Đề tài nghiên cứu khoa học: Nghiên cứu, xây dựng mô hình Delta Robot tích hợp xử lý hình ảnh cho hệ thống phân loại sản phẩm

Đặc biệt, robot Delta với cấu trúc cánh tay đặc biệt có thể thực hiện các tác vụ với tốc độ và độ chính xác cao, tuy nhiên vẫn đối mặt với vấn đề nhận diện hình ảnh và điều khiển động họ

TỔNG QUAN CỦA ĐỀ TÀI

Khái quát chung về nhận diện hình ảnh

1.1.1 Khái quát nhận diện hình ảnh

Nhận diện hình ảnh (Image Recognition) là một nhánh quan trọng trong lĩnh vực thị giác máy tính (Computer Vision) và trí tuệ nhân tạo (AI), có mục tiêu chính là xác định và phân loại đối tượng trong ảnh hoặc video Hệ thống nhận diện hình ảnh có thể phát hiện khuôn mặt, biển số xe, chữ viết tay, các đối tượng như người, động vật, vật thể… và ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, y tế, công nghiệp, ô tô tự lái, bán lẻ, nông nghiệp, v.v

1.1.2 Các phương pháp xử lý ảnh trong nhận diện hình ảnh

Trong quá trình phát triển, có nhiều phương pháp xử lý ảnh được sử dụng để phục vụ cho việc nhận diện hình ảnh, bao gồm:

Phương pháp truyền thống (thuật toán cổ điển) :

- Xử lý ảnh nền tảng: Làm mượt ảnh, phát hiện biên (edge detection), phân ngưỡng (thresholding), lọc ảnh (filtering), biến đổi Fourier, v.v

- Phát hiện đặc trưng hình học: Dùng các kỹ thuật như SIFT (Scale-Invariant Feature Transform), SURF (Speeded-Up Robust Features), HOG (Histogram of Oriented Gradients), ORB (Oriented FAST and Rotated BRIEF)

- Phân loại bằng thuật toán học máy*: Sau khi trích xuất đặc trưng, sử dụng các mô hình như KNN, SVM, Random Forest, Decision Tree để phân loại hình ảnh

Phương pháp hiện đại – Dựa vào mạng nơ-ron nhân tạo (Neural Networks):

- Mạng nơ-ron tích chập (CNN – Convolutional Neural Networks): Là công nghệ cốt lõi hiện nay trong nhận diện hình ảnh CNN tự động học đặc trưng từ dữ liệu đầu vào mà không cần lập trình thủ công các bộ lọc Đây là một bước tiến vượt bậc so với phương pháp truyền thống

- Mạng GAN (Generative Adversarial Networks): Dù chủ yếu để sinh ảnh, GAN cũng hỗ trợ nhận diện thông qua tăng cường dữ liệu, tạo ảnh giả để huấn luyện mô hình tốt hơn

- Mạng transformer thị giác (Vision Transformers – ViT): Một xu hướng mới trong nhận diện hình ảnh, lấy cảm hứng từ NLP, hoạt động rất tốt với tập dữ liệu lớn

1.1.3 Ưu điểm của xử lý ảnh bằng mạng nơ-ron nhân tạo

- Tự động học đặc trưng: Khác với phương pháp truyền thống cần người vận hành trích chọn đặc trưng thủ công, CNN và các mạng học sâu có khả năng tự học những đặc trưng quan trọng từ dữ liệu hình ảnh

- Hiệu quả cao: Đạt được độ chính xác rất cao trong các bài toán phức tạp như nhận diện khuôn mặt, phân loại bệnh từ ảnh y tế, nhận diện biển báo giao thông,

- Khả năng tổng quát tốt: Khi được huấn luyện với dữ liệu lớn và đa dạng, mô hình có thể áp dụng vào nhiều ngữ cảnh thực tế khác nhau

- Thích nghi và mở rộng: Các mô hình có thể mở rộng dễ dàng (scalable) và thích nghi với dữ liệu mới thông qua tái huấn luyện

1.1.4 Nhược điểm và thách thức

- Yêu cầu dữ liệu lớn: Mô hình học sâu thường yêu cầu một lượng dữ liệu khổng lồ để đạt hiệu quả cao Việc thu thập và gán nhãn dữ liệu là công việc tốn thời gian và chi phí

- Chi phí tính toán cao: Huấn luyện mạng nơ-ron sâu đòi hỏi phần cứng mạnh (GPU, TPU), đặc biệt với những mô hình lớn như ResNet, ViT, EfficientNet, v.v

- Thiếu tính minh bạch (Black Box): Rất khó để giải thích vì sao mô hình lại đưa ra quyết định nào đó – điều này gây lo ngại trong những ứng dụng đòi hỏi tính chính xác cao như y tế, tài chính

- Dễ bị tấn công (Adversarial Attack): Chỉ cần thay đổi vài pixel, mô hình có thể bị đánh lừa để đưa ra kết quả sai lệch hoàn toàn

- Khó xử lý các biến thể mạnh: Nếu không được huấn luyện đầy đủ, mô hình có thể bị nhầm lẫn khi đối tượng bị xoay, thay đổi góc nhìn, che khuất,

1.1.5 Một số ứng dụng tiêu biểu

- An ninh – giám sát: Nhận diện khuôn mặt, phát hiện hành vi bất thường trong camera an ninh

- Y tế: Phân loại ảnh X-quang, MRI, phát hiện khối u,

- Giao thông – xe tự hành: Nhận diện vạch kẻ đường, biển báo, người đi bộ

- Nông nghiệp: Phân loại cây trồng, nhận diện sâu bệnh

- Thương mại điện tử: Tìm kiếm sản phẩm qua hình ảnh, thử đồ ảo

- Robot công nghiệp: Dẫn hướng, kiểm tra chất lượng sản phẩm

Nhận diện hình ảnh là một lĩnh vực trọng yếu và đầy tiềm năng trong cách mạng công nghiệp 4.0 Sự phát triển mạnh mẽ của mạng nơ-ron nhân tạo, đặc biệt là CNN và các kiến trúc học sâu khác, đã mở ra những khả năng vượt trội trong xử lý và hiểu hình ảnh Tuy nhiên, việc triển khai các hệ thống này cũng đi kèm nhiều thách thức, đòi hỏi phải đầu tư vào dữ liệu, hạ tầng và nghiên cứu kỹ thuật chuyên sâu Trong tương lai, khi AI trở nên phổ biến hơn, nhận diện hình ảnh sẽ tiếp tục là nền tảng cho hàng loạt ứng dụng thông minh phục vụ con người.

