Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0, tự động hóa quy trình kiểm soát chất lượng (Quality Control - QC) đóng vai trò then chốt trong việc tối ưu hóa năng suất và giảm thiểu chi phí vận hành. Theo các báo cáo công nghiệp sản xuất linh kiện cơ khí chính xác, phương pháp kiểm tra ngoại quan thủ công truyền thống thường có tỷ lệ sai sót dao động từ 15% đến 20% do hiện tượng mỏi mắt và giảm độ tập trung của công nhân sau các ca làm việc kéo dài. Tốc độ kiểm tra thủ công cũng bị giới hạn ở mức 10–15 sản phẩm/phút, tạo điểm nghẽn nghiêm trọng trên các dây chuyền lắp ráp tự động tốc độ cao.

Đồ án "Ứng dụng công nghệ xử lý ảnh trong kiểm tra, phân loại sản phẩm lỗi bề mặt" (Chuyên ngành Cơ điện tử, Khoa Cơ khí, Trường Đại học Sư phạm Kỹ thuật Hưng Yên) tập trung giải quyết bài toán tự động hóa khép kín: từ khâu cấp phôi, kiểm tra khuyết tật bề mặt bằng thị giác máy tính (Machine Vision), truyền thông công nghiệp thời gian thực, đến phân loại và gắp đặt phôi tự động bằng robot công nghiệp.

[Trạm Cấp Phôi] ──> [Băng Tải 1] ──> [Cảm Biến Quang Omron E3Z-D61] ──> [Camera Cognex 5110]
                                                                                │
                                                                       (Chụp & Xử lý ảnh)
                                                                                ▼
[Robot ABB IRB 120] <── [PLC S7-1200] <── (Modbus TCP/IP) <── [PC Xử lý Python OpenCV]
 (Gắp phôi đạt)            │
                           └───> [Xi lanh khí nén 2A] ──> [Khay Chứa Phôi Lỗi]

Mục tiêu dự án

  1. Thiết kế & Chế tạo cơ khí: Xây dựng mô hình 3D trên phần mềm Autodesk Inventor và chế tạo trạm cấp phôi tự động, hệ thống băng tải đôi kích thước $600 \times 60 \times 100\text{ mm}$ dẫn động bằng động cơ DC.
  2. Xây dựng hệ thống thị giác máy tính: Tích hợp camera công nghiệp Cognex In-Sight 5110-01 (ống kính tiêu cự 25mm) cùng thuật toán xử lý ảnh trên nền tảng Python và thư viện OpenCV nhằm nhận dạng chính xác các dạng lỗi biến dạng biên, khuyết tật bề mặt phôi.
  3. Phát triển giao thức truyền thông công nghiệp: Thiết lập kết nối Modbus TCP/IP giữa máy tính xử lý ảnh (Client) và bộ điều khiển khả trình PLC Siemens S7-1200 CPU 1212C (Server) qua cổng Ethernet công nghiệp.
  4. Lập trình điều khiển phân loại tự động: Điều khiển cơ cấu chấp hành khí nén (xi lanh đơn, xi lanh kép) để loại bỏ phôi lỗi vào khay chứa riêng biệt.
  5. Tích hợp robot công nghiệp: Lập trình và mô phỏng cánh tay Robot ABB IRB 120 (6 bậc tự do) trên RobotStudio để gắp và sắp xếp phôi đạt tiêu chuẩn vào khay lưu trữ tại cuối băng tải.

