Giới thiệu dự án

Bưởi da xanh (Citrus maxima) là loại cây ăn quả đặc sản chủ lực của vùng Đồng bằng sông Cửu Long, đặc biệt tại tỉnh Bến Tre với diện tích canh tác hàng chục nghìn hecta, đem lại giá trị kinh tế trung bình từ 400 - 500 triệu đồng/ha/năm. Để đáp ứng các tiêu chuẩn xuất khẩu khắt khe như VietGAP và GlobalGAP, khâu đánh giá chất lượng và phân loại sau thu hoạch đóng vai trò sống còn. Tuy nhiên, hơn 85% các vựa thu mua nông sản hiện nay vẫn phụ thuộc hoàn toàn vào phân loại thủ công bằng mắt thường và cảm tính của nhân công.

+-------------------------------------------------------------------------+
|                  HIỆN TRẠNG & ĐỘNG LỰC NGHIÊN CỨU                       |
+-------------------------------------------------------------------------+
| [Thu hoạch] -> [Phân loại thủ công] -> Sai số cao, tốn nhân công (2-3 ng)|
|                                      -> Chi phí vận hành lớn            |
|                                      -> Không đo được tỷ trọng ruột/vỏ  |
|                                                                         |
|                               Giải pháp                                 |
|                                   v                                     |
| [Hệ thống tự động Mechatronics] = Băng tải + Cân Loadcell + Vision AI   |
|                                  + Xy lanh khí nén + Web Server IoT     |
+-------------------------------------------------------------------------+

Vấn đề thực tiễn và điểm nghẽn kỹ thuật (Pain Points)

  • Năng suất thấp và phụ thuộc kinh nghiệm: Một nhân công lành nghề chỉ có thể phân loại trung bình 300 - 400 kg/giờ, dễ xảy ra sai sót khi mệt mỏi.
  • Chi phí nhân công leo thang: Mỗi vựa trung bình cần 2 - 3 nhân công chuyên trách khâu lựa chọn, làm tăng chi phí sản xuất trực tiếp từ 15 - 20%.
  • Không đánh giá được chất lượng bên trong: Phương pháp truyền thống chỉ ước lượng kích thước ngoài, không thể xác định độ dày vỏ hay độ mọng nước của múi bưởi (tương quan chặt chẽ với tỷ trọng $RD = \frac{m}{V}$).

Mục tiêu dự án

  1. Nghiên cứu, tính toán thiết kế và chế tạo hoàn chỉnh mô hình máy cơ điện tử phân loại bưởi da xanh tự động.
  2. Ứng dụng công nghệ xử lý ảnh số (Digital Image Processing) để trích xuất diện tích bề mặt $S$ và phát hiện vùng khuyết tật khác màu (VKM).
  3. Tích hợp cảm biến khối lượng Loadcell và thuật toán hồi quy tuyến tính để xác định tỷ trọng ($RD$), phân loại chính xác theo 2 chế độ: Khối lượng và Tỷ trọng kết hợp khuyết tật.
  4. Xây dựng hệ thống giám sát thời gian thực trên giao diện Windows Forms (C#) và Web Server IoT (LAMP Stack trên Raspberry Pi 3).

Cách tiếp cận và thông số kỳ vọng

Hệ thống kết hợp cơ khí chính xác, khí nén chấp hành, vi điều khiển nhúng Arduino Mega 2560 và máy tính biên xử lý ảnh.

