GIỚI THIỆU
Tính cấp thiết của đề tài
Cuộc sống hiện đại đang đối mặt với thách thức lớn về xử lý rác thải, gây ô nhiễm môi trường và ảnh hưởng đến sức khỏe con người cùng các sinh vật khác Trong bối cảnh này, việc triển khai hệ thống phân loại rác tái chế trở nên cấp thiết nhằm giảm thiểu vấn đề rác thải và bảo vệ sức khỏe cộng đồng.
Hình 1.1: Chu kỳ tái sử dụng rác thải
Bảo vệ môi trường là một trong những vấn đề quan trọng hiện nay, khi chúng ta đang đối mặt với suy thoái môi trường, biến đổi khí hậu và cạn kiệt tài nguyên thiên nhiên Phân loại rác tái chế không chỉ giúp giảm lượng rác thải vào bãi rác mà còn tận dụng lại những vật liệu có thể tái chế, từ đó giảm thiểu chi phí tài nguyên và tác động xấu đến môi trường.
Hệ thống phân loại rác tái chế đóng vai trò quan trọng trong việc tiết kiệm tài nguyên và năng lượng Thay vì khai thác nguyên vật liệu mới, việc tái chế cho phép chúng ta sử dụng lại các vật liệu đã qua sản xuất Quá trình tái chế tiêu tốn ít năng lượng hơn so với sản xuất từ nguyên liệu mới, góp phần giảm lượng khí thải và hạn chế biến đổi khí hậu.
Hệ thống phân loại rác tái chế không chỉ tạo ra nguồn thu nhập từ việc bán lại vật liệu tái chế mà còn mở ra cơ hội việc làm mới, góp phần thúc đẩy phát triển kinh tế trong lĩnh vực quản lý rác thải và công nghệ tái chế.
Đề tài này không chỉ nâng cao nhận thức của mọi người mà còn khuyến khích thay đổi lối sống, từ đó góp phần bảo vệ môi trường và tài nguyên thiên nhiên.
Ý nghĩa khoa học và thực tiễn của đề tài
Đề tài mang đến những ý nghĩa khoa học sau:
Nghiên cứu về công nghệ và quy trình tái chế tập trung vào việc phát triển các phương pháp hiệu quả để phân loại và tái chế rác thải Điều này không chỉ giúp nâng cao hiệu quả tái chế mà còn góp phần bảo vệ môi trường Việc áp dụng công nghệ mới trong quy trình tái chế sẽ tạo ra những giải pháp bền vững cho vấn đề rác thải hiện nay.
Nghiên cứu này đóng vai trò quan trọng trong việc hiểu rõ tính chất và xử lý các loại rác thải khác nhau, đồng thời tìm kiếm các phương pháp tối ưu để tái chế vật liệu hiệu quả.
Mô hình hóa và quản lý dữ liệu là yếu tố quan trọng trong việc xây dựng hệ thống phân loại rác tái chế Quá trình này bao gồm thu thập thông tin về các loại rác thải, phát triển mô hình phân loại, cũng như lưu trữ và quản lý dữ liệu Đề tài này không chỉ giúp nâng cao hiệu quả trong việc xử lý rác thải mà còn đóng góp vào việc phát triển các phương pháp và công cụ quản lý dữ liệu tiên tiến.
Công nghệ thông tin kết hợp trí tuệ nhân tạo và thị giác máy để tự động phân loại rác, nâng cao khả năng xử lý và nhận diện Hệ thống còn sử dụng ngôn ngữ lập trình C# và phần mềm Arduino để thiết kế giao diện điều khiển và kiểm soát hiệu quả.
Ngoài những thứ đã kể trên, đề tài còn mang đến những ý nghĩa về thực tiễn:
Quản lý hiệu quả và giảm thiểu rác thải là mục tiêu quan trọng, giúp giảm lượng rác thải đưa vào bãi rác Hệ thống này không chỉ chuyển đổi rác thải thành nguồn nhiên liệu mới mà còn tác động tích cực đến môi trường, góp phần tạo ra một cuộc sống lành mạnh hơn cho cộng đồng.
- Phát triển kinh tế: Hệ thống ngoài việc tạo ra cơ hội kinh doanh cho các doanh nghiệp, còn mở ra cơ hội việc làm cho xã hội.
Mục tiêu nghiên cứu của đề tài
Đề tài phân loại rác tái chế sử dụng công nghệ AI và xử lý ảnh nhằm phát triển hệ thống tự động phân loại các loại rác tái chế, từ đó tạo ra nguồn nhiên liệu mới Nhằm đạt được mục tiêu này, nhóm nghiên cứu đã xác định một số mục tiêu cụ thể cho dự án.
Để xây dựng một mô hình học máy hiệu quả cho việc nhận diện và phân loại rác tái chế, trước tiên cần phát triển một hệ thống trí tuệ nhân tạo Quá trình này đòi hỏi phải thu thập một lượng lớn dữ liệu hình ảnh về các loại rác tái chế, nhằm huấn luyện mô hình để nhận biết và phân loại chính xác các đối tượng.
Hệ thống sẽ áp dụng công nghệ xử lý ảnh để theo dõi và phân loại các đối tượng một cách hiệu quả hơn Bằng cách tạo viền xung quanh đối tượng và theo dõi chuyển động của chúng, hệ thống có thể đưa ra những dự đoán chính xác về loại đối tượng được phân loại.
Hệ thống sẽ được xây dựng với một giao diện điều khiển cho phép người dùng thực hiện phân loại và nhận kết quả phân loại Ngoài việc lưu trữ hình ảnh về rác tái chế, hệ thống còn sử dụng cơ sở dữ liệu MySQL để quản lý tài khoản đăng nhập, giúp người dùng theo dõi hoạt động của hệ thống một cách hiệu quả.
Máy phân loại sẽ được thiết kế 3D bằng phần mềm Solidworks, đảm bảo hệ thống cơ khí đáp ứng các tiêu chí an toàn Nhóm sẽ áp dụng kiến thức và kỹ năng đã học để đảm bảo các bộ phận hoạt động trơn tru trong quá trình vận hành.
Sản phẩm của đề tài bao gồm một hệ thống băng tải vận chuyển các đối tượng và các cần gạt phân loại chúng Người dùng có thể dễ dàng quan sát và điều khiển hệ thống thông qua giao diện được phát triển bằng ngôn ngữ C#.
Mục tiêu chính của đề tài này là phát triển một hệ thống ứng dụng trí tuệ nhân tạo và xử lý ảnh nhằm tự động và hiệu quả phân loại rác tái chế Qua đó, hệ thống không chỉ góp phần bảo vệ môi trường mà còn tạo ra một quy trình tái chế bền vững.
Đối tượng và phạm vi nghiên cứu
Hệ thống phân loại rác tái chế tập trung vào các vật thể có kích thước xác định và độ biến dạng thấp, bao gồm chai nhựa, lon nhôm và chai thủy tinh Những vật thể này có trọng lượng từ 100g đến 500g, giúp dễ dàng di chuyển trên băng tải Hình dạng của chúng cũng thuận tiện cho việc sử dụng cần gạt, đảm bảo đưa chúng vào đúng vị trí trong quá trình phân loại.
Nhóm đã áp dụng thuật toán YOLO để huấn luyện mô hình và sử dụng thư viện OpenCV để xử lý ảnh, giúp phân biệt các đối tượng phân loại Hệ thống được điều khiển chủ yếu thông qua nền tảng lập trình Arduino.
Giới hạn đề tài
Với những hạn chế về học thuật và thời gian, nhóm quyết định nghiên cứu hệ thống một cách tổng quát nhằm phục vụ cho nhiều mục đích ứng dụng Đề tài sẽ được giới hạn trong một phạm vi cụ thể.
- Năng suất làm việc khá thấp khi mức đáp ứng mà nhóm dự tính chỉ ở khoảng phân loại
Nhóm bắt đầu thực nghiệm trên máy tính Raspberry 4, nhưng do gặp một số vấn đề kỹ thuật, họ đã quyết định chuyển sang sử dụng máy tính cá nhân (PC) làm trung tâm điều khiển.
- Hệ thống chỉ phân loại được ba đối tượng, đó là chai nhựa, lon nhôm và thủy tinh
- Băng tải được thiết kế đơn giản, tải trọng không vượt quá 1kg
- Sử dụng Arduino để điều khiển các cơ cấu, các cơ cấu chưa đạt chuẩn công nghiệp
Phương pháp nghiên cứu
1.6.1 Cơ sở phương pháp luận
- Nghiên cứu các phương pháp phân loại rác tái chế đã được thực hiện trong nước và ngoài nước
- Đánh giá khả năng cũng như năng suất về việc phân loại rác thải thủ công
- Khảo sát năng suất của những hệ thống ở các nhà máy phân loại
- Tìm hiểu đặc tính của các loại rác thải được đưa vào phân loại
- Đánh giá và phân tích các phương pháp phù hợp đối với mục tiêu đề ra, đem loại hiệu quả cao nhất
- Sau khi đã tổng hợp đầy đủ các yếu tố, phân tích các khả năng và đưa ra phương pháp phù hợp nhất
1.6.2 Các phương pháp nghiên cứu cụ thể
- Xác định vấn đề nghiên cứu từ những con số về rác thải được các tờ báo uy tín đưa ra
- Tìm hiểu tổng quan về vấn đề, khảo sát những sản phẩm về nghiên cứu thiết kế chế tạo hệ thống phân loại rác tái chế
- Liệt kê những phương pháp phân loại, phụ thuộc vào những thông số đầu ra, cộng hưởng với yếu tố kinh tế đề đưa ra phương pháp phù hợp
- Thiết kế, thi công máy phân loại đáp ứng đủ yêu cầu đề ra
- Xây dựng thuật toán sao cho khả năng nhận diện cũng như phân loại có sai số thấp nhất và hiệu quả cao nhất.
Kết cấu của ĐATN
ĐATN bao gồm tất cả 7 chương, trong đó tiêu đề và nội dung các chương trình bày như sau:
Đề tài này được hình thành nhằm đáp ứng tính cấp thiết trong lĩnh vực nghiên cứu, với những ý nghĩa khoa học và thực tiễn rõ rệt khi hoàn thành Mục tiêu nghiên cứu được xác định cụ thể, đối tượng và phạm vi nghiên cứu được làm rõ để đảm bảo tính chính xác Phương pháp nghiên cứu sẽ được áp dụng một cách khoa học, kết cấu của đề tài sẽ được tổ chức hợp lý, giúp phân định rõ nội dung vấn đề nghiên cứu.
TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI
Giới thiệu
Mỗi năm, Việt Nam phát sinh 24,5 triệu tấn chất thải rắn sinh hoạt và 8,1 triệu tấn chất thải rắn công nghiệp Tuy nhiên, khoảng 71% lượng chất thải rắn sinh hoạt được thu gom vẫn chỉ được chôn lấp không hợp vệ sinh Việc xử lý và phân loại chất thải rắn chưa được thực hiện một cách hiệu quả, dẫn đến tình trạng tái chế còn hạn chế, chủ yếu mang tính tự phát và thiếu quản lý Hiện tại, chỉ khoảng 10-20% chất thải có thể được tái chế, chủ yếu là giấy và nhựa, nhưng quy trình tái chế vẫn chủ yếu dựa vào công nghệ thủ công, gây hiệu quả thấp và tiềm ẩn nguy cơ ô nhiễm môi trường.
