Giới thiệu dự án

Trong bối cảnh nền nông nghiệp hiện đại đang chuyển mình mạnh mẽ theo xu hướng chuyển đổi số và Công nghiệp 4.0, các hệ thống tự động hóa đóng vai trò then chốt trong việc tối ưu hóa chuỗi cung ứng nông sản. Theo các khảo sát nông nghiệp, tỷ lệ hao hụt và suy giảm chất lượng nông sản sau thu hoạch tại Việt Nam dao động từ 20% đến 25%, phần lớn bắt nguồn từ khâu thu hoạch và phân loại thủ công thiếu đồng nhất. Cà chua (Solanum lycopersicum) là loại nông sản có vỏ mềm, tốc độ chín nhanh sau khi hái (climacteric fruit) và yêu cầu nghiêm ngặt về phân cấp độ chín để phục vụ cho các mục đích thương mại khác nhau như xuất khẩu tươi, phân phối bán lẻ hay chế biến công nghiệp.

Việc phân loại thủ công bằng mắt thường tồn tại nhiều điểm nghẽn nghiêm trọng: năng suất lao động thấp, tính đồng đều không cao do phụ thuộc vào cảm quan chủ quan và sự mệt mỏi của nhân công, đồng thời chi phí vận hành tăng cao theo quy mô sản xuất. Bên cạnh đó, các phương pháp phân loại truyền thống dựa trên kích thước hay khối lượng không thể phản ánh chính xác trạng thái sinh hóa hay mức độ tích lũy sắc tố (chlorophyll và lycopene) bên trong quả cà chua.

Nhằm giải quyết triệt để bài toán trên, đồ án tập trung nghiên cứu, thiết kế và chế tạo thực nghiệm hệ thống phân loại cà chua tự động dựa trên màu sắc và trạng thái chín, tích hợp công nghệ thị giác máy tính học sâu (Deep Learning Computer Vision) với bộ điều khiển lập trình công nghiệp PLC.

graph LR
    A[Cà chua trên băng tải] --> B[Camera Logitech B525]
    B --> C[Xử lý ảnh Python YOLOv8]
    C -->|Modbus TCP/IP| D[PLC Siemens S7-1200]
    D --> E[Driver Động cơ bước & Băng tải]
    D --> F[Cảm biến hồng ngoại E3F-DS30C4]
    D --> G[Van SMC & Xi-lanh MAL 16x50]
    G --> H[Phân loại: Chín / Vừa / Xanh]

Mục tiêu của dự án

  1. Nghiên cứu nền tảng lý thuyết: Khảo sát và làm chủ lý thuyết điều khiển lập trình với PLC Siemens S7-1200, mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và mô hình nhận diện thế hệ mới YOLOv8.
  2. Thiết kế phần cứng và cơ khí: Tính toán, lựa chọn thiết bị công nghiệp đồng bộ bao gồm bộ điều khiển CPU 1214C DC/DC/DC, hệ thống truyền động băng tải đai răng 2GT-300, động cơ bước NIDEC, cụm chấp hành khí nén (van SMC SY3120-5LZD-M5, xi-lanh MAL 16x50) và cảm biến quang điện.
  3. Phát triển thuật toán và tích hợp truyền thông: Xây dựng mô hình phân lớp ảnh YOLOv8 huấn luyện trên tập dữ liệu độ chín thực tế; lập trình giao thức truyền thông Modbus TCP/IP giữa môi trường Python và PLC S7-1200 qua cổng Ethernet PROFINET.
  4. Thi công và thực nghiệm: Lắp ráp mô hình vật lý hoàn chỉnh, lập trình điều khiển Ladder Logic trên TIA Portal V16, vận hành thử nghiệm và tối ưu hóa độ chính xác cùng tính ổn định của hệ thống.

