Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển của cuộc Cách mạng Công nghiệp lần thứ tư, tự động hóa đóng vai trò then chốt trong việc tối ưu hóa năng suất, giải phóng sức lao động và nâng cao chất lượng sản phẩm tại các nhà máy. Tại Việt Nam, ngành sản xuất dược phẩm đang ghi nhận tốc độ tăng trưởng nhanh do nhu cầu chăm sóc sức khỏe ngày càng cao cùng xu hướng già hóa dân số. Để đáp ứng các tiêu chuẩn sản xuất nghiêm ngặt như Thực hành tốt sản xuất thuốc (GMP), việc kiểm soát chất lượng bao bì và quy cách đóng gói đóng vai trò quyết định.

Tuy nhiên, tại nhiều cơ sở sản xuất, công đoạn kiểm tra vỉ thuốc vẫn còn phụ thuộc vào phương pháp thủ công hoặc các thiết bị rời rạc, dẫn đến nguy cơ sai sót, tốc độ chậm và khó khăn trong việc quản lý dữ liệu đồng bộ. Mặc dù các hệ thống camera công nghiệp thông minh (Smart Camera) chuyên dụng đã xuất hiện trên thị trường nhưng chi phí đầu tư ban đầu rất lớn, gây khó khăn cho việc ứng dụng ở quy mô vừa và nhỏ. Việc ứng dụng dây chuyền tự động hóa phân loại sản phẩm có thể giúp giảm tới 80% số lượng lao động trực tiếp và tăng năng suất từ 3 đến 5 lần so với quy trình truyền thống. Xuất phát từ thực tiễn đó, đề tài "Thiết kế mô hình phân loại sản phẩm bằng xử lý ảnh sử dụng ngôn ngữ Python trên Raspberry Pi 4" được thực hiện nhằm xây dựng một giải pháp phân loại vỉ thuốc tự động có chi phí hợp lý, độ tin cậy cao và dễ vận hành.

Mục tiêu nghiên cứu cụ thể của đề tài bao gồm các nhiệm vụ:

  1. Tìm hiểu các mô hình phân loại sản phẩm hiện có để lựa chọn cấu hình thiết bị phù hợp cho hệ thống.
  2. Nghiên cứu cấu trúc phần cứng, nguyên lý hoạt động của máy tính nhúng Raspberry Pi 4 và các linh kiện ngoại vi liên quan.
  3. Nghiên cứu các phương thức giao tiếp và kết nối phần cứng giữa Raspberry Pi, vi điều khiển phụ trợ, cảm biến và cơ cấu chấp hành.
  4. Nghiên cứu ngôn ngữ lập trình Python và thư viện mã nguồn mở OpenCV phục vụ thuật toán xử lý ảnh.
  5. Thiết kế, chế tạo mô hình phần cứng hoàn chỉnh và lập trình hệ thống có khả năng nhận diện, phân loại vỉ thuốc đủ hoặc thiếu viên, phát hiện sai lệch màu sắc so với mẫu chuẩn, đồng thời hỗ trợ giám sát thông số trên giao diện máy tính nhúng.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống phân loại sản phẩm tự động ứng dụng kỹ thuật xử lý ảnh kỹ thuật số, sử dụng ngôn ngữ Python trên nền tảng máy tính nhúng Raspberry Pi 4.
  • Phạm vi nghiên cứu:
    • Không gian và quy mô: Mô hình thực nghiệm dạng băng tải mini trong phòng thí nghiệm.
    • Đối tượng kiểm tra: Vỉ thuốc dạng viên nén/viên nang, tập trung vào hai tiêu chí chính là tính toàn vẹn (đủ hoặc thiếu số lượng viên) và độ chính xác về màu sắc so với ảnh mẫu.
    • Thời gian thực hiện: Từ ngày 30/08/2023 đến ngày 31/12/2023.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng dựa trên lý thuyết xử lý ảnh kỹ thuật số, kỹ thuật thị giác máy tính và kiến trúc hệ thống nhúng điều khiển tự động:

