Giới thiệu dự án

Theo thống kê từ Bộ Tài nguyên và Môi trường, mỗi ngày Việt Nam phát sinh khoảng 60.000 tấn rác thải sinh hoạt, trong đó khu vực đô thị chiếm trên 60% và dự báo sẽ tăng từ 10% đến 16% vào năm 2025. Trong cơ cấu chất thải rắn sinh hoạt, rác thải chai nhựa (PET/HDPE) và lon kim loại (nhôm, thiếc) chiếm tỷ trọng lớn và gia tăng nhanh chóng do thói quen tiêu dùng thức uống đóng chai, nước giải khát đóng hộp. Tình trạng vứt rác bừa bãi và không phân loại tại nguồn tạo áp lực khổng lồ lên hệ thống xử lý chất thải đô thị, gây tắc nghẽn dòng chảy, ô nhiễm nguồn nước mặt, ngấm hóa chất độc hại vào mạch nước ngầm và mất hàng trăm năm để phân hủy tự nhiên.

                    QUY TRÌNH THÙNG PHÂN LOẠI RÁC TỰ ĐỘNG
 +------------+     +-------------------+     +------------------+     +------------------+
 |  Cửa nhận  | --> | Camera AI Scanner | --> | Cơ cấu đâm & ép  | --> | Phân loại 3 ngăn |
 |  (IR/SRF)  |     | (SSD-MobileNetV2) |     | (Xylanh + DC775) |     |  (Servo MG996R)  |
 +------------+     +-------------------+     +------------------+     +------------------+

Vấn đề cốt lõi (Problem Statement) nằm ở chỗ:

  • Tắc nghẽn thể tích: Chai nhựa và lon kim loại rỗng chứa lượng không khí lớn bên trong, khiến các thùng rác truyền thống nhanh chóng bị đầy dù trọng lượng rác thực tế rất thấp.
  • Áp suất ngược khi nén ép: Nếu nén ép trực tiếp chai nhựa đóng nắp kín, áp suất khí nén bên trong sinh lực cản ngược làm kẹt cơ cấu ép hoặc gây nổ vỡ chai.
  • Phân loại thủ công kém hiệu quả: Việc phân loại rác thủ công tại bãi tập kết tốn nhân công, tiềm ẩn rủi ro lây nhiễm mầm bệnh (vi khuẩn tả, lỵ, thương hàn có thể tồn tại 15–40 ngày trong bãi rác).
  • Thiếu giám sát và động lực phân loại: Ban quản lý đô thị không nắm bắt được trạng thái thùng rác theo thời gian thực, người dân thiếu động lực kinh tế để tự giác phân loại rác đúng quy định.

Đề tài "Thiết kế và thi công mô hình máy xử lý rác - Thùng phân loại rác tự động" do nhóm sinh viên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Sư phạm Kỹ thuật TP.HCM nghiên cứu và chế tạo giải quyết triệt để các hạn chế trên. Dự án hướng tới 4 mục tiêu cụ thể:

  1. Chế tạo thành công mô hình cơ điện tử hoàn chỉnh tích hợp cơ cấu đâm thủng xả khí và động cơ ép rác giảm thể tích tự động.
  2. Ứng dụng mô hình học sâu (Deep Learning) nhận diện và phân loại chính xác 3 nhóm đối tượng: chai nhựa, lon kim loại và rác không xử lý (ly giấy, rác khác).
  3. Xây dựng kiến trúc IoT kết nối bo mạch nhúng Raspberry Pi 4 và vi điều khiển ESP32 qua giao thức MQTT/WebSocket, đồng bộ dữ liệu vị trí GPS và dung tích thùng rác.
  4. Triển khai giao diện giám sát Web Dashboard thời gian thực và tích hợp mô-đun đổi quà tự động (Gamification) nhằm khuyến khích người dùng tham gia phân loại rác.

