Thiết kế và sử dụng PLC điều khiển Robot Delta kết hợp xử lý ảnh phân loại rác

Đồ án PLC điều khiển robot Delta kết hợp xử lý ảnh phân loại rác - ĐH SPKT TP.HCM

• Tác giả: La Văn Bình
• Người hướng dẫn: PGS.TS. Vũ Văn Phong
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Thiết kế và sử dụng PLC điều khiển Robot Delta kết hợp xử lý ảnh phân loại rác
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về PLC điều khiển robot Delta phân loại rác

Đề tài tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) nghiên cứu hệ thống phân loại rác tự động kết hợp PLC S7-1200 và robot Delta. Nhóm sinh viên La Văn Bình, Đỗ Thị Thanh Trang và Bùi Nhật Tôn Duy thực hiện dưới sự hướng dẫn của PGS.TS Vũ Văn Phong, thuộc Khoa Điện – Điện tử, Bộ môn Tự động điều khiển. Hệ thống nhắm đến ba đối tượng phân loại cụ thể: chai thủy tinh, chai nhựa và lon kim loại. Robot Delta được điều khiển bằng PLC thông qua phần mềm TIA Portal V16. Camera Rapoo C260 thu thập hình ảnh theo thời gian thực. Thuật toán YOLOv8 xử lý và nhận dạng đối tượng. Toàn bộ hệ thống vận hành trên băng tải công nghiệp. Đây là hướng nghiên cứu ứng dụng cao, kết hợp tự động hóa công nghiệp với trí tuệ nhân tạo. Kết quả hướng đến giải quyết bài toán phân loại rác thực tế, giảm thiểu lao động thủ công và nâng cao hiệu quả tái chế. Đề tài được thực hiện từ tháng 01/2025 đến tháng 06/2025.

1.1. Mục tiêu và phạm vi của đề tài tốt nghiệp

Đề tài hướng đến thiết kế và thi công mô hình robot Delta hoàn chỉnh, có khả năng phân loại ba loại rác phổ biến theo thời gian thực. Phạm vi nghiên cứu bao gồm tính toán động học thuận nghịch cho robot Delta, khảo sát không gian làm việc và thiết lập hệ thống điện điều khiển. Nhóm ứng dụng YOLOv8 để nhận dạng đối tượng, lập trình PLC S7-1200 để điều phối cánh tay robot, đồng thời xây dựng giao diện người dùng bằng Visual Studio Code. Kết quả cuối cùng được kiểm chứng thực nghiệm nhiều lần nhằm đánh giá độ chính xác và tốc độ phân loại.

1.2. Ý nghĩa thực tiễn trong ngành tự động hóa công nghiệp

Hệ thống phân loại rác tự động sử dụng robot Delta mang ý nghĩa thực tiễn lớn trong bối cảnh công nghiệp hóa. Giải pháp giúp giảm thiểu sự tham gia trực tiếp của con người trong quá trình phân loại phế liệu độc hại. Tốc độ xử lý của robot vượt trội so với lao động thủ công, đồng thời đảm bảo tính nhất quán. Việc kết hợp PLC công nghiệp với thị giác máy tính mở ra hướng ứng dụng rộng trong dây chuyền sản xuất, nhà máy tái chế và các khu xử lý chất thải đô thị tại Việt Nam.

II. Phân tích thực trạng và vấn đề phân loại rác tự động

Các nghiên cứu trước tại HCMUTE và nhiều trường đại học kỹ thuật đã thử nghiệm nhiều hướng tiếp cận robot phân loại rác. Tuy nhiên, phần lớn hệ thống chỉ hoạt động ổn định trong phòng lab, chưa đáp ứng yêu cầu môi trường công nghiệp. Các hạn chế thường gặp gồm: tốc độ xử lý ảnh thấp, độ chính xác nhận dạng màu sắc kém trong điều kiện thiếu sáng, phạm vi đối tượng phân loại hẹp và phần cứng chưa đủ mạnh. Một số nhóm sử dụng Arduino thay vì PLC công nghiệp, dẫn đến độ tin cậy và khả năng mở rộng bị giới hạn. Những hệ thống dùng xử lý ảnh theo màu sắc đơn thuần gặp sai số lớn khi màu sắc vật thể thay đổi do ánh sáng môi trường. Thuật toán YOLO thế hệ cũ như YOLOv5 cho kết quả khá nhưng vẫn tồn tại điểm yếu về tốc độ nhận dạng vật thể nhỏ. Đây là khoảng trống nghiên cứu mà đề tài này nhắm đến giải quyết thông qua hệ thống tích hợp toàn diện hơn.

2.1. Hạn chế của các hệ thống phân loại rác trước đây

Các đề tài trước tại HCMUTE sử dụng robot Delta kết hợp xử lý ảnh đều bộc lộ hạn chế rõ ràng. Hệ thống nhận dạng theo màu sắc thất bại khi vật thể có màu quá rực rỡ hoặc kích thước quá nhỏ. Một số đề tài dùng Arduino điều khiển robot thay vì PLC công nghiệp, làm giảm độ ổn định trong vận hành liên tục. Phần mềm xử lý ảnh chưa tích hợp chặt chẽ với bộ điều khiển PLC, gây trễ tín hiệu. Đối tượng phân loại còn hạn chế, chưa bao quát đủ các loại rác thải sinh hoạt phổ biến trong thực tế.

2.2. Khoảng trống nghiên cứu và cơ hội cải tiến hệ thống

Phân tích cho thấy khoảng trống lớn nhất nằm ở việc tích hợp PLC công nghiệp S7-1200 với thuật toán nhận dạng ảnh thế hệ mới YOLOv8. Các hệ thống hiện tại chưa đạt được sự phối hợp mượt mà giữa thị giác máy tính và điều khiển chuyển động robot theo thời gian thực. Khả năng triển khai ngoài phòng lab cũng là điểm yếu cần khắc phục. Đề tài này xây dựng hệ thống toàn diện hơn, từ thiết kế cơ khí Solidworks, lập trình PLC đến giao diện người dùng, nhằm rút ngắn khoảng cách với ứng dụng công nghiệp thực tế.

