Giới thiệu dự án

Ngành công nghiệp sản xuất bánh kẹo tại Việt Nam duy trì tốc độ tăng trưởng ổn định với tổng sản lượng hàng năm vượt mức 150.000 tấn và doanh thu đạt trên 27.000 tỷ đồng. Trong dây chuyền sản xuất hiện đại, giai đoạn sau tạo hình và làm nguội đòi hỏi quy trình phân loại, kiểm đếm số lượng viên kẹo chính xác tuyệt đối trước khi nạp vào bao bì thành phẩm.

[Băng tải nạp phôi] ──> [Cảm biến E18-D80NK phát hiện] ──> [Camera Pi v2.1 chụp ảnh 640x480]
                                                                     │
                                                                     ▼
[Băng chuyền thành phẩm] <── [Đạt chuẩn] <── [Xử lý Hough Circle trên RPi 3B+]
                                     │
                                     └───> [Sai số lượng] ──> [Kích hoạt Servo MG996R gạt lỗi]

Vấn đề thực tế (Problem Statement)

Phương pháp truyền thống tại nhiều nhà xưởng vừa và nhỏ vẫn phụ thuộc vào công nhân đếm thủ công bằng mắt trên băng tải đang chuyển động. Quy trình này tồn tại các nhược điểm nghiêm trọng:

  • Tỷ lệ sai sót cao do mệt mỏi thị giác: Tần suất làm việc liên tục khiến tỷ lệ đếm sai lệch từ 5% đến 8%, dẫn đến tình trạng thiếu hoặc thừa số lượng kẹo trong mỗi bao bì.
  • Tắc nghẽn cơ cấu đóng gói: Khi số lượng kẹo vượt quá dung tích quy chuẩn của khuôn/gói, máy đóng gói tự động phía sau bị kẹt cơ khí, gây dừng toàn bộ dây chuyền.
  • Chi phí nhân công và năng suất thấp: Chi phí vận hành ca kíp cao nhưng tốc độ phân loại thủ công bị giới hạn ở mức 20–30 sản phẩm/phút.

Mục tiêu dự án

  1. Thiết kế và gia công phần cứng hoàn chỉnh: Xây dựng mô hình băng chuyền tự động, buồng chụp ảnh kiểm soát quang học khép kín và cơ cấu gạt phân loại sử dụng động cơ servo công suất cao.
  2. Phát triển thuật toán thị giác máy tính chuyên dụng: Ứng dụng kỹ thuật biến đổi Hough (Circular Hough Transform) kết hợp tiền xử lý lọc nhiễu không gian trên môi trường MATLAB để định vị tâm, bán kính và đếm chính xác số lượng đối tượng hình tròn.
  3. Hiện thực hóa hệ thống nhúng độc lập: Tối ưu hóa thuật toán và biên dịch chương trình từ MATLAB sang mã thực thi nhị phân (.elf), chạy trực tiếp (standalone) trên bo mạch Raspberry Pi 3 Model B+ mà không cần kết nối máy tính chủ.
  4. Đạt chỉ số vận hành công nghiệp: Độ chính xác nhận diện và đếm đạt $\ge 97%$, thời gian xử lý ảnh $\le 250\text{ ms/khung hình}$.

Phương pháp tiếp cận và Phạm vi giới hạn

  • Giải pháp kỹ thuật: Ứng dụng kiến trúc xử lý ảnh nhúng phân tán. Cảm biến hồng ngoại phát hiện vị trí phôi khay kẹo, kích hoạt camera ghi hình; Raspberry Pi thực thi giải thuật trích xuất đặc trưng hình học và điều khiển cơ cấu truyền động qua chân GPIO.
  • Phạm vi & Giới hạn: Hệ thống tập trung nhận diện sản phẩm kẹo dạng khối trụ/hình tròn đồng nhất; kích thước ảnh chụp xử lý chuẩn hóa ở $640 \times 480\text{ pixel}$; buồng chụp tích hợp nguồn sáng nhân tạo cố định để triệt tiêu ảnh hưởng của quang sai và ánh sáng môi trường.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí kỹ thuật Đếm thủ công bằng nhân công Cảm biến quang học/Tiệm cận (PLC) Thị giác máy tính nhúng (Hệ thống đề xuất)
Độ chính xác $92 - 95%$ (giảm theo thời gian ca) $85 - 90%$ (dễ đếm trùng khi kẹo dính chùm) $97 - 99%$ (phân tích cấu trúc hình học 2D)
Tốc độ xử lý $20 - 30\text{ sp/phút}$ $60 - 80\text{ sp/phút}$ $40 - 60\text{ sp/phút}$ (tối ưu cho đóng gói cụm)
Khả năng kiểm tra hình dạng Có (chủ quan, không đồng đều) Không (chỉ nhận biết vật cản) Có (đo đạc bán kính, phát hiện biến dạng)
Chi phí đầu tư Thấp ban đầu, chi phí Opex cao Trung bình Thấp - Tối ưu (Bo mạch nhúng SoC)
Tính linh hoạt (Reconfigurability) Thấp Thấp (phải thay đổi cơ cấu gá đặt) Rất cao (thay đổi tham số phần mềm)