Phạm vi và chỉ số kỳ vọng

  • Đối tượng kiểm tra: Phôi cơ khí dạng khối/trụ có lỗi biến dạng biên, nứt vỡ hoặc dị vật bề mặt.
  • Năng suất mục tiêu: $\ge 35\text{ sản phẩm/phút}$.
  • Độ chính xác nhận diện lỗi: $\ge 97%$.
  • Độ trễ truyền thông Modbus TCP/IP: $< 50\text{ ms}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Kiểm tra thủ công Cảm biến quang điện truyền thống Hệ thống Thị giác máy tính tích hợp PLC & Robot
Độ chính xác $80 - 85%$ (giảm theo thời gian) $70 - 75%$ (chỉ đo được kích thước thô) $97.5 - 99.2%$ (ổn định liên tục)
Tốc độ kiểm tra $10 - 15\text{ sp/phút}$ $20 - 30\text{ sp/phút}$ $40 - 60\text{ sp/phút}$
Khả năng phát hiện lỗi Khuyết tật phức tạp nhưng không nhất quán Chỉ phát hiện có/không có vật thể Phát hiện biên dạng, diện tích lỗi, vết nứt bề mặt
Chi phí vận hành dài hạn Rất cao (chi phí nhân công liên tục) Trung bình Thấp (vận hành tự động $24/7$)
Tính linh hoạt Linh hoạt nhưng thiếu kiểm soát Cực kỳ thấp (cố định phần cứng) Rất cao (cập nhật qua phần mềm)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Phát hiện phôi lỗi bề mặt qua OpenCV; giao tiếp Modbus TCP/IP ổn định giữa Python và PLC S7-1200; kích hoạt xi lanh đẩy phôi lỗi; đồng bộ tín hiệu I/O với robot ABB IRB 120.
  • Should have (Nên có): Bộ lọc hình thái học (Morphology) khử nhiễu môi trường; giao diện giám sát trạng thái thời gian thực.
  • Could have (Có thể mở rộng): Lưu trữ nhật ký kiểm định vào cơ sở dữ liệu SQL; hỗ trợ phân loại nhiều dải kích thước phôi.
  • Won't have (Chưa thực hiện): Nhận diện lỗi 3D bằng Laser Profiler hoặc mạng nơ-ron tích chập (CNN) học sâu trên thiết bị nhúng.

Thiết kế hệ thống

+-----------------------------------------------------------------------------------+
|                                  CẤP TRƯỜNG (FIELD LEVEL)                         |
|  [Omron E3Z-D61]  [E18-D80NK]   [Xi lanh 1A/2A/3A]   [DC Motor Băng Tải 1 & 2]    |
+--------------------------┬───────────────────▲──────────────────────────────────+
                           │ (Tín hiệu số DI)  │ (Điều khiển DO qua Rơ-le)
+--------------------------▼───────────────────┴────────────────────────────────----+
|                                 CẤP ĐIỀU KHIỂN (CONTROL LEVEL)                    |
|  [PLC Siemens S7-1200 CPU 1212C] <─── DI/DO ───> [Module Mở Rộng SM 1223 8DI/8DO] |
|  - IP: 192.168.0.1 : Port 502 (Modbus Server)                                     |
+--------------------------▲───────────────────▲────────────────────────────────----+
                           │                   │
             (Modbus TCP/IP qua Ethernet)      │ (Giao tiếp tín hiệu I/O: DI03, DI04, DI05)
                           │                   │
+--------------------------▼---------+   +-----▼------------------------------------+
|       CẤP GIÁM SÁT & XỬ LÝ ẢNH     |   |          TRẠM ROBOT CÔNG NGHIỆP          |
|  [PC Workstation - Python 3.9]     |   |  [Robot ABB IRB 120 + Tủ IRC5]           |
|  - Thu viện: OpenCV 4.6, Pymodbus  |   |  - 6 Bậc tự do, Tải trọng 3kg           |
|  - Camera Cognex In-Sight 5110-01  |   |  - Lập trình quỹ đạo trên RobotStudio    |
+------------------------------------+   +------------------------------------------+