III. Giải pháp PLC S7 1200 và YOLOv8 phân loại rác Delta

Giải pháp đề xuất xây dựng hệ thống phân loại rác tự động trên ba trụ cột: robot Delta, PLC S7-1200 và thị giác máy tính YOLOv8. Robot Delta được thiết kế và mô phỏng trên Solidworks 2021 trước khi thi công. Động học robot được tính toán đầy đủ gồm bài toán thuận và nghịch, đảm bảo độ chính xác quỹ đạo chuyển động. PLC S7-1200 1214C DC/DC/DC điều khiển động cơ bước thông qua Driver chuyên dụng, điều phối toàn bộ chuỗi hành động nhặt-đặt của robot. Camera Rapoo C260 liên tục thu hình ảnh băng tải. YOLOv8 xử lý hình ảnh theo phương pháp one-forward-pass, cho tốc độ nhận dạng vượt trội so với Fast R-CNN. Kỹ thuật Non-Maximum Suppression loại bỏ các hộp dự đoán chồng chéo, tăng độ chính xác nhận dạng. Sau khi nhận dạng đối tượng, tọa độ vật thể được truyền về PLC. Robot Delta thực hiện thao tác phân loại đúng thùng chứa. Giao diện người dùng được lập trình trên Visual Studio Code, hỗ trợ giám sát và vận hành hệ thống.

3.1. Kiến trúc phần cứng và phần mềm của hệ thống tích hợp

Phần cứng hệ thống gồm PLC S7-1200 1214C, động cơ bước và Driver điều khiển, camera Rapoo C260, băng tải công nghiệp và cơ cấu robot Delta tự chế tạo. Phần mềm sử dụng TIA Portal V16 để lập trình PLC và Visual Studio Code cho xử lý ảnh YOLOv8. Dữ liệu hình ảnh của chai thủy tinh, chai nhựa và lon được thu thập để huấn luyện mô hình nhận dạng. Sơ đồ điện được thiết kế trên AutoCAD 2023. Kiến trúc tích hợp này đảm bảo luồng dữ liệu thông suốt từ camera đến quyết định phân loại và lệnh điều khiển robot.

3.2. Thuật toán YOLOv8 và nguyên lý xử lý ảnh thời gian thực

YOLOv8 chia hình ảnh đầu vào thành lưới cố định SxS ô (grid cell). Mỗi ô dự đoán nhiều bounding box kèm tọa độ tâm, kích thước và điểm tin cậy. Xác suất thuộc về từng lớp đối tượng được tính đồng thời trong một lần truyền thuận duy nhất. Kỹ thuật Non-Maximum Suppression lọc các dự đoán chồng chéo, giữ lại kết quả chính xác nhất. Toàn bộ quy trình được tối ưu bằng mạng nơ-ron sâu, đảm bảo cân bằng giữa tốc độ và độ chính xác, phù hợp với yêu cầu thời gian thực của dây chuyền phân loại.

IV. Kết quả đánh giá và ứng dụng thực tiễn hệ thống

Hệ thống robot Delta phân loại rác điều khiển bằng PLC S7-1200 kết hợp YOLOv8 đã được kiểm chứng thực nghiệm nhiều lần. Kết quả thống kê cho thấy độ chính xác phân loại đạt mức đáng tin cậy với ba đối tượng: chai thủy tinh, chai nhựa và lon kim loại. Robot hoạt động ổn định theo thời gian thực trên băng tải công nghiệp. Tốc độ phân loại vượt trội so với phương pháp thủ công và các hệ thống dùng Arduino của các đề tài trước. Giao diện người dùng thân thiện, hỗ trợ giám sát trạng thái hệ thống, hiển thị kết quả nhận dạng và thống kê sản lượng phân loại theo thời gian. Hệ thống hoàn toàn có tiềm năng mở rộng sang môi trường công nghiệp thực tế như nhà máy tái chế, trạm phân loại rác đô thị và dây chuyền sản xuất. Đây là bước tiến quan trọng trong việc thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng sản xuất thực tế tại Việt Nam, đồng thời đóng góp vào xu hướng tự động hóa trong quản lý chất thải.

4.1. Đánh giá hiệu suất và độ chính xác phân loại của hệ thống

Hệ thống được kiểm nghiệm qua nhiều chu kỳ vận hành liên tục với ba loại rác khác nhau. Số liệu thống kê được ghi nhận để đánh giá tỷ lệ phân loại đúng trong các điều kiện ánh sáng khác nhau. Robot Delta đáp ứng yêu cầu tốc độ và độ chính xác cao hơn so với các mô hình nghiên cứu tiền nhiệm. Kết quả kiểm chứng động học cho thấy robot bám quỹ đạo tốt, sai số tọa độ nằm trong giới hạn cho phép. Hệ thống điện và phần mềm PLC hoạt động ổn định, không xảy ra lỗi dừng đột ngột trong quá trình thử nghiệm.

4.2. Tiềm năng mở rộng và hướng phát triển trong tương lai

Hệ thống hiện tại có thể mở rộng bằng cách bổ sung thêm các lớp nhận dạng mới như giấy, vải hoặc rác hữu cơ. Tích hợp cảm biến bổ sung như cảm biến trọng lượng hoặc cảm biến vật liệu sẽ tăng độ chính xác phân loại. Nâng cấp lên PLC S7-1500 sẽ tăng khả năng xử lý đa robot. Hướng phát triển tiếp theo có thể kết hợp điện toán đám mây để phân tích dữ liệu phân loại theo thời gian dài. Đây là nền tảng tốt để triển khai trong các nhà máy tái chế quy mô vừa tại Việt Nam trong giai đoạn tới.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Theo báo cáo Global Waste Management Outlook 2024 của Chương trình Môi trường Liên Hợp Quốc (UNEP), khối lượng rác thải rắn đô thị trên toàn cầu dự báo sẽ tăng từ 2,1 tỷ tấn vào năm 2023 lên 3,8 tỷ tấn vào năm 2050. Tại Việt Nam, số liệu từ Cổng thông tin điện tử Quốc hội ghi nhận lượng rác sinh hoạt phát sinh mỗi ngày đạt khoảng 60.000 tấn và tiếp tục tăng theo tốc độ đô thị hóa. Điều 75 đến Điều 79 của Luật Bảo vệ môi trường 2020 đã quy định lộ trình phân loại rác thải tại nguồn thành ba nhóm: chất thải tái chế, chất thải thực phẩm (hữu cơ) và chất thải sinh hoạt khác. Tuy nhiên, công tác phân loại ban đầu còn thiếu đồng bộ, dẫn đến việc các trạm trung chuyển và nhà máy xử lý phải đảm nhận khối lượng lớn rác hỗn hợp.

