Báo cáo: Thiết kế, thi công mô hình phân loại sản phẩm – Phạm Công Trường, ĐH Kỹ thuật TP.HCM, 2026

Tài liệu hướng dẫn thiết kế và thi công mô hình phân loại sản phẩm tự động. Tổng hợp giải pháp điều khiển, cấu tạo cơ khí và nguyên lý vận hành chi tiết.

• Tác giả: Phạm Công Trường
• Người hướng dẫn: ThS. Phùng Sơn Thanh
• Trường học: Trường Đại học Công nghệ Kỹ thuật TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật điều khiển và tự động hóa
• Đề tài: Thiết kế, thi công mô hình phân loại sản phẩm
• Loại tài liệu: Báo cáo đồ án tốt nghiệp
• Năm xuất bản: 2026
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng quan thiết kế thi công mô hình phân loại sản phẩm

Thiết kế thi công mô hình phân loại sản phẩm là bước đệm then chốt trong đào tạo kỹ thuật và tự động hóa công nghiệp. Hệ thống mô phỏng trọn vẹn dây chuyền phân loại thực tế tại các nhà máy. Cấu trúc cơ bản bao gồm cơ cấu cấp phôi, băng tải PVC truyền động, cảm biến phát hiện, bộ vi xử lý và cơ cấu chấp hành. Mô hình phân loại hàng hóa dựa trên các tiêu chí như màu sắc vật liệu, trọng lượng hoặc kích thước hình học. Các công nghệ xử lý ảnh số hiện đại như OpenCV được tích hợp để nhận diện đối tượng chính xác. Kết hợp cùng các máy tính nhúng và vi điều khiển công nghiệp, hệ thống xử lý tín hiệu theo thời gian thực. Việc phát triển mô hình giúp tối ưu hóa chi phí nghiên cứu trước khi triển khai quy mô lớn. Mô hình kỹ thuật này đóng vai trò quan trọng trong việc chuẩn hóa quy trình phân loại tự động. Đồng thời, hệ thống cung cấp nền tảng thử nghiệm các thuật toán điều khiển chuyển động tiên tiến. Nền tảng tự động hóa này tạo tiền đề vững chắc cho việc ứng dụng công nghiệp thông minh.

1.1. Cấu trúc phần cứng của mô hình phân loại

Phần cứng của hệ thống bao gồm ba khối chính: khối cơ khí, khối cảm biến và khối điều khiển. Khối cơ khí sử dụng khung nhôm định hình chịu lực tốt. Băng chuyền PVC hoạt động nhờ động cơ DC 12V ổn định. Bộ phận cấp phôi tự động sử dụng động cơ servo MG996R với góc quay chính xác. Khối cảm biến tích hợp cảm biến hồng ngoại xác định vị trí và cảm biến Loadcell đo khối lượng. Khối xử lý trung tâm kết hợp giữa Raspberry Pi 4 và Arduino Mega 2560. Mạch công suất TB6560 điều khiển các động cơ bước của cánh tay robot. Nguồn tổ ong cung cấp điện áp ổn định cho toàn bộ thiết bị.

1.2. Nền tảng điều khiển và thuật toán phần mềm

Hệ thống phần mềm xây dựng trên nền tảng xử lý đa tầng. Máy tính nhúng Raspberry Pi 4 đảm nhiệm tác vụ xử lý thị giác máy tính qua thư viện OpenCV. Ngôn ngữ Python thực thi việc nhận diện màu sắc không gian RGB và phân tích ảnh. Dữ liệu xử lý được truyền đến Arduino Mega 2560 qua giao thức truyền thông nối tiếp UART. Arduino lập trình bằng ngôn ngữ C/C++ để xuất xung điều khiển động cơ bước TB6560 và servo. Thuật toán điều khiển Robot Descartes tính toán tọa độ gắp thả sản phẩm chính xác. Phần mềm cũng hiển thị thông số vận hành lên màn hình LCD để giám sát liên tục.

