Giới thiệu dự án

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 đang chuyển dịch mạnh mẽ sang tự động hóa thông minh (Smart Factory), các hệ thống thị giác máy tính (Computer Vision) đóng vai trò then chốt trong việc tối ưu hóa dây chuyền đóng gói và kiểm định chất lượng sản phẩm (Quality Assurance - QA). Theo các thống kê công nghiệp sản xuất hiện đại, quy trình phân loại thủ công chiếm từ 15% đến 25% tổng chi phí vận hành nhân công và tiềm ẩn tỷ lệ lỗi sót từ 3% đến 8% do yếu tố mệt mỏi thị giác của con người.

Các giải pháp xử lý ảnh 2D truyền thống sử dụng camera đơn (Monocular Camera) bộc lộ nhược điểm lớn khi không thể thu thập thông tin chiều sâu (Depth map), dễ bị đánh lừa bởi góc nghiêng phối cảnh, biến thiên quang sai và sự thay đổi khoảng cách của vật thể trên băng chuyền. Nhằm giải quyết triệt để vấn đề này, đồ án tốt nghiệp "Ứng dụng Camera 3D trong việc phân loại sản phẩm theo hình dạng và kích thước" (Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM) đã nghiên cứu và hiện thực hóa hệ thống phân loại thời gian thực (Real-time product classification) kết hợp thị giác hai mắt (Stereo Vision) và thuật toán phân tích hình học biên đối tượng.

                  +-----------------------------------+
                  |   Stereo Vision Camera (OV9750)   |
                  |     (Thu nhận Frame Trái/Phải)    |
                  +-----------------+-----------------+
                                    |
                                    v
+-----------------------------------+-----------------------------------+
|                   TIỀN XỬ LÝ & BẢN ĐỒ ĐỘ SÂU (DEPTH)                 |
|  - Chuyển đổi không gian màu (Grayscale/HSV)                          |
|  - Lọc nhiễu Gaussian, Canny Edge Detection                           |
|  - Stereo Rectification & Thuật toán so khớp SAD (Disparity Map)      |
+-----------------------------------+-----------------------------------+
                                    |
                                    v
+-----------------------------------+-----------------------------------+
|               PHÂN TÍCH HÌNH DẠNG & KÍCH THƯỚC THỰC                   |
|  - Xấp xỉ đa giác Ramer-Douglas-Peucker (Xác định số đỉnh)            |
|  - Đo đạc tỷ lệ cạnh & Trích xuất kích thước thực theo Depth Z        |
+-----------------------------------+-----------------------------------+
                                    |
                                    v
                  +-----------------------------------+
                  |  PHÂN LOẠI & HIỂN THỊ KẾT QUẢ     |
                  | (Hình Vuông, Chữ Nhật, Tam Giác)  |
                  +-----------------------------------+

Mục tiêu của dự án

  1. Nghiên cứu nguyên lý Stereo Vision: Khai thác mô hình máy ảnh lỗ kim (Pinhole Camera Model), căn chỉnh epipolar (Stereo Rectification) và giải thuật ước lượng chênh lệch thị sai (Disparity Estimation).
  2. Xây dựng module phần cứng tích hợp: Triển khai module camera kép OV9750 960P đồng bộ hóa phần cứng (Hardware Synchronization) kết nối qua giao tiếp USB 2.0 đến bộ xử lý trung tâm.
  3. Phát triển thuật toán xử lý ảnh hình học: Lập trình giải thuật phát hiện biên Canny, lấp đầy vùng liên thông và xấp xỉ đa giác Ramer-Douglas-Peucker trên nền tảng Python và thư viện OpenCV.
  4. Tính toán kích thước thực tế (3D Metric Measurement): Thiết lập phương trình quy đổi từ toạ độ pixel $(u, v)$ sang hệ trục tọa độ thực tế thế giới $(X, Y, Z)$ dựa trên tiêu cự $f$ và khoảng cách đường cơ sở (Baseline) $b$.
  5. Thực nghiệm phân loại đa dạng hình học: Đánh giá độ chính xác phân loại đối với 3 nhóm hình mẫu cơ bản (Hình chữ nhật, hình vuông, hình tam giác) và đo lường kích thước sai số trong môi trường có kiểm soát.

