Giới thiệu dự án

Trong ngành công nghiệp dược phẩm hiện đại, quy trình kiểm soát chất lượng (Quality Control - QC) đóng vai trò sống còn đối với sức khỏe cộng đồng và uy tín của doanh nghiệp sản xuất. Tại Việt Nam, sản lượng dược phẩm nội địa hiện chỉ mới đáp ứng khoảng 50% nhu cầu phòng và chữa bệnh (theo số liệu từ Cổng thông tin điện tử Bộ Y tế). Nhằm nâng cao năng lực cạnh tranh và đẩy mạnh tự chủ y tế, các nhà máy sản xuất thuốc đang chuyển đổi mạnh mẽ sang mô hình tự động hóa toàn diện, tuân thủ nghiêm ngặt tiêu chuẩn thực hành tốt sản xuất thuốc (GMP-WHO).

Trong dây chuyền sản xuất thuốc khép kín (gồm các công đoạn: Bào chế $\rightarrow$ Dập viên/Bao phim $\rightarrow$ Ép vỉ/Đóng lọ $\rightarrow$ Đóng gói hộp), công đoạn sau khi ép vỉ nhôm - nhựa (Blister Packaging) trước khi đưa vào hộp giấy là mắt xích kiểm định quan trọng nhất. Vấn đề đặt ra là các lỗi sản phẩm như thiếu viên trong vỉ, viên bị nứt vỡ, mẻ góc, hoặc viên bị sai lệch màu sắc/lẫn tạp chất nếu không được phát hiện kịp thời sẽ gây hậu quả nghiêm trọng về mặt điều trị và thiệt hại kinh tế lớn khi phải thu hồi sản phẩm.

[Nguyên liệu & Bào chế] ➔ [Dập viên / Bao phim] ➔ [Ép vỉ nhôm - nhựa] ➔ [HỆ THỐNG KIỂM TRA LỖI] ➔ [Đóng hộp hoàn thiện]

Mục tiêu cụ thể của dự án nghiên cứu và chế tạo bao gồm:

  1. Thiết kế hệ thống cơ khí đồng bộ: Xây dựng kết cấu băng tải dẫn hướng và cấp phôi vỉ thuốc tự động với tốc độ vận hành ổn định $\le 0.2\text{ m/s}$.
  2. Thiết kế buồng chụp quang học chuẩn hóa: Xây dựng buồng chụp cách ly ánh sáng môi trường, tích hợp hệ thống đèn LED chuyên dụng góc chiếu tối ưu và cụm thấu kính phân cực (Polarizing Filter) để triệt tiêu hoàn toàn hiện tượng phản xạ lóa sáng trên bề mặt màng nhôm/nhựa PVC.
  3. Phát triển giải thuật thị giác máy tính chuyên sâu: Xây dựng pipeline xử lý ảnh số kết hợp các thuật toán học máy phân tầng Cascade Classifier (dựa trên đặc trưng Haar-like và AdaBoost) cùng bộ phân loại Support Vector Machine (SVM) để nhận diện chính xác 3 dạng khuyết tật: thiếu số lượng viên, viên bị gãy vỡ, và viên sai khác màu sắc.
  4. Tích hợp cơ cấu chấp hành và Web Server giám sát: Chế tạo module phân loại/đẩy sản phẩm lỗi thời gian thực bằng cơ cấu điện khí nén/chấp hành điện từ, đồng thời xây dựng Web Server quản lý dữ liệu sản xuất và giám sát thông số từ xa qua nền tảng PHP và MySQL.

