Hệ thống phân loại bưu kiện ứng dụng công nghệ xử lý ảnh 3d

GIỚI THIỆU

TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Thời đại công nghệ, hay "Kỷ nguyên công nghệ", đánh dấu sự phát triển nhanh chóng của công nghệ điện tử và thông tin, ảnh hưởng sâu sắc đến mọi khía cạnh của cuộc sống Robot không chỉ mang lại hiệu quả kinh tế mà còn hỗ trợ đời sống và doanh nghiệp, được ứng dụng rộng rãi trong các nhà máy, kho hàng và nhiều lĩnh vực khác Chúng thực hiện các nhiệm vụ thường ngày, giúp giảm chi phí và thời gian, đồng thời nâng cao chất lượng sản phẩm và năng suất làm việc Sự sử dụng robot còn đảm bảo đồng đều về chất lượng sản phẩm và thay thế con người trong những công việc nặng nhọc, nguy hiểm Robot hoạt động theo nguyên tắc an toàn lao động và chỉ thực hiện các chỉ thị không gây hại cho con người, trở thành phần không thể thiếu trong các cơ sở sản xuất Ngành công nghiệp Logistics hiện nay đang đối mặt với nhiều thách thức, và doanh nghiệp nào xây dựng được hệ thống quản lý Logistics hiệu quả sẽ thành công Logistics giúp tối ưu hóa quy trình từ nguyên liệu đầu vào đến sản phẩm đầu ra, giảm chi phí vận chuyển và tăng sức cạnh tranh Do đó, việc ứng dụng robot trong Logistics là cần thiết để giải quyết những bài toán khó mà doanh nghiệp gặp phải.

Logistics là quá trình từ sản xuất đến khi hàng hóa đến tay người tiêu dùng, không phải là một hoạt động riêng lẻ mà là chuỗi các hoạt động liên tục, có kế hoạch và tính hệ thống Thị trường toàn cầu đang phát triển với công nghệ tiên tiến và mở cửa tại các quốc gia đang phát triển, khiến Logistics trở thành công cụ quan trọng trong chiến lược doanh nghiệp Phát triển Logistics hiệu quả sẽ nâng cao năng lực cạnh tranh cho doanh nghiệp và thúc đẩy nền kinh tế quốc gia Trong bối cảnh hội nhập quốc tế sâu rộng và nền kinh tế số, hoạt động Logistics ngày càng quan trọng đối với các ngành dịch vụ và sản xuất Tuy nhiên, ngành Logistics tại Việt Nam hiện đang gặp khó khăn do trình độ ứng dụng công nghệ thấp, khiến doanh nghiệp Việt khó cạnh tranh với doanh nghiệp nước ngoài Do đó, ngành Logistics cần có những bước chuyển mình để hội nhập quốc tế.

Trong những năm gần đây, thương mại điện tử đã trở thành một phần không thể thiếu trong xã hội Việt Nam, yêu cầu các doanh nghiệp nâng cao năng lực sản xuất và quy trình thông qua công nghệ điều khiển tự động Logistics giữ vai trò quan trọng trong việc đảm bảo hàng hóa được sản xuất và lưu thông đúng thời gian và địa điểm, từ đó nâng cao chất lượng sản phẩm và đáp ứng nhu cầu khách hàng Quá trình toàn cầu hóa đã làm cho hoạt động vận chuyển hàng hóa trở nên phức tạp hơn, đặt ra thách thức lớn cho ngành dịch vụ vận tải Phân loại và phân phối hàng hóa là khâu quan trọng, ảnh hưởng đến chất lượng dịch vụ của doanh nghiệp và tiêu tốn nhiều thời gian, nhân lực Để đáp ứng nhu cầu ngày càng tăng của người tiêu dùng, các nhà cung cấp cần tối ưu hóa quy trình kho vận và xây dựng hệ thống phân loại hàng hóa hiệu quả Phân loại hàng hóa theo tiêu chí cụ thể không chỉ tiết kiệm thời gian mà còn giảm chi phí nhân công, mang lại lợi thế kinh tế cho doanh nghiệp.

Việc xây dựng một hệ thống phân loại hiệu quả trong ngành Logistics không hề đơn giản, đặc biệt khi nhiều doanh nghiệp vẫn phụ thuộc vào giải pháp phân loại thủ công Mặc dù phương pháp này có một số lợi ích, nhưng cũng tồn tại nhiều nhược điểm cần được cải thiện Một hệ thống phân loại lớn đòi hỏi sự liên kết chặt chẽ giữa các giai đoạn và không thể chỉ dựa vào sức lao động con người, mà cần có sự hỗ trợ của công nghệ Việc sử dụng quá nhiều nhân lực có thể dẫn đến lãng phí nguồn nhân lực và gia tăng chi phí lao động, đồng thời áp lực làm việc kéo dài có thể ảnh hưởng tiêu cực đến sức khỏe và cảm xúc của người lao động Nếu không kiểm soát được cảm xúc và sức khỏe, dễ xảy ra sai sót trong quy trình hoạt động Logistics là một chuỗi các hoạt động liên kết, do đó, bất kỳ sự gián đoạn nào cũng có thể làm giảm chất lượng hệ thống và gây mất cân bằng trong quản lý Những vấn đề này chỉ ra rằng cần thiết phải tìm kiếm một giải pháp phân loại mới, ứng dụng tự động hóa để không chỉ khắc phục các khó khăn hiện tại mà còn nâng cao hiệu quả và phát triển bền vững hơn.

NHỮNG NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC

Việc áp dụng tự động hóa vào hệ thống và dây chuyền phân loại đang trở thành giải pháp tối ưu cho nhiều công ty và doanh nghiệp nổi tiếng trên toàn cầu Nhiều tổ chức hiện nay đang tích cực phát triển và nghiên cứu các giải pháp tự động hóa tiên tiến Dưới đây là một số giải pháp nổi bật từ các công ty tự động hóa hàng đầu thế giới.

❖ Những nghiên cứu trong nước:

"Mô hình hóa và phân loại sản phẩm bằng máy học" của Trường Đại học Bách Khoa

Nghiên cứu tại TP Hồ Chí Minh tập trung vào việc phát triển các mô hình học máy nhằm phân loại sản phẩm trong các cửa hàng trực tuyến, giúp tối ưu hóa trải nghiệm người dùng và nâng cao hiệu quả kinh doanh.

Nghiên cứu tại Trường Đại học Khoa học Tự nhiên TP Hồ Chí Minh đã ứng dụng mạng nơ-ron hồi quy để phân loại sản phẩm dựa trên mô tả và hình ảnh Phương pháp này cho thấy hiệu quả trong việc cải thiện độ chính xác của việc phân loại, giúp tối ưu hóa quy trình nhận diện sản phẩm.

❖ Những nghiên cứu ngoài nước:

This study from Stanford University explores the application of machine learning and deep learning techniques for product classification on major e-commerce platforms.

This study from the University of Cambridge explores the application of Natural Language Processing (NLP) for the classification and categorization of products based on descriptive information By leveraging NLP techniques, the research aims to enhance the accuracy and efficiency of product classification, facilitating better organization and retrieval of product data.

The study conducted by the Massachusetts Institute of Technology (MIT) focuses on product categorization through the application of image recognition techniques using Convolutional Neural Networks (CNNs) This research explores how CNNs can effectively classify products based on their visual characteristics, enhancing the accuracy and efficiency of product categorization processes.

Nghiên cứu "Phân loại sản phẩm quy mô lớn với học bán giám sát" của Google Research tập trung vào việc áp dụng học máy bán giám sát để phân loại một số lượng lớn sản phẩm từ dữ liệu không có nhãn Đây chỉ là một phần nhỏ trong lĩnh vực hệ thống phân loại sản phẩm, nhưng lĩnh vực này đang phát triển nhanh chóng nhờ vào tầm quan trọng và ứng dụng rộng rãi trong thương mại điện tử và ngành công nghiệp.

LÝ DO CHỌN ĐỀ TÀI

Các hệ thống phân loại sử dụng camera hoặc máy quét mã vạch để quét mã của nhà sản xuất trên bưu kiện, đảm bảo chúng được đưa đến vị trí phân loại chính xác Máy quét 2D với chùm tia laser tốc độ cao quét nhanh chóng và phổ biến Tuy nhiên, để đảm bảo hiệu quả và độ chính xác, mã vạch cần được đặt vuông góc hoặc nằm trên đường đi của tia laser Các thiết bị này thường được lắp cố định, gây khó khăn trong việc quét bưu kiện ở xa hoặc khi mã vạch bị cản trở bởi vật thể khác.

Để cải thiện độ chính xác và tiện lợi trong việc quét mã, công nghệ xử lý ảnh 3D là giải pháp lý tưởng giúp mở rộng vùng quét trong không gian 3D Nhóm nghiên cứu đã nhận diện những nhược điểm từ các sản phẩm hiện có và sẽ kế thừa, cải tiến những nghiên cứu trước đó Mục tiêu của chúng tôi là tối ưu hóa và nâng cao độ chính xác cho hệ thống phân loại bưu kiện Vì vậy, nhóm sinh viên quyết định chọn đề tài “HỆ THỐNG PHÂN LOẠI BƯU KIỆN ỨNG DỤNG CÔNG NGHỆ XỬ LÝ ẢNH 3D” làm hướng nghiên cứu và phát triển.

MỤC TIÊU ĐỀ TÀI

Nhóm đã xác định những mục tiêu ban đầu cho đề tài "Hệ thống phân loại bưu kiện ứng dụng công nghệ xử lý ảnh 3D".

- Phân loại 3 loại bưu kiện với các đặc điểm như sau:

• Có khối lượng tối đa 2kg

• Gồm 3 dạng chính là: phong bì thư, hộp carton có kích thước 15x20x10cm, bưu kiện mềm

Xây dựng cơ cấu cơ khí cho trục cánh tay phương X và Z nhằm nâng, hạ và di chuyển các loại bưu kiện Đầu công tác của cơ cấu này được trang bị các giác hút chân không, giúp tăng cường hiệu quả trong quá trình vận chuyển hàng hóa.

- Xây dựng giải thuật điều khiển tối ưu

Xây dựng giải thuật xử lý ảnh từ Camera 3D nhằm nhận dạng ba loại bưu kiện và tính toán khoảng cách từ đầu giác hút đến bề mặt của vật.

GIỚI HẠN ĐỀ TÀI

Nhóm nghiên cứu sẽ thiết kế và chế tạo một hệ thống phân loại bưu kiện, có khả năng phân loại ba loại bưu kiện với hiệu suất ổn định Hệ thống này sẽ được lắp đặt cố định tại một vị trí và hoạt động như một khâu nối tiếp sau quá trình quét mã QR.

BỐ CỤC QUYỂN BÁO CÁO

Nội dung chính của đề tài được trình bày với 6 chương như sau:

Chương 1.GIỚI THIỆU: Trong chương này giới thiệu sơ lược về hệ thống và đề tài Chương 2 TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI: đề cập đến các giải pháp phân loại của các hệ thống hiện nay và các giải pháp khác

Chương 3 CƠ SỞ LÝ THUYẾT: Các lý thuyết, kiến thức liên quan đến phần cứng và phần mềm của đề tài

Chương 4 THIẾT KẾ HỆ THỐNG CƠ KHÍ: Trong chương này nêu ra được các bước tính toán thiết kế, chọn lựa phần cứng, các linh kiện cho hệ thống phù hợp với những yêu cầu đã đặt ra Từ các ý tưởng thiết kế nhóm tiến hành tính toán lựa chọn các linh kiện cho hệ thống

Chương 5 THIẾT KẾ HỆ THỐNG ĐIỆN ĐIỀU KHIỂN: Trình bày về quá trình xây dựng, lựa chọn các thiết bị điện, điều khiển cho hệ thống và thuật toán điều khiển cho hệ thống

Chương 6 XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH: Trình bày về quá trình và các bước xây dựng model phân loại và xử lý ảnh 3D

Và cuối cùng là phần kết luận và hướng phát triển của đề tài.

TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI

CÁC LOẠI HỆ THỐNG PHÂN LOẠI PHỔ BIẾN HIỆN NAY

Hiện nay, ngành Logistics và các ngành liên quan đến vận chuyển hàng hóa đang phát triển mạnh mẽ, dẫn đến sự ra đời của nhiều hệ thống phân loại hiện đại Hàng hóa chủ yếu được phân loại theo hai tính chất cơ bản: tính vật lý, bao gồm kích thước, khối lượng, màu sắc và hình dáng; và tính mã hóa Dưới đây là một số hệ thống phân loại hàng hóa phổ biến.

❖ Hệ thống phân loại sản phẩm theo tính mã hóa:

Hình 2 1 Hệ thống phân loại sản phẩm theo tính mã hóa

Hệ thống phân loại hàng hóa theo tính mã hóa sử dụng các mã đặc biệt để đánh dấu và xác định hàng hóa, cung cấp thông tin quan trọng như địa chỉ, loại sản phẩm và khối lượng Các hệ thống này đang được áp dụng rộng rãi trên toàn cầu và tại Việt Nam, giúp quản lý và theo dõi hàng hóa hiệu quả trong quá trình sản xuất, vận chuyển và bán lẻ Nhờ đó, thông tin về hàng hóa luôn chính xác và sẵn có, nâng cao hiệu quả và độ chính xác trong hoạt động logistics.

Hiện nay, có nhiều loại mã hóa phổ biến trên thế giới như mã EAN, thường được sử dụng tại Châu Âu và quốc tế, và mã UPC, phổ biến ở Bắc Mỹ Mã Data Matrix là hệ thống mã vạch hai chiều có khả năng chứa nhiều thông tin, thường được áp dụng trong ngành công nghiệp để đánh dấu và theo dõi hàng hóa Mã SSCC là một hệ thống mã đặc biệt dùng để định danh các đơn vị vận chuyển, như các đơn vị đóng gói hoặc container Đặc biệt, mã QR Code là hệ thống mã vạch hai chiều rất phổ biến, cho phép chứa nhiều thông tin và có thể được quét bằng điện thoại di động hoặc thiết bị đọc mã vạch.

Hệ thống phân loại hàng hóa theo tính mã hóa mang lại nhiều lợi ích quan trọng trong quản lý và theo dõi hàng hóa Các mã vạch và mã số định danh duy nhất giúp xác định và phân loại hàng hóa một cách chính xác, tránh nhầm lẫn Việc sử dụng hệ thống mã hóa nâng cao hiệu suất xử lý hàng hóa, cho phép quét và đọc thông tin nhanh chóng bằng máy quét, tiết kiệm thời gian và công sức Nhờ đó, việc theo dõi và quản lý hàng hóa trở nên dễ dàng hơn, với thông tin như nguồn gốc, vị trí, số lượng, thông tin kỹ thuật và hạn sử dụng được lưu trữ và truy xuất nhanh chóng.