II. Phân tích thiết kế thi công mô hình phân loại sản phẩm

Quá trình phân loại sản phẩm thủ công bộc lộ nhiều hạn chế về năng suất và độ tin cậy. Sai sót do yếu tố con người dẫn đến tỷ lệ lỗi cao trong quy trình đóng gói. Việc thiết kế mô hình tự động hóa giải quyết triệt để vấn đề này nhưng đối mặt với nhiều thách thức kỹ thuật. Vấn đề đầu tiên nằm ở độ ổn định ánh sáng môi trường khi camera thu thập dữ liệu màu sắc. Không gian màu RGB thường bị sai lệch khi cường độ sáng phòng thay đổi đột ngột. Vấn đề thứ hai là độ trễ truyền thông giữa bộ xử lý hình ảnh và vi điều khiển điều khiển động lực. Nếu tín hiệu truyền qua giao thức nối tiếp bị trễ, cánh tay robot sẽ gắp sai vị trí vật thể. Ngoài ra, việc rung lắc của khung cơ khí khi băng tải chuyển động gây nhiễu cho cảm biến trọng lượng Loadcell. Tải trọng quán tính lớn cũng khiến động cơ bước dễ bị mất bước nếu điều khiển không chuẩn xác. Sự thiếu đồng bộ giữa các khâu làm gián đoạn chu trình phân loại tự động.

2.1. Nhiễu tín hiệu và sai số quang học khi nhận diện

Nhận diện màu sắc vật phẩm bằng thị giác máy tính dễ bị ảnh hưởng bởi quang sai và ánh sáng xung quanh. Không gian màu RGB biểu diễn giá trị từng kênh từ 0 đến 255. Tuy nhiên, sự phân bố ánh sáng không đều tạo ra các vùng bóng mờ trên bề mặt phôi. Hiện tượng phản chiếu ánh sáng làm thay đổi giá trị điểm ảnh thực tế. Hệ quả là thuật toán phân ngưỡng OpenCV dễ nhận diện sai màu phôi. Bên cạnh đó, tốc độ quét của camera giá rẻ tạo hiện tượng nhòe ảnh chuyển động khi băng chuyền chạy nhanh. Việc xử lý ảnh bị chậm trễ gây ảnh hưởng xấu tới toàn bộ chu trình.

2.2. Xung đột dữ liệu và sai số định vị cơ khí

Hệ thống robot gắp phôi Descartes đòi hỏi độ chính xác cơ học rất cao trên các trục tọa độ. Hiện tượng trượt bước của động cơ bước xuất hiện khi tăng tốc đột ngột hoặc chịu tải nặng. Driver TB6560 nếu tản nhiệt kém sẽ dẫn đến ngắt dòng bảo vệ và sai lệch vị trí. Đồng thời, tín hiệu cân tải từ cảm biến Loadcell dễ bị dao động mạnh do rung động cơ học từ motor băng tải. Sai số đo lường khối lượng khiến phân loại thiếu tin cậy. Dữ liệu nối tiếp giữa Raspberry Pi và Arduino nếu không có cơ chế bắt tay sẽ bị thất thoát gói tin, gây lỗi vận hành robot.

III. Giải pháp thiết kế thi công mô hình phân loại sản phẩm

Để khắc phục triệt để các tồn tại kỹ thuật, giải pháp thiết kế tích hợp phần cứng và tối ưu phần mềm được áp dụng đồng bộ. Buồng chụp ảnh khép kín được trang bị đèn LED vòng chuyên dụng, duy trì cường độ sáng đồng nhất. Thuật toán xử lý ảnh chuyển đổi không gian màu sang HSV hoặc chuẩn hóa miền giá trị màu nhằm triệt tiêu bóng mờ. Đối với phần cơ khí, hệ thống sử dụng khung hợp kim nhôm định hình kết hợp giảm chấn cao su tại đế động cơ. Khối cân Loadcell được bố trí độc lập với băng tải để khử hoàn toàn nhiễu rung cơ học. Về điều khiển, hệ thống phân định rõ ràng nhiệm vụ giữa Raspberry Pi 4 và Arduino Mega 2560. Raspberry Pi tập trung xử lý thuật toán nhận dạng OpenCV bằng ngôn ngữ Python. Sau khi tính toán, kết quả gửi qua giao tiếp UART có mã kiểm tra checksum. Arduino tiếp nhận dữ liệu và điều khiển các vi bước qua module TB6560, đảm bảo robot Descartes di chuyển mượt mà. Mô hình này vận hành hoàn toàn khép kín, chính xác và có độ bền cao.

