(Luận văn) nghiên cứu hệ thống kiểm tra chiết rót chai tự động

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu hệ thống kiểm tra chiết rót chai tự động TRẦN THIÊN NAM thiennam.tran2009@gmail.com Chuyên ngành Kỹ thuật Cơ Điện Tử lu an n va GVCC TS Nguyễn Trọng Doanh Chữ ký GVHD Bộ môn: Viện: Cơ Điện Tử Cơ Khí p ie gh tn to Giảng viên hướng dẫn: d oa nl w nf va an lu z at nh oi lm ul z HÀ NỘI, 3/2020 m co l gm @ an Lu n va ac th si ĐỀ TÀI LUẬN VĂN Đề tài tên tiếng Việt “Nghiên cứu hệ thống kiểm tra chiết rót chai tự động” Đề tài tên tiếng Anh “Research of automatic vision system for bottle filling inspection” Giáo viên hướng dẫn: GVCC.TS Nguyễn Trọng Doanh lu an n va p ie gh tn to d oa nl w nf va an lu Giáo viên hướng dẫn Ký ghi rõ họ tên z at nh oi lm ul z m co l gm @ an Lu n va ac th si LỜI CẢM ƠN Đầu tiên em xin chân thành cảm ơn GVCC.TS Nguyễn Trọng Doanh TS Hoàng Hồng Hải – người trực tiếp hướng dẫn định hướng giúp em nhanh chóng tiếp cận, nắm bắt kiến thức hoàn thành đề tài luận văn Em xin gửi lời cảm ơn tới tồn thể thầy giáo khoa mơn Cơ điện tử – Viện Cơ khí trường Đại học Bách Khoa – Hà Nội, tận tình giảng dạy trang bị cho em kiến thức quý báu năm học vừa qua Mặc dù em cố gắng hồn thành tốt đề tài khơng thể tránh khỏi sai sót định, mong nhận đóng góp ý kiến thầy giáo bạn TÓM TẮT NỘI DUNG LUẬN VĂN Nội dung nghiên cứu: Nghiên cứu sơ lược hệ thống kiểm tra chiết rót chai tự động lu Nghiên cứu tổng quan hệ thống xử lý ảnh Nghiên cứu kĩ thuật thuật toán nhận dạng phát đối tượng an n va Nghiên cứu mô hình YOLO tốn nhận dạng đối tượng gh tn to Nghiên cứu tối ưu hóa thuật tốn phát nhận dạng lỗi chai Kết nghiên cứu: p ie Bằng phương pháp kết hợp sử dụng mạng nơ-ron (YOLO) phương pháp tìm biên cạnh truyền thống, thuật toán phát lỗi đạt hai mục tiêu chính: nâng cao độ xác khả kiểm tra trực tuyến đảm bảo tính ổn đinh tiết kiệm thời gian xử lý hệ thống Một hệ thống kiểm tra chai Cocacola thực nghiệm Kết thực nghiệm thu với thuật tốn phát triển độ xác đạt 95% ứng dụng sản xuất tự động Giáo viên hướng dẫn Học viên Ký ghi rõ họ tên Ký ghi rõ họ tên d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si MỤC LỤC ĐỀ TÀI LUẬN VĂN LỜI CẢM ƠN TÓM TẮT NỘI DUNG LUẬN VĂN MỤC LỤC DANH MỤC HÌNH VẼ DANH MỤC BẢNG CHƯƠNG MỞ ĐẦU lu 1.1 1.2 Đặt vấn đề Tính cấp thiết đề tài 1.3 1.4 Mục tiêu đề tài Nội dung luận văn 10 an CHƯƠNG TỔNG QUAN VỀ XỬ LÝ ẢNH 11 2.1 Cơ xử lý ảnh 11 n va tn to 2.2 Các kĩ thuật lọc nhiễu ảnh 2.2.1 Nguyên tắc chung lọc ảnh 12 12 ie gh 2.2.2 Một số lọc làm mịn ảnh:13 p 2.3 Các kĩ thuật dò cạnh 17 2.3.1 Khái quát dò cạnh w 17 oa nl 2.3.2 Các phương pháp dò cạnh 17 2.4 Kĩ thuật hình thái học (Morphological technique) d 21 Tổng quát chung khái niệm nhận dạng đối tượng 25 Các thuật toán để phát nhận dạng đối tượng lm ul 3.1 3.2 nf va an lu CHƯƠNG MỘT SỐ KĨ THUẬT THUẬT TOÁN PHÁT HIỆN VÀ NHẬN DẠNG ĐỐI TƯỢNG 25 3.2.3 SSD máy dò Multi-Box 26 z at nh oi 3.2.1 Lớp mơ hình họ R-CNN 3.2.2 Lớp mơ hình họ YOLO31 26 32 z CHƯƠNG MƠ HÌNH YOLO TRONG BÀI TỐN NHẬN DẠNG ĐỐI TƯỢNG 34 4.1 Giới thiệu khái quát thuật toán 34 m an Lu va 39 n b, Localization Loss: 38 co 4.2.3 Hàm lỗi Loss Function: a, Classification Loss 38 l 4.2.2 CNN cho YOLO object detection: 37 gm @ 4.2 Tổng qt mơ hình thuật tốn 35 4.2.1 Grid System 35 ac th si c, Confidence Loss: 40 4.2.4 Dự đoán lớp tọa độ boundary box sau q trình training CHƯƠNG THUẬT TỐN NHẬN DẠNG LỖI CHAI 5.1 Cấu trúc phần cứng hệ thống: 43 5.1.1 Tổng quan hệ thống 43 5.1.2 Hệ xử lý ảnh hệ thống 40 43 44 5.2 Xây dựng thuật toán phân loại chai coca 46 5.2.1 Phương pháp 1: (Sử thuật thuật toán Template Matching) 47 5.2.2 Phương pháp 2: Thuật toán sử dụng Edge Detection (tìm biên cạnh)……… 52 5.2.3 Phương pháp đề xuất toàn luận văn (kết hợp thuật toán YOLO neural network edge detection sử dụng phương pháp 2) 56 lu an n va tn to 5.3 Phân tích kết đạt phương pháp đề xuất 62 CHƯƠNG KẾT LUẬN CHUNG VÀ HƯỚNG PHÁT TRIỂN CỦA LUẬN VĂN 66 6.1 Kết luận chung 66 Hướng phát triển luận văn 66 p ie gh 6.2 d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC HÌNH VẼ Hình 2.1 Các giai đoạn trình xử lý ảnh 11 Hình 2.2 Quy tắc nhân chập ma trận lọc kernel 13 Hình 2.3 Kết sau lọc trung bình [8] 14 Hình 2.4 Sơ đồ phân phối Gauss [8] 15 Hình 2.5 Kết sau lọc Gauss [8] 16 Hình 2.6 Kết sau lọc trung vị [8]17 Hình 2.7 Lọc biên theo phương pháp Robert Cross [8] 18 Hình 2.8 Lọc biên theo phương pháp [8] 19 Hình 2.9 Lọc biên theo phương pháp Canny 21 Hình 2.10 Quá trình chập phép tốn Giãn nở 23 lu Hình 2.11 Q trình chập phép tốn co 24 Hình 3.1 Sơ đồ tổng hợp tác vụ Vision [9] 26 an Hình 3.2 Q trình phát triện thuật tốn phát nhận dạng đối tượng [9] 26 n va 28 tn to Hình 3.3 Kiến trúc mơ hình R-CNN [9] 27 Hình 3.4 Kiến trúc mơ hình Fast R-CNN [9] 29 p ie gh Hình 3.5 Kiến trúc single model Fast R-CNN [9] Hình 3.6 Kiến trúc mơ hình Faster R-CNN [9] 30 Hình 3.7: Các kích thước tỉ lệ mơ hình [9] 31 Hình 3.8 Q trình nhận dạng đối tượng mơ hình họ YOLO [9] nl w 31 33 d oa Hình 3.9 Cấu trúc mạng SSD [9] nf va an lu Hình 4.1 Kết nhận dạng đối tượng khung hình 34 Hình 4.2 Xác định tâm bounding box thuộc đối tượng 36 lm ul Hình 4.3 Dự đốn độ lệch box chứa object 37 Hình 4.4 Quá trình hoạt động mơ hình CNN với đối tượng cho [7] 38 z at nh oi Hình 4.5 Dự đốn box đối tượng [7] 39 Hình 4.6 Một ví dụ phát biển báo Stop từ hình ảnh [7] Hình 4.8 Các đánh giá tỉ lệ IoU [7] Hình 5.1 Hệ thống cấu trúc phần cứng 42 43 @ 41 z Hình 4.7 Cơng thức tính tỉ lệ IoU [7] 41 43 co l gm Hình 5.2 Sơ đồ phần cấu trúc hệ thống nhận dạng Hình 5.3 Camera Basler 44 m Hình 5.4 Vùng làm việc Field of View 45 Hình 5.5 Các thông số hoạt động Camera hệ thống 46 an Lu n va Hình 5.6 Sơ đồ thuật tốn phương pháp Template Matching 