Phạm vi và giới hạn đề tài

  • Phạm vi phân loại: Nhận diện và phân chia 3 cấp độ chín của cà chua: Chín đỏ (Ripe), Chín vừa/Ươm (Turning/Pink), và Xanh (Green).
  • Phạm vi phần cứng: Mô hình thử nghiệm 1 làn băng tải đơn, điều khiển cơ cấu phân loại bằng 2 cụm xi-lanh khí nén gạt sản phẩm.
  • Giới hạn hệ thống: Đồ án được triển khai và đánh giá trong điều kiện ánh sáng ổn định mô phỏng phòng lab; hệ thống xử lý phân loại từng quả đơn lẻ trên băng chuyền.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Nguyên lý hoạt động Ưu điểm Nhược điểm / Hạn chế
Thủ công bằng nhân công Quan sát trực quan và dùng tay phân loại Chi phí đầu tư ban đầu thấp, linh hoạt Sai số cao do mỏi mắt, năng suất thấp (chỉ đạt 30-50 kg/giờ/người), tốn kém chi phí lâu dài
Cơ học (Kích thước / Khối lượng) Phân cỡ qua khe sàng, con lăn hoặc cảm biến loadcell Tốc độ cao, kết cấu cơ khí đơn giản, chi phí trung bình Không phân biệt được màu sắc/độ chín; dễ làm dập nát cà chua khi va đập qua khe sàng
Cảm biến màu quang điện đơn điểm Chiếu tia sáng và đo quang thông phản xạ (RGB) Tốc độ phản hồi nhanh, giá thành linh kiện rẻ Vùng nhận diện hẹp, dễ sai lệch khi quả có màu sắc loang lổ hoặc bị xoay góc
Thị giác máy tính YOLOv8 + PLC (Giải pháp đồ án) Camera thu nhận hình ảnh, AI trích xuất đặc trưng toàn diện, PLC điều khiển thời gian thực Độ chính xác cao (>80%), phân loại chính xác quả loang màu, độ bền công nghiệp cao Yêu cầu máy tính nhúng xử lý AI và xử lý chiếu sáng đồng nhất

Yêu cầu người dùng theo mô hình MoSCoW

  • Must have (Bắt buộc phải có): Nhận diện chính xác 3 trạng thái quả (Xanh, Vừa, Chín); phân loại tự động bằng xi-lanh khí nén; giao tiếp Modbus TCP thời gian thực giữa Python và PLC; nút dừng khẩn cấp (Emergency Stop) an toàn.
  • Should have (Nên có): Chế độ chuyển đổi linh hoạt Auto/Manual; giao diện giám sát trạng thái; cơ chế tự phục hồi và cảnh báo lỗi (Alarm & Reset) khi cà chua bị kẹt hoặc trễ hành trình.
  • Could have (Có thể mở rộng): Tinh chỉnh tốc độ băng tải trực tiếp trên giao diện; lưu trữ số lượng quả từng loại vào thanh ghi nhớ dữ liệu.
  • Won't have (Chưa thực hiện đợt này): Nhận diện khuyết tật sâu bệnh, vết thâm nứt vỏ phức tạp; cánh tay robot gắp sản phẩm tốc độ cao.

Thiết kế hệ thống

Kiến trúc hệ thống được chia thành 3 khối chính: Khối thu nhận và xử lý ảnh (AI Vision Node), Khối điều khiển trung tâm (PLC S7-1200), và Khối cơ cấu chấp hành (Actuator Node).