Phạm vi và giới hạn đề tài: Mô hình tập trung xử lý các loại chai nhựa PET dung tích ≤ 500ml và lon nhôm tiêu chuẩn có độ cứng vừa phải. Hệ thống sử dụng nguồn cấp DC 24V/15A (360W) và hạ áp qua các module chuyên dụng để vận hành cơ cấu chấp hành công suất vừa trong quy mô thực nghiệm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành khảo sát và so sánh các giải pháp thu gom và xử lý rác thải hiện hành trên thị trường:

Tiêu chí kỹ thuật Thùng rác công cộng truyền thống Đề tài sinh viên phân loại 2020 [1] Máy R-One Smart Bin 2022 [2] Giải pháp của đồ án (2024)
Cơ chế phân loại Thủ công (người vứt tự chọn) Cảm biến tiệm cận + Cảm biến màu Trí tuệ nhân tạo (Cloud AI Camera) Edge AI (SSD-MobileNet V2 FPN Lite)
Cơ cấu giảm thể tích Không có Không có Ép lăn bề mặt (không xả khí) Đâm thủng xả áp + Ép trục vít DC 775
Khả năng kết nối IoT Không Không có Wi-Fi / 4G (báo đầy cơ bản) MQTT + Web Dashboard + GPS A9G
Hệ thống thưởng quà Không Không Trả tiền trực tiếp qua App ngân hàng Nhả quà vật lý tại chỗ + Tích điểm Web
Chi phí chế tạo Rất thấp (< 500.000 VNĐ) Thấp (~ 2.500.000 VNĐ) Rất cao (> 80.000.000 VNĐ) Tối ưu (~ 6.500.000 VNĐ)

Yêu cầu hệ thống được lượng hóa và ưu tiên theo phương pháp MoSCoW:

  • Must have: Nhận diện đúng chai nhựa/lon kim loại với độ chính xác > 90%; tự động mở cửa nạp qua cảm biến hồng ngoại; đâm xả khí và ép dẹp vật thể; đo dung tích rác bằng cảm biến siêu âm.
  • Should have: Gửi tọa độ GPS và cảnh báo dung tích > 85% qua module GSM A9G; tích điểm và nhả quà bằng Servo MG90S khi người dùng bỏ đúng rác quy định.
  • Could have: Cập nhật bản đồ hiển thị nhiều điểm thùng rác trên WebServer; điều chỉnh lực ép theo độ cứng vật liệu.
  • Won't have (lần này): Xử lý chai thủy tinh, rác kích thước ngoại cỡ hoặc rác có chứa chất lỏng đầy bên trong.

Thiết kế hệ thống

Kiến trúc hệ thống được phân tầng rõ ràng theo mô hình Distributed Edge-IoT Architecture:

Technology Stack chuẩn hóa:

  • Edge AI Computer: Raspberry Pi 4 Model B 8GB (Broadcom BCM2711, Quad-core Cortex-A72 @ 1.8GHz, OS: Raspberry Pi OS 64-bit Bullseye, Python 3.9.2, TensorFlow Lite Runtime v2.14.0, OpenCV v4.8.0).
  • Core Controller: Vi điều khiển ESP32 NodeMCU 38 chân (Xtensa Dual-Core 32-bit LX6 240MHz, SRAM 520KB, Framework: Arduino-ESP32 Core v2.0.14).
  • Giao thức & Truyền thông: Mosquitto MQTT Broker v2.0.18, Giao tiếp nhị phân UART Baudrate 115200, WebSockets RFC 6455.
  • Nguồn cấp: Nguồn xung Switching Power Supply 220VAC sang 24VDC - 15A (360W), hạ áp qua Step-down Buck Module 5V/5A cấp nguồn RPi4 và Servo.

