Ứng dụng robot tích hợp trí tuệ nhân tạo trong phân loại phế liệu công nghiệp tại Việt Nam

TS. Trần Đức Thuận

Trường Đại học Công Thương TP. Hồ Chí Minh; Email: [email protected]

Nguyễn Thái Duy

Công ty Cổ phần công nghệ Oryza Systems; Email: [email protected]

Tóm tắt

Nghiên cứu nhằm đánh giá khả năng ứng dụng hệ thống robot tích hợp trí tuệ nhân tạo trong phân loại phế liệu công nghiệp tại Việt Nam. Nghiên cứu sử dụng phương pháp định tính, kết hợp phân tích tài liệu thứ cấp, báo cáo kỹ thuật và các trường hợp ứng dụng điển hình để làm rõ cấu trúc kỹ thuật, cơ chế vận hành, giá trị ứng dụng và các điều kiện triển khai của hệ thống. Kết quả cho thấy, sự kết hợp giữa công nghệ cảm biến, thị giác máy tính, thuật toán trí tuệ nhân tạo và cơ cấu robot có thể hỗ trợ nâng cao khả năng nhận diện và phân loại vật liệu, cải thiện độ tinh khiết của dòng phế liệu thu hồi, giảm sự phụ thuộc vào lao động trực tiếp trong môi trường nguy hiểm và hỗ trợ tái sử dụng vật liệu trong nội bộ doanh nghiệp. Tuy nhiên, việc ứng dụng tại Việt Nam còn gặp các rào cản chủ yếu về chi phí đầu tư ban đầu, đặc tính phế liệu đầu vào chưa được chuẩn hóa và hạn chế về nguồn nhân lực kỹ thuật liên ngành. Trên cơ sở đó, nghiên cứu đề xuất lộ trình triển khai theo 3 giai đoạn gồm chuẩn hóa dòng phế liệu và dữ liệu; phát triển, tích hợp giải pháp robot phù hợp với đặc thù doanh nghiệp và tích hợp dữ liệu của hệ thống vào hoạt động quản trị sản xuất.

Từ khóa: Trí tuệ nhân tạo, robot thông minh, phân loại phế liệu, công nghiệp nặng, kinh tế tuần hoàn

Abstract

This study aims to assess the applicability of artificial intelligence-integrated robotic systems for industrial scrap sorting in Viet Nam. The study employs a qualitative approach, combining analysis of secondary documents and technical reports, as well as representative application cases, to clarify the technical structure, operating mechanisms, application value, and implementation conditions of such systems. The results show that integrating sensor technologies, computer vision, artificial intelligence algorithms, and robotic mechanisms can enhance material identification and sorting capabilities, improve the purity of recovered scrap streams, reduce reliance on direct labor in hazardous environments, and support the internal reuse of materials within enterprises. However, implementation in Viet Nam still faces major barriers, particularly high initial investment costs, a lack of standardization in input scrap characteristics, and limited interdisciplinary technical human resources. Accordingly, the study proposes a three-stage implementation roadmap comprising scrap stream and data standardization; development and integration of robotic solutions suited to enterprise-specific characteristics; and integration of system data into production management activities.

Keywords: Artificial intelligence, smart robots, scrap sorting, heavy industry, circular economy

ĐẶT VẤN ĐỀ

Các ngành công nghiệp nặng như luyện kim, cơ khí chế tạo, sản xuất chất dẻo và xi măng thuộc nhóm có mức phát thải carbon cao và khó cắt giảm (IEA, 2024). Trong bối cảnh mục tiêu Net Zero, các yêu cầu về môi trường, xã hội và quản trị (ESG) và các cơ chế carbon quốc tế như CBAM ngày càng được chú trọng, doanh nghiệp công nghiệp phải nâng cao hiệu quả sử dụng tài nguyên và kiểm soát tốt hơn dòng vật liệu, chất thải và phát thải (European Commission, 2026). Vì vậy, chuyển đổi theo hướng kinh tế tuần hoàn có ý nghĩa ngày càng lớn đối với việc sử dụng hiệu quả tài nguyên và giảm lượng vật liệu bị loại bỏ.

