Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0, tự động hóa đóng vai trò then chốt trong việc tối ưu hóa năng suất và kiểm soát chất lượng tại các nhà máy sản xuất linh kiện phụ trợ. Theo thống kê từ Hiệp hội Tự động hóa Công nghiệp Quốc tế (ISA), chi phí phát sinh từ sản phẩm lỗi trong ngành sản xuất vòng đệm cao su và phụ tùng làm kín chiếm từ 8% đến 12% tổng chi phí vận hành. Các lỗi rò rỉ khí hoặc chất lỏng xuất phát từ khuyết tật bavia, nứt vi mô hoặc sai lệch kích thước hình học ($\pm 0.05\text{ mm}$) trên vòng đệm (O-ring) gây tổn thất nghiêm trọng cho các hệ thống thủy lực, ô tô và thiết bị y tế.

Quy trình kiểm tra thủ công truyền thống bộc lộ nhiều hạn chế lớn: năng suất thấp (chỉ đạt 30–50 sản phẩm/phút/nhân công), độ chính xác giảm mạnh sau 2 giờ làm việc liên tục do mỏi mắt (tỷ lệ bỏ sót lỗi từ 12% đến 18%), và không đáp ứng được tốc độ xuất xưởng hàng loạt. Để giải quyết triệt để bài toán này, đề tài "Thiết kế và chế tạo hệ thống phân loại sản phẩm tốc độ cao" tập trung nghiên cứu, chế tạo hệ thống kiểm tra và phân loại tự động cho vòng đệm cao su với các mục tiêu cụ thể:

  1. Thiết kế kết cấu cơ khí chính xác: Xây dựng cơ cấu cấp phôi rung/băng tải kép kết hợp mâm xoay bằng kính quang học trong suốt, cho phép kiểm tra toàn diện 2 mặt sản phẩm trên cùng một trạm quay.
  2. Xây dựng giải pháp thị giác máy tính kết hợp (Hybrid Machine Vision): Ứng dụng xử lý ảnh OpenCV đo kích thước hình học chính xác và mô hình Deep Learning YOLOv5 phát hiện khuyết tật bề mặt (lẹm, rách, nứt, bavia) trong thời gian thực.
  3. Tích hợp hệ thống điều khiển công nghiệp: Sử dụng bộ điều khiển lập trình PLC Keyence KV-5500 kết nối đồng bộ với máy tính xử lý qua giao thức Ethernet/IP và Socket TCP/IP, điều khiển cơ cấu phân loại bằng béc phun khí nén tốc độ cao.
  4. Đạt chỉ số vận hành chuẩn công nghiệp: Năng suất phân loại đạt $\ge 500\text{ sản phẩm/phút}$, độ chính xác phân loại $\ge 98.5%$, sai số đo kích thước $\le \pm 0.02\text{ mm}$.

Phạm vi nghiên cứu tập trung vào các dòng gioăng/vòng đệm cao su có đường kính ngoài từ $10\text{ mm}$ đến $60\text{ mm}$, chiều dày $1\text{ mm}$ đến $10\text{ mm}$. Hệ thống vận hành tối ưu trong điều kiện môi trường công nghiệp tiêu chuẩn (nhiệt độ 15–38°C, độ ẩm 20–80% RH, buồng đo có hệ thống chiếu sáng LED khép kín loại bỏ nhiễu quang ngoại vi).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát các phương pháp phân loại trên thị trường hiện nay cho thấy sự phân hóa rõ rệt về hiệu năng, độ tin cậy và chi phí đầu tư:

Tiêu chí so sánh Kiểm tra thủ công bằng mắt Phân loại trên băng tải thẳng Phân loại bằng mâm xoay kính quang học (Đề tài)
Tốc độ xử lý 30 – 50 sp/phút 120 – 200 sp/phút 500 – 800 sp/phút
Độ chính xác 80 – 88% (phụ thuộc nhân lực) 92 – 95% (bị ảnh hưởng do rung lắc) 98.8 – 99.5%
Khả năng kiểm tra 2 mặt Có (lật tay thủ công) Khó (cần cơ cấu lật phức tạp) Toàn diện (nhờ mặt kính trong suốt)
Độ ổn định phôi Không áp dụng Phôi dễ xô lệch, trượt trên dây đai Rất cao (áp sát mặt bàn quay phẳng)
Chi phí vận hành dài hạn Rất cao (chi phí nhân công liên tục) Trung bình (bảo trì cơ cấu dẫn hướng) Thấp (vận hành tự động hoàn toàn)

Yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must-Have (Bắt buộc): Đo chính xác đường kính trong, đường kính ngoài của vòng đệm; phát hiện lỗi dị tật bề mặt $\ge 0.2\text{ mm}$; cơ cấu thổi khí phân loại sản phẩm NG (Not Good) và OK; giao tiếp PLC - Python qua TCP/IP thời gian thực.
  • Should-Have (Nên có): Bộ đếm sản phẩm hiển thị trên giao diện giám sát; khả năng lưu log hình ảnh sản phẩm lỗi; cơ cấu chống xếp chồng phôi tự động.
  • Could-Have (Có thể mở rộng): Tự động điều chỉnh vận tốc mâm xoay theo mật độ phôi; lưu dữ liệu thống kê sản xuất theo ca vào cơ sở dữ liệu.
  • Won't-Have (Chưa thực hiện đợt này): Phân tích thành phần hóa học vật liệu cao su; hỗ trợ các phôi phi đối xứng có hình dạng 3D phức tạp.

Thiết kế hệ thống

Kiến trúc hệ thống phân loại bao gồm 3 phân hệ chính: Cơ khí - Động lực học, Thị giác máy tính - Trí tuệ nhân tạo, và Điện điều khiển - Tự động hóa.

+-----------------------------------------------------------------------------------+
|                              HỆ THỐNG CẤP PHÔI VÀ BĂNG TẢI                        |
|   Phôi thô -> Phễu rung/Bàn xoay xếp phôi -> Cơ cấu gạt chồng -> Mâm xoay kính     |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                        TRẠM THỊ GIÁC MÁY TÍNH (DUAL-CAMERA)                       |
|   Camera 1 (Mặt trên): Đo kích thước + YOLOv5 kiểm tra biên & bề mặt trên         |
|   Camera 2 (Mặt dưới): Soi qua kính quang học kiểm tra bề mặt dưới & bavia rãnh   |
|   Bộ chiếu sáng: Đèn LED vòng (Ring Light) + Đèn nền xuyên sáng (Backlight)       |
+-----------------------------------------------------------------------------------+
                                         | (Trigger / Kết quả phân loại TCP/IP)
                                         v
+-----------------------------------------------------------------------------------+
|                        BỘ ĐIỀU KHIỂN TRUNG TÂM (PLC KEYENCE)                      |
|   PLC KV-5500 + Module xung KV-H20S + Module I/O KV-B16XC/B16TC                   |
|   Động cơ Direct Drive Servo DYNASERV điều khiển mâm xoay góc chính xác           |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
|                         CƠ CẤU PHÂN LOẠI VÀ THOÁT PHÔI                           |
|   Béc phun khí nén tốc độ cao (Van solenoid 5/2) -> Thùng OK / Thùng NG           |
+-----------------------------------------------------------------------------------+

Thông số công nghệ và phần cứng (Technology Stack):

  • Bộ điều khiển lập trình: PLC Keyence KV-5500 kết hợp Module phát xung tốc độ cao KV-H20S, Module Digital Input KV-B16XC (16 cổng 24VDC), Module Digital Output KV-B16TC (16 cổng Transistor), Module nguồn KV-U7.
  • Động cơ truyền động chính: Động cơ quay trực tiếp Direct Drive Servo Motor DYNASERV kết hợp driver phân giải cao, triệt tiêu khe hở rơ của hộp số cơ khí thông thường.
  • Cảm biến & Khí nén: Cảm biến quang điện Keyence PZ-V71 phát hiện vật cản với thời gian đáp ứng $1\text{ ms}$; cảm biến từ SMC D-A93L định vị xi lanh; van điện từ khí nén 5/2 tần số đóng ngắt cao; béc phun khí phản hồi nhanh.
  • Phần cứng thị giác: Camera công nghiệp FLIR phân giải 5.0 MP, giao tiếp GigE Vision; ống kính tiêu cự cố định $16\text{ mm}$ độ méo quang học $< 0.1%$; hệ thống đèn LED vòng và đèn chiếu xuyên Backlight chuyên dụng.
  • Môi trường phần mềm: KV Studio Ver.11G (Lập trình Ladder Logic), Python 3.9, OpenCV 4.8.0, PyTorch 2.0.1, YOLOv5 v7.0.