Trong bối cảnh phát triển khoa học công nghệ, nhu cầu cải tiến hệ thống nhà máy ngày càng tăng, đặc biệt trong lĩnh vực kỹ thuật và sản xuất Hệ thống phân loại ra đời nhằm nâng cao tính linh hoạt và tự động hóa quy trình sản xuất, đồng thời tối ưu hóa chi phí Sự phát triển của công nghệ đòi hỏi độ chính xác và khả năng đáp ứng cao hơn, đặc biệt trong ngành công nghiệp phân loại Việc ứng dụng AI và thị giác máy đã mở ra nhiều công cụ hỗ trợ cho các nhiệm vụ nhận diện và phân loại Nhóm nghiên cứu đã quyết định ứng dụng những công nghệ này để chế tạo máy phân loại rác tái chế Hiện nay, xử lý ảnh được áp dụng rộng rãi tại các trường đại học, với nhiều cuộc thi định kỳ, nhưng các ý tưởng đề tài thường lặp lại, dẫn đến sự nhàm chán Nếu được đầu tư và chú trọng, lĩnh vực này hứa hẹn sẽ phát triển mạnh mẽ trong tương lai, như các công trình nghiên cứu của Trần Văn Tuấn và Phạm Văn Long dưới sự hướng dẫn của PGS.TS Nguyễn Thanh Hải.
“Thiết kế và thi công hệ thống phân loại sản phẩm bút chì theo màu sắc” [1], trường Đại Học
Vào năm 2019 - 2020, nhóm sinh viên Sư Phạm Kỹ Thuật đã phát triển một hệ thống băng tải tích hợp camera nhằm nhận diện màu sắc của bút chì Mỗi hộp bút chì chứa 7 màu, và nếu hệ thống phát hiện màu bị thiếu, Arduino sẽ điều khiển servo để bổ sung bút chì màu còn thiếu Đồ án tốt nghiệp của Phạm Lê Hồng Hoa và Lê Viết Hoàng, dưới sự hướng dẫn của TS Vũ Quang Huy, tập trung vào việc ứng dụng thuật toán CNN và xử lý ảnh để phát triển hệ thống này.
Năm 2021 - 2022, trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh đã thực hiện nghiên cứu "Thống Phân Loại Quýt Đường" bằng cách xây dựng thuật toán CNN nhằm nhận diện màu sắc của quýt.
Hệ thống tích hợp camera và Arduino được sử dụng để điều khiển xi lanh, giúp phân loại quả quýt theo nhóm dựa trên mức độ chín, từ đó xác định giai đoạn chín của quả quýt một cách chính xác.
Việc ứng dụng AI và xử lý ảnh trong phân loại rác tái chế mang lại nhiều lợi ích đáng kể Các phương pháp phân loại truyền thống như dựa vào màu sắc, kích thước hay cân nặng có thể không đủ hiệu quả Để làm cho đề tài tốt nghiệp thêm phần hấp dẫn và thực tiễn, nhóm đã quyết định tích hợp công nghệ AI và xử lý ảnh, từ đó phát triển dự án “Phân Loại Rác Tái Chế Ứng Dụng AI Và Xử Lý Ảnh”.
Đặc tính của hệ thống phân loại rác tái chế ứng dụng AI và xử lý ảnh
Hệ thống được thiết kế với tiêu chí giá rẻ, phù hợp cho các nhà máy có năng suất không quá lớn Sử dụng công nghệ AI và xử lý ảnh, hệ thống có khả năng nhận dạng và phân loại ba loại rác tái chế rắn: chai nhựa, lon nhôm và thủy tinh, mỗi loại có những đặc tính riêng biệt.
- Tải trọng yêu cầu dưới 1kg để vật thể có thể di chuyển đến vị trí phân loại
Hệ thống áp dụng công nghệ AI và xử lý ảnh để nhận diện đối tượng, thông qua việc huấn luyện mô hình với các hình ảnh của các đối tượng khác nhau, từ đó có khả năng phát hiện và phân loại chính xác các đối tượng trong môi trường thực tế.
- Phân loại tự động: Các đối tượng được đưa vào hệ thống sau khi được xử lý nhận diện, sẽ được phân loại về đúng vị trí của nó
Trong việc phân loại rác, chúng ta có thể nhận diện nhiều loại rác khác nhau dựa vào quá trình huấn luyện Bài viết này tập trung vào việc huấn luyện nhận diện ba loại rác tái chế cụ thể: chai nhựa, lon nhôm và chai thủy tinh.
- Giao diện xử lý: Hệ thống sẽ được điều khiển bằng một giao diện dễ sử dụng, có thể kiểm soát hết mọi vấn đề của hệ thống
- Kinh phí hoàn thiện thấp, vì đề tài phục vụ cho mục đích nghiên cứu, học tập nên năng suất của hệ thống không quá ấn tượng
- Sử dụng ở nhà máy tái chế rác thải, các doanh nghiệp cần tách các loại rác này ra từng loại riêng biệt.
Kết cấu của hệ thống phân loại rác tái chế ứng dụng AI và xử lý ảnh
Rác tái chế sẽ được vận chuyển qua Webcam và các cảm biến để nhận dạng và phân loại, với băng tải hỗ trợ quá trình này.
Ngoài ra, để có thể nhận diện chính xác thì Webcam phải đáp ứng được yêu cầu về độ rõ nét, nên nhóm quyết định dùng loại Webcam Rapoo C280 2K
Hệ thống gạt sử dụng mini servo để đẩy rác tái chế ra khỏi băng tải khi đến vị trí xác định Tay gạt được gắn lên đầu quay của động cơ mini servo, cho phép điều chỉnh góc để loại bỏ rác hiệu quả.
Mỗi lần mini servo tác động với lực nhất định kết hợp với lực đệm từ băng tải, vật thể sẽ được đẩy ra ngoài theo vị trí mong muốn Để đảm bảo rác được đưa về đúng vị trí, hệ thống được trang bị tấm chắn làm bằng formex.
Để điều khiển và kiểm soát hệ thống hiệu quả, cần thiết phải có một giao diện giao tiếp với hệ thống Giao diện này được phát triển bằng C#, kết hợp với MySQL, Python và Arduino, nhằm kết nối tất cả các thành phần trong hệ thống một cách đồng bộ.
Các nghiên cứu liên quan đến đề tài
Trên toàn cầu, việc tái chế rác thải sinh hoạt đã trở thành một vấn đề quan trọng do tác động tiêu cực của nó đến môi trường và con người Ở các nước phát triển, phân loại rác thủ công gần như không tồn tại, trong khi tại Việt Nam, hệ thống này cũng rất hạn chế và chủ yếu chỉ xuất phát từ các cuộc thi Ngược lại, nhiều công ty tại phương Tây đã đầu tư nghiên cứu vào lĩnh vực này, điển hình là ZenRobotics với hệ thống robot phân loại rác thải đầu tiên trên thế giới Hệ thống này sử dụng trí tuệ nhân tạo để huấn luyện và phân loại rác thông qua cánh tay robot, giúp tối ưu hóa quy trình thu hồi các loại rác tái chế.
Hình 2.1: ZenRobotics Recycler Đây là bảng các đặc tính của hệ thống:
Bảng 2.1: Thông số kỹ thuật của sản phẩm [7]
Pick per hour /1 arm Up to 2300
Recovered material purity Up to 99%
Sản phẩm WR-3 Recyclables của Waste Robotics, một công ty Canada, ứng dụng công nghệ AI và robot delta để phân loại rác thải Công nghệ này không chỉ mang lại độ phức tạp cao trong nghiên cứu mà còn tối ưu hóa quy trình tái chế và quản lý rác thải.
Hình 2.2: Hệ thống phân loại rác thải WR-3 Recyclables
Và sau đây là một vài thông số kỹ thuật của robot này:
Bảng 2.2: Thông số kỹ thuật của sản phẩm [8]
Application Gathering ligh weight material
Max object weight Up to 1kg
Picking Object Aluminum, tin, metal, carton Picking cadence Up to 60 picks/min Material picking area See above
2.4.2 Các nghiên cứu trong nước
Nghiên cứu về hệ thống phân loại rác tái chế đã được thực hiện trong nước, nổi bật là nhóm sinh viên Bách Khoa với nỗ lực phát triển máy phân loại rác Máy này giúp đơn giản hóa việc phân loại rác tại các khu vực công cộng, hoạt động bằng cách nhận dạng mẫu rác và tự động đưa rác về đúng vị trí của nó.
Hình 2.3: Sản phẩm máy phân loại rác của sinh viên trường ĐH Bách Khoa TP HCM
Với tư duy sáng tạo, Trần Minh Khoa cùng nhóm của mình đã phát triển một máy phân loại rác tự động tương tự như máy bán nước Máy hoạt động bằng cách nhận diện rác khi người dùng đưa vào khay, sau đó tự động phân loại và trả lại một món quà tinh thần Nhóm đã áp dụng công nghệ xử lý ảnh, mặc dù gặp khó khăn về kinh phí và phải sử dụng camera không phải loại tốt nhất Hiện tại, máy mất khoảng 3 giây để hoàn tất quy trình từ nhận diện đến thu gom rác.
Nhóm sinh viên Cao Đẳng Công Nghệ Hà Tĩnh đã phát triển một máy phân loại rác thải tự động tại nguồn, tham gia cuộc thi "Ý tưởng khởi nghiệp học sinh, sinh viên giáo dục nghề nghiệp Toàn quốc năm 2020" Máy bao gồm hai thành phần chính: phần cơ khí chế tạo và phần điện tự động hóa, nhằm nâng cao hiệu quả quản lý rác thải.
Cơ cấu nghiền, lồng xoay và quạt hoạt động đồng bộ để tạo ra cơ chế hiệu quả cho máy Cơ cấu nghiền có khả năng xử lý cả rác hữu cơ như rau củ quả và rác vô cơ như chai nhựa, vỏ lon bia, túi nilon Lồng xoay đóng vai trò quan trọng trong việc phân loại rác hữu cơ và vô cơ, trong khi quạt giúp phân loại bao nilon một cách hiệu quả.
Hình 2.4: Thầy và nhóm sinh viên của trường Cao Đẳng Công Nghệ Hà Tĩnh
Máy gặp khó khăn trong việc phân loại rác thải cứng như thủy tinh, sắt và thép, vì khi nghiền những vật liệu này, máy sẽ bị hỏng cấu trúc.
CƠ SỞ LÝ THUYẾT
Đặc điểm của các loại rác tái chế
Hiện nay, rác thải được phân loại thành nhiều loại, bao gồm rác hữu cơ, rác vô cơ và rác tái chế Phân loại rác để tái chế mang lại nhiều lợi ích cho con người và môi trường Vậy rác tái chế cụ thể là gì?
Rác tái chế là các loại rác thải đã qua sử dụng nhưng có khả năng được tái chế để phục vụ cho cuộc sống Những loại rác tái chế phổ biến bao gồm nhựa, thủy tinh và giấy.
