Thiết kế và thi công hệ thống phân loại sản phẩm theo màu sắc và kích thước

Đồ án thiết kế hệ thống phân loại sản phẩm theo màu sắc và kích thước - ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Cù Trần Độ
• Người hướng dẫn: ThS. Võ Đức Dũng
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử - Viễn thông
• Đề tài: Thiết kế và thi công hệ thống phân loại sản phẩm theo màu sắc và kích thước
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan hệ thống phân loại sản phẩm theo màu sắc kích thước

Nhu cầu tự động hóa trong các dây chuyền sản xuất hiện đại ngày càng tăng cao. Việc phân loại hàng hóa thủ công bộc lộ nhiều điểm hạn chế về tốc độ và tính đồng nhất. Vì vậy, đề tài nghiên cứu tại Đại học Sư phạm Kỹ thuật TP.HCM phát triển mô hình phân loại tự động thông minh. Hệ thống tích hợp công nghệ thị giác máy tính và kỹ thuật điều khiển cơ điện tử. Cấu trúc tổng thể bao gồm băng tải vận chuyển, camera thu hình, bộ xử lý máy tính, mạch điều khiển Arduino và cánh tay robot sáu bậc tự do. Khi sản phẩm di chuyển trên băng chuyền, cảm biến phát hiện sự hiện diện của vật thể. Băng tải dừng lại đúng thời điểm. Camera ghi lại ảnh tĩnh của vật mẫu với độ phân giải cao. Dữ liệu hình ảnh được truyền trực tiếp về máy tính qua kết nối USB. Thuật toán tiến hành phân tích không gian màu sắc và đường bao kích thước. Kết quả tính toán chuyển đổi thành tập lệnh gửi đến bo mạch vi điều khiển. Hệ thống thực hiện chu trình phân loại hoàn toàn khép kín và tự động. Mô hình đáp ứng tốt yêu cầu thực nghiệm học thuật cũng như định hướng ứng dụng công nghiệp.

1.1. Bối cảnh nghiên cứu đề tài tại Đại học Sư phạm Kỹ thuật TP.HCM

Đề tài xuất phát từ yêu cầu đào tạo thực hành của Khoa Điện - Điện tử trường Đại học Sư phạm Kỹ thuật TP.HCM. Sinh viên ngành Công nghệ Kỹ thuật Điện tử Viễn thông cần tiếp cận các bài toán thực tiễn. Quá trình chọn lọc sản phẩm trong nhà xưởng truyền thống tiêu tốn nhiều thời gian và nhân lực. Sai sót do yếu tố con người thường xuyên xảy ra trong các ca làm việc kéo dài. Nghiên cứu tập trung giải quyết triệt để vấn đề phân loại nhanh các chi tiết có màu sắc và kích thước khác nhau. Việc kết hợp kiến thức liên ngành giúp xây dựng mô hình thiết bị có chi phí hợp lý. Đồ án tạo nền tảng vững chắc cho sinh viên nâng cao kỹ năng lập trình vi điều khiển và xử lý ảnh số.

1.2. Mục tiêu kỹ thuật và phạm vi ứng dụng của hệ thống

Mục tiêu trọng tâm là chế tạo hoàn chỉnh mô hình phần cứng kết hợp giải thuật phần mềm tối ưu. Hệ thống phân loại vật thể chính xác theo ba gam màu cơ bản và hai cấp kích thước tiêu chuẩn. Thời gian nhận diện và xử lý mỗi sản phẩm được khống chế dưới ba giây. Cơ cấu cánh tay robot sáu bậc tự do đảm bảo gắp thả mượt mà vào đúng vị trí quy định. Màn hình LCD trực quan liên tục hiển thị số lượng chi tiết đã phân loại thành công. Phạm vi ứng dụng của thiết bị hướng tới các cơ sở đóng gói hàng hóa quy mô vừa và nhỏ. Ngoài ra, mô hình còn là giáo cụ trực quan giá trị phục vụ công tác giảng dạy kỹ thuật cơ điện tử.

II. Phân tích bài toán phân loại sản phẩm theo màu sắc kích thước

Bài toán phân loại tự động đặt ra nhiều thách thức kỹ thuật phức tạp đối với môi trường công nghiệp. Các yếu tố quang học gây ảnh hưởng trực tiếp đến độ chính xác của khâu xử lý ảnh. Hiện tượng nhiễu ánh sáng môi trường thường làm biến đổi chỉ số màu sắc thực của vật thể. Bóng đổ của sản phẩm cũng dễ gây sai lệch trong quá trình tính toán diện tích đường viền. Bên cạnh đó, tốc độ di chuyển của băng tải đòi hỏi cơ chế định vị phải có độ trễ cực thấp. Nếu cảm biến tiệm cận phản hồi chậm, vị trí dừng của vật phẩm sẽ lệch khỏi tầm với của robot. Độ rung lắc cơ khí trong quá trình vận hành cũng làm giảm độ tin cậy của khung hình thu nhận. Vấn đề đồng bộ giao tiếp giữa phần mềm máy tính và phần cứng điều khiển cũng cần tính toán kỹ lưỡng. Giao thức truyền thông nối tiếp dễ gặp lỗi nghẽn dữ liệu nếu tần suất gửi lệnh quá cao. Các khó khăn này buộc nhóm kỹ sư phải lựa chọn linh kiện cẩn thận và hiệu chỉnh giải thuật xử lý thích nghi cao.

2.1. Hạn chế của phương pháp nhận dạng và phân loại truyền thống

Phương pháp truyền thống phụ thuộc chủ yếu vào mắt nhìn và thao tác tay của công nhân. Hình thức thủ công này tạo ra áp lực căng thẳng thị giác lớn cho người lao động. Năng suất lao động giảm dần theo thời gian làm việc trong ngày. Tỉ lệ phân loại nhầm lẫn gia tăng đáng kể ở giai đoạn cuối ca trực. Các cơ sở chế tạo từng áp dụng giải pháp cảm biến cơ học đơn thuần để đo kích thước. Tuy nhiên, cảm biến tiếp xúc dễ làm trầy xước bề mặt sản phẩm thành phẩm. Cảm biến quang màu thông thường cũng kém linh hoạt khi cần thay đổi tiêu chuẩn sản phẩm mới. Chi phí bảo trì các thiết bị cơ khí chuyên dụng thường rất đắt đỏ.

2.2. Thách thức kỹ thuật khi tích hợp thị giác máy tính và robot

Tích hợp hệ thống camera và cơ cấu robot đòi hỏi sự đồng bộ chính xác cao về mặt thời gian. Tín hiệu phát hiện vật thể từ cảm biến hồng ngoại phải kích ngắt relay dừng động cơ ngay lập tức. Khung hình chụp từ webcam cần đạt độ nét cao để thuật toán trích xuất biên dạng hình học chính xác. Việc chuyển đổi tọa độ điểm ảnh hai chiều sang không gian ba chiều của cánh tay robot tiềm ẩn nhiều sai số cơ khí. Độ rung lắc của động cơ servo giá rẻ có thể gây trượt phôi trong quá trình gắp. Ngoài ra, nguồn điện cung cấp cho các cụm servo công suất lớn phải được ổn định độc lập. Sự sụt áp đột ngột dễ làm tê liệt vi điều khiển Arduino trong lúc vận hành liên tục.

