Phân loại sản phẩm sử dụng công nghệ xử lý ảnh tại Trường Đại học Tôn Đức Thắng

Đồ án kỹ thuật nghiên cứu tổng hợp kỹ thuật điều khiển và tự động hóa phân loại sản phẩm dùng xử lý ảnh, thiết kế chi tiết, tính toán kỹ thuật theo tiêu chuẩn, đánh giá tính khả

• Đề tài: Phân Loại Sản Phẩm Bằng Công Nghệ Xử Lý Ảnh

Mục lục chi tiết

• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. LÝ DO CHỌN ĐỀ TÀI
• 1.2. MỤC TIÊU THỰC HIỆN ĐỀ TÀI
• 1.3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.4. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.5. Ý NGHĨA THỰC TIỄN CỦA ĐỀ TÀI
• 2. CHƯƠNG 2: THIẾT KẾ VÀ THI CÔNG
• 2.1. THIẾT KẾ HỆ THỐNG
• 2.2. THIẾT KẾ CHI TIẾT
• 2.2.1. Khối đẩy sản phẩm
• 2.2.2. Nguyên lí hoạt động của mô hình
• 2.3. THI CÔNG PHẦN CỨNG
• 3. CHƯƠNG 3: GIẢI THUẬT VÀ ĐIỀU KHIỂN
• 3.1. HỆ MÀU RGB
• 3.1.1. Đặc điểm của hệ màu RGB
• 3.1.2. Cách chuyển hệ màu RGB
• 3.1.3. Ưu điểm của hệ màu RGB
• 3.1.4. Ứng dụng của hệ màu RGB
• 3.2. ẢNH NHỊ PHÂN
• 3.2.1. Công dụng ảnh nhị phân
• 3.3. PHÂN NGƯỠNG ẢNH
• 3.3.1. Phân ngưỡng ảnh đơn giản
• 3.4. LẬP TRÌNH TRÊN NODE-RED
• 3.4.1. Nhị phân hoá ảnh
• 3.4.2. Lấy pixel của vật và lọc bóng
• 3.4.3. Lấy mã màu RGB của vật
• 3.4.4. Đưa dữ liệu vào Google Sheets
• 3.4.5. Nhập dữ liệu vào MongoDB
• 3.4.6. Điều khiển PLC
• 3.5. XỬ LÝ DỮ LIỆU TRÊN GOOGLE SHEETS
• 3.5.1. Lọc dữ liệu theo ngày
• 3.6. THIẾT LẬP BIỂU ĐỒ TRÊN MONGODB
• 3.6.1. Thiết lập ban đầu
• 3.6.2. Chia sẻ Chart
• 3.7. ĐIỀU KHIỂN TRÊN THIẾT BỊ KHÁC CÓ CÙNG ĐIỂM KẾT NỐI
• 3.7.1. Mở Port của Node-RED
• 3.7.2. Truy cập vào Node-RED trên thiết bị thứ 3
• 3.7.3. Điều khiển hệ thống
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ
• 4.1. TIẾN TRÌNH THỰC NGHIỆM
• 4.1.1. Phân loại theo kích thước
• 4.1.2. Phân loại theo màu sắc
• 4.2. KẾT QUẢ THỰC NGHIỆM
• 4.2.1. Phân loại theo kích thước
• 4.2.2. Phân loại theo màu sắc
• 4.2.3. Điều khiển trên điện thoại
• 4.3. KẾT LUẬN THỰC NGHIỆM
• 4.4. NHƯỢC ĐIỂM
• 4.5. PHƯƠNG HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Khám phá công nghệ phân loại sản phẩm bằng xử lý ảnh

Trong bối cảnh công nghiệp hóa, hiện đại hóa, việc tự động hóa các quy trình sản xuất là yếu tố then chốt để nâng cao năng lực cạnh tranh. Một trong những ứng dụng đột phá nhất là phân loại sản phẩm bằng công nghệ xử lý ảnh. Công nghệ này sử dụng thị giác máy tính (computer vision) để tự động hóa quá trình kiểm tra chất lượng sản phẩm (quality control - QC), thay thế cho các phương pháp thủ công truyền thống. Hệ thống hoạt động dựa trên nguyên tắc sử dụng camera công nghiệp để thu thập hình ảnh sản phẩm trên dây chuyền sản xuất tự động. Sau đó, các thuật toán xử lý ảnh phức tạp sẽ phân tích những hình ảnh này để nhận dạng đối tượng, trích xuất các đặc trưng quan trọng như màu sắc, kích thước, hình dạng và phát hiện khuyết tật. Các công nghệ nền tảng như học máy (machine learning) và trí tuệ nhân tạo (AI) đóng vai trò trung tâm, cho phép hệ thống học hỏi và cải thiện độ chính xác theo thời gian. Một hệ thống phân loại sản phẩm hoàn chỉnh không chỉ giúp phân loại tự động các sản phẩm đạt chuẩn và không đạt chuẩn mà còn có thể thực hiện các tác vụ phức tạp hơn như phân loại lỗi sản phẩm hay đếm sản phẩm tự động. Theo nghiên cứu “Phân loại sản phẩm dùng xử lý ảnh” của Lê Huy Huân (2022), việc ứng dụng công nghệ này mang lại lợi ích to lớn, giúp giảm thiểu sai số do con người, tiết kiệm chi phí nhân công và tăng năng suất đáng kể, đặc biệt trong các ngành đòi hỏi độ chính xác cao như chế biến nông sản, sản xuất linh kiện điện tử hay dược phẩm.

1.1. Lợi ích vượt trội của hệ thống phân loại tự động

Việc áp dụng hệ thống phân loại sản phẩm tự động mang lại nhiều lợi ích thực tiễn. Trước hết, nó giúp nâng cao năng suất một cách rõ rệt. Máy móc có thể hoạt động liên tục 24/7 với tốc độ ổn định, vượt xa khả năng của con người. Thứ hai, hệ thống cải thiện đáng kể độ chính xác và tính nhất quán trong kiểm tra chất lượng sản phẩm. Các thuật toán AI có khả năng phát hiện những sai khác nhỏ nhất mà mắt thường khó nhận biết, từ đó giảm tỷ lệ sản phẩm lỗi lọt ra thị trường. Điều này đặc biệt quan trọng trong việc nhận diện sản phẩm lỗi. Thứ ba, giải pháp này giúp giảm chi phí vận hành bằng cách cắt giảm số lượng nhân công cần thiết cho công đoạn kiểm tra thủ công, đồng thời giảm thiểu sai sót gây lãng phí nguyên vật liệu. Cuối cùng, hệ thống cung cấp dữ liệu sản xuất theo thời gian thực, hỗ trợ các nhà quản lý đưa ra quyết định nhanh chóng và chính xác hơn, tạo tiền đề cho các giải pháp AI cho nhà máy thông minh.

1.2. Vai trò của thị giác máy tính trong kiểm tra trực quan

Thị giác máy tính là công nghệ cốt lõi, cho phép máy tính "nhìn" và diễn giải thế giới trực quan. Trong lĩnh vực sản xuất, nó là nền tảng của quá trình kiểm tra trực quan tự động. Thay vì phụ thuộc vào sự quan sát của con người, hệ thống sử dụng camera để ghi lại hình ảnh sản phẩm và dùng phần mềm để phân tích chúng. Computer vision giúp xác định các đặc điểm quan trọng như kích thước, màu sắc, kết cấu bề mặt, và sự hiện diện của các khuyết tật. Công nghệ này không chỉ dừng lại ở việc phân loại sản phẩm mà còn mở rộng ra các ứng dụng khác như đọc mã vạch, nhận dạng ký tự quang học (OCR), và hướng dẫn robot gắp-thả sản phẩm. Nhờ đó, thị giác máy tính đang trở thành một công cụ không thể thiếu để đảm bảo chất lượng và tối ưu hóa hiệu quả trong các dây chuyền sản xuất tự động.