Phạm vi giới hạn của đề tài tập trung vào 2 nhóm thuốc phổ biến nhất trên thị trường là viên nén (tablets) và viên nang (capsules), mỗi nhóm kiểm thử trên 2 mẫu quy cách đóng gói khác nhau về kích thước và màu sắc, vận hành trên băng tải với vận tốc định mức $\le 0.2\text{ m/s}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi đề xuất giải pháp thị giác máy tính (Digital Image Processing - DIP), nhóm nghiên cứu đã phân tích và đánh giá các phương pháp kiểm tra chất lượng vỉ thuốc đang tồn tại trên thị trường:

Phương pháp kiểm tra Nguyên lý hoạt động Ưu điểm Nhược điểm Khả năng phát hiện lỗi quang học (Màu sắc/Nứt vỡ)
Sàng rung / Cơ học Phân loại theo kích thước bao ngoài qua khe hở Cấu tạo đơn giản, chi phí thấp Dễ làm trầy xước bao bì, không kiểm tra được vỉ sau đóng gói Không hỗ trợ
Cân trọng lượng (Checkweigher) Cảm biến Loadcell đo khối lượng động từng vỉ Kiểm tra tốc độ cao, nhận biết thiếu viên Không phát hiện được viên bị vỡ nhưng đủ khối lượng, viên sai màu Không hỗ trợ
Kiểm tra tia X (X-Ray) Khảo sát mật độ suy giảm chùm tia X xuyên qua vỉ Nhìn thấu vỉ nhôm đục hoàn toàn Chi phí thiết bị cực kỳ cao, nguy cơ bức xạ, vận hành phức tạp Kém với sai lệch màu sắc
Công nhân KCS thủ công Quan sát trực quan bằng mắt thường Linh hoạt điều chỉnh Tốc độ chậm, mệt mỏi thị giác, sai sót chủ quan cao ($>15%$) Phụ thuộc vào con người
Hệ thống xử lý ảnh (Đề xuất) Thu nhận ảnh quang học + Học máy phân loại Không tiếp xúc, độ chính xác cao, nhận diện toàn diện mọi dạng lỗi Yêu cầu thiết lập môi trường chiếu sáng nghiêm ngặt Toàn diện (Hình thái, Số lượng, Màu sắc)

Nghiên cứu của Li Guang và cộng sự (2018) đã sử dụng phương pháp so sánh khớp mẫu hình học (Shape Template Matching), tuy nhiên phương pháp này gặp khó khăn lớn khi vỉ thuốc bị xoay góc ngẫu nhiên trên băng chuyền hoặc khi viên thuốc có độ bóng bề mặt thay đổi. Trong khi đó, nghiên cứu của Prajwala NB (2019) dựa trên việc tính toán diện tích đường bao (Contour Area), dễ bị sai lệch khi ánh sáng phân bố không đồng đều làm đứt gãy đường biên nhị phân.

Nhóm nghiên cứu thiết lập ma trận yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Phát hiện chính xác lỗi thiếu viên; phân biệt được viên vỡ diện tích $>15%$; phát hiện sai khác màu sắc; cơ cấu gạt sản phẩm lỗi tự động; buồng chụp có thấu kính phân cực chống lóa.
  • Should Have (Nên có): Tự động xoay chuẩn hóa góc nghiêng của vỉ thuốc (Deskewing) trước khi trích xuất ROI; giao diện Web Server hiển thị số lượng đạt/hỏng theo thời gian thực.
  • Could Have (Có thể có): Lưu trữ ảnh chụp các vỉ thuốc lỗi vào cơ sở dữ liệu để phục vụ truy xuất nguồn gốc (Traceability).
  • Won't Have (Chưa thực hiện đợt này): Kiểm tra mã vạch/hạn sử dụng dập chìm trên mép vỉ nhôm; kiểm tra vỉ chuyển động với tốc độ vượt quá $0.5\text{ m/s}$.

Thiết kế hệ thống

Kiến trúc hệ thống là sự kết hợp chặt chẽ giữa 4 phân hệ chính: Phân hệ Cơ khí - Quang học, Phân hệ Xử lý Tín hiệu & Điều khiển, Phân hệ Phần mềm Thị giác máy tính, và Phân hệ Web Server Quản lý.

