Thiết kế và xây dựng hệ thống đếm bao tự động với kích thước bao khác nhau dùng công nghệ xử lý ảnh

GI I THI U V CÁC S N PH M C A NHÀ MÁY M CÀ MAU

Nhà máy Cà Mau sản xuất nhiều loại sản phẩm với mẫu mã đặc trưng riêng biệt cho từng dòng sản phẩm, giúp khách hàng dễ dàng phân biệt các sản phẩm khác nhau Mỗi loại sản phẩm đều có quy cách đóng bao khác nhau, phù hợp với nhu cầu sử dụng và phương thức phân phối, bán hàng Dưới đây là các loại sản phẩm của Nhà máy Cà Mau:

 Dòng phân đ n bao g m có 6 lo i s n ph m: U rê h t đ c, N.Humate+TE, U rê Bio, DAP Cà Mau, N46 Plus Cà Mau, Kali Cà Mau

Hình 1 1: Các dòng s n ph m đ n dòng c a Nhà máy m Cà Mau [1]

 Dòng phân bón NPK g m có 9 lo i s n ph m v i các công th c khác nhau nh : NPK 17-7-17, NPK 18-6-18 Gold, NPK 18-6-18, NPK 16-16-10, NPK 16-16-8+TE, NPK 15-15-15+10S, NPK 16-7-17, NPK 20-20-15+TE, NPK 16-16-8

Hình 1 2: Các s n ph m phân bón NPK c a Nhà máy m Cà Mau [1]

 Các s n ph m phân bón cao c p: Bao g m 2 lo i s n ph m OM Cà Mau Green và

Hình 1 3: Các s n ph m phân bón NPK c a Nhà máy m Cà Mau [1]

GI I THI U TÀI

Nhà máy Cà Mau hiện có 4 dây chuyền xuất hàng với công suất tối thiểu 960 bao/giờ Sản phẩm xuất khẩu chủ yếu là các dòng phân bón đạm, phân bón NPK và phân bón cao cấp Hầu hết các dòng phân bón tại Nhà máy Cà Mau đều sử dụng nguyên liệu U rê, được đóng gói thành phẩm với mẫu mã đặc trưng Quy cách đóng bao đa dạng với các trọng lượng 50Kg/bao, 45Kg/bao và 25Kg/bao, tùy thuộc vào từng loại sản phẩm.

Tại Nhà máy m Cà Mau, các sản phẩm được xuất hàng từ các sà lan cặp bến, đảm bảo tính đồng nhất về loại sản phẩm và quy cách đóng bao Nếu cần xuất sản phẩm với quy cách khác, bến cần điều chỉnh hình thức đóng gói cho phù hợp Ngoài ra, vị trí và mẫu mã bao bì sản phẩm cũng không đồng nhất do việc bốc xếp lên bến xuất hàng có sự tham gia của con người.

4 t pallet Các y u t này th ng gây cho b đ m không nh n d ng đúng s n ph m và đ m sai s l ng hàng hóa

Hình 1 5: M t đ các gi a các bao t i Nhà máy m Cà Mau trên b ng t i xu t hàng

Nhà máy m Cà Mau sử dụng hệ thống băng tải hiện đại với các bộ điều khiển PLC S7-200 của Siemens, kết hợp cảm biến quang học để theo dõi và hiển thị giá trị sản phẩm thông qua đèn LED Các băng tải được lắp đặt trên các bệ xuất hàng, giúp vận chuyển sản phẩm và ghi nhận số lượng cũng như giá trị hàng hóa giữa nhà máy và khách hàng Mỗi băng tải được thiết kế để xử lý sản phẩm cùng kích thước và mã bao bì đồng nhất, với thông số thống kê duy nhất là số lượng sản phẩm đã qua băng tải.

5 hi n h u th ng gây sai s khi các bao s n ph m đi sát nhau ho c v trí bao đ t l ch trên b ng t i

Hình 1 6: B đ m hi n h u t i Nhà máy m Cà Mau

Đề tài nghiên cứu tập trung vào việc thiết kế hệ thống đếm cho phép đếm các bao có kích thước và quy cách đóng bao khác nhau, với mẫu mã đa dạng và độ chính xác cao trong các tình huống bao đi sát nhau tại Nhà máy m Cà Mau Để thực hiện mục tiêu này, tác giả đã đề xuất phương pháp thực hiện nghiên cứu thông qua mô phỏng đếm áp dụng kiểm chứng thực nghiệm Quá trình mô phỏng và thực nghiệm được thực hiện bằng hệ thống đếm bao tự động với kích thước bao có tỷ lệ thu nhặt so với bao sản phẩm thực tế tại Nhà máy m Cà Mau Kết quả cho thấy

6 trên đ c đánh giá phân tích làm c s cho vi c áp d ng l p đ t h th ng th c t trên dây truy n xu t hàng t i Nhà máy m Cà Mau.

TÌNH HÌNH NGHIÊN C U TRONG N C

Trong những năm gần đây, ứng dụng phương pháp xử lý nhãn trong việc kiểm tra đếm sản lượng ngày càng phát triển và đặc biệt được áp dụng trên nhiều lĩnh vực khác nhau Phương pháp xử lý nhãn cho máy tự động kiểm tra và phân loại nhãn in trên sản phẩm trong công đoạn đóng gói đã được trình bày Bài báo đã giới thiệu phương pháp phân loại sản phẩm dựa vào nhãn dán và barcode, sử dụng phần mềm Labview Các tác giả của bài báo đã đạt được ứng dụng xử lý nhãn vào mục đích kiểm đếm sản phẩm dựa vào nhận biết thông qua nhãn dán và barcode khác nhau.

Mô hình lập máy kiểm tra nhãn dán và phân loại đóng vai trò quan trọng trong việc đếm số lượng tôm giống Hệ thống này giúp nhận diện các vật chuyển động không theo quy luật và có kích thước nhỏ, từ đó nâng cao hiệu quả trong quy trình kiểm tra và phân loại tôm giống.

Hình 1 8: m con gi ng s d ng camera quét nh ng d ng phân lo i s n ph m d a trên màu s c b ng ph ng pháp x lý nh

Phương pháp phân loại cà chua sử dụng công nghệ xử lý hình ảnh cho phép phân loại các sản phẩm dựa trên màu sắc và kích thước một cách chính xác Bài báo trình bày cách thức mà các tác giả áp dụng công nghệ này để phân loại cà chua theo độ chín và kích thước, thay vì sử dụng phương pháp phân loại thủ công truyền thống Ngoài ra, phương pháp này còn giúp bảo quản chất lượng cà chua trong quá trình vận chuyển và đóng gói, đảm bảo sản phẩm đến tay người tiêu dùng một cách tốt nhất.

TÌNH HÌNH NGHIÊN C U NGOÀI N C

D a vào các m c đích và lo i s n ph m khác nhau, hi n nay trên th gi i có các lo i b đ m sau:

 H th ng phát hi n s n ph m l i trong các dây chuy n s n xu t

Hình 1 9: H th ng phát hi n l i s n ph m s d ng camera

 H th ng đ m các s n ph m có kích th c nh trong dây chuy n đóng gói

Hình 1 10: H th ng đ m s n ph m đóng gói

 H th ng đ m s ng i ra vào tòa nhà s d ng camera nh n di n khuôn m t

I T NG VÀ PH M VI NGHIÊN C U

i t ng nghiên c u

 Nh n d ng đ i t ng b ng ph ng pháp x lý nh

Ph m vi nghiên c u

 Nghiên c u gi i pháp đ m s n ph m c a Nhà máy m Cà Mau s d ng ph ng pháp x lý nh

 Xây d ng mô hình b đ m d a trên các nghiên c u trên

N I DUNG NGHIÊN C U

 Kh o sát ph ng pháp xu t hàng hi n t i và nh ng nh c đi m c a b đ m hi n h u t i Nhà máy m Cà Mau

 ánh giá các thông s c a s n ph m xu t hàng t i Nhà máy m Cà Mau: Quy cách đóng bao, m t đ bao, t c đ di chuy n c a bao trên b ng t i …

 Xây d ng các thu t toán x lý nh v i m c đích đ m các s n ph m khác lo i

 Thu th p, xác đ nh m u bao bì s d ng đ nghiên c u và xây d ng mô hình

 Th c nghi m trên mô hình h th ng đ m bao b ng ph ng pháp x lý nh

 ánh giá k t qu sau th c nghi m

TIÊU CHI ÁNH GIÁ

Tiêu chí đánh giá Giá tr đánh giá Ghi chú

Nh n d ng đúng m u bao bì v i 2 kích th c khác nhau 2 lo i kích th c Theo yêu c u c a Nhà máy

S l ng m u bao đ m 3 Theo yêu c u c a Nhà máy

T n su t đ m trung bình 240 bao/h Theo công su t c a Nhà máy

T l bao x p ch ng tính theo di n tích bao 1) thì ta ch th c hi n phép tính convolution trên các ph n t x1+i k;1+j k