Cấu trúc dữ liệu Payload MQTT giữa Raspberry Pi và ESP32:

{
  "device_id": "SMART_BIN_HCMUTE_01",
  "timestamp": 1718874000,
  "detected_class": "plastic_bottle",
  "confidence_score": 0.942,
  "action_code": "EXEC_CRUSH_SORT",
  "servo_angle": 45,
  "telemetry": {
    "bin_fill_level_percent": 68.5,
    "gps_latitude": 10.850654,
    "gps_longitude": 106.772082,
    "daily_count": 142
  }
}

Phương pháp nghiên cứu và triển khai (Methodology)

Dự án áp dụng mô hình phát triển Agile/Scrum rút gọn trong thời gian 20 tuần (từ 22/01/2024 đến 21/06/2024):

                                    TIẾN ĐỘ THỰC HIỆN 20 TUẦN
 [Tuần 1-3]   Nghiên cứu tổng quan, xác định bài toán & yêu cầu kỹ thuật
 [Tuần 4-6]   Khảo sát lý thuyết ESP32, RPi4, SSD MobileNet V2 & MQTT
 [Tuần 7-13]  Thiết kế 3D SolidWorks, gia công cơ cấu ép & máng xoay 3 ngăn
 [Tuần 14-18] Lập trình TFLite, nhúng thuật toán ESP32 & Web Dashboard IoT
 [Tuần 19-20] Chạy thực nghiệm, đo đạc độ chính xác, hiệu chỉnh & đóng gói báo cáo

Đánh giá rủi ro và giải pháp khắc phục:

  1. Rủi ro kẹt cơ khí do chai chưa xả khí: Lắp đặt xylanh mang đầu kim đâm thủng vỏ chai trước khi trục ép DC 775 chuyển động tịnh tiến.
  2. Rủi ro quá nhiệt bo mạch Raspberry Pi 4 khi chạy AI liên tục: Bổ sung khối tản nhiệt nhôm thụ động kết hợp quạt làm mát 5V điều khiển tự động, giữ nhiệt độ CPU < 58°C.
  3. Rủi ro mất kết nối Wi-Fi tại nơi công cộng: Module A9G tự động kích hoạt kênh mạng di động GSM/GPRS để duy trì truyền tọa độ GPS và gửi tin nhắn khẩn cấp qua SMS.

Implementation và kết quả

Quy trình phát triển phần cứng và phần mềm

Hệ thống hoạt động theo chu trình tự động khép kín:

  1. Người dùng đưa rác vào cửa nhận -> Cảm biến hồng ngoại phát hiện -> Cửa trập mở đưa vật thể vào buồng chụp.
  2. Camera 5MP chụp ảnh vật thể -> Raspberry Pi tiền xử lý ảnh (Resize 320x320, Normalize) và chuyển vào model SSD MobileNet V2 FPN Lite 320.
  3. Khi nhận diện là Chai nhựa hoặc Lon kim loại, Raspberry Pi gửi tín hiệu MQTT sang ESP32.
  4. ESP32 kích hoạt Xylanh đâm rách thân chai xả khí (2 giây) -> Động cơ DC 775 kéo bàn ép nén bẹp vật thể (hành trình 120mm trong 5 giây) -> Servo MG996R xoay máng trượt về đúng ngăn chứa tương ứng.
  5. Nếu nhận diện là Ly giấy/Rác khác, bàn ép giữ nguyên, máng xoay trực tiếp xả rác vào ngăn rác tổng hợp.
  6. Hệ thống cộng điểm thưởng trên WebServer và kích hoạt Servo MG90S nhả quà nếu người dùng quét mã định danh.
# Trích đoạn code nhận diện đối tượng bằng TensorFlow Lite trên Raspberry Pi 4
import cv2
import numpy as np
import tflite_runtime.interpreter as tflite
import paho.mqtt.client as mqtt
import json