Methodology

Quy trình phát triển dự án tuân theo mô hình V-Model cải tiến cho hệ thống Cơ điện tử:

Yêu cầu hệ thống -------------------------------------> Nghiệm thu tích hợp toàn diện
      \                                                       /
  Thiết kế kiến trúc -------------------------> Kiểm thử chức năng từng phân hệ
        \                                             /
    Thiết kế chi tiết --------------> Kiểm thử đơn vị (Module test)
          \                                   /
           Thực thi chế tạo cơ khí & Viết mã nguồn

Kế hoạch thực hiện dự án (Project Timeline):

  • Tuần 1 – 4: Khảo sát yêu cầu công nghiệp, tính toán sức bền khung đỡ, mô phỏng động học mâm xoay trên SolidWorks, thiết kế mạch điện.
  • Tuần 5 – 8: Gia công cơ khí chính xác chi tiết mâm xoay kính, băng tải phôi ngược chiều, lắp ráp tủ điện điều khiển PLC.
  • Tuần 9 – 12: Thu thập tập dữ liệu 3,500 ảnh vòng đệm (chuẩn và lỗi), gán nhãn dữ liệu, huấn luyện mô hình YOLOv5, viết thuật toán đo viền OpenCV.
  • Tuần 13 – 15: Thiết lập socket truyền thông Ethernet/IP TCP/IP giữa Python và PLC Keyence KV-5500; căn chỉnh thời gian trễ trigger khí nén.
  • Tuần 16: Chạy thực nghiệm liên tục 72 giờ, đánh giá hiệu năng và hiệu chỉnh tham số.

Implementation và kết quả

Development process

1. Thuật toán xử lý ảnh đo kích thước hình học (OpenCV Contour Approximation)

Thuật toán sử dụng phương pháp xấp xỉ đường viền đa giác để trích xuất đường kính trong ($D_{in}$) và đường kính ngoài ($D_{out}$) của vòng đệm cao su từ ảnh nhị phân:

import cv2
import numpy as np

def measure_o_ring_dimensions(image_path, pixel_to_mm_ratio=0.0425):
    # Đọc ảnh grayscale và tiền xử lý
    src = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    blurred = cv2.GaussianBlur(src, (5, 5), 0)
    
    # Phân ngưỡng Otsu tự động
    _, thresh = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    
    # Trích xuất contour phân cấp
    contours, hierarchy = cv2.findContours(thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
    
    if len(contours) < 2:
        return None, "Lỗi: Không phát hiện đủ biên trong và ngoài"
        
    # Sắp xếp contour theo diện tích giảm dần: [0] là biên ngoài, [1] là biên trong
    cnts_sorted = sorted(contours, key=cv2.contourArea, reverse=True)
    
    # Tính đường tròn ngoại tiếp nhỏ nhất cho biên ngoài và biên trong
    (_, _), radius_outer = cv2.minEnclosingCircle(cnts_sorted[0])
    (_, _), radius_inner = cv2.minEnclosingCircle(cnts_sorted[1])
    
    diameter_outer_mm = (radius_outer * 2) * pixel_to_mm_ratio
    diameter_inner_mm = (radius_inner * 2) * pixel_to_mm_ratio
    thickness_mm = (diameter_outer_mm - diameter_inner_mm) / 2.0
    
    return {
        "outer_dia_mm": round(diameter_outer_mm, 3),
        "inner_dia_mm": round(diameter_inner_mm, 3),
        "thickness_mm": round(thickness_mm, 3)
    }, "OK"

2. Kiến trúc nhận diện khuyết tật Deep Learning YOLOv5

Mô hình YOLOv5s được tối ưu hóa cho bài toán phân loại bề mặt. Hàm mất mát tổng hợp gồm Loss định vị ($L_{box}$), Loss phân loại ($L_{cls}$) và Loss đối tượng ($L_{obj}$):

$$\mathcal{L}{total} = \lambda{box} \mathcal{L}{box} + \lambda{cls} \mathcal{L}{cls} + \lambda{obj} \mathcal{L}_{obj}$$