Technology Stack và Phần cứng chi tiết

  1. Bộ xử lý trung tâm PLC: Siemens SIMATIC S7-1200 CPU 1212C DC/DC/DC (Mã: 6ES7212-1AE40-0XB0), bộ nhớ làm việc 75 kB, bộ nhớ nạp 2 MB, tốc độ xử lý lệnh Boolean $0.1\text{ }\mu\text{s/lệnh}$, tích hợp 1 cổng PROFINET/Ethernet.
  2. Module mở rộng: Siemens SM 1223 Digital I/O (Mã: 6ES7223-1BH32-0XB0), 8 ngõ vào 24V DC / 8 ngõ ra Transistor 0.5A.
  3. Camera công nghiệp: Cognex In-Sight 5110-01, cảm biến $1/3\text{ inch}$ CCD, độ phân giải $640 \times 480\text{ pixels}$, tốc độ chụp 60 fps, thời gian màn trập điện tử $16\text{ }\mu\text{s} - 1000\text{ ms}$, chuẩn bảo vệ IP67, giao tiếp Ethernet M12 và Breakout I/O 24VDC.
  4. Cảm biến đầu vào:
    • Cảm biến quang phản xạ khuếch tán Omron E3Z-D61 2M, nguồn 12–24V DC, khoảng cách phát hiện 100 mm, thời gian đáp ứng cực nhanh $1\text{ ms}$.
    • Cảm biến tiệm cận hồng ngoại E18-D80NK, ngõ ra NPN thường mở, khoảng cách $3 - 8\text{ cm}$, đáp ứng $< 2\text{ ms}$.
  5. Robot công nghiệp: ABB IRB 120, 6 bậc tự do ($W = 6n - \sum p_i = 6$), bán kính với tới 580 mm, độ lặp lại vị trí $0.01\text{ mm}$, điều khiển bởi tủ điều khiển IRC5 Compact và FlexPendant.
  6. Môi trường phần mềm: TIA Portal V16/V17 (Lập trình PLC Ladder/FBD), Python 3.9.13, OpenCV 4.6.0 (opencv-python), Pymodbus 3.1.2, Autodesk Inventor 2022, ABB RobotStudio 2022.

Implementation và kết quả

Quy trình xử lý ảnh với thuật toán tách biên và Bitwise XOR

Thuật toán thị giác máy tính được xây dựng dựa trên nguyên lý trừ nền và trích xuất đường bao hình thái học:

$$\text{Image}{\text{Diff}}(x,y) = \text{Image}{\text{Workpiece}}(x,y) \oplus \text{Image}_{\text{Background}}(x,y)$$

[Ảnh chụp phôi thực tế] ──> [Chuyển xám & Nhị phân] ──┐
                                                      ├──> [Toán tử Bitwise XOR]
[Ảnh nền chuẩn băng tải] ─> [Chuyển xám & Nhị phân] ──┘              │
                                                                     ▼
[Kết quả phân loại: Lỗi / Đạt] <── [Đo diện tích Contours] <── [Lọc Morphological & Canny]

import cv2
import numpy as np
import time
from pymodbus.client import ModbusTcpClient

# 1. Thiết lập kết nối Modbus TCP/IP tới PLC S7-1200
PLC_IP = '192.168.0.1'
PLC_PORT = 502
client = ModbusTcpClient(PLC_IP, port=PLC_PORT)

def connect_plc():
    if client.connect():
        print("[INFO] Kết nối thành công tới PLC S7-1200 qua Modbus TCP")
        return True
    else:
        print("[ERROR] Không thể kết nối tới PLC")
        return False

# 2. Thuật toán kiểm tra lỗi bề mặt phôi
def inspect_surface_defect(bg_img_path, sample_img_path, min_defect_area=150):
    # Đọc ảnh nền chuẩn và ảnh thực nghiệm
    bg_img = cv2.imread(bg_img_path, cv2.IMREAD_GRAYSCALE)
    sample_img = cv2.imread(sample_img_path, cv2.IMREAD_GRAYSCALE)
    
    if bg_img is None or sample_img is None:
        raise ValueError("Không tìm thấy tệp tin ảnh đầu vào.")

    # Bước 1: Nhị phân hóa ảnh (Thresholding)
    _, bg_thresh = cv2.threshold(bg_img, 127, 255, cv2.THRESH_BINARY)
    _, sample_thresh = cv2.threshold(sample_img, 127, 255, cv2.THRESH_BINARY)

    # Bước 2: Khử thành phần tĩnh (thanh dẫn hướng, băng tải) bằng Bitwise XOR
    xor_result = cv2.bitwise_xor(sample_thresh, bg_thresh)

    # Bước 3: Áp dụng phép toán hình thái học (Morphology) để khử nhiễu điểm ảnh
    kernel = np.ones((3, 3), np.uint8)
    opening = cv2.morphologyEx(xor_result, cv2.MORPH_OPEN, kernel, iterations=2)
    dilated = cv2.dilate(opening, kernel, iterations=1)

    # Bước 4: Phát hiện biên bằng Canny và trích xuất đường bao (Contours)
    edges = cv2.Canny(dilated, threshold1=50, threshold2=150)
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    is_defective = 0
    total_defect_area = 0

