Đồ án: Ứng dụng xử lý ảnh trong hệ thống phân loại sản phẩm tự động

Phân loại sản phẩm tự động bằng xử lý ảnh giúp tăng năng suất, giảm chi phí. Tìm hiểu các phương pháp và ứng dụng thực tế trong bài viết này.

• Tác giả: Phan Thanh May
• Người hướng dẫn: Ths. Nguyễn Thị Thanh Vi
• Trường học: Trường Đại học Sư phạm Kỹ thuật
• Chuyên ngành: Công Nghệ Kỹ Thuật Cơ Điện Tử
• Đề tài: Ứng Dụng Xử Lý Ảnh Trong Hệ Thống Phân Loại Sản Phẩm
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Đà Nẵng

Mục lục chi tiết

• NHẬN XÉT CỦA NGƯỜI HƯỚNG DẨN
• NHẬN XÉT CỦA NGƯỜI PHẢN BIỆN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu của từng nội dung cụ thể
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về xử lý ảnh
• 2.1.1. Giới thiệu về xử lý ảnh
• 2.1.2. Những vấn đề trong xử lý ảnh
• 2.2. Giới thiệu về ngôn ngữ Python và thư viện openCV
• 2.2.1. Ngôn ngữ Python
• 2.2.2. Thư viên openCV
• 2.3. Phân tích xác định màu sắc
• 2.3.1. Xác định HSV để phân loại
• 2.4. Giới thiệu linh kiện
• 2.4.1. Cảm biến hồng ngoại E18-D80NK
• 2.4.2. Động cơ servo mg955
• 3. CHƯƠNG 3: TÍNH TOÁN THIẾT KẾ
• 3.1. Sơ đồ khối hệ thống
• 3.2. Sơ đồ nối dây và các thiêt bị trong hệ thống
• 3.2.1. Khối cảm biến
• 3.2.2. Khối hiển thị
• 4. CHƯƠNG 4: LẮP RÁP VÀ THI CÔNG HỆ THỐNG
• 4.1. Mô hình sản phẩm 3D trên creo
• 4.1.1. Giới thiệu về creo
• 4.1.2. Lắp ráp mô hình
• 4.2. Lắp ráp và kết nối Arduino vs Raspberry
• 4.3. Cài chương trình và lập trình
• 5. CHƯƠNG 5: TỔNG KẾT VÀ KẾT LUẬN
• DANH MỤC CÁC HÌNH ẢNH
• Danh mục chữ viết tắt

Tóm tắt

I. Tổng quan công nghệ phân loại sản phẩm tự động bằng xử lý ảnh

Trong kỷ nguyên Công nghiệp 4.0, tự động hóa dây chuyền sản xuất không còn là một lựa chọn mà đã trở thành yêu cầu tất yếu để nâng cao năng lực cạnh tranh. Một trong những công nghệ đột phá nhất trong lĩnh vực này chính là phân loại sản phẩm tự động bằng xử lý ảnh. Hệ thống này sử dụng thị giác máy tính (computer vision), một nhánh của trí tuệ nhân tạo, để "nhìn" và "hiểu" các sản phẩm trên dây chuyền, từ đó đưa ra quyết định phân loại với độ chính xác và tốc độ vượt trội so với con người. Thay vì dựa vào các cảm biến cơ học hoặc cảm biến quang học đơn giản, công nghệ này cho phép nhận dạng các đặc tính phức tạp như màu sắc, hình dạng, kích thước, và thậm chí là các khuyết tật nhỏ trên bề mặt. Nền tảng của giải pháp này là sự kết hợp giữa camera công nghiệp chất lượng cao và các thuật toán xử lý ảnh tinh vi. Các thuật toán này, đặc biệt là những thuật toán dựa trên machine learning và deep learning, có khả năng học hỏi từ một lượng lớn dữ liệu hình ảnh để liên tục cải thiện độ chính xác. Như được đề cập trong nghiên cứu "Ứng dụng xử lý ảnh trong hệ thống phân loại sản phẩm" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng, việc ứng dụng ngôn ngữ Python và thư viện OpenCV cho phép xây dựng các hệ thống phân loại tự động linh hoạt và hiệu quả, có khả năng phân biệt sản phẩm dựa trên các đặc điểm màu sắc phức tạp. Công nghệ này không chỉ giúp tăng năng suất mà còn đảm bảo tính đồng nhất và nâng cao tiêu chuẩn kiểm tra chất lượng (QC/KCS), mở ra một chương mới cho các nhà máy thông minh.

