Phân loại và đóng gói sản phẩm công nghiệp

Đồ án phân loại và đóng gói sản phẩm công nghiệp tại ĐH Sư phạm Kỹ thuật TPHCM

• Tác giả: Lý Võ Minh Đăng
• Người hướng dẫn: TS. Tạ Văn Phương
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Phân loại và đóng gói sản phẩm công nghiệp
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan nghiên cứu phân loại và đóng gói sản phẩm công nghiệp

Đề tài tốt nghiệp ngành Kỹ thuật Điều khiển và Tự động hóa tại trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh tập trung giải quyết bài toán tự động hóa trong sản xuất. Hệ thống phân loại và đóng gói sản phẩm công nghiệp mô phỏng dây chuyền chế tạo hiện đại. Dự án tích hợp các công nghệ then chốt bao gồm xử lý ảnh công nghiệp, điều khiển lập trình và cơ điện tử chính xác. Đề tài do sinh viên Lý Võ Minh Đăng và Hóa Văn Chiến thực hiện dưới sự hướng dẫn của Tiến sĩ Tạ Văn Phương.

Mục tiêu trọng tâm là thiết kế một dây chuyền vận hành liên tục không gián đoạn. Mô hình kết hợp băng chuyền vận chuyển với hệ thống camera công nghiệp để lấy mẫu hình ảnh sản phẩm. Hệ thống xử lý trung tâm phân tích dữ liệu nhằm phát hiện biên dạng và phân loại sản phẩm lỗi. Tiếp theo, trạm đóng gói hai trục XY sử dụng động cơ bước đưa sản phẩm vào vị trí chỉ định. Cơ cấu chấp hành bảo đảm độ chính xác lặp lại cao. Dây chuyền đáp ứng tiêu chuẩn tự động hóa xưởng máy hiện đại.

1.1. Bối cảnh nghiên cứu tại trường ĐH SPKT TPHCM

Ngành sản xuất công nghiệp đòi hỏi tốc độ cao và độ tin cậy tuyệt đối. Lao động thủ công trong khâu phân loại dễ phát sinh sai sót do mệt mỏi. Nhu cầu tự động hóa khâu phân loại và đóng gói trở nên cấp thiết. Khoa Đào tạo Chất lượng cao thuộc Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh đã triển khai đề tài này nhằm nâng cao năng lực ứng dụng thực tiễn. Đề tài kết hợp kiến thức điều khiển chuyển động đa trục với công nghệ thị giác máy tính. Nghiên cứu giải quyết bài toán đồng bộ hóa giữa băng tải, cơ cấu chấp hành và thuật toán nhận diện. Đây là nền tảng quan trọng giúp tiếp cận chuẩn công nghệ 4.0 trong nhà máy thông minh.

1.2. Mục tiêu kỹ thuật của hệ thống phân loại

Hệ thống hướng tới việc xây dựng mô hình phân loại và đóng gói sản phẩm hoàn chỉnh. Dây chuyền sử dụng băng tải kích thước 100x600 mm với tốc độ định mức 200 vòng mỗi phút. Băng tải đảm nhận nhiệm vụ đưa sản phẩm vào vùng quan sát của camera. Khung cơ khí kích thước 1000x1000 mm chịu được tải trọng làm việc dưới 100 kg. Trạm đóng gói sử dụng cơ cấu chuyển động hai trục XY với động cơ bước. Độ chính xác định vị cơ học đạt dung sai cộng trừ 0.05 mm trên mỗi trục. Tốc độ di chuyển tối đa của đầu gắp đạt 150 mm mỗi phút. Toàn bộ thông số vận hành được giám sát liên tục qua giao diện điều khiển.

II. Phân tích thách thức phân loại và đóng gói sản phẩm công nghiệp

Quy trình phân loại và đóng gói truyền thống đối mặt nhiều rào cản kỹ thuật. Tốc độ băng tải cao thường gây nhòe ảnh khi thu thập dữ liệu bằng camera thường. Rung động cơ khí từ động cơ giảm độ chính xác nhận diện biên dạng sản phẩm. Môi trường chiếu sáng không đồng đều làm sai lệch các đặc trưng hình học của vật thể. Những yếu tố này tạo ra thách thức lớn cho bài toán xử lý ảnh thời gian thực.

Về mặt cơ khí, trạm đóng gói đòi hỏi sự mượt mà khi chuyển động dừng đón sản phẩm. Sai số tích lũy trên các trục trượt có thể làm rơi rớt hoặc biến dạng bao bì. Động cơ bước nếu không được tinh chỉnh thông số dễ bị mất bước khi tăng tốc đột ngột. Việc thiếu liên kết dữ liệu giữa khâu phát hiện lỗi và khâu gắp đặt cũng gây lãng phí năng lượng. Ngoài ra, chi phí triển khai cảm biến công nghiệp chuyên dụng thường vượt ngân sách các xưởng sản xuất vừa và nhỏ. Do đó, việc nghiên cứu kiến trúc điều khiển tối ưu đóng vai trò then chốt.

2.1. Giới hạn xử lý ảnh trong môi trường công nghiệp

Khâu thu thập hình ảnh sản phẩm công nghiệp chịu tác động trực tiếp từ ánh sáng ngoại cảnh. Cường độ sáng thay đổi làm mất nét biên dạng cạnh của vật thể trên băng chuyền. Kỹ thuật lọc ảnh truyền thống bộc lộ nhiều điểm yếu khi sản phẩm xuất hiện vết xước nhỏ hoặc bóng mờ. Các ma trận tích chập thông thường không đủ độ nhạy để phân biệt chi tiết lỗi phức tạp. Nếu kích thước bộ lọc quá lớn, thời gian tính toán của vi xử lý kéo dài gây trễ nhịp chuyền. Thuật toán nhận diện cần cân bằng giữa độ chính xác và tốc độ phản hồi. Việc thiếu đồng bộ thời gian thực sẽ dẫn đến hiện tượng bỏ sót phế phẩm.

2.2. Khó khăn trong điều khiển cơ cấu đóng gói đa trục

Trạm đóng gói sản phẩm hai trục XY đối mặt với hiện tượng rung lắc khi vận hành ở vận tốc cao. Quán tính cơ khí làm sai lệch tọa độ dừng gắp vật thể. Sự sai lệch này tích tụ dần qua từng chu kỳ vận hành khiến sai số vượt mức dung sai cho phép. Động cơ bước điều khiển chuyển động tịnh tiến có thể xảy ra tình trạng trượt bước nếu gia tốc quá lớn. Ngoài ra, việc phối hợp giữa biến tần điều khiển tốc độ băng tải và cơ cấu gắp sản phẩm đòi hỏi thuật toán khóa liên động chuẩn xác. Nếu tín hiệu truyền thông bị nhiễu điện từ, toàn bộ chu trình đóng gói sẽ bị đình trệ đột ngột.

