GIỚI THIỆU TỔNG QUAN
Tính cấp thiết của đề tài
Đề tài “Phân loại cà chua dựa vào màu sắc và khối lượng” đang trở nên ngày càng quan trọng trong bối cảnh hiện nay, đặc biệt trong lĩnh vực nông nghiệp công nghệ cao, đáp ứng nhu cầu ngày càng tăng của thị trường về chất lượng sản phẩm nông nghiệp.
Cà chua là một loại trái cây quan trọng và phổ biến trên toàn cầu, nhưng để đảm bảo chất lượng từ thu hoạch đến tay người tiêu dùng, cần có quy trình phân loại chính xác và hiệu quả Những quả cà chua không chín đúng mức, quá chín, hoặc có màu sắc và khối lượng không phù hợp có thể ảnh hưởng đến chất lượng tổng thể và giá trị thương mại của sản phẩm.
Việc ứng dụng công nghệ trong phân loại không chỉ nâng cao hiệu suất mà còn cải thiện độ chính xác Nhờ vào công nghệ và dữ liệu lớn, chúng ta có thể đạt được mức độ phân loại chính xác cao hơn so với phương pháp thủ công, từ đó tối ưu hóa quy trình sản xuất và đảm bảo chất lượng sản phẩm.
Với sự phát triển của công nghệ 4.0 và xu hướng hiện đại hóa nông nghiệp, nghiên cứu và phát triển các phương pháp phân loại tự động và chính xác trở nên cần thiết Điều này không chỉ cải thiện quy trình sản xuất, nâng cao năng suất và chất lượng sản phẩm mà còn hỗ trợ quản lý, kiểm soát chất lượng và giảm thiểu rủi ro trong sản xuất nông nghiệp Do đó, việc phân loại cà chua dựa vào màu sắc và khối lượng là rất quan trọng trong bối cảnh hiện nay.
Ý nghĩa khoa học và thực tiễn của đề tài
1.2.1 Ý nghĩa khoa học của đề tài Đề tài mang ý nghĩa khoa học quan trọng trong việc nghiên cứu và ứng dụng trong lĩnh vực nông nghiệp, công nghệ tự động hóa và khoa học dữ liệu Phân loại chính xác cà chua theo màu sắc và khối lượng cung cấp nền tảng cho việc xây dựng các phương pháp tự động và các mô hình học máy để đánh giá chất lượng sản phẩm và thuộc tính của sản phẩm nông nghiệp này n Đầu tiên, là cơ sở để cung cấp cho nghiên cứu và phát triển phương pháp phân loại tự động trong lĩnh vực nông nghiệp và công nghệ tự động hóa Việc xây dựng các thuật toán và mô hình máy học để phân loại và đánh giá cà chua dựa trên các đặc điểm màu sắc và khối lượng đóng góp vào việc phát triển công nghệ tự động hóa thông minh và nhận dạng hình ảnh trong nông nghiệp
Đánh giá chất lượng và thuộc tính của cà chua một cách khách quan và đáng tin cậy là rất quan trọng Màu sắc và khối lượng của cà chua là những thông số chính thể hiện độ chín, chất lượng và giá trị dinh dưỡng Phân loại chính xác giúp đảm bảo sự nhất quán và đồng đều trong chất lượng sản phẩm, từ đó tạo lòng tin cho người tiêu dùng và đảm bảo an toàn thực phẩm.
Cung cấp thông tin quan trọng về quản lý nguồn cung cấp và kiểm soát chất lượng là rất cần thiết Các thông số này hỗ trợ trong việc lập kế hoạch sản xuất, đảm bảo đáp ứng tiêu chuẩn chất lượng và quy trình sản xuất Phân loại chính xác giúp tối ưu hóa quy trình sản xuất, tiết kiệm chi phí và nâng cao năng suất.
Đề tài phân loại cà chua theo màu sắc và khối lượng có ý nghĩa khoa học quan trọng trong nông nghiệp, công nghệ tự động hóa và khoa học dữ liệu Nghiên cứu này không chỉ góp phần phát triển công nghệ tự động hóa thông minh và nhận dạng hình ảnh mà còn hỗ trợ quản lý chất lượng, nghiên cứu công nghệ thực phẩm và phát triển sản phẩm nông nghiệp chất lượng cao.
1.2.2 Ý nghĩa thực tiễn của đề tài Đề tài “Phân loại cà chua dựa vào màu sắc và khối lượng” mang lại nhiều lợi ích thực tiễn, đặc biệt trong lĩnh vực tự động hóa trong nông nghiệp Những hệ thống tự động phân loại cà chua có thể giúp tăng cường hiệu suất và chất lượng thu hoạch, đồng thời giảm thiểu rủi ro về sức khỏe và an toàn lao động do các hoạt động thu hoạch thủ công Với mô hình phân loại này, người nông dân có thể đảm bảo rằng chỉ những quả cà chua chín đúng mức, có màu sắc và khối lượng phù hợp mới được chọn
Từ đó vừa giúp nâng cao chất lượng sản phẩm, mà còn giúp cải thiện giá trị thương mại của cà chua
Phân loại cà chua theo màu sắc và khối lượng mang lại lợi ích cho nông dân và cải thiện chất lượng cuộc sống của người thu hoạch, đồng thời thúc đẩy sự phát triển bền vững trong ngành nông nghiệp hiện đại.
Mục tiêu nghiên cứu của đề tài
Dựa trên khảo sát và đánh giá nhu cầu thực tế liên quan đến phân loại cà chua, nhóm chúng em đã xác định một số mục tiêu chính cho đề tài này.
Bảng 1.1 Tiêu chí phân loại
Phân loại Màu sắc Khối lượng
Loại 3 Vàng Không quan tâm
Loại 4 Xanh Không quan tâm
Dựa vào Bảng 1.1 tiêu chí phân loại mục tiêu của nhóm em là quan tâm đến việc phân loại cà chua loại 1 và loại 2
Dựa trên tiêu chí đã đề ra, nhóm chúng em tiến hành thiết kế, tính toán và xây dựng mô hình cơ khí Đồng thời, chúng em cũng xây dựng hệ thống điện điều khiển phù hợp với các tiêu chí này.
Xây dựng một hệ thống giám sát từ xa thông qua Web Server sẽ giúp việc giám sát trở nên dễ dàng hơn và tiết kiệm thời gian.
Đối tượng và phạm vi của đề tài
1.4.1 Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài là sự kết hợp giữa quả cà chua và công nghệ phân loại Đầu tiên, quả cà chua, với sự thay đổi màu sắc từ xanh khi non tới đỏ khi chín, đóng vai trò quan trọng trong nghiên cứu này Việc đánh giá và phân loại sự biến đổi màu sắc, từ việc xác định các mức độ màu sắc khác nhau tương ứng với từng giai đoạn chín, đến việc tìm hiểu mối liên hệ màu sắc và chất lượng cà chua, là mục tiêu chính Đồng thời, khối lượng của cà chua, thay đổi từ lúc non tới khi chín, cũng là đối tượng của nghiên cứu Xác định mối quan hệ giữa khối lượng và chất lượng cà chua, cũng như các biến đổi khối lượng phổ biến trong quá trình chín của cà chua, là những điểm quan trọng được nghiên cứu
Phần thứ hai của nghiên cứu tập trung vào công nghệ phân loại, bao gồm việc phát triển các công nghệ nhận dạng màu sắc thông qua phần cứng như máy ảnh số và phần mềm với các thuật toán nhận dạng màu sắc Ngoài ra, công nghệ đo khối lượng, kết hợp giữa cân điện tử, loadcell và phần mềm xử lý dữ liệu khối lượng, cũng đóng vai trò quan trọng Cuối cùng, việc phát triển và tùy chỉnh các thuật toán phân loại dựa trên màu sắc và khối lượng là yếu tố không thể thiếu trong nghiên cứu này.
1.4.2 Phạm vi của đề tài
Nghiên cứu cách đo màu sắc cà chua bằng thư viện OpenCV và các thuật toán xử lý ảnh để xác định thông số màu sắc qua hệ thống màu RGB, HSV, nhằm phân loại theo ngưỡng màu sắc Sử dụng mô hình học máy như CNN và YoloV5 để xác định nhóm phân loại của quả cà chua Đồng thời, nghiên cứu các phương pháp đo khối lượng cà chua bằng cân điện tử (loadcell 1kg), kết hợp giữa khối lượng và màu sắc để đưa ra quyết định phân loại chính xác.
Xây dựng một hệ thống hoàn chỉnh để phân loại cà chua bằng cách kết hợp thông tin màu sắc từ xử lý ảnh và khối lượng từ cảm biến loadcell Hệ thống sẽ thiết kế phần cơ khí, giao diện và mạch điều khiển phù hợp để xử lý dữ liệu và đưa ra quyết định phân loại Đồng thời, phát triển một trang web giám sát từ xa sử dụng Firebase để lưu trữ thông tin, giúp đánh giá chất lượng phân loại hiệu quả hơn.
Phương pháp nghiên cứu
Đề tài “Phân loại cà chua dựa vào màu sắc và khối lượng” được xây dựng trên cơ sở phương pháp luận kết hợp nghiên cứu trường hợp, thống kê mô tả và học máy, đồng thời ứng dụng các công nghệ tiên tiến.
Để thực hiện nghiên cứu trường hợp về cà chua, trước tiên cần thu thập một bộ dữ liệu phong phú từ nhiều nguồn như trang trại, vườn cây trồng, chợ địa phương và cửa hàng bách hóa xanh Quá trình này bao gồm việc xây dựng danh mục cà chua đa dạng, ghi nhận chi tiết về màu sắc, khối lượng, độ chín, loại giống và điều kiện trồng Việc đánh giá màu sắc và khối lượng cà chua sẽ giúp làm rõ mối liên hệ giữa chúng với chất lượng, từ đó xác định các tiêu chí phân loại hiệu quả.
Học máy là một công nghệ quan trọng trong việc phân loại cà chua Bằng cách phân tích dữ liệu về màu sắc và khối lượng của quả cà chua, các thuật toán học máy sẽ được áp dụng để xây dựng mô hình dự đoán chất lượng của cà chua Mô hình này sẽ giúp cải thiện quy trình đánh giá và lựa chọn sản phẩm.
Công nghệ đóng vai trò quan trọng trong việc tối ưu hóa quá trình thu thập và xử lý dữ liệu, thông qua việc sử dụng các công cụ nhận dạng màu sắc, thiết bị đo khối lượng chính xác và phần mềm phân tích chuyên dụng Hơn nữa, việc áp dụng công nghệ máy học và trí tuệ nhân tạo sẽ nâng cao độ chính xác và hiệu quả của mô hình phân loại cà chua.
Kết quả từ mô hình phân loại sẽ được so sánh với kết quả thực tế nhằm đánh giá hiệu suất và độ tin cậy của mô hình, từ đó thực hiện các điều chỉnh cần thiết Tất cả các công việc này nhằm mục tiêu phát triển một phương pháp phân loại cà chua hiệu quả, chính xác và tiện lợi.
1.5.2 Các phương pháp nghiên cứu cụ thể Để thực hiện đề tài “Phân loại cà chua dựa vào màu sắc và khối lượng”, nhóm sẽ tiếp cận qua các phương pháp nghiên cứu sau:
Để thu thập dữ liệu về cà chua, cần một tập dữ liệu lớn bao gồm màu sắc và khối lượng của từng quả từ nhiều giai đoạn chín khác nhau, từ xanh đến đỏ chín mọng Màu sắc sẽ được xác định bằng máy quét màu hoặc máy ảnh số, chuyển đổi thành các giá trị RGB hoặc HSV Khối lượng của cà chua sẽ được đo bằng cân điện tử hoặc loadcell có độ chính xác cao.
Phân tích dữ liệu là quá trình xử lý và phân tích dữ liệu thu thập được bằng các phần mềm thống kê và dữ liệu Mục tiêu chính là xác định các mẫu màu sắc và khối lượng liên quan đến các giai đoạn chín cụ thể của cà chua.
Để xây dựng mô hình phân loại cà chua, chúng ta sẽ sử dụng dữ liệu đã được phân tích kết hợp với các thuật toán học máy Quá trình này bao gồm việc chia dữ liệu thành hai tập: tập huấn luyện và tập kiểm thử, nhằm đảm bảo rằng mô hình có khả năng hoạt động hiệu quả trên dữ liệu chưa từng gặp.
Để nâng cao hiệu suất của mô hình, chúng ta cần cải tiến và tinh chỉnh các tham số của thuật toán học máy hoặc thử nghiệm với các thuật toán khác nhằm cải thiện kết quả.
Triển khai và kiểm soát mô hình phân loại là bước quan trọng sau khi mô hình đã được kiểm tra và tinh chỉnh Mô hình có thể được áp dụng để phân loại cà chua trong các nhà máy chế biến thực phẩm hoặc trên các trang trại Đồng thời, việc theo dõi hiệu suất của mô hình và cải tiến nó theo thời gian cũng là một phần thiết yếu trong quá trình này.