Khung lý thuyết và mô hình toán học

  • Biểu diễn ảnh số: Ảnh số được mô hình hóa dưới dạng một hàm tín hiệu hai chiều $f(x, y)$ hoặc ma trận hai chiều $A[M, N]$, trong đó mỗi phần tử đại diện cho một điểm ảnh (pixel). Đề tài xem xét các không gian màu gồm không gian nhị phân (0 và 1), không gian mức xám (8-bit, 256 mức độ sáng từ 0 đến 255) và không gian màu RGB (24-bit với 3 kênh Đỏ - Xanh lục - Xanh dương), cùng các hệ màu mở rộng như HSV và CMYK.
  • Lý thuyết lọc nhiễu ảnh: Phân tích các dạng nhiễu thường gặp trong môi trường công nghiệp (nhiễu cộng độc lập $f(i, j) = s(i, j) + n(i, j)$, nhiễu Gauss, nhiễu muối - tiêu) và áp dụng các thuật toán lọc số thông qua phép nhân chập ma trận hạt nhân (Kernel):
    • Lọc trung vị (Median Filter): Kỹ thuật lọc phi tuyến giúp loại bỏ hiệu quả nhiễu muối - tiêu và nhiễu đốm mà vẫn bảo toàn độ sắc nét của đường biên. Giá trị pixel đầu ra được gán bằng giá trị trung vị $X_{tv}$ của dãy số đã sắp xếp trong cửa sổ quét (ma trận $3 \times 3$).
    • Lọc trung bình (Mean Filter): Kỹ thuật lọc tuyến tính thay thế giá trị điểm ảnh bằng trung bình cộng trọng số các điểm lân cận để làm phẳng các biến thiên đột ngột.
    • Lọc Gauss (Gaussian Filter): Phép làm mịn ảnh dựa trên phân phối chuẩn, đóng vai trò như một bộ lọc thông thấp (Low-pass Filter) loại bỏ các thành phần tần số cao.
  • Thuật toán phát hiện biên Canny (Canny Edge Detection): Áp dụng quy trình 5 bước để trích xuất biên đối tượng chính xác:
    1. Khử nhiễu và làm mịn ảnh bằng bộ lọc Gauss.
    2. Tính toán độ lớn và hướng của Gradient cường độ sáng theo 2 hướng $G_x$ và $G_y$ (sử dụng toán tử Sobel hoặc Prewitt).
    3. Tính độ lớn Gradient tổng hợp $\sqrt{G_x^2 + G_y^2}$ và làm tròn góc hướng $\theta$ về các góc $0^\circ$, $45^\circ$, $90^\circ$, $135^\circ$.
    4. Triệt tiêu các điểm không phải cực đại cục bộ (Non-maximum Suppression) để làm mảnh biên.
    5. Áp dụng kỹ thuật phân ngưỡng kép (Hysteresis Thresholding) với ngưỡng trên và ngưỡng dưới để xác định chính xác các điểm thuộc đường biên thực.

Công nghệ phần mềm và thư viện

  • Thư viện OpenCV (Open Computer Vision): Sử dụng gói opencv-python phiên bản 4. Thư viện cung cấp các hàm xử lý ma trận hình ảnh mảng NumPy (numpy.ndarray), các thao tác trích xuất ma trận vùng ảnh quan tâm (ROI), phép co giãn kích thước (cv2.resize), phép biến đổi xoay ma trận (cv2.getRotationMatrix2D), chuyển đổi không gian màu và phân tích đường bao biên.
  • Ngôn ngữ lập trình: Python 3 kết hợp môi trường phát triển PyCharm trên máy tính và Thonny IDE tích hợp sẵn trên hệ điều hành Raspbian (Linux).
  • Môi trường nạp vi điều khiển: Arduino IDE (ngôn ngữ C/C++) phục vụ lập trình điều khiển cho bo mạch Arduino Nano trung gian.

