xây dựng và thi công mô hình phân loại sản phẩm dựa theo màu sắc

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN-ĐIỆN TỬ Ngành CNKT Điện tử - Viễn Thông CLC CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Tên đề tài : XÂY DỰNG VÀ THI CÔNG MÔ HÌNH

TỔNG QUAN

Tính cấp thiết của đề tài

Công nghiệp đã trải qua nhiều sự phát triển qua các cuộc cách mạng 2.0,3.0, vì thế trong giai đoạn 4.0 này đòi hỏi sự kết hợp của các công nghệ mới đã đặt ra yêu cầu cao về khả năng tự định hình và quyết định độc lập Ban đầu, các hệ thống đã tích hợp máy điều khiển số để đảm bảo độ chính xác cao trong sản xuất và máy điều khiển từ xa để xử lý vật liệu phóng xạ mà không cần sự can thiệp trực tiếp của con người Điều này không chỉ gia tăng linh hoạt và độ tin cậy mà còn nâng cao an toàn trong môi trường làm việc Tổng cộng, sự tích hợp của máy điều khiển số và máy điều khiển từ xa đã giúp công nghiệp áp dụng một cách hiệu quả các tiến bộ công nghệ, từ đó cải thiện quy trình sản xuất và tăng cường năng suất

Ngay từ khi xuất hiện, thiết bị điều khiển tự động công nghiệp đã lan tỏa vào nhiều lĩnh vực, thay thế lao động nhân công và mang lại nhiều lợi ích như cải thiện tổ chức chuỗi sản xuất, tăng năng suất và hiệu quả Ban đầu, chúng được sử dụng chủ yếu trong ngành công nghiệp để thay thế công việc nguy hiểm và mệt mỏi Tuy nhiên, với sự gia tăng nhu cầu sử dụng trong các quy trình sản xuất phức tạp, robot công nghiệp ngày càng yêu cầu khả năng thích ứng linh hoạt và sự thông minh Ngày nay, ứng dụng của thiết bị điều khiển tự động không chỉ giới hạn trong lĩnh vực chế tạo máy mà còn mở rộng đến y tế, chăm sóc sức khỏe, nông nghiệp, đóng tàu, xây dựng và an ninh quốc phòng Các chuyên gia hàng đầu dự báo rằng, với sự phát triển của Cách mạng Công nghiệp 4.0, việc ứng dụng hệ thống điều khiển tự động trong quy trình sản xuất công nghiệp sẽ trở thành một trọng tâm quan trọng trong cuộc cách mạng công nghệ tiếp theo sau Internet Mục tiêu lớn hơn là để con người có thể tích hợp trí tuệ nhân tạo vào quy trình vận hành và phát triển máy móc công nghiệp để cải thiện năng suất và khả năng tính toán nhanh hơn

Trong những năm gần đây, nền nghiên cứu và phát triển (R&D) của Việt Nam đã gặt hái được nhiều thành tựu to lớn Nổi bật có thể kể đến Trung tâm Tự động hóa, Học viện Kỹ thuật Quân sự, Viện Công nghệ Thông tin thuộc Viện Khoa học và Công nghệ Việt Nam (KHCNVN), cùng nhiều công ty như Robot TOSY Những đơn vị này đã liên tục đưa ra những đột phá công nghệ, góp phần thúc đẩy sự phát triển của ngành công nghiệp trong nước.

2 đóng góp quan trọng vào lĩnh vực này Các trường Đại học Bách Khoa Hà Nội, Đại học Bách Khoa Đà Nẵng, Đại học

Bách Khoa Tp.HCM cũng đã tiến hành nhiều đề tài và dự án nghiên cứu về hệ thống phân loại tự động và nhiều lĩnh vực khác.

Mục tiêu nghiên cứu

Đồ án được thực hiện với những mục tiêu sau:

⚫ Dùng camera ghi hình sản phẩm đọc về máy tính

• Dùng Arduino điều khiển băng tải và phân loại sản phẩm

• Giám sát sản phẩm lên máy tính

• Sử dụng cần gạt phân loại sản phẩm đúng theo màu sắc

• Xây dựng, thiết kế và thi công mô hình phần cứng một cách hoàn thiện nhất

• Khắc phục lỗi, đưa ra đánh giá về mô hình, cải thiện mô hình, giúp mô hình càng phát triển hơn.

Nhiệm vụ nghiên cứu

Nhiệm vụ nghiên cứu của đề tài bao gồm:

• Tìm hiểu.về yêut cầu và tiêut chuẩn của hệ thống tự động

• Nghiên cứu lý thuyết: Áp dụng phương pháp nghiên cứu lý thuyết để tìm hiểu các khái niệm và nguyên lý liên quan đến đề tài nghiên cứu, xử lý ảnh và nhận dạng

• Nghiên cứu thiết kế: Áp dụng nguyên lý đã học, xử lý ảnh và nhận để đạt được hoạt động và chính xác của hệ thống

• Đánh giá tính.ổn.định.và.độ.chính xác của hệ thống

Công đoạn chế tạo là giai đoạn quan trọng trong xây dựng máy tính, tập trung vào việc lựa chọn và sử dụng các linh kiện phù hợp Sau khi lựa chọn, các linh kiện sẽ được lắp ráp và kết nối với nhau để tạo thành một hệ thống máy tính hoàn chỉnh, đảm bảo hiệu suất và độ ổn định của máy.