  • Độ chính xác đo khối lượng: Sai số $\le 2%$.
  • Độ chính xác phân loại tổng thể: Đạt $\ge 70%$ theo tiêu chuẩn thương phẩm thực tế.
  • Khả năng làm việc: Xử lý liên tục bưởi có dải khối lượng $0.8\text{ kg} - 3.0\text{ kg}$, đường kính lên đến $250\text{ mm}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Phân loại thủ công Hệ thống lồng xoay (Trung Quốc) Dây chuyền KW Automation (Úc) Hệ thống Cơ điện tử đề xuất
Nguyên lý phân loại Cảm quan & cân bàn Lỗ sàng cơ học theo đường kính Cảm biến tải + lật khay khí nén Thị giác máy + Loadcell + Tỷ trọng ($RD$)
Đánh giá ruột/vỏ Không chính xác Hoàn toàn không Không tích hợp Có (thông qua hồi quy $V = f(S)$)
Phát hiện khuyết tật Có (chậm) Không Có (quang học cao cấp) Có (phân đoạn không gian màu RGB)
Chi phí đầu tư Thấp ban đầu Trung bình ($> 200\text{ triệu}$) Rất cao ($> 1\text{ tỷ VNĐ}$) Thấp - Tối ưu cho vựa vừa và nhỏ
Tính linh hoạt Kém Cố định kích thước Cao nhưng phức tạp Cao (chuyển đổi chế độ qua phần mềm)

Yêu cầu người dùng (Mô hình hóa MoSCoW)

  • Must have: Băng tải cấp liệu tự động; buồng cân và lấy ảnh chống nhiễu sáng; cơ cấu đẩy khí nén 4 vị trí (Loại 1, Loại 2, Loại 3, Phế phẩm); giao diện điều khiển C#.
  • Should have: Thuật toán hồi quy tuyến tính đơn biến tính thể tích; chế độ phân loại kép (Khối lượng / Tỷ trọng); phân cấp quản trị qua Web.
  • Could have: Tích hợp module camera độ phân giải cao; mở rộng kết nối cơ sở dữ liệu đám mây (Cloud Database).
  • Won't have: Cơ cấu rửa - lau chùi và bọc lưới màng co tự động trong giai đoạn thử nghiệm này.

Thiết kế kiến trúc hệ thống

+------------------------------------------------------------------------------------+
|                                KIẾN TRÚC HỆ THỐNG                                  |
+------------------------------------------------------------------------------------+
| [Băng tải cấp phôi] ---> [Cảm biến IR E18-D80NK] ---> Kích hoạt dừng & Cân         |
|                                                                                    |
| [Buồng xử lý ảnh]  ---> [Webcam HD] ---> [Visual Studio C#] ---> Tính S & Lọc VKM |
| [Bàn cân 3D]       ---> [Loadcell 5kg + HX711] ---> [Arduino Mega 2560]            |
|                                                            |                       |
|                                    UART (RS-232/Serial)    v                       |
| [Máng dốc 6.7 độ]  <--- [4x Xy lanh + Van 5/2] <--- [Điều khiển Chấp hành]        |
|                                                            |                       |
|                                      Ethernet / TCP-IP     v                       |
|                              [Raspberry Pi 3 (LAMP Stack Web Server)]              |
+------------------------------------------------------------------------------------+

Technology Stack và Phần cứng chi tiết:

  • Bộ điều khiển trung tâm: Arduino Mega 2560 R3 (ATmega2560 @ 16MHz, 54 chân I/O).
  • Cảm biến khối lượng: Loadcell thanh nhôm 5kg chuẩn Strain Gauge cầu Wheatstone + Module biến đổi ADC 24-bit HX711.
  • Cảm biến vị trí: Cảm biến quang hồng ngoại E18-D80NK (khoảng cách phát hiện $3 - 80\text{ cm}$).
  • Cơ cấu chấp hành khí nén: 4 xy lanh tác động kép Airtac (hành trình $200\text{ mm}$, đường kính nòng $20\text{ mm}$) điều khiển bởi van điện từ Solenoid Valve 5/2 SM5100-C6.
  • Động cơ băng tải: Động cơ DC SPG S6KA90B-W70 ($15\text{ W}$, $24\text{ V}$, hộp giảm tốc $i = 1:90$, tốc độ đầu ra $16\text{ rpm}$).
  • Phần mềm máy chủ biên & Thị giác: C# .NET Framework 4.6.1 trên Visual Studio 2017.
  • Hệ điều hành nhúng & Web Server: Raspberry Pi 3 Model B, Raspbian OS, Apache 2.4, MySQL 5.7, PHP 7.0 (LAMP).