Phương pháp phân loại thủ công bộc lộ nhược điểm về chi phí nhân công, năng suất hạn chế và tiềm ẩn rủi ro cho sức khỏe người lao động khi tiếp xúc trực tiếp với môi trường độc hại. Ngược lại, các hệ thống phân loại cơ học theo đặc tính vật lý (kích thước, từ tính, khối lượng riêng) khó đáp ứng các nhóm phế liệu tái chế đa dạng. Trước bối cảnh thị trường robot phân loại rác toàn cầu được dự báo tăng trưởng từ 2,3 tỷ USD năm 2023 lên 11,52 tỷ USD vào năm 2032 (CAGR 19,6% theo Market Data Forecast), việc tự động hóa khâu phân loại bằng robot song song kết hợp thị giác máy tính trở thành giải pháp kỹ thuật cần thiết.

Đồ án tốt nghiệp xác định các mục tiêu và nhiệm vụ cụ thể:

1. Nghiên cứu, thiết kế cơ khí và mô phỏng 3D cánh tay robot Delta 3 bậc tự do và hệ thống băng tải trên phần mềm SolidWorks 2021; xuất bản vẽ chế tạo 2D bằng AutoCAD 2023.
2. Thiết lập bài toán động học thuận, động học nghịch và xác định không gian làm việc của robot Delta.
3. Thiết kế, lựa chọn thiết bị và lắp ráp hệ thống tủ điện điều khiển công nghiệp sử dụng PLC Siemens S7-1200.
4. Thu thập dữ liệu hình ảnh, gán nhãn dữ liệu và huấn luyện mô hình mạng nơ-ron tích chập YOLOv8 để phân loại 3 nhóm rác thải tái chế: chai nhựa, lon nhôm và chai thủy tinh.
5. Xây dựng thuật toán chuyển đổi tọa độ từ mặt phẳng ảnh sang hệ tọa độ làm việc của robot và thiết lập truyền thông Modbus TCP/IP giữa máy tính điều khiển (Python) và PLC.
6. Thiết kế giao diện giám sát và điều khiển người dùng (GUI) bằng Qt Designer trên Visual Studio Code.
7. Thử nghiệm thực nghiệm đánh giá độ chính xác động học, khả năng nhận dạng của mô hình YOLOv8 trong các điều kiện chiếu sáng và vận tốc băng tải khác nhau với chỉ tiêu tốc độ đạt tối thiểu 10 sản phẩm/phút.

Đối tượng nghiên cứu của đồ án là ba nhóm rác thải tái chế gồm chai thủy tinh, chai nhựa và lon nhôm. Phạm vi không gian nghiên cứu được giới hạn trong quy mô mô hình thực nghiệm phòng thí nghiệm tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM. Thời gian thực hiện kéo dài 5 tháng, từ ngày 13/01/2025 đến ngày 10/06/2025.

Cơ sở lý thuyết và phương pháp

Đồ án tiếp cận theo phương pháp kết hợp giữa nghiên cứu lý thuyết động học cơ cấu, thiết kế kỹ thuật cơ điện tử và thực nghiệm thuật toán học sâu:

• Lý thuyết động học robot song song: Sử dụng phương pháp hình học giải tích để giải bài toán động học thuận (xác định tọa độ điểm tác động cuối dựa trên góc quay của 3 trục động cơ thông qua việc tìm giao điểm của ba mặt cầu) và động học nghịch (tính toán góc quay của ba khớp chủ động khi biết tọa độ vị trí mục tiêu $X, Y, Z$ trong không gian Descartes).
• Mô hình học sâu và thị giác máy tính: Ứng dụng cấu trúc mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với kiến trúc phát hiện đối tượng đơn tầng YOLOv8 (You Only Look Once phiên bản 8). Mô hình kết hợp các lớp tích chập trích xuất đặc trưng, lớp gộp (Pooling), lớp kết nối đầy đủ (Fully Connected Layer) cùng kỹ thuật triệt tiêu phi cực đại (Non-Maximum Suppression - NMS) và chỉ số mức độ trùng khớp vùng bao (Intersection over Union - IoU).
• Thuật toán chuyển đổi tọa độ: Áp dụng phép biến đổi phối cảnh (Perspective Transformation) để chuyển đổi vị trí tâm vật thể từ hệ tọa độ điểm ảnh pixel 2D của webcam sang hệ tọa độ không gian làm việc thực tế của cánh tay robot Delta trên mặt phẳng băng tải.
• Giao thức truyền thông công nghiệp: Ứng dụng mô hình Client – Server thông qua chuẩn truyền thông Modbus TCP/IP qua cổng Ethernet RJ45 để trao đổi khối dữ liệu điều khiển (Data Block) giữa máy tính xử lý trung tâm (Python Modbus Client) và PLC Siemens S7-1200 (Modbus Server).
• Nguồn dữ liệu thực nghiệm: Tập dữ liệu hình ảnh gồm các loại chai nhựa, lon nhôm và chai thủy tinh do nhóm tác giả tự chụp thực tế trong các điều kiện góc chụp và ánh sáng khác nhau; dữ liệu được dán nhãn thủ công dưới dạng Bounding Box trên nền tảng MakeSense.

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc điều khiển phân tầng: tầng thị giác máy tính và giao diện xử lý trên máy tính cá nhân (PC), tầng điều khiển chấp hành thời gian thực sử dụng bộ điều khiển logic khả trình (PLC).

                                                (Modbus TCP/IP qua Ethernet)
                                            [PLC Siemens S7-1200 CPU 1214C]
      [3x Driver TB6600 / Động cơ bước]                                       [Module Relay 24VDC]
       (Robot Delta 3 bậc tự do)                                         (Bơm hút chân không & Van xả khí 0520F)