Phương pháp nghiên cứu

  • Phương pháp phân tích - tổng hợp tài liệu: Thu thập và nghiên cứu các tài liệu chuyên ngành về thị giác máy tính, cấu trúc phần cứng máy tính nhúng ARM và nguyên lý truyền động khí nén.
  • Phương pháp thiết kế kỹ thuật: Tính toán, xây dựng sơ đồ khối, sơ đồ nguyên lý mạch điện, thiết kế cơ khí khung băng tải và hệ thống cấp khí nén.
  • Phương pháp thực nghiệm: Lắp ráp mô hình thực tế, kết nối camera Logitech C270, lập trình thuật toán xử lý ảnh trên Raspberry Pi 4 và tiến hành chạy thử nghiệm phân loại trực tiếp trên các mẫu vỉ thuốc đạt chuẩn và lỗi.

Thiết kế và thi công hệ thống

Cấu trúc phần cứng và danh mục thiết bị

Hệ thống phân loại sản phẩm được cấu thành từ hai phân hệ chính: Phân hệ xử lý dữ liệu trung tâm & thị giác máy tính và Phân hệ chấp hành cơ điện - khí nén.

STT Thiết bị / Linh kiện Thông số kỹ thuật / Đặc tính Chức năng trong hệ thống
1 Raspberry Pi 4 Model B Bộ xử lý SoC Broadcom BCM2835 kiến trúc ARM, hỗ trợ cổng USB, Ethernet, HDMI, chạy HĐH Raspbian Khối xử lý trung tâm, tiếp nhận tín hiệu, chạy thuật toán xử lý ảnh OpenCV, giao tiếp điều khiển
2 Webcam Logitech HD C270 Độ phân giải HD, chuẩn giao tiếp USB Thu nhận hình ảnh vỉ thuốc khi đi qua vùng kiểm tra
3 Cảm biến hồng ngoại E3F-DS30C4 Cảm biến quang phát hiện vật cản, ngõ ra NPN, cự ly điều chỉnh Phát hiện sự hiện diện của vỉ thuốc trên băng tải để kích hoạt camera chụp ảnh
4 Arduino Nano Vi điều khiển AVR Atmega328P, nạp code qua Arduino IDE (C/C++) Nhận lệnh kích hoạt từ Raspberry Pi để điều khiển đóng/ngắt rơ-le chấp hành
5 Module 4 Relay có Opto cách ly Kích mức cao/thấp (H/L), điện áp kích 24VDC, tải tiếp điểm 10A Đóng ngắt nguồn cấp cho van điện từ và động cơ băng tải, cách ly quang chống nhiễu
6 Van điện từ 3/2 Airtac Điện áp điều khiển 24VDC, van khí nén 3 cổng 2 vị trí Điều hướng dòng khí nén cấp vào xi lanh khí nén
7 Xi lanh khí nén Airtac Cơ cấu tác động tịnh tiến bằng áp lực khí Đẩy sản phẩm bị lỗi ra khỏi dây chuyền phân loại
8 Mạch hạ áp DC XL4005 (5A) Điện áp vào 5-32VDC, điện áp ra điều chỉnh, dòng định mức 5A Hạ áp từ nguồn tổng 24V xuống cấp nguồn ổn định cho các khối vi điều khiển/cảm biến
9 Nguồn tổ ong 24VDC (5A) Công suất 120W, chuyển đổi AC sang DC Cung cấp nguồn tổng 24V cho toàn bộ hệ thống cơ điện, van khí nén và mạch hạ áp
10 Băng tải mini Động cơ DC truyền động dây băng Vận chuyển sản phẩm liên tục qua các khu vực quét ảnh và phân loại

Nguyên lý hoạt động của hệ thống

Hệ thống vận hành khép kín theo trình tự logic:

  1. Băng tải mini vận chuyển vỉ thuốc di chuyển đến vị trí kiểm tra.
  2. Khi vỉ thuốc đi qua vị trí của cảm biến hồng ngoại E3F-DS30C4, tín hiệu ngõ ra thay đổi trạng thái và truyền về bộ xử lý.
  3. Raspberry Pi 4 tiếp nhận tín hiệu từ cảm biến và phát lệnh cho Webcam Logitech HD C270 tiến hành chụp ảnh vỉ thuốc tại vùng ROI xác định.
  4. Ảnh chụp được đưa vào chương trình Python chạy trong môi trường Thonny:
    • Áp dụng các phép lọc nhiễu và xử lý mức xám / không gian màu.
    • Nhận diện số lượng viên thuốc có trong vỉ và đối chiếu với mẫu chuẩn để xác định tình trạng "Đủ" hay "Thiếu".
    • Phân tích thông số màu sắc của các viên thuốc để phát hiện sự sai lệch màu sắc.
  5. Nếu sản phẩm đạt tiêu chuẩn (đủ viên và đúng màu), hệ thống cho phép vỉ thuốc tiếp tục trôi về cuối băng tải.
  6. Nếu phát hiện sản phẩm lỗi (thiếu viên hoặc sai màu), Raspberry Pi 4 xuất tín hiệu sang board Arduino Nano để kích hoạt Module Relay đóng tiếp điểm cho van điện từ 3/2 Airtac. Van mở dòng khí nén kích hoạt xi lanh Airtac đẩy tịnh tiến, gạt vỉ thuốc lỗi ra khỏi băng tải vào khay chứa phế phẩm.

Nội dung chính theo từng chương

Chương 1: Tổng quan về đề tài

Chương 1 thiết lập tính cấp thiết của đề tài trong bối cảnh hiện đại hóa dây chuyền sản xuất dược phẩm và tự động hóa công nghiệp. Tác giả phân tích thực trạng các nhà máy sản xuất thuốc tại Việt Nam, nêu bật yêu cầu tuân thủ tiêu chuẩn GMP và những hạn chế của phương pháp kiểm tra thủ công. Chương này cũng phân tích tổng quan các hệ thống phân loại sản phẩm tự động, so sánh ưu điểm vượt trội về việc tiết kiệm 80% nhân công và tăng năng suất 3-5 lần, từ đó xác định mục tiêu thiết kế mô hình phân loại vỉ thuốc chi phí thấp, nêu rõ phạm vi, giới hạn nghiên cứu và cấu trúc bố cục đồ án gồm 4 chương.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các lý thuyết nền tảng và thông số kỹ thuật của toàn bộ công nghệ, phần mềm và linh kiện được lựa chọn:

  • Trình bày bản chất toán học của tín hiệu, ảnh số 2D, các không gian màu (RGB, HSV, CMYK) và mối quan hệ giữa thị giác máy tính và trí tuệ nhân tạo.
  • Trình bày chi tiết lý thuyết điều chỉnh độ sáng, tương phản và các thuật toán lọc nhiễu ảnh số: lọc trung vị, lọc trung bình, lọc Gauss kèm ví dụ tính toán trên ma trận số thực.
  • Trình bày phương pháp Gradient và giải thuật phát hiện biên Canny qua 5 bước phân ngưỡng.
  • Giới thiệu thư viện mã nguồn mở OpenCV, quy trình cài đặt qua pip, các đoạn lệnh xử lý cơ bản (đọc, hiển thị, lấy kích thước, cắt, co giãn, xoay ảnh).
  • Khảo sát đặc tính phần cứng của máy tính nhúng Raspberry Pi 4 Model B (SoC Broadcom BCM2835, kiến trúc ARM, cổng kết nối GPIO, HDMI, LAN), đánh giá ưu nhược điểm và ứng dụng.
  • Khảo sát phần mềm Arduino IDE (cấu trúc hàm setup() và loop()), phần mềm PyCharm (tính năng chỉnh sửa code thông minh, điều hướng, hỗ trợ thư viện khoa học) và lịch sử ngôn ngữ lập trình Python do Guido Van Rossum khởi xướng.
  • Thống kê chi tiết thông số kỹ thuật các linh kiện phần cứng: Cảm biến E3F-DS30C4, van điện từ 3/2 Airtac, xi lanh Airtac, module 4 Relay cách ly quang, nguồn tổ ong 24V 5A, Webcam Logitech C270, mạch giảm áp XL4005 và board Arduino Nano.