+--------------------------------------------------------------+
|                 KHỐI XỬ LÝ ẢNH & TRÍ TUỆ NHÂN TẠO            |
|  - Camera Logitech B525 (720p @ 30fps)                       |
|  - Python 3.9 + OpenCV (Thu nhận & Tiền xử lý Frame)         |
|  - YOLOv8 Classification Model (Backbone CSPDarknet P5)     |
+------------------------------+-------------------------------+
                               | 
                               | Ethernet TCP/IP (Modbus TCP)
                               v
+--------------------------------------------------------------+
|                 BỘ ĐIỀU KHIỂN TRUNG TÂM PLC S7-1200          |
|  - CPU 1214C DC/DC/DC (Siemens, TIA Portal V16)              |
|  - MB_SERVER / MB_CLIENT Data Block Processing               |
|  - Bộ định thời gian di chuyển (Tracking Timers)             |
|  - Khối logic an toàn, Auto/Manual & Xử lý Alarm             |
+------------------------------+-------------------------------+
                               |
            +------------------+------------------+
            |                                     |
            v                                     v
+----------------------------+   +-------------------------------+
|     KHỐI TRUYỀN ĐỘNG       |   |     KHỐI PHÂN LOẠI KHÍ NÉN    |
| - Driver Động cơ bước      |   | - Van 5/2 SMC SY3120-5LZD-M5  |
| - Động cơ bước NIDEC 1.8°  |   | - Xi-lanh khí nén MAL 16x50   |
| - Băng tải đai răng 2GT-300|   | - Cảm biến hồng ngoại E3F NPN |
+----------------------------+   +-------------------------------+

Bảng thông số kỹ thuật phần cứng cốt lõi

Thiết bị / Module Mã thiết bị / Phiên bản Thông số kỹ thuật chính Vai trò trong hệ thống
PLC Trung tâm Siemens S7-1200 CPU 1214C DC/DC/DC (6ES7214-1AG31-0XB0) 14 DI 24VDC, 10 DO 24VDC, 2 AI 0-10V, Bộ nhớ 50KB, Cổng PROFINET RJ45 Điều khiển toàn bộ logic, định thời, chấp hành
Webcam Vision Logitech B525 Độ phân giải 720p (1280x720), 30 fps, góc nhìn 69°, Auto-focus Thu nhận ảnh liên tục thời gian thực của cà chua
Động cơ truyền động Động cơ bước NIDEC 2 Pha Bước góc 1.8°, Dòng 1.0A/Pha, Holding Torque $\ge 360\text{ mN}\cdot\text{m}$ Kéo băng tải di chuyển chính xác không trượt
Bộ truyền đai Đai răng cao su 2GT-300 & Puly Bước đai 2mm, bản rộng 6mm, Puly 40 răng và 10 răng Đồng bộ truyền động, tăng mô-men xoắn cho băng tải
Cảm biến vị trí Omron/Chint E3F-DS30C4 NPN NO Khoảng cách phát hiện 10–30 cm điều chỉnh, Nguồn 6–36VDC Nhận diện xung cạnh xuống khi quả đến vị trí gạt
Van khí nén SMC SY3120-5LZD-M5 Van đảo chiều 5/2, 1 cuộn coil 24VDC, Cổng ren M5, Áp suất 0.15–0.7 MPa Đảo chiều luồng khí nén điều khiển xi-lanh
Xi-lanh phân loại MAL 16x50 Đường kính nòng 16mm, Hành trình 50mm, Áp suất làm việc 0.1–1.0 MPa Đẩy quả cà chua sang khay chứa tương ứng
Nguồn DC công nghiệp Nguồn tổ ong 24VDC 5A Công suất 120W, Bảo vệ ngắn mạch và quá dòng Cung cấp nguồn nuôi cho PLC, Driver, Van và Sensor

Bảng ánh xạ thanh ghi Modbus TCP (Modbus Memory Mapping)

Địa chỉ Thanh ghi Loại dữ liệu Tên biến Mô tả chức năng
Holding Register 40001 INT / WORD Tomato_Class_Code Kết quả phân loại từ Python: 0: Không có/Băng tải, 1: Chín đỏ, 2: Chín vừa, 3: Xanh
Holding Register 40002 INT / WORD AI_Confidence Tỉ lệ tin cậy của mô hình ($0 - 100%$)
Holding Register 40003 BOOL (Bit 0) AI_Ready_Heartbeat Tín hiệu nhịp tim duy trì kết nối truyền thông
Holding Register 40004 INT / WORD System_Status_PLC Trạng thái gửi ngược lại Python (1: Run, 2: Alarm, 3: Stop)

Implementation và kết quả

Development process

Quá trình triển khai dự án được tổ chức theo phương pháp thực nghiệm kết hợp (Hybrid Engineering):