Để thực hiện tái chế rác thải hiệu quả, quy trình bao gồm các bước quan trọng như thu gom, phân loại, rửa sạch và nghiền nát, sau đó chuyển đổi thành nguyên liệu mới Các loại rác tái chế phổ biến đóng vai trò thiết yếu trong quy trình này.
Tái chế rác thải mang lại nhiều lợi ích quan trọng, bao gồm việc tiết kiệm tài nguyên thiên nhiên, giảm thiểu ô nhiễm môi trường và tạo ra cơ hội kinh tế cùng việc làm cho cộng đồng.
Tổng quan về Trí tuệ nhân tạo và các thuật toán
Trí tuệ nhân tạo (AI) là một lĩnh vực trong khoa học máy tính, tập trung vào nghiên cứu và phát triển công nghệ để tạo ra hệ thống có khả năng thực hiện các công việc mà trước đây chỉ con người mới có thể làm AI mô phỏng khả năng suy nghĩ và học tập của con người, cho phép hệ thống thực hiện các tác vụ thông minh, nhận biết, hiểu và tương tác với môi trường Mục tiêu chính của AI là xây dựng các thuật toán và mô hình giúp máy tính thay thế con người trong nhiều nhiệm vụ.
Trong những năm gần đây, sự phát triển của công nghệ đã đưa trí tuệ nhân tạo (AI) trở thành một lĩnh vực quan trọng và mạnh mẽ AI được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm công nghệ tự lái và xe tự hành, trợ lý ảo trên điện thoại, công nghệ ngôn ngữ tự nhiên, chăm sóc sức khỏe trong y tế, cũng như quảng cáo và tiếp thị.
Học máy (Machine Learning - ML) là một lĩnh vực con của trí tuệ nhân tạo (AI), cho phép máy tính tự học và nâng cao hiệu suất từ dữ liệu mà không cần lập trình cụ thể Thay vào đó, ML áp dụng các thuật toán và phương pháp để phân tích, khai thác kiến thức từ dữ liệu, đồng thời dự đoán, đưa ra quyết định hoặc giải quyết vấn đề dựa trên kiến thức đã học.
Thuật toán ML thường được chia thành 4 nhóm: Học có giám sát, học không giám sát, học bán giám sát, học tăng cường
Học có giám sát (Supervised Learning)
Trong Học có Giám sát, mô hình được huấn luyện từ dữ liệu đầu vào đã được gắn nhãn Mô hình nhận các cặp dữ liệu đầu vào và nhãn tương ứng trong quá trình huấn luyện, với mục tiêu dự đoán và phân loại dữ liệu mới một cách chính xác hoặc dự đoán giá trị của biến liên tục Học có Giám sát chủ yếu giải quyết các vấn đề về hồi quy và phân loại, và đây là nhóm thuật toán phổ biến nhất trong Machine Learning.
Học không giám sát (Unsupervised Learning)
Trong học không giám sát (Unsupervised Learning), mô hình được đào tạo chỉ dựa trên dữ liệu đầu vào mà không cần thông tin nhãn Phương pháp này thường được áp dụng để nhóm dữ liệu, giảm chiều dữ liệu, phát hiện bất thường và tìm ra các quy tắc kết hợp trong dữ liệu Mục tiêu chính là khám phá thông tin ẩn và hiểu biết sâu sắc hơn về dữ liệu mà không có sự hướng dẫn từ nhãn Học không giám sát chủ yếu bao gồm hai loại: phân loại (Clustering) và trích xuất đặc trưng (Feature Extraction).
Hình 3.2 Học có giám sát và học không giám sát [23]
Học bán giám sát (Semi - Supervised learning)
Học bán giám sát là một phương pháp học máy kết hợp giữa học có giám sát và học không giám sát Trong phương pháp này, chỉ một phần nhỏ của tập dữ liệu huấn luyện được gán nhãn, trong khi phần lớn còn lại không có nhãn Mục tiêu chính của học bán giám sát là tận dụng thông tin từ các điểm dữ liệu không có nhãn để nâng cao hiệu suất của mô hình học.
Học bán giám sát tận dụng hiệu quả các tập dữ liệu không có nhãn, vì những điểm dữ liệu này thường dễ dàng thu thập hơn so với việc gán nhãn cho chúng.
Học tăng cường (Reinforcement Learning)
Trong học tăng cường (Reinforcement Learning), không có dữ liệu huấn luyện gán nhãn như trong học giám sát Thay vào đó, hệ thống học thông qua tương tác với môi trường và nhận phản hồi từ các hành động Mô hình học tăng cường bao gồm ba thành phần chính: tác nhân (agent), môi trường và hệ thống phần thưởng Tác nhân thực hiện hành động dựa trên trạng thái hiện tại của môi trường và nhận phản hồi từ hệ thống phần thưởng, tiếp tục tương tác để cải thiện Mục tiêu của tác nhân là tìm ra chiến lược tối ưu nhằm tối đa hóa tổng phần thưởng nhận được từ môi trường.
Học sâu (Deep Learning) là một nhánh quan trọng của Machine Learning, chuyên về xây dựng và huấn luyện các mạng nơ-ron sâu để tự động học và rút trích đặc trưng từ dữ liệu Với các mô hình mạng nơ-ron sâu có nhiều lớp ẩn, Deep Learning có khả năng học các mức độ biểu diễn dữ liệu phức tạp, cho phép tự động nhận diện các đặc trưng cấp cao và thực hiện các tác vụ phức tạp như nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên.
Một số thuật toán phổ biến thường được dùng trong Deep learning:
Mạng nơ-ron tích chập (CNN) là công nghệ chủ yếu trong xử lý hình ảnh và thị giác máy tính, cho phép học các đặc trưng hình ảnh từ dữ liệu thông qua các lớp tích chập CNN đạt hiệu quả cao trong các nhiệm vụ như nhận dạng đối tượng, phân loại hình ảnh và nhận dạng khuôn mặt.
Mạng nơ-ron hồi quy (RNN) là một kiến trúc mạng nơ-ron lý tưởng cho việc xử lý dữ liệu chuỗi và dữ liệu có mối quan hệ thời gian Với khả năng lưu trữ thông tin trạng thái trước đó, RNN có thể dự đoán và sinh ra các mô hình chuỗi, ứng dụng rộng rãi trong nhận dạng giọng nói, dịch máy và sinh văn bản.
Mạng nơ-ron tái phát (Generative Adversarial Networks - GAN) là công nghệ được sử dụng để tạo ra dữ liệu mới dựa trên phân phối đã học từ dữ liệu huấn luyện GAN bao gồm hai mạng nơ-ron cạnh tranh: mạng tạo (generator) và mạng phân biệt (discriminator) Công nghệ này đang được áp dụng rộng rãi trong việc tạo ảnh và video mới, thiết kế giao diện, xử lý âm thanh, cùng nhiều lĩnh vực khác.
Mạng nơ-ron tự mã hóa (Autoencoders) là công cụ hiệu quả trong việc rút trích đặc trưng và giảm chiều dữ liệu Chúng bao gồm hai thành phần chính: bộ mã hóa (encoder) và bộ giải mã (decoder) Bộ mã hóa có nhiệm vụ giảm chiều dữ liệu thành một biểu diễn gọn nhẹ, trong khi bộ giải mã tái tạo lại dữ liệu ban đầu từ biểu diễn này.
15 từ biểu diễn gọn Autoencoders có thể được sử dụng trong nhiều tác vụ, bao gồm nén dữ liệu, rút trích đặc trưng, và tạo ảnh mới
Học tăng cường (Reinforcement Learning - RL) là một phương pháp học máy, trong đó tác tử tương tác với môi trường để cải thiện khả năng ra quyết định Mục tiêu chính của RL là phát triển một chiến lược tối ưu giúp tác tử đạt được mục tiêu và tối đa hóa phần thưởng từ môi trường Công nghệ này được ứng dụng rộng rãi trong các lĩnh vực như trò chơi, robot và quản lý tài chính.
Mạng nơ-ron (Neural Network) là mô hình tính toán được phát triển dựa trên cấu trúc của hệ thần kinh con người, đóng vai trò quan trọng trong lĩnh vực Học sâu (Deep Learning) Mô hình này được ứng dụng rộng rãi để giải quyết nhiều bài toán trong Trí tuệ Nhân tạo (AI).
Hình 3.3: Cấu trúc tế bào thần kinh sinh học trong hệ thống thần kinh của con người [31]
Tổng quan về xử lý ảnh
Xử lý ảnh là lĩnh vực quan trọng trong khoa học máy tính và thị giác máy tính, bao gồm việc áp dụng các thuật toán nhằm cải thiện, phân tích và trích xuất thông tin từ giá trị điểm ảnh.
Quá trình xử lý ảnh bao gồm nhiều bước quan trọng, bắt đầu từ tiền xử lý hình ảnh như đọc và chuyển đổi định dạng, điều chỉnh kích thước và sắc nét hóa Tiếp theo, các phép biến đổi và thuật toán được áp dụng để nâng cao chất lượng hình ảnh, bao gồm làm mờ, tăng độ tương phản, phát hiện và làm nổi bật cạnh, cũng như lọc nhiễu và loại bỏ thông tin không mong muốn.
3.3.2 Ứng dụng của xử lý ảnh
Xử lý ảnh và thị giác máy tính có nhiều ứng dụng phổ biến như nhận diện khuôn mặt, biển số xe, chữ viết tay và vật thể trong ảnh Những công nghệ này không chỉ giúp tối ưu hóa quy trình sản xuất mà còn cải thiện chất lượng hình ảnh và nâng cao trải nghiệm người dùng.
Xử lý ảnh và thị giác máy tính cho phép máy tính "nhìn" và hiểu thế giới qua hình ảnh và video, mở ra nhiều tiềm năng ứng dụng trong tương lai Nghiên cứu và phát triển trong lĩnh vực này giúp nâng cao trí thông minh của máy tính, mang lại lợi ích cho con người trong nhiều lĩnh vực khác nhau.
Hình 3.5: Ứng dụng nhận diện biển số xe tự động
Hình 3.6: Ứng dụng trong xe tự lái
Bài toán nhận diện vật thể
Bài toán trong lĩnh vực thị giác máy tính này tập trung vào việc xác định và phân loại các vật thể xuất hiện trong ảnh hoặc video Mục tiêu chính là nhận diện các vùng quan tâm trong hình ảnh và gán nhãn cho từng vùng, giúp phân biệt các loại vật thể khác nhau một cách hiệu quả.
Để giải quyết bài toán nhận diện vật thể, các thuật toán và mô hình máy học được áp dụng để tự động xác định các vùng chứa vật thể trong ảnh Các bước cơ bản trong quá trình nhận diện vật thể bao gồm việc xác định và tạo các bounding box bao quanh đối tượng cần nhận diện.
Để bắt đầu, việc chuẩn bị dữ liệu là rất quan trọng, bao gồm một tập dữ liệu huấn luyện với các hình ảnh hoặc video được gán nhãn cho từng vật thể Mỗi nhãn cần có thông tin về vị trí (tọa độ bounding box) và nhãn lớp (class label) của vật thể Đảm bảo rằng dữ liệu huấn luyện đa dạng với nhiều loại vật thể và môi trường khác nhau sẽ giúp mô hình học cách nhận diện các vật thể một cách hiệu quả.