III. Giải pháp phân loại và đóng gói sản phẩm công nghiệp tối ưu

Đề tài đề xuất giải pháp tích hợp phần cứng và phần mềm theo kiến trúc ba khối chức năng gồm thu thập, xử lý và chấp hành. Khối thu thập sử dụng camera công nghiệp ổn định cao đặt vuông góc với mặt băng chuyền. Khối xử lý trung tâm ứng dụng mô hình mạng nơ-ron tích chập CNN bằng ngôn ngữ Python. Thuật toán áp dụng cơ chế chia sẻ trọng số (weight sharing) và bước nhảy (stride) hợp lý. Cơ chế này giảm đáng kể chi phí tính toán và rút ngắn thời gian xử lý biên dạng sản phẩm.

Khối chấp hành sử dụng bộ điều khiển lập trình kết hợp biến tần điều khiển động cơ băng chuyền tốc độ 200 vòng mỗi phút. Cơ cấu đóng gói hai trục XY trang bị động cơ bước có bước tiến chính xác. Giải pháp thiết lập dung sai vị trí trong khoảng cộng trừ 0.05 mm trên mỗi trục chuyển động. Tốc độ gắp sản phẩm đạt định mức 150 mm mỗi phút. Toàn bộ chu trình được giám sát trực tiếp qua màn hình giao diện đồ họa. Giao diện này hiển thị liên tục ảnh sản phẩm, số lượng phân loại và trạng thái lỗi thời gian thực.

3.1. Ứng dụng mô hình CNN nhận diện biên dạng sản phẩm

Mô hình mạng tích chập CNN đảm nhận vai trò trích xuất đặc trưng hình ảnh. Các bộ lọc tích chập khởi tạo nhận diện cạnh viền và góc cạnh của vật thể trên băng tải. Kỹ thuật chia sẻ trọng số áp dụng đồng nhất một tập tham số cho toàn bộ ma trận ảnh đầu vào. Phương pháp này giảm thiểu đáng kể số lượng tham số cần huấn luyện và tối ưu bộ nhớ vi xử lý. Thiết lập bước nhảy stride phù hợp giúp kiểm soát độ chồng lặp thông tin giữa các vùng lân cận. Nhờ đó, thuật toán nhận diện phát hiện chính xác khuyết tật cơ học và phân biệt đúng chủng loại sản phẩm trong điều kiện ánh sáng công nghiệp thay đổi.

3.2. Thiết kế trạm đóng gói chuyển động hai trục XY

Cơ cấu chuyển động hai trục XY thực hiện thao tác gắp và đóng gói vật thể chính xác. Hệ cơ khí sử dụng thanh trượt dẫn hướng kết hợp vít me bi và động cơ bước công nghiệp. Bộ điều khiển gửi chuỗi xung tần số cao để điều hướng tọa độ chuyển động theo hai phương X và Y. Sai số định vị cơ học duy trì ổn định ở mức cộng trừ 0.05 mm cho mỗi trục chuyển động. Đầu gắp khí nén tác động nhanh giúp cố định sản phẩm chắc chắn trong quá trình chuyển hướng. Tốc độ đóng gói đạt 150 mm mỗi phút đáp ứng hoàn hảo tốc độ cấp phôi của băng tải. Mô hình hoạt động ổn định và chống rung lắc hiệu quả.

IV. Kết luận về phân loại và đóng gói sản phẩm công nghiệp ĐH SPKT

Đề tài tốt nghiệp tại trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh đã chế tạo thành công mô hình máy phân loại và đóng gói sản phẩm tự động. Hệ thống vận hành đồng bộ và ổn định giữa các khối chức năng. Khâu xử lý ảnh trích xuất chính xác biên dạng vật thể và phát hiện phế phẩm kịp thời. Cơ cấu cơ khí hai trục XY thực hiện đóng gói chuẩn xác với dung sai vị trí cực thấp. Giao diện điều khiển hỗ trợ kỹ sư theo dõi dây chuyền một cách trực quan và an toàn.

Mô hình mở ra tiềm năng ứng dụng to lớn trong các nhà máy sản xuất linh kiện điện tử, thực phẩm và dược phẩm. Doanh nghiệp có thể chuyển giao công nghệ để tối ưu hóa nhân lực và cắt giảm tổn thất phế phẩm. Đề tài còn là tài liệu tham khảo giá trị cho sinh viên ngành kỹ thuật điều khiển tự động hóa. Hướng phát triển tiếp theo bao gồm tích hợp cánh tay robot delta và ứng dụng thuật toán học sâu để tăng tốc độ nhận diện. Dự án khẳng định chất lượng đào tạo và tính thực tiễn cao của trường.

4.1. Khả năng ứng dụng thực tế trong nhà máy sản xuất

Giải pháp phân loại và đóng gói tự động sở hữu tính ứng dụng thực tiễn vượt trội trong nhiều dây chuyền sản xuất hiện đại. Hệ thống dễ dàng tích hợp vào các nhà máy chế biến thực phẩm, đóng chai hoặc sản xuất linh kiện cơ khí chính xác. Khả năng phát hiện lỗi ngoại quan giúp doanh nghiệp loại trừ sản phẩm hỏng trước khi bao gói xuất xưởng. Tốc độ đóng gói ổn định và vận hành bền bỉ nâng cao năng suất chung của toàn bộ phân xưởng. Mô hình giúp doanh nghiệp giảm chi phí nhân công, loại trừ sai sót con người và bảo đảm tiêu chuẩn an toàn lao động nghiêm ngặt.

4.2. Hướng phát triển và nâng cấp hệ thống trong tương lai

Hệ thống mở ra nhiều hướng nâng cấp công nghệ giá trị trong tương lai. Nhóm nghiên cứu có thể cải tiến khối thị giác bằng các kiến trúc mạng học sâu hiện đại như YOLO để nhận diện nhiều dạng dị vật phức tạp hơn. Trạm cơ khí có thể thay thế cơ cấu hai trục XY bằng cánh tay robot công nghiệp dạng Delta hoặc SCARA. Sự cải tiến này sẽ tăng tốc độ gắp và hỗ trợ đóng gói không gian ba chiều đa dạng. Ngoài ra, việc kết nối hệ thống với nền tảng điện toán đám mây IoT sẽ cho phép quản lý sản xuất từ xa. Dữ liệu phân loại thời gian thực hỗ trợ tối ưu hóa chuỗi cung ứng nhà máy.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong ngành sản xuất và phân phối hiện đại, mã vạch (barcode) là công cụ đóng vai trò then chốt trong việc quản lý và truy xuất nguồn gốc hàng hóa. Mã vạch cho phép xác định nhanh chóng các thông tin của sản phẩm như tên gọi, giá trị, nhà sản xuất cùng các dữ liệu quản lý liên quan. Quy trình quét mã vạch là một mắt xích thiết yếu trong hoạt động kiểm soát tồn kho, bán hàng và lưu thông phân phối, giúp hạn chế sai sót và rút ngắn thời gian so với các phương thức quản lý thủ công.