II. Thách thức trong kiểm soát chất lượng sản phẩm thủ công

Mặc dù công nghệ đã phát triển, phương pháp kiểm tra chất lượng thủ công vẫn còn tồn tại ở nhiều doanh nghiệp, đặc biệt là các cơ sở vừa và nhỏ. Tuy nhiên, phương pháp này tiềm ẩn nhiều thách thức và hạn chế cố hữu. Vấn đề lớn nhất là tính chủ quan và thiếu nhất quán của con người. Mỗi công nhân có một tiêu chuẩn đánh giá khác nhau, và sự mệt mỏi, mất tập trung có thể dẫn đến sai sót nghiêm trọng trong việc nhận diện sản phẩm lỗi. Hơn nữa, tốc độ kiểm tra trực quan của con người bị giới hạn, không thể đáp ứng được nhịp độ ngày càng cao của các dây chuyền sản xuất tự động hiện đại. Điều này tạo ra một nút thắt cổ chai, làm giảm năng suất chung của toàn bộ nhà máy. Chi phí nhân công cho bộ phận quality control (QC) cũng là một gánh nặng tài chính không nhỏ. Nghiên cứu của Đại học Tôn Đức Thắng (2022) đã chỉ ra rằng trong ngành công nghiệp chế biến trái cây, việc phân loại thủ công không chỉ tốn nhiều nhân lực mà còn gây ra sai số lớn, dẫn đến thiệt hại kinh tế. Do đó, nhu cầu về một hệ thống phân loại sản phẩm tự động, hiệu quả và đáng tin cậy đang trở nên cấp thiết hơn bao giờ hết, thúc đẩy sự ra đời của các giải pháp AI cho nhà máy.

2.1. Hạn chế của phương pháp kiểm tra chất lượng truyền thống

Phương pháp kiểm tra chất lượng sản phẩm truyền thống phụ thuộc hoàn toàn vào các giác quan của con người. Điều này dẫn đến một số hạn chế lớn. Thứ nhất là sự thiếu chính xác và đồng bộ. Kết quả kiểm tra có thể khác nhau giữa các ca làm việc hoặc giữa các nhân viên khác nhau. Thứ hai, khả năng phát hiện các lỗi nhỏ, phức tạp hoặc các lỗi bên trong sản phẩm là rất hạn chế. Con người dễ bị ảnh hưởng bởi các yếu tố môi trường như ánh sáng, tiếng ồn và áp lực thời gian. Thứ ba, việc ghi chép và thống kê dữ liệu thủ công dễ xảy ra sai sót và tốn thời gian, gây khó khăn cho việc phân tích và cải tiến quy trình. Những hạn chế này làm giảm hiệu quả của quá trình quality control (QC) và có thể ảnh hưởng tiêu cực đến uy tín thương hiệu.

2.2. Yêu cầu tự động hóa trong dây chuyền sản xuất hiện đại

Các dây chuyền sản xuất tự động hiện đại đòi hỏi tốc độ, độ chính xác và khả năng tích hợp cao. Trong bối cảnh đó, việc kiểm tra chất lượng thủ công trở nên lạc hậu. Yêu cầu cấp thiết là phải có một hệ thống phân loại tự động có thể hoạt động đồng bộ với các máy móc khác trong dây chuyền. Hệ thống này phải có khả năng xử lý một lượng lớn sản phẩm trong thời gian ngắn, đồng thời đảm bảo độ chính xác gần như tuyệt đối. Ngoài ra, nó cần có khả năng kết nối và trao đổi dữ liệu với các hệ thống quản lý cấp cao hơn (như SCADA, MES) để tối ưu hóa toàn bộ quy trình sản xuất. Do đó, việc chuyển đổi từ kiểm tra thủ công sang phân loại sản phẩm bằng công nghệ xử lý ảnh là một bước đi tất yếu để các doanh nghiệp có thể tồn tại và phát triển trong môi trường cạnh tranh hiện nay.

III. Phương pháp nhận dạng đối tượng bằng thuật toán xử lý ảnh

Cốt lõi của hệ thống phân loại sản phẩm dựa trên thị giác máy tính là các thuật toán xử lý ảnh tinh vi. Quá trình này bắt đầu bằng việc thu nhận hình ảnh chất lượng cao từ camera công nghiệp được đặt ở vị trí chiến lược trên dây chuyền sản xuất. Hình ảnh thô sau đó sẽ trải qua giai đoạn tiền xử lý để loại bỏ nhiễu, cân bằng sáng và chuẩn hóa kích thước, đảm bảo dữ liệu đầu vào luôn nhất quán. Bước tiếp theo là phân đoạn ảnh (image segmentation) để tách đối tượng cần phân loại ra khỏi nền. Một trong những kỹ thuật phổ biến được áp dụng, như trong nghiên cứu của Lê Huy Huân (2022), là sử dụng phương pháp phân ngưỡng và nhị phân hóa ảnh. Kỹ thuật này chuyển đổi ảnh màu hoặc ảnh xám thành ảnh đen trắng (nhị phân), giúp việc xác định đường bao và hình dạng của đối tượng trở nên đơn giản hơn. Sau khi đã có vùng ảnh chứa đối tượng (Region of Interest - ROI), hệ thống sẽ tiến hành trích xuất các đặc trưng. Đối với phân loại nông sản, các đặc trưng quan trọng có thể là mã màu RGB trung bình để xác định độ chín, hoặc tổng số pixel của vật thể để ước tính kích thước. Cuối cùng, các đặc trưng này được đưa vào một mô hình học máy (machine learning) đã được huấn luyện trước để đưa ra quyết định phân loại: đạt hay không đạt, loại A hay loại B, v.v. Toàn bộ quy trình này được tự động hóa, mang lại tốc độ và độ chính xác vượt trội.

3.1. Kỹ thuật phân ngưỡng và nhị phân hóa ảnh để tách vật thể

Phân ngưỡng ảnh là một kỹ thuật cơ bản nhưng rất hiệu quả trong xử lý ảnh để phân tách đối tượng. Kỹ thuật này hoạt động bằng cách chọn một giá trị ngưỡng (threshold). Tất cả các pixel trong ảnh có giá trị cường độ sáng lớn hơn ngưỡng sẽ được gán một giá trị mới (thường là màu trắng - 255), và các pixel có giá trị nhỏ hơn hoặc bằng ngưỡng sẽ được gán một giá trị khác (thường là màu đen - 0). Kết quả là một ảnh nhị phân, nơi đối tượng được làm nổi bật rõ ràng trên nền. Việc lựa chọn ngưỡng phù hợp là rất quan trọng và có thể được thực hiện tự động bằng các thuật toán như Otsu. Trong đồ án được tham khảo, quá trình nhị phân hóa được lập trình trên nền tảng Node-RED, cho thấy sự linh hoạt và khả năng ứng dụng của các công cụ lập trình trực quan trong công nghiệp.

3.2. Phân tích đặc trưng màu sắc hệ RGB và kích thước

Sau khi tách được vật thể, bước tiếp theo là phân tích các đặc trưng của nó. Để phân loại theo màu sắc, hệ thống thường sử dụng hệ màu RGB (Red, Green, Blue). Bằng cách tính giá trị trung bình của các kênh màu R, G, B trong vùng ảnh chứa vật thể, hệ thống có thể xác định được màu sắc chủ đạo và so sánh nó với các màu mẫu đã được định nghĩa trước. Đối với việc phân loại theo kích thước, một phương pháp đơn giản và hiệu quả là đếm sản phẩm tự động hoặc đếm số lượng pixel của vật thể trong ảnh nhị phân. Số lượng pixel này tỷ lệ thuận với diện tích thực tế của sản phẩm. Bằng cách so sánh số pixel của sản phẩm cần phân loại với một sản phẩm mẫu, hệ thống có thể đưa ra quyết định sản phẩm đó lớn hơn, nhỏ hơn hay bằng kích thước chuẩn. Đây là những thuật toán xử lý ảnh nền tảng cho nhiều ứng dụng phân loại tự động.