# Khởi tạo mô hình TFLite
MODEL_PATH = "/home/pi/models/ssd_mobilenet_v2_waste.tflite"
interpreter = tflite.Interpreter(model_path=MODEL_PATH)
interpreter.allocate_tensors()

input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

LABELS = {0: "non_recyclable", 1: "plastic_bottle", 2: "metal_can"}

def process_and_classify(frame):
    # Tiền xử lý ảnh theo chuẩn input 320x320x3
    img_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    img_resized = cv2.resize(img_rgb, (320, 320))
    input_data = np.expand_dims(img_resized, axis=0).astype(np.uint8)

    interpreter.set_tensor(input_details[0]['index'], input_data)
    interpreter.invoke()

    # Trích xuất kết quả nhận diện
    boxes = interpreter.get_tensor(output_details[0]['index'])[0]
    classes = interpreter.get_tensor(output_details[1]['index'])[0]
    scores = interpreter.get_tensor(output_details[2]['index'])[0]

    detected_label = "non_recyclable"
    max_score = 0.0

    for i in range(len(scores)):
        if scores[i] > 0.75: # Ngưỡng tin cậy (Confidence Threshold)
            class_id = int(classes[i])
            if scores[i] > max_score and class_id in LABELS:
                max_score = float(scores[i])
                detected_label = LABELS[class_id]

    return detected_label, max_score

Cơ chế điều khiển luồng thời gian thực trên vi điều khiển ESP32 xử lý lệnh MQTT và kích hoạt cơ cấu chấp hành:

// Trích đoạn code điều khiển cơ cấu phân loại & ép rác trên ESP32 (Arduino C++)
#include <WiFi.h>
#include <PubSubClient.h>
#include <ESP32Servo.h>

Servo sortServo;
const int PIN_SERVO_SORT = 18;
const int PIN_RELAY_PUNCTURE = 23; // Xylanh đâm xả khí
const int PIN_MOTOR_PWM = 25;      // Động cơ ép DC 775
const int PIN_IR_ENTRY = 34;

void callback(char* topic, byte* message, unsigned int length) {
    String msgStr;
    for (int i = 0; i < length; i++) msgStr += (char)message[i];
    
    // Phân tích chỉ thị phân loại từ Raspberry Pi
    if (msgStr.indexOf("plastic_bottle") >= 0) {
        // Bước 1: Xoay máng sang ngăn chai nhựa (Góc 45 độ)
        sortServo.write(45);
        delay(500);
        // Bước 2: Kích hoạt đâm xả áp và ép
        digitalWrite(PIN_RELAY_PUNCTURE, HIGH);
        delay(1500);
        digitalWrite(PIN_RELAY_PUNCTURE, LOW);
        // Bước 3: Động cơ DC 775 quay ép
        analogWrite(PIN_MOTOR_PWM, 255);
        delay(4500);
        analogWrite(PIN_MOTOR_PWM, 0);
    } else if (msgStr.indexOf("metal_can") >= 0) {
        sortServo.write(135); // Ngăn lon kim loại
        delay(500);
        analogWrite(PIN_MOTOR_PWM, 255);
        delay(4000);
        analogWrite(PIN_MOTOR_PWM, 0);
    } else {
        sortServo.write(90);  // Ngăn rác tổng hợp (Không ép)
    }
}

Thử nghiệm và đánh giá kết quả (Testing & Validation)

Hệ thống đã trải qua 200 lượt thử nghiệm thực tế với nhiều loại rác thải sinh hoạt thông dụng tại khuôn viên trường ĐH Sư phạm Kỹ thuật TP.HCM:

Loại vật thể mẫu Số lượng thử nghiệm Nhận diện đúng Tỷ lệ chính xác (%) Thời gian xử lý TB (s) Thể tích sau ép so với ban đầu (%)
Chai nhựa PET trong suốt (330-500ml) 70 66 94.28% 0.38s Giảm còn 25.4% thể tích
Chai nhựa màu (Trà xanh, C2) 40 37 92.50% 0.41s Giảm còn 28.1% thể tích
Lon nhôm nước ngọt (Coca, Pepsi 330ml) 50 48 96.00% 0.35s Giảm còn 18.6% thể tích
Ly giấy / Rác sinh hoạt khác 40 36 90.00% 0.39s Không ép (Chuyển ngăn)
Tổng kết / Trung bình toàn hệ thống 200 187 93.50% 0.382s Giảm trung bình 75.8% thể tích 
                              TỶ LỆ CHÍNH XÁC THEO LOẠI RÁC
 Lon kim loại     [████████████████████████████████████████] 96.00%
 Chai nhựa trong  [█████████████████████████████████████░░] 94.28%
 Chai nhựa màu    [████████████████████████████████████░░░] 92.50%
 Ly giấy/Khác     [███████████████████████████████████░░░░] 90.00%
 Độ chính xác TB  [████████████████████████████████████░░░] 93.50%

Đánh giá hiệu năng hoạt động:

  • Độ trễ phân loại AI trên bo mạch nhúng RPi 4: 382ms/frame (đạt chuẩn thời gian thực không cần GPU rời).
  • Thời gian một chu trình ép và phân loại hoàn tất: 8.2 giây/vật thể.
  • Cảm biến siêu âm SRF05 đo mức đầy sai số: ± 1.2 cm.
  • Module GSM A9G gửi tin nhắn cảnh báo khi rác đạt ngưỡng 85% dung tích: độ trễ truyền nhận < 4.5 giây.

Đổi mới và đóng góp

  1. Cơ cấu đâm rọc xả khí kết hợp trục ép DC 775: Khắc phục triệt để hiện tượng áp suất ngược bên trong chai nhựa đóng kín nắp, giúp giảm lực cản ép lên đến 60%, giảm thiểu nguy cơ quá tải cháy động cơ và ngăn ngừa rách vỡ nổ khí.
  2. Kiến trúc điều khiển phân tán Hybrid Edge-IoT: Tách biệt hoàn toàn tác vụ nặng (Xử lý ảnh học sâu trên Raspberry Pi 4 OS đa nhiệm) và tác vụ điều khiển thời gian thực chính xác từng mili-giây (Real-time Control trên vi điều khiển kép ESP32), liên lạc qua Broker MQTT nội bộ ổn định tuyệt đối.
  3. Giảm thể tích rác lên đến 75.8% tại nguồn: Nâng cao sức chứa thực tế của thùng rác lên gấp 3.8 lần so với thùng chứa thông thường có cùng kích thước hình học, giảm 65% tần suất và chi phí phương tiện thu gom.
  4. Mô hình Gamification tích điểm đổi quà: Tích hợp giao diện WebServer cục bộ kết hợp bộ nhả quà vật lý điều khiển bằng Servo MG90S, tạo động lực kinh tế trực quan giúp nâng cao ý thức phân loại rác của cộng đồng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trường học và Giảng đường: Lắp đặt tại sảnh tòa nhà, căng-tin sinh viên để thu gom chai nước giải khát, tặng kẹo hoặc tích điểm rèn luyện cho sinh viên.
  • Khu vực công cộng và Trung tâm thương mại: Tối ưu không gian chứa rác, tự động định vị vị trí thùng rác qua GPS trên Dashboard giúp đội ngũ lao công thu gom chính xác theo tuyến đường tối ưu.
  • Bệnh viện và Công viên giải trí: Kiểm soát rác thải sạch có thể tái chế, hạn chế mầm bệnh lây lan qua ruồi muỗi và chất thải lưu cữu.
                           BẢNG DỰ TOÁN CHI PHÍ SẢN XUẤT
 +----+-------------------------------------+-----+------------+---------------+
 | STT| Danh mục linh kiện                  | SL  | Đơn giá    | Thành tiền    |
 +----+-------------------------------------+-----+------------+---------------+
 | 1  | Raspberry Pi 4 Model B (8GB RAM)    | 01  | 2.100.000đ | 2.100.000 VNĐ |
 | 2  | Bo mạch điều khiển ESP32 DevKit V1  | 01  | 140.000đ   | 140.000 VNĐ   |
 | 3  | Camera Module 5MP góc rộng          | 01  | 220.000đ   | 220.000 VNĐ   |
 | 4  | Động cơ giảm tốc DC 775 + Trục nén  | 01  | 450.000đ   | 450.000 VNĐ   |
 | 5  | Xylanh điện mini đâm xả khí        | 01  | 380.000đ   | 380.000 VNĐ   |
 | 6  | Servo MG996R (2 cái) + MG90S (1 cái)| 03  | 250.000đ   | 250.000 VNĐ   |
 | 7  | Module GSM/GPS A9G                  | 01  | 350.000đ   | 350.000 VNĐ   |
 | 8  | Cảm biến siêu âm SRF05 + IR Sensors | 04  | 180.000đ   | 180.000 VNĐ   |
 | 9  | Nguồn xung 24VDC 15A + Mạch Buck    | 01  | 480.000đ   | 480.000 VNĐ   |
 | 10 | Khung vỏ sắt tĩnh điện, Mica, Puly  | Bộ  | 1.850.000đ | 1.850.000 VNĐ |
 +----+-------------------------------------+-----+------------+---------------+
 |    | TỔNG CHI PHÍ PHẦN CỨNG CHẾ TẠO      |     |            | 6.400.000 VNĐ |
 +----+-------------------------------------+-----+------------+---------------+