 Tr ng h p trên: stride = 1(b c nh y), padding = 1

Hình 2 15: Mô t thu t toán Stride=1, padding=1

 Tr ng h p trên: stride = 2 (b c nh y), padding = 1 nh sau:

Hình 2 16: Mô t thu t toán v i giá tr Stride =2, padding =1

 M i kernel khác nhau s có ý ngh a khác nhau ph thu c vào các giá tr trong kernel mà ta có th trích xu t đ c đ c tr ng c a nh, tìm c nh, làm m …

Hình 2 18: nh sau khi x lý thu t toán kernel

 Làm m - tính giá trung bình c a m t vùng:

Hình 2 19: nh đã dùng thu t toán làm m

 Tùy vào m c đích thì giá tr c a kernel s khác nhau e M ng th n kinh tích ch p (Convolutional neural network) [9]

 Fully connected neural network (FCN) là mô hình m i node trong hidden layer đ c k t n i v i t t c các node trong layer tr c

 Gi s nh đ u vào có kích th c 16x16x3 (RGB), đ bi u th h t n i dung c a b c nh thì c n truy n vào input layer t t c các pixel (16x16x3 = 768)

T c là input layer có 768 (nodes) đ u vào

Màu sắc được biểu diễn qua ba kênh đỏ, xanh lá và xanh dương, do đó, hình ảnh được biểu diễn dưới dạng tensor ba chiều (tensor chứa dữ liệu có kích thước lớn hơn 2) Do đó, kernel được định nghĩa là một tensor ba chiều với kích thước k*k*3.

Hình 2 20: Mô t tensor 3 chi u kích th c

Kernel có cùng độ sâu (depth) với biểu diễn ảnh, sau đó thực hiện di chuyển khối kernel tự động khi xử lý trên ảnh xám Lớp tích chập (Convolutional layer) được tổng quát hóa để nâng cao khả năng nhận diện đặc trưng trong dữ liệu hình ảnh.

 Gi s input c a 1 convolutional layer t ng quát là tensor kích th c H * W

 Kernel có kích th c F * F * D (kernel luôn có depth b ng depth c a input và F là s l ), stride: S, padding: P

 Convolutional layer áp d ng K kernel

 Output c a layer là tensor 3 chi u có kích th c:

 Output c a convolutional layer s qua hàm activation function (non-linear: phi tuy n) tr c khi tr thành input c a convolutional layer ti p theo

 T ng s parameter c a layer: M i kernel có kích th c F*F*D và có 1 h s bias, nên t ng parameter c a 1 kernel là F*F*D + 1 Mà convolutional layer áp d ng K kernel => T ng s parameter trong layer này là K * (F*F*D + 1)

Hình 2 21: Convolutional layer Pooling layer

Lớp pooling được sử dụng giữa các lớp convolutional để giảm kích thước dữ liệu và giữ lại các đặc trưng quan trọng Việc giảm kích thước dữ liệu giúp tối ưu hóa các phép toán trong mô hình.

Kích thước của pooling là K*K, và đầu vào của lớp pooling có kích thước H*W*D Chúng ta tách đầu vào thành D ma trận kích thước H*W Đối với mỗi ma trận, trên vùng kích thước K*K, ta tìm giá trị lớn nhất hoặc trung bình và ghi nhận vào ma trận kết quả Quyết định về stride và padding được áp dụng tương tự như trong phép tính convolution.

 V i pooling size = 2x2, l y giá tr max, Padding = 0, stride = 2

 Khi đó output có width và height c a d li u gi m đi m t n a, depth thì đ c gi nguyên

Hình 2 22: Hình nh sau khi pooling size Hàm activation

 Output c a convolutional layer s qua hàm activation function (non-linear: phi tuy n) tr c khi tr thành input c a convolutional layer ti p theo

 Hàm này tr giá tr trong kho ng (0, 1)

Hình 2 23: th hàm Sigmoid activation [10]

 Hàm này tr giá tr trong kho ng (-1, 1)

Hình 2 24: th hàm Tanh activation [11]

 Hàm relu (rectified linear unit): y = max(0;x)

 Tuy nhiên v i các node có giá tr nh h n 0, qua ReLU activation s thành

0, hi n t ng đ y g i là "Dying ReLU" N u các node b chuy n thành 0 thì

30 s không có ý ngh a v i b c linear activation l p ti p theo và các h s t ng ng t node đ y c ng không đ c c p nh t v i gradient descent

Hình 2 25: th hàm Dying ReLU Leaky ReLU

 Hàm Leaky ReLU có các đi m t t c a hàm ReLU và gi i quy t đ c v n đ Dying ReLU b ng cách xét m t đ d c nh cho các giá tr âm thay vì đ giá tr là 0

Hình 2 26: th hàm Leaky ReLU [12] f Gi i thi u v YOLO [13]

Yêu c u c a bài toán là phát hi n và phân lo i đ i t ng v i th i gian th c (realtime) trên các thi t b y u và trung bình

Object Detection là m t bài toán quan tr ng trong l nh v c Computer Vision, thu t toán Object Detection đ c chia thành 2 nhóm chính:

 H các mô hình RCNN (Region-Based Convolutional Neural Networks) đ gi i quy t các bài toán v đ nh v và nh n di n v t th

 H các mô hình v YOLO (You Only Look Once) dùng đ nh n d ng đ i t ng đ c thi t k đ nh n di n các v t th real-time

YOLO là một mô hình mạng nơ-ron tích chập (CNN) được sử dụng để phát hiện, nhận diện và phân loại đối tượng Mô hình này kết hợp giữa các lớp convolutional và các lớp fully-connected Các lớp convolutional chịu trách nhiệm trích xuất các đặc trưng của hình ảnh, trong khi các lớp fully-connected dự đoán xác suất và xác định các đối tượng trong ảnh.

 T o bounding box bao quanh đ i t ng và l u d li u d i d ng text và thông tin m i object đ c l u vào m t dòng và đ c chu n hóa v [0, 1] so v i tâm c a bounding box d i d ng:

Trong đó: là s th t c a class xu t phát t 0 đ n (s _class-1)

= , < width > = , < height > V i , là tâm c a bounding box và n m trong kho ng

[0, 1] < width >,< height > là chi u r ng, chi u cao bounding box và n m trong kho ng [0, 1]

Hình 2 28: Kích th c bounding đ i t ng

 T a đ bounding box c a 4 đ i t ng sau khi đ c chu n hóa

 Khi d li u đ c chu n hóa v d ng này thì bounding box s không thay đ i khi nh b resize đ đ a vào mô hình tính toán

Cách th c ho t đ ng c a YOLO

Mô hình đầu vào là một ma trận, và việc xác định đầu vào có ảnh hưởng đến đầu ra như thế nào là rất quan trọng Đầu vào được chia thành các ô vuông có kích thước S×S, với S có thể là 3×3, 7×7, 9×9, v.v Việc chia ô này ảnh hưởng đến khả năng của mô hình trong việc phát hiện đầu ra Kích thước của đầu vào phải phù hợp với kích thước lưới (grid size) để đảm bảo tính chính xác trong quá trình xử lý.

Tâm của đối tượng chỉ được xác định là nằm trong ô vuông nào khi tâm đó thuộc về ô vuông đó Cần lưu ý rằng, nếu phần nhãn của đối tượng nằm trong ô vuông khác mà tâm không thuộc ô vuông đó thì không được tính là chứa đối tượng Hơn nữa, nếu có nhiều tâm nằm trong một ô vuông, chúng ta chỉ gán một nhãn cho ô vuông đó Điều này nhấn mạnh rằng mỗi ô vuông chỉ chứa một tâm đối tượng là yêu cầu bắt buộc của mô hình này.

Mô hình học sâu chịu trách nhiệm dự đoán hai bounding box cho đối tượng Mỗi bounding box được dự đoán sẽ chứa thông tin về sự hiện diện của đối tượng, cùng với vị trí của bounding box, bao gồm tọa độ trung tâm và kích thước chiều dài, chiều rộng của nó.

Hình 2 29: Mô t các th c ho t đ ng YOLO

 V i Input là 1 nh, đ u ra mô hình là m t ma tr n 3 chi u có kích th c: SxSx(5* N+ M)

SxS là s ô vuông chia nh đ u vào

5*N là d đoán m i bounding box g m 5 thành ph n : (x, y, w, h, prediction) v i (x, y ) là t a đ tâm c a bounding box, (w, h) l n l t là chi u r ng và chi u cao c a bounding box

 Prediction đ c đ nh ngh a truth)Pr(Object) IOU(pred,truth), (x, y, w, h) đã đ c chu n hóa trong kho ng [0, 1]

Mô hình và ki n trúc m ng th n kinh tích ch p (CNN) c b n

Hình 2 30: Minh h a phát hi n v t th b ng ph ng pháp YOLO [13]

Hình 2 31: Ki n trúc CNN trong x lý nh Hàm tính IOU

The Intersection over Union (IoU) is a critical metric used to evaluate the accuracy of object detectors on datasets It is defined as the ratio of the area of overlap between the predicted bounding box and the ground truth bounding box to the area of their union This calculation helps in assessing the performance of object detection algorithms effectively.

