Ứng Dụng Xử Lý Ảnh Để Phân Loại Sản Phẩm Bằng QR Code Trên Băng Tải: Phân Tích Kỹ Thuật Và Đánh Giá Thực Nghiệm

Tóm tắt nghiên cứu (200-250 từ)

Nghiên cứu này giải quyết bài toán tự động hóa quy trình phân loại hàng hóa trên dây chuyền sản xuất thông qua câu hỏi cốt lõi: Làm thế nào để xây dựng một hệ thống phân loại sản phẩm tự động, chi phí thấp, ứng dụng công nghệ xử lý ảnh số nhận diện mã QR trên băng tải chuyển động liên tục? Nhóm tác giả tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) đã đề xuất mô hình tích hợp phân tầng: sử dụng máy tính nhúng Raspberry Pi 3B+ làm trung tâm thị giác máy tính (Machine Vision) và vi điều khiển Arduino Uno R3 điều khiển cơ cấu chấp hành thời gian thực.

Quy trình xử lý ảnh sử dụng thư viện OpenCV trên nền tảng Python, bao gồm chuỗi thuật toán: chuyển đổi ảnh xám, làm mịn Gaussian ($5\times5$), tách biên Canny, xấp xỉ đa giác Ramer–Douglas–Peucker và đặc biệt là kỹ thuật biến đổi đồng nhất phẳng (Planar Homography) để hiệu chỉnh biến dạng phối cảnh do góc chụp camera.

Kết quả thử nghiệm thực tế trên mô hình phần cứng cho thấy hệ thống đạt tỷ lệ nhận dạng và phân loại chính xác 60% (6/10 mẫu thử nghiệm) trong điều kiện vận hành chuẩn, với khoảng cách nhận diện tối ưu từ 25–35 cm. Nghiên cứu mang lại ý nghĩa thực tiễn quan trọng, chứng minh khả năng ứng dụng các thuật toán thị giác mã nguồn mở kết hợp phần cứng nhúng phổ thông nhằm tối ưu hóa chi phí đầu tư cho các dây chuyền phân loại quy mô vừa và nhỏ.

Bối cảnh và tầm quan trọng (300-350 từ)

Trong kỷ nguyên Công nghiệp 4.0 và sự bùng nổ của thương mại điện tử, tự động hóa khâu phân loại sản phẩm và quản lý logistics trở thành yếu tố sống còn đối với năng lực cạnh tranh của doanh nghiệp. Phương thức phân loại thủ công bằng sức người bộc lộ nhiều điểm nghẽn nghiêm trọng: năng suất thấp, tỷ lệ sai sót cao, chi phí nhân công lớn và tiềm ẩn nguy cơ mất an toàn lao động. Trong khi đó, phương pháp nhận dạng truyền thống bằng mã vạch một chiều (1D Barcode) bị giới hạn nghiêm trọng về dung lượng lưu trữ thông tin, đòi hỏi đầu đọc quang học chuyên dụng đắt tiền và yêu cầu căn chỉnh góc quét rất khắt khe.

Mã QR (Quick Response Code) nổi lên như một giải pháp thay thế vượt trội nhờ khả năng lưu trữ dữ liệu đa chiều ma trận lớn, tích hợp thuật toán sửa lỗi Reed-Solomon và cho phép trích xuất thông tin tốc độ cao. Tuy nhiên, việc ứng dụng mã QR trên băng chuyền công nghiệp gặp phải rào cản kỹ thuật lớn: hiện tượng biến dạng hình học phối cảnh (perspective distortion) khi sản phẩm di chuyển lệch góc camera, rung lắc cơ khí và sự biến thiên của điều kiện ánh sáng môi trường.

Nghiên cứu này được thực hiện kịp thời nhằm lấp đầy khoảng trống giữa lý thuyết xử lý ảnh hình học xạ ảnh và triển khai phần cứng nhúng chi phí thấp tại Việt Nam. Thay vì đầu tư các hệ thống kiểm tra quang học tự động (AOI) công nghiệp đắt đỏ từ nước ngoài, giải pháp phát triển kiến trúc nhúng dựa trên Raspberry Pi và Arduino mang lại tiềm năng ứng dụng to lớn. Đề tài mở ra hướng đi khả thi cho các doanh nghiệp vừa và nhỏ (SMEs) trong việc nâng cấp dây chuyền sản xuất tự động, giảm diện tích kho bãi thông qua luân chuyển hàng hóa tức thời và rút ngắn hành trình đưa sản phẩm đến tay người tiêu dùng.

