Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và xu hướng Nhà máy Thông minh (Smart Factory), việc đảm bảo chất lượng sản phẩm (Quality Assurance - QA) trên dây chuyền sản xuất hàng loạt đóng vai trò sống còn đối với năng lực cạnh tranh của doanh nghiệp. Theo các khảo sát công nghiệp sản xuất bao bì và đóng chai, quy trình kiểm định ngoại quan thủ công bằng mắt người bộc lộ nhiều điểm nghẽn nghiêm trọng: sự mệt mỏi thị giác xuất hiện chỉ sau 20–30 phút làm việc liên tục, khiến tỷ lệ lọt lỗi (False Acceptance Rate - FAR) tăng lên từ 10% đến 15%, đồng thời giới hạn tốc độ dây chuyền dưới mức tối ưu.

+-----------------------------------------------------------------------------------+
|                           HỆ THỐNG MACHINE VISION HYBRID                          |
|                                                                                   |
|  [ Băng tải lon nước ] ---> [ Cảm biến E3F-DS30C4 ] ---> [ Camera RGB Logitech ]  |
|                                                                 |                 |
|                                                                 v                 |
|                                                      [ NVIDIA Jetson Nano ]       |
|                                                      +------------------------+   |
|                                                      |  1. OpenCV Edge Filter |   |
|                                                      |  2. CNN VGG16 Model    |   |
|                                                      +------------------------+   |
|                                                                 |                 |
|                                                      [ Tín hiệu Defect/OK ]       |
|                                                                 |                 |
|                                                                 v                 |
|  [ Tay gạt/Xi lanh ] <--- [ PLC Siemens S7-1200 ] <--- [ Opto TLP281 Cách ly ]   |
+-----------------------------------------------------------------------------------+

Vấn đề kỹ thuật đặt ra

Các khuyết tật vật lý trên vỏ lon kim loại trong quy trình dập, chiết rót và đóng gói (như móp đầu, móp thân trên, móp giữa, móp đáy và móp mép bên) có biên độ biến dạng phức tạp, phản xạ ánh sáng kim loại không đồng nhất, khiến các cảm biến quang học truyền thống hoàn toàn bất lực. Do đó, việc xây dựng một hệ thống thị giác máy tính biên (Edge Machine Vision) kết hợp giữa giải thuật xử lý ảnh cổ điển và mạng nơ-ron tích chập (Convolutional Neural Network - CNN) là giải pháp cấp thiết nhằm tự động hóa 100% công đoạn phân loại lỗi.

Mục tiêu dự án

  1. Nghiên cứu & Tích hợp phần cứng: Ghép nối đồng bộ giữa máy tính nhúng AI Edge (NVIDIA Jetson Nano Developer Kit 4GB), hệ thống thu nhận hình ảnh (Camera RGB), cảm biến tiệm cận quang học (E3F-DS30C4 NPN), mạch đệm cách ly quang (Optocoupler TLP281) và bộ điều khiển logic khả trình công nghiệp (PLC Siemens S7-1200 CPU 1214C DC/DC/DC).
  2. Xây dựng giải thuật Hybrid Vision: Kết hợp kỹ thuật tiền xử lý ảnh số (Grayscale, Thresholding, Morphological Dilation, Contour/Edge Analysis) với kiến trúc Deep Learning VGG16 thông qua kỹ thuật Transfer Learning để phân loại chính xác 5 dạng lỗi cơ tính trên lon nước.
  3. Hiện thực hóa điều khiển thời gian thực: Đồng bộ tín hiệu GPIO từ Jetson Nano sang PLC để kích hoạt cơ cấu chấp hành loại bỏ phế phẩm (Reject Mechanism) ngay trên băng chuyền.
  4. Đánh giá hiệu năng: Đo lường độ trễ suy luận (Inference Latency), độ chính xác phân loại (Accuracy/Loss) và độ tin cậy vận hành trong điều kiện chiếu sáng cố định.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng kiểm tra: Vỏ lon nước giải khát tiêu chuẩn với các dạng khuyết tật: móp đầu, móp trên, móp giữa, móp dưới và móp một bên.
  • Môi trường thử nghiệm: Mô hình băng tải thực nghiệm tại phòng lab, hệ thống chiếu sáng nhân tạo cố định; camera thu nhận hình ảnh tĩnh khi cảm biến phát hiện vật thể dừng hoặc di chuyển ở vận tốc ổn định.
  • Giới hạn phần cứng: Sử dụng camera webcam độ phân giải tiêu chuẩn và bo mạch nhúng Jetson Nano phục vụ mục đích nghiên cứu, tốc độ đáp ứng xử lý đạt 1.5–2.0 giây/sản phẩm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Kiểm tra thủ công (Manual) Cảm biến quang học (Photoelectric) Thị giác máy thương mại (Cognex/Keyence) Giải pháp Đề tài (Jetson + CNN + PLC)
Độ chính xác 80% – 88% (giảm theo ca) Thấp (chỉ phát hiện vật thể) 99.2% – 99.8% 94.5% – 97.0%
Tính linh hoạt Cao nhưng không ổn định Rất thấp (không phân loại dạng lỗi) Cao (cấu hình chuyên sâu) Rất cao (huấn luyện lại CNN linh hoạt)
Chi phí đầu tư Chi phí nhân công định kỳ cao Rất thấp (< 50 USD) Rất cao (8,000 – 20,000 USD) Thấp / Tối ưu (< 400 USD)
Khả năng mở rộng Không Không Phụ thuộc vendor phần mềm Tùy biến mã nguồn mở hoàn toàn