1.6 Kết cấu của đồ án tốt nghiệp Ở trong phạm vi tốt nghiệp nhóm chúng em trình bày đồ án tốt nghiệp gồm 8 chương như sau:
Chương 1 của bài viết giới thiệu tổng quan về đề tài nghiên cứu, nhấn mạnh tính cấp thiết và ý nghĩa khoa học cũng như thực tiễn của nó Đồng thời, chương này cũng nêu rõ mục tiêu nghiên cứu, đối tượng nghiên cứu và phương pháp nghiên cứu được áp dụng.
Chương 2 sẽ cung cấp cái nhìn tổng quan về đề tài nghiên cứu, bao gồm giới thiệu đối tượng nghiên cứu và phân tích ảnh hưởng của tự động hóa trong nền công nghiệp hiện đại Bên cạnh đó, chương này cũng sẽ trình bày tình hình nghiên cứu liên quan trong và ngoài nước, nhằm tạo cơ sở cho việc hiểu rõ hơn về vấn đề đang được khảo sát.
Chương 3: Cơ sở lý thuyết sẽ trình bày các khái niệm quan trọng trong xử lý ảnh, giới thiệu về vi điều khiển và hệ thống nhúng, cũng như thuật toán Yolo Ngoài ra, chương này còn đề cập đến lý thuyết giao truyền thông I2C và tổng quan về cơ sở dữ liệu Firebase.
Chương 4: Phương án thiết kế sẽ trình bày các phương án thiết kế bộ truyền, cơ cấu căng đai cho băng tải, cơ cấu cấp phôi, và cơ cấu gạt phôi.
Đặc tính của hệ thống
Hệ thống phân loại cà chua dựa vào màu sắc và khối lượng được thiết kế của nhóm đề ra những tiêu chí như sau:
Hệ thống tự động hóa được thiết kế để phân loại cà chua mà không cần sự can thiệp của con người, giúp tiết kiệm thời gian và công sức lao động, đồng thời giảm thiểu sai sót do yếu tố con người Hệ thống này tiếp nhận cà chua, xác định màu sắc và khối lượng, sau đó phân loại chúng vào các nhóm phù hợp Việc áp dụng hai tiêu chí phân loại, màu sắc và khối lượng, nâng cao độ chính xác và linh hoạt của hệ thống; màu sắc xác định mức độ chín, trong khi khối lượng gợi ý về kích thước và mức độ phát triển của cà chua.
Công nghệ Thị Giác Máy Tính được áp dụng để xác định màu sắc của cà chua bằng cách chụp và phân tích hình ảnh thông qua các thuật toán xử lý ảnh Những thuật toán này có khả năng phân biệt những khác biệt nhỏ nhất trong các tông màu, nâng cao độ chính xác trong việc phân loại sản phẩm.
Cảm biến trọng lượng là thiết bị quan trọng trong việc đo khối lượng cà chua, với độ nhạy cao và khả năng đo chính xác, đảm bảo sai số rất nhỏ.
Hệ thống học máy sử dụng các thuật toán để phân loại cà chua, học từ dữ liệu thu thập được và áp dụng kiến thức đã học để phân loại cà chua mới.
Hệ thống có giao diện người dùng thân thiện, giúp người dùng dễ dàng cài đặt, vận hành và bảo trì Ngoài ra, hệ thống còn cung cấp hướng dẫn chi tiết và hỗ trợ kỹ thuật khi cần thiết.
Kết cấu của hệ thống
Hệ thống “Phân loại cà chua dựa vào màu sắc và khối lượng” có cấu trúc phức tạp với nhiều thành phần phối hợp chặt chẽ nhằm đạt được mục tiêu phân loại hiệu quả.
Hệ thống chụp ảnh và xử lý hình ảnh là phần đầu tiên của quy trình, nơi cà chua được ghi lại bằng máy ảnh Những hình ảnh này sau đó được chuyển đến hệ thống xử lý, nơi các thuật toán Thị Giác Máy Tính sẽ phân tích và xác định màu sắc của cà chua.
Cảm biến trọng lượng được sử dụng để xác định khối lượng cà chua khi chúng di chuyển qua hệ thống, giúp nâng cao hiệu quả quản lý và phân loại sản phẩm.
Hệ thống học máy đóng vai trò quan trọng trong việc phân loại cà chua, nhận dữ liệu về màu sắc và khối lượng từ hai phần trên Nó sử dụng mô hình đã được huấn luyện trước để thực hiện quá trình phân loại hiệu quả.
Hệ thống phân loại vật lý sử dụng kết quả từ hệ thống học máy để di chuyển cà chua vào các hộp hoặc khu vực chứa phù hợp Quá trình phân loại diễn ra một cách liền mạch và nhanh chóng dựa trên thông tin đã được phân tích.
Tình hình nghiên cứu
2.5.1 Tình hình nghiên cứu trong nước
Nghiên cứu "Phân loại cà chua dựa vào màu sắc và khối lượng" đang thu hút sự chú ý của cộng đồng khoa học và kỹ thuật tại Việt Nam Các trung tâm nghiên cứu và trường đại học lớn như Đại học Bách Khoa và Viện Công nghệ cao đã bắt đầu tập trung vào lĩnh vực này.
Nghiên cứu ban đầu cho thấy mô hình phân loại cà chua đạt độ chính xác cao Tuy nhiên, việc áp dụng vào thực tế gặp thách thức như cần thu thập dữ liệu huấn luyện lớn và đa dạng, cùng với việc xử lý biến đổi về hình dạng và kích thước của cà chua trong quá trình phân loại.
Việc chuyển đổi từ công nghệ truyền thống sang hệ thống tự động trong ngành đóng gói cà chua cần được đánh giá kỹ lưỡng về mặt kinh tế, nhằm đảm bảo rằng các nhà phân phối có thể thực hiện quá trình này một cách hiệu quả và tiết kiệm chi phí.
Với sự phát triển của công nghệ và nhận thức tăng cao về tầm quan trọng của tự động hóa trong nông nghiệp, cùng với sự hỗ trợ từ chính phủ, nghiên cứu và phát triển hệ thống "Phân loại cà chua dựa vào màu sắc và khối lượng" tại Việt Nam đang tiến triển nhanh chóng và hứa hẹn mang lại nhiều ứng dụng trong tương lai gần.
2.5.2 Tình hình nghiên cứu ngoài nước Ở quốc tế, việc nghiên cứu về “Phân loại cà chua dựa vào màu sắc và khối lượng” đã được tiến hành từ vài năm trở lại đây và đã đạt được những kết quả đáng kể Nhiều trường đại học và tổ chức nghiên cứu hàng đầu, như MIT và Stanford, đã phát triển các mô hình học máy phức tạp để phân loại cà chua dựa trên các đặc tính như màu sắc và khối lượng Đặc biệt, nhiều công trình nghiên cứu đã tập trung vào việc sử dụng học sâu (Deep Learning) và mạng lưới thần kinh nhân tạo (Artificial Neural Networks) để huấn luyện các mô hình dựa trên hình ảnh và dữ liệu khối lượng Các kết quả từ những nghiên cứu này cho thấy độ chính xác rất cao, trong một số trường hợp lên đến 95%
Các công ty công nghệ hàng đầu như Google và Microsoft đang áp dụng công nghệ AI để phân loại và phân biệt các loại cà chua, nâng cao hiệu quả phân loại và giúp nhà sản xuất giám sát chất lượng sản phẩm.
Việc áp dụng công nghệ mới vào thực tế tại Việt Nam đối mặt với nhiều thách thức, bao gồm việc thu thập dữ liệu đủ lớn và đa dạng Ngoài ra, cần đảm bảo rằng công nghệ hoạt động hiệu quả trong các điều kiện sản xuất khác nhau.
Sự phát triển nhanh chóng của công nghệ AI và nông nghiệp kỹ thuật số đang thúc đẩy ngành nghiên cứu quốc tế về "Phân loại cà chua dựa vào màu sắc và khối lượng" tiến triển mạnh mẽ, mở ra nhiều khả năng ứng dụng trong tương lai.
Tồn tại hệ thống
Hệ thống phân loại sản phẩm có những tồn tại:
Sự đa dạng sản phẩm là một trong những thách thức lớn nhất trong việc phân loại sản phẩm Khi số lượng sản phẩm quá nhiều, việc tạo ra các nhóm phân loại trở nên khó khăn và phức tạp hơn bao giờ hết.
Sự thay đổi nhanh chóng trong các ngành công nghiệp, do sự phát triển công nghệ và thị trường, khiến việc phân loại sản phẩm trở nên khó khăn Để đáp ứng được những thay đổi này, cần có sự linh hoạt và cập nhật liên tục trong quy trình phân loại.
Sự mơ hồ và không chắc chắn trong việc phân loại sản phẩm có thể dẫn đến nhầm lẫn và khó khăn trong việc xác định nhóm sản phẩm chính xác.
Một số hệ thống phân loại sản phẩm có giới hạn định kiểu, khiến việc phân loại không thể bao quát tất cả các loại sản phẩm Hệ quả là có thể xuất hiện sản phẩm không được phân loại hoặc bị phân loại không chính xác.
Thiếu thông tin chi tiết về sản phẩm có thể gây khó khăn trong việc phân loại chính xác Khi thông tin không đầy đủ hoặc không có sẵn, quá trình phân loại trở nên phức tạp và dễ dẫn đến sai sót.
CƠ SỞ LÝ THUYẾT
Tìm hiểu về xử lý ảnh
3.1.1 Giới thiệu về xử lý ảnh
Xử lý ảnh (XLA) là một lĩnh vực quan trọng trong công nghệ thị giác máy, nhằm biến đổi hình ảnh gốc thành hình ảnh mới với các đặc tính và mục đích cụ thể do người sử dụng xác định.
Xử lý ảnh số là một lĩnh vực quan trọng trong tin học ứng dụng, liên quan đến việc xử lý, mã hóa và truyền tải thông tin từ hình ảnh tự nhiên Nó bao gồm các phương pháp và kỹ thuật nhằm biến đổi và trích xuất thông tin từ ảnh, chẳng hạn như các đặc trưng về cạnh, điểm đặc trưng, màu sắc, hình dạng và cấu trúc.
3.1.2 Tìm hiểu về ảnh xám
Ảnh thang độ xám có kích thước 800 pixel x 600 pixel, được biểu diễn dưới dạng ma trận với kích thước 600 hàng và 800 cột.
Mỗi pixel trong ảnh xám chỉ cần một giá trị nguyên, tương tự như trong ảnh màu Vì vậy, để biểu diễn ảnh xám trên máy tính, chỉ cần sử dụng một ma trận đơn giản.
Hình 3.2 Ma trận có kích thước 600x800
3.1.3 Giới thiệu không gian màu RGB và HSV
Không gian màu RGB (Đỏ-Xanh-Xanh lá) là hệ thống biểu diễn màu sử dụng ba màu cơ bản để tạo ra nhiều sắc thái khác nhau Đây là một trong những không gian màu phổ biến nhất trong công nghệ hiển thị, đồ họa và nhiếp ảnh số.
Trong không gian màu RGB, mỗi màu cơ bản được biểu diễn bằng giá trị từ 0 đến 255 hoặc từ 0 đến 1, với 0 đại diện cho màu tối nhất và giá trị tối đa thể hiện màu sáng nhất.
Không gian màu RGB hoạt động bằng cách kết hợp các màu cơ bản đỏ, xanh và xanh lá cây theo tỉ lệ khác nhau Sự kết hợp này cho phép tạo ra một loạt màu sắc đa dạng Chẳng hạn, màu vàng được tạo ra bằng cách kết hợp giá trị đỏ và xanh, trong khi giá trị xanh lá cây được giữ ở mức 0.
Hình 3.3 Không gian màu RGB
Không gian màu HSV (Hue-Saturation-Value) là hệ thống mô tả màu sắc dựa trên ba thuộc tính chính: Hue (màu sắc), Saturation (độ bão hòa) và Value (giá trị) Đây là một trong những không gian màu phổ biến được sử dụng trong công nghệ hiển thị, xử lý ảnh và đồ họa.
Các thuộc tính của không gian màu HSV như sau: n
Hue (Màu sắc): Đại diện cho màu cơ bản của một pixel và được đo bằng góc từ
Hue mô tả màu sắc trên một vòng tròn màu từ 0 đến 360 độ, với màu đỏ ở vị trí 0 độ, màu xanh lá cây ở 120 độ và màu xanh lam ở 240 độ.
Độ bão hòa là chỉ số đo lường mức độ mạnh mẽ và đậm đặc của màu sắc, được biểu thị bằng phần trăm từ 0 đến 100% Trong đó, 0% tương ứng với màu xám, trong khi 100% đại diện cho màu sắc tươi sáng nhất.
Giá trị màu sắc thể hiện độ sáng hoặc độ tối, được đo bằng phần trăm từ 0 đến 100% Trong đó, 0% đại diện cho màu đen tuyệt đối, còn 100% là màu sáng nhất.