Hệ thống mã hóa hàng hóa cho phép theo dõi chuỗi cung ứng từ nguồn gốc đến đích thông qua mã vạch hoặc mã số định danh, giúp người quản lý và khách hàng xác định vị trí hàng hóa trong quá trình vận chuyển Việc sử dụng hệ thống này giảm thiểu sai sót trong quản lý, tiết kiệm chi phí và tăng cường độ chính xác, hiệu quả trong xử lý hàng hóa Nó cũng giúp giảm tồn kho không cần thiết và hạn chế thất thoát hàng hóa Hệ thống mã hóa có thể tích hợp với các hệ thống quản lý và thông tin kho, tạo ra một quy trình quản lý logistics toàn diện và tự động hóa.

Hình 2 2 Hệ thống phân loại bưu kiện mã QR

Hệ thống phân loại hàng hóa tự động hiện nay rất phổ biến, được sử dụng để phân loại các kiện hàng, bưu phẩm và sản phẩm đã được đóng gói như thùng carton, túi hoặc gói mềm Các sản phẩm được định danh bằng mã vạch Barcode hoặc mã QR, giúp hệ thống dễ dàng sàng lọc và đưa hàng về vị trí tập kết theo yêu cầu Các sản phẩm điện tử và linh kiện được phân loại theo lô sản xuất, ngày sản xuất hoặc model Trong khi đó, bưu phẩm và đơn hàng chuyển phát nhanh được phân loại theo ngày lên đơn, cách thức đóng gói và khu vực giao hàng Hệ thống này có thể phân loại hàng hóa với tốc độ nhanh gấp 3-5 lần so với phương pháp thủ công, đạt tới 10,000 sản phẩm mỗi giờ.

❖ Hệ thống phân loại sản phẩm theo tính chất vật lý:

Hệ thống phân loại hàng hóa theo tính chất vật lý là phương pháp phân loại dựa trên các đặc điểm như kích thước, trọng lượng, hình dạng, cấu trúc và tính chất vật liệu Các yếu tố này đóng vai trò quan trọng trong việc xác định cách thức phân loại hàng hóa một cách hiệu quả.

Hệ thống phân loại theo màu sắc:

Hình 2 3 Hệ thống phân loại sản phẩm theo màu sắc

Hệ thống phân loại sản phẩm theo màu sắc là ứng dụng phổ biến trong xử lý ảnh và trí tuệ nhân tạo, cho phép phân loại sản phẩm như cà phê, nhựa màu, gạo, hạt và nhiều sản phẩm khác dựa trên đặc trưng màu sắc độc đáo Nhờ vào camera kiểm tra sản phẩm và công nghệ vision xử lý ảnh tự động, hệ thống này đạt năng suất cao và tỷ lệ chính xác vượt 98% Nó được ứng dụng rộng rãi trong các ngành nông nghiệp, dược phẩm, thực phẩm, dầu khí, hóa chất, linh kiện điện tử và thiết bị y tế.

Hệ thống phân loại theo khối lượng:

Hình 2 4 Hệ thống phân loại sản phẩm theo khối lượng

Các hệ thống phân loại sản phẩm hiện nay sử dụng nhiều kiểu và loại khác nhau, dựa trên nguyên tắc kiểm tra khối lượng hoặc thông qua hệ thống cân thông minh Sau khi kiểm tra, sản phẩm sẽ được phân loại theo từng cỡ trọng lượng theo yêu cầu của nhà máy.

Hệ thống phân loại này thường được sử dụng để phân loại sản phẩm dựa trên khối lượng trong các ngành thực phẩm, thủy hải sản và nông sản.

- Phân loại theo khối lượng như vậy giúp xác định phương tiện vận chuyển phù hợp và quy định các quy trình đóng gói và xử lý hàng hóa

Hệ thống phân loại sản phẩm theo kích thước:

Hệ thống phân loại sản phẩm tự động hóa dựa trên kích thước bao gồm các chức năng cấp, phân loại, thả và thu hồi, mang lại độ chính xác cao và hoạt động ổn định Hệ thống này rất phù hợp với nhiều loại sản phẩm có hình dáng khác nhau, với năng suất đạt từ 3 - 5 tấn/giờ, tương đương khoảng 1000 - 1100 sản phẩm mỗi phút.

- Hệ thống này được ứng dụng một cách rộng rãi trong các ngành công nghiệp thực phẩm, về nông sản và các loại trái cây,

Hình 2 5 Hệ thống phân loại sản phẩm theo kích thước

Hệ thống phân loại sản phẩm theo tính chất đặc biệt:

Các loại hàng hóa đặc biệt như hàng lạnh, hàng tươi sống, hàng dễ vỡ, hàng quý, và hàng hóa yêu cầu môi trường cụ thể cần được phân loại và xử lý theo quy định nghiêm ngặt Việc tuân thủ các quy trình này là rất quan trọng để đảm bảo an toàn và chất lượng cho sản phẩm.

Hệ thống phân loại sản phẩm tự động giảm sự phụ thuộc vào lao động con người, nâng cao hiệu suất và năng suất cho doanh nghiệp Công việc phân loại thường nhàm chán và yêu cầu độ chính xác cao, dễ dẫn đến mệt mỏi và sai sót khi thực hiện thủ công Với khả năng hoạt động liên tục mà không cần nghỉ ngơi, hệ thống tự động sử dụng thuật toán và mô hình máy học, đạt độ chính xác cao và giảm thiểu sai sót Quá trình này tiết kiệm thời gian đáng kể, cho phép doanh nghiệp tập trung vào các công việc quan trọng khác, đồng thời cải thiện quản lý và kiểm soát chất lượng sản phẩm, giảm nguy cơ sai sót và rủi ro trong phân loại.

ĐẶC ĐIỂM CHUNG CỦA CÁC HỆ THỐNG PHÂN LOẠI SẢN PHẨM

Các hệ thống phân loại hàng hóa hiện nay thường bao gồm các cấu trúc cơ khí như băng chuyền, máy phân loại, robot và các công cụ khác, được thiết kế để chịu tải trọng trong quá trình phân loại Chúng sử dụng hệ thống định vị và di chuyển để xác định vị trí và vận chuyển hàng hóa một cách chính xác Các cảm biến và thiết bị định vị được tích hợp nhằm nâng cao hiệu quả trong việc xác định và định hướng hàng hóa Hiện tại, nhiều hệ thống tập trung vào việc phân loại dựa trên mã vạch, khối lượng, màu sắc và kích thước Tuy nhiên, việc phân loại sản phẩm theo hình dạng như bao thư, hình hộp và bưu kiện mềm cần những phương pháp khác biệt Mục tiếp theo sẽ đề xuất các giải pháp cho việc phân loại các sản phẩm bưu kiện có hình dạng đa dạng.

HỆ THỐNG PHÂN LOẠI SẢN PHẨM THEO HÌNH DẠNG

Mục tiêu của bài viết là phân loại các dạng bưu kiện phổ biến như hộp, bưu kiện mềm, phong bì và bìa thư Các bưu kiện này khác nhau về hình dạng và cấu trúc, do đó không thể áp dụng các phương pháp phân loại thông thường như cảm biến hay bàn cân điện tử Thay vào đó, cần sử dụng công nghệ xử lý ảnh 3D và trí tuệ nhân tạo để phân loại dựa trên hình dạng Hệ thống phân loại bưu kiện sử dụng xử lý ảnh 3D cho phép phân loại tự động dựa trên thông tin từ hình ảnh 3D, giúp nhận diện và phân loại sản phẩm hiệu quả hơn so với việc chỉ sử dụng hình ảnh 2D Các thuật toán và mô hình học máy được áp dụng để tối ưu hóa quá trình nhận diện và phân loại dựa trên đặc trưng hình dạng của từng loại bưu kiện.

Việc sử dụng xử lý ảnh 3D là cần thiết vì những lý do sau: nó cung cấp cái nhìn sâu sắc hơn về đối tượng, cải thiện độ chính xác trong phân tích, hỗ trợ trong việc tái tạo hình ảnh chân thực hơn, và cho phép xử lý dữ liệu phức tạp một cách hiệu quả.

Hệ thống sử dụng thông tin từ hình ảnh 3D để thu thập dữ liệu về hình dạng, kích thước, cấu trúc và các đặc điểm khác của bưu kiện Nhờ đó, việc phân loại trở nên chính xác hơn và cung cấp thông tin chi tiết về sản phẩm.

Hệ thống phân loại bưu kiện sử dụng công nghệ xử lý ảnh 3D có khả năng phân loại đa dạng các loại bưu kiện, bao gồm cả những sản phẩm có hình dạng phức tạp, không đồng đều và kích thước lớn.

Xử lý ảnh 3D mang lại thông tin chi tiết và rõ ràng về các bưu kiện, nâng cao độ chính xác trong phân loại Các đặc trưng 3D giúp xác định các đặc điểm riêng biệt của từng bưu kiện, đảm bảo quy trình phân loại diễn ra chính xác hơn.

Hệ thống phân loại bưu kiện sử dụng công nghệ xử lý ảnh 3D mang lại tính linh hoạt và khả năng mở rộng cao, phù hợp cho nhiều ngành công nghiệp và ứng dụng khác nhau Hệ thống này có thể được tùy chỉnh và điều chỉnh để đáp ứng các yêu cầu cụ thể của từng quy trình phân loại.

Hệ thống phân loại bưu kiện với công nghệ xử lý ảnh 3D tự động hóa quy trình phân loại hàng hóa, giảm thiểu sự phụ thuộc vào con người và nâng cao hiệu suất làm việc.

Trong những năm gần đây, sự tăng trưởng nhanh chóng của ngành thương mại điện tử và tự động hóa đã thúc đẩy thị trường logistics toàn cầu Sự kết hợp giữa trí tuệ nhân tạo, thương mại điện tử và tự động hóa đã tạo ra những giải pháp quan trọng giúp doanh nghiệp giải quyết các thách thức Hiện nay, nhiều hệ thống phân loại sử dụng công nghệ xử lý ảnh 3D và AI, đặc biệt là robot phân loại thông minh, có khả năng phân loại hàng hóa nhanh chóng và hiệu quả thông qua hình ảnh từ camera 3D Một ví dụ tiêu biểu là module phân loại của Ambi Robotics, sử dụng cánh tay robot 6 bậc tự do, được xem là giải pháp thông minh cần được phát triển và áp dụng rộng rãi.

Nhóm Ambi Robotics đang phát triển hệ thống phân loại bưu kiện sử dụng công nghệ xử lý ảnh 3D, với thiết kế cơ khí đơn giản hơn so với cánh tay robot 6 bậc Điều này giúp giảm chi phí và tăng tính dễ dàng trong việc lắp đặt.

CƠ SỞ LÝ THUYẾT

HỆ THỐNG PHÂN LOẠI BƯU KIỆN HIỆN NAY

Giải pháp sử dụng tay gắp phân loại tự động với giác hút chân không của Ambi Robotics, công ty hàng đầu trong ngành công nghiệp tự động hóa tại California, mang đến hiệu quả cao trong công việc phân loại trong ngành Logistics AmbiSort, sản phẩm nổi bật của Ambi Robotics, kết hợp sức mạnh của AI và thiết kế phần cứng nhanh chóng, là robot toàn diện nhất phục vụ cho phân loại trong thương mại điện tử Hệ thống này có khả năng phân loại nhiều loại bưu kiện như hộp, thùng, và phong bì từ các thùng chứa đa dạng Với cánh tay robot 6 bậc tự do và đầu công tác là giác hút chân không, AmbiSort nâng sản phẩm, quét mã vạch và chuyển bưu kiện vào khay vận chuyển Hệ thống này đạt tốc độ phân loại vượt trội so với nhân công, đồng thời đảm bảo tính chính xác và năng suất cao, xử lý hàng triệu bưu kiện mỗi ngày.

Hình 3 1 Cánh tay robot Ambi Robotics 6 bậc tự do

Hệ thống phân loại bưu kiện của Berkshire Grey, kết hợp với cánh tay robot của Ambi Robotic, mang đến giải pháp hiệu quả cho ngành thương mại điện tử toàn cầu Giải pháp này giúp giảm đáng kể chi phí vận chuyển và phân phối so với việc sử dụng nhân công, đồng thời tối ưu hóa tốc độ phân loại nhờ công nghệ tự động Cánh tay robot 5 bậc tự do cùng với mobile robot vận chuyển hàng hóa chính xác và nhanh chóng tạo nên một hệ thống phân loại hoàn hảo, nâng cao năng suất phân loại một cách ấn tượng.

Hình 3 2 Cánh tay robot phân loại 5 bậc tự do của Berkshire Grey

Hệ thống dây chuyền phân loại bưu kiện Cross-belt Sortation đang ngày càng trở nên phổ biến trong ngành công nghiệp phân loại hàng hóa, với khả năng phân loại lên tới 24.000 sản phẩm/giờ và có thể xử lý bưu kiện nặng tối đa 30kg Cấu trúc băng tải dạng vòng kín cho phép tùy chỉnh dễ dàng các vị trí cửa ra, đồng thời có thể chồng lên nhau để tiết kiệm diện tích và tăng công suất Hệ thống này hoạt động với hiệu suất cao, tiêu thụ năng lượng thấp, tiếng ồn nhỏ và độ chính xác cao Các thành phần cơ khí bền bỉ và an toàn giúp quá trình lắp ráp, sửa chữa, bảo trì trở nên dễ dàng, mang lại độ tin cậy cao và giảm chi phí bảo trì cho doanh nghiệp Dây chuyền phân loại khép kín được hình thành bởi băng tải và các cửa ra, cho phép sản phẩm được đẩy xuống thùng phân loại một cách chính xác khi đến vị trí cửa ra.

Hình 3 3 Hệ thống phân loại bưu kiện Cross-belt Sortation

GIỚI THIỆU XỬ LÝ ẢNH

Xử lý ảnh là một lĩnh vực trong khoa học máy tính và trí tuệ nhân tạo, nhằm thực hiện các phép biến đổi, phân tích và trích xuất thông tin từ hình ảnh Mục tiêu chính là cải thiện và hiểu rõ nội dung hình ảnh, giúp máy tính xử lý dữ liệu ảnh như con người Đây là một ngành khoa học mới mẻ nhưng phát triển nhanh chóng, với nhiều ứng dụng trong giao tiếp, y tế, an ninh, tự động hóa, nghệ thuật và giải trí Quy trình xử lý ảnh bắt đầu từ việc thu nhận hình ảnh qua các thiết bị như camera, máy chụp ảnh và máy scan Trước đây, ảnh được lưu trữ dưới dạng phim, nhưng hiện nay, công nghệ cho phép chuyển đổi ảnh màu hoặc trắng đen thành ảnh kỹ thuật số, dễ dàng cho việc xử lý tiếp theo Ảnh kỹ thuật số có thể được chụp từ máy ảnh số hoặc điện thoại, và trong một số trường hợp, ảnh cũng có thể được thu nhận từ vệ tinh.