Tuy nhiên, trong điều kiện sản xuất và vận chuyển thực tế, mã vạch trên bao bì thường gặp phải các lỗi kỹ thuật khiến thiết bị quét không thể đọc được hoặc đọc sai lệch. Tác giả chỉ ra các dạng hư hỏng mã vạch phổ biến trong thực tế bao gồm:

• Mã vạch bị mờ (blurred codes).
• Mã vạch bị trầy xước, rách vỡ do va đập cơ học trong quá trình vận chuyển (damaged by impact).
• Lỗi in ấn không rõ nét, đứt nét (unclear printing errors).
• Mã vạch bị dính bẩn hoặc bị che khuất bề mặt (dirty barcodes).

Những khuyết tật này làm suy giảm khả năng kiểm soát chuỗi cung ứng và ảnh hưởng trực tiếp đến quy trình kiểm tra chất lượng sản phẩm. Do đó, việc xây dựng một hệ thống tự động phát hiện, phân loại các sản phẩm có mã vạch lỗi và tự động hóa khâu đóng gói là yêu cầu cấp thiết nhằm nâng cao năng suất và loại bỏ sai sót từ con người.

Khóa luận tốt nghiệp ngành Kỹ thuật Điều khiển và Tự động hóa của nhóm tác giả Lý Võ Minh Đăng và Hoa Văn Chiến (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, thực hiện dưới sự hướng dẫn của TS. Tạ Văn Phương, tháng 01/2025) tập trung giải quyết bài toán trên.

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

1. Xây dựng quy trình xử lý ảnh nhằm nhận diện biên và định vị đối tượng sản phẩm trên băng chuyền.
2. Xây dựng hệ thống điều khiển chuyển động đa trục phục vụ cho trạm đóng gói sản phẩm.
3. Thiết kế giao diện phần mềm phục vụ giám sát và điều khiển hoạt động của toàn bộ hệ thống.
4. Chế tạo mô hình thực nghiệm hoàn chỉnh của máy phân loại và đóng gói sản phẩm tự động.

Đối tượng và phạm vi nghiên cứu của đề tài được xác định cụ thể:

• Đối tượng nghiên cứu: Quy trình xử lý ảnh nhận diện sản phẩm và phân loại mã vạch (sản phẩm mẫu thử nghiệm là hộp sữa); hệ thống điều khiển chuyển động đa trục sử dụng động cơ bước; mô hình điều khiển khả trình PLC kết hợp máy tính công tác.
• Phạm vi không gian và thời gian: Đề tài nghiên cứu và thực nghiệm chế tạo mô hình phần cứng tại phòng thí nghiệm Bộ môn Tự động Điều khiển, hoàn thành vào tháng 01 năm 2025.
• Giới hạn kỹ thuật đặt ra cho mô hình:
  • Phát triển hệ thống nhận diện và phân loại lỗi mã vạch sử dụng mạng nơ-ron tích chập (CNN).
  • Độ chính xác phân loại mục tiêu: 95%.
  • Độ chính xác phát hiện lỗi mục tiêu: 85%.
  • Năng suất phân loại thiết kế: 165 sản phẩm/giờ.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

Khóa luận kết hợp giữa lý thuyết thị giác máy tính hiện đại và lý thuyết điều khiển tự động truyền động điện:

1. Mô hình nhận diện đối tượng YOLOv5: YOLOv5 là mạng nơ-ron phát hiện đối tượng một giai đoạn (one-stage detector), biến bài toán phát hiện đối tượng thành bài toán hồi quy nhằm dự đoán đồng thời xác suất phân lớp và tọa độ hộp giới hạn (bounding box). Cấu trúc YOLOv5 gồm 3 phần chính:

   • Backbone: Ứng dụng cấu trúc CSPNet (Cross Stage Partial Networks) nhằm chia nhỏ bản đồ đặc trưng (feature map) thành hai nhánh xử lý, giảm thiểu hiện tượng trùng lặp thông tin gradient trong quá trình cập nhật trọng số, từ đó giảm kích thước mô hình và tăng tốc độ suy luận.
   • Neck: Sử dụng mạng PANet (Path Aggregation Network) tạo kim tự tháp đặc trưng, bổ sung đường dẫn tăng cường từ dưới lên (bottom-up path augmentation) bên cạnh mạng FPN truyền thống, giúp bảo toàn tín hiệu định vị từ các tầng thấp lên tầng cao nhằm nhận diện vật thể ở nhiều kích thước khác nhau.
   • Head (YOLO layer): Thực hiện dự đoán các hộp giới hạn, độ tin cậy và nhãn đối tượng.

2. Mạng nơ-ron tích chập (CNN): Ứng dụng trong việc phân loại nhị phân mã vạch (Pass/Fail). Cấu trúc mạng gồm các lớp cơ bản:

   • Lớp tích chập (Convolutional Layer): Sử dụng các bộ lọc (kernels) trượt trên ma trận ảnh để trích xuất đặc trưng không gian. Kích thước đầu ra $O$ được tính toán theo công thức: $$O = \frac{N + 2P - F}{S} + 1$$ Trong đó $N$ là kích thước đầu vào, $F$ là kích thước bộ lọc, $S$ là bước trượt (stride) và $P$ là số lớp đệm viền bằng 0 (zero-padding).
   • Lớp gộp (Pooling Layer): Giảm số chiều dữ liệu, phổ biến là Max-pooling kích thước 2x2 bước trượt 2.
   • Hàm kích hoạt phi tuyến: ReLU ($f(x) = \max(0, x)$), Leaky ReLU, Sigmoid và Tanh.
   • Lớp liên kết đầy đủ (Fully Connected / Dense Layer): Nhận vector đặc trưng sau khi dàn phẳng (Flatten) để thực hiện phân lớp tín hiệu đầu ra.

3. Lý thuyết điều khiển chuyển động đa trục và động cơ bước:

   • Hệ thống truyền động sử dụng động cơ bước (Stepper motor) theo phương pháp điều khiển vòng hở (Open-loop control method). Bộ điều khiển cấp chuỗi xung điện rời rạc đến bộ điều khiển động cơ (driver), mỗi xung tương ứng với một góc quay cố định của rotor mà không cần thiết bị phản hồi vị trí (encoder).
   • Điều khiển logic tuần tự và phát xung điều khiển vị trí được thực thi trên bộ điều khiển lập trình logic PLC (Programmable Logic Controller) thông qua ngôn ngữ lập trình Ladder Logic.