Không gian màu HSV khác biệt rõ rệt so với không gian màu RGB, vì nó tách biệt các thuộc tính màu sắc, độ bão hòa và độ sáng thành các thành phần riêng biệt Sự tách rời này rất hữu ích trong việc điều chỉnh màu sắc và hiệu chỉnh hình ảnh.
Trong không gian màu HSV, việc điều chỉnh thuộc tính màu sắc, độ bão hòa và độ sáng sẽ tạo ra những hiệu ứng màu sắc đa dạng Thay đổi giá trị Hue cho phép bạn biến đổi màu sắc của pixel, trong khi tăng độ bão hòa giúp màu sắc trở nên tươi sáng hơn, và điều chỉnh độ sáng sẽ ảnh hưởng đến độ sáng tổng thể của màu sắc.
Không gian màu HSV là một công cụ quan trọng trong xử lý ảnh, đồ họa và thiết kế, cho phép người dùng điều chỉnh và thay đổi màu sắc một cách dễ dàng và trực quan.
Giới thiệu về Yolo
Hình 3.5 Hoạt động của Yolo 3.2.1 Cách hoạt động của Yolo
Mô hình nhận dạng đối tượng sử dụng ảnh đầu vào để xác định sự hiện diện và vị trí của đối tượng trong ảnh Ảnh được chia thành các ô nhỏ với kích thước SxS, như 3x3, 7x7, hay 9x9, và kích thước này ảnh hưởng đến khả năng phát hiện của mô hình.
Hình 3.6 Bản đồ xác suất lớp
Mô hình nhận đầu vào là một ảnh và trả về một ma trận 3 chiều có kích thước SxSxS(5xN+M), trong đó S là số ô, N là số lượng bounding box cần dự đoán và M là số lượng class Chẳng hạn, nếu ảnh được chia thành 7x7 ô, với mỗi ô cần dự đoán 2 bounding box và 3 đối tượng như con chó, ô tô, và xe đạp, thì đầu ra sẽ là ma trận 7x7x13, với mỗi ô chứa 13 tham số, và kết quả cuối cùng là (7x7x2).
Mỗi bounding box trong mô hình YOLO được dự đoán gồm 5 thành phần: (x, y, w, h, prediction), trong đó (x, y) là tọa độ tâm, và (w, h) là chiều rộng và chiều cao Mỗi ô trong lưới sẽ có 13 tham số, với tham số đầu tiên biểu thị khả năng chứa đối tượng P(Object), các tham số tiếp theo sẽ cung cấp thông tin về tọa độ và kích thước của các bounding box Cụ thể, tham số 2 đến 5 cho Box1, tham số 6 đến 10 cho Box2, và tham số 11 đến 13 tương ứng với xác suất chứa các đối tượng khác nhau như chó, ô tô và xe đạp Lưu ý rằng chỉ ô chứa tâm của bounding box mới được xem là có đối tượng, dẫn đến việc nếu một ô chứa nhiều tâm, mô hình sẽ không thể phát hiện chính xác Điều này là một hạn chế của YOLO và nhấn mạnh tầm quan trọng của việc tăng số lượng ô trong một bức ảnh để cải thiện khả năng phát hiện đối tượng.
Tổng quan về vi điều khiển và máy tính nhúng
3.3.1 Giới thiệu về vi điều khiển
Vi điều khiển, hay còn gọi là microcontroller, là vi mạch tích hợp nhỏ có khả năng lập trình để điều khiển hoạt động trong hệ thống điện tử Chúng phổ biến trong các ứng dụng nhúng, từ thiết bị gia dụng như lò vi sóng và tủ lạnh đến hệ thống phức tạp như xe hơi và thiết bị y tế Vi điều khiển cũng đóng vai trò quan trọng trong công nghiệp IoT, giúp kết nối và điều khiển thiết bị điện tử từ xa một cách dễ dàng.
Vi điều khiển thường bao gồm một hoặc nhiều CPU, bộ nhớ (ROM/RAM), và các giao diện I/O, tất cả được tích hợp trong một IC duy nhất, giúp tiết kiệm không gian, năng lượng và chi phí Ngoài ra, vi điều khiển có thể tích hợp các thành phần bổ sung như bộ chuyển đổi A/D, Timer, bộ giám sát nguồn điện, và các giao diện giao tiếp đặc biệt như SPI, I2C, UART, tùy thuộc vào yêu cầu của hệ thống mà nó điều khiển.
Vi điều khiển là công nghệ then chốt trong sự phát triển của điện tử và kỹ thuật Mặc dù kích thước nhỏ, nhưng chúng mang lại sức mạnh và khả năng vượt trội, đóng vai trò quan trọng trong nhiều hệ thống điện tử hiện đại.
Hình 3.7 Giới thiệu vi điều khiển
3.3.2 Giới thiệu về máy tính nhúng
Máy tính nhúng là hệ thống điện tử tích hợp chuyên dụng cho việc điều khiển và xử lý thông tin trong các thiết bị hoặc hệ thống khác Nó thường xuất hiện trong thiết bị di động, thiết bị y tế, ô tô, và các thiết bị điện tử gia dụng thông minh, cùng nhiều ứng dụng khác.
Máy tính nhúng được thiết kế với vi xử lý nhỏ gọn, bộ nhớ và các thành phần phần cứng khác như giao tiếp mạng, cảm biến và bộ điều khiển Tất cả các thành phần này được tích hợp trên một mạch in nhỏ gọn, giúp giảm thiểu tiêu thụ năng lượng.
Máy tính nhúng nổi bật với kích thước nhỏ gọn, giúp tích hợp dễ dàng vào các thiết bị hạn chế về không gian và nâng cao tính di động Nhờ sự tiến bộ công nghệ, máy tính nhúng ngày càng trở nên mạnh mẽ hơn, cho phép sử dụng trong các thiết bị nhỏ như cảm biến thông minh, hệ thống IoT và các thiết bị di động.
Máy tính nhúng tiêu thụ năng lượng thấp, điều này rất quan trọng cho các thiết bị di động và không dây, giúp tiết kiệm năng lượng, tăng thời gian sử dụng và nâng cao trải nghiệm người dùng.
Máy tính nhúng với khả năng tính toán và xử lý thời gian thực có thể xử lý các tác vụ phức tạp và đáp ứng nhanh chóng Điều này đặc biệt quan trọng trong các ứng dụng yêu cầu điều khiển và giám sát thời gian thực, chẳng hạn như trong hệ thống ô tô, thiết bị y tế và hệ thống giám sát công nghiệp.
Máy tính nhúng có tính linh hoạt cao và khả năng kết nối mạnh mẽ, thường được tích hợp với các giao thức như Wi-Fi, Bluetooth, Ethernet và USB Điều này cho phép chúng dễ dàng kết nối và tương tác với các thiết bị và mạng khác.
Máy tính nhúng mặc dù có nhiều ưu điểm nhưng cũng tồn tại một số hạn chế Với kích thước nhỏ gọn và tài nguyên hạn chế, chúng gặp khó khăn trong việc cung cấp tính năng và khả năng xử lý tương đương với các hệ thống máy tính truyền thống Hơn nữa, quá trình phát triển và kiểm thử phần mềm cho máy tính nhúng thường phức tạp hơn do thiết kế tích hợp và tính chất nhỏ gọn của chúng.
Máy tính nhúng là một hệ thống điện tử tích hợp nhỏ gọn, có khả năng tính toán và giao tiếp hiệu quả Với kích thước nhỏ, tiêu thụ năng lượng thấp và hiệu suất cao, máy tính nhúng mang lại tính linh hoạt vượt trội, được ứng dụng rộng rãi trong các thiết bị và hệ thống điện tử hiện đại.
Hình 3.8 Giới thiệu máy tính nhúng
Giao thức I2C
I2C là giao thức hai dây gồm Clock (SCL) và Dữ liệu (SDA), cho phép kết nối và giao tiếp giữa vi điều khiển và các thiết bị ngoại vi như cảm biến, EEPROM, mạch điều khiển LCD, cùng nhiều thiết bị khác.
Giao thức I2C được phát triển nhằm đảm bảo tính đồng bộ và thuận tiện trong việc giao tiếp giữa các thành phần trong hệ thống Trong cấu trúc I2C, thiết bị điều khiển được gọi là Master, trong khi các thiết bị ngoại vi được gọi là Slave Master chịu trách nhiệm điều khiển quá trình giao tiếp bằng cách phát tín hiệu điều khiển qua dây Clock (SCL) và thực hiện việc truyền nhận dữ liệu qua dây dữ liệu (SDA).
Trong giao thức I2C, dữ liệu được truyền và nhận thông qua các khung dữ liệu 8 bit, gọi là truyền nhóm (Frame) Quá trình này tuân theo nguyên tắc truyền và nhận bit từ trái sang phải.
Hình 3.9 Giao tiếp giữa Master và Slave
3.4.1 Quá trình hoạt động của I2C
Hình 3.10 Khung truyền của một gói Message I2C
Để khởi tạo tín hiệu START, cần giữ dây Clock ở mức cao và giảm dây Data từ mức cao xuống mức thấp trong quá trình truyền dữ liệu Hành động này tạo ra tín hiệu START, đánh dấu sự bắt đầu của quá trình truyền dữ liệu.
Master gửi địa chỉ Slave và hướng truyền dữ liệu qua dây Data Địa chỉ Slave được mã hóa bằng 7 bit đầu tiên trong nhóm truyền, trong khi bit cuối cùng xác định hướng ghi dữ liệu.
Sau khi xác định địa chỉ Slave và hướng truyền, Master gửi từng bit dữ liệu từ MSB đến LSB qua dây Data Mỗi bit dữ liệu được duy trì trong một khoảng thời gian Clock, và Slave sẽ đọc dữ liệu tại mỗi thời điểm Clock.
Sau khi truyền 8 bit dữ liệu, Master sẽ gửi tín hiệu ACK (Acknowledgement) để xác nhận việc truyền dữ liệu thành công Tín hiệu ACK được gửi bởi Slave bằng cách giảm mức dây Data từ cao xuống thấp trong khoảng thời gian Clock ngay sau khi nhận dữ liệu.
Master khởi tạo tín hiệu START và gửi địa chỉ của Slave và hướng truyền (đọc) thông qua dây Data
Sau khi xác định địa chỉ Slave và hướng truyền, Master gửi tín hiệu ACK để xác nhận yêu cầu đọc
Slave gửi dữ liệu cho Master từ MSB đến LSB, với mỗi bit dữ liệu được duy trì trong một khoảng thời gian Clock Master sẽ đọc dữ liệu tại mỗi thời gian Clock để đảm bảo quá trình truyền thông diễn ra chính xác.
Sau khi nhận 8 bit dữ liệu, Master gửi tín hiệu NACK để xác nhận việc không thành công Tín hiệu NACK là một tín hiệu mức cao, được Master gửi bằng cách giữ dây Data ở mức cao trong khoảng thời gian Clock sau khi nhận dữ liệu cuối cùng.
Kết thúc truyền/nhận dữ liệu:
Sau khi hoàn tất quá trình truyền hoặc nhận dữ liệu, Master sẽ phát tín hiệu STOP bằng cách nâng dây Clock từ mức thấp lên mức cao trong khi dây Data vẫn giữ ở mức thấp Hành động này tạo ra tín hiệu STOP, đánh dấu sự kết thúc của quá trình truyền hoặc nhận dữ liệu.
3.4.2 Ưu điểm và nhược điểm của I2C
Bảng 3.1 Ưu nhược điểm của I2C Ưu điểm Nhược điểm
Sử dụng ít dây và đơn giản để kết nối các thiết bị
Cho phép nhiều Slave kết nối với một
Master trên cùng một đường truyền
Tích hợp chức năng địa chỉ để xác định các Slave khác nhau
Hỗ trợ truyền dữ liệu nhanh và đáng tin cậy
Tốc độ truyền dữ liệu chậm hơn so với các giao thức khác như SPI hoặc UART
Giới hạn khoảng cách giữa Master và Slave do yếu tố điện trở dẫn của dây truyền.
PHƯƠNG ÁN THIẾT KẾ
Những mục tiêu cần đạt được trong đề tài
Sau khi xác định vấn đề cần giải quyết, nhóm chúng em đã cùng nhau thảo luận và xây dựng nội dung cho một số câu hỏi liên quan đến đề tài.