Trong công nghiệp nặng, tái chế và tái sử dụng phế liệu là nội dung cốt lõi của kinh tế tuần hoàn, góp phần kéo dài vòng đời vật liệu, giảm sử dụng nguyên liệu nguyên sinh và hạn chế chất thải (Quốc hội, 2020). Tuy nhiên, tại nhiều cơ sở sản xuất ở Việt Nam, phế liệu vẫn chủ yếu được phân loại thủ công hoặc bằng công nghệ tự động hóa thấp, dẫn đến độ chính xác chưa cao, nhiều tạp chất và tiềm ẩn rủi ro về an toàn lao động.

Sự phát triển của công nghệ robot, trí tuệ nhân tạo (AI), thị giác máy tính và học sâu mở ra khả năng tự động hóa quá trình nhận diện và phân loại phế liệu theo thời gian thực, qua đó nâng cao độ chính xác và hiệu quả xử lý (Yevle và Mann, 2025). Tuy nhiên, nghiên cứu và ứng dụng robot tích hợp AI trong phân loại phế liệu công nghiệp tại Việt Nam còn tương đối mới và phân tán.

Trên cơ sở đó, nghiên cứu hướng tới mục tiêu đánh giá khả năng ứng dụng hệ thống robot tích hợp trí tuệ nhân tạo trong phân loại phế liệu công nghiệp tại Việt Nam. Cụ thể, nghiên cứu làm rõ cấu trúc kỹ thuật và cơ chế vận hành của hệ thống tích hợp cảm biến, trí tuệ nhân tạo và robot; phân tích giá trị ứng dụng của hệ thống đối với hoạt động nhận diện, phân loại và thu hồi vật liệu; đồng thời nhận diện các rào cản về chi phí đầu tư, đặc tính phế liệu và năng lực nhân lực kỹ thuật trong quá trình triển khai tại Việt Nam. Trên cơ sở kết quả phân tích, nghiên cứu đề xuất lộ trình ứng dụng phù hợp với điều kiện của doanh nghiệp công nghiệp nặng, góp phần hỗ trợ hoạt động tái chế, sử dụng hiệu quả tài nguyên và chuyển đổi theo hướng kinh tế tuần hoàn.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp định tính, kết hợp phân tích hệ thống kỹ thuật và nghiên cứu tình huống nhằm làm rõ cấu trúc, cơ chế vận hành và khả năng ứng dụng của robot tích hợp AI trong phân loại, tái chế phế liệu. Dữ liệu được tổng hợp từ các tài liệu công bố giai đoạn 2023-2026, gồm báo cáo về kinh tế tuần hoàn; các nghiên cứu quốc tế trên Scopus và Web of Science về robot tích hợp AI trong xử lý chất thải công nghiệp; cùng các báo cáo kỹ thuật và dữ liệu thực tiễn trong lĩnh vực luyện kim, cơ khí chế tạo.

Trên cơ sở đó, nghiên cứu tổ chức phân tích theo bốn nhóm nội dung gồm: cấu trúc và cơ chế vận hành của hệ thống robot tích hợp AI; giá trị ứng dụng đối với hoạt động phân loại và thu hồi phế liệu; các rào cản đối với quá trình ứng dụng tại Việt Nam; và lộ trình triển khai phù hợp với điều kiện của doanh nghiệp công nghiệp nặng.

CƠ SỞ LÝ THUYẾT VÀ CĂN CỨ XÂY DỰNG MÔ HÌNH

Phân loại phế liệu trong quá trình thu hồi và tái chế vật liệu

Trong kinh tế tuần hoàn, khả năng tái sử dụng và tái chế phế liệu phụ thuộc đáng kể vào chất lượng dòng vật liệu sau thu hồi. Đối với phế liệu công nghiệp, sự khác biệt về chủng loại, hình dạng, kích thước, đặc tính bề mặt và thành phần vật liệu đặt ra yêu cầu nhận diện và phân loại chính xác trước khi tái chế. Các nghiên cứu cho thấy, nâng cao khả năng nhận diện và phân tách vật liệu có thể cải thiện chất lượng phế liệu thu hồi và hiệu quả tái chế (Koinig và cộng sự, 2024; Kölking và cộng sự, 2024).

