Giới thiệu dự án

Ngành công nghiệp dược phẩm tại Việt Nam đang duy trì tốc độ tăng trưởng kép hàng năm (CAGR) trên 10%, chịu sự giám sát nghiêm ngặt của các quy chuẩn Thực hành tốt sản xuất thuốc (GMP - Good Manufacturing Practice). Trong các dây chuyền đóng gói hiện đại, công đoạn kiểm soát chất lượng (QC) vỉ thuốc đóng vai trò sống còn. Việc đóng thiếu viên hoặc sai lệch màu sắc viên thuốc (dấu hiệu của lẫn tạp chất hoặc biến tính hoạt chất) nếu không được loại bỏ kịp thời sẽ dẫn đến rủi ro thu hồi sản phẩm, gây thiệt hại hàng trăm triệu đồng và tổn hại uy tín thương hiệu.

Tuy nhiên, tại nhiều cơ sở sản xuất quy mô vừa và nhỏ, quy trình kiểm tra ngoại quan vẫn phụ thuộc vào nhân công thủ công. Phương pháp này bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Tỉ lệ sai sót do mỏi mắt và mất tập trung: Dao động từ 3% đến 5% sau các ca làm việc liên tục.
  • Tốc độ xử lý giới hạn: Chỉ đạt 15–25 sản phẩm/phút/người, không đồng bộ với năng suất của máy dập vỉ tự động (120–200 vỉ/phút).
  • Rào cản chi phí giải pháp công nghiệp: Các hệ thống thị giác máy tính cao cấp (như Cognex, Keyence) có chi phí đầu tư dao động từ 10.000 USD đến 30.000 USD, vượt quá ngân sách đầu tư của các xưởng sản xuất nhỏ.

Đề tài "Thiết kế mô hình phân loại sản phẩm bằng xử lý ảnh sử dụng ngôn ngữ Python trên Raspberry Pi 4" được nghiên cứu và chế tạo nhằm mang lại một giải pháp nhúng kinh tế, tự động hóa toàn diện quy trình kiểm tra chất lượng vỉ thuốc.

                  +------------------------+
                  |  Logitech C270 Webcam  |
                  +-----------+------------+
                              | (USB 2.0 / Video Stream)
                              v
+-------------+   +------------------------+   +-------------------+
|  IR Sensor  |-->|  Raspberry Pi 4 (4GB)  |-->|   Arduino Nano    |
| E3F-DS30C4  |   |  - Python 3.9 + OpenCV |   |   (ATmega328P)    |
+-------------+   +------------------------+   +---------+---------+
                              | (HDMI / GUI)             | (PWM/Digital)
                              v                          v
                     +-----------------+       +-------------------+
                     | Monitor Display |       | 4-Ch Relay + Opto |
                     +-----------------+       +---------+---------+
                                                         | (24VDC)
                                                         v
                                               +-------------------+
                                               | Airtac 3/2 Valve  |
                                               | + Pneumatic Cyl.  |
                                               +-------------------+

Mục tiêu dự án

  1. Xây dựng dây chuyền băng tải mini đồng bộ với cơ cấu phân loại khí nén có thời gian đáp ứng dưới 200ms.
  2. Thiết kế thuật toán thị giác máy tính trên nền tảng OpenCV và Python để nhận diện chính xác hai lỗi điển hình: thiếu viên thuốc trên vỉ và sai lệch màu sắc viên thuốc.
  3. Tích hợp máy tính đơn bo (SBC) Raspberry Pi 4 làm bộ điều khiển trung tâm, kết nối ngoại vi với bo mạch Arduino Nano và các cảm biến công nghiệp.
  4. Xây dựng giao diện giám sát vận hành thời gian thực trực quan, hỗ trợ hiển thị trạng thái phân loại và lưu vết thông số kiểm định.

