Ứng dụng xử lý ảnh và máy học phân loại sản phẩm màu nhập và xuất kho

Đồ án ứng dụng xử lý ảnh và máy học phân loại sản phẩm màu tại ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Nguyễn Viết Duẩn
• Người hướng dẫn: ThS. Nguyễn Phong Lưu
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Ứng dụng xử lý ảnh và máy học phân loại sản phẩm màu nhập và xuất kho
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về xử lý ảnh và máy học phân loại sản phẩm màu

Xử lý ảnh và máy học đang thay đổi cách vận hành kho hàng hiện đại. Tại Trường Đại học Sư phạm Kỹ thuật TP.HCM, sinh viên Nguyễn Viết Duẩn đã phát triển hệ thống phân loại sản phẩm màu tự động phục vụ xuất nhập kho. Đề tài thuộc ngành Kỹ thuật Điều khiển và Tự động hóa, hoàn thành tháng 6/2025 dưới sự hướng dẫn của ThS. Nguyễn Phong Lưu. Hệ thống kết hợp camera công nghiệp, thuật toán nhận dạng màu sắc và mạng nơ-ron NASNet-Mobile để phân loại sản phẩm theo màu sắc. PLC Siemens S7-1200 CPU 1212 DC/DC/DC đảm nhận vai trò điều khiển cơ cấu chấp hành. Python đóng vai trò trung gian, giao tiếp giữa phần mềm xử lý ảnh và hệ thống PLC. Toàn bộ quy trình diễn ra tự động, không cần sự can thiệp của con người trong bước phân loại. Đây là hướng tiếp cận phù hợp với xu hướng công nghiệp 4.0, nơi tự động hóa và trí tuệ nhân tạo được tích hợp trực tiếp vào dây chuyền sản xuất. Mô hình thực nghiệm đã được thi công và chạy thử nghiệm thành công, mở ra hướng ứng dụng rộng trong quản lý kho thông minh.

1.1. Bối cảnh nghiên cứu tại ĐH SPKT TP.HCM

Đề tài được thực hiện trong khuôn khổ đồ án tốt nghiệp hệ Đào tạo Chất lượng cao, Khoa Điện – Điện tử, Bộ môn Tự động hóa. Sinh viên Nguyễn Viết Duẩn, MSSV 17151051, khóa 2017, nhận đề tài ngày 22/03/2025 và nộp kết quả ngày 10/06/2025. Hướng nghiên cứu tập trung vào ứng dụng thực tiễn của xử lý ảnh trong bài toán quản lý kho. Đây là một trong những đề tài tiêu biểu gắn kết lý thuyết tự động hóa với thực tiễn sản xuất công nghiệp tại Việt Nam.

1.2. Vai trò của tự động hóa trong phân loại sản phẩm màu

Phân loại sản phẩm theo màu sắc bằng tay tốn nhiều nhân lực và dễ mắc sai sót. Hệ thống tự động hóa sử dụng camera và thuật toán máy học giải quyết vấn đề này hiệu quả. Màu sắc được nhận diện chính xác, nhất quán và xử lý với tốc độ cao. Ứng dụng phù hợp với các doanh nghiệp sản xuất hàng tiêu dùng, điện tử và dệt may, nơi tiêu chuẩn màu sắc ảnh hưởng trực tiếp đến chất lượng sản phẩm và sự hài lòng của khách hàng.

II. Phân tích bài toán phân loại màu trong quản lý xuất nhập kho

Quản lý kho truyền thống gặp nhiều thách thức khi xử lý sản phẩm đa dạng màu sắc. Nhân công khó phân biệt chính xác các sắc thái gần nhau như đỏ đậm và cam nhạt. Điều kiện ánh sáng thay đổi làm sai lệch kết quả phân loại thủ công. Tốc độ xử lý chậm gây tắc nghẽn dây chuyền, đặc biệt trong giờ cao điểm xuất hàng. Hệ thống tích hợp xử lý ảnh và máy học giải quyết ba vấn đề cốt lõi này. Camera thu thập hình ảnh sản phẩm ở điều kiện chuẩn hóa ánh sáng. Thuật toán NASNet-Mobile phân tích đặc trưng màu sắc từ ảnh đầu vào. Kết quả phân loại được truyền tức thì đến PLC S7-1200 để điều khiển băng tải. Mô hình này đã được kiểm nghiệm thực tế tại phòng thí nghiệm ĐH SPKT TP.HCM. Kết quả cho thấy độ chính xác vượt trội so với phân loại thủ công. Hệ thống hoạt động ổn định dù điều kiện ánh sáng môi trường có thay đổi trong biên độ nhất định. Đây là nền tảng để triển khai hệ thống kho thông minh quy mô lớn hơn trong tương lai.

2.1. Hạn chế của phương pháp phân loại thủ công truyền thống

Phân loại thủ công phụ thuộc vào năng lực thị giác và sự tập trung của công nhân. Sau nhiều giờ làm việc, tỷ lệ sai sót tăng đáng kể do mỏi mắt và mất tập trung. Với sản phẩm có màu sắc gần nhau, ngay cả công nhân lành nghề cũng dễ nhầm lẫn. Chi phí nhân công cho khâu phân loại chiếm tỷ lệ lớn trong tổng chi phí vận hành kho. Không có số liệu phân loại được ghi nhận tự động, gây khó khăn cho công tác kiểm kê và truy xuất nguồn gốc sản phẩm.