                                                    (Truyền ảnh)
                                            [Bộ xử lý trung tâm (OpenCV/Python)]
                            [Mạch kích Driver PWM]                  [Giao thức HTTP / SQL]
                          [Cơ cấu gạt vỉ lỗi]                     [Web Server PHP / MySQL]

Technology Stack và Cấu hình Thiết bị:

  • Module thu nhận hình ảnh: Raspberry Pi Camera Module V1 (Cảm biến 5MP Omnivision OV5647, độ phân giải chụp $2592 \times 1944\text{ px}$, hỗ trợ quay video $1080\text{p}@30\text{fps}$).
  • Quang học & Chiếu sáng: Cụm đèn LED chiếu sáng trắng phân bố góc $45^\circ$, kết hợp kính lọc phân cực tròn/tuyến tính (Circular/Linear Polarizer) xoay được góc phân cực để chặn ánh sáng phản xạ trực tiếp từ màng nhôm.
  • Nền tảng xử lý dữ liệu: Python 3.8, Thư viện OpenCV 4.4.0 (Computer Vision & Machine Learning), NumPy.
  • Cơ sở dữ liệu & Giao tiếp Web: MySQL Server 8.0, phpMyAdmin 5.0, Apache/Nginx Web Server, PHP 7.4, HTML5/CSS3/JavaScript dashboard.
  • Phần cứng điều khiển chấp hành: Mạch vi điều khiển kết nối cảm biến quang NPN (phát hiện mép vỉ thuốc), mạch điều khiển động cơ DC và cơ cấu solenoid/xi lanh gạt vỉ lỗi thông qua tín hiệu điều xung PWM.

Thiết kế Cơ sở Dữ liệu Hệ thống: Cơ sở dữ liệu gồm hai bảng thực thể cốt lõi phục vụ giám sát và cấu hình:

  1. Bảng data: Lưu trữ cấu hình tham số hệ thống từ người dùng (loại thuốc đang kiểm tra, ngưỡng diện tích, chế độ chạy).
  2. Bảng result: Lưu trữ log vận hành thời gian thực bao gồm:
    • stt (INT, Primary Key, Auto Increment): Số thứ tự mẫu kiểm tra.
    • lt (VARCHAR): Loại thuốc (Viên nén tròn, viên nén dài, viên nang).
    • td (FLOAT): Tốc độ băng tải tức thời.
    • ts (INT): Trạng thái kiểm định (1: Đạt chuẩn - Pass; 0: Lỗi - Fail).
    • error_type (VARCHAR): Chi tiết dạng lỗi (Thiếu viên, Vỡ viên, Sai màu).
    • created_at (TIMESTAMP): Thời điểm kiểm tra.

Methodology

Quy trình nghiên cứu và phát triển được triển khai theo mô hình kỹ thuật hệ thống Cơ điện tử (V-Model Design Process) trong thời gian từ ngày 20/09/2020 đến ngày 05/01/2021:

Quản trị rủi ro kỹ thuật:

  • Rủi ro 1: Hiện tượng phản xạ ánh sáng (Glare effect) từ bề mặt vỉ nhôm làm cháy vùng ảnh. $\rightarrow$ Giải pháp: Ứng dụng thấu kính phân cực kép (phân cực nguồn sáng và phân cực trước ống kính camera) kết hợp buồng tán xạ mờ.
  • Rủi ro 2: Vỉ thuốc trượt lệch góc trên băng tải. $\rightarrow$ Giải pháp: Xây dựng thuật toán căn chỉnh góc xoay tự động dựa trên ma trận xoay 2 chiều (Affine Transformation Matrix) và thanh dẫn hướng cơ khí biên dạng chữ V.
  • Rủi ro 3: Độ trễ thuật toán lớn gây trượt vị trí gạt sản phẩm. $\rightarrow$ Giải pháp: Tối ưu hóa bộ lọc phân tầng Cascade, loại bỏ nhanh các mẫu nền âm (Negative) ngay từ những tầng đầu tiên để giảm thiểu tải tính toán.