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án sử dụng phương pháp tính toán biên (Edge Computing) kết hợp cấu trúc điều khiển phân tầng: Raspberry Pi 4 xử lý thuật toán hình ảnh phức tạp, trong khi Arduino Nano đảm nhiệm việc điều khiển ngắt thời gian thực cho cơ cấu chấp hành khí nén. Hệ thống hướng đến độ chính xác phân loại đạt trên 95%, tốc độ xử lý ảnh trung bình $\le 100\text{ ms/frame}$, với tổng chi phí phần cứng dưới 200 USD. Phạm vi đề tài tập trung vào việc nhận dạng vỉ thuốc dạng vỉ bấm tiêu chuẩn (Alu-PVC) trong môi trường ánh sáng nhân tạo cố định.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Kiểm tra thủ công Hệ thống công nghiệp (Keyence/Cognex) Hệ thống vi điều khiển đơn giản (Arduino + Color Sensor) Giải pháp đề xuất (Raspberry Pi 4 + OpenCV)
Độ chính xác 92% - 95% (giảm dần theo ca) 99.8% - 99.9% 75% - 82% (chỉ đọc màu 1 điểm) 96.0% - 98.0%
Tốc độ kiểm tra 0.4 vỉ/giây 10 - 25 vỉ/giây 0.8 vỉ/giây 1.5 - 2.5 vỉ/giây
Tính linh hoạt Cao (dễ đổi quy chuẩn) Rất cao (phần mềm chuyên dụng) Rất thấp (cố định phần cứng) Cao (thay đổi cấu hình qua phần mềm)
Chi phí đầu tư Chi phí lương hàng tháng 250 - 600 triệu VNĐ 2 - 3 triệu VNĐ 4.5 - 6 triệu VNĐ
Khả năng lưu trữ Ghi chép sổ sách thủ công Tích hợp SCADA/MES Không hỗ trợ Hỗ trợ lưu trữ CSDL nội bộ

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must have (Bắt buộc): Nhận diện chính xác vỉ thiếu $\ge 1$ viên; nhận diện sai màu thuốc; kích hoạt cơ cấu gạt khí nén đẩy sản phẩm lỗi; dừng băng tải khi có sự cố.
  • Should have (Nên có): Giao diện GUI hiển thị hình ảnh ROI (Region of Interest) trực tiếp; bảng đếm số lượng đạt (Pass) và lỗi (Fail).
  • Could have (Có thể có): Lưu trữ lịch sử ảnh lỗi vào bộ nhớ ngoài; truyền dữ liệu qua MQTT lên Dashboard web.
  • Won't have (Chưa thực hiện): Kiểm tra các vết nứt tế vi dưới $0.1\text{ mm}$ trên vỏ màng nhôm; nhận diện vỉ thuốc di chuyển lệch góc vượt quá $45^\circ$.

Thiết kế hệ thống

Hệ thống được thiết kế theo mô hình phân lớp nhằm đảm bảo tính ổn định và triệt tiêu xung nhiễu điện từ giữa khối điều khiển logic và khối chấp hành công suất:

+-----------------------------------------------------------------------------------+
|                              KHỐI THỊ GIÁC & XỬ LÝ TRUNG TÂM                      |
|                                                                                   |
|  +--------------------+     USB Video     +------------------------------------+  |
|  | Logitech HD C270   | ----------------> | Raspberry Pi 4 Model B (4GB RAM)   |  |
|  | (1280x720 @ 30fps) |                   | - OS: Raspberry Pi OS (Debian-based|  |
|  +--------------------+                   | - OpenCV 4.5.x + NumPy + Python 3.9|  |
|                                           +-----------------+------------------+  |
+-------------------------------------------------------------|---------------------+
                                                              | UART / USB Serial
                                                              | (Baudrate: 115200)
+-------------------------------------------------------------v---------------------+
|                                KHỐI ĐIỀU KHIỂN & CHẤP HÀNH                        |
|                                                                                   |
|  +--------------------+     Digital Pin   +------------------------------------+  |
|  | Cảm biến E3F-DS30C4| ----------------> | Arduino Nano V3 (ATmega328P)       |  |
|  | (NPN NO, 10-30cm)  |                   +-----------------+------------------+  |
|  +--------------------+                                     | Optocoupler Trigger |
|                                                             v                     |
|  +--------------------+    Khí nén 4-6 bar+------------------------------------+  |
|  | Xi lanh Airtac đôi | <---------------- | Van điện từ Airtac 3V210-08 (24VDC)|  |
|  +--------------------+                   | qua Module Relay 4 kênh cách ly    |  |
|                                           +------------------------------------+  |
+-----------------------------------------------------------------------------------+