Phạm vi và giới hạn

  • Phạm vi đối tượng: Phân loại các vật thể hình học phẳng/khối cơ bản (tam giác, vuông, chữ nhật) đặt trên nền đồng nhất.
  • Môi trường hoạt động: Hệ thống được tối ưu hóa trong điều kiện chiếu sáng ổn định, cường độ sáng tiêu chuẩn phòng thí nghiệm (300 - 500 Lux), camera cố định vuông góc với mặt phẳng quan sát.
  • Giới hạn kỹ thuật: Chưa tích hợp cơ cấu chấp hành phân loại phân nhánh (Pneumatic actuator/Robot arm) vào dây chuyền cơ khí thực tế; xử lý từng đơn sản phẩm trong vùng quan sát (Single object tracking).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Chi phí triển khai
Cảm biến quang điện & tiệm cận Tốc độ phản hồi cực nhanh (< 1ms), cấu tạo đơn giản, bền bỉ. Không phân biệt được hình dạng phức tạp; không đo lường được kích thước chi tiết. Rất thấp ($20 - $50)
Camera 2D công nghiệp truyền thống Nhận diện màu sắc và biên dạng 2D tốt; thuật toán xử lý nhẹ. Mất thông tin chiều sâu $Z$; sai lệch kích thước lớn khi vật thể thay đổi độ cao hoặc góc nghiêng. Trung bình ($150 - $400)
Hệ thống Stereo Camera 3D (Đề tài ứng dụng) Tái tạo không gian 3D, đo đạc kích thước thực tế chính xác bất kể độ cao; linh hoạt theo hình học. Đòi hỏi năng lực xử lý tính toán thuật toán Disparity Map; độ phức tạp cao hơn 2D. Tối ưu ($100 - $250)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc phải có):
    • Khả năng thu nhận đồng bộ luồng video từ hai ống kính Stereo với độ trễ < 50ms.
    • Tách biên đối tượng chính xác thông qua bộ lọc thông thấp và giải thuật Canny.
    • Đếm chính xác số lượng đỉnh của đối tượng (3 đỉnh cho tam giác, 4 đỉnh cho tứ giác).
    • Phân biệt chính xác giữa hình vuông và hình chữ nhật dựa trên tỷ số cạnh liền kề.
  • Should have (Nên có):
    • Đo lường khoảng cách từ camera tới vật thể (độ sâu $Z$) với sai số $< 5%$.
    • Tính toán kích thước chiều dài, chiều rộng thực tế (đơn vị: mm/cm).
  • Could have (Có thể mở rộng):
    • Tích hợp thêm module nhận diện màu sắc không gian màu HSV.
    • Xử lý nhận dạng đồng thời nhiều sản phẩm (Multi-object detection).
  • Won't have (Chưa thực hiện ở giai đoạn này):
    • Tích hợp mô hình Deep Learning (YOLOv8/Mask R-CNN) để phân loại các biên dạng hữu cơ bất định hình.

Thiết kế kiến trúc hệ thống

graph TD
    A[Hardware: OV9750 Dual Lens Camera] -->|Dual Video Stream 2560x960| B[Central Processing Unit: Intel Core i5]
    subgraph Computer Vision Pipeline
        B --> C[Stereo Calibration & Rectification]
        C --> D[Left Image Processing]
        C --> E[Disparity Map Generation: SAD Algorithm]
        D --> F[Grayscale & Gaussian Filter]
        F --> G[Canny Edge Detection & Boundary Filling]
        G --> H[Contour Approximation: Ramer-Douglas-Peucker]
        H --> I[Vertex Counting & Aspect Ratio Analysis]
        E --> J[Depth Z Calculation: Z = f * b / d]
        I --> K[Real-world Metric Extrapolation]
        J --> K
    end
    K --> L[Display GUI / Output Classification]

Công nghệ và thông số kỹ thuật (Technology Stack)