3.1. Thuật toán nhận diện và tiền xử lý hình ảnh

Quy trình xử lý ảnh trên Raspberry Pi bắt đầu bằng việc kích hoạt camera khi cảm biến hồng ngoại báo phôi đến. Khung hình màu RGB được trích xuất và lọc nhiễu Gaussian để làm mịn ảnh. Thuật toán phân ngưỡng màu sắc tự động nhận dạng các dải giá trị đặc trưng của từng sản phẩm. Thư viện OpenCV tìm kiếm đường bao và tính toán tâm hình học của vật thể. Kết quả nhận diện chuyển thành các mã lệnh số ngắn gọn. Bộ lọc trung bình trượt được bổ sung để xác minh liên tục trong 3 khung hình trước khi đưa ra quyết định cuối cùng. Giải pháp này giúp loại bỏ hoàn toàn các lỗi nhận dạng sai do phản quang.

3.2. Điều khiển chuyển động và giao tiếp hệ thống

Arduino Mega 2560 đóng vai trò trung tâm chấp hành của hệ thống. Bộ vi điều khiển nhận chuỗi dữ liệu phân loại từ Raspberry Pi qua cổng UART với tốc độ baud 115200. Chương trình C/C++ lập tức tính toán quỹ đạo di chuyển cho robot ba trục Descartes. Thuật toán gia tốc chữ S giúp động cơ bước khởi động và dừng êm dịu, loại trừ nguy cơ mất bước. Driver TB6560 thiết lập chế độ vi bước nhằm nâng cao độ phân giải dịch chuyển. Đồng thời, mạch đo Loadcell kết hợp module khuếch đại HX711 liên tục cập nhật khối lượng chính xác. Các cơ cấu chấp hành phối hợp nhịp nhàng, tối ưu hóa thời gian phân loại.

IV. Ứng dụng thiết kế thi công mô hình phân loại sản phẩm

Thiết kế thi công mô hình phân loại sản phẩm mang lại giá trị thực tiễn to lớn trong kỷ nguyên sản xuất thông minh. Mô hình chứng minh tính hiệu quả vượt trội trong việc tự động hóa các công đoạn hậu cần và kiểm định chất lượng. Tỷ lệ phân loại chính xác đạt mức cao, loại bỏ hoàn toàn các sai số do thao tác thủ công. Trong ngành chế biến nông sản và thực phẩm, hệ thống giúp sàng lọc trái cây theo kích thước và độ chín màu sắc. Trong ngành bưu chính chuyển phát, giải pháp hỗ trợ chia chọn kiện hàng theo trọng lượng và mã định danh tự động. Chi phí vận hành của dây chuyền giảm thiểu đáng kể nhờ năng suất làm việc liên tục bền bỉ. Hơn nữa, kiến trúc module linh hoạt cho phép doanh nghiệp dễ dàng mở rộng và tích hợp thêm các công nghệ mới như mạng nơ-ron sâu hay cánh tay robot công nghiệp tải trọng lớn. Mô hình này là giải pháp toàn diện thúc đẩy hiện đại hóa sản xuất bền vững.

4.1. Hiệu quả kinh tế và tối ưu hóa vận hành

Việc triển khai hệ thống phân loại tự động đem lại lợi ích kinh tế rõ rệt cho các đơn vị sản xuất. Năng suất phân loại tăng gấp nhiều lần so với phương pháp lao động thủ công truyền thống. Thời gian hoạt động liên tục 24/7 giúp rút ngắn chu kỳ hoàn thiện đơn hàng xuất kho. Tỷ lệ lỗi hư hại hàng hóa được kiểm soát ở mức tối thiểu nhờ chuyển động gắp thả cơ khí chính xác. Doanh nghiệp tiết kiệm đáng kể ngân sách nhân sự và giảm thiểu rủi ro tai nạn lao động. Dữ liệu số lượng sản phẩm được ghi nhận liên tục, hỗ trợ nhà quản lý giám sát dây chuyền minh bạch và hiệu quả hơn.