Đối tượng và phạm vi nghiên cứu

Phạm vi nghiên cứu: một hệ thống tự động, một băng tải động, một camera xử lý ảnh và một máy tính Mô hình này được thiết kế nhỏ gọn, phù hợp để thực hành và nghiên cứu Đối tượng nghiên cứu: Các cảm biến, servo, hệ thống băng tải, camera xử lý ảnh và máy tính

Giới hạn đề tài

Đề tài xoay quanh tập trung việc điều khiển cánh tay robot để đảm bảo độ chính xác và đúng vị trí trong quá trình di chuyển Đồng thời, mở rộng chức năng bằng việc sử dụng camera để nhận biết và phân loại sản phẩm trên băng tải chuyển động Camera thu thập hình ảnh để áp dụng các thuật toán và phân loại, từ đó nhận dạng và phân loại các sản phẩm dựa trên đặc điểm và thông tin hình ảnh.

Bố cục quyển báo cáo

Nội dung chính của đề tài được trình bày với 5 chương:

- Chương 1: GIỚI THIỆU: Giới thiệu, nêu rõ mục tiêu nghiên cứu, phương pháp nghiên cứu, xác định phạm vi và giới hạn đề tài, đối tượng nghiên cứu

- Chương 2: CƠ SỞ LÝ THUYẾT: Tổng quan về tình hình nghiên cứu và hướng nghiên cứu hiện tại

Mô hình tổng thể của hệ thống nên phác họa rõ ràng các thành phần chính và tương tác của chúng Thiết kế chi tiết của từng khối nên bao gồm sơ đồ khối, mô tả chức năng và các thông số về mặt cấu trúc Lựa chọn thiết bị cho từng khối phải phù hợp với các yêu cầu về hiệu suất, độ tin cậy và chi phí của hệ thống chung.

- Chương 4: THI CÔNG HỆ THỐNG: Trình bày kết quả thi công và triển khai mô hình mô hình hệ thống

Chương 5 tổng kết các phát hiện chính của nghiên cứu, nêu bật những ưu và nhược điểm của mô hình, đồng thời đề xuất các hướng phát triển trong tương lai Phần kết luận này đóng vai trò quan trọng trong việc cung cấp cái nhìn tổng quan về nghiên cứu, nhấn mạnh những đóng góp của nó và xác định các lĩnh vực cần nghiên cứu thêm.

CƠ SỞ LÝ THUYẾT

Thị giác máy tính

Thị giác máy tính là một lĩnh vực trong khoa học máy tính học có khả năng tái cấu trúc, làm gián đoạn và hiểu thông tin từ hình ảnh 2D và video, về các thuộc tính của cấu trúc có mặt tại hiện trường Nó liên quan đến mô hình hóa và tái tạo khả năng nhìn của con người bằng máy tính

Trong lĩnh vực máy tính, một trong những thách thức lớn từ những năm 1950 là tạo ra các máy tính có khả năng hiểu và xử lý hình ảnh và video giống con người Thị giác máy tính đã trở thành một lĩnh vực nghiên cứu đầy hứa hẹn và thú vị trong kỹ thuật và khoa học máy tính, cũng như trong trí tuệ nhân tạo

OpenCV là thư viện C++ hỗ trợ các ngôn ngữ lập trình như Python và Java, cung cấp các chức năng xử lý ảnh và thị giác máy tính chuẩn Người dùng có thể đọc/ghi ảnh, xử lý ảnh, phát hiện cạnh, trích xuất đặc trưng, áp dụng thuật toán máy học để nhận diện và phân loại đối tượng OpenCV được cộng đồng hỗ trợ rộng rãi và ứng dụng trong các lĩnh vực như công nghệ ô tô tự động, thị giác máy tính, robot, y tế, an ninh

Hình 2 1 Thư viện Open CV

Tiền xử lý ảnh là quá trình chuẩn bị và xử lý dữ liệu hình ảnh trước khi áp dụng các thuật toán và phương pháp phân tích hình ảnh Mục đích của tiền xử lý ảnh là cải thiện chất lượng dữ liệu, loại bỏ nhiễu, tăng cường đặc trưng và chuẩn bị dữ liệu cho các bước tiếp theo của quá trình xử lý hình ảnh

Tiền xử lý ảnh trong đồ án này là một bước quan trọng để làm sạch và cải thiện chất lượng ảnh trước khi áp dụng các phương pháp thị giác máy tính và học máy Và phương pháp nhóm thực hiện đề tài sử dụng ở đây là chuyển đổi không gian màu

Sử dụng phương pháp chuyển đổi không gian màu là một cách tiền xử lý ảnh phổ biến để tách biệt các thông tin màu sắc và đặc trưng khác tr ong ảnh Đối với đồ án này, bạn có thể áp dụng chuyển đổi không gian màu để cải thiện quá trình phân loại chai nhựa Dưới đây là các bước cơ bản để thực hiện phương pháp này:

- Đọc ảnh: Sử dụng OpenCV AI để đọc ảnh chai nhựa từ nguồn hình ảnh

- Chuyển đổi không gian màu: Áp dụng chức năng chuyển đổi không gian màu từ không gian màu gốc sang không gian màu khác Ở đây nhóm đã chuyển đổi từ không gian màu RGB sang không gian màu HSV

- Trích xuất thành phần màu: Từ không gian màu mới, nhóm có thể trích xuất các thành phần màu sắc như màu sắc chính, độ bão hòa và giá trị độ sáng trong không gian màu HS

- Xử lý và phân loại: Sau khi trích xuất các thành phần màu, nhóm đã áp dụng các phương pháp xử lý và phân loại như áp dụng ngưỡng để tách biệt các vùng màu khác nhau, hoặc sử dụng mô hình học máy để phân loại sản phẩm dựa trên các thành phần màu trích xuất