1.1. Thị giác máy tính và vai trò trong tự động hóa sản xuất

Thị giác máy tính là lĩnh vực khoa học cho phép máy tính thu nhận, xử lý, phân tích và hiểu thông tin từ hình ảnh hoặc video kỹ thuật số. Trong bối cảnh công nghiệp, nó đóng vai trò như "đôi mắt" của hệ thống tự động hóa. Thay vì các thao tác được lập trình cứng nhắc, robot và tự động hóa được trang bị thị giác máy tính có thể thích ứng với các thay đổi trong môi trường sản xuất. Chúng có thể xác định vị trí của vật thể, đọc mã vạch, kiểm tra lỗi lắp ráp và thực hiện các tác vụ phân loại phức tạp. Vai trò của computer vision là chuyển đổi dữ liệu hình ảnh thô thành thông tin hữu ích, cho phép máy móc đưa ra quyết định thông minh, từ đó thúc đẩy quá trình tự động hóa dây chuyền sản xuất lên một tầm cao mới, linh hoạt và hiệu quả hơn.

1.2. Lợi ích của hệ thống phân loại tự động trong công nghiệp

Việc triển khai một hệ thống phân loại tự động mang lại nhiều lợi ích chiến lược. Thứ nhất, nó tăng đáng kể tốc độ sản xuất, cho phép xử lý hàng nghìn sản phẩm mỗi giờ mà không bị mệt mỏi. Thứ hai, độ chính xác được cải thiện rõ rệt, giảm thiểu sai sót do con người gây ra và đảm bảo chất lượng sản phẩm đầu ra đồng đều. Thứ ba, hệ thống có thể hoạt động 24/7, tối ưu hóa hiệu suất dây chuyền. Ngoài ra, nó còn giúp giảm chi phí nhân công và giải phóng con người khỏi các công việc lặp đi lặp lại, nhàm chán, cho phép họ tập trung vào các nhiệm vụ đòi hỏi sự sáng tạo và kỹ năng cao hơn. Đặc biệt, trong các ngành như phân loại nông sản hay dược phẩm, việc tự động hóa giúp đảm bảo tiêu chuẩn vệ sinh và chất lượng nghiêm ngặt.

II. Các thách thức trong phân loại sản phẩm và giải pháp xử lý ảnh

Các phương pháp phân loại sản phẩm truyền thống, dù là thủ công hay bán tự động, đều phải đối mặt với nhiều thách thức cố hữu. Việc phụ thuộc vào sức người trong khâu kiểm tra chất lượng (QC/KCS) dẫn đến sự thiếu nhất quán, dễ xảy ra sai sót do mệt mỏi và chịu ảnh hưởng bởi yếu tố chủ quan. Tốc độ phân loại thủ công cũng là một rào cản lớn, không thể đáp ứng được nhịp độ của các dây chuyền sản xuất hiện đại. Mặt khác, các hệ thống sử dụng cảm biến truyền thống như cảm biến quang điện, cảm biến tiệm cận tuy có tốc độ nhanh hơn nhưng lại hạn chế về khả năng nhận dạng. Chúng chỉ có thể phân biệt các thuộc tính đơn giản và, như được chỉ ra trong đề tài nghiên cứu, "dễ bị nhiễu dẫn đến phân loại sai". Những cảm biến này khó có thể phát hiện lỗi sản phẩm phức tạp như vết nứt, trầy xước, sai lệch màu sắc tinh vi hay biến dạng hình học. Đây chính là lúc giải pháp phân loại sản phẩm tự động bằng xử lý ảnh phát huy vai trò của mình. Bằng cách phân tích toàn bộ hình ảnh của sản phẩm, công nghệ này có thể nhận dạng đối tượng và trích xuất hàng loạt đặc trưng một cách đồng thời. Nó không chỉ khắc phục được những nhược điểm của phương pháp thủ công mà còn vượt qua giới hạn của các loại cảm biến cũ, mang lại một giải pháp toàn diện, chính xác và linh hoạt cho bài toán tự động hóa dây chuyền sản xuất.

2.1. Nhược điểm của quy trình kiểm tra chất lượng QC KCS thủ công

Quy trình kiểm tra chất lượng (QC/KCS) thủ công tồn tại nhiều nhược điểm. Tốc độ kiểm tra bị giới hạn bởi khả năng của con người, tạo ra nút thắt cổ chai trong dây chuyền sản xuất. Tính nhất quán là một vấn đề lớn; chất lượng kiểm tra có thể khác nhau giữa các nhân viên hoặc thậm chí thay đổi theo thời gian trong ngày của cùng một người do mệt mỏi. Con người cũng dễ bỏ sót các lỗi nhỏ hoặc các sai lệch không rõ ràng. Chi phí lao động cho một đội ngũ QC lớn cũng là một gánh nặng tài chính đáng kể cho doanh nghiệp. Cuối cùng, việc ghi chép và phân tích dữ liệu thủ công rất tốn thời gian và dễ xảy ra sai sót, gây khó khăn cho việc truy xuất nguồn gốc và cải tiến quy trình.