  1. Thu thập dữ liệu và Huấn luyện AI: Thu thập hàng trăm mẫu ảnh cà chua thực tế ở 3 điều kiện quả (Chín, Vừa, Xanh). Huấn luyện mạng YOLOv8 với kiến trúc CSPDarknet(P5) tích hợp các khối CBS (Conv-BN-SiLU) và C2f (Cross Stage Partial with Fusion).
  2. Lập trình truyền thông Modbus TCP trên Python: Sử dụng thư viện pymodbus kết nối trực tiếp đến IP của PLC S7-1200 (mặc định 192.168.0.1).
  3. Lập trình Ladder Logic trên TIA Portal V16: Cấu hình khối MB_SERVER để lắng nghe Port 502, lập trình các bộ đếm thời gian trôi (Tracking Timers) và phát hiện xung cạnh xuống (Falling Edge Trigger) từ cảm biến quang để kích mở van khí nén.
import cv2
import time
from ultralytics import YOLO
from pymodbus.client import ModbusTcpClient

# 1. Khởi tạo mô hình YOLOv8 và kết nối Modbus TCP đến PLC S7-1200
model = YOLO('tomato_yolov8_cls.pt')
plc_ip = '192.168.0.1'
plc_port = 502
client = ModbusTcpClient(plc_ip, port=plc_port)

cap = cv2.VideoCapture(0)  # Camera Logitech B525 (720p)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)

CONF_THRESHOLD = 0.80  # Ngưỡng tin cậy 80%

try:
    client.connect()
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break

        # Tiền xử lý và dự đoán
        results = model.predict(source=frame, verbose=False)
        top1_index = results[0].probs.top1
        confidence = float(results[0].probs.top1conf.item())

        class_code = 0  # 0: Không phân loại
        if confidence >= CONF_THRESHOLD:
            # Map index: 0 -> Chín (1), 1 -> Chín vừa (2), 2 -> Xanh (3)
            class_code = top1_index + 1

        # Gửi dữ liệu mã lớp và độ tin cậy đến Holding Register 40001 & 40002
        client.write_register(address=0, value=class_code)
        client.write_register(address=1, value=int(confidence * 100))

        # Hiển thị frame
        cv2.putText(frame, f"Class: {class_code} Conf: {confidence:.2f}", (30, 50),
                    cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
        cv2.imshow("Tomato Sorting Vision System", frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
finally:
    cap.release()
    cv2.destroyAllWindows()
    client.close()

Logic điều khiển phân loại trên PLC S7-1200 (Mô phỏng Ladder Logic)

// Network 1: Đọc mã phân loại từ Modbus Data Block
"Tomato_Code" := "Modbus_DB".Holding_Register[0];
"AI_Confidence" := "Modbus_DB".Holding_Register[1];

// Network 2: Logic định thời và kích hoạt xi-lanh cho cà chua chín đỏ (Code = 1)
IF ("Tomato_Code" = 1) AND ("System_Auto_Mode" = TRUE) THEN
    "Timer_Ripe"(IN := TRUE, PT := T#1200MS); // Thời gian quả chạy từ cam đến sensor 1
END_IF;

// Phát hiện xung cạnh xuống khi quả đi ngang qua cảm biến hồng ngoại 1
"Sensor1_Falling_Edge"(CLK := "Sensor_IR_1");

IF "Timer_Ripe".Q AND "Sensor1_Falling_Edge".Q THEN
    "Piston_Cylinder_1" := TRUE; // Đẩy xi-lanh 1 gạt cà chua chín
    "Timer_Cylinder_1_Retract"(IN := TRUE, PT := T#400MS);
END_IF;

IF "Timer_Cylinder_1_Retract".Q THEN
    "Piston_Cylinder_1" := FALSE; // Thu xi-lanh về vị trí ban đầu
    "Timer_Ripe"(IN := FALSE);
END_IF;

// Network 3: Cơ chế giám sát an toàn (Alarm timeout)
IF "Timer_Ripe".Q AND NOT "Sensor_IR_1" AND "Timer_Alarm_Watchdog".Q THEN
    "Alarm_Jam_State" := TRUE;
    "Motor_Conveyor_Run" := FALSE; // Dừng hệ thống khẩn cấp
END_IF;

Testing và validation

Hệ thống đã trải qua quá trình kiểm thử thực nghiệm trên 150 lượt mẫu quả độc lập (50 quả mỗi nhóm) tại điều kiện phòng thí nghiệm.

