Bối cảnh và vấn đề nghiên cứu

Trong tiến trình phát triển của nền kinh tế nông nghiệp và công nghiệp chế biến, việc chuẩn hóa chất lượng nông sản sau thu hoạch giữ vai trò then chốt nhằm nâng cao giá trị xuất khẩu và định giá sản phẩm trên thị trường. Thực tế sản xuất cho thấy nông sản thường xuyên đối mặt với tình trạng biến động giá theo mùa vụ và nguy cơ bị ép giá nếu không đáp ứng được các tiêu chuẩn khắt khe về kích thước, màu sắc và trọng lượng (điển hình như trường hợp dưa chuột chế biến đóng hộp xuất khẩu tại Tiên Lãng, Hải Phòng với các yêu cầu phân loại ngặt nghèo). Phương pháp phân loại thủ công truyền thống bộc lộ nhiều hạn chế về năng suất, độ đồng đều và tốn kém nhân công. Mặt khác, các dây chuyền phân loại công nghiệp quy mô lớn hiện có trên thị trường tuy đạt độ tự động hóa cao nhưng lại cồng kềnh, vận hành phức tạp, chi phí đầu tư lớn và khó tùy biến thông số, không phù hợp với quy mô kinh tế của hộ nông dân và tiểu thương.

Xuất phát từ thực tiễn trên, đề tài tập trung nghiên cứu và chế tạo mô hình phân loại tự động quy mô vừa và nhỏ với đối tượng thực nghiệm cụ thể là quả cà chua.

Mục tiêu nghiên cứu của đề tài gồm:

  1. Nắm vững nguyên lý hoạt động của cảm biến cân nặng và camera thu nhận hình ảnh.
  2. Làm chủ ngôn ngữ lập trình Python, các công cụ hỗ trợ trong thư viện OpenCV, thực hiện các tác vụ xử lý trên kit máy tính nhúng Raspberry Pi 3 Model B chạy hệ điều hành Raspbian.
  3. Thiết kế và thi công hoàn chỉnh mô hình phần cứng có khả năng phân loại sản phẩm tự động kết hợp đồng thời hai tiêu chí: màu sắc và cân nặng.
  4. Xây dựng hệ thống đếm số lượng và cho phép tùy chỉnh các thông số đặc trưng phân loại từ xa thông qua giao diện Web localhost và cơ sở dữ liệu thời gian thực.

Nhiệm vụ nghiên cứu được phân định thành 6 nội dung cụ thể:

  • Nội dung 1: Khảo sát tổng quan về hệ thống phân loại sản phẩm và các giải pháp thiết kế hệ thống băng chuyền cơ học.
  • Nội dung 2: Nghiên cứu thuật toán xử lý ảnh số ứng dụng nhận dạng và phân loại màu sắc sản phẩm.
  • Nội dung 3: Nghiên cứu giải pháp thu thập và xử lý tín hiệu phân loại sản phẩm theo cân nặng.
  • Nội dung 4: Nghiên cứu thiết kế giao diện Web localhost nhằm giám sát, tùy chỉnh đặc trưng màu sắc và chỉ số cân nặng.
  • Nội dung 5: Thi công hoàn thiện phần cứng, mạch điều khiển, tích hợp hệ thống và vận hành chạy mẫu thực nghiệm.
  • Nội dung 6: Đo đạc, kiểm thử và đánh giá kết quả hoạt động của toàn hệ thống.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Quả cà chua ở các giai đoạn chín khác nhau và cơ cấu phân loại tự động bằng khí nén kết hợp thị giác máy tính.
  • Phạm vi không gian: Mô hình thực nghiệm phòng thí nghiệm tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.
  • Phạm vi thời gian: Thực hiện từ ngày 18/02/2019 đến ngày 10/06/2019.

Cơ sở lý thuyết và phương pháp

Cơ sở lý thuyết của đề tài dựa trên sự tích hợp giữa lý thuyết xử lý ảnh số, lý thuyết đo lường điện tử, sinh lý học biến đổi hình thái nông sản và kỹ thuật điều khiển khí nén.