Kiến trúc phần cứng

• Cơ cấu Robot Delta: Thiết kế gồm đế cố định tam giác đều chứa 3 động cơ bước, 3 cánh tay trên (bằng nhôm gia công liên kết trục động cơ) và 3 cặp cánh tay dưới dạng thanh song song sử dụng khớp cầu vòng bi mắt trâu M6, kết nối tới đế di động mang cơ cấu gắp.
• Thiết bị chấp hành và truyền động:
  • 3 động cơ bước SUMTOR model 42HS4813A4 điều khiển 3 trục robot, tích hợp puly giảm tốc GT2 20 răng và dây đai GT2.
  • 3 mạch điều khiển động cơ bước TB6600 cấu hình chế độ vi bước (microstepping) để giảm rung chấn cơ học.
  • 1 động cơ DC giảm tốc JGB37-520 (tốc độ 60 vòng/phút) kéo hệ thống băng tải PVC màu xanh.
  • 3 công tắc hành trình cơ khí KW12-B gắn tại các khớp để xác định vị trí gốc (Homing) cho từng trục.
• Cơ cấu gắp chân không: Giác hút chân không SMC DP20-2 gắn tại đế di động, nối với máy bơm hút khí mini qua đường ống dẫn khí nén 6mm và một van điện từ xả khí 3 ngả model 0520F dùng để triệt tiêu chân không khi nhả vật thể.
• Thiết bị điều khiển và điện tử:
  • Bộ điều khiển PLC Siemens S7-1200 CPU 1214C DC/DC/DC (tích hợp ngõ phát xung tốc độ cao PTO điều khiển Driver động cơ bước).
  • Webcam Rapoo C260 độ phân giải Full HD (1920x1080) đặt vuông góc phía trên băng chuyền.
  • Nguồn xung tổ ong 24VDC - 10A, mạch giảm áp DC-DC Buck LM2596 (hạ áp từ 24VDC xuống cấp cho động cơ băng tải), module 4 relay cách ly quang 24VDC, aptomat Schenider/ĐQ SB15 15A, nút dừng khẩn cấp LAY37-11ZS và các đèn báo hiển thị trạng thái AD16-22DS.

Kiến trúc phần mềm và quy trình hoạt động

• Tầng phần mềm nhúng PLC (TIA Portal V16):
  • Cấu hình các trục Motion Control phát xung điều khiển vị trí và hướng quay cho 3 động cơ bước.
  • Lập trình chu kỳ Homing tự động cho 3 trục khi khởi động.
  • Cấu hình khối hàm Modbus Server (MB_SERVER) để tiếp nhận lệnh tọa độ đích và trạng thái kích hoạt từ PC thông qua vùng nhớ Data Block (DB).
  • Thực hiện thuật toán nội suy ba trục đồng thời và điều khiển kích hoạt module relay cho bơm hút/van xả.
• Tầng thị giác và điều khiển PC (Python & Visual Studio Code):
  • Thu nhận luồng video thời gian thực từ Webcam Rapoo C260.
  • Đưa từng khung hình qua mô hình YOLOv8 đã được huấn luyện trọng số để nhận diện nhãn (chai nhựa, lon nhôm, chai thủy tinh) và trả về bounding box.
  • Trích xuất tọa độ tâm $(x_{pixel}, y_{pixel})$, lọc điểm ảnh qua ma trận chuyển đổi phối cảnh thành tọa độ Descartes thực $(X_{robot}, Y_{robot}, Z_{robot})$.
  • Gửi gói dữ liệu tọa độ qua thư viện truyền thông mạng Modbus TCP tới thanh ghi PLC.
• Giao diện điều khiển (Qt Designer): Cung cấp các tab đăng nhập hệ thống, hiển thị luồng camera nhận dạng thời gian thực, cấu hình thông số kết nối IP PLC, giám sát tín hiệu I/O, điều khiển cưỡng bức bằng tay (Manual) từng trục và chế độ vận hành phân loại tự động (Auto).

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương 1 phân tích tính cấp thiết của bài toán tự động hóa xử lý rác thải trong bối cảnh công nghiệp hóa và gia tăng dân số. Tác giả khảo sát các công trình nghiên cứu robot phân loại rác trên thế giới (điển hình như hệ thống AMP Cortex của AMP Robotics, Waste Robotics, FANUC) và các đề tài thực nghiệm tại Việt Nam (mô hình của sinh viên ĐH Việt Đức - ĐH Thủ Dầu Một dùng quang phổ). Chương này đồng thời phân tích ưu nhược điểm của các đề tài nghiên cứu trước đó tại Trường ĐH Sư phạm Kỹ thuật TP.HCM để xác định khoảng trống nghiên cứu, đề xuất hệ thống tích hợp hoàn chỉnh gồm PLC S7-1200 công nghiệp và mô hình YOLOv8 trên robot Delta.

Chương 2. Cơ sở lý thuyết

Chương này tổng hợp cơ sở lý thuyết về phân loại rác rắn sinh hoạt theo Luật Bảo vệ môi trường 2020. Tác giả phân tích so sánh đặc tính động học của các dòng robot công nghiệp phổ biến: robot tọa độ Descartes, robot tọa độ trụ, robot tọa độ cầu, robot SCARA, robot chuỗi khớp nối 6 bậc tự do và robot song song Delta. Chương 2 đi sâu vào cấu trúc phần cứng của PLC Siemens S7-1200 so với PLC Mitsubishi, nguyên lý điều khiển vi bước của động cơ bước qua driver, nguyên lý tạo áp suất âm của giác hút chân không cơ cấu gắp, lý thuyết mạng thần kinh tích chập CNN (tầng Convolution, Max Pooling, Average Pooling, Fully Connected, hàm kích hoạt Softmax), thuật toán phát hiện vật thể YOLO, kỹ thuật hiệu chỉnh phối cảnh và cấu trúc gói tin của giao thức Modbus TCP/IP.

Chương 3. Thiết kế và thi công phần cứng

Chương 3 trình bày các bước thiết kế chi tiết kết cấu cơ khí của toàn bộ hệ thống trên phần mềm SolidWorks 2021, bao gồm việc tính toán kích thước khung đỡ nhôm định hình, đĩa quay, khớp nối mắt trâu, gá đỡ động cơ và băng chuyền phôi PVC. Tiếp theo, tác giả xuất bản vẽ gia công 2D bằng AutoCAD 2023 và tiến hành thi công lắp ráp cơ khí thực tế. Phần thiết kế hệ thống điện trình bày quy trình tính chọn công suất động cơ bước SUMTOR 42HS4813A4, driver TB6600, thiết bị bảo vệ, bố trí mặt bằng thiết bị trong tủ điện công nghiệp và xây dựng sơ đồ đấu nối dây chi tiết (sơ đồ cấp nguồn, mạch tín hiệu đầu vào DI, mạch đầu ra DO, mạch điều khiển xung cho driver và mạch đóng ngắt rơ le).