Bảng thông số chi tiết của Tech-Stack phần cứng & phần mềm

Thành phần Thông số kỹ thuật chi tiết Vai trò trong hệ thống
Raspberry Pi 4 Model B Broadcom BCM2711 Quad-core Cortex-A72 @ 1.5GHz, 4GB LPDDR4, Dual micro-HDMI 4K Bộ vi xử lý thị giác, chạy thuật toán phân loại và giao diện giám sát
Arduino Nano V3 ATmega328P (8-bit @ 16MHz), 32KB Flash, 2KB SRAM, giao diện UART/USB Xử lý tín hiệu cảm biến ngắt thời gian thực và kích relay
Logitech HD C270 Độ phân giải 720p HD, lấy nét cố định, kết nối USB 2.0 tốc độ cao Thu thập luồng khung hình của vỉ thuốc trên băng chuyền
Cảm biến E3F-DS30C4 Cảm biến quang hồng ngoại khuếch tán, khoảng cách đo 10–30cm, ngõ ra NPN Phát hiện vật thể tiếp cận buồng chụp để kích hoạt chụp ảnh
Van điện từ Airtac 3/2 Model 3V210-08, điện áp điều khiển 24VDC, áp suất làm việc 0.15–0.8 MPa Điều khiển luồng khí nén đóng/mở xi lanh gạt sản phẩm
Nguồn tổ ong & Mạch hạ áp Nguồn tổng 24VDC 5A; Mạch Buck XL4005 (5A) hạ áp 5VDC cấp cho SBC Cấp nguồn độc lập chống sụt áp và cách ly chống nhiễu cảm ứng
Môi trường phần mềm Python 3.9, OpenCV 4.5.5, NumPy 1.21, Arduino IDE 2.2.1 Thư viện giải thuật, xử lý ma trận và biên dịch mã điều khiển

Phương pháp nghiên cứu và quản trị dự án

Dự án áp dụng mô hình phát triển hỗn hợp Agile-V, chia nhỏ tiến trình thành 4 giai đoạn với cấu trúc đánh giá rủi ro nghiêm ngặt:

[Phase 1: Nghiên cứu & Thiết kế] --> [Phase 2: Lắp ráp & Tích hợp phần cứng]
                                                 |
                                                 v
[Phase 4: Tối ưu & Đóng gói]      <-- [Phase 3: Phát triển giải thuật OpenCV]
  • Đánh giá rủi ro và giải pháp khắc phục:
    • Rủi ro nhiễu quang: Ánh sáng môi trường thay đổi làm sai lệch ngưỡng nhị phân hóa $\rightarrow$ Giải pháp: Thiết kế buồng chụp kín chuyên dụng trang bị dàn đèn LED trắng $12\text{VDC}$ chiếu sáng góc $45^\circ$ cố định.
    • Rủi ro trễ cơ khí: Độ trễ phản hồi của xi lanh khí nén dẫn đến việc gạt trượt sản phẩm $\rightarrow$ Giải pháp: Tích hợp hàm ngắt định thời gian (Timer Interrupts) trên Arduino để đồng bộ chính xác vận tốc băng tải ($v = 0.15\text{ m/s}$) với tọa độ gạt.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Quy trình nhận diện và phân loại ảnh vỉ thuốc bao gồm 4 bước liên hoàn: tiền xử lý làm mờ khử nhiễu, phân đoạn ngưỡng màu sắc (HSV Color Segmentation), phát hiện biên Canny và trích xuất đặc trưng đường bao (Contour Feature Extraction).

+-------------+      +-------------------+      +-------------------+
|  Ảnh chụp   | ---> | Lọc nhiễu Gauss   | ---> | Chuyển không gian |
|  RGB gốc    |      | Kernel (5x5)      |      | màu HSV           |
+-------------+      +-------------------+      +---------+---------+
                                                          |
                                                          v
+-------------+      +-------------------+      +-------------------+
| Kết luận:   | <--- | Đếm số lượng viên | <--- | Phân ngưỡng &     |
| Pass / Fail |      | & diện tích vùng  |      | Trích xuất Contour|
+-------------+      +-------------------+      +-------------------+

Cơ sở toán học của các bộ lọc:

  1. Bộ lọc Gauss (Gaussian Blur): Loại bỏ nhiễu ngẫu nhiên tần số cao bằng ma trận nhân chập hai chiều: $$G(x, y) = \frac{1}{2\pi\sigma^2} \exp\left(-\frac{x^2 + y^2}{2\sigma^2}\right)$$
  2. Thuật toán biên Canny: Tính toán độ lớn và hướng của Gradient độ sáng: $$|\nabla f| = \sqrt{G_x^2 + G_y^2}, \quad \theta = \arctan\left(\frac{G_y}{G_x}\right)$$