Implementation và kết quả

Development process

Quá trình hiện thực hóa thuật toán xử lý ảnh được xây dựng theo một chuỗi pipeline chặt chẽ qua các bước toán học:

1. Tiền xử lý & Căn chỉnh hình học

Ảnh màu đầu vào từ Camera $RGB(x, y)$ được chuyển đổi sang không gian mức xám $Gray(x, y)$ theo tiêu chuẩn truyền hình ITU-R BT.601: $$Gray = 0.299R + 0.587G + 0.114B$$

Sau đó, ảnh được khử nhiễu bằng bộ lọc tích chập 2 chiều với ma trận nhân Kernel kích thước $3 \times 3$: $$K = \begin{bmatrix} 0.0625 & 0.125 & 0.0625 \ 0.125 & 0.25 & 0.125 \ 0.0625 & 0.125 & 0.0625 \end{bmatrix}$$

Để đưa vỉ thuốc về hướng chuẩn nằm ngang phục vụ cắt trích xuất từng viên thuốc, thuật toán xác định góc nghiêng $\theta$ của đường biên bao ngoài và áp dụng phép biến đổi tọa độ xoay Affine: $$\begin{bmatrix} x' \ y' \ 1 \end{bmatrix} = \begin{bmatrix} \cos\theta & -\sin\theta & 0 \ \sin\theta & \cos\theta & 0 \ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} x \ y \ 1 \end{bmatrix}$$

   [Ảnh RGB ban đầu]
   [Ảnh Grayscale]
   [Khử nhiễu làm mịn]
   [Ảnh nắn thẳng góc (Deskewed)]
   [Tọa độ các viên thuốc chuẩn hóa]

2. Trích xuất đặc trưng và Huấn luyện mô hình học máy

  • Thuật toán Cascade Classifier kết hợp AdaBoost: Sử dụng tập đặc trưng Haar-like (đặc trưng cạnh, đặc trưng đường, đặc trưng quanh tâm) để quét nhanh cấu trúc viên thuốc trong vỉ. Giá trị đặc trưng $f(x)$ được tính bằng hiệu tổng mức xám của vùng điểm ảnh đen và vùng điểm ảnh trắng: $$f(x) = \sum_{pixel \in \text{Vùng đen}} - \sum_{pixel \in \text{Vùng trắng}}$$ Thuật toán AdaBoost liên tục cập nhật trọng số phân phối $D_w(i)$ của các mẫu huấn luyện bị phân loại sai ở vòng lặp trước, kết hợp $T$ bộ phân loại yếu $h_t(X)$ thành một bộ phân loại mạnh $H(X)$: $$H(X) = \text{sign}\left(\sum_{t=1}^T \alpha_t h_t(X)\right) \quad \text{với } \alpha_t = \frac{1}{2}\ln\left(\frac{1 - \varepsilon_t}{\varepsilon_t}\right)$$

  • Bộ phân loại Support Vector Machine (SVM): Sử dụng để phân tích sâu hình thái học và màu sắc từng viên thuốc sau khi trích xuất. SVM xây dựng siêu phẳng tối ưu (Optimal Hyperplane) $f(x) = \beta_0 + \beta^T x = 0$ bằng cách cực đại hóa khoảng cách lề (Margin) $M = \frac{2}{|\beta|}$, tương đương với bài toán quy hoạch toàn phương: $$\min_{\beta, \beta_0} \frac{1}{2} |\beta|^2 \quad \text{thỏa mãn } y_i(\beta_0 + \beta^T x_i) \ge 1, \quad \forall i$$

3. Trích đoạn mã nguồn thực thi chính

Dưới đây là module Python trích xuất vùng quan tâm (ROI), phát hiện lỗi hình thái học và gửi trạng thái kiểm tra vào cơ sở dữ liệu MySQL:

import cv2
import numpy as np
import mysql.connector

def connect_database():
    return mysql.connector.connect(
        host="localhost",
        user="nhung",
        password="password123",
        database="pill_inspection_db"
    )

def inspect_pill_defect(roi_image, min_area_thresh, expected_color_hsv):
    """
    Kiem tra loi khuyet tat vien thuoc:
    1. Kiem tra su hien dien (Thieu vien)
    2. Kiem tra bien dang hinh hoc (Nut vo)
    3. Kiem tra sai khac kenh mau HSV (Sai mau)
    """
    # 1. Chuyen doi sang anh xam va nhi phan hoa
    gray = cv2.cvtColor(roi_image, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    _, thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)
    
