Mục tiêu của nghiên cứu này là thiết kế mô hình cánh tay robot ba trục tịnh tiến kết hợp với camera nhằm tự động hóa thu thập dữ liệu mối hàn. Mô hình cánh tay robot bao gồm ba trục tự do được thiết kế theo cấu trúc treo ngược và có thể tịnh tiến theo các phương X, Y, Z. Đầu cuối của cánh tay robot được lắp một động cơ servo kết hợp với camera công nghiệp. Camera có thể xoay được một góc 180 độ nhờ vào động cơ servo. Với cơ cấu này, mô hình cánh tay robot có thể điều chỉnh tịnh tiến và xoay định vị để thu thập dữ liệu hình ảnh từ nhiều góc độ khác nhau. Kết quả thực nghiệm cho thấy, hệ thống đã chứng minh khả năng xác định tọa độ với độ chính xác 99,67% và góc độ của chi tiết mối hàn, đảm bảo sự nhất quán trong bộ dữ liệu thu thập được. Hơn thế nữa, ngoài khả năng có thể thu thập một dữ liệu hình ảnh có tính nhất quán cao về vị trí góc nhìn, mô hình còn đảm bảo được tính ngẫu nhiên như điều kiện ánh sáng trong quá trình lấy mẫu. Kết quả nghiên cứu ban đầu này cho thấy không chỉ mở ra khả năng kiểm tra chất lượng mối hàn mà còn có thể tích hợp công nghệ học máy vào các quy trình sản xuất công nghiệp được thực hiện một cách nhanh chóng và chính xác.The aim of this study is to design a three-axis translational robotic arm model combined with a camera to automate the data collection of welding joints. The robotic arm model includes three degrees of freedom designed with an inverted structure and can translate along the X, Y, and Z axes. The end of the robotic arm is equipped with a servo motor combined with an industrial camera. The camera can rotate 180 degrees thanks to the servo motor. With this mechanism, the robotic arm model can adjust its translation and rotation to collect image data from various angles. Experimental results show that the system has proven its ability to determine coordinates with 99.67% accuracy and the angle of the welding joint, ensuring consistency in the collected dataset. Furthermore, in addition to the ability to collect highly consistent image data regarding viewing angles and positions, the model also ensures randomness such as lighting conditions during sampling. These initial research results not only open up the possibility of inspecting welding quality but also integrate machine learning technology into industrial production processes that are conducted quickly and accurately.