Cơ sở công nghệ của phân loại phế liệu bằng AI và robot

Tự động hóa truyền thống gặp hạn chế khi xử lý phế liệu có đặc điểm và vị trí không đồng nhất. Việc tích hợp cảm biến, thị giác máy tính và trí tuệ nhân tạo cho phép hệ thống thu nhận dữ liệu về hình dạng, kích thước, bề mặt hoặc thành phần vật liệu; sử dụng các thuật toán học máy, học sâu để nhận diện, phân loại và xác định vị trí vật thể (Yevle và Mann, 2025; Koinig và cộng sự, 2024; Kölking và cộng sự, 2024).

Kết quả xử lý được chuyển thành thông tin điều khiển để robot thực hiện thao tác gắp, di chuyển và phân loại vật liệu. Vì vậy, hệ thống robot tích hợp AI được hình thành trên sự phối hợp giữa thu nhận dữ liệu, xử lý và ra quyết định, thực thi cơ khí (Lubongo và cộng sự, 2024; Yevle và Mann, 2025).

Cơ sở hình thành khung kiến trúc hệ thống robot tích hợp AI

Từ góc độ chức năng, quá trình phân loại phế liệu bằng robot tích hợp AI gồm ba bước liên tiếp: (1) thu nhận thông tin vật thể bằng camera và cảm biến; (2) xử lý dữ liệu và ra quyết định bằng các thuật toán AI để nhận diện, phân loại và xác định thông tin phục vụ thao tác; (3) thực thi thông qua robot và cơ cấu chấp hành để gắp, di chuyển và phân tách vật liệu.

Các bước tạo thành chuỗi xử lý từ vật thể vật lý → dữ liệu → quyết định → hành động phân loại. Hiệu quả của hệ thống vì vậy không chỉ phụ thuộc vào độ chính xác của thuật toán AI mà còn vào tính đồng bộ giữa dữ liệu đầu vào, khả năng xử lý thông tin và cơ cấu thực thi.

Trên cơ sở đó, nghiên cứu xác định ba nhóm chức năng gồm nhận diện vật lý, phân tích và ra quyết định, thực thi cơ khí làm căn cứ xây dựng khung kiến trúc hệ thống robot tích hợp AI trong phân loại phế liệu công nghiệp. Đây cũng là cơ sở để xác định các thành phần kỹ thuật, dữ liệu đầu vào và đầu ra của từng tầng trong mô hình đề xuất.

KẾT QUẢ VÀ THẢO LUẬN

Khung kiến trúc hệ thống robot tích hợp AI phân loại phế liệu

Trên cơ sở chuỗi chức năng thu nhận dữ liệu, phân tích và ra quyết định, thực thi hành động đã được xác lập, nghiên cứu đề xuất khung kiến trúc hệ thống robot tích hợp AI gồm 3 tầng: tầng nhận diện vật lý, tầng phân tích và ra quyết định bằng AI, và tầng thực thi cơ khí. Khung kiến trúc mô tả quá trình chuyển đổi từ vật thể phế liệu thành dữ liệu số, từ dữ liệu thành quyết định điều khiển và từ quyết định thành hành động phân loại vật lý (Hình 1).

Hình 1: Sơ đồ mô hình hóa kiến trúc hệ thống

Nguồn: Tác giả đề xuất, 2026

Tầng 1 - Tầng nhận diện vật lý: Camera và các cảm biến như LiDAR, NIR và XRF thu nhận dữ liệu về hình dạng, kích thước, đặc tính bề mặt và thành phần vật liệu của phế liệu. XRF có thể hỗ trợ nhận diện thành phần nguyên tố trong một số trường hợp vật liệu có bề mặt bị ảnh hưởng bởi rỉ sét hoặc dầu mỡ (Lubongo và cộng sự, 2024; Kölking và cộng sự, 2024).