                  MA TRẬN NHẦM LẪN (CONFUSION MATRIX)
----------------------------------------------------------------------
 Thực tế \ Dự đoán     Chín đỏ (Ripe)    Chín vừa (Turning)   Xanh (Green)
----------------------------------------------------------------------
 Chín đỏ (50 mẫu)           46                   4                  0
 Chín vừa (50 mẫu)           3                  42                  5
 Xanh (50 mẫu)               0                   3                 47
----------------------------------------------------------------------
 Tỷ lệ chính xác (Recall): 92.0%               84.0%              94.0%
 Độ chính xác tổng thể (Overall Accuracy):     90.0%
 Tỷ lệ tin cậy trung bình (Mean Confidence):  88.7%

Thông số kiểm thử hiệu năng vận hành

  • Thời gian trễ xử lý ảnh (Inference Latency): $32.5\text{ ms}$ trên GPU rời / $68.4\text{ ms}$ trên CPU Core i5 Gen 11.
  • Thời gian trễ truyền thông Modbus TCP: $4.2\text{ ms}$ (Round-trip time qua Switch Ethernet).
  • Tốc độ di chuyển băng tải: $0.15\text{ m/s}$ (Đảm bảo cà chua không bị lăn đảo góc nhìn).
  • Năng suất phân loại thực nghiệm: ~30 quả/phút (giới hạn bởi cơ cấu nạp phôi thủ công từng quả).
  • Tỷ lệ tác động thành công của cơ cấu khí nén: $98.6%$ khi nhận đúng lệnh từ PLC.

Đổi mới và đóng góp

  1. Kiến trúc tích hợp công nghiệp chuẩn hóa: Khác với các mô hình đồ án học sinh - sinh viên thường sử dụng vi điều khiển giá rẻ (Arduino/ESP32) kết hợp relay đơn giản dễ bị nhiễu công nghiệp, hệ thống này tích hợp trực tiếp PLC Siemens S7-1200 với giao thức truyền thông tiêu chuẩn Modbus TCP/IP, đáp ứng đầy đủ yêu cầu chống nhiễu điện từ, khả năng mở rộng I/O và độ tin cậy vận hành 24/7.
  2. Ứng dụng mô hình AI tiên tiến YOLOv8: Thay vì sử dụng các thuật toán lọc màu không gian màu truyền thống (RGB/HSV thresholding) vốn cực kỳ nhạy cảm với sự thay đổi của ánh sáng môi trường và góc khuất, việc áp dụng backbone CSPDarknet(P5) của YOLOv8 giúp nhận diện chính xác các quả có màu sắc loang lổ, độ chín không đều với độ chính xác trên 90%.
  3. Cơ chế liên động điều khiển an toàn (Fault-Tolerant Watchdog): Thiết kế giải thuật giám sát hành trình bằng việc kết hợp bộ định thời gian di chuyển với tín hiệu xung cạnh xuống của cảm biến quang E3F-DS30C4. Nếu quả không đến cảm biến đúng thời điểm dự kiến (kẹt quả hoặc trượt đai), hệ thống tự động kích hoạt cờ Alarm, dừng động cơ băng tải để bảo vệ cơ cấu chấp hành.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hợp tác xã nông nghiệp công nghệ cao: Triển khai sơ chế, phân hạng cà chua ngay tại nhà kính sau thu hoạch trước khi dán tem truy xuất nguồn gốc.
  • Nhà máy chế biến thực phẩm: Tách tự động cà chua đạt chuẩn chín mọng ($>90%$ diện tích đỏ) cho dây chuyền sản xuất nước sốt/tương cà, chuyển quả chín vừa vào kho bảo quản làm lạnh để xuất khẩu xa.
gantt
    title Lộ trình triển khai thương mại hóa (Implementation Roadmap)
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn hóa
    Thiết kế buồng tối & LED chuẩn công nghiệp       :a1, 2026-10-01, 30d
    Nâng cấp Camera GigE & Edge IPC                  :a2, after a1, 30d
    section Giai đoạn 2: Tối ưu
    Mở rộng băng tải đa làn (Multi-lane Conveyor)   :b1, after a2, 45d
    Tích hợp thuật toán phát hiện khuyết tật vỏ     :b2, after b1, 45d
    section Giai đoạn 3: Tích hợp
    Kết nối hệ thống SCADA / Cloud Monitoring       :c1, after b2, 30d
    Kiểm định CE & Bàn giao nhà máy                 :c2, after c1, 30d