2.2. Giới hạn của cảm biến truyền thống trong dây chuyền sản xuất

Mặc dù đã cải thiện tốc độ so với phương pháp thủ công, các cảm biến truyền thống vẫn có những giới hạn rõ rệt. Cảm biến màu sắc đơn điểm chỉ có thể kiểm tra một vùng rất nhỏ của sản phẩm và dễ bị ảnh hưởng bởi điều kiện ánh sáng. Cảm biến tiệm cận hay quang học chỉ có thể xác nhận sự hiện diện hoặc vắng mặt của sản phẩm, chứ không thể đánh giá chất lượng hay hình dạng. Chúng không đủ khả năng để phát hiện lỗi sản phẩm như biến dạng, in thiếu ký tự, hay bề mặt không đồng đều. Sự thiếu linh hoạt này khiến chúng không phù hợp với các dây chuyền sản xuất đa dạng sản phẩm hoặc các yêu cầu kiểm tra chất lượng ngày càng khắt khe.

III. Hướng dẫn các bước phân loại sản phẩm tự động bằng xử lý ảnh

Một hệ thống phân loại tự động dựa trên xử lý ảnh hoạt động theo một quy trình logic và khoa học, được mô tả chi tiết trong các nghiên cứu học thuật như đồ án tại Đại học Sư phạm Kỹ thuật Đà Nẵng. Quy trình này có thể được chia thành các bước chính, đảm bảo hệ thống hoạt động chính xác và hiệu quả. Đầu tiên là giai đoạn Thu nhận ảnh, nơi camera công nghiệp được sử dụng để chụp lại hình ảnh sản phẩm đang di chuyển trên băng chuyền. Chất lượng hình ảnh ở bước này là yếu tố quyết định. Tiếp theo là Tiền xử lý, giai đoạn này các thuật toán xử lý ảnh được áp dụng để cải thiện chất lượng ảnh, chẳng hạn như khử nhiễu, điều chỉnh độ sáng và độ tương phản, giúp các bước sau hoạt động hiệu quả hơn. Bước cốt lõi là Trích xuất đặc trưng, tại đây hệ thống phân tích hình ảnh để xác định các đặc điểm quan trọng như màu sắc, kết cấu, hình dạng, kích thước của sản phẩm. Ví dụ, hệ thống có thể chuyển đổi ảnh từ không gian màu RGB sang HSV để việc phân tích màu sắc trở nên ổn định hơn. Cuối cùng, dựa trên các đặc trưng đã trích xuất, khối Quyết định và Phân loại sẽ đưa ra kết luận. Khối này, thường được xây dựng bằng các mô hình machine learning, sẽ so sánh đặc trưng của sản phẩm với dữ liệu đã được huấn luyện để xếp sản phẩm vào đúng danh mục. Kết quả của quyết định này sẽ điều khiển các cơ cấu chấp hành như tay gắp robot hoặc xi lanh khí nén để thực hiện hành động phân loại vật lý.

3.1. Thu nhận và tiền xử lý ảnh từ camera công nghiệp

Giai đoạn đầu tiên của quá trình là thu nhận ảnh. Một camera công nghiệp có độ phân giải cao và tốc độ chụp nhanh được lắp đặt phía trên băng chuyền. Việc lựa chọn camera và hệ thống chiếu sáng phù hợp là cực kỳ quan trọng để đảm bảo hình ảnh thu được rõ nét, không bị mờ và có màu sắc trung thực. Sau khi thu nhận, ảnh thô thường chứa nhiễu hoặc bị ảnh hưởng bởi điều kiện ánh sáng không đồng đều. Do đó, bước tiền xử lý là cần thiết. Các kỹ thuật như lọc Gaussian để giảm nhiễu, cân bằng biểu đồ độ xám (histogram equalization) để tăng độ tương phản, hay chuyển đổi không gian màu (ví dụ từ RGB sang HSV) được áp dụng để chuẩn hóa dữ liệu đầu vào, tạo điều kiện thuận lợi cho việc trích xuất đặc trưng chính xác.

3.2. Kỹ thuật trích xuất đặc trưng và phân loại hình ảnh

Đây là trái tim của hệ thống phân loại hình ảnh. Sau khi tiền xử lý, hệ thống sẽ áp dụng các thuật toán để trích xuất đặc trưng (feature extraction). Đối với việc phân loại theo màu sắc, đặc trưng có thể là giá trị trung bình của kênh màu H (Hue) trong không gian màu HSV. Đối với hình dạng, các đặc trưng có thể là chu vi, diện tích, độ tròn, hoặc các vector mô tả đường biên. Khi các đặc trưng đã được lượng hóa, một bộ phân loại (classifier) sẽ được sử dụng. Các bộ phân loại cổ điển có thể là SVM, K-Means, trong khi các phương pháp hiện đại hơn sử dụng mạng nơ-ron tích chập (CNN). Bộ phân loại này so sánh vector đặc trưng của sản phẩm mới với các mẫu đã học trong quá trình gán nhãn dữ liệu và huấn luyện, từ đó đưa ra quyết định cuối cùng.

