Giới thiệu dự án

Trong kỷ nguyên thương mại điện tử và chuỗi cung ứng số 4.0, tự động hóa logistics tại các trung tâm phân phối và kho vận đóng vai trò then chốt trong việc tối ưu hóa chi phí vận hành. Theo các báo cáo thống kê ngành logistics, chi phí xử lý đơn hàng và kiểm kê kho chiếm tới 25–35% tổng chi phí vận hành kho bãi, trong đó sai sót từ khâu nhập liệu thủ công (human error) dao động từ 1% đến 3%, gây tổn thất hàng triệu USD mỗi năm do hoàn hàng, giao trễ và thất lạc hàng hóa.

Thực trạng quản lý kho hàng truyền thống tại các doanh nghiệp vừa và nhỏ (SMEs) thường đối mặt với các nút thắt cổ chai (bottlenecks) nghiêm trọng:

  • Quá trình nhập/xuất kho phụ thuộc vào máy quét mã vạch cầm tay hoặc ghi chép thủ công trên giấy, gây tắc nghẽn cục bộ khi lưu lượng đơn hàng tăng đột biến.
  • Khâu đối soát thông tin phiếu giao hàng (waybill/shipping form) với dữ liệu thực tế trên kiện hàng đòi hỏi nhân sự kiểm tra từng trường thông tin (tên sản phẩm, địa chỉ người nhận, khu vực phân phối), làm tăng chu kỳ xử lý (cycle time).
  • Khả năng phân loại cơ học theo địa bàn giao hàng (quận/huyện) còn hạn chế, dẫn đến sai sót định tuyến trong logistics chặng cuối (last-mile delivery).

Đề tài "Ứng dụng IoT vào quản lý kho hàng" được thực hiện bởi nhóm sinh viên ngành Công nghệ Kỹ thuật Điện tử Viễn thông, Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), dưới sự hướng dẫn của TS. Huỳnh Thế Thiện, nhằm giải quyết triệt để các hạn chế trên. Dự án tập trung vào các mục tiêu cụ thể:

  1. Xây dựng mô hình băng tải tự động hóa thu thập dữ liệu sản phẩm và phiếu đơn hàng bằng camera nhúng ESP32-CAM.
  2. Ứng dụng thị giác máy tính với OpenCV và công nghệ nhận dạng ký tự quang học Tesseract OCR để tự động bóc tách thông tin văn bản và mã vạch trên kiện hàng.
  3. Thiết kế giải pháp phân loại kiện hàng tự động theo khu vực quận tại TP.HCM thông qua hệ thống cảm biến siêu âm HY-SRF05 và cánh tay đẩy cơ khí sử dụng động cơ Servo SG90.
  4. Xây dựng hệ thống cơ sở dữ liệu thời gian thực trên Cloud Firestore (Firebase) kết hợp bảng điều khiển Web UI trực quan, cho phép theo dõi trạng thái tồn kho và lịch sử nhập/xuất theo thời gian thực (real-time).

Giải pháp kết hợp hài hòa giữa phần cứng nhúng chi phí thấp (Edge Hardware) và các thuật toán xử lý ảnh mạnh mẽ trên máy tính xử lý trung tâm, mang lại hiệu quả vượt trội: giảm thời gian xử lý đơn hàng xuống dưới 2.5 giây/kiện, đạt độ chính xác nhận diện mã vạch trên 98%, đồng thời tối ưu hóa chi phí đầu tư ban đầu so với các dây chuyền phân loại công nghiệp đắt tiền.

Phạm vi nghiên cứu được kiểm nghiệm trên mô hình thử nghiệm băng tải mini (kích thước 60cm x 30cm, động cơ truyền động DC 24V), điều kiện ánh sáng văn phòng tiêu chuẩn, xử lý các kiện hàng mẫu có dán nhãn đơn hàng chuẩn hóa. Hệ thống chịu giới hạn bởi độ phân giải của cảm biến hình ảnh OV2640 (2MP) và độ trễ truyền gói tin qua giao thức Wi-Fi 2.4GHz trong môi trường thực nghiệm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Để định vị rõ giá trị kỹ thuật và tính khả thi của giải pháp, hiện trạng các phương pháp quản lý kho trên thị trường được tổng hợp và phân tích qua bảng so sánh:

Tiêu chí Quản lý thủ công / Máy quét cầm tay Hệ thống thị giác công nghiệp (Cognex/Keyence/RFID) Hệ thống IoT & Edge-Vision (Giải pháp đề xuất)
Chi phí đầu tư (CAPEX) Rất thấp (< $200) Rất cao ($5,000 - $30,000+) Thấp - Trung bình ($150 - $400)
Mức độ tự động hóa Thấp (Phụ thuộc hoàn toàn vào công nhân) Hoàn toàn tự động, tốc độ siêu cao Tự động hóa bán phần/toàn phần
Độ trễ xử lý dữ liệu 5 - 15 giây/kiện hàng < 0.5 giây/kiện hàng 1.8 - 2.5 giây/kiện hàng
Tích hợp Cloud & Real-time Hạn chế, đồng bộ theo lô (batch sync) Chuyên sâu qua hệ thống ERP/WMS Thời gian thực qua Firebase Web API
Khả năng bóc tách văn bản Không có (chỉ đọc mã vạch) Có (Module OCR chuyên dụng giá cao) Tích hợp Tesseract OCR & Homography Transform

Ma trận phân loại yêu cầu người dùng theo mô hình MoSCoW:

  • Must Have (Bắt buộc phải có): Nhận diện mã vạch sản phẩm; Tự động chụp ảnh khi kiện hàng đi qua cảm biến siêu âm; Đẩy hàng vào đúng khay quận/huyện tương ứng; Cập nhật cơ sở dữ liệu khi nhập/xuất kho.
  • Should Have (Nên có): Bóc tách thông tin địa chỉ trên nhãn bằng Tesseract OCR; Giao diện Web hiển thị số lượng tồn kho theo thời gian thực; Cảnh báo bằng Buzzer khi sản phẩm xuất kho không tồn tại trong hệ thống.
  • Could Have (Có thể có): Tự động cân chỉnh góc xoay của ảnh nhãn hàng bằng phép biến đổi Homography; Xuất báo cáo tồn kho định dạng file Excel/CSV.
  • Won't Have (Chưa thực hiện trong giai đoạn này): Nhận diện kiện hàng biến dạng 3D phức tạp; Tự động điều hướng trên băng tải đa làn đa tầng tốc độ cao (> 2 m/s).

Thiết kế hệ thống

Kiến trúc hệ thống được chia thành 4 khối chức năng chính hoạt động đồng bộ:

[ Khối Nhập/Xuất Hàng ] ---> (ESP32-CAM OV2640 + HY-SRF05)
[ Khối Xử Lý Trung Tâm ] <---> [ Cloud Firestore (Firebase) ]
[ Khối Phân Loại & Cơ Khí ] (HTML5 / CSS3 / JavaScript)
(ESP32 WROOM + Servo SG90 + Buzzer)

1. Danh mục công nghệ (Technology Stack)

  • Vi điều khiển / Phần cứng: ESP32-WROOM-32 (Xtensa Dual-Core 32-bit LX6, 240MHz, 520KB SRAM), Module ESP32-CAM (Sensor OV2640 2MP, 4MB PSRAM), Cảm biến siêu âm HY-SRF05 (Đo khoảng cách 2–450cm, độ phân giải 0.3cm), Động cơ Servo SG90 (Mô-men xoắn 1.8 kg·cm, góc quay 180°), Mạch Buck DC-DC LM2596/Công nghiệp (Vin 9–36V, Vout 5V 5A, hiệu suất 93%), Còi báo Buzzer 5V, Transistor NPN C1815 GR331.
  • Thị giác máy tính & Nhận dạng: Python 3.10+, OpenCV 4.8.x (Trích xuất đặc trưng, biến đổi hình học, đọc Barcode), Tesseract OCR v5.3.x (Bóc tách ký tự quang học tiếng Việt/tiếng Anh), ORB (Oriented FAST and Rotated BRIEF), Brute-Force Matcher (BFMatcher với khoảng cách Hamming).
  • Backend & Cloud: Firebase Cloud Firestore (Cơ sở dữ liệu NoSQL Realtime), Node.js / Python Firebase Admin SDK.
  • Frontend / Giao diện: HTML5, CSS3, JavaScript (ES6+), Bootstrap 5.