The Area of Overlap refers to the intersection area between the predicted bounding box and the ground-truth bounding box, while the Area of Union denotes the combined area of both the predicted and ground-truth bounding boxes.

Nh ng bounding box đ c đánh nhãn b ng tay trong t p traing set và test set

N u IOU > 0.5 thì prediction đ c đánh giá là t t

 Hàm l i trong YOLO đ c tính trên vi c d đoán và nhãn mô hình đ tính

C th h n nó là t ng đ l i c a 3 thành ph n con sau: l i c a vi c d đoán lo i nhãn c a object - Classifycation loss l i c a d đoán t a đ tâm, chi u dài, r ng c a boundary box (x, y ,w, h)

- Localization loss l i c a vi c d đoán bounding box đó ch a object so v i nhãn th c t t i ô vuông đó - Confidence los l i (Classifycation loss)

Loss phân loại là hàm mất mát được sử dụng để đoán loại nhãn của đối tượng, được tính trên các ô vuông có sự xuất hiện của đối tượng, trong khi các ô vuông khác không được xem xét Hàm mất mát này được tính bằng công thức cụ thể.

: B ng 1 n u ô vuông đang xét có objectL ng c l i b ng 0

Pi(c): Là xác su t có đi u c a l p c t i ô vuông t ng ng mà mô hình d đoán

 Localization loss là hàm l i dùng đ tính giá tr l i cho boundary box đ c d đoán bao g m t a đ tâm, chi u r ng, chi u cao c a so v i v trí th c t t d li u hu n luy n c a mô hình

The localization loss is calculated based on the predicted bounding box values at the center (x, y) and dimensions (w, h) compared to the ground-truth bounding box In areas containing an object, a bounding box is selected with a high Intersection over Union (IOU) score, and then the loss is computed using these bounding boxes.

 Giá tr hàm l i d đoán t a đ tâm (x, y) c a predicted bounding box và (x, ) là t a đ tâm c a truth bounding box đ c tính nh sau:

 Giá tr hàm l i d đoán (w, h) c a predicted bounding box so v i truth bounding box đ c tính nh sau:

 Confidence loss là đ l i gi a d đoán boundary box đó ch a object so v i nhãn th c t t i ô vuông đó l i này tính trên c nh ng ô vuông ch a object và không ch a object

T ng l i (Total loss): Ltotal = L classifycation + L localization + L confidence

NGÔN NG L P TRÌNH PYTHON

Các khái ni m c b n và cài đ t Python

Python là m t ngôn ng l p trình b c cao cho các m c đích l p trình đa n ng, do Guido Van Rossum t o ra và l n đ u ra m t vào n m 1991 Python đ c thi t k v i u đi m m nh là d đ c, d h c và d nh

Python là ngôn ngữ lập trình có cấu trúc rõ ràng và dễ học, phù hợp cho cả người mới bắt đầu và những lập trình viên có kinh nghiệm Ngôn ngữ này được sử dụng rộng rãi trong phát triển trí tuệ nhân tạo, nhờ vào tính linh hoạt và khả năng viết mã ngắn gọn.

Ban đ u, Python đ c phát tri n đ ch y trên n n Unix Theo th i gian, Python d n m r ng sang m i h đi u hành t MS-DOS đ n Mac

Python là một ngôn ngữ lập trình quan trọng, phát triển dưới sự dẫn dắt của Guido van Rossum, người đóng vai trò chủ chốt trong việc định hình hướng đi của ngôn ngữ này Python có khả năng hoạt động trên nhiều hệ điều hành như OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix Sự phát triển của Python không chỉ là công sức của một cá nhân mà còn là sự đóng góp của nhiều người.

Python luôn đ c x p h ng vào nh ng ngôn ng l p trình ph bi n nh t hi n nay

L ch s phát tri n c a l p trình giao di n Python [17]:

S phát tri n c a ngôn ng l p trình Python phát tri n theo các giai đo n sau:

 Giai đo n 1: Là các b n phát hành python 1x Giai đo n này b t đ u t n m

Từ năm 1990 đến 2000, Guido van Rossum làm việc tại CWI, trung tâm toán tin ở Amsterdam, Hà Lan, nơi phát hành phiên bản Python đầu tiên Phiên bản cuối cùng tại CWI là Python 1.2 Năm 1995, ông chuyển sang CNRI ở Reston, Virginia, và nâng cấp Python lên phiên bản 1.6, cũng là phiên bản cuối cùng của ông tại CNRI Sau đó, ông rời CNRI và hợp tác với các lập trình viên tự do để phát triển phần mềm mã nguồn mở, kết hợp Python với các phần mềm tuân theo GPL CNRI và FSF đã hợp tác để làm bản quyền cho ông, và trong năm này, ông nhận giải thưởng phát triển phần mềm tự do từ FSF Một thời gian sau, phiên bản 1.6.1 được phát hành theo bản quyền GPL.

Vào năm 2000, Guido van Rossum cùng nhóm phát triển tại BeOpen.com đã thành lập đội ngũ phát triển Python, dẫn đến sự ra đời của phiên bản 2.0 Sau đó, Guido và các thành viên chuyển sang Digital Creations, và phiên bản 2.1 được phát hành dựa trên Python 1.6.1 và phiên bản 2.0 Trong giai đoạn này, Python thuộc sự quản lý của PSF, một tổ chức phi lợi nhuận.

Phiên bản Python 3.x không hoàn toàn tương thích với phiên bản 2.x, nhưng có thể chuyển đổi giữa hai phiên bản này Nguyên tắc chính trong việc phát triển Python 3.x là hạn chế sự trùng lặp và cải tiến cú pháp Phiên bản 3.x đã có những thay đổi trong cú pháp và bổ sung thêm một số cú pháp mới, mang lại sự tiện lợi cho người dùng ngôn ngữ lập trình Python.

 Làm trang Web v i Framework c a Python

 ng d ng trong khoa h c và tính toán

 Vi t tool đ t đ ng hóa công vi c

 Là ngôn ng đ c s d ng cho m c đích gi ng d y

Cài đ t ph n m m Python trên n n t ng Window:

+ T i Python t i trang ch : https://www.python.org/downloads/

+ Ch n phiên b n c a ph n m m sau đó ti n hành download

Hình 2 33: Giao di n download Python t i trang ch

+ Nh p đúp vào file v a t i v đ cài đ t T i đây có 2 tùy ch n, b n ch n m t cái đ cài

+ Install Now: M c đ nh cài Python vào C, cài s n IDLE (cung c p giao di n đ h a đ làm vi c v i Python), pip và tài li u, t o shortcut,

+ Customize installation: Cho phép b n ch n v trí cài và tính n ng c n thi t

Hình 2 34: Giao di n cài đ t Python

+ Sau khi cài đ t xong, giao di n thông báo đã hoàn t t cài đ t Nh n Close đ k t thúc quá trình cài đ t

Hình 2 35: Giao di n báo cài đ t Python thành công

CAMERA S D NG TRONG CÔNG NGHI P

Khái ni m camera công nghi p

Camera công nghiệp là loại camera được thiết kế để hoạt động trong các điều kiện khắc nghiệt như nhiệt độ cao, áp suất cao và rung động Chúng được sử dụng để kiểm soát chất lượng trong sản xuất, theo dõi các sản phẩm trên dây chuyền, và phát hiện các lỗi siêu nhỏ.

Camera công nghiệp có những yếu tố khác biệt so với các loại camera thông thường, bao gồm độ tin cậy, độ chính xác và nguyên tắc hoạt động Độ tin cậy là yếu tố quan trọng, bởi vì nếu camera bị hỏng, nó có thể làm gián đoạn quá trình sản xuất và gây thiệt hại lớn cho doanh nghiệp Thực tế, giá trị thiệt hại có thể gấp nhiều lần giá trị của camera Do đó, camera công nghiệp cần phải có độ tin cậy cao, đây là tiêu chí tiên quyết Bên cạnh đó, các loại camera này cũng cần phải có khả năng hoạt động ổn định trong môi trường khắc nghiệt hơn so với camera thông thường, như nhiệt độ cao, áp lực lớn, chống ẩm và chống bụi.

Hình 2 36: Camera công nghi p chu n IP 67 c a hãng IMPERX [20]

Các sản phẩm sử dụng camera rất đa dạng, từ linh kiện điện tử như IC đến các sản phẩm có kích thước lớn như thùng, bao Để đảm bảo chất lượng và độ chính xác cao, camera công nghiệp cần phải được thiết kế để không có sai sót, nhằm tránh thiệt hại cho doanh nghiệp.