III. Giải pháp thiết kế hệ thống phân loại sản phẩm màu sắc kích thước

Nhóm nghiên cứu xây dựng giải pháp tổng thể kết hợp chặt chẽ giữa phần cứng mô hình và thuật toán thông minh. Khối cảm biến quang hồng ngoại MH-IR01 đảm nhận vai trò phát hiện vật cản với góc quét 35 độ. Khi vật thể xuất hiện, tín hiệu logic gửi về chân điều khiển Arduino để ngắt nguồn băng tải qua module relay 12V. Webcam W1 Full HD 1080p lập tức kích hoạt chụp ảnh vùng làm việc. Phần mềm lập trình trên nền tảng Python thực hiện chuyển đổi ảnh từ không gian màu RGB sang HSV nhằm loại bỏ ảnh hưởng tán xạ ánh sáng. Thuật toán phân ngưỡng màu sắc trích xuất chính xác dải màu đỏ, xanh lá hoặc xanh dương. Đồng thời, hàm tìm kiếm đường viền contour xác định diện tích hình học để phân biệt kích thước lớn hay nhỏ. Máy tính đóng gói kết quả phân loại thành ký tự mã hóa và truyền qua cổng giao tiếp UART về Arduino Uno R3. Vi điều khiển phát tín hiệu PWM điều phối sáu động cơ servo gắp chi tiết đặt vào thùng chứa tương ứng.

3.1. Thuật toán xử lý ảnh trên Python và không gian màu HSV

Thuật toán xử lý ảnh xây dựng bằng thư viện OpenCV chạy trên môi trường PyCharm. Ảnh chụp tĩnh từ webcam trước hết trải qua bộ lọc Gaussian nhằm khử nhiễu hạt quang học. Chương trình chuyển đổi hệ màu BGR thông thường sang không gian màu HSV để phân lập sắc độ độc lập với cường độ ánh sáng. Giá trị Hue quy định màu sắc của vật thể, trong khi Saturation biểu thị độ thuần khiết của màu. Thuật toán áp dụng dải ngưỡng giới hạn trên và dưới cho từng hệ màu riêng biệt. Sau bước tạo mặt nạ nhị phân, thuật toán quét biên dạng contour xác định tọa độ trọng tâm và tính diện tích pixel. Dựa trên diện tích vùng bao, chương trình phân cấp chính xác kích thước lớn hay nhỏ của sản phẩm.

3.2. Cấu trúc phần cứng Arduino và cánh tay robot sáu bậc tự do

Cấu trúc phần cứng chọn vi điều khiển Arduino Uno R3 làm trung tâm điều khiển chấp hành. Mạch nhận tín hiệu logic từ cảm biến tiệm cận hồng ngoại qua chân số 11, 12 và 13. Khối đóng cắt sử dụng relay nối chân số 2 để kiểm soát nguồn 12V của motor băng tải. Màn hình LCD 2004 giao tiếp qua chân I2C A4 và A5 thể hiện kết quả đếm sản phẩm trực quan. Cánh tay robot trang bị sáu động cơ servo với cơ chế phối hợp linh hoạt. Ba servo MG996R chịu lực tải trọng cao đảm nhiệm các khớp đáy và khớp thân. Ba servo SG90 nhỏ gọn hơn điều khiển khớp xoay cổ tay và kẹp gắp. Mạch giảm áp biến đổi điện áp nguồn 12V xuống mức 6V và 4.8V để nuôi servo an toàn, chống sốc dòng.

IV. Kết luận về hệ thống phân loại sản phẩm theo màu sắc kích thước

Đề tài tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM chế tạo thành công mô hình phân loại tự động hiệu quả. Kết quả thử nghiệm thực tế chứng minh hệ thống hoạt động ổn định và chính xác. Tỷ lệ nhận diện đúng màu sắc và kích cỡ sản phẩm đạt trên chín mươi phần trăm trong điều kiện ánh sáng kiểm soát. Thời gian hoàn thành một chu trình gắp đặt diễn ra trong khoảng vài giây. Cơ cấu cánh tay robot sáu bậc tự do vận hành nhịp nhàng, ít rung chấn. Sự phối hợp ăn khớp giữa thuật toán Python và phần cứng Arduino khẳng định tính đúng đắn của thiết kế. Mô hình chứng minh tiềm năng ứng dụng to lớn vào dây chuyền sản xuất công nghiệp thực thụ. Các khâu phân loại nông sản, chi tiết cơ khí và bưu kiện tiêu chuẩn hoàn toàn có thể áp dụng nguyên lý này. Giải pháp giúp doanh nghiệp tiết kiệm chi phí nhân công, loại trừ sai sót chủ quan và tối ưu năng suất làm việc. Đồ án tạo tiền đề phát triển các hệ thống cơ điện tử tự hành thông minh trong tương lai.

4.1. Hiệu quả vận hành và độ chính xác phân loại trong thực tế

Quá trình kiểm thử thực tế khẳng định cơ chế phân loại đạt độ chuẩn xác rất cao. Hệ thống phân biệt rõ ràng các vật thể mang sắc màu đỏ, xanh dương và vàng với tỷ lệ nhầm lẫn dưới năm phần trăm. Thuật toán đo diện tích contour tách biệt chính xác hai mẫu kích thước lớn và nhỏ mà không gặp hiện tượng trượt bước. Tốc độ băng tải và nhịp gắp của cánh tay robot duy trì tính ổn định liên tục qua hàng trăm chu kỳ kiểm tra. Thời gian dừng băng tải diễn ra dứt khoát nhờ cơ cấu ngắt relay phản hồi nhanh. Màn hình LCD cập nhật ngay tức thì số đếm sau mỗi lượt phân loại thành công. Toàn bộ dây chuyền hoạt động êm ái, đảm bảo độ an toàn kỹ thuật điện.

4.2. Hướng phát triển và nâng cấp hệ thống trong công nghiệp

Mô hình mở ra nhiều hướng hoàn thiện thiết thực để đáp ứng yêu cầu nhà máy quy mô lớn. Giải pháp đầu tiên là tích hợp mạng nơ-ron học sâu (Deep Learning) vào khâu thị giác máy tính. Trí tuệ nhân tạo sẽ nâng cao khả năng phân loại vật thể có hình dạng phức tạp và bề mặt phản quang. Việc trang bị thêm camera độ phân giải cao cùng hệ thống chiếu sáng chuyên dụng giúp triệt tiêu hoàn toàn góc tối. Về mặt cơ khí, các động cơ servo nhỏ có thể được nâng cấp thành dòng động cơ bước hoặc cánh tay robot công nghiệp tải trọng lớn. Hệ thống cũng có thể bổ sung kết nối Internet vạn vật (IoT) để giám sát và thống kê sản lượng theo thời gian thực từ xa.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong xu hướng tự động hóa sản xuất hiện nay, việc phân loại sản phẩm đóng vai trò then chốt nhằm nâng cao năng suất và đồng đều hóa chất lượng sản phẩm đầu ra, đặc biệt trong các dây chuyền chế biến nông sản và sản xuất hàng hóa công nghiệp. Trên thực tế, nhiều khâu phân loại tại các nhà máy quy mô nhỏ hoặc các hộ sản xuất vẫn phụ thuộc chủ yếu vào thao tác thủ công. Phương pháp truyền thống này bộc lộ nhiều hạn chế: tốn kém thời gian, đòi hỏi nhân công làm việc lặp đi lặp lại với cường độ tập trung cao, dễ phát sinh sai sót do mệt mỏi và không đảm bảo tính đồng nhất. Ngược lại, các dây chuyền phân loại tự động hóa nhập khẩu từ nước ngoài thường có chi phí đầu tư rất lớn, kết cấu phức tạp, khó tiếp cận đối với các đơn vị sản xuất vừa và nhỏ.