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển chữ V (V-Model) kết hợp lặp nhanh (Agile Prototyping) qua 4 mốc tiến độ chính:

  1. Milestone 1 (Tuần 1 - 4): Khảo sát thực địa tại Bến Tre, xác lập cơ sở dữ liệu mẫu ($n = 50$ quả bưởi), thiết kế 3D trên SolidWorks 2018.
  2. Milestone 2 (Tuần 5 - 8): Gia công cơ khí khung thép $V$, in 3D đế gá bàn cân bằng nhựa PLA, lắp ráp băng tải và mạch khí nén.
  3. Milestone 3 (Tuần 9 - 12): Lập trình firmware Arduino, phát triển module trích xuất ảnh trên C#, huấn luyện mô hình hồi quy $S \to V$.
  4. Milestone 4 (Tuần 13 - 16): Tích hợp toàn hệ thống, thử nghiệm thực nghiệm 8 lượt lặp, đánh giá sai số và hoàn thiện Web Server.

Implementation và kết quả

Quá trình tính toán kỹ thuật và giải thuật cốt lõi

1. Tính toán động học cơ khí băng tải và máng phân loại

  • Công suất động cơ kéo: $$\text{Công suất trục công tác: } P = F_t \cdot v = 130\text{ N} \cdot 0.1\text{ m/s} = 13\text{ W}$$ $$\text{Công suất yêu cầu động cơ: } P_{ct} = \frac{P_{td}}{\eta_{ol} \cdot \eta_x} = \frac{13}{0.99 \cdot 0.9} \approx 14.4\text{ W} \implies \text{Chọn SPG } 15\text{ W}$$
  • Góc nghiêng máng dốc trượt: Dựa trên định luật II Newton và bảo toàn cơ năng với hệ số ma sát lăn $\mu = 0.5$, vận tốc đầu ra máng $V_B = 1.7\text{ m/s}$: $$\tan\alpha = \mu + \frac{m \cdot a - F}{N} = 0.5 + \frac{2 \cdot 1.4 - 10}{19.86} = 0.119 \implies \alpha \approx 6.7^\circ$$ $$\text{Chiều dài máng: } c = \frac{h}{\sin\alpha} = \frac{150\text{ mm}}{\sin(6.7^\circ)} = 1285\text{ mm}$$

2. Giải thuật hồi quy ước lượng thể tích ($V$) qua diện tích ảnh 2D ($S$)

Thể tích bưởi $V$ ($\text{dm}^3$) được xác định phi tiếp xúc thông qua bình phương cực tiểu (Ordinary Least Squares - OLS): $$\min_{\alpha, \beta} \sum_{i=1}^n \left( V_i - (\alpha S_i + \beta) \right)^2$$ Sau khi hiệu chuẩn với thực nghiệm đo mực nước dâng trên $n=20$ mẫu, ta thu được phương trình tuyến tính chuyển đổi: $$V = 0.000412 \cdot S_{pixel} - 0.185 \quad (\text{với hệ số xác định } R^2 = 0.912)$$ Tỷ trọng thực nghiệm: $$RD = \frac{m\ (\text{kg})}{V\ (\text{dm}^3)}$$

+-------------------------------------------------------------------------+
|                    LƯU ĐỒ GIẢI THUẬT PHÂN LOẠI                          |
+-------------------------------------------------------------------------+
|                              [BẮT ĐẦU]                                  |
|                                  |                                      |
|                       [Băng tải đưa bưởi vào]                           |
|                                  |                                      |
|                     <Cảm biến IR kích hoạt?> --(NO)--> [Tiếp tục chạy]  |
|                                  | (YES)                                |
|                        [Dừng băng tải]                                  |
|                                  |                                      |
|             +--------------------+--------------------+                 |
|             |                                         |                 |
|    [Đọc khối lượng (m)]                      [Chụp ảnh bề mặt]          |
|    [Loadcell + HX711]                        [Lọc màu RGB -> Tính S]    |
|             |                                         |                 |
|             +--------------------+--------------------+                 |
|                                  |                                      |
|                     [Tính Thể tích: V = f(S)]                           |
|                     [Tính Tỷ trọng: RD = m / V]                         |
|                                  |                                      |
|                     <Chế độ phân loại là gì?>                           |
|                     /                       \                           |
|         [Khối lượng đơn thuần]           [Tỷ trọng + VKM]               |
|                   |                              |                      |
|           Phân loại 3 mức                Kiểm tra ngưỡng RD             |
|                   \                              /                      |
|                    +-------------+--------------+                       |
|                                  |                                      |
|                     [Kích hoạt Xy lanh tương ứng]                       |
|                     [Ghi Log MySQL & Gửi Web GUI]                       |
|                                  |                                      |
|                               [KẾT THÚC]                                |
+-------------------------------------------------------------------------+