IV. Hướng dẫn xây dựng hệ thống phân loại sản phẩm tự động

Xây dựng một hệ thống phân loại sản phẩm bằng công nghệ xử lý ảnh hoàn chỉnh đòi hỏi sự kết hợp chặt chẽ giữa phần cứng và phần mềm. Về phần cứng, các thành phần chính bao gồm camera công nghiệp có độ phân giải phù hợp, hệ thống chiếu sáng chuyên dụng để đảm bảo điều kiện ánh sáng ổn định, băng tải để di chuyển sản phẩm, và các cơ cấu chấp hành như xi lanh khí nén hoặc cánh tay robot để thực hiện hành động phân loại. Trung tâm điều khiển của hệ thống thường là một máy tính công nghiệp (IPC) hoặc một máy tính nhúng có khả năng xử lý mạnh mẽ, kết hợp với bộ điều khiển logic khả trình (PLC) để điều khiển các thiết bị cơ khí. Về phần mềm, trái tim của hệ thống là chương trình xử lý ảnh. Nghiên cứu của Lê Huy Huân (2022) đã trình bày một giải pháp sáng tạo khi sử dụng Node-RED, một công cụ lập trình dựa trên luồng (flow-based), để xây dựng logic xử lý. Giải pháp này cho phép kết nối linh hoạt các khối chức năng như thu nhận ảnh từ camera, áp dụng các thuật toán xử lý ảnh, và gửi lệnh điều khiển đến PLC. Ngoài ra, việc tích hợp với các nền tảng cơ sở dữ liệu như Google Sheets và MongoDB giúp lưu trữ, theo dõi và trực quan hóa dữ liệu sản xuất, tạo thành một giải pháp AI cho nhà máy toàn diện.

4.1. Tích hợp PLC và cơ cấu chấp hành trong hệ thống

Sau khi thuật toán xử lý ảnh đưa ra quyết định phân loại, thông tin này cần được chuyển thành hành động vật lý. Đây là vai trò của PLC (Programmable Logic Controller). PLC nhận tín hiệu điều khiển từ máy tính (ví dụ, thông qua Node-RED) và kích hoạt các cơ cấu chấp hành tương ứng. Trong mô hình tham khảo, PLC S7-1200 được sử dụng để điều khiển các xi lanh khí nén. Khi một sản phẩm lỗi được nhận dạng đối tượng, PLC sẽ gửi lệnh để xi lanh tương ứng đẩy sản phẩm đó ra khỏi dây chuyền chính. Sự kết hợp giữa khả năng xử lý thông minh của máy tính và khả năng điều khiển thời gian thực, ổn định của PLC tạo nên một hệ thống phân loại sản phẩm mạnh mẽ và đáng tin cậy.

4.2. Lưu trữ và trực quan hóa dữ liệu với Google Sheets MongoDB

Dữ liệu là tài sản quý giá trong sản xuất hiện đại. Một hệ thống hiệu quả không chỉ phân loại sản phẩm mà còn phải thu thập và phân tích dữ liệu. Trong giải pháp được đề xuất, dữ liệu về số lượng sản phẩm mỗi loại, tỷ lệ lỗi, và thời gian phân loại được tự động đẩy lên Google Sheets và MongoDB. Google Sheets cung cấp một giao diện bảng tính quen thuộc, dễ dàng cho việc theo dõi và lọc dữ liệu hàng ngày. Trong khi đó, MongoDB Charts cho phép tạo ra các biểu đồ trực quan, sinh động, giúp các nhà quản lý nhanh chóng nắm bắt được xu hướng sản xuất và hiệu quả của dây chuyền. Việc trực quan hóa dữ liệu giúp việc kiểm tra chất lượng sản phẩm trở nên minh bạch và dễ quản lý hơn.

V. Ứng dụng thực tiễn Phân loại nông sản và kết quả

Một trong những lĩnh vực ứng dụng hiệu quả nhất của phân loại sản phẩm bằng công nghệ xử lý ảnh là nông nghiệp, cụ thể là phân loại nông sản. Các sản phẩm như trái cây, rau củ có sự đa dạng lớn về kích thước, màu sắc và hình dạng, khiến cho việc phân loại thủ công trở nên rất khó khăn và tốn kém. Mô hình nghiên cứu tại Đại học Tôn Đức Thắng đã tập trung vào việc xây dựng một hệ thống phân loại trái cây tự động dựa trên hai tiêu chí chính: kích thước và màu sắc. Hệ thống sử dụng webcam để chụp ảnh sản phẩm, sau đó Node-RED sẽ xử lý để xác định các đặc trưng này và gửi lệnh điều khiển tới PLC để vận hành các xi lanh khí nén, đẩy trái cây vào đúng khay chứa. Kết quả thực nghiệm cho thấy hệ thống hoạt động ổn định và có độ chính xác cao. Thời gian xử lý cho mỗi sản phẩm được tối ưu hóa, đáp ứng yêu cầu về năng suất của các dây chuyền đóng gói. Dữ liệu phân loại được ghi nhận và thống kê theo thời gian thực trên Google Sheets và MongoDB, cung cấp một cái nhìn tổng quan về chất lượng của lô hàng. Thành công của mô hình này chứng tỏ tiềm năng to lớn của việc áp dụng thị giác máy tính và trí tuệ nhân tạo (AI) để giải quyết các bài toán thực tiễn trong ngành nông nghiệp Việt Nam, hướng tới một nền sản xuất thông minh và hiệu quả hơn.

5.1. Mô hình nghiên cứu điển hình về phân loại trái cây tự động

Mô hình được phát triển bao gồm một băng tải nhỏ, hệ thống cảm biến hồng ngoại để phát hiện vật thể, một webcam đặt phía trên để chụp ảnh, và bốn xi lanh khí nén để phân loại sản phẩm. Khi một trái cây đi qua cảm biến đầu tiên, hệ thống sẽ kích hoạt camera. Ảnh chụp được gửi về Node-RED để xử lý. Dựa trên chế độ được chọn (phân loại theo màu hoặc kích thước), thuật toán sẽ đưa ra quyết định và gửi tín hiệu đến PLC S7-1200. PLC sau đó điều khiển xi lanh tương ứng để đẩy trái cây vào đúng vị trí. Mô hình này là một ví dụ minh họa rõ ràng về cách tích hợp các công nghệ xử lý ảnh, điều khiển tự động và IoT (thông qua việc kết nối cơ sở dữ liệu đám mây) để tạo ra một hệ thống phân loại sản phẩm hoàn chỉnh.

5.2. Đánh giá hiệu quả và độ chính xác của hệ thống phân loại

Kết quả thực nghiệm của đồ án cho thấy hệ thống có khả năng phân loại tự động chính xác các sản phẩm dựa trên các tiêu chí đã lập trình. Đối với phân loại màu sắc, hệ thống nhận diện đúng các màu cơ bản. Đối với kích thước, hệ thống phân biệt được các sản phẩm có kích thước khác nhau so với vật mẫu. Dữ liệu ghi nhận trên Google Sheets và biểu đồ trên MongoDB Charts cho thấy sự nhất quán và chính xác trong việc đếm sản phẩm tự động và thống kê tỷ lệ các loại. Mặc dù vẫn còn một số nhược điểm như phụ thuộc vào điều kiện ánh sáng môi trường, mô hình đã chứng minh tính khả thi và hiệu quả của việc ứng dụng công nghệ xử lý ảnh trong phân loại nông sản, mở ra hướng phát triển cho các hệ thống quy mô lớn hơn.