Phương pháp nghiên cứu và nguồn dữ liệu thực nghiệm

Tác giả áp dụng phương pháp thiết kế kỹ thuật kết hợp thực nghiệm mô hình theo quy trình 5 bước:

Bước	Nội dung thực hiện	Phương pháp và công cụ
1	Thu thập dữ liệu hình ảnh	Chụp ảnh tự động trên băng tải chuyển động thông qua camera kết nối script Python
2	Tiền xử lý và gán nhãn	Sử dụng công cụ trực tuyến Roboflow gán nhãn hộp giới hạn, chuẩn hóa tọa độ về dải [0, 1]
3	Huấn luyện mô hình YOLOv5	Tối ưu hóa bằng thuật toán Stochastic Gradient Descent (SGD), kích thước ảnh 640x640 pixel
4	Cắt trích xuất vùng mã vạch	Dùng mô hình YOLOv5 đã huấn luyện định vị và cắt tự động mã vạch lưu vào thư mục cropped_images
5	Huấn luyện mạng CNN phân loại mã vạch	Mô hình Sequential trong thư viện Keras, phân loại nhị phân Pass/Fail

Dữ liệu thực nghiệm bao gồm:

• Tập dữ liệu nhận diện sản phẩm (YOLOv5): 5.000 ảnh phục vụ huấn luyện (training) và 1.200 ảnh phục vụ kiểm tra (testing), chụp sản phẩm hộp sữa trên băng tải. Quá trình huấn luyện thực hiện trên máy tính xách tay ASUS trang bị vi xử lý đồ họa GPU NVIDIA GeForce GTX 1060 Ti 4GB, batch size 32, chạy trong 10 epochs.
• Tập dữ liệu phân loại mã vạch (CNN): 40.000 ảnh mã vạch đã cắt, chia đều thành 20.000 ảnh đạt tiêu chuẩn ("Good") và 20.000 ảnh lỗi ("Not Good") theo tỷ lệ cân bằng 50:50. (Phần tóm tắt văn bản ghi nhận tổng tập dữ liệu huấn luyện mở rộng đạt quy mô trên 100.000 ảnh với hơn 40.000 mẫu tốt và 40.000 mẫu khuyết tật).

Thiết kế và triển khai

Hệ thống được thiết kế tích hợp liên ngành giữa cơ khí chính xác, điện - khí nén, xử lý ảnh thị giác máy tính và lập trình điều khiển PLC.

Kiến trúc tổng thể và yêu cầu phần cứng

Mô hình làm việc gồm 3 khối chức năng chính: Khối thu thập dữ liệu (Sampling block), Khối xử lý tín hiệu (Processing block) và Khối cơ cấu chấp hành (Actuating block).

[Băng tải / Camera] ---> [Máy tính xử lý ảnh (Python / YOLOv5 / CNN)] 
                                   | (Giao tiếp tín hiệu)
                                   v
[Hệ cơ cấu chấp hành XY / Khí nén] <--- [Bộ điều khiển lập trình PLC]

Bảng thông số kỹ thuật lựa chọn thiết bị của hệ thống:

STT	Thành phần hệ thống	Thông số và yêu cầu kỹ thuật thực tế
1	Camera công nghiệp	Độ ổn định cao, thích nghi môi trường công nghiệp, thu nhận ảnh vùng làm việc
2	Băng tải vận chuyển (Conveyor)	Kích thước mặt băng: 100 x 600 mm; Tốc độ quay động cơ: 200 vòng/phút (rpm)
3	Khung cơ khí (Mechanical frame)	Kích thước vùng làm việc: 1000 x 1000 mm; Khả năng chịu tải tích hợp băng tải: < 100 kg
4	Cơ cấu truyền động cơ khí 2 trục	Dẫn động trục vít me đai ốc (Lead screw and nut); Độ chính xác vị trí: ±0,05 mm/trục; Tốc độ di chuyển tối đa: 150 mm/phút
5	Giao diện điều khiển giám sát	Giao diện đồ họa (Machine Interface) hiển thị hình ảnh trực tiếp, trạng thái phân loại Pass/Fail

Cấu trúc mô hình mạng CNN phân loại mã vạch

Mô hình Sequential được xây dựng trên nền tảng thư viện Keras. Kích thước ảnh đầu vào chuẩn hóa về 128x128 pixel, 3 kênh màu, huấn luyện với kích thước lô (batch size) là 64 và chế độ nhãn nhị phân (class_mode = "binary").

Bảng cấu trúc các lớp mạng và số lượng tham số huấn luyện:

Tên lớp (Layer)	Loại lớp (Type)	Kích thước đầu ra (Output Shape)	Số lượng tham số (Param #)
conv2d	Conv2D (32 filters)	(None, 126, 126, 32)	896
max_pooling2d	MaxPooling2D (2x2)	(None, 63, 63, 32)	0
conv2d_1	Conv2D (64 filters)	(None, 61, 61, 64)	18.496
max_pooling2d_1	MaxPooling2D (2x2)	(None, 30, 30, 64)	0
conv2d_2	Conv2D (128 filters)	(None, 28, 28, 128)	73.856
max_pooling2d_2	MaxPooling2D (2x2)	(None, 14, 14, 128)	0
flatten	Flatten	(None, 25088)	0
dense	Dense	(None, 64)	1.605.696
dense_1	Dense	(None, 32)	2.080
dense_2	Dense	(None, 1)	33

Tổng số tham số học được của mạng tích hợp đạt trên 1,7 triệu tham số. Sau 10 chu kỳ học (epochs), mô hình được xuất ra tệp định dạng .keras để chương trình chính nhúng vào quy trình phân loại thời gian thực.

Thuật toán điều khiển trên PLC

Hệ thống kết nối truyền thông giữa máy tính cá nhân (PC) và bộ điều khiển PLC. PLC chịu trách nhiệm thực thi các chu trình kiểm tra tuần tự (Flowchart of Sequence Test), điều khiển van điện từ khí nén (Solenoid Control), chấp hành đẩy sản phẩm và điều khiển vị trí hệ trục XY mang giác hút/kẹp đóng gói.

