Giới thiệu dự án

Sự bùng nổ của quá trình đô thị hóa và gia tăng dân số toàn cầu đang đặt ra những thách thức nghiêm trọng về quản lý chất thải rắn đô thị (Municipal Solid Waste - MSW). Theo báo cáo từ Ngân hàng Thế giới (World Bank), lượng chất thải rắn phát sinh hằng năm vượt mốc 2,01 tỷ tấn và dự kiến đạt 3,40 tỷ tấn vào năm 2050. Tại Việt Nam, tỷ lệ phân loại rác tại nguồn còn thấp, phần lớn quy trình xử lý tại các bãi tập kết và nhà máy tái chế phụ thuộc vào lao động thủ công. Phương pháp truyền thống này bộc lộ nhiều điểm nghẽn: năng suất giới hạn (trung bình 20–30 thao tác/phút), nguy cơ phơi nhiễm hóa chất độc hại, kim loại sắc nhọn và mầm bệnh sinh học đối với công nhân.

Đề tài "Thiết kế mô hình Robot Delta ứng dụng phân loại rác thải" được thực hiện nhằm xây dựng giải pháp tự động hóa thông minh, giải quyết triệt để bài toán phân loại rác tái chế (chai nhựa PET và lon nhôm) trên dây chuyền băng tải bằng việc tích hợp cơ cấu động học song song (Parallel Robot) và thị giác máy tính dựa trên học sâu (Deep Learning).

Mục tiêu cụ thể của dự án:

  1. Thiết kế và tối ưu hóa kết cấu cơ khí Robot Delta 3 bậc tự do (3-DOF) trên phần mềm Solidworks 2021 với không gian làm việc $600 \times 500 \times 600\text{ mm}$.
  2. Tính toán mô hình động học thuận (Forward Kinematics) và động học nghịch (Inverse Kinematics) để điều khiển chính xác vị trí khâu chấp hành cuối.
  3. Xây dựng tập dữ liệu, tiền xử lý và huấn luyện mô hình thị giác học sâu YOLOv5 nhận dạng 2 đối tượng rác thải theo thời gian thực.
  4. Phát triển giải thuật ánh xạ tọa độ không gian ảnh sang hệ tọa độ thực tế của Robot và điều khiển đồng bộ hệ thống phần cứng qua vi điều khiển Arduino Mega 2560.
  5. Kiểm nghiệm, đánh giá độ chính xác và hiệu năng hệ thống trên bộ dữ liệu thực nghiệm gồm 900 mẫu trong các điều kiện chiếu sáng khác nhau.

Phạm vi nghiên cứu tập trung vào việc nhận dạng và phân loại hai nhóm rác thải tái chế điển hình là chai nhựa và vỏ lon kim loại di chuyển trên băng tải phẳng với tải trọng gắp tối đa 300g. Giới hạn hệ thống sử dụng cơ cấu hút chân không khí nén kết hợp van điện từ 2 chiều, phù hợp cho các vật thể có bề mặt nhẵn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân loại rác thải tự động trên thế giới hiện nay được chia thành ba nhóm công nghệ chính:

Phương pháp Nguyên lý hoạt động Ưu điểm Nhược điểm
Cảm biến chuyên dụng Cảm biến tiệm cận kim loại, cảm biến điện dung, cảm biến quang Chi phí thấp, tốc độ phản hồi nhanh (<10ms), mạch xử lý đơn giản Không phân biệt được hình dạng/kích thước; khó mở rộng số lớp phân loại
Camera phổ (Hyper-spectral) Đo độ phản xạ quang phổ của vật liệu ở các bước sóng khác nhau Độ chính xác cao với vật liệu phức tạp (nhựa HDPE, PVC, PP) Chi phí đầu tư phần cứng cực kỳ đắt đỏ; yêu cầu bộ tiền xử lý cồng kềnh
Thị giác máy tính & AI (YOLOv5) Trích xuất đặc trưng hình ảnh qua mạng nơ-ron tích chập (CNN) Phân loại linh hoạt, độ chính xác cao (>95%), định vị tọa độ thời gian thực Yêu cầu năng lực tính toán GPU; độ chính xác phụ thuộc tập dữ liệu huấn luyện