Trong đó, $\mathcal{L}_{box}$ sử dụng CIoU Loss (Complete Intersection over Union) tối ưu hóa độ trùng khớp hộp bao biên và tỷ lệ khung hình khuyết tật:

$$\text{CIoU} = \text{IoU} - \frac{\rho^2(b, b^{gt})}{c^2} - \alpha v$$

3. Giao tiếp mạng Socket TCP/IP Client-Server (Python - PLC Keyence KV-5500)

Module Python nhận frame ảnh, thực thi suy luận và gửi chuỗi lệnh điều khiển trực tiếp vào thanh ghi PLC qua cổng 8501:

import socket
import time

class KeyencePLCClient:
    def __init__(self, ip='192.168.0.10', port=8501):
        self.ip = ip
        self.port = port
        self.sock = None

    def connect(self):
        self.sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
        self.sock.settimeout(2.0)
        self.sock.connect((self.ip, self.port))

    def send_classification_result(self, is_ok: bool, part_id: int):
        # Định dạng giao thức: 'WSS DM1000.U <val>\r' trong chuẩn lệnh Keyence KV
        # 1: Đạt chuẩn (PASS), 2: Lỗi (REJECT)
        status_code = 1 if is_ok else 2
        command = f"WR DM1000 {status_code}\r"
        self.sock.sendall(command.encode('ascii'))
        response = self.sock.recv(1024).decode('ascii')
        return response.strip() == "OK"

    def close(self):
        if self.sock:
            self.sock.close()

Testing và validation

Hệ thống được kiểm thử thực tế với 10,000 mẫu sản phẩm vòng đệm cao su NBR-70 chuẩn công nghiệp với các kịch bản kiểm tra kích thước, dị tật xước rách và kiểm tra tốc độ cao.

+------------------------------------------------------------------------------------+
|                         KẾT QUẢ HUẤN LUYỆN MODEL YOLOV5s                           |
+-------------------------------------+----------------------------------------------+
| Chỉ số đánh giá                     | Giá trị đạt được                             |
+-------------------------------------+----------------------------------------------+
| Tập dữ liệu huấn luyện / kiểm thử   | 3,500 ảnh (80% Train, 10% Val, 10% Test)     |
| Precision (Độ chính xác dự báo)     | 99.1%                                        |
| Recall (Độ thu hồi)                 | 98.4%                                        |
| mAP@0.5 (Mean Average Precision)    | 98.8%                                        |
| Thời gian suy luận (GPU RTX 3060)   | 8.4 ms / frame                               |
| Thời gian xử lý biên dạng (CPU)     | 4.2 ms / frame                               |
| Tổng độ trễ từ trigger đến khí nén  | 18.6 ms (đáp ứng hoàn hảo tốc độ mâm xoay)   |
+-------------------------------------+----------------------------------------------+

Ma trận nhầm lẫn (Confusion Matrix) trên tập kiểm thử 1,000 sản phẩm:
              +-------------------+-------------------+
              | Dự báo: ĐẠT (OK)  | Dự báo: LỖI (NG)  |
+-------------+-------------------+-------------------+
| Thực tế: OK | 894 (True OK)     | 6 (False NG)      |
+-------------+-------------------+-------------------+
| Thực tế: NG | 3 (False OK - Lọt)| 97 (True NG)      |
+-------------+-------------------+-------------------+
Tỷ lệ nhận diện đúng tổng thể (Overall Accuracy): 99.1%
Tỷ lệ bỏ sót phôi lỗi nghiêm trọng (Underkill): 0.3%
Tỷ lệ loại nhầm phôi tốt (Overkill): 0.6%

Kết quả đạt được

Hệ thống hoàn thiện đáp ứng toàn bộ các chỉ tiêu kỹ thuật đề ra ban đầu:

Hạng mục mục tiêu Chỉ tiêu thiết kế ban đầu Kết quả thực nghiệm thực tế Đánh giá
Năng suất phân loại $\ge 500\text{ sp/phút}$ 620 sp/phút (Ổn định) Vượt 24% mục tiêu
Độ chính xác phát hiện lỗi $\ge 98.0%$ 99.1% Đạt yêu cầu
Sai số đo kích thước $\le \pm 0.05\text{ mm}$ $\pm 0.018\text{ mm}$ Đạt chuẩn dung sai lắp ghép
Tốc độ đáp ứng béc khí $\le 25\text{ ms}$ $8.5\text{ ms}$ Đảm bảo phôi không bị kẹt
Tính khả dụng hệ thống Vận hành liên tục 8h Đạt 72h chạy thử không lỗi phần cứng Ổn định công nghiệp

Đổi mới và đóng góp

  1. Cấu trúc mâm xoay kính quang học tích hợp chiếu sáng kép (Dual Optical Glass Disc): Khác với các hệ thống phân loại dạng con lăn hay băng tải thông thường vốn chỉ kiểm tra được một mặt trên của sản phẩm, hệ thống sử dụng mâm xoay kính cường lực siêu trong suốt có độ phẳng bề mặt cao. Cấu trúc này cho phép đặt đồng thời cụm camera trên và camera dưới soi xuyên qua lớp kính, bắt trọn 100% diện tích bề mặt chi tiết chỉ trong một lần gá đặt duy nhất mà không cần cơ cấu lật mặt phôi gây xô lệch.