Các nhu cầu về thực hiện chức năng: năng suất làm việc, kết quả mong muốn
Nhu cầu có nhân tố của con người: khả năng vận hành máy
Các nhu cầu liên quan đến điều kiện tự nhiên: thời tiết, nơi làm việc
Nhu cầu liên quan đến độ tin cậy: kết quả vận hành
Nhu cầu về thời gian: thời gian làm việc trong ngày
Các nhu cầu liên quan đến chi phí: giá cả chế tạo, chuyên chở, giá bán
Các nhu cầu liên quan đến môi trường: tiếng ồn
Sau khi thu thập, rút gọn thông tin, chúng em rút được các yêu cầu của cơ bản như sau:
Máy phân loại cà chua hoạt động với năng suất 200 quả/1h, ngày làm việc 8 giờ
Máy làm việc trong điều kiện hộ kinh doanh, chỉ cần tối thiểu 2 lao động phổ thông để vận hành
Thiết kế đơn giản, tháo lắp dễ dàng để thuận tiện vệ sinh máy và an toàn cho người lao động n
Các quả cà chua đồng nhất về hình dạng, kích thước
Hình 4.1 Sơ đồ khối của quá trình phân loại
Cà chua sau khi cho vào ngăn chứa, nhờ bộ phận cần gạt đẩy cà chua, cà chua được di chuyển từ từ xuống băng tải
Sau khi cà chua di chuyển xuống băng tải, nó tiếp tục được qua buồng xử lý ảnh
Cà chua sau khi được đi qua bộ xử lý ảnh sẽ được các tay quay gạt ra để đạt được yêu cầu mong muốn Ưu điểm:
Tính tự động hóa cao, thay thế sức người
Có thể tạo ra số lượng lớn sản phẩm trong thời gian ngắn một cách ổn định
Hiệu quả công việc cao, tiết kiệm thời gian, nhân lực
Máy làm việc êm ái không phát ra nhiều tiếng ồn
Cơ cấu đơn giản, dễ lắp đặt, vệ sinh, bảo trì và bảo dưỡng n
Chi phí đầu tư máy thấp hơn so với các máy có mặt trên thị trường
Kinh phí đầu tư ban đầu khá cao
Cần bảo trì, bảo dưỡng định kỳ.
THIẾT KẾ HỆ THỐNG CƠ KHÍ
Yêu cầu thiết kế
5.1.1 Yêu cầu thiết kế máy phân loại sản phẩm ngoài thị trường
Các máy phân loại sản phẩm ngoài thực tế có những yêu cầu thiết kế:
Tính tự động hóa cao giảm thiểu sức lao động
Thời gian phân loại sản phẩm nhanh Giúp tăng năng suất cho quá trình phân loại
Đảm bảo độ chính xác với tốc độ cao để nâng cao năng suất
Thiết kế cơ khí vững chắc, vật liệu đảm bảo độ bền, không bị gỉ
Chi phí lắp đặt, bảo trì phải phù hợp với thị trường bên ngoài
5.1.2 Yêu cầu về kết cấu cơ khí máy
Từ yêu cầu của các máy ngoài thị trường, khảo sát nhu cầu của các công ty, nhóm đã có các yêu cầu về cơ khí như sau:
Máy phải thiết kế phần khung cơ khí vững chắc, không bị rung lắc khi hoạt động
Dễ dàng thi công và lắp ghép
Bảo trì và thay thế nhanh chóng, các thiết bị sửa chữa có thể mua dễ dàng
Máy được thiết kế rộng rãi, thuận lợi cho vận hành
Không gian làm việc của máy ở nơi khô ráo, ít bụi để tránh bị nhiễu trong quá trình hoạt động
Từ yêu cầu về kết cấu cơ khí bên trên, ta đề xuất những thành phần cơ khí cần có của máy gồm thành phần như sau:
Cụm động cơ Servo đẩy cà chua xuống cân n
5.1.3 Quy trình vận hành và các nội dung cần tính toán, thiết kế
Kết hợp giữa phương pháp phân loại và các thành phần cơ khí của máy như trên, ta đưa ra quy trình vận hành như sau:
Bước 1: Người công nhân đưa các quả cà chua vào hệ thống cấp phôi sau đó người điều khiển sẽ kiểm tra và nhấn nút bắt đầu
Trong quy trình, miếng gạt gắn trên động cơ Servo sẽ đẩy cà chua xuống cân Sau khi hoàn tất quá trình cân trong vòng 0,5 giây, hai động cơ RC servo sẽ đẩy cà chua xuống băng tải.
Bước 4: Cà chua được băng tải đưa đến buồng xử lý ảnh
Bước 5: Sau khi xử lý ảnh băng tải sẽ đưa cà chua đến chỗ phân loại
Bước 6: Tại phân loại cà chua sẽ được phân loại như sau Loại 1 cà chua đỏ lớn
10 gam Loại 2 cà chua đỏ nhỏ 10 gam Loại 3 cà chua vàng Loại 4 cà chua xanh
Bước 7: Sau khi phân loại xong các thông số màu sắc và khối lượng sẽ được hiển thị lên LCD
Bước 8: Có thể dùng Web Sever để có thể giám sát cà chua từ xa
Dựa trên quy trình vận hành và các thành phần cơ khí đã được đề xuất, chúng ta cần thiết kế và tính toán các nội dung quan trọng cho phần cơ khí.
Thiết kế hình dạng, kích thước của máy
Thiết kế buồng xử lý ảnh
Tính chọn động cơ để cấp phôi
Tính chọn động cơ kéo băng tải
Tính chọn pully cho băng tải
Tính chọn động cơ phân loại cho các máng
Tính bền cho khung máy
Tính chọn động cơ tại cân để đẩy cà chua xuống băng tải.
Thiết kế hình dáng và thiết kế khung máy
5.2.1.Phương án thiết kế khung máy
Khung máy được chế tạo từ thanh thép hình chữ nhật, bao gồm hệ thống cấp phôi và phân loại Quy trình thiết kế được thực hiện qua nhiều bước cụ thể.
Thiết kế tổng thể hình dáng, kích thước khung máy thỏa mãn yêu cầu đặt ra của nhóm n
Các thanh thép chịu lực uốn, moment xoắn nên thiết kế cùng hình dạng bằng thép vuông
Sau khi thiết kế kích thước khung máy, ta tiến hành kiểm nghiệm bền cho khung máy nhằm tạo hình dáng kích thước khung máy phù hợp
5.2.2 Thiết kế kích thước khung máy
Từ không gian làm việc của máy nhóm thiết kế chiều dài, chiều rộng của máy thỏa mãn các yêu cầu sau:
Không gian làm việc vừa phải không quá cao để người vận hành dễ sử dụng
Không gian làm việc cần phải tương thích với hệ thống phân loại trong sản xuất, nhằm tạo ra chuỗi sản xuất hiệu quả Điều này không chỉ giúp tăng năng suất mà còn tạo điều kiện thuận lợi cho việc nâng cấp và sửa chữa.
Khung máy chắc chắn, bền, dễ bảo trì, trong quá trình hoạt động không bị rung lắc
Từ đó nhóm em chọn thiết kế chiều dài, chiều rộng như sau:
Bảng 5.1 Thông số kích thước khung máy
Chiều dài (mm) Chiều rộng (mm) Chiều cao (mm)
Tính toán thiết kế cụm cấp cơ khí
n điểm cấp được ít quả Từ yêu cầu đó ta sẽ tính toán chọn động cơ servo để đủ lực để đẩy cà chua xuống cân
Tổng khối lượng cà chua bi mà nhóm cấp vào là: M = 24(g) = 0,024 (kg) Đường kính trục của trục quay là D =5 (cm) = 0,05 (m)
Vì quay cần gạt nên ta có moment quán tính được tính bằng công thức:
M là tổng khối lượng cà chua (kg)
D là đường kính trục quay (m)
Từ công thức (5.1) ta có moment quán tính:
Hình 5.2 Thông số miếng gạt
Dựa vào Hình 5.2 ta thấy khối lượng của miếng gạt là 0,018 (lb)
Hình 5.3.Thông số thanh trượt n
Dựa vào Hình 5.3 ta thấy khối lượng của thanh trượt là 0,112 (lb)
Từ đó ta suy ra tổng khối lượng của miếng gạt và thanh trượt là:
Ta thấy tổng khối lượng nhỏ 1(kg), moment quán tính 3 10 −5 (𝑘𝑔 𝑚 2 )
Từ đó nhóm chọn động cơ servo MG996R
Hình 5.4 Động cơ servo MG996R Thông số kỹ thuật:
Servo MG996R (nâng cấp MG995) có momen xoắn lớn
Moment làm việc : 11(kg/cm) (tại điện áp 6V) , 9,4 (kg/cm) (tại điện áp 4,8V)
Đây là bản nâng cấp từ servo MG995 về tốc độ, lực kéo và độ chính xác
So với MG946R, MG996R nhanh hơn, nhưng hơi nhỏ hơn
Tốc độ xoay: 0,17 (giây) / 60 độ (4,8 v) 0,14 (giây) / 60 độ (6 v)
Chiều dài dây: 30(cm) , dây nâu đỏ là 2 dây nguồn, dây vàng là dây tín hiệu
Vật liệu bánh răng: Kim loại n
Hình 5.5 Hệ thống cấp phôi 5.3.2 Tính toán thiết kế cụm cân khối lượng
Hệ thống cân được thiết kế để đo khối lượng cà chua trong thời gian 0,5 giây Sau khi hoàn tất việc cân, động cơ servo sẽ tự động đẩy cà chua xuống băng tải để tiến hành phân loại Để đảm bảo hiệu quả hoạt động, yêu cầu thiết kế cần phải chính xác và chắc chắn, đồng thời động cơ servo phải có khả năng vận chuyển cà chua một cách hiệu quả Dựa trên những yêu cầu này, nhóm em đã quyết định lựa chọn động cơ servo phù hợp.
Khối lượng của cà chua bi là M$ (g) = 0,024 (kg)
Hình 5.6 Kích thước của cần gạt
Từ Hình 5.6 ta thấy chiều dài kích thước của cần gạt là 80,5 (mm) = 0,0805(m)
Vì quay cần gạt nên ta có moment quán tính được tính bằng công thức(5.1)
Ta có tổng khối lượng của miếng gạt là 0,05(kg)
Ta thấy tổng khối lượng nhỏ hơn 1kg, moment quán tính 8,67 10 −5 (kg m 2 ) n
Từ đó nhóm chọn động cơ servo như cụm cấp phôi
Sau khi lựa chọn động cơ nhóm em tiến hành thiết kế cụm cân khối lượng như sau:
Hình 5.7 Hệ thống cân 5.3.3 Thiết kế buồng xử lý ảnh
Buồng xử lý ảnh có vai trò quan trọng trong việc xử lý hình ảnh từng quả cà chua khi chúng được đưa vào Thiết kế của buồng cần phải bền bỉ, dễ sửa chữa và chắc chắn, đồng thời không cho ánh sáng lọt vào để đảm bảo camera chụp ảnh một cách chính xác Dựa trên các yêu cầu kỹ thuật này, nhóm đã tiến hành thiết kế buồng xử lý ảnh.
Buồng xử lý ảnh được thiết kế hình chữ nhật hở 2 đầu, 2 màn mỏng bằng vải để che kín buồng xử lý ảnh
Buồng xử lý ảnh được làm vật liệu làm bằng thép để đảm bảo độ chắc chắn, đảm bảo độ bền, dễ sửa chữa
Kích thước buồng xử lý ảnh được thiết kế chiều cao 200 (mm), chiều dài 150(mm), chiều rộng 128(mm) so với bề mặt băng tải
Camera được đặt chính giữa trên cùng của buồng xử lý ảnh để dễ dàng chụp cà chua khi đi qua
Sau khi thiết kế ta được buồng xử lý ảnh: n
Hình 5.8 Buồng xử lý ảnh 5.3.4 Tính toán thiết kế cụm phân loại
Cụm phân loại cà chua trên băng tải đảm nhận việc phân loại theo các tiêu chí cụ thể: loại 1 là cà chua đỏ lớn hơn 10 gam, loại 2 là cà chua đỏ nhỏ hơn 10 gam, loại 3 là cà chua vàng, và loại 4 là cà chua xanh Để thực hiện nhiệm vụ này, các động cơ servo cần có khả năng đẩy cà chua xuống các máng Dựa trên yêu cầu kỹ thuật, nhóm tiến hành tính toán và chọn lựa động cơ servo phù hợp.
Khối lượng cà chua bi mà nhóm cấp vào là M$ (g)=0,024 (kg)
Hình 5.9 Thanh gạt phân loại
Từ Hình 5.9 ta thấy chiều dài của thanh gạt phân loại là 115,24(mm) 0,11524(m) n
Vì quay cần gạt nên ta có moment quán tính được tính bằng công thức (5.1)
Từ đó ta có Moment quán tính của thanh gạt phân loại là:
Ta có tổng khối lượng của miếng gạt là 0,05 (kg)
Ta thấy tổng khối lượng nhỏ hơn 1 (kg), moment quán tính 1,6 10 −4 (𝑘𝑔 𝑚 2 )
Từ đó nhóm chọn động cơ servo như cụm cấp phôi
Sau khi chọn động cơ servo nhóm tiến hành thiết kế cụm phân loại như sau:
Tính toán thiết kế hệ thống
Sau khi hệ thống cấp phôi đẩy cà chua xuống hệ thống cân, cà chua sẽ được chuyển đến băng tải Tại đây, băng tải sẽ đưa cà chua đến các máng phân loại Yêu cầu kỹ thuật cho băng tải bao gồm độ bền, dễ thay thế và động cơ đủ lớn để kéo băng tải với vận tốc 0,065 m/s Dựa trên các yêu cầu kỹ thuật này, nhóm em tiến hành tính toán để chọn động cơ, đai, pully và băng tải phù hợp.