Về xử lý ảnh số, hệ thống áp dụng chuỗi biến đổi tín hiệu từ khâu thu nhận ảnh (Image Acquisition), tiền xử lý (Pre-processing), trích chọn đặc trưng (Feature Extraction), hậu xử lý (Post-processing) đến khối ra quyết định phân loại (Classification). Lý thuyết xử lý ảnh bao gồm việc biểu diễn ảnh số raster đa mức xám (256 mức xám), các mối quan hệ lân cận điểm ảnh ($N_4(p)$, $N_D(p)$, $N_8(p)$), liên kết ảnh (liên kết 4, liên kết 8, liên kết m), giải thuật lọc nhiễu không gian (bộ lọc tuyến tính và bộ lọc phi tuyến trung vị) nhằm triệt tiêu nhiễu trước khi trích xuất biên và vùng màu.

Về mô hình màu sắc, hệ thống thu nhận ảnh từ camera ở không gian màu RGB (24-bit màu) sau đó thực hiện thuật toán chuyển đổi sang không gian màu HSV (Hue - Saturation - Value):

  • Hue (H): Giá trị sắc thái màu thuần khiết, biểu diễn trên trục góc từ $0^\circ$ đến $360^\circ$.
  • Saturation (S): Độ bão hòa hay mức độ thuần khiết của màu sắc, nhận giá trị trong đoạn $[0, 255]$.
  • Value (V): Độ sáng của điểm ảnh, nhận giá trị trong đoạn $[0, 255]$.

Cơ sở phân loại sinh học dựa trên 6 giai đoạn phát triển hình thái của quả cà chua:

  1. Thời kỳ quả xanh: Vỏ xanh hoàn toàn, hạt chưa phát triển hoàn thiện.
  2. Thời kỳ chín xanh: Chất keo bao quanh hạt hình thành, quả chưa xuất hiện sắc hồng/vàng.
  3. Thời kỳ chín vàng: Đỉnh quả xuất hiện sắc vàng hoặc hồng với diện tích bề mặt chiếm khoảng 10%.
  4. Thời kỳ chuyển màu: Diện tích bề mặt biến đổi màu từ 10% đến 30% (vàng hoặc đỏ nhạt).
  5. Thời kỳ quả chín hồng: Diện tích biến đổi màu chiếm từ 30% đến 60%.
  6. Thời kỳ chín đỏ: Sắc đỏ bao phủ trên 90% diện tích bề mặt quả.

Nguyên lý đo lường cân nặng dựa trên cảm biến Loadcell dạng uốn/nén tích hợp cầu điện trở biến dạng (strain gauges). Khi có tải trọng, thân kim loại đàn hồi biến dạng làm thay đổi điện trở của các sợi kim loại strain gauges, tạo ra sự chênh lệch điện áp vi mô (mV). Tín hiệu điện áp tương tự này được đưa qua bộ chuyển đổi tương tự - số (ADC) chuyên dụng HX711 độ phân giải 24-bit để số hóa và truyền tín hiệu số về bộ xử lý trung tâm.

Phương pháp nghiên cứu thực tế bao gồm phương pháp thiết kế kỹ thuật (tính toán, lựa chọn linh kiện, thiết kế mạch nguyên lý và mạch in PCB), phương pháp thực nghiệm phân tích mẫu ảnh thực tế để hiệu chỉnh dải ngưỡng HSV, và phương pháp kiểm thử tích hợp toàn hệ thống cơ - điện - quang.