VI. Tương lai và hướng phát triển của giải pháp AI cho nhà máy

Công nghệ phân loại sản phẩm bằng xử lý ảnh đang không ngừng phát triển, mở ra những tiềm năng to lớn cho các nhà máy thông minh trong tương lai. Hướng đi rõ rệt nhất là việc tích hợp các mô hình học sâu (deep learning), đặc biệt là mạng nơ-ron tích chập (Convolutional Neural Networks - CNN). Các mô hình CNN có khả năng tự động học các đặc trưng phức tạp từ hình ảnh, cho phép nhận diện các loại lỗi tinh vi hơn, phân loại các sản phẩm có hình dạng phức tạp, và hoạt động tốt hơn trong các điều kiện môi trường thay đổi. Điều này sẽ nâng cao đáng kể độ chính xác và khả năng thích ứng của hệ thống phân loại sản phẩm. Một xu hướng quan trọng khác là sự kết hợp với Internet vạn vật (IoT). Bằng cách kết nối các cảm biến, camera và máy móc trong toàn bộ nhà máy, dữ liệu có thể được thu thập và phân tích trên quy mô lớn. Giải pháp AI cho nhà máy sẽ không chỉ dừng lại ở việc phân loại lỗi sản phẩm tại một công đoạn, mà còn có thể phân tích nguyên nhân gốc rễ gây ra lỗi, dự đoán các sự cố bảo trì và tối ưu hóa toàn bộ dây chuyền sản xuất tự động. Tương lai của ngành sản xuất sẽ là các hệ thống tự trị, thông minh, nơi trí tuệ nhân tạo (AI) và thị giác máy tính đóng vai trò trung tâm trong việc đảm bảo chất lượng và hiệu quả.

6.1. Tiềm năng của học sâu deep learning và mạng nơ ron CNN

Học sâu (deep learning) là một nhánh của học máy (machine learning), sử dụng các mạng nơ-ron nhiều lớp để phân tích các mẫu phức tạp trong dữ liệu. Trong lĩnh vực thị giác máy tính, mạng nơ-ron tích chập (CNN) đã tạo ra một cuộc cách mạng. Thay vì phải định nghĩa các đặc trưng một cách thủ công (như màu sắc, hình dạng), các mô hình CNN có thể tự học những đặc trưng này trực tiếp từ dữ liệu ảnh. Điều này cho phép hệ thống nhận diện được các khuyết tật có kết cấu phức tạp như vết nứt, vết trầy xước, hoặc các biến thể màu sắc tinh vi mà các thuật toán truyền thống có thể bỏ qua. Việc áp dụng CNN sẽ giúp hệ thống nhận diện sản phẩm lỗi trở nên mạnh mẽ và linh hoạt hơn rất nhiều.

6.2. Tích hợp IoT và xu hướng nhà máy thông minh 4.0

Trong bối cảnh của cuộc Cách mạng Công nghiệp 4.0, các nhà máy đang dần chuyển đổi thành các hệ thống thông minh, được kết nối với nhau. Hệ thống phân loại sản phẩm không còn là một hệ thống độc lập mà là một phần của một hệ sinh thái lớn hơn, được kết nối thông qua IoT. Dữ liệu từ hệ thống phân loại (ví dụ: tỷ lệ lỗi) có thể được truyền ngay lập tức đến các hệ thống khác. Ví dụ, nếu tỷ lệ lỗi tăng đột ngột, hệ thống có thể tự động cảnh báo cho máy móc ở công đoạn trước đó để điều chỉnh thông số. Sự tích hợp này tạo ra một vòng lặp phản hồi liên tục, giúp nhà máy tự tối ưu hóa và nâng cao hiệu quả hoạt động, hiện thực hóa tầm nhìn về một dây chuyền sản xuất tự động và thông minh hoàn toàn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong đời sống xã hội, trái cây là nguồn lương thực - thực phẩm quan trọng cung cấp nhiều chất dinh dưỡng, chất xơ và các loại vitamin thiết yếu giúp nâng cao thể chất và giảm nguy cơ bệnh tật. Tuy nhiên, tại Việt Nam, ngành công nghiệp chế biến và thu gom nông sản đa số do các doanh nghiệp vừa và nhỏ đảm nhận, chưa có quy trình tập trung sản xuất chuyên biệt hóa theo từng giai đoạn. Các công đoạn phân loại tại cơ sở trưng thu nông sản phần lớn vẫn thực hiện thủ công, dẫn đến tình trạng tiêu tốn nhiều nhân lực, năng suất thấp và phát sinh sai số trong quá trình đánh giá chất lượng sản phẩm.

Để giải quyết vấn đề cắt giảm chi phí nhân công, tiết kiệm diện tích nhà xưởng, hạn chế sai số do yếu tố con người và nâng cao hiệu quả quản lý, việc tự động hóa dây chuyền phân loại trái cây với chi phí hợp lý là yêu cầu cấp thiết. Đồ án "Phân loại sản phẩm dùng xử lý ảnh" của tác giả Lê Huy Huân (ngành Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Tôn Đức Thắng) được xây dựng nhằm thiết kế một hệ thống phân loại tự động kết hợp giữa thị giác máy tính và cơ cấu chấp hành điều khiển công nghiệp.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài bao gồm:

1. Nghiên cứu và thiết kế mô hình hệ thống với cấu trúc đơn giản, thiết bị dễ lắp đặt và giá thành hợp lý.
2. Nghiên cứu ứng dụng của webcam kết hợp với công cụ lập trình Node-RED để xử lý ảnh, phục vụ phân loại sản phẩm theo hai chế độ độc lập: kích thước và màu sắc.
3. Thiết kế hệ thống điều khiển phần cứng bằng PLC Siemens S7-1200, tích hợp giao diện giám sát SCADA/HMI trên TIA Portal, đồng thời kết nối lưu trữ và trực quan hóa dữ liệu qua Google Sheets và MongoDB Charts.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Thiết bị thu nhận ảnh (Webcam), thuật toán xử lý ảnh số, công cụ lập trình dòng dữ liệu Node-RED, cơ sở dữ liệu Google Sheets và MongoDB, bộ điều khiển khả trình PLC S7-1200, cảm biến hồng ngoại và cơ cấu xi lanh khí nén.
• Phạm vi nghiên cứu: Hệ thống phân loại dạng mô hình phòng thí nghiệm ứng dụng cho các loại trái cây. Yêu cầu kỹ thuật đặt ra là thời gian xử lý không quá 15 giây cho mỗi sản phẩm, cơ sở dữ liệu đồng bộ nhất quán và mô hình vận hành ổn định.

Cơ sở lý thuyết và phương pháp

Đồ án ứng dụng các nền tảng lý thuyết và công nghệ kỹ thuật điều khiển - tự động hóa bao gồm:

• Lý thuyết thị giác máy tính và xử lý ảnh số: Không gian màu RGB (Red - Green - Blue) dùng để trích xuất giá trị màu sắc trung bình; kỹ thuật nhị phân hóa ảnh (Binarization) và phân ngưỡng ảnh đơn giản (Thresholding với giá trị ngưỡng 127) nhằm phân tách vật thể khỏi nền, loại bỏ bóng và đếm tổng số pixel đại diện cho kích thước vật thể.
• Hệ thống điều khiển công nghiệp: Cấu trúc phần cứng và tập lệnh của bộ điều khiển khả trình PLC Siemens CPU S7-1200; phần mềm TIA Portal (Totally Integrated Automation Portal) dùng để lập trình logic, cấu hình mạng PROFINET (Ethernet/TCP/IP) và thiết kế giao diện vận hành HMI/SCADA.
• Nền tảng IoT và quản trị dữ liệu: Node-RED (nền tảng lập trình dòng dữ liệu xây dựng trên môi trường Node.js) đóng vai trò trung gian thu nhận ảnh từ webcam, xử lý thuật toán và điều phối luồng dữ liệu; Google Sheets API phục vụ lưu trữ bảng tính trực tuyến; hệ quản trị cơ sở dữ liệu MongoDB Atlas và công cụ MongoDB Charts dùng để trực quan hóa tỷ lệ phân loại thời gian thực.

Phương pháp nghiên cứu được triển khai theo hai trục chính:

• Phương pháp kết hợp thiết kế tuần tự và đồng thời: Khảo sát các thành phần thiết bị riêng lẻ trước khi lập mô hình tích hợp tổng thể, xác định các thông số kỹ thuật đầu vào - đầu ra để tối ưu hóa thiết kế trong phạm vi giới hạn của đề tài.
• Phương pháp thực nghiệm kỹ thuật: Mô hình hóa phần cơ khí và phần điện, chế tạo mẫu thử nghiệm từng cụm chi tiết, sau đó gia công lắp ráp mô hình thực tế. Quá trình thực nghiệm tiến hành chạy thử toàn bộ chức năng, kiểm tra các ngưỡng chịu tải, tốc độ đáp ứng của băng tải và độ chính xác của cơ cấu đẩy để xác định giới hạn hoạt động của hệ thống.