Methodology và approach (350-400 từ)

Nghiên cứu áp dụng phương pháp thiết kế thực nghiệm kết hợp mô hình phần cứng - phần mềm lồng ghép (Hardware-in-the-loop) với cấu trúc phân tầng rõ ràng:

[Camera Module] ---> [Raspberry Pi 3B+ (Xử lý ảnh / OpenCV / GUI Tkinter)]
                           |
                     (UART / PySerial)
                           v
[Cảm biến NPN] ---> [Arduino Uno R3] ---> [Mạch L298N + Động cơ DC Băng tải]
                                     ---> [Động cơ Micro Servo SG90 (Phân làn)]

1. Kiến trúc phần cứng và thu thập dữ liệu

  • Hệ thống điều khiển & thị giác: Máy tính nhúng Raspberry Pi 3B+ (Broadcom BCM2837 64-bit quad-core 1.2 GHz) kết nối trực tiếp với Raspberry Pi Camera Board để thu nhận dòng video thời gian thực.
  • Tầng chấp hành & cảm biến: Vi điều khiển Arduino Uno R3 (ATmega328P) tiếp nhận tín hiệu từ cảm biến tiệm cận quang điện hồng ngoại NPN E3F-DS30C4 (khoảng cách phát hiện 5–30 cm) để nhận biết sản phẩm đến vị trí chụp. Arduino điều khiển động cơ DC giảm tốc JGB37-520 kéo băng chuyền qua mạch cầu H L298N và điều chế độ rộng xung (PWM 50Hz, chu kỳ 20ms, độ rộng xung 1–2ms) để xoay động cơ Micro Servo SG90 gạt sản phẩm sang làn phân loại tương ứng.

2. Pipeline xử lý ảnh và kỹ thuật phân tích

Thuật toán thị giác máy tính được xây dựng bằng Python và OpenCV theo quy trình tuần tự:

  1. Tiền xử lý ảnh: Chuyển đổi khung hình từ không gian màu BGR sang mức xám (Grayscale) theo công thức chuẩn: $$Y = 0.299R + 0.587G + 0.114B$$
  2. Khử nhiễu: Áp dụng bộ lọc Gaussian 2D kích thước kernel $5\times5$ với độ lệch chuẩn $\sigma=1$: $$G(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}$$
  3. Phát hiện biên cạnh (Canny Edge Detection): Sử dụng toán tử Sobel ($3\times3$) tính gradient hướng ($G_x, G_y$), triệt tiêu các điểm không phải cực đại cục bộ (Non-Maximum Suppression - NMS) và phân ngưỡng Hysteresis kép để giữ lại các đường biên thực.
  4. Trích xuất & xấp xỉ đường bao: Tìm kiếm đường bao đóng (cv2.findContours với cờ RETR_TREE), sau đó áp dụng thuật toán Ramer–Douglas–Peucker (cv2.approxPolyDP) với sai số khoảng cách $\epsilon = 0.01 \times \text{chu vi}$ để ước lượng chính xác 4 đỉnh hình học của nhãn QR.
  5. Biến đổi đồng nhất phẳng (Planar Homography): Thiết lập ma trận biến đổi $H$ ($3\times3$) chiếu hệ tọa độ thực tế sang mặt phẳng trực giao 2D tiêu chuẩn, loại bỏ hoàn toàn độ méo góc chụp trước khi giải mã nội dung QR.
  6. Truyền thông & Giao diện: Sau khi giải mã, chuỗi ký tự được hiển thị trên giao diện người dùng Tkinter GUI và truyền qua giao thức nối tiếp (pyserial) sang Arduino để thực thi tác vụ phân loại cơ khí.

Phát hiện chính (400-450 từ)

Quá trình thử nghiệm thực nghiệm trên 10 trường hợp ảnh chụp thực tế từ hệ thống băng tải động đã ghi nhận các kết quả kỹ thuật then chốt:

+-----------------------------------------------------------------------+
|                 KẾT QUẢ KIỂM TRA ĐỘ CHÍNH XÁC HỆ THỐNG               |
+-------------------+--------------------+------------------------------+
| Chỉ số kiểm tra   | Giá trị thực nghiệm| Ghi chú kỹ thuật             |
+-------------------+--------------------+------------------------------+
| Tỷ lệ nhận diện   | 6/10 mẫu (60.0%)   | Băng tải chuyển động liên tục|
| Khoảng cách quét  | 25 cm - 35 cm      | Tiêu cự camera cố định       |
| Khử méo góc nghiêng| Thành công qua $H$ | Ma trận Planar Homography    |
| Chống nhiễu nền   | Hoạt động tốt      | Phông nền có vật thể phức tạp|
| Khả năng chịu che | Kém khi mất Finder | Mất góc định vị 3 hình vuông |
| Độ nhạy ánh sáng  | Cao                | Lỗi tách biên khi thiếu sáng |
+-------------------+--------------------+------------------------------+

1. Hiệu suất phân loại và độ chính xác tổng thể

Hệ thống đạt tỷ lệ nhận dạng và phân làn chính xác 60% trong điều kiện thử nghiệm thực tế. Tốc độ xử lý của Raspberry Pi 3B+ đáp ứng tốt yêu cầu thời gian thực đối với băng tải vận tốc thấp đến trung bình ($v \approx 4\text{ m/phút}$), truyền lệnh điều khiển servo gạt góc $0^\circ - 180^\circ$ dứt khoát và đồng bộ.