2.2. Yêu cầu kỹ thuật của hệ thống phân loại thông minh

Hệ thống phân loại thông minh cần đáp ứng ba tiêu chí: độ chính xác cao, tốc độ phân loại nhanh và khả năng hoạt động liên tục. Camera phải có độ phân giải đủ để thu nhận sắc độ màu rõ nét. Thuật toán cần được huấn luyện trên tập dữ liệu đủ lớn và đa dạng. Giao tiếp giữa phần mềm Python và PLC phải ổn định, trễ thấp. Cơ cấu chấp hành cần phản hồi chính xác theo lệnh phân loại từ hệ thống điều khiển trung tâm.

III. Giải pháp kỹ thuật NASNet Mobile PLC S7 1200 và Python

Hệ thống được xây dựng trên ba trụ cột kỹ thuật chính. Thứ nhất, mạng nơ-ron NASNet-Mobile đảm nhận nhận dạng màu sắc từ ảnh đầu vào. NASNet do nhóm Google AI phát triển năm 2017, dựa trên phương pháp Tìm kiếm Kiến trúc Mạng Nơ-ron (NAS). Phiên bản Mobile được tối ưu cho thiết bị có tài nguyên tính toán hạn chế, phù hợp với hệ thống nhúng trong công nghiệp. Thứ hai, PLC Siemens S7-1200 CPU 1212 DC/DC/DC điều khiển toàn bộ cơ cấu cơ khí của mô hình kho. CPU sử dụng bộ xử lý với xung nhịp từ 1 đến 8 MHz, đồng bộ hóa tất cả tín hiệu digital trong hệ thống. Bộ nhớ PLC bao gồm ROM, RAM và EPROM phục vụ lưu trữ chương trình điều khiển. Thứ ba, Python chạy trên phần mềm Spyder kết nối hai thành phần trên thành một hệ thống liền mạch. Giao thức truyền thông giữa Python và PLC được cấu hình để truyền kết quả phân loại theo thời gian thực. Khi NASNet-Mobile xác định màu sắc sản phẩm, Python gửi lệnh tương ứng đến PLC, kích hoạt băng tải đưa hàng vào đúng vị trí kho.

3.1. Mạng NASNet Mobile và quy trình nhận dạng màu sắc

NASNet-Mobile sử dụng kiến trúc tích chập tối ưu được tìm kiếm tự động bằng thuật toán NAS. Mạng được huấn luyện nhận diện các đặc trưng hình ảnh đặc trưng cho từng màu sắc sản phẩm. Ảnh đầu vào được tiền xử lý chuẩn hóa kích thước và điều chỉnh độ sáng trước khi đưa vào mạng. Kết quả đầu ra là nhãn màu tương ứng với xác suất dự đoán. Phần mềm Spyder hỗ trợ phát triển và kiểm thử toàn bộ pipeline xử lý ảnh trong môi trường Python linh hoạt.

3.2. Kiến trúc điều khiển PLC S7 1200 và giao tiếp Python

PLC S7-1200 CPU 1212 DC/DC/DC nhận lệnh từ Python qua giao thức truyền thông công nghiệp. Bộ ALU của CPU xử lý tín hiệu và tạo đầu ra điều khiển băng tải, xi lanh phân loại. Chương trình PLC được lập trình để nhận nhãn màu và kích hoạt đúng đường dẫn hàng hóa. Thời gian phản hồi từ khi nhận lệnh đến khi cơ cấu chấp hành hoạt động được tối thiểu hóa. Toàn bộ quy trình đảm bảo hàng hóa được phân loại và đưa vào kho đúng vị trí theo màu sắc định trước.

IV. Kết quả ứng dụng thực tiễn và hướng phát triển tương lai

Mô hình thực nghiệm tại ĐH SPKT TP.HCM hoàn thành và chạy thử nghiệm thành công. Hệ thống phân loại sản phẩm theo màu đạt độ chính xác cao, phù hợp với yêu cầu ứng dụng công nghiệp. Quy trình xuất nhập kho được tự động hóa hoàn toàn ở khâu nhận diện và phân loại. Robot và băng tải vận hành theo lệnh PLC, sắp xếp hàng hóa đúng vị trí theo màu sắc. Kết quả đánh giá xác nhận hệ thống ổn định trong điều kiện ánh sáng biến thiên thực tế. Ứng dụng thực tiễn bao gồm kho hàng điện tử, kho dệt may và kho dược phẩm, nơi màu sắc là tiêu chí phân loại và kiểm soát chất lượng quan trọng. Kết hợp với IoT và cảm biến môi trường, hệ thống có thể theo dõi tình trạng hàng hóa theo thời gian thực. Hướng phát triển tiếp theo bao gồm mở rộng số lượng màu nhận diện, nâng cao độ phân giải phân biệt sắc độ và tích hợp hệ thống quản lý kho WMS. Đề tài khẳng định tiềm năng lớn của tự động hóa thông minh trong logistics Việt Nam.

4.1. Đánh giá kết quả và ưu nhược điểm của hệ thống

Hệ thống đạt kết quả tích cực về độ chính xác phân loại màu và tốc độ xử lý. Ưu điểm nổi bật là khả năng hoạt động liên tục, giảm phụ thuộc nhân công và ghi nhận dữ liệu tự động. Nhược điểm hiện tại bao gồm giới hạn số lượng màu nhận dạng và yêu cầu điều kiện ánh sáng tương đối ổn định. Chi phí đầu tư ban đầu cho camera, PLC và hệ thống băng tải cần được cân nhắc so với lợi ích dài hạn khi triển khai thực tế tại doanh nghiệp.