Phát hiện vật thể là khả năng của hệ thống máy tính và phần mềm để xác định và định vị các đối tượng trong một hình ảnh và video Nó đã được sử dụng rộng rãi trong nhiều lĩnh vực như phát hiện khuôn mặt, phát hiện xe, đếm số người đi bộ, hệ thống bảo mật và xe tự lái, ,vv Có nhiều phương pháp và thuật toán có thể được sử dụng để nhận diện đối tượng, và sự phát triển của phát hiện vật thể sẽ đến từ các lập trình viên

6 và các nhà phát triển phần mềm Phát hiện đối tượng là một trong những thú vị của máy tính kỹ thuật thị giác Một trong những ứng dụng chính của đối tượng phát hiện là ô tô tự lái nơi hệ thống sử dụng máy tính tầm nhìn, công nghệ cho đa chiều đại diện cho các con đường và LADAR

Từ năm 2012, sự phát triển nhanh chóng của deep learning đã mang đến các thuật toán và phương pháp hiện đại và chính xác hơn trong object detection Một số thuật toán nổi tiếng bao gồm R-CNN, Fast-RCNN, RetinaNet, SSD và YOLO Những phương pháp này dựa trên deep learning và yêu cầu kiến thức sâu về toán học và học máy Tuy nhiên, việc tích hợp và sử dụng object detection trong các sản phẩm mới vẫn gặp khó khăn và phức tạp đối với hàng triệu chuyên gia lập trình và nhà phát triển phần mềm

Sử dụng ImageAI, lập trình viên và nhà phát triển phần mềm có thể áp dụng các công nghệ phát hiện đối tượng vào các ứng dụng hiện có và mới mà không đòi hỏi nhiều mã code ImageAI cung cấp hỗ trợ cho một danh sách các thuật toán học máy hiện đại nhất để dự đoán hình ảnh, nhận diện đối tượng và phát hiện video

Trích xuất đặc trưng là quá trình chuyển đổi dữ liệu đầu vào thành một tập hợp các đặc trưng có ý nghĩa và thông tin hữu ích để đại diện cho dữ liệu Mục tiêu của trích xuất đặc trưng là tạo ra một biểu diễn gọn gàng và ý nghĩa hơn cho dữ liệu ban đầu, giúp cho việc phân loại, nhận dạng và xử lý dữ liệu dễ dàng hơn

Khi làm việc với dữ liệu có một vài vấn đề thường gặp phải dữ liệu có kích thước lớn hoặc có nhiều thông tin không cần thiết Trích xuất đặc trưng giúp con người tập trung vào các yếu tố quan trọng và loại bỏ các yếu tố không cần thiết Điều này cũng giúp giảm chiều dữ liệu, tăng tốc quá trình xử lý và cải thiện hiệu suất của các thuật toán máy học

Tổng quan về YOLO

YOLO là một mô hình nhận diện đối tượng thời gian thực được ra mắt vào năm

2016 bởi Joseph Redmon và đồng nghiệp tại Đại học Washington YOLO nổi bật với việc xem xét toàn bộ hình ảnh một lần duy nhất để dự đoán các vùng chứa đối

8 tượng và lớp tương ứng Trước khi YOLO xuất hiện, các phương pháp nhận diện đối tượng truyền thống thường chia nhỏ hình ảnh thành các vùng nhỏ hơn và áp dụng các bước xử lý riêng biệt cho từng vùng này Điều này làm giảm hiệu suất và độ chính xác, đồng thời làm tăng thời gian xử lý

YOLO đã giải quyết vấn đề này bằng cách giảm quá trình xem xét và dự đoán đối tượng chỉ trong một lần duy nhất Phiên bản ban đầu của YOLOv5 rất nhanh chóng, hiệu quả và dễ sử dụng Mặc dù YOLOv5 không đưa ra bất kỳ kiến trúc mô hình mới nào cho dòng YOLO, nhưng nó cung cấp một khung triển khai và đào tạo PyTorch mới nhằm nâng cao tính hiện đại cho các bộ nhận diện đối tượng.Hơn nữa, YOLOv5 cực kỳ thân thiện với người dùng và sẵn sàng sử dụng trên các đối tượng đặt làm riêng

Kiến trúc mạng YOLO và cách hoạt động của YOLO

Kiến trúc mạng YOLO với những thành phần: base network là những mạng tích chập có nhiệm vụ trích xuất đặc trưng Phần phía sau là những lớp bổ sung được áp dụng để nhận diện vật thể trên feature map của base network

Base network của YOLO sử dụng tập trung chủ yếu là các lớp tích chập với các fully conntected layer Các kiến trúc YOLO cũng khá đa dạng và có thể tùy biến thành các phiên bản cho nhiều hình dạng đầu vào khác nhau

Hình 2.2 Sơ đồ kiến trúc mạng YOLO Với thành phần mạng kiến trúc Darknet (Darknet Architechture) được gọi là base network với chức năng trích suất đặc trưng Đầu ra của base network là một feature map có kích thước 7x7x1024 sẽ được sử dụng làm đầu vào cho các lớp bổ sung có tác dụng dự đoán nhãn và tọa độ bounding box của vật thể cần dự đoán

Trong YOLOv3 có áp dụng một mạng trích xuất đựac trưng là darknet-53 Mạng này gồm 53 lớp tích chập kết nối liên tiếp, mỗi lớp được theo sau bởi một batch normalization và một activation Leaky Relu

Hàm tính IoU: IoU là hàm đánh giá độ chính xác của nhận diện vật thể trên tập dữ liệu cụ thể và IoU được tính bằng:

Hình 2.3 Công thức tính IoU

2.3.1 Output của YOLO Đầu ra của mô hình YOLO là một vec-tơ bao gồm các thành phần:

Hình 2.4 Mô hình output của YOLO

- là xác suất dự báo vật thể xuất hiện trong bounding box

- < tx, ty, tw, tℎ > giúp xác định bounding box Trong đó tx, ty là tọa độ tâm và là kích thước rộng, dài của bounding box

- < p1, p2, … , pc > là véc tơ phân phối xác suất dự báo của các classes Để huấn luyện mô hình thông qua các nguồn mở như darknet, hiểu rõ về đầu ra là rất quan trọng để có thể cấu hình các tham số chính xác Đầu ra được xác định dựa trên số lượng lớp (classes) theo công thức (n_class + 5) Ví dụ, nếu có 80 lớp được huấn luyện, thì đầu ra sẽ có 85 Trong trường hợp sử dụng 3 anchors/cell, số lượng tham số đầu ra sẽ là: (n_class +5) x 3 = 85 x 3 = 255

Hình 2.5 Kiến trúc đầu ra của model YOLO

Ảnh trên feature map có kích thước 13x13, mỗi ô trên feature map sẽ chứa ba anchor box với kích thước khác nhau, được gọi là Box 1, Box 2 và Box 3 Các anchor box này được đặt sao cho tâm của mỗi anchor box trùng với tâm của ô tương ứng Kết quả đầu ra của YOLO sẽ là một vectơ gồm ba bounding box liên tiếp Các thuộc tính của bounding box được mô tả trong dòng cuối cùng của hình.

2.3.2 Dự đoán nhiều feature map Ở phiên bản YOLOv3 có thể dự báo trên nhiều feature map

YOLO dự đoán trên nhiều feature map Những feature map ban đầu có kích thước nhỏ giúp dự báo được các vật thể có kích thước lớn Những feature map sau có kích thước lớn hơn trong khi anchor box được giữ cố định kích thước nên sẽ giúp dự báo cácvật thể kích thước nhỏ

Hình 2.6 Các feature maps khác nhau của mạng YOLO

Trên cùng feature map hình vuông S x S, mô hình YOLO sinh ra một số lượng anchor box là: S x S x 3 Như vậy số lượng anchor boxes trên một bức ảnh sẽ là:

Quá trình huấn luyện mô hình YOLO có thể trở nên chậm chạp do số lượng bounding box lớn, cụ thể là 10,647 bounding box cần được dự báo đồng thời, và đây là một nguyên nhân chính Dưới đây là một số lưu ý khi huấn luyện mô hình YOLO:

- RAM: Để lưu trữ 10,647 bounding box trong kiến trúc này, cần có dung lượng RAM lớn hơn so với các mô hình phân loại truyền thống

- Batch size: Không thể thiết lập batch size quá lớn như trong các mô hình phân loại, vì điều này có thể dẫn đến tràn bộ nhớ YOLO sử dụng gói vùng tối để chia nhỏ một batch thành các phân khu nhằm tối ưu việc sử dụng RAM

- Thời gian xử lý: YOLO yêu cầu thời gian xử lý cho mỗi bước lớn hơn rất nhiều so với các mô hình phân loại Do đó, cần thiết lập giới hạn số bước huấn luyện (steps) nhỏ Với các tác vụ nhận diện dưới 5 lớp, có thể thu được kết quả tạm chấp nhận được sau dưới 5000 bước huấn luyện Đối với các mô hình có nhiều lớp hơn, có thể tăng số bước huấn luyện theo cấp số nhân tùy theo mong muốn

Một bouding box được tìm thấy phụ thuộc vào anchor box, trong đó mô hình sẽ suwrr dụng các anchor box như một cơ sơ để ước lượng Các anchor này được xác định trước và được đặt xung quanh đối tượng một cách tương đối chính xác Sau đó, thuật toán quy hồi bounding box sẽ điều chỉnh lại anchor box để tạo ra bounding box dự đoán cho đối tượng

Trong một mô hình YOLO:

Hình 2.7 Xác định anchor box cho một vật thể

Mỗi vật thể trong hình ảnh sẽ được xác định bằng anchor box Trong trường hợp có từ hai anchor boxes trở lên bao quanh cùng một vật thể, anchor box có IoU với ground truth bounding box cao nhất sẽ được xác định là anchor box đại diện cho vật thể đó.

- Từ Cell i ta xác định được 3 anchor boxes viền xanh như trong hình Bounding box của vật thể đều giao với ba anchor box Tuy nhiên chỉ anchor box có đường viền dày nhất màu xanh được lựa chọn làm anchor box cho vật thể bởi nó có IoU so với ground truth bounding box là cao nhất

Các vật thể trong ảnh huấn luyện được phân phối vào một cell trên bản đồ đặc trưng chứa điểm giữa của vật thể Ví dụ, trong hình ảnh, vị trí của một người sẽ được chỉ định vào cell có điểm giữa trùng với vị trí của người đó.