• Lệnh DSZR: Thực hiện lệnh tìm điểm gốc cơ học (Zero Return) cho các trục động cơ bước khi khởi động hệ thống.
• Lệnh DRVA: Thực hiện truyền động điều khiển vị trí tuyệt đối (Absolute Position Control), điều phối động cơ bước di chuyển chính xác đến tọa độ khay chứa theo số lượng xung tính toán trước.
• Điều khiển tốc độ: Thiết lập tốc độ di chuyển và biểu đồ tăng giảm tốc (Acceleration/Deceleration Control) cho từng chu trình gắp đặt.

Nội dung chính theo từng chương

Chapter 1: Introduction (Mở đầu)

Chương 1 thiết lập cơ sở thực tiễn của đề tài thông qua việc phân tích tầm quan trọng của hệ thống mã vạch trong quản lý công nghiệp và những sự cố thường gặp (mờ, rách, in lỗi, dính bẩn) làm gián đoạn chuỗi cung ứng. Tác giả xác định rõ mục tiêu nghiên cứu là tự động hóa khâu phân loại mã vạch lỗi kết hợp đóng gói cơ học. Phạm vi đề tài dừng lại ở việc thiết kế, chế tạo và thử nghiệm mô hình thực nghiệm trong điều kiện phòng thí nghiệm, đáp ứng 4 chỉ tiêu kỹ thuật chính: độ chính xác phân loại đạt 95%, độ chính xác phát hiện lỗi đạt 85%, năng suất phân loại đạt 165 sản phẩm/giờ và xây dựng thành công mô hình phần cứng tích hợp.

Chapter 2: Theoretical Basis (Cơ sở lý thuyết)

Chương 2 trình bày có hệ thống các nền tảng lý thuyết phục vụ cho việc thiết kế hệ thống:

• Phân tích cấu trúc YOLOv5 với mạng trích xuất đặc trưng CSPNet và mạng truyền dẫn PANet; quy trình huấn luyện trên tập dữ liệu 5.000 ảnh huấn luyện, 1.200 ảnh kiểm tra với các tham số tối ưu (ảnh 640 pixel, batch size 32, 10 epochs, thuật toán tối ưu SGD trên GPU GTX 1060 Ti).
• Trình bày chi tiết toán học và cấu tạo của mạng CNN: các phép tính tích chập ma trận, bước trượt stride, kỹ thuật chèn đệm zero-padding, các phương thức gộp dữ liệu (Max-pooling, Average-pooling), các hàm kích hoạt (Sigmoid, Tanh, ReLU, Leaky ReLU) và kỹ thuật Dropout.
• Cấu hình chi tiết mạng CNN tuần tự (Sequential model) phân loại mã vạch với 3 khối Conv2D-MaxPooling2D và 3 tầng Dense; kết quả huấn luyện mô hình qua 10 epochs trên tập dữ liệu 40.000 ảnh mã vạch thực tế.
• Khảo cứu hai công trình khoa học quốc tế tiêu biểu: nghiên cứu phân loại ung thư da của Esteva và cộng sự (2017) với 129.450 ảnh đạt độ chính xác 91%; nghiên cứu nhận diện mã vạch hư hỏng của Huijuan Liang và cộng sự với tập 100.000 ảnh, đạt độ chính xác 99% (chỉ có 57/10.000 mẫu thử nghiệm không nhận dạng được).
• Giới thiệu tổng quan về ngôn ngữ lập trình Python, môi trường PyCharm, các thư viện thị giác máy tính và học máy (NumPy, Pandas, Matplotlib, TensorFlow).
• Lý thuyết điều khiển chuyển động đa trục: sơ đồ khối hệ thống điều khiển vị trí, vận tốc, gia tốc; nguyên lý hoạt động của động cơ bước và cơ chế điều khiển vòng hở (open-loop control) thông qua việc cấp chuỗi xung rời rạc không dùng encoder phản hồi.

Chapter 3: System Configuration (Cấu hình hệ thống)

Chương 3 tập trung vào thiết kế kỹ thuật, sơ đồ bố trí và đấu nối phần cứng:

• Mô tả nguyên lý hoạt động tổng thể theo bảng chức năng hệ thống (Table 3): phát hiện phôi bằng mô hình YOLOv5, xử lý mã vạch bằng mô hình CNN, vận chuyển bằng băng tải, phân loại hướng đi bằng cơ cấu chấp hành khí nén (actuator/solenoid), và đóng gói bằng hệ trục XY dẫn động động cơ bước.
• Thiết lập bảng yêu cầu kỹ thuật chi tiết của các thiết bị (Table 4): băng tải 100x600 mm tốc độ 200 rpm, khung máy 1000x1000 mm chịu tải < 100 kg, hệ truyền động 2 trục dùng trục vít me đai ốc với độ chính xác ±0,05 mm/trục và tốc độ cực đại 150 mm/phút.
• Trình bày sơ đồ khối hệ thống (Block diagram) chia tách 3 khối: khối lấy mẫu, khối xử lý và khối chấp hành.
• Sơ đồ bố trí thiết bị hệ thống, sơ đồ mạch đấu nối điều khiển van điện từ (Solenoid Control Diagram), sơ đồ cơ cấu chấp hành (Actuator Diagram), và sơ đồ nối dây bộ điều khiển động cơ bước (Driver and Motor Wiring Diagram).
• Thiết kế sơ đồ xử lý ảnh, kết nối truyền thông giữa PLC và PC.
• Xây dựng thuật toán điều khiển PLC bằng giản đồ hình thang (Ladder Logic), cấu hình tham số tốc độ động cơ bước, ứng dụng các lệnh định vị chuyên dụng như DSZR và DRVA.
• Thiết kế giao diện máy trực quan (Machine Interface) hiển thị hình ảnh sản phẩm thực tế, giám sát trực quan trạng thái sản phẩm phân loại (Pass/Fail).

Chapter 4: Experiment and Evaluate (Thực nghiệm và đánh giá)

Chương 4 thực hiện các nội dung thực nghiệm trên mô hình vật lý hoàn chỉnh:

• Vận hành kiểm tra hoạt động phân loại trên các sản phẩm thực tế (sản phẩm đạt chuẩn dán nhãn màu đỏ - Red Product Pass, sản phẩm đạt chuẩn dán nhãn màu xanh - Blue Product Pass).
• Kiểm tra tính chính xác của khâu phát hiện lỗi trên các mẫu phôi hỏng mã vạch thực tế (tập các ảnh từ Image 1 đến Image 6 đối tượng Fail).
• Đánh giá các chỉ số hiệu năng (Evaluation Metrics) và đối chiếu kết quả dự đoán nhãn (Predicted Labels) giữa hệ thống và nhãn thực tế.