4.2. Hướng phát triển và tiềm năng ứng dụng trong công nghiệp 4.0

Tích hợp IoT và cảm biến môi trường giúp hệ thống theo dõi hàng hóa toàn diện hơn. Kết hợp với phần mềm WMS, dữ liệu phân loại màu có thể đồng bộ trực tiếp vào hệ thống quản lý kho doanh nghiệp. Nâng cấp lên mô hình học sâu thế hệ mới tăng khả năng phân biệt sắc độ tinh tế hơn. Triển khai trên dây chuyền thực tế tại nhà máy là bước tiếp theo khả thi sau giai đoạn thử nghiệm mô hình tại trường đại học.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong làn sóng của cuộc cách mạng công nghiệp lần thứ tư, việc ứng dụng các giải pháp tự động hóa, trí tuệ nhân tạo (AI), thị giác máy tính và học máy (machine learning) vào dây chuyền sản xuất cũng như quy trình quản lý kho hàng đang trở thành xu hướng tất yếu. Tại các kho vận truyền thống, công tác phân loại, nhập và xuất hàng hóa theo đặc tính sản phẩm (đặc biệt là theo màu sắc đối với các mặt hàng như bao bì, gạch men, vải sợi, chai lọ, linh kiện điện tử, sơn, hạt nhựa hay thực phẩm đóng gói) phần lớn vẫn phụ thuộc vào thao tác thủ công của con người. Phương thức vận hành này bộc lộ nhiều điểm nghẽn: dễ xảy ra sai sót do sự mệt mỏi của người lao động, cường độ làm việc kéo dài, điều kiện chiếu sáng không đồng đều và tính chủ quan trong đánh giá cảm quan. Những sai sót này làm giảm năng suất tổng thể, phát sinh chi phí vận hành và làm gián đoạn chuỗi cung ứng.

Xuất phát từ yêu cầu thực tiễn đó, đề tài đồ án tốt nghiệp "Ứng dụng xử lý ảnh và máy học phân loại sản phẩm màu nhập và xuất kho" được thực hiện bởi sinh viên Nguyễn Viết Duẩn, dưới sự hướng dẫn của ThS. Nguyễn Phong Lưu tại Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (thực hiện từ ngày 22/03/2025 đến ngày 10/06/2025). Đề tài tập trung giải quyết bài toán tự động hóa hoàn toàn quy trình phân loại và lưu trữ sản phẩm dựa trên nhận diện thị giác kết hợp điều khiển chuyển động công nghiệp.

Mục tiêu và nhiệm vụ nghiên cứu cụ thể của đề tài bao gồm các nội dung được phân định rõ ràng:

1. Tìm hiểu nguyên lý hoạt động, cấu trúc phần cứng và tập lệnh của bộ điều khiển logic khả trình PLC Siemens S7-1200 CPU 1212 DC/DC/DC.
2. Thiết lập và tối ưu hóa kết nối truyền thông công nghiệp phục vụ việc trao đổi dữ liệu hai chiều giữa môi trường lập trình Python và PLC.
3. Nghiên cứu và khai thác môi trường phát triển tích hợp Spyder cùng hệ sinh thái Anaconda phục vụ lập trình thuật toán.
4. Tìm hiểu kỹ thuật xử lý ảnh kỹ thuật số và mô hình mạng nơ-ron tích chập NASNet-Mobile nhằm phục vụ việc phân loại màu sắc và nhận diện phế phẩm.
5. Thiết kế và gia công thi công hoàn thiện mô hình cơ khí - điện phục vụ công tác xuất nhập hàng tự động.
6. Vận hành thử nghiệm mô hình thực tế, thu thập số liệu phân loại trên các mẫu sản phẩm có màu sắc khác nhau.
7. Đánh giá kết quả thực nghiệm, chỉ ra ưu điểm, nhược điểm và xác định các hướng phát triển tiếp theo của hệ thống.

Để đạt được mục tiêu nêu trên, đề tài xác định phạm vi xử lý tập trung vào 3 bài toán kỹ thuật cốt lõi:

• Vấn đề cơ khí: Tính toán, lựa chọn vật liệu và kết cấu chuyển động (trục vít, cơ cấu trượt ray V-slot, bộ truyền đai) đảm bảo hệ thống có kết cấu nhỏ gọn, thẩm mỹ, hoạt động bền bỉ, dễ lắp đặt và bảo trì.
• Vấn đề điều khiển: Lập trình điều khiển đồng bộ chuyển động của robot lấy hàng thông qua PLC dựa trên tín hiệu nhận dạng truyền về từ camera.
• Vấn đề an toàn: Thiết kế mạch điều khiển, bố trí nút dừng khẩn cấp và bảo vệ chống kẹt cơ học nhằm bảo đảm an toàn cho người vận hành cũng như giữ nguyên vẹn hình thức sản phẩm.

Đối tượng và phạm vi nghiên cứu của đề tài gồm 6 nội dung kỹ thuật trọng tâm:

1. Cơ chế vận hành, tập lệnh và đáp ứng ngõ vào/ra của bộ điều khiển PLC Siemens S7-1200.
2. Các thuật toán xử lý ảnh số dựa trên các gói thư viện mã nguồn mở chuyên dụng của Python (OpenCV, NumPy, SciPy).
3. Giao thức truyền thông công nghiệp Modbus TCP kết nối giữa máy tính xử lý trung tâm và PLC.
4. Xây dựng giao diện điều khiển và giám sát vận hành (GUI) trên nền tảng Python.
5. Cấu trúc mạng nơ-ron tích chập (CNN) và kiến trúc tối ưu NASNet-Mobile ứng dụng trong phân loại thị giác.
6. Khả năng ứng dụng công nghệ mạng vạn vật (IoT) trong việc giám sát từ xa trạng thái của nhà kho.