Hình 3 4 Sơ đồ khối các bước cơ bản trong xử lý ảnh

Các phương pháp và kỹ thuật trong xử lý ảnh bao gồm:

Tiền xử lý là quá trình quan trọng nhằm loại bỏ nhiễu, cân bằng màu sắc, và cải thiện độ tương phản cũng như độ sắc nét của hình ảnh Mục tiêu của tiền xử lý là nâng cao chất lượng và độ tin cậy trong việc phân tích và trích xuất thông tin từ hình ảnh.

Để phân loại và nhận dạng đối tượng trong hình ảnh, việc trích xuất các đặc trưng nổi bật như cạnh, điểm đặc trưng, màu sắc và các khu vực quan trọng là rất cần thiết.

Phân đoạn hình ảnh là quá trình chia tách hình ảnh thành các vùng riêng biệt, nhằm xác định vị trí và giới hạn của các đối tượng trong hình ảnh một cách chính xác.

Các thuật toán máy học và học sâu đóng vai trò quan trọng trong việc nhận dạng và phân loại đối tượng trong hình ảnh Chúng có khả năng xác định các đối tượng cụ thể cũng như phân loại toàn bộ hình ảnh, giúp nâng cao độ chính xác trong việc xử lý và phân tích hình ảnh.

- Khôi phục hình ảnh: Khôi phục hình ảnh là quá trình tái tạo và phục hồi thông tin bị mất trong hình ảnh do nhiễu hoặc định dạng nén

- Theo dõi đối tượng: Xử lý ảnh cũng có thể sử dụng để theo dõi đối tượng qua các khung hình liên tiếp trong video.

NHỮNG VẤN ĐỀ TRONG XỬ LÝ ẢNH

3.3.1 Điểm ảnh Điểm ảnh (pixel) là đơn vị cơ bản nhỏ nhất trong một hình ảnh kỹ thuật số Từ "pixel" được tạo ra từ viết tắt của cụm từ "picture element" (yếu tố hình ảnh) Mỗi điểm ảnh đại diện cho một mục lục hình ảnh trên một mảng hai chiều, trong đó mỗi điểm ảnh có một vị trí duy nhất và giá trị màu hoặc cường độ tương ứng Điểm ảnh như giải thích bên trên nó được gọi là pixel là một phần tử nhỏ nhất của ảnh số tại toạ độ (x, y) với độ sáng hoặc màu nhất định Khoảng cách giữa các điểm ảnh và kích thước đó được chọn để thích hợp sao cho mắt người cảm nhận được sự liên tục về không gian và mức xám của ảnh số gần như ảnh thật Mỗi phần tử trong ma trận được gọi là một phần tử ảnh Điểm ảnh là thành phần cơ bản của các phép xử lý ảnh và đóng vai trò quan trọng trong việc mô tả và biểu diễn thông tin hình ảnh

3.3.2 Độ phân giải Độ phân giải của một hình ảnh chỉ số lượng điểm ảnh (pixel) có trong hình ảnh Nó xác định chi tiết và độ rõ nét của hình ảnh Độ phân giải được đo bằng số lượng pixel trên mỗi chiều của hình ảnh, thường là chiều ngang và chiều dọc Độ phân giải được biểu diễn dưới dạng "số lượng pixel trên chiều ngang x số lượng pixel trên chiều dọc" Ví dụ, một hình ảnh có độ phân giải 1920x1080 tức là có tổng cộng

Độ phân giải 1920 x 1080 pixel mang lại hình ảnh chi tiết hơn nhờ chứa nhiều điểm ảnh hơn Tuy nhiên, độ phân giải cao cũng đồng nghĩa với kích thước tệp lớn hơn, yêu cầu lưu trữ và xử lý dữ liệu cao hơn.

Mức xám của một bức ảnh là cách thể hiện hình ảnh chỉ bằng các tông màu xám, không chứa thông tin về màu sắc Nó được áp dụng trong ảnh đen trắng hoặc ảnh xám để thể hiện độ sáng và tối của từng điểm ảnh.

Trong ảnh mức xám, mỗi pixel được biểu thị bằng một giá trị số từ 0 đến 255, phản ánh độ sáng tối của nó Giá trị 0 tương ứng với màu đen tuyệt đối, trong khi giá trị 255 đại diện cho màu trắng tuyệt đối Các giá trị ở giữa cho thấy các mức xám khác nhau giữa đen và trắng.

Chuyển đổi ảnh màu sang mức xám thường sử dụng hai công thức chính: công thức trung bình và công thức trọng số Công thức trung bình tính toán giá trị mức xám bằng cách lấy trung bình của các kênh màu RGB Trong khi đó, công thức trọng số áp dụng các trọng số khác nhau cho từng kênh màu, giúp tạo ra giá trị mức xám chính xác hơn trong một số trường hợp cụ thể.

Mức xám là một công cụ quan trọng trong xử lý ảnh, được ứng dụng trong trích xuất đặc trưng, phân đoạn và phân loại Nó giúp tập trung vào thông tin độ sáng tối, loại bỏ màu sắc, từ đó đơn giản hóa các bài toán phân tích ảnh Ảnh màu được xây dựng dựa trên lý thuyết ba màu cơ bản: đỏ, xanh dương và xanh lá Để tạo ra một thế giới màu phong phú, người ta sử dụng 3 byte, cho phép hiển thị lên đến 16,7 triệu màu sắc khác nhau.

3.3.4 Ảnh số Ảnh số là một biểu diễn số hóa của một hình ảnh Nó là một tập hợp các điểm ảnh được mã hóa thành các giá trị số để biểu thị thông tin về màu sắc và cường độ ánh sáng của các điểm ảnh trong hình ảnh

Trong ảnh số, mỗi điểm ảnh được biểu diễn bằng một giá trị số, thường là số nguyên hoặc số thực, để thể hiện mức độ sáng tối hoặc màu sắc Đối với hình ảnh màu, các kênh màu RGB (Đỏ, Xanh lá, Xanh dương) thường được sử dụng để mô tả màu sắc của từng điểm ảnh, với mỗi kênh màu có giá trị từ 0 đến 255 hoặc từ 0 đến 1.

3.3.5 Quan hệ giữa các điểm ảnh

Các lân cận của một điểm ảnh trong hình ảnh được xác định bằng cách xem xét các điểm ảnh xung quanh trong một khu vực nhất định Việc xác định này dựa trên mô hình hàng xóm, bao gồm các điểm ảnh hàng xóm trực tiếp và có thể mở rộng đến các điểm ảnh theo đường chéo.

Có hai mô hình hàng xóm phổ biến trong xử lý ảnh: mô hình hàng xóm 4 và mô hình hàng xóm 8 Mô hình hàng xóm 4 xác định 4 điểm ảnh hàng xóm trực tiếp xung quanh một điểm ảnh, bao gồm điểm phía trên, phía dưới, bên trái và bên phải Trong khi đó, mô hình hàng xóm 8 mở rộng số lượng điểm ảnh hàng xóm lên 8, bao gồm cả các điểm ảnh theo đường chéo tại các góc.

Hình 3 5 Lân cận các điểm ảnh của tọa độ (x,y)

Trong xử lý ảnh, việc xem xét các lân cận của một điểm ảnh là rất quan trọng cho nhiều tác vụ Chẳng hạn, trong xử lý ảnh số, các phép biến đổi như làm mờ (blurring) được thực hiện bằng cách tính trung bình giá trị của các điểm ảnh lân cận Đồng thời, làm nổi bật biên (edge detection) thông qua việc so sánh giá trị của điểm ảnh với các điểm ảnh xung quanh Ngoài ra, phát hiện vật thể cũng dựa vào việc phân tích sự khác biệt giữa các lân cận.

Các lân cận đóng vai trò quan trọng trong việc xác định mẫu và cấu trúc trong hình ảnh, đặc biệt trong quá trình trích xuất đặc trưng và phân đoạn Bằng cách phân tích lân cận của các điểm ảnh, các thuật toán như convolution có thể được áp dụng để thực hiện các phép xử lý hình ảnh hiệu quả.

Lọc nhiễu trong xử lý ảnh là kỹ thuật quan trọng giúp giảm thiểu hoặc loại bỏ nhiễu và biến đổi không mong muốn từ hình ảnh Nhiễu có thể phát sinh trong quá trình thu thập dữ liệu, lưu trữ, truyền tải hoặc xử lý ảnh, gây ra hiện tượng mờ, giảm độ tương phản và thay đổi thông tin trong hình ảnh.

Trong xử lý ảnh, việc loại bỏ nhiễu là bước quan trọng nhằm cải thiện chất lượng và độ tin cậy của hình ảnh Ảnh thu nhận thường bị nhiễu do nhiều nguyên nhân như điểm nhiễu trong quá trình thu thập, nhiễu môi trường, hoặc các phép biến đổi trước đó Để tách nhiễu, người ta sử dụng các bộ lọc phi tuyến hoặc tuyến tính, trong đó lọc thống thấp thường được áp dụng để lọc nhiễu, trong khi các bộ lọc thông cao và lọc Laplace được sử dụng để làm nổi đường cạnh tương ứng với tần số cao.

Dưới đây là một số kỹ thuật lọc nhiều phổ biến:

• Lọc trung bình: sử dụng một mặt nạ (kernel) trung bình để tính trung bình các giá trị pixel xung quanh mối pixel trong ảnh

TỔNG QUAN VỀ THỊ GIÁC MÁY TÍNH

3.4.1 Giới thiệu thị giác máy tính 2D

Thị giác máy tính 2D là một lĩnh vực của trí tuệ nhân tạo và khoa học máy tính, tập trung vào việc xử lý và hiểu hình ảnh 2D Nó giải quyết các vấn đề như nhận diện, phân loại, theo dõi và đo lường hình ảnh và video, nhằm giúp máy tính tương tác với hình ảnh 2D như con người Lĩnh vực này có nhiều ứng dụng trong các ngành công nghiệp, y tế, an ninh, xe tự hành, nhận dạng khuôn mặt, và trong cuộc sống hàng ngày, như nhận dạng ký tự trên biển số xe và tìm kiếm hình ảnh trực tuyến Dưới đây là một số phương pháp phổ biến để giải quyết các bài toán cơ bản của thị giác máy tính.

3.4.1.1 Một số phương pháp Deep Learning – bài toán về Object Detection

Nhận dạng đối tượng (Object Detection) là một trong những bài toán quan trọng trong lĩnh vực xử lý ảnh và trí tuệ nhân tạo, với nhiệm vụ phát hiện và xác định vị trí các đối tượng trong hình ảnh hoặc video, đồng thời gán nhãn cho chúng Mục tiêu của bài toán này là tìm kiếm các đối tượng có vị trí và hình dạng đa dạng trong một bức ảnh hoặc khung hình Một số thuật toán nổi tiếng trong lĩnh vực này bao gồm R-CNN, Fast R-CNN, Faster R-CNN, các phiên bản YOLO, SSD, và EfficientDet.

Hình 3 7 Đầu ra của bài toán Object Detection

Cấu trúc mạng CNN, một loại kiến trúc mạng nơ-ron sâu, được tối ưu hóa để xử lý ảnh và dữ liệu không gian CNN đã trở thành công cụ quan trọng trong nhiều ứng dụng xử lý ảnh, bao gồm nhận dạng đối tượng, phân đoạn hình ảnh, nhận diện khuôn mặt và xử lý video, nhờ vào những thành công nổi bật của nó.

Cấu trúc CNN bao gồm các thành phần chính sau:

Lớp Convolutional là thành phần chính của mạng nơ-ron tích chập (CNN), nơi các bộ lọc nhỏ được áp dụng lên các vùng nhỏ của hình ảnh để phát hiện các đặc trưng cục bộ như cạnh, góc và kết cấu Qua quá trình tích chập, CNN học cách trích xuất các đặc trưng quan trọng từ dữ liệu huấn luyện, giúp cải thiện hiệu suất trong các bài toán nhận diện hình ảnh.

Lớp Activation là một thành phần quan trọng trong mạng nơ-ron, nơi một hàm kích hoạt được áp dụng sau lớp tích chập để tạo ra tính phi tuyến tính Hàm kích hoạt phổ biến nhất là ReLU, giúp giữ lại các giá trị không âm và giảm thiểu hiện tượng mất mát thông tin, hay còn gọi là vanishing gradient.

Lớp Pooling là lớp gộp quan trọng trong mạng nơ-ron, giúp giảm kích thước đặc trưng trích xuất từ lớp tích chập và giảm số lượng tham số Lớp gộp phổ biến nhất là max-pooling, nơi giá trị lớn nhất trong mỗi vùng được lấy làm đại diện.

Lớp Fully Connected, hay còn gọi là lớp hoàn chỉnh, là một loại lớp nơ-ron trong mạng nơ-ron, nơi mỗi nơ-ron kết nối với tất cả các nơ-ron của lớp trước Lớp này đóng vai trò quan trọng trong việc phân loại và xử lý thông tin, dựa trên các đặc trưng đã được trích xuất từ các lớp trước đó.

- Lớp Output: Lớp cuối cùng của CNN đưa ra dự đoán hoặc phân loại cho dữ liệu đầu vào

Số lượng nơ-ron trong lớp này phụ thuộc vào số lượng lớp đầu ra mà bài toán đang giải quyết

Cấu trúc mạng CNN được tối ưu hóa để tự động trích xuất và học các đặc trưng từ dữ liệu không gian, nâng cao khả năng học hỏi của mạng đối với các đặc trưng phù hợp với từng bài toán, từ đó cải thiện hiệu suất cho nhiều tác vụ xử lý ảnh.

Hình 3 8 Ví dụ về cấu trúc mạng CNN

Mạng R-CNN là một trong những kiến trúc mạng nơ-ron sâu tiên phong trong lĩnh vực phát hiện đối tượng, đạt được nhiều thành công đáng kể Được giới thiệu bởi Ross Girshick và các cộng sự vào năm 2014, R-CNN đã mở ra hướng đi mới cho việc nhận diện và phân loại đối tượng trong hình ảnh.

Vào năm 2014, R-CNN đã cách mạng hóa phương pháp phát hiện đối tượng, mở ra hướng đi mới cho các kiến trúc mạng phát hiện đối tượng sau này.

Mô hình R-CNN là một trong những phương pháp tiên phong trong việc sử dụng CNN cho phát hiện đối tượng Phương pháp này hoạt động bằng cách đề xuất các vùng khả thi chứa đối tượng, sau đó áp dụng CNN để trích xuất đặc trưng từ các vùng đó và sử dụng thuật toán máy học để phân loại đối tượng.