Ma trận yêu cầu hệ thống (MoSCoW)

  • Must have (Bắt buộc): Nhận dạng được lon chuẩn (Normal) và lon móp (Defect); truyền tín hiệu mức logic 24V DC sang PLC S7-1200 an toàn; chống nhiễu điện áp công nghiệp.
  • Should have (Nên có): Phân tích hình thái biên nhanh bằng OpenCV trước khi kích hoạt mạng CNN sâu nhằm tối ưu tài nguyên tính toán.
  • Could have (Có thể có): Giao diện giám sát thống kê số lượng phế phẩm theo thời gian thực (GUI).
  • Won't have (Chưa thực hiện): Nhận dạng đa góc 360 độ đồng thời với cụm nhiều camera tốc độ cao (High-speed Multi-camera Array).

Thiết kế hệ thống

+---------------------------------------------------------------------------------------------------+
|                                  KIẾN TRÚC TỔNG THỂ HỆ THỐNG                                     |
|                                                                                                   |
|  [ Nguồn 24V DC ] ---------> [ Cảm biến E3F-DS30C4 ]                                              |
|                                      |                                                            |
|                                (Phát hiện phôi)                                                   |
|                                      v                                                            |
|  [ Camera USB ] -----------> [ Jetson Nano (Linux Ubuntu 18.04 / CUDA / TensorRT / Python) ]      |
|                                      |                                                            |
|                                (GPIO Pin 3.3V)                                                    |
|                                      v                                                            |
|                              [ Mạch Opto TLP281 ] (Cách ly quang 3.3V -> 24V)                     |
|                                      |                                                            |
|                                (Digital Input)                                                    |
|                                      v                                                            |
|                              [ PLC Siemens S7-1200 CPU 1214C ]                                    |
|                                      |                                                            |
|                               (Digital Output)                                                    |
|                                      v                                                            |
|                              [ Van điện từ / Xi lanh đẩy khí nén ]                                |
+---------------------------------------------------------------------------------------------------+

Danh mục công nghệ và phiên bản (Technology Stack)

  • Hệ điều hành nhúng: NVIDIA Linux for Tegra (L4T) / Ubuntu 18.04 LTS (JetPack SDK 4.4).
  • Framework Trí tuệ Nhân tạo: TensorFlow 2.1.0, Keras 2.3.1, CUDA Toolkit 10.2, cuDNN 8.0.
  • Thư viện Thị giác máy tính: OpenCV 4.1.1 (C++/Python API bindings).
  • Phần cứng điều khiển: PLC Siemens S7-1200 (CPU 1214C DC/DC/DC, TIA Portal V15.1), Module Opto cách ly 4 kênh TLP281.
  • Phần cứng thu nhận & cảm biến: Camera HD Logitech C270/C920, Cảm biến hồng ngoại NPN E3F-DS30C4 (khoảng cách phát hiện 10–30cm, nguồn cấp 6–36V DC).

