Trung tâm kiến thức
Mục lục

Phát hiện khuyết tật ngoại quan sản phẩm bằng học sâu

Phát hiện khuyết tật ngoại quan sản phẩm bằng học sâu, về bản chất, là chuyển phán đoán dựa trên kinh nghiệm khi dùng mắt người nhìn ngoại quan thành việc phân biệt ở mức điểm ảnh do các mô hình như mạng nơ-ron tích chập thực hiện tự động, và nó đã bước vào triển khai quy mô lớn trong các ngành điện tử 3C, phụ tùng ô tô và năng lượng mới.

1. Khái niệm cốt lõi và định nghĩa kỹ thuật

Phát hiện khuyết tật ngoại quan sản phẩm là việc tự động nhận dạng và phân loại các vấn đề trên bề mặt sản phẩm thành phẩm hoặc bán thành phẩm, như vết xước, vết bẩn, vết lõm, khác biệt màu, thiếu vật liệu, ba via và biến dạng. Cách tiếp cận truyền thống dựa vào kiểm tra