    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > min_defect_area:
            total_defect_area += area
            is_defective = 1 # Phát hiện phôi có khuyết tật bề mặt/biên dạng

    return is_defective, total_defect_area

# 3. Vòng lặp giám sát và gửi tín hiệu điều khiển
if __name__ == '__main__':
    if connect_plc():
        try:
            # Giả lập vòng quét kiểm tra khi có tín hiệu kích hoạt từ cảm biến Omron
            is_defect, defect_size = inspect_surface_defect('bg_template.bmp', 'capture_01.bmp')
            
            # Ghi trạng thái xuống thanh ghi Modbus Holding Register 40001 (Địa chỉ 0)
            # is_defect = 1: Phôi lỗi (Kích hoạt xi lanh 2A đẩy vào khay lỗi)
            # is_defect = 0: Phôi đạt (Chuyển tiếp đến trạm Robot ABB IRB 120)
            client.write_register(address=0, value=is_defect, slave=1)
            print(f"[STATUS] Phân loại hoàn tất: Defect={is_defect}, Area={defect_size} px")
        finally:
            client.close()

Cấu hình truyền thông Modbus TCP/IP trên Siemens TIA Portal

Trên phần mềm TIA Portal, quy trình cấu hình khối hàm truyền thông cho PLC S7-1200 diễn ra theo các bước chuẩn hóa:

  1. Tạo Data Block Data_MB_TCP/IP (DB1) định nghĩa kiểu dữ liệu TCON_IP_v4 với các thông số:
    • InterfaceId = 64 (Cổng Ethernet tích hợp trên CPU 1212C).
    • ID = 1 (Mã phiên kết nối).
    • ConnectionType = 11 (Giao thức TCP/IP).
    • ActiveEstablished = FALSE (PLC đóng vai trò Modbus Server thụ động lắng nghe).
    • LocalPort = 502 (Cổng tiêu chuẩn Modbus).
  2. Gọi khối hàm chuẩn MB_SERVER trong Function Block MB_TCP/IP (FC1):
    • Gán con trỏ MB_HOLD_REG := P#DB1.DBX0.0 WORD 100 để ánh xạ 100 thanh ghi lưu giữ dữ liệu truyền thông.
  3. Sử dụng lệnh MOVE để đọc giá trị từ mảng thanh ghi Modbus chuyển sang vùng nhớ cờ MW100, từ đó kích hoạt các đầu ra số Q0.1 (Van điện từ điều khiển xi lanh 2A) hoặc gửi tín hiệu số DI04 sang tủ điều khiển IRC5 của Robot ABB.
+-------------------------------------------------------------+
|               TIA Portal - S7-1200 Ladder Logic             |
+-------------------------------------------------------------+
| Network 1: Khởi tạo Modbus TCP Server                       |
|   +-------------------+                                     |
|   |     MB_SERVER     |                                     |
|---| EN                |                                     |
|   | CONNECT : DB1.TCON|                                     |
|   | MB_HOLD_REG: P#DB1|                                     |
|   |  .DBX0.0 WORD 100 |                                     |
|---| ENO               |                                     |
|   +-------------------+                                     |
|                                                             |
| Network 2: Phân loại phôi lỗi                               |
|     MW100 == 1          Cảm biến S2                         |
| -------| |-----------------| |--------------------( Q0.1 )--|
|  (Phôi lỗi từ Python)  (Phôi đến vị trí 2A)   (Xi lanh đẩy) |
|                                                             |
| Network 3: Kích hoạt Robot ABB gắp phôi đạt                 |
|     MW100 == 0          Cảm biến S3                         |
| -------| |-----------------| |--------------------( Q0.2 )--|
|  (Phôi đạt chuẩn)      (Phôi cuối băng tải)  (Tín hiệu DI04)|
+-------------------------------------------------------------+

Kết quả thử nghiệm và đánh giá độ chính xác

Hệ thống được vận hành thử nghiệm trên tập mẫu gồm 500 phôi thực nghiệm (gồm 300 phôi đạt tiêu chuẩn và 200 phôi có các dạng khuyết tật biên dạng, mẻ cạnh, nứt bề mặt):