Thiết kế phối ghép điện tử & an toàn công nghiệp

Mức điện áp logic của Jetson Nano GPIO là $3.3\text{V}$, trong khi ngõ vào số (Digital Input) của PLC Siemens S7-1200 yêu cầu mức tín hiệu công nghiệp chuẩn $24\text{V DC}$. Nếu đấu nối trực tiếp sẽ gây cháy hỏng vi điều khiển trên Jetson Nano. Hệ thống sử dụng mạch đệm cách ly quang TLP281 (Photocoupler Isolation):

  • Phía sơ cấp (Anode/Cathode qua trở hạn dòng $1\text{k}\Omega$): Kết nối GPIO Out và GND của Jetson Nano.
  • Phía thứ cấp (Collector/Emitter): Đấu nối nguồn $24\text{V DC}$ từ PLC sang ngõ vào %I0.0 của S7-1200, đảm bảo cách ly hoàn toàn điện áp tĩnh và xung ngược công nghiệp.

Implementation và kết quả

Quy trình phát triển giải thuật

1. Tiền xử lý ảnh hình thái học (Morphological Image Processing)

Ảnh đầu vào màu RGB kích thước gốc được chuyển đổi sang ảnh mức xám (Grayscale) theo công thức chuẩn ITU-R BT.601: $$Y = 0.299 \times R + 0.587 \times G + 0.114 \times B$$

Sau đó, áp dụng thuật toán phân ngưỡng nhị phân (Binary Thresholding) để tách phôi lon khỏi nền băng tải: $$I_{\text{binary}}(x, y) = \begin{cases} 255 & \text{nếu } I_{\text{gray}}(x, y) > \text{Threshold} \ 0 & \text{nếu } I_{\text{gray}}(x, y) \le \text{Threshold} \end{cases}$$

Áp dụng phép toán giãn nở ảnh (Dilation) với phần tử cấu trúc (Structuring Element) $B$ dạng hình chữ nhật kích thước $3 \times 3$ để làm liền các vết đứt đoạn trên đường biên: $$A \oplus B = \bigcup_{b \in B} A_b$$

import cv2
import numpy as np

def inspect_edge_profile(image_path, threshold_val=120, min_zero_pixels=45):
    """
    Kiem tra bien doc cua lon nuoc bang xu ly anh hinh thai hoc.
    Phat hien bien dang mop hai ben mep lon.
    """
    src = cv2.imread(image_path)
    gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
    
    # Phan nguong nhi phan
    _, binary = cv2.threshold(gray, threshold_val, 255, cv2.THRESH_BINARY)
    
    # Gian no anh khu nhieu
    kernel = np.ones((3, 3), np.uint8)
    dilated = cv2.dilate(binary, kernel, iterations=2)
    
    h, w = dilated.shape
    # Lay toa do 2 duong bien quan sat song song voi mep lon
    left_line = dilated[:, int(w * 0.15)]
    right_line = dilated[:, int(w * 0.85)]
    
    left_defects = np.sum(left_line == 0)
    right_defects = np.sum(right_line == 0)
    
    if left_defects > min_zero_pixels or right_defects > min_zero_pixels:
        return "DEFECT_LATERAL", dilated
    return "CHECK_CNN_REQUIRED", dilated

2. Nhận dạng khuyết tật bề mặt phức tạp với VGG16 Transfer Learning

Đối với các dạng khuyết tật nằm trực diện mặt trước camera (móp giữa, móp đầu) mà biên dạng cạnh bên không thay đổi, hệ thống chuyển tiếp ảnh sang mạng nơ-ron tích chập sâu VGG16 đã được huấn luyện chuyển giao.

import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras.layers import Dense, Flatten, Dropout
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam

def build_defect_detector_model(input_shape=(224, 224, 3), num_classes=2):
    # Su dung Backbone VGG16 khoi tao trong so tu ImageNet
    base_model = VGG16(weights='imagenet', include_top=False, input_shape=input_shape)
    
    # Freeze toan bo cac convolutional layers goc
    for layer in base_model.layers:
        layer.trainable = False
        
    # Xay dung Fully Connected Head moi
    x = Flatten(name='custom_flatten')(base_model.output)
    x = Dense(256, activation='relu', name='fc_1')(x)
    x = Dropout(0.5, name='dropout_1')(x)
    predictions = Dense(num_classes, activation='softmax', name='output_layer')(x)
    
    model = Model(inputs=base_model.input, outputs=predictions)
    
    model.compile(
        optimizer=Adam(learning_rate=1e-4),
        loss='categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