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp nền tảng lý thuyết giữa công nghệ điều khiển tự động hóa công nghiệp và các thuật toán thị giác máy tính - học máy. Về mặt phương pháp luận, tác giả sử dụng phương pháp nghiên cứu tài liệu thứ cấp (kế thừa các báo cáo khoa học, giáo trình, tiêu chuẩn kỹ thuật chuyên ngành về tự động hóa kho hàng và mạng nơ-ron) kết hợp phương pháp phân tích, so sánh, tổng hợp để đối chiếu lý thuyết với điều kiện thi công mô hình thực nghiệm.

Khung cơ sở lý thuyết bao gồm các trụ cột kỹ thuật:

• Hệ thống kho lưu trữ và truy xuất tự động (ASRS): Cơ chế lưu trữ khoa học, vai trò của robot vận chuyển tự động (AGV), cánh tay robot công nghiệp, hệ thống băng tải thông minh, công nghệ định danh bằng mã vạch (Barcode) và sóng vô tuyến (RFID), cùng hệ thống phần mềm quản lý kho (WMS).
• Xử lý ảnh kỹ thuật số: Cấu trúc biểu diễn hình ảnh trên lưới điểm ảnh (pixel), các không gian biểu diễn màu sắc (ảnh xám mức độ 0–255, không gian màu RGB 3 kênh, không gian RGBA hỗ trợ độ trong suốt); chuỗi thao tác tiền xử lý ảnh gồm thu nhận ảnh, nâng cao chất lượng ảnh, khôi phục ảnh, lọc hình thái học, phân đoạn và trích xuất đặc trưng hình học.
• Thư viện OpenCV: Tận dụng các hàm tối ưu hóa về thị giác máy tính mã nguồn mở viết trên C++/Python, bao gồm các chức năng phát hiện biên cạnh, đường viền, phân ngưỡng nhị phân và nhận dạng mẫu đối tượng.
• Mạng nơ-ron NASNet-Mobile: Khung kiến trúc mạng nơ-ron tích chập được phát triển dựa trên phương pháp Tìm kiếm Kiến trúc Mạng Nơ-ron (Neural Architecture Search - NAS). Kiến trúc này sử dụng bộ điều khiển mạng nơ-ron tái phát (Controller RNN) kết hợp học củng cố (Reinforcement Learning) để tự động tìm kiếm các khối tế bào (Normal Cell và Reduction Cell) tối ưu nhất, giúp mô hình đạt hiệu năng tính toán cao và kích thước gọn nhẹ, tương thích tốt với các hệ thống nhúng và máy tính biên.
• Điều khiển tự động bằng PLC: Cấu trúc phần cứng của PLC Siemens S7-1200 CPU 1212 DC/DC/DC bao gồm bộ xử lý trung tâm (CPU), bộ nhớ (ROM, RAM, EPROM), khối nguồn hạ áp và hệ thống giao tiếp ngõ vào/ra số (Digital I/O), mạch đếm xung tốc độ cao (HSC).
• Giao thức truyền thông Modbus TCP/IP: Mô hình trao đổi dữ liệu công nghiệp hoạt động trên nền tảng mạng Ethernet cục bộ, cho phép máy tính chủ gửi/nhận trạng thái bit (Coils/Inputs) và thanh ghi lưu trữ (Holding Registers) trực tiếp tới bộ nhớ nội vi của PLC.

Nguồn dữ liệu của nghiên cứu bao gồm tài liệu kỹ thuật của thiết bị điều khiển Siemens, thư viện mã nguồn mở OpenCV, TensorFlow/Keras cho mạng học máy và tập dữ liệu hình ảnh sản phẩm mẫu được ghi nhận trực tiếp từ camera của hệ thống thực nghiệm.

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc điều khiển phân tầng: tầng thị giác - xử lý dữ liệu cấp cao (máy tính cá nhân chạy Python) và tầng chấp hành - điều khiển thời gian thực (PLC điều khiển động cơ bước và cơ cấu khí nén).

Phân tầng hệ thống	Thành phần phần cứng / phần mềm	Chức năng kỹ thuật chính
Khối xử lý trung tâm	- Máy tính chạy Spyder / Anaconda - Thư viện OpenCV, NumPy, SciPy - Mô hình NASNet-Mobile	Thu nhận luồng hình ảnh từ camera, tiền xử lý ảnh, trích xuất đặc trưng màu sắc, phân loại trạng thái sản phẩm đạt/lỗi và xuất tín hiệu điều khiển.
Khối giao tiếp mạng	- Cáp Ethernet công nghiệp - Giao thức Modbus TCP/IP	Đóng vai trò cầu nối dữ liệu, truyền mã trạng thái phân loại từ kịch bản Python vào vùng nhớ thanh ghi của PLC S7-1200.
Khối điều khiển trung tâm	- PLC Siemens S7-1200 CPU 1212 DC/DC/DC - Phần mềm TIA Portal V16	Tiếp nhận tín hiệu từ máy tính và cảm biến, thực thi giải thuật tuần tự, điều khiển phát xung kích hoạt chuyển động của các trục robot.
Khối chấp hành & truyền động	- Driver động cơ bước TB6600 4A - Động cơ bước - Cơ cấu trục vít me, trượt ray V-slot, bộ truyền đai - Thanh trượt dẫn hướng vuông và tròn	Chuyển đổi lệnh điều khiển thành chuyển động cơ học tịnh tiến 3 trục để đưa cơ cấu kẹp/hút hàng đến đúng tọa độ ô lưu trữ trong kho.
Khối phụ trợ & khí nén	- Bộ nguồn tổ ong DC chuyển mạch - Van xả điện từ hai chiều - Nút dừng khẩn cấp LAY37-11ZS	Cung cấp nguồn điện ổn định 24VDC/5VDC; điều khiển hút/nhả sản phẩm qua cơ cấu khí nén; ngắt mạch bảo vệ hệ thống khi phát sinh sự cố.