Hình 2 37: M t b c nh siêu nét ch p b ng camera VN-200MX [21]

Camera công nghiệp có những đặc điểm khác biệt đáng kể so với camera thông thường, với thiết kế đặc biệt phù hợp cho các ứng dụng công nghiệp Chúng thường được trang bị ống kính chuyên dụng, nhiều bộ lọc bổ sung và tích hợp phần mềm nhận diện Khác với các camera thông thường, camera công nghiệp không bao gồm các bộ phận như đèn flash, kính ngắm hay nút chụp Hơn nữa, chúng cần được tích hợp các chuẩn giao tiếp phần mềm để dễ dàng kết nối với các thiết bị ngoại vi khác trong môi trường công nghiệp.

Hình 2 38: Camera công nghi p s d ng chu n k t n i Ethernet [22]

Các thông s c n bi t c a camera

Cảm biến hình ảnh là thiết bị bao gồm nhiều photodiode nhạy cảm với ánh sáng, chuyển đổi tín hiệu quang thành tín hiệu điện Mỗi photodiode khi tiếp xúc với ánh sáng sẽ sinh ra một điện áp tỷ lệ thuận với cường độ ánh sáng tác động Khi không có ánh sáng, chúng sẽ không tạo ra điện áp Tùy thuộc vào cường độ ánh sáng tác động, cảm biến sẽ tạo ra các tín hiệu hình ảnh Bộ phận xử lý sẽ chuyển đổi những tín hiệu này thành tín hiệu video để hiển thị trên màn hình giám sát hoặc thiết bị ghi hình trong hệ thống.

Cảm biến hình ảnh trong camera giám sát chủ yếu sử dụng hai công nghệ chính: CCD và CMOS Cảm biến CCD xử lý tín hiệu dạng tương tự (analog) với thông số dòng-ngang, trong khi cảm biến CMOS xử lý tín hiệu kỹ thuật số trực tiếp với tham số phân giải điểm ảnh Do đó, camera giám sát sử dụng mạng IP thường áp dụng cảm biến CMOS vì khả năng xử lý tín hiệu kỹ thuật số, trong khi camera giám sát truyền thống thường sử dụng cảm biến CCD Một điểm khác biệt quan trọng giữa camera CCD và camera CMOS là cách chúng xử lý ánh sáng: cảm biến CCD cung cấp tín hiệu đầu ra dạng tương tự, còn cảm biến CMOS cung cấp tín hiệu đầu ra kỹ thuật số.

Kính máy ảnh, hay còn gọi là ống kính máy ảnh, là thiết bị quan trọng trong việc ghi lại hình ảnh, hoạt động dựa trên nguyên tắc của các loại kính viễn vọng và kính hiển vi Mặc dù chức năng chính là tương tự, nhưng thiết kế và cấu trúc của chúng lại hoàn toàn khác biệt, tạo nên những đặc điểm riêng cho từng loại ống kính.

Mặc dù có nguyên tắc, một thấu kính lồi sẽ tạo ra hình ảnh, nhưng trong thực tế, nhiều thấu kính được ghép từ các thành phần thấu kính quang học yêu cầu điều chỉnh Sự gia tăng số lượng thấu kính có thể dẫn đến nhiều quang sai phát sinh Một số quang sai này sẽ xuất hiện trong bất kỳ hệ thống ngắm nào Nhiệm vụ của nhà thiết kế ngắm là cân bằng những điều này và tạo ra một thiết kế phù hợp cho việc chụp ảnh, điều tiết bức ảnh chính xác và có thể sản xuất hàng loạt những bức ảnh chịu tác động, điều phối của thân máy.

Độ phân giải màn hình được xác định bởi số lượng pixel có trên mỗi inch vuông của màn hình, thường được tính bằng đơn vị PPI (pixels per inch) hoặc DPI (dots per inch) Số pixel trên màn hình ảnh hưởng trực tiếp đến chất lượng hình ảnh, và độ phân giải cao mang lại trải nghiệm hình ảnh sắc nét hơn.

Hình 2 41: Hình nh v i đ phân gi i khác nhau [22]

Tiêu c ng kính F – Focal length: Là kho ng cách t ng kính đ n c m bi n hình nh (tính b ng mm)

Hình 2 42: Mô t th tiêu c ng kính [22]

Góc nhìn (Field of view - FOV) của camera là khoảng không gian mà camera có khả năng quan sát Góc nhìn rộng cho phép camera ghi lại nhiều khung cảnh hơn, trong khi góc nhìn hẹp chỉ thu được ít khung cảnh hơn Góc nhìn sẽ thay đổi khi thay đổi tiêu cự; tiêu cự lớn hơn sẽ tạo ra góc nhìn hẹp, trong khi tiêu cự nhỏ hơn sẽ mở rộng góc nhìn.

L a ch n camera cho các ng d ng

Lựa chọn camera phù hợp cho hệ thống xứ lý hình ảnh là rất quan trọng, đảm bảo camera ghi nhận hình ảnh rõ nét và đáp ứng chính xác yêu cầu của hệ thống Các thông số cần xem xét khi chọn camera bao gồm độ phân giải, tốc độ khung hình, độ nhạy sáng và góc nhìn.

 Góc nhìn (Field of view - FOV)

 Smallest feature: c đi m nh nh nh t c n quan sát c a b c nh

 Working distance - WD: Kho ng cách t camera lens đ n v t c n quan sát

Hình 2 44: Mô t các thông s c a camera [25]

Các công th c tính toán:

 Sensor size: Kích th c c m bi n nh

 Working distance: Kho ng cách t camera lens đ n v t c n quan sát

 Pixel size: Kích th c đi m nh

 Required Resolution: phân gi i yêu c u

 Sensor Resolution: Kho ng thay đ i nh nh t c m bi n có th nh n bi t đ c

 Image Resolution: phân gi i hình nh

 Smallest Feature: c đi m nh nh nh t

Ví d 1: M t camera có góc nhìn là 200x200mm c n nhìn m t v t có đ c đi m nh nh nh t là 1mm Tính đ phân gi i c n có c a Camera

Tr l i: D a vào ví d ta có các thông s nh sau: FOV = 200x200mm, Smallest Feature = 1mm Khi đó, ta áp d ng công th c s tính đ c đ phân gi i c n thi t c a camera (sensor resolution) = 400x400pixel

Ví d 2: M t camera có góc nhìn (FOV) là 500x600mm c n nhìn m t v t có đ c đi m nh nh nh t là 2mm Camera đ phân gi i 640x480 có đ không?

Tr l i: D a theo cách tính c a ví d 1 ta tính đ c đ phân gi i c n có c a camera là 500x600pixel Do v y camera có đ phân gi i 640x480pixel không đáp ng đ c, c n có đ phân gi i cao h n (ví d 1024x768pixel)

For a camera with a field of view (FOV) of at least 500x500mm and a sensor size of 4.4mm, the smallest observable feature is 1mm To determine the minimum focus length required for a working distance of 1500mm, it is essential to calculate the specifications If a focus length of 16mm is available, adjustments to the working distance must be made accordingly.

Tr l i: Ta có FOVP0x500mm, Smallest Feature=1mm

V y ch n Focal Length t i thi u là 13.2mm

N u có s n Focus Length = 16mm ta áp d ng công th c tính đ c Working distance = 1818mm

ÁNH SÁNG NH H NG T I CH T L NG X LÝ NH

Các đ nh ngh a

Ánh sáng là dạng bức xạ điện từ mà con người có thể nhìn thấy, nằm trong khoảng sóng từ 380 nanomet đến 760 nanomet, trong khi vùng không nhìn thấy gọi là vùng khúc xạ Ánh sáng có thể được mô tả là các hạt photon di chuyển dưới dạng sóng.

B ng 2 2: B ng phân chia các b c x sóng đi n t [26]

Ánh sáng nhìn thấy là bức sóng điện từ có bước sóng nằm trong khoảng từ 380 nanomet đến 760 nanomet Khoảng sóng này nằm giữa tia cực tím (bức sóng ngắn hơn) và tia hồng ngoại (bức sóng dài hơn).

Nguồn sáng là những vật có khả năng phát ra ánh sáng, bao gồm các vật thể như bóng đèn, đom đóm, mặt trời, và ngọn nến đang cháy.

Ánh sáng tương tác với vật thể thông qua ba hình thức chính: phản xạ, khúc xạ và hấp thụ Khi ánh sáng đi qua các môi trường khác nhau, hiện tượng khúc xạ ánh sáng sẽ xảy ra, dẫn đến sự thay đổi hướng đi của sóng ánh sáng đó Khúc xạ ánh sáng là hiện tượng quan trọng, ảnh hưởng đến cách mà chúng ta nhìn thấy thế giới xung quanh.