  • Hệ điều hành: Microsoft Windows 10 Pro / Linux Ubuntu 18.04 LTS.
  • Ngôn ngữ lập trình: Python 3.7.3 (Cú pháp tinh gọn, hỗ trợ mạnh mẽ các thư viện xử lý ma trận số học).
  • Thư viện xử lý ảnh: OpenCV (Open Source Computer Vision Library) phiên bản 4.1.0 / 3.4.2.
  • Thư viện toán học: NumPy 1.16.4 hỗ trợ tính toán đại số tuyến tính ma trận ảnh.
  • Phần cứng thu nhận ảnh: Module USB Stereo Dual Lens Camera OV9750:
    • Độ phân giải: Dual HD 960P (2560x960 pixels ghép đôi, hoặc 1280x480 pixels cho từng luồng ảnh).
    • Cảm biến: OmniVision OV9750 ứng dụng công nghệ OmniPixel3-HS™.
    • Khung hình: 30 fps đến 60 fps với chuẩn nén MJPEG.
    • Giao tiếp: USB 2.0 UVC Driverless (Dòng điện tiêu thụ: 5V - 220mA).
    • Ống kính: No distortion Lens (Ống kính không méo quang học).

Implementation và kết quả

Chi tiết thuật toán và mã nguồn thực thi

Quy trình nhận diện và tính toán kích thước thực tế trải qua 4 giai đoạn xử lý cốt lõi:

1. Tiền xử lý và Nhận dạng đường biên (Edge Detection)

Chuyển đổi bức ảnh từ không gian màu $RGB$ sang ảnh mức xám (Grayscale) theo công thức chuẩn hóa truyền hình NTSC/PAL:

$$Y = 0.299R + 0.587G + 0.114B$$

Lọc nhiễu bằng ma trận nhân chập Gaussian kernel $5 \times 5$ nhằm loại trừ nhiễu tần số cao trước khi đưa vào bộ tách biên Canny với hai ngưỡng $T_1$ (ngưỡng dưới) và $T_2$ (ngưỡng trên).

import cv2
import numpy as np

def preprocess_and_find_contours(frame):
    # Chuyển sang ảnh mức xám
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # Làm mịn ảnh bằng bộ lọc Gaussian 5x5 để khử nhiễu
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # Tách biên bằng thuật toán Canny với ngưỡng động
    edged = cv2.Canny(blurred, 50, 150)
    
    # Thực hiện thao tác hình thái học (Morphological Closing) để khép kín biên
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    closed = cv2.morphologyEx(edged, cv2.MORPH_CLOSE, kernel)
    
    # Tìm kiếm đường bao ngoài (External Contours)
    contours, _ = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    return contours

2. Xấp xỉ đa giác Ramer-Douglas-Peucker để đếm đỉnh

Sử dụng giải thuật Ramer-Douglas-Peucker (cv2.approxPolyDP) để xấp xỉ hóa đường cong liên tục thành đa giác có số cạnh tối giản, với ngưỡng sai số khoảng cách vuông góc $\epsilon$:

$$\epsilon = k \cdot P$$

(Trong đó $P$ là chu vi contour, thông thường hệ số $k \in [0.02, 0.04]$).

def classify_shape_by_vertices(contour):
    shape_name = "Unidentified"
    perimeter = cv2.arcLength(contour, True)
    
    # Xấp xỉ đường bao với sai số epsilon = 3% chu vi
    approx = cv2.approxPolyDP(contour, 0.03 * perimeter, True)
    num_vertices = len(approx)
    
    if num_vertices == 3:
        shape_name = "Tam Giac (Triangle)"
    elif num_vertices == 4:
        # Kiểm tra tỷ lệ kích thước khung bao bounding box để phân biệt Vuông / Chữ Nhật
        x, y, w, h = cv2.boundingRect(approx)
        aspect_ratio = float(w) / float(h)
        
        # Nếu tỷ lệ chiều rộng / chiều cao xấp xỉ 1.0 (dung sai 10%) -> Hình vuông
        if 0.90 <= aspect_ratio <= 1.10:
            shape_name = "Hinh Vuong (Square)"
        else:
            shape_name = "Hinh Chu Nhat (Rectangle)"
    else:
        # Nếu số đỉnh > 4 hoặc tạo thành đường cong khép kín
        shape_name = "Khac (Circle/Polygon)"
        
    return shape_name, approx

3. Thuật toán tính chiều sâu Stereo và Kích thước vật lý thực

Nguyên lý ước lượng độ sâu dựa trên phương trình tam giác đồng dạng giữa hai tiêu điểm quang học của Stereo Camera:

$$d = x_l - x_r$$

$$Z = \frac{f \cdot b}{d}$$

Trong đó:

  • $Z$: Khoảng cách thực từ trục quang camera đến bề mặt vật thể (mm).
  • $f$: Tiêu cự hiệu chỉnh của thấu kính (Focal length tính bằng đơn vị pixel).
  • $b$: Chiều dài đường cơ sở giữa 2 tâm cảm biến (Baseline, tính bằng mm, module OV9750 cố định $b = 60\text{ mm}$).
  • $d$: Giá trị thị sai (Disparity) thu được từ thuật toán so khớp SAD (Sum of Absolute Differences).