  2. Thuật toán kết hợp đa tầng (Hybrid Inspection Architecture): Tích hợp giải thuật hình học tất định (Deterministic Edge Detection) với sai số cấp độ Sub-pixel của OpenCV nhằm đo kích thước hình học nhanh chóng trong $4.2\text{ ms}$, kết hợp mạng Deep Learning YOLOv5s được cấu trúc lại để nhận diện các khuyết tật phi cấu trúc (bavia, rỗ khí, nứt xước) trong $8.4\text{ ms}$. Giải pháp này vừa đảm bảo độ tin cậy toán học tuyệt đối của phép đo cơ khí, vừa giải quyết được tính linh hoạt trong phát hiện lỗi ngoại quan phức tạp.

  3. Cơ cấu phân tách và xếp phôi hồi lưu tự động: Thiết kế hệ thống băng tải đảo chiều kết hợp cơ cấu gạt phôi nhiều tầng, giúp phôi cao su có tính bám dính cao tự động tách rời từng sản phẩm đơn lẻ trước khi tiếp cận mâm kính. Những phôi bị xếp chồng hoặc đặt sai tư thế sẽ được dẫn hướng hồi lưu về phễu cấp phôi mà không làm gián đoạn chu kỳ quay của máy.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong sản xuất

  • Ngành công nghiệp sản xuất linh kiện phụ tùng ô tô: Kiểm tra tự động 100% vòng đệm làm kín quy lát động cơ, gioăng cao su hệ thống phanh ABS và phốt chặn dầu trục khuỷu.
  • Ngành sản xuất thiết bị y tế: Phân loại nắp cao su van tiêm, đệm làm kín ống tiêm y tế vô trùng yêu cầu nghiêm ngặt về kích thước và không có bụi bavia.
  • Ngành điện - điện tử: Kiểm tra gioăng chống nước chuẩn IP68 cho thân vỏ điện thoại thông minh và đồng hồ thông minh.
Mô hình ước tính hiệu quả đầu tư (ROI Analysis) cho nhà máy quy mô vừa:
- Chi phí đầu tư hệ thống tự động: ~ 280,000,000 VNĐ
- Nhân công thủ công thay thế: 4 công nhân (2 ca làm việc/ngày)
- Chi phí lương + bảo hiểm cho 4 nhân công: ~ 40,000,000 VNĐ/tháng
- Chi phí vận hành, điện năng, bảo trì máy: ~ 3,500,000 VNĐ/tháng
- Tiết kiệm ròng mỗi tháng: ~ 36,500,000 VNĐ/tháng
=> Thời gian hoàn vốn đầu tư (Payback Period): ~ 7.6 tháng

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Bề mặt kính mâm xoay có nguy cơ bị bám bụi tĩnh điện hoặc trầy xước sau thời gian dài ma sát liên tục với các loại cao su có lẫn tạp chất hạt cứng, đòi hỏi quy trình vệ sinh định kỳ.
  • Mô hình YOLOv5s cần máy trạm xử lý trang bị GPU rời để đạt tốc độ suy luận dưới $10\text{ ms}$.