import Jetson.GPIO as GPIO
import time

# Cau hinh chan GPIO giao tiep PLC qua Opto TLP281
DEFECT_TRIGGER_PIN = 18  # Chan Physical Pin 12 tren Jetson Nano

GPIO.setmode(GPIO.BOARD)
GPIO.setup(DEFECT_TRIGGER_PIN, GPIO.OUT, initial=GPIO.LOW)

def send_defect_signal_to_plc(pulse_duration=0.15):
    """
    Phat xung muc cao 3.3V sang mach Opto de kich nguyen ly 24V vao PLC
    """
    try:
        GPIO.output(DEFECT_TRIGGER_PIN, GPIO.HIGH)
        time.sleep(pulse_duration) # Xung kich toi thieu 150ms dam bao PLC Scan Cycle bat duoc
        GPIO.output(DEFECT_TRIGGER_PIN, GPIO.LOW)
    except Exception as e:
        print(f"Loi truyen tin hieu GPIO: {e}")

Kết quả thực nghiệm và kiểm thử

Bộ dữ liệu thực nghiệm bao gồm $1,200$ mẫu ảnh thu thập trực tiếp trên băng tải, được tăng cường dữ liệu (Data Augmentation: Random Flip, Rotation $\pm 10^\circ$, Brightness Adjustment $\pm 20%$) lên $3,600$ ảnh.

Dạng khuyết tật kiểm thử Số lượng mẫu test Tỷ lệ nhận dạng chính xác Độ trễ suy luận trung bình
Bình thường (Normal) 300 97.33% (292/300) 1.62 s
Móp một bên (Lateral Dent) 200 98.50% (197/200) 0.08 s (OpenCV Fast Filter)
Móp đầu (Top Dent) 180 95.00% (171/180) 1.78 s (VGG16 CNN)
Móp thân giữa (Middle Dent) 180 93.88% (169/180) 1.81 s (VGG16 CNN)
Móp đáy (Bottom Dent) 140 95.71% (134/140) 1.75 s (VGG16 CNN)
Tổng thể toàn hệ thống 1,000 96.30% (963/1,000) 1.55 s / sản phẩm 
    Loss & Accuracy Convergence Graph (Training Phase)
    --------------------------------------------------
    Epoch 01/30: Loss: 0.624 | Accuracy: 68.2%
    Epoch 10/30: Loss: 0.281 | Accuracy: 89.4%
    Epoch 20/30: Loss: 0.118 | Accuracy: 95.8%
    Epoch 30/30: Loss: 0.084 | Accuracy: 97.1% [Hoi tu on dinh]

Đổi mới và đóng góp

  1. Kiến trúc phân tầng Hybrid Pipeline: Thay vì đưa tất cả khung hình vào mô hình Deep Learning vốn tiêu tốn tài nguyên trên máy tính nhúng, hệ thống sử dụng thuật toán phân tích biên độ biến dạng (Edge Profile Inspection) bằng OpenCV làm bộ lọc cấp 1 (mất chỉ $\approx 80\text{ms}$). Các trường hợp nghi ngờ hoặc khuyết tật dạng chiều sâu mới được chuyển tiếp vào mạng VGG16, giúp giảm tải $45%$ năng lượng tính toán tổng thể của chip nhúng.
  2. Giải pháp phần cứng công nghiệp tối ưu chi phí: Kết nối thành công nền tảng máy tính nhúng thương mại giá rẻ (Jetson Nano) với tiêu chuẩn điều khiển khả trình công nghiệp khắt khe (Siemens PLC S7-1200) qua tầng cách ly quang TLP281, mở ra hướng ứng dụng AI biên (Edge AI) chi phí thấp cho các doanh nghiệp vừa và nhỏ (SMEs).
  3. Độ ổn định cao trong phân loại khiếm khuyết cơ tính: Giải quyết triệt để bài toán biến dạng quang học do phản chiếu bề mặt nhôm kim loại mà các hệ thống cảm biến quang hoặc phân ngưỡng pixel đơn giản trước đây không xử lý được.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong nhà máy