2. Tính toán thiết kế mạch phần cứng

Khối điều khiển còi cảnh báo Buzzer 5V sử dụng Transistor NPN C1815 GR331 hoạt động ở chế độ bão hòa (Saturation Mode):

  • Dòng điện định mức của Buzzer: $I_C = 30\text{ mA}$.
  • Hệ số khuếch đại dòng: $h_{FE} = \beta = 300$.
  • Điện áp xuất từ chân GPIO ESP32-CAM: $V_{GPIO} = 3.3\text{ V}$, $V_{BE} \approx 0.7\text{ V}$.
  • Dòng kích cực B tối thiểu: $$I_{B(\text{min})} = \frac{I_C}{h_{FE}} = \frac{30\text{ mA}}{300} = 0.1\text{ mA}$$
  • Điện áp rơi trên điện trở định dòng cực B: $$V_{RB} = V_{GPIO} - V_{BE} = 3.3\text{ V} - 0.7\text{ V} = 2.6\text{ V}$$
  • Giá trị điện trở cực B cần thỏa mãn: $$R_B \le \frac{V_{RB}}{I_B} = \frac{2.6\text{ V}}{0.1\text{ mA}} = 26\text{ k}\Omega$$
  • Để đảm bảo transistor đóng ngắt dứt khoát và rơi hoàn toàn vào vùng bão hòa, nhóm chọn điện trở tiêu chuẩn: $R_B = 24\text{ k}\Omega$.

Bảng cân bằng công suất và dòng tiêu thụ toàn hệ thống nguồn 5V:

Thiết bị Số lượng Dòng tiêu thụ đỉnh (mA) Tổng dòng (mA)
ESP32-WROOM-32 1 500 500
Module ESP32-CAM 2 310 620
Cảm biến siêu âm HY-SRF05 2 40 80
Còi Buzzer 5V 2 40 80
Động cơ Servo SG90 3 100 300
Tổng dòng tiêu hao toàn tải — — 1580 mA (1.58 A)

Nguồn cấp sử dụng Module Buck DC-DC công nghiệp (Vin 9–36V, Vout 5V, dòng danh định $I_{out} = 5\text{ A}$), đảm bảo cung cấp dư tải gấp hơn 3 lần tổng dòng đỉnh ($1.58\text{ A} \ll 5\text{ A}$), hạn chế hiện tượng sụt áp khi khởi động động cơ Servo và phát sóng Wi-Fi.

Methodology

Dự án áp dụng mô hình phát triển phần mềm và hệ thống nhúng lặp linh hoạt (Agile Embedded Lifecycle) kéo dài 12 tuần với các mốc tiến độ then chốt:

Tuần 1 - 3: Nghiên cứu lý thuyết, tính toán sơ đồ mạch, mô phỏng khối nguồn.
Tuần 4 - 6: Thiết kế PCB, lắp ráp khung cơ khí băng tải 60x30cm, tích hợp cảm biến HY-SRF05 & Servo.
Tuần 7 - 9: Xây dựng Pipeline xử lý ảnh OpenCV, cấu hình ORB + Homography, tích hợp Tesseract OCR.
Tuần 10 - 11: Lập trình firmware ESP32, xây dựng Web Dashboard kết nối Cloud Firestore.
Tuần 12: Đánh giá thực nghiệm, đo kiểm benchmark, tối ưu độ trễ và lập tài liệu kỹ thuật.

Implementation và kết quả

Development process

Trọng tâm của giải pháp phần mềm nằm ở Pipeline xử lý ảnh và bóc tách dữ liệu từ phiếu đơn hàng được chụp từ camera ESP32-CAM.