Thiết kế và triển khai hệ thống kỹ thuật

Hệ thống được tổ chức thành cấu trúc 7 khối chức năng liên kết chặt chẽ:

Khối chức năng Phần cứng / Công nghệ sử dụng Chức năng kỹ thuật
Khối xử lý trung tâm Kit máy tính nhúng Raspberry Pi 3 Model B (SoC Broadcom BCM2835, Quad-core 1.2 GHz, RAM 1 GB, hệ điều hành Raspbian) Tiếp nhận dữ liệu hình ảnh và cân nặng, thực thi thuật toán phân loại Python/OpenCV, điều khiển cơ cấu chấp hành và kết nối mạng
Khối thu nhận hình ảnh USB Camera Raspberry Pi (Ống kính tiêu cự F6.0mm, cự ly lấy nét 20mm, độ phân giải $640 \times 480$, cáp kết nối 65cm) Chụp ảnh sản phẩm trong buồng tối cố định và truyền dữ liệu ảnh qua cổng USB 2.0
Buồng chụp và chiếu sáng Buồng chụp kích thước $30 \times 15 \times 50\text{ cm}$ (Dài $\times$ Rộng $\times$ Cao), 4 đèn LED K3E19-3 (3W, 3.5V, $600-750\text{ mA}$, độ sáng $180-200\text{ LM}$) Ổn định nguồn sáng trắng nhân tạo, khử nhiễu quang học từ môi trường ngoài; khoảng cách từ camera đến băng tải là 50 cm
Khối cảm biến cân nặng Loadcell dạng thanh tải trọng tối đa 1 kg Đặt dưới băng tải tại vị trí đáy buồng chụp để tiếp nhận trọng lượng tĩnh/động của sản phẩm
Khối chuyển đổi ADC Module HX711 (ADC 24-bit, điện áp $2.7-5\text{ V}$, dòng tiêu thụ max $1.5\text{ mA}$, tốc độ lấy mẫu $10-80\text{ SPS}$, độ phân giải điện áp $40\text{ mV}$) Chuyển đổi tín hiệu vi sai điện áp tương tự từ Loadcell thành tín hiệu số 24-bit truyền về GPIO Raspberry Pi
Khối dẫn động và phân loại Động cơ giảm tốc DC 12V JGB37-3530, Module điều khiển PWM 12-40VDC/10A (IC 555), 4 Xi-lanh khí nén tác dụng kép, 4 Van điện từ Solenoid 24V (0.8 MPa, 120 mA), Mạch Relay cách ly Dẫn động băng chuyền vận chuyển sản phẩm và kích hoạt pít-tông đẩy sản phẩm vào các khay phân loại tương ứng
Khối hiển thị và quản lý Màn hình LCD, Giao diện Tkinter cục bộ, Giao diện Web localhost, Cơ sở dữ liệu Firebase Realtime Database Hiển thị thông số vận hành, cập nhật số lượng đếm tức thời và cho phép cấu hình lại các ngưỡng phân loại

Cấu trúc nguồn cung cấp cho toàn bộ hệ thống gồm 4 nhánh độc lập nhằm chống sụt áp và nhiễu công nghiệp:

  • Nguồn 5V – 2.5A chuyên cấp cho kit Raspberry Pi 3 Model B.
  • Nguồn 5V – 1.5A cấp cho board mạch chính và các IC điều khiển logic.
  • Nguồn 12V – 5A cấp cho động cơ DC kéo băng tải.
  • Nguồn 24V – 5A cấp cho hệ thống các cuộn hút van điện từ khí nén.

Dựa trên thực nghiệm hiệu chỉnh mẫu cà chua, dải ngưỡng giá trị HSV và tiêu chuẩn phân loại được xác lập như sau:

Nhóm màu sắc Ngưỡng màu HSV thực nghiệm Đặc trưng tỷ lệ diện tích bề mặt
Màu đỏ $H \in [0, 10], S \in [0, 255], V \in [0, 255]$ Sắc đỏ/hồng chiếm $> 90%$ diện tích bề mặt
Màu cam / vàng $H \in [11, 65], S \in [0, 255], V \in [0, 255]$ Sắc vàng/cam chiếm từ $30%$ đến $90%$ diện tích bề mặt
Màu xanh lục $H \in [66, 160], S \in [0, 255], V \in [0, 255]$ Sắc lục chiếm hầu như toàn bộ diện tích bề mặt

Kết hợp chỉ số khối lượng và màu sắc, hệ thống thực hiện phân loại sản phẩm thành 5 nhóm thành phẩm:

  • Loại 1: Cà chua chín đỏ, khối lượng nhẹ (dưới ngưỡng cài đặt).
  • Loại 2: Cà chua chín đỏ, khối lượng nặng (đạt/vượt ngưỡng cài đặt).
  • Loại 3: Cà chua chín vàng/cam, khối lượng nhẹ.
  • Loại 4: Cà chua chín vàng/cam, khối lượng nặng.
  • Loại 5: Cà chua xanh, chưa chín hoặc có trọng lượng bất thường (di chuyển đến cuối băng tải).