Quy trình vận hành logic của hệ thống được thực hiện theo chuỗi tuần tự khép kín:

1. Sản phẩm nhập kho được chuyển vào khu vực kiểm tra quang học.
2. Camera độ phân giải cố định chụp lại bề mặt sản phẩm.
3. Thuật toán trên Python tiến hành cắt lọc vùng quan tâm (ROI), khử nhiễu và đưa qua mô hình phân loại NASNet-Mobile để xác định một trong bốn nhóm màu: đỏ, xanh da trời, xanh lá cây và tím, đồng thời phân biệt sản phẩm đạt tiêu chuẩn hay sản phẩm lỗi.
4. Kịch bản Python ghi kết quả phân loại thành một giá trị nguyên xuống thanh ghi Modbus TCP của PLC Siemens S7-1200.
5. PLC đọc giá trị thanh ghi, kích hoạt bộ điều khiển phát xung đến driver TB6600 để điều khiển động cơ bước dẫn động các trục chuyển động theo cơ cấu trượt V-slot và trục vít.
6. Cơ cấu chấp hành di chuyển đến vị trí sản phẩm, kích hoạt van điện từ để gắp/hút sản phẩm, vận chuyển và đặt chính xác vào ô kệ kho quy định ứng với màu sắc đó.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập tính cấp thiết của đề tài nghiên cứu dựa trên bối cảnh hiện đại hóa dây chuyền logistics và kho vận trong cuộc cách mạng công nghiệp 4.0. Tác giả chỉ rõ những bất cập của phương pháp phân loại màu sắc bằng mắt thường như tính thiếu ổn định, dễ sai lệch theo ánh sáng và sự mệt mỏi của con người. Chương này xác định rõ mục tiêu chế tạo mô hình xuất nhập hàng tự động kết hợp xử lý ảnh, liên kết truyền thông giữa Python và PLC S7-1200. Tác giả liệt kê chi tiết 6 đối tượng nghiên cứu, phân tích 3 thách thức kỹ thuật (cơ khí, điều khiển, an toàn), xác định phương pháp tiếp cận qua tài liệu thứ cấp và thực nghiệm, đồng thời phác thảo bố cục toàn bộ 6 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các kiến thức lý thuyết nền tảng. Phần đầu giới thiệu cấu trúc tổng thể của hệ thống kho thông minh ASRS, bao gồm các thành phần: xe tự hành AGV, cánh tay robot, cảm biến RFID, mã vạch và băng chuyền phân loại. Phần tiếp theo phân tích bản chất của ảnh kỹ thuật số, nguyên lý ma trận điểm ảnh, các hệ màu (ảnh xám, RGB, RGBA) và chuỗi 10 bước xử lý ảnh căn bản. Tác giả giới thiệu cú pháp, ưu điểm của ngôn ngữ Python và thư viện OpenCV trong việc phát hiện đối tượng, phân ngưỡng và xử lý hình thái học. Tiếp đó, chương này đi sâu vào bộ điều khiển PLC: lịch sử, vai trò, cấu trúc phần cứng (CPU, ALU, các loại bộ nhớ RAM/ROM/EPROM), ưu - nhược điểm và phạm vi ứng dụng công nghiệp. Cuối cùng, tác giả trình bày kiến trúc mạng nơ-ron học sâu NASNet-Mobile, phương pháp tìm kiếm kiến trúc mạng NAS thông qua Controller RNN và học củng cố, cùng nguyên lý truyền thông của giao thức Modbus TCP/IP.

Chương 3: Tính toán và thiết kế

Chương 3 tập trung vào công tác thiết kế kỹ thuật cho toàn bộ hệ thống. Tác giả xây dựng sơ đồ khối tổng quan mô tả mối liên kết giữa khối cấp nguồn, khối xử lý ảnh trung tâm, khối điều khiển logic và cơ cấu chấp hành. Các tính toán lựa chọn linh kiện được thể hiện chi tiết: chọn nguồn tổ ong DC chuyển mạch để cấp điện cho PLC và các mạch điều khiển; tính toán công suất điều khiển của mô-đun driver TB6600 4A phù hợp dòng định mức của động cơ bước; lựa chọn nút nhấn dừng khẩn cấp LAY37-11ZS đảm bảo an toàn vận hành; thiết kế van xả điện từ hai chiều điều khiển khí nén cho cơ cấu gắp sản phẩm. Về phần cơ khí, tác giả lập sơ đồ động học so sánh giữa cơ cấu truyền động trục vít me và cơ cấu trượt ray nhôm V-slot kết hợp bộ truyền đai, phân tích đặc tính chịu tải của thanh trượt dẫn hướng vuông và thanh trượt tròn để chọn ra phương án tối ưu cho mô hình lưu kho nhiều tầng.