[ Ảnh chụp từ ESP32-CAM ] 
[ Tiền xử lý: Grayscale & Gaussian Blur ]
[ Trích xuất đặc trưng ORB (Oriented FAST and Rotated BRIEF) ]
[ Khớp đặc trưng với ảnh mẫu bằng Brute-Force Matcher (Hamming) ]
[ Tính ma trận Homography H (RANSAC) & Warp Perspective ]
[ Cắt vùng quan tâm (ROI): Mã vạch & Địa chỉ giao hàng ]
[ OpenCV Barcode Decoder ]   [ Tesseract OCR Engine ]
[ Chuỗi mã vạch / SKU ]      [ Tên quận/huyện phân loại ]
     [ Đồng bộ Firebase Cloud Firestore ]

1. Cơ sở toán học của phép biến đổi Homography

Khi kiện hàng di chuyển trên băng tải, nhãn dán có thể bị nghiêng hoặc biến dạng phối cảnh do góc đặt của camera. Để căn phẳng ảnh về hệ quy chiếu chuẩn (mặt phẳng mẫu đơn hàng), thuật toán ước lượng ma trận biến đổi Homography kích thước $3 \times 3$ bảo toàn tính chất đường thẳng:

$$\begin{bmatrix} x' \ y' \ 1 \end{bmatrix} = \mathbf{H} \begin{bmatrix} x \ y \ 1 \end{bmatrix} = \begin{bmatrix} h_{11} & h_{12} & h_{13} \ h_{21} & h_{22} & h_{23} \ h_{31} & h_{32} & h_{33} \end{bmatrix} \begin{bmatrix} x \ y \ 1 \end{bmatrix}$$

Trong đó $(x, y)$ là tọa độ điểm đặc trưng trên ảnh chụp thực tế từ ESP32-CAM, và $(x', y')$ là tọa độ tương ứng trên ảnh mẫu chuẩn (Template form).

2. Code Snippet: Pipeline xử lý căn chỉnh và nhận diện OCR trên máy chủ trung tâm

import cv2
import numpy as np
import pytesseract
from pyzbar.pyzbar import decode
import firebase_admin
from firebase_admin import credentials, firestore

# Khởi tạo kết nối Firebase Cloud Firestore
cred = credentials.Certificate("firebase_credentials.json")
firebase_admin.initialize_app(cred)
db = firestore.client()

def process_order_label(image_path, template_path):
    # Đọc ảnh đầu vào và ảnh mẫu
    img_scene = cv2.imread(image_path)
    img_template = cv2.imread(template_path)
    
    gray_scene = cv2.cvtColor(img_scene, cv2.COLOR_BGR2GRAY)
    gray_template = cv2.cvtColor(img_template, cv2.COLOR_BGR2GRAY)
    
    # Khởi tạo bộ phát hiện đặc trưng ORB
    orb = cv2.ORB_create(nfeatures=1500)
    kp1, des1 = orb.detectAndCompute(gray_template, None)
    kp2, des2 = orb.detectAndCompute(gray_scene, None)
    
    # Khớp đặc trưng bằng Brute-Force Matcher với khoảng cách NORM_HAMMING
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = bf.match(des1, des2)
    matches = sorted(matches, key=lambda x: x.distance)
    
    # Lấy các điểm khớp tốt nhất để tính Homography
    good_matches = matches[:50]
    src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    
    H, mask = cv2.findHomography(dst_pts, src_pts, cv2.RANSAC, 5.0)
    
    # Biến đổi phối cảnh đưa ảnh về góc nhìn chuẩn
    h, w = gray_template.shape
    aligned_img = cv2.warpPerspective(img_scene, H, (w, h))
    
    # Cắt các vùng quan tâm (ROI) định sẵn trên form mẫu
    roi_barcode = aligned_img[50:180, 50:400]
    roi_address = aligned_img[200:350, 50:550]
    
    # 1. Giải mã Barcode
    barcodes = decode(roi_barcode)
    barcode_data = barcodes[0].data.decode('utf-8') if barcodes else "UNKNOWN"
    
    # 2. Bóc tách văn bản bằng Tesseract OCR
    custom_config = r'--oem 3 --psm 6 -l vie+eng'
    extracted_text = pytesseract.image_to_string(roi_address, config=custom_config)
    
    # Xác định quận giao hàng
    destination_district = "Unknown"
    for district in ["Quận 1", "Quận 7", "Thành phố Thủ Đức", "Quận Bình Thạnh"]:
        if district.lower() in extracted_text.lower():
            destination_district = district
            break
            