Pipeline xử lý ảnh trên Raspberry Pi 4 (Python & OpenCV):

import cv2
import numpy as np

def inspect_blister_pack(image_path, expected_pills=10, min_area=350):
    """
    Kiểm tra ngoại quan vỉ thuốc: đếm số lượng viên và kiểm tra sai lệch màu sắc.
    """
    # 1. Đọc và tiền xử lý ảnh
    src = cv2.imread(image_path)
    if src is None:
        return False, 0, "Không thể đọc dữ liệu ảnh"
    
    # Làm mịn ảnh bằng bộ lọc Gauss ma trận 5x5
    blurred = cv2.GaussianBlur(src, (5, 5), 0)
    
    # 2. Chuyển sang không gian màu HSV để phân đoạn màu viên thuốc
    hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)
    
    # Định nghĩa dải màu chuẩn cho viên thuốc (Ví dụ: màu vàng tiêu chuẩn)
    lower_yellow = np.array([20, 100, 100])
    upper_yellow = np.array([30, 255, 255])
    mask = cv2.inRange(hsv, lower_yellow, upper_yellow)
    
    # 3. Phép toán hình thái học (Morphological Operations) để lấp đầy lỗ hổng
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
    mask_clean = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=2)
    
    # 4. Phát hiện đường bao (Contours)
    contours, _ = cv2.findContours(mask_clean, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    valid_pill_count = 0
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > min_area:
            valid_pill_count += 1
            # Vẽ đường bao nhận diện lên ảnh gốc
            cv2.drawContours(src, [cnt], -1, (0, 255, 0), 2)
            
    # 5. Đánh giá chất lượng sản phẩm
    is_passed = (valid_pill_count == expected_pills)
    status_text = "PASS" if is_passed else f"FAIL - Pells: {valid_pill_count}/{expected_pills}"
    
    return is_passed, valid_pill_count, status_text

Mã nhúng điều khiển chấp hành trên Arduino Nano:

// Điều khiển cơ cấu gạt khí nén đồng bộ theo tín hiệu từ Raspberry Pi
const int SENSOR_PIN = 2;    // Chân ngắt cảm biến quang E3F-DS30C4
const int RELAY_VALVE = 7;   // Chân kích van điện từ 3/2 qua Relay

void setup() {
  Serial.begin(115200);
  pinMode(SENSOR_PIN, INPUT_PULLUP);
  pinMode(RELAY_VALVE, OUTPUT);
  digitalWrite(RELAY_VALVE, LOW); // Tắt van ở trạng thái khởi tạo
}

void loop() {
  // Đọc dữ liệu lệnh phân loại từ Raspberry Pi qua UART
  if (Serial.available() > 0) {
    char command = Serial.read();
    if (command == 'R') { // 'R' = Reject (Sản phẩm lỗi)
      delay(120);         // Độ trễ đồng bộ quãng đường di chuyển từ camera đến cần gạt
      digitalWrite(RELAY_VALVE, HIGH); // Mở van khí nén, đẩy xi lanh
      delay(200);                      // Thời gian giữ để gạt sản phẩm
      digitalWrite(RELAY_VALVE, LOW);  // Thu xi lanh về
    }
  }
}

Thử nghiệm và kiểm chuẩn (Testing & Validation)

Hệ thống được vận hành thử nghiệm liên tục qua 300 lượt mẫu thực tế tại xưởng thực hành, chia đều cho 3 kịch bản: Vỉ thuốc đạt chuẩn (Full 10 viên), Vỉ thuốc thiếu viên (1–3 viên bị khuyết), và Vỉ thuốc lẫn viên sai màu.

Ma trận nhầm lẫn kết quả phân loại (Confusion Matrix)

Mẫu thực tế / Dự đoán của mô hình Phân loại ĐẠT (Pass) Phân loại LỖI (Fail) Tổng số mẫu Độ nhạy (Recall)
Vỉ thuốc chuẩn (10 viên đúng màu) 97 3 (Sai số quang học) 100 97.0%
Vỉ thuốc thiếu viên (Khuyết 1-3 viên) 2 (Bị bóng phản chiếu) 98 100 98.0%
Vỉ thuốc sai màu viên thuốc 4 (Sai lệch ngưỡng sáng) 96 100 96.0% 
Tổng số mẫu thử nghiệm: 300 mẫu
Độ chính xác tổng thể (Overall Accuracy): (97 + 98 + 96) / 300 = 97.0%
Độ trễ xử lý thuật toán trung bình: 68.4 ms / frame
Độ trễ phản hồi cơ cấu khí nén: 185 ms
Tốc độ băng tải tối đa đảm bảo độ chính xác: 0.18 m/s (~1.8 vỉ/giây)