3. Trích đoạn Code xử lý tín hiệu và thị giác máy

  • Xử lý ảnh trích xuất diện tích $S$ và kiểm tra khuyết tật trên C#:
// Trích xuất diện tích bưởi và kiểm tra tỷ lệ vùng khác màu (VKM)
public Bitmap ProcessPomeloImage(Bitmap srcImg, out double fruitArea, out double defectRatio)
{
    int width = srcImg.Width;
    int height = srcImg.Height;
    int fruitPixels = 0;
    int defectPixels = 0;
    Bitmap processed = new Bitmap(width, height);

    for (int y = 0; y < height; y++)
    {
        for (int x = 0; x < width; x++)
        {
            Color c = srcImg.GetPixel(x, y);
            // Phân đoạn tách nền (Background subtraction theo ngưỡng xanh lá)
            if (c.G > 80 && c.G > c.R * 1.15 && c.G > c.B * 1.15)
            {
                fruitPixels++;
                // Nhận diện vùng khuyết tật (đốm vàng sâu bệnh, rám nắng)
                if (c.R > 120 && c.G > 100 && c.B < 70)
                {
                    defectPixels++;
                    processed.SetPixel(x, y, Color.Red); // Đánh dấu lỗi
                }
                else
                {
                    processed.SetPixel(x, y, Color.Green);
                }
            }
            else
            {
                processed.SetPixel(x, y, Color.Black); // Nền
            }
        }
    }
    fruitArea = fruitPixels;
    defectRatio = (fruitPixels > 0) ? ((double)defectPixels / fruitPixels) * 100.0 : 0;
    return processed;
}
  • Firmware điều khiển chấp hành và cân Loadcell trên Arduino Mega 2560:
#include "HX711.h"

const int LOADCELL_DOUT_PIN = 3;
const int LOADCELL_SCK_PIN = 2;
const int IR_SENSOR_PIN = 7;
const int CYLINDER_PINS[4] = {8, 9, 10, 11}; // Cyl 1->4: Loai 1, 2, 3, Phe pham

HX711 scale;
float calibration_factor = -215.0; // He so hieu chuan Loadcell 5kg

void setup() {
  Serial.begin(9600);
  scale.begin(LOADCELL_DOUT_PIN, LOADCELL_SCK_PIN);
  scale.set_scale(calibration_factor);
  scale.tare(); // Reset ve 0
  
  pinMode(IR_SENSOR_PIN, INPUT);
  for(int i=0; i<4; i++) {
    pinMode(CYLINDER_PINS[i], OUTPUT);
    digitalWrite(CYLINDER_PINS[i], LOW);
  }
}

void loop() {
  if (digitalRead(IR_SENSOR_PIN) == LOW) { // Co buoi vao ban can
    delay(500); // Cho on dinh co hoc
    float weight = scale.get_units(10); // Lay trung binh 10 mau
    if (weight < 0) weight = 0.0;
    
    // Gui du lieu khoi luong len PC qua Serial
    Serial.print("WEIGHT:");
    Serial.println(weight, 2);
    
    // Cho lenh phan loai tu C# GUI (Format: "ACT:<1-4>")
    while (!Serial.available());
    String cmd = Serial.readStringUntil('\n');
    if (cmd.startsWith("ACT:")) {
      int type = cmd.substring(4).toInt();
      if (type >= 1 && type <= 4) {
        triggerCylinder(type - 1);
      }
    }
  }
}

void triggerCylinder(int index) {
  digitalWrite(CYLINDER_PINS[index], HIGH);
  delay(1200); // Thoi gian day buoi xuong mang
  digitalWrite(CYLINDER_PINS[index], LOW);
}
  • Xử lý ghi dữ liệu Backend và đồng bộ Web giám sát (PHP/MySQL):
<?php
// insert_log.php: Ghi log du lieu phan loai len LAMP Server
$servername = "localhost";
$username = "pi_admin";
$password = "raspberry123";
$dbname = "pomelo_db";