Hình 3 9 Ví dụ về cấu trúc mô hình R-CNN

R-CNN trung bình cần khoảng 50s để có thể xử lý một bức ảnh Nếu trong tập ảnh xử lý có ảnh nhiều đối tượng thì thời gian xử lý sẽ lâu hơn rất nhiều

Việc trích xuất đặc trưng độc lập cho mỗi vùng đề xuất gây tốn kém và không hiệu quả, dẫn đến sự phát triển của các kiến trúc mạng phát hiện đối tượng như Fast R-CNN, Faster R-CNN và YOLO, nhằm cải thiện hiệu suất và tốc độ phát hiện đối tượng.

Mô hình Fast R-CNN, được giới thiệu bởi Ross Girshick vào năm 2015, là một bước tiến quan trọng so với R-CNN gốc, mang lại hiệu suất cao hơn và tốc độ nhanh hơn trong phát hiện đối tượng Fast R-CNN khắc phục những nhược điểm của R-CNN bằng cách thực hiện trích xuất đặc trưng và phân loại đối tượng một cách hiệu quả trên toàn bộ hình ảnh, từ đó tối ưu hóa quá trình phát hiện đối tượng.

Fast R-CNN cải tiến quy trình trích xuất đặc trưng bằng cách thực hiện trên toàn bộ ảnh đầu vào thay vì cho từng vùng đề xuất riêng lẻ Điều này giúp Fast R-CNN nhanh hơn R-CNN, vì mạng CNN chỉ cần hoạt động một lần cho mỗi bức ảnh Nhờ vào việc chia sẻ trích xuất đặc trưng và phân loại cho toàn bộ hình ảnh, Fast R-CNN tăng tốc đáng kể so với R-CNN truyền thống, khiến nó trở thành một trong những mô hình phát hiện đối tượng hiệu quả và phổ biến nhất hiện nay.

Hình 3 10 Ví dụ về cấu trúc mô hình R-CNN

THIẾT KẾ HỆ THỐNG CƠ KHÍ

YÊU CẦU KĨ THUẬT

Để tính toán và thiết hệ thống phân loại bưu kiện thì phần cơ khí của hệ thống phân loại cần có những yêu cầu kĩ thuật như sau:

• Hệ thống được đặt cố định trên một mặt phẳng

• Nâng được bưu kiện có trọng lượng tối đa là 2kg

• Phân loại tối đa từ 2 đến 3 bưu kiện trên 1 phút

• Đảm bảo được lực hút, không làm rơi bưu kiện khi đang vận chuyển

• Phân loại chính xác đến vị trí được xác định

• Hệ thống phân loại hoạt động êm ái, ít tiếng ồn.

PHƯƠNG ÁN THIẾT KẾ

Hiện nay, nhiều cơ cấu tay máy phổ biến được ứng dụng rộng rãi trong các ngành công nghiệp khác nhau Dưới đây là một số loại cơ cấu tay máy được sử dụng phổ biến.

Tay máy kiểu tọa độ vuông góc là một loại robot công nghiệp được thiết kế để di chuyển trong không gian 3D theo các trục vuông góc (x, y, z), tạo thành vùng làm việc hình hộp chữ nhật Với cấu trúc khớp trượt tịnh tiến, tay máy này dễ dàng lắp đặt và có độ cứng vững cao, đảm bảo độ chính xác đồng đều trong toàn bộ vùng làm việc Tuy nhiên, về mặt uyển chuyển và khéo léo, tay máy kiểu tọa độ vuông góc không thể so sánh với các loại tay máy khác Chúng thường được sử dụng trong các ứng dụng yêu cầu chuyển động phức tạp, đa hướng và kiểm soát chính xác vị trí, như trong sản xuất ô tô, điện tử, cơ khí và nhiều lĩnh vực công nghiệp khác.

Hình 4 1 Tay máy kiểu tọa độ vuông góc

Tay máy kiểu tọa độ trụ khác với tay máy tọa độ vuông góc nhờ có thêm một khớp quay, tạo ra vùng làm việc hình trụ Loại tay máy này di chuyển xoay quanh trục dọc, thường được sử dụng cho các nhiệm vụ xoay và điều khiển góc quét Mặc dù độ cứng vững cơ học của tay máy trụ rất tốt và thích hợp cho tải nặng, nhưng độ chính xác định vị góc trong mặt phẳng nằm ngang sẽ giảm khi tầm với tăng.

Hình 4 2 Tay máy kiểu tọa độ trụ

Tay máy kiểu tọa độ cầu là một loại robot công nghiệp với cấu trúc tương tự hệ tọa độ cầu trong không gian ba chiều (r, θ, φ) Thiết kế của nó cho phép di chuyển linh hoạt trong không gian 3D, sử dụng hệ tọa độ cầu thay vì hệ tọa độ Descartes (x, y, z) Hệ tọa độ cầu mang lại khả năng phủ sóng rộng hơn, giúp robot dễ dàng định vị và thực hiện các tác vụ trong không gian ba chiều.

Hình 4 3 Tay máy kiểu tọa độ cầu

Tay máy kiểu tay người là một loại robot công nghiệp được thiết kế để mô phỏng cấu trúc và chức năng của cánh tay con người, cho phép thực hiện các chuyển động trong không gian ba chiều Nó có khả năng cầm nắm, thả các vật phẩm và thực hiện các thao tác cụ thể trong môi trường phức tạp Cấu trúc của tay máy này bao gồm các khớp như khớp vai, khớp khuỷu tay, khớp cổ tay và khớp ngón tay, giúp nó hoạt động khéo léo với độ chính xác cao, phụ thuộc vào vị trí của phần công tác Tay máy kiểu tay người thường được ứng dụng trong ngành sản xuất, lắp ráp, nghiên cứu và y tế, nơi yêu cầu độ linh hoạt và đa nhiệm Tuy nhiên, thiết kế và lắp ráp loại tay máy này khá phức tạp, đặc biệt là khi kết hợp với quy trình phân loại bưu kiện.

Hình 4 4 Tay máy kiểu tay người

Hệ thống phân loại bưu kiện được thiết kế với tốc độ vừa phải và độ chính xác cao, bao gồm ba khối chính: khối cấp hàng, khối tay gắp và khối chứa bưu kiện Khối cấp hàng có nhiệm vụ đưa bưu kiện vào hệ thống để tiến hành phân loại Khối tay gắp được thiết kế với cơ cấu cánh tay robot 2 bậc tự do, di chuyển theo hai phương X và Z, trong đó trục Z chứa đầu công tác với các giác hút chân không để nâng hạ bưu kiện, còn trục X đưa bưu kiện đến khối phân loại khi nhận được tín hiệu Độ chắc chắn và độ chính xác của trục X rất quan trọng vì nó kết nối hai khối với nhau Cuối cùng, khối chứa bưu kiện có ba ô để lưu trữ bưu kiện sau khi phân loại.

3 loại bưu kiện: bìa thư, bưu kiện xốp mềm, bưu kiện hình hộp

Hình 4 5 Phương án thiết kế hệ cơ cấu phân loại của nhóm lựa chọn

Nhóm thiết kế đã sử dụng phần mềm SolidWorks để tạo ra hình ảnh 3D, một thiết kế phù hợp với đề tài nhờ vào tính khả thi trong cơ khí và sự thuận lợi trong việc điều khiển.

THIẾT KẾ 3D HỆ THỐNG PHÂN LOẠI BƯU KIỆN

Sau khi nghiên cứu các phương án thiết kế, nhóm đã chọn được phương án phù hợp cho hệ thống, dễ dàng lắp đặt Tiếp theo, nhóm tiến hành vẽ 3D chi tiết trước khi bắt đầu gia công lắp đặt.

Hình 4 6 Khối 1 và 3 của hệ thống

Hình 4 7 Khối 2 của hệ thống

Hệ thống cơ khí bao gồm 3 khối chính như được kể đến ở phần phương án thiết kế:

Khối 1 là khối cấp hàng, chịu trách nhiệm phân phối các bưu kiện vào hệ thống Những bưu kiện này đã được phân loại theo vùng gửi trước đó, đảm bảo quy trình xử lý nhanh chóng và hiệu quả.

• Khối 2 là khối tay gắp: bao gồm cơ cấu cánh tay robot 2 bậc tự do theo phương X,

Z có trách nhiệm chuyển bưu kiện đến khối 3 Hệ thống truyền động sử dụng trục vít me, đảm bảo độ êm ái và chính xác trong quá trình vận chuyển, mặc dù tốc độ di chuyển không quá nhanh.

• Khối 3 là khối chứa bưu kiện gồm 3 ô hàng chứa 3 loại bưu kiện mà nhóm đã đề cập đến trong đề tài.

XÂY DỰNG PHẦN KHUNG NHÔM

Câu hỏi đặt ra tại sao nhóm lại chọn nhôm định hình là vật liệu làm khung nhôm cho toàn bộ hệ thống?

Nhôm là kim loại nhẹ, chỉ bằng 1/3 trọng lượng của thép, làm cho sản phẩm nhôm định hình trở thành lựa chọn lý tưởng cho các ứng dụng cần sự nhẹ nhàng Với khả năng dễ dàng cắt, gia công bằng công cụ cơ khí thông thường, nhôm định hình tiết kiệm thời gian và công sức trong sản xuất Nhôm có tính chống ăn mòn tự nhiên, không bị rỉ sét như thép, và có khả năng chịu đựng tác động từ môi trường khắc nghiệt như nhiệt độ cao, độ ẩm và ánh sáng mặt trời Sản phẩm nhôm định hình có thể sử dụng trong nhiều môi trường khác nhau mà không bị ảnh hưởng bởi yếu tố môi trường Bề mặt trơn của nhôm có thể được hoàn thiện với nhiều lớp phủ bảo vệ và màu sắc khác nhau, tạo ra sản phẩm hấp dẫn và chất lượng cao, phù hợp với nhiều kiến trúc và thiết kế.

Nhóm sử dụng chủ yếu 2 kích thước nhôm định hình là 20x20mm và 20x40mm cho toàn bộ hệ thống phân loại

Hình 4 8 Các kích thước nhôm định hình nhóm sử dụng

Nhóm quyết định sử dụng nhôm định hình làm khung và các trục cánh tay cho hệ thống phân loại, nhờ vào những ưu điểm vượt trội và giá thành hợp lý cho sinh viên.

XÂY DỰNG PHẦN CẤP BƯU KIỆN

Sau khi lựa chọn vật liệu cho khung hệ thống, nhóm sẽ chuyển sang khối cấp bưu kiện Khối cấp này có thể hiểu đơn giản là băng chuyền, giúp vận chuyển các bưu kiện đến vị trí làm việc để tiến hành phân loại.

Trên thị trường hiện nay có các loại băng tải sau:

Băng tải trục là loại băng tải dài và phẳng, được nâng đỡ bởi trục dọc và lăn ngang Chúng thường được ứng dụng trong các lĩnh vực công nghiệp như sản xuất, xử lý vật liệu và hệ thống vận chuyển hàng hóa.

Băng tải trục xoắn là thiết bị vận chuyển có thiết kế xoắn, thường được sử dụng để di chuyển các vật liệu như đồng hồ cát, nguyên liệu thức ăn, cùng với các sản phẩm tự nhiên như gỗ và cỏ.

Băng tải PVC là loại băng tải được chế tạo từ chất liệu PVC chất lượng cao, nổi bật với độ bền vượt trội và khả năng chịu áp lực lớn Loại băng tải này thường được ứng dụng trong ngành công nghiệp thực phẩm và đóng gói nhờ vào tính năng chống thấm nước và dễ dàng vệ sinh.

Băng tải cao su, được chế tạo từ cao su tổng hợp hoặc cao su thiên nhiên, nổi bật với tính đàn hồi tốt, khả năng chống mài mòn và chịu nhiệt cao Loại băng tải này thường được áp dụng trong các ngành công nghiệp như khai thác mỏ, sản xuất xi măng và chế biến thép.

Băng tải PVC nổi bật với nhiều ưu điểm như khả năng vận chuyển êm ái, độ bền cao, chịu được áp lực và mài mòn, cùng với khả năng chịu tải trọng nặng và tuổi thọ lâu dài Ngoài ra, băng tải PVC còn tiết kiệm chi phí bảo trì và thay thế, cũng như dễ dàng vệ sinh So với các loại băng tải khác như băng tải cao su, băng tải PVC có chi phí thấp hơn nhiều, vì vậy nhóm đã quyết định lựa chọn băng tải PVC cho hệ thống vận chuyển của mình.

Hình 4 10 Khối cấp bưu kiện

❖ Tính toán chọn lựa các chi tiết của băng tải:

Với yêu cầu kĩ thuật đường kính tang băng tải D tg (mm)

Với yêu cầu kĩ thuật tốc độ quay của tang băng tải là 40 (vòng/phút)

Vận tốc chuyển động thực của băng tải:

D n tg v =  k =  = m s trong đó: v: tốc độ trung bình của bộ phận kéo (m s/ )

D tg : Đường kính tang của băng tải ( )m k: hệ số trượt (k =0,98 0,99)

Để đáp ứng yêu cầu đầu vào với các bưu kiện có kích thước tối đa 15x20x10cm, băng tải cần có chiều rộng B tối thiểu là 0 mm.

Số lớp đệm của băng được chọn là 3

Với yêu cầu phân loại từ 2 đến 3 bưu kiện 1 phút thì trong 1 giờ cần phân loại từ 120 đến 180 bưu kiện

Năng suất tính toán của băng tải

.1,1 180.1,1 198 z=z yc = = (bưu kiện/giờ) trong đó: 1,1 là hệ số nạp liệu không đều

Ta có, thời gian vận chuyển 1 sản phẩm:

18, 2.1 a a v=t i = Vậy khoảng cách giữa các bưu kiện là a=0,028.18, 2.1 0,5( )= m i : số sản phẩm trong 1 công đoạn làm việc

Trọng lượng vật liệu có ích trên 1 mét dài của băng tải:

Khối lượng tối đa của một sản phẩm được ký hiệu là G kG q = a = = m (kg) Chiều dày lớp cao su được lựa chọn dựa vào bảng 3.5 trang 50 của tài liệu TLTK [28], với chiều dày phía bề mặt làm việc là  1 = 1(mm) và chiều dày phía bề mặt không làm việc là  2 = 1(mm).

Trọng lượng phân bổ của băng:

Chu tuyến di chuyển của băng tải được chia thành 4 đoạn riêng biệt, bao gồm 4 điểm từ 1 đến 4 Chúng ta sẽ tiến hành tính toán lần lượt từ điểm 1 đến điểm 4.