Sau khi có tọa độ chiều sâu $Z$, kích thước chiều dài ($W_{real}$) và chiều rộng ($H_{real}$) của sản phẩm được suy biến trực tiếp từ kích thước pixel trên ma trận ảnh:

$$W_{real} = \frac{W_{pixel} \cdot Z}{f_x}, \quad H_{real} = \frac{H_{pixel} \cdot Z}{f_y}$$

def compute_metric_dimensions(w_pixel, h_pixel, disparity_val, focal_length_px=700, baseline_mm=60):
    if disparity_val <= 0:
        return 0, 0, 0
    # Tính toán khoảng cách độ sâu Z (mm)
    depth_z = (focal_length_px * baseline_mm) / float(disparity_val)
    
    # Tính toán kích thước vật lý thực tế (mm)
    w_real = (w_pixel * depth_z) / focal_length_px
    h_real = (h_pixel * depth_z) / focal_length_px
    
    return depth_z, w_real, h_real

Kết quả khảo sát thực nghiệm

Hệ thống được tiến hành đo kiểm thực tế trên tập mẫu vật đa dạng với các kích thước chuẩn xác định bằng thước kẹp cơ khí (Vernier Caliper).

Bảng kết quả nhận diện và tính toán kích thước thực nghiệm

Loại hình dạng Kích thước thực tế ($W \times H$ mm) Kích thước đo qua Camera 3D (mm) Sai số tuyệt đối (mm) Độ chính xác nhận diện (%) Tốc độ xử lý (FPS)
Hình vuông mẫu 1 $50.0 \times 50.0$ $49.2 \times 50.8$ $0.8$ $98.4%$ 32 FPS
Hình vuông mẫu 2 $80.0 \times 80.0$ $81.1 \times 79.3$ $1.1$ $98.6%$ 32 FPS
Hình chữ nhật 1 $100.0 \times 50.0$ $101.3 \times 49.1$ $1.3$ $97.8%$ 30 FPS
Hình chữ nhật 2 $120.0 \times 60.0$ $118.8 \times 60.9$ $1.2$ $98.0%$ 30 FPS
Hình tam giác đều Cạnh đáy: $60.0$ Cạnh đáy: $58.9$ $1.1$ $96.5%$ 31 FPS

Đổi mới và đóng góp

  1. Ứng dụng Module Camera 3D đồng bộ phần cứng giá thành thấp: Thay vì sử dụng các cảm biến công nghiệp đắt tiền như Basler hay SICK ($1500 - $3000), đề tài đã tối ưu hóa thành công module camera kép OV9750 tích hợp UVC với chi phí phần cứng dưới $100 mà vẫn đảm bảo độ chính xác đo lường kích thước sai số dưới $2%$.
  2. Loại bỏ sự phụ thuộc vào cự ly đặt mẫu (Depth Invariant): Đối với camera 2D tiêu chuẩn, nếu sản phẩm có chiều cao khác nhau hoặc băng chuyền rung lắc làm thay đổi cự ly trục $Z$, kích thước pixel sẽ bị phóng đại hoặc thu nhỏ gây sai lệch kích thước. Bằng việc bù sai số qua thuật toán bản đồ độ sâu $Z = \frac{f \cdot b}{d}$, hệ thống luôn xác định đúng kích thước vật lý bất kể cự ly dao động trong khoảng $30\text{ cm} - 120\text{ cm}$.
  3. Thuật toán phân tích hình học biên nhẹ và ổn định: Khác với các mạng nơ-ron tích chập (CNN) đòi hỏi GPU công suất lớn, sự kết hợp giữa bộ lọc Canny và giải thuật xấp xỉ Ramer-Douglas-Peucker đạt tốc độ xử lý trên 30 FPS ngay trên vi xử lý Intel Core i5 phổ thông, phù hợp với tiêu chí real-time của các hệ thống biên nhúng (Edge Computing).