Dạng sản phẩm Số lượng mẫu Nhận diện đúng (True) Nhận diện sai (False) Độ chính xác ($%$)
Phôi đạt tiêu chuẩn (OK) 300 296 4 (Báo nhầm phôi lỗi) $98.67%$
Phôi mẻ cạnh, biến dạng biên 120 119 1 (Bỏ sót lỗi) $99.17%$
Phôi nứt vỡ, dị vật bề mặt 80 77 3 (Bỏ sót do vết nứt mờ) $96.25%$
Tổng thể hệ thống 500 492 8 $98.40%$

Benchmark hiệu năng thời gian thực

  • Thời gian chụp ảnh và truyền dữ liệu camera: $16.6\text{ ms}$ ($60\text{ fps}$).
  • Thời gian thực thi thuật toán OpenCV trên CPU Core i5: $14.2\text{ ms/frame}$.
  • Độ trễ truyền gói tin Modbus TCP/IP (PC $\rightarrow$ PLC): $4.8\text{ ms}$.
  • Thời gian chu kỳ quét vòng PLC S7-1200: $2.1\text{ ms}$.
  • Thời gian đáp ứng của xi lanh gạt phôi khí nén: $45\text{ ms}$.
  • Tổng thời gian từ khi kích hoạt cảm biến đến khi hoàn tất phân loại: $\approx 82.7\text{ ms}$ (đáp ứng vượt trội so với yêu cầu $< 200\text{ ms}$ của dây chuyền băng tải vận tốc $0.15\text{ m/s}$).

Đổi mới và đóng góp

  1. Phương pháp trừ nền lai ghép (Hybrid Background Elimination via Bitwise XOR): Thay vì sử dụng các thuật toán trừ nền động phức tạp đòi hỏi phần cứng GPU chuyên dụng, hệ thống sử dụng phép toán logic mức bit XOR trực tiếp trên ảnh nhị phân kết hợp bộ lọc làm mịn hình thái học. Giải pháp này giúp loại bỏ hoàn toàn các cấu trúc tĩnh của băng chuyền và thanh dẫn hướng với độ phức tạp tính toán chỉ $\mathcal{O}(N)$, giảm tải $65%$ mức sử dụng CPU so với các phương pháp trừ nền Gaussian Mixture Models (GMM).
  2. Kiến trúc điều khiển phân tán đồng bộ qua Modbus TCP/IP: Loại bỏ hoàn toàn sự phụ thuộc vào các card thu thập dữ liệu (DAQ) đắt tiền. Sự kết hợp trực tiếp giữa ngôn ngữ Python linh hoạt và PLC công nghiệp chuẩn mực đem lại khả năng mở rộng không giới hạn cho hệ thống SCADA trong nhà máy.
  3. Quy trình tự động hóa khép kín: Khác với các mô hình nghiên cứu xử lý ảnh độc lập chỉ dừng lại ở bước nhận diện trên màn hình, đồ án đã hoàn thiện chu trình thực tế bao gồm cơ cấu chấp hành khí nén đa điểm và trạm Robot ABB IRB 120 gắp phôi đạt độ chính xác lặp lại $0.01\text{ mm}$.

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|                         LỘ TRÌNH TRIỂN KHAI NHÀ MÁY (16 TUẦN)                     |
+-----------------------------------------------------------------------------------+
| Tuần 01 - 04: Khảo sát dây chuyền, đo đạc quang học & thiết kế module cơ khí       |
| Tuần 05 - 08: Gia công cơ khí trạm băng tải, lắp đặt Camera Cognex & Tủ điện PLC   |
| Tuần 09 - 12: Lập trình thuật toán OpenCV, nạp cấu hình Modbus TCP & RobotStudio  |
| Tuần 13 - 16: Chạy thử nghiệm Pilot 5.000 sản phẩm, hiệu chuẩn ánh sáng & UAT     |
+-----------------------------------------------------------------------------------+

Kịch bản ứng dụng trong công nghiệp

  • Dây chuyền dập kim loại chính xác: Kiểm tra độ tròn, độ đồng tâm và bavia của các chi tiết đệm kim loại sau nguyên công đột dập.
  • Sản xuất linh kiện điện tử: Kiểm tra ngoại quan bề mặt vỏ pin, bản mạch in (PCB) nhằm phát hiện vết xước hoặc thiếu chân tiếp xúc trước khi đóng gói.
  • Ngành nhựa định hình: Phân loại nắp chai, chi tiết ép phun nhựa bị thiếu liệu hoặc biến dạng nhiệt.