IV. Sức mạnh của Machine Learning trong phân loại sản phẩm tự động

Công nghệ phân loại sản phẩm tự động bằng xử lý ảnh đã có một bước tiến vượt bậc nhờ vào sự phát triển của Machine Learning (Học máy) và Deep Learning (Học sâu). Thay vì phải lập trình các quy tắc nhận dạng một cách thủ công và cứng nhắc, các mô hình học máy cho phép hệ thống tự học các đặc trưng của sản phẩm từ một tập dữ liệu lớn. Quá trình này bắt đầu bằng việc thu thập và gán nhãn dữ liệu hình ảnh, ví dụ, hàng ngàn ảnh sản phẩm "đạt" và "lỗi". Sau đó, mô hình, đặc biệt là mạng nơ-ron tích chập (CNN), sẽ được huấn luyện trên tập dữ liệu này. CNN có khả năng tự động học các đặc trưng từ cơ bản (cạnh, góc) đến phức tạp (kết cấu, bộ phận sản phẩm) mà không cần sự can thiệp của con người. Như trong đề tài tham khảo, việc sử dụng thư viện OpenCV kết hợp với ngôn ngữ lập trình Python tạo ra một môi trường mạnh mẽ để triển khai các thuật toán này. Nghiên cứu này tập trung vào việc xác định ngưỡng màu trong không gian HSV, một ví dụ điển hình của việc áp dụng học máy trong sản xuất để giải quyết bài toán nhận dạng. Sức mạnh của AI trong công nghiệp nằm ở khả năng thích ứng và cải thiện liên tục. Khi có thêm dữ liệu mới, mô hình có thể được huấn luyện lại để nhận dạng các loại lỗi mới hoặc các dòng sản phẩm mới, mang lại sự linh hoạt tối đa cho dây chuyền sản xuất.

4.1. Vai trò của học máy và học sâu trong nhận dạng đối tượng

Học máy trong sản xuất đã thay đổi hoàn toàn cách tiếp cận bài toán nhận dạng đối tượng. Các thuật toán Deep Learning, đặc biệt là CNN, đã chứng tỏ hiệu quả vượt trội trong việc phân tích hình ảnh. Chúng có thể nhận ra các mẫu phức tạp và tinh vi mà mắt người hoặc các thuật toán truyền thống có thể bỏ qua. Vai trò của chúng là tự động hóa quá trình trích xuất đặc trưng, giúp hệ thống trở nên mạnh mẽ hơn trước các biến thể về góc chụp, ánh sáng và kích thước của sản phẩm. Điều này giúp giảm đáng kể thời gian và công sức cần thiết để phát triển và triển khai một hệ thống phân loại tự động.

4.2. Phân tích màu sắc sản phẩm qua không gian màu HSV và OpenCV

Trong nhiều ứng dụng công nghiệp, việc phân loại dựa trên màu sắc là yêu cầu cơ bản. Tuy nhiên, không gian màu RGB tiêu chuẩn rất nhạy cảm với sự thay đổi của cường độ ánh sáng. Để giải quyết vấn đề này, các hệ thống xử lý ảnh thường chuyển đổi hình ảnh sang không gian màu HSV (Hue, Saturation, Value). Kênh Hue (H) biểu thị màu sắc thực tế, ít bị ảnh hưởng bởi ánh sáng hơn so với RGB. Đồ án "Ứng dụng xử lý ảnh trong hệ thống phân loại sản phẩm" đã chứng minh rõ điều này bằng cách sử dụng thư viện OpenCV để xác định các dải giá trị HSV cho từng màu sản phẩm cần phân loại. Phương pháp này cho phép phân loại hình ảnh dựa trên màu sắc một cách ổn định và chính xác trong môi trường công nghiệp.

4.3. Mạng nơ ron tích chập CNN và khả năng nhận diện vượt trội

Mạng nơ-ron tích chập (CNN) là một kiến trúc Deep Learning được thiết kế đặc biệt cho việc xử lý dữ liệu hình ảnh. Cấu trúc nhiều lớp của CNN cho phép nó học các đặc trưng phân cấp của một hình ảnh. Các lớp đầu tiên có thể phát hiện các đặc điểm đơn giản như cạnh và màu sắc, trong khi các lớp sâu hơn có thể kết hợp những đặc điểm này để nhận dạng các cấu trúc phức tạp hơn như hình dạng, bộ phận hoặc thậm chí là toàn bộ đối tượng. Khả năng này làm cho CNN trở thành công cụ lý tưởng để phát hiện lỗi sản phẩm một cách tinh vi và thực hiện nhận dạng đối tượng với độ chính xác rất cao, vượt qua nhiều phương pháp truyền thống.