Ứng dụng thực tế và triển khai

+-------------------------------------------------------------------------+
|                  HỆ THỐNG PHÂN LOẠI SẢN PHẨM TỰ ĐỘNG                     |
|                                                                         |
|   +------------------+                                                  |
|   | 3D Stereo Camera | (Treo cố định phía trên)                         |
|   +--------+---------+                                                  |
|            |                                                            |
|            v                                                            |
|       [Vật thể 3D]                                                      |
|   ===================== BĂNG CHUYỀN SẢN XUẤT ======================>    |
|            |                                                            |
|            v                                                            |
|   +------------------+     +------------------+     +---------------+   |
|   | Phân loại VÙNG 1 |     | Phân loại VÙNG 2 |     | Phân loại VÙNG|   |
|   |   (Hình vuông)   |     |  (Hình chữ nhật) |     |  (Hình tam    |   |
|   |   Kích thước nhỏ |     |   Kích thước lớn |     |     giác)     |   |
|   +------------------+     +------------------+     +---------------+   |
+-------------------------------------------------------------------------+

Kịch bản ứng dụng thực tế

  • Ngành công nghiệp gạch men & vật liệu xây dựng: Kiểm tra kích thước hình học, độ cong vênh bề mặt và phân loại quy cách gạch lát (vuông/chữ nhật) trước công đoạn đóng thùng tự động.
  • Dây chuyền bưu chính - chuyển phát nhanh (Logistics Automation): Tự động đo đạc 3 chiều (Dimensioning) của bưu phẩm, bưu kiện để tính toán tải trọng và giá cước vận chuyển tự động.
  • Chế tạo linh kiện cơ khí, điện tử: Phân loại tự động các loại phôi kim loại, bulong, đai ốc và vỏ hộp thiết bị theo kích thước dung sai cho phép.

Yêu cầu triển khai hạ tầng

  • Phần cứng: Máy tính công nghiệp hoặc kit xử lý nhúng (NVIDIA Jetson Nano / Raspberry Pi 4 kết hợp Coral TPU), Module Stereo Camera OV9750.
  • Hệ thống chiếu sáng: Lắp đặt đèn LED vòng dạng tròn (Ring Light) hoặc đèn rọi thanh khuếch tán để đảm bảo không đổ bóng mạnh lên đối tượng.
  • Giao tiếp ngoại vi: Kết nối PLC qua giao thức truyền thông công nghiệp (Modbus TCP/IP hoặc RS485/UART) để điều khiển cơ cấu gạt/piston phân loại.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ nhạy cảm với ánh sáng môi trường: Khi ánh sáng phân bố không đồng đều hoặc quá yếu (< 100 Lux), chất lượng ảnh tách biên Canny bị suy giảm, gây đứt đoạn đường viền contour.
  • Hiện tượng che khuất (Occlusion) và vật thể đặt sát nhau: Nếu hai sản phẩm chạm sát vào nhau, thuật toán xấp xỉ biên sẽ nhận diện thành một contour tổng hợp duy nhất, dẫn đến đếm sai số đỉnh.
  • Vật thể có bề mặt phản xạ gương hoặc trong suốt: Stereo Vision quang học gặp khó khăn khi so khớp điểm ảnh trên các bề mặt kim loại bóng loáng hoặc nhựa trong suốt do không tạo ra vân bề mặt (textureless).

Hướng phát triển và nâng cấp

  • Tích hợp Structured Light hoặc ToF (Time-of-Flight): Bổ sung nguồn phát tia laser lưới hồng ngoại (IR Pattern Projector) để hỗ trợ tái tạo bản đồ độ sâu trên các vật thể không có hoa văn bề mặt.
  • Ứng dụng AI/Deep Learning Hybrid: Kết hợp mạng phân vùng ngữ nghĩa (Instance Segmentation như YOLOv8-Seg) để tách biệt chính xác các sản phẩm bị dính liền hoặc chồng lấn trước khi đo đạc kích thước 3D.
  • Hoàn thiện hệ thống điều khiển vòng kín: Thiết kế và tích hợp bộ điều khiển truyền động PLC kết hợp tay gắp robot SCARA để phân loại vật phẩm trực tiếp trên băng tải di động.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Điện tử - Cơ điện tử - CNTT: Nắm vững tài liệu mẫu, quy trình cân chỉnh Camera Stereo Pinhole, cấu trúc mã nguồn Python xử lý ảnh thực chiến.
  • Kỹ sư phát triển hệ thống thị giác máy (Vision System Engineers): Tham khảo kiến trúc kết hợp giữa giải thuật biên dạng 2D và trường độ sâu 3D để giải quyết bài toán đo đạc kích thước thực tế.
  • Doanh nghiệp vừa và nhỏ (SMEs): Định hình phương án tự động hóa dây chuyền đóng gói với mức đầu tư phần cứng R&D ban đầu cực thấp, thời gian hoàn vốn (ROI) nhanh chóng.