Hình 4 11 Chu tuyến của băng tải

Tại điểm 1 có lực căng tại nhánh ra của tang dẫn động: S 1 = S ra Ở đoạn 1 2 nhánh không tải, lực cản chuyển động:

0 q cl : trọng lượng các bộ phận quay của các gối tựa lăn ở nhánh không tải (kG/m)

L 1 2 − : chiều dài đoạn 1 2 của băng tải 0,018

 = : hệ số cản chuyển động chung của băng tải lên con lăn Lực kéo căng tại điểm 2:

Lực cản ở đoạn 2 3 được xác định như sau:

W − =0,07.S =0,07S +0,00098(kG) Lực kéo căng tại điểm 3:

Lực cản ở đoạn 3 4 được xác định như sau:

W − =(q b +q vl )L − f =(1.265+5).0,6.0, 4 1,504(= kG) với f =0, 4là hệ số ma sát của băng lên tấm thép

L 3 4 − : chiều dài đoạn 3 4 của băng tải Tổng lực cản chuyển động trên nhánh băng tải:

Tổng lực căng tải điểm 4:

Ta có: S 4 =S vao =S e ra fa =S e 1 fa

Dựa vào bảng 2.1 trang 28 của TLTK [28] khi  0 ; 0 f =0,35;e fa =3

Từ các giá trị bên trên ta có: 3S 1 =1,07S 1 +2,62

Suy ra: S 1 =1,36(kG S), 2 =1,374(kG S), 3 =1, 47(kG S), 4 =4,07(kG)

Kiểm tra đồ bền của băng tải: max 4 4,07.9

S max : lực căng lớn nhất (kG) d 55

9 k = là hệ số dự trữ bền kéo của căng Lực cản ở tang dẫn động không tính đến cản trong ổ trục:

Wdd =0,03(S ra +S vao )=0,03(1,36+4,07)=0,16(kG) Lực kéo chung ở tang dẫn động:

W T =S − +S W =4,07 1,36− +0,16=2,87(kG) Chọn động cơ có số vòng quay 60 vòng/phút Ta tính được tỉ số truyền của bộ phận dẫn động

Chúng ta không nhất thiết phải chọn động cơ có tốc độ vòng quay 60, vì vậy trong phần băng tải này, có thể sử dụng bộ truyền đai với tỷ số truyền 1/1.

Công suất cần thiết của động cơ là:

 = là hiệu suất các khớp nối

 gt : hiệu suất toàn bộ các bộ truyền của cơ cấu

Băng tải chính yêu cầu dừng theo tín hiệu hệ thống phân loại và có khả năng chịu tải nặng nhất 2,5 kg Với tính toán không yêu cầu quá cao về độ chính xác chuyển động, nhóm đã chọn động cơ giảm tốc 24VDC và bộ truyền đai với tỉ số truyền 1/1.

Hình 4 12 Động cơ giảm tốc 24VDC

Bên dưới là bảng thông số của loại động cơ này

Bảng 4.1 Thông số kỹ thuật của động cơ giảm tốc 24VDC

Thông số kỹ thuật Giá trị Điện áp 24 VDC

Dòng định mức trung bình 1.3 A

Chiều dài trục 17,5 mm Đường kính trục 6 mm

XÂY DỰNG PHẦN TAY GẮP

Trục vít me là một thành phần cơ khí quan trọng trong công nghiệp, chuyên dùng để chuyển đổi chuyển động quay thành chuyển động tịnh tiến Dưới đây là những ưu điểm nổi bật của trục vít me mà chúng tôi đã nghiên cứu.

Trục vít me mang lại chuyển động tuyến tính chính xác với độ chính xác cao, cho phép điều chỉnh và kiểm soát vị trí của các bộ phận trong hệ thống một cách hiệu quả Với bước vít và thông số kỹ thuật được xác định rõ ràng, trục vít me đóng vai trò quan trọng trong việc nâng cao hiệu suất của các ứng dụng cơ khí.

Trục vít me được thiết kế với đường kính lớn và khoảng cách giữa các vòng ren rộng, cho phép nó chịu tải cao và khả năng chống lại lực ép cũng như lực kéo lớn.

Trục vít me nổi bật với hiệu suất truyền động vượt trội nhờ vào sự tiếp xúc lớn giữa trục vít và ren, giúp tối ưu hóa việc truyền năng lượng Điều này không chỉ nâng cao hiệu quả hoạt động mà còn giảm thiểu tổn thất năng lượng trong quá trình chuyển động.

• Trục vít me có độ bền và tuổi thọ cao Chúng có khả năng hoạt động ổn định trong thời gian dài và yêu cầu ít bảo trì

Trục vít me mang lại chuyển động ổn định và giảm thiểu rung động nhờ vào các vòng ren chặt chẽ và tính cân bằng của nó Điều này giúp đảm bảo sự ổn định trong quá trình vận hành.

Hệ thống phân loại bưu kiện được xây dựng bởi nhóm tác giả yêu cầu độ cứng cao, chính xác và tốc độ phân loại hợp lý Để tiết kiệm chi phí, nhóm đã lựa chọn bộ truyền động vít me đai ốc cho cả trục X và trục Z của cơ cấu tay gắp Đặc biệt, đối với trục Z, vít me được kết nối đồng trục với động cơ qua khớp nối mềm Khi động cơ quay, đai ốc sẽ di chuyển dọc theo trục vít me, trong khi các đầu giác hút gắn trên đai ốc sẽ di chuyển theo phương Z, thực hiện chức năng nâng và hạ các bưu kiện.

Trong cơ cấu trục X, không thể gắn trực tiếp vào động cơ như ở trục Z Để truyền động từ động cơ đến vít me, nhóm sử dụng hai puly để dẫn động đai Tương tự như trục Z, đai ốc sẽ di chuyển dọc theo trục vít me theo phương X Cơ cấu trục Z sẽ được gắn chặt vào đai ốc của trục vít me X, và khi động cơ quay, cơ cấu trục Z sẽ di chuyển dọc theo phương này.

X, đưa các bưu kiện đến khối phân loại

Bên dưới đây là cơ cấu mà nhóm thiết kế cho phần tay gắp:

Hình 4 13 Xây dựng phần tay gắp

Tốc độ di chuyển của hệ cơ cấu phụ thuộc vào tốc độ động cơ và bước ren của vít me Khi động cơ quay một vòng, đai ốc sẽ di chuyển một đoạn tương ứng với bước ren của vít me Do đó, để đạt được độ chính xác cao trong điều khiển, cần sử dụng các loại động cơ có góc bước và trục ren nhỏ.

Dựa vào lý thuyết, có 3 kiểu lắp trục vít thường được sử dụng trong các cơ cấu đó là kiểu fixed – fixed, fixed – support, fixed – free

Kiểu fixed – fixed là một cơ cấu vít me đặc biệt, trong đó cả hai đầu của vít được cố định và không thể di chuyển Điều này đảm bảo rằng cả đầu vào và đầu ra của vít me giữ nguyên vị trí trong suốt quá trình vận hành, mang lại sự ổn định và hiệu suất cao cho hệ thống.

Hình 4 14 Kiểu lắp fixed – fixed

Kiểu fixed – support là một cơ cấu vít me đặc trưng, trong đó đầu vào của vít được cố định, trong khi đầu ra được hỗ trợ và có khả năng di chuyển Điều này có nghĩa là chỉ có một đầu của vít me có thể quay và di chuyển, trong khi đầu còn lại giữ nguyên vị trí và không thay đổi.

Hình 4 15 Kiểu lắp fixed – support

Kiểu fixed – support là một cơ cấu vít me đặc trưng, trong đó đầu vào của vít được cố định, cho phép đầu ra tự do di chuyển Điều này có nghĩa là chỉ một đầu của vít me có khả năng quay và di chuyển, trong khi đầu còn lại không bị ràng buộc và có thể di chuyển tự do.

Hình 4 16 Kiểu lắp fixed – free

Trong việc so sánh các kiểu lắp trục vít me, kiểu lắp fixed – fixed cho độ cứng vững cao nhất, trong khi kiểu fixed – free có độ cứng vững thấp nhất Về khả năng chịu tải, kiểu fixed – fixed cũng có thể chịu tải trọng lớn hơn, trong khi hai kiểu còn lại có khả năng chịu tải trung bình Để đảm bảo độ cứng vững tốt, dễ lắp đặt và phù hợp nhất, nhóm tác giả đã lựa chọn kiểu lắp fixed – support cho cả hai cơ cấu trục vít me X và Z Tiếp theo, chúng ta sẽ tiến hành tính toán từng cơ cấu trục của tay gắp.

4.6.1.1 Lựa chọn trục vít me

• Vận tốc lớn nhất: V (m/phút)

• Khối lượng đặt lên: m= + =2 2 4(kg)

• Tốc độ của động cơ: N 00(vòng/phút)

• Gia tốc lớn nhất của hệ thống: 10 2

• Hệ số ma sát bề mặt:  =0,1

Chọn bước vít me: 8 (mm/vòng)

Tính toán lực dọc trục:

Tính toán lực dọc trục: F a max =F a 4 h( )N

L = chiều dài di chuyển + chiều dài đai ốc + chiều dài vùng thoát

= 350 + 50 + 50 = 450 (mm) Chọn kiểu lắp fixed – support nên ta có f , 2

Bán kính trục vít me:

= = Vậy ta chọn trục vít me có đường kính 10 mm

Dựa vào thông số thiết kế:

• Đường kính vít me: D B (mm)

• Hệ số ma sát trên bề mặt:  =0,1

• Hệ số ma sát khớp nối ren:  0 =0,3

• Khối lượng riêng của thép:  =7,9.10 ( 3 kg m 3 )

Ta có, lực làm bàn máy dịch chuyển:

Momen chịu tải được tính như sau:

Ta có công thức tính momen gia tốc:

J 0 : momen quán tính roto (kg m 2 )

J L : momen quán tính tải (kg m 2 ) t 1: thời gian tăng tốc (giây)

N M : tốc độ quay của trục vít me (vòng/phút) Momen quán tính trục vít me:

= → = Momen quán tính trục vít me:

Momen quán tính tải: J L =J T +J B =5,1.10 − 5 +3, 2.10 − 7 =5, 2.10 ( − 5 kg m 2 )

Ta có công thức tính momen gia tốc:

→ = + Momen xoắn cho động cơ bước:

Vậy ta chọn động cơ bước có mã KV4234-F2B009

Bảng 4.2 Thông số kỹ thuật động cơ bước KV4234-F2B009

Thông số kỹ thuật Giá trị

Chiều dài 48 mm Đường kính trục 5 mm

Momen quán tính rotor 42 g cm 2 Điện trở cuộn dây 5/ pha

4.6.2.1 Lựa chọn trục vít me

• Vận tốc lớn nhất: V =3(m/phút)

• Khối lượng đặt lên: m=6(kg)

• Tốc độ của động cơ: N @0(vòng/phút)

• Gia tốc lớn nhất của hệ thống: 10 2

• Hệ số ma sát bề mặt:  =0,1

Chọn bước vít me: 8 (mm/vòng)

Tính toán lực dọc trục:

Tính toán lực dọc trục: F a max =F a 4 2( )N

L = chiều dài di chuyển + chiều dài đai ốc + chiều dài vùng thoát

= 900 + 50 + 50 = 1000 (mm) Chọn kiểu lắp fixed – support nên ta có f , 2

Bán kính trục vít me:

= = Vậy ta chọn trục vít me có đường kính 10 mm

Dựa vào thông số thiết kế:

• Đường kính vít me: D B (mm)

• Hệ số ma sát trên bề mặt:  =0,1

• Hệ số ma sát khớp nối ren:  0 =0,3

• Khối lượng riêng của thép:  =7,9.10 ( 3 kg m 3 )

Ta có, lực làm bàn máy dịch chuyển:

Momen chịu tải được tính như sau:

→ Ta có công thức tính momen gia tốc:

Momen quán tính trục vít me:

= → = Momen quán tính trục vít me:

Momen quán tính tải: J L =J T +J B =7,64.10 − 5 +7,76.10 − 6 =8,5.10 ( − 5 kg m 2 )

Ta có công thức tính momen gia tốc:

→ = + Momen xoắn cho động cơ bước:

Vậy ta chọn động cơ bước có mã KH42KM2R015D

Bảng 4.3 Thông số kỹ thuật động cơ bước KH42KM2R015D

Thông số kỹ thuật Giá trị

Mã sản phẩm KH42KM2R015D

Kích thước 42x42x50 mm Đường kính trục 5 mm

Dòng điện định mức 1.8 A Điện áp định mức 4.42 V

4.6.3 Lựa chọn thiết bị khí nén

Giác hút chân không được thiết kế với bề mặt mềm, giúp bảo vệ hàng hóa khỏi hư hỏng và trầy xước trong quá trình vận chuyển và phân loại Với khả năng nâng hạ nhiều loại sản phẩm khác nhau, phần đầu giác hút luôn vuông góc với mặt đất, điều này cho phép tính toán và lựa chọn kích thước giác hút một cách chính xác.

Trường hợp 1: Nâng vật theo phương thẳng đứng, bề mặt giác hút song song với mặt đất

• Lực hút chân không cần thiết để giữ vật:

Giả sử chọn giác hút có đường kính 40mm, ta có như sau:

• Tiết diện giác hút tiếp xúc với gói bưu kiện:

• Lực nâng mỗi giác hút:

• Số giác hút cần cho đầu công tác:

Trường hợp 2: Nâng vật và di chuyển theo phương ngang

• Lực hút chân không cần thiết để giữ vật:

Giả sử chọn giác hút có đường kính 40mm, ta có như sau:

• Tiết diện giác hút tiếp xúc với gói bưu kiện:

• Lực nâng mỗi giác hút:

• Số giác hút cần cho đầu công tác:

Trường hợp 3: Bề mặt giác hút đặt vuông góc với mặt đất

• Lực hút chân không cần thiết để giữ vật:

Giả sử chọn giác hút có đường kính 40mm, ta có như sau:

• Tiết diện giác hút tiếp xúc với gói bưu kiện:

• Lực nâng mỗi giác hút:

• Số giác hút cần cho đầu công tác:

Để tối ưu hóa hoạt động phân loại bưu kiện, hệ thống sẽ sử dụng 4 giác hút có đường kính 40 mm Để đảm bảo lực hút mạnh mẽ và chính xác, nhóm đã lựa chọn máy bơm hút chân không với các thông số kỹ thuật phù hợp như bảng bên dưới.