49 Hình 5.7 (a) Ảnh mẫu thu (b) Ảnh nhị phân (c) Ảnh lấy phần bù (d) Ảnh sau lọc nhiễu 50 ac th si Hình 5.8 (a) Ảnh thu bị thiếu (thiếu nắp) (b) Ảnh nhị phân (c) Ảnh lấy phần bù (d) Ảnh sau lọc nhiễu 51 Hình 5.9 (a) Ảnh thu dược bị thiếu ( thiếu tamper) (b) Ảnh nhị phân (c) Ảnh lấy phần bù (d) Ảnh sau lọc nhiễu 51 Hình 5.10 (a) Ảnh thu bị thiếu (Nắp phần tem bị tách khỏi nhau) (b) Ảnh nhị phân (c) Ảnh lấy phần bù (d) Ảnh sau lọc nhiễu 51 Hình 5.11: Ảnh thu nhận bị từ chối lỗi Hình 5.12 Sơ đồ thuật tốn Edge Detection 51 52 Hình 5.13 Kết chương trình báo đạt nhận diện thành công nắp chai mực nước 54 Hình 5.14 Kết chương trình báo lỗi nhận nắp chai mực nước khơng xác 54 lu an n va Hình 5.18 Kết kiểm tra chai coca lần (Chai xác, Chai thiếu nắp) 58 gh tn to Hình 5.15 Kết chương trình báo lỗi khơng tồn nắp chai mực nước khơng xác 55 Hình 5.16 Kết chương trình báo lỗi nắp chai bị lắp lệch mực nước khơng xác 55 Hình 5.17 Sơ đồ thuật tốn sử dụng luận văn 56 p ie Hình 5.19 Kết kiểm tra chai coca lần (Chai xác, Chai thiếu nhãn dán) 58 Hình 5.20 Vùng roi cắt từ bbox chai 59 nl w d oa Hình 5.21 Ảnh sau cắt ROI chưa dùng Filter Hình 5.22 Ảnh sau cắt ROI dùng Median Filer lu 59 59 an Hình 5.23 Chai sau sử dụng lọc Canny (chưa điều chỉnh Threshold) 60 60 nf va Hình 5.24 Chai sau sử dụng lọc Canny (đã điều chỉnh Threshold) Hình 5.25 Đường thẳng tìm 61 lm ul z at nh oi Hình 5.26 Kết hai đường mực nước đường chuẩn 61 Hình 5.27 Chương trình GUI hồn thiện hoạt động thực tế 62 Hình 5.28 Biểu đồ kết thực nghiệm đo liên tiếp chai dây chuyền sản xuất mơ 63 z Hình 5.29 Biểu đồ kết đo thực nghiệm đo chai 10 lần 64 m co l gm @ an Lu n va ac th si DANH MỤC BẢNG Bảng 5.1 Nhận xét đưa kết luận chung hai Phương pháp 56 Bảng 5.2 Kết thực nghiệm đo liên tiếp chai dây chuyền sản xuất mô 63 Bảng 5.3 Kết thực nghiệm đo chai 10 lần 64 Bảng 5.4 Đưa kết luận chung so sánh ba phương pháp 65 lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si MỞ ĐẦU Đặt vấn đề Các dây chuyền công nghệ sản xuất đại gần hoàn toàn tự động bán tự động Đặc biệt với ngành nghề địi hỏi độ xác cao khử trùng tuyệt đối việc tham gia 100% máy móc q trình sản xuất đáp ứng tiêu chí u cầu cơng nghệ Trong có ngành sản xuất nước đóng chai với đặc thù sản xuất dây chuyền khép kín, đảm bảo vệ sinh Với cơng nghệ cân đo định lường kiểm tra xác, khâu đóng gói, chiết rót chai, thùng thành phẩm đảm bảo khử trùng lu Một hệ thống sản xuất chất lỏng đóng chai thường phân chia thành nhiều khâu nối tiếp Trong khâu kiểm tra chất lượng chai sau q trình chiết rót quy trình quan trọng hệ thống Chính luận văn này, ta vào nghiên cứu giải pháp kiểm tra hệ thống mà xử lý ảnh công cụ quan trọng để hướng đến nhiệm vụ phân tích nhận dạng lỗi hệ thống an n va p ie gh tn to Tính cấp thiết đề tài Xử lý ảnh lĩnh vực khoa học xuất từ lâu ứng dụng nhiều y học, khoa học vũ trụ dự