Câu hỏi thường gặp

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

Hệ thống yêu cầu máy tính chạy vi xử lý tối thiểu Intel Core i3 (thế hệ 4 trở lên) hoặc kit nhúng tương đương (như Raspberry Pi 4 bản 4GB RAM), cổng USB 2.0/3.0 cung cấp nguồn đủ 5V - 500mA, cùng module Stereo Camera hỗ trợ UVC đồng bộ phần cứng.

2. Làm thế nào để phân biệt chính xác hình vuông và hình chữ nhật khi góc nhìn bị nghiêng?

Nhờ vào thông tin chiều sâu $Z$ từ Camera 3D, hệ thống sẽ thực hiện phép biến đổi phối cảnh ngược (Inverse Perspective Mapping - IPM), chiếu hình ảnh của vật thể về mặt phẳng trực giao 2D trước khi đo đạc tỷ số cạnh $\frac{w}{h}$, từ đó không bị sai lệch bởi hiệu ứng góc nhìn nghiêng.

3. Giải pháp này có thể hoạt động trên băng chuyền đang chuyển động không?

Có. Cảm biến OV9750 hỗ trợ chụp ảnh tốc độ 60 khung hình/giây (60 FPS) với màn trập điện tử (Electronic Rolling Shutter) tốc độ cao. Đối với băng chuyền chuyển động nhanh (> 0.5 m/s), nên trang bị thêm đèn strobe đồng bộ hoặc nâng cấp lên cảm biến Global Shutter để triệt tiêu hiện tượng nhòe chuyển động (Motion Blur).

4. Thuật toán Ramer-Douglas-Peucker có dễ bị ảnh hưởng bởi nhiễu biên răng cưa không?

Có thể bị ảnh hưởng nếu không tiền xử lý tốt. Tuy nhiên, trong đồ án, bước tiền xử lý đã sử dụng bộ lọc cv2.GaussianBlur $5 \times 5$ kết hợp với toán tử đóng biên cv2.morphologyEx(MORPH_CLOSE), giúp làm mịn đường bao răng cưa trước khi xấp xỉ đa giác, đảm bảo tính ổn định tuyệt đối của số đỉnh.

5. Chi phí và thời gian thu hồi vốn (ROI) khi triển khai giải pháp này vào sản xuất?

Tổng chi phí chế tạo phần cứng (Camera 3D + Bộ xử lý nhúng + Khung cơ khí) ước tính dưới 5.000.000 VNĐ. So với chi phí thuê một nhân công phân loại thủ công, hệ thống có thể giúp doanh nghiệp thu hồi vốn đầu tư chỉ trong vòng từ 1 đến 2 tháng vận hành liên tục.

Kết luận

Đề tài "Ứng dụng Camera 3D trong việc phân loại sản phẩm theo hình dạng và kích thước" đã chứng minh tính khả thi và hiệu quả vượt trội của việc kết hợp kỹ thuật thị giác hai mắt (Stereo Vision) với các thuật toán xử lý hình học ảnh kinh điển. Hệ thống không chỉ nhận dạng chính xác các dạng hình học cơ bản (tam giác, vuông, chữ nhật) với độ chính xác đạt trên 97%, mà còn giải quyết triệt để bài toán trích xuất kích thước vật lý thực tế trong không gian 3D với sai số nhỏ hơn 1.5 mm.

Đây là nền tảng công nghệ quan trọng, mở ra hướng ứng dụng rộng rãi trong các dây chuyền phân loại công nghiệp, logistics thông minh và đóng gói tự động với chi phí đầu tư tối ưu cho các doanh nghiệp trong kỷ nguyên số hóa sản xuất.