Thiết kế và triển khai

Kiến trúc tổng thể và nguyên lý hoạt động

Hệ thống phân loại sản phẩm hoạt động theo nguyên lý khép kín giữa thu nhận tín hiệu, xử lý thuật toán, chấp hành cơ điện và lưu trữ thông tin:

[Webcam] --------> [Node-RED (Xử lý ảnh & IoT)] --------> [Google Sheets & MongoDB Charts]
                           |
                           v
[Cảm biến NPN] ---> [PLC Siemens S7-1200] <-------------> [SCADA / HMI (TIA Portal)]
                           |
                           v
              [Băng tải & 4 Xi lanh khí nén]

Khi hệ thống vận hành, sản phẩm được đặt lên băng tải và di chuyển qua vị trí cảm biến hồng ngoại đầu tiên. Tín hiệu kích hoạt truyền về khiến camera chụp ảnh và gửi dữ liệu số về môi trường Node-RED. Tại đây, luồng xử lý ảnh sẽ thực hiện cắt ảnh (Crop), nhị phân hóa và phân tích đặc trưng tùy theo chế độ đã chọn (đếm pixel đối với kích thước hoặc tính giá trị RGB trung bình đối với màu sắc). Kết quả phân loại được gửi đồng thời lên cơ sở dữ liệu đám mây (Google Sheets, MongoDB) và truyền qua giao thức truyền thông công nghiệp tới PLC S7-1200. PLC xử lý logic thời gian và kích hoạt các van điều khiển xi lanh khí nén tương ứng để đẩy sản phẩm vào đúng khay chứa quy định.

Bảng thông số kỹ thuật các thành phần phần cứng

Thành phần	Mã hiệu / Quy cách	Thông số kỹ thuật chính	Chức năng trong hệ thống
Bộ điều khiển khả trình	Siemens CPU S7-1200	Cổng PROFINET, ngõ vào/ra số tích hợp, nguồn 24VDC	Điều khiển logic băng tải và các van xi lanh
Cảm biến vật cản	E3F-DS30C4 (4 bộ)	Loại NPN 3 dây, nguồn 6–36VDC, khoảng cách 7–30cm, dòng kích 300mA	Phát hiện vị trí sản phẩm trên băng tải
Cơ cấu chấp hành	Xi lanh khí nén (4 bộ)	Tác động kép, thanh đơn, hành trình 100mm, áp suất 0.15–1.0 MPa, thân nhôm	Đẩy sản phẩm phân loại vào khay chứa
Băng chuyền	Băng tải cơ học	Kích thước 50 x 6 x 10 cm, động cơ 12V–24V kèm hộp giảm tốc 40 vòng/phút	Vận chuyển sản phẩm qua các trạm làm việc
Thiết bị ghi hình	Webcam máy tính	Cảm biến CMOS/CCD, độ phân giải 640x480 pixel, tốc độ khung hình 30fps	Thu nhận hình ảnh sản phẩm phục vụ xử lý
Nguồn cấp	Nguồn tổ ong công nghiệp	Điện áp vào 220VAC, điện áp ra 24VDC	Cung cấp nguồn cho PLC, cảm biến và relay
Mạch trung gian	Module Relay	5 kênh đóng ngắt ngõ ra độc lập	Điều khiển bật/tắt động cơ băng tải và van khí nén

Cấu hình đấu nối và điều khiển

Sơ đồ kết nối phần cứng của hệ thống được tổ chức chi tiết như sau:

• Đầu vào PLC (Digital Inputs): Địa chỉ I0.0 đến I0.2 được kết nối với các nút nhấn điều khiển và công tắc chuyển chế độ; địa chỉ I0.3 đến I0.7 nối trực tiếp với 4 cảm biến quang hồng ngoại NPN.
• Đầu ra PLC (Digital Outputs): Địa chỉ Q0.0 xuất lệnh đóng ngắt cho động cơ băng tải thông qua Relay 1 (tích hợp đèn báo); các ngõ ra từ Q0.1 đến Q0.4 kết nối với các Relay từ 2 đến 5 để điều khiển cuộn hút của 4 van điện từ cấp khí cho 4 xi lanh.
• Giao diện điều khiển từ xa: Thiết lập cấu hình mở cổng (Inbound Rules) trên máy tính chủ chạy Node-RED, xác định địa chỉ IPv4 thông qua lệnh ipconfig trong Command Prompt, cho phép các thiết bị di động (smartphone) hoặc máy tính khác trong cùng mạng nội bộ truy cập vào Dashboard để giám sát và điều khiển chế độ chạy.

Nội dung chính theo từng chương

Chương 1: Tổng quan về đề tài

Chương 1 trình bày tính cấp thiết của việc áp dụng tự động hóa vào khâu phân loại nông sản tại Việt Nam nhằm giảm thiểu tổn thất và hạ giá thành sản xuất. Tác giả xác định rõ mục tiêu nghiên cứu là chế tạo một mô hình tích hợp có chi phí thấp nhưng hoạt động hiệu quả. Nội dung chương vạch rõ đối tượng nghiên cứu (webcam, PLC, Node-RED, cơ sở dữ liệu đám mây), phương pháp thiết kế kết hợp thực nghiệm, cùng các tiêu chuẩn kỹ thuật cần đạt: thời gian xử lý dưới 15 giây/quả, hệ thống cơ khí vận hành trơn tru và dữ liệu lưu trữ nhất quán.

Chương 2: Thiết kế và thi công hệ thống

Chương 2 mô tả chi tiết quá trình tính toán, lựa chọn linh kiện và thi công phần cứng cũng như thiết kế giao diện phần mềm.

• Thiết kế phần cứng: Phân tích cấu tạo và nguyên lý hoạt động của Webcam CMOS, bộ điều khiển PLC Siemens CPU S7-1200 với cổng PROFINET, xi lanh khí nén hành trình 100mm tác động kép, cảm biến hồng ngoại E3F-DS30C4 và cơ cấu băng tải giảm tốc 40 vòng/phút. Chương này cung cấp đầy đủ sơ đồ cấp nguồn tổ ong 24VDC, sơ đồ đấu nối dây tín hiệu ngõ vào/ngõ ra PLC và bố trí lắp đặt tủ điện điều khiển.
• Thiết kế giao diện: Xây dựng hệ thống SCADA trên phần mềm TIA Portal với giao diện HMI trực quan mô phỏng vị trí băng tải, cảm biến, camera và các xi lanh theo thời gian thực; bố trí các bảng trạng thái, bảng đếm số lượng sản phẩm, nút RESET và đèn hiển thị chế độ AUTO/MANU. Đồng thời, chương 2 giới thiệu kiến trúc luồng dữ liệu của Node-RED, các tính năng của Google Sheets và cơ chế trực quan hóa dữ liệu qua MongoDB Charts.

Chương 3: Giải thuật xử lý ảnh và điều khiển

Chương 3 tập trung vào cơ sở toán học và cấu trúc thuật toán điều khiển của hệ thống:

• Xử lý ảnh số: Trình bày nguyên lý không gian màu RGB và phương pháp tính toán giá trị màu trung bình để nhận diện các màu cơ bản; giải thích kỹ thuật phân ngưỡng nhị phân với ngưỡng cố định 127 để tách biên dạng vật thể và lọc bóng.
• Lập trình luồng trên Node-RED: Xây dựng các khối chức năng cắt ảnh (Crop), khối image average để trích xuất số pixel vật thể phục vụ phân loại kích thước, khối so sánh vector RGB cho phân loại màu sắc. Cấu hình khối mongodb3 in với chuỗi URI liên kết để nạp dữ liệu vào MongoDB Atlas, và thiết lập luồng gửi dữ liệu vào bảng tính Google Sheets.
• Thuật toán điều khiển và mở rộng: Thiết lập các lưu đồ giải thuật tổng quát, lưu đồ phân loại kích thước dựa trên việc so sánh số pixel của vật thể với mẫu chuẩn đã lưu trước đó, và lưu đồ phân loại màu sắc. Cung cấp quy trình cấu hình quy tắc tường lửa (Inbound Rules) và tra cứu địa chỉ IPv4 để kích hoạt tính năng điều khiển từ xa qua trình duyệt web trên thiết bị di động.