2. Vai trò quyết định của biến đổi Planar Homography

Các góc chụp nghiêng của camera thường làm biến dạng mã QR từ hình vuông chuẩn thành hình tứ giác lệch, khiến các bộ giải mã tiêu chuẩn thất bại. Việc kết hợp thuật toán Ramer–Douglas–Peucker và ma trận Homography $H$ đã tái tạo thành công mặt phẳng trực giao của nhãn QR, giúp thuật toán đọc được dữ liệu ở những góc chụp lệch mà không cần căn chỉnh cơ khí phức tạp.

3. Vùng làm việc tối ưu và độ nhạy ánh sáng

Hệ thống hoạt động với độ tin cậy cao nhất khi camera được bố trí ở khoảng cách cố định từ 25 cm đến 35 cm so với mặt băng chuyền và môi trường có ánh sáng khuếch tán đồng đều. Ngược lại, trong điều kiện ánh sáng yếu hoặc có bóng sương tối cục bộ, thuật toán Canny không thể phân tách chính xác biên độ gradient, dẫn đến đứt gãy đường bao và làm thất bại bước tìm kiếm 4 đỉnh định vị.

4. Giới hạn đối với góc xoay và vật cản che khuất

  • Nhiễu nền: Hệ thống thể hiện khả năng lọc nhiễu nền xung quanh rất tốt nhờ bước xấp xỉ đa giác khép kín.
  • Vật cản (Occlusion): Khi mã QR bị che khuất một phần góc hoặc mất 1 trong 3 cụm hình vuông định vị (Position Detection Patterns), hệ thống mất khả năng nhận dạng hoàn toàn.
  • Hướng xoay (Orientation): Thuật toán giải mã phụ thuộc vào hướng đặt nhãn; các trường hợp mã QR bị xoay ngược $180^\circ$ ngoài cấu hình chuẩn ban đầu ghi nhận tỷ lệ lỗi cao do giới hạn tiền xử lý định hướng.

Đóng góp khoa học (250-300 từ)

  1. Đóng góp về mặt lý thuyết & phương pháp luận: Nghiên cứu đã hệ thống hóa và cụ thể hóa việc ứng dụng các thuật toán hình học xạ ảnh (Projective Geometry) và thuật toán xấp xỉ Ramer–Douglas–Peucker vào bài toán thị giác máy tính nhúng. Công trình cung cấp giải pháp toán học rõ ràng để giải quyết vấn đề biến dạng hình ảnh phối cảnh trong môi trường công nghiệp mà không đòi hỏi các thuật toán học sâu nặng nề.

  2. Cải tiến kỹ thuật & Kiến trúc hệ thống: Đề xuất kiến trúc điều khiển phân tán hiệu quả (Master-Slave Architecture) kết hợp giữa hệ điều hành Linux nhúng (Raspberry Pi) và nền tảng điều khiển thời gian thực cứng (Arduino). Mô hình này tối ưu hóa việc phân chia tài nguyên: giao tác vụ tính toán ma trận ảnh cho chip ARM đa nhân và giao tác vụ quét cảm biến, phát xung PWM điều khiển động cơ cho vi điều khiển chuyên dụng.

  3. Ý nghĩa thực tiễn & Chuyển giao công nghệ: Công trình cung cấp một tài liệu thiết kế hoàn chỉnh từ tính toán lực kéo cơ khí ($F_{k} > 1\text{N}$, chọn động cơ JGB37-520), sơ đồ đấu nối mạch điện tử công suất (L298N), đến toàn bộ mã nguồn giao diện Tkinter GUI và pipeline OpenCV. Đây là tài liệu tham khảo có giá trị cao cho việc chế tạo các trạm phân loại bưu kiện, hàng hóa tự động với giá thành chỉ bằng một phần nhỏ so với hệ sinh thái công nghiệp đóng gói.