Phân tích hiệu quả kinh tế (ROI Analysis)

  • Chi phí đầu tư ước tính (CAPEX): Khoảng $85.000.000 - 120.000.000\text{ VNĐ}$ cho toàn bộ cụm trạm phụ trợ, camera công nghiệp, PLC S7-1200 và cơ cấu khí nén (không tính chi phí cánh tay robot sẵn có tại xưởng).
  • Tiết kiệm chi phí vận hành (OPEX): Thay thế $02$ nhân công kiểm tra chất lượng làm việc 2 ca/ngày (chi phí ước tính $200.000.000\text{ VNĐ/năm}$).
  • Thời gian hoàn vốn (Payback Period): Ước tính từ $6 - 8\text{ tháng}$, đồng thời loại bỏ rủi ro khiếu nại chất lượng từ khách hàng nhờ tỷ lệ lọt lỗi giảm từ $18%$ xuống dưới $1.6%$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ nhạy cảm với điều kiện chiếu sáng: Thuật toán nhị phân tĩnh (Static Thresholding) dễ bị ảnh hưởng khi cường độ ánh sáng môi trường trong xưởng biến thiên mạnh, gây sai lệch biên độ nhị phân nếu không có hộp che chắn quang học chuyên dụng.
  2. Giới hạn kiểm tra 2D: Camera Cognex 5110 chỉ cung cấp thông tin hình ảnh phẳng 2 chiều ($640 \times 480$), chưa thể phát hiện các khuyết tật về độ sâu (như vết nứt tế vi dưới $0.1\text{ mm}$ hoặc độ cong vênh 3D của phôi).

Hướng phát triển

  • Tích hợp vòng chiếu sáng LED đồng trục (Coaxial Illumination) hoặc vòm sáng khuếch tán (Dome Light) điều tiết tự động.
  • Nâng cấp thuật toán xử lý ảnh lên mạng học sâu thị giác nhẹ như YOLOv8-Nano hoặc MobileNetV3 chạy trên máy tính nhúng NVIDIA Jetson để nhận diện đa dạng các loại khuyết tật phức tạp mà không cần cấu hình mẫu nền thủ công.
  • Chuyển đổi giao thức truyền thông sang OPC UA (Open Platform Communications Unified Architecture) để tích hợp toàn diện với hệ thống quản trị sản xuất cấp cao MES (Manufacturing Execution System) và ERP.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                              ĐỐI TƯỢNG HƯỞNG LỢI                                  |
+-----------------------------------------------------------------------------------+
| Sinh viên / Nghiên cứu sinh : Giáo trình mẫu về tích hợp liên ngành Cơ - Điện - CNTT|
| Kỹ sư Tự động hóa / Lập trình : Tham khảo mã nguồn giao tiếp Modbus TCP PLC - Python|
| Doanh nghiệp vừa và nhỏ (SMEs): Giải pháp QC tự động hóa chi phí thấp, thu hồi vốn nhanh|
| Nhà nghiên cứu Khoa học     : Dữ liệu thực nghiệm so sánh thuật toán xử lý ảnh 2D |
+-----------------------------------------------------------------------------------+
  • Sinh viên khối ngành Kỹ thuật (Cơ điện tử, Tự động hóa, Điện tử): Cung cấp tài liệu tham khảo hoàn chỉnh từ thiết kế cơ cấu chấp hành, lựa chọn cảm biến công nghiệp đến lập trình nhúng và điều khiển cánh tay robot công nghiệp 6 trục.
  • Kỹ sư Tự động hóa & Tích hợp hệ thống: Bộ khung kiến trúc phần mềm tích hợp sẵn mã nguồn kết nối pymodbus với Siemens S7-1200, dễ dàng tùy biến áp dụng cho các dự án công nghiệp thực tế.
  • Doanh nghiệp vừa và nhỏ (SMEs): Bản thiết kế chứng minh tính khả thi của việc ứng dụng công nghệ thị giác máy tính với chi phí hợp lý, nâng cao năng lực cạnh tranh trong chuỗi cung ứng toàn cầu.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai phần mềm xử lý ảnh là gì?