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tính cấp thiết của đề tài trong bối cảnh hiện đại hóa khâu chế biến nông sản tại Việt Nam. Tác giả chỉ ra sự bất cập của phương pháp phân loại thủ công và rào cản chi phí của các dây chuyền phân loại công nghiệp lớn. Chương này xác định rõ mục tiêu chế tạo hệ thống tự động quy mô nhỏ, liệt kê 6 nội dung nghiên cứu, giới hạn kỹ thuật của mô hình (sử dụng cà chua làm đối tượng, Raspberry Pi 3 làm trung tâm điều khiển, xi-lanh khí nén làm cơ cấu chấp hành) và cấu trúc 6 chương của báo cáo.

Chương 2: Cơ sở lý thuyết

Chương 2 tổng hợp toàn diện các nền tảng lý thuyết phục vụ việc thiết kế hệ thống. Về mặt phần mềm, chương phân tích các khái niệm xử lý ảnh cơ bản (điểm ảnh, ảnh raster, mức xám, lân cận ảnh, liên kết ảnh, lọc nhiễu trung vị, dò biên), giới thiệu ngôn ngữ Python và thư viện xử lý ảnh OpenCV. Về mặt quang học, chương phân tích chi tiết không gian màu RGB và không gian màu HSV, đưa ra cơ sở toán học để trích chọn dải màu nhận dạng cà chua. Về mặt phần cứng, chương cung cấp thông số và nguyên lý hoạt động của kit Raspberry Pi 3 Model B, module USB Camera, cấu tạo cảm biến cân nặng Loadcell (nguyên lý cầu biến dạng strain gauges), cấu tạo pít-tông khí nén và van điện từ solenoid 24V.

Chương 3: Tính toán và thiết kế

Chương 3 chi tiết hóa sơ đồ khối toàn hệ thống và thiết kế chi tiết từng khối phần cứng. Tác giả trình bày phương án kết nối USB Camera với Raspberry Pi, tính toán kích thước buồng chụp ảnh ($30 \times 15 \times 50\text{ cm}$) cùng hệ thống chiếu sáng gồm 4 đèn LED K3E19-3 công suất 3W. Chương này cũng trình bày sơ đồ ghép nối module ADC 24-bit HX711 với Loadcell 1kg và vi xử lý, thiết kế mạch điều tốc động cơ băng chuyền DC 12V bằng phương pháp điều chế độ rộng xung (PWM) sử dụng IC định thời 555, bố trí vị trí các cảm biến tiệm cận và 4 xi-lanh khí nén dọc theo khung băng tải, tính toán công suất nguồn cấp cho toàn mạch và lập sơ đồ nguyên lý tổng thể.

Chương 4: Thi công hệ thống

Chương 4 phản ánh toàn bộ quy trình chế tạo thực tế của mô hình: thiết kế và gia công board mạch in (PCB) cho khối điều khiển trung tâm, lắp ráp cơ khí khung băng chuyền, lắp đặt động cơ DC kèm trục truyền động dây đai, định vị cảm biến Loadcell dưới mặt băng tải tại đáy buồng chụp, thi công buồng chụp kín cách ly ánh sáng, lắp đặt hệ thống dây dẫn khí nén nối từ nguồn khí qua van điện từ đến các xi-lanh. Về phần mềm, chương mô tả lưu đồ thuật toán chương trình chính, lưu đồ chụp ảnh, lưu đồ chương trình con xử lý ảnh trích chọn vùng màu HSV, thuật toán so sánh ngưỡng cân nặng, và xây dựng các giao diện điều khiển (Tkinter, Web localhost, giao diện lưu trữ Firebase).