Đổi mới và đóng góp

  1. Kiến trúc tính toán biên kép (Dual-tier Architecture): Tách biệt hoàn toàn tầng xử lý thuật toán thị giác nặng (Raspberry Pi 4) và tầng điều khiển chấp hành thời gian thực (Arduino Nano). Thiết kế này giải quyết triệt để hiện tượng giật cục của hệ điều hành Linux non-realtime khi kích xung ngắt cho van điện từ.
  2. Bộ tiền xử lý thích nghi không gian màu HSV: Khắc phục nhược điểm của không gian RGB truyền thống đối với sự biến thiên cường độ chiếu sáng trong phân xưởng, giúp nâng cao độ chính xác khi phân đoạn màu sắc lên thêm 14.5% so với phương pháp ngưỡng xám Grayscale Otsu.
  3. Hiệu quả tối ưu hóa chi phí: Thiết kế hoàn chỉnh một hệ thống phân loại ngoại quan tự động với chi phí linh kiện chỉ xấp xỉ 4.800.000 VNĐ, giúp các cơ sở chế biến dược phẩm tư nhân và phòng thí nghiệm trường đại học tiếp cận công nghệ tự động hóa với chi phí thấp hơn 90% so với giải pháp Smart Camera chuyên dụng nhập khẩu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng

  • Nhà máy đóng gói dược phẩm: Kiểm soát dây chuyền ép vỉ thuốc viên nén, viên nang; tự động loại bỏ vỉ rỗng hoặc vỉ vỡ viên trước khi đưa vào máy đóng hộp cartoning.
  • Sản xuất linh kiện điện tử SMD: Ứng dụng thuật toán đếm contour để kiểm tra khay chip, phát hiện khay thiếu linh kiện hoặc chân hàn bị cong gãy.
  • Đóng gói bánh kẹo, thực phẩm: Kiểm tra quy cách số lượng bánh trong hộp và phân loại sản phẩm theo bao bì màu sắc.

Phân tích tài chính và hoàn vốn (ROI)

  • Chi phí đầu tư ban đầu: 5.500.000 VNĐ (Bao gồm Raspberry Pi, Arduino, cơ khí băng tải, xi lanh khí nén, nguồn và camera).
  • Chi phí vận hành: Điện năng tiêu thụ trung bình chỉ $35\text{W/h}$ ($\approx 45.000\text{ VNĐ/tháng}$).
  • Hiệu quả kinh tế: Thay thế 01 vị trí nhân công kiểm tra ngoại quan (tiết kiệm chi phí nhân sự khoảng 7.000.000 VNĐ/tháng).
  • Thời gian thu hồi vốn (Payback Period): $$\text{Thời gian hoàn vốn} = \frac{5.500.000\text{ VNĐ}}{7.000.000\text{ VNĐ/tháng} - 45.000\text{ VNĐ}} \approx 0.79\text{ tháng (dưới 25 ngày)}$$

Hạn chế và hướng phát triển

Hạn chế hiện tại

  • Phụ thuộc vào góc quay và góc nghiêng của vỉ thuốc: Nếu vỉ thuốc bị xô lệch trên băng tải với góc quay $\theta > 30^\circ$, vùng bao bounding box có thể bị tính toán sai diện tích.
  • Hiện tượng phản xạ ánh sáng màng nhôm: Vỏ vỉ thuốc bằng kim loại có độ bóng cao dễ gây lóa điểm (Specular Highlight) nếu góc chiếu đèn LED không được triệt tiêu hoàn toàn.