Tầng 2 - Tầng phân tích và ra quyết định bằng AI: Dữ liệu từ tầng nhận diện được xử lý bằng các thuật toán học sâu, mạng nơ-ron tích chập và các thuật toán phát hiện vật thể để nhận diện, phân loại và xác định vị trí vật thể, đồng thời tạo thông tin điều khiển cho cơ cấu robot (Yevle và Mann, 2025; Koinig và cộng sự, 2024).

Tầng 3 - Tầng thực thi cơ khí: Robot và cơ cấu chấp hành tiếp nhận thông tin điều khiển để thực hiện thao tác gắp, di chuyển và phân loại phế liệu vào các khu vực tương ứng. Loại robot và cơ cấu gắp được lựa chọn phù hợp với tốc độ, kích thước, khối lượng và hình dạng của vật liệu cần xử lý (Lubongo và cộng sự, 2024).

Bảng 1: Thành phần và chức năng của kiến trúc hệ thống

Nguồn: Tác giả tổng hợp và đề xuất, 2026

Giá trị ứng dụng của robot tích hợp AI trong phân loại phế liệu công nghiệp

Nâng cao độ tinh khiết của vật liệu và hiệu quả tái chế

Trong ngành luyện kim, chất lượng phế liệu đầu vào ảnh hưởng trực tiếp đến hiệu quả nấu luyện. Phế liệu chứa nhiều tạp chất làm tăng yêu cầu xử lý, tinh luyện và tiêu hao năng lượng. Robot tích hợp AI có thể nâng cao độ chính xác trong nhận diện và phân loại, qua đó cải thiện độ tinh khiết và tính đồng nhất của dòng phế liệu trước khi tái chế (Koinig và cộng sự, 2024; Kölking và cộng sự, 2024).

Dòng vật liệu đồng nhất hơn có thể góp phần giảm một số công đoạn xử lý, tiêu hao năng lượng và phát thải. Tuy nhiên, mức độ cải thiện phụ thuộc vào đặc tính vật liệu, cấu hình dây chuyền và công nghệ của từng nhà máy.

Giảm sự phụ thuộc vào lao động trong môi trường nguy hiểm

Phân loại phế liệu công nghiệp thường diễn ra trong môi trường có bụi, vật sắc nhọn, nhiệt độ cao hoặc các yếu tố gây nguy cơ đối với sức khỏe người lao động. Ứng dụng robot giúp giảm sự tham gia trực tiếp của con người trong các công đoạn này, đồng thời nâng cao tính ổn định của quá trình vận hành và an toàn nghề nghiệp (Yevle và Mann, 2025).

Hỗ trợ hình thành chu trình vật liệu nội bộ

Robot thông minh tạo điều kiện thu gom và phân loại tại nguồn các loại phế phẩm kim loại, phoi gia công và đầu mẩu phát sinh trong quá trình sản xuất. Việc phân loại chính xác giúp tăng khả năng tái sử dụng hoặc đưa vật liệu trở lại quy trình sản xuất nội bộ, qua đó giảm nhu cầu vận chuyển, xử lý bên ngoài, hạn chế hao hụt vật liệu và góp phần giảm phát thải trong chuỗi cung ứng (Kölking và cộng sự, 2024).

Minh chứng về khả năng ứng dụng trong thực tế

Một số trường hợp ứng dụng và thử nghiệm cho thấy robot tích hợp AI có khả năng cải thiện tốc độ và độ chính xác của quá trình phân loại phế liệu. Kinh nghiệm triển khai cũng cho thấy hiệu quả hệ thống phụ thuộc vào sự đồng bộ giữa thị giác máy tính, thuật toán nhận diện và cơ cấu chấp hành.

Đặc biệt, doanh nghiệp cần xây dựng dữ liệu phù hợp với đặc điểm phế liệu của từng nhà máy, bao gồm hình ảnh, đặc tính bề mặt và dữ liệu quang phổ, để huấn luyện và hiệu chỉnh mô hình AI. Đây là điều kiện quan trọng nhằm nâng cao độ chính xác và khả năng thích ứng của hệ thống trong môi trường sản xuất thực tế (Koinig và cộng sự, 2024).