Chapter 5: Conclusion and Future Improvement (Kết luận và hướng phát triển)

Chương 5 tóm tắt các kết quả kỹ thuật đạt được của mô hình chế tạo thực tế, xác nhận mức độ hoàn thành so với các mục tiêu ban đầu của đồ án tốt nghiệp, đồng thời nêu các đề xuất cải tiến và hướng mở phát triển cho hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

Các kết quả cụ thể được ghi nhận trong văn bản khóa luận:

• Hiệu năng mô hình YOLOv5: Huấn luyện thành công mô hình phát hiện vị trí sản phẩm và trích xuất vùng mã vạch với 5.000 ảnh huấn luyện và 1.200 ảnh kiểm tra sau 10 epochs tối ưu hóa SGD; xuất dữ liệu trực quan về mAP@0.5, mAP@0.95, Precision và Recall.
• Hiệu năng mô hình CNN phân loại mã vạch: Mô hình 3 tầng Conv2D với cấu trúc đầu vào 128x128 pixel sau 10 epochs huấn luyện trên tập dữ liệu 40.000 ảnh (20.000 ảnh Good, 20.000 ảnh Not Good) ghi nhận hàm mất mát (loss) giảm dần tiệm cận về giá trị xấp xỉ 0, và độ chính xác (accuracy) trong quá trình huấn luyện đạt mức xấp xỉ 1 (100%). Độ chính xác ước tính của mô hình trong điều kiện thực nghiệm phân loại đạt tới 90% (theo báo cáo tóm tắt).
• Hệ thống điều khiển cơ khí và phần cứng:
  • Chế tạo hoàn chỉnh khung máy làm việc kích thước 1000 x 1000 mm, tích hợp băng tải kích thước 100 x 600 mm hoạt động tại tốc độ 200 rpm.
  • Vận hành hệ thống chuyển động 2 trục XY dẫn động bằng động cơ bước qua trục vít me đai ốc, đạt sai số định vị cơ học trong phạm vi ±0,05 mm/trục với tốc độ di chuyển đạt 150 mm/phút.
  • Xây dựng thành công giao diện điều khiển, giám sát (Machine Interface) trên PC kết nối đồng bộ với PLC thông qua chuỗi lệnh DSZR và DRVA.

Đóng góp của đề tài

Tác giả đã đề xuất một giải pháp kết hợp liên ngành giữa học máy thị giác (YOLOv5 và CNN) với hệ thống điều khiển tự động công nghiệp (PLC và truyền động bước). Việc tích hợp quy trình nhận diện mã vạch lỗi tự động bằng camera thay thế cho các đầu đọc mã vạch truyền thống (thường chỉ đọc được hoặc báo lỗi không xác định được nguyên nhân) giúp tự động hóa hoàn toàn khâu kiểm soát chất lượng bao bì và phân loại thành phẩm trước khi đóng gói.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các nội dung trình bày và phạm vi thực nghiệm trong văn bản, đề tài tồn tại một số hạn chế và hướng mở nghiên cứu:

• Cơ chế điều khiển vòng hở: Hệ trục chuyển động đóng gói sử dụng động cơ bước điều khiển open-loop không có cảm biến phản hồi vị trí (encoder). Như tác giả phân tích, hệ thống tiềm ẩn nguy cơ mất bước (lose steps) hoặc sai lệch vị trí nếu tải trọng thay đổi đột ngột hoặc cơ cấu bị kẹt cơ học. Hướng phát triển tiếp theo cần tích hợp động cơ servo hoặc bổ sung encoder hồi tiếp vòng kín (closed-loop control).
• Phạm vi đối tượng thực nghiệm: Mô hình mới thử nghiệm trên đối tượng bao bì hộp sữa với dải lỗi mã vạch được gán nhãn thực nghiệm; cần mở rộng kiểm chứng trên nhiều chủng loại bao bì công nghiệp có kích thước, chất liệu bề mặt và độ cong khác nhau.
• Môi trường vận hành: Hệ thống thực hiện ở quy mô mô hình phòng thí nghiệm với công suất thiết kế 165 sản phẩm/giờ; việc triển khai ở môi trường công nghiệp thực tế cần đánh giá thêm tác động của rung động băng tải tốc độ cao, điều kiện bụi bẩn và độ ổn định nguồn sáng.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị chuyên môn cao cho:

• Sinh viên và học viên chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Robot: Cung cấp tài liệu thực tế về việc lập trình PLC điều khiển phát xung vị trí (lệnh DSZR, DRVA), thiết kế mạch driver động cơ bước và tích hợp cơ cấu chấp hành khí nén.
• Kỹ sư và người nghiên cứu thị giác máy tính công nghiệp (Machine Vision): Tham khảo quy trình thực tế kết hợp YOLOv5 (để định vị vật thể chuyển động trên băng tải) và CNN nhị phân (để phân loại chuyên sâu vùng ảnh đã cắt); quy trình thu thập và chuẩn hóa tập dữ liệu ảnh từ Roboflow.
• Các đề tài chế tạo máy phân loại sản phẩm tự động: Tham khảo cách thức phân chia module phần cứng (khối lấy mẫu - khối xử lý - khối chấp hành) và cấu trúc giao tiếp giữa phần mềm Python chạy trên máy tính với PLC công nghiệp.

Câu hỏi thường gặp

1. Khóa luận sử dụng mô hình học máy nào cho tác vụ định vị sản phẩm và phân loại mã vạch?
Tác giả sử dụng mô hình YOLOv5 (với cấu trúc backbone CSPNet và neck PANet) để nhận diện đối tượng sản phẩm và cắt tự động vùng ảnh mã vạch trên băng tải. Sau đó, tác giả sử dụng mạng nơ-ron tích chập CNN (mô hình Sequential gồm 3 lớp Conv2D và 3 lớp Dense) để phân loại mã vạch là Pass (đạt chuẩn) hay Fail (khuyết tật).

2. Tập dữ liệu và cấu hình huấn luyện của mạng CNN phân loại mã vạch được thực hiện như thế nào?
Mô hình CNN được huấn luyện trên tập dữ liệu gồm 40.000 ảnh mã vạch đã được cắt và lưu vào thư mục cropped_images, chia đều theo tỷ lệ 50:50 (20.000 ảnh "Good" và 20.000 ảnh "Not Good"). Ảnh đầu vào được chuẩn hóa về kích thước 128x128 pixel, huấn luyện với batch size 64, chế độ nhị phân class_mode = "binary" trong 10 epochs.

3. Các thông số cơ khí và truyền động chính của mô hình được thiết kế ra sao?
Mô hình có vùng làm việc cơ khí 1000 x 1000 mm, tải trọng băng tải < 100 kg. Băng tải vận chuyển có kích thước 100 x 600 mm, tốc độ quay 200 rpm. Hệ thống chuyển động 2 trục XY sử dụng động cơ bước kết hợp trục vít me đai ốc, đạt độ chính xác vị trí ±0,05 mm/trục và tốc độ di chuyển tối đa 150 mm/phút.