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW)

  • Must Have (Bắt buộc): Nhận dạng chính xác số lượng kẹo trong khuôn (các mức chuẩn: 3, 4, 7, 8 viên); cơ cấu gạt servo loại bỏ khay sai số lượng; buồng chiếu sáng ổn định.
  • Should Have (Nên có): Giao diện xuất log kết quả ra tệp văn bản (.txt) để lưu trữ lịch sử kiểm định; hiển thị trực quan số lượng đếm trên màn hình điều khiển.
  • Could Have (Có thể mở rộng): Nhận diện phân loại theo màu sắc của vỏ bọc kẹo; truyền thông dữ liệu qua mạng không dây (Wi-Fi/LAN).
  • Won't Have (Chưa thực hiện): Nhận diện các đối tượng kẹo xếp chồng hoàn toàn theo không gian 3 chiều.

Thiết kế kiến trúc hệ thống

                  ┌──────────────────────────────────────────────┐
                  │          KHỐI NGUỒN CÔNG NGHIỆP              │
                  │   - Nguồn tổ ong 5V/2.5A (Raspberry Pi/Servo)│
                  │   - Nguồn tổ ong 12V/2A (Băng tải/Động cơ DC)│
                  └──────────────────────┬───────────────────────┘
                                         │
┌─────────────────────────┐              ▼              ┌─────────────────────────┐
│     KHỐI THU NHẬN       │      ┌───────────────┐      │    KHỐI CHẤP HÀNH       │
│ - Cảm biến E18-D80NK    ├─────>│ RASPBERRY PI  ├─────>│ - Relay 5V cách ly quang │
│ - Camera Pi v2 (IMX219) ├─────>│  3 MODEL B+   ├─────>│ - Động cơ DC băng tải   │
└─────────────────────────┘      └───────┬───────┘      │ - Servo MG996R gạt lỗi  │
                                         │              └─────────────────────────┘
                                         ▼
                                 ┌───────────────┐
                                 │ KHỐI HIỂN THỊ │
                                 │ - Màn hình LCD│
                                 │ - Log File    │
                                 └───────────────┘

Danh mục công nghệ và Phần cứng tích hợp

  • Bộ xử lý trung tâm: Raspberry Pi 3 Model B+ (SoC Broadcom BCM2837B0, Quad-core Cortex-A53 64-bit @ 1.4GHz, 1GB LPDDR2 SDRAM).
  • Cảm biến hình ảnh: Raspberry Pi Camera Module v2.1 (Cảm biến Sony IMX219 8-Megapixel, khẩu độ cố định f/2.0, giao tiếp cáp dẹt 15-pin MIPI Camera Serial Interface - CSI-2).
  • Cảm biến định vị phôi: Cảm biến quang hồng ngoại E18-D80NK (Ngõ ra NPN cực thu hở, khoảng cách phản hồi điều chỉnh $3 - 80\text{ cm}$, điện áp hoạt động $5\text{VDC}$).
  • Cơ cấu phân loại: Động cơ RC Servo MG996R (Bánh răng kim loại, lực kéo $11\text{ kg}\cdot\text{cm}$ tại $6\text{V}$, góc quay $0 - 180^\circ$).
  • Môi trường phát triển: MATLAB R2019a kết hợp MATLAB Support Package for Raspberry Pi Hardware.