13 về cell màu đỏ vì điểm mid point của người nằm trong cell này Từ cell đó, sẽ xác định các anchor boxes bao quanh hình ảnh của người

→ Vì vậy, khi xác định một vật thể, thì cần xác định cả hai thành phần kết hợp là cell và anchor box Vật thể không thể được xác định riêng lẻ chỉ dựa trên cell hoặc chỉ dựa trên anchor box

2.3.4 Dự báo boding box Để dự báo bounding box cho một vật thể sẽ được dựa trên một phép biến đổi từ anchor box và cell

Hình 2.8 Một ví dụ về middle point

THIẾT KẾ HỆ THỐNG

YÊU CẦU VÀ SƠ ĐỒ KHỐI CỦA HỆ THỐNG

3.1.1 Yêu cầu của hệ thống

1 Hệ thống cần được trang bị camera hình ảnh để ghi nhận thông tin về sản phẩm đang di chuyển qua Để phân loại sản phẩm, hệ thống cần sử dụng các thuật toán xử lý hình ảnh để trích xuất đặc trưng từ hình ảnh và nhận diện màu của sản phẩm

2 Để điều khiển servo và thực hiện các nhiệm vụ phân loại, hệ thống cần có hệ thống điều khiển này sẽ giúp servo di chuyển và tương tác với sản phẩm, khi sản phẩm được phân loại là màu và màu lỗi,

3 Hệ thống cần có một quy trình xử lý để xử lý sản phẩm trên dây chuyền sản xuất

Hệ thống cần đạt được độ chính xác và hiệu suất phân loại sản phẩm cao, để đảm bảo rằng sản phẩm phân loại được phát hiện và xử lý đúng cách

3.1.2 Sơ đồ khối và chức năng từng khối

Sơ đồ khối của hệ thống:

Hình 3.1 Sơ đồ khối mô hình phân loại tự động sản phẩm theo màu sắc

Khối xử lí trung tâm: bộ xử lí chính của hệ thống, truy xuất dữ liệu, nhận tín hiệu trả về từ các khối khác

Khối sensor: giao tiếp với khối xử lý trung tâm phát hiện vật khi có sản phẩm đi qua Khối servo: giao tiếp với khối xử lý trung tâm gạc phân loại sản phẩm

Khối vận chuyển : giao tiếp với khối điều khiển trung thông qua relay

Khối hiển thị: giao tiếp với khối điều khiển trung hiển thị số lượng sản phẩm đã được phân loại

Khối quét và xử lí màu: camera giao tiếp với máy tính thông qua cổng USB và máy xử lý thông tin truyền qua khối điều khiển trung tâm

Khối nguồn: cung cấp và đáp ứng đầy đủ thông số dòng và áp cho các khối còn lại, đảm bảo cho hệ thống hoạt động ổn định

Hệ thống sử dụng vi điều khiển Arduino R3 làm trung tâm xử lý, điều khiển và quản lý các thành phần Camera RAPo C260 Full HD ghi hình ảnh sản phẩm chất lượng cao Servo di chuyển sản phẩm trên băng chuyền và phân loại về đúng vị trí Màn hình LCD 20*4 hiển thị số lượng và màu sắc sản phẩm đã phân loại Thư viện OPEN CV của Python hỗ trợ sử dụng AI để nhận dạng và đọc màu sắc.

TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG

Gồm cấc bước:vai trò, lựa chọn linh kiện, thông số kỹ thuật, tính toán thiết kế, sơ đồ nguyên lí, giải thích sơ đồ

Kết nối phần cứng của mỗi khối

3.2.1 Khối xử lý trung tâm

❖ Vai trò: Bộ xử lý trung tâm có vai trò như “bộ não” của hệ thống Có chức năng xử lí tất cả các lệnh,yêu cầu được gửi về từ các khối khác

Arduino Uno R3, trong ngữ cảnh hiện nay, Arduino r3 là một lựa chọn ưu việc trên thị trường module tích hợp Trong khi có nhiều sự cạnh tranh từ các sản phẩm khác như STM32, Rasberry và PIC, Arduino Uno R3 được ưa chuộng nhờ dễ sử dụng, dễ thao tác và giá thành vừa phải

Với giao diện phát triển tích hợp thân thiện (IDE) cùng với sự hỗ trợ mạnh mẽ từ cộng đồng, Arduino Uno trở thành một công cụ linh hoạt cho việc viết và nạp code mà không đòi hỏi kiến thức lập trình chuyên sâu Điều này làm cho nó trở thành sự lựa chọn lý tưởng cho kỹ sư, lập trình viên, và ngay cả học sinh mới bắt đầu Đặc biệt, Arduino Uno là lựa chọn phù hợp vừa đủ giữa Arduino Mega và Nano Khả năng mở rộng thông qua các shield, cùng với tính tương thích với nhiều loại cảm biến và thiết bị khác nhau, làm cho Arduino Uno trở thành một công cụ linh hoạt và thích hợp cho nhiều ứng dụng khác nhau Với sự hiện diện rộng rãi trên thị trường, Arduino Uno không chỉ mang lại tiện ích về chức năng mà còn đảm bảo tính ổn định và sẵn sàng sử dụng Đây thực sự là một lựa chọn đáng xem xét cho những dự án điều khiển và sáng tạo điện tử

Bảng 3.1: Lựa chọn linh kiện khối xử lý trung tâm

Thông số Arduino PIC 16F887 STM32

Dòng vi điều khiển AVR PIC ARM Cortex-M

Giao tiếp SPI, I2C, USART SPI, I2C, USART,

USART, I2C, SPI, CAN, USB, Ethernet

Cần sử dụng thêm các module mở rộng

Không có Bluetooth, Wifi, RF,

Tốc độ xử lý 16MHz 20MHz 72MHz-168MHz

MicroUSB PICkit Series ST-Link/V2 J-Link

Thấp Thấp Thấp trừ các dòng

Chi phí và mức độ chuyên môn

Thấp dễ tiếp cận Thấp phù hợp với người mới bắt đầu

Thấp sử dụng phức tạp

Bảng 3 2 Thông số kỹ thuật của Arduino R3

Vi điều khiển ATmega328 họ 8bit Điện áp hoạt động 5V DC (chỉ được cấp qua cổng USB)

Tần số hoạt động 16 MHz

Dòng tiêu thụ khoảng 30mA Điện áp vào khuyên dùng 7-12V DC Điện áp vào giới hạn 6-20V DC