4. PLC điều khiển các trục chuyển động đóng gói bằng các lệnh cụ thể nào?
PLC được lập trình bằng ngôn ngữ Ladder Logic, sử dụng lệnh DSZR để thực hiện chu trình tìm gốc tọa độ cơ học (Zero Return) cho các trục động cơ bước, và lệnh DRVA để phát xung điều khiển vị trí tuyệt đối (Absolute Position Control) đưa cơ cấu kẹp/hút đến vị trí đóng gói chỉ định.

Kết luận

Đồ án tốt nghiệp của sinh viên Lý Võ Minh Đăng và Hoa Văn Chiến đã thiết kế và chế tạo thành công mô hình hệ thống tự động phân loại và đóng gói sản phẩm công nghiệp bị lỗi mã vạch. Bằng việc kết hợp thuật toán thị giác máy tính YOLOv5 và CNN chạy trên nền tảng Python với bộ điều khiển lập trình PLC và cơ cấu truyền động 2 trục XY dùng động cơ bước, nghiên cứu đã giải quyết bài toán phát hiện khuyết tật bao bì và đóng gói tự động với độ chính xác cơ khí đạt ±0,05 mm. Kết quả thực nghiệm khẳng định tính khả thi của giải pháp tích hợp giữa trí tuệ nhân tạo và điều khiển tự động truyền thống, cung cấp cơ sở kỹ thuật tin cậy để nâng cấp và ứng dụng vào các dây chuyền sản xuất công nghiệp thực tế.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION GRADUATION THESIS MAJOR: AUTOMATIC AND CONTROL ENGINEERING INDUSTRIAL PRODUCT SORTING AND PACKAGING INSTRUCTOR: TA VAN PHUONG STUDENT: LY VO MINH DANG HOA VAN CHIEN Ho Chi Minh city, January 2025 MINISTRY OF EDUCATION & TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY OF HIGH QUALITY TRAINING  FINAL PROJECT Topic : INDUSTRIAL PRODUCT SORTING AND PACKAGING Lecture : PhD. Ta Van Phuong Student’s name : Ly Vo Minh Dang 20151268 : Hoa Van Chien 20142019 Ho Chi Minh, January, 2025 THE SOCIALIST REPUBLIC OF VIETNAM Independence - Freedom - Happiness --------------------- Ho Chi Minh City, January ., 2025 GRADUATION PROJECT ASSIGNMENT Student name: Ly Vo Minh Dang Student ID : 20151268 Student name: Hoa Van Chien Student ID : 20142019 Major: Automation and control engineering Advisor: Dr. Ta Van Phuong Date of assignment: Day of submission: 1. Project title: INDUSTRIAL PRODUCT SORTING AND PACKAGING 2.

Initial materials:  Working principle and control method of step motor.  Technical and setting parameters of variable frequency driver.  Documentation about the programable logic controller.  Documentation about the programming language Python.

Content of the project:  Build the process for image processing to detect the boundary of the objects.  Build the multi-axis motion control for package station.  Build a interface for system control and supervising. Final product:  Model of the automatic product sorting and packaging machine.

CHAIR OF THE PROGRAM ADVISOR (Sign with full name) (Sign with full name) i THE SOCIALIST REPUBLIC OF VIETNAM Independence - Freedom - Happiness --------------------- Ho Chi Minh City, January ., 2025 EVALUATION SHEET OF ADVISOR Student name: Ly Vo Minh Dang Student ID : 20151268 Student name: Hoa Van Chien Student ID : 20142019 Major: Automation and control engineering Advisor: Dr. Ta Van Phuong EVALUATION: 1. Content of the project: …………………………………………………………………………………… …………………………………………………………………………………… 2. Approval for oral defense? …………………………………………………………………………………… 5.

Mark:………… (in words:……………………………………………………) ADVISOR (Sign with full name) Department of Automatic Control ii THE SOCIALIST REPUBLIC OF VIETNAM Independence - Freedom - Happiness --------------------- Ho Chi Minh City, January ., 2025 EVALUATION SHEET OF DEFENSE COMMITTEE MEMBERS Student name: Ly Vo Minh Dang Student ID : 20151268 Student name: Hoa Van Chien Student ID : 20142019 Major: Automation and control engineering Advisor: Dr. Ta Van Phuong Name of Defense Committee Member: ………………………………………………………………………………………… ………………………………………………………………………………………… EVALUATION: 1. Content of the project: …………………………………………………………………………………… …………………………………………………………………………………… 2. Approval for oral defense? …………………………………………………………………………………… 5.

Mark:………… (in words:……………………………………………………) COMMITTEE MEMBERS (Sign with full name) Department of Automatic Control iii DISCLAIMER We hereby declare that the research results presented in this graduation project are the results obtained during our research under the guidance of Dr. Ta Van Phuong, and do not copy any research results of other authors. The research content has references and uses some information and documents from the sources listed in the list of references. If we are wrong, we will accept all disciplinary measures as prescribed.

Ho Chi Minh City,………., 2025 STUDENTS Ly Vo Minh Dang Hoa Van Chien Department of Automatic Control iv TABLE OF CONTENT DISCLAIMER. iv TABLE OF CONTENT. v TABLE OF FIGURE .viii LIST OF TABLE. xi Chapter 1 : INTRODUCTION.

Aim of study. Object and range of study. Structure of study. 2 Chapter 2 : THEORETICAL BASIS.

Overview of Object Detection by Yolov5 .2 Yolov5 Performance Analysis. Material and methods. Overview of Convolutional Neural Network (CNN) .2 Convolutional Neural Network (CNN or ConvNet). 16 Department of Automatic Control v d.

Fully Connected Layer.3 Models Reference from other Scientific Research. Overview of Python Programming Language .2 Features of Python. Overview of multi-axis motion control .3 Stepper motor and Open-loop control method. Open-loop control method.

31 Chapter 3 : SYSTEM CONFIGURATION .2 Hardware Design and Layout .3 Implementation of Electrical Design. List of Devices. Programmable Logic Controller. 47 Department of Automatic Control vi 3.3 Programable Logic Controller Algorithm.

50 Chapter 4 : EXPERIMENT AND EVALUATE. Experiment and evaluation. 56 Chapter 5 : CONCLUSION AND FUTURE IMPROVEMENT. 60 Department of Automatic Control vii TABLE OF FIGURE Figure 1 : YoLo architecture.

1 Figure 2 : Two types of Pyraminds Feature. 2 Figure 3 : Research approach. 2 Figure 4 : Product images we used to train the model. 3 Figure 5 : Auto annotation in Roboflow.