Phân tích chi phí - lợi ích (Ước tính cho cơ sở đóng gói quy mô vừa)

  • Chi phí đầu tư ước tính (CAPEX): ~45.000.000 – 60.000.000 VNĐ cho hệ thống phân loại 2 làn công nghiệp tự động hoàn chỉnh.
  • Tiết kiệm chi phí vận hành (OPEX): Thay thế 2–3 nhân công trực tiếp tại bàn lựa quả thủ công (tiết kiệm ~15.000.000 – 20.000.000 VNĐ/tháng).
  • Thời gian hoàn vốn (ROI): Ước tính từ 3.5 đến 5 tháng vận hành liên tục trong mùa vụ thu hoạch.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phân giải và chất lượng quang học: Camera Logitech B525 sử dụng giao tiếp USB 2.0 dân dụng, độ phân giải giới hạn ở 720p và không có buồng tối kín chuyên dụng, dẫn đến kết quả phân loại bị ảnh hưởng nếu ánh sáng ngoài trời thay đổi đột ngột.
  • Tốc độ phân loại: Tốc độ động cơ bước và cơ cấu xilanh khí gạt giới hạn ở mức 30–45 quả/phút trên 1 làn, chưa đạt mức hàng trăm quả/phút như các dây chuyền siêu thị công nghiệp.
  • Phạm vi nhận diện: Hệ thống chỉ phân loại theo màu sắc bên ngoài, chưa tích hợp module cân khối lượng liên tục (Checkweigher) và chưa phát hiện được dị tật hình học bên trong.

Hướng phát triển trong tương lai

  • Thay thế webcam bằng Camera công nghiệp chuẩn GigE Vision kết hợp ống kính C-mount và hệ thống đèn LED vòng vòm (Dome Light) để loại bỏ hoàn toàn bóng phản chiếu.
  • Nâng cấp mô hình AI từ phân lớp (Classification) sang phân đoạn cá thể (YOLOv8 Instance Segmentation), cho phép tính toán chính xác tỷ lệ phần trăm diện tích các vùng màu trên vỏ quả và phát hiện sâu bệnh.
  • Mở rộng giao diện điều khiển lên SCADA WinCC / Web Server tích hợp trên PLC để theo dõi sản lượng, lưu báo cáo ca làm việc vào cơ sở dữ liệu SQL.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên kỹ thuật: Cung cấp tài liệu tham khảo thực tế về việc tích hợp liên ngành giữa Kỹ thuật Điều khiển & Tự động hóa với Trí tuệ Nhân tạo (AIoT).
  • Kỹ sư & Lập trình viên tự động hóa: Cung cấp kiến trúc code mẫu hoàn chỉnh kết nối PLC Siemens S7-1200 với ngôn ngữ Python qua Modbus TCP không cần mua thêm license phần mềm thứ ba.
  • Chủ trang trại & Hợp tác xã: Nhận được giải pháp công nghệ giá thành hợp lý, dễ làm chủ công nghệ, nâng cao giá trị thương phẩm của nông sản địa phương.
  • Nhà nghiên cứu: Cung cấp dữ liệu thực nghiệm về độ trễ, độ chính xác của mạng YOLOv8 khi triển khai trên hệ thống cơ điện tử thời gian thực.