Bảng 4.4 Thông số kỹ thuật của máy bơm chân không Value VE115N

Thông số kỹ thuật Giá trị

Lưu lượng bơm 51 – 57 lít/phút Độ hút chân không 150 Micron

Dung tích dầu 250 ml Điện áp 220V

XÂY DỰNG PHẦN CHỨA BƯU KIỆN

Hình 4 17 Khối chứa bưu kiện

Phần chứa bưu kiện được thiết kế trên khung nhôm, bao gồm 3 ô để mô phỏng các giỏ hàng phân loại 3 loại bưu kiện Vật liệu chính sử dụng là mica, nhưng có thể thay thế bằng giỏ hàng có đáy sâu, xe đẩy hoặc thùng lớn để tăng khả năng chứa bưu kiện.

Hình 4 18 Các phần chứa bưu kiện khác có thể thay thế

THI CÔNG CƠ KHÍ

Sau khi hoàn tất thiết kế và tính toán cho hệ thống, nhóm đã tiến hành mua sắm thiết bị và linh kiện, sau đó thực hiện lắp ráp Dưới đây là kết quả của mô hình phân loại mà nhóm đã thiết kế.

Hình 4 19 Hình ảnh thực tế của phần cơ khí

THIẾT KẾ HỆ THỐNG ĐIỆN ĐIỀU KHIỂN

SƠ ĐỒ KHỐI HỆ THỐNG ĐIỆN ĐIỀU KHIỂN

Hình 5 1 Sơ đồ khối hệ thống điện điều khiển

Hệ thống điện của cả hệ thống phân loại sẽ bao gồm

• Khối nguồn: có nhiệm vụ cung cấp nguồn điện cho toàn bộ hệ thống

Khối điều khiển nhận tín hiệu từ cảm biến và camera, xử lý các tín hiệu theo quy trình hoạt động của hệ thống, và thực thi lệnh đã lập trình để điều khiển động cơ và van điện từ.

Khối xử lý dữ liệu là bộ phận quan trọng nhất của hệ thống, đóng vai trò như "đầu não" khi nhận dữ liệu từ camera, thực hiện các phép tính cần thiết và truyền tải tham số cùng thông tin đến khối điều khiển thông qua giao tiếp UART.

Khối cảm biến và camera đóng vai trò như đôi mắt của hệ thống, giúp phát hiện sự thay đổi và nhận dạng vật thể, sau đó truyền tín hiệu về cho khối điều khiển.

• Khối cơ cấu chấp hành: được điều khiển bởi khối điều khiển thực hiện các lệnh của khối điều khiển

• Nguồn cấp khí: cung cấp khí cho van khí.

KHỐI NGUỒN

Hệ thống sử dụng thiết bị với nguồn điện 24VDC và một số thiết bị khác sử dụng nguồn 5VDC Để chuyển đổi từ điện áp 220VAC của lưới điện hiện tại sang 24VDC và 5VDC, chúng ta sử dụng nguồn tổ ong Dưới đây là thông số kỹ thuật và hình ảnh minh họa cho nguồn 24VDC và 5VDC.

Bảng 5.1 Thông số kỹ thuật của nguồn tổ ong 24V 10A

Thông số kỹ thuật Giá trị

Công suất 250W Điện áp đầu vào 220VAC

Bảng 5.2 Thông số kỹ thuật của nguồn tổ ong 5V 10A

Thông số kỹ thuật Giá trị

Công suất 50W Điện áp đầu vào 220VAC

KHỐI CẢM BIẾN, CAMERA

5.3.1 Cảm biến hồng ngoại Để phát hiện vị trí của các bưu kiện để dễ dàng cho việc điều khiển chính xác đầu công tác, đồng thời điều khiển băng tải hoặc làm tín hiệu đầu vào cho hệ thống thì nhóm sử dụng cảm biến hồng ngoại để phát hiện được vật thể phía trước với khoảng cách có thể điều chỉnh Độ hoạt động ổn định và đáp ứng nhanh, thời gian trễ rất ngắn Nhóm sử dụng cảm biến hồng ngoại E3F-DS30C4 Loại cảm biến NPN này dùng để phát hiện bưu kiện, đồng thời cũng là tín hiệu đầu vào để điều khiển băng tải Bên dưới là một số thông số cơ bản của cảm biến này

Hình 5 2 Cảm biến hồng ngoại NPN E3F-DS30C4

Bảng 5.3 Thông số kỹ thuật của cảm biến hồng ngoại E3F-DS30C4

Thông số kỹ thuật Giá trị

Loại cảm biến NPN Điện áp làm việc 6 - 36 VDC

Khoảng cách phát hiện 5 – 30 mm

Cảm biến và camera đóng vai trò quan trọng trong việc nhận diện và phân loại bưu kiện, với camera như đôi mắt của hệ thống giúp phát hiện và nhận dạng các vật thể khác nhau Camera 3D không chỉ cung cấp hình ảnh 2D mà còn thông tin chiều sâu, nâng cao độ chính xác trong các ứng dụng đo lường, kiểm tra chất lượng và phân loại hàng hóa Đặc biệt, camera Realsense được sử dụng để thu thập dữ liệu về độ sâu, cho phép xác định vị trí 3D chính xác của đối tượng trong không gian Nhờ vào việc kết hợp thông tin vị trí và độ sâu từ camera Realsense, hệ thống có thể nhận dạng và phân loại sản phẩm, đồng thời tính toán khoảng cách đến bề mặt bưu kiện hiệu quả với Camera RealSense D435.

Camera RealSense D435 là sản phẩm nổi bật trong dòng RealSense, được thiết kế để nhận dạng và theo dõi đối tượng trong không gian 3D Sử dụng công nghệ Active IR Stereo, D435 tạo ra hình ảnh 3D với hai cảm biến hình ảnh sắc nét và một cảm biến hồng ngoại, cho phép phát hiện cấu trúc và khoảng cách của đối tượng Camera hỗ trợ độ phân giải lên đến 1280 x 720 pixel cho cả cảm biến màu sắc và cảm biến hồng ngoại, mang lại hình ảnh chi tiết và chính xác Ngoài ra, D435 còn tích hợp cảm biến IMU, giúp đo gia tốc và tốc độ góc, cung cấp thông tin bổ sung về chuyển động và định vị.

Bảng 5.4 Thông số kỹ thuật của Camera RealSense D435

Thông số kỹ thuật Giá trị Độ phân giải 1280x720 pixels

Tốc độ khung hình 30 khung hình/giây

Phạm vi đo đạc 0.1m đến 10m Độ chính xác 2%

Giao tiếp USB 3.0 Độ dài cáp 2m

Hệ điều hành Windows, Linux, macOS

KHỐI CƠ CẤU CHẤP HÀNH

5.4.1 Động cơ bước và driver động cơ bước

Nhóm đã sử dụng động cơ bước cho hệ thống của mình, một loại động cơ điện được điều khiển bằng cách cung cấp các xung điện để di chuyển rotor theo một góc nhất định Động cơ bước có khả năng di chuyển theo các bước và giữ vị trí khi có nguồn điện Cơ chế hoạt động của nó dựa trên nguyên lý của các cực nam châm và định luật Fleming, bao gồm hai phần chính là stator và rotor.

Stator là một cấu trúc từ tính có thể ở dạng trục hoặc dạng phẳng, bao quanh bởi các cuộn dây được đúc theo một thứ tự nhất định Khi dòng điện đi qua các cuộn dây, nó sẽ tạo ra các cực từ trên stator.

Rotor bao gồm nhiều nam châm có cực từ phù hợp với cấu trúc của stator Khi cuộn dây stator được kích hoạt, các cực nam châm của rotor sẽ tương tác với các cực nam châm của stator, tạo ra lực từ giúp di chuyển rotor.

Để điều khiển động cơ bước, chúng ta cần sử dụng driver động cơ bước, thiết bị này giúp điều chỉnh và cung cấp nguồn cho động cơ một cách chính xác Các driver động cơ bước thường nhận tín hiệu đầu vào như STEP (xung bước) và DIR để thực hiện việc điều khiển.

Để điều khiển động cơ bước, các tín hiệu như hướng quay, ENABLE và MSx rất quan trọng Việc điều chỉnh các tín hiệu này sẽ ảnh hưởng đến chuyển động và tốc độ của động cơ Driver TB6600 là lựa chọn phổ biến cho loại động cơ này, với khả năng hoạt động ở nguồn cấp từ 9V đến 42V Nó cho phép điều chỉnh dòng định mức, tốc độ và chế độ định vị, đồng thời có khả năng chịu dòng điện lớn, phù hợp cho các ứng dụng yêu cầu công suất cao.

Hình 5 4 Driver TB6600 điều khiển động cơ bước

Cơ chế hoạt động của động cơ bước dựa trên việc cung cấp các xung điện xác định để điều khiển cuộn dây Mỗi xung điện khiến rotor di chuyển một bước cụ thể Driver nhận tín hiệu từ bộ điều khiển dưới dạng xung điện và chuyển đổi chúng thành các xung điện cần thiết để điều khiển động cơ bước hiệu quả.

Chức năng chỉnh vi bước của driver động cơ bước là yếu tố quan trọng giúp điều chỉnh chính xác vị trí và tốc độ quay của động cơ Thay vì di chuyển rotor theo từng bước lớn như trong chế độ bước đơn, chức năng này cho phép tạo ra các bước nhỏ hơn, cải thiện độ mịn và độ chính xác của chuyển động Việc chỉnh vi bước thường được thực hiện bằng cách điều chỉnh dòng điện qua các cuộn dây của động cơ, cho phép cung cấp các xung điện ở trạng thái trung gian giữa ON và OFF, tạo ra dòng điện biến đổi liên tục và giúp rotor di chuyển một khoảng cách nhỏ hơn.

Các chế độ chỉnh vi bước phổ biến như bước đơn, bước nửa, bước tức, cùng với các chế độ microstep như 1/4, 1/8, 1/16, 1/32, cung cấp nhiều bước trung gian giữa hai vị trí bước đĩa Điều này mang lại độ mịn và độ chính xác cao hơn trong chuyển động, giúp giảm rung động và tiếng ồn trong quá trình hoạt động của động cơ bước Chức năng chỉnh vi bước cải thiện độ mượt mà và độ chính xác của chuyển động, đặc biệt trong các ứng dụng yêu cầu vị trí chính xác và chuyển động mềm mại.

Bảng 5.5 Thông số kỹ thuật của Driver TB6600

Thông số kỹ thuật Giá trị

Cơ cấu khí nén điều khiển chân không được sử dụng để nâng hạ bưu kiện hiệu quả Để đảm bảo việc đóng ngắt hút chân không đúng quy trình, van điện từ 2 cổng 2 vị trí được sử dụng để điều khiển hoạt động của van Van điện từ 2/2 bao gồm một cuộn dây dẫn điện và một cơ cấu van, trong đó cuộn dây tạo ra lực từ khi được cấp điện, còn cơ cấu van bao gồm piston và van để điều chỉnh dòng khí.

Cơ chế hoạt động của van điện từ bắt đầu khi điện được cấp cho cuộn dây, tạo ra một lực từ mạnh kéo cuộn dây và piston vào trong, mở van và cho phép dòng khí đi qua Khi không có điện, lực từ biến mất và lực phục hồi từ bên ngoài hoặc lực lò xo đưa piston và van trở về vị trí ban đầu, đóng van và ngăn chặn dòng khí.

Bảng 5.6 Thông số kỹ thuật của van điện từ 2/2

Thông số kỹ thuật Giá trị

Chất liệu Đồng thau Áp suất 0 – 0.8 MPa

Relay là thiết bị điện tử có khả năng điều khiển dòng điện trong mạch bằng cách mở hoặc đóng mạch dựa vào tín hiệu nhất định Khi dòng điện chạy qua cuộn dây, nó tạo ra từ trường hút lõi sắt non, dẫn đến việc thay đổi trạng thái công tắc Thiết bị này thường được sử dụng để cách ly hoặc điều khiển mạch cao áp thông qua mạch điện áp thấp, cũng như để kết nối hoặc ngắt kết nối trong mạch điện.

Trong một số hệ thống điều khiển, vi điều khiển không thể trực tiếp điều khiển các thiết bị lớn như van khí nén mà cần thông qua relay Điều này là do dòng điện qua van khí nén khá lớn, gây nguy hiểm cho hệ thống điều khiển, đặc biệt với vi điều khiển STM32F407 Vi điều khiển sẽ tương tác với relay thông qua các chân đầu ra được cấu hình để điều khiển relay Bằng cách tạo ra các tín hiệu điện áp hoặc tín hiệu logic, vi điều khiển có thể mở hoặc đóng relay một cách an toàn.

Hình 5 6 Module relay 2 kênh 24VDC

Hệ thống điều khiển sử dụng ba kênh relay để điều khiển ba cơ cấu chấp hành: đèn báo hoạt động, van khí nén và băng tải Các cơ cấu này hoạt động dựa trên tín hiệu đóng cắt từ STM, điều khiển relay một cách hiệu quả.

Bảng 5.7 Thông số kỹ thuật module relay 2 kênh 5V 10A

Thông số kỹ thuật Giá trị

Số kênh relay 2 Điện áp hoạt động 24VDC

Bên dưới đây là sơ đồ đi dây từ vi điều khiển ra relay đến các cơ cấu chấp hành:

Hình 5 7 Sơ đồ đi dây relay

Các chân PB3, PD7, PD6 là các chân điều khiển được cấu hình cho con STM32.

KHỐI ĐIỀU KHIỂN

Khối điều khiển nhận tín hiệu từ camera và cảm biến để điều khiển các cơ cấu chấp hành trong hệ thống Nó sử dụng vi điều khiển STM32F407 để tiếp nhận lệnh từ khối xử lý dữ liệu, bao gồm thông tin về loại bưu kiện và tọa độ x, y, z của bưu kiện trong không gian 3D Khối điều khiển thực hiện tính toán và điều khiển các cơ cấu chấp hành để đảm bảo hoạt động chính xác của hệ thống.

STM32F407 là một vi điều khiển mạnh mẽ sử dụng vi xử lý ARM Cortex-M4, với tốc độ lên đến 168 MHz Vi điều khiển này nhận lệnh từ máy tính qua giao tiếp UART, xử lý các thông số và gửi lệnh cho các cơ cấu chấp hành để thực hiện nhiệm vụ.

Cấu hình các chân giao tiếp nhóm sử dụng để điều khiển hệ thống:

• Sử dụng UART2 để nhận dữ liệu xử lý từ máy tính

• Chân PE7, PE8: Cảm biến 1 và cảm biến 2

• Chân PE9, PE10: Công tác hành trình X và công tắc hành trình Z

• Chân PB3: Đèn hoạt động

• Chân PD7: Van điện từ

• Chân PD0 – PD5: các chân của driver động cơ bước

Hình 5 8 Cấu hình các chân điều khiển được sử dụng

KHỐI XỬ LÝ DỮ LIỆU

Khối xử lý dữ liệu trong hệ thống là máy tính, đóng vai trò như bộ não của toàn bộ hệ thống Máy tính có khả năng nhận dạng các loại bưu kiện đầu vào và xác định vị trí của chúng trong không gian 3D nhờ vào dữ liệu từ camera Realsense Sau khi thực hiện các phép tính, thông tin về loại bưu kiện và tọa độ khoảng cách trong không gian 3D được truyền xuống STM32 thông qua giao thức UART.