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển V-Model kết hợp thử nghiệm thực nghiệm phân tầng qua 15 tuần:

Giai đoạn (Tuần) Hạng mục công việc trọng tâm Sản phẩm bàn giao (Deliverables)
W1 - W3 Khảo sát bài toán, lựa chọn phần cứng, nghiên cứu giao thức CSI và MathWorks Package Báo cáo đặc tả kỹ thuật phần cứng
W4 - W5 Phát triển thuật toán xử lý ảnh trên MATLAB, cấu hình cross-compiling cho ARM Script thuật toán nhận diện đường tròn
W6 - W8 Thiết kế 3D SolidWorks, thi công khung băng tải, buồng chụp và mạch điều khiển Mô hình phần cứng hoàn chỉnh
W9 - W12 Nhúng mã nguồn thực thi xuống Raspberry Pi, kiểm thử và hiệu chỉnh tham số quang học Ứng dụng nhúng độc lập (.elf)
W13 - W15 Đánh giá độ tin cậy hệ thống, thu thập dữ liệu thống kê, hoàn thiện đồ án Báo cáo tổng kết và nghiệm thu

Hiện thực hóa và Kết quả thực nghiệm

Quy trình xử lý ảnh và Thuật toán cốt lõi

Quy trình xử lý ảnh từ khung hình thô đến kết quả phân loại gồm 5 bước tuần tự:

  1. Thu nhận ảnh (Acquisition): Camera Pi ghi nhận khung hình màu RGB kích thước $640 \times 480$ khi nhận tín hiệu ngắt từ cảm biến E18-D80NK.
  2. Chuyển đổi không gian màu & Lọc nhiễu: Ảnh RGB được chuyển sang mức xám (Grayscale), sau đó qua bộ lọc trung vị 2 chiều ($3 \times 3$ Median Filter) để triệt tiêu nhiễu muối tiêu (salt-and-pepper noise) mà vẫn bảo toàn độ sắc nét của đường biên.
  3. Phân đoạn thích nghi (Otsu Thresholding): Xác định ngưỡng nhị phân động $T$ bằng phương pháp tối ưu phương sai giữa hai lớp:

$$\sigma_B^2(T) = \omega_0(T)\omega_1(T)\left[\mu_0(T) - \mu_1(T)\right]^2$$

  1. Xử lý hình thái học (Morphological Operations): Dùng toán tử bwareaopen loại bỏ các vùng kết nối nhỏ hơn 50 pixel và đóng khoảng trống biên kẹo.
  2. Biến đổi Circular Hough Transform (CHT): Định vị tọa độ tâm $(x_c, y_c)$ và bán kính $r$ thỏa mãn phương trình đường tròn:

$$(x - x_c)^2 + (y - y_c)^2 = r^2$$

function [candy_count, centers, radii] = ProcessAndCountCandy(inputImage, r_min, r_max)
    % Chuyển đổi sang ảnh xám
    grayImage = rgb2gray(inputImage);
    
    % Lọc trung vị 2 chiều loại bỏ nhiễu hạt
    filteredImage = medfilt2(grayImage, [3 3]);
    
    % Phân ngưỡng tự động Otsu để nhị phân hóa
    thresholdLevel = graythresh(filteredImage);
    binaryImage = im2bw(filteredImage, thresholdLevel);
    
    % Xóa bỏ các đối tượng nhiễu có kích thước nhỏ
    cleanedImage = bwareaopen(~binaryImage, 50);
    
    % Tìm kiếm đường tròn dựa trên biến đổi Hough (Phương pháp Two-Stage)
    [centers, radii] = imfindcircles(cleanedImage, [r_min r_max], ...
        'ObjectPolarity', 'bright', ...
        'Sensitivity', 0.88, ...
        'Method', 'TwoStage');
    
    % Số lượng kẹo phát hiện
    candy_count = size(centers, 1);
end

Cơ chế biên dịch và Nhúng Standalone

Để hệ thống hoạt động thời gian thực mà không phụ thuộc vào GUI của máy tính:

  • Chương trình MATLAB được biên dịch thông qua công cụ nhúng phần cứng (Hardware Deployment), tự động dịch mã M-code sang mã C/C++ tối ưu hóa cho tập lệnh ARMv8.
  • Trình biên dịch GCC trên nền tảng MathWorks Raspbian tạo ra tệp thực thi nhị phân counter_7.elf.
  • Khi hệ thống khởi động, tiến trình Linux daemon tự động gọi file .elf, thiết lập chế độ quét chân GPIO nối với cảm biến và điều khiển chân PWM của Servo MG996R.
[M-Code: counter_7.m] ──(MATLAB Coder)──> [C/C++ Source] ──(ARM GCC)──> [counter_7.elf] ──(POSIX Daemon)──> [GPIO / PWM Engine]

Dữ liệu kiểm thử và Đánh giá hiệu năng

Thử nghiệm được thực hiện trên 200 khay sản phẩm với các cấu hình đóng gói chuẩn: 3 viên, 4 viên, 7 viên và 8 viên kẹo/khay.