Trước thực trạng đó, đề tài tốt nghiệp "Thiết kế và thi công hệ thống phân loại sản phẩm theo màu sắc và kích thước" được thực hiện bởi sinh viên Cù Trần Độ và Nguyễn Tân Khoa, dưới sự hướng dẫn của ThS. Võ Đức Dũng tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (chuyên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông). Đề tài hướng tới việc xây dựng một hệ thống cơ điện tử kết hợp xử lý ảnh có chi phí hợp lý, vận hành ổn định và có khả năng ứng dụng thực tế.

Mục tiêu nghiên cứu được xác định cụ thể trong văn bản bao gồm:

1. Thiết kế và thi công hoàn chỉnh mô hình hệ thống phân loại sản phẩm theo màu sắc và kích thước.
2. Ứng dụng cánh tay robot để phân loại sản phẩm, kết hợp kỹ thuật xử lý ảnh phục vụ nhận dạng tự động.
3. Thu thập dữ liệu hình ảnh sản phẩm thông qua camera, truyền dữ liệu về khối xử lý trung tâm trên máy tính để thực hiện giải thuật phân tích.
4. Cập nhật dữ liệu, thống kê số lượng sản phẩm đúng tiêu chuẩn hiển thị trực quan và hỗ trợ loại bỏ các sản phẩm không đạt yêu cầu.

Để đạt được các mục tiêu trên, nhóm nghiên cứu đã triển khai 10 nội dung nhiệm vụ:

1. Tìm kiếm tài liệu, tóm tắt những nội dung chính của đề tài.
2. Thiết kế sơ đồ khối của hệ thống phân loại sản phẩm theo màu sắc và kích thước.
3. Kết nối board Arduino Uno R3 với các khối cảm biến, động cơ và băng tải.
4. Nghiên cứu thuật toán xử lý ảnh ứng dụng vào phân loại sản phẩm theo màu sắc, kích thước sử dụng camera.
5. Nghiên cứu giải pháp phân luồng sản phẩm.
6. Thiết kế mô hình phần cứng hệ thống.
7. Nghiên cứu lập trình điều khiển để mạch hoạt động chính xác và đạt yêu cầu kỹ thuật.
8. Thi công phần cứng, chạy thử nghiệm và hiệu chỉnh toàn bộ hệ thống.
9. Viết báo cáo đề tài tốt nghiệp.
10. Bảo vệ đề tài tốt nghiệp trước hội đồng chuyên môn.

Đối tượng và phạm vi nghiên cứu của đề tài được giới hạn cụ thể:

• Đối tượng phân loại: Sản phẩm hình khối gồm 3 màu sắc (xanh dương, xanh lá cây, vàng) và 2 mức kích thước chiều cao khác nhau là 3 x 3 x 3 cm và 3 x 3 x 6 cm (tổng số loại sản phẩm phân loại là 5 loại).
• Phạm vi cơ khí và quang học: Băng tải mini kích thước chiều rộng 10 cm, chiều dài 60 cm; khoảng cách lắp đặt cố định từ camera đến mặt băng tải là 14 cm; cơ cấu phân loại sử dụng cánh tay robot 6 bậc tự do với 6 động cơ servo.
• Phạm vi thời gian và địa điểm: Đề tài được giao thực hiện từ ngày 26/09/2023, nộp báo cáo ngày 30/12/2023 và bảo vệ vào đầu tháng 01/2024 tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp giữa lý thuyết điều khiển tự động hệ thống nhúng và kỹ thuật thị giác máy tính (Computer Vision). Về mặt nền tảng lý thuyết, tác giả tiếp cận các khái niệm xử lý ảnh cơ bản từ giáo trình của PGS. TS. Nguyễn Thanh Hải, bao gồm các bước chuyển đổi ảnh màu sang ảnh xám, nhị phân hóa, phân đoạn ảnh, lọc nhiễu và phát hiện đường biên đối tượng.

Trong xử lý màu sắc, hệ thống ứng dụng mô hình không gian màu HSV (Hue, Saturation, Value) thay vì không gian RGB truyền thống. Mô hình HSV phân tách rõ ràng kênh sắc độ (Hue) khỏi độ bão hòa (Saturation) và độ sáng (Value), giúp việc thiết lập dải ngưỡng lọc màu trở nên độc lập và hạn chế bị ảnh hưởng bởi sự dao động cường độ ánh sáng của môi trường xung quanh. Giá trị kênh Hue trong thư viện OpenCV được chuẩn hóa trong khoảng 0 đến 180, trong khi Saturation và Value nằm trong dải 0 đến 255. Qua quá trình đo đạc và thực nghiệm lấy mẫu thực tế, nhóm tác giả đã xác lập các dải ngưỡng màu HSV phục vụ phân loại như sau:

Màu sắc nhận diện	Ngưỡng dưới $(H_{min}, S_{min}, V_{min})$	Ngưỡng trên $(H_{max}, S_{max}, V_{max})$
Vàng (Yellow)	$(15, 0, 0)$	$(39, 255, 255)$
Xanh lục (Green)	$(40, 0, 0)$	$(83, 255, 255)$
Xanh dương (Blue)	$(90, 0, 0)$	$(130, 255, 255)$

Về phương pháp đo kích thước, văn bản trình bày hai hướng tiếp cận phối hợp:

1. Phương pháp xử lý ảnh: Trích xuất biên đối tượng, tìm hình chữ nhật có diện tích nhỏ nhất bao quanh vật thể theo đơn vị pixel, sau đó so sánh tỷ lệ giữa kích thước vật lý thực tế (cm) và kích thước ảnh (pixel) thông qua một miếng dán mẫu tham chiếu có kích thước biết trước.
2. Phương pháp cảm biến phần cứng: Ứng dụng cụm cảm biến tiệm cận hồng ngoại E3F-DS10C4 / MH-IR01 bố trí theo chiều cao trên băng tải để phát hiện mức chiều cao thực tế của vật mẫu (phân biệt giữa chiều cao 3 cm và 6 cm).

Phương pháp nghiên cứu thực nghiệm được áp dụng xuyên suốt: xây dựng mô hình băng tải thực tế, kết nối giao tiếp thời gian thực giữa máy tính cá nhân (chạy phần mềm lập trình Python, môi trường PyCharm, thư viện OpenCV) và vi điều khiển Arduino Uno R3 qua giao tiếp nối tiếp cổng COM (UART). Nguồn dữ liệu thực nghiệm là chuỗi khung hình video thời gian thực từ Webcam W1 1080p và tín hiệu xung logic từ cảm biến hồng ngoại.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc module liên kết chặt chẽ giữa phần cứng cơ điện tử và phần mềm điều khiển trên máy tính. Kiến trúc tổng thể bao gồm 8 khối chức năng chính: Khối nguồn, Khối xử lý trung tâm, Khối thu tín hiệu hình ảnh, Khối cảm biến, Khối động cơ chấp hành, Khối băng tải, Khối hiển thị và Khối nút nhấn.