Hình 5 9 Sơ đồ khối kết nối của khối xử lý dữ liệu

LỰA CHỌN CÁC THIẾT BỊ ĐIỆN KHÁC

CB được thiết kế để tự động ngắt mạch điện khi xảy ra sự cố như quá tải hoặc ngắn mạch, nhằm bảo vệ người sử dụng và thiết bị khỏi tổn thương Khi dòng điện vượt quá mức cho phép, CB sẽ ngắt mạch trong thời gian rất ngắn để ngăn chặn thiệt hại Việc lựa chọn và sử dụng CB trong tủ điện là cần thiết để đảm bảo an toàn cho hệ thống điện và người sử dụng, đồng thời ngăn chặn các sự cố nguy hiểm CB cũng mang lại tính linh hoạt, tiện ích và khả năng điều khiển trong vận hành hệ thống điện Tiếp theo, chúng ta sẽ tiến hành tính toán để lựa chọn CB phù hợp với hệ thống.

Ta sử dụng nguồn tổ ong 24V 10A và 5V 10 A

Với 5 là hệ số an toàn đối với các thiết bị có trong hệ thống trong đó:

I là cường độ dòng điện (A)

P là công suất tiêu thụ (W)

U là điện áp nguồn (V) other

P tổng công suất tiêu thụ của các thiết bị trong hệ thống (W) cos =  hệ số công suất

I TT : dòng điện lớn nhất khi các thiết bị làm việc bình thường (A)

I TK : dòng điện để chọn Aptomat phù hợp (A)

Vì thế, nhóm sử dụng CB Aptomat Chint 2 pha 20A Thông số của aptomat được thể hiện ở bảng bên dưới

Bảng 5.8 Thông số kỹ thuật của Aptomat Chint 20A

Thông số kỹ thuật Giá trị

Tiêu chuẩn sản xuất IEC60898-1

Khả năng cắt ngắt mạch I cu =I cs `00A

Tuổi thọ cơ khí 20000 lần

Opto cách ly là thiết bị dùng để cách ly điện giữa hai mạch khác nhau, bao gồm một đèn LED phát sáng và một bộ cảm biến ánh sáng không tiếp xúc vật lý Thiết bị này ngăn chặn sự truyền dẫn trực tiếp của điện áp, dòng điện và nhiễu giữa các mạch, đảm bảo an toàn và bảo vệ thiết bị trong trường hợp sự cố Nhóm đã quyết định sử dụng mạch opto cách ly 8 kênh để cung cấp tính linh hoạt và độ tin cậy cao trong các ứng dụng điện tử và điều khiển Dưới đây là hình ảnh và thông số kỹ thuật của mạch cách ly opto 8 kênh.

Hình 5 11 Opto cách ly PC817 8 kênh

Bảng 5.9 Thông số kỹ thuật của opto cách ly 8 kênh PC817

Thông số kỹ thuật Giá trị

Cổng tín hiệu điện áp điều khiển 3.6 – 24V Điện áp đầu ra 3.6 – 30V

THI CÔNG TỦ ĐIỆN

Sau khi hoàn tất việc lựa chọn các thành phần điện điều khiển cho hệ thống, nhóm đã tiến hành lắp đặt và đi dây cho tủ điện có kích thước 30x50cm Mặt ngoài tủ điện được trang bị 2 nút nhấn Start và Stop, 1 nút nhấn khẩn cấp cùng với 2 đèn báo Bên trong tủ điện, hệ thống dây được sắp xếp theo thiết kế đã định.

Trong quá trình thi công tủ điện, không xảy ra bất kỳ sự cố nào, cho thấy công việc được thực hiện một cách chuyên nghiệp Dây điện được sắp xếp gọn gàng, không lộ ra bên ngoài, giúp tủ điện trở nên thẩm mỹ hơn Khi có sự cố, việc đóng CB ngay lập tức là cần thiết để đảm bảo an toàn cho toàn bộ hệ thống.

XÂY DỰNG GIẢI THUẬT ĐIỀU KHIỂN

Trường hợp: Bưu kiện đơn

Hệ thống khởi động từ trạng thái nghỉ, được kích hoạt bằng cách bật cầu dao (CB), lúc này tất cả các thiết bị được cấp điện và sẵn sàng hoạt động Đèn xanh báo hiệu nguồn sáng lên khi cầu dao được gạt.

• Nhấn Start, hệ thống bắt đầu hoạt động, đèn Vàng sáng lên trong lúc hệ thống hoạt động

Cảm biến 1 có nhiệm vụ kiểm tra đầu vào của bưu kiện; khi phát hiện bưu kiện, băng tải chính sẽ hoạt động để vận chuyển bưu kiện đến đầu giác hút Để nhận dạng loại bưu kiện, Camera được bố trí giữa cảm biến 1 và đầu giác hút, giúp tiến hành quá trình phân loại hiệu quả.

Cảm biến 2 được lắp đặt song song với cảm biến 1 và ngang với phần đầu công tác, giúp băng tải dừng lại khi bưu kiện đến cảm biến 2 Khi đó, phần đầu giác hút sẽ hạ xuống để hút và nâng bưu kiện lên, tiến hành phân loại qua các thùng phân loại đã được bố trí sẵn.

Khi băng tải dừng lại, cảm biến 2 sẽ phát hiện vật thể Qua xử lý ảnh 3D, ta có thể xác định khoảng cách từ đầu giác hút đến bề mặt của bưu kiện Sau đó, trục Z sẽ đi xuống để đưa đầu giác hút tiếp cận bưu kiện.

Đầu giác hút tiếp xúc với bề mặt bưu kiện, kích hoạt cuộn coil của van hút để mở van Không khí giữa bưu kiện và đầu giác hút được hút ra, tạo ra môi trường chân không, giúp bưu kiện dính chặt vào giác hút.

Sau khi nâng bưu kiện, trục X sẽ di chuyển bưu kiện đến ô phân loại Ô đầu tiên dành cho bưu kiện dạng bìa thư, ô thứ hai cho bưu kiện mềm, và ô thứ ba cho bưu kiện hình hộp.

Khi bưu kiện được đưa đến ô phân loại chính xác, trục Z sẽ hạ xuống theo hành trình đã thực hiện trong quá trình nâng bưu kiện Lúc này, van điện sẽ mở ra, cho phép vật phẩm rơi xuống ô phân loại.

• Đầu giác hút sẽ được đưa về vị trí HOME ban đầu Kết thúc một chu trình phân loại Trường hợp: Bưu kiện chồng lên nhau

• Tương tự với các bước đầu của trường hợp trên

Khi chồng hàng đi qua camera, hệ thống sẽ phát hiện các loại bưu kiện và tính toán khoảng cách đến từng bưu kiện Những bưu kiện có khoảng cách ngắn hơn sẽ được ưu tiên phân loại trước.

Khi băng tải dừng lại và cảm biến 2 phát hiện vật, quá trình xử lý ảnh 3D cho phép xác định khoảng cách từ đầu giác hút đến bề mặt bưu kiện Sau đó, trục Z sẽ hạ xuống để đưa đầu giác hút tiếp cận bưu kiện.

• Nâng bưu kiện lên thông qua đóng mở van điện từ

• Sau khi nâng được bưu kiện, trục X sẽ đưa bưu kiện đến ô phân loại

Khi bưu kiện được đưa đến ô phân loại đúng, trục Z sẽ hạ xuống theo hành trình đã được thiết lập Van điện sẽ mở để thả bưu kiện vào ô phân loại Nếu tín hiệu UART từ STM nhận được hai giá trị trở lên và cảm biến 2 vẫn phát hiện vật thể sau khi bưu kiện đã được nâng, quy trình sẽ được lặp lại cho đến khi cảm biến 2 không còn phát hiện vật.

• Đầu giác hút sẽ được đưa về vị trí HOME ban đầu Kết thúc một chu trình phân loại Trong quá trình hoạt động

Đầu giác hút sẽ tự động trở về vị trí HOME sau khi hoàn thành quá trình phân loại Hệ thống được trang bị 2 công tắc hành trình, đảm bảo khi chạm vào, sẽ xác định vị trí HOME một cách mặc định.

Khi gặp sự cố, hãy nhấn nút EMERGENCY để ngừng cấp điện và dừng toàn bộ hệ thống ngay lập tức Để khôi phục hoạt động, bạn cần thực hiện thao tác reset nút này.

• Nhấn nút STOP, hệ thống sẽ dừng hoạt động tạm thời

Hình 5 13 Lưu đồ quy trình hoạt động của hệ thống

Hình 5 14 Lưu đồ giải thuật điều khiển

XÂY DỰNG THUẬT TOÁN XỬ LÝ ẢNH

NHIỆM VỤ THUẬT TOÁN

Module xử lý ảnh có các nhiệm vụ chính sau đây:

Một trong những nhiệm vụ quan trọng của module xử lý là phân loại bưu kiện, giúp xác định loại bưu kiện đang được xử lý, bao gồm hình hộp, bìa thư và gói mềm Việc phân loại này không chỉ giúp nhận diện thông tin liên quan đến từng loại bưu kiện mà còn đảm bảo tính chính xác và hiệu suất trong quá trình xử lý.

- Xác định vị trí của vật trong không gian 3D:

Một nhiệm vụ quan trọng của module xử lý là xác định vị trí bưu kiện trong không gian 3D Bằng cách sử dụng dữ liệu từ camera 3D, chúng ta có thể xác định tọa độ x, y, z của bưu kiện Việc xác định chính xác vị trí của bưu kiện là cần thiết để đảm bảo tính chính xác và đáng tin cậy trong quy trình xử lý.

- Thống kê số lượng sản phẩm và điều phối bưu kiện tới địa chỉ đã chỉ định:

Sau khi phân loại và xác định vị trí bưu kiện, chúng ta có thể thống kê số lượng sản phẩm cho mỗi loại bưu kiện Việc đếm số lượng bưu kiện giúp cung cấp thông tin về số lượng sản phẩm hiện có Thông tin địa chỉ đơn hàng cũng được sử dụng để điều phối bưu kiện tới địa chỉ tương ứng Quá trình điều phối bao gồm xác định địa chỉ đích cho từng bưu kiện, đảm bảo phân phối đúng địa chỉ và đạt hiệu quả, đáng tin cậy trong quy trình giao hàng.

- Dữ liệu thu thập từ camera 3D, bao gồm hình ảnh và thông tin về bưu kiện

- Thông tin về địa chỉ đơn hàng đã được chỉ định

Bưu kiện có thể được phân loại thành nhiều loại, bao gồm hình hộp, bìa thư và gói mềm, cùng với các thông tin phân loại liên quan Việc xác định loại bưu kiện giúp chúng ta hiểu rõ hơn về quy trình xử lý và quản lý chúng hiệu quả.

Vị trí của bưu kiện trong không gian 3D được xác định thông qua tọa độ x, y, z Thông tin về vị trí này cho phép chúng ta xác định chính xác vị trí của bưu kiện trong không gian ba chiều.

Theo dõi bưu kiện giúp xác định địa chỉ giao hàng cho từng bưu kiện và thống kê số lượng sản phẩm theo từng loại Quá trình này không chỉ cung cấp thông tin về địa chỉ mà còn cho phép chúng ta quản lý số lượng bưu kiện một cách hiệu quả.

Module xử lý này cho phép phân loại bưu kiện và xác định vị trí trong không gian 3D, đồng thời thực hiện quy trình thống kê và điều phối bưu kiện đến địa chỉ chỉ định Nhờ đó, chúng ta có thể tự động hóa việc xử lý và quản lý phân phối bưu kiện, cung cấp thông tin quan trọng về loại bưu kiện, vị trí và số lượng sản phẩm, đáp ứng nhu cầu của ứng dụng.

Hình 6 1 Đầu vào và đầu ra của module xử lý ảnh

THIẾT LẬP NODE “XỬ LÝ NHẬN DIỆN BƯU KIỆN TRONG KHÔNG GIAN 2D”

Các bước tiến hành xử lý node:

Bước 1 Thu thập dữ liệu

Để xây dựng một tập dữ liệu đa dạng cho việc phân loại hình ảnh, cần thu thập hình ảnh của các vật thể từ nhiều nguồn khác nhau, bao gồm việc chụp ảnh từ nhiều góc độ và môi trường khác nhau Bước thu thập dữ liệu này rất quan trọng, vì nó ảnh hưởng lớn đến kết quả của mô hình Nhóm nghiên cứu đã sử dụng ba loại bưu kiện chính: hình hộp, bưu kiện mềm và bìa thư.

Hình 6 2 Hình ảnh các loại bưu kiện được nhóm thu thập Bước 2 Chuẩn bị dữ liệu

Để chuẩn bị cho quá trình huấn luyện, dữ liệu thu thập cần được tiền xử lý qua các bước như đánh dấu các đối tượng trong ảnh (labelling) và tạo bộ dữ liệu huấn luyện (training data) với thông tin về vị trí và nhãn của các đối tượng Dữ liệu cần được chia thành các thư mục con theo định dạng của YOLOv5 và cấu hình trong file data.yml Sử dụng các công cụ đánh label để tạo nhãn và bounding box cho các vật thể cần nhận dạng, sau đó chuyển đổi các file đã đánh nhãn sang định dạng tương thích với YOLOv5.

Hình 6 3 Bộ dữ liệu các đối tượng nhóm thu thập

Sau khi chuẩn bị dữ liệu thì bộ dữ liệu thu được:

- Nhãn khối hộp (box): 717 ảnh

- Nhãn bìa thưa (envelop): 545 ảnh

- Nhãn khối mềm (soft): 630 ảnh Được chia theo tỉ lệ train:val=8:2 Như vậy tập dữ liệu sẽ có các số mẫu như sau:

- Tập dữ liệu huấn luyện (training set): 1513 ảnh

- Tập dữ liệu đánh giá (validate dataset): 379 ảnh Để đánh giá được đúng chất lượng model Ta sẽ tự xây dựng bộ dữ liệu kiểm tra (test set) với

648 ảnh bao gồm cả box, envelop và soft

Hình 6 4 Bộ dữ liệu kiểm tra bao gồm 648 ảnh cho cả 3 loại Bước 3 Xây dựng model huấn luyên

Sau khi chuẩn bị tập dữ liệu, chúng ta tiến hành huấn luyện mô hình YOLOv5 bằng cách đưa dữ liệu vào, tối ưu hóa các tham số và thực hiện lan truyền ngược để điều chỉnh trọng số Mục tiêu chính là tối thiểu hóa hàm mất mát, giúp mô hình nhận dạng và phân loại vật thể chính xác Trong nghiên cứu này, nhóm tác giả sử dụng mô hình YOLOv5s, một phiên bản nhỏ gọn của YOLOv5, nhưng vẫn đảm bảo độ chính xác và hiệu suất cao.