Chương 5: Kết quả - Nhận xét - Đánh giá

Chương 5 công bố kết quả thử nghiệm thực tế của mô hình. Tác giả trình bày hình ảnh mô hình hoàn thiện sau thi công, hoạt động của giao diện hiển thị Tkinter trên màn hình LCD, giao diện Web và dữ liệu cập nhật theo thời gian thực trên Firebase Realtime Database. Chương đưa ra các minh chứng thực nghiệm về quá trình xử lý: cà chua đi vào buồng chụp, hệ thống trích xuất màu sắc, đọc khối lượng, hiển thị số lượng đếm trên màn hình và kích hoạt xi-lanh đẩy chính xác quả cà chua loại 1, 2, 3, 4 vào khay chứa hoặc để quả loại 5 trôi về cuối băng tải. Đợt thử nghiệm ngày 25/05/2019 xác nhận hệ thống phân loại ổn định theo đúng các tiêu chí đã cài đặt.

Chương 6: Kết luận – Hướng phát triển

Chương 6 tổng kết các hạng mục công việc đã hoàn thành: làm chủ công nghệ xử lý ảnh nhúng trên Raspberry Pi, thi công thành công hệ thống cơ điện tử phân loại kết hợp 2 thông số màu sắc - khối lượng, và tích hợp điều khiển/giám sát qua Web. Đồng thời, tác giả nêu các hướng cải tiến tiếp theo nhằm nâng cao tốc độ phân loại và mở rộng ứng dụng trên nhiều chủng loại nông sản khác nhau.

Kết quả và đóng góp

Về kết quả kỹ thuật, đề tài đã thiết kế và chế tạo thành công mô hình thực nghiệm hoàn chỉnh với các chỉ số hoạt động ổn định:

  • Chế tạo thành công cơ cấu buồng chụp ảnh kín kích thước $30 \times 15 \times 50\text{ cm}$ với 4 đèn LED K3E19-3 (3.5V, $600-750\text{ mA}$), tạo môi trường chiếu sáng đồng nhất giúp camera nhận dạng chính xác 3 vùng màu (đỏ: $H \in [0, 10]$; cam/vàng: $H \in [11, 65]$; xanh: $H \in [66, 160]$).
  • Tích hợp thành công cảm biến Loadcell 1kg và mạch chuyển đổi 24-bit HX711, đọc và chuyển đổi dữ liệu trọng lượng cà chua về Raspberry Pi với độ tin cậy cao.
  • Xây dựng giải pháp điều khiển đồng bộ 4 xi-lanh khí nén thông qua hệ thống van điện từ 24V (áp suất 0.8 MPa) và mạch cách ly relay, thực hiện phân loại chính xác quả vào 5 nhóm theo đúng kịch bản lập trình.
  • Phát triển phần mềm đa nền tảng: giao diện cục bộ Tkinter hiển thị trạng thái và số lượng sản phẩm trên LCD, giao diện Web localhost cho phép người dùng tùy chỉnh linh hoạt các ngưỡng màu và khối lượng, đồng thời đồng bộ dữ liệu đếm lên máy chủ đám mây Firebase Realtime Database.

Về đóng góp khoa học và ứng dụng:

  • Đề tài cung cấp giải pháp tích hợp phần cứng giá thành thấp (sử dụng máy tính nhúng Raspberry Pi 3 và các linh kiện thương mại phổ biến) để giải quyết bài toán phân loại nông sản đa tiêu chí trong thời gian thực.
  • Xây dựng mô hình có khả năng tùy biến thông số phân loại linh hoạt qua giao diện web, khắc phục nhược điểm cấu hình cố định, phức tạp của các dây chuyền công nghiệp truyền thống.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài (dựa trên phạm vi nghiên cứu và đặc tính mô hình thực nghiệm):

  • Khả năng tính toán của kit máy tính nhúng Raspberry Pi 3 Model B còn giới hạn khi phải thực thi đồng thời tác vụ xử lý ảnh thời gian thực, đọc dữ liệu cảm biến liên tục và duy trì webserver, dẫn đến tốc độ phân loại tổng thể chưa đạt mức tối ưu của dây chuyền công nghiệp lớn.
  • Mô hình mới chỉ tập trung thực nghiệm trên đối tượng quả cà chua với các hình thái màu sắc cơ bản (đỏ, vàng/cam, xanh).
  • Hệ thống cơ khí băng tải và cơ cấu cân tĩnh tại đáy buồng chụp đòi hỏi sản phẩm phải dừng hoặc di chuyển với vận tốc thấp để tránh rung lắc gây sai số cho cảm biến Loadcell.