       [Webcam W1 1080p]               [Khối cảm biến hồng ngoại]
   [LCD 2004 (I2C)]   [Nút nhấn & CT]      [Module Relay 5V]   [6 Động cơ Servo]
                                            [Động cơ băng tải]   [Tay gắp Robot]

1. Kiến trúc phần cứng và sơ đồ kết nối

Khối vi điều khiển trung tâm sử dụng board Arduino Uno R3 (chip ATmega328P, xung nhịp 16 MHz, bộ nhớ Flash 32 KB, SRAM 2 KB, EEPROM 1 KB). Các chân I/O của vi điều khiển được phân bổ cụ thể:

• Chân SCL, SDA (hoặc chân analog A4, A5): Giao tiếp I2C với module chuyển đổi của màn hình LCD 2004 và module mở rộng ADC ADS1115.
• Chân Digital D2 (trong sơ đồ nguyên lý): Điều khiển kích đóng/ngắt module relay 1 kênh 5V (có tích hợp opto cách ly quang) nhằm cấp hoặc ngắt nguồn 12VDC cho động cơ băng tải (động cơ giảm tốc 12VDC, tốc độ 30 RPM).
• Chân Digital D3, D4, D5, D6, D7, D8: Xuất xung điều khiển độ rộng xung (PWM) đến 6 động cơ servo của cánh tay robot.
• Chân Digital D9, D10: Kết nối công tắc chuyển mạch Start/Stop hệ thống và nút nhấn chức năng Reset bộ đếm số lượng.
• Chân Digital D11, D12, D13: Nhận tín hiệu logic (0 hoặc 1) từ các module cảm biến tiệm cận hồng ngoại bố trí dọc đường chuyển động của sản phẩm để xác định vị trí và chiều cao vật mẫu.

2. Thiết kế khối nguồn và tiêu thụ năng lượng

Hệ thống sử dụng hai đường cấp nguồn độc lập nhằm tránh hiện tượng sụt áp và nhiễu do động cơ gây ra cho mạch điều khiển:

• Nguồn cấp cho vi điều khiển Arduino Uno R3 lấy trực tiếp từ cổng USB 5V của máy tính.
• Nguồn công suất sử dụng bộ nguồn tổ ong AC-DC 24V – 10A (điện áp vào 110-240VAC, điện áp ra 24VDC), kết nối đến mạch giảm áp Buck DC-DC XL4015 (công suất tối đa 5A, hiệu suất chuyển đổi 96%, tần số xung 180 kHz) để hạ áp xuống mức 5VDC và 12VDC. Trong đó, mức 12V cấp cho motor băng tải; mức 6V cấp cho 3 động cơ servo MG996R (chịu tải nặng ở các khớp đế và cánh tay); mức 4.8V cấp cho 3 động cơ servo SG90 (chịu tải nhẹ ở cổ tay và kẹp gắp).

Bảng tính toán dòng tiêu thụ danh định của các thành phần hoạt động ở mức điện áp 5V:

STT	Tên linh kiện	Số lượng	Điện áp hoạt động (V)	Dòng điện tiêu thụ (mA)
1	Màn hình LCD 2004	1	5	200
2	Arduino Uno R3	1	5	~40
3	Module Relay 1 kênh	1	5	80
4	Cảm biến hồng ngoại	3	5	900
Tổng	Toàn bộ khối điều khiển		5	1220 mA

3. Quy trình vận hành và liên kết phần mềm

Quy trình hoạt động diễn ra theo chu trình tuần hoàn:

1. Khi công tắc Start được kích hoạt, Arduino kích mở relay, cấp nguồn cho động cơ băng tải vận chuyển phôi sản phẩm vào buồng chụp ảnh (kích thước buồng ảnh thiết kế kín để cố định môi trường ánh sáng).
2. Khi cảm biến tiệm cận hồng ngoại ở vị trí quy định phát hiện sản phẩm đi tới, tín hiệu logic được gửi về Arduino; Arduino lập tức ngắt relay để dừng băng tải, cố định vị trí vật mẫu.
3. Camera Webcam W1 1080p (cảm biến 1/3" CMOS, độ phân giải 1920 x 1080 pixel, ống kính 3.6 mm, tốc độ 30 khung hình/giây) thu nhận hình ảnh sản phẩm và chuyển về máy tính qua cổng USB.
4. Thuật toán viết bằng Python xử lý ảnh qua OpenCV: chuyển đổi hệ màu BGR sang HSV, áp dụng mặt nạ nhị phân dựa trên các dải ngưỡng màu đã hiệu chỉnh để xác định màu sắc (Vàng, Xanh dương hoặc Xanh lục). Đồng thời, tín hiệu từ cảm biến hồng ngoại xác nhận mức chiều cao vật mẫu (3 cm hoặc 6 cm).
5. Sau khi hoàn tất nhận diện, chương trình máy tính gửi ký tự mã hóa kết quả qua cổng nối tiếp (COM) về Arduino. Arduino giải mã lệnh và điều khiển chuỗi xung tương ứng tới 6 servo của cánh tay robot để hạ gắp sản phẩm, xoay và thả vào đúng ô chứa quy định.
6. Khi cánh tay robot trở về vị trí ban đầu (home position), Arduino nhả relay cho băng tải tiếp tục chạy và cập nhật số lượng sản phẩm lên màn hình LCD 2004.

---

Nội dung chính theo từng chương

Bố cục của đồ án tốt nghiệp được tổ chức thành 6 chương chuyên môn chặt chẽ:

Chương 1. Giới thiệu

Chương mở đầu trình bày lý do chọn đề tài, tính cấp thiết của việc tự động hóa công đoạn phân loại sản phẩm trong công nghiệp và nông nghiệp nhằm giải phóng sức lao động thủ công. Tác giả tiến hành khảo sát và tổng hợp kinh nghiệm từ 6 công trình đồ án tốt nghiệp đi trước liên quan đến ứng dụng xử lý ảnh và cơ điện tử:

• Đồ án của Trần Khánh Hưng và Hoàng Như Ý về phân loại cà chua theo màu sắc dùng PLC S7-1200;
• Đồ án của Lê Quang Phúc và Trần Thanh về đếm và phân loại sản phẩm;
• Đồ án của Phan Thanh Phong và Nguyễn Hiền Minh về các thuật toán xử lý ảnh trong phân loại;
• Đồ án của Võ Thanh Duy và Trần Quốc Dưỡng về mô hình phân loại trái cây;
• Đồ án của Bùi Ngọc Long về robot phân loại màu sắc sử dụng xử lý ảnh;
• Đồ án của Trần Thanh Trung và Hồ Khánh Bình về phân loại trái cây theo chất lượng. Trên cơ sở đó, chương 1 xác lập mục tiêu nghiên cứu, giới hạn đề tài (5 loại sản phẩm, 3 màu sắc, 2 mức chiều cao, kích thước băng tải 10x60 cm) và liệt kê chi tiết 10 nội dung nghiên cứu thực hiện.