    # Cập nhật dữ liệu lên Firestore
    doc_ref = db.collection("warehouse_inbound").document(barcode_data)
    doc_ref.set({
        "barcode": barcode_data,
        "destination": destination_district,
        "status": "In_Stock",
        "timestamp": firestore.SERVER_TIMESTAMP
    })
    
    return barcode_data, destination_district

3. Code Snippet: Điều khiển Servo phân loại trên ESP32

#include <ESP32Servo.h>

const int TRIG_PIN = 13;
const int ECHO_PIN = 15;
const int SERVO_PIN_Q1 = 19;
const int BUZZER_PIN = 4;

Servo servoQ1;

void setup() {
  Serial.begin(115200);
  pinMode(TRIG_PIN, OUTPUT);
  pinMode(ECHO_PIN, INPUT);
  pinMode(BUZZER_PIN, OUTPUT);
  
  servoQ1.attach(SERVO_PIN_Q1);
  servoQ1.write(0); // Vị trí đóng ban đầu
}

long readUltrasonicDistance() {
  digitalWrite(TRIG_PIN, LOW);
  delayMicroseconds(2);
  digitalWrite(TRIG_PIN, HIGH);
  delayMicroseconds(10);
  digitalWrite(TRIG_PIN, LOW);
  
  long duration = pulseIn(ECHO_PIN, HIGH);
  long distanceCm = duration * 0.034 / 2;
  return distanceCm;
}

void loop() {
  long distance = readUltrasonicDistance();
  
  // Phát hiện kiện hàng trong khoảng 5cm đến 15cm trước cổng phân loại
  if (distance >= 5 && distance <= 15) {
    // Kích hoạt Servo đẩy hàng vào làn
    servoQ1.write(90);
    digitalWrite(BUZZER_PIN, HIGH);
    delay(800);
    digitalWrite(BUZZER_PIN, LOW);
    
    delay(1000); // Giữ vị trí đẩy kiện hàng
    servoQ1.write(0);  // Thu hồi cánh tay gạt
  }
  delay(100);
}

Testing và validation

Hệ thống đã trải qua các bài kiểm thử hiệu năng với 150 mẫu kiện hàng thực tế di chuyển trên băng chuyền ở vận tốc $0.15\text{ m/s}$:

Kịch bản kiểm thử Số mẫu thử Tỷ lệ thành công (%) Độ trễ trung bình (ms) Ghi chú kỹ thuật
Quét mã vạch Code128 / QR Code 150 98.67% 120 ms Thất bại khi mã bị rách hoặc phản quang mạnh
Khớp mẫu Homography (Ảnh nghiêng 15°-45°) 150 94.00% 380 ms Yêu cầu số lượng điểm đặc trưng $\ge 30$
Bóc tách địa chỉ bằng Tesseract OCR 150 91.33% 850 ms Lỗi nhận diện khi phông chữ mờ nhạt
Cảm biến HY-SRF05 phát hiện vật thể 150 99.33% 25 ms Độ trôi khoảng cách $< 0.5\text{ cm}$
Kích hoạt Servo SG90 đẩy hàng cơ học 150 96.67% 450 ms Tải trọng kiện hàng tối ưu $< 350\text{ g}$
Đồng bộ dữ liệu Cloud Firestore 150 98.00% 210 ms Phụ thuộc độ ổn định băng thông Wi-Fi

Kết quả đạt được

So sánh giữa chỉ tiêu thiết kế ban đầu và kết quả thực nghiệm hoàn thiện:

Đổi mới và đóng góp

  1. Kiến trúc Edge-to-Cloud tối ưu chi phí: Thay vì trang bị hệ thống Smart Camera công nghiệp đắt đỏ ($1,500 - $3,000/trạm), hệ thống sử dụng camera nhúng ESP32-CAM kết hợp máy tính trạm xử lý thị giác máy tính mã nguồn mở, giúp giảm trên 80% chi phí phần cứng mà vẫn đảm bảo tính năng bóc tách văn bản nâng cao.
  2. Thuật toán tự động hiệu chỉnh góc nhìn (Auto-Deskewing): Việc ứng dụng kết hợp ORB feature detector và phép biến đổi tọa độ Homography cho phép hệ thống nhận diện chính xác nội dung phiếu đơn hàng ngay cả khi kiện hàng bị đặt lệch góc xoay lên tới 45° trên băng tải di động.
  3. Cơ chế phân loại đa tiêu chí tích hợp: Kết hợp song song mã vạch định danh sản phẩm (SKU/Tracking ID) và bóc tách chuỗi địa chỉ giao nhận (Destination Routing) bằng OCR, loại bỏ hoàn toàn công đoạn phân loại thủ công tại các Hub phân phối nội đô.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Use Cases)