$conn = new mysqli($servername, $username, $password, $dbname);
if ($conn->connect_error) {
    die("Connection failed: " . $conn->connect_error);
}

$mass = isset($_POST['mass']) ? floatval($_POST['mass']) : 0.0;
$volume = isset($_POST['volume']) ? floatval($_POST['volume']) : 0.0;
$rd = isset($_POST['rd']) ? floatval($_POST['rd']) : 0.0;
$type = isset($_POST['grade']) ? intval($_POST['grade']) : 0;

$sql = "INSERT INTO tbl_sorting_logs (mass_kg, volume_dm3, relative_density, grade_result, created_at) 
        VALUES ($mass, $volume, $rd, $type, NOW())";

if ($conn->query($sql) === TRUE) {
    echo json_encode(["status" => "SUCCESS", "id" => $conn->insert_id]);
} else {
    echo json_encode(["status" => "ERROR", "message" => $conn->error]);
}
$conn->close();
?>

Kiểm thử và Đánh giá thực nghiệm

Thực nghiệm được tiến hành trên 3 nhóm quả đại diện qua 8 chu kỳ chạy lặp lại để đối soát giữa tính toán lý thuyết và thực tế.

  ĐỘ LỆCH CHUẨN ĐO LƯỜNG THỰC TẾ
  +----------------------------------------------------+
  | Khối lượng (Loadcell):  [====] Sai số < 1.8%       |
  | Thể tích (Vision 2D):   [==========] Sai số ~ 11.4%|
  | Độ chính xác tổng thể:  [=======] Đạt 70%          |
  +----------------------------------------------------+
  • Kiểm thử bàn cân Loadcell: Độ phân giải 24-bit của HX711 cho độ lặp lại cao, sai số tuyệt đối trung bình $\le 15\text{ g}$ trên dải cân $1.0 - 2.5\text{ kg}$ (đạt độ chính xác $98.2%$).
  • Kiểm thử module Xử lý ảnh: Sai số ước tính thể tích $V$ dao động từ $8.5% - 14.2%$ do bưởi không hoàn toàn là hình cầu đối xứng tròn xoay.
  • Thời gian đáp ứng chu kỳ (Cycle Time):
    • Thời gian ổn định tải trọng và cân: $0.6\text{ s}$.
    • Thời gian chụp và xử lý ảnh trên CPU Core i5: $0.35\text{ s}$.
    • Thời gian xy lanh tác động và hoàn vị: $1.4\text{ s}$.
    • Tổng thời gian xử lý 1 quả: $\approx 2.35\text{ s/quả}$ (tương đương năng suất $1500\text{ quả/giờ}$).

Đổi mới và đóng góp

  1. Đổi mới phương pháp đánh giá chất lượng ruột qua Tỷ trọng ($RD$): Thay vì chỉ đo đường kính ngoài như các máy thông thường, mô hình kết hợp tương quan $m/V$ để loại bỏ những quả vỏ dày, xốp, ít nước mà mắt thường không thể phân biệt.
  2. Thiết kế buồng quang học khép kín tích hợp cân tĩnh: Hộp chống nhiễu quang học (Chamber box) loại bỏ hoàn toàn ánh sáng tán xạ từ môi trường, tăng độ tin cậy của thuật toán lọc màu không gian RGB lên hơn $30%$.
  3. Cơ chế đệm khí nén giảm chấn: Thiết kế máng trượt góc dốc tiêu chuẩn $\alpha = 6.7^\circ$ kết hợp tấm gá bọc cao su xốp giúp triệt tiêu hoàn toàn hiện tượng vỡ túi tinh dầu (dập the), bảo toàn mẫu mã trái cây xuất khẩu.
  4. Hệ thống giám sát phân tán IoT giá rẻ: Ứng dụng mô hình Client-Server lai (Windows Forms cho điều khiển nội vi tại chỗ + LAMP Server trên Raspberry Pi để theo dõi dữ liệu sản lượng từ xa qua Web).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Hệ thống được thiết kế chuyên biệt cho:

  • Hợp tác xã nông nghiệp & Vựa thu mua quy mô vừa (5 - 20 tấn/ngày): Tự động hóa khâu tiếp nhận và đóng gói theo chuẩn siêu thị.
  • Doanh nghiệp chế biến nước ép & múi bưởi đóng hộp: Sàng lọc những quả có tỷ trọng cao (nhiều nước, múi ngọt) đưa vào dây chuyền chế biến sâu.
+-------------------------------------------------------------------------+
|                  LỘ TRÌNH TRIỂN KHAI VÀ ƯỚC TÍNH ROI                    |
+-------------------------------------------------------------------------+
| [Tháng 1-2] Khảo sát & Đặt hàng linh kiện -> Chi phí: 35-45 triệu VNĐ   |
| [Tháng 3]   Lắp ráp cơ khí & Hiệu chuẩn cảm biến                        |
| [Tháng 4]   Chạy thử nghiệm Pilot tại vựa Bến Tre                       |
|                                                                         |
| -> Tiết kiệm: Giảm 2 nhân công = Tiết kiệm 14 - 16 triệu VNĐ/tháng     |
| -> Hoàn vốn (ROI): Thu hồi vốn đầu tư trong 3.5 - 4.5 tháng             |
+-------------------------------------------------------------------------+

Phân tích tài chính và Thời gian hoàn vốn (ROI)

  • Chi phí chế tạo mô hình thử nghiệm: $\approx 18.500.000\text{ VNĐ}$.
  • Dự toán phiên bản thương mại hóa: $\approx 45.000.000\text{ VNĐ}$.
  • Hiệu quả kinh tế: Cắt giảm 2 nhân công đứng lựa bưởi (tiết kiệm $\approx 14.000.000\text{ VNĐ/tháng}$).
  • Thời gian thu hồi vốn: $\approx 3.5 - 4\text{ tháng}$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Thuật toán ước lượng thể tích 3D từ ảnh 2D đơn kênh còn sai số ($\approx 11%$) đối với những quả có hình dạng méo mó hoặc cuống dài.
  • Băng tải vận chuyển đơn line, chưa có cơ cấu tự động xoay lật đa chiều để chụp toàn diện $360^\circ$ bề mặt quả.
  • Tốc độ xử lý truyền thông nối tiếp UART giữa PC và Arduino đôi khi có độ trễ nhỏ khi vận hành liên tục tần suất cao.

Hướng nâng cấp đề xuất

  • Tích hợp Deep Learning (YOLOv8 / CNN): Nâng cấp thuật toán phát hiện bệnh trên vỏ quả (nấm bồ hóng, ruồi vàng đục quả, sẹo gai) với độ chính xác kỳ vọng $> 95%$.
  • Mở rộng cụm cơ cấu cuối line: Tích hợp đầu in phun hạn sử dụng, cơ cấu bọc túi lưới màng co và máy đóng thùng carton tự động.
  • Sử dụng Camera đo chiều sâu 3D (Intel RealSense / LiDAR): Tái tạo trực tiếp đám mây điểm (Point Cloud) để đo thể tích $V$ chuẩn xác tuyệt đối, giảm sai số $V$ xuống $< 2%$.