Hình 2 46: T ng tác ánh sáng v i v t th [27]

Ánh sáng trong x lý nh công nghi p

Ánh sáng là một trong những yếu tố quan trọng nhất trong lĩnh vực nhiếp ảnh công nghiệp Việc lựa chọn đèn chiếu sáng phù hợp cho môi trường làm việc là rất cần thiết để đảm bảo rằng camera có thể thực hiện các nhiệm vụ một cách nhất quán và đáng tin cậy Nếu ánh sáng không phù hợp, hình ảnh sẽ bị ảnh hưởng và không đạt chất lượng mong muốn.

Việc lựa chọn các đèn chiếu sáng chất lượng là rất quan trọng để đảm bảo ánh sáng đạt tiêu chuẩn, tránh tình trạng ánh sáng không đồng đều và không chính xác Ánh sáng không đủ hoặc không đúng chất lượng có thể ảnh hưởng đến hiệu quả làm việc và trải nghiệm của người sử dụng Do đó, việc đầu tư vào các thiết bị chiếu sáng chất lượng cao là ưu tiên hàng đầu trong quá trình thiết kế không gian.

Để lựa chọn nguồn sáng phù hợp với từng ngữ cảnh, cần xem xét các yếu tố như hình dạng và vật phẩm, màu sắc của vật phẩm, chất liệu bề mặt, giám sát động hay tĩnh, và môi trường ánh sáng xung quanh Nguyên tắc chung là phải xác định và kiểm tra tỉ lệ giữa các chi tiết quan trọng và các đặc điểm cần được theo dõi, đồng thời giảm thiểu tầm quan trọng của các chi tiết không liên quan Hệ thống cần đảm bảo tính nhất quán và không bị ảnh hưởng bởi các yếu tố bên ngoài theo thời gian, chẳng hạn như hoạt động ban ngày hay ban đêm, hoặc trong môi trường có nhiều hoặc ít ánh sáng Việc giám sát các chi tiết có tầm quan trọng cao và loại bỏ các chi tiết không liên quan là rất cần thiết.

K thu t chi u sáng

Có 2 k thu t chi u sáng chính trong x lý nh: Chi u sáng phía tr c và chi u sáng phía sau :

 Chi u sáng phía tr c: Th ng đ c s d ng trong các ng d ng nh : Tìm khuy t t t, theo dõi các ký t in …khi đó ánh sáng s đ c chi u sáng t phía camera

 Chi u sáng phía sau: c s d ng trong các ng d ng nh : o kích th c, xác đ nh v trí l … khi đó ánh sáng s đ c chi u sáng t phía sau v t th (ánh sáng b ch n b i v t th đ n camera)

 Trong các ng d ng ph c t p ho c các v t th làm t v t li u trong su t (cho anh sáng xuyên qua …) chúng ta c n s d ng k t h p c 2 k thu t chi u sáng

Hình 2 48: Các góc c a ánh sáng [27]

Việc sử dụng đèn cấp sáng đúng cách giúp cải thiện độ rõ ràng của hình ảnh và giám sát các chi tiết quan trọng, nhờ vào độ tương phản cao Điều này hỗ trợ quá trình xử lý và phân loại thông tin một cách dễ dàng hơn Dưới đây là một số mẫu đèn cấp sáng và các hình ảnh tương ứng.

Trong môi trường chiếu sáng phía trước Bright field, ánh sáng được chiếu từ phía trước, cho phép camera thu nhận ánh sáng phản xạ từ bề mặt vật thể Các ánh sáng phản xạ trên bề mặt không đồng nhất (do vật thể có kết cấu, khuyết tật trên vật) sẽ bị tán xạ ra ngoài camera và tạo ra hình ảnh thực tế Để xử lý tình huống này, người ta thường sử dụng đèn ring light hoặc đèn barlight với góc cao để chiếu sáng vật thể một cách hiệu quả.

Khi sử dụng kỹ thuật chiếu sáng phía trước trong Dark field, ánh sáng sẽ được chiếu vào bề mặt đối tượng, giúp camera thu nhận ánh sáng phản xạ từ bề mặt đó Ánh sáng phản xạ sẽ được tán xạ hoặc phân tán ra ngoài camera, tạo ra hình ảnh rõ nét Để tối ưu hóa quá trình này, người ta thường sử dụng đèn ring light hoặc đèn barlight với góc chiếu sáng phù hợp cho vật thể.

Hình 2 49: S đ chi u sáng Light field (trái) và Dark field (ph i) [27]

Hình 2 50: Chi u sáng v t b ng đèn Ringlight góc cao (trái) và đèn Ring light góc th p (ph i) [27]

Hình 2 51: So sánh hình nh logo và đ ng xu ch p b ng đèn Ringtight góc cao

(trên) và đèn Ringlight góc th p (d i) [27]

Ánh sáng chiếu sáng từ phía sau trong phương pháp Bright field giúp tạo ra hình ảnh rõ nét của đối tượng, với các điểm đen xuất hiện trên nền sáng Khi ánh sáng xuyên qua một phần của đối tượng, các đặc điểm sẽ hiện rõ trên nền sáng Để đạt được hiệu quả cao, người ta thường sử dụng đèn telecentric để chiếu sáng từ phía sau Phương pháp này mang lại kết quả với độ chính xác cao.

Hình 2 52: S đ chi u sáng phía sau Bright light (trái) và hình nh n p chai khi chi u sáng b ng ph ng pháp này (ph i) [27]

Mô hình đèn Telecentric backlight cho phép ánh sáng truyền qua mẫu và được tán xạ bởi các đặc điểm không phẳng, giúp thu thập các điểm nhấn sáng trên nền tối Phương pháp này thường sử dụng đèn chuông hoặc đèn bar đặt phía sau mẫu để tạo ra ánh sáng xuyên qua, mang lại hiệu quả cao trong việc chiếu sáng các đối tượng cần quan sát.

Hình 2 54: S đ chi u sáng phía sau Dark light [27]

Các giải pháp chiếu sáng kết hợp là rất quan trọng trong việc tạo ra hiệu quả tối ưu cho không gian Đôi khi, việc kiểm tra các hình dạng vật thể cần thiết phải kết hợp nhiều loại đèn chiếu sáng khác nhau để đạt được hiệu quả tốt nhất.

Hình 2 55: Mô hình k t h p chi u sáng đèn Dome và Ringlight góc th p [27]

Kết luận: Trong xử lý ảnh, yếu tố ánh sáng ảnh hưởng trực tiếp đến chất lượng xử lý ảnh cũng như các thuật toán cần sử dụng Tùy từng ngữ cảnh, chúng ta có thể chọn các phương pháp chiếu sáng phù hợp để đảm bảo phép đo chính xác và giảm thiểu sai số, từ đó nâng cao hiệu quả của quá trình xử lý ảnh.

CH NG 3 THI T K B M BAO TH C NGHI M

N i dung Ch ng 3 t p trung trình bày chi ti t v ng d ng x lý nh đ thi t k b đ m th c nghi m v i m c đích đ m bao v i m u mã bao t i Nhà máy m Cà Mau

 M c 3.1: Trình bày v đ i t ng nh n d ng

 M c 3.2: Trình bày v cách xác đ nh đi u ki n, tiêu chí c a h th ng b đ m

 M c 3.4: Trình bày v các ph n c ng c a h th ng

 M c 3.6 : Trình bày v l p trình ph n m m, k t n i tín hi u

I T NG NH N D NG

Hình 3 1: Hình nh 3 m u bao s n ph m đ c s d ng trong đ tài

D a vào n i dung nghiên c u t i Ch ng I, đ i t ng nh n d ng c th c a đ tài nh sau:

 S l ng m u: Bao g m 3 m u bao s n ph m: Kali Cà Mau, U rê Cà Mau, NPK Cà Mau

 Kích th c m u: G m 2 lo i kích th c 150mm x 250mm và 180mm x 270mm

 Quy cách m u: Trên bao bì có in các hình nh, logo nh n di n cho t ng m u trên n n bao màu tr ng.

XÁC NH I U KI N, TIÊU CHÍ C A H TH NG B M

Tại Nhà máy Cà Mau, sản phẩm được vận chuyển đến khu vực đóng bao đến vị trí phân phối nhờ vào các băng tải chuyên dụng có tốc độ di chuyển trung bình 240 bao/giờ Xung quanh băng tải chuyên dụng được chiếu sáng với ánh sáng đồng nhất trong suốt thời gian hoạt động Dựa vào các đặc tính này, hệ thống băng tải được xây dựng theo tiêu chuẩn luân chuyển và có các thông số kỹ thuật nhất định.