Đối tượng quan tâm (200-250 từ)

Nghiên cứu mang lại giá trị thiết thực cho nhiều nhóm đối tượng chuyên môn:

  • Giảng viên và Sinh viên khối ngành Kỹ thuật: Sinh viên ngành Kỹ thuật Điều khiển & Tự động hóa, Cơ điện tử, Robot, Điện tử - Viễn thông và Khoa học Máy tính có thể sử dụng đề tài như một đồ án mẫu mực về sự kết hợp liên ngành giữa phần cứng cơ điện tử và phần mềm xử lý ảnh.
  • Kỹ sư Tự động hóa & R&D: Các kỹ sư thiết kế máy công nghiệp, tích hợp hệ thống (System Integrators) cần tài liệu tham khảo để phát triển các module đọc mã ma trận 2D nhúng chi phí thấp trên băng chuyền sản xuất.
  • Chủ doanh nghiệp vừa, nhỏ (SMEs) & Quản lý vận hành kho: Nhà quản lý các kho logistics, xưởng đóng gói hàng hóa đang tìm kiếm phương án tự động hóa từng phần (Flexible Automation) với ngân sách đầu tư ban đầu thấp nhằm thay thế việc quét mã vạch cầm tay thủ công.
  • Lợi ích cụ thể nhận được: Nắm bắt quy trình tính toán chọn công suất động cơ băng tải, phương pháp chống nhiễu cảm biến tiệm cận quang, kỹ thuật giao tiếp PySerial ổn định và thuật toán nắn phẳng ảnh Homography bằng OpenCV.

FAQ (Câu hỏi thường gặp) (250-300 từ)

1. Phát hiện quan trọng nhất của nghiên cứu là gì?

Phát hiện then chốt là việc áp dụng biến đổi đồng nhất phẳng (Planar Homography) giúp khôi phục chính xác hình học mã QR bị méo do góc chụp nghiêng của camera trên băng tải, cho phép nhận dạng thành công mà không cần căn chỉnh cơ khí quá khắt khe.

2. Phương pháp nghiên cứu trong đề tài có điểm gì đặc biệt?

Điểm đặc biệt là sự kết hợp phân tầng giữa máy tính nhúng Raspberry Pi 3B+ (chuyên trách thuật toán thị giác và giao diện GUI) và Arduino Uno R3 (chuyên trách điều khiển động cơ và đọc cảm biến tức thời qua cổng UART/Serial), giúp hệ thống hoạt động ổn định và tiết kiệm chi phí.

3. Kết quả thực nghiệm 60% có thể khái quát hóa (generalize) trong công nghiệp không?

Tỷ lệ 60% phản ánh giới hạn của mô hình mẫu trong điều kiện chiếu sáng tự nhiên và camera cơ bản. Để triển khai ở quy mô công nghiệp ổn định ($\ge 99%$), hệ thống cần bổ sung đèn chiếu sáng vòng chuyên dụng (Ring Light) và nâng cấp camera công nghiệp có màn trập toàn khung (Global Shutter).

4. Hướng phát triển tiếp theo của nghiên cứu là gì?

Tích hợp mạng nơ-ron học sâu (Deep Learning / YOLO) để định vị mã QR trong điều kiện xoay đa hướng bất kỳ, bổ sung cơ chế gạt phân loại đa làn (Multi-gate Sorting) và đồng bộ dữ liệu lên máy chủ quản lý kho qua giao thức IoT (MQTT/Cloud).

5. Hệ thống có thể ứng dụng trong các lĩnh vực thực tế nào?

Hệ thống ứng dụng trực tiếp tại các trung tâm phân loại chuyển phát nhanh, dây chuyền đóng gói nông sản - thực phẩm, nhà máy sản xuất linh kiện và hệ thống quản lý xuất nhập kho tự động.

Kết luận (150 từ)

Đề tài nghiên cứu khoa học "Ứng dụng xử lý ảnh để phân loại sản phẩm bằng QR code trên băng tải" của nhóm sinh viên Trường ĐH Sư phạm Kỹ thuật TP.HCM đã hiện thực hóa thành công một hệ thống cơ điện tử - thị giác máy tính khép kín và giàu tính ứng dụng. Bằng việc làm chủ quy trình thị giác từ tiền xử lý ảnh xám, lọc Gaussian, thuật toán Canny đến biến đổi hình học Planar Homography, nhóm nghiên cứu đã chứng minh tính khả thi của giải pháp phân loại tự động hóa chi phí thấp trên nền tảng Raspberry Pi và Arduino.

Hướng nghiên cứu tiếp theo sẽ tập trung vào việc chuẩn hóa nguồn sáng công nghiệp, nâng cấp cảm biến ảnh tốc độ cao và mở rộng thuật toán nhận dạng đa hướng. Các đơn vị nghiên cứu và doanh nghiệp quan tâm có thể ứng dụng khung thiết kế này để tùy biến, thử nghiệm và triển khai rộng rãi vào các dây chuyền phân loại tự động thông minh trong thực tế sản xuất.