Khái quát về Robot Delta

1.2.1 Cấu tạo và nguyên lý hoạt động

Robot Delta có một cấu trúc khá đặc biệt với ba cánh tay song song, mỗi cánh tay có một cơ cấu đối xứng để tạo ra sự di chuyển ổn định và chính xác Cấu tạo này giúp robot có khả năng thực hiện các chuyển động trong không gian 3D một cách mượt mà và chính xác Một số đặc điểm chính của robot Delta bao gồm:

 Khung cấu trúc: Robot Delta có ba tay kẹp được kết nối với ba thanh dẫn hướng, tạo thành một cấu trúc hình tam giác Các động cơ này được gắn vào một phần cố định phía trên (trên cùng của robot) và kéo dài xuống dưới để điều khiển bộ phận cuối cùng của cánh tay (end-effector)

 End-effector (Cụm cuối): Phần cuối cùng của cánh tay robot (thường là một khối kẹp hoặc tay cầm) di chuyển theo các chuyển động rất chính xác trong không gian 3D, giúp robot có thể thực hiện các thao tác như gắp, di chuyển hoặc lắp ráp vật phẩm

 Cơ chế song song: Điểm khác biệt lớn của robot Delta so với các robot khác là cơ chế song song (parallel mechanism) Điều này có nghĩa là tất cả ba cánh tay robot đều được kết nối với một cơ cấu cố định ở phía trên và điều khiển các chuyển động của cánh tay robot một cách đồng thời Điều này giúp tăng độ chính xác và tốc độ

 Tốc độ cao: Robot Delta được thiết kế để di chuyển nhanh chóng và thực hiện các tác vụ lặp đi lặp lại một cách hiệu quả, điều này làm cho nó phù hợp với các công việc yêu cầu tốc độ cao như đóng gói, phân loại hoặc lắp ráp

 Độ chính xác cao: Do cấu trúc song song và cơ chế điều khiển động cơ linh hoạt, robot Delta có khả năng thực hiện các thao tác với độ chính xác rất cao, đặc biệt khi làm việc với các vật nhỏ hoặc yêu cầu thao tác tinh vi

 Thiết kế nhẹ và nhỏ gọn: Robot Delta có thiết kế gọn gàng và không chiếm quá nhiều không gian, điều này làm cho nó dễ dàng tích hợp vào các dây chuyền sản xuất với diện tích hạn chế

 Khả năng chịu tải nhẹ và vừa: Mặc dù robot Delta không thể mang tải nặng như một số loại robot công nghiệp khác, nhưng nó rất hiệu quả khi làm việc với các vật phẩm nhỏ hoặc có khối lượng vừa phải

Robot Delta thường được sử dụng trong những ngành công nghiệp có yêu cầu về tốc độ và độ chính xác, chẳng hạn như:

 Ngành công nghiệp thực phẩm: Đóng gói, phân loại hoặc xử lý thực phẩm một cách tự động, đảm bảo tốc độ nhanh và không gây hư hỏng cho sản phẩm

 Dây chuyền sản xuất điện tử: Lắp ráp các linh kiện điện tử nhỏ, kiểm tra chất lượng và phân loại

 Sản xuất và đóng gói: Trong các nhà máy sản xuất, robot Delta có thể tự động đóng gói sản phẩm vào hộp hoặc túi một cách nhanh chóng và chính xác

 Sản xuất thuốc: Được sử dụng trong việc phân loại, đóng gói thuốc, hoặc thực hiện các thao tác trong phòng thí nghiệm y tế

 Khả năng chịu tải thấp: Robot Delta thích hợp cho các ứng dụng có tải nhẹ hoặc vừa, nhưng nếu cần phải nâng vật nặng hoặc có khối lượng lớn, các loại robot khác như robot công nghiệp 6 bậc tự do (6-DOF) có thể là lựa chọn tốt hơn

 Cấu trúc phức tạp: Dù có độ chính xác cao, cấu trúc của robot Delta lại khá phức tạp và khó bảo trì Các cơ chế cơ học bên trong có thể yêu cầu kỹ thuật viên có trình độ cao để sửa chữa hoặc thay thế

1.2.5 Các nhà sản xuất nổi tiếng

Một số công ty nổi bật sản xuất robot Delta bao gồm:

 Staubli Robotics: Một trong những nhà sản xuất hàng đầu robot công nghiệp, bao gồm robot Delta

 ABB Robotics: Một công ty nổi tiếng với các robot công nghiệp tự động hóa, bao gồm cả robot Delta

 KUKA Robotics: Nhà sản xuất robot công nghiệp nổi tiếng, mặc dù chuyên về các robot 6 bậc tự do nhưng cũng cung cấp các robot Delta cho những ứng dụng cụ thể

1.2.6 Tương lai và phát triển

Với sự phát triển nhanh chóng trong công nghệ tự động hóa và AI, robot Delta cũng đang được cải tiến để thực hiện các nhiệm vụ phức tạp hơn, đồng thời tích hợp với các công nghệ như tầm nhìn máy tính và AI để có thể tự học và thích ứng với các môi trường sản xuất thay đổi nhanh chóng

Robot Delta đang ngày càng trở nên phổ biến trong các ngành công nghiệp nhờ vào tính hiệu quả, chính xác và khả năng thực hiện các tác vụ với tốc độ cao Với khả năng tích hợp dễ dàng vào các dây chuyền sản xuất hiện đại, robot này đang đóng góp vào việc tối ưu hóa quy trình sản xuất và nâng cao năng suất.