    # 2. Trich xuat Contour tinh dien tich
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if not contours:
        return False, "THIEU_VIEN"
    
    max_cnt = max(contours, key=cv2.contourArea)
    area = cv2.contourArea(max_cnt)
    
    # Kiem tra dien tich so voi nguong chuan
    if area < min_area_thresh:
        return False, "VO_VIEN"
        
    # 3. Kiem tra mau sac trong khong gian HSV
    hsv = cv2.cvtColor(roi_image, cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv, expected_color_hsv[0], expected_color_hsv[1])
    color_ratio = cv2.countNonZero(mask) / float(roi_image.shape[0] * roi_image.shape[1])
    
    if color_ratio < 0.65:
        return False, "SAI_MAU"
        
    return True, "PASS"

def update_inspection_result(db_conn, medicine_type, speed, status, error_detail):
    cursor = db_conn.cursor()
    query = """
        INSERT INTO result (lt, td, ts, error_type, created_at) 
        VALUES (%s, %s, %s, %s, NOW())
    """
    cursor.execute(query, (medicine_type, speed, 1 if status else 0, error_detail))
    db_conn.commit()
    cursor.close()

Testing và validation

Hệ thống được đưa vào thử nghiệm thực chứng liên tục với 400 mẫu thử nghiệm thực tế trên băng tải (bao gồm 200 mẫu viên nang và 200 mẫu viên nén, chia đều giữa mẫu đạt chuẩn và các nhóm mẫu lỗi nhân tạo):

Kịch bản kiểm thử Số lượng mẫu thử Số mẫu nhận diện đúng Tỷ lệ chính xác (%) Dạng lỗi nhận diện sai / Nguyên nhân
Vỉ chuẩn hoàn toàn (Pass) 150 148 98.67% 2 mẫu bị nhận nhầm do bám bụi trên màng vỉ
Lỗi thiếu viên (1 - 3 vị trí) 100 100 100.00% Không có sai sót (Độ tương phản hốc rỗng rất rõ)
Lỗi viên bị nứt / Gãy vỡ 80 76 95.00% 4 mẫu mẻ góc cực nhỏ ($<5%$ diện tích) khó phân đoạn
Lỗi viên sai khác màu sắc 70 68 97.14% 2 mẫu đổi màu nhẹ dưới ánh sáng viền
Tổng thể toàn hệ thống 400 392 98.00% Thời gian xử lý trung bình: $42\text{ ms/vỉ}$ 
Tỷ lệ nhận diện chính xác theo kịch bản:
[Vỉ chuẩn (Pass)]       ██████████████████████████████  98.67%
[Lỗi thiếu viên]        ███████████████████████████████ 100.00%
[Lỗi nứt vỡ viên]       █████████████████████████████   95.00%
[Lỗi sai khác màu]      ██████████████████████████████  97.14%

Kết quả đạt được

Hệ thống đã chứng minh tính hiệu quả vượt trội thông qua các chỉ số đo lường định lượng:

  • Độ chính xác tổng thể: Đạt $98.00%$ trên tổng tập 400 mẫu kiểm nghiệm.
  • Thời gian đáp ứng: Tổng chu kỳ chụp, xử lý ảnh và ra quyết định chỉ mất $42\text{ ms}$, cho phép xử lý hoàn toàn theo thời gian thực ở tốc độ băng tải $0.2\text{ m/s}$ (tương đương năng suất kiểm định $\sim 140 - 150\text{ vỉ/phút}$).
  • Hiệu quả quang học: Cụm thấu kính phân cực giúp giảm hơn $95%$ hiện tượng lóa sáng bề mặt màng nhôm, loại bỏ hoàn toàn các điểm giả contour.
  • Độ trễ truyền thông Web: Dữ liệu kiểm tra cập nhật lên giao diện Web Server trong vòng $<100\text{ ms}$.