  • Dây chuyền đóng hộp/đóng chai thực phẩm: Kiểm tra độ nguyên vẹn vỏ lon trước khi vào máy chiết rót nhằm tránh rò rỉ dung dịch, giảm thiểu sự cố dừng chuyền khẩn cấp (Zero Down Time - ZDT).
  • Ngành dược phẩm: Kiểm tra hình thái bao bì vỉ thuốc (Blister Pack Inspection), đếm số lượng viên thuốc tự động và loại bỏ vỉ rách/móp.
  • Dây chuyền dập kim loại cơ khí chính xác: Kiểm định ngoại quan phôi dập, phát hiện nứt vi mô và xước bề mặt.
+-----------------------------------------------------------------------------------------+
|                              LỘ TRÌNH TRIỂN KHAI CÔNG NGHIỆP                            |
|                                                                                         |
|  [ Giai đoạn 1: Khảo sát & Chuẩn hóa ]                                                  |
|  - Lắp đặt buồng tối & Đèn LED Ring Diffuse chống lóa kim loại                          |
|  - Định vị cảm biến tiệm cận quang học                                                  |
|                                                                                         |
|  [ Giai đoạn 2: Nâng cấp Phần cứng AI ]                                                 |
|  - Chuyển đổi Camera USB -> Camera Basler GigE Vision                                  |
|  - Chuyển Jetson Nano -> Jetson Orin Nano (Tăng tốc TensorRT INT8)                      |
|                                                                                         |
|  [ Giai đoạn 3: Tích hợp & Vận hành SCADA ]                                             |
|  - Giao tiếp PLC S7-1200 qua giao thức PROFINET / OPC UA                               |
|  - Kết nối Dashboard quản trị chất lượng tập trung                                      |
+-----------------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí triển khai hệ thống đề tài: $\approx 350 - 400\text{ USD}$ (Jetson Nano, Camera, Mạch TLP281, Nguồn phụ trợ).
  • So với hệ thống thị giác máy chuyên dụng: Tiết kiệm hơn $90%$ chi phí đầu tư ban đầu so với các cụm máy Vision chuyên dụng (từ $5,000 - 15,000\text{ USD}$).
  • Thời gian hoàn vốn ước tính: $3 - 6\text{ tháng}$ thông qua việc cắt giảm tỷ lệ phế phẩm lọt lưới và giảm thiểu giờ công giám sát thủ công.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Tốc độ xử lý: Độ trễ từ $1.5 - 2.0\text{ s/lon}$ là phù hợp với dây chuyền bán tự động nhưng chưa đáp ứng được các dây chuyền siêu tốc ($300 - 600\text{ lon/phút}$).
  • Hệ thống quang học: Sử dụng camera webcam thông thường nên còn phụ thuộc vào nguồn sáng môi trường ngoài; hiện tượng lóa sáng trên kim loại chưa được triệt tiêu hoàn toàn bằng kính lọc phân cực (Polarized Filter).
  • Dung lượng mạng: Mô hình VGG16 có số lượng tham số lớn ($\approx 138\text{ triệu}$ tham số), tiêu tốn nhiều bộ nhớ RAM/VRAM của Jetson Nano.

Hướng nâng cấp đề xuất

  1. Tối ưu hóa mô hình AI với TensorRT & Quantization: Chuyển đổi mô hình sang định dạng ONNX/TensorRT với độ chính xác số thực bán phần FP16 hoặc số nguyên INT8, giúp tăng tốc độ suy luận lên gấp 4–6 lần ($< 200\text{ms}$).
  2. Chuyển đổi kiến trúc mạng: Thay thế VGG16 bằng các mô hình gọn nhẹ chuyên biệt cho biên như MobileNetV3-Small hoặc YOLOv8-Nano.
  3. Nâng cấp phần cứng thu nhận: Sử dụng Camera công nghiệp giao tiếp GigE Vision hỗ trợ Global Shutter kết hợp hệ thống đèn vòng tán xạ vòm (Dome Light) chuyên dụng cho bề mặt kim loại bóng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Cơ điện tử / Tự động hóa: Tài liệu mẫu hoàn chỉnh về việc tích hợp liên ngành giữa Kỹ thuật Xử lý ảnh, Trí tuệ nhân tạo (Deep Learning) và Điều khiển tự động hóa công nghiệp (PLC).
  • Kỹ sư phát triển hệ thống nhúng (Embedded/AI Developers): Nắm vững kiến trúc giao tiếp an toàn phần cứng giữa vi điều khiển/SBC logic $3.3\text{V}$ với thiết bị điều khiển chuẩn công nghiệp $24\text{V}$.
  • Doanh nghiệp sản xuất vừa và nhỏ (SMEs): Bản thiết kế tham chiếu (Reference Design) khả thi về mặt tài chính để tự động hóa khâu kiểm soát chất lượng bao bì mà không cần đầu tư hệ thống đắt đỏ.
  • Nhà nghiên cứu thị giác máy: Dữ liệu thực nghiệm về so sánh hiệu năng giữa thuật toán xử lý hình thái học truyền thống và mạng nơ-ron học sâu trên thiết bị biên.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai hệ thống trong thực tế là gì?