So sánh với các giải pháp Robot công nghiệp hiện hành:

  • Hệ thống FANUC M-2iA (Nhật Bản): Robot Delta 3–6 bậc tự do chuyên dụng, tốc độ đạt 55 lần nhặt/phút nhưng giá thành cao, hệ thống điều khiển đóng kín.
  • Robot phân loại CSAIL (Mỹ): Robot nối tiếp 6 bậc tự do, tốc độ 10–15 lần nhặt/phút, quán tính chuyển động lớn, không tối ưu cho tác vụ nhặt - thả (Pick & Place) tốc độ cao.
  • Mô hình nghiên cứu SCARA tại HCMUTE: Khả năng định vị tốt nhưng tốc độ chu kỳ phân loại còn hạn chế do cấu trúc nối tiếp.

Yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must Have: Robot Delta 3-DOF hoạt động chính xác trong vùng $600 \times 500 \times 600\text{ mm}$; nhận dạng chính xác chai nhựa và lon với mAP > 90%; điều khiển cơ cấu hút khí nén đồng bộ.
  • Should Have: Giao diện giám sát người dùng trên Visual Studio Code (Python Tkinter/CustomTkinter); tự động chuyển đổi hệ tọa độ ảnh – thực.
  • Could Have: Tích hợp bộ đếm sản phẩm và thống kê phân loại thời gian thực.
  • Won't Have: Cơ cấu xoay 4-DOF khâu chấp hành cuối (Orientation C-axis); phân loại vật thể biến dạng hoàn toàn hoặc dính bùn đất nặng.

Thiết kế hệ thống

Kiến trúc hệ thống phân loại rác tự động được tổ chức thành 4 khối chức năng:

+-------------------------------------------------------------+
|                     Khối Thị Giác (Vision)                  |
|    Logitech C920 Camera (Full HD) -> USB -> Host PC / GPU   |
|            (YOLOv5 Inference + Trích xuất tâm vật thể)      |
+------------------------------+------------------------------+
                               | Tọa độ Pixel (u, v)
                               v
+-------------------------------------------------------------+
|                  Khối Chuyển Đổi Tọa Độ                     |
|           Ánh xạ Tọa độ Ảnh -> Tọa độ Robot (Xr, Yr, Zr)    |
+------------------------------+------------------------------+
                               | Chuỗi dữ liệu qua UART (115200 bps)
                               v
+-------------------------------------------------------------+
|                   Khối Điều Khiển Trung Tâm                 |
|             Arduino Mega 2560 R3 + CNC Shield V3            |
|       (Giải Động Học Nghịch -> Bộ phát xung Step/Dir)       |
+--------------+-------------------------------+--------------+
               |                               |
               v                               v
+------------------------------+ +----------------------------+
|         Khối Chấp Hành       | |       Khối Khí Nén         |
|  3x Stepper Nema 17 + Driver | |  Relay 24V -> Bơm chân     |
|   Hộp số giảm tốc 57/11      | |  không + Van xả 2 chiều    |
+------------------------------+ +----------------------------+

Technology Stack chi tiết:

  • Thiết kế cơ khí & Mô phỏng: Solidworks 2021 SP5.0, MATLAB R2021a (khảo sát không gian làm việc).
  • Hệ thống nhúng & Firmware: Arduino IDE v2.1.0, vi điều khiển ATmega2560 (16MHz, 54 chân Digital I/O, 4 cổng UART phần cứng).
  • Phần mềm máy chủ & AI: Python 3.9, PyTorch 1.12.1+cu113, OpenCV 4.6.0, YOLOv5 v6.2 (Ultralytics), Roboflow Suite, Google Colaboratory (Nvidia Tesla T4 GPU 16GB).
  • Truyền thông: Giao thức truyền thông nối tiếp nối tiếp không đồng bộ UART (Baudrate: 115200 bps, 8 Data bits, 1 Stop bit, No parity). Cấu trúc khung dữ liệu điều khiển: $$\text{Frame} = \langle \text{START_BYTE}, \text{CLASS_ID}, X_R, Y_R, Z_R, \text{CHECKSUM}, \text{STOP_BYTE} \rangle$$
  • An toàn điện & phần cứng: Aptomat (CB) chống giật 220VAC/10A, bộ nguồn xung tổ ong chuyển đổi kép (24VDC/10A cấp động cơ và van khí, 12VDC/5A cấp logic và băng tải), Optocoupler cách ly quang tín hiệu điều khiển, nút dừng khẩn cấp (Emergency Stop) nối trực tiếp ngắt ngoài vi điều khiển.

Methodology

Dự án áp dụng mô hình phát triển xoay vòng (Iterative Development) qua 5 giai đoạn trong 20 tuần:

Tuần 1-4:  Khảo sát lý thuyết, thiết kế 3D Solidworks, tính toán động học
Tuần 5-8:  Gia công cơ khí (khung nhôm, in 3D PLA), lắp ráp kết cấu Delta
Tuần 9-12: Thu thập 1026 ảnh, gán nhãn Roboflow, huấn luyện YOLOv5 trên Colab
Tuần 13-16:Tích hợp động học nghịch trên Arduino, hiệu chuẩn tọa độ Camera-Robot
Tuần 17-20:Chạy thực nghiệm 900 mẫu, tối ưu hóa thời gian xử lý, hoàn thiện báo cáo

Quản trị rủi ro kỹ thuật:

  • Hiện tượng rung lắc cơ khí khi đổi hướng đột ngột: Giảm khối lượng đế di động bằng nhựa in 3D PLA mật độ điền đầy Infill 60%, bổ sung thuật toán gia tốc dạng hình thang (Trapezoidal Acceleration Profile).
  • Sai số ánh xạ do góc nghiêng Camera: Cố định Camera vuông góc mặt phẳng băng tải ở khoảng cách 450mm, sử dụng bàn cờ Checkerboard hiệu chỉnh méo thấu kính.

Implementation và kết quả

Development process

1. Tính toán Động học Nghịch (Inverse Kinematics)

Robot Delta 3-DOF gồm 3 chuỗi động học giống nhau đặt lệch nhau góc $120^\circ$. Đặt $R$ là bán kính đế cố định, $r$ là bán kính đế di động, $L$ là chiều dài khớp trên, $l$ là chiều dài thanh giằng hình bình hành.

Tọa độ vị trí khớp cầu trên cánh tay thứ $i$ ($i=1, 2, 3$) được xác định bởi góc quay $\theta_i$. Vị trí điểm làm việc của khâu chấp hành cuối $P(x_0, y_0, z_0)$ thỏa mãn phương trình mặt cầu tâm $J_i$ bán kính $l$: $$(x_0 - x_{Ji})^2 + (y_0 - y_{Ji})^2 + (z_0 - z_{Ji})^2 = l^2$$

Phương trình rút gọn để giải góc khớp $\theta_i$ có dạng: $$E_i \cos\theta_i + F_i \sin\theta_i + G_i = 0$$ Trong đó các hệ số $E_i, F_i, G_i$ phụ thuộc vào tọa độ $(x_0, y_0, z_0)$ và kích thước hình học của robot. Nghiệm góc quay được tính thông qua phép thế nửa góc $t_i = \tan(\theta_i / 2)$: $$t_i = \frac{-F_i \pm \sqrt{E_i^2 + F_i^2 - G_i^2}}{G_i - E_i} \implies \theta_i = 2 \arctan(t_i)$$