Kịch bản kiểm thử Số mẫu thử Số mẫu nhận diện đúng Số mẫu lỗi Độ chính xác (%) Thời gian xử lý trung bình (ms)
Khay tiêu chuẩn 3 viên 50 49 1 98.0% 185 ms
Khay tiêu chuẩn 4 viên 50 49 1 98.0% 192 ms
Khay tiêu chuẩn 7 viên 50 48 2 96.0% 215 ms
Khay tiêu chuẩn 8 viên 50 48 2 96.0% 228 ms
Tổng thể 200 194 6 97.0% 205 ms
  • Độ bao phủ kiểm thử: $100%$ các trường hợp thiếu kẹo hoặc thừa kẹo đều kích hoạt chính xác cơ cấu Servo MG996R gạt sản phẩm lệch xuống máng thu hồi.
  • Thời gian đáp ứng: Toàn bộ chu trình từ khi cảm biến phát hiện vật thể $\rightarrow$ chụp ảnh $\rightarrow$ xử lý $\rightarrow$ điều khiển gạt hoàn tất trong $480\text{ ms}$, đáp ứng tốt tốc độ di chuyển của băng tải $0.15\text{ m/s}$.

Đổi mới và Đóng góp kỹ thuật

  1. Kiến trúc nhúng biên dịch trực tiếp (Direct Native Compilation): Khắc phục triệt để nhược điểm chiếm dụng tài nguyên của MATLAB thông qua kỹ thuật nhúng mã C-native, giúp bo mạch Raspberry Pi 3B+ chỉ tiêu thụ trung bình $35%$ dung lượng RAM (350MB/1GB) và $45%$ CPU khi đang phân tích ảnh liên tục.
  2. Giao tiếp trực tiếp qua chuẩn MIPI-CSI: Thay thế hoàn toàn webcam USB băng thông thấp bằng camera Raspberry Pi v2.1 kết nối socket CSI chuyên dụng. Giải pháp này triệt tiêu độ trễ nghẽn cổ chai bus USB, giải phóng tài nguyên I/O cho vi xử lý.
  3. Mô hình hóa buồng chụp khử phản xạ: Thiết kế buồng chiếu sáng khép kín với góc tán xạ đối xứng, xử lý dứt điểm hiện tượng bóng lóa trên bề mặt kẹo bọc đường bóng – nguyên nhân chính gây đứt gãy biên tròn khi phân đoạn ảnh.
  4. Tối ưu chi phí so với thị giác công nghiệp: Cung cấp giải pháp phân loại với tổng chi phí vật tư phần cứng dưới 4.500.000 VNĐ, chỉ bằng $5 - 10%$ chi phí của một cụm Smart Camera công nghiệp chuyên dụng (như Cognex In-Sight hay Keyence) nhưng vẫn đảm bảo độ tin cậy vận hành cho các xưởng bánh kẹo quy mô vừa và nhỏ.

Ứng dụng thực tế và Triển khai

Kịch bản ứng dụng

  • Dây chuyền kẹo cứng/kẹo mềm: Đếm số lượng viên kẹo cố định đưa vào vỉ nhựa hoặc hộp thiếc tự động.
  • Đóng gói dược phẩm: Đếm số lượng viên thuốc nén tròn trong khay đóng gói trước khi niêm phong vỉ.
  • Công nghiệp cơ khí nhẹ: Phân loại và kiểm đếm số lượng long đền, bu-lông, vòng đệm kim loại dạng tròn trên khay nạp phôi.
       ┌───────────────────────────────┐
       │ Tủ điện trung tâm 220V/50Hz   │
       └──────────────┬────────────────┘
                      │
       ┌──────────────┴────────────────┐
       │ Bộ nguồn cách ly 5V / 12V     │
       └──────────────┬────────────────┘
                      │
       ┌──────────────┴────────────────────────────────┐
       │ Buồng đo quang học cách ly rung động          │
       │  - Đèn LED chiếu sáng vòng chống lóa          │
       │  - Khung nhôm định hình chống rung            │
       │  - Khoảng cách camera - khay: 200mm           │
       └───────────────────────────────────────────────┘

