Giới thiệu dự án

Trong bối cảnh nền kinh tế số và thương mại điện tử (E-Commerce) bùng nổ mạnh mẽ, ngành dịch vụ logistics đóng vai trò huyết mạch kết nối chuỗi cung ứng toàn cầu. Theo các thống kê công nghiệp, chi phí logistics tại các thị trường đang phát triển chiếm tới 15–20% GDP, trong đó công đoạn phân loại và xử lý đơn hàng nội kho (in-hub sorting) tiêu tốn 30–40% tổng chi phí vận hành. Phần lớn các doanh nghiệp vừa và nhỏ (SMEs) tại Việt Nam vẫn duy trì phương thức phân loại thủ công, dẫn đến tỷ lệ lỗi phân loại từ 3–5%, tắc nghẽn lưu lượng trong giờ cao điểm và chi phí nhân sự tăng cao.

Trước thực trạng đó, đồ án "Design and Implementation of Classification and Delivery Based on Computer Vision" (Thiết kế và thi công hệ thống phân loại và vận chuyển hàng hóa dựa trên thị giác máy tính) được nghiên cứu và hiện thực hóa bởi nhóm sinh viên Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), dưới sự hướng dẫn của ThS. Trương Quang Phúc. Đồ án giải quyết trực tiếp bài toán tự động hóa logistics bằng cách kết hợp Deep Learning trên phần cứng biên (Edge AI) và robot tự hành AGV (Automated Guided Vehicle).

graph LR
    A["Kiện hàng có Barcode 128"] --> B["Camera HD Logitech C310"]
    B --> C["Jetson Nano: YOLOv7 + Tesseract OCR"]
    C --> D["Firebase Realtime Database"]
    D --> E["ESP32 AGV Controller"]
    D --> F["PyQt5 Monitoring GUI"]
    E --> G["Vận chuyển đến đúng khoang chứa"]

Mục tiêu của dự án

  1. Phát triển hệ sinh thái AI cục bộ: Tích hợp mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) tiên tiến YOLOv7 cùng công cụ nhận dạng ký tự quang học Tesseract OCR trên kit nhúng NVIDIA Jetson Nano nhằm định vị và giải mã chuẩn mã vạch công nghiệp Code 128 theo thời gian thực.
  2. Chế tạo Robot tự hành AGV: Thiết kế cơ khí và phần cứng điều khiển nhúng trên nền vi điều khiển ESP32, sử dụng cảm biến quang bám line 5 kênh kết hợp cảm biến định vị RFID MFRC522 để vận chuyển kiện hàng tới chính xác từng ô phân loại.
  3. Xây dựng hệ thống điều hành & cơ sở dữ liệu thời gian thực: Thiết lập giao tiếp đồng bộ không dây qua Firebase Realtime Database và phần mềm giám sát trực quan phát triển trên nền tảng PyQt5.

Phạm vi và giới hạn nghiên cứu

  • Tiêu chuẩn mã vạch: Tập trung nhận dạng mã vạch tuyến tính 1D chuẩn Code 128 trong điều kiện chiếu sáng công nghiệp chuẩn.
  • Tải trọng và môi trường: Mô hình AGV dạng mang hàng (Cargo AGV) phục vụ các gói bưu kiện kích thước nhỏ đến trung bình (<2kg), vận hành trên bề mặt phẳng trong nhà (indoor environment).
  • Phần mềm điều khiển: Nền tảng theo dõi và quản lý trạm phân loại chạy trên hệ điều hành máy tính trạm kết nối mạng cục bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi thiết kế hệ thống, nhóm nghiên cứu đã tiến hành phân tích các giải pháp thu thập dữ liệu tự động (ADC - Automatic Data Capture) và phân loại hàng hóa hiện hành trên thị trường.

Tiêu chí so sánh Máy quét CCD truyền thống Máy quét Laser công nghiệp Giải pháp AI Vision + AGV (Hệ thống đề xuất)
Cơ chế thu nhận Dãy LED cảm biến tiếp xúc gần Tia laser quét phản xạ qua gương xoay Camera HD + Deep Learning (YOLOv7 & OCR)
Khoảng cách quét Ngắn (< 10 cm), bề mặt phẳng Trung bình - xa (10–50 cm) Linh hoạt (20–100 cm), góc nghiêng rộng
Khả năng nhận diện Chỉ 1 mã tại 1 thời điểm 1 tia quét cắt ngang Xử lý đa đối tượng đồng thời trong khung hình
Tự động hóa vận chuyển Không (cần người thao tác) Phụ thuộc băng chuyền cố định Robot AGV linh hoạt phân phối đa điểm
Chi phí triển khai Thấp Rất cao (yêu cầu cơ sở hạ tầng nặng) Tối ưu, khả năng tùy biến và mở rộng cao

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have (Bắt buộc có): Nhận diện chính xác bounding box của mã vạch bằng YOLOv7; giải mã đúng chuỗi ký tự Code 128; điều khiển AGV di chuyển chính xác theo vạch dẫn hướng; cập nhật trạng thái kho bãi tức thời lên Cloud.
  • Should-have (Nên có): Tự động dừng khẩn cấp khi phát hiện vật cản; giao diện PyQt5 trực quan hiển thị tọa độ trạm và số lượng kiện hàng.
  • Could-have (Có thể mở rộng): Tích hợp thuật toán điều phối nhiều xe AGV đồng thời (Fleet Management).
  • Won't-have (Chưa thực hiện): Tự động nâng hạ kiện hàng pallet siêu trường siêu trọng trên 50kg.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống gồm ba phân tầng chính:

[ TẦNG THU THẬP & XỬ LÝ AI ]
       │ Logitech C310 HD Camera (720p)
       ▼
   NVIDIA Jetson Nano (128-core Maxwell GPU, Quad-core ARM A57, 4GB LPDDR4)
       │ • YOLOv7 Object Detection (Localization)
       │ • Image Preprocessing (Grayscale, Thresholding, Crop ROI)
       │ • Tesseract OCR (Character Recognition & Checksum Calculation)
       ▼
[ TẦNG TRUNG GIAN DỮ LIỆU & GIÁM SÁT ]
   Firebase Realtime Database (NoSQL JSON Data Stream)
       ▲                                     ▲
       │ WiFi (IEEE 802.11 b/g/n)            │ WiFi Protocol
       ▼                                     ▼
[ TẦNG CHẤP HÀNH (ROBOT AGV) ]         [ TẦNG GIAO DIỆN ĐIỀU HÀNH ]
   ESP32 SoC Master Controller            PyQt5 Management Dashboard
   • Line Tracking: BFD-1000 5-IR Sensor  • Giám sát trạng thái AGV
   • Navigation: RFID MFRC522 (13.56MHz)  • Thống kê lượng hàng từng khoang
   • Driver: L298N H-Bridge Dual DC Motor • Giao diện Qt Designer (.ui)
   • Sorting Actuator: SG90 Micro Servo

Technology Stack và phiên bản sử dụng

  • AI & Embedded Computing: Python 3.8.10, PyTorch 1.10.0 (CUDA 10.2 / cuDNN 8.2), Torchvision 0.11.1, JetPack SDK 4.6.1.
  • Computer Vision & OCR: OpenCV 4.5.4, Tesseract OCR Engine v4.1.1 (pytesseract wrapper).
  • Microcontroller & Firmware: ESP32 Dev Module (ESP-IDF / Arduino Core v2.0.5), FreeRTOS kernel.
  • Cloud & Application: Firebase Admin SDK for Python, PyQt5 (v5.15.6) kết hợp Qt Designer.

Thiết kế cấu trúc dữ liệu Firebase NoSQL

Dữ liệu trạng thái hệ thống được cấu trúc dưới dạng cây JSON phân cấp để đảm bảo khả năng đồng bộ thời gian thực với độ trễ dưới 150ms:

{
  "System_Config": {
    "Operational_Mode": "AUTO",
    "Active_Station": "SORTING_HUB_01"
  },
  "Parcels_Queue": {
    "PKG_18119053": {
      "barcode_raw": "HCMUTE-18161031",
      "destination_bay": 2,
      "detected_time": 1671955200,
      "status": "PROCESSING"
    }
  },
  "AGV_Telemetry": {
    "current_rfid_tag": "E2 80 68 3B",
    "delivery_status": "EN_ROUTE",
    "battery_percentage": 88,
    "line_deviation_level": 0
  }
}

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển linh hoạt (Agile Scrum) kết hợp quy trình chữ V (V-Model) trong kiểm thử phần cứng nhúng:

  • Sprint 1 (Tuần 1–4): Khảo sát lý thuyết mạng nơ-ron (CNN, YOLO family, OCR), thiết kế sơ đồ nguyên lý phần cứng, phân tích lực truyền động bánh xe AGV.
  • Sprint 2 (Tuần 5–8): Thu thập tập dữ liệu mã vạch (Dataset preparation), gán nhãn dữ liệu (Labelling), huấn luyện và tối ưu hóa mô hình YOLOv7 trên Google Colab GPU Tesla P100.
  • Sprint 3 (Tuần 9–12): Thi công phần cứng AGV, lập trình bám line cảm biến quang BFD-1000, giao tiếp ngoại vi SPI cho module RFID RC522, tích hợp cầu H L298N.
  • Sprint 4 (Tuần 13–16): Deploy mô hình AI lên Jetson Nano, liên kết Firebase Realtime DB, đóng gói giao diện PyQt5 và thực hiện các kịch bản kiểm thử tích hợp (End-to-End Testing).

Implementation và kết quả

Quá trình phát triển hệ thống

1. Pipeline xử lý thị giác máy tính và Nhận diện mã vạch

Hệ thống xử lý hình ảnh thực hiện theo quy trình khép kín:

  1. Camera Logitech C310 thu nhận luồng video với độ phân giải HD 720p.
  2. Khung hình được chuyển tiếp qua mô hình YOLOv7 nhằm xác định vùng chứa mã vạch (Region of Interest - ROI) với độ chính xác cao.
  3. Vùng ảnh chứa mã vạch được cắt tỉa (crop), chuyển đổi không gian màu sang Grayscale, cân bằng độ sáng (Histogram Equalization) và lọc nhị phân thích nghi (Adaptive Thresholding).
  4. Công cụ Tesseract OCR trích xuất chuỗi ký tự số và chữ từ mã vạch.
  5. Kiểm tra tính toàn vẹn của mã theo thuật toán mã hóa Modulo 103 của chuẩn Code 128.
import cv2
import pytesseract
import numpy as np

def process_barcode_roi(image, bounding_box):
    """
    Trích xuất và tiền xử lý vùng ảnh mã vạch trước khi đưa vào OCR
    """
    x_min, y_min, x_max, y_max = bounding_box
    roi = image[y_min:y_max, x_min:x_max]
    
    # Chuyển đổi mức xám và khử nhiễu Gaussian
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (3, 3), 0)
    
    # Nhị phân hóa thích nghi (Otsu Thresholding)
    _, thresh = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # Nhận diện chuỗi ký tự bằng Tesseract OCR (chế độ Page Segmentation Mode = 7)
    custom_config = r'--oem 3 --psm 7 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ-'
    extracted_text = pytesseract.image_to_string(thresh, config=custom_config)
    
    return extracted_text.strip()

2. Thuật toán kiểm tra tính hợp lệ của mã vạch Code 128

Mã vạch Code 128 sử dụng cơ chế Checksum Modulo 103 nghiêm ngặt. Công thức tính toán mã kiểm tra được thực thi trực tiếp trên hệ thống:

$$\text{Checksum} = \left( \text{Start Value} + \sum_{i=1}^{n} (i \times \text{Character Value}_i) \right) \pmod{103}$$

3. Thuật toán điều khiển AGV bám Line bằng PWM

Module cảm biến BFD-1000 gồm 5 kênh cảm biến hồng ngoại được bố trí phía trước xe. Vi điều khiển ESP32 đọc dữ liệu từ các chân Digital để xác định độ lệch trục và điều chế độ rộng xung (PWM) đến cầu H L298N:

// ESP32 Line Tracking Algorithm with Differential PWM Control
const int IN1 = 26, IN2 = 27, IN3 = 14, IN4 = 12;
const int ENA = 33, ENB = 32;

void adjust_motor_speed(int left_speed, int right_speed) {
  ledcWrite(0, left_speed);   // PWM Channel 0 (Motor Left)
  ledcWrite(1, right_speed);  // PWM Channel 1 (Motor Right)
}

void track_line_routine(int sensor_state) {
  switch (sensor_state) {
    case 0b00100: // Cảm biến giữa: Đi thẳng tốc độ tối ưu
      adjust_motor_speed(200, 200);
      break;
    case 0b01100: // Lệch nhẹ sang phải: Tăng tốc bánh phải, giảm bánh trái
      adjust_motor_speed(140, 210);
      break;
    case 0b01000: // Lệch vừa sang phải
      adjust_motor_speed(90, 220);
      break;
    case 0b10000: // Lệch gắt sang phải: Quay bánh nghịch chiều
      adjust_motor_speed(0, 240);
      break;
    // Xử lý đối xứng cho các trường hợp lệch sang trái...
    default:
      adjust_motor_speed(150, 150);
      break;
  }
}

Kiểm thử và đánh giá hiệu năng

Đánh giá mô hình Deep Learning YOLOv7

Quá trình huấn luyện mô hình được thực thi qua 100 epochs trên tập dữ liệu chuẩn hóa gồm 1,500 ảnh mã vạch Code 128 với các điều kiện xoay, nghiêng và thay đổi ánh sáng:

Model Architecture Input Resolution mAP@0.5 (%) mAP@0.5:0.95 (%) Latency CPU (ms) FPS (Jetson Nano GPU)
YOLOv5s 640x640 92.4% 68.1% 85 ms 18.2 FPS
YOLOv6s 640x640 93.8% 70.4% 78 ms 20.5 FPS
YOLOv7 (Được chọn) 640x640 97.4% 76.8% 52 ms 28.6 FPS

Mô hình YOLOv7 đạt hiệu suất vượt trội nhờ áp dụng khối kiến trúc E-ELAN (Extended Efficient Layer Aggregation Network) và phương pháp Compound Model Scaling, giúp tối ưu hóa số lượng tham số mà không làm suy giảm trích xuất đặc trưng.

Đánh giá hệ thống phần cứng và công suất AGV

Hệ thống sử dụng bộ pin Lithium-ion 18650 2S (7.4V - 8.4V, dung lượng 4400mAh), cấp nguồn qua mạch hạ áp LM2596S (hạ xuống 5V/3A) cho ESP32 và các cảm biến.

Thành phần phần cứng Điện áp hoạt động Dòng điện trung bình Công suất tiêu thụ
ESP32 SoC (Kèm WiFi active) 5V DC 180 mA 0.90 W
Cảm biến BFD-1000 + RFID 5V DC 65 mA 0.32 W
Động cơ DC giảm tốc TT (x2) 6V–7.4V DC 450 mA (có tải) 3.15 W
Servo SG90 (Cơ cấu gạt) 5V DC 250 mA (khi quay) 1.25 W
Tổng công suất tiêu thụ — ~945 mA ~5.62 W

Thời gian vận hành liên tục đo được của AGV đạt 4.2 giờ trước khi cần sạc lại.

Kết quả đạt được

[Mục tiêu đặt ra] ───► Hoàn thành 100% các chức năng cốt lõi
├── Độ chính xác nhận diện mã vạch YOLOv7: 97.4%
├── Thời gian giải mã và phân loại trung bình: 1.15 giây / kiện
├── Sai số dừng đỗ tại trạm RFID: ± 4 mm
└── Thời gian trễ đồng bộ Firebase: 120 - 180 ms

Đổi mới và đóng góp

  1. Ứng dụng kiến trúc Deep Learning thế hệ mới: Thay vì sử dụng các thuật toán xử lý ảnh hình thái học truyền thống (như Canny edge, Sobel filter) vốn rất nhạy cảm với điều kiện bóng đổ và ánh sáng môi trường, dự án tích hợp thành công mô hình YOLOv7 rút gọn kết hợp Tesseract OCR. Nhờ đó, hệ thống nhận diện được mã vạch bị mờ nhẹ, nhăn hoặc nghiêng tới một góc 45 độ.
  2. Kiến trúc phân tán tối ưu chi phí (Low-cost Edge Architecture): Tách biệt hoàn toàn tầng xử lý tính toán nặng (Jetson Nano) và tầng chấp hành cơ điện tử (ESP32). Toàn bộ chi phí phần cứng nguyên mẫu chỉ bằng 1/10 so với việc trang bị các bộ điều khiển PLC và camera công nghiệp Cognex/Keyence.
  3. Cơ chế truyền thông thời gian thực không phụ thuộc dây dẫn: Sử dụng Cloud NoSQL Realtime Database làm cầu nối dữ liệu, giúp loại bỏ hoàn toàn các giao thức nối tiếp có dây (RS232/RS485) vướng víu, sẵn sàng tích hợp vào mô hình Nhà máy Thông minh (Smart Factory).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trung tâm trung chuyển bưu cục (Last-mile Delivery Hubs): Tự động chia chọn bưu kiện theo quận/huyện dựa trên mã bưu chính được mã hóa trong barcode.
  • Kho hàng dược phẩm và linh kiện điện tử: Phân loại chính xác các khay hàng có mã kiểm định, giảm thiểu hoàn toàn sai sót do con người gây ra.
gantt
    title Lộ trình triển khai hệ thống phân loại công nghiệp
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn bị
    Khảo sát mặt bằng & Layout vạch line       :a1, 2026-10-01, 14d
    Lắp đặt trạm cố định & Camera HD           :a2, after a1, 10d
    section Giai đoạn 2: Triển khai
    Cấu hình Edge AI Jetson & WiFi Local       :b1, 2026-10-25, 14d
    Hiệu chỉnh AGV & Thẻ RFID trạm dừng       :b2, after b1, 14d
    section Giai đoạn 3: Kiểm thử
    Chạy thử tải thực tế & Đánh giá lỗi (UAT) :c1, 2026-11-23, 21d
    Bàn giao hệ thống & Đào tạo vận hành       :c2, after c1, 7d

Phân tích chi phí - lợi ích (Cost-Benefit & ROI)

  • Chi phí đầu tư ước tính: Khoảng 8.000.000 – 12.000.000 VNĐ cho một trạm phân loại hoàn chỉnh gồm 1 AI Vision Station và 1 AGV.
  • Hiệu quả kinh tế: Thay thế 1–2 nhân công chia chọn thủ công tại mỗi ca làm việc (tiết kiệm ước tính 120–180 triệu VNĐ/năm chi phí tiền lương), thời gian hoàn vốn đầu tư (ROI) chỉ từ 6 đến 9 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Hệ thống AGV hiện sử dụng phương pháp dẫn đường cố định theo vạch (Fixed Path Line Tracking), tính linh hoạt chưa cao khi cần tái cấu trúc sơ đồ kho bãi.
  • Năng lực phân loại bị ảnh hưởng nếu kiện hàng bị che khuất mã vạch hoàn toàn hoặc làm việc trong môi trường ánh sáng mặt trời chiếu trực tiếp với cường độ cao (>10.000 lux).

Hướng phát triển trong tương lai

  • Nâng cấp công nghệ điều hướng AGV: Tích hợp cảm biến LiDAR 2D và thuật toán SLAM (Simultaneous Localization and Mapping) kết hợp ROS 2 (Robot Operating System) để AGV di chuyển tự do không cần dán line.
  • Mở rộng nhận diện đa định dạng: Bổ sung tập dữ liệu để nhận diện đồng thời mã QR Code, Data Matrix và chữ in trực tiếp trên bao bì (OCR đa ngôn ngữ).
  • Cải tiến cơ cấu cơ khí: Nâng cấp động cơ bước hoặc Brushless DC (BLDC) kèm Encoder vòng lặp kín để tăng tải trọng vận chuyển lên 20–50 kg.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kỹ thuật Máy tính/Điện tử/Tự động hóa: Cung cấp tài liệu tham khảo thực tiễn và mã nguồn mẫu về cách triển khai Deep Learning lên phần cứng nhúng (Edge Computing) và lập trình điều khiển robot.
  • Kỹ sư nhúng và Lập trình viên AI: Cung cấp giải pháp kết nối IoT giữa vi điều khiển (ESP32) và thiết bị tính toán biên (Jetson Nano) thông qua cơ sở dữ liệu thời gian thực.
  • Doanh nghiệp Logistics vừa và nhỏ: Tiếp cận mô hình tự động hóa chi phí thấp, tính khả thi cao, dễ bảo trì và vận hành mà không đòi hỏi chi phí đầu tư khổng lồ.
  • Các nhà nghiên cứu Robot học: Cơ sở dữ liệu thực nghiệm về đánh giá độ trễ và độ chính xác của các mô hình YOLO trên các kit phát triển nhúng.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai phần mềm AI là gì?

Phần mềm nhận diện yêu cầu kit máy tính nhúng NVIDIA Jetson Nano (4GB RAM) chạy JetPack 4.6+, hoặc máy tính cá nhân trang bị card đồ họa NVIDIA tối thiểu 2GB VRAM hỗ trợ CUDA 10.2 trở lên, kèm webcam độ phân giải tối thiểu HD 720p.

2. Hệ thống có thể mở rộng để điều khiển cùng lúc nhiều xe AGV không?

Có. Kiến trúc dữ liệu NoSQL của Firebase cho phép tạo ra nhiều node dữ liệu con cho từng AGV riêng biệt (ví dụ: AGV_01, AGV_02). Mỗi xe chỉ cần đăng ký một ID duy nhất và lắng nghe các tác vụ được phân phối từ hệ thống quản lý trung tâm.

3. Tại sao đồ án chọn YOLOv7 thay vì các phiên bản YOLO khác?

Tại thời điểm nghiên cứu, YOLOv7 mang lại sự cân bằng tối ưu nhất giữa tốc độ xử lý (FPS) và độ chính xác (mAP). Nhờ kiến trúc khối E-ELAN và kỹ thuật Re-parameterization, YOLOv7 duy trì tốc độ gần 30 FPS trên GPU Jetson Nano mà vẫn đạt mAP 97.4%, cao hơn đáng kể so với YOLOv5s.

4. Hệ thống xử lý thế nào khi xảy ra mất kết nối WiFi đột ngột?

Vi điều khiển ESP32 trên AGV được tích hợp cơ chế giám sát (Watchdog & Connection State Checker). Khi mất tín hiệu WiFi quá 3 giây, AGV sẽ tự động giảm tốc độ, dừng lại an toàn trên đường line và phát tín hiệu cảnh báo còi buzzer cho đến khi kết nối được khôi phục.

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

Chi phí bảo trì rất thấp, chủ yếu bao gồm việc kiểm tra độ mòn bánh xe cao su định kỳ (6 tháng/lần), kiểm tra suy hao dung lượng pin Lithium-ion 18650 và vệ sinh bề mặt thấu kính camera cũng như mắt đọc cảm biến quang hồng ngoại.

Kết luận

Đồ án tốt nghiệp "Design and Implementation of Classification and Delivery Based on Computer Vision" đã nghiên cứu, thiết kế và chế tạo thành công một hệ thống tự động hóa hoàn chỉnh kết hợp giữa trí tuệ nhân tạo biên và robot tự hành. Việc ứng dụng thành công mô hình mạng nơ-ron tích chập YOLOv7 cùng Tesseract OCR trên nền tảng Jetson Nano, kết hợp nhịp nhàng với xe tự hành AGV điều khiển bởi ESP32 qua Firebase, đã chứng minh tính khả thi vượt trội của giải pháp trong việc giải quyết bài toán phân loại logistics hiện đại.

Mô hình không chỉ khẳng định năng lực ứng dụng công nghệ cao vào thực tiễn sản xuất của sinh viên ngành Kỹ thuật Máy tính, mà còn mở ra hướng tiếp cận mới mẻ, kinh tế và hiệu quả cho các doanh nghiệp đang tìm kiếm giải pháp chuyển đổi số và tự động hóa chuỗi cung ứng.