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

Tốc độ thạch anh 16 MHz

Các chân I/O cấp nguồn áp/nguồn dòng (5V/ 30mA) phù hợp với các cảm biến cần kết nối Đầy đủ các chân cần thiết, dùng nguồn từ laptop dễ dàng cấp nguồn hoạt động Hỗ trợ các chuẩn giao tiếp SPI, UART,

Hình 3.2 Sơ đồ khối xử lí trung tâm mô phỏng và thực tế

Mạch Arduino Uno có hai nguồn cung cấp: Adapter qua Jack DC và cổng USB Nếu chỉ có một nguồn, mạch sẽ sử dụng nguồn đó Trong trường hợp có cả hai, mạch sẽ ưu tiên nguồn từ Jack DC Điện áp từ Jack DC qua OpAmp và MOSFET được so sánh với 3.3V để quyết định nguồn cung cấp Điện áp 5V và 3.3V được tạo bởi các IC ổn áp NCP1117 và LP2985 Bảo vệ bằng cầu chì tự phục hồi (F1) và Diode ngược dòng (D1) Đèn nguồn ON báo hiệu mạch đã được cấp nguồn, và nếu không sáng, có thể có vấn đề với nguồn cung cấp, kết nối lỏng, hoặc ngắn mạch

❖ Vai trò: Giúp nhận biết từng sản phẩm đi qua và đồng thời là nút khởi động cho dây chuyền Do hệ thống đã có camera nhận biết màu sản phẩm và từ đó xử lý để điều khiển Servo nên cảm biến chỉ có nhiệm vụ phát hiện khi nào sản phẩm đi qua và cho phép khởi động băng tải Vì vậy cảm biến vật cản hồng ngoại được chọn cho hệ thống này

Cảm biến vật cản hồng ngoại E3F - DS30P1 được lựa chọn vì chất lượng tốt và độ bền cao, cảm biến sử dụng ánh sáng hồng ngoại để phát hiện vật cản phía trước Với dải tần số chuyên biệt, cảm biến có khả năng chống nhiễu tốt kể cả ở điều kiện ánh sáng mạnh như ngoài trời

Cảm biến vật cản hồng ngoại E3F-DS30P1 được thiết kế để có khả năng điều chỉnh khoảng cách thông qua biến trở Với cấu trúc Transistor NPN và điện trở nội 10k được nối lên nguồn VCC, cảm biến có thể sử dụng ngay mà không cần trở kéo lên Điều này đảm bảo tính ổn định và tiện lợi trong quá trình sử dụng

Bảng 3.3 Thông số kỹ thuật cảm biến Điện áp hoạt động 5VDC

Khoảng cách phát hiện vật cản 0 – 30cm

Dòng kích ngõ ra 300mA

Hiện thị ngõ ra Led đỏ

Nhiệt độ hoạt động 30°C - 65°C Đường kính 18mm

Khoảng Cách Đo:Khoảng cách đo của cảm biến E3F-DS30P1 có thể được tính bằng cách sử dụng công thức:

Trong đó, "Kiểu Số" là giá trị được cung cấp trong tài liệu kỹ thuật của cảm biến và

"Lực Ăn Đèn" là độ nhạy của cảm biến đối với ánh sáng

Tốc độ đáp ứng của cảm biến có thể phụ thuộc vào loại ứng dụng và điều kiện môi trường, nhưng không có một công thức chung cụ thể nào Điều này thường cần được xác định thông qua thử nghiệm thực tế hoặc kiểm tra của nhà sản xuất Điện Áp Hoạt Động: Điện áp hoạt động của cảm biến thường được chỉ định trong tài liệu kỹ thuật Đảm bảo cung cấp điện áp theo giới hạn được đề xuất để đảm bảo hoạt động đúng cách

Chiều dài cảm biến 45mm

Hình 3.3 Sơ đồ khối sensor mổ pnỏng và thực tế

Emitter (Bộ phát ánh sáng): Bộ phát này tạo ra tia ánh sáng, thường là tia laser hoặc tia hồng ngoại, tùy thuộc vào ứng dụng cụ thể của cảm biến Ánh sáng này được phát ra và chuyển hướng đến vùng mà cảm biến muốn giám sát

Receiver (Bộ nhận ánh sáng): Bộ nhận nhận tia ánh sáng được phát ra bởi bộ phát Nếu có vật thể xuất hiện trong đường của tia ánh sáng, lượng ánh sáng được nhận về sẽ giảm đi, và cảm biến sẽ phát hiện sự thay đổi này

Circuitry (Mạch điện): Các mạch điện trong cảm biến sẽ xử lý thông tin từ bộ nhận và tạo ra một đầu ra hoặc tín hiệu dựa trên sự thay đổi trong lượng ánh sáng nhận được Điều này có thể kích hoạt một công tắc, gửi một tín hiệu đến hệ thống điều khiển, hoặc thực hiện một chức năng khác tùy thuộc vào ứng dụng cụ thể

Lens (Kính chụp ánh sáng): Một ống kính hoặc các thành phần quang học khác có thể được sử dụng để hướng dẫn và tập trung tia ánh sáng từ bộ phát đến bộ nhận, tăng cường hiệu suất của cảm biến

Vỏ bảo vệ là một phần quan trọng của cảm biến, giúp bảo vệ cảm biến khỏi các tác động của môi trường như bụi, nước và ánh sáng.