Chương 4: Tiến trình thực nghiệm và đánh giá kết quả

Chương 4 ghi nhận quá trình kiểm thử thực tế mô hình qua hai chế độ:

• Thực nghiệm phân loại kích thước: Hệ thống tiến hành chụp ảnh mẫu quả chuẩn để xác định ngưỡng pixel gốc, sau đó cho các sản phẩm kích thước khác nhau chạy qua băng tải. Kết quả phân loại kích thước được ghi nhận đồng thời trên giao diện SCADA, trang tính Google Sheets và biểu đồ MongoDB Charts.
• Thực nghiệm phân loại màu sắc: Đưa các sản phẩm mang màu sắc khác nhau qua vùng làm việc của camera, Node-RED phân tích mã màu và gửi lệnh điều khiển tới PLC để xi lanh đẩy đúng vị trí.
• Đánh giá hiệu năng: Kiểm tra tính năng lọc dữ liệu theo ngày trên Google Sheets, theo dõi biểu đồ tỷ lệ phần trăm phân loại theo ngày trên MongoDB Charts, thử nghiệm tính ổn định của giao diện điều khiển trên điện thoại thông minh, từ đó tổng hợp các ưu điểm, nhược điểm và đề xuất hướng phát triển tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm

Quá trình chạy thử nghiệm mô hình đã thu được các kết quả kỹ thuật cụ thể:

1. Khả năng phân loại đa chế độ: Hệ thống thực hiện thành công việc phân loại sản phẩm theo 2 chế độ độc lập là kích thước (dựa trên diện tích vùng pixel) và màu sắc (dựa trên giá trị RGB trung bình).
2. Đáp ứng thời gian thực: Thời gian từ lúc camera chụp ảnh, xử lý thuật toán trên Node-RED, truyền tín hiệu đến PLC và kích hoạt xi lanh đáp ứng đúng yêu cầu thiết kế ban đầu (dưới 15 giây/sản phẩm).
3. Đồng bộ hóa dữ liệu: Kết quả đếm và phân loại sản phẩm được ghi nhận chính xác theo thời gian thực trên giao diện SCADA TIA Portal, cập nhật liên tục vào bảng tính Google Sheets và hiển thị biểu đồ trực quan (biểu đồ cột, biểu đồ miền) trên MongoDB Charts.
4. Điều khiển linh hoạt: Hệ thống vận hành ổn định ở cả hai chế độ tự động (AUTO) và bằng tay (MANU), hỗ trợ khả năng giám sát và điều khiển thông qua mạng nội bộ từ thiết bị di động.

Đóng góp của đề tài

• Xây dựng thành công một mô hình thực nghiệm hoàn chỉnh, chi phí thấp, kết hợp hiệu quả giữa PLC công nghiệp độ tin cậy cao và công cụ mã nguồn mở Node-RED xử lý ảnh.
• Đề xuất giải pháp lưu trữ và trực quan hóa dữ liệu sản xuất linh hoạt bằng cách tích hợp trực tiếp các dịch vụ điện toán đám mây (Google Sheets, MongoDB) vào hệ thống điều khiển tự động hóa mà không cần đầu tư các phần mềm SCADA máy chủ đắt tiền.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Hệ thống xử lý ảnh sử dụng thuật toán phân ngưỡng cố định (threshold = 127) và tính trung bình màu RGB, do đó độ chính xác có thể bị ảnh hưởng khi điều kiện chiếu sáng của môi trường xung quanh thay đổi đột ngột.
• Góc chụp của webcam được cố định từ trên xuống, chỉ phân tích được mặt phẳng 2D của sản phẩm, chưa đánh giá được toàn diện hình thái không gian 3D của quả.
• Kích thước băng tải và công suất xi lanh được thiết kế theo quy mô mô hình phòng thí nghiệm nên tốc độ cấp phôi và tải trọng phân loại còn ở mức độ giới hạn.

Hướng nghiên cứu tiếp

• Tích hợp các thuật toán học máy (Machine Learning) hoặc mạng nơ-ron tích chập (CNN) vào khâu xử lý ảnh trên Node-RED để tăng cường khả năng nhận diện các dạng khuyết tật bề mặt và phân loại nông sản phức tạp.
• Nâng cấp hệ thống chiếu sáng chuyên dụng (buồng tối có đèn LED chuẩn) nhằm ổn định cường độ ánh sáng, hạn chế tối đa nhiễu bóng và sai lệch màu sắc.
• Cải tiến phần cơ khí với cơ cấu cấp phôi tự động liên tục, mở rộng thêm số lượng nhánh phân loại và tăng tốc độ vận hành của băng tải nhằm tiếp cận tiêu chuẩn sản xuất công nghiệp thực tế.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên và kỹ sư thuộc các chuyên ngành:

• Kỹ thuật Điều khiển và Tự động hóa / Cơ điện tử: Tham khảo phương pháp kết nối truyền thông giữa PLC Siemens S7-1200 với các phần mềm bên ngoài thông qua chuẩn Ethernet/PROFINET; kỹ thuật lập trình điều khiển van khí nén và thiết kế giao diện giám sát SCADA trên TIA Portal.
• Kỹ thuật Máy tính / Điện tử - Viễn thông / IoT: Tham khảo cách thức xây dựng ứng dụng IoT bằng Node-RED, quy trình nhị phân hóa ảnh, trích xuất đặc trưng pixel/màu sắc từ webcam máy tính, và phương thức kết nối API để ghi dữ liệu lên Google Sheets cũng như MongoDB Atlas.

Câu hỏi thường gặp

1. Hệ thống sử dụng những công nghệ và nền tảng phần mềm nào để xử lý ảnh và điều khiển?
Hệ thống sử dụng phần mềm Node-RED chạy trên môi trường Node.js để thực hiện thuật toán xử lý ảnh số (crop ảnh, nhị phân hóa, trích xuất pixel, lấy mã màu RGB), sử dụng phần mềm TIA Portal để lập trình logic cho PLC Siemens S7-1200 và thiết kế giao diện SCADA/HMI, kết hợp với Google Sheets và MongoDB Charts để quản trị cơ sở dữ liệu.

2. Giải thuật phân loại theo kích thước được thực hiện như thế nào trên Node-RED?
Quy trình gồm các bước: Ảnh thu từ webcam được cắt gọn (Crop) đúng vùng làm việc -> Nhị phân hóa ảnh với giá trị ngưỡng phân ngưỡng bằng 127 -> Lọc bóng và trích xuất tổng số pixel của vật thể bằng khối image average -> So sánh số lượng pixel đo được với số pixel của mẫu chuẩn để đưa ra kết quả kích thước -> Gửi tín hiệu điều khiển tới PLC và đồng bộ dữ liệu lên cơ sở dữ liệu.

3. Thông số kỹ thuật của cảm biến và cơ cấu xi lanh khí nén sử dụng trong mô hình là gì?
Hệ thống sử dụng 4 cảm biến quang hồng ngoại E3F-DS30C4 (loại ngõ ra NPN 3 dây, nguồn 6–36VDC, khoảng cách điều chỉnh 7–30cm, dòng kích ngõ ra 300mA) và 4 xi lanh khí nén tác động kép bằng hợp kim nhôm (thanh đơn, hành trình piston 100mm, đường kính trục 6mm, chiều dài 21cm, áp suất làm việc từ 0.15 đến 1.0 MPa).

4. Bằng cách nào người vận hành có thể điều khiển và giám sát hệ thống từ thiết bị di động?
Người vận hành cấu hình mở cổng (Inbound Rules) của Node-RED trong hệ điều hành máy tính chủ, dùng lệnh ipconfig để lấy địa chỉ IPv4 của máy chủ, sau đó sử dụng trình duyệt web trên điện thoại thông minh kết nối vào cùng mạng nội bộ theo địa chỉ IP và cổng tương ứng để truy cập giao diện điều khiển.