Chương 4: Thi công hệ thống

Chương 4 ghi lại toàn bộ tiến trình hiện thực hóa mô hình từ bản vẽ đến thiết bị thực tế. Nội dung bao gồm việc gia công lắp ráp khung cơ khí kho hàng, lắp đặt hệ thống cơ cấu trượt 3 trục tọa độ, bố trí camera quan sát tại trạm phân loại. Công tác thi công phần điện bao gồm việc thiết kế tủ điện, cố định bộ điều khiển PLC Siemens S7-1200 CPU 1212 DC/DC/DC, bố trí hệ thống driver TB6600, đi dây nguồn, dây tín hiệu chống nhiễu và nút dừng khẩn cấp. Về phần mềm, chương này mô tả quy trình viết mã điều khiển logic trên phần mềm TIA Portal V16, cấu hình địa chỉ IP và khối giao tiếp Modbus TCP cho PLC. Trên máy tính, tác giả triển khai môi trường Anaconda, sử dụng IDE Spyder để xây dựng chương trình Python đọc camera qua OpenCV, nhúng mô hình mạng NASNet-Mobile và thiết lập thuật toán gửi lệnh điều khiển. Quy trình hướng dẫn vận hành từng bước cũng được trình bày chi tiết tại chương này.

Chương 5: Kết quả nhận xét đánh giá

Chương 5 cung cấp các minh chứng thực nghiệm thu được từ mô hình hoàn chỉnh. Tác giả chụp ảnh và đánh giá chất lượng thi công của hệ thống mô hình cơ khí cũng như tủ đấu nối điện. Trọng tâm của chương là việc đánh giá kết quả chạy thử nghiệm phân loại trên 4 nhóm sản phẩm có màu sắc khác biệt: màu đỏ, màu xanh da trời, màu tím và màu xanh lá cây. Tác giả tiến hành đo lường, đối chiếu kết quả thống kê thông qua hai bảng thử nghiệm: kết quả khi mô hình học máy chưa được huấn luyện (nhận dạng theo ngưỡng màu thuần túy hoặc trọng số ngẫu nhiên) và kết quả sau khi mô hình đã được huấn luyện đầy đủ bộ dữ liệu. Kết quả cho thấy hệ thống hoạt động ổn định, phân loại chính xác các màu sắc mục tiêu và thực hiện đúng chu trình gắp - đưa sản phẩm vào kho.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết toàn bộ các kết quả kỹ thuật đã hoàn thành so với mục tiêu đặt ra ở đề tài, đồng thời thẳng thắn chỉ ra các nhược điểm còn tồn tại của hệ thống. Những hạn chế bao gồm: sai số cơ học tích lũy ở bộ truyền đai hoặc cơ cấu trượt sau thời gian hoạt động dài, tính ổn định của việc nhận dạng màu sắc còn nhạy cảm với sự biến đổi của cường độ ánh sáng môi trường thực tế, và thời gian trễ nhất định trong chu kỳ truyền thông mạng giữa Python và PLC. Từ đó, tác giả đề xuất các hướng phát triển kỹ thuật trong tương lai nhằm nâng cao độ chính xác, tối ưu hóa đường đi và thời gian xuất nhập kho.

Kết quả và đóng góp

Đồ án đã chế tạo thành công một mô hình thực nghiệm hoàn chỉnh có khả năng vận hành tự động đồng bộ giữa phần mềm thị giác máy tính và phần cứng công nghiệp.

Các kết quả thực nghiệm nổi bật ghi nhận trong đồ án:

• Về mặt cơ điện: Hoàn thiện mô hình kho hàng nhiều ngăn lưu trữ, tích hợp hệ thống chuyển động đa trục sử dụng động cơ bước điều khiển bởi driver TB6600 4A, cơ cấu trượt ray V-slot, trục vít me và thanh trượt dẫn hướng. Hệ thống khí nén với van điện từ hai chiều đáp ứng tốt thao tác giữ và nhả phôi hàng.
• Về mặt tích hợp điều khiển: Thiết lập thành công kết nối truyền thông Modbus TCP ổn định giữa chương trình thị giác máy tính viết bằng Python (chạy trên môi trường Spyder) và PLC Siemens S7-1200 CPU 1212 DC/DC/DC lập trình trên TIA Portal V16.
• Về mặt xử lý ảnh và học máy: Ứng dụng thành công mô hình NASNet-Mobile để nhận diện và phân loại chính xác 4 nhóm màu sắc sản phẩm gồm:
  • Sản phẩm màu đỏ (Red).
  • Sản phẩm màu xanh da trời (Blue).
  • Sản phẩm màu xanh lá cây (Green).
  • Sản phẩm màu tím (Purple).
• Dữ liệu so sánh thực nghiệm được tác giả tổng hợp qua hai trạng thái thử nghiệm:

Trạng thái thử nghiệm mô hình	Khả năng nhận diện màu sắc (Đỏ, Xanh trời, Xanh lá, Tím)	Mức độ đáp ứng điều khiển của hệ thống
Khi model chưa được huấn luyện	Xuất hiện sai lệch lớn giữa các mẫu màu có độ tương đồng, độ nhạy cao với góc phản xạ ánh sáng, dễ phân loại nhầm.	Hệ thống chấp hành nhận sai mã trạng thái từ Python, gắp đặt sản phẩm sai vị trí ngăn kho tương ứng.
Khi model đã được huấn luyện	Nhận diện chính xác 4 nhóm màu quy định, trích xuất đặc trưng ổn định ngay cả khi có sự thay đổi nhỏ về sắc độ.	PLC nhận đúng mã màu qua thanh ghi Modbus TCP, điều khiển cơ cấu đưa sản phẩm vào đúng ngăn kệ quy định.