Chương 2. Cơ sở lý thuyết

Nội dung chương 2 tập trung trình bày nguyên lý hoạt động và thông số kỹ thuật chi tiết của các linh kiện phần cứng cùng nền tảng lý thuyết phần mềm:

• Vi điều khiển ATmega328P trên board Arduino Uno R3;
• Băng tải mini kích thước 10 x 60 cm gắn động cơ giảm tốc DC 12V 30RPM;
• Động cơ RC Servo MG996R (khối lượng 55g, kích thước 40.9 mm, điện áp 4.2 - 6V, lực kéo 9.8 - 11 kg/cm ở 6V, bánh răng kim loại, tốc độ quay 0.14 s/60°);
• Động cơ Servo SG90 (khối lượng 9g, lực kéo 1.6 kg/cm, góc quay 180°, bánh răng nhựa, điều khiển góc bằng PWM);
• Webcam W1 1080p (chuẩn USB 2.0, hỗ trợ khử nhiễu 3D, cân bằng trắng tự động, góc mở ~110°);
• Cảm biến tiệm cận hồng ngoại MH-IR01 / E3F-DS10C4 NPN (điện áp 3.3 - 5VDC, khoảng cách phát hiện 2 - 5 cm điều chỉnh bằng biến trở, góc phát hiện 35°, IC so sánh LM393);
• Mạch hạ áp Buck DC-DC XL4015 (điện áp vào 8 - 36VDC, điện áp ra 1.25 - 32VDC, dòng tối đa 5A); nguồn tổ ong 24V – 10A;
• Màn hình LCD 2004 tích hợp mạch chuyển đổi giao tiếp nối tiếp I2C;
• Lý thuyết xử lý ảnh số: các bước thu nhận ảnh, nâng cao chất lượng ảnh, phân đoạn ảnh, các hệ màu RGB, BGR và không gian màu HSV; phương pháp lập trình trên ngôn ngữ Python với IDE PyCharm và thư viện OpenCV; giải thuật xác lập dải lọc màu và đo kích thước theo pixel đối sánh vật mẫu chuẩn.

Chương 3. Tính toán và thiết kế

Chương 3 trình bày chi tiết quy trình tính toán, thiết kế hệ thống từ sơ đồ khối đến sơ đồ nguyên lý:

• Phân tích chức năng cụ thể của 8 khối chức năng trong hệ thống;
• Thiết kế sơ đồ kết nối dây giữa Arduino Uno R3 với module mở rộng I2C của màn hình LCD 2004, module Relay 5V, cụm 6 servo, nút nhấn và 3 cảm biến hồng ngoại;
• Tính toán phụ tải nguồn: xác lập bảng dòng tiêu thụ khối 5V đạt 1220 mA để lựa chọn giải pháp cấp nguồn kép an toàn;
• Xây dựng sơ đồ nguyên lý toàn mạch chi tiết cho toàn bộ mô hình;
• Thiết kế 4 lưu đồ thuật toán điều khiển: Lưu đồ chương trình chính của hệ thống, Lưu đồ chương trình nhận và xử lý dữ liệu truyền thông, Lưu đồ giải thuật xử lý hình ảnh nhận diện màu sắc/kích thước và Lưu đồ chương trình xử lý tín hiệu cảm biến hồng ngoại.

Chương 4. Thi công hệ thống

Chương 4 mô tả toàn bộ quá trình thi công thực tế phần cứng và tích hợp hệ thống:

• Thi công cơ khí khung giá đỡ và lắp đặt băng tải mini 10 x 60 cm;
• Lắp ráp cơ cấu cánh tay robot 6 bậc tự do sử dụng phối hợp 3 servo MG996R và 3 servo SG90;
• Thi công buồng chụp ảnh cách ly ánh sáng, cố định webcam ở khoảng cách 14 cm so với bề mặt băng tải;
• Lắp đặt các cảm biến hồng ngoại tại các vị trí kiểm soát chiều cao và dừng phôi trên khung băng tải;
• Thiết kế, thi công board mạch điều khiển trung tâm và đấu nối dây dẫn trong hộp điều khiển;
• Thực hiện kiểm tra, hiệu chỉnh từng khối riêng lẻ và chạy thử nghiệm tích hợp toàn hệ thống.

Chương 5. Kết quả - Nhận xét - Đánh giá

Chương 5 công bố các kết quả thực nghiệm thu được từ mô hình hoàn thiện:

• Minh họa giao diện chương trình xử lý ảnh trên máy tính trong suốt quá trình nhận dạng;
• Kết quả nhận diện thực tế của thuật toán đối với 3 màu sắc: màu xanh dương (Blue), màu xanh lục (Green) và màu vàng (Yellow);
• Kết quả nhận diện chiều cao phôi sản phẩm (phân biệt sản phẩm thấp 3 cm và sản phẩm cao 6 cm);
• Thống kê quá trình phân loại đúng cho các nhóm mẫu: Yellow1, Blue1, Green1 (chiều cao 3 cm) và Green2, Yellow2 (chiều cao 6 cm);
• Bảng tổng hợp nhận xét, đánh giá về độ ổn định, tốc độ xử lý của mô hình;
• Biên soạn tài liệu hướng dẫn vận hành hệ thống và bảng dự toán chi phí linh kiện, vật liệu thi công mô hình.

Chương 6: Kết luận và hướng phát triển

Chương tổng kết đánh giá mức độ hoàn thành nhiệm vụ nghiên cứu so với mục tiêu đề ra ban đầu, nêu rõ các bài học kinh nghiệm trong quá trình thiết kế thi công mạch và chỉ ra các phương hướng cải tiến, phát triển mô hình cho các nghiên cứu tiếp theo.

---

Kết quả và đóng góp

Mô hình thực nghiệm của đề tài đã vận hành thành công và đạt được các kết quả kỹ thuật cụ thể:

1. Nhận dạng chính xác 3 loại màu sắc cơ bản (Vàng, Xanh lục, Xanh dương) trong buồng ảnh nhờ thuật toán phân đoạn ngưỡng màu trên không gian HSV.
2. Nhận diện và phân loại đúng 2 cấp kích thước chiều cao phôi sản phẩm (khối 3 x 3 x 3 cm và khối 3 x 3 x 6 cm) thông qua xử lý ảnh và cảm biến tiệm cận.
3. Đồng bộ hóa chuyển động nhịp nhàng giữa băng tải mini (dừng chính xác khi có phôi), webcam chụp ảnh, máy tính nhận diện và cánh tay robot 6 bậc tự do gắp - đặt sản phẩm vào đúng vị trí ô phân loại.
4. Hiển thị thông số phân loại và số lượng sản phẩm trực quan trên màn hình LCD 2004 qua giao thức I2C.