Rào cản đối với ứng dụng robot tích hợp AI trong phân loại phế liệu tại Việt Nam

Mặc dù có nhiều tiềm năng, việc ứng dụng robot tích hợp AI trong kinh tế tuần hoàn tại Việt Nam hiện vẫn đối mặt với ba rào cản chính.

Thứ nhất, chi phí đầu tư ban đầu còn cao. Hệ thống robot tích hợp AI, cảm biến và thiết bị xử lý dữ liệu đòi hỏi nguồn vốn đầu tư tương đối lớn, trong khi chi phí lao động tại Việt Nam vẫn ở mức cạnh tranh. Điều này tạo ra rào cản đáng kể đối với các doanh nghiệp vừa và nhỏ trong ngành cơ khí, luyện kim và chế tạo, đặc biệt khi phải đầu tư đồng bộ các hệ thống nhập khẩu.

Thứ hai, đặc tính phế liệu đầu vào chưa được chuẩn hóa. Phế liệu tại nhiều nhà máy có mức độ hỗn tạp cao, thường bám bùn đất, dầu mỡ, rỉ sét hoặc bị biến dạng, làm gia tăng độ khó của quá trình nhận diện. Thực tế này đặt ra yêu cầu cao đối với chất lượng dữ liệu huấn luyện và khả năng thích ứng của các thuật toán thị giác máy tính trong điều kiện vận hành thực tế.

Thứ ba, nguồn nhân lực vận hành còn hạn chế. Hệ thống robot tích hợp AI đòi hỏi đội ngũ kỹ thuật có kiến thức liên ngành về cơ điện tử, tự động hóa và khoa học dữ liệu. Trong khi đó, nhân lực kỹ thuật tại nhiều nhà máy vẫn chủ yếu tập trung vào bảo trì cơ khí và tự động hóa truyền thống. Khoảng cách về năng lực vận hành, bảo trì và xử lý sự cố có thể làm tăng chi phí triển khai và hạn chế khả năng làm chủ công nghệ của doanh nghiệp.

LỘ TRÌNH ỨNG DỤNG ROBOT TÍCH HỢP AI TRONG PHÂN LOẠI PHẾ LIỆU

Đối với doanh nghiệp

Giai đoạn 1: Chuẩn hóa dòng phế liệu và số hóa dữ liệu (ngắn hạn). Trước khi đầu tư hệ thống robot, doanh nghiệp cần rà soát, phân loại và quy hoạch lại khu vực tập kết phế liệu; đồng thời lắp đặt hệ thống camera để thu thập dữ liệu hình ảnh về các loại phế liệu phát sinh trong quá trình sản xuất. Việc xây dựng cơ sở dữ liệu ban đầu là bước quan trọng để huấn luyện và hiệu chỉnh các thuật toán AI phù hợp với đặc điểm vật liệu của từng nhà máy, qua đó giảm rủi ro khi triển khai hệ thống tự động hóa ở các giai đoạn tiếp theo.

Giai đoạn 2: Phát triển giải pháp robot phù hợp với đặc thù doanh nghiệp (trung hạn). Thay vì phụ thuộc hoàn toàn vào các hệ thống nhập khẩu đồng bộ có chi phí cao, doanh nghiệp có thể hợp tác với các đơn vị cơ điện tử, tự động hóa và AI trong nước để thiết kế, tích hợp hệ thống phù hợp với quy mô, dây chuyền và đặc điểm phế liệu. Việc kết hợp phần cứng robot với phần mềm AI được phát triển và hiệu chỉnh trong nước có thể góp phần giảm chi phí đầu tư, nâng cao khả năng bảo trì và từng bước tăng mức độ làm chủ công nghệ.