5.4.1 Tính toán lựa chọn băng tải
Chọn tốc độ quay: n20(vong phut/ )
Ta có vận tốc chuyển động của băng tải:
N là tốc độ quay (vòng/phút)
K là hệ số tải trọng của băng tải mặc định là 0,98
Từ công thức (5.2) ta suy ra vận tốc chuyển động của băng tải là:
Trong đó: v: vận tốc chuyển động băng tải (m/s)
Theo như công thức (5.2) ta tính được v = 0.054 (m/s)
:tỷ trọng vật liệu rời (T m/ 3 )
Bảng 5.2 Tỷ trọng vật liệu rời
Nhóm chọn vật liệu tro khô nên chọn 0.6( / T m 3 )
Theo như thông số đầu vào ta có tiết diện ngang F = 0.0038 (m 3 ) n
Từ công thức (5.3) ta suy ra năng suất:
Ta có trọng lượng vật liệu trên 1 mét dài của băng tải được xác định bằng công thức:
Theo như thông số đầu vào ta có tiết diện ngang F = 0.0038(m 3 )
:tỷ trọng vật liệu rời(T m/ 3 ) Theo Bảng 5.2 nhóm chọn vật liệu tro khô nên chọn 0.6( / T m 3 )
Từ công thức (5.4) ta suy ra trọng lượng vật liệu trên 1 mét dài của băng tải là:
Từ đó ta chọn băng tải có thông số như sau:
– Tấm băng tải PU 1(mm)
– Khối lượng riêng băng tải PVC dày 1mm dành cho thực phẩm là 1(kg m/ 2 )
5.4.2 Tính toán lựa chọn động cơ kéo băng tải
Xác định lực cản chuyển động và kéo căng băng
Chia chiều dài băng thành 4 đoạn riêng biệt từ điểm đầu tới điểm cuối, mỗi đoạn có các dạng lực cản khác nhau Tại điểm 1, lực căng 𝑆 1 là nhỏ nhất, với lực căng tại nhánh ra của tang dẫn động được xác định là 𝑆 1 = 𝑆 𝑟𝑎.
Lực cản chuyển động ở nhánh không tải được tính theo công thức:
:Hệ số ứng của con lăn Do không có con lăn nên hệ số cản chuyển động bằng
0 q b : Trọng lượng phân bố của băng(kg/m) Như ở trên ta tính trọng một mét dài của bằng là 0.12 (kg/m)
L 1 2 : Chiều dài hình chiếu theo phương ngang của đoạn băng thẳng (mm)
Hình 5.13 Kích thước của đoạn băng
Theo Hình 5.13 ta có chiều dài hình chiếu theo phương ngang của đoạn băng thẳng là 860(mm)
Từ công thức (5.5) ta suy ra lực cản chuyển động ở nhánh không tải:
Lực kéo căng tại điểm 2 tính theo công thức: n
S 1: Lực kéo căng tại điểm 1
W 1 2 : Lực cản chuyển động ở nhánh không tải Theo như công thức (5.5) ta tính bằng 0
Từ công thức (5.6) ta suy ra lực căng tại điểm thứ 2:
Lực cản chuyển động ở đoạn 2-3 tính theo công thức như sau:
W 2 3 : Lực cản chuyển động ở đoạn 2-3
S 2: Lực kéo căng tại điểm thứ 2 Theo như công thức (5.6) ta tính được S 2 S 1
Từ công thức (5.7) ta suy ra lực cản chuyển động ở đoạn 2-3:
Lực kéo căng tại điểm 3 được tính theo công thức như sau:
S 3: Lực kéo căng tại điểm 3
S 2: Lực kéo căng tại điểm thứ 2 Theo như công thức (5.6) ta tính S 2 S 1
W 2 3 : Lực cản chuyển động ở đoạn 2-3 Theo như công thức(5.7) ta tính:
Từ công thức (5.8) ta suy ra lực kéo căng tại điểm 3:
S S W S kg n q b : Trọng lượng phân bố của băng(kg/m) Như ở trên ta tính trọng một mét dài của bằng là 0,12kg/m
Theo phân tích, 50% trọng lượng của băng và vật liệu tác động lên con lăn, trong khi 50% còn lại tác động lên tấm thép Với hệ số ma sát giữa băng và thép là 𝜔 = 𝑓 = 0,35, ta có thể xác định trọng lượng của băng trên một mét chiều dài bằng công thức (5.4), cho kết quả là q vl = 2.28 (kg/m).
L 2 3 : chiều dài hình chiếu theo phương ngang của đoạn băng thẳng Theo như
Từ công thức (5.9) ta suy ra lực cản chuyển động ở đoạn 3-4:
Lực cản của 2 rulo ép được tính công thức như sau: ép 2 .
Theo phân tích, 50% trọng lượng của băng và vật liệu tác động lên con lăn, trong khi 50% còn lại tác động lên tấm thép Hệ số ma sát giữa băng và thép được xác định là 𝜔 = 𝑓 = 0,35.
N: phản lực rulo tác dụng.Theo như đã tính toán N=5(N)
Từ công thức (5.10) ta suy ra lực cản của 2 rulo:
Tổng lực cản trên nhánh tải được tính công thức như sau:
Lực kéo căng tại điểm 4 tính theo công thức:
S 3: Lực kéo căng tại điểm thứ 3 Theo như công thức (5.8) ta tính được
W W : Tổng lực cản trên nhánh tải Theo như công thức (5.11) ta tính được
Từ công thức (5.12) ta suy ra lực căng tại điểm 4: n
Ta có công thức S vao :
S 1: Lực căng tại điểm nhỏ nhất Mà ta có 𝑆 1 = 𝑆 𝑟𝑎 f : trị số hệ số ma sát
Bảng 5.3 Trị số của hệ số ma sát f và e f
Loại tang và điều kiện khí hậu mà nhóm chọn là tang bọc cao su, khí hậu khô nên: f 0, 4;180 ;e f 3,51
Từ công thức (5.13) ta suy ra S vào :
Kết hợp công thức (5.12) và (5.13) ta có:
Lực cản ở tang dẫn động không tính đến cản trong ổ trục xác định theo công thức:
Theo công thức (5.13) ta tính được: S vào S 1 3,51 3,51.1, 717 6, 026(kg)
Từ công thức (5.14) ta suy ra lực cản ở tang dẫn động:
Lực kéo tính theo công thức:
Theo công thức (5.14) ta có W dd 0, 2322(kg)
Theo công thức (5.12) ta có S 4 1, 07.S 1 4,189 1, 07.1, 717 4,189 6, 026(kg)
Từ công thức (5.15) ta suy ra lực kéo:
Công suất cần thiết của động cơ theo công thức:
W t : Lực kéo băng tải.Theo như công thức (5.15) ta đã tính được W t 4,512(kg) v: Vận tốc chuyển động của băng tải Theo như công thức (5.2) ta tính được: 0,054( / ) v m s n
Bảng 5.4 Trị số hiệu suất của các loại bộ truyền và ổ
d : Hiệu suất của bộ truyền đai Theo như Bảng 5.3 ta chọn d 0, 96
ol : Hiệu suất của ổ lăn Theo như Bảng 5.3 ta chọn ol 0,99
h : Hiệu suất của hộp số Ta chọn hiệu suất của hộp số 0,94
Từ công thức (5.16) ta suy ra công suất cần thiết của động cơ:
Chọn tỉ số truyền đai: u2
Số vòng quay của động cơ giảm tốc có sẵn hộp số có công thức: dc n n u (5.17)
Trong đó: n: Tốc độ quay.Như thông số ban đầu ta đã chọn n20(vong phut/ ) u: Tỉ số truyền đai Ta đã chọn u2
Từ công thức (5.17) ta suy ra số vòng quay của động cơ giảm tốc có hộp số là:
20.2 40( / ) n dc n u vong phut Tra thông tin trên web của hãng WANSHSIN chọn động cơ AC giảm tốc công n
Số vòng quay thực tế của tang là:
Vận tốc thực tế được tính theo công thức là:
D là đường kính tang (m).Theo thông số đầu vào ta chọn D53(mm)0,053m n tt là tốc độ thực tế của tang (vòng/phút).Theo như tính toán ở trên
K là hệ số tải trọng của băng tải mặc định là 0,98
Từ công thức (5.18) ta suy ra vận tốc thực tế:
Lực kéo ở trạm kéo căng xác định theo công thức như sau, cho rằng các nhánh băng song song:
Theo công thức (5.6) ta có: S 2 S 1 1,717(kg) n
Theo công thức (5.8) ta có: S 3 1,07.S 1 1,07.1,717 1,837( kg)
Sơ bộ lấy tổn thất do chuyển động của con trượt trong vít kéo căng là T (kg) k: hệ số tính đến các tổn thất ở các tang nghiêng chọn k1
Từ công thức (5.19) ta suy ra lực kéo ở trạm kéo căng:
Lực kéo trong 1 vít được xác định theo công thức:
Theo như công thức (5.9) ta đã tính được S keo 18, 554(kg)
: hệ số tính đến sự phân bố lực không đều giữa các vít.Thường thì 1,5 1,8 Nhóm chọn 1,5
Từ công thức (5.20) ta suy ra lực kéo trong 1 vít:
5.4.3 Tính toán lựa chọn đai
Bộ truyền đai từ động cơ đến trục rullo
– Công suất trên trục dẫn 𝑃 1 = 15 (W)
– Tốc độ quay trên trục dẫn 𝑛 1 = 40 (vòng/phút)
– Tỉ số truyền cho bộ truyền đai u = 2
– Khoảng cách trục pully với cốt động cơ a128(mm)
– Đường kính trục motor: d 1 10(mm)
– Đường kính trục gắn pully: d 2 12(mm) n
𝑃 1 : công suất trên bánh đai chủ động Theo như thông số đầu vào
P W KW n 1: số vòng quay của bánh đai chủ động Theo như thông số đầu vào
Từ công thức (5.21) ta suy ra mô đun:
Bảng 5.5 Tiêu chuẩn chọn chiều rộng đai
Trị số của m tính phải theo tiêu chuẩn
Với m=2.52 ta chọn m=3 Tra Bảng 5.5 ta được chiều rộng đai răng b= 16mm
Xác định thông số của bộ truyền
Với tỉ số truyền của bộ truyền đai u = 2
Số răng 𝑧 1 của bánh đai nhỏ được chọn theo bảng dưới nhằm đảm bảo tuổi thọ cho đai Số răng của bánh đai lớn
Khoảng cách trục a được chọn theo điều kiện: min max a a a (5.23)
Khoảng cách trục a nhỏ nhất được tính theo công thức: min 0,5 .( 1 2) 2. a m z z m (5.24)
Khoảng cách trục a lớn nhất được tính theo công thức max 2 .( 1 2) a m z z (5.25)
Kết hợp các công thức (5.22),(5.23),(5.24),(5.25) ta được:
3.z 6 a 12.z (5.26) Trong đó: n a: Khoảng cách trục pully với cốt động cơ Theo thông số đầu vào a128(mm)
Từ (5.26) ta suy ra được:
Số đai răng z d được tính theo công thức:
Trong đó: a: Khoảng cách từ trục pully tới cốt động cơ Theo thông số đầu vào 128( ). a mm
1, 2 z z : Số răng bánh đai nhỏ,số răng bánh đai lớn Ta có z 1 z 2 58(răng) p: Bước đai (mm)
Bảng 5.6 Thông số của đai
Ta đã chọn được m3.Dựa vào Bảng 5.6 ta tìm được p9, 42(mm)
Từ công thức (5.27) ta suy ra được số đai răng z d :
Khoảng cách từ trục pully tới cốt động cơ được xác định là a = 128 mm Đường kính trục motor là d1 = 10 mm, trong khi đường kính trục lắp với pully là d2 = 12 mm.
Từ công thức (5.28) ta suy ra chiều dài đai
Dựa vào loại dây đai trên thị trường chọn S5M,chu vi 1886,rộng 16mm
5.4.4 Tính toán lựa chọn pully
Dựa vào việc đã tính toán bộ truyền động bằng đai răng với tỉ số truyền u=1/2 ta tiến hành chọn pully với các thông số phù hợp:
Bảng 5.7 Bảng thông số Pully 1 và Pully 2
Khoảng cách bước răng: 5(mm)
Khoảng cách bước răng: 5(mm) n
Sau khi tính chọn băng tải, động cơ, bộ truyền động đai, pully ta tiến hành thiết kế cụm băng tải và động cơ
Hình 5.17: Cụm băng tải 5.5 Tính sức bền khung máy
Việc xác định hình dáng và tiết diện của các thanh thép chịu lực trong khung máy là rất quan trọng Để đơn giản hóa quá trình tính toán, chúng ta cần lựa chọn sơ bộ các thành phần phù hợp.
Chọn vật liệu thép CT3 và sử dụng thép ống vuông cho các thanh đứng và thanh nằm ngang trong khung trên giúp việc hàn với thép tấm trở nên dễ dàng hơn.