Bảng tổng hợp các thông số kỹ thuật cốt lõi của mô hình hệ thống:

Thông số hệ thống	Giá trị thiết kế và thực nghiệm
Số loại sản phẩm phân loại	5 loại (kết hợp giữa 3 màu sắc và 2 mức kích thước)
Kích thước phôi mẫu	3 x 3 x 3 cm và 3 x 3 x 6 cm
Quy cách băng tải mini	Rộng 10 cm, dài 60 cm, động cơ DC 12V 30RPM
Khoảng cách đặt camera	14 cm tính từ mặt băng tải
Cơ cấu phân loại	Cánh tay robot 6 bậc tự do (3 servo MG996R, 3 servo SG90)
Cảm biến phát hiện phôi	Cảm biến hồng ngoại MH-IR01 / E3F-DS10C4 NPN (khoảng cách 2-5 cm)
Vi điều khiển trung tâm	Arduino Uno R3 (ATmega328P, xung nhịp 16 MHz)
Phần mềm và thư viện	Python, IDE PyCharm, thư viện thị giác máy tính OpenCV
Nguồn cấp hệ thống	Nguồn USB máy tính (5V) và nguồn tổ ong 24V – 10A qua mạch buck XL4015

Về mặt đóng góp so với các nghiên cứu trước được khảo sát:

• Thay vì sử dụng cơ cấu gạt phôi bằng xi-lanh khí nén đơn giản (vốn chiếm nhiều không gian và chỉ đẩy phôi vào máng trượt cố định), đề tài đã tích hợp thành công cánh tay robot 6 servo có khả năng gắp linh hoạt sản phẩm từ băng tải sang nhiều vị trí khay chứa riêng biệt.
• Ứng dụng giải pháp xử lý phân tầng: tách nhiệm vụ xử lý ảnh phức tạp sang máy tính (tận dụng sức mạnh tính toán của Python và OpenCV), trong khi nhiệm vụ điều khiển thời gian thực (đóng ngắt động cơ, điều khiển góc quay servo, đọc cảm biến) được giao cho vi điều khiển Arduino Uno R3 có chi phí thấp. Cách tiếp cận này giúp tối ưu hóa chi phí phần cứng nhưng vẫn đảm bảo tốc độ phản hồi nhanh chóng của hệ thống.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các ghi nhận thực tế và nhận xét của giáo viên hướng dẫn (ThS. Võ Đức Dũng), đề tài còn tồn tại một số hạn chế kỹ thuật:

• Quá trình nhận diện màu sắc vẫn chịu ảnh hưởng bởi các yếu tố môi trường bên ngoài như sự thay đổi cường độ ánh sáng tự nhiên, góc chiếu sáng gây bóng mờ trên bề mặt sản phẩm.
• Tỷ lệ gắp và phân loại chính xác vật thể của cánh tay robot chưa đạt mức tuyệt đối 100%. Nguyên nhân do độ rơ cơ khí của các khớp nối, sai số vị trí góc quay của các động cơ servo giá rẻ (đặc biệt là dòng servo bánh răng nhựa SG90 khi chịu tải) và hiện tượng trượt nhẹ của vật mẫu trên băng tải khi dừng đột ngột.

Hướng mở rộng và phát triển đề tài được nhóm tác giả xác định:

• Nâng cấp buồng ảnh thành hộp kín hoàn toàn có tích hợp hệ thống chiếu sáng chuẩn (đèn LED vòng chuyên dụng) nhằm loại bỏ triệt để biến động ánh sáng từ môi trường.
• Cải tiến cơ cấu cơ khí của cánh tay robot, thay thế các servo RC bằng động cơ bước có phản hồi vòng kín (closed-loop stepper) hoặc servo thông minh chuyên dụng để nâng cao độ cứng vững và độ chính xác định vị gắp.
• Mở rộng thuật toán nhận dạng để phân loại thêm nhiều màu sắc phức tạp, phát hiện hình dạng biên dạng bất kỳ hoặc kiểm tra các khuyết tật, biến dạng trên bề mặt sản phẩm.

---

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo có giá trị ứng dụng cao đối với:

• Sinh viên các ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa, và Công nghệ Thông tin đang thực hiện đồ án môn học, đồ án tốt nghiệp hoặc các dự án nghiên cứu về ứng dụng thị giác máy tính trong công nghiệp.
• Các kỹ sư, người nghiên cứu có nhu cầu xây dựng các mô hình phân loại tự động hóa cỡ nhỏ, chi phí thấp phục vụ giáo dục hoặc ứng dụng thử nghiệm trong xưởng sản xuất nhỏ.

Những phần nội dung đáng chú ý và có giá trị tham khảo trực tiếp nhất trong khóa luận:

• Bảng thông số hiệu chỉnh thực nghiệm các ngưỡng màu HSV (Vàng, Xanh dương, Xanh lục) trong thư viện OpenCV.
• Giải pháp thiết kế mạch nguồn phân chia điện áp (cách ly nguồn điều khiển 5V và nguồn động lực 12V/6V/4.8V qua mạch hạ áp XL4015) nhằm chống sụt áp và triệt tiêu xung nhiễu từ động cơ servo và motor băng tải.
• Sơ đồ nối dây chi tiết và lưu đồ truyền thông hai chiều giữa máy tính (Python) và vi điều khiển Arduino qua giao tiếp nối tiếp cổng COM.

---

Câu hỏi thường gặp

1. Hệ thống sử dụng dải giá trị ngưỡng HSV cụ thể nào để phân loại ba màu sắc của sản phẩm?
Qua quá trình lấy mẫu và thực nghiệm đối chiếu, dải giá trị HSV được thiết lập trong OpenCV gồm: màu vàng có ngưỡng $(15, 0, 0) \div (39, 255, 255)$; màu xanh lục có ngưỡng $(40, 0, 0) \div (83, 255, 255)$; và màu xanh dương có ngưỡng $(90, 0, 0) \div (130, 255, 255)$. Cả ba dải màu đều mở rộng toàn bộ thang đo độ bão hòa $S$ và độ sáng $V$ từ $0$ đến $255$.

2. Cánh tay robot phân loại gồm những loại động cơ servo nào và điện áp cấp cho chúng được thiết kế ra sao?
Cánh tay robot sử dụng tổng cộng 6 động cơ servo, bao gồm 3 servo MG996R (bánh răng kim loại, lực kéo $9.8 - 11\text{ kg/cm}$) đảm nhận các khớp chịu lực lớn và 3 servo SG90 (bánh răng nhựa, lực kéo $1.6\text{ kg/cm}$) đảm nhận các khớp cổ tay và kẹp gắp. Về nguồn cấp, thông qua mạch giảm áp Buck XL4015, nhóm thiết kế cấp nguồn 6V cho 3 servo MG996R và cấp nguồn 4.8V cho 3 servo SG90 để tối ưu hóa hiệu suất và bảo vệ bánh răng.

3. Băng tải mini của hệ thống có thông số kỹ thuật như thế nào và được điều khiển bằng cơ chế gì?
Băng tải mini có kích thước mặt băng rộng 10 cm và dài 60 cm, sử dụng động cơ giảm tốc DC 12V có tốc độ quay 30 vòng/phút (30 RPM). Băng tải được điều khiển đóng/ngắt tự động thông qua module relay 1 kênh 5V (có opto cách ly) kết nối trực tiếp với chân điều khiển của vi điều khiển Arduino Uno R3.