4.2. Hướng mở rộng và tiềm năng phát triển công nghiệp

Mô hình phân loại hiện tại sở hữu tiềm năng nâng cấp rất lớn để đáp ứng nhu cầu sản xuất thực tế. Trong giai đoạn tiếp theo, camera công nghiệp tốc độ cao và thuật toán trí tuệ nhân tạo Deep Learning sẽ được tích hợp. Điều này cho phép hệ thống phân loại các vật thể có hình dạng phức tạp hoặc phát hiện lỗi bề mặt tinh vi. Việc bổ sung giao thức truyền thông Modbus TCP hoặc mạng IoT công nghiệp giúp kết nối dữ liệu trực tiếp lên điện toán đám mây. Đơn vị quản lý có thể giám sát trạng thái máy móc và thực hiện bảo trì dự đoán từ xa. Nền tảng kỹ thuật này mở ra triển vọng ứng dụng rộng rãi trong nhà máy thông minh.

Trích đoạn nội dung tài liệu

Đặt vấn đề, mục tiêu, nội dung nghiên cứu, giới hạn và bố cục đề tài. − Chương 2: Cơ sở lý thuyết Tập trung vào các nền tảng lý thuyết cốt lõi làm cơ sở vận hành cho hệ thống. Đồng thời, phần này cũng khái quát về các thiết bị phần cứng cùng những công cụ phần mềm đặc thù được lựa chọn để triển khai đề tài. − Chương 3: Tính toán và thiết kế Cung cấp cái nhìn bao quát về kiến trúc hệ thống, đi kèm quy trình xác định các thông số kỹ thuật để đảm bảo sự đồng bộ giữa phần cứng và phần mềm.

Chương này cũng làm rõ sơ đồ mạch nguyên lý cùng cấu trúc các module chức năng. − Chương 4: Thi công hệ thống Thiết kế và cấu tạo nên phần cứng – phần mềm. Lập lưu đồ giải thuật điều khiển và xử lý hệ thống kèm theo hướng dẫn sử dụng và thao tác. − Chương 5: Kết quả, nhận xét và đánh giá Tự đánh giá quá trình thực hiện mô hình, các ưu nhược điểm và hạn chế của mô hình nhằm rút ra kết quả đạt được.

− Chương 6: Kết luận và hướng phát triển Nhận xét, đánh giá kết quả đạt được từ mô hình, mức độ hoàn thiện của đề tài. Đồng thời đề xuất những hướng phát triển mô hình tiềm năng. BỘ MÔN ĐIỆN – ĐIỆN TỬ 17 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ PHẦN MỀM CHƯƠNG 2.

CƠ SỞ LÍ THUYẾT VÀ PHẦN MỀM 2. TỔNG QUAN VỀ XỬ LÝ ẢNH Nằm trong nhánh xử lý tín hiệu số, kỹ thuật xử lý ảnh đóng vai trò thiết yếu với dữ liệu đầu vào là các tệp hình ảnh. Mục đích cốt lõi của quy trình này là tối ưu hóa độ hiển thị hoặc bóc tách những dữ liệu quan trọng phục vụ cho việc phân tích. Là một chuyên ngành khoa học đang trên đà bùng nổ, xử lý ảnh hiện nay đang len lỏi vào nhiều phương diện đời sống.

Những lĩnh vực như AI (Trí tuệ nhân tạo), kỹ thuật tự động hay chẩn đoán hình ảnh y khoa đều đang ứng dụng công nghệ này một cách triệt để. Nói chung, quá trình xử lý hình ảnh có thể quy về 2 cách thức xử lý sau: Có hai loại hình xử lý hình ảnh cơ bản là xử lý đồ họa và xử lý ảnh số. Trong khi mảng đồ họa thao tác trên các đối tượng nhân tạo, thì xử lý ảnh số lại chú trọng vào việc xử lý và truyền tải thông tin từ thế giới tự nhiên. Quá trình xử lý ảnh bao gồm bốn công đoạn chính: tăng độ phân giải ảnh, định dạng ảnh, truy vấn và thu nhỏ kích thước ảnh.

Trong phạm vi bài nghiên cứu, mảng nhận dạng ảnh sẽ là quá trình trọng tâm. Xử lý ảnh – bộ phận của xử lý số tín hiệu BỘ MÔN ĐIỆN – ĐIỆN TỬ 18 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ PHẦN MỀM Đây là mô hình miêu tả các thành phần trong một quá trình xử lý ảnh cơ bản: Hình 2. Các thành phần của quá trình xử lý ảnh Thu nhận ảnh: Giai đoạn đầu tiên và cũng là nền tảng then chốt cho mọi thao tác xử lý kế tiếp chính là thu nhận ảnh.