Chọn vật liệu CT3 và sử dụng thép góc gân cho các thanh nằm ngang ở khung dưới giúp dễ dàng khoan vào thanh thép và cố định bằng bu-lông.
Hình 5.18 Kết cấu khung máy
Từ kết cấu khung máy, ta thấy được cần tính bền cho ba phần:
Những thanh thép nằm ngang của khung trên chịu uốn và xoắn
Những thanh thép thẳng đứng chịu kéo, nén và uốn
5.5.1 Tính sức bền thanh thép nằm ngang
Trong số các thanh thép nằm ngang, thanh AB và thanh CD có hai đầu tự do, trong khi các thanh khác được kết nối với các ngàm Cả hai thanh AB và CD đều chịu lực cắt và moment uốn, nhưng thanh AB chịu moment xoắn lớn hơn do khoảng cách từ các điểm đặt lực đến thanh AB dài hơn, tạo ra cánh tay đòn dài hơn Vì lý do này, thanh AB được chọn là thanh nguy hiểm để làm cơ sở tính toán Sau khi dời lực song song, các lực và moment tác dụng lên thanh AB được xác định như sau:
P1 là lực phản tác dụng của thanh đứng trong khung máy, hướng lên khung trên và được đặt tại vị trí tiếp xúc của khung đứng Lực này có độ lớn đạt 100 N.
P2 là phản lực của thanh đứng trong khung máy, hướng lên khung trên và được đặt tại vị trí tiếp xúc của khung đứng Độ lớn của phản lực này là 100 N.
P3 là là lực từ gối đỡ hướng từ trên xuống và, có điểm đặt tại trọng tâm khung trên máy và có độ lớn là 150 (N)
P4 là phản lực của động cơ lên khung máy có hướng từ trên xuống, có điểm đặt tại vị trí tiếp xúc với khung máy Có độ lớn là 48 (N)
W1 là hợp lực của phần hệ thống đẩy cà chua có hợp lực từ trên xuống theo phương thẳng đứng có lực là 0.12 (N/mm)
M1 là moment xoắn tại điểm A1 do hệ quả của việc dời lực P1 song song về thanh AB, ngược chiều kim đồng hồ và có độ lớn là 50 (N.m) n
M2 là moment xoắn tại điểm A2 do hệ quả của việc dời lực P3 song song về thanh AB, ngược chiều kim đồng hồ và có độ lớn là 60 (N.m)
M3 là moment xoắn tại điểm A3 do hệ quả của việc dời lực P2 song song về thanh AB, cùng chiều kim đồng hồ và có độ lớn là 110 (N.m)
Sử dụng phần mềm MD Solid để vẽ biểu đồ nội lực: n
Hình 5.20 Moment xoắn khung AB
Hình 5.21 Biểu đồ momen xoắn trên AB
Theo biểu đồ moment uốn và moment xoắn nội lực ta thấy:
Moment uốn lớn nhất (M x ) tại P3 có giá trị là 32,6 (Nm), moment xoắn tại ngàm
B có giá trị là 110 (Nm)
Vậy có hai mặt cắt nguy hiểm cần phải được tính toán là mặt cắt tại điểm đặt lực P3 và mặt cắt tại ngàm B
Theo thuyết bền 4, để mặt cắt nguy hiểm tại điểm đặt P3 không bị phá hủy thì:
Vật liệu CT3 có ứng suất cho phép là: σ = 380 (Mpa)
Tại điểm đặt P3 ta có moment uốn M x = 32,6 (Nm) và moment xoắn M z = 110 (Nm)
Từ công thức (5.29) ta suy ra moment chống uốn tại điểm đặt P3 tối thiểu: n
Vậy moment chống uốn W x tại điểm đặt P3 phải tối thiểu bằng 0, 2646(cm 3 ) Tính toán tương tự với mặt cắt nguy hiểm tại ngàm B ta có moment chống uốn
W x phải tối thiểu bằng 10,5(cm 3 )
Sau khi tính toán moment chống uốn tại điểm đặt P3 và ngàm B ta kết luận:
Theo tài liệu tham khảo,ta chọn thép ống dạng chữ C 68x30x3 (mm) cho những thanh thép nằm ngang ở phần khung trên của máy
Hình 5.22 Mặt cắt thép ống dạng chữ C 68x30x3(mm) 5.5.2 Tính sức bền thanh thép thẳng đứng
Trong cấu trúc khung máy, các thanh thép thẳng đứng SP và TQ có chiều dài đồng nhất Tuy nhiên, cả hai thanh này đều chịu tải cho toàn bộ khung trên, cho thấy vai trò quan trọng của chúng trong việc duy trì tính ổn định và sức chịu lực của khung.
Lực NB, có điểm đặt tại B và hướng xuống, bao gồm lực từ phần khung máy và trọng lực của cụm cấp phôi, có độ lớn là 30 N.
NF là lực nén có điểm đặt tại F, chiều hướng lên, là hợp lực của phần thân máy và lực ghép ngang từ thanh ngang , có độ lớn là 55(N)
Lực NK là lực nén có điểm đặt tại K, hướng xuống dưới và thể hiện trọng lực của phần khung máy cùng với trọng lượng của đầu máy, với độ lớn đạt 70 N.
MxB là mô men uốn theo phương X tại điểm B, xuất phát từ việc dịch chuyển các lực ở khung trên của máy song song về điểm B Hướng dịch chuyển là ngược chiều kim đồng hồ với độ lớn đạt 1800 Nm.
THIẾT KẾ HỆ THỐNG ĐIỆN – ĐIỀU KHIỂN
Thiết kế hệ thống điện
Sau khi hoàn thành tính toán thiết kế cơ khí, nhóm chúng em sẽ tiến hành thiết kế hệ thống điện và lựa chọn các thiết bị điện cần thiết Chúng em cũng sẽ đề xuất các phương án điều khiển cho mô hình, từ đó xác định những phương pháp điều khiển phù hợp nhằm giải quyết vấn đề của đề tài.
6.1.1 Sơ đồ khối của hệ thống
Hình 6.1 Sơ đồ khối điều khiển
Thành phần từng khối được trình bày trong Hình 6.1 với:
Khối nguồn: Sử dụng nguồn 24V cấp nguồn cho cảm biến Nguồn 5V cấp nguồn cho động cơ servo, cảm biến loadcell,sử dụng nguồn 220V cấp cho động cơ băng tải
Khối xử lý trung tâm sử dụng máy tính nhúng Raspberry Pi 4 để phân tích màu sắc của cà chua Thông qua thư viện Open CV, hệ thống sẽ nhận diện và xử lý màu sắc, đồng thời áp dụng thuật toán Yolo để phát hiện cà chua bị hư hỏng.
Khối điều khiển thu thập dữ liệu từ khối trung tâm để điều chỉnh các cơ cấu chấp hành nhằm phân loại cà chua, đồng thời truyền giá trị khối lượng về khối xử lý trung tâm.
Khối cơ cấu chấp hành bao gồm cảm biến loadcell để đo trọng lượng của quả cà chua, kết hợp với cảm biến hồng ngoại để phát hiện cà chua Thông tin từ các cảm biến này được gửi về vi điều khiển, từ đó điều khiển động cơ để thực hiện quá trình phân loại cà chua.
Khối hiển thị: Sử dụng LCD 16x2, các nút nhấn điều khiển, hệ thống Web Server để quản lý từ xa
6.1.2 Giới thiệu thiết bị điện n
Bảng 6.1 Các thiết bị điều khiển được dùng
STT Tên thiết bị Thông số kỹ thuật Hình ảnh
1 Raspberry Pi 4 Thông số kỹ thuật:
Vi xử lý (CPU): Broadcom BCM2711, 64-bit Quad-core ARM Cortex-A72, tốc độ xung nhịp 1.5 GHz
Kết nối không dây: Wi-Fi 802.11 b/g/n/ac (2.4GHz và 5GHz) và Bluetooth 5.0
Cổng USB: 2 cổng USB 3.0 và
Kết nối video: 2 cổng Micro HDMI hỗ trợ độ phân giải lên đến 4K 60Hz
Nguồn điện: Micro USB-C hỗ trợ cấp nguồn 5V/3A
Kích thước: 85mm x 56mm x 17mm
2 STM32F407VE Thông số kỹ thuật:
The ARM 32-bit Cortex-M4 CPU features a Floating Point Unit (FPU) and an adaptive real-time accelerator (ART Accelerator), enabling zero-wait state execution from Flash memory at frequencies of up to 168 MHz It also includes a memory protection unit (MPU) for enhanced security and reliability.
Nguồn điện: Từ 1.8 đến 3.6 volt
Clock, reset và cung cấp điện: Độc lập lõi, I/O supply và backup domain
3 Loadcell 1kg Thông số kỹ thuật:
Cảm biến loại: Điểm đơn, single point load cell
Điện áp biến đổi (2 ± 0.002) mV/V
Điện trở cách điện: ≥ 5000 (ở 50VDC) MΩ
4 HX711 Thông số kỹ thuật:
Tốc độ lấy mẫu : 10 - 80 SPS ( tùy chỉnh )
Độ phân giải : 24 bit ADC
Độ phân giải điện áp : 40mV
Số dây tín hiệu: 3 dây (2 dây cấp nguồn và 1 dây tín hiệu)
Chân tín hiệu ngõ ra của transistor NPN có cấu trúc cực thu hở (Open Collector), do đó cần sử dụng một trở kéo có giá trị khoảng 1~10K để kết nối lên chân nguồn dương VCC Điều này giúp tạo ra tín hiệu mức cao (High).
Nguồn điện cung cấp: 6 ~ 36VDC
Khoảng điều chỉnh phát hiện vật cản của cảm biến: 0~10cm
Điện áp hoạt động là 5V
Chữ trắng, nền xanh dương
Khoảng cách giữa hai chân kết nối là 0.1 inch tiện dụng khi kết nối với Breadboard
Tên các chân được ghi ở mặt sau của màn hình LCD hỗ trợ việc kết nối, đi dây điện
Có thể được điều khiển với 6 dây tín hiệu
Điện áp đầu vào: 180VAC- 240VAC chỉnh bằng công tắc gạt
Dòng đầu ra tối đa: 10A
Nhiệt độ làm việc: -10 ~ 60 độ
Điện áp đầu vào: 110V/ 220V – 50/60Hz.
Độ phân giải tối đa:
Loại tiêu cự: tiêu cự cố định
Micrô tích hợp: Đơn hướng
Phạm vi của mic: Lên tới 1 m
Sử dụng điện áp nuôi DC 5V Relay mỗi Relay tiêu thụ dòng khoảng80mA
Điện thế đóng ngắt tối đa:
Có thể chọn mức tín hiệu kích
Quy trình nhận diện quả và xử lý cà chua
6.2.1 Quy trình xử lý ảnh
Quy trình nhận diện và xử lý cà chua được thể hiện trong Hình 6.2
Hình 6.2 Sơ đồ quy trình nhận diện và xử lý cà chua n
6.2.2 Xử lý ảnh tìm trái hư
Dựa trên cơ sở lý thuyết ở chương 3, nhóm chúng em sẽ áp dụng thuật toán Yolo để huấn luyện mô hình nhận diện trái cà chua hư, với tiêu chí đánh giá là những trái cà chua bị dập và bị móc Đầu tiên, chúng em sẽ tạo một tập dữ liệu bao gồm cả cà chua bình thường và hư, sau đó chia thành tập training để huấn luyện mô hình và tập validation để kiểm thử sau quá trình huấn luyện.
Tập Training bao gồm cà chua loại hư và loại bình thường
Hình 6.3 Dữ liệu tập training
Tập validation bao gồm cà chua loại hư và loại bình thường
Hình 6.4 Dữ liệu tập validation
Thứ hai, ta sẽ tiến hành sử dụng label đánh nhãn cho cà chua để xác định được vật thể và tạo ra file.txt n
Hình 6.5 Đánh nhãn cà chua hư
Vào thứ Ba, chúng ta sẽ tiến hành huấn luyện mô hình trên Colab Mục tiêu của việc huấn luyện là tạo ra file best.py, và file này sẽ được sử dụng để chạy kết quả nhận diện cà chua hư.
Hình 6.6 Training model trên google colab
Sau quá trình training model ta đánh sẽ giá mô hình dựa vào Precision và Recall ở Hình 6.7 và Hình 6.8 n
Hình 6.7 Đường cong Precision – Confidence Curve
Precision là chỉ số đo lường độ chính xác của mô hình, được tính bằng tỷ lệ số phân loại đúng Theo Hình 6.7, giá trị Precision đạt 0,97, cho thấy mô hình này có độ chính xác lên đến 97%.
Hình 6.8 Đường cong Precision – Recall Curve
Recall là chỉ số thể hiện khả năng của mô hình trong việc phân loại đúng các đối tượng positive Theo Hình 6.8, độ chính xác trong việc nhận diện cà chua đúng đạt 0,989, trong khi đó, tỷ lệ nhận diện cà chua hỏng là 0,951.