Câu hỏi thường gặp

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

Hệ thống yêu cầu:

  • Bộ điều khiển: PLC Siemens S7-1200 CPU 1214C DC/DC/DC (Firmware V4.0 trở lên).
  • Máy tính xử lý ảnh: CPU Intel Core i3 thế hệ 8 trở lên, RAM tối thiểu 8GB (khuyến nghị có GPU NVIDIA GTX 1050 trở lên để đạt tốc độ xử lý $<30\text{ ms}$).
  • Khí nén: Máy nén khí cung cấp áp suất ổn định từ $0.4 - 0.6\text{ MPa}$, lưu lượng $\ge 40\text{ lít/phút}$.
  • Hạ tầng mạng: Cáp mạng CAT5e/CAT6 kết nối trực tiếp hoặc qua switch mạng chuẩn 100Mbps.

2. Giới hạn mở rộng quy mô (Scalability) của hệ thống là bao nhiêu?

Với 1 CPU S7-1200 1214C, người dùng có thể mở rộng tối đa 4 cụm xi-lanh phân loại (tương đương phân loại 4-5 nhóm màu hoặc kích thước) mà không cần thêm module mở rộng I/O. Về mặt phần mềm, mô hình YOLOv8 có thể phân loại đồng thời hàng chục đối tượng trong một khung hình nếu mở rộng băng tải dạng mặt phẳng rộng.

3. Làm thế nào để tích hợp hệ thống này vào dây chuyền đóng gói sẵn có?

Hệ thống có thể đóng vai trò như một trạm phân loại trung gian (Sorting Station). Chỉ cần đấu nối tín hiệu tiếp điểm khô (Dry Contact) từ PLC S7-1200 sang hệ thống cấp liệu đầu vào (Infeed Conveyor) và máy đóng thùng ở đầu ra để đồng bộ liên động bật/tắt an toàn.

4. Nhu cầu bảo trì và hỗ trợ kỹ thuật gồm những gì?

  • Hàng ngày: Vệ sinh bề mặt kính camera và mắt cảm biến hồng ngoại bằng cồn mềm để tránh bụi bẩn bám dính.
  • Hàng tuần: Xả nước đọng ở bộ lọc khí nén của van SMC, kiểm tra độ căng của đai răng 2GT-300.
  • Hàng tháng: Hiệu chuẩn lại góc nghiêng camera và kiểm tra độ rơ của trục cơ khí xi-lanh khí nén.

5. Chi phí đầu tư phần cứng và thời gian hoàn vốn (ROI) ra sao?

Tổng chi phí linh kiện phần cứng chế tạo mô hình dao động từ 15 đến 25 triệu VNĐ (tùy thuộc vào việc tận dụng máy tính sẵn có). Với quy mô trang trại sơ chế 1 tấn cà chua/ngày, việc giảm tỷ lệ phân loại lỗi và tiết kiệm nhân công giúp hoàn vốn đầu tư chỉ trong vòng 3 đến 5 tháng vận hành.

Kết luận

Đồ án "Thiết kế và thi công mô hình phân loại cà chua theo màu sắc" đã giải quyết trọn vẹn bài toán tự động hóa phân cấp nông sản bằng cách kết hợp sức mạnh phân tích thị giác của mô hình học sâu YOLOv8 với sự ổn định, chính xác của bộ điều khiển công nghiệp PLC Siemens S7-1200. Với độ chính xác phân loại thực nghiệm đạt 90.0% cùng độ tin cậy vận hành cao qua giao thức Modbus TCP/IP, đề tài không chỉ khẳng định tính khả thi của việc ứng dụng Trí tuệ nhân tạo vào sản xuất nông nghiệp mà còn mở ra hướng tiếp cận thực tiễn, chi phí tối ưu cho các doanh nghiệp và hợp tác xã nông nghiệp hiện đại.