 Ánh sáng: Môi tr ng ánh sáng đ ng nh t trong su t quá trình ho t đ ng Khu v c đ t b đ m s đ c chi u ánh sáng ban ngày k t h p v i ánh sáng tr ng c a bóng đèn tuýp 1,2m

 T c đ b ng t i: T c đ b ng t i có th thay đ i đ c đ đ m các s n ph m v i t n su t nh nh t 240 bao/gi

Vị trí đặt bao đắt trên băng tải phải đảm bảo rằng các bao đắt chồng lên nhau không vượt quá 10% kích thước bao Đồng thời, vị trí của bao đắt cần phải được sắp xếp hợp lý, không được để tràn ra ngoài băng tải quá 2/5 diện tích bao.

Hình 3 2: Mô ph ng các v trí bao s n ph m trên b ng t i

L A CH N CAMERA

D a vào tính toán, m c đ phù h p v i ng d ng và giá thành s n ph m đã l a ch n camera có các thông s sau :

 phân gi i: 1920 x 1080 pixel (Full HD)

 Tiêu c : T đ ng đi u ch nh

 C ng k t n i: C ng USB (USB type A)

CÁC PH N C NG C A H TH NG

Ph n c ng c a mô hình b đ m bao g m các thành ph n sau: Camera, Máy tính (computer), PLC, Motor, b ng t i, relay, contactor

Các thông s k thu t c a các thi t b chính :

 CPU intel I3-1010F, 3.7GHZ, 6MB cache

 Model: CPU 224 DC/DC/DC

 Tín hi u giao ti p: RS485/Modbus

Hình 3 4: Hình d ng bên ngoài PLC S7-200 CPU224 Thông s Mô t đi n:

 Kích th c khung: Dài x R ng x Cao: 1500mm x 350mm x 750mm

 V t li u khung: Nhôm, thép các bon

Hình 3 6: Các bát k t n i khung b ng t i

Hình 3 7: B ng t i s n ph m sau khi l p đ t Chân đ camera:

 Ch c n ng: i u ch nh đ cao theo mong mu n

 Chân đ có th di chuy n

Hình 3 8: Hình d ng chân đ g n camera

S K T N I

S đ k t n i

Hình 3 9: S đ k t n i ph n c ng h th ng b đ m

Camera có nhi m v thu th p d li u hình nh các bao s n ph m ch y trên b ng t i sau đó truy n d li u v máy tính thông qua c ng USB

Máy tính nhận tín hiệu hình ảnh từ camera, sau đó tiến hành phân tích và xử lý hình ảnh để gửi kết quả đến PLC Quá trình phân tích hình ảnh trên máy tính được thực hiện dựa vào các giải thuật viết trên nền tảng Python.

PLC có ch c n ng nh n k t qu x lý hình nh sau đó l p trình logic v n hành h th ng b ng t i Các thông s hi n th , giá tr đ m s đ c truy n d li u t i màn hình v n hành (HMI)

Màn hình v n hành: ây là b ng đi u khi n và v n hành chính giúp ng i v n hành theo dõi các giá tr t c th i c a b đ m và các thông s v n hành

Mô t là cơ cấu chấp hành quay bằng tay và chuyển bao sản phẩm Mô t chạy hoạt động dựa vào tín hiệu xuất ra từ PLC hoặc ngược lại, hành trình điều khiển thủ công.

L u đ gi i thu t

L u đ gi i thu t camera x lý nh:

KT tr ng thái m u Không đ t

KT s n ph m qua v ch t ã qua

Xác đ nh ch ng lo i s n ph m

K t thúc m và phân lo i s n ph m

Thu th p nh qua camera

Gán ID cho t ng lo i s n ph m

So sánh giá tr đ m v i setpoint t

Hình 3 10: L u đ gi i thu t x lý nh

KT tr ng thái b ng t i

Camera đ m và phân lo i s n ph m m đ s l ng yêu c u

Reset giá tr đ m và kh i t o l t đ m m i

Hình 3 11: L u đ gi i thu t PLC h th ng đ m bao

L P TRÌNH PH N M M, K T N I TÍN HI U

L p trình x lý nh

S d ng ph ng pháp m ng Neutral v i mô hình YOLO đ c nêu t i m c 2.1.3: Các thu t toán trong x lý nh (Ch ng 2) đ s d ng, l p trình cho ng d ng đ m bao

Trong ng d ng th c t , các thu t toán s d ng c s d li u g n 3000 nh ch p ng u nhiên đ hu n luy n và s d ng v i t l 80% cho thu t toán h c m u (learning), 20% s d ng cho xác th c (validate)

Trong quá trình huấn luyện, việc giảm hàm loss không có sự thay đổi đáng kể và duy trì giá trị ổn định Hai thông số quan trọng trong quá trình huấn luyện là IOU và mAP Kết quả ở hình 3.12 cho thấy hàm loss giảm dần và ổn định ở cuối (được đánh dấu bằng màu xanh) Chỉ số mAP đạt gần 100% Quá trình huấn luyện kết thúc khi giá trị IOU đạt 87.15% và giá trị mAP là 0.998115 (99,81%).

Hình 3 12: Hàm Loss trong quá trình hu n luy n

Hình 3 13: Giá tr IOU và giá tr mAP k t thúc quá trình hu n luy n

Các thu t toán đ c l p trình trên n n t ng ngôn ng l p trình Python Ph n l p trình trên Python x lý các ch c n ng sau:

 L p trình các thu t toán x lý nh

 L p trình các thu t toán giao di n hi n th

 L p trình các thu t toán giao ti p PLC S7-200

N i dung l p trình đ c li t kê chi ti t t i Ph l c đính kèm.

L p trình PLC và SCADA

L p trình logic PLC đ c l p trình trên ph n m m Step7 Microwin c a hãng Siemens

Ch ng trình l p trình đ c li t kê t i Ph l c đính kèm

L p trình, thi t k giao di n SCADA đ c th c hi n trên ph n m m WinCC Flexible c a hãng Siemens

H th ng đ m bao s n ph m đ c ho t đ ng theo các b c sau:

 B c 1: Chu n b m u s n ph m: Các m u s n ph m là bao bì có in nhãn hi u nh n di n và kích th c khác nhau S l ng m u: 15 cái m i lo i (t ng 45 m u)

 B c 2: k t n i ph n c ng (dây tín hi u, cáp k t n i …)

Hình 3 15: B ngu n và PLC đi u khi n h th ng

 B c 4: Kh i đ ng camera, các ph n m m liên quan

 B c 5: Cài đ t giá tr đ m mong mu n đ t đ c (Target counter)

 B c 6: Kh i đ ng b ng t i và đi u ch nh t c đ mong mu n

 B c 7: t các m u đ m lên b ng t i, ki m tra đ i chi u s l ng bao th c t và s l ng camera đ m đ c

Hình 3 16: Hình nh s n ph m th c t trên b ng t i

Hình 3 17: Hình nh s n ph m thu đ c t camera

 B c 8: Theo dõi giá tr s l ng g i v PLC và các logic trên PLC (logic d ng b ng t i khi đ s l ng, logic b o v mô t …)

Hình 3 18: Giao di n v n hành HMI

 B c 9: Th ng kê s l ng và k t qu đ m

Mô t quá trình ho t đ ng c a h th ng đ c nêu chi ti t trong video theo đ ng d n: https://youtu.be/Fjj4AlnmYWs

3.8.1 K t qu tri n khai mô hình th c nghi m có c s th c nghi m các s li u k t qu , tác gi đã xây d ng mô hình b đ m bao th c t nh sau :

 Xây d ng mô hình b ng t i t l 1 : 3 so v i th c t và có t c đ t ng đ ng v i b ng t i th c t (t c đ trung bình 350 bao/gi )

 L p trình gi i thu t x lý nh s d ng thu t toán Deep learning, ng d ng Yolo đ nh n di n 3 m u bao v i 2 kích th c khác nhau

Hệ thống PLC được thiết kế để thu thập dữ liệu từ camera và vận hành bằng tay hoặc tự động Nó đảm bảo logic trong việc đếm số lượng hàng hóa một cách chính xác và hiệu quả.

 Thi t k giao di n v n hành HMI giúp ng i v n hành theo dõi s đ m th c t theo th i gian th c, theo dõi các tr ng thái v n hành c a h th ng b ng t i

Sau khi lắp ráp phần cứng, tôi tiến hành cấu hình phần mềm, chạy thử các chức năng cần thiết và vận hành Tác giả đã thực hiện thử nghiệm trong các trạng thái hoạt động khác nhau để đánh giá công suất vận hành, đảm bảo độ chính xác khi đo đạc và khả năng nhận diện các mẫu vị trí khác nhau.