Đổi mới và đóng góp

  1. Cải tiến hệ quang học với thấu kính phân cực xoay: Đóng góp kỹ thuật quan trọng nhất trong phần cứng là cơ cấu gá xoay thấu kính phân cực tinh chỉnh trước Camera Raspberry Pi. Khác với các buồng chụp công nghiệp đắt tiền sử dụng đèn vòm (Dome Light) cồng kềnh, giải pháp phân cực quang học giúp thu gọn kích thước buồng chụp tới $60%$ trong khi vẫn triệt tiêu hoàn hảo hiện tượng lóa gương từ màng nhôm ép nhiệt.
  2. Kiến trúc xử lý lai Cascade Haar-like và SVM: Việc kết hợp bộ phân tầng Cascade (loại bỏ nhanh các vùng ảnh không chứa viên thuốc với chi phí tính toán cực thấp) cùng bộ phân loại SVM tối ưu biên (kiểm tra độ sắc nét và diện tích viên) giúp thuật toán đạt tốc độ xử lý nhanh hơn $3.2$ lần so với việc quét thuần túy bằng SVM trên toàn khung hình.
  3. Tự động hóa căn chỉnh góc quay vỉ thuốc (Auto-Deskewing): Giải thuật biến đổi Affine tự động nhận diện góc nghiêng của vỉ thuốc khi di chuyển tự do trên băng chuyền, giải phóng yêu cầu cơ khí về các đồ gá kẹp phôi chính xác đắt tiền, tăng tính linh hoạt khi thay đổi kích cỡ vỉ sản xuất.

Bảng so sánh đối sánh với các nghiên cứu tiền nhiệm:

Tiêu chí kỹ thuật Nghiên cứu của Li Guang et al. (2018) Nghiên cứu của Prajwala NB (2019) Đề tài nghiên cứu (ĐH SPKT TP.HCM)
Phương pháp xử lý cốt lõi Khớp mẫu hình dạng (Template Matching) Phân đoạn đường bao diện tích (Contour Area) Cascade Haar-like + SVM + Affine Transform
Xử lý xoay góc vỉ thuốc Kém (Phụ thuộc hướng chuẩn của mẫu) Không hỗ trợ (Dễ lỗi khi vỉ lệch trục) Tự động xoay chuẩn hóa góc nghiêng $\theta$
Chống lóa màng nhôm Xử lý bằng thuật toán làm mờ phần mềm Không đề cập Cụm thấu kính phân cực quang học chuyên dụng
Đa dạng dạng lỗi nhận diện Chỉ phát hiện thiếu viên Thiếu viên và nứt vỡ lớn Thiếu viên, nứt vỡ nhỏ, sai lệch màu sắc
Giám sát thời gian thực Không có (Xử lý Offline) Không có Web Server tích hợp PHP/MySQL Dashboard

Ứng dụng thực tế và triển khai

Hệ thống được thiết kế theo dạng module độc lập (Plug-and-Play), có thể tích hợp trực tiếp vào dây chuyền sản xuất dược phẩm hiện hữu tại vị trí giữa máy ép vỉ nhiệt và máy gấp hộp tự động.