❖ Vai trò: Nhận giá trị từ khối xử lý trung tâm xử lý gạc để phân loại sản phẩm

❖ Lựa chọn linh kiện: Động cơ Micro Servo SG90 là một lựa chọn phổ biến trong thiết kế robot nhờ vào lực kéo mạnh và tính bền Động cơ được tích hợp sẵn Driver điều khiển động cơ bên trong theo cơ chế phát xung – quay góc trở nên rất dễ dàng và thuận tiện

Bảng 3.4 Thông số kỹ thuật servo

Thiết kế phần mềm và lưu đồ giải thuật

Khi cảm biến nhận diện sản phẩm, băng tải tự động chạy Tín hiệu từ cảm biến truyền tới hệ thống, kích hoạt tín hiệu từ Python đến webcam Webcam quét và nhận diện sản phẩm, sau đó Arduino điều khiển servo gạt sản phẩm vào vị trí tương ứng với từng loại lỗi Sau một khoảng thời gian không có sản phẩm, băng chuyền sẽ tự động dừng lại.

*Lưu đồ giải thuật của hệ thống

Hình 3.9 Lưu đồ giải thuật của hệ thống

Giải thích lưu đồ: Bắt đầu chương trình sẽ nhận kết nối tín hiệu qua cổng serial từ arduino, khi cảm biến nhận được tín hiệu thì băng tải sẽ chạy sau đó sản phẩm sẽ được webcam quét hệ thống sẽ nhận diện và tiến hành xử lý hình ảnh hiển thị mà webcam đã lấy được để nhận diện màu của sản phẩm Nếu đúng thì sẽ gửi dữ liệu để Servo điều hướng sản phẩm về đúng vị trí mong muốn, ngược lại thì hệ thống sẽ bỏ qua và băng tải sẽ tiếp tục chạy Trường hợp không còn sản phẩm để phân loại hoặc sau 10 giây nếu không có sản phẩm nào được để lên băng tải thì hệ thống sẽ tự động dừng băng tải và kết thúc

Hình 3.10 Lưu đồ giải thuật của python

Giải thích lưu đồ: Bắt đầu chương trình sẽ nhận kết nối tín hiệu qua cổng serial từ arduino, sau đó nhận tín hiệu điều khiển theo yêu cầu từ phản hồi của arduino, hệ thống sẽ nhận diện và tiến hành xử lý hình ảnh hiển thị mà webcam đã lấy được để nhận diện màu sản phẩm Từ đó gửi dữ liệu điều khiển sang cho aduino tiến hành xử lí để Servo hoạt động phân loại sản phẩm

Hình 3.11 Lưu đồ giải thuật của adruino Bắt đầu chương trình khai báo các biến và các chân của ba servo cũng như là cảm biến, sau đó thiết lập các góc độ phù hợp của servo từng trạng thái của servo Khởi động dây chuyền bằng cách đưa tín hiệu cảm biến về LOW thì băng chuyền sẽ chạy, servo ở trạng thái ban đầu chờ nhận tín hiệu từ python để điều khiển, servo xoay ở góc độ mặc định đã được cài đặt sẵn initialAngel 1,2,3 Khi có chuỗi dữ liệu “ORANGE” thì sẽ chạy void servo1 trong đó thiết lập có thông số xoay của ba servo để đưa sản phẩm về đúng vị trí mong muốn Lần lượt chuỗi “YELLOW” sẽ chạy void servo2, chuỗi “BLUE” chạy void servo3, chuỗi “RED” chạy void servo4, Sau khi phân loại

41 và đếm tổng số lượng sản phẩm đã phân loại thì bộ đếm của aduino sẽ được cài đặt thời gian để dừng băng chuyền tự động.

KẾT QUẢ THI CÔNG HỆ THỐNG

Kết quả của mô hình thi công

4.1.1 Kết quả của phần cứng kết nối giữa các thiết bị Để yêu cầu phần cứng, việc lựa chọn và mua các thành phần cần thiết như servo, động cơ, bộ điều khiển, cảm biến và các linh kiện khác đảm bảo chất lượng và tương thích với nhau đã giúp cho hệ thống ổn định và hiệu quả hơn

Hình 4.1 Hình mạch kết nối giữa các thiết bị phần cứng

Tiếp theo, tiến hành thiết kế mạch điện cho hệ thống Thiết kế mạch điện bao gồm kết nối các thành phần, đảm bảo nguồn điện ổn định và giao tiếp giữa các module Trong khi đó, thiết kế servo để đạt được khả năng di chuyển và thao tác theo yêu cầu

4.1.2 Kết quả của toàn bộ hệ thống

Mô hình được hoàn chỉnh và có độ chính xác cao, có chức năng phân loại sản phẩm theo màu sắc trên băng chuyền Dưới đây là mô hình đã được hoàn thiện chụp ở nhiều góc độ khác nhau được thể hiện trong hình 4.2 và hình 4.3

Hình 4.2 Mô hình hoàn thiện chụp từ phía trước

Hình 4.3 Mô hình hoàn thiện chụp từ phía sau

Hình 4.4 thể hiện góc chụp tổng quát hoàn thiện của mô hình, bao gồm cảm biến khoảng cách ở đầu băng chuyền Cảm biến này có chức năng nhận dạng vật cản và gửi tín hiệu cho vi điều khiển để tiến hành phân loại sản phẩm.