Để trích xuất đặc trưng từ ảnh đầu vào, chúng ta sử dụng mạng nơ-ron, thường là các mạng CNN như VGG, ResNet hoặc EfficientNet Những mạng này đã được huấn luyện trước trên tập dữ liệu lớn như ImageNet, giúp chúng học cách trích xuất các đặc trưng phổ biến từ hình ảnh.
Trong giai đoạn phát hiện vùng quan tâm, chúng ta tìm kiếm các vùng có khả năng chứa vật thể trong ảnh Nhiều phương pháp như Selective Search, EdgeBoxes, và mạng nơ-ron trong Faster R-CNN được sử dụng để tạo ra các đề xuất vùng Mục tiêu chính là xác định các vùng chứa vật thể đáng chú ý.
Trong giai đoạn phân loại và định vị vật thể, mạng nơ-ron được sử dụng để xác định và phân loại các vật thể trong các vùng quan tâm Mô hình được huấn luyện nhằm dự đoán nhãn lớp và xác định vị trí của bounding box cho từng vật thể Để thực hiện nhiệm vụ này, có thể áp dụng các kiến trúc mạng như R-CNN, Fast R-CNN, Faster R-CNN, hoặc YOLO.
Đánh giá và xử lý sau khi nhận diện là bước quan trọng sau khi mô hình dự đoán vị trí và nhãn cho các vật thể trong ảnh Quá trình này bao gồm việc áp dụng ngưỡng để loại bỏ các dự đoán không đáng tin cậy, sử dụng non-maximum suppression để loại bỏ các bounding box trùng lặp, và thực hiện các biện pháp khác nhằm nâng cao độ chính xác và hiệu suất của mô hình.
3.4.2 Một số phương pháp phổ biến của bài toán
R-CNN sử dụng mạng CNN để trích xuất đặc trưng từ các vùng đề xuất, sau đó tiến hành phân loại và xác định vị trí các vật thể trong từng vùng đó.
Fast R-CNN là một phương pháp cải tiến so với R-CNN, cho phép trích xuất đặc trưng từ toàn bộ ảnh đầu vào thay vì từng vùng đề xuất riêng lẻ Bằng cách sử dụng kỹ thuật roi pooling, Fast R-CNN tạo ra các vùng đề xuất có kích thước cố định, giúp tăng tốc độ và hiệu quả trong quá trình nhận diện đối tượng.
Faster R-CNN kết hợp những cải tiến của Fast R-CNN với mạng CNN để tạo ra các vùng đề xuất Mô hình này sử dụng mạng con gọi là Region Proposal Network (RPN) nhằm dự đoán các vùng đề xuất, sau đó áp dụng Fast R-CNN để phân loại và định vị các vật thể trong những vùng đó.
YOLO (You Only Look Once) là một mô hình nhận diện vật thể hiệu quả và nhanh chóng, hoạt động theo thời gian thực Mô hình này chia hình ảnh thành các ô vuông và dự đoán vị trí cũng như loại hình của các vật thể trong từng ô.
Hệ thống phân loại rác tái chế yêu cầu tốc độ xử lý nhận diện nhanh và chính xác để đáp ứng thời gian thực Trong các phương pháp hiện có, YOLO nổi bật với khả năng nhận diện vật thể nhanh chóng, cho phép phát hiện vật trong thời gian thực.
Tính đến đầu năm 2023, Ultralytics đã cho ra mắt YOLOv8, phiên bản mới nhất trong dòng sản phẩm YOLO YOLOv8 là một mô hình tối ưu, được phát triển dựa trên những thành công của các phiên bản trước, và hỗ trợ toàn diện cho các nhiệm vụ trong lĩnh vực thị giác máy.
20 nhận diện (detection), phân đoạn (segmentation), ước lượng tư thế/điểm khóa (pose/keypoints estimation), theo dõi (tracking) và phân loại (classification) [17]
Hình 3.8: So sánh tốc độ xử lý trên từng ảnh của các phiên bản YOLO [29]
Thuật toán YOLO sử dụng hình ảnh đầu vào và áp dụng mạng nơ-ron tích chập sâu để phát hiện đối tượng trong ảnh Kiến trúc CNN đóng vai trò là xương sống của mô hình YOLO, giúp tối ưu hóa quá trình nhận diện.
Hình 3.9: Kiến trúc mạng YOLO
Mô hình được đào tạo trước với 20 lớp tích chập trên ImageNet, kết hợp với lớp tổng hợp trung bình tạm thời và lớp kết nối đầy đủ Nghiên cứu đã chỉ ra rằng việc thêm các lớp tích chập và lớp kết nối vào mạng đã được đào tạo trước sẽ nâng cao hiệu suất phát hiện Lớp fully connected cuối cùng của YOLO không chỉ dự đoán xác suất của các lớp mà còn xác định tọa độ bounding box.
PHƯƠNG HƯỚNG VÀ CÁC GIẢI PHÁP VỀ HỆ THỐNG PHÂN LOẠI RÁC THẢI TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH
Yêu cầu của đề tài
Trong chương trước, nhóm đã trình bày các công nghệ và phần mềm được sử dụng trong lập trình phần mềm Tuy nhiên, khi xem xét các cơ cấu và cơ khí của hệ thống, cần đánh giá các điểm mạnh và yếu của từng phương án, đồng thời xem xét yêu cầu của hệ thống Dựa trên những phân tích này, nhóm sẽ đề xuất phương án phù hợp nhất cho hệ thống.
Mục tiêu của đề tài là phát triển hệ thống phân loại rác thải sử dụng AI và xử lý ảnh, nhằm nghiên cứu và học tập Hệ thống này có thể áp dụng cho nhiều vấn đề khác nhau, không chỉ riêng rác tái chế Do hạn chế về thời gian và kiến thức, nhóm tập trung vào việc xây dựng hệ thống với chi phí thấp và năng suất hợp lý.
Để phân loại rác thải có trọng lượng từ 100 đến 300g và kích thước lên đến 220mm, cần một băng tải lớn nhằm di chuyển hiệu quả các loại rác này Nhóm dự tính năng suất đạt 30 sản phẩm/phút, vì vậy hệ thống cần hoạt động trơn tru và có giá thành tối ưu Ý tưởng thiết kế bao gồm băng tải để di chuyển rác thải, kết hợp với Webcam kết nối máy tính để xử lý và nhận dạng, cùng cơ cấu gạt giúp đưa các loại rác về đúng vị trí.
Các phương án thiết kế của đề tài
4.2.1 Phương án chọn băng tải
Băng tải là thiết bị tự động và liên tục dùng để vận chuyển sản phẩm, mang lại hiệu suất cao, chi phí thấp và độ tin cậy cao hơn so với sức người Nhóm nghiên cứu đã áp dụng bộ biến tần để người dùng có thể điều chỉnh tốc độ băng tải theo nhu cầu Bên cạnh đó, việc sử dụng relay cho phép điều khiển việc đóng và ngắt băng tải thông qua các nền tảng lập trình.
Cấu tạo của một băng tải bao gồm động cơ băng tải, đa phần sẽ là động cơ DC giảm tốc
Hệ thống đỡ băng tải thường sử dụng con lăn inox, trong khi bộ truyền động có thể là xích hoặc đai Thép và nhôm định hình là hai loại vật liệu phổ biến nhất trong việc chế tạo khung băng tải Bài viết này sẽ phân tích các lựa chọn phù hợp cho hệ thống băng tải.
Bảng 4.1: Ưu và nhược điểm của các vật liệu làm khung băng tải
- Trọng lượng nặng hơn nhôm
- Chi phí cao hơn nhôm
Khung băng tải cần được làm từ vật liệu cứng cáp và an toàn Mặc dù giá thành của Inox cao hơn một chút so với nhôm, nhưng lợi ích mà Inox mang lại vượt trội hơn Sử dụng Inox không chỉ tạo ra bộ khung bền bỉ mà còn mang lại tính thẩm mỹ cao cho sản phẩm.
Bảng 4.2: Ưu và nhược điểm của bộ truyền chuyển động
Phương án Dây đai, bánh đai Dây xích, bánh xích
- Không gây nên tiếng ồn
- Dễ bảo trì, sửa chữa
- Hoạt động trong điều kiện tốc độ cao
- Có thể hoạt động trong điều kiện nhiệt cao
- Hoạt động được với tải trọng cao, không xảy ra tình trạng trượt
- Không hoạt động ổn định khi tải trọng cao
- Khó bảo trì, sữa chưa
- Có thể bị ăn mòn, rỉ sét
Hệ thống hoạt động trong môi trường khô ráo và không yêu cầu âm thanh, đồng thời cần duy trì hoạt động liên tục, dẫn đến việc nhiệt độ có thể tăng cao Do đó, nhóm quyết định sử dụng bộ truyền xích để đảm bảo tính liên tục của hệ thống.
4.2.2 Phương án lựa chọn cần gạt
Hiện nay, có nhiều phương pháp sử dụng cần gạt, trong đó phổ biến là sử dụng xi lanh hoặc động cơ Cần gạt đóng vai trò quan trọng trong việc đưa các đối tượng phân loại về vị trí chính xác Bài viết dưới đây sẽ phân tích những ưu và nhược điểm của cơ cấu cần gạt này.
Bảng 4.3: Ưu và nhược điểm của cơ cấu gạt
Phương pháp Xi lanh Động cơ Servo
- Điều khiển chính xác vị trí và vận tốc
- Điều khiển chính xác vị trí, vận tốc
- Chỉ di chuyển chính xác hai điểm đầu cuối
Dựa trên các yếu tố đã nêu và yêu cầu của đề tài, nhóm đã quyết định chọn động cơ Servo làm cơ cấu đẩy Lựa chọn này không chỉ có giá thành hợp lý mà còn cho phép điều khiển chính xác các góc mong muốn.
4.2.3 Phương án lựa chọn nền tảng lập trình Đây là phần quan trọng nhất của đề tài, có rất nhiều nền tảng điều khiển tự động ở trên thị trường, nhóm đã phân vân rất nhiều nhưng đã rút gọn lại chỉ còn hai phương án, đó là dùng Arduino hoặc PLC, đây là hai nền tảng rất phổ biến được sử dụng trong các ứng dụng công nghiệp, tự động ở các nhà máy, dây chuyền
Bảng 4.4: Ưu và nhược điểm của PLC và Arduino
- Tính làm việc ổn định trong môi trường công nghiệp
- Xử lý được nhiều công việc phức tạp
- Được bán rộng rãi trên thị trường và có giá thành thấp
- Cộng đồng hỗ trợ rất lớn
Nhược điểm - Giá thành cao
- Gặp nhiều khó khăn khi làm việc trong môi trường khắc nghiệt
- Không phù hợp cho các ứng dụng trong công nghiệp
Đề tài yêu cầu xây dựng một hệ thống giá thành thấp nhưng vẫn đảm bảo hoạt động ổn định Mặc dù PLC là lựa chọn mạnh mẽ với xu hướng công nghiệp, nhưng chi phí cao của nó gây khó khăn cho học sinh và sinh viên Do đó, nhóm quyết định sử dụng Arduino cho hệ thống.