Sau khi tiến hành huấn luyện mô hình bằng Yolo V5, kết quả hiển thị trong Hình 6.9 cho thấy những quả cà chua được gán nhãn 0 có hình dạng bình thường, trong khi những quả được gán nhãn 1 là những quả bị dập Các khu vực lỗi trên những quả cà chua này đã được khoanh vùng, cho thấy chúng không đạt tiêu chuẩn yêu cầu.
6.2.3 Phân loại màu sắc cà chua
Môi trường lập trình xử lý ảnh
Dùng ngôn ngữ Python để xử lý màu sắc của cà chua
Dùng các thư viện như : Opencv, Numpy để tạo ra chương trình tốt
Kết nối với STM32 qua giao thức I2C, gửi kết quả đi để điều khiển
Lưu đồ xử lý ảnh
Để xử lý ảnh, trước tiên cần khai báo thư viện và cấu hình Camera cùng giao tiếp GPIO của STM32 Sau khi thu nhận ảnh từ Camera, ảnh sẽ được chuyển đổi từ không gian màu RGB sang HSV Chương trình sẽ sử dụng các ngưỡng màu đã được cài đặt sẵn để nhận diện từng loại trái cây, dò tìm các contour dựa trên mặt nạ ngưỡng đã định Khi phát hiện màu sắc đạt yêu cầu, Raspberry Pi sẽ gửi tín hiệu đến STM32.
Hình 6.10 Lưu đồ xử lý ảnh
Quy trình thực hiện và tính toán Đọc ảnh từ Camera
Chuyển ảnh từ không gian màu RGB sang HSV
Tìm các ngưỡng màu giới hạn tương ứng
Dò tìm các contour với mặt nạ là các giới hạn màu khác nhau n
Cân khối lượng
Loadcell là cảm biến chuyên dụng để đo lực, bao gồm khối lượng và mô-men xoắn Khi lực tác động lên loadcell, nó sẽ chuyển đổi lực này thành tín hiệu điện Loadcell còn được gọi là "đầu dò tải" vì khả năng chuyển đổi tải trọng thành tín hiệu điện Cấu tạo của loadcell gồm hai thành phần chính: "Strain gauge" và "Load".
Strain gauge là một thiết bị điện trở nhỏ gọn, có khả năng thay đổi điện trở khi chịu tác động nén hoặc kéo dãn Nó hoạt động bằng cách sử dụng nguồn điện ổn định và được gắn chặt lên bề mặt của vật thể cần đo lực.
Hình 6.12 Một loại Strain gauge [15]
R : Điện trở strain gauge (Ohm)
L : Chiều dài của sợi kim loại strain gauge (m)
S : Tiết diện của sợi kim loại strain gauge (m 2 )
𝜌 : Điện trở suất vật liệu của sợi kim loại strain gauge
Load một thanh kim loại chịu tải có tính đàn hồi n
Bốn strain gauge được kết nối thành cầu điện trở Wheatstone và dán vào bề mặt Loadcell Một điện áp kích thích khoảng 10V được cấp vào mạch ở hai điểm, và điện áp đầu ra được đo ở hai điểm còn lại Trong trạng thái cân bằng, điện áp tín hiệu đầu ra gần bằng 0 khi các điện trở được gắn đúng giá trị Khi có tải trọng tác động lên Loadcell, nó bị biến dạng, dẫn đến sự thay đổi chiều dài và tiết diện của các sợi kim loại trong strain gauge Sự thay đổi này gây ra biến động điện áp đầu ra, thường khoảng 20 mV khi đạt tải tối đa.
Hình 6.14 Sự thay đổi điện áp của Loadcell khi có tải
Do trái cà chua bi có khối lượng nhỏ, từ 10g đến 20g, nhóm nghiên cứu đã sử dụng Loadcell có giới hạn đo nhỏ, cụ thể là Loadcell 1kg, nhằm tăng độ chính xác trong quá trình đo lường.
Hình 6.16 Kích thước loadcell 1kg
HX711 là một vi mạch chuyển đổi analog-to-digital (ADC) chất lượng cao, thường được sử dụng trong các ứng dụng cân và đo lường Vi mạch này được thiết kế để chuyển đổi tín hiệu analog từ cảm biến trọng lượng hoặc cảm biến tải thành dữ liệu kỹ thuật số, giúp vi điều khiển có thể xử lý dễ dàng.
Hình 6.17 Mạch chuyển đổi loadcell HX711
Hình 6.18 Cấu tạo của HX711 Nguyên lý hoạt động :
Kênh A của đầu vào Analog là đầu vào vi sai, thiết kế để kết nối trực tiếp với đầu ra vi sai của cảm biến Nó có thể được lập trình với hệ số khuếch đại 128 hoặc 64, giúp điều chỉnh tín hiệu đầu ra nhỏ từ cảm biến Khi sử dụng nguồn cấp 5V tại chân AVDD, các hệ số khuếch đại này tương ứng với điện áp đầu vào nhiễu động toàn phạm vi ±20mV hoặc ±40mV.
Kênh B của đầu vào Analog có hệ số khuếch đại cố định 32, với phạm vi điện áp đầu vào toàn dải là ±80mV khi sử dụng nguồn cấp 5V tại chân AVDD Tùy chọn nguồn điện đa dạng cho phép linh hoạt trong việc sử dụng.
Nguồn cấp Digital (DVDD) cần phải tương thích với nguồn cấp của MCU Khi áp dụng bộ điều chỉnh nguồn cấp tương tự nội bộ, điện áp rơi của bộ điều chỉnh sẽ phụ thuộc vào loại transistor ngoại vi được sử dụng Kết quả là, điện áp đầu ra sẽ bằng VAVDD.
= VBG.(R1 + R2) / R2 Điện áp này nên được thiết kế với một giá trị tối thiểu là 100mV thấp hơn điện áp VSUP
Nếu không sử dụng bộ điều chỉnh nguồn trên chip, chân VSUP cần được kết nối với chân AVDD hoặc DVDD, tùy thuộc vào điện áp cao hơn Chân VFB nên được nối với mặt đất, trong khi chân BASE sẽ không được kết nối (NC).
Các chân PD_SCK và DOUT được sử dụng để truy xuất dữ liệu, lựa chọn đầu vào, khuếch đại và điều khiển tắt nguồn Khi dữ liệu đầu ra chưa sẵn sàng, chân DOUT sẽ ở mức cao, trong khi đầu vào đồng hồ PD_SCK cần ở mức thấp Khi DOUT chuyển sang mức thấp, điều này cho thấy dữ liệu đã sẵn sàng để được truy xuất.
Hình 6.19 Đồng bộ thời gian điều khiển đầu vào, đầu ra và lựa chọn khuếch đại dữ liệu
Cấu hình GPIO cho STM32 trên MXCube n
Hình 6.20 Cấu hình GPIO cho STM32
Cấu hình chân SCK là OUTPUT
Cấu hình chân DOUT là INPUT
Đọc giá trị từ HX711 trả về
Lấy trung bình cộng giá trị đọc từ HX711 trả về để tăng tính ổn định
Chọn Offset khi trạng thái không có tải
Chọn Calib khi trạng thái khi biết trước khối lượng của tải
Bắt đầu cân khối lượng
Kết quả quá trình sử dụng loadcell để cân: n
Điều khiển động cơ cho cơ cấu cấp phôi và cơ cấu gạt
Như đã đề cặp và tính toán ở chương 5, nhóm chúng em sử dụng động cơ MG996R:
6.4.1 Giới thiệu động cơ servo
Điều khiển Động cơ Servo bằng PWM
Trong động cơ Analog Servo, tín hiệu PWM với chu kỳ 20ms được sử dụng để điều khiển động cơ, tương ứng với tần số 50Hz Độ rộng xung có thể thay đổi từ 1 đến 2 ms nhằm điều chỉnh vị trí trục động cơ Cụ thể, độ rộng xung 2 ms sẽ đưa trục servo đến vị trí 180 độ.
Thời gian động cơ Servo quay liên tục Động cơ RC servo quay liên tục, gửi tín hiệu PWM giống nhau sẽ khiến động cơ hoạt động khác nhau
Thời gian quay của động cơ servo phụ thuộc vào độ rộng xung Cụ thể, độ rộng xung 1,5ms sẽ khiến servo ngừng quay, trong khi độ rộng xung 1ms cho phép servo quay tối đa theo chiều ngược kim đồng hồ Ngược lại, độ rộng xung 2ms sẽ làm cho trục servo quay tối đa theo chiều kim đồng hồ.
Lập trình STM32 để điều khiển RC Servo :
Bước 1: Khởi tạo PWM cho STM32 trên phần mềm MXCube n
Hình 6.24 Khởi tạo PWM trên MXCube
Bước 2 : Cấu hình Clock, ở đây STM32 đang sử dụng Clock nội tần số max là
Hình 6.25 Cấu hình tần số Clock Bước 3: Cấu hình các thông số:
Ta có công thức tính tần số PWM : timerClock
Chương trình điều khiển
Hình 6.26 Sơ đồ điều khiển
Khi nhấn nút Start, Servo 1 sẽ quay để đưa phôi lên cân và quay trở lại vị trí ban đầu Sau khi lấy được giá trị cân nặng, Servo 2 và Servo 3 sẽ đẩy phôi lên băng tải, lúc này băng tải sẽ bắt đầu hoạt động.
Khi cảm biến 1 được kích hoạt, nếu băng tải đúng, nó sẽ dừng lại để camera chụp ảnh và phân loại cà chua Sau đó, Raspberry sẽ gửi tín hiệu cho STM32 để tiếp tục chương trình Nếu băng tải không đúng, quy trình sẽ kết thúc.
Khi cảm biến 2 được kích hoạt, băng tải sẽ ngừng hoạt động Lúc này, STM32 sẽ kiểm tra loại cà chua đã được phân loại từ Raspberry Nếu cà chua có màu đỏ và nặng hơn 10g, Servo 4 sẽ đẩy cà chua xuống máng phân loại 1; nếu màu đỏ nhưng nhẹ hơn 10g, nó sẽ được đẩy xuống máng phân loại 2 Cà chua màu vàng và màu xanh sẽ bị bỏ qua Nếu phân loại sai, băng tải sẽ tiếp tục hoạt động.
Khi cảm biến 3 được kích hoạt, băng tải sẽ ngừng hoạt động và STM32 sẽ xác định màu sắc của cà chua Nếu cà chua có màu vàng, Servo 5 sẽ đẩy nó xuống máng phân loại 3 Ngược lại, nếu cà chua màu xanh, Servo 5 sẽ đẩy xuống máng phân loại 4 Nếu quy trình không đúng, hệ thống sẽ kết thúc.
Sơ đồ mạch điện
Hình 6.27 Sơ đồ mạch điện
Nhóm em sử dụng ba nút nhấn: Calib, Offset và Start Nút nhấn Start có nhiệm vụ khởi động hệ thống, trong khi nút Offset dùng để xác định giá trị ban đầu của cân Nút nhấn Calib được sử dụng để hiệu chỉnh giá trị tương ứng với 1 gram.
Nhóm nghiên cứu đã sử dụng 4 động cơ RC servo để phân loại cà chua, điều khiển bằng tín hiệu PWM từ STM32 Ba cảm biến tiệm cận được sử dụng, với nguồn điện 9-36V, trong khi STM32 chỉ sử dụng nguồn 5V, do đó, nhóm đã triển khai Relay để chuyển đổi từ 5V sang 0-30VDC Cảm biến đầu tiên có nhiệm vụ dừng băng tải để camera có thể chụp và xử lý ảnh, trong khi cảm biến thứ hai phát hiện cà chua để phân loại thành loại 1 và loại 2, và cảm biến thứ ba phân loại cà chua thành loại 3 và loại 4 STM32 đảm nhận vai trò đọc dữ liệu từ các cảm biến để thực hiện điều khiển.
Thiết kế hệ thống giám sát từ xa
6.7.1 Sơ đồ khối tổng quát hệ thống giám sát từ xa
Hình 6.28 Sơ đồ khối của hệ thống giám sát
Vi điều khiển STM32F407VG, như thể hiện trong sơ đồ khối Hình 6.28, có vai trò quan trọng trong việc điều khiển động cơ, nhận tín hiệu từ cảm biến và thu thập thông tin từ cân loadcell, đảm bảo hệ thống hoạt động ổn định và hiệu quả.
Máy tính Raspberry Pi 4, với khả năng xử lý ảnh vượt trội, được ứng dụng trong hệ thống xử lý hình ảnh Để đảm bảo hình ảnh chụp bởi Raspberry Pi chính xác và ít nhiễu, cần thiết phải có một buồng xử lý ảnh có khả năng điều chỉnh ánh sáng mà không làm ảnh hưởng đến chất lượng hình ảnh nhận được.
Firebase như đã nói ở trên thì mục đích chính là lưu trữ dữ liệu, đưa những dữ liệu đó ra ngoài phạm vi nội bộ
User Web là giao diện tùy chỉnh cho người dùng, cho phép theo dõi thông tin từ hệ thống từ xa mà không cần phải đứng trực tiếp tại máy Tuy nhiên, để giao diện này hoạt động hiệu quả, cần lập trình bằng ngôn ngữ JavaScript (JS) nhằm cập nhật thông tin từ Firebase theo thời gian thực.