Đóng góp của đề tài nằm ở việc xây dựng một giải pháp mẫu (prototype) kết hợp hài hòa giữa công nghệ trí tuệ nhân tạo hiện đại (mạng học sâu NASNet-Mobile, thư viện OpenCV trên Python) với thiết bị điều khiển khả trình công nghiệp tiêu chuẩn (PLC S7-1200). Đồ án chứng minh tính khả thi của việc loại bỏ các ngưỡng màu cố định bằng thuật toán học máy, giúp hệ thống thích nghi linh hoạt hơn với dữ liệu thực tế mà không cần trang bị các cảm biến quang học đắt tiền cho từng vị trí phân loại.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung đánh giá tại Chương 6 của văn bản đồ án, hệ thống còn tồn tại một số hạn chế kỹ thuật:

• Cơ khí và truyền động: Mô hình thi công ở quy mô phòng thí nghiệm nên cơ cấu trượt ray nhôm và bộ truyền đai còn xảy ra hiện tượng rung lắc nhẹ khi đổi chiều chuyển động nhanh, tạo ra sai số định vị cơ học sau một chu kỳ làm việc liên tục.
• Yếu tố quang học môi trường: Mặc dù mô hình học sâu NASNet-Mobile có tính khái quát hóa cao hơn phương pháp lọc màu tĩnh, sự thay đổi quá mức của ánh sáng ngoại cảnh xung quanh mô hình vẫn có thể gây ảnh hưởng đến chất lượng ảnh chụp và xác suất nhận dạng.
• Độ trễ truyền thông: Thời gian xử lý ảnh qua mạng nơ-ron trên máy tính kết hợp chu kỳ quét gửi dữ liệu qua giao thức Modbus TCP đến PLC tạo ra một độ trễ nhỏ trước khi cơ cấu chấp hành nhận được lệnh di chuyển.

Hướng nghiên cứu và phát triển tiếp theo được tác giả đề ra:

• Tối ưu hóa giải thuật điều khiển kho: Nghiên cứu và tích hợp các thuật toán tìm kiếm đường đi ngắn nhất (như A* hoặc Dijkstra) và tối ưu hóa thời gian di chuyển để sắp xếp vị trí các ô lưu trữ xuất/nhập một cách thông minh nhất.
• Hoàn thiện tính năng kết nối vạn vật (IoT): Xây dựng hệ thống bảng điều khiển (dashboard) giám sát từ xa qua mạng Wi-Fi hoặc nền tảng đám mây, giúp theo dõi lượng tồn kho, trạng thái vận hành và cảnh báo sự cố theo thời gian thực mà không cần trực tiếp tại xưởng.
• Nâng cao năng lực học máy: Mở rộng tập dữ liệu huấn luyện để nhận dạng thêm các khuyết tật bề mặt, vết nứt, móp méo của sản phẩm thay vì chỉ nhận dạng 4 nhóm màu cơ bản.

Giá trị tham khảo

Đồ án tốt nghiệp này là nguồn tài liệu kỹ thuật có giá trị ứng dụng cao cho các đối tượng sau:

• Sinh viên chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Robot và Kỹ thuật Điện tử: Tài liệu cung cấp quy trình toàn diện từ thiết kế cơ khí, đấu nối mạch điện công nghiệp (PLC, driver động cơ bước, van khí nén) cho đến lập trình PLC trên TIA Portal V16.
• Người làm đề tài nghiên cứu tích hợp AI vào công nghiệp: Đồ án là tài liệu tham khảo trực quan về phương pháp cấu hình truyền thông Modbus TCP/IP để liên kết môi trường phần mềm Python (OpenCV, mô hình học sâu) với phần cứng PLC Siemens, giải quyết rào cản giao tiếp giữa lớp xử lý trí tuệ nhân tạo và tầng điều khiển thời gian thực.
• Kỹ sư thiết kế hệ thống kho thông minh cỡ nhỏ: Bản vẽ khối, sơ đồ kết nối chân driver TB6600, cấu tạo khung trượt ray V-slot và trục vít me là những giải pháp cơ điện có thể tái sử dụng để xây dựng các mô hình ASRS thu nhỏ hoặc máy phân loại sản phẩm tự động.

Câu hỏi thường gặp

1. Bộ điều khiển PLC được sử dụng trong mô hình là dòng nào và có cấu hình phần cứng ra sao?
Hệ thống sử dụng bộ điều khiển lập trình PLC Siemens SIMATIC S7-1200 với mã hiệu CPU 1212 DC/DC/DC. Dòng CPU này hoạt động với nguồn cung cấp một chiều (DC), ngõ vào số một chiều và ngõ ra kích transistor (DC).

2. Quá trình trao đổi dữ liệu giữa máy tính chạy Python và bộ điều khiển PLC được thực hiện qua giao thức nào?
Dữ liệu phân loại được truyền tải thông qua giao thức Modbus TCP/IP chạy trên nền mạng Ethernet. Chương trình Python gửi mã màu đã nhận dạng vào các thanh ghi lưu trữ (Holding Registers) của PLC, từ đó PLC đọc dữ liệu này để kích hoạt chu trình điều khiển tương ứng.

3. Mô hình thị giác máy tính trong đồ án phân loại được những màu sắc cụ thể nào?
Hệ thống được thiết kế và thực nghiệm để nhận dạng, phân loại 4 nhóm màu sắc sản phẩm chính: màu đỏ (Red), màu xanh da trời (Blue), màu tím (Purple) và màu xanh lá cây (Green).

4. Khối điều khiển chuyển động của mô hình sử dụng những linh kiện chính nào?
Khối chuyển động sử dụng động cơ bước được ghép nối điều khiển thông qua các mô-đun trình điều khiển TB6600 4A. Chuyển động cơ học tịnh tiến được dẫn động bằng sự kết hợp giữa cơ cấu trục vít me, cơ cấu trượt rãnh nhôm V-slot và bộ truyền đai, kết hợp thanh trượt dẫn hướng vuông và thanh trượt tròn.