TÍNH TOÁN, THIẾT KẾ CƠ KHÍ, HỆ THỐNG ĐIỆN
Tính toán, thiết kế cơ khí
- Chiều cao của chai: 220 mm
Bảng 5.1: Thông số kỹ thuật của hệ thống phân loại rác tái chế
Vì tải trọng va đập nhẹ, vận tốc thấp nên dùng xích con lăn
- Xác định các thông số
- Với n = η x = 0,92, chọn số răng đĩa thứ nhất Z1 = 12,
Với tốc độ trục băng tải là n0 = 24 (vòng/phút)
- kn = 24/24 = 1 Đặc trưng kỹ thuật Thông số Kích thước (mm)
(Dài x Rộng x Cao) 1536 x 300 x 850 Tốc độ chạy (m/s) 0,6
Sản phẩm phân loại Rác tái chế
K0 = 1: Đường tâm các đĩa xích làm với phương nằm ngang 1 góc < 40 0
Kđc = 1: Điều chỉnh bằng một hoặc hai đĩa xích
Kbt = 1,3: Môi trường làm việc có bụi, bôi trơn đạt yêu cầu
Kđ = 1,2: Tải trọng va đập nhẹ
Theo bảng 5.5 trang 181, giáo trình Cơ sở thiết kế máy với n0 = 24 (vòng/phút), chọn bộ truyền xích 1 dãy có bước xích p = 12,7 (mm) [6]
Theo công thức số mắt xích là:
Lấy số mắt xích chẵn: X = 52 mắt xích
• Tính loại khoảng cách trục: a = 0,25.p.[X - 0,5(z2 + z1) +√[𝑋 − 0,5(𝑧 2 + 𝑧 1 )] 2 − 2( 𝑧 2 −𝑧 1
= 254 (mm) Để xích không chịu lực căng quá lớn giảm a đi một lượng bằng:
Số lần va đập của đĩa xích theo bảng 5.14 (phụ lục II) [3]:
• Các thống số của đĩa xích:
- Đường kính vòng chia đĩa xích:
- Đường kính vòng đỉnh răng:
- Đường kính vòng chân răng:
Tra bảng 5.2 (phụ lục II), ta có: 𝑑 1 = 7,75 mm
• Tính chọn động cơ cho băng tải:
- Hệ số an toàn: 1,5 (giá trị hệ số an toàn thông thường 1,5-2)
- Đường kính con lăn rulo: 75 mm= 0,075m
- Khối lượng tải tối đa: 15 kg (tình trạng tối đa đồng thời có rác trên cả băng tải)
- Khối lượng dây Belt = 2 kg
- Tổng khối lượng mà động cơ phải hoạt động: ≈ 20,5 kg
• Tính toán thông số động cơ điện:
- Xác định số vòng quay của động cơ:
Ta có đường kính của con lăn rulo là 0,075 m
Khoảng di chuyển ứng với mỗi vòng quay của động cơ: 0,075×3.14 = 0,2355 (m)
- Số vòng quay trên trục công tác cần thiết: n = 0,6
- Momen trên trục động cơ : T = 𝑊×𝑅
Trong đó: T là momen tải trên trục động cơ (N.m)
SF là hệ số an toàn
- Momen cần thiết để motor hoạt động ở điều kiện 8-10h/ngày
T = k × 𝑇 1 Trong đó k là hệ số tải (hệ số điều kiện làm việc) (5.8)
Tra Catalog motor giảm tốc dolin [19] ta chọn K = 1.25
Dựa vào công suất động cơ và số vòng quay tại trục ta chọn động cơ sau:
- Tên động cơ: MOTOR GIẢM TỐC HOULE
- Bắt đầu mô-men xoắn: 998, 1085, 1820, 2020 mN
- Xếp hạng mô-men xoắn: 1273, 1074, 1415 mN
- Tốc độ định mức: 1350, 1600 vòng/phút
Hình 5.3: Động cơ giảm tốc [22]
• Tính chọn động cơ cần gạt:
- Chiều dài cần gạt 25 cm
Xác định tải và chuyển động của tải:
- Thiết bị mà động cơ servo phải di chuyển được gọi là tải Tải là ván xoay, gắn với động cơ, có khối lượng m = 0,1 kg
- Nếu chọn động cơ servo không phù hợp, cần gạt sẽ không xoay hoặc xoay sai yêu cầu đặt ra
Xác định lực để di chuyển tải:
- Động cơ servo di chuyển tất cả thiết bị gắn vào trục của nó bằng chuyển động quay của trục động cơ
- Đối với chuyển động quay, cũng giống như chuyển động quay của trục động cơ servo, lực cần sinh ra được tính như sau:
Mô men (T) là đại lượng thể hiện lực tạo ra chuyển động quay, cần thiết cho động cơ servo để di chuyển tải Gia tốc góc (a) đặc trưng cho tốc độ di chuyển của tải qua một khoảng cách nhất định.
J là mô men quán tính
Do có kết cấu là một tấm hình chữ nhật mỏng với thanh thẳng đồng chất, chiều dài l, khối lượng m, trục quay ở 1 đầu thanh:
Xác định bởi công thức:
Tốc độ góc khi vật chuyển động: quãng đường di chuyển là quay 1 góc 90 độ: ω = (Δ∝) / Δt= (π/2) / 1,5= π/3 rad/s (5.12)
Gia tốc góc tại thời điểm đó: ε = Δω / Δt = (π/3) / 1,5 = 2π/9 = 0,698 rad/s 2 (5.13)
Như vậy căn cứ vào khối lượng tải m= 0.1kg và momen xoắn
T = 14,54 kg.cm2, điện áp đầu vào DC 5V, ta chọn động cơ servo MG995 có thông số như sau:
Khung băng tải được chế tạo từ hộp inox SUS 304, loại thép không gỉ có khả năng chống ăn mòn vượt trội Thành phần chính của inox bao gồm 72% sắt (Fe), 9% niken, 18% crom và một lượng nhỏ các nguyên tố khác, tạo nên tỉ lệ vàng giúp đảm bảo độ bền vững cho kết cấu và lớp màng bảo vệ oxy hóa chắc chắn Vì vậy, inox hộp thường được sử dụng rộng rãi trong ngành xây dựng và chế tạo sản phẩm cơ khí.
Rulo băng tải lớn để căng ở 2 đầu:
+ Đường kính con lăn: 75mm
+ Chiều dài con lăn: 200 mm
Băng tải đóng vai trò quan trọng trong việc nâng cao năng suất làm việc Việc lựa chọn vận tốc băng tải phù hợp giúp tối ưu hóa chi phí, với vận tốc lớn giúp giảm tải trọng phân bố và độ chùng của băng tải Tuy nhiên, vận tốc cao có thể làm giảm độ chính xác trong xử lý ảnh, ảnh hưởng đến năng suất tối ưu Hiện tượng này cũng dẫn đến cong vênh con lăn và tăng độ hao mòn của băng tải Do đó, sau khi thực hiện ước lượng và đo đạc khách quan, nhóm quyết định chọn vận tốc băng tải là v = 1 (m/s).
Chọn băng tải PVC với độ bền cao, tính đàn hồi và dẻo dai vượt trội Vật liệu này có khả năng chống thấm ẩm, axit, dầu, khí, và ánh sáng mặt trời, đồng thời chịu va đập và tải trọng tốt.
Hình 5.6: Dây đai băng tải PVC màu xanh 5.1.2 Thiết kế toàn bộ hệ thống
Bản vẽ 3D của hệ thống
Hình 5.7: Bản vẽ lắp ráp hệ thống
36 Ưu điểm thiết kế có kết cấu nhỏ gọn kết cấu vững chắc, đơn giản hóa các chi tiết, thiết kế đẹp mắt hơn
Hình 5.8: Khung của hệ thống
Vật liệu chính cho phần khung là Inox, đây là loại vật liệu bền và giúp cố định hệ thống
Cơ cấu vận chuyển rác tái chế tự động
Rác tái chế sẽ được vận chuyển qua Webcam và các cảm biến để nhận dạng và phân loại, và băng tải là hệ thống phổ biến được sử dụng nhờ tính ổn định và chi phí chế tạo thấp.
- Ưu điểm: Dễ sử dụng, có thể điều khiển từ xa hoặc bằng tay và điều khiển được tốc độ
- Nhược điểm: Khi băng chuyền bị hư hỏng, hệ thống không thể hoạt động
Bộ phận xử lý ảnh
- Phương án sử dụng: dùng nhôm định hình để cố định camera
- Ưu điểm: Cho kết quả xử lý ảnh tốt, nhỏ gọn và dễ tháo nâng hạ
- Nhược điểm: Có thể bị ảnh hưởng bởi hướng ánh sáng
Hình 5.10: Cơ cấu cố định camera
- Phương pháp sử dụng: Sử dụng cảm biến và cần gạt, cần gạt có thể gạt các loại rác tái chế
- Ưu điểm: Hệ thống thống cần gạt đơn giản, dễ dàng thay thế lắp đặt và kết nối với arduino
- Nhược điểm: Không gạt được vật quá nặng như chai thủy tinh
Hình 5.11: Cơ cấu cần gạt
Thiết kế hệ thống điện
5.2.1 Sơ đồ khối của hệ thống
Sơ đồ 5.1: Sơ đồ khối của hệ thống
Sơ đồ 5.1 minh họa cấu trúc hệ thống với các khối cơ bản như khối nguồn, xử lý trung tâm, động cơ và cảm biến Những khối này kết nối với nhau để đảm bảo hoạt động hiệu quả của toàn bộ hệ thống Mỗi khối đóng vai trò quan trọng trong việc vận hành và tương tác lẫn nhau.
Các động cơ Servo và cảm biến được cấp nguồn từ khối nguồn 5V, trong khi tín hiệu điều khiển được cung cấp từ khối điều khiển tùy thuộc vào từng trường hợp Băng tải sẽ sử dụng nguồn điện riêng từ khối nguồn 220V để hoạt động, và khối điều khiển sẽ điều khiển relay để đóng ngắt băng tải Camera thu thập dữ liệu và chuyển đến khối xử lý ảnh, từ đó khối xử lý trung tâm nhận dữ liệu để hiển thị trên giao diện và phát lệnh điều khiển cho khối điều khiển.
5.2.2 Thiết kế và lựa chọn thiết bị cho các khối trong hệ thống
• Khối xử lý trung tâm
Chức năng của khối xử lý trung tâm là nhận dữ liệu từ khối xử lý ảnh, cộng với mô hình
AI được huấn luyện sẽ nhận diện và đưa ra kết quả, sau đó gửi tín hiệu xuống khối điều khiển để thực hiện nhiệm vụ Khối điều khiển là phần quan trọng nhất của hệ thống, giống như cơ quan đầu não, do đó cần một máy tính ổn định với cấu hình đáp ứng nhu cầu xử lý Ban đầu, nhóm quyết định sử dụng Raspberry Pi 4, một máy tính thu nhỏ tiện lợi và phổ biến nhờ khả năng làm việc tốt và độ ổn định cao Tuy nhiên, do những vấn đề kỹ thuật ngoài khả năng của nhóm, họ đã chuyển sang sử dụng máy tính PC làm trung tâm điều khiển.