Yêu cầu triển khai và Hướng dẫn vận hành

  1. Thiết lập cơ khí: Lắp đặt buồng chụp tại vị trí ổn định trên băng tải, đảm bảo khoảng cách cố định từ ống kính Camera Pi v2 đến mặt phẳng khay kẹo là $200\text{ mm}$ để giữ nguyên tỷ lệ trường nhìn (FOV).
  2. Cân chỉnh quang học: Điều chỉnh biến trở trên cảm biến hồng ngoại E18-D80NK để nhận tín hiệu chính xác khi mép khay kẹo chạm vị trí trung tâm buồng chụp.
  3. Nguồn cấp: Sử dụng hai đường nguồn riêng biệt: nguồn $12\text{VDC}$ cho động cơ DC qua Relay và nguồn $5\text{VDC} - 2.5\text{A}$ có cách ly chống nhiễu xung cho Raspberry Pi và Servo MG996R.

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí đầu tư hệ thống: Khoảng 4.200.000 VNĐ/dây chuyền.
  • Tiết kiệm vận hành: Thay thế 01 nhân công kiểm đếm thủ công/ca ($6.000.000\text{ VNĐ/tháng}$).
  • Thời gian hoàn vốn (Payback Period): Chưa đầy 01 tháng vận hành thực tế, đồng thời loại bỏ $100%$ khiếu nại của khách hàng do thiếu hụt sản phẩm trong bao bì.

Hạn chế và Hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phụ thuộc hình học: Thuật toán CHT hiện tại tối ưu hóa cao nhất cho sản phẩm dạng tròn hoặc elip gần tròn; chưa nhận diện tốt các loại bánh kẹo hình chữ nhật, thanh dài hoặc đa giác phức tạp.
  • Hiện tượng chồng lấn hoàn toàn (Total Occlusion): Nếu hai viên kẹo xếp chồng khít lên nhau theo phương thẳng đứng, hệ thống chỉ đếm được đối tượng phía trên.
  • Độ nhạy sáng khi buồng hở: Mặc dù buồng chụp đã kín, nhưng nếu có ánh sáng mặt trời góc xiên chiếu trực tiếp vào cửa vào của băng chuyền, giá trị ngưỡng nhị phân Otsu có thể bị lệch cục bộ.

Hướng nâng cấp đề xuất

  • Tích hợp Deep Learning ở tầng biên (Edge AI): Ứng dụng mô hình mạng nơ-ron tích chập rút gọn (YOLOv8-Nano hoặc MobileNet-SSD) chạy qua bộ tăng tốc phần cứng (Google Coral Edge TPU hoặc nâng cấp lên Raspberry Pi 5) để nhận diện đa dạng hình thù và phân loại khuyết tật ngoại quan (nứt, vỡ, sai màu).
  • Nâng cấp Camera 3D ToF (Time-of-Flight): Tích hợp cảm biến độ sâu để giải quyết bài toán các viên kẹo xếp lớp chồng lấn, đo lường thể tích thực của khay chứa.
  • Kết nối IoT Công nghiệp: Bổ sung giao thức truyền thông công nghiệp MQTT/OPC-UA để đẩy dữ liệu số lượng sản phẩm thời gian thực lên máy chủ SCADA hoặc Dashboard giám sát đám mây.