Phần cứng yêu cầu tối thiểu gồm: NVIDIA Jetson Nano Developer Kit (bản 4GB RAM), nguồn cấp chuẩn 5V-4A chân Jack DC tròn để đảm bảo đủ công suất cho GPU chạy chế độ 10W (MAXN); thẻ nhớ MicroSD 64GB chuẩn UHS-I Class 10/U3; Camera USB hỗ trợ UVC độ phân giải tối thiểu 720p; Cảm biến tiệm cận NPN và PLC hỗ trợ ngõ vào số 24V DC.

2. Làm thế nào để giải quyết tình trạng trễ thời gian (Latency) khi tích hợp trên dây chuyền tốc độ cao?

Để giảm độ trễ từ $1.5\text{s}$ xuống dưới $0.1\text{s}$:

  • Chuyển đổi mô hình từ Keras/TensorFlow sang NVIDIA TensorRT engine tối ưu hóa trực tiếp trên kiến trúc Maxwell GPU.
  • Thay thế mạng VGG16 bằng MobileNetV3 hoặc mạng CNN tùy biến chỉ có 4–5 lớp tích chập.
  • Tận dụng tối đa bộ lọc OpenCV cấp 1 để loại bỏ 80% trường hợp lỗi biên mà không cần gọi đến mạng CNN.

3. Tại sao bắt buộc phải sử dụng mạch cách ly quang TLP281 giữa Jetson Nano và PLC?

GPIO của Jetson Nano hoạt động ở điện áp $3.3\text{V DC}$ với dòng chịu đựng cực thấp ($< 10\text{mA}$), trong khi ngõ vào số của PLC Siemens S7-1200 làm việc ở mức $24\text{V DC}$. Nếu không có mạch cách ly quang TLP281, sự chênh lệch điện áp và các xung điện cảm ứng từ rơ-le/động cơ trong môi trường công nghiệp sẽ phá hủy ngay lập tức chip SoC trên Jetson Nano.

4. Hệ thống cần bảo trì định kỳ những hạng mục nào?

  • Vệ sinh định kỳ bề mặt thấu kính camera và đèn chiếu sáng để tránh bụi bẩn làm giảm độ tương phản hình ảnh.
  • Kiểm tra độ lỏng giắc cắm cáp quang, dây tín hiệu GPIO và cáp nguồn $24\text{V}$ trên thanh ray tủ điện do rung động từ băng tải.
  • Thu thập thêm các mẫu sản phẩm mới để fine-tune lại trọng số mạng nơ-ron nếu thay đổi chủng loại bao bì.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) được tính toán như thế nào?

Tổng chi phí phần cứng nhúng và phụ kiện tự lắp ráp dao động khoảng $350 - 400\text{ USD}$. Khi thay thế 01 nhân sự kiểm định thủ công (chi phí lương trung bình 300 USD/tháng) và giảm tỷ lệ phế phẩm lọt ra thị trường, doanh nghiệp có thể hoàn vốn toàn bộ chi phí đầu tư chỉ trong vòng $1.5 - 3\text{ tháng}$.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu và ứng dụng Machine Vision phát hiện sản phẩm lỗi trong công nghiệp" đã giải quyết trọn vẹn bài toán tự động hóa kiểm định chất lượng bao bì kim loại bằng việc kết hợp thành công giữa Trí tuệ Nhân tạo hiện đại và Kỹ thuật Điều khiển Tự động hóa truyền thống.

Bằng việc kết hợp thông minh giữa thuật toán xử lý ảnh hình thái học OpenCV và mạng nơ-ron tích chập sâu VGG16 Transfer Learning trên nền tảng máy tính nhúng NVIDIA Jetson Nano phối ghép PLC Siemens S7-1200, hệ thống đạt độ chính xác phân loại tổng thể 96.30% trên 5 dạng khuyết tật điển hình của lon nước. Giải pháp không chỉ chứng minh tính khả thi kỹ thuật vượt trội mà còn mang lại giá trị kinh tế thực tiễn cao, mở ra hướng ứng dụng Machine Vision chi phí thấp nhưng đạt chuẩn tin cậy công nghiệp cho các nhà máy sản xuất thông minh trong tương lai.