Ngày nay, 39% máy tính cá nhân được trang bị linh kiện đủ mạnh để đảm bảo hoàn thành công việc trong hệ thống Cụ thể, hệ thống yêu cầu tối thiểu các thông số kỹ thuật như sau:
- Tốc độ CPU xử lý ít nhất 1.5GHz
- Có cổng kết nối với camera
Hình 5.12: Raspberry Pi 4 và PC
Trong hệ thống sử dụng nhiều nguồn điện, cần nguồn 220V để chạy băng tải và 5V để điều khiển động cơ hay cảm biến Việc sử dụng hai mức điện áp khác nhau đặt ra vấn đề về an toàn, vì nguồn điện phải kín và không được tiếp xúc bên ngoài Do đó, việc sử dụng thiết bị đã được thi công sẵn và có sẵn trên thị trường với giá hợp lý giúp tiết kiệm thời gian thi công và đảm bảo an toàn cho người sử dụng.
Hệ thống bao gồm hai nguồn điện khác nhau: một nguồn sử dụng Adapter để cung cấp năng lượng cho bộ xử lý trung tâm (PC), trong khi nguồn còn lại là nguồn tổ ong được cấp từ dòng 220V Nguồn này có khả năng phân chia để cung cấp năng lượng cho băng tải và cung cấp 5V cho các linh kiện khác trong hệ thống, bao gồm cảm biến và động cơ.
Trong đó, cấu hình của nguồn tổ ong là như sau:
Hình 5.13: Nguồn tổ ong Mean Well [24]
Bảng 5.2: Thông số của nguồn tổ ong Đặc tính Thông số Điện áp đầu vào (V) 120 ~ 370VDC,
85 ~ 264VAC Điện áp đầu ra (V) 5
Để đảm bảo đầu vào chất lượng cho hệ thống, việc lựa chọn webcam là rất quan trọng Nhóm đã quyết định sử dụng webcam Rapoo C280 2K, một thiết bị đáng tin cậy với khả năng cung cấp hình ảnh chất lượng lên đến 2K 1440p, rất thuận tiện cho hệ thống nhận diện.
Bảng 5.3: Thông số kỹ thuật của Webcam Rapoo C280 2K [21]
Hệ điều hành Windows, Mac OS, Android
Cảm biến 4MP CMOS Sensor
Hỗ trợ mã hóa video MJPEG
Loại tiêu cự Lấy nét cố định
Việc lựa chọn nền tảng lập trình điều khiển giữa PLC và vi điều khiển gây ra sự phân vân cho nhóm PLC thường được sử dụng trong các hệ thống nhà máy quy mô lớn nhờ vào khả năng làm việc ổn định và nhiều cổng kết nối, nhưng giá thành cao là một yếu tố quyết định Ngược lại, vi điều khiển, với nhiều loại đa dạng, có đặc điểm nhỏ gọn và linh hoạt, mặc dù không bền bỉ và ổn định bằng PLC, nhưng lại có giá thành thấp và dễ tiếp cận cho sinh viên.
Trong nghiên cứu này, nhóm đã chọn sử dụng Arduino Uno, một loại vi điều khiển phổ biến và dễ sử dụng, được phân phối rộng rãi trên thị trường Arduino Uno được áp dụng cho nhiều nhiệm vụ, bao gồm điều khiển động cơ và thu thập tín hiệu từ các cảm biến, từ đó giúp giao tiếp và truyền dữ liệu về khối trung tâm để xử lý tín hiệu hiệu quả.
Sau đây là một vài cấu hình đặc trưng của dòng vi điều khiển này:
Bảng 5.4: Thông số của Arduino Uno [17]
Vi điều khiển Arduino Uno Điện áp hoạt động 5 VDC (được cấp qua cổng
Tần số hoạt động 16 MHz
Dòng điện tiêu thụ khoảng 30mA
Số chân Digital I/O 14 (6 chân hardware PWM)
Số chân Analog 6 (độ phân giải 10bit) Dòng tối đa trên mỗi chân I/O 30 mA
Dòng ra tối đa (5V) 500 mA
Dòng ra tối đa (3.3V) 50 mA
Bộ nhớ flash 32 KB (ATmega328) với 0.5KB dùng bởi bootloader
• Linh kiện để điều khiển băng tải
Băng tải có nhiệm vụ chính là di chuyển các đối tượng để hệ thống tiến hành phân loại Để chọn động cơ và loại băng tải, các thông số tính toán đã được trình bày ở mục 5.1 Để điều khiển băng tải từ vi điều khiển Arduino, cần một công tắc có khả năng đóng ngắt dòng điện 220V cấp cho băng tải, và trong đề tài này, nhóm đã sử dụng relay để thực hiện nhiệm vụ đó.
Relay hoạt động như một công tắc điện, cho phép điều khiển dòng điện cho động cơ băng tải, từ đó khởi động hoặc dừng băng tải theo chương trình điều khiển Mô-đun này bao gồm một relay có thể hoạt động với điện áp 5VDC và 12VDC, đồng thời có khả năng chịu được điện áp cao.
43 áp lên đến 250VAC và dòng điện 10A Mô-đun relay 1 kênh được thiết kế với có khả năng cách điện tốt, chắc chắn và gọn gàng
Sau đây là một vài thông số của mô-đun relay này:
- Điện áp vào: 12VDC hay 5VDC
- Điện thế đóng ngắt tối đa: Khoảng 10A
- Mô-đun relay được trang bị đèn báo cho việc đóng ngắt
- Kích thước: 5.0 cm x 2.6 cm x 1.9 cm
Nhiệm vụ chính của khối là điều khiển tay gạt để đưa đối tượng về vị trí đúng Nhóm đã quyết định sử dụng mini servo MG995, loại servo dễ sử dụng, phổ biến và có giá thành thấp, đáp ứng tốt yêu cầu của hệ thống Thông số kỹ thuật của động cơ này đã được liệt kê trong phần tính toán chọn động cơ trước đó.
Hệ thống nghiên cứu và học tập này sử dụng cảm biến hồng ngoại E18-D080NK, một sản phẩm chất lượng cao từ OMDHON, nổi bật với độ bền và ổn định Cảm biến này có khả năng điều chỉnh khoảng cách chính xác từ 3 đến 80 cm và được trang bị thấu kính hồng ngoại tốt Nguyên lý hoạt động của cảm biến hồng ngoại là phát ra tín hiệu, và khi có vật thể chắn, nó sẽ trả về giá trị 1 hoặc 0 tùy thuộc vào loại cảm biến.
Hình 5.18: Cảm biến hồng ngoại E18-D080NK [26]
Thông số kỹ thuật của cảm biến:
- Dây tín hiệu: 3 dây (Đen, xanh, nâu)
- Chân tín hiệu ngõ ra: cấu trúc cực thu hở Transistor NPN nên chúng ta có thể tùy biến được điệ áp ngõ ra
- Chất liệu sản phẩm: chủ yếu là nhựa ABS
- Màu Nâu (Brown): Cấp nguồn 5V(VCC)
- Màu Đen (Black): Chân tín hiệu của cảm biến
- Xanh Dương (Blue): Chân nối đất (GND)
Cuối cùng, nhóm đã hoàn thành thiết kế giao diện giám sát hệ thống bằng ngôn ngữ C#, bao gồm các nút nhấn và dữ liệu của hệ thống Để sử dụng, người dùng cần đăng nhập vào hệ thống, và nhóm đã xây dựng một cơ sở dữ liệu chứa thông tin đăng nhập Khi người dùng nhập đúng tài khoản, họ sẽ truy cập được giao diện điều khiển của hệ thống.
Hình 5.19: Giao diện đăng nhập của hệ thống
Hình 5.20: Giao diện điều khiển ban đầu của hệ thống
Tiếp theo, người dùng phải kết nối với Arduino thông qua việc lựa chọn cổng COM và Baudrate
Hình 5.21: Giao diện khi kết nối với Arduino
Sau khi kết nối với Arduino, người dùng có khả năng điều khiển băng tải và cần gạt, cũng như theo dõi quá trình nhận diện của hệ thống Mỗi khi hệ thống phân loại thành công, số lượng sản phẩm của từng loại sẽ được cập nhật trên giao diện.
Hình 5.22: Giao diện khi có sản phẩm đi qua Webcam
XÂY DỰNG MÔ HÌNH HUẤN LUYỆN SỬ DỤNG THUẬT TOÁN YOLOV8
Xây dựng tập huấn luyện cho bài toán
6.1.1 Chuẩn bị dữ liệu huấn luyện
Bước 1: Chuẩn bị tập dữ liệu hình ảnh và tệp nhãn chứa thông tin về vị trí và lớp của đối tượng trong ảnh
Dữ liệu thu thập được bao gồm 10.467 hình ảnh và 10.467 tệp nhãn tương ứng, được phân chia thành 3 lớp: 3.454 hình ảnh chai nhựa (Plastic), 3.588 hình ảnh lon nước (Metal) và 3.425 hình ảnh chai thủy tinh (Glass).
Chia sẻ dữ liệu hình ảnh và tệp nhãn vào thư mục huấn luyện (train) và thư mục kiểm định (validation) theo tỷ lệ 80% cho huấn luyện và 20% cho kiểm định, tương ứng với 8,386 hình ảnh cho tập huấn luyện và 2,081 hình ảnh cho tập kiểm định.
Hình 6.1: Chia tập dữ liệu bằng Roboflow
Hình ảnh minh họa cho việc chia tập dữ liệu và nhãn, do ứng dụng không thể lưu trữ cùng lúc hơn 10 nghìn hình Tập dữ liệu được chia thành hai phần theo tỉ lệ 80% / 20%, sau đó gộp lại thành một tập duy nhất Các ảnh có đầu vào mặc định là 640x640 pixels.
Bước 2: Tải thư mục tập dữ liệu lên Google Drive
Sau khi chuẩn bị đầy đủ dữ liệu huấn luyện, hãy nén thư mục tập huấn luyện và tập kiểm định trước khi tải lên Google Drive để tiến hành huấn luyện mô hình nhanh chóng.
6.1.2 Thiết lập mạng YOLO để huấn luyện
Bước 1: Cài đặt YOLO trên Google Colab
Để cài đặt các gói cần thiết cho việc chạy lệnh YOLOv8 trên Colab, bạn chỉ cần sử dụng lệnh sau: `!git clone https://github.com/ultralytics/ultralytics`.
- Để cài đặt các tệp phiên bản của ngôn ngữ, môi trường để chạy YOLOv8 trên Colab, ta sử dụng câu lệnh: !pip install ultralytics
Hình 6.2: Câu lệnh cài đặt YOLOv8 trên Google Colab
- Cài đặt tệp trọng số của mô hình YOLOv8:
Dưới đây là bảng các thông số của 5 tệp trọng số phiên bản n, s, m, l, x:
Bảng 6.1: Thông số của từng tệp trọng số [16]
Các thông số cần quan tâm để chọn tệp trọng số cho đề tài này:
- mAP val 50-95: Là một chỉ số đánh giá hiệu suất của mô hình nhận dạng đối tượng
- Speed CPU ONNX (ms), Speed A100 TensorRT (ms): Là thời gian xử lý trên mỗi dữ liệu hình ảnh, chạy trên các phần cứng khác nhau
- Params (M): Số lượng tham số trong mô hình Trong bản YOLOv8m có giá trị tham số = 25.9 triệu tham số
FLOPS, or Floating-point Operations Per Second, is a key metric used to measure the complexity of algorithms and models, particularly in neural networks It indicates the speed at which a system can perform a specified number of operations per second, with the unit of measurement being billions of operations.