Yêu cầu công nghệ cho mô hình

1.3.1 Tổng quan về robot Delta

Robot Delta là một loại robot song song, có thiết kế đặc biệt với ba cánh tay liên kết song song, thường dùng trong các ứng dụng yêu cầu tốc độ cao và độ chính xác vừa phải, như:

- Lắp ráp linh kiện điện tử

- Gắp – đặt sản phẩm (pick & place)

- Sắp xếp hàng hóa trên băng chuyền

Cấu trúc cơ khí của robot Delta giúp nó có độ cứng vững cao, khối lượng phần di chuyển nhỏ nên tốc độ và gia tốc làm việc rất nhanh (lên tới 300 pick/min)

1.3.2 Yêu cầu công nghệ điều khiển – sử dụng PLC Mitsubishi Để điều khiển robot Delta hoạt động chính xác và hiệu quả, cần một hệ thống điều khiển mạnh mẽ, linh hoạt và dễ tích hợp với các thiết bị ngoại vi PLC Mitsubishi là một trong những lựa chọn phổ biến trong công nghiệp với các tính năng vượt trội.

Phần cứng điều khiển (PLC Mitsubishi)

Một số dòng PLC Mitsubishi phù hợp:

- FX5U series: Hiệu suất cao, giá thành vừa phải, tích hợp nhiều chức năng điều khiển chuyển động (motion control)

- iQ-R series: Dùng cho hệ thống tự động hóa phức tạp, hỗ trợ truyền thông tốc độ cao, tích hợp xử lý hình ảnh, xử lý AI,

- iQ-F series: Tương thích tốt với robot thông minh, hỗ trợ chức năng định tuyến, truyền động và thu thập dữ liệu

Các mô-đun cần thiết:

- Module điều khiển chuyển động (Motion Module): Điều khiển các trục servo đồng bộ để điều khiển các cánh tay robot Delta

- Module I/O số và tương tự: Nhận tín hiệu từ cảm biến, công tắc giới hạn, hoặc điều khiển các thiết bị chấp hành

- Module truyền thông CC-Link IE/Field hoặc Ethernet/IP: Dùng để kết nối với camera công nghiệp, HMI, hoặc hệ thống giám sát cấp cao (SCADA, MES)

- GX Works3: Phần mềm chính thức của Mitsubishi dùng để lập trình PLC

- iQ Motion: Dùng để cấu hình và điều khiển trục

- MELFA-Works: Mô phỏng robot Mitsubishi, có thể dùng để giả lập robot Delta nếu kết hợp hệ thống Mitsubishi.

Xử lý ảnh bằng mạng nơ-ron tích hợp

Để tăng tính linh hoạt và thông minh cho robot Delta, hệ thống xử lý ảnh (machine vision) kết hợp AI – đặc biệt là mạng nơ-ron tích chập (CNN) – là yếu tố quan trọng để robot có thể:

- Nhận diện sản phẩm cần gắp

- Xác định tọa độ chính xác của vật thể trên băng chuyền

- Phân biệt sản phẩm lỗi – đạt

- Theo dõi và điều chỉnh vị trí khi có sự lệch

Thành phần hệ thống xử lý ảnh

- Camera công nghiệp (Industrial Camera):

- Độ phân giải cao (2MP – 5MP hoặc hơn)

- Frame rate cao để theo kịp chuyển động của băng chuyền

- Giao tiếp qua USB 3.0, GigE hoặc Ethernet

- Hỗ trợ trigger và kết nối đồng bộ với PLC

- Máy xử lý ảnh (IPC hoặc Edge AI Device):

- Máy tính công nghiệp tích hợp GPU hoặc bộ xử lý AI như NVIDIA Jetson (Nano, Xavier)

- Có thể cài đặt và chạy các mô hình AI như YOLOv5, MobileNet, ResNet để phát hiện đối tượng

- Phần mềm xử lý ảnh và mạng nơ-ron:

- Framework phổ biến: TensorFlow, PyTorch, OpenCV

- Mô hình CNN được huấn luyện trước (pre-trained) hoặc huấn luyện riêng (custom-trained) để nhận diện vật thể

- Có thể tích hợp với PLC thông qua OPC UA, MQTT, hoặc giao tiếp TCP/IP

Luồng xử lý thông minh tích hợp AI

a Chụp ảnh sản phẩm trên băng chuyền (tự động theo tín hiệu trigger từ cảm biến hoặc theo chu kỳ) b Phân tích ảnh bằng mô hình CNN để xác định vị trí và loại đối tượng c Truyền dữ liệu tọa độ (X, Y, loại sản phẩm) về PLC Mitsubishi d PLC xử lý lệnh chuyển động robot Delta đến vị trí chính xác và thực hiện gắp – phân loại e Xử lý ngoại lệ (nếu vật thể lỗi, sai kích thước, méo hình ) thì PLC sẽ ra lệnh gắp vào khu vực loại bỏ

Những yêu cầu phần mềm và giao diện điều khiển

- Giao diện người – máy (HMI):

- Hiển thị thông tin thời gian thực: sản lượng, số sản phẩm lỗi, tình trạng robot

- Cho phép thay đổi thông số: tốc độ, vùng làm việc, độ nhạy nhận diện ảnh

- Tương thích với HMI của Mitsubishi (GOT Series)

- Phần mềm quản lý và giám sát:

- Kết nối SCADA hoặc hệ thống MES để theo dõi dữ liệu sản xuất

- Lưu log các hình ảnh lỗi để phân tích sau

- Hỗ trợ truyền dữ liệu lên đám mây nếu cần

Ưu điểm của giải pháp tích hợp PLC + AI cho robot Delta

- Tự động hóa linh hoạt và thông minh hơn

- Tăng độ chính xác khi gắp sản phẩm có hình dạng đa dạng

- Phát hiện lỗi sản phẩm nhanh chóng, không cần can thiệp thủ công

- Tích hợp sâu với hệ thống sản xuất thông minh (Smart Factory)