Ti n hành th c nghi m đ c ti n hành theo 5 các tr ng h p theo b ng sau:

Tr ng h p 1 Th ng hàng

Có x p ch ng các bao

B ng 3 1: B ng mô t các tr ng h p ti n hành th c nghi m

74 Hình 3 19: Bi u đ so sánh thông s th nghi m

Hình 3 20: Bi u đ so sánh s l ng các lo i m u khi th nghi m

Trong quá trình sản xuất tại Nhà máy m Cà Mau, các mẫu bao sản phẩm được đặt lên băng tải một cách ngẫu nhiên Điều này giúp đảm bảo rằng số lượng mẫu sản phẩm được phân phối đến nhiều vị trí khác nhau, phù hợp với quy trình vận chuyển sản phẩm trên dây chuyền xuất hàng.

K t qu đ m đ c l y t i ph n m m x lý nh và t i màn hình v n hành v n hành HMI

Do th i gian l y m u dài (g n 60 phút cho m i l n l y m u) nên trong quá trình th c nghi m s b trí nhân s đ thu gom m u, b trí nhân s ki m đ m m u đ đ m b o không có sai sót

Kết quả đo đạc được ghi nhận theo thời gian thực, với giá trị hiển thị ngay khi mũi quét của camera đi qua vị trí cần kiểm tra Do đó, việc kiểm tra kết quả đo đạc trở nên dễ dàng và hiệu quả hơn bằng phương pháp này.

K t qu th c nghi m c a 5 tr ng h p nh sau:

Công su t trung bình Sai s

Tr ng h p 1 300 300 48 phút 375 bao/gi 0%

Tr ng h p 2 300 300 71 phút 253.5 bao/gi 0%

Tr ng h p 3 300 300 49.5 phút 363.6 bao/gi 0%

76 Hình 3 21: Bi u đ th hi n k t qu đ m th c nghi m

Hình 3 22: Bi u đ thông s k t qu th nghi m

3.9 PHÂN TÍCH K T QU TH C NGHI M SO V I YÊU C U BAN U

D a vào k t qu th c nghi m, so sánh v i các tiêu chí đánh giá ban đ u ta có đ c k t qu c a đ tài nh sau:

B ng 3 3: So sánh k t qu th c nghi m và tiêu chí đánh giá ban đ u

V i k t qu th c nghi m nh trên, tác gi k t lu n đ i v i mô hình th c nghi m so v i yêu c u đ tài lu n v n nh sau:

 Ph ng pháp đ m bao s d ng gi i thu t x lý nh hoàn toàn áp d ng đ c đ đ m và phân lo i 3 lo i s n ph m khác nhau v i 2 kích th c khác nhau

 T c đ x lý nh hoàn toàn đáp ng v i công su t xu t hàng t i Nhà máy m

 Sai s n m trong ph m vi cho phép

 Thi t k h th ng ph n c ng không quá ph c t p, t đó gi m thi u chi phí cho quá trình b o d ng, s a ch a ho c thay th thi t b

K t lu n chung: Mô hình th c nghi m b đ m hoàn toàn đáp ng các tiêu chí đ u bài ban đ u c a lu n v n

CH NG 4 K T LU N VÀ H NG PHÁT TRI N

Trong đ tài này, tác gi đã hoàn thành m t s công vi c nh sau:

 Nghiên c u và thi t k đ c b đ m bao cho 3 lo i m u mã s n ph m v i kích th c khác nhau

 Nghiên c u b đ m bao s n ph m đáp ng đ c các đi u ki n bao x p không th ng hàng trên b ng t i

 L p trình k t n i tín hi u x lý nh và PLC, hi n th các giá tr đ m, cài đ t t đ ng đ ch y, d ng b ng t i

 L p trình SCADA giám sát thông s b đ m và v n hành h th ng b ng t i

 K t qu c a th c nghi m cho th y b đ m đã đ c thi t k đ t yêu c u tiêu chí c a nhà máy đã đ a ra

T k t qu c a đ tài, đ đ a k t qu nghiên c u vào ng d ng th c ti n đáp ng các nhu c u c a các doanh nghi p, tác gi đ xu t ti p t c nghiên c u thêm nhi m v sau:

 Ti n hành l p đ t trong th c t đ quá trình đ m s t ng nhi u h n (t 10000 đ n 15000 bao s n ph m/l n đ m) đ đánh giá chính xác sai s

 Nghiên c u gi i thu t đ đ m đ c các bao x p ch ng lên nhau v i di n tích x p ch ng l n (t 15 - 30% di n tích)

Xây dựng bề mặt bao bì bảo vệ sản phẩm là rất quan trọng, bao gồm các yếu tố như mã bao bì, logo nhận diện thương hiệu và thông tin sản phẩm Các loại hình nhận diện bao gồm ngày sản xuất, hạn sử dụng và các thông tin cần thiết khác Việc thiết kế bao bì không chỉ giúp bảo vệ sản phẩm mà còn tạo ấn tượng mạnh mẽ cho người tiêu dùng.

Thông qua việc áp dụng các tiêu chuẩn bao bì và quy trình kiểm soát chất lượng, việc phát triển các tiêu chí giám sát chất lượng sản phẩm trở nên quan trọng hơn bao giờ hết Các thông số giám sát bao gồm kích thước, màu sắc và tỷ lệ bẩn trong sản phẩm, giúp đảm bảo rằng các sản phẩm hạt rời được đóng gói đạt tiêu chuẩn chất lượng cao nhất.

[1] Công ty c ph n Phân bón D u khí Cà Mau, “Các lo i s n ph m.” Internet: https://www.pvcfc.com.vn/san-pham/phan-bon-ca-mau, May 15, 2021

Bài báo của T N H i, T Q B ng, T X Tùy và H V Nhân, được trình bày tại Hội nghị khoa học và công nghệ toàn quốc về khí l n th v - VCME, Hà Nội, năm 2018, đề cập đến việc xử lý nhãn bằng phần mềm LabVIEW cho máy tự động kiểm tra và phân loại nhãn in trên sản phẩm trong công đoạn đóng gói.

T N H i, T Q B ng, T X Tùy và H V Nhân đã trình bày nghiên cứu về xử lý nhãn bằng phần mềm LabVIEW cho máy tự động kiểm tra và phân loại nhãn in trên sản phẩm trong công đoạn đóng gói tại Hội nghị khoa học và công nghệ toàn quốc về khí lạnh và VCME, Hà Nội, năm 2018.

[4] T Q B o, N C Nghi m, N M Kha, H H Giang và V M Trí, “Phát tri n thu t toán x lý nh đ phát hi n và đ m tôm gi ng,” H i ngh toàn qu c l n th 3 v i u khi n và T đ ng hoá – VCCA, Hà N i, 2015

[5] H M Vi t, L H Hi p và M T Ph ng, “Nghiên c u thi t k h th ng phân lo i s n ph m theo màu s c ng d ng công ngh x lý nh s ” Internet: https://www.researchgate.net/ Aug, 2021

[6] N T Duy, T H c, B V V và V C n, “ ng d ng công ngh x lý nh trong phân lo i cà chua sau thu ho ch,” T p chí khoa h c Tr ng i h c Quy Nh n, s ?, Dec.30, 2020

[7] H V D ng, Giáo trình nh n d ng và x lý nh Nhà Xu t B n Khoa H c và K Thu t, 2018, pp 51-198

[9] H T Vi t, “M ng th n kinh tích ch p.” Internet: Https://thanhvie.com/tim- hieu-ve-mang-no-ron-tich-chap-convolutional-neural-networks/, Aug 4,

[10] M Toprak, “Activation Functions for Deep Learning.” Internet: https://medium.com/@toprak.mhmt/activation-functions-for-deep- learning-13d8b9b20e, Jun 15, 2020

[11] N A Vi t, “Các hàm kích ho t (activation function) trong neural network.” Internet: https://aicurious.io/posts/2019-09-23-cac-ham-kich-hoat- activation-function-trong-neural-networks/, Sep 23, 2019

[12] “Deep Learning Interview questions and answers.” Internet: Https://www.i2tutorials.com/explain-step-threshold-and-leaky-relu- activation-functions/, September 7, 2019

[13] A Rosebrock, “YOLO object detection with OpenCV.” Internet: https://www.pyimagesearch.com/2018/11/12/yolo-object-detection-with- opencv/, Nov 12, 2018

[14] H T Vi t, “Tìm hi u v m ng n ron tích ch p.” Internet: https://thanhvie.com/tim-hieu-ve-mang-no-ron-tich-chap-convolutional- neural-networks/, Aug 4, 2020

Python là một ngôn ngữ lập trình phổ biến, dễ học và linh hoạt Nó được sử dụng rộng rãi trong phát triển web, phân tích dữ liệu, trí tuệ nhân tạo và nhiều lĩnh vực khác Python nổi bật với cú pháp rõ ràng, giúp lập trình viên dễ dàng viết và đọc mã Cộng đồng Python rất lớn, cung cấp nhiều tài nguyên học tập và thư viện hữu ích Nếu bạn muốn bắt đầu học Python, có rất nhiều khóa học và tài liệu trực tuyến miễn phí.