Đối tượng hưởng lợi

  • Sinh viên ngành Cơ điện tử / Tự động hóa: Cung cấp tài liệu thiết kế chi tiết, phương pháp tính toán công suất động cơ, bộ truyền xích, động lực học máng nghiêng và mã nguồn tích hợp phần cứng đa nền tảng.
  • Kỹ sư & Nhà phát triển hệ thống: Mô hình tham chiếu hoàn chỉnh về việc tích hợp Loadcell HX711 với xử lý ảnh công nghiệp trên C# và xây dựng Dashboard IoT với LAMP Stack.
  • Chủ vựa và Doanh nghiệp nông sản: Giải pháp công nghệ hóa với chi phí thấp, tối ưu hóa lợi nhuận, chuẩn hóa quy trình xuất khẩu bưởi sang thị trường Mỹ, EU và Nhật Bản.
  • Nhà nghiên cứu Nông nghiệp thông minh (Smart Agriculture): Dữ liệu thực nghiệm về mối liên hệ định lượng giữa Tỷ trọng ($RD$), độ dày vỏ và độ chín của bưởi da xanh Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu nguồn điện và khí nén để vận hành hệ thống là gì?

Hệ thống sử dụng nguồn điện dân dụng $1\text{ pha } 220\text{ V AC} - 50\text{ Hz}$ (chuyển đổi qua nguồn tổ ong $24\text{ V DC } 10\text{ A}$ cấp cho động cơ băng tải và van Solenoid, nguồn $5\text{ V } 3\text{ A}$ cho vi điều khiển). Nguồn khí nén yêu cầu máy nén khí mini áp suất làm việc từ $4 - 6\text{ bar}$, lưu lượng tối thiểu $40\text{ lít/phút}$.

2. Làm thế nào để cải thiện độ chính xác khi ước lượng thể tích quả bưởi méo?

Để khắc phục nhược điểm của ảnh 2D, có thể lắp đặt bổ sung 1 camera góc nhìn ngang ($90^\circ$ so với camera đỉnh) để lấy diện tích chiếu phụ $S_2$, từ đó tính thể tích theo mô hình elip tròn xoay: $$V = \frac{4}{3}\pi \cdot a \cdot b \cdot c$$ hoặc ứng dụng camera đo khoảng cách ToF/Depth sensor.

3. Hệ thống có khả năng phân loại các loại trái cây khác như dưa hấu, thanh long không?

Hoàn toàn có thể. Người vận hành chỉ cần thay đổi dải giá trị khối lượng ngưỡng trên giao diện Windows Forms và hiệu chuẩn lại phương trình hồi quy màu sắc/diện tích trong mã nguồn C# mà không cần thay đổi kết cấu cơ khí chính.

4. Chi phí bảo trì và độ bền linh kiện cơ điện tử ra sao?

Cảm biến Loadcell và van Solenoid Airtac có tuổi thọ hoạt động trên 5 triệu chu kỳ đóng ngắt. Bảo dưỡng định kỳ chỉ gồm: châm dầu bôi trơn xích tải (3 tháng/lần), vệ sinh kính bảo vệ buồng camera và hiệu chuẩn lại điểm Zero (Tare) của bàn cân.

5. Khả năng bảo mật của hệ thống Web Server giám sát trên Raspberry Pi?

Hệ thống chạy LAMP cục bộ trong mạng LAN công nghiệp, hỗ trợ cấu hình chứng chỉ SSL/TLS, phân quyền tài khoản truy cập bằng mật khẩu mã hóa MD5/Bcrypt và tường lửa UFW ngăn chặn truy cập trái phép từ bên ngoài.

Kết luận

Đề tài tốt nghiệp "Nghiên cứu, thiết kế và chế tạo mô hình máy phân loại bưởi da xanh" của nhóm sinh viên ngành CNKT Cơ điện tử - Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết thành công bài toán tự động hóa phân loại nông sản đặc thù chất lượng cao. Bằng việc kết hợp hài hòa giữa cơ cấu cơ khí giảm chấn, xử lý ảnh thị giác máy, đo lường khối lượng chính xác và công nghệ giám sát Web Server IoT, đồ án không chỉ chứng minh tính khả thi về mặt kỹ thuật mà còn mở ra tiềm năng thương mại hóa to lớn cho ngành nông nghiệp công nghệ cao tại Việt Nam.

[!TIP] Doanh nghiệp và nhà nghiên cứu quan tâm có thể kế thừa mã nguồn C# WinForm, sơ đồ mạch AutoCAD và bản vẽ cơ khí 3D SolidWorks để nâng cấp lên dây chuyền tự động hóa công nghiệp quy mô lớn.