  • Chiến lược triển khai: Lắp đặt hệ thống kiểm tra ngay tại đầu ra của máy ép vỉ. Cảm biến tiệm cận quang NPN sẽ phát hiện khi mép vỉ thuốc đi vào vùng chụp của camera, gửi tín hiệu ngắt phần cứng (Hardware Interrupt) kích hoạt camera chụp với thời gian phơi sáng cố định. Nếu phát hiện lỗi, tín hiệu điều khiển kích hoạt van điện từ đẩy vỉ lỗi rơi xuống khay chứa phế phẩm.
  • Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI):
    • Chi phí đầu tư phần cứng & chế tạo: Ước tính khoảng $15 - 25\text{ triệu VNĐ}$ (sử dụng linh kiện nhúng và gia công trong nước), thấp hơn $80 - 90%$ so với các hệ thống Vision công nghiệp nhập khẩu từ Cognex hay Keyence (thường có giá từ $200 - 400\text{ triệu VNĐ}$).
    • Tiết kiệm nhân công: Thay thế hoàn toàn $2 - 3$ công nhân kiểm tra KCS trên mỗi ca làm việc, giảm thiểu $100%$ rủi ro lọt lỗi do yếu tố chủ quan của con người.
    • Thời gian hoàn vốn (ROI): Ước tính chỉ từ $3 - 6\text{ tháng}$ vận hành thực tế tại các xưởng sản xuất dược phẩm quy mô vừa và nhỏ.

Hạn chế và hướng phát triển

Mặc dù đạt được những kết quả thực nghiệm rất khả quan, đề tài vẫn tồn tại một số giới hạn kỹ thuật cần được nâng cấp:

  1. Giới hạn tốc độ chụp hình: Do sử dụng camera Raspberry Pi V1 với cảm biến màn trập cuộn (Rolling Shutter), khi tốc độ băng tải vượt quá $0.2\text{ m/s}$ hình ảnh có hiện tượng mờ nhòe chuyển động (Motion Blur).
  2. Khả năng tự thích ứng với các biên dạng viên thuốc phức tạp: Các loại thuốc có hình dạng đa giác bất đối xứng, viên có dập chữ nổi hoặc logo thương hiệu nhỏ đòi hỏi phải huấn luyện lại bộ dữ liệu Haar-like và SVM từ đầu.

Định hướng nghiên cứu mở rộng:

  • Nâng cấp phần cứng thu nhận hình ảnh lên Camera công nghiệp chuẩn giao tiếp GigE Vision hoặc USB3 Vision sử dụng cảm biến màn trập toàn khung (Global Shutter) để nâng tốc độ kiểm tra lên $\ge 1.0\text{ m/s}$.
  • Chuyển đổi các mô hình Machine Learning cổ điển sang kiến trúc Mạng nơ-ron tích chập sâu (Deep Learning) tối ưu hóa cho thiết bị biên (Edge AI) như YOLOv8/v10-Nano hoặc MobileNetV3-SSD để nâng cao khả năng phát hiện lỗi dập chữ và khuyết tật siêu nhỏ trên bề mặt viên.
  • Tích hợp chuẩn giao tiếp công nghiệp OPC-UA và Modbus TCP để kết nối trực tiếp với hệ thống điều khiển PLC SCADA tổng thể của toàn nhà máy.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Cơ điện tử / Tự động hóa: Là tài liệu tham khảo thực chứng hoàn chỉnh về quy trình thiết kế tích hợp một hệ thống Cơ điện tử thực tế: từ tính toán kết cấu cơ khí, thiết kế mạch điều khiển công suất, tối ưu hóa hệ thống chiếu sáng quang học, đến lập trình thị giác máy tính và Web Server.
  • Kỹ sư & Lập trình viên Computer Vision: Cung cấp giải pháp xử lý trọn vẹn bài toán khử phản xạ lóa sáng bề mặt kim loại/màng nhôm bằng phương pháp quang học kết hợp thuật toán biến đổi hình học 2D.
  • Doanh nghiệp sản xuất Dược phẩm vừa và nhỏ: Cung cấp một phương án kỹ thuật khả thi, chi phí thấp để tự động hóa dây chuyền kiểm soát chất lượng đóng gói, nâng cao năng lực đáp ứng tiêu chuẩn chất lượng thuốc Việt Nam.

Câu hỏi thường gặp

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

Hệ thống yêu cầu một máy tính nhúng (tối thiểu Raspberry Pi 3B+/4B hoặc máy tính công nghiệp IPC chạy hệ điều hành Linux), 01 Camera độ phân giải tối thiểu 5MP hỗ trợ điều chỉnh phơi sáng thủ công, 01 cụm thấu kính phân cực quang học, nguồn cấp LED ổn định dòng $12\text{V DC}$, mạch driver điều khiển động cơ PWM và cảm biến quang NPN phát hiện phôi.

2. Hệ thống xử lý thế nào khi vỉ thuốc bị xoay nghiêng trên băng chuyền?

Hệ thống tích hợp giải thuật tự động nắn thẳng góc (Deskewing). Bằng cách phân đoạn biên bao ngoài của vỉ thuốc, tính toán góc lệch $\theta$ so với trục tọa độ chuẩn và thực thi phép nhân ma trận biến đổi tọa độ Affine 2D, ảnh vỉ thuốc luôn được xoay về hướng nằm ngang chuẩn xác trước khi tiến hành cắt trích xuất các ô chứa viên thuốc.

3. Tại sao cần sử dụng thấu kính phân cực thay vì tăng cường độ sáng?

Màng nhôm ép nhiệt của vỉ thuốc có tính chất phản xạ gương (Specular Reflection). Nếu chỉ tăng cường độ sáng, ánh sáng phản xạ trực tiếp vào ống kính sẽ làm bão hòa cảm biến (cháy ảnh), làm mất toàn bộ thông tin màu sắc và đường biên của viên thuốc bên trong. Thấu kính phân cực có tác dụng triệt tiêu các sóng ánh sáng dao động theo phương phản xạ này, chỉ cho ánh sáng tán xạ hữu ích đi qua.

4. Hệ thống có thể tích hợp vào các PLC công nghiệp sẵn có không?

Hoàn toàn có thể. Bộ xử lý thị giác máy tính có thể xuất tín hiệu logic $24\text{V}$ (thông qua mạch cách ly quang Optocoupler hoặc Relay) kích hoạt trực tiếp vào các chân Digital Input của PLC (Siemens S7-1200, Mitsubishi FX5U, Omron,...) để đồng bộ với bộ điều khiển trung tâm của dây chuyền đóng gói.

5. Chi phí bảo trì và độ bền của hệ thống ra sao?

Do hệ thống kiểm tra sử dụng phương pháp thị giác quang học không tiếp xúc (Non-contact inspection), mức độ hao mòn cơ học là cực kỳ thấp. Bảo trì định kỳ chỉ bao gồm việc vệ sinh bề mặt kính quang học của buồng chụp và kiểm tra độ căng của dây đai băng tải định kỳ $3 - 6\text{ tháng/lần}$.

Kết luận

Đề tài “Thiết kế và chế tạo hệ thống phát hiện lỗi của vỉ thuốc” của nhóm tác giả Nguyễn Hữu Lộc và Nguyễn Thành Long (Khoa Đào tạo Chất lượng cao - Trường Đại học Sư phạm Kỹ thuật TP.HCM) đã giải quyết thành công một bài toán kỹ thuật cấp thiết trong thực tiễn sản xuất dược phẩm. Bằng việc kết hợp hài hòa giữa thiết kế cơ khí chính xác, tối ưu hóa môi trường quang học chống lóa bằng thấu kính phân cực, cùng pipeline giải thuật thị giác máy tính lai ghép giữa Cascade Classifier và SVM, hệ thống đã đạt tỷ lệ nhận diện lỗi chính xác lên tới $98.00%$ với thời gian xử lý chỉ $42\text{ ms/vỉ}$.

Đây là minh chứng rõ nét cho khả năng làm chủ công nghệ tự động hóa và thị giác máy tính ứng dụng của kỹ sư Việt Nam, mở ra hướng tiếp cận nội địa hóa trang thiết bị kiểm định chất lượng cao với chi phí tối ưu cho ngành công nghiệp sản xuất dược phẩm nước nhà.