Hướng nghiên cứu và phát triển tiếp theo:

  • Nâng cấp phần cứng xử lý trung tâm lên các dòng vi xử lý hoặc kit nhúng có năng lực tính toán cao hơn để tăng tốc độ xử lý khung hình và rút ngắn chu kỳ phân loại.
  • Hoàn thiện thuật toán xử lý ảnh nhằm nhận diện thêm các khuyết tật bề mặt (vết sâu, thâm giập) và hình dáng hình học của nông sản.
  • Mở rộng cơ sở dữ liệu và cấu hình ngưỡng nhận dạng cho nhiều loại củ, quả nông sản khác nhau.
  • Tối ưu hóa cơ cấu cơ khí, giảm thiểu rung động tại bàn cân để nâng cao năng suất vận hành liên tục.

Giá trị tham khảo

Tài liệu đồ án tốt nghiệp này mang lại giá trị tham khảo kỹ thuật rõ ràng cho sinh viên, giảng viên và kỹ sư thuộc các chuyên ngành Kỹ thuật Điện tử - Truyền thông, Điện tử Công nghiệp, Kỹ thuật Cơ điện tử, Tự động hóa và Công nghệ Kỹ thuật Máy tính:

  • Cung cấp tài liệu hướng dẫn cụ thể về việc triển khai thư viện OpenCV trên môi trường hệ điều hành Linux (Raspbian) của máy tính nhúng Raspberry Pi.
  • Cung cấp sơ đồ nguyên lý chi tiết về việc kết nối và đọc dữ liệu từ cảm biến tải trọng Loadcell thông qua chip ADC chuyên dụng HX711.
  • Là tài liệu mẫu hữu ích về phương pháp thiết kế buồng chụp ảnh công nghiệp (Machine Vision Chamber) đảm bảo điều kiện ánh sáng chuẩn cho các bài toán nhận dạng màu sắc.
  • Hướng dẫn phương pháp xây dựng hệ thống IoT hoàn chỉnh từ tầng thiết bị phần cứng, giao diện người dùng Tkinter đến webserver cục bộ và đồng bộ dữ liệu đám mây qua Firebase.

Câu hỏi thường gặp

1. Hệ thống sử dụng không gian màu nào để nhận dạng màu sắc quả cà chua và các dải ngưỡng thực nghiệm được thiết lập ra sao? Hệ thống chuyển đổi ảnh thu nhận từ camera sang không gian màu HSV (Hue - Saturation - Value). Sau quá trình hiệu chỉnh thực nghiệm, dải ngưỡng sắc thái màu (Hue) được xác lập như sau:

  • Màu đỏ (quả chín hồng, chín đỏ chiếm $>90%$ diện tích): $(H, S, V) = (0, 0, 0) \div (10, 255, 255)$.
  • Màu cam/vàng (quả chuyển màu, chín vàng chiếm $30-90%$ diện tích): $(H, S, V) = (11, 0, 0) \div (65, 255, 255)$.
  • Màu xanh lục (quả xanh, chưa chín): $(H, S, V) = (66, 0, 0) \div (160, 255, 255)$. Các giá trị bão hòa ($S$) và độ sáng ($V$) đều lấy toàn dải từ $0$ đến $255$ để thích ứng với mọi mức độ chiếu sáng.