Chương 3: Thiết kế và thi công hệ thống

Chương 3 mô tả chi tiết quá trình hiện thực hóa mô hình từ bản vẽ thiết kế đến lắp ráp hoàn chỉnh:

  • Thiết lập sơ đồ khối chức năng và xây dựng lưu đồ thuật toán điều khiển tổng thể.
  • Xây dựng sơ đồ đấu nối liên kết giữa máy tính nhúng Raspberry Pi 4, board Arduino Nano, module rơ-le 4 kênh, mạch giảm áp DC-DC, van điện từ và cảm biến.
  • Trình bày các công đoạn thi công phần cứng: Bố trí cơ cấu chấp hành khí nén, gá đặt van điện từ, đấu nối chia nguồn điện 24V cho cảm biến và động cơ băng tải, kết nối ống khí nén từ van đến xi lanh.
  • Trình bày các bước thiết lập phần mềm: Quét địa chỉ IP để truy cập hệ điều hành Raspbian trên Raspberry Pi 4, khởi chạy môi trường lập trình Thonny, cấu hình mã nguồn xử lý ảnh Python với thư viện OpenCV.
  • Minh họa các ảnh chụp thực nghiệm quá trình chạy chương trình nhận diện: Kết quả phân tích hiển thị vỉ thuốc đạt chuẩn (đúng mẫu) và kết quả phát hiện vỉ thuốc bị lỗi thiếu viên.

Chương 4: Kết luận, nhận xét và đánh giá

Chương 4 tổng kết toàn bộ kết quả nghiên cứu và thực nghiệm của đồ án:

  • Khẳng định việc hoàn thành đầy đủ các mục tiêu đề ra về mặt thiết kế cơ khí, mạch điện và lập trình phần mềm điều khiển.
  • Đánh giá khả năng hoạt động ổn định của hệ thống trong việc phân loại vỉ thuốc theo mẫu.
  • Thẳng thắn chỉ ra các điểm còn hạn chế của mô hình thực nghiệm và đề xuất các phương hướng cải tiến, mở rộng đề tài trong tương lai.

Kết quả và đóng góp

Kết quả nghiên cứu và thực nghiệm

  • Chế tạo thành công mô hình phần cứng dây chuyền phân loại vỉ thuốc mini hoàn chỉnh, tích hợp đồng bộ giữa cơ cấu băng tải, hệ thống cấp - dẫn khí nén, xi lanh gạt sản phẩm, cảm biến phát hiện quang học và cụm camera thu hình.
  • Xây dựng mạch điều khiển trung gian cách ly an toàn sử dụng Module 4 Relay, mạch hạ áp XL4005 và Arduino Nano, đảm bảo phối hợp điện áp ổn định giữa khối điều khiển logic (5V/3.3V) và khối công suất khí nén (24V).
  • Lập trình hoàn chỉnh thuật toán xử lý ảnh trên nền Python và OpenCV chạy trực tiếp trên hệ điều hành Raspbian của Raspberry Pi 4. Hệ thống nhận diện chính xác hai trạng thái của sản phẩm:
    • Trạng thái vỉ thuốc đúng mẫu: Đầy đủ số lượng viên, màu sắc trùng khớp với mẫu đối sánh, cho phép sản phẩm tiếp tục lưu thông.
    • Trạng thái vỉ thuốc lỗi: Nhận diện chính xác trường hợp vỉ thuốc bị khuyết/thiếu viên hoặc sai lệch màu sắc, kích hoạt van điện từ và xi lanh khí nén gạt sản phẩm lỗi ra khỏi băng chuyền kịp thời.
  • Thiết lập giao diện điều khiển và giám sát các thông số vận hành của dây chuyền trực tiếp trên màn hình của Raspberry Pi thông qua môi trường Thonny.