4. Khối vi điều khiển trung tâm được cấp nguồn như thế nào và tổng dòng tiêu thụ của khối điều khiển 5V là bao nhiêu?
Board Arduino Uno R3 được cấp nguồn 5V trực tiếp từ máy tính thông qua cáp kết nối USB. Tổng dòng điện tiêu thụ danh định của toàn bộ các linh kiện trong khối điều khiển 5V (gồm màn hình LCD 2004 tiêu thụ 200 mA, Arduino Uno R3 tiêu thụ ~40 mA, module relay tiêu thụ 80 mA và 3 cảm biến hồng ngoại tiêu thụ 900 mA) là 1220 mA.

5. Vì sao tỷ lệ phân loại và gắp chính xác của hệ thống chưa đạt 100% theo nhận xét của giáo viên hướng dẫn?
Theo nhận xét trong phiếu đánh giá của ThS. Võ Đức Dũng, hiệu suất của hệ thống chưa đạt 100% chủ yếu do hai nguyên nhân: sự thay đổi của các yếu tố ngoại cảnh bên ngoài như ánh sáng môi trường làm ảnh hưởng đến độ chính xác nhận diện màu sắc của camera; cùng với đó là các sai số tích lũy về cơ khí và độ rơ góc quay của các động cơ servo trong quá trình gắp và thả vật thể.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Cù Trần Độ và Nguyễn Tân Khoa đã hoàn thành trọn vẹn việc thiết kế và chế tạo thực nghiệm mô hình hệ thống phân loại sản phẩm tự động theo màu sắc và kích thước. Đề tài kết hợp hiệu quả giữa thuật toán xử lý ảnh trên nền tảng Python/OpenCV với khả năng điều khiển phần cứng của vi điều khiển Arduino Uno R3 và cánh tay robot 6 bậc tự do. Mặc dù vẫn còn những hạn chế nhất định về ảnh hưởng của ánh sáng môi trường và độ rơ cơ khí, công trình đã chứng minh tính khả thi cao, mở ra hướng ứng dụng tự động hóa kinh tế cho các cơ sở sản xuất quy mô vừa và nhỏ.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan Giới thiệu đề tài, đưa ra những lý do, mục tiêu, nội dung nghiên cứu, giới hạn đề tài và bố cục đề tài. Chương 2: Cơ sở lý thuyết Chương này đưa ra những cơ sở lý thuyết, sử dụng những đề tài khác để nghiên cứu và tham khảo. Chương 3: Tính toán và thiết kế Thiết kế sơ đồ khối và sơ đồ nguyên lý của hệ thống, tính toán linh kiện và thiết kế lưu đồ giải thuật. Chương 4: Thi công hệ thống Chương này trình bày quá trình thiết kế phần mềm, phần cứng và quá trình thi công hệ thống.

Chương 5: Kết quả- nhận xét- đánh giá Trình bày kết quả thi công mô hình, đưa ra nhận xét và đánh giá. Chương 6: Kết luận và hướng phát triển Chương này đưa ra những kết luận sau khi thực hiện đề tài và hướng phát triển của đề tài. Các hệ thống điều khiển và giám sát Khoa học kỹ thuật luôn luôn phát triển trong tất cả các lĩnh vực, nhất là các ngành sản xuất. Việc đòi hỏi cải tiến và nâng cấp hệ thống sản xuất luôn là ưu tiên hàng đầu.

Một trong những hệ thống đó là hệ thống phân loại sản phẩm tự động. Hệ thống này giúp cho sản xuất linh hoạt hơn, tiết kiệm thời gian và nhân lực, tăng sản lượng, đem lại lợi ích kinh tế cao và hiệu quả. Để theo kịp xu thế công nghiệp hóa – hiện đại hóa một cách bền vững và an toàn nhất, tiện lợi cho việc vận hành, sửa chữa khi hỏng hóc và đảm bảo chất lượng sản phẩm nằm trong phạm vi cho phép. Hơn nữa thuận tiện cho việc mở rộng và phát triển trong tương lai.

Từ các đồ án tham khảo được, nhóm em nghiên cứu học hỏi được cách thức làm việc, điều khiển Arduino, giao tiếp Python với Arduino, phân loại sản phẩm theo màu sắc và kích thước sử dụng xử lý ảnh và sử dụng cảm biến để phân loại chiều cao của sản phẩm. Dựa trên nền tảng đó, nhóm định hướng được cho đề tài KLTN, đồng thời phát triển thêm dùng cánh tay robot để phân loại sản phẩm sử dụng xử lý ảnh và nâng cao khả năng phân luồng sản phẩm. Giới thiệu phần cứng 2.1 Arduino Uno R3 Trên thị trường có rất nhiều vi điều khiển có thể đáp ứng nhu cầu của đề tài phân loại sản phẩm, nhóm quyết định dùng module Arduino Uno R3 để làm vi điều Hình 2.1 Arduino Uno R3 4 khiển cho hệ thống vì có kích thước nhỏ gọn, đầy đủ tính năng và dễ sử dụng cho lập trình. Đây là phiên bản cải tiến của Arduino Uno và là một trong những board phổ biến nhất cho các dự án điện tử DIY (tự làm) và nhúng ( hình 2.2 Các thành phần của Arduino Uno R3 Arduino Uno R3 bao gồm 14 chân I/O, có thể sử dụng nguồn 5V thông qua USB hoặc cấp nguồn ngoài với điện áp 7-12V DC.

Sử dụng vi điều khiển Atmega328P với 32KB của bộ nhớ Flash, 2KB cho SRAM và 1KB cho EEPROM (Hình 2.1 Thông số kỹ thuật của Arduino Uno R3 Chip điều khiển ATmega328P Điện áp hoạt động 5V Điện áp đầu vào(khuyên dùng) 7-12V Điện áp đầu vào (giới hạn) 6-20V Số chân Digital 14 (of which 6 provide PWM output) Số chân PWM Digital 6 Số chân Analog 6 5 Dòng điện DC trên mỗi chân I/O 20 mA Dòng điện DC trên chân 3.3V 50 mA Flash Memory 32 KB (ATmega328P) of which 0.5 KB used by bootloader SRAM 2 KB (ATmega328P) EEPROM 1 KB (ATmega328P) Tốc độ thạch anh 16 MHz LED_BUILTIN 13 2.2 Băng tải Băng tải mini, còn được gọi là băng tải di động hoặc băng tải cá nhân, là một thiết bị vận chuyển chất liệu nhẹ và di động được sử dụng để chuyển đổi và vận chuyển các vật liệu trong một khoảng cách ngắn.3 Băng tải Băng tải mini có nhiều ưu điểm, bao gồm tính di động và linh hoạt, dễ dàng lắp đặt và vận hành, tiết kiệm thời gian và công sức. Tuy nhiên, do giới hạn về kích thước và khả năng tải trọng, băng tải mini thường được sử dụng trong các ứng dụng có quy mô nhỏ và yêu cầu vận chuyển nhẹ. 6 Trong đề tài nhóm sử dụng băng tải có kích thước 10x60cm (rộng 10cm dài 60cm) phù hợp với các loại mô hình nhỏ và gọn. Với động cơ giảm tốc 12V 30RPM là một động cơ điện sử dụng cung cấp sức vận hành băng tải có tốc độ quay 30 vòng mỗi phút.