Đoạn mã giải thuật động học nghịch triển khai trên vi điều khiển:

// Tính toán động học nghịch Robot Delta trên Arduino
int delta_calcInverse(float x0, float y0, float z0, float &theta1, float &theta2, float &theta3) {
    theta1 = theta2 = theta3 = 0;
    // Tính toán góc theta1 cho nhánh thứ nhất (nằm trên trục YZ)
    float y1 = -0.5 * 0.57735 * f; // Bán kính đế cố định
    y0 -= 0.5 * 0.57735 * e;       // Bán kính đế di động
    
    // Phương trình nhánh 1: (y - y1)^2 + z^2 = l^2
    float a = (x0*x0 + y0*y0 + z0*z0 + rf*rf - re*re - y1*y1) / (2.0 * z0);
    float b = (y1 - y0) / z0;
    float d = -(a + b*y1)*(a + b*y1) + rf*(b*b*rf + rf);
    
    if (d < 0) return -1; // Vị trí nằm ngoài không gian làm việc
    
    float yj = (y1 - a*b - sqrt(d)) / (b*b + 1.0);
    float zj = a + b * yj;
    theta1 = atan2(-zj, (y1 - yj)) * 180.0 / PI;
    
    // Tương tự tính cho theta2 và theta3 bằng cách xoay hệ trục 120 và 240 độ
    return 0; // Thành công
}

2. Kiến trúc mạng YOLOv5 và quá trình nhận dạng

Mạng YOLOv5 sử dụng kiến trúc Backbone CSPDarknet53, kết hợp cấu trúc PANet ở phần Neck và 3 đầu ra phát hiện (Detection Heads) với các kích thước Feature Map: $13 \times 13$, $26 \times 26$, $52 \times 52$ cho ảnh đầu vào $416 \times 416\text{ px}$.

Tọa độ Bounding Box dự đoán $(\hat{b}_x, \hat{b}_y, \hat{b}_w, \hat{b}_h)$ từ Anchor Box $(p_w, p_h)$ được tính theo công thức: $$\hat{b}_x = 2\sigma(t_x) - 0.5 + c_x, \quad \hat{b}_y = 2\sigma(t_y) - 0.5 + c_y$$ $$\hat{b}_w = p_w \left(2\sigma(t_w)\right)^2, \quad \hat{b}_h = p_h \left(2\sigma(t_h)\right)^2$$

Hàm mất mát tổng hợp của YOLOv5: $$\mathcal{L}{\text{total}} = \lambda_1 \mathcal{L}{\text{box}}(\text{CIoU}) + \lambda_2 \mathcal{L}{\text{obj}}(\text{BCE}) + \lambda_3 \mathcal{L}{\text{cls}}(\text{BCE})$$

Đoạn mã tiền xử lý hình ảnh và chuyển đổi tọa độ trên Host PC:

import cv2
import torch
import serial

# Khởi tạo mô hình YOLOv5 custom weight
model = torch.hub.load('ultralytics/yolov5', 'custom', path='best_waste_yolov5.pt')
model.conf = 0.65  # Ngưỡng Confidence score
model.iou = 0.45   # Ngưỡng Non-Max Suppression NMS

ser = serial.Serial('/dev/ttyACM0', 115200, timeout=1)

def pixel_to_robot_coords(u, v):
    # Hệ số tỉ lệ thực nghiệm trên mặt phẳng băng tải (Z = -320 mm)
    kx = 0.468  # mm/pixel
    ky = 0.472  # mm/pixel
    u0, v0 = 320, 240  # Tọa độ tâm ảnh
    Xr = (u - u0) * kx + 15.0  # Bù offset cơ khí
    Yr = (v - v0) * ky + 120.0
    Zr = -320.0
    return Xr, Yr, Zr

Testing và validation

Quá trình kiểm thử mô hình được triển khai trên 2 bộ dữ liệu huấn luyện (515 ảnh gốc và 1.026 ảnh sau Data Augmentation gồm lật ảnh, đổi độ sáng $\pm 25%$, xoay $\pm 15^\circ$) qua 100 Epochs.

Bộ dữ liệu thử nghiệm Điều kiện chiếu sáng Precision (%) Recall (%) mAP@0.5 (%) F1-Score
515 ảnh (Dataset thô) Ánh sáng chuẩn (500 lux) 91.4 89.2 90.5 0.90
Thiếu sáng (<150 lux) 82.3 78.6 80.1 0.80
1026 ảnh (Augmented) Ánh sáng chuẩn (500 lux) 96.8 95.2 96.1 0.96
Thiếu sáng (<150 lux) 93.5 91.8 92.7 0.93

Đánh giá thực nghiệm toàn hệ thống phân loại với 900 mẫu thực tế:

  • Tổng số mẫu thử nghiệm: 900 mẫu (450 chai nhựa, 450 vỏ lon nhôm).
  • Số mẫu phân loại đúng: 858 mẫu.
  • Số mẫu phân loại sai/bỏ sót: 42 mẫu.
  • Độ chính xác trung bình toàn hệ thống: 95.33%.
  • Thời gian chu kỳ (Cycle Time): 1.45 giây/sản phẩm (tương đương năng suất 41–42 sản phẩm/phút).
Ma trận nhầm lẫn (Confusion Matrix) trên 900 mẫu thực tế:
                      Dự đoán Chai Nhựa     Dự đoán Lon Nhôm      Bỏ sót (Miss)
Thực tế Chai Nhựa:          428 (95.1%)           12 (2.7%)          10 (2.2%)
Thực tế Lon Nhôm:            8 (1.8%)            430 (95.6%)         12 (2.6%)

Kết quả đạt được

Hệ thống đã hiện thực hóa đầy đủ các tính năng theo kế hoạch đề ra:

[x] Cơ khí: Khung nhôm 600x500x600 mm, khớp cầu SI8T Inox, cánh tay in 3D PLA tối ưu quán tính.
[x] Động lực: Động cơ bước Nema 17 hộp số giảm tốc 57/11, tỷ số truyền dây đai GT2 2:1 triệt tiêu sai số bước.
[x] Xử lý ảnh: Nhận diện thời gian thực YOLOv5 với tốc độ 32 FPS trên GPU rời (latency 31ms).
[x] Tích hợp: Tự động hóa hoàn toàn từ phát hiện vật thể, kích hoạt băng tải, gắp và thả vào đúng 2 thùng rác riêng biệt.

Đổi mới và đóng góp

  1. Tối ưu hóa cấu trúc cơ khí nhẹ: Ứng dụng kỹ thuật in 3D FDM vật liệu PLA mật độ cao cho khớp trên và đế di động, giúp giảm $42%$ khối lượng chuyển động so với phương án gia công nhôm nguyên khối, giảm thiểu mô-men quán tính và cho phép gia tốc đạt $2.5\text{ m/s}^2$.
  2. Phương pháp chuyển đổi tọa độ trực tiếp: Xây dựng mô hình ánh xạ tọa độ không gian ảnh sang tọa độ cực của Robot thông qua ma trận thực nghiệm cục bộ, loại bỏ sự phụ thuộc vào các ma trận nội suy/ngoại suy phức tạp của Camera pinhole, giảm thời gian tính toán của CPU xuống dưới 2ms.
  3. Hiệu quả kinh tế vượt trội: So sánh với hệ thống Robot Delta công nghiệp thương mại (chi phí từ 15.000–30.000 USD), mô hình hoàn thiện có chi phí chế tạo dưới 15 triệu VNĐ (~650 USD), đạt $75%$ năng suất của các dòng robot công nghiệp phổ thông nhưng tiết kiệm hơn $95%$ chi phí đầu tư.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Hệ thống được thiết kế hướng tới việc ứng dụng trực tiếp tại các cơ sở sau:

  • Trạm trung chuyển và phân loại rác thải đô thị: Đặt tại khâu tiền xử lý rác thải rắn vô cơ để tự động thu hồi chai nhựa PET và lon nhôm có giá trị tái chế cao.
  • Nhà máy đóng chai và thực phẩm: Tự động loại bỏ các chai, lon bị móp méo, biến dạng hoặc không đúng quy cách trên băng chuyền đóng gói.
  • Tòa nhà thông minh, trung tâm thương mại: Tích hợp thành các module thùng rác thông minh tự động phân loại rác tại nguồn.
Mặt bằng bố trí dây chuyền phân loại:
[Băng tải nạp rác] ---> [Vùng Camera Scan (Logitech C920)] 
                               | (Khoảng cách 300mm)
                               v
                       [Vùng gắp Robot Delta] 
                       /                    \
                      v                      v
             [Thùng Chai Nhựa]          [Thùng Lon Nhôm]

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí đầu tư ban đầu (CAPEX): ~15.000.000 VNĐ (Bao gồm cơ khí, vi điều khiển, động cơ bước, hệ thống khí nén và camera).
  • Chi phí vận hành (OPEX): ~150.000 VNĐ/tháng (Công suất tiêu thụ điện trung bình 250W).
  • Hiệu quả thay thế nhân công: Một trạm Robot Delta 2 đầu gắp hoạt động 16 giờ/ngày có thể thay thế 2 nhân công phân loại thủ công, tiết kiệm chi phí nhân lực ước tính 160–180 triệu VNĐ/năm. Thời gian hoàn vốn đầu tư (ROI) chỉ từ 1.5 đến 2 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Động cơ bước vòng hở: Sử dụng động cơ bước Nema 17 không có Encoder phản hồi vị trí dẫn đến hiện tượng trượt bước (Step Loss) khi vận hành ở tốc độ tối đa trong thời gian dài.
  • Cơ cấu chấp hành đơn nhất: Cơ cấu hút chân không bằng ti giác hút cao su hoạt động kém hiệu quả đối với các chai/lon bị dập nát nghiêm trọng hoặc có bề mặt bám dính chất lỏng trơn trượt.
  • Số lớp phân loại hữu hạn: Mới chỉ phân loại được 2 nhóm đối tượng cơ bản (chai nhựa và lon nhôm), chưa nhận diện được các loại nhựa khác nhau (HDPE, LDPE, PP).

Hướng phát triển

  • Thay thế động cơ bước bằng hệ thống Closed-loop Stepper Motor hoặc AC Servo Motor 400W kết hợp bộ điều khiển EtherCAT để nâng cao độ chính xác vị trí và tăng tốc độ gắp lên 60–80 lần/phút.
  • Nâng cấp mạng thị giác lên YOLOv8/YOLOv10 kết hợp công nghệ phân đoạn cá thể (Instance Segmentation) để xác định chính xác góc nghiêng (Orientation) của vật thể, điều khiển trục xoay thứ 4 của robot.
  • Tích hợp thêm cảm biến cảm ứng điện từ và cảm biến quang phổ cận hồng ngoại (NIR) để phân loại sâu từng loại nhựa chuyên biệt.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tự động hóa, Cơ điện tử, Robotics: Nguồn tài liệu thực chứng về phương pháp thiết kế Robot Delta từ phương trình giải tích động học, mô phỏng 3D đến gia công thực tế và lập trình điều khiển nhúng.
  • Kỹ sư & Lập trình viên AI/Computer Vision: Khung tham chiếu thực tế (Architecture Pattern) trong việc tối ưu hóa mô hình YOLOv5, triển khai Deep Learning thời gian thực trên các hệ thống biên (Edge AI) và giao tiếp vi điều khiển.
  • Doanh nghiệp tái chế & Xử lý môi trường: Giải pháp kỹ thuật khả thi với chi phí thấp để tự động hóa dây chuyền phân loại, cải thiện điều kiện an toàn lao động và gia tăng tỷ lệ thu hồi rác tái chế.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu máy tính xử lý trung tâm trang bị CPU Intel Core i5 thế hệ 8 trở lên (hoặc board nhúng NVIDIA Jetson Nano/Orin), RAM tối thiểu 8GB, GPU NVIDIA với tối thiểu 4GB VRAM (hỗ trợ CUDA Core) để đảm bảo tốc độ suy luận mô hình thị giác đạt $\ge 30\text{ FPS}$. Phần cơ khí yêu cầu nguồn cấp khí nén áp suất 4–6 bar cho giác hút chân không.

2. Giới hạn không gian làm việc và độ chính xác lặp lại của Robot là bao nhiêu?

Robot Delta trong đề tài hoạt động trong không gian hình trụ đường kính đáy $D = 300\text{ mm}$, chiều cao $H = 200\text{ mm}$ (tọa độ $Z$ từ $-250\text{ mm}$ đến $-450\text{ mm}$). Độ chính xác lặp lại vị trí (Repeatability) đạt $\pm 0.8\text{ mm}$, hoàn toàn đáp ứng yêu cầu gắp vật thể có kích thước từ 50–250mm.

3. Hệ thống có thể tích hợp vào các dây chuyền băng tải sẵn có không?

Hoàn toàn khả thi. Nhờ thiết kế module hóa độc lập, Robot Delta có thể lắp đặt dạng treo phía trên bất kỳ khung băng tải nào có chiều rộng $\le 400\text{ mm}$. Việc tích hợp chỉ yêu cầu lắp đặt thêm Camera cố định phía trước và đấu nối tín hiệu Encoder băng tải vào Arduino để đồng bộ tốc độ (Conveyor Tracking).

4. Chi phí bảo trì và độ bền của các chi tiết in 3D như thế nào?

Các chi tiết in 3D PLA được thiết kế chịu lực nén và kéo thuần túy, kết hợp vòng bi mắt trâu kim loại SI8T chịu lực uốn. Độ bền hoạt động liên tục ước tính đạt 1.500–2.000 giờ làm việc. Chi phí thay thế toàn bộ các chi tiết nhựa in 3D rất thấp, chỉ khoảng 200.000 VNĐ và có thể sản xuất nhanh tại chỗ bằng máy in 3D thông dụng.

5. Khả năng mở rộng nhận dạng thêm các loại rác thải khác (giấy, thủy tinh) phức tạp không?

Quy trình mở rộng rất linh hoạt: chỉ cần bổ sung ảnh của các nhóm rác mới vào tập dữ liệu Roboflow, tiến hành gán nhãn lại, huấn luyện lại mô hình YOLOv5 (Transfer Learning từ file trọng số best.pt sẵn có với khoảng 50–100 Epochs) và cập nhật số lượng vị trí thả (Drop Coordinates) trong mã nguồn Python/Arduino mà không cần can thiệp vào kết cấu phần cứng.

Kết luận

Đồ án tốt nghiệp "Thiết kế mô hình Robot Delta ứng dụng phân loại rác thải" đã giải quyết trọn vẹn bài toán tích hợp liên ngành giữa Cơ khí chính xác, Điện tử điều khiển và Trí tuệ nhân tạo. Với độ chính xác nhận dạng đạt 96.1% mAP, tỷ lệ phân loại thực nghiệm thành công 95.33% trên 900 mẫu và chu kỳ làm việc 1.45 giây/sản phẩm, nghiên cứu chứng minh tính khả thi cao của việc ứng dụng Robot Delta giá thành thấp trong công tác tự động hóa xử lý rác thải tại Việt Nam. Đây là nền tảng vững chắc để tiếp tục phát triển các hệ thống phân loại rác thông minh thương mại hóa trong tương lai gần.