Chương 4. Tính toán động học và thiết kế phần mềm điều khiển

Chương 4 thiết lập hệ phương trình toán học giải bài toán động học thuận và động học nghịch cho cơ cấu robot song song Delta 3 bậc tự do, từ đó mô phỏng và xác định biên dạng không gian làm việc (workspace) của robot. Tác giả xây dựng lưu đồ thuật toán điều khiển tổng thể hệ thống, lưu đồ thuật toán nội suy đồng thời 3 trục, lưu đồ chế độ Auto và Manual. Về phần mềm, chương này hướng dẫn chi tiết cách khai báo cấu hình phần cứng CPU 1214C DC/DC/DC, cấu hình xung điều khiển chuyển động (Motion Control), cấu hình bảng dữ liệu Data Block trên TIA Portal V16, đồng thời thiết kế kiến trúc mã nguồn Python và giao diện người dùng GUI bằng Qt Designer.

Chương 5. Phát hiện, phân loại và xác định vị trí đối tượng

Chương 5 mô tả chi tiết quy trình xử lý thị giác máy tính: thu thập ảnh thực tế các mẫu rác thải tái chế, dán nhãn bằng công cụ MakeSense theo định dạng nhãn YOLO, phân chia tập dữ liệu thành tập huấn luyện (train), tập kiểm định (val) và tập kiểm tra (test). Chương này phân tích kết quả huấn luyện mô hình YOLOv8 qua hai lần cấu hình thử nghiệm:

• Mô hình 1: Tập dữ liệu 4.000 ảnh đầu vào, huấn luyện qua 10 epoch, sử dụng thuật toán tối ưu hóa Adam.
• Mô hình 2: Mở rộng tập dữ liệu lên 6.300 ảnh đầu vào, huấn luyện qua 120 epoch, sử dụng thuật toán tối ưu hóa AdamW. Sau khi phân tích ma trận nhầm lẫn (Confusion Matrix) và biểu đồ suy giảm hàm mất mát (Loss), tác giả thiết lập công thức chuyển đổi ma trận phối cảnh từ tọa độ 2D của camera sang hệ tọa độ thực tế của robot.

Chương 6. Kết quả thực hiện

Chương 6 trình bày các kết quả thử nghiệm thực tế của đề tài:

• Đánh giá mô hình vật lý phần cứng sau khi hoàn thiện chế tạo và lắp đặt tủ điện, hệ thống cơ khí và băng chuyền.
• Kiểm chứng tính chính xác của chương trình động học thông qua mô phỏng trên Visual Studio Code kết hợp kiểm chứng thực nghiệm bằng mẫu bàn cờ chuẩn (checkerboard).
• Kiểm tra tính ổn định của mô hình nhận diện YOLOv8 trong hai môi trường ánh sáng: điều kiện chiếu sáng đầy đủ và điều kiện ánh sáng yếu.
• Đánh giá thực nghiệm tốc độ và chất lượng phân loại rác của robot ở ba dải vận tốc băng tải khác nhau (ứng với các mức điện áp cấp cho động cơ băng tải là 4V, 6V và 8V).

Chương 7. Kết luận - Hướng phát triển

Chương 7 tổng kết toàn bộ các kết quả đạt được về mặt lý thuyết, thiết kế cơ điện tử và hiệu năng nhận diện, phân loại rác tự động của hệ thống. Tác giả đồng thời chỉ rõ những điểm hạn chế về mặt cơ khí dẫn đến rung chấn khi hoạt động ở tần số cao, từ đó đề xuất các hướng mở rộng kỹ thuật cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm

1. Chế tạo thành công mô hình vật lý: Hệ thống phân loại rác tự động hoàn chỉnh bao gồm cánh tay robot Delta 3 bậc tự do, băng chuyền tải rác mini, hệ thống giác hút khí nén và tủ điện điều khiển sử dụng PLC Siemens S7-1200 kết hợp giao diện máy tính thời gian thực.
2. Đánh giá mô hình nhận diện học sâu: Tác giả tiến hành thử nghiệm và so sánh đối chứng giữa hai mô hình huấn luyện trên mạng YOLOv8:

Thông số đánh giá	Mô hình thử nghiệm 1	Mô hình thử nghiệm 2
Quy mô tập dữ liệu đầu vào	4.000 hình ảnh	6.300 hình ảnh
Số chu kỳ huấn luyện (Epochs)	10 epoch	120 epoch
Thuật toán tối ưu (Optimizer)	Adam	AdamW
Khả năng nhận dạng trong môi trường ánh sáng bình thường	Nhận diện đúng 3 đối tượng rác nhưng độ tin cậy chưa cao	Nhận diện chính xác, ổn định và định vị rõ đường bao cả 3 đối tượng
Khả năng nhận dạng trong môi trường ánh sáng yếu	Xuất hiện tình trạng nhận diện sai nhãn hoặc bỏ sót vật thể	Duy trì khả năng phát hiện vật thể, ít bị ảnh hưởng bởi nhiễu sáng

3. Kiểm chứng động học: Kết quả kiểm chứng tọa độ vị trí thực tế của giác hút bằng bàn cờ chuẩn (checkerboard) cho thấy độ sai lệch vị trí nằm trong giới hạn cho phép của giác hút khí nén tại các điểm kiểm tra trong không gian làm việc:
   • Điểm kiểm tra gốc mong muốn: $(0, 0, -430)\text{ mm}$.
   • Điểm thử nghiệm tọa độ đặt lệnh $(-60, -70, -395)\text{ mm}$ và $(60, 50, -395)\text{ mm}$ cho kết quả tiếp cận tương ứng tại $(-60, -60, -430)\text{ mm}$ và $(60, 60, -430)\text{ mm}$.
4. Hiệu năng phân loại theo tốc độ băng chuyền: Nhóm tác giả thực hiện khảo sát quá trình phân loại tự động tại ba cấp điện áp điều khiển động cơ băng chuyền:

Mức điện áp cấp động cơ băng tải	Vận tốc đo được của băng tải	Đánh giá khả năng phân loại của hệ thống
4V	$27,23\text{ mm/s}$	Hệ thống nhận diện ổn định, tỷ lệ gắp và thả đúng vị trí đạt mức cao nhất
6V	$40,84\text{ mm/s}$	Hệ thống duy trì hoạt động tốt, đạt yêu cầu năng suất thiết kế ban đầu
8V	$54,45\text{ mm/s}$	Vận tốc trôi mẫu rác nhanh, xuất hiện hiện tượng trượt hút và sai lệch gắp rác