Hướng phát triển và nâng cấp

  1. Tích hợp mô hình AI nhúng (Edge AI Acceleration): Tối ưu hóa mạng nơ-ron bằng TensorRT và triển khai trực tiếp lên các vi máy tính công nghiệp như NVIDIA Jetson Orin Nano, giảm thiểu kích thước tủ điện và giá thành hệ thống.
  2. Cơ cấu thổi khí ion khử tĩnh điện tự động: Lắp đặt thêm đầu phun khí ion hóa bề mặt mâm kính để triệt tiêu tĩnh điện, ngăn ngừa hoàn toàn hiện tượng bụi bám quang học.
  3. Mở rộng thuật toán 3D Visual Profile: Tích hợp camera cảm biến laser 3D để đo độ dày và độ vênh mặt phẳng của sản phẩm phức tạp.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Là tài liệu mẫu hoàn chỉnh về quy trình thiết kế hệ thống Cơ điện tử chuẩn công nghiệp, kết hợp cơ học máy, điều khiển PLC và AI thị giác máy tính.
  • Kỹ sư Tự động hóa & Lập trình viên: Cung cấp giải pháp mẫu về tích hợp truyền thông socket TCP/IP giữa Python và PLC công nghiệp (Keyence, Mitsubishi, Siemens) và tối ưu hóa xử lý ảnh thời gian thực.
  • Doanh nghiệp sản xuất: Cung cấp phương án chuyển đổi số dây chuyền kiểm tra ngoại quan với chi phí nội địa hóa hợp lý, nâng cao tỷ lệ tự động hóa nhà máy lên đến 95%.
  • Nhà nghiên cứu: Nền tảng thực nghiệm ứng dụng các mô hình học sâu hiện đại vào môi trường sản xuất công nghiệp tốc độ cao.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để lắp đặt và vận hành hệ thống là gì?
Hệ thống yêu cầu nguồn cấp điện 1 pha 220VAC (50Hz), nguồn khí nén công nghiệp áp suất ổn định từ 0.5 đến 0.7 MPa (lưu lượng $\ge 150\text{ lít/phút}$), môi trường xưởng sạch sẽ, nhiệt độ dưới 40°C và không gian sàn đặt máy khoảng $1.5\text{ m} \times 1.2\text{ m}$.

2. Làm thế nào để hệ thống thích ứng với các kích thước vòng đệm khác nhau?
Người vận hành chỉ cần nới lỏng cữ chặn cơ khí trên thanh dẫn hướng phôi, điều chỉnh khoảng cách béc phun khí và chọn công thức cấu hình (Recipe) sản phẩm tương ứng trên giao diện phần mềm với các ngưỡng dung sai $D_{in}$, $D_{out}$ đã được định sẵn.

3. Kết nối mạng Ethernet/IP - TCP/IP giữa PLC và Python có bị trễ tín hiệu không?
Với cấu hình mạng cục bộ (Direct LAN) tốc độ 1 Gbps, độ trễ truyền gói tin dữ liệu nhị phân giữa PLC Keyence KV-5500 và máy tính IPC chỉ dao động trong khoảng $0.8 - 1.5\text{ ms}$, hoàn toàn nằm trong giới hạn an toàn của chu kỳ phân loại sản phẩm.

4. Kính mâm xoay cần được bảo dưỡng và thay thế như thế nào?
Mặt kính quang học cường lực có độ cứng Mohs cao ($\ge 7H$), cho phép vận hành liên tục từ 12–18 tháng. Hàng ngày cần lau nhẹ bề mặt bằng khăn vi sợi chuyên dụng và cồn Isopropyl Alcohol (IPA) để duy trì độ trong suốt tối ưu cho camera soi dưới.

5. Chi phí đầu tư dự kiến và thời gian thu hồi vốn cho một hệ thống hoàn chỉnh?
Chi phí chế tạo hệ thống hoàn chỉnh dao động từ 250 đến 300 triệu VNĐ (tùy thuộc vào model camera và thông số động cơ servo). Đối với các doanh nghiệp hoạt động 2 ca/ngày, thời gian hoàn vốn (ROI) trung bình ước tính dưới 8 tháng nhờ cắt giảm 4 vị trí nhân công kiểm tra thủ công.

Kết luận

Đề tài "Thiết kế và chế tạo hệ thống phân loại sản phẩm tốc độ cao" đã hiện thực hóa thành công một giải pháp cơ điện tử toàn diện, giải quyết trọn vẹn bài toán kiểm tra chất lượng linh kiện gioăng đệm cao su trong sản xuất công nghiệp. Bằng sự kết hợp chặt chẽ giữa cơ cấu mâm xoay kính quang học, hệ thống truyền động Direct Drive Servo, điều khiển logic PLC Keyence KV-5500 và bộ đôi thuật toán xử lý ảnh OpenCV - YOLOv5, hệ thống đạt năng suất vượt trội 620 sản phẩm/phút với độ chính xác 99.1%.

Công trình chứng minh tính khả thi cao trong việc làm chủ công nghệ thị giác máy tính ứng dụng AI tại Việt Nam, mở ra triển vọng ứng dụng rộng rãi trong các dây chuyền đóng gói, kiểm tra linh kiện bán dẫn, dược phẩm và công nghiệp phụ trợ chế tạo máy.