Đóng góp của đề tài

  • Đề xuất một giải pháp kỹ thuật có chi phí thấp, tận dụng sức mạnh tính toán của máy tính nhúng Raspberry Pi 4 và webcam thông dụng để thay thế cho các hệ thống Smart Camera công nghiệp đắt tiền trong các ứng dụng phân loại vừa và nhỏ.
  • Cung cấp tài liệu thiết kế chi tiết về việc kết hợp giữa vi xử lý nhúng cấp cao (Raspberry Pi chạy Linux) đảm nhiệm xử lý ảnh nặng với vi điều khiển phụ trợ (Arduino Nano) đảm nhiệm điều khiển thời gian thực cho cơ cấu chấp hành công suất.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Hệ thống mới dừng lại ở quy mô mô hình thử nghiệm kích thước nhỏ trong phòng thí nghiệm, chưa được thử nghiệm trong điều kiện môi trường công nghiệp thực tế với rung động và bụi bẩn.
  • Độ chính xác của thuật toán xử lý ảnh truyền thống phụ thuộc nhiều vào điều kiện ánh sáng môi trường bên ngoài; sự thay đổi đột ngột của độ rọi có thể ảnh hưởng đến kết quả phân ngưỡng và nhận diện màu sắc.
  • Tốc độ xử lý của mô hình bị giới hạn bởi thời gian thực thi thuật toán trên Raspberry Pi và thời gian đáp ứng cơ học của cụm van - xi lanh khí nén mini.

Hướng nghiên cứu tiếp

  • Thiết kế buồng chụp ảnh kín có tích hợp hệ thống chiếu sáng chuẩn (đèn LED chuyên dụng) nhằm triệt tiêu hoàn toàn ảnh hưởng của ánh sáng nhiễu từ môi trường xung quanh.
  • Ứng dụng các giải thuật học sâu (Deep Learning) và mạng nơ-ron tích chập (CNN) để mở rộng khả năng nhận diện các dạng lỗi phức tạp hơn của viên thuốc như: mẻ cạnh, nứt vỡ, biến dạng bề mặt hoặc in sai ký hiệu trên vỉ.
  • Nâng cấp cơ cấu cơ khí và van khí nén tốc độ cao để đáp ứng các dây chuyền sản xuất có năng suất lớn trong thực tế.
  • Tích hợp thêm các giao thức truyền thông công nghiệp và kết nối Internet of Things (IoT) để gửi dữ liệu thống kê sản lượng, tỷ lệ lỗi về máy chủ đám mây phục vụ công tác quản lý nhà máy thông minh từ xa.

Giá trị tham khảo

Tài liệu đồ án tốt nghiệp này mang lại giá trị tham khảo thiết thực cho các nhóm đối tượng sau:

  • Sinh viên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Điều khiển & Tự động hóa, Cơ điện tử: Là tài liệu tham khảo cụ thể về phương pháp tích hợp máy tính nhúng Raspberry Pi với các thiết bị công nghiệp (cảm biến hồng ngoại công nghiệp NPN, van điện từ khí nén, module relay công suất 24V).
  • Người nghiên cứu và phát triển ứng dụng thị giác máy tính cơ bản: Cung cấp hướng dẫn từng bước về việc cài đặt môi trường OpenCV trên Python, các phương pháp tiền xử lý ảnh (lọc trung vị, lọc trung bình, lọc Gauss, tách biên Canny) và phương pháp xây dựng thuật toán kiểm tra ngoại quan sản phẩm (AOI).
  • Các kỹ sư thiết kế hệ thống nhúng chi phí thấp: Cung cấp sơ đồ phân chia chức năng hiệu quả giữa máy tính nhúng (xử lý dữ liệu/ảnh) và vi điều khiển (điều khiển chấp hành thời gian thực).