- Tiết kiệm chi phí nhân công và tăng hiệu suất sản xuất

ĐỀ XUẤT MÔ HÌNH

Các phương án hình thành mô hình

2.1.1 Thiết kế Cấu trúc Cơ học của Robot Delta

Robot Delta có cấu trúc cơ học đặc trưng với ba cánh tay song song gắn vào một cơ cấu cố định ở trên và kéo dài xuống để điều khiển một end-effector (bộ phận cuối cùng) Các yếu tố cần phải xác định khi thiết kế cấu trúc cơ học của robot Delta gồm: a) Xác định các thành phần cơ bản

 Khung cố định (Base Frame): Đây là cấu trúc nằm ở phía trên của robot, nơi các động cơ và cơ cấu điều khiển được gắn Khung này không di chuyển và sẽ giữ các cánh tay robot

 Các cánh tay (Arms): Robot Delta có ba cánh tay song song Mỗi cánh tay bao gồm ba thanh nối (linkages) với các chiều dài và góc có thể thay đổi Các thanh này được nối với cơ cấu ở base frame và có thể điều khiển các góc khớp (joint angles)

 Bộ phận cuối (End-Effector): Đây là phần tiếp xúc trực tiếp với vật phẩm mà robot sẽ thao tác, như là một kẹp hoặc tay cầm Bộ phận này sẽ di chuyển trong không gian 3D b) Lựa chọn các thành phần cơ học

502 Bad GatewayUnable to reach the origin service The service may be down or it may not be responding to traffic from cloudflared

502 Bad GatewayUnable to reach the origin service The service may be down or it may not be responding to traffic from cloudflared

2.1.2 Mô hình Hình học của Robot Delta

Mô hình hình học của robot Delta là một bước quan trọng trong việc mô phỏng chuyển động của robot và tính toán các vị trí của bộ phận cuối a) Hệ tọa độ (Coordinate Systems)

 Hệ tọa độ cơ sở (Base coordinate frame): Thường là hệ tọa độ gắn với khung cố định

 Hệ tọa độ của end-effector (End-effector coordinate frame): Hệ tọa độ gắn với bộ phận cuối Độ chính xác của việc xác định vị trí bộ phận cuối rất quan trọng trong việc lập mô hình b) Phương trình hình học Để mô phỏng chuyển động của robot Delta, chúng ta cần mô hình hóa các phương trình hình học xác định vị trí của bộ phận cuối từ các góc của các khớp

Giả sử các góc khớp của robot Delta là θ1,θ2,θ3, chiều dài các thanh nối là L1,L2,L3L_1, L_2, L_3L1,L2,L3, và các góc thay đổi theo thời gian Ta có thể viết phương trình động học để mô tả vị trí peep_{ee}pee của end-effector trong không gian 3D như sau:

2.1.3 Động học của Robot Delta Động học của robot Delta được chia thành hai phần chính: động học thuận và động học ngược a) Động học thuận Động học thuận mô tả mối quan hệ giữa các góc khớp θ1,θ2,θ3\theta_1,

\theta_2, \theta_3θ1,θ2,θ3 và vị trí của end-effector peep_{ee}pee Phương trình động học thuận có thể được xác định bằng cách sử dụng các công thức hình học, tính toán các khoảng cách và vị trí của bộ phận cuối từ các góc của cánh tay robot b) Động học ngược Động học ngược giúp chúng ta xác định các góc khớp θ1,θ2,θ3\theta_1,

\theta_2, \theta_3θ1,θ2,θ3 từ vị trí của end-effector peep_{ee}pee Bài toán này có thể được giải quyết thông qua các phương pháp giải phương trình phi tuyến như thuật toán Newton-Raphson

Ma trận Jacobian J(θ)J(\theta)J(θ) là ma trận quan trọng trong điều khiển robot

Nó mô tả mối quan hệ giữa sự thay đổi của các góc khớp và chuyển động của end- effector Ma trận Jacobian có thể được xác định như sau:

 là tốc độ của end - effector

 J    là ma trận Jacobian, phụ thuộc vào các góc khớp

   là tốc độ thay đổi của các góc khớp

2.1.5 Thuật toán Điều khiển Để điều khiển robot Delta, chúng ta cần một hệ thống điều khiển hiệu quả để đạt được mục tiêu cụ thể (ví dụ: di chuyển bộ phận cuối đến một vị trí xác định) Các thuật toán điều khiển phổ biến bao gồm:

 Điều khiển PID (Proportional-Integral-Derivative): Một trong những phương pháp đơn giản và phổ biến để điều khiển tốc độ và vị trí của robot

 Điều khiển động học ngược: Sử dụng động học ngược để tính toán các góc khớp dựa trên vị trí mục tiêu của end-effector

 Điều khiển mô phỏng và tối ưu: Sử dụng mô phỏng số để tối ưu hóa các tham số điều khiển trong quá trình thực thi nhiệm vụ

2.1.6 Mô phỏng và Tinh chỉnh

Sau khi xây dựng mô hình cơ học và động học, chúng ta cần tiến hành mô phỏng robot để kiểm tra tính đúng đắn của mô hình và thuật toán điều khiển Việc mô phỏng có thể được thực hiện bằng các phần mềm như:

 MATLAB/Simulink: Được sử dụng để mô phỏng động học robot và điều khiển robot trong không gian

 Gazebo: Một phần mềm mô phỏng 3D mạnh mẽ, phổ biến trong cộng đồng robot

 V-REP (CoppeliaSim): Một phần mềm mô phỏng robot, rất linh hoạt trong việc mô phỏng và kiểm tra các thuật toán điều khiển

2.1.7 Tối ưu hóa và Kiểm tra Thực tế

Sau khi mô phỏng, chúng ta tiến hành tối ưu hóa mô hình và kiểm tra thực tế:

 Tối ưu hóa: Điều chỉnh các tham số robot để tối ưu hóa hiệu suất (tốc độ, độ chính xác, tải trọng )

Thiết kế cơ khí

2.2.1 Cấu trúc cơ bản của robot Delta

Hình 2.1: Hình ảnh robot Delta

Robot Delta có một cấu trúc cơ khí song song (parallel mechanism), nơi tất cả ba cánh tay điều khiển đều gắn vào một khung cố định ở trên cùng (base), và di chuyển một điểm end-effector (bộ phận cuối) trong không gian ba chiều (3D) Đây là cấu trúc chủ yếu tạo ra các đặc điểm như tốc độ nhanh và độ chính xác cao Các yếu tố cơ bản trong thiết kế cơ khí bao gồm:

 Khung cố định (Base Frame): Khung này là phần nền tảng của robot, nơi gắn các động cơ và các cơ cấu dẫn động Nó có thể được thiết kế dưới dạng một mặt phẳng hoặc một cấu trúc không gian tùy thuộc vào yêu cầu của ứng dụng

 Ba cánh tay song song (Arms): Mỗi cánh tay robot Delta có ba thanh nối, mỗi thanh nối được gắn với động cơ ở khung cố định và điều khiển một chuyển động của cánh tay robot

 Bộ phận cuối (End-Effector): Bộ phận cuối của robot (có thể là một kẹp, cánh tay gắp hoặc dụng cụ khác) được gắn ở cuối của ba cánh tay Bộ phận này sẽ thực hiện các thao tác như gắp, di chuyển hoặc lắp ráp vật phẩm

2.2.2 Các thành phần cơ khí a) Thanh nối (Links)

Các thanh nối trong robot Delta là các bộ phận quan trọng giúp kết nối các động cơ và các khớp của cánh tay Các thanh nối phải có độ bền cao nhưng cũng phải đủ nhẹ để duy trì tính linh hoạt của robot

 Chất liệu: Vật liệu nhẹ và bền như hợp kim nhôm hoặc sợi carbon thường được sử dụng cho thanh nối Những vật liệu này giúp giảm trọng lượng của robot mà vẫn đảm bảo độ cứng cần thiết

 Chiều dài: Các chiều dài của thanh nối sẽ ảnh hưởng đến phạm vi hoạt động của robot và chiều dài của các cánh tay Các tham số này sẽ được tính toán để đảm bảo robot có thể tiếp cận tất cả các vị trí cần thiết trong không gian làm việc b) Khớp và động cơ

Mỗi cánh tay robot Delta sẽ có các khớp giúp điều khiển chuyển động của thanh nối Các khớp này được nối với động cơ servo hoặc động cơ bước để điều khiển các góc của các thanh nối

 Động cơ Servo: Là loại động cơ phổ biến nhất trong các hệ thống điều khiển chính xác như robot Delta, động cơ servo cung cấp lực mô-men xoắn chính xác, giúp điều khiển các khớp quay

 Cơ cấu khớp: Các khớp giữa các thanh nối được thiết kế để tạo ra các chuyển động có thể thay đổi góc Các khớp này thường sử dụng ổ bi hoặc các bộ phận linh hoạt khác để giảm ma sát và tăng độ chính xác trong chuyển động c) Cơ cấu hỗ trợ và khung cố định

Khung cố định là một phần rất quan trọng trong thiết kế cơ khí của robot Delta vì nó chịu tải trọng và hỗ trợ các động cơ, khớp, và các thanh nối Khung này cần phải có độ cứng vững cao và bền bỉ để chịu lực trong suốt quá trình hoạt động

 Vật liệu: Khung cố định thường được làm từ thép không gỉ hoặc hợp kim nhôm để đảm bảo tính bền vững nhưng vẫn giảm trọng lượng tổng thể của robot

 Dạng khung: Khung cố định có thể có hình dạng đơn giản (như một tấm phẳng) hoặc phức tạp hơn (như một khung không gian) tùy thuộc vào yêu cầu của ứng dụng và không gian làm việc d) Bộ phận cuối (End-Effector)

Bộ phận cuối của robot Delta là nơi thực hiện các thao tác như gắp vật phẩm, lắp ráp hoặc di chuyển Bộ phận này có thể được thiết kế với nhiều dạng khác nhau tùy thuộc vào yêu cầu cụ thể của công việc

 Loại kẹp: Có thể là một kẹp cơ học hoặc kẹp chân không để giữ vật phẩm

 Cảm biến và công cụ phụ: Trong một số ứng dụng, cảm biến tầm nhìn hoặc cảm biến lực có thể được gắn trên bộ phận cuối để giám sát quá trình thao tác hoặc đảm bảo thao tác chính xác

2.2.3 Nguyên lý hoạt động cơ bản của robot Delta

Thiết kế điện

2.3.1 Các bản thiết kế điện

Hình 2.3: Sơ đồ đấu nối động cơ servo

Hình 2.4: Sơ đồ cấp nguồn

Hình 2.5: Sơ đồ đấu nối động cơ step

Hình 2.6: Sơ đồ đầu vào PLC

Hình 2.7: Sơ đồ đầu ra PLC 2.3.2 Các khí cụ điện có trong mô hình a Relay 24VDC

 Relay 24VDC là thiết bị đóng cắt dùng nguồn điện một chiều 24V để điều khiển hoạt động của các tiếp điểm điện

 Điều khiển thiết bị điện: Cho phép điều khiển các tải điện áp lớn thông qua tín hiệu nhỏ từ PLC hoặc công tắc

 Cách ly mạch điều khiển và mạch tải: Bảo vệ mạch điều khiển khỏi dòng điện hoặc điện áp cao từ mạch tải

 Tự động hóa: Được sử dụng phổ biến trong tủ điện, hệ thống tự động để điều khiển động cơ, đèn báo, còi,

Hình 2.8: Relay trung gian 24 VDC b Cầu đấu (Terminal Block)

 Là thiết bị trung gian dùng để nối dây điện lại với nhau một cách chắc chắn và an toàn

 Kết nối dây dẫn điện: Giúp nối các dây trong tủ điện mà không cần hàn hay nối trực tiếp

 Sắp xếp gọn gàng: Tổ chức hệ thống dây dẫn hợp lý, dễ dàng kiểm tra và bảo trì

 Tăng độ an toàn: Hạn chế hiện tượng chập cháy do nối dây không đúng kỹ thuật

 Dễ thay thế: Khi cần sửa chữa, chỉ cần tháo hoặc lắp dây nhanh chóng mà không ảnh hưởng đến phần còn lại

Hình 2.9: Cầu đấu c Cảm biến tiệm cận (Proximity Sensor)