Tại đây, các thiết bị ghi hình như cảm biến, máy quét hay camera sẽ tiến hành thu thập dữ liệu dựa trên đặc thù của vật thể mục tiêu. Để đảm bảo hiệu quả, người thực hiện cần chú trọng các chỉ số phần cứng như độ phân giải, độ trung thực của màu sắc, kích thước tệp và tốc độ bắt hình. Kết quả của bước này là việc số hóa các tín hiệu hình ảnh thu được thành dữ liệu máy tính có thể hiểu được. Tiền xử lý: Sau khi được số hóa, dữ liệu ảnh sẽ trải qua giai đoạn tinh chỉnh nhằm nâng cao độ hiển thị.

Các thao tác cụ thể bao gồm cân bằng độ tương phản, triệt tiêu nhiễu, loại bỏ bóng mờ hoặc điều chỉnh các sai lệch hình học. Mục đích cốt lõi là làm nổi bật các chi tiết quan trọng và làm sạch dữ liệu, tạo điều kiện thuận lợi cho các thuật toán phân tích chuyên sâu ở phía sau. Công đoạn này thường tận dụng các thuật toán lọc có sẵn trên thiết bị ghi hình hoặc các ứng dụng hỗ trợ. Phân đoạn ảnh: Trong toàn bộ quy trình xử lý hình ảnh, phân đoạn ảnh được xem là giai đoạn trọng yếu và phức tạp nhất, đóng vai trò phân rã dữ liệu thô thành các thành phần có tính chất tương đồng dựa trên biên hoặc vùng liên thông.

Bằng cách sử dụng các tiêu chí như màu sắc hay mức xám, công đoạn này tạo ra một mô tả tổng hợp về các cấu trúc cấu thành nên ảnh, đồng thời giúp giảm thiểu khối lượng thông tin khổng lồ để tập trung vào các đặc trưng cần thiết cho ứng dụng.Dù là bước khó khăn nhất và dễ phát sinh sai sót gây ảnh hưởng đến độ chính xác chung, kết quả của quá trình này lại quyết định trực tiếp đến hiệu quả nhận dạng sản phẩm cuối cùng. Quy trình phân đoạn bao gồm hai nhiệm vụ cốt lõi: phân vùng ảnh để tách biệt các đối tượng có nghĩa (như vùng quan tâm ROI) khỏi nền, và trích chọn đặc tính nhằm chuyển đổi các vùng đã phân đoạn thành dữ liệu số. Việc hiện thực hóa các bước này BỘ MÔN ĐIỆN – ĐIỆN TỬ 19 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ PHẦN MỀM giúp hệ thống thực hiện các thuật toán phân loại, nhận dạng và đo đạc ở giai đoạn sau một cách hiệu quả và chính xác hơn.

Biểu diễn ảnh: Sau khi kết thúc khâu phân đoạn, dữ liệu ảnh bao gồm các tập hợp điểm ảnh đã được tách biệt và gán mã liên kết vùng. Để máy tính có thể can thiệp sâu hơn, các dữ liệu này cần được chuyển đổi sang định dạng tương thích. Quy trình xác định các thuộc tính mô tả ảnh này được gọi là 'trích chọn đặc trưng', nhằm mục đích số hóa các tính chất đặc thù để làm cơ sở phân loại các lớp đối tượng khác nhau. Định dạng và diễn giải ảnh : Sau khi biểu diễn ảnh thì hệ thống sẽ tiếp tục chuỗi xử lý là nhận diện và diễn giải hình ảnh.

Trong đó, nhận dạng đóng vai trò xác lập danh tính cho đối tượng thông qua việc đối chiếu các đặc trưng (features) đã thu thập. Tiếp nối là khâu nội suy, giúp hệ thống không chỉ gọi tên đối tượng mà còn nắm bắt được ý nghĩa logic, mối tương quan giữa các thành phần và ngữ cảnh tổng thể của bức ảnh. Trên thực tế, việc áp dụng đầy đủ trình tự các bước nêu trên là không bắt buộc mà tùy thuộc hoàn toàn vào mục tiêu của người dùng. Chẳng hạn, các ứng dụng hiệu chỉnh ảnh thông thường có thể chỉ dừng lại ở bước tiền xử lý.