5. Mô hình mạng học sâu nào được tác giả lựa chọn để phục vụ công tác nhận dạng và tại sao?
Tác giả lựa chọn mô hình NASNet-Mobile. Đây là kiến trúc mạng nơ-ron tích chập được tối ưu hóa thông qua cơ chế Tìm kiếm Kiến trúc Mạng Nơ-ron (NAS) kết hợp học củng cố, mang lại ưu thế vượt trội về kích thước nhỏ gọn và tốc độ tính toán nhanh, rất thích hợp cho các ứng dụng phân loại thời gian thực.

Kết luận

Đồ án tốt nghiệp của sinh viên Nguyễn Viết Duẩn đã giải quyết thành công bài toán tự động hóa quy trình phân loại và lưu trữ sản phẩm màu thông qua việc tích hợp thị giác máy tính với điều khiển công nghiệp. Bằng sự kết hợp giữa mô hình học sâu NASNet-Mobile trên nền Python và bộ điều khiển lập trình PLC Siemens S7-1200 qua giao thức Modbus TCP, hệ thống đã vận hành chính xác chu trình phân loại 4 nhóm màu sắc trên mô hình thực nghiệm. Toàn bộ thiết kế cơ khí 3 trục, mạch điện đấu nối driver TB6600, van xả điện từ và chương trình TIA Portal V16 đều được xây dựng hoàn chỉnh, có độ tin cậy kỹ thuật cao. Đây là công trình thực nghiệm tiêu biểu, phản ánh đúng xu hướng chuyển đổi số và tự động hóa thông minh trong ngành logistics và quản lý kho vận hiện đại.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan. Trình bày vấn đề và lý do chọn đề tài, mục tiêu và bố cục của đề tài.  Chương 2: Cơ sở lý thuyết. Giới thiệu giải pháp điều khiển kho hàng thông minh bằng các thuật toán tối ưu, giới thiệu về xử lý ảnh , máy học, PLC, các lý thuyết liên quan đến đề tài.

Chương 3: Thiết kế và xây dựng hệ thống. Trình bày các sơ đồ khối, bản thiết kế mô hình và nguyên lý hoạt động của hệ thống. Phân tích và lựa chọn linh kiện phù hợp với đề tài.  Chương 4: Thi công hệ thống.

Trình bày quá trình thực hiện mô hình phần cứng và các bước để có thể hoàn thành hệ thống điều khiển Robot xuất nhập hàng.  Chương 5: Kết quả so sánh, thực nghiệm, phân tích, tổng hợp. Trình bày những kết quả đạt được từ thực nghiệm. Phân tích, đánh giá và so sánh với mục tiêu ban đầu đặt ra.

 Chương 6: Kết luận và hướng phát triển. Trình bày những điểm mạnh và những điều chưa đạt được của hệ thống và đưa ra các giải pháp phát triển cho đề tài trong tương lai. 5 Chương 2: CƠ SỞ LÝ THUYẾT 2. Tổng quan về hệ thống xuất nhập kho thông minh Trong thời đại công nghiệp 4.0, các doanh nghiệp đang nhanh chóng chuyển đổi sang các giải pháp tự động hóa để nâng cao hiệu quả và khả năng cạnh tranh.

Một trong những giải pháp tiên tiến được ứng dụng rộng rãi là hệ thống xuất nhập kho thông minh. Hệ thống này không chỉ giúp tối ưu hóa quy trình quản lý kho bãi mà còn mang lại lợi ích vượt trội trong việc giảm thiểu chi phí, tăng cường độ chính xác và nâng cao tốc độ xử lý. Hệ thống xuất nhập kho thông minh sử dụng công nghệ tự động hóa, trí tuệ nhân tạo (AI) [6], Internet vạn vật (IoT) [7], và các phần mềm quản lý tiên tiến để thay thế hoặc hỗ trợ các quy trình thủ công truyền thống.1: Hệ thống kho thông minh ASRS  Vai trò và sự phát triển của hệ thống xuất nhập kho thông minh Xuất nhập kho là một phần không thể thiếu trong quản lý chuỗi cung ứng. Quy trình này bao gồm việc tiếp nhận, lưu trữ, kiểm kê, và vận chuyển hàng hóa.

Trước đây, việc quản lý kho chủ yếu dựa vào nhân công, ghi chép thủ công, và kiểm kê định kỳ. Tuy nhiên, phương pháp truyền thống này có nhiều hạn chế như dễ xảy ra sai sót, 6 tốn thời gian và chi phí lao động cao. Với sự ra đời của các hệ thống xuất nhập kho thông minh, những hạn chế này đã được khắc phục một cách hiệu quả. Hệ thống xuất nhập kho thông minh đã phát triển mạnh mẽ nhờ vào những tiến bộ của công nghệ tự động hóa và AI.

Trong hệ thống hiện đại, các công nghệ như robot vận chuyển tự động (AGV), cánh tay robot, cảm biến RFID, băng tải thông minh, và phần mềm quản lý kho (WMS) được tích hợp để tạo ra một môi trường vận hành tự động, giúp theo dõi và xử lý hàng hóa theo thời gian thực.  Cấu trúc của hệ thống xuất nhập kho thông minh Hệ thống xuất nhập kho thông minh bao gồm hai thành phần chính: phần cứng và phần mềm. Sự phối hợp giữa các thành phần này tạo ra một môi trường vận hành liền mạch, liên tục và hiệu quả.  Thành phần phần cứng  Robot vận chuyển tự động (AGV - Automated Guided Vehicles): AGV là các robot di chuyển linh hoạt trong kho, giúp vận chuyển hàng hóa từ khu vực nhập kho đến các vị trí lưu trữ đã định sẵn hoặc từ kho ra khu vực xuất hàng.