Giải pháp và đóng góp của đề tài

• Tích hợp thành công hệ thống điều khiển lai (Hybrid Control): Khắc phục nhược điểm của các nghiên cứu sinh viên trước đó (vốn dùng vi điều khiển mạch hở Arduino thiếu tính chuẩn hóa hoặc chỉ dùng camera màu đơn giản). Đề tài kết nối trực tiếp bộ điều khiển công nghiệp Siemens S7-1200 với các thuật toán thị giác máy tính mã nguồn mở hiện đại thông qua giao thức Modbus TCP/IP công nghiệp.
• Xây dựng bộ dữ liệu ảnh đặc thù: Hoàn thiện bộ cơ sở dữ liệu ảnh gồm 6.300 ảnh thực tế phục vụ phân loại rác thải tái chế tại chỗ, có thể dùng làm dữ liệu mở rộng cho các nghiên cứu thị giác tiếp theo.
• Ứng dụng cơ cấu giác hút linh hoạt: Giải pháp sử dụng giác hút chân không điều khiển qua van điện từ xả áp 0520F giúp tối ưu thời gian thao tác gắp – nhả, phù hợp với các bề mặt cong nhẵn của chai nhựa, chai thủy tinh và lon nhôm.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế của đề tài:
  • Đối tượng phân loại mới chỉ dừng lại ở ba loại rác tái chế phổ biến (chai nhựa, lon nhôm, chai thủy tinh); chưa mở rộng sang các loại chất thải rắn phức tạp khác như giấy, bìa carton hoặc túi nilon mềm.
  • Kết cấu cơ khí gia công bằng nhôm định hình và phụ kiện in/cắt thủ công còn độ rơ cơ học, gây rung lắc khi robot di chuyển với gia tốc cao, ảnh hưởng đến độ chính xác gắp vật tại dải vận tốc băng tải lớn ($54,45\text{ mm/s}$).
  • Hệ thống chỉ được vận hành thử nghiệm trong môi trường mô phỏng phòng thí nghiệm, chưa được đánh giá độ bền khi làm việc liên tục trong môi trường công nghiệp có nhiều bụi bẩn và độ ẩm cao.
• Hướng nghiên cứu tiếp:
  • Gia cố và tối ưu hóa kết cấu cơ khí, sử dụng động cơ servo công nghiệp có phản hồi vòng kín (Encoder) thay thế cho động cơ bước vòng hở nhằm triệt tiêu hiện tượng trượt bước khi chạy tốc độ cao.
  • Bổ sung thêm các cảm biến phụ trợ (cảm biến quang học, cảm biến tiệm cận hoặc camera độ sâu 3D) để xác định tư thế nằm/nghiêng của rác thải trên băng chuyền.
  • Mở rộng tập dữ liệu huấn luyện YOLO với nhiều nhóm chất thải rắn khác nhau và tối ưu thuật toán bám đối tượng động (Conveyor Tracking) khi băng chuyền vận hành liên tục không cần dừng.

Giá trị tham khảo

Đồ án này là tài liệu tham khảo trực tiếp cho sinh viên, giảng viên và kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Cơ điện tử, Kỹ thuật Robot và Trí tuệ nhân tạo/Thị giác máy tính.

Tài liệu có giá trị ứng dụng cao ở các nội dung:

1. Quy trình giải toán động học và lập trình điều khiển đồng bộ robot song song Delta 3 bậc tự do trên môi trường công nghiệp.
2. Phương pháp cấu hình xung điều khiển chuyển động và thiết lập truyền thông Modbus TCP/IP giữa PLC Siemens S7-1200 với mã nguồn mở Python.
3. Kỹ thuật chuyển đổi tọa độ từ pixel sang hệ tọa độ thực tế phục vụ thao tác định vị gắp - đặt tự động.

Câu hỏi thường gặp

1. Hệ thống sử dụng dòng PLC nào và giao tiếp với thuật toán AI trên máy tính bằng giao thức gì?
Hệ thống sử dụng bộ điều khiển PLC Siemens S7-1200 CPU 1214C DC/DC/DC. Để giao tiếp với chương trình xử lý ảnh YOLOv8 viết bằng Python trên máy tính, hệ thống sử dụng giao thức mạng công nghiệp Modbus TCP/IP thông qua khối hàm MB_SERVER trên TIA Portal V16 và cổng mạng Ethernet RJ45.

2. Robot Delta trong đề tài sử dụng loại động cơ và cơ cấu gắp nào?
Robot Delta sử dụng 3 động cơ bước SUMTOR model 42HS4813A4 kết hợp mạch driver TB6600 cấu hình chế độ vi bước và puly giảm tốc GT2 20 răng. Cơ cấu gắp tại khâu chấp hành cuối là giác hút chân không SMC DP20-2 kết hợp cùng bơm hút mini và van xả khí điện từ 3 chiều 0520F để thả vật thể.

3. Sự khác biệt giữa hai mô hình huấn luyện YOLOv8 trong khóa luận là gì?
Mô hình 1 được huấn luyện với tập dữ liệu 4.000 ảnh trong 10 epoch sử dụng bộ tối ưu hóa Adam, cho kết quả nhận diện ở mức cơ bản nhưng còn nhầm lẫn trong điều kiện thiếu sáng. Mô hình 2 được cải tiến với 6.300 ảnh, huấn luyện qua 120 epoch với bộ tối ưu hóa AdamW, giúp nâng cao độ chính xác và khả năng nhận diện ổn định trong cả môi trường ánh sáng yếu.

4. Khi vận hành thực nghiệm, hệ thống hoạt động ổn định nhất ở dải vận tốc băng tải nào?
Hệ thống đạt độ chính xác gắp rác cao nhất khi băng tải vận hành ở mức điện áp 4V, tương ứng với vận tốc $27,23\text{ mm/s}$. Khi tăng lên mức điện áp 6V ($40,84\text{ mm/s}$), hệ thống vẫn duy trì khả năng phân loại đạt yêu cầu. Ở mức điện áp 8V ($54,45\text{ mm/s}$), rác trôi nhanh dẫn đến tỷ lệ gắp trượt gia tăng do rung lắc cơ khí.

Kết luận

Đồ án tốt nghiệp của nhóm tác giả La Văn Bình, Đỗ Thị Thanh Trang và Bùi Nhật Tôn Duy đã thiết kế và chế tạo thành công mô hình hệ thống tự động phân loại rác thải tái chế tích hợp giữa cơ cấu robot song song Delta, bộ điều khiển lập trình PLC Siemens S7-1200 và mô hình học sâu YOLOv8. Công trình đã giải quyết hoàn chỉnh bài toán động học, quy trình xử lý thị giác máy tính và chuyển đổi tọa độ thời gian thực để gắp chính xác ba loại rác gồm chai nhựa, chai thủy tinh và lon nhôm. Kết quả nghiên cứu khẳng định tính khả thi của giải pháp kết hợp giữa công nghệ điều khiển công nghiệp và trí tuệ nhân tạo, cung cấp mô hình thực nghiệm hữu ích cho các ứng dụng tự động hóa bảo vệ môi trường.