Với tốc độ quay này khá phù hợp với mô hình phân loại trái cây theo chất lượng cần độ chính xác cao thay vì năng suất hoạt động.3 Động cơ servo MG996R Động cơ servo gồm các thành phần linh kiện để quay các bộ phận của máy với độ chính xác và hiệu suất cao. Cơ chế hoạt động chính của động cơ servo là kết hợp giữa quay vòng và phản hồi để điều khiển tốc độ quay và góc quay của động cơ. Động cơ servo có ba phân loại chính để đánh giá động cơ servo: • AC hoặc DC: Servo có thể hoạt động với nguồn điện xoay chiều (AC) hoặc nguồn điện một chiều (DC), tùy thuộc vào yêu cầu của ứng dụng cụ thể. • Sử dụng chổi than: Một số động cơ servo sử dụng chổi than để tạo ra mối tiếp xúc và dẫn điện.

Trong khi đó, một số động cơ servo khác không sử dụng chổi than và thay vào đó sử dụng các công nghệ khác như cảm biến vô tiếp hoặc các công nghệ mới hơn. • Đồng bộ hay không đồng bộ: Động cơ servo có thể được phân loại là đồng bộ hoặc không đồng bộ. Động cơ servo đồng bộ hoạt động theo một tín hiệu điều khiển chính xác và đồng bộ với tín hiệu này. Trong khi đó, động cơ servo không đồng bộ không cần đồng bộ với tín hiệu điều khiển và có thể hoạt động độc lập.4 Động cơ servo MG996R 7 MG996R là một loại servo motor được sử dụng rộng rãi trong các ứng dụng robot và các hệ thống điều khiển chính xác.

Thông số kỹ thuật: Bảng 2.2 Thông số kỹ thuật của servo MG996R Trọng lượng sản phẩm 55g Kích thước của servo 40.9mm Lực kéo của servo 9.8V) Tốc độ xoay của servo 0.14 giây/60º (6V) Điện áp của servo 4.2V Nhiệt độ hoạt động của servo 0℃ - 55℃ Dòng điện không tải của servo ~0.15A Vật liệu cấu tạo bánh răng Kim loại 2.4 Động cơ servo SG90 Động cơ servo SG90 có kích thước nhỏ, là loại được sử dụng nhiều nhất để làm các mô hình nhỏ hoặc các cơ cấu kéo không cần đến lực nặng (Hình 2. Động cơ servo SG90 180 độ có tốc độ phản ứng nhanh, các bánh răng được làm bằng nhựa nên cần lưu ý khi nâng tải nặng vì có thể làm hư bánh răng, động cơ RC Servo 9G có tích hợp sẵn Driver điều khiển động cơ bên trong nên có thể dễ dàng điều khiển góc quay bằng phương pháp điều độ rộng xung PWM.5 Động cơ servo SG90 8 Bảng 2. 3 Thông số kỹ thuật đông cơ servo SG90 Điện áp hoạt động 4.8VDC) Lực kéo 1.cm Kích thước 21 * 12 * 22mm Trọng lượng 9g 2.5 Camera xử lý ảnh w1 1080p Camera là một thành phần vô cùng quan trọng trong hệ thống phân loại sản phẩm.6 Camera sử dụng trong đề tài Camera giúp rất nhiều trong việc ghi lại hình ảnh để phân tích và kiểm tra sản phẩm trong đề tài. Sau đây là một vài thông số kỹ thuật của camera được sử dụng trong đề tài.4 Thông số kỹ thuật của webcam w1 1080p Phần cứng Sự chỉ rõ Cảm biến 1/3” FullHD CMOS Thấu kính F = 3.6mm; 1080P Góc nhìn ~110° đường chéo 9 Tỉ lệ khung hình video 30 khung hình/ giây Độ phân giải được hỗ trợ 1920x1080 Đang xử lý hình ảnh Hỗ trợ khử nhiễu 3D, cân bằng trắng tự động, tự động cải thiện chất lượng hình ảnh Âm thanh Micro tích hợp sẵn Đèn LED hồng ngoại Không Bộ lọc cắt IR Không Công USB USB 2.0 Nguồn cấp Dược cung cấp bởi USB Nhiệt độ hoạt động -5°C - 55°C Kích thước 91 * 80 * 33 mm Camera xử lý ảnh W1 1080p (Full HD) có một số lợi ích và đặc điểm mà bạn có thể xem xét khi chọn nó: ✓ Chất lượng hình ảnh cao: Camera W1 1080p cho phép ghi lại video và chụp ảnh ở độ phân giải Full HD (1920x1080 pixel).

Điều này đảm bảo rằng bạn sẽ có hình ảnh rõ nét và chi tiết, đặc biệt là khi xem trên màn hình lớn hoặc in ấn. ✓ Độ phân giải cao cung cấp khả năng zoom và cắt ảnh: Với độ phân giải 1080p, bạn có thể thực hiện việc zoom và cắt ảnh mà không mất nhiều chi tiết. Điều này hữu ích khi bạn cần phóng to các vùng cụ thể trong hình ảnh mà không làm mất chất lượng. ✓ Hỗ trợ xử lý ảnh tốt: Camera W1 1080p có khả năng xử lý ảnh tốt, cho phép bạn chụp ảnh nhanh và mượt mà, và thậm chí có thể cung cấp các tính năng bổ sung như chế độ chụp liên tục, chống rung hình ảnh, hoặc chế độ HDR (High Dynamic Range) để tăng độ tương phản và chi tiết trong hình ảnh.

✓ Tính linh hoạt và tiện ích: Camera W1 1080p thường có kích thước nhỏ gọn và dễ dàng mang theo. Nó thích hợp cho việc sử dụng hàng ngày, du lịch, hoặc 10 gắn trên xe ô tô. Ngoài ra, nhiều mẫu camera W1 1080p cũng hỗ trợ kết nối Wi-Fi hoặc Bluetooth, cho phép bạn chia sẻ và truyền ảnh một cách thuận tiện. ✓ Giá cả phải chăng: So với các camera có độ phân giải cao hơn như 2K hoặc 4K, camera W1 1080p thường có giá cả phải chăng hơn.

Điều này làm cho nó trở thành một lựa chọn hợp lý cho những người muốn có chất lượng hình ảnh tốt mà không cần đầu tư quá nhiều 2.6 Cảm biến tiệm cận Cảm biến hồng ngoại MH-IR01 là một cảm biến không tiếp xúc, có khả năng phát hiện các vật thể trên khoảng cách xa thông qua sóng hồng ngoại. Nó được sử Hình 2.7 Cảm biến vật cản hồng ngoại E3F-DS10C4 NPN dụng trong hệ thống phân loại trái cây để phát hiện sự hiện diện của trái cây trên băng tải, đánh dấu các vị trí của chúng và thu thập dữ liệu về số lượng và vị trí của các trái cây để phân loại chúng (Hình 2. Module thu phát hồng ngoại MH-IR01 sử dụng một cặp thu phát hồng ngoại. Với mức giá rẻ, tiện lợi, dễ sử dụng, thiết kế cực kì nhỏ gọn đó là những ưu điểm cực kì tốt của module MH-IR01.

Những ưu điểm trên làm cho nó thích hợp với các đề tài, đồ án.5 Thông số kỹ thuật cảm biến hồng ngoại Điện áp 3.