 Dùng để phát hiện sự xuất hiện hoặc vị trí của vật thể mà không cần tiếp xúc trực tiếp

 Phát hiện vật thể tự động: Dùng trong dây chuyền sản xuất, phát hiện vật thể đi qua

 Đếm sản phẩm: Kết hợp với hệ thống điều khiển để đếm số lượng sản phẩm hoặc vật thể

 Giới hạn hành trình: Xác định điểm dừng của máy móc hoặc thiết bị chuyển động

 Tăng tuổi thọ hệ thống: Vì không tiếp xúc nên ít mài mòn, độ bền cao

Hình 2.10: cảm biến tiệm cận d Aptomat (CB - Circuit Breaker)

 Là thiết bị tự động ngắt mạch điện khi có hiện tượng quá tải hoặc ngắn mạch xảy ra

 Bảo vệ thiết bị điện: Ngắt điện khi dòng điện vượt quá giới hạn cho phép, tránh hư hỏng thiết bị

 Ngăn cháy nổ: Giảm nguy cơ cháy do quá tải hoặc ngắn mạch

 Tách ly mạch: Dễ dàng ngắt điện để bảo trì hoặc sửa chữa mà không ảnh hưởng đến phần còn lại

 Tái sử dụng: Có thể đóng lại sau khi ngắt, không cần thay thế như cầu chì

Các thiết bị trong mô hình

1 Các thành phần chính trong hệ thống điện của robot Delta a) Nguồn cung cấp điện

Nguồn cung cấp điện đóng vai trò quan trọng trong việc cung cấp năng lượng cho robot Tùy thuộc vào công suất và các yêu cầu hoạt động của robot, bạn có thể lựa chọn các loại nguồn cung cấp điện khác nhau

 Nguồn cấp AC/DC: Hầu hết các hệ thống robot công nghiệp sử dụng nguồn điện AC/DC để chuyển đổi từ dòng điện xoay chiều (AC) sang dòng điện một chiều (DC) để cấp cho các động cơ và bộ điều khiển

 Pin hoặc Ắc quy: Nếu robot Delta cần hoạt động di động, có thể sử dụng pin lithium-ion hoặc các loại ắc quy khác để cung cấp điện cho robot trong quá trình hoạt động

 Điều khiển điện áp và dòng điện: Việc điều chỉnh điện áp và dòng điện sao cho phù hợp với các thành phần điện của robot là rất quan trọng Cần sử dụng các bộ điều chỉnh điện áp (voltage regulators) để đảm bảo các linh kiện nhận đủ điện áp nhưng không quá tải b) Động cơ và Điều khiển động cơ

Robot Delta sử dụng động cơ servo hoặc động cơ bước để điều khiển các cánh tay và bộ phận cuối Việc thiết kế hệ thống điện liên quan đến việc cung cấp năng lượng cho động cơ và điều khiển chúng một cách chính xác

Hình 2.12: Động cơ và bộ điều khiển động cơ

 Động cơ servo: Các động cơ servo sẽ được sử dụng để điều khiển các khớp của các cánh tay robot Động cơ servo có khả năng quay với độ chính xác cao và cung cấp mô-men xoắn cần thiết để điều khiển cánh tay Các động cơ này thường đi kèm với bộ điều khiển riêng, có khả năng nhận tín hiệu điều khiển từ bộ điều khiển trung tâm và quay tới một góc xác định

 Điều khiển động cơ servo: Để điều khiển động cơ servo, các tín hiệu điện (thường là tín hiệu PWM - Pulse Width Modulation) được gửi từ bộ điều khiển đến động cơ Bộ điều khiển động cơ servo có thể sử dụng mạch driver để xử lý tín hiệu điều khiển và điều chỉnh dòng điện cho động cơ

 Động cơ bước: Trong một số thiết kế, động cơ bước có thể được sử dụng thay cho động cơ servo, đặc biệt khi yêu cầu chính xác vị trí góc cao Điều khiển động cơ bước yêu cầu bộ điều khiển bước riêng biệt c) Bộ điều khiển trung tâm (PLC)

Bộ điều khiển trung tâm là nơi tiếp nhận tín hiệu đầu vào (từ cảm biến, tín hiệu điều khiển từ người dùng) và xử lý để gửi tín hiệu điều khiển tới các động cơ và các bộ phận khác của robot

 Bộ điều khiển (Microcontroller hoặc PLC): Các bộ điều khiển như Arduino, Raspberry Pi, BeagleBone hoặc các PLC công nghiệp có thể được sử dụng để điều khiển hệ thống Bộ điều khiển này sẽ nhận tín hiệu từ các cảm biến (ví dụ: cảm biến vị trí, cảm biến lực) và gửi các tín hiệu điều khiển (PWM) đến động cơ để di chuyển cánh tay của robot

 Giao tiếp giữa bộ điều khiển và động cơ: Bộ điều khiển sẽ giao tiếp với các động cơ thông qua các mạch driver động cơ Các mạch driver này nhận tín hiệu điều khiển từ bộ điều khiển và cung cấp năng lượng cho động cơ d) Cảm biến (Sensors)

Hình 2.14: Hình ảnh các loại cảm biến

Các cảm biến giúp robot nhận diện và phản hồi lại các thay đổi trong môi trường hoặc trong quá trình thực hiện nhiệm vụ

 Cảm biến vị trí (Position sensors): Để xác định chính xác vị trí của end- effector và các cánh tay, robot Delta sử dụng cảm biến vị trí như encoder hoặc resolver Những cảm biến này cung cấp dữ liệu về vị trí của các khớp và cánh tay

 Cảm biến lực (Force sensors): Trong một số ứng dụng, robot Delta có thể cần phải sử dụng cảm biến lực (force-torque sensor) để cảm nhận lực hoặc mô-men xoắn khi gắp vật phẩm hoặc thao tác với vật thể

 Cảm biến tầm nhìn (Vision sensors): Các cảm biến hình ảnh hoặc camera có thể được tích hợp vào robot để nhận diện vật phẩm hoặc theo dõi chuyển động của bộ phận cuối.