3 Figure 6 : Sample annotation file for an image. 4 Figure 7 : IoU calculation. 4 Figure 8 : Precision, Recall, mAP@IoU:0.5 and mAP@IoU:0. 6 Figure 9 : Prediction results on training images in batch 0 and 1.

6 Figure 10 : Prediction results on validation images in batch 0 and 1. 6 Figure 11 : AI vs Machine Learning vs Deep Learning. 7 Figure 12 : Machine Learning Parts. 8 Figure 13 : The CNN Components.

10 Figure 14 : A visual representation of the primary calculations. 12 Figure 15 : Effects of different convolution matrices. 13 Figure 16 : Stride 1, the filter windows move only one time. 14 Figure 17 : The effect of stride in the output.

14 Figure 18 : Zero-padding. 15 Figure 19 : Pooling layer. 16 Figure 20 : Function of Activation. 17 Figure 21 : Fully-connected layer.

18 Figure 22 : Forward and backpropagation in hidden CNN layers. 19 Figure 23 : Data collection. 20 Figure 24 : Traing during 10 epochs. 22 Figure 25 : Accuracy and Loss Chart.

23 Figure 26 : Python programming language. 25 Figure 27 : Features of Python. 27 Figure 28 : Multi-axis motion control system. 29 Figure 29 : Structure of motion control system.

29 Figure 30 : Stepper motor system. 31 Department of Automatic Control viii Figure 31 : Open-loop control method. 31 Figure 32 : Block diagram. 35 Figure 33 : Flowchart of Sequence Test.

36 Figure 34 : System equipment layout diagram. 37 Figure 35 : Solenoid Control Diagram. 37 Figure 36 : Actuator Diagram. 38 Figure 37 : Driver and Motor Wiring Diagram.

38 Figure 38 : Lead Screw and nut size. 45 Figure 39 : Diagram for image processing. 46 Figure 40 : Connect PLC with PC. 47 Figure 41 : Ladder Logic Programming.

48 Figure 42 : Set up Motion Motor Speed. 48 Figure 43 : Speed Position Control. 49 Figure 44 : The DSZR command. 49 Figure 45 : The DRVA Command.

49 Figure 46 : Machine Interface. 51 Figure 48 : Overview of the model. 51 Figure 49 : Red Product Pass. 52 Figure 50 : Blue Product Pass.

53 Figure 51 : Image (1) Fail object. 53 Figure 52 : Image (2) Fail object. 53 Figure 53 : Image (3) Fail object. 54 Figure 54 : Image (4) Fail object.

54 Figure 55 : Image (5) Fail object. 55 Figure 56 : Image (6) Fail object. 55 Figure 57 : Evaluation Metrics. 56 Figure 58 : Predicted Labels.

56 Department of Automatic Control ix LIST OF TABLE Table 1. Output shape during training. CNN Parameter and result. List of Electrical devices.

The requirement of 2 axis’s motor. 41 Department of Automatic Control x ABSTRACT Convolutional neural networks (CNNs) are one of the main types of neural networks used for image recognition and classification. CNNs have several uses, some of which are object recognition, image processing, computer vision, and face recognition. Input for convolutional neural networks is provided through images.

With the increasing demand for services and higher product perfection in the market, product defect classification has become one of the most important processes in production and quality control, ensuring that the best quality products are released to the market. In this study, we present a method for classifying defective product barcodes, based on barcode data combined with machine learning techniques. The main objective of this research is to automate the process of detecting and classifying defective products, thereby improving production efficiency. We apply knowledge gained from subjects such as image processing and PLC to design our research methodology, drawing from both academic knowledge and various sources of scientific reports available online, and propose the application of machine learning techniques, neural networks, and the YOLOv5 model into the system.

The system is trained on a dataset of over 100,000 images, with more than 40,000 good samples and more than 40,000 defective samples labeled. With an estimated model accuracy of up to 90%, experimental results demonstrate the effectiveness of the model in accurately classifying defective products, providing a robust solution for real-time quality control in production environments. Department of Automatic Control xi INTRODUCTION CHAPTER 1 : INTRODUCTION 1. Problem statement In the modern manufacturing and distribution industry, barcodes have become an indispensable tool for tracking and managing goods.

Barcodes help quickly identify product information, such as name, value, manufacturer, and other important information. Barcode scanning is an indispensable part of inventory control, sales, and distribution processes, helping to reduce errors and save time compared to manual management. However, barcodes on products can encounter some problems, leading to inaccurate or unscannable scanning. Common barcode errors include: blurred codes, barcodes damaged by impact during transportation, unclear printing errors, or dirty barcodes.

These errors not only reduce the ability to identify and track products, but can also cause problems in product quality control and supply chain management. To solve this problem, it is very important to develop an automatic classification system for barcode defective products. The main problem of this project is to develop an automatic classification system for barcode defective products in the production process, which helps to improve the efficiency of quality control and reduce human errors, while improving production efficiency and product quality. Aim of study In this topic, we want to develop an automated system to classify the type of the object then classify defective products in the production process by analyse the barcode, thereby improving product quality.

Most importantly, we can apply the knowledge of image processing and control algorithms that have been imparted during the learning process into a practical model, thereby creating a solid knowledge base and foundation to be able to develop the above product and apply it practically in the industrial environment. Object and range of study Due to limitations in time, investment and other objective reasons, the project only stops at researching and testing the design model with the given technical requirements:  Develop a system for detecting and classifying barcode errors using CNN  Classification accuracy: 95%  Error detection accuracy: 85%  Classify 165 products per hour Department of Automatic Control 1 INTRODUCTION 1. Research methods  The calculation for system element selection satisfies both hardware and software.  Connect the communication between the elements in the system.

 Build image process model applying Python programming language by Pycharm software.  Build logic control algorisms on a Programmable Logic Controller.  Testing and investigating the designed model.  Product experience and recommendations for improvement.

Structure of study Chapter 1. Theoretical Basis Chapter 3. System Configuration Chapter 4. Experiment and Evaluation Chapter 5.

Conclusion and Future Work Department of Automatic Control 2 THEORETICAL BASIS CHAPTER 2 : THEORETICAL BASIS 2. Overview of Object Detection by Yolov5 2.1 Introduction YOLOv5 is a one-stage object detection architecture, where object detection is treated as a regression problem. It simultaneously estimates the class probabilities and bounding box coordinates that enclose the object in a single step on the input image. Like other one-stage detection frameworks (such as SSD, YOLOv3, YOLOv4, RetinaNet), YOLOv5 consists of three main components: the backbone, neck, and head (Fig.

The head layer is also referred to as the YOLO layer. The backbone's role is to extract distinctive features from the input image.