Theo bảng so sánh, YOLOv8n có tốc độ xử lý nhanh nhất nhưng độ chính xác thấp hơn Trong khi đó, YOLOv8x xử lý chậm hơn nhưng mang lại độ chính xác cao Để đạt được sự cân bằng giữa khả năng nhận diện và tốc độ xử lý gần thời gian thực, tệp trọng số YOLOv8m là lựa chọn tối ưu cho hệ thống phân loại rác thải với độ chính xác khá cao và không chênh lệch nhiều.
55 so với tệp trọng số YOLOv8x Hơn nữa, tham số và các phép toán không quá cao, đảm bảo tốc độ xử lý mô hình rất ổn
Bước 2: Chỉnh sửa tệp cấu hình YOLOv8
Trong tệp cấu hình, bạn cần điều chỉnh đường dẫn đến các tập dữ liệu lưu trữ trên Google Drive và chỉnh sửa các thông số cho 3 lớp đối tượng: Plastic, Metal và Glass Bên cạnh đó, tệp cấu hình cũng cho phép thiết lập kích thước ảnh đầu vào, thông số học, tốc độ học, thuật toán tối ưu và các thông số khác.
Huấn luyện mô hình YOLOv8 và đánh giá mô hình
6.2.1 Huấn luyện mô hình YOLOv8
Sử dụng các tệp dữ liệu, tệp trọng số và tệp cấu hình đã chuẩn bị để huấn luyện mô hình với các câu lệnh YOLOv8 đã cài đặt trước đó.
- Mô hình được huấn luyện lần đầu tiên với 20 epochs
Hình 6.3: Thông số của YOLOv8m Bước 2: Theo dõi, đánh giá và lựa chọn mô hình tốt nhất cho hệ thống
- Dưới đây là một số hình ảnh trong quá trình huấn luyện:
Hình 6.4: Train_batch khi huấn luyện mô hình
Hình 6.5: Train_batch khi huấn luyện mô hình
Hình 6.6: Train_batch khi huấn luyện mô hình
Sau khi kết thúc huấn luyện, mô hình có 2 tệp trọng số bao gồm: best.pt và last.pt
Tệp best.pt lưu trữ trọng số tốt nhất của mô hình YOLO trong quá trình huấn luyện, đảm bảo hiệu suất cao nhất trên tập dữ liệu kiểm tra Sau mỗi epoch huấn luyện, tệp này sẽ được cập nhật với trọng số mới Best.pt thường được sử dụng để kiểm tra, đánh giá mô hình và triển khai trong thực tế.
Tệp last.pt lưu trữ trọng số cuối cùng của mô hình YOLO sau khi hoàn tất quá trình huấn luyện hoặc khi quá trình này bị dừng lại Điều này cho thấy tệp này đại diện cho phiên bản mới nhất của mô hình, không phải là phiên bản có hiệu suất tối ưu nhất trên tập dữ liệu kiểm tra Tệp last.pt thường được sử dụng để tiếp tục huấn luyện mô hình.
Hình 6.7: Kết quả nhận diện với 20 epochs
Hình 6.8: Kết quả nhận diện với 20 epochs
Kết quả kiểm tra cho thấy mô hình vẫn chưa đạt độ chính xác cao và có sự nhầm lẫn trong nhận diện Để cải thiện tình hình, nhóm đã tiến hành huấn luyện lại với nhiều epochs khác nhau nhằm nâng cao độ chính xác và khả năng nhận diện đối tượng Tổng cộng, mô hình đã được huấn luyện qua 80 epochs.
Hình 6.9: Kết quả của mô hình YOLOv8m trên 80 epochs
Các đồ thị trong hình cho thấy sự ổn định sau nửa quá trình huấn luyện, với các thông số đạt ngưỡng nhất định Mặc dù đồ thị có vẻ không ổn định, nhưng sự thay đổi chỉ một vài đơn vị không ảnh hưởng nhiều đến mô hình, nhờ vào giá trị không chênh lệch quá lớn.
Hình 6.10: Confusion Matrix của mô hình
Ma trận nhầm lẫn cung cấp thông tin chi tiết về sự nhầm lẫn giữa các lớp đối tượng, giúp đánh giá hiệu suất của mô hình YOLO thông qua các chỉ số như độ chính xác, độ phủ, và độ chính xác dự đoán.
- Mô hình của chúng ta có mức độ nhận diện nhầm lẫn tương đối thấp, trong đó lớp Glass có mức độ nhầm lẫn với nền (background) cao nhất
Dưới đây là kết quả đánh giá dựa trên hình ảnh và video, trong đó một số hình ảnh đã được kiểm tra trước đó để so sánh độ chính xác.
Hình 6.11: Kết quả nhận diện với 80 epochs
Hình 6.12: Kết quả nhận diện với 80 epochs (được cắt từ video)
Hình 6.13: Kết quả nhận diện với 80 epochs
Hình 6.14: Kết quả nhận diện với 80 epochs Kết luận: Độ chính xác đã được cải thiện nhiều khi tăng số epochs được huấn luyện lên
Số lượng epochs trong quá trình huấn luyện mô hình phụ thuộc vào độ phức tạp của bài toán, kích thước dữ liệu huấn luyện và tài nguyên tính toán có sẵn Việc chọn số lượng epochs quá cao có thể dẫn đến hiện tượng quá khớp (overfitting), khiến mô hình chỉ quen thuộc với dữ liệu cũ và không thể tổng quát hóa để nhận diện dữ liệu mới.
THỰC NGHIỆM ĐÁNH GIÁ
Thi công mô hình cơ khí và hệ thống điện
Dựa trên bản vẽ 3D SolidWorks và các tính toán được thực hiện ở chương 5, nhóm đã từng bước hoàn thiện và lắp đặt các thành phần cơ khí Dưới đây là một số hình ảnh của máy từ nhiều góc nhìn khác nhau.
Hình 7.1: Ảnh thực tế của máy nhìn từ phía sau
Hình 7.2: Ảnh thực tế của máy nhìn từ bên phải
Hình 7.3: Ảnh thực tế của máy nhìn từ phía trước
Trong một hệ thống điện, an toàn là yếu tố hàng đầu cần được chú trọng Việc lắp đặt và đi dây điện cần được thực hiện cẩn thận để đảm bảo không xảy ra hiện tượng rò rỉ điện, bảo vệ người giám sát khỏi những nguy cơ tiềm ẩn.
Hình 7.4: Ảnh thực tế tủ điện
Hình 7.5: Hình ảnh chi tiết bên trong tủ điện
Hình 7.6: Ảnh thực tế của cảm biến và cần gạt
Các linh kiện và cơ cấu được lắp đặt một cách gọn gàng và an toàn Dưới đây là bảng liệt kê các linh kiện được sử dụng trong hệ thống.
Bảng 7.1: Số lượng các thiết bị sử dụng trong hệ thống
STT Tên thiết bị Số lượng
3 Động cơ giảm tốc DC 1
Kết quả thực nghiệm, đánh giá
- Hệ thống có thể điều khiển được bằng giao diện: Bật/tắt băng tải, điều khiển cần gạt ra/vào
- Số lượng đối tượng thực tế nhận diện trong một phút: 30 đối tượng/phút
- Thực nghiệm với hệ thống 3 lần, mỗi lần thực hiện 10 đối tượng/lớp:
Bảng 7.2: Bảng thực nghiệm hệ thống
Số lần phát hiện đúng Độ chính xác Số lần phát hiện đúng Độ chính xác Số lần phát hiện đúng Độ chính xác
Sau ba lần thực nghiệm, độ chính xác của các lớp được ghi nhận như sau: Plastic 26/30 đạt 86,67%, Metal 30/30 đạt 100%, và Glass 24/30 đạt 80% Mô hình chưa đạt kết quả tốt nhất ở lớp Plastic và Glass, một phần do dữ liệu huấn luyện của hai lớp này có màu trắng (trong suốt), gây nhầm lẫn trong quá trình nhận diện Thêm vào đó, tốc độ xử lý của PC bị hạn chế do sử dụng GPU không mạnh, chỉ đạt khoảng 15-20 khung hình/s, dẫn đến khả năng nhận diện hình ảnh còn sai sót.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Hệ thống này đã được thiết kế và hoàn thiện ở mức cơ bản, nhưng vẫn đóng góp một phần quan trọng vào sự phát triển của các hệ thống phân loại, mang lại nhiều lợi ích cho con người cũng như cho các lĩnh vực khác như kinh tế và môi trường.
Trong quá trình thực hiện đề tài, dựa vào nhiệm vụ của đồ án được giao, nhóm đã hoàn thành những công việc sau:
- Tìm hiểu về đặc tính của các loại rác tái chế
- Sử dụng Solidworks để thiết kế mô hình
- Tính toán cơ khí để chọn được các động cơ, trang thiết bị phù hợp cho hệ thống
- Thiết kế được giao diện của hệ thống bằng phần mềm C# Winsform
- Thiết kế hệ thống điện, lắp đặt và hoàn thiện sản phẩm
- Chạy thực nghiệm và đánh giá
Ngoài những điều đã đạt được liệt kê ở trên, đề tài vẫn còn những thiếu sót tồn động, có thể liệt kê ra một vài điểm như sau:
- Khả năng nhận diện của hệ thống có độ chính xác không quá cao Hệ thống thường hay bị nhầm lẫn giữa thủy tinh và nhựa
- Cơ cấu cần gạt còn khá yếu, nếu như vật thể có khối lượng lớn hơn 500g sẽ gây khó khăn cho hệ thống
- Năng suất vẫn còn thấp
Sau khi hoàn thành quá trình thi công và nhận diện các hạn chế của đề tài, nhóm đã đề xuất những định hướng phát triển cho hệ thống nhằm xây dựng một hệ thống đáng tin cậy và ổn định.
Nghiên cứu và phát triển hệ thống cấp phôi tự động giúp tự động hóa hoàn toàn quy trình, giảm thiểu các yếu tố độc hại đối với con người.
- Sử dụng Jetson Nano thay thế PC
- Sử dụng PLC thay cho Arduino để công nghiệp hóa hệ thống
Thay đổi hệ thống cần gạt bằng cách thay thế động cơ Servo bằng một phiên bản có công suất cao hơn sẽ làm tăng cường sức mạnh cho hệ thống.
- Sử dụng dữ liệu có độ tin cậy cao để huấn luyện mô hình giúp tăng độ chính xác khi nhận diện
- Tăng tốc độ băng tải để giúp tăng năng suất của hệ thống
Trần Văn Tuấn và Phạm Văn Long, dưới sự hướng dẫn của PGS.TS Nguyễn Thanh Hải, đã thực hiện thiết kế và thi công hệ thống phân loại sản phẩm bút chì theo màu sắc trong khuôn khổ luận văn tốt nghiệp kỹ sư tại Đại học Sư phạm Kỹ thuật TP.HCM, năm học 2019-2020.