Hình 6.29 Sơ đồ quy trình thực hiện của hệ thống
Khi vi điều khiển nhận dữ liệu cân nặng từ loadcell, thông tin được truyền qua giao thức I2C đến Raspberry Pi Tại đây, khi cà chua đến buồng xử lý ảnh, Raspberry Pi sẽ chụp hình ảnh từ băng tải và sử dụng mặt nạ màu để xác định màu sắc của quả cà chua Sau khi hoàn tất quá trình xử lý, Raspberry Pi sẽ gửi lại thông tin màu sắc đến vi điều khiển.
Raspberry Pi sẽ thu thập dữ liệu về cân nặng, màu sắc và loại của quả cà chua, sau đó gửi lên đám mây Firebase để lưu trữ Dữ liệu được lưu trong Firebase cho phép người dùng truy cập từ bất kỳ đâu có kết nối Internet, đảm bảo độ chính xác cao.
Trong quá trình xử lý thời gian thực, cơ sở dữ liệu tạo ra các nút con được đánh số từ 0 để lưu trữ thông tin về các mẫu vật đã được phân loại, bao gồm cân nặng (weight), màu sắc (color), loại (CLASS), tên tệp hình nhị phân và tên tệp hình thực tế.
Cân nặng của quả cà chua được xác định khi chúng được đặt lên loadcell, với giá trị tối đa không vượt quá 1 kg, tùy thuộc vào loại cân loadcell sử dụng.
Tên tệp hình nhị phân và tên tệp hình thực tế là thông tin quan trọng để tra cứu trong kho dữ liệu hình ảnh của các mẫu vật đã được phân loại.
Do cơ sở dữ liệu không thể lưu trữ hình ảnh, việc giám sát qua web trở nên cần thiết cho việc truy cứu Do đó, kho dữ liệu (storage) là một giải pháp phù hợp để đạt được những mục tiêu này.
Dữ liệu trong Firebase được liên kết với các số đánh cho mẫu vật, tương ứng với tên tệp đã lưu trong cơ sở dữ liệu Tuy nhiên, do vấn đề về đường truyền hoặc tốc độ xử lý của máy tính Raspberry Pi, hình ảnh trên web có thể không cập nhật đúng thời gian thực Để khắc phục, người dùng chỉ cần làm mới trang để xem thông tin chính xác Để cập nhật dữ liệu lên cơ sở dữ liệu, cần sử dụng các API (Application Programming Interface) mà Firebase cung cấp.
Child dùng để tạo nút con
Set dùng để thiết lập thông tin trong cơ sở dữ liệu trong nút con
Remove dùng để xóa tất cả thông tin trong cơ sở dữ liệu
Trong phần User Web, trước khi dữ liệu được gửi lên, trang web sẽ chờ một sự kiện để cập nhật thông tin từ Firebase Thư viện Firebase cung cấp giao diện cho người dùng để bắt sự kiện và nhận dữ liệu theo thời gian thực.
Sau khi lên ý tưởng, nhóm chúng em tạo ra một giao diện web gồm có 3 vùng:
Vùng hiển thị các thông số như cân nặng, màu sắc và loại mẫu vật
Vùng hiển thị hình ảnh bao gồm hai phần chính: phần hình nhị phân để kiểm tra hiệu quả của mặt nạ màu và phần hình thực tế để theo dõi mẫu vật trong buồng xử lý ảnh.
Khi chạy trên máy chủ nội bộ, giao diện trên web sẽ hiển thị mà chưa có dữ liệu sẽ như sau: n
Sau khi nhận dữ liệu từ Raspberry Pi, ngôn ngữ Java scipt sẽ dùng thư viện của Firebase mà tự cập nhật thông tin lên màn hình web:
Hình 6.31 Kết quả phân loại trên web
Như ở hình trên, màu sắc và khối lượng được hiển trên web sẽ được hiển thị đúng với firebase lưu trữ: n
Hình 6.32 Firebase lưu trữ kết quả phân loại n
KẾT QUẢ VÀ THỰC NGHIỆM
Thực nghiệm
Sau khi hoàn thành thiết kế thi công cơ khí và lập trình hệ thống điện điều khiển, nhóm chúng em đã tiến hành thực nghiệm với tổng cộng 200 quả trái cây, được kiểm tra ở các mốc thời gian nửa tiếng và một tiếng.
Bảng 7.1 Năng suất phân loại thực tế mô hình
Bảng 7.2 Biểu đồ thống kê phân loại trong 1 giờ
Năng suất làm việc trong 1 giờ n
Sau khi thực nghiệm 200 quả trong 1 tiếng nhóm chúng em thu được kết quả
Trong tổng số 200 quả, 133 quả đã được phân loại, trong đó có 60 quả cà chua đỏ loại 1 lớn hơn 10g, 34 quả cà chua đỏ loại 2 nhỏ hơn 10g, 30 quả cà chua vàng loại 3 và 9 quả cà chua xanh loại 4 Còn lại, 67 quả chưa được phân loại.
Dựa trên Bảng 7.1 và Bảng 7.2, nhóm chúng em nhận thấy rằng năng suất hoạt động của máy chưa đạt yêu cầu do hạn chế trong thiết kế cơ khí và phần điều khiển chưa được xử lý nhanh chóng và ổn định Để khắc phục vấn đề này, nhóm em sẽ tiến hành thực nghiệm hệ thống lưu trữ kết quả phân loại.
Hình 7.2 Firebase lưu trữ kết quả
Kết quả thử nghiệm phân loại cà chua trong 1 tiếng cho thấy có 60 quả cà chua đỏ loại 1 lớn hơn 10g, 34 quả cà chua đỏ loại 2 nhỏ hơn 10g, 30 quả cà chua vàng loại 3 và 9 quả cà chua xanh loại 4 trong tổng số 200 quả được thử nghiệm.
Kết quả lưu trữ trên Firebase cho thấy sự trùng khớp với kết quả phân loại từ thí nghiệm 200 quả trong 1 giờ Điều này chứng tỏ rằng hệ thống lưu trữ Firebase hoạt động ổn định và chính xác.
Trong quá trình phân loại 200 trái nhóm chúng em chọn ngẫu nhiên quả cà chua để kiểm nghiệm được màu sắc và khối lượng của quả cà chua n
Bảng 7.3 Kiểm nghiệm màu sắc và khối lượng của cà chua
Dựa vào Bảng 7.3, nhóm chúng em nhận thấy rằng màu sắc của cà chua được xử lý chính xác, trong khi khối lượng của cà chua vẫn có sai số Tuy nhiên, sai số này là chấp nhận được do quá trình hoạt động của loadcell có thể bị nhiễu.
Quy trình vận hành hệ thống
Quy trình vận hành hệ thống tự động cà chua:
Bước 1: Người công nhân bỏ cà chua vào hệ thống cấp phôi bấm nút start
Hình 7.3 Bấm nút start để bắt đầu hệ thống
Bước 2: Sau đó hệ thống cấp phôi sẽ đẩy cà chua xuống cân Cà chua sẽ n
Hình 7.4 Cà chua được cân
Hình 7.5 Giá trị cân hiển thị LCD
Bước 3: Sau khi cân xong thì động cơ servo sẽ đẩy cà chua xuống băng tải
Cà chua sẽ được đưa vào buồng xử lý ảnh để phân loại theo màu sắc Màu sắc của cà chua sẽ được hiển thị trên màn hình LCD, trong khi khối lượng và màu sắc cũng sẽ được cập nhật trên Web Server.
Hình 7.6 Màu sắc và khối lượng hiển thị lên web
Hình 7.7 Màu sắc hiển thị lên LCD
Bước 4 Cà chua sẽ được đưa đến các máng phân loại Tại đây cà chua sẽ được động cơ RC servo đẩy xuống các máng n
Hình 7.8 Cà chua được đẩy xuống máng
Quy trình tự động phân loại cà chua được chia thành 4 loại: Loại 1 là cà chua lớn hơn 10g, Loại 2 là cà chua nhỏ hơn 10g, Loại 3 là cà chua vàng, và Loại 4 là cà chua xanh.
Kết quả
Hoàn thành kết cấu khung máy cứng cáp, đảm bảo các tiêu chuẩn về lực, bền
Hệ thống các cụm cơ khí hoạt động ổn định và trơn tru đáp ứng được khả năng vận hành
Ngoại hình máy được thiết kế tối ưu nhằm đảm bảo điều kiện vận hành máy Máy được thiết kế thẩm mỹ, đẹp
7.3.2 Hệ thống điện – điều khiển
Hệ thống dây dẫn điện được chọn kỹ lưỡng, thiết kế hợp lý, đáp ứng yêu cầu an toàn điện
Các thiết bị điện được chọn có cơ sở, tối ưu khả năng chi phí, đáp ứng yêu cầu khả năng điều khiển
Hệ thống điều khiển được lập trình chính xác bao gồm xử lý ảnh, cân khối lượng và điều khiển động cơ servo, nhằm đáp ứng hiệu quả các yêu cầu của đề tài.
Nguồn điện cấp cho hệ thống máy là nguồn điện 220V có tính ổn định và an toàn cao
Hệ thống lưu trữ dữ liệu kết quả màu sắc và khối lượng ổn định, đầy đủ để giám sát n
Hình 7.9 Sơ đồ mạch điện
Hình 7.10 Bảng điện hệ thống 7.3.5 Kết quả sau khi phân loại
Sau khi phân loại, nhóm thu được kết quả: loại 1 có màu đỏ lớn hơn 10 gram, loại 2 màu đỏ nhỏ hơn 10 gram, loại 3 màu vàng và loại 4 màu xanh Kết quả phân loại sẽ được lưu trữ trong Firebase.
Hình 7.11 Loại 1 được phân loại hiện thị trên Web Server lưu trữ trên Firebase
Hình 7.12 Loại 2 được phân loại hiện thị trên Web Server lưu trữ trên Firebase n
Hình 7.14 Loại 4 được phân loại hiện thị trên Web Server lưu trữ trên Firebase
Hình 7.15 Kết quả phân loại lưu trữ Firebase n
TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN
Những mặt đạt được
Sau một khoảng thời gian triển khai làm đồ án, nhóm chúng em đã hoàn thành được các công việc:
Thiết kế chế tạo mô hình máy phân loại cà chua tự động thực tế
Mô hình sử dụng chủ yếu là thép hộp 40x80x1.8mm
Xây dựng bảng hệ thống điện, cảm biến, điều khiển và hoàn thiện kết nối các mô đun
Hệ thống nhận dạng và phân loại sản phẩm theo màu sắc bằng ngôn ngữ Python dựa vào thư viện OpenCV
Cà chua được phân loại thành bốn loại chính: loại 1 là cà chua đỏ với khối lượng lớn hơn 10 gram, loại 2 là cà chua đỏ có khối lượng nhỏ hơn 10 gram, loại 3 là cà chua vàng và loại 4 là cà chua xanh.
Khối lượng cà chua được cân tương đối chính xác
Mô phỏng thành công trên proteus để điều khiển động cơ, hiển thị LCD
Giao tiếp được Raspberry Pi với Camera
Giao tiếp được Raspeberry Pi với STM32
Giao tiếp được STM32 với LCD, cảm biến hồng ngoại, động cơ Servo, Relay
Thiết kế thành công hệ thống Web Sever để giám sát khối lượng và màu sắc trên máy tính
Thiết kế thành công mô hình phân loại sản phẩm theo màu sắc và khối lượng.
Những mặt hạn chế của đề tài
Qua quá trình thực hiện đề tài,nhóm nhận thấy đề tài còn một số hạn chế như sau:
Hệ thống cơ khí hiện tại chưa hoàn toàn tối ưu cho việc phân loại tất cả các loại cà chua, đặc biệt là đối với những loại cà chua lớn hơn, máy không thể thực hiện phân loại hiệu quả.
Hệ thống hiện tại gặp phải vấn đề với tốc độ xử lý chậm và khả năng chụp ảnh chưa tối ưu trong điều kiện ánh sáng kém Nó chỉ có khả năng phân loại sản phẩm dựa trên màu sắc mà không thể phát hiện các sản phẩm lỗi.
Chưa có cơ hội thực hiện ngoài doanh nghiệp
Độ thẩm mĩ của đề tài chưa được đẹp n
Hướng phát triển
Nhóm em nhận thấy rằng đề tài cần được phát triển về chất lượng và màu sắc, chẳng hạn như kiểm tra độ hư hỏng của quả cà chua và phân biệt các màu sắc như cà chua xanh, vàng và cà chua xanh chuyển thành vàng Để nâng cấp đề tài, cần cải thiện hoạt động và khả năng áp dụng vào thực tế Đồng thời, thiết lập giao diện người dùng cho phép người dùng tương tác với hệ thống và điều chỉnh các tham số hoạt động là rất quan trọng.