5. Cơ sở dữ liệu của hệ thống được lưu trữ và trực quan hóa như thế nào?
Dữ liệu phân loại được chuyển từ Node-RED lên Google Sheets để lưu trữ dưới dạng bảng tính và lọc dữ liệu theo ngày. Đồng thời, dữ liệu được đưa vào MongoDB Atlas qua khối mongodb3 in, sau đó công cụ MongoDB Charts sẽ tổng hợp và vẽ các dạng biểu đồ (biểu đồ cột, miền, phân tán) hiển thị tỷ lệ phần trăm phân loại theo thời gian thực và chia sẻ qua đường dẫn Public Link.

Kết luận

Đồ án "Phân loại sản phẩm dùng xử lý ảnh" của tác giả Lê Huy Huân đã hoàn thành trọn vẹn mục tiêu thiết kế và thi công mô hình phân loại sản phẩm tự động hai chế độ (kích thước và màu sắc). Công trình chứng minh tính hiệu quả của việc kết hợp giữa bộ điều khiển lập trình PLC S7-1200, công cụ xử lý luồng Node-RED và các dịch vụ cơ sở dữ liệu đám mây (Google Sheets, MongoDB) để tạo nên một hệ thống tự động hóa linh hoạt, giá thành hợp lý. Mặc dù vẫn còn một số hạn chế về điều kiện chiếu sáng và cấu trúc cơ khí dạng mô hình, kết quả nghiên cứu đã cung cấp tài liệu thực nghiệm có giá trị cao cho việc ứng dụng thị giác máy tính vào tự động hóa công nghiệp và nông nghiệp.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI.1 LÝ DO CHỌN ĐỀ TÀI.2 MỤC TIÊU THỰC HIỆN ĐỀ TÀI.3 ĐỐI TƯỢNG VÀ HẠM VI NGHIÊN CỨU.4 PHƯƠNG PHÁP NGHIÊN CỨU.5 Ý NGHĨA THỰC TIỄN CỦA ĐỀ TÀI. THIẾT KẾ VÀ THI CÔNG.1 THIẾT KẾ HỆ THỐNG.2 THIẾT KẾ CHI TIẾT.3 Khối đẩy sản phẩm.10 Nguyên lí hoạt động của mô hình.4 THI CÔNG PHẦN CỨNG:. GIẢI THUẬT VÀ ĐIỀU KHIỂN.1 HỆ MÀU RGB:.2 Đặc điểm của hệ màu RGB:.3 Cách chuyển hệ màu RGB.4 Ưu điểm của hệ màu RGB.5 Ứng dụng của hệ màu RGB.3 ẢNH NHỊ PHÂN:.2 Công dụng ảnh nhị phân:.4 PHÂN NGƯỠNG ẢNH:[8].2 Phân ngưỡng ảnh đơn giản.5 LẬP TRÌNH TRÊN NODE-RED:.1 Nhị phân hoá ảnh:.2 Lấy pixel của vật và lọc bóng:.3 Lấy mã màu RGB của vật:.5 Đưa dữ liệu vào Google Sheets:.6 Nhập dữ liệu vào MongoDB.7 Điều khiển PLC:.6 XỬ LÝ DỮ LIỆU TRÊN GOOGLE SHEETS.2 Lọc dữ liệu theo ngày:.7 THIẾT LẬP BIỂU ĐỒ TRÊN MONGODB:.1 Thiết lập ban đầu:.3 Chia sẻ Chart.8 ĐIỀU KHIỂN TRÊN THIẾT BỊ KHÁC CÓ CÙNG ĐIỂM KẾT NỐI:.1 Mở Port của Node-RED:.2 Truy cập vào Node-RED trên thiết bị thứ 3:.3 Điều khiển hệ thống:.ANH xi DO.ANH CHƯƠNG 4.1 TIẾN TRÌNH THỰC NGHIỆM:.1 Phân loại theo kích thước:.2 Phân loại theo màu sắc:.2 KẾT QUẢ THỰC NGHIỆM:.1 Phân loại theo kích thước.2 Phân loại theo màu sắc.3 Điều khiển trên điện thoại.3 KẾT LUẬN THỰC NGHIỆM:.2 NHƯỢC ĐIỂM:.3 PHƯƠNG HƯỚNG PHÁT TRIỂN:.72 TÀI LIỆU THAM KHẢO.ANH xii DO.ANH DANH MỤC CÁC HÌNH VẼ Hình 2-1.

Sơ đồ khối hệ thống. Cấu tạo của bộ điều khiển Siemens CPU S7-1200 [6]. Cấu trúc PLC [6]. Phần mềm TIA Portal [6].

Xi lanh khí nén hai chức năng [10]. Cảm biến hồng ngoại NPN. Giao diện HMI. Một Node-RED đơn giản.

Giao diện Node-Red. Nguyên lí hoạt động của mô hình. Lưu đồ giải thuật hoạt tổng quát. Lưu đồ giải thuật xử lý ảnh lấy kích thước của vật.

Lưu đồ giải thuật xử lý ảnh lấy màu của vật. Lưu đồ giải thuật phân loại theo kích thước. Lưu đồ giải thuật phân loại theo màu. Sơ đồ đấu dây PLC.

Sơ đồ ngõ ra relay. Phần cứng sau khi hoàn thành. Lưu đồ giải thuật hoạt động của mô hình. Hệ màu RGB [3].

Các pixel riêng lẻ [3]. Ảnh chụp các yếu tố hiển thị pixel phụ trên màn hình LCD [3]. Ảnh nhị phân [7].ANH xiii DO. Lấy ngưỡng ảnh [8].

Minh họa trực quan với ngưỡng bằng 127 [8]. Nhị phân hoá ảnh bằng Node-RED. Lấy số pixel của vật. Khối image average.

Phân loại kích thước. Phân loại màu. Cách Node-RED đưa dữ liệu lên Google Sheets:. Nhập dữ liệu vào MongoDB Charts.

Ghi dữ liệu vào PLC. Đọc dữ liệu từ PLC. Giao diện cài đặt hệ thống. Giao diện phân loại theo kích thước.

Giao diện phân loại theo màu. Tính tổng hợp số lượng. Lọc dữ liệu trong Google Sheets. Chọn Connect your application.

Copy đoạn mã liên kết. Dán đoạn mã vừa copy vào URI của khối mongodb3 in. Chọn Add Chart. Chọn vùng lấy dữ liệu và kiểu biểu đồ.

Bấm Save để lưu biểu đồ. Chọn Public link và copy đường link gửi cho người cần chia sẻ. Chọn tùy chọn "Inbound Rules” ở bên trái. Chọn tùy chọn Port và nhấp vào Next.ANH xiv DO.

Chọn tùy chọn Specific local ports. Chọn loại mạng bạn muốn áp dụng quy tắc. Chương trình Run. nhập lệnh ipconfig vào Command Prompt.

Địa chỉ Ipv4 của máy chủ. Địa chỉ truy cập vào Node-RED. Giao diện điều khiển hệ thống. Chọn chế độ phân loại theo kích thước.

Lấy mẫu quả. Kết quả phân loại theo kích thước. Chọn chế độ phân loại theo màu. Kết quả phân loại theo màu sắc.

Điều khiển trên điện thoại. Thực nghiệm trên SCADA. Kết quả phân loại kích thước ghi trên Google Sheets. Kết quả phân loại màu ghi trên Google Sheets.