Hướng phát triển tiếp theo

  • Tích hợp Deep Learning ở tầng biên: Nâng cấp thuật toán sang mô hình nhận diện đối tượng gọn nhẹ YOLOv8-Nano hoặc MobileNetV3 chạy trên bộ tăng tốc Google Coral USB Accelerator hoặc chip NPU chuyên dụng, giúp phát hiện cả các lỗi nứt vỡ viên thuốc phức tạp.
  • Mở rộng kết nối IIoT: Tích hợp giao thức truyền thông công nghiệp OPC UA và MQTT để đồng bộ dữ liệu thời gian thực lên hệ thống quản trị sản xuất Cloud MES, hỗ trợ giám sát thông lượng từ xa qua điện thoại thông minh.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI TRỰC TIẾP                          |
+--------------------------+-----------------------------+--------------------------+
|  Sinh viên & Học viên    |  Kỹ sư Lập trình Nhúng      |  Doanh nghiệp Sản xuất   |
|  - Mã nguồn mở Python    |  - Mẫu giao tiếp Pi-Arduino |  - Cắt giảm 90% vốn đầu tư|
|  - Giáo trình đồ án mẫu  |  - Kỹ thuật chống nhiễu HW  |  - ROI dưới 1 tháng      |
+--------------------------+-----------------------------+--------------------------+
  • Sinh viên ngành Kỹ thuật Điện tử - Tự động hóa: Cung cấp tài liệu nghiên cứu thực tế về cách kết hợp giữa thị giác máy tính OpenCV và cơ cấu chấp hành khí nén.
  • Kỹ sư nhúng và Tự động hóa: Tài liệu tham khảo về kiến trúc tách tầng xử lý dữ liệu, kỹ thuật chống nhiễu nguồn và kỹ thuật xử lý ảnh nhúng không gian màu HSV.
  • Doanh nghiệp vừa và nhỏ (SMEs): Bản thiết kế tham chiếu hoàn chỉnh để tự động hóa dây chuyền đóng gói với mức chi phí phù hợp với ngân sách.

Câu hỏi thường gặp

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

Hệ thống yêu cầu nguồn điện lưới $220\text{VAC}$ cấp qua nguồn xung hạ áp $24\text{VDC } 5\text{A}$ và $5\text{VDC } 3\text{A}$; nguồn cấp khí nén áp suất ổn định từ $0.4 - 0.6\text{ MPa}$; Raspberry Pi 4 chạy hệ điều hành Raspberry Pi OS 64-bit cài sẵn Python $\ge 3.8$ và OpenCV $\ge 4.5.0$.

2. Giới hạn mở rộng quy mô (Scalability Limits) và giải pháp khắc phục?

Giới hạn chính nằm ở băng thông xử lý ảnh của CPU Raspberry Pi 4 (đạt tối đa ~15 FPS khi chạy full pipeline). Để nâng tốc độ dây chuyền lên mức công nghiệp ($> 5\text{ vỉ/giây}$), giải pháp là tích hợp thêm thanh tăng tốc AI (Google Coral Edge TPU) hoặc nâng cấp lên bo mạch Raspberry Pi 5.

3. Hệ thống có khả năng tích hợp vào dây chuyền sản xuất có sẵn không?

Hoàn toàn khả thi. Khối điều khiển Arduino Nano hỗ trợ các cổng I/O cách ly quang chuẩn $24\text{VDC}$ và ngõ ra Relay tiếp điểm khô, cho phép kết nối trực tiếp với các bộ điều khiển lập trình PLC (Siemens S7-1200, Mitsubishi FX5U) để gửi tín hiệu liên động (Interlock) dừng máy khi phát hiện lỗi liên tiếp.

4. Nhu cầu bảo trì và vận hành hệ thống định kỳ như thế nào?

Cần định kỳ vệ sinh mặt kính camera và cảm biến quang 1 tuần/lần; xả nước bộ lọc khí nén của van điện từ 1 tháng/lần; kiểm tra độ căng dây đai băng tải và độ lệch chuẩn của nguồn chiếu sáng LED sau mỗi 500 giờ vận hành liên tục.

5. Chi phí chi tiết và thời gian hoàn vốn (ROI) ước tính?

Tổng chi phí linh kiện chế tạo mô hình là 4.800.000 VNĐ. Đối với xưởng sản xuất 1 ca/ngày, hệ thống giúp thay thế 1 nhân công ngoại quan, mang lại thời gian hoàn vốn thực tế chỉ sau 20 đến 30 ngày làm việc.

Kết luận

Đề tài "Thiết kế mô hình phân loại sản phẩm bằng xử lý ảnh sử dụng ngôn ngữ Python trên Raspberry Pi 4" đã giải quyết trọn vẹn bài toán kiểm tra chất lượng vỉ thuốc tự động với độ chính xác đạt 97% và độ trễ xử lý chỉ 68.4 ms. Sự kết hợp linh hoạt giữa máy tính nhúng Raspberry Pi 4, thư viện thị giác máy tính OpenCV và bộ chấp hành khí nén điều khiển qua Arduino Nano chứng minh tính khả thi vượt trội về mặt kỹ thuật lẫn hiệu quả kinh tế. Đây là nền tảng vững chắc để tiếp tục hoàn thiện, hướng tới việc thương mại hóa các hệ thống Smart Factory giá rẻ, phục vụ đắc lực cho tiến trình chuyển đổi số trong nền công nghiệp sản xuất dược phẩm hiện đại.