báo thời tiết Ngày nay, phát triển kỹ thuật điện tử cho đời nhiều loại camera cảm biến hình ảnh có độ phân giải cao tốc độ lấy ảnh nhanh, với giá phù hợp tùy hãng sản xuất tùy mức độ thông minh thiết bị, chất lượng hình ảnh Từ cho phép xử lý ảnh ứng dụng nhiều vào công nghiệp, lĩnh vực quản lý chất lượng, nhận dạng lỗi sản phẩm phân loại sản phẩm dựa vào đặc tính nhận dạng mắt thường đặc điểm bề ngồi khơng thể nhận dạng mắt thường Với đặc tính khơng thể nhận dạng mắt thường đặc điểm cần nhận dạng nhỏ hình dạng phức tạp, yêu cầu nhận diện nhiều vị trí thời điểm, xử lý ảnh công cụ vơ hiệu với độ xác độ tin cậy cao Thực tế, Việt Nam nay, xử lý ảnh cơng nghiệp cịn lĩnh vực mẻ đà phát triển Do đó, việc nghiên cứu, khai thác ứng dụng xử lý ảnh mở nhiều hội cho việc nghiên cứu phát triển hệ thống Các vấn đề tự động hóa điều khiển giám sát thiết bị nói chung giải pháp hàng đầu nghiệp cơng nghiệp hóa đại hóa Việt Nam Do đó, luận văn đưa mơ hình điều khiển hệ thống nhận dạng phân loại chai bị lỗi dây chuyền sản xuất cocacola phần xử lý ảnh sử dụng công nghệ học sâu mạng nơron để đáp ứng yêu cầu điều khiển thực tế nêu d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va Mục tiêu đề tài ac th si Trong phạm vi luận văn, nghiên cứu thuật tốn xử lý ảnh nói cung để đưa phương án tối ưu hệ thống đảm bảo tính xác hệ thống cải thiện thời gian nhận diện lỗi sản phẩm Nghiên cứu kết hợp với thuật tốn DeepLearning để phát hệ thống tương lai Nội dung luận văn Nội dung luận văn gồm chương: Chương 1: Mở đầu Chương 2: Tổng quan xử lý ảnh Chương 3: Một số kĩ thuật thuật toán phát nhận dạng đối tượng Chương 4: Mơ hình YOLO tốn nhận dạng đối tượng Chương 5: Thuật toán nhận dạng lỗi chai lu Chương 6: Kết luận chung hướng phát triển luận văn an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th 10 si Thuật toán xử lý nhận dạng nắp chai mực nước chai: Công việc để hệ thống nhận dạng phân loại nắp chai mực nước thực thi xác định thuật toán nhận dạng vật thể chai cocacola có tồn vùng ROI xét hay không.Bằng việc nhận dạng đường line thơng qua thuật tốn tiền biên cạnh (edge detection), từ ta xác định đường vertical có vùng ROI.Sử dụng tốn tử vecto Vec4i từ đường vertical line xác định bước trước để xác định tọa độ khoảng cách để từ đưa kết có xuất chai khung hình ROI hay khơng.Bước ta xác định đường horizontal line (các đường ngang) đường ngang định nghĩa nắp chai mực nước chai.Từ xác định đường tham chiếu hay đường trung bình (được xác định trước điều kiện chai xác) để từ làm tham chiếu cho tất chai lại hệ thống.Kết thể hình … Algorithm: lu an n va p ie gh tn to Thu nhận hình ảnh Tiền xử lý để khử nhiễu Chuyển ảnh nhị phân Tìm biên ảnh Xác định đường line thẳng đứng FoundBottleWidth = LineVerticalRight – LineVerticalLeft If (FoundBotleWidth = BottleWidth) Bottle Found (Tìm thấy chai) Xác định đường nằm ngang LineTB = RoiCheck/2 CapDetection = LineCap – LineTB LevelDetection = LineLevel – LineTB If (MinCap < CapDetection tọa độ X BBox[j]) Biến tạm = BBoxchai[i] BBoxchai[i] = BBoxchai[j] BBoxchai[j] = Biến tạm List chai từ trái qua phải Với BBoxchai tìm dCapBottle = Abs (dBBoxCap.X – dBBoxchai.X) dLabelBottle= Abs (dBBoxLabel.X – dBBoxchai.X) If (MinCap_Value < dCapBottle < MaxCap_Value) If (MinLabel_Value < dLabelBottle < MaxLabel_Value) Chai có nắp, label Else Chai có nắp, không label Else If (MinLabel_Value < dLabelBottle < MaxLabel_Value) Chai không nắp, label Else Chai không nắp, không label Kết thúc kiểm tra bên d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th 57 si lu an n va p ie gh tn to Hình 5.46 Kết kiểm tra chai coca lần (Chai xác, Chai thiếu nắp) d oa nl w nf va an lu z at nh oi lm ul z co l gm @ m Hình 5.47 Kết kiểm tra chai coca lần (Chai xác, Chai thiếu nhãn dán) an Lu n va Đo mực nước có chai ac th 58 si Sau nhận diện chai đủ thuộc tính nắp nhãn Ta tiến hành đo mực nước có chai Vùng roi cắt từ bbox chai tìm để loại bỏ phần không liên quan đến mực nước Hình 5.48 Vùng roi cắt từ bbox chai lu Sau cắt roi xử lí nhiễu để đo mực nước a, Phương pháp lọc nhiễu an n va p ie gh tn to Trong nghiên cứu sử dụng lọc trung vị (median filter) thay giá trị trung tâm cửa sổ giá trị có cấp bậc tất pixel nằm cửa sổ d oa nl w nf va an lu z at nh oi lm ul Hình 5.49 Ảnh sau cắt ROI chưa dùng Filter z m co l gm @ an Lu Hình 5.50 Ảnh sau cắt ROI dùng Median Filer va Ảnh làm mờ noise làm bật phần nước màu đen để phục vụ cho phần tìm biên mực nước khơng khí n b, Dị cạnh tìm mực nước ac th 59 si Có nhiều phương pháp khác để dò cạnh : Robert Cross, Sobel, laplace, Canny Trong nghiên cứu sử dụng lọc Canny lọc thường sử dụng hệ thống thị giác máy tính khác Hình 5.51 Chai sau sử dụng lọc Canny (chưa điều chỉnh Threshold) lu an n va ie gh tn to p Hình 5.52 Chai sau sử dụng lọc Canny (đã điều chỉnh Threshold) d oa nl w Điều chỉnh threshold hiển thị rõ ranh giới mực nước khơng khí làm đầu vào cho thuật tốn tìm mực nước an lu c, Tìm đường nằm ngang, xác định mực nước nf va Trong nghiên cứu sử dụng phép tốn hình thái hình học để tìm đường thẳng nằm ngang mực nước cần tìm z at nh oi lm ul Với đầu vào vùng roi edges tìm sử dụng phép tồn Openning để tìm đường nằm ngang Cách thức hoạt động phương pháp: z Mặt nạ detect Line Horrizontal Tạo mặt nạ có chiều n*1 n = ảnh đầu vào /30 gm @ co l Sử dùng phép toán co erosion loại tất đường không nằm mặt nạ nhằm tìm đường nằm ngang m Sử dụng tiếp phép toán giãn nơ (dilation) để trả lại kích thước ban đầu cho đường nằm ngang, ta đã xác định đường nằm ngang hiển thị lên ảnh an Lu n va d, Lấy tọa độ đường thẳng nằm ngang tìm ac th 60 si Để tìm vị trí đường thẳng tìm ảnh sử dụng houghline Tranform để tìm đường thẳng Sử dụng hàm HoughLineP để tìm tọa độ điểm đầu điểm cuối đường