Python là một ngôn ngữ lập trình phổ biến, dễ học và linh hoạt, được sử dụng rộng rãi trong nhiều lĩnh vực như phát triển web, khoa học dữ liệu và trí tuệ nhân tạo Để bắt đầu học Python, bạn cần nắm vững các khái niệm cơ bản như cú pháp, biến, và cấu trúc điều khiển Python có một cộng đồng lớn và nhiều tài nguyên học tập, giúp người mới bắt đầu dễ dàng tiếp cận và phát triển kỹ năng lập trình của mình.

Lập trình Python là ngôn ngữ đa năng, dễ học và có cấu trúc rõ ràng, được phát triển từ năm 1991 bởi Guido van Rossum Python có ứng dụng rộng rãi trong nhiều lĩnh vực như phát triển web, khoa học dữ liệu, và tự động hóa, nhờ vào các thư viện mạnh mẽ như NumPy và Pandas Lịch sử phát triển của Python trải qua nhiều giai đoạn, từ phiên bản 1.x đến 3.x, với những cải tiến đáng kể về cú pháp và tính năng Python cũng được sử dụng trong các dự án Machine Learning và AI, giúp lập trình viên dễ dàng triển khai các giải pháp thông minh Việc nắm vững Python không chỉ giúp nâng cao kỹ năng lập trình mà còn thích ứng với nhu cầu công việc hiện đại.

Lập trình Python là một ngôn ngữ đa năng, dễ học và phổ biến trong nhiều lĩnh vực Được phát triển từ năm 1991 bởi Guido van Rossum, Python có cú pháp đơn giản và cấu trúc rõ ràng, giúp người dùng dễ dàng viết mã Ngôn ngữ này đã trải qua nhiều giai đoạn phát triển, từ các phiên bản 1.x đến 3.x, với nhiều cải tiến về tính năng Python được ứng dụng rộng rãi trong phát triển web qua các framework như Django và Flask, cũng như trong khoa học dữ liệu với các thư viện như NumPy, SciPy và Pandas Khả năng tạo ra các công cụ tự động hóa và ứng dụng trong Machine Learning, AI cũng là những lợi thế nổi bật của Python, làm cho ngôn ngữ này trở thành lựa chọn hàng đầu cho lập trình viên hiện nay.

[19] “Camera công nghi p.” Internet: https://xulyanhcongnghiep.com/camera- cong-nghiep-la-gi+17.html, Aug 24, 2021

[20] “IP67 Cameras featuring GigE Vision® with PoE – Imperx.” Internet: https://www.imperx.com/ip67-cameras, Oct 15, 2021

[21] “Vieworks VN-200MX Ultra-High Resolution Pixel Shift

Https://www.visionsystech.com/products/cameras/vieworks-vn-200mx-197-mp-427-mp-ultra-high-resolution-pixel-shift-camera, Nov 04, 2021

[22] N H nh, Bài gi ng, môn: “Th giác máy tính.” Khoa C khí, Tr ng i h c Bách khoa TP H Chí Minh, May 10, 2021

The article discusses the importance of camera lenses, often referred to as "glass" in photography It highlights how lenses play a crucial role in capturing high-quality images and how various types of lenses can affect the outcome of photographs Understanding different lens specifications and their impact on photography is essential for both amateur and professional photographers.

Tiêu cự là một yếu tố quan trọng trong lĩnh vực nhiếp ảnh và camera quan sát, ảnh hưởng đến góc nhìn và độ phóng đại của hình ảnh Khi hiểu rõ về tiêu cự, người dùng có thể điều chỉnh camera để có được những bức ảnh sắc nét và phù hợp với mục đích sử dụng Mối liên hệ giữa tiêu cự và góc nhìn giúp tối ưu hóa việc quan sát và ghi lại các chi tiết trong khung hình, từ đó nâng cao hiệu quả của hệ thống camera quan sát.

[25] “Calculating Camera Sensor Resolution and Lens Focal Length.” Internet: https://www.ni.com/en- vn/support/documentation/supplemental/18/calculating-camera-sensor- resolution-and-lens-focal-length.html, Oct 7, 2020

[26] W M Haynes, Handbook of Chemistry and Physics CRC Press, 2016, pp 10-233

[27] “Ánh sáng trong x lý nh công nghi p.” Internet: https://xulyanhcongnghiep.com/anh-sang-trong-xu-ly-anh-cong- nghiep+20.html, Oct 20, 2021

PH L C 02 : CH NG TRÌNH L P TRÌNH PLC

PH L C 03 : CH NG TRÌNH L P TRÌNH PYTHON

K t qu th c nghi m

Phân tích k t qu th c nghi m so v i yêu c u ban đ u

D a vào k t qu th c nghi m, so sánh v i các tiêu chí đánh giá ban đ u ta có đ c k t qu c a đ tài nh sau:

B ng 3 3: So sánh k t qu th c nghi m và tiêu chí đánh giá ban đ u

V i k t qu th c nghi m nh trên, tác gi k t lu n đ i v i mô hình th c nghi m so v i yêu c u đ tài lu n v n nh sau:

 Ph ng pháp đ m bao s d ng gi i thu t x lý nh hoàn toàn áp d ng đ c đ đ m và phân lo i 3 lo i s n ph m khác nhau v i 2 kích th c khác nhau

 T c đ x lý nh hoàn toàn đáp ng v i công su t xu t hàng t i Nhà máy m

 Sai s n m trong ph m vi cho phép

 Thi t k h th ng ph n c ng không quá ph c t p, t đó gi m thi u chi phí cho quá trình b o d ng, s a ch a ho c thay th thi t b

K t lu n chung: Mô hình th c nghi m b đ m hoàn toàn đáp ng các tiêu chí đ u bài ban đ u c a lu n v n

CH NG 4 K T LU N VÀ H NG PHÁT TRI N

K t lu n

Trong đ tài này, tác gi đã hoàn thành m t s công vi c nh sau:

 Nghiên c u và thi t k đ c b đ m bao cho 3 lo i m u mã s n ph m v i kích th c khác nhau

 Nghiên c u b đ m bao s n ph m đáp ng đ c các đi u ki n bao x p không th ng hàng trên b ng t i

 L p trình k t n i tín hi u x lý nh và PLC, hi n th các giá tr đ m, cài đ t t đ ng đ ch y, d ng b ng t i

 L p trình SCADA giám sát thông s b đ m và v n hành h th ng b ng t i

 K t qu c a th c nghi m cho th y b đ m đã đ c thi t k đ t yêu c u tiêu chí c a nhà máy đã đ a ra.

h ng phát tri n c a đ tài

T k t qu c a đ tài, đ đ a k t qu nghiên c u vào ng d ng th c ti n đáp ng các nhu c u c a các doanh nghi p, tác gi đ xu t ti p t c nghiên c u thêm nhi m v sau:

 Ti n hành l p đ t trong th c t đ quá trình đ m s t ng nhi u h n (t 10000 đ n 15000 bao s n ph m/l n đ m) đ đánh giá chính xác sai s

 Nghiên c u gi i thu t đ đ m đ c các bao x p ch ng lên nhau v i di n tích x p ch ng l n (t 15 - 30% di n tích)

Xây dựng bản đề xuất bảo vệ pháp lý nhằm tích hợp các nhãn dán liên quan đến sản phẩm là rất cần thiết Các yếu tố quan trọng bao gồm: mã vạch bao bì, logo nhận diện thương hiệu, thông tin sản phẩm như ngày sản xuất và hạn sử dụng Điều này không chỉ giúp bảo vệ quyền lợi của nhà sản xuất mà còn tạo sự tin tưởng cho người tiêu dùng.

Thông qua việc nâng cao quy trình đóng gói sản phẩm, cần phát triển thêm các tiêu chuẩn kiểm soát chất lượng đầu ra của sản phẩm hạt rời Các thông số giám sát bao gồm kích thước hạt, màu sắc hạt, và tỷ lệ bụi trong sản phẩm.

[1] Công ty c ph n Phân bón D u khí Cà Mau, “Các lo i s n ph m.” Internet: https://www.pvcfc.com.vn/san-pham/phan-bon-ca-mau, May 15, 2021

T N H i, T Q B ng, T X Tùy và H V Nhân đã trình bày nghiên cứu về "Xử lý nhãn bằng phần mềm LabVIEW cho máy tự động kiểm tra và phân loại nhãn in trên sản phẩm trong công đoạn đóng gói" tại Hội nghị khoa học và công nghệ toàn quốc về khí lạnh - VCME, Hà Nội, năm 2018.

Bài viết của T N H i, T Q B ng, T X Tùy và H V Nhân trình bày về việc xử lý nhãn bằng phần mềm LabVIEW cho máy tự động kiểm tra và phân loại nhãn in trên sản phẩm trong công đoạn đóng gói Nghiên cứu được trình bày tại Hội nghị khoa học và công nghệ toàn quốc về khí lạnh và VCME, Hà Nội, năm 2018.