V. Top ứng dụng thực tiễn của hệ thống phân loại sản phẩm tự động

Khả năng ứng dụng của hệ thống phân loại tự động bằng xử lý ảnh là vô cùng rộng lớn, trải dài trên nhiều ngành công nghiệp. Trong lĩnh vực nông nghiệp, công nghệ này cách mạng hóa quy trình phân loại nông sản. Các hệ thống có thể tự động phân loại trái cây, rau củ dựa trên kích thước, màu sắc, độ chín và phát hiện các khuyết tật như dập, thối, giúp nâng cao giá trị và đảm bảo chất lượng xuất khẩu. Trong ngành sản xuất, đây là công cụ không thể thiếu cho việc kiểm tra chất lượng (QC/KCS). Nó có thể phát hiện lỗi sản phẩm trên các linh kiện điện tử, kiểm tra sự đầy đủ của bao bì, phát hiện vết xước trên bề mặt kim loại, hoặc đảm bảo nhãn mác được dán đúng vị trí. Một ví dụ cụ thể được mô phỏng trong nghiên cứu của sinh viên Đại học Sư phạm Kỹ thuật là một mô hình sử dụng Raspberry Pi và Arduino để phân loại vật thể theo ba màu xanh, đỏ, vàng, minh họa cho nguyên lý cơ bản có thể áp dụng trong các dây chuyền sản xuất thực phẩm, đồ chơi. Ngành công nghiệp tái chế cũng được hưởng lợi lớn, khi các hệ thống thị giác máy tính có thể phân loại rác thải (nhựa, kim loại, giấy) với tốc độ và độ chính xác cao. Cuối cùng, việc tích hợp với robot và tự động hóa cho phép các hệ thống này không chỉ phân loại mà còn thực hiện các hành động tiếp theo như gắp, đặt, và đóng gói, hoàn thiện quá trình tự động hóa dây chuyền sản xuất.

5.1. Tự động hóa phân loại nông sản Nâng cao giá trị và chất lượng

Trong ngành nông nghiệp, việc phân loại nông sản thủ công vừa tốn thời gian vừa không đồng đều. Hệ thống xử lý ảnh có thể phân loại hàng tấn sản phẩm mỗi giờ. Ví dụ, nó có thể phân loại táo theo đường kính và màu sắc, loại bỏ những quả cà chua bị dập hoặc chưa chín, hay phân loại hạt cà phê dựa trên kích thước và màu sắc. Việc tự động hóa này không chỉ tăng năng suất mà còn giúp nông sản Việt Nam đáp ứng các tiêu chuẩn chất lượng khắt khe của các thị trường xuất khẩu khó tính, từ đó nâng cao giá trị thương hiệu và kinh tế.

5.2. Phát hiện lỗi sản phẩm và kiểm tra chất lượng QC chính xác

Đây là một trong những ứng dụng phổ biến nhất của xử lý ảnh công nghiệp. Trên các dây chuyền lắp ráp, camera có thể kiểm tra xem một bo mạch có đủ linh kiện hay không. Trong ngành dệt may, hệ thống có thể phát hiện các lỗi dệt như sợi rách, màu không đều. Trong ngành dược phẩm, nó đảm bảo vỉ thuốc không bị thiếu viên nào và bao bì được niêm phong đúng cách. Khả năng phát hiện lỗi sản phẩm một cách nhất quán và không mệt mỏi giúp doanh nghiệp giảm tỷ lệ hàng lỗi, tiết kiệm chi phí và bảo vệ uy tín thương hiệu.

5.3. Tích hợp robot và tự động hóa trong dây chuyền đóng gói

Sức mạnh của hệ thống phân loại được nhân lên khi kết hợp với robot và tự động hóa. Sau khi camera xác định và phân loại sản phẩm, tín hiệu sẽ được gửi đến một cánh tay robot. Robot sẽ gắp sản phẩm và đặt chúng vào đúng thùng hàng hoặc dây chuyền tương ứng. Quá trình này được gọi là "pick-and-place". Ứng dụng này rất phổ biến trong các trung tâm logistics và nhà kho thông minh, nơi robot có thể tự động sắp xếp hàng hóa, tối ưu hóa quy trình đóng gói và xuất kho một cách nhanh chóng và chính xác.

VI. Tương lai của phân loại sản phẩm tự động bằng xử lý ảnh

Tương lai của phân loại sản phẩm tự động bằng xử lý ảnh hứa hẹn sẽ còn phát triển mạnh mẽ hơn nữa, gắn liền với sự tiến bộ của AI trong công nghiệp và Internet vạn vật (IoT). Các hệ thống trong tương lai sẽ không chỉ thông minh hơn mà còn được kết nối và có khả năng tự tối ưu hóa. Các mô hình Deep Learning sẽ ngày càng phức tạp và hiệu quả hơn, cho phép nhận dạng những lỗi cực kỳ tinh vi hoặc phân loại sản phẩm dựa trên các thuộc tính trừu tượng mà con người khó nhận biết. Việc tích hợp với các cảm biến IoT khác (nhiệt độ, độ ẩm) sẽ cung cấp cho hệ thống một bối cảnh toàn diện hơn về sản phẩm, giúp đưa ra quyết định phân loại chính xác hơn. Dữ liệu thu thập từ các hệ thống phân loại tự động sẽ được phân tích trong thời gian thực trên nền tảng đám mây, giúp các nhà quản lý có cái nhìn sâu sắc về hiệu suất dây chuyền và dự đoán các vấn đề tiềm ẩn trước khi chúng xảy ra. Hơn nữa, sự phát triển của công nghệ xử lý tại biên (Edge Computing) sẽ cho phép các thuật toán AI phức tạp được chạy trực tiếp trên camera công nghiệp hoặc các thiết bị nhỏ gọn như Raspberry Pi, giảm độ trễ và tăng tốc độ phản hồi của hệ thống. Nhìn chung, công nghệ này sẽ tiếp tục là trụ cột cho các nhà máy thông minh, thúc đẩy một cuộc cách mạng về hiệu quả, chất lượng và sự linh hoạt trong sản xuất.