XÂY DỰNG MÔ HÌNH

Xây dựng hệ thống nhận diện hình ảnh sử dụng mạng nơ-ron

Xử lý ảnh bằng **mạng nơ-ron tích hợp (Integrated Neural Networks)** là quá trình sử dụng các mạng nơ-ron sâu (deep neural networks) để thực hiện các tác vụ xử lý ảnh như phân loại, nhận diện, phân đoạn, v.v Dưới đây là **các bước cơ bản

Bước 1: Thu thập và gán nhãn dữ liệu ảnh

- Thu thập ảnh từ nguồn dữ liệu (camera, internet, bộ dữ liệu công khai như ImageNet, CIFAR, COCO…)

- Gán nhãn (label) cho ảnh nếu là bài toán có giám sát (supervised learning) Bước 2: Tiền xử lý ảnh (Preprocessing)

- Chuyển đổi kích thước ảnh**: để đồng nhất (VD: 224x224 px)

- Chuẩn hóa pixel: chuyển các giá trị về khoảng [0, 1] hoặc [-1, 1]

- Tăng cường dữ liệu (Augmentation): xoay, lật, làm mờ, thay đổi độ sáng để tăng độ đa dạng

Bước 3: Xây dựng mô hình mạng nơ-ron

Tùy theo mục tiêu, bạn có thể chọn:

CNN (Convolutional Neural Network) dùng cho phân loại, phát hiện vật thể, nhận diện khuôn mặt,…

- Autoencoder -tái tạo và giảm nhiễu ảnh

- U-Net / SegNet – cho phân đoạn ảnh (image segmentation)

- Transformer (ViT) – mạng mạnh cho ảnh (gần đây thay thế CNN trong nhiều tác vụ)

Bước 4: Tích hợp nhiều mạng (nếu có)

- Mạng nơ-ron tích hợp (Integrated Neural Network) có thể kết hợp nhiều mô hình:

- Kết hợp ( CNN + RNN ) cho ảnh có chuỗi (video, ảnh y tế…)

- Kết hợp đặc trưng từ nhiều mô hình qua ( attention, fusion layers, ensemble ) Bước 5 Huấn luyện mô hình (Training)

- Dùng dữ liệu đã tiền xử lý để huấn luyện

- Chọn ( loss function ) phù hợp (cross-entropy, MSE,…)

- Dùng backpropagation và optimizer (SGD, Adam…)

Bước 6: Đánh giá mô hình (Evaluation)

- Sử dụng tập **validation/test** để đánh giá độ chính xác, F1-score, IoU,

- Có thể dùng các công cụ trực quan hóa như ( Grad-CAM ) để hiểu mô hình học gì

Bước 7: Triển khai mô hình (Deployment)

- Đưa mô hình vào ứng dụng thực tế: Web, App, hệ thống nhúng,

- Có thể sử dụng ONNX, TensorRT, TensorFlow Lite, để tối ưu tốc độ

3.1.1 Xử lý vùng màu BGR a Định nghĩa về không gian màu BGR

 BGR là viết tắt của Blue - Green - Red (Xanh dương - Xanh lá - Đỏ)

 Mỗi điểm ảnh (pixel) được mô tả bằng ba giá trị cường độ cho ba kênh màu: o B (Blue): Xanh dương o G (Green): Xanh lá o R (Red): Đỏ

 Thứ tự BGR thường được sử dụng trong các thư viện xử lý ảnh như OpenCV, trái ngược với RGB phổ biến trong đồ họa và lập trình giao diện b Lý do sử dụng BGR thay vì RGB b.1 Yếu tố lịch sử

 Các định dạng ảnh cổ điển như BMP, TIFF thường lưu pixel theo thứ tự BGR

 Một số API hệ điều hành (ví dụ: Windows GDI) cũng trả về ảnh theo định dạng này b.2 Tối ưu kỹ thuật

 Thứ tự BGR thuận tiện hơn trong một số trường hợp truy cập bộ nhớ cấp thấp

 Dễ kết hợp với các kiểu dữ liệu mảng trong ngôn ngữ như C/C++ c Biểu diễn ảnh trong không gian BGR

 Ảnh màu được coi là ma trận 3 chiều: o Chiều cao (height) o Chiều rộng (width) o Số kênh màu (3 kênh: B, G, R)

 Ví dụ: ảnh có kích thước 720x1280 sẽ có dạng (720, 1280, 3) e Khái niệm "vùng màu" trong không gian BGR

 "Vùng màu" là một khoảng giá trị xác định cho ba kênh B, G, R dùng để tìm hoặc lọc các pixel có màu sắc tương ứng

 Dùng để xác định những vùng cụ thể (ví dụ: vùng màu đỏ, xanh lá, vàng ) trong ảnh f Cách lọc vùng màu trong BGR với OpenCV

 Sử dụng hàm cv2.inRange() để lọc vùng màu: python

Sao chép mã mask = cv2.inRange(image, lower_bgr, upper_bgr)

 lower_bgr và upper_bgr: là các giới hạn dưới và trên của vùng màu cần lọc

 mask: ảnh nhị phân gồm: o Pixel trắng (255): nằm trong vùng màu o Pixel đen (0): nằm ngoài vùng màu g Một số ví dụ về vùng màu phổ biến trong BGR

Màu sắc Giới hạn dưới (lower

Những giá trị này có thể thay đổi tùy theo điều kiện ánh sáng, môi trường, thiết bị ghi hình h So sánh BGR với các không gian màu khác

Không gian màu Đặc điểm chính Ứng dụng phổ biến

BGR Thứ tự màu dùng trong OpenCV Xử lý ảnh kỹ thuật số

RGB Phổ biến trong thiết kế giao diện, web

Thiết kế đồ họa, trình duyệt

HSV Phân biệt rõ tông màu và độ sáng

Phân tích màu, phát hiện vật thể

LAB Gần với cách con người cảm nhận màu

Chuyển đổi và phân tích màu chuẩn

Grayscale Chỉ một kênh độ sáng

Phát hiện cạnh, xử lý ảnh đơn giản

Trong thực tế, người ta thường chuyển từ BGR sang HSV để lọc màu chính xác hơn vì HSV tách biệt rõ giữa màu và ánh sáng i Ứng dụng thực tế của vùng màu BGR