  • Trung tâm hoàn tất đơn hàng TMĐT (E-commerce Fulfillment Hub): Tự động phân luồng kiện hàng theo từng bưu cục giao nhận quận/huyện tại TP.HCM (Thủ Đức, Quận 1, Quận 7, Bình Thạnh...) ngay tại khâu đóng gói xuất xưởng.
  • Kho lưu trữ phụ tùng & linh kiện điện tử: Tự động kiểm tra mã barcode trên khay linh kiện khi nhập kho và cập nhật số lượng tồn khả dụng lên hệ thống ERP theo thời gian thực.
[ Lộ trình triển khai 4 giai đoạn ]
Giai đoạn 1: Khảo sát layout kho & cấu hình hạ tầng mạng Wi-Fi cục bộ (Tuần 1 - 2).
Giai đoạn 2: Lắp đặt cơ khí băng tải, căn chỉnh độ cao camera & đèn LED trợ sáng (Tuần 3 - 4).
Giai đoạn 3: Triển khai server xử lý OpenCV/OCR và cấu hình Web App Firestore (Tuần 5 - 6).
Giai đoạn 4: Đào tạo nhân viên kho vận, kiểm thử UAT và bàn giao vận hành (Tuần 7).

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Chi phí triển khai ước tính cho 1 trạm phân loại: ~7.500.000 VNĐ (bao gồm băng tải mini, bộ điều khiển ESP32, 2 camera ESP32-CAM, cảm biến, bộ nguồn công nghiệp và khung gá mica).
  • Lợi ích tài chính: Giảm 01 nhân sự kiểm đếm/phân loại tại mỗi trạm (tiết kiệm ~8.000.000 VNĐ/tháng).
  • Thời gian hoàn vốn (Payback Period): Chưa đầy 01 tháng vận hành thực tế.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Giới hạn cảm biến hình ảnh: Camera OV2640 có dải động quang học (Dynamic Range) thấp, dễ bị nhiễu hạt trong điều kiện thiếu sáng hoặc rung lắc mạnh trên băng tải tốc độ cao.
  • Tải trọng cơ học: Động cơ Servo SG90 sử dụng bánh răng nhựa chỉ phù hợp đẩy các gói hàng nhẹ (< 400g). Khi phân loại thùng carton nặng (> 2kg), cần nâng cấp lên động cơ Servo công nghiệp hoặc piston khí nén.
  • Phụ thuộc kết nối mạng: Nếu mạng Wi-Fi 2.4GHz tại kho bị quá tải (packet drop), độ trễ đồng bộ lên Firebase có thể tăng từ 200ms lên 2–5 giây.

Hướng phát triển nâng cao

  • Nâng cấp lên vi điều khiển ESP32-S3 tích hợp tập lệnh tăng tốc AI (Vector Instructions) để chạy trực tiếp các mô hình TinyML (như MobileNetV2-SSDLite hoặc YOLOv8-nano) ngay tại biên (Edge Computing).
  • Thay thế cơ cấu gạt servo bằng cụm Piston khí nén (Pneumatic Actuator) điều khiển qua rơ-le công nghiệp, đáp ứng kiện hàng trọng lượng từ 5kg đến 20kg.
  • Bổ sung giao thức truyền thông công nghiệp RS-485 / Modbus RTU hoặc cổng mạng Ethernet cách ly quang để đảm bảo tính ổn định tuyệt đối trong môi trường nhiễu điện từ công nghiệp.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử - Viễn thông, Tự động hóa, CNTT: Nguồn tài liệu tham khảo thực chiến về việc tích hợp phần cứng nhúng (ESP32), thị giác máy tính (OpenCV/OCR) và điện toán đám mây (Firebase).
  • Kỹ sư phát triển hệ thống nhúng (Embedded Developers): Cung cấp giải pháp mẫu hoàn chỉnh về tính toán mạch phân cực Transistor, giao tiếp cảm biến siêu âm, và điều chế xung PWM điều khiển động cơ servo.
  • Doanh nghiệp vừa và nhỏ (SMEs) & Chủ kho bãi: Mô hình tự động hóa chi phí thấp, giúp chuyển đổi số quy trình quản lý kho vận mà không cần đầu tư hàng chục nghìn USD cho dây chuyền ngoại nhập.