6.1. Xu hướng tích hợp AI và IoT trong các hệ thống thông minh

Xu hướng lớn nhất là sự hội tụ của AI trong công nghiệp và IoT. Một hệ thống phân loại sẽ không còn hoạt động độc lập. Dữ liệu hình ảnh từ camera sẽ được kết hợp với dữ liệu từ các cảm biến IoT khác trên dây chuyền. Ví dụ, hệ thống có thể biết được nhiệt độ của lò nung ảnh hưởng đến màu sắc sản phẩm như thế nào. Sự kết hợp này tạo ra một "bản sao số" (digital twin) của quy trình sản xuất, cho phép phân tích sâu và tối ưu hóa toàn diện, biến dây chuyền sản xuất thành một hệ sinh thái thông minh và có khả năng tự điều chỉnh.

6.2. Tiềm năng của Deep Learning và các thuật toán xử lý ảnh mới

Lĩnh vực Deep Learning vẫn đang phát triển với tốc độ chóng mặt. Các kiến trúc mạng nơ-ron mới như Transformers, vốn thành công trong xử lý ngôn ngữ, đang được điều chỉnh để áp dụng cho thị giác máy tính và cho thấy nhiều hứa hẹn. Các thuật toán xử lý ảnh mới sẽ cho phép hệ thống học hỏi với ít dữ liệu hơn (few-shot learning) hoặc thậm chí không cần gán nhãn dữ liệu (unsupervised learning), giúp giảm đáng kể chi phí và thời gian triển khai. Những tiến bộ này sẽ mở ra khả năng giải quyết các bài toán phân loại phức tạp hơn và làm cho công nghệ này trở nên dễ tiếp cận hơn với nhiều doanh nghiệp.

Trích đoạn nội dung tài liệu

Đặt Vấn Đề Ngày nay, xã hội ngày càng phát triển. Công nghiệp hoá hiện đại hoá ngày càng được nâng cao để phát triển đất nước và cải thiện cuộc sống của nhân dân. Vì vậy việc ứng dụng kỹ thuật khoa học ngày càng rộng rãi, phổ biến và mang lại hiệu quả cao trong hầu hết các lĩnh vực kinh tế, kỹ thuật cũng như trong đời sóng của xã hội. Với mục tiêu có thể tạo ra hệ thống phân loại sản phẩm theo chuỗi, với công nghệ thích hợp, khả năng phù hợp với nhiều đối tượng khác nhau, giá thành rẻ là điều cần thiết trong điều kiện sản xuất nông nghiệp.

công nghiệp nói chung. Ở nước ta cũng như trên thế giới trong công cuộc công nghiệp hoá, hiện đại sử dụng ngày càng nhiều để điều khiẻn tự động các quá trình sản xuất và gia công chế biến các loại sản phẩm… Điều này dẩn đến hình thành các hệ thống sản xuất linh hoạt cho phép tự động hoá ở mức độ cao trên cở sở sử dụng các máy CNC, robot công nghiệp. Trong đó có một khâu quan trọng ảnh hưởng tới chất lượng sản phẩm là hệ thống phân loại sản phẩm. Hệ thống phân loại sản phẩm chia sản phẩm ra thành các nhóm có cùng thuộc tính với nhau để thực hiện đóng gói hay loại bỏ sản phẩm hỏng.

Hiện nay để phân loại sản phẩm người ta thường dùng các loại cảm biến với các chức năng khác nhau để phân loại sản phẩm theo như mong muốn như cảm biến phân loại màu sắc, cảm biến phân loại theo hình dáng… những loại cảm biến đó có điểm chung là dễ dàng lắp đặt và vận hành nhưng nhược điểm là dể bị nhiểu dẩn đến phân loại sai. Do đó dựa trên nền tảng kiến thức đã học, và sự đồng ý của giảng viên hướng dẩn, nhóm chúng em chọn đề tài “Ứng dụng xử lý ảnh trong hệ thống phân loại sản phẩm”. 1 SVTH: Đỗ Hoàng Anh GVHD: Nguyễn Thị Thanh Vi Nguyễn Hùng Vĩ Phan Thanh May 1.2 Mục Tiêu Mục tiêu chung của đề tài là nghiên cứu và ứng dụng xử lý ảnh trong hệ thống phân loại sản phẩm, với mục tiêu là phân loại sản phẩm theo màu sắc của sản phẩm theo ba màu sắc là xanh, đỏ, vàng. Dựa trên ngôn ngữ Python và thư viện chính openCV và thực hiện trên kip rapberry và kip arduino uno.3 Mục tiêu của từng nội dung cụ thể  Hiểu biết rõ hơn vè các loại cảm biến, động cơ giảm tốc và servo…  Biết cách thi công và hoàn thiện các mô hình  Biết thêm về các ngôn ngữ lập trình thi công hệ thống phần cứng và phần mềm).