Kết quả hoạt động của hệ thống:

Hệ thống phân loại sản phẩm trên băng chuyền đã hoạt động một cách ổn định Khi kích hoạt, băng chuyền và các thiết bị hoạt động một cách đồng bộ Khi đặt sản phẩm lên băng chuyền, băng chuyền di chuyển tới vị trí kiểm tra

Camera sử dụng để quét sản phẩm và phân loại sản phẩm theo màu Hệ thống sử dụng các thuật toán xử lý ảnh và YOLO V5 để nhận biết các đặc điểm đặc trưng của sản phẩm Kết quả phân loại được truyền cho các servo để tiến hành phân loại

Mỗi sản phẩm trên băng chuyền được di chuyển đến vị trí có camera để nhận diện màu sắc Sau khi camera quét màu sản phẩm sẽ phân loại sản phẩm vào đúng vị trí đã qui định

4.1.3 Phân loại sản phẩm màu vàng

Hình 4.5 Sản phẩm màu vàng được vận chuyển

Hình 4.6 Sản phẩm màu vàng được phân loại

Khi sản phẩm màu vàng được truyền đến vị trí như hình 4.5, lúc này camera sẽ nhận diện xem đây là sản phẩm màu gì, và chụp sản phẩm lại Sau đó các servo sẽ điều khiển gạt vào vị trí của sản phẩm màu đó như hình 4.6

Hình 4.7 Phân loại sản phẩm màu vàng

Giải thích: Sau khi cấp nguồn, băng tải sẽ bắt đầu hoạt động khi cảm biến tiệm cận phát hiện vật Khi đặt sản phẩm lên băng tải nó sẽ di chuyển và được camera quét và phân loại Khi camera quét được sản phẩm màu vàng, khi đó servo phân loại sản phẩm màu vàng sẽ gạt sản phẩm vào vị trí chứa sản phẩm theo thứ tự.

4.1.4 Phân loại sản phẩm màu cam

Hình 4.8 Sản phẩm màu cam được vận chuyển

Hình 4.9 Sản phẩm màu cam được phân loại

Hình 4.10 Phân loại sản phẩm màu cam

Sau khi thiết bị được cấp nguồn, băng tải sẽ kích hoạt nhờ cảm biến tiệm cận phát hiện sản phẩm Sản phẩm được đặt lên băng tải sẽ bắt đầu di chuyển và được camera quét để phân loại Khi camera quét phát hiện sản phẩm màu cam, servo phân loại dành riêng cho sản phẩm màu cam sẽ đẩy sản phẩm vào vị trí lưu trữ đã định trước.

4.1.5 Phân loại sản phẩm màu xanh

Hình 4.11 Sản phẩm màu xanh được vận chuyển

Hình 4.12 Sản phẩm màu xanh được phân loại

Hình 4.13 Phân loại sản phẩm màu xanh

Giải thích: Sau khi cấp nguồn, băng tải sẽ bắt đầu hoạt động khi cảm biến tiệm cận phát hiện vật Khi đặt sản phẩm lên băng tải nó sẽ di chuyển và được camera quét và phân loại Khi camera quét được sản phẩm màu xanh, khi đó servo phân loại sản phẩm màu xanh sẽ gạt sản phẩm vào vị trí chứa sản phẩm theo thứ tự.

4.1.6 Phân loại sản phẩm màu hồng

Hình 4.14 Sản phẩm màu hồng được vận chuyển

Hình 4.15 Sản phẩm màu hồng được phân loại

Hình 4.16 Phân loại sản phẩm màu hồng

Giải thích: Sau khi cấp nguồn, băng tải sẽ bắt đầu hoạt động khi cảm biến tiệm cận phát hiện vật Khi đặt sản phẩm lên băng tải nó sẽ di chuyển và được camera quét và phân loại Khi camera quét được sản phẩm màu hồng, khi đó servo phân loại sản phẩm màu hồng sẽ gạt sản phẩm vào vị trí chứa sản phẩm theo thứ tự.

4.1.7 Phân loại sản phẩm màu đỏ

Hình 4.17 Sản phẩm màu đỏ được vận chuyển

Hình 4.18 Sản phẩm màu đỏ được phân loại

Hình 4.19 Phân loại sản phẩm màu đỏ

Giải thích: Sau khi cấp nguồn, băng tải sẽ bắt đầu hoạt động khi cảm biến tiệm cận phát hiện vật Khi đặt sản phẩm lên băng tải nó sẽ di chuyển và được camera quét và phân loại Khi camera quét được sản phẩm màu đỏ, khi đó servo phân loại sản phẩm màu đỏ sẽ gạt sản phẩm vào vị trí chứa sản phẩm theo thứ tự.

Số liệu trainning vật thể và nhận xét

1.5 Giới hạn đề tài Đề tài xoay quanh tập trung việc điều khiển cánh tay robot để đảm bảo độ chính xác và đúng vị trí trong quá trình di chuyển Đồng thời, mở rộng chức năng bằng việc sử dụng camera để nhận biết và phân loại sản phẩm trên băng tải chuyển động Camera thu thập hình ảnh để áp dụng các thuật toán và phân loại, từ đó nhận dạng và phân loại các sản phẩm dựa trên đặc điểm và thông tin hình ảnh

1.6 Bố cục quyển báo cáo

Nội dung chính của đề tài được trình bày với 5 chương:

- Chương 1: GIỚI THIỆU: Giới thiệu, nêu rõ mục tiêu nghiên cứu, phương pháp nghiên cứu, xác định phạm vi và giới hạn đề tài, đối tượng nghiên cứu

- Chương 2: CƠ SỞ LÝ THUYẾT: Tổng quan về tình hình nghiên cứu và hướng nghiên cứu hiện tại

- Chương 3: THIẾT KẾ HỆ THỐNG: Trình bày mô hình tổng quan của hệ thống, các khối thành phần của hệ thống, thiết kế chi tiết từng khối và các thiết bị sử dụng trong các khối đó

- Chương 4: THI CÔNG HỆ THỐNG: Trình bày kết quả thi công và triển khai mô hình mô hình hệ thống.