Lọc dữ liệu theo ngày trên Google Sheets. Biểu đồ hiển thị tỉ lệ phần trăm các loại quả đã phân loại. Xem biểu đồ theo ngày.ANH xv DO.ANH DANH MỤC CÁC TỪ VIẾT TẮT GND Ground VCC Voltage Common Collector CMOS Complementary metal-oxide semiconductor PLC Programmable logic controller HMI Human-Machine-Interface SCADA Supervisory Control and Data Acquisition ROI Region of Interest OCR Optical Character Recognition IoT Internet of Things TIA Totally Integrated Automation RGB Red Green Blue DO.ANH xvi DO.ANH ĐỒ ÁN TỔNG HỢP Trang 1 a. TỔNG QUAN VỀ ĐỀ TÀI a.1 Lý do chọn đề tài Trái cây là loại lương thực thực phẩm không thể thiếu trong cuộc sống của con người khi cung cấp cho cơ thể nhiều chất dinh dưỡng, chất xơ và các loại vitamin giúp con người khỏe mạnh về cả thể chất lẫn tinh thần, giảm nguy cơ mắc bệnh tật.

Ngành công nghiệp chế biến trái cây Việt Nam đa số đều là các doanh nghiệp vừa và nhỏ, chưa có yếu tố tập trung sản xuất từng giai đoạn như nước ngoài, vì vậy các sản phẩm máy móc tự động hóa còn rất hạn chế trong các cơ sở trưng thu trái cây, các công đoạn chủ yếu được làm một cách thủ công, có thể gây thiệt hại lớn cho doanh nghiệp khi tiêu tốn nhiều nhân lực cũng như gây ra các sai số trong quá trình phân loại chất lượng trái cây gây ra các thiệt hại không đáng có cho doanh nghiệp. Trong thời đại công nghiệp hóa hiện đại hóa hiện nay, việc nâng cấp máy móc thực hiện công việc tự động được đặt ra để có thể giải quyết vấn đề hiện nay là giảm số lượng nhân công cũng như tiết kiệm diện tích của cơ sở, giảm sai số đo đạc khi thực hiện thủ công và chuyển sang thực hiện bằng máy móc, giúp cho chủ doanh nghiệp có thể quản lý nhà máy một cách tốt hơn. Các dây chuyền phân loại trái cây sẽ được nâng cấp với một chi phí hết sức hợp lý, giảm các lỗi do thao tác thủ công gây ra. Do đó em chọn đề tài này để thiết kế hệ thống phân loại sản phẩm theo kích thước hoặc màu sắc ứng dụng xử lý ảnh.2 Mục tiêu thực hiện đề tài Nghiên cứu áp dụng của đề tài thiết kế hệ thống với các thiết bị đơn giản dễ lắp đặt và giá thành thiết bị hợp lý.

Nghiên cứu các ứng dụng của webcam cùng với xử lý ảnh bằng NodeRed dùng trong đồ án nhằm tạo ra sản phẩm theo yêu cầu đồ án đề ra. Việc nghiên cứu cũng giúp sinh viên có thể thấy được thực tế khi ứng dụng vào đời sống và hiểu rõ hơn Phân Loại Sản Phẩm Dùng Xử Lý Ảnh DO.ANH ĐỒ ÁN TỔNG HỢP Trang 2 tính chuyên môn của ngành Điện Tử. Từ những kiến thức và kinh nghiệm đã được học, thực hành tại trường sẽ giúp ích cho sinh viên trong công sống và công việc sau khi đi làm.3 Đối tượng và hạm vi nghiên cứu Đối tượng nghiên cứu: - Webcam - Xử lý ảnh - Node-RED - Google Sheets - MongoDB - PLC S7-1200 Nghiên cứu này với mong muốn thiết kế hệ thống phân loại sản phẩm tự động sử dụng công nghệ xử lý ảnh số kết hợp với lập trình Node-RED ứng dụng trong các dây chuyền sản xuất công nghiệp hoặc nông nghiệp (cụ thể trong phạm vi nghiên cứu này ứng dụng phân loại trái cây). Hình ảnh sản phẩm được camera tích hợp trong hệ thống thu/gửi về Node-RED, sau đó hệ thống thực hiện phân tích và xử lý ảnh với các đặc trưng kích thước và màu sắc của ảnh để đưa ra lệnh điều khiển như đẩy sản phẩm theo loại quy định đã được lập trình với các yêu cầu sản xuất.4 Phương pháp nghiên cứu Phương pháp tuần tự và đồng thời: Kết hợp giữa việc thiết kế tuần tự và đồng thời: tức là nghiên cứu mô hình cụ thể trước, sau đó xây dựng mô hình chứa tất cả các thiết bị dự định sẽ có trong thiết kế để có cái nhìn tổng thể về hệ thống chung và xác định các thông số cơ bản.

Từ đó, áp dụng cho việc thiết kế trong phạm vi giới hạn của đề tài. Phương pháp thực nghiệm: Mô hình hoá phần cơ và phần điện, tối ưu hoá các thiết kế trước khi hoàn thành chế tạo. Chế tạo mẫu các chi tiết để xem các chi tiết đã hoạt động được như mong muốn hay chưa. Tiếp theo là chế tạo mô hình thực tế.

Cho vận hành thử hết công suất và chạy hết tất cả các chức năng của hệ thống Phân Loại Sản Phẩm Dùng Xử Lý Ảnh DO.ANH ĐỒ ÁN TỔNG HỢP Trang 3 để có thể xác định giới hạn của hệ thống, từ đó đề xuất các phương án nâng cấp hoặc thay thế và đưa ra các đánh giá về hệ thống (năng suất cửa hệ thống, mức độ chịu tải, vận tốc của băng tải, công suất làm việc của hệ thống, giới hạn các chỉ số cơ khí và điện năng, …). Đặt yêu cầu hoàn thiện sản phẩm đáp ứng được:  Thời gian xử lý không quá 15s/quả.  Cơ sở dữ liệu nhất quán với nhau.  Mô hình hoạt động ổn định.5 Ý nghĩa thực tiễn của đề tài Hệ thống phân loại sản phẩm mang lại cho chúng ta rất nhiều lợi ích như: Giảm bớt công việc, tránh nhàm chán trong công việc, cái thiện điều kiện làm việc của con người, tạo cho con người tiếp cận gần hơn với sự tiền bộ của khoa học công nghệ, được làm việc trong môi trường ngày càng văn minh.

Nâng cao năng suất, tạo tiền đề để giảm giá thành sản phẩm, cũng như điều chỉnh mẫu mã nhanh chóng, giúp cho việc quản lý, giám sát rất đơn giản. Nó không chỉ thay đổi điều kiện làm việc của công nhân mà còn có thể giảm tối đa số lượng công nhân. Phân Loại Sản Phẩm Dùng Xử Lý Ảnh DO.ANH ĐỒ ÁN TỔNG HỢP Trang 4 b. THIẾT KẾ VÀ THI CÔNG b.1Thiết kế hệ thống Khối đẩy sản phẩm Băng tải Cảm biến Camera PLC S7-1200 Node RED Cơ sở dữ liệu SCADA GSheets & MongoDB Hình 2-1.

Sơ đồ khối hệ thống Diễn giải sơ đồ: Hai khối xử lý chính là PLC và Node RED có nhiệm vụ xử lý và đưa ra tín hiệu điều khiển. Khối chấp hành bao gồm 2 khối: Khối đẩy sản phẩm và khối băng tải. SCADA hiển thị hệ thống dưới dạng đồ hoạ. Cảm biến được sử dụng ở đây là cảm biến hồng ngoại NPN.

Phân Loại Sản Phẩm Dùng Xử Lý Ảnh DO.ANH ĐỒ ÁN TỔNG HỢP Trang 5 b.2Thiết kế chi tiết b. Giới thiệu về webcam: Hình 2-2. Webcam [3] Webcam là từ viết tắt của Website Camera, đây là loại thiết bị ghi hình kỹ thuật số được kết nối với máy tính để truyền trực tiếp hình ảnh mà nó ghi được đến một máy tính khác hoặc truyền lên một website nào đó thông qua mạng Internet. Phân Loại Sản Phẩm Dùng Xử Lý Ảnh DO.ANH ĐỒ ÁN TỔNG HỢP Trang 6 Về cơ bản, webcam gần giống như máy ảnh kỹ thuật số nhưng khác ở chỗ các chức năng chính của nó sẽ do phần mềm cài đặt trên máy tính điều khiển và xử lý.