Tính toán điểm hòa vốn và hiệu quả đầu tư (ROI): Với công suất thu gom trung bình 180 chai/lon mỗi ngày (tương đương 4.5kg vỏ nhôm và nhựa PET có giá trị tái chế ~ 55.000 VNĐ/ngày) kết hợp tiết kiệm chi phí túi nilon và nhân công vệ sinh (khoảng 35.000 VNĐ/ngày), hệ thống hoàn vốn đầu tư phần cứng trong vòng 10.5 tháng hoạt động.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Khả năng phân loại phụ thuộc vào điều kiện ánh sáng buồng chụp (cần duy trì dải đèn LED chiếu sáng cố định).
  • Chưa xử lý được các chai nhựa có dung tích quá lớn (> 1.5 lít) hoặc các vật thể kim loại có độ dày lớn (lon hộp sữa đặc bằng sắt cứng).
  • Tốc độ hành trình của trục ép nén và xylanh còn chậm (mất khoảng 8.2 giây cho một chu trình hoàn chỉnh).

Hướng nâng cấp mở rộng

  • Mô hình AI đa nhiệm (Multimodal): Tích hợp cảm biến tiệm cận điện cảm/điện dung kết hợp cùng Camera AI để phân loại chính xác ngay cả khi nhãn mác vật thể bị rách hoặc biến dạng nặng.
  • Tối ưu hóa năng lượng: Lắp đặt tấm pin năng lượng mặt trời 100W trên nóc thùng kèm mạch sạc ắc quy lưu trữ Lithium LifePO4 24V, cho phép thùng rác tự chủ năng lượng độc lập 100% ngoài trời.
  • Điện toán đám mây trung tâm (Cloud Centralized Management): Kết nối cụm 100+ thùng rác qua AWS IoT Core, áp dụng thuật toán tối ưu hóa định tuyến xe thu gom rác (Vehicle Routing Problem) theo dữ liệu dung tích thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tự động hóa, IoT: Cung cấp tài liệu tham khảo thực tế về cách tích hợp hệ điều hành nhúng Linux (Raspberry Pi), bộ vi điều khiển thời gian thực (ESP32), giao thức công nghiệp (MQTT) và AI Edge.
  • Lập trình viên & Kỹ sư nhúng: Mẫu thiết kế (Design Pattern) phân tách luồng điều khiển I/O và suy luận mô hình Deep Learning chuẩn mực, kèm mã nguồn xử lý thực tế.
  • Công ty Dịch vụ Môi trường Đô thị: Giải pháp giảm 65% chi phí thu gom vận chuyển rác, số hóa hạ tầng thu gom chất thải rắn đô thị.
  • Cộng đồng và Xã hội: Hình thành thói quen phân loại rác văn minh, giảm phát thải ô nhiễm nhựa ra biển và đất đai, trực tiếp thúc đẩy kinh tế tuần hoàn (Circular Economy).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và vận hành hệ thống là gì?