 Phát hiện vật thể theo màu sắc

 Nhận diện trái cây, làn đường, biển báo

 Tách nền, thay thế phông xanh

 Robot dò đường, theo vạch màu

 Theo dõi chuyển động bằng màu sắc k Kết luận

 Không gian màu BGR là tiêu chuẩn mặc định trong OpenCV

 Việc làm chủ các vùng màu trong BGR giúp bạn xử lý ảnh và video một cách hiệu quả hơn

 Bạn có thể kết hợp BGR với HSV hoặc LAB để đạt được độ chính xác cao hơn trong nhận diện màu

Hình 3.2: Hai cửa sổ nhận diện tọa độ

Xây dựng phương trình động học điều khiển robot Delta

B Bài toán động học thuận

Mục đích của bài toán động học thuận là xác định vị trí của khâu tác động cuối của tay máy khi biết các biến khớp của tay máy

Các bước thực hiện bài toán động học thuận cho tay máy:

Bước 1: Xác định số khớp và số thanh nối

Bước 2: Gắn lên các thanh nối từ 0 đến n các hệ trục tọa độ

Ví dụ: Thanh nối i (i = 0 ÷ n) gắn hệ trục Oi,Xi ,Yi , Zi

 qi: là góc quay của thanh nối thứ i,

 di: là độ lệch khâu,

 ai: là độ dài đường vuông góc chung giữa Zi-1 và Zi ,

 αi: là góc vặn của thanh nối

Cách xác định trục Zi: là trục mà xung quanh nó khớp thứ i+1 quay hoặc dọc theo khớp (i = 1÷ n-1) tịnh tiến

 Z0: trục mà xung quanh nó khớp 1quay,

 O0: tâm hệ trục tọa độ quy chiếu, chọn một điểm cố định trên đế Robot,

 Z1: trục mà xung quanh nó khớp 2 quay hoặc khớp tịnh tiến,

 Zn-1 : trục mà xung quanh nó khớp n quay,

 Zn: trùng phương với Zn-1

Cách xác định trục Xi: Trục X thường được đặt dọc theo pháp tuyến chung và hướng từ khớp i đến i+1 Trong trường hợp các trục khớp cắt nhau thì trục X chọn theo tích vectơ Zi-1 x Zi

Cách xác định trục Yi: Xác định theo quy tắc bàn tay phải

Bước 3: Xác định các biến khớp

 Khớp quay tương ứng với biến khớp quay q

 Khớp tịnh tiến tương ứng với biến khớp tịnh tiến d

Bước 4: Xác định quan hệ giữa hai khung tọa độ i và i-1

Hệ trục tọa độ i và hệ trục tọa độ i-1 giữa hai khâu nối tiếp nhau có quan hệ với nhau bằng phép biến đổi đồng nhất, theo trình tự sau:

 Quay xung quanh trục Zi-1 một góc θi sao cho trục Xi-1 trùng với phương của trục Xi

 Tịnh tiến dọc theo trục Zi-1 một đoạn di để gốc khung tọa độ mới trùng chân pháp tuyến chung trục i-1 và i, (Xi-1≡ Xi),

 Tịnh tiến dọc theo trục Xi-1 một đoạn ai, (Oi-1≡ Oi),

 Quay xung quanh trục Xi-1 một góc αi sao cho trục Zi-1 trùng với trục Zi Các phép biến đổi trên được thực hiện so với khung tọa độ hiện tại, do đó phép biến đổi tổng hợp được xác định như sau:

A i Rot q Trans d Trans a Rot z   z   x   x   cos sin cos sin sin cos sin cos cos cos sin asinq

Bước 5: Xác định phương trình động học thuận cho tay máy

Thực hiện bài toán động học thuận như sau:

1 Xác định hệ tọa độ

Cách 1: Đặt hệ trục tọa độ theo cách thứ nhất

Cách 2 (chọn cách 2): Đặt hệ trục tọa độ theo cách thứ hai

Chúng ta sẽ sử dụng cách thứ hai để đơn giản hóa các bước tính toán mà vẫn đảm bảo yêu cầu bài toán

2 Lập bảng thông số DH

3 Xác định các ma trận Ai os os os os os os

Từ công thức (2.3) ta suy ra được:

4 Tính các ma trận Ti

5 Thiết lập phương trình động học

Như vậy vị trí của tay theo khung tọa độ gốc sẽ là :

A Bài toán động học ngược

Mục đích của bài toán động học ngược là tìm các biến khớp của tay máy khi biết vị trí khâu tác động cuối của tay máy Có 3 phương pháp cơ bản để xác định mô hình động học ngược của tay máy là phép đảo hướng, phép đảo vị trí và phép đảo kết hợp Thông thường hay sử dụng phương pháp đảo kết hợp nên trong bài em đưa ra cách giải bài toán động học ngược theo phương pháp đảo kết hợp

Ta nhân cả 2 vế với ma trận nghịch đảo (A1-1) ta được: A1-1.T2 = A2

Với ma trận nghịch đảo:

Cân bằng các thành phần cột 4 của phương trình trên ta nhận được các phương trình sau:

 Bài toán động lực học

Thực hiện bài toán động lực học như sau:

Lực tổng quát của khâu thứ nhất

Lực tổng quát của khâu thứ hai:

Viết dưới dạng phương trình không gian trạng thái:

Dạng phương trình không gian trạng thái

Mô phỏng bài toán động học

Chúng ta sẽ dùng phần mềm Easy-Rob để nghiên cứu thiết kế động học, các kích thước và kết cấu của robot trên máy tính để có thể chọn được phương án động học tốt nhất, đảm bảo cho robot hoàn thành các nhiệm vụ yêu cầu.

Chương trình điều khiển

Các bước lập trình của robot

Hình 3.3: Sơ đồ thuận giải

Gửi và phân loại vật cho PLC

Hình ảnh thực tế

Hình 3.4: Hình ảnh thực tế của mô hình