Các bước cụ thể được mô tả như sau:

Mô hình YOLOv5s được thiết kế đặc biệt để thực hiện các nhiệm vụ phát hiện đối tượng và xác định vị trí của chúng Nó sử dụng mạng nơ-ron tích chập CNN với nhiều tầng và khối nhằm trích xuất đặc trưng từ ảnh đầu vào, từ đó dự đoán các bounding box và nhãn cho các đối tượng.

Hình 6 5 Cấu trúc mô hình YOLOv5s

Quá trình huấn luyện mô hình YOLOv5s bắt đầu bằng việc đưa dữ liệu vào mô hình đã chuẩn bị Trong quá trình này, giá trị mất mát (loss) được tính toán và tối ưu hóa nhằm giảm thiểu giá trị này Để nâng cao hiệu suất của mô hình, thuật toán tối ưu Adam được sử dụng, giúp cải thiện kết quả huấn luyện.

Hình 6 6 Đồ thị hàm mất mát trên tập validate lúc training Bước 4 Đánh giá và kiểm tra mô hình

Sau khi huấn luyện, mô hình cần được đánh giá để đảm bảo tính chính xác và hiệu suất Quá trình này sử dụng tập dữ liệu kiểm tra để đo lường độ chính xác, độ phủ và độ chính xác của mô hình Trong bước này, chúng ta có thể tùy chỉnh các thông số và huấn luyện lại để cải thiện hiệu suất Công cụ Optuna được sử dụng để tối ưu các hyperparameters cần thiết Kết quả cho thấy mAP_0.5:0.95 tăng 1.08 lần, từ 85% lên 91.7% trên tập đánh giá sau khi tinh chỉnh Cuối cùng, mô hình đạt độ chính xác 90% khi dự đoán các mẫu trong tập dữ liệu đã chuẩn bị.

Sau khi hoàn thiện và tối ưu hóa mô hình để nâng cao độ chính xác, chúng ta có thể sử dụng mô hình này để dự đoán các bưu kiện không có trong tập dữ liệu huấn luyện Điều này giúp kiểm tra thêm độ chính xác của mô hình trước khi triển khai vào hệ thống phân loại.

Mô hình YOLOv5 được áp dụng cho bài toán phát hiện đối tượng (node detection hình 6.1) với hơn 1000 bức ảnh huấn luyện cho mỗi loại Kết hợp với các thuật toán tăng cường dữ liệu, mô hình đạt được kết quả ấn tượng với mAP.5 (mean average precision) là 0.92 và FPS đạt 20.

Hình 6 7 Đồ thị Mean Average Precision

Để cải thiện hiệu suất mô hình, nhóm em đã tìm hiểu các bước sử dụng TensorRT và TFLite, cùng với các kỹ thuật chuyển đổi mô hình sang dạng chạy real-time Nhằm tận dụng tối đa tài nguyên GPU của NVIDIA, nhóm quyết định chuyển đổi mô hình sang định dạng TensorRT (.engine) thay vì sử dụng định dạng mặc định weight của YOLO là Torch (.pt) Với định dạng TensorRT, mô hình đạt hiệu suất khoảng 30fps.

Hình 6 8 Thư viện tối ưu hóa dành cho các mô hình học sâu dựa trên nền tảng GPU

Để triển khai hiệu quả trên các sản phẩm thực tế và giảm chi phí, nhóm chúng tôi đã tích hợp kỹ thuật chạy song song, cho phép mô hình thực hiện các phép tính đồng thời trên nhiều luồng Kỹ thuật này tận dụng tối đa khả năng xử lý đồng thời của GPU, giúp tăng tốc độ chạy và cải thiện hiệu suất của mô hình.

Sau khi xử lý, các thông số đầu ra liên quan đến loại bưu kiện và tọa độ x, y đã được xác định Sử dụng mô hình YOLOv5 trong module của chúng tôi, chúng tôi đạt được khả năng phát hiện và phân loại bưu kiện hiệu quả Đồng thời, việc tích hợp với công nghệ camera 3D RealSense2 giúp xác định vị trí 3D và thực hiện các tác vụ thống kê cũng như điều phối bưu kiện.

THIẾT LẬP NODE “XỬ LÝ VỊ TRÍ CỦA BƯU KIỆN TRONG KHÔNG GIAN 3D”

Sau khi thu thập thông tin về x và y từ bài toán phát hiện đối tượng ở node detection trước đó, cùng với việc sử dụng camera 3D Realsense, chúng ta có thể tiếp tục xác định vị trí của bưu kiện trong không gian 3D Bước này giúp xác định thông tin về chiều cao và độ sâu của bưu kiện.

Hình 6 9 Ảnh đầu vào của node xử lý vị trí của bưu kiện trong không gian

Quá trình xử lý vị trí của bưu kiện trong không gian 3D có thể bao gồm các bước sau:

Bước 1: Lấy dữ liệu ảnh depth từ camera 3D

Trong bước này, camera 3D được sử dụng để thu thập dữ liệu về độ sâu của các điểm trong không gian Thông qua quá trình này, camera 3D tạo ra một bản đồ độ sâu (depth map), trong đó mỗi điểm ảnh biểu thị một giá trị độ sâu cụ thể.

Bước 2: Chuyển ảnh về dạng point-cloud

Sau khi thu được ảnh depth map, các điểm ảnh với thông tin độ sâu có thể chuyển đổi thành dữ liệu point-cloud trong không gian 3D Mỗi điểm trong point-cloud sẽ bao gồm tọa độ XYZ và có thể kèm theo thông tin bổ sung như màu sắc, nếu camera hỗ trợ.

Hình 6 10 Toàn bộ khung hình

Bước 3 Loại bỏ nền và xác định khối hộp:

Sau khi thu thập dữ liệu độ sâu, màu sắc và tọa độ khối bưu kiện trong không gian 3D (x, y, z), chúng ta tiến hành đồng bộ hóa hai khung hình bằng bộ chuyển đổi Việc này đảm bảo thông tin về độ sâu và màu sắc tương ứng, cho phép tạo ra ảnh Point Cloud chính xác.

Chúng ta chuyển đổi dữ liệu từ các khung hình thành mảng điểm ảnh để dễ dàng xử lý Đối với khung hình độ sâu, ta thu thập thông tin về độ sâu của từng điểm ảnh, trong khi với khung hình màu sắc, ta lấy thông tin về màu sắc của từng điểm ảnh.

Sau khi thu thập thông tin về độ sâu và màu sắc của từng điểm ảnh, chúng ta sẽ tạo ảnh Point Cloud từ dữ liệu này Quá trình này sử dụng các thuật toán tính toán để chuyển đổi từng điểm ảnh thành một điểm trong không gian 3D, bao gồm việc gán tọa độ (x, y, z) cho mỗi điểm ảnh dựa trên thông tin độ sâu và áp dụng màu sắc tương ứng cho từng điểm.

Ảnh Point Cloud là một tập hợp các điểm trong không gian 3D, với mỗi điểm đại diện cho một vị trí cụ thể Nó có thể được sử dụng để hiển thị và phân tích các đối tượng 3D, giúp xác định hình dạng, kích thước và khám phá các đặc trưng không gian của chúng.

Trong không gian 3D, việc xác định một vùng cụ thể trong point-cloud là rất quan trọng, chẳng hạn như một phần của bưu kiện Mục tiêu của bước này là cắt (crop) và trích xuất vùng point-cloud cần thiết để tiếp tục xử lý, đồng thời loại bỏ những phần nền không mong muốn Để thực hiện việc cắt vùng ảnh quan tâm, chúng ta cần có tọa độ (x, y, width, height) của khối bưu kiện đã được xác định trong bước phát hiện trước đó.

Hình 6 11 Ảnh sau khi cắt vùng quan tâm

Bước 4: Tính toán khoảng cách z cùng với sự hỗ trợ của camera 3D Intel Realsense

Trong quá trình xử lý, việc xác định khoảng cách z của khối bưu kiện là cần thiết để định vị vật trong không gian Khoảng cách z từ camera đến từng điểm trong point-cloud có thể dễ dàng trích xuất từ dữ liệu depth map nhờ vào camera 3D Realsense.

Hình 6 12 Kết quả thực tế vị trí của bưu kiện

Tham số cuối cùng trong bounding box biểu thị khoảng cách z của khối bưu kiện đã được tính toán Thông qua node "xử lý vị trí của bưu kiện trong không gian 3D", chúng ta có thể thu thập thông tin chi tiết về vị trí của từng bưu kiện, bao gồm tọa độ x, y và z Những thông tin này có thể được ứng dụng vào các nhiệm vụ thống kê, điều phối và quản lý bưu kiện hiệu quả.

THIẾT LẬP NODE “TRACKING BƯU KIỆN”

Để phân phối bưu kiện đã được xử lý đến các địa chỉ chỉ định, chúng tôi áp dụng mô hình theo dõi YOLOv5 Đặc biệt, mô hình SORT được sử dụng từ repository tại địa chỉ: https://github.com/abewley/sort.

Mô hình SORT là một phương pháp theo dõi đơn giản và hiệu quả, được thiết kế cho các tác vụ nhận dạng và theo dõi đối tượng Nó sử dụng kỹ thuật theo dõi trực tuyến, cho phép cung cấp kết quả ngay lập tức trong thời gian thực.

Việc sử dụng mô hình YOLOv5 tracking (SORT) để thực hiện node "tracking bưu kiện" bao gồm các bước sau:

Bước 1 Chuẩn bị dữ liệu

• Sử dụng đầu ra từ mô hình YOLOv5 phân loại và xác định vị trí 3D của bưu kiện

• Dữ liệu này bao gồm các thông tin như tọa độ x, y, z của bưu kiện và các thông tin phân loại liên quan

Bước 2 Áp dụng mô hình SORT

Chúng tôi đã áp dụng mô hình SORT từ repository được cung cấp để theo dõi và đánh dấu các bưu kiện trong các khung hình streaming bằng thuật toán theo dõi.

Mô hình SORT sử dụng tọa độ và đặc trưng của bưu kiện để xác định và theo dõi các đối tượng theo thời gian.

Bước 3 Định vị và điều phối:

Khi bưu kiện được theo dõi và đánh dấu, chúng tôi có khả năng xác định vị trí hiện tại của chúng trong không gian, từ đó thực hiện việc điều phối dựa trên yêu cầu đã được chỉ định.

Thông tin về vị trí và đặc trưng của bưu kiện là yếu tố quan trọng giúp xác định địa chỉ đích và thực hiện phân phối bưu kiện một cách chính xác.

Hình 6 13 Kết quả thực tế vị trí của bưu kiện trong không gian có id tracking

Thông qua node "tracking bưu kiện", chúng tôi áp dụng mô hình YOLOv5 tracking (SORT) để theo dõi và đánh dấu bưu kiện trong thời gian thực Mô hình SORT sử dụng tọa độ và đặc trưng của bưu kiện để xác định và theo dõi các đối tượng theo thời gian, giúp chúng tôi xác định vị trí hiện tại của bưu kiện và đưa ra quyết định điều phối chính xác Việc sử dụng mô hình YOLOv5 tracking (SORT) trong node "tracking bưu kiện" đảm bảo tính chính xác và độ tin cậy cao trong quá trình theo dõi và điều phối bưu kiện.

KẾT LUẬN VÀ KIẾN NGHỊ

Trong đồ án tốt nghiệp "HỆ THỐNG PHÂN LOẠI BƯU KIỆN ỨNG DỤNG CÔNG NGHỆ XỬ LÝ ẢNH 3D", dưới sự hướng dẫn của TS Bùi Hà Đức, nhóm chúng em đã thành công trong việc xây dựng một mô hình phân loại ba loại sản phẩm Hệ thống cơ khí đi kèm có khả năng nâng bưu kiện nặng tối đa 2.5kg, góp phần tạo cảm hứng cho sinh viên và phát triển ứng dụng camera 3D trong phân loại bưu kiện và sản phẩm khác Đồ án còn nhấn mạnh tầm quan trọng của công nghệ phân loại 3D trong logistics, vì nó mang lại độ chính xác cao hơn so với phân loại 2D Việc sử dụng công nghệ 3D giúp xác định khoảng cách từ camera đến vật thể, từ đó giảm thiểu thiết bị phụ trợ như cảm biến và công tắc, giảm độ cồng kềnh và tiết kiệm điện năng, nâng cao hiệu quả và lợi nhuận cho hệ thống tự động.

Trong quá trình nghiên cứu và chế tạo, nhóm chúng em đã đạt được những kết quả quan trọng, đặc biệt là nhận thức được tầm quan trọng của việc xử lý tín hiệu đầu vào và chất lượng dữ liệu trong việc train hệ thống phân loại Mặc dù thời gian hạn chế, nhóm đã xây dựng được một hệ thống cơ khí tay gắp decat có khả năng nâng tối đa 2kg với độ sai số rất nhỏ Tuy nhiên, do giới hạn về thời gian và một số yếu tố bên ngoài, hệ thống chỉ có thể phân loại 3 loại bưu kiện và vẫn chưa đạt độ chính xác tuyệt đối Trong tương lai, nhóm dự định mở rộng khả năng phân loại, xây dựng hệ thống cơ khí mới có khả năng gắp nghiêng để xử lý hàng hóa hỗn độn, đồng thời tối ưu hóa tốc độ và hiệu suất hoạt động, giảm tiếng ồn và tiêu thụ điện năng Nhóm hy vọng rằng hệ thống sẽ trở thành tiên phong trong lĩnh vực phân loại 3D và có thể áp dụng rộng rãi trong nhiều công nghệ hiện tại.

Thông qua đồ án này, nhóm chúng em đã tích lũy được nhiều kiến thức bổ ích, giúp chúng em chuẩn bị tốt hơn cho tương lai sau khi tốt nghiệp Chúng em xin chân thành cảm ơn.

TS Bùi Hà Đức đã hỗ trợ nhóm rất nhiều trong đồ án tốt nghiệp này Nhóm hy vọng rằng không chỉ riêng mình mà các sinh viên sau cũng có thể chung tay phát triển đề tài, nhằm đưa nó lên một tầm cao mới và góp mặt trong các bài báo quốc tế về khả năng ứng dụng đa dạng trong nhiều lĩnh vực.