2. Tiêu chí phân loại của hệ thống chia sản phẩm thành bao nhiêu nhóm cụ thể? Hệ thống phân loại sản phẩm thành 5 nhóm dựa trên sự kết hợp giữa 3 trạng thái màu sắc và ngưỡng cân nặng do người dùng cài đặt:

  • Loại 1: Cà chua chín đỏ, khối lượng nhẹ.
  • Loại 2: Cà chua chín đỏ, khối lượng nặng.
  • Loại 3: Cà chua chín vàng/cam, khối lượng nhẹ.
  • Loại 4: Cà chua chín vàng/cam, khối lượng nặng.
  • Loại 5: Cà chua quả xanh, chưa chín hoặc có trọng lượng bất thường (không bị xi-lanh đẩy, trôi về cuối băng tải).

3. Thông số kỹ thuật của module ADC HX711 và cảm biến Loadcell được sử dụng trong hệ thống là gì? Hệ thống sử dụng cảm biến Loadcell có dải đo tối đa 1 kg để phù hợp với khối lượng quả cà chua (thường $<300\text{ g}$). Module ADC HX711 đi kèm là mạch chuyển đổi analog-to-digital 24-bit với các thông số: điện áp hoạt động $2.7 - 5\text{ V}$, dòng tiêu thụ tối đa $1.5\text{ mA}$, tốc độ lấy mẫu $10 - 80\text{ SPS}$, độ phân giải điện áp $40\text{ mV}$ và kích thước module $38 \times 21 \times 10\text{ mm}$.

4. Tại sao nhóm nghiên cứu lựa chọn cơ cấu xi-lanh khí nén để thực hiện việc đẩy sản phẩm? Nhóm nghiên cứu chọn xi-lanh khí nén làm cơ cấu chấp hành thay vì xi-lanh thủy lực hay cơ cấu khác vì 5 lý do kỹ thuật:

  • Đảm bảo vệ sinh an toàn thực phẩm: Sử dụng khí nén làm môi chất, không gây rò rỉ dầu bẩn như xi-lanh thủy lực.
  • Tốc độ tác động nhanh: Đáp ứng tốt thời gian đẩy sản phẩm khi băng chuyền đang chuyển động.
  • Nguồn cấp khí thuận tiện: Máy nén khí thông dụng, dễ lắp đặt.
  • Chuyển động tịnh tiến chuẩn xác: Đẩy nông sản trượt vào máng chứa mà không làm lệch phương hướng hay dập nát.
  • Chi phí đầu tư hợp lý và lắp đặt linh hoạt.

5. Hệ thống phần mềm và truyền thông của mô hình được xây dựng trên những công nghệ nào? Hệ thống phần mềm được xây dựng hoàn toàn bằng ngôn ngữ Python trên hệ điều hành Raspbian của Raspberry Pi 3. Phần mềm xử lý ảnh sử dụng thư viện mã nguồn mở OpenCV. Giao diện điều khiển tại chỗ lập trình bằng thư viện Tkinter hiển thị trên màn hình LCD. Hệ thống quản lý và tùy chỉnh thông số từ xa sử dụng giao diện Web localhost kết hợp dịch vụ cơ sở dữ liệu thời gian thực Firebase Realtime Database.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu, thiết kế và thi công mô hình đếm và phân loại sản phẩm theo cân nặng, màu sắc" đã hoàn thành trọn vẹn các mục tiêu kỹ thuật đặt ra thông qua việc tích hợp thành công thị giác máy tính OpenCV và cảm biến lực Loadcell trên nền tảng máy tính nhúng Raspberry Pi 3. Hệ thống phần cứng hoạt động ổn định, phân loại chính xác quả cà chua thành 5 nhóm sản phẩm riêng biệt nhờ cơ cấu chấp hành khí nén đồng bộ. Việc kết hợp giao diện Web localhost và cơ sở dữ liệu Firebase mang lại khả năng giám sát trực quan, đếm sản phẩm và tùy chỉnh ngưỡng phân loại từ xa một cách linh hoạt. Đây là mô hình ứng dụng công nghệ nhúng có giá trị thực tiễn cao, mở ra giải pháp tự động hóa chi phí thấp cho khâu sơ chế và phân loại nông sản quy mô vừa và nhỏ.