thẳng tìm Hình 5.53 Đường thẳng tìm lu an f, Trả kết mực nước để kiểm tra n va Đường chuẩn đường trung bình ảnh chia đôi phần roi đo mực nước làm hai phần p ie gh tn to Sau lấy tọa độ đường thẳng mặt nước ta tiến hành tính tốn để đưa khoảng cách dường chuẩn đường mực nước d oa nl w an lu nf va Mẫu đường trung bình làm chuẩn lm ul Khi có đường chuẩn ta tính khoảng cách đường chuẩn đường mực nước theo công thức: z at nh oi     =  Trong l.y tọa độ y điểm nằm đường chuẩn L.y tọa độ y điểm nằm đường thẳng mực nước Khi kiểm tra chương trình trả hai đường kết mực nước tính tốn z m co l gm @ an Lu n ac th 61 va Hình 5.54 Kết hai đường mực nước đường chuẩn si Kết trả mực nước tính tốn cột LevelLength khoảng cách hai đường Phân tích kết đạt phương pháp đề xuất Sau kiểm tra tất thuộc tính đưa kết chai thiếu có đạt qua kiểm tra hay không lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z co l gm @ m Hình 5.55 Chương trình GUI hoàn thiện hoạt động thực tế an Lu n va ac th 62 si TT an n va Vị trí thực tế Vị trí thừa Vị trí thiếu Kết luận tích thể tích (pixel) yT= thể (pixel) (pixel) 55 50 60 Đạt 53 50 60 Đạt 31 50 60 Thừa thể tích 30 50 60 Thừa thể tích 68 50 60 Thiếu thể tích 68 50 60 Thiếu thể tích 67 50 60 Thiếu thể tích 54 50 60 Đạt 53 50 60 Đạt 10 29 50 60 Thừa thể tích Bảng 5.2 Kết thực nghiệm đo liên tiếp chai dây chuyền sản xuất mô gh tn to 70 p ie w 60 oa nl 50 40 d lu 30 nf va an Giá trị mực nước lu 10 Đối tượng 20 0 z at nh oi lm ul 10 10 11 12 13 14 15 16 Chai số z Vị trí thực Vị trí thừa Vị trí thiếu Kết tế (pixel) thể tích thể tích yT= (pixel) (pixel) Xác suất kết đạt 54 55 50 90% m co l ac th 63 Đạt Đạt Đạt n 60 60 60 va 50 50 50 an Lu Số lần đo (mực nước) gm @ Hình 5.56 Biểu đồ kết thực nghiệm đo liên tiếp chai dây chuyền sản xuất mô si 10 52 50 60 Đạt 54 50 60 Đạt 49 50 60 Không đạt 54 50 60 Đạt 54 50 60 Đạt 55 50 60 Đạt 53 50 60 Đạt Bảng 5.3 Kết thực nghiệm đo chai 10 lần 70 60 50 an Giá trị pixel lu 40 n va 30 tn to 20 p ie gh 10 w 10 12 14 16 nl d oa Lần đo nf va Kết luận an lu Hình 5.57 Biểu đồ kết đo thực nghiệm đo chai 10 lần Template Matching Edge detection Ưu điểm + Thuật toán đơn giản + Thuật tốn dễ sử dụng kết hợp đồng thời việc kiểm tra nắp mực nước + Độ xác cải thiện mơi trường ánh sáng tốt z at nh oi lm ul Phương pháp z m co l gm @ YOLO+ edge detection + Độ xác nắp nhãn dãn 95% (phụ thuộc vào liệu training qua YOLO) + Độ xác mực nước tăng so với phương pháp (do không cần nhận thêm đường ngang nắp chai) an Lu n va ac th 64 si + Hệ thống chạy realtime + Hệ thống xử lý nhận diện nhiều chai thời điểm + Phụ thuộc vào ánh sáng môi trường kiểm tra mực nước cần điều chỉnh thông số trước lần chạy hệ thống Nhược điểm lu + Điều kiện môi trường + Điều kiện ánh thực ngiệm phải trùng sáng định khớp với ảnh mẫu phần lớn đến độ liệu xác hệ + Chỉ nhận lỗi thống chai + Chỉ nhận + Độ ổn định hệ diện chai thống thấp thay đổi qua camera góc nhìn camera với chai Bảng 5.4 Đưa kết luận chung so sánh ba phương pháp an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th 65 si KẾT LUẬN CHUNG VÀ HƯỚNG PHÁT TRIỂN CỦA LUẬN VĂN lu Kết luận chung Kiểm tra sản phẩm dây chuyền đóng chai nước khâu quan trọng q trình thành phẩm Nó u cầu độ xác cao giám sát, kiểm tra người có sai sót sức khỏe, tập trung thiếu cẩn thận dẫn đến lỗi xảy sản phẩm Từ nghiên cứu luận văn ta thấy việc ứng dụng xử lý ảnh kiểm tra dây chuyền sản xuất đóng chai nước giúp phát lỗi sai cách nhanh chóng, tự động xác hơn, giúp người tiết kiệm sức lao động, thời gian nhiều khoản chi phí.Qua trình nghiên cứu thực luận văn tơi xây dựng đề xuất thuật tốn chương trình ứng dụng kỹ thuật xử lý ảnh kết hợp với mơ hình học sâu (Deep Learning) để phân tích lỗi theo yêu cầu kiểm tra sản phẩm dựa tính cấp thiết luận văn với thiết kế tối ưu,dễ dàng vận hành, độ xác hệ thống qua kết đo thực nghiệm 95% an n va p ie gh tn to Qua trình tìm hiểu thực đề tài trình độ thời gian có hạn, báo cáo hạn chế định hệ thống phần cứng thuật toán chưa tối ưu hồn tồn để áp dụng vào thực tế Tôi xin tiếp thu ý kiến đánh giá, bảo thầy giáo để đề tài có hướng phát triển hoàn thiện d oa nl w Hướng phát triển luận văn + Sử dụng thêm camera theo chiều thẳng đứng để nhận dạng kiểm tra lỗi chai nước rỗng trước bước vào q trình chiết rót + Mở rộng thuật toán huấn luyện model mạng học sâu (deep learning) để tăng độ xác góc camera q trình nhận diện đối tượng + Mở rộng tốn để đồng hóa q trình kiểm tra lỗi chai vào tồn hệ thống chiết rót chai từ động nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th 66 si TÀI LIỆU THAM KHẢO [1] Phạm Việt Bình, Đỗ Năng Toàn, Xử lý ảnh NXB Khoa học kỹ thuật, Hà Nội, 2008 [2] Ngô Diên Tập, Xử lý ảnh máy tính, NXB Khoa học kỹ thuật, Hà Nội, 1997 [3] Lương Mạnh Bá - Nguyễn Thanh Thuỷ, Nhập môn xử lý ảnh số, NXB Khoa học Kỹ thuật, 1999 lu an n va tn to [4] Leila Yazdi, Anton Satria Prabuwono and Ehsan Golkar, “Feature Extraction Algorithm for Fill Level and Cap Inspection in Bottling Machine”, Proceedings of IEEE International Conference on Pattern Analysis and Intelligent Robotics, Vol 1, pp 47-52, 2011 [5] Shubhi Sharma, K Vinaya Krupa, Roshni Gandhi, Aditi Jain and Nehal Shah, EMPTY AND FILLED BOTTLE INSPECTION SYSTEM [6] H Zhu, “New algorithm of liquid level of infusion bottle based on image processing,” in Proc International Conference on Information Engineering and Computer Science, 2009 [7] Joseph Redmon, Ali Farhadi, YOLOv3: An Incremental Improvement p ie gh [8].http://en.wikipedia.org/wiki/Morphological_image_processing#Properties_of _the_basic_operators [9] https://medium.com/analytics-vidhya/beginners-guide-to-object-detectionalgorithms-6620fb31c375 d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th 67 si