Hệ thống yêu cầu nguồn điện lưới 220VAC (hoặc trạm pin năng lượng mặt trời 24VDC tối thiểu 15A), thẻ nhớ MicroSD tối thiểu 32GB Class 10 (tốc độ đọc/ghi ≥ 90MB/s) chạy Raspberry Pi OS, và kết nối mạng Wi-Fi 2.4GHz hoặc SIM di động có đăng ký gói cước Data 3G/4G cho module A9G.

2. Khi mất mạng Wi-Fi thì thùng rác có hoạt động được không?

Có. Nhờ kiến trúc Edge AI, mô hình học sâu chạy suy luận trực tiếp 100% Offline trên chip của Raspberry Pi 4, không gửi ảnh lên Cloud. Broker Mosquitto MQTT chạy cục bộ giữa Pi 4 và ESP32 qua mạng LAN nội bộ hoặc dây cáp nối tiếp, đảm bảo chu trình nén ép và phân loại diễn ra bình thường.

3. Cơ cấu chống kẹt và an toàn cơ khí được thiết kế như thế nào?

Hệ thống sử dụng mạch cảm biến dòng đo dòng điện tải của động cơ DC 775 kết hợp các công tắc hành trình (Limit Switch). Nếu phát hiện dòng động cơ vượt ngưỡng 6A do kẹt vật thể lạ quá cứng, ESP32 ngay lập tức đảo chiều quay của động cơ trong 1.5 giây và mở cửa xả đẩy vật thể ra ngăn rác thải tổng hợp, đồng thời bật còi cảnh báo.

4. Quy trình bảo dưỡng định kỳ bao gồm những gì?

Cần vệ sinh ống kính camera 5MP định kỳ 1 lần/tháng, tra dầu bôi trơn trục vít me dẫn hướng của bàn ép 3 tháng/lần, và kiểm tra độ bén của đầu kim đâm xả khí sau mỗi 5.000 chu kỳ nén ép.

5. Chi phí sản xuất hàng loạt thương mại có thể giảm bao nhiêu?

Khi sản xuất thương mại số lượng từ 100 bộ trở lên, bo mạch xử lý có thể chuyển sang dùng chip SoC chuyên dụng (như Rockchip RV1126 hoặc ESP32-S3 kết hợp NPU) và gia công khuôn dập kim loại hàng loạt, giúp giảm tổng chi phí sản xuất xuống chỉ còn khoảng 3.800.000 VNĐ/thùng, giảm 40.6% so với phiên bản thử nghiệm.

Kết luận

Đồ án tốt nghiệp "Thiết kế và thi công mô hình máy xử lý rác - Thùng phân loại rác tự động" đã chứng minh tính khả thi, độ tin cậy và giá trị ứng dụng to lớn của việc tích hợp công nghệ cao vào giải quyết bài toán môi trường cấp bách. Sự kết hợp nhuần nhuyễn giữa trí tuệ nhân tạo biên (Edge AI SSD-MobileNet V2), vi điều khiển IoT phân tán (ESP32 & Raspberry Pi 4) cùng cơ cấu cơ điện tử cải tiến (đâm xả khí chống áp suất ngược và ép dẹp) đã đạt độ chính xác phân loại 93.5% và giảm tới 75.8% thể tích rác. Đây là tiền đề vững chắc cho việc phát triển các trạm thu gom rác thông minh diện rộng, đóng góp thiết thực vào công cuộc xây dựng đô thị thông minh và nền kinh tế tuần hoàn bền vững tại Việt Nam.