Câu hỏi thường gặp

1. Hệ thống sử dụng thuật toán và thư viện nào để xử lý ảnh phân loại vỉ thuốc?
Hệ thống sử dụng ngôn ngữ lập trình Python 3 kết hợp với thư viện mã nguồn mở OpenCV (phiên bản opencv-python 4), áp dụng các giải thuật xử lý ma trận ảnh NumPy, các bộ lọc khử nhiễu (lọc trung vị, lọc Gauss), giải thuật phát hiện biên Canny và kỹ thuật so sánh không gian màu/vùng quan tâm (ROI) để phát hiện vỉ thuốc thiếu viên hoặc sai màu.

2. Vai trò của board Arduino Nano trong hệ thống là gì khi đã có máy tính nhúng Raspberry Pi 4?
Trong hệ thống, Raspberry Pi 4 đóng vai trò máy tính xử lý trung tâm (chạy hệ điều hành Raspbian, nhận dữ liệu ảnh từ webcam và xử lý thuật toán OpenCV). Arduino Nano được sử dụng như một khối vi điều khiển trung gian, nhận tín hiệu logic phân loại từ Raspberry Pi để trực tiếp điều khiển đóng/ngắt Module 4 Relay kích hoạt van điện từ 3/2 và xi lanh khí nén, giúp giải phóng tải I/O thời gian thực cho Raspberry Pi và bảo vệ mạch nhúng.

3. Cơ cấu chấp hành nào được sử dụng để loại bỏ các vỉ thuốc bị lỗi?
Hệ thống sử dụng cơ cấu khí nén bao gồm một van điện từ 3/2 Airtac (điều khiển bằng cuộn hút 24VDC thông qua tiếp điểm Relay) và một xi lanh khí nén Airtac. Khi phát hiện sản phẩm lỗi, van điện từ mở dòng khí nén làm xi lanh tác động tịnh tiến, đẩy vỉ thuốc lỗi ra khỏi băng tải.

4. Cảm biến nào được dùng để phát hiện sản phẩm trên băng chuyền và vị trí của nó?
Hệ thống sử dụng cảm biến vật cản hồng ngoại model E3F-DS30C4. Cảm biến được lắp đặt dọc theo băng tải mini, có nhiệm vụ phát hiện sự xuất hiện của vỉ thuốc khi đi vào vị trí kiểm tra để gửi tín hiệu kích hoạt cho Raspberry Pi 4 ra lệnh chụp ảnh.

5. Tại sao tác giả lại lựa chọn bộ lọc trung vị (Median Filter) trong phần cơ sở lý thuyết xử lý ảnh?
Bộ lọc trung vị là kỹ thuật lọc phi tuyến đặc biệt hiệu quả trong việc loại bỏ nhiễu xung, nhiễu đốm và nhiễu muối - tiêu (Salt & Pepper Noise) thường xuất hiện do sai số truyền dữ liệu hoặc cảm biến quang học, đồng thời có ưu điểm vượt trội là không làm mờ các đường biên sắc nét của đối tượng so với bộ lọc trung bình.

Kết luận

Đồ án "Thiết kế mô hình phân loại sản phẩm bằng xử lý ảnh sử dụng ngôn ngữ Python trên Raspberry Pi 4" của sinh viên Trần Khương Đạt và Lê Phúc Tân (Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật – Đại học Đà Nẵng) đã hoàn thành xuất sắc việc nghiên cứu và chế tạo thành công mô hình phân loại vỉ thuốc tự động. Hệ thống kết hợp hiệu quả giữa máy tính nhúng Raspberry Pi 4, camera HD, thư viện xử lý ảnh OpenCV và cơ cấu chấp hành khí nén điều khiển qua Arduino Nano để nhận diện chính xác các lỗi thiếu viên hoặc sai lệch màu sắc. Đề tài mở ra hướng tiếp cận khả thi, chi phí thấp cho việc ứng dụng thị giác máy tính vào tự động hóa khâu kiểm soát chất lượng trong ngành công nghiệp dược phẩm.