Câu hỏi thường gặp

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

Hệ thống yêu cầu nguồn điện 220VAC chuyển đổi sang 24VDC (cho động cơ băng chuyền) và 5VDC/5A (cho cụm vi điều khiển). Máy tính xử lý trung tâm cần trang bị CPU tối thiểu Intel Core i3 / AMD Ryzen 3, RAM 4GB, hệ điều hành Linux/Windows có cài đặt Python 3.8+ và kết nối Wi-Fi 2.4GHz ổn định (băng thông tối thiểu 10 Mbps).

2. Hệ thống xử lý thế nào khi mã vạch bị mờ hoặc bị che khuất một phần?

Khi thuật toán OpenCV không thể giải mã trực tiếp Barcode, hệ thống sẽ tự động kích hoạt nhánh dự phòng: sử dụng Tesseract OCR để đọc dòng mã số in dưới mã vạch (human-readable digits) hoặc bóc tách tên sản phẩm và địa chỉ trên phiếu đơn hàng để định danh kiện hàng.

3. Có thể tích hợp dữ liệu với các hệ thống ERP/WMS hiện có (như SAP, Odoo) không?

Hoàn toàn có thể. Do dữ liệu được cập nhật tập trung trên Cloud Firestore, các kỹ sư phần mềm có thể sử dụng REST API, GraphQL hoặc Webhook của Firebase để đẩy thông tin nhập/xuất kho tự động vào cơ sở dữ liệu của Odoo, SAP hoặc các phần mềm quản lý kho nội bộ.

4. Quy trình bảo trì và xử lý sự cố phần cứng diễn ra như thế nào?

Cần định kỳ vệ sinh bề mặt thấu kính camera ESP32-CAM và đầu phát của cảm biến siêu âm HY-SRF05 bằng cồn isopropyl mỗi tháng một lần. Nếu xuất hiện hiện tượng sụt nguồn làm vi điều khiển bị khởi động lại (brownout reset), cần kiểm tra điện áp đầu ra của mạch Buck DC-DC đảm bảo luôn duy trì ở mức $5.0\text{ V} \pm 0.2\text{ V}$.

5. Chi phí đầu tư và thời gian hoàn vốn thực tế cho doanh nghiệp là bao nhiêu?

Tổng chi phí chế tạo một dây chuyền mẫu đơn làn dao động khoảng 7.5 đến 10 triệu VNĐ. Với năng suất xử lý tương đương 1–2 nhân công kiểm đếm, doanh nghiệp có thể tiết kiệm chi phí nhân sự khoảng 8–15 triệu VNĐ/tháng, đạt điểm hòa vốn chỉ sau 1 đến 2 tháng vận hành.

Kết luận

Đề tài tốt nghiệp "Ứng dụng IoT vào quản lý kho hàng" của sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã chứng minh tính hiệu quả và độ khả thi cao trong việc ứng dụng công nghệ IoT và thị giác máy tính vào bài toán kho vận hiện đại. Bằng việc làm chủ công nghệ từ tầng phần cứng (ESP32, ESP32-CAM, HY-SRF05, Servo SG90), tầng xử lý thuật toán (OpenCV, Tesseract OCR, Homography Transform) cho đến tầng ứng dụng quản trị (Firebase Cloud Firestore, Web Dashboard), hệ thống đã giải quyết trọn vẹn bài toán tự động hóa quy trình nhập, xuất và phân loại sản phẩm. Đây là bước đệm quan trọng mở ra tiềm năng thương mại hóa rộng rãi các giải pháp logistics thông minh "Make in Vietnam" với chi phí tối ưu cho cộng đồng doanh nghiệp.