[2] Phạm Lê Hồng Hoa, Lê Viết Hoàng, hướng dẫn bởi TS Vũ Quang Huy, Ứng Dụng
Thuật Toán CNN Và Xử Lý Ảnh Phát Triển Hệ Thống Phân Loại Quýt Đường, LVTN Kỹ Sư, ĐH SPKT TP.HCM, 2021-2022
[3] Trịnh Chất, Lê Văn Uyển (2010), Tính Toán Thiết Kế Hệ Dẫn Động Cơ Khí - tập 1,
Nhà Xuất Bản Giáo Dục Việt Nam
[4] Bùi Đình Tiếu (2010), Giáo trình truyền động điện, Nhà xuất bản giáo dục
[5] Vương Thành Tiên (2013), Giáo trình CƠ KỸ THUẬT, Nhà xuất bản đại học quốc gia
[6] Nguyễn Hữu Lộc (2013), Giáo trình Cơ sở thiết kế máy, NXB Đại học Quốc Gia
[7] Zenrobotics Ltd, Zenrobotics Recycler TECHNICAL DATA 2016
[8] Waste Robotics, WR-3 RECLYCLABLES, 12 April 2022
[9] Kevin P Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012
[10] Trọng Nhân, Máy phân loại rác thải ‘made by’ sinh viên, tuoitre, link https://bitly2s.com/0ra8e2
[11] Quang Sơn, Máy phân loại rác thải của nhóm sinh viên CĐ Công Nghệ Hà Tĩnh,
Khoa học công nghệ 2020, Vietnamnet, link https://bitly2s.com/lfpz21
[12] Lê Viết Hòe, Rác tái chế là gì? Cách xử lý các loại rác tái chế, hanhtinhxanh, link https://bitly2s.com/715aht
[13] Amazon, Python là gì, link https://aws.amazon.com/vi /what-is/python/
[14] Nguyễn Vũ Diện, Ngôn ngữ lập trình Arduino là gì? Vì sao ngôn ngữ này được sử dụng phổ biến, muaban.net, link https://bitly2s.com/sem03l
[15] PLCTECH, Winforms là gì? Có nên học Winforms không?, link https://plctech.com.vn/winform-la-gi/
[16] Arduinovn, Arduino Uno R3 là gì?, link http://arduino.vn/bai-viet/42-arduino-uno-r3- la-gi, 2014
[17] Ultralytics, Ultralytics YOLOv8 Docs, link https://docs.ultralytics.com/, 12/2022
[18] Glenn Jocher, Sergiu Waxmann, Ayush Chaurasia, Detect, link https://docs.ultralytics.com/tasks/detect/, 3/2023
[19] Dolin, Cách lựa chọn động cơ điện cho băng tải hợp lý nhất, link https://bitly2s.com/gzr7zw, 6/2023
[20] Nguyễn Văn Dự, Hướng dẫn tính toán băng tải, link https://bitly2s.com/at4bi9,
[21] Gearvn, Webcam Rapoo C280 2K 1440p, link https://bitly2s.com/0djwwy, 6/2023
[22] Bangtaibinhminh, MOTOR GIẢM TỐC HOULE, link https://bitly2s.com/qocg3u,
[23] Vanito Hoang, Học máy có giám sát và học máy không giám sát, link https://bitly2s.com/boumke, 6/2023
[24] Dailymeanwell, RS-15 series, https://bitly2s.com/ysmfms, 6/2023
[25] Icdayroi, Module 1 relay 5V kích mức cao, link https://bitly2s.com/u324j6, 6/2023
[26] Hshop, Cảm Biến Vật Cản Hồng Ngoại OMDHON E18-D80NK Adjustable IR
Infrared Proximity Sensor, https://bitly2s.com/opatz3, 6/2023
[27] Unicloud, Arduino – Truyền thông nối tiếp – Serial, link https://bitly2s.com/jcc8uq,
[28] Unicloud, Arduino – Giao tiếp I2C, link https://bitly2s.com/m46g1s, 6/2023
[29] Ultralytics, Ultralytics YOLOv8, link https://github.com/ultralytics/ultralytics, 7/2023
[30] Daco, TRÍ TUỆ NHÂN TẠO (AI) LÀ GÌ? LỢI ÍCH, ỨNG DỤNG CỦA CÔNG
NGHỆ AI TRONG SẢN XUẤT VÀ CUỘC SỐNG, link https://bitly2s.com/lmohut,
[31] Training.seer.cancer, Nerve Tissue, link https://bitly2s.com/k8espt, 7/2023
[32] Elcom, Máy học (Machine Learning) là gì? Ứng dụng công nghệ máy học trong thực tiễn, link https://bitly2s.com/0i8tpe, 7/2023
[33] Codelearn, Reinforcement Learning - Khai Thác Và Khám Phá, link https://bitly2s.com/919ygh, 7/2023
[34] Daotaotester, Deep Learning là gì? Ứng dụng của Deep learning, link https://bitly2s.com/xqutde, 7/2023
[35] Marktechpost, Top Neural Network Architectures For Machine Learning
Researchers, link https://bitly2s.com/rg350l, 7/2023
[36] V7labs, YOLO: Algorithm for Object Detection Explained [+Examples],, link https://bitly2s.com/lr98uy, 8/2023
[37] Bangtaihang, DUNG SAI VÀ ĐO LƯỜNG CƠ KHÍ, https://bitly2s.com/3t9psf,
HƯỚNG DẪN SỬ DỤNG MÁY PHÂN LOẠI RÁC TÁI CHẾ
Bước 1: Cắm các cáp kết nối Arduino vào máy tính
Bước 2: lấy địa chỉ IPV4 của mạng máy tính và thay thế vào đoạn mã gán địa chỉ IP Socket ở hai phần mền C# và Python
Bước 3: Chạy mã code ở phần mềm C# Windows Form trong nền tảng Microsoft Visual Studio bằng cách nhấn nút Start
Để đăng nhập vào hệ thống, người dùng cần sử dụng tài khoản hợp lệ khi giao diện đăng nhập xuất hiện Chương trình sẽ tiếp tục chờ tín hiệu từ Python thông qua giao thức Socket.
Bước 5: Sau đó chạy mã code Python ở nền tẳng Visual Studio Code bằng cách nhấn nút Run
Code Khi đó, giao thức Socket giao tiếp giữa hai phần mền sẽ được khởi tạo Và giao diện điều khiển sẽ hiện lên
Bước 6: Khi giao diện xuất hiện, người dùng cần chọn cổng COM và Baudrate phù hợp để Arduino có thể giao tiếp với hệ thống Sau đó, nhấn nút Connect để thực hiện kết nối.
Sau khi kết nối thành công, người dùng có thể điều khiển hệ thống thông qua các nút trên giao diện Hệ thống sẽ tự động nhận diện và phân loại các đối tượng được cấp vào băng tải.
BẢNG TRA THÔNG SỐ XÍCH
Bản vẽ lắp Tỉ lệ: 1:10 1 Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử Khoa đào tạo chất lượng cao Trường ĐH Sư Phạm Kỹ Thuật Số lượng: Tờ:
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ
Số lượng các mặt hàng bao gồm: 1 GIA DO DONG CO, 1 CAN GAT, và 1 servo Đây là các thiết bị quan trọng trong ngành Công Nghệ Kỹ Thuật Cơ Điện Tử, thuộc Khoa đào tạo chất lượng cao của Trường ĐH Sư Phạm Kỹ Thuật.
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ
2 1 3 4 Bản vẽ phân rã cụm thân băng tải
Danh sách vật tư bao gồm: 2 thân, 1 bát xylanh, 6 bát chân và 6 bulong M16x50 Đây là các linh kiện thuộc ngành Công Nghệ Kỹ Thuật Cơ Điện Tử tại Khoa đào tạo chất lượng cao của Trường ĐH Sư Phạm Kỹ Thuật.
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ
4 5 2 1 3 BAN VE LAP CUM WEBCAM
Số lượng linh kiện cần thiết cho dự án bao gồm: 2 thanh nhôm dài 20cm, 1 thanh nhôm dài 30cm, 2 ke góc nhôm, 1 giá đỡ webcam và 1 webcam Rapoo Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử tại Trường ĐH Sư Phạm Kỹ Thuật cam kết cung cấp chương trình đào tạo chất lượng cao.
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ
Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử Khoa đào tạo chất lượng cao Trường ĐH Sư Phạm Kỹ Thuật Số lượng: Tờ: 5
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ Hộp trượt
Yêu cầu kỹ thuật: Làm cùn cạnh sắc Dung sai là 0.5 mm
Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử Khoa đào tạo chất lượng cao Trường ĐH Sư Phạm Kỹ Thuật Số lượng: Tờ: 5
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ Tỉ lệ: 1:2
Yêu cầu kỹ thuật: Dung sai là 0.5 mm
Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử Khoa đào tạo chất lượng cao Trường ĐH Sư Phạm Kỹ Thuật Số lượng: Tờ: 7
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Chức năng Họ Và Tên HỆ THỐNG PHÂN LOẠI RÁC TÁI CHẾ ỨNG DỤNG AI VÀ XỬ LÝ ẢNH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠ ĐIỆN TỬ Bát chân
Yêu cầu kỹ thuật: Dung sai là 0.5 mm
Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử Khoa đào tạo chất lượng cao Trường ĐH Sư Phạm Kỹ Thuật Số lượng: Tờ: 9
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn
Hệ thống phân loại rác tái chế ứng dụng AI và xử lý ảnh là một công nghệ tiên tiến, nhằm nâng cao hiệu quả trong việc phân loại rác thải Chức năng chính của hệ thống này là nhận diện và phân loại các loại rác tái chế dựa trên hình ảnh, giúp giảm thiểu ô nhiễm môi trường Đồ án tốt nghiệp ngành cơ điện tử này không chỉ thể hiện sự sáng tạo mà còn đáp ứng nhu cầu cấp thiết trong việc bảo vệ môi trường.
Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử tại Trường ĐH Sư Phạm Kỹ Thuật cung cấp chương trình đào tạo chất lượng cao, đáp ứng nhu cầu ngày càng tăng của thị trường lao động Đội ngũ giảng viên gồm những chuyên gia giàu kinh nghiệm như Ký Đặng Trí Dũng và Hoàng Đức Hòa, cam kết mang đến kiến thức và kỹ năng cần thiết cho sinh viên Chương trình học được thiết kế khoa học, giúp sinh viên phát triển toàn diện và sẵn sàng cho những thách thức trong lĩnh vực cơ điện tử.
Hệ thống phân loại rác tái chế ứng dụng AI và xử lý ảnh là một đề tài tốt nghiệp ngành cơ điện tử, với chức năng chính là xác định và phân loại các loại rác thải Dự án này nhằm nâng cao hiệu quả trong việc tái chế, góp phần bảo vệ môi trường và phát triển bền vững Sử dụng công nghệ AI, hệ thống có khả năng nhận diện và phân loại rác một cách nhanh chóng và chính xác, đáp ứng nhu cầu ngày càng cao trong quản lý chất thải.
Yêu cầu kỹ thuật: Làm tù cạnh Dung sai là 0.5 mm
Ngành Công Nghệ Kỹ Thuật Cơ Điện Tử Khoa đào tạo chất lượng cao Trường ĐH Sư Phạm Kỹ Thuật Số lượng: Tờ: 11
Khối lượng: Ký Đặng Trí Dũng Đặng Trí Dũng Hoàng Đức Hòa Kiểm tra T.Kế H.Dẫn