kỹ sư phát triển hệ thống IoT Nông nghiệp: Tài liệu tham khảo toàn diện về giải pháp tích hợp cảm biến cơ điện tử với Cloud Database Firebase và Web SCADA thu nhỏ.
  • Hộ nông dân & Doanh nghiệp vừa và nhỏ (SMEs): Bản thiết kế mở với chi phí cực thấp, dễ dàng tự gia công, bảo trì và tùy biến cho nhiều chủng loại nông sản khác nhau như bơ, cam, chanh chanh leo, xoài.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai phần mềm hệ thống là gì?

Hệ thống yêu cầu máy tính nhúng từ Raspberry Pi 3 Model B (hoặc Raspberry Pi 4/Zero 2W), thẻ nhớ MicroSD tối thiểu 16GB Class 10 cài đặt hệ điều hành Raspbian OS, Python 3.7+ và thư viện OpenCV 4.x biên dịch tối ưu hóa cho kiến trúc ARM NEON.

2. Độ ẩm và bụi bẩn trong môi trường nông nghiệp có ảnh hưởng đến độ chính xác của camera không?

Buồng chụp được thiết kế dạng module kín với kính bảo vệ ống kính. Tuy nhiên, định kỳ 8 giờ làm việc cần vệ sinh bề mặt kính camera bằng khăn mềm để tránh bụi bám làm sai lệch giá trị sắc độ Hue trong không gian HSV.

3. Có thể mở rộng số lượng phân lớp sản phẩm vượt quá 5 loại không?

Hoàn toàn khả thi. Người dùng chỉ cần lắp đặt thêm các cụm van điện từ - xi lanh khí nén dọc theo chiều dài băng tải, mở rộng số chân điều khiển GPIO thông qua IC mở rộng I2C PCF8574 và khai báo thêm các ngưỡng logic trong phần mềm.

4. Hệ thống xử lý thế nào khi quả cà chua có hình dạng méo mó hoặc kích thước dị thường?

Khi tỷ lệ diện tích màu hoặc giá trị khối lượng vượt ra ngoài toàn bộ các ngưỡng định sẵn (ví dụ quả quá nhỏ $<20\text{g}$ hoặc màu sắc loang lổ không đạt tỷ lệ), hệ thống sẽ gán nhãn Loại 5 (loại thải) và để sản phẩm trôi thẳng về khay thu hồi cuối băng tải mà không kích hoạt xi lanh.

5. Chi phí bảo trì định kỳ của hệ thống gồm những hạng mục nào?

Chi phí bảo trì rất thấp, chủ yếu bao gồm kiểm tra độ chùng dây đai băng tải DC (6 tháng/lần), tra dầu bôi trơn cho cụm xi lanh khí nén và hiệu chuẩn lại điểm Zero (Tare) của cảm biến Loadcell bằng quả cân chuẩn $100\text{g}$ mỗi tháng một lần.

Kết luận

Đồ án "Nghiên cứu, thiết kế và thi công mô hình đếm và phân loại sản phẩm theo cân nặng, màu sắc" đã giải quyết trọn vẹn bài toán tự động hóa phân loại nông sản ở quy mô phân tán với chi phí tối ưu. Bằng việc kết hợp hài hòa giữa thị giác máy tính trên không gian màu HSV, kỹ thuật đo lường lực vi sai 24-bit và cơ cấu chấp hành khí nén chuẩn xác, hệ thống đạt độ chính xác phân loại tổng thể 95.83% với chu kỳ chỉ 1.23 giây/sản phẩm. Đây là giải pháp chuyển đổi số thiết thực, mở ra tiềm năng ứng dụng rộng rãi cho các cơ sở chế biến nông sản tại Việt Nam trên hành trình nâng cao giá trị chuỗi cung ứng thực phẩm.