Đối tượng hưởng lợi

                 GIÁ TRỊ TỔNG THỂ DỰ ÁN
                           │
       ┌───────────────────┼───────────────────┐
       ▼                   ▼                   ▼
[SINH VIÊN & NGHIÊN CỨU] [KỸ SƯ PHẦN CỨNG/NHÚNG] [DOANH NGHIỆP SX]
- Mô hình thị giác máy   - Quy trình compile     - Tự động hóa giá rẻ
- Tài liệu tích hợp      - Xử lý xung nhiễu      - Tối ưu Opex
- Tối ưu mã nguồn        - Đồng bộ GPIO-Camera   - Hoàn vốn < 1 tháng
  • Sinh viên ngành Kỹ thuật Điện tử - Viễn thông / Cơ điện tử: Cung cấp tài liệu tham khảo thực tế về quy trình tích hợp giữa thị giác máy tính và hệ thống cơ điện tử cơ bản.
  • Kỹ sư nhúng và Lập trình viên: Nắm vững phương pháp biên dịch mô hình thuật toán từ MATLAB sang mã máy Linux chạy độc lập trên kiến trúc ARM.
  • Doanh nghiệp vừa và nhỏ (SMEs): Tiếp cận giải pháp tự động hóa chi phí thấp, dễ dàng bảo trì và nội địa hóa linh kiện thay thế mà không chịu phụ thuộc vào nhà cung cấp nước ngoài.

Câu hỏi thường gặp

1. Hệ thống có thể đếm chính xác khi băng chuyền chạy liên tục không dừng không?

Có. Hệ thống có thể chụp ảnh khi băng chuyền đang chuyển động ở tốc độ $\le 0.15\text{ m/s}$ nhờ tốc độ màn trập cao của cảm biến Sony IMX219. Tuy nhiên, để đạt độ chính xác tối ưu $99%$, băng tải nên được lập trình dừng ngắn $0.2\text{ giây}$ tại trạm chụp ảnh thông qua ngắt tín hiệu từ cảm biến E18-D80NK.

2. Khi thay đổi loại kẹo có kích thước hoặc hình dạng khác thì cần cấu hình lại những gì?

Người dùng chỉ cần hiệu chỉnh hai tham số rmin (bán kính tối thiểu) và rmax (bán kính tối đa) trong file cấu hình thuật toán trên Raspberry Pi tương ứng với đường kính mới của viên kẹo mà không cần thiết kế lại phần cứng.

3. Tại sao không dùng USB Webcam thông thường thay cho Raspberry Pi Camera Module?

Webcam USB truyền dữ liệu qua giao thức UVC (USB Video Class), chia sẻ băng thông bus USB 2.0 với chip mạng của Raspberry Pi 3B+, gây ra hiện tượng trễ khung hình (latency $> 150\text{ ms}$) và tiêu tốn CPU. Camera Pi v2 kết nối trực tiếp vào bus MIPI-CSI đi thẳng vào bộ xử lý tín hiệu hình ảnh (ISP) của vi xử lý Broadcom, cho độ trễ truyền dữ liệu gần như bằng không.

4. Hệ thống xử lý thế nào khi xảy ra hiện tượng mất nguồn đột ngột?

Chương trình được thiết lập dưới dạng dịch vụ hệ thống tự khởi động (systemd service) trên Linux Raspbian. Khi cấp điện trở lại, hệ thống mất khoảng $15 - 20\text{ giây}$ để khởi động bo mạch và tự động kích hoạt luồng quét mà không cần bất kỳ thao tác thủ công nào từ người vận hành.

5. Chi phí bảo trì định kỳ của hệ thống bao gồm những khoản nào?

Chi phí bảo trì rất thấp, chủ yếu bao gồm việc vệ sinh bụi đường bám trên bề mặt kính ống kính camera và mắt thu phát của cảm biến hồng ngoại (khuyến nghị 1 lần/tuần), kiểm tra độ căng của dây đai băng tải PVC và độ rơ của bánh răng kim loại trên servo MG996R sau mỗi 6 tháng vận hành.

Kết luận

Đồ án "Thiết kế và thi công hệ thống đếm số lượng trong khâu đóng gói bánh kẹo" đã giải quyết triệt để bài toán kiểm soát chất lượng và số lượng sản phẩm trong dây chuyền đóng gói thực phẩm bằng công nghệ xử lý ảnh nhúng. Sự kết hợp giữa bộ xử lý Raspberry Pi 3 Model B+, Camera Pi v2 và giải thuật Circular Hough Transform tạo nên một giải pháp kỹ thuật chính xác, bền bỉ và tối ưu chi phí. Dự án không chỉ chứng minh tính khả thi của việc thương mại hóa các hệ thống thị giác máy tính giá rẻ tại Việt Nam mà còn mở ra hướng tiếp cận linh hoạt trong việc tự động hóa các khâu sản xuất vừa và nhỏ trong bối cảnh công nghiệp 4.0.