Ngược lại, những hệ thống tự động hóa cao như nhận dạng ký tự quang học (OCR) hay nhận diện chữ viết mới đòi hỏi các thuật toán phân tích và nhận dạng phức tạp để trích xuất dữ liệu.2 PHƯƠNG PHÁP XÁC ĐỊNH VÀ PHÂN BIỆT MÀU SẮC ẢNH SỐ Trong kho bãi, không có một "chuẩn quốc tế" cố định cho màu sắc hàng hóa, mà các doanh nghiệp tự quy định mã màu (Ví dụ với kho bãi chứa thực phẩm chế biến: Mã Xanh - An toàn/Hạn dài, Vàng - Cần kiểm tra, Đỏ - Hết hạn/Hỏng) cho hàng hóa và khu vực tương ứng để hỗ trợ phân loại nhanh. Khả năng phân loại theo màu nhanh chóng, linh hoạt giúp nhận diện nhanh, giảm sai sót và tăng tốc độ xử lý đơn hàng, áp dụng cho cả hàng hóa và vật dụng chứa (container, hộp hàng). Ví dụ với ngành Logistic, Mỗi màu sắc container thường gắn liền với một nhóm mục đích sử dụng hoặc định danh thương hiệu. Dưới đây là một số màu phổ biến và ý nghĩa đi kèm: - Màu nâu, hạt dẻ: Đây là những màu phổ biến nhất đối với container cho thuê.

Các đơn vị cho thuê thường sử dụng màu sơn tối để che đi những vết trầy xước, móp méo hoặc dấu hiệu rỉ sét phát sinh trong quá trình sử dụng. Cách làm này không chỉ giúp bảo vệ cấu trúc của container mà còn giữ được tính thẩm mỹ, tạo điều kiện thuận lợi cho việc tái sử dụng nhiều lần, giúp tiết kiệm chi phí sửa chữa và thay thế. Thường những container này sẽ có độ ưu tiên và độ chính xác khi vận chuyển trong kho bãi thấp hơn do thường chứa hàng hóa thông thường. - Màu trắng: Container màu trắng chủ yếu được dùng cho container giữ lạnh vì màu trắng gắn liền với khả năng giữ nhiệt, tạo cảm giác “lạnh” và sạch sẽ.

Những container này sẽ có độ ưu tiên vận chuyển cao hơn vì những container này thường vận chuyển thực phẩm và dược phẩm. BỘ MÔN ĐIỆN – ĐIỆN TỬ 20 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ PHẦN MỀM - Màu xanh lá: Màu xanh lá thường được sử dụng cho các container chuyên chở hàng hóa thân thiện với môi trường hoặc thuộc về những đơn vị vận hành có cam kết xanh, hướng tới sự bền vững trong chuỗi cung ứng. - Bên cạnh các màu sắc cơ bản, container còn được sơn với nhiều tông màu đa dạng như xanh lam, đỏ, xám, cam… Những màu này thường được doanh nghiệp tùy chỉnh theo mục đích sử dụng, nhận diện thương hiệu hoặc để phân loại từng nhóm hàng hóa trong quá trình vận hành.

Trong khuôn khổ nghiên cứu này, các đối tượng hàng hóa được phân chia thành ba danh mục riêng biệt căn cứ vào đặc tính sắc thái của chúng: Loại 1: Hộp hàng màu xanh. Loại 2: Hộp hàng màu vàng. Loại 3: Hộp hàng màu đỏ. Việc tìm hiểu về khái niệm không gian màu là bước đệm lý thuyết quan trọng trước khi triển khai các thuật toán xử lý.

Về bản chất, không gian màu (Color Space) là một hệ thống định lượng màu sắc dựa trên các cơ sở khoa học chặt chẽ. Bằng cách sử dụng các mô hình toán học, màu sắc được chuyển đổi thành những tập hợp số liệu cụ thể, cho phép hệ thống máy tính có thể nhận biết và tái tạo lại màu sắc một cách trung thực nhất.1 Khái quát về hệ quy chiếu màu RGB Trong kỹ thuật xử lý và lưu trữ dữ liệu số, RGB được coi là mô hình màu nền tảng và phổ biến nhất. Điểm đặc trưng của hệ thống này là khả năng mô phỏng tương đối chính xác cách thức mà cơ quan thị giác của con người tiếp nhận và tổng hợp các dải màu từ môi trường tự nhiên. Không gian màu này có sự tương đồng cao với cơ chế mà mắt người cảm nhận và tổng hợp các màu sắc.