Máy tính trạm (PC) cần trang bị vi xử lý Intel Core i3 thế hệ 8 trở lên (hoặc tương đương), RAM tối thiểu 4GB, cổng mạng Gigabit Ethernet RJ45 để kết nối với Switch công nghiệp và PLC. Đối với camera, có thể sử dụng bất kỳ dòng camera công nghiệp hỗ trợ chuẩn giao tiếp GigE Vision hoặc USB3 Vision tương thích OpenCV.

2. Hệ thống có thể mở rộng để phân loại nhiều loại lỗi khác nhau không?

Có. Bằng cách sửa đổi khối logic trong Python để gán mã số lỗi tương ứng (ví dụ: 1 cho lỗi mẻ biên, 2 cho lỗi nứt bề mặt, 3 cho lỗi sai kích thước) và ghi vào các thanh ghi Modbus khác nhau (40002, 40003). Trên PLC S7-1200, lập trình thêm các khối nhánh so sánh để kích hoạt các cụm xi lanh đẩy tương ứng vào các khay phân loại riêng biệt.

3. Tại sao lựa chọn Modbus TCP/IP thay vì giao tiếp qua cổng nối tiếp RS-485 (Modbus RTU)?

Modbus TCP/IP hoạt động trên nền tảng mạng Ethernet công nghiệp với băng thông $100\text{ Mbps}$, cho phép truyền nhận dữ liệu với độ trễ chỉ $2 - 5\text{ ms}$, khoảng cách kết nối xa mà không cần thêm module chuyển đổi cổng COM/RS485 trên máy tính xử lý ảnh, đồng thời dễ dàng cắm chung vào hạ tầng mạng cục bộ của nhà máy.

4. Cần thực hiện bảo trì và hiệu chuẩn hệ thống quang học như thế nào?

Cần định kỳ vệ sinh bề mặt ống kính camera 25mm và cảm biến quang Omron bằng khăn chuyên dụng chống tĩnh điện sau mỗi 100 giờ hoạt động trong môi trường bụi xưởng. Kiểm tra lại khoảng cách tiêu cự (Focus) và khẩu độ (Aperture) bằng mẫu phôi chuẩn định kỳ hàng tháng.

5. Chi phí đầu tư dự kiến và thời gian thu hồi vốn cho một trạm kiểm tra tiêu chuẩn?

Một trạm kiểm tra và phân loại cơ bản (gồm PLC S7-1200, camera công nghiệp, cảm biến, hệ thống khí nén và băng tải đôi) có tổng mức đầu tư dao động từ 85 đến 120 triệu VNĐ. Với năng suất 40–50 sản phẩm/phút hoạt động 2 ca/ngày, thời gian hoàn vốn thực tế đạt được từ 6 đến 8 tháng nhờ cắt giảm nhân công và hạn chế tối đa tỷ lệ sản phẩm lỗi xuất xưởng.

Kết luận

Đồ án "Ứng dụng công nghệ xử lý ảnh trong kiểm tra, phân loại sản phẩm lỗi bề mặt" đã giải quyết trọn vẹn và chuyên sâu bài toán tự động hóa kiểm định chất lượng trong sản xuất công nghiệp hiện đại. Bằng việc kết hợp hài hòa giữa xử lý ảnh trên Python OpenCV, truyền thông Modbus TCP/IP tốc độ cao, điều khiển logic khả trình Siemens S7-1200 và robot công nghiệp ABB IRB 120, hệ thống đã đạt độ chính xác phân loại $98.40%$ với thời gian đáp ứng toàn chu trình chỉ $82.7\text{ ms}$.

Kết quả nghiên cứu không chỉ mang giá trị học thuật sâu sắc đối với chương trình đào tạo kỹ sư Cơ điện tử chất lượng cao mà còn là giải pháp kỹ thuật có tính ứng dụng thực tiễn vượt trội, sẵn sàng chuyển giao và triển khai nhân rộng cho các dây chuyền sản xuất tự động hóa thông minh trong kỷ nguyên chuyển đổi số công nghiệp.