Giai đoạn 3: Tích hợp dữ liệu phân loại vào hệ thống quản trị sản xuất và báo cáo ESG (dài hạn). Dữ liệu về chủng loại, khối lượng phế liệu, tỷ lệ thu hồi và tái chế cần được tích hợp vào hệ thống quản trị trung tâm của doanh nghiệp. Đây là cơ sở để theo dõi hiệu quả sử dụng tài nguyên, kiểm kê dòng vật liệu và hỗ trợ đo lường, báo cáo các chỉ tiêu môi trường, phát thải và ESG. Việc số hóa dữ liệu cũng giúp tăng khả năng truy xuất nguồn gốc vật liệu và đáp ứng tốt hơn các yêu cầu về carbon trong chuỗi cung ứng và thương mại quốc tế.

Đối với nhà nước

Bên cạnh nỗ lực đầu tư và đổi mới công nghệ của doanh nghiệp, Nhà nước giữ vai trò quan trọng trong việc tạo điều kiện cho các giải pháp robot tích hợp trí tuệ nhân tạo được nghiên cứu, thử nghiệm và từng bước ứng dụng trong phân loại, thu hồi và tái chế phế liệu công nghiệp.

Thứ nhất, cần tiếp tục hoàn thiện các chính sách khuyến khích nghiên cứu, phát triển và ứng dụng công nghệ robot, trí tuệ nhân tạo và cảm biến phục vụ phân loại, thu hồi và tái chế vật liệu. Các công nghệ này có thể được xem xét trong các chương trình hỗ trợ nghiên cứu, chuyển giao công nghệ, đổi mới công nghệ và đầu tư theo quy định hiện hành.

Thứ hai, cần tăng khả năng tiếp cận các nguồn tài chính và tín dụng xanh đối với doanh nghiệp đầu tư công nghệ tái chế, tiết kiệm tài nguyên và giảm phát thải. Các sản phẩm tín dụng phù hợp với đặc điểm đầu tư máy móc, robot và thiết bị công nghệ có thể góp phần giảm áp lực vốn ban đầu và tạo điều kiện để doanh nghiệp triển khai các hệ thống phân loại phế liệu tự động.

Thứ ba, cần tăng cường liên kết giữa doanh nghiệp sản xuất, trường đại học, viện nghiên cứu và doanh nghiệp công nghệ trong quá trình nghiên cứu, thiết kế và triển khai các hệ thống robot tích hợp AI. Sự phối hợp này góp phần phát triển các giải pháp phù hợp với đặc điểm phế liệu và điều kiện sản xuất tại Việt Nam, đồng thời hỗ trợ đào tạo nguồn nhân lực liên ngành về cơ điện tử, tự động hóa và trí tuệ nhân tạo.

Tài liệu tham khảo:

1. European Commission (2026). Carbon Border Adjustment Mechanism - Definitive Regime.

2. International Energy Agency (IEA) (2024). Definitions for near-zero and low-emissions steel and cement, and underlying emissions measurement methodologies. IEA.

3. Koinig, G., Kuhn, N., Fink, T., et al. (2024). Deep learning approaches for classification of copper-containing metal scrap in recycling processes. Waste Management, 190, 520-530. https://doi.org/10.1016/j.wasman.2024.10.022

4. Kölking, M., Flamme, S., Heinrichs, S., Schmalbein, N., & Jacob, M. (2024). More resource efficient recycling of copper and copper alloys by using X-ray fluorescence sorting systems. Waste Management & Research, 42(9), 814-822. https://doi.org/10.1177/0734242X241241601

5. Lubongo, C., Bin Daej, M. A. A., & Alexandridis, P. (2024). Recent developments in technology for sorting plastic for recycling: The emergence of artificial intelligence and the rise of the robots. Recycling, 9(4), 59. https://doi.org/10.3390/recycling9040059

6. Quốc hội (2020). Luật Bảo vệ môi trường số 72/2020/QH14 ngày 17/11/2020.

7. Yevle, D. V., & Mann, P. S. (2025). Artificial intelligence based classification for waste management: A survey based on taxonomy, classification & future direction. Computer Science Review, 56, 100723. https://doi.org/10.1016/j.cosrev.2024.100723