Mô hình thực tế và nguyên lý hoạt động. 2 SVTH: Đỗ Hoàng Anh GVHD: Nguyễn Thị Thanh Vi Nguyễn Hùng Vĩ Phan Thanh May CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về xử lý ảnh.1 Giới thiệu về xử lý ảnh Xử lý ảnh là quá trình xử lý tín hiệu số với đối tượng xử lý là tín hiệu ảnh. Trong đó ảnh đầu vào sẽ được xử lý để ảnh sau khi xử lý đạt được kết quả như mong muốn. Kết quả của quá trình xử lý ảnh là một ảnh khác có đặc điểm khác với ảnh gốc hoặc một kết luận.

Xử lý ảnh đã phát triển rất mạnh trong thời gian gần đây, bao gồm nhiều lĩnh vực: y tế, kinh tế, văn hóa, quân sự, quốc phòng… Hiện nay, có bốn khía cạnh chính liên quan đến xử lý. hình ảnh: xử lý và nâng cao hình ảnh, nhận dạng hình ảnh, truy vấn hình ảnh và nén hình ảnh. Trong phạm vi đề tài này, chúng ta sẽ tìm hiểu về vấn đề nhận dạng ảnh trên cơ sở ảnh màu thu được từ cảm biến Camera. Quá trình xử lý ảnh theo nhận dạng ảnh theo các bước như hình dưới đây Xử lý ảnh là một lĩnh vực khoa học kỹ thuật.

Đây là một ngành công nghiệp. Khoa học mới so với nhiều ngành khoa học khác, nhưng tốc độ phát triển của nó là rất nhanh, Xử lý hình ảnh là một kỹ thuật được áp dụng để nâng cao và xử lý hình ảnh thu được từ máy ảnh, webcam, vv. để xử lý hình ảnh đã được áp dụng và phát Được phát triển trên nhiều lĩnh vực quan trọng như:  Trong lĩnh vực quân sự: xử lý và xác định hình ảnh quân sự.  Lĩnh vực giao tiếp với người máy: nhận dạng hình ảnh, xử lý âm thanh  Lĩnh vực bảo mật: nhận dạng khuôn mặt, nhận dạng vân tay,  Trong lĩnh vực giải trí: trò chơi điện tử.

3 SVTH: Đỗ Hoàng Anh GVHD: Nguyễn Thị Thanh Vi Nguyễn Hùng Vĩ Phan Thanh May  Lĩnh vực y tế: Xử lý hình ảnh y sinh, X-quang, MRI.… Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng chính: nâng cao chất lượng và phân tích hình ảnh. Ứng dụng đầu tiên được biết đến là nâng cao chất lượng ảnh báo từ London đến New York vào những năm 1920. Vấn đề nâng cao hình ảnh liên quan đến sự phân bố mức độ ánh sáng và độ phân giải của hình ảnh. Nâng cao hình ảnh được phát triển vào khoảng năm 1955.

Điều này có thể được giải thích là do sự phát triển nhanh chóng của máy tính sau Thế chiến thứ 2 đã giúp cho việc xử lý ảnh kỹ thuật số trở nên thuận tiện hơn. Năm 1964, máy tính có thể xử lý và cải thiện chất lượng hình ảnh từ Mặt trăng từ Ranger 7 của Hoa Kỳ, bao gồm: Xử lý viền hình ảnh, lưu hình ảnh. Từ năm 1964 đến nay, các phương tiện xử lý hình ảnh, cải thiện chất lượng và nhận dạng đã tiếp tục phát triển mạnh mẽ chẳng hạn như mạng nơ-ron nhân tạo, các thuật toán xử lý hiện đại và cải tiến, các công cụ nén ảnh,… được sử dụng rộng rãi và thu được kết quả mỹ mãn hơn. Thu nhận Tiền xử Trích chọn Hậu xử lý Hệ quyết ảnh lý đặc điểm định, lưu trữ Đối chiếu, so sánh và kết luận Hình 2.

1 Quá trình xử lí ảnh  Thu nhận ảnh: Đây là công đoạn đầu tiên mang tính quyết định đối với quá trình xử lý ảnh. Ảnh đầu vào sẽ được thu nhận qua các thiết bị như Camera, cảm biến, máy quét,… và sau đó các tín hiệu này sẽ được số hóa. Việc lựa chọn các thiết bị thu nhận ảnh sẽ phụ thuộc vào đặc tính của các đối tượng cần xử lý. Các thông số quan trọng ở bước này là độ phân giải, chất lượng màu, dung lượng bộ nhớ và tốc độ thu nhận ảnh của các thiết bị.

4 SVTH: Đỗ Hoàng Anh GVHD: Nguyễn Thị Thanh Vi Nguyễn Hùng Vĩ Phan Thanh May  Tiền xử lý: Ở bước này, ảnh sẽ được cải thiện về độ tương phản, khử nhiễu, khử bóng, khử độ lệch… với mục đích làm cho chất lượng ảnh trở lên tốt hơn nữa, chuẩn bị cho các bước xử lý phức tạp hơn về sau trong quá trình xử lý ảnh. Quá trình này thường được thực hiện bởi các bộ lọc.  Trích chọn đặc điểm: (hoặc trích chọn đặc trưng) Đặc trưng ảnh ở đây chính là đặc trưng nội dung ảnh, hay nói cách khác là nội dung thực sự của các bức ảnh. Nội dung ảnh được thể hiện bằng màu sắc, hình dạng, kết cấu, các đặc trưng cục bộ… hay bất cứ thông tin nào có từ chính nội dung ảnh.

Phạm vi đề tài bao gồm nhận biết màu sắc nên đặc trưng được trích chọn là màu sắc.  Hậu xử lý: Có nhiệm vụ xử lý các đặc điểm đã trích chọn, có thể lược bỏ hoặc biến đổi các đặc điểm này để phù hợp với các kỹ thuật cụ thể sử dụng trong hệ quyết định.  Hệ quyết định, lưu trữ: Có nhiệm vụ đưa ra quyết định (phân loại) dựa trên dữ liệu đã học lưu trong khối lưu trữ.  Đối chiếu, so sánh và kết luận: Đưa ra kết luận cuối cùng dựa vào những cơ sở của hệ quyết định.2 Những vấn đề trong xử lý ảnh a.

Điểm ảnh Là đơn vị cơ bản nhất để tạo nên một bức ảnh kỹ thuật số. Địa chỉ của điểm ảnh được xem như là một tọa độ (x, y) nào đó. Một bức ảnh kỹ thuật số, có thể được tạo ra bằng cách chụp hoặc bằng một phương pháp đồ họa nào khác, được tạo nên từ hàng ngàn hoặc hàng triệu Pixel riêng lẻ. Bức ảnh càng chứa nhiều Pixel thì càng chi tiết.

Một triệu Pixel thì tương đương với 1 Megapixel. 5 SVTH: Đỗ Hoàng Anh GVHD: Nguyễn Thị Thanh Vi Nguyễn Hùng Vĩ Phan Thanh May Hình 2. Ảnh số Ảnh số là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật. Số điểm ảnh xác định độ phân giải của ảnh.

Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặc điểm của tấm ảnh và càng làm cho tấm ảnh trở nên thực và sắc nét hơn. Một hình ảnh là một tín hiệu hai chiều, nó được xác định bởi hàm toán học f (x, y) trong đó x và y là hai tọa độ theo chiều ngang và chiều dọc. Các giá trị của f (x, y) tại bất kỳ điểm nào là các giá trị điểm ảnh (Pixel) tại điểm đó của một hình ảnh. Ảnh số thực tế là biểu diễn số học của hình ảnh trong máy tính, thường là biểu diễn nhị phân.

Phân loại ảnh Mức xám của điểm ảnh là cường độ sáng, gán bằng một giá trị tại điểm đó. Các mức ảnh xám thông thường: 16, 32, 64, 128, 256. Mức được sử dụng thông dụng nhất là 265, tức là dùng 1byte để biểu diễn mức xám. Trong đó:  Ảnh nhị phân: Là ảnh có 2 mức trắng và đen, chỉ có 2 giá trị 0 và 1 và chỉ sử dụng 1bit dữ liệu trên 1 điểm ảnh.

 Ảnh đen trắng: Là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác nhau. 6 SVTH: Đỗ Hoàng Anh GVHD: Nguyễn Thị Thanh Vi Nguyễn Hùng Vĩ Phan Thanh May  Ảnh màu: Là ảnh kết hợp của 3 màu cơ bản lại với nhau để tạo ra một thế giới màu sinh động. Người ta thường dùng 3byte để mô tả mức màu, tức là có khoảng 16,7 triệu. Quan hệ giửa các điểm ảnh Tập hợp những điểm ảnh có xung quanh điểm ảnh đang xét được gọi là lân cận ảnh.

3 Các lân cận ảnh Bốn điểm ảnh lân cận 4 theo cột và hàng với tọa độ lần lượt là (x+1, y), (x-1, y), (x, y+1), (x, y-1) ký hiệu là tập N4 (p). 4 điểm ảnh lân cận 4 theo đường chéo có tọa độ lần lượt là (x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1, y-1) ký hiệu là tập ND (p).