Trích đoạn nội dung tài liệu

Đặt vấn đề Trong thời kỳ công nghiệp hóa, hiện đại hóa hiện nay cùng với sự gia tăng dân số và quá trình đô thị hóa mạnh mẽ đã làm tăng số lượng rác thải ra môi trường. Lượng rác thải mỗi ngày trên thế giới là rất đáng kể. Theo báo cáo Global Waste Management Outlook 2024 của UNEP, lượng rác thải rắn đô thị toàn cầu dự kiến sẽ tăng từ 2,1 tỷ tấn vào năm 2023 lên 3,8 tỷ tấn vào năm 2050 [1]. Với lượng rác thải khổng lồ đó đã làm gia tăng tình trạng ô nhiễm môi trường.

Các phương pháp xử lý rác phổ biến hiện nay là chôn lấp và đốt. Điều này không chỉ gây ra hiệu ứng nhà kính mà rác thải còn làm rò rỉ các chất độc hại vào đất, nước, không khí. Vì vậy ngoài những biện pháp giảm thiểu lượng rác thải thì còn phải cải tiến các phương pháp tiêu hủy và xử lý rác thải. Trong đó việc phân loại từng loại rác thải để xử lý là điều cần thiết.

Việc phân loại rác giúp tối ưu hóa quá trình xử lý rác thải, nhất là đối với rác thải có thể tái chế được. Tuy nhiên, phương pháp phân loại thủ công không chỉ tốn nhiều nhân lực mà còn tiềm ẩn nguy cơ ảnh hưởng đến sức khỏe của công nhân. Chính vì vậy, nhiều Robot đã được chế tạo để đáp ứng cho việc phân loại rác. Trong đó Robot Delta có nhiều ưu điểm vượt trội về tốc độ và độ chính xác trong thao tác, giúp tăng hiệu suất làm việc và giảm thiểu sai sót trong quá trình phân loại.

Bên cạnh đó, với số lượng rác khổng lồ hệ thống phải hoạt động liên tục. Việc được điều khiển bằng PLC, hệ thống sẽ hoạt động ổn định, có khả năng lập trình linh hoạt để thích ứng với nhiều loại rác khác nhau. Mặt khác, xử lý ảnh giúp nhận diện và phân loại rác dựa trên màu sắc, hình dạng, chất liệu, từ đó nâng cao độ chính xác và hiệu quả của hệ thống. Chính vì những lý do trên nhóm em đã chọn đề tài: “Thiết kế và sử dụng PLC điều khiển Robot Delta kết hợp xử lý ảnh phân loại rác” để làm đồ án tốt nghiệp.2 Tình hình nghiên cứu 1.1 Nghiên cứu ngoài nước Tình hình nghiên cứu và ứng dụng robot phân loại rác thải trên thế giới đang phát triển mạnh mẽ, với sự kết hợp giữa trí tuệ nhân tạo (AI), thị giác máy tính và robot tự động nhằm nâng cao hiệu quả xử lý chất thải và thúc đẩy nền kinh tế tuần hoàn.

Theo Waste Sorting Robot Market của Market Data Forecast (Hình 1.1) thì năm 2023, thị ĐỒ ÁN TỐT NGHIỆP 1 CHƯƠNG 1. TỔNG QUAN ĐỀ TÀI trường robot phân loại rác toàn cầu đạt giá trị khoảng 2,3 tỷ USD và dự kiến sẽ tăng lên 11,52 tỷ USD vào năm 2032, với tốc độ tăng trưởng kép hàng năm 19,6% [2].1 Tốc độ tăng trưởng dự kiến của robot phân loại rác trên toàn thế giới [2] Nhiều công ty và tổ chức nghiên cứu đã phát triển các hệ thống robot phân loại rác tự động, điển hình như ABB, AMP, FANUC, hay CSAIL. Những hệ thống này thường sử dụng robot có nhiều bậc tự do, được tích hợp trí tuệ nhân tạo để nhận dạng và phân loại chính xác các loại rác như nhựa, kim loại, hay rác thải hữu cơ. Robot phân loại rác hiện đại sử dụng trí tuệ nhân tạo (AI) và thị giác máy tính để nhận dạng và phân loại vật liệu như kim loại, nhựa, gỗ và rác thải xây dựng.

Ví dụ, công ty Waste Robotics cung cấp giải pháp AI-Gripper có khả năng phân loại chính xác các loại rác phức tạp. Robot Delta cũng đã được Matanya Horowitz, người sáng lập AMP Robotics ứng dụng trong việc phân loại rác tái chế trên dây chuyền sản xuất nhờ ưu điểm tốc độ cao, vận hành ổn định và dễ dàng tích hợp (Hình 1.2 Robot Delta phân loại rác tái chế của Mantanya Horowitz [3] ĐỒ ÁN TỐT NGHIỆP 2 CHƯƠNG 1. TỔNG QUAN ĐỀ TÀI 1.2 Nghiên cứu trong nước Tại Việt Nam, việc nghiên cứu và triển khai ứng dụng robot vào phân loại rác đang có những bước tiến đáng chú ý, đặc biệt trong môi trường học đường và các dự án khởi nghiệp. Một số trường đại học và viện nghiên cứu như: Đại học Việt Đức & Đại học Thủ Dầu Một - Robot phân loại rác ứng dụng xử lý quang phổ (Hình 1.3) [4], Trường Trung học phổ thông chuyên Nguyễn Tất Thành, Kon Tum – Cánh tay robot phân loại rác [5]… đã có những bước đầu trong việc thiết kế và thử nghiệm các mô hình robot phục vụ cho công tác phân loại và xử lý rác.3 Hai nhóm sinh viên trường Đại học Việt Đức và Thủ Dầu Một (Bình Dương) đã hợp tác chế tạo robot phân loại rác ứng dụng công nghệ xử lý ảnh quang phổ [4] Các dự án robot phân loại rác trong trường học không chỉ giúp cải thiện việc quản lý rác thải mà còn nâng cao nhận thức về bảo vệ môi trường cho học sinh và cộng đồng.

Việc tích hợp AI, thị giác máy tính và xử lý ảnh quang phổ vào robot phân loại rác cho thấy khả năng áp dụng công nghệ hiện đại vào giải quyết các vấn đề môi trường tại Việt Nam. Với sự hỗ trợ từ các trường đại học và tổ chức, các dự án này có thể được phát triển và triển khai rộng rãi hơn trong các khu công nghiệp, trung tâm thương mại và khu dân cư. Bên cạnh các hoạt động nghiên cứu tại trường đại học, nhiều doanh nghiệp và tập đoàn lớn tại Việt Nam cũng đang từng bước ứng dụng robot vào dây chuyền sản xuất nhằm nâng cao năng suất và giảm thiểu chi phí nhân công. Một số ví dụ tiêu biểu có thể kể đến như: VinFast, với hơn 1.000 robot công nghiệp được sử dụng trong dây chuyền ĐỒ ÁN TỐT NGHIỆP 3 CHƯƠNG 1.

TỔNG QUAN ĐỀ TÀI sản xuất ô tô, hay Samsung, nơi các cánh tay robot tự động đảm nhiệm công đoạn lắp ráp linh kiện điện tử với độ chính xác cao. Điều này cho thấy Việt Nam đang từng bước tiếp cận và làm chủ công nghệ robot, khẳng định vị thế trong cuộc cách mạng công nghiệp 4. Tuy nhiên, hiện tại, các ứng dụng robot trong nước chủ yếu tập trung ở các lĩnh vực sản xuất công nghiệp, hậu cần (logistics), và y tế. Việc ứng dụng robot cho lĩnh vực xử lý và phân loại rác thải vẫn còn khá hạn chế, phần lớn chỉ dừng lại ở quy mô nghiên cứu thử nghiệm tại các trường đại học, chưa được triển khai rộng rãi trong các nhà máy xử lý rác hay cơ sở công nghiệp.

Đối với những ứng dụng đòi hỏi độ chính xác cao, tốc độ xử lý nhanh, và khả năng hoạt động liên tục với công suất lớn, như trong phân loại rác hoặc gắn linh kiện điện tử, thì các loại robot nối tiếp truyền thống thường không đáp ứng hiệu quả. Trong những trường hợp này, robot song song, đặc biệt là robot Delta, là giải pháp tối ưu. Với thiết kế nhỏ gọn, cấu trúc nhẹ, tốc độ di chuyển và xử lý nhanh chóng, robot Delta có thể dễ dàng tích hợp vào các hệ thống tự động khác nhau. Đây là loại robot đặc biệt phù hợp cho các tác vụ phân loại rác nhẹ với yêu cầu xử lý thời gian thực, góp phần giải quyết bài toán môi trường bằng công nghệ hiện đại.3 Nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Qua quá trình khảo sát và tham khảo các đề tài đã thực hiện tại Trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh (Bảng 1.1), nhóm nhận thấy rằng các nghiên cứu ứng dụng Robot trong phân loại sản phẩm hoặc rác thải đã được triển khai từ nhiều năm qua.

Tuy nhiên, mỗi đề tài đều có định hướng riêng, kết quả đạt được cũng như hạn chế khác nhau, từ đó tạo nên sự đa dạng nhưng đồng thời cũng cho thấy những điểm còn thiếu sót trong ứng dụng thực tiễn.1 Đề tài Robot phân loại tại trường Đại học Sư Phạm Kỹ Thuật TP. HCM Tên đề tài Tác giả Kết quả đạt được Hạn chế Hạn chế trong việc phân Robot Delta Robot Delta phân - Bùi Đức Nghĩa loại sản phẩm có màu sắc phân loại sản loại sản phẩm bằng - Trần Huy Vũ quá rực rỡ hoặc kích thước phẩm xử lý ảnh quá nhỏ ĐỒ ÁN TỐT NGHIỆP 4 CHƯƠNG 1. TỔNG QUAN ĐỀ TÀI Ứng dụng PLC Thiết kế và thi công Chương trình xử lý ảnh S7-1200 điều mô hình robot Delta - Lê Đình Ngọc còn hạn chế về việc nhận khiển robot điều khiển bằng PLC - Nguyễn Ngọc Như dạng chính xác màu sắc Delta phân loại kết hợp xử lý ảnh để Bửu trong môi trường thiếu sản phẩm theo phân loại sản phẩm sáng màu theo màu - Tốc độ và độ chính xác Thiết kế mô Thiết kế và thi công chưa cao. hình robot - Nguyễn Nhật Trường mô hình robot Delta - Đối tượng phân loại còn Delta ứng dụng - Nguyễn Trần Bửu dùng Arduino kết hạn chế.

phân loại rác Thạch hợp với YOLO v5 để - Chưa phù hợp trong môi thải phân loại rác trường công nghiệp. Thông qua Bảng 1.1, nhìn chung, các đề tài trước đều mang tính thử nghiệm trong phòng lab, tập trung vào điều khiển robot và xử lý hình ảnh cơ bản. Một số hệ thống bước đầu thể hiện tính khả thi, nhưng chưa đủ mạnh để triển khai trong môi trường công nghiệp hoặc thực tế bên ngoài. Mỗi đề tài đều có ưu điểm riêng, như ứng dụng robot hợp tác, hệ thống phân loại tự động hay sử dụng xử lý ảnh, nhưng đều còn điểm yếu về tốc độ, độ chính xác, khả năng mở rộng hoặc phạm vi nhận dạng.

Từ những phân tích trên, nhóm nhận thấy vẫn còn khoảng trống trong việc ứng dụng hiệu quả robot phân loại rác, đặc biệt là kết hợp PLC điều khiển robot để tạo điều kiện thuận lợi để triển khai, cải thiện khả năng đáp ứng trong môi trường công nghiệp. Chính vì vậy, nhóm lựa chọn thực hiện đề tài: “Thiết kế và sử dụng PLC điều khiển Robot Delta kết hợp xử lý ảnh phân loại rác” – hướng đến việc kết hợp Robot Delta với xử lý ảnh nâng cao và trí tuệ nhân tạo, nhằm tạo ra một hệ thống phân loại rác có tính ứng dụng cao hơn, khắc phục được những hạn chế còn tồn tại trong các đề tài trước đó.3 Mục tiêu Thiết kế và chế tạo một hệ thống sử dụng Robot Delta phân loại rác. Ứng dụng mô hình học sâu YOLOv8 để nhận diện và phân loại rác thành ba loại chính: chai nhựa và lon nhôm và chai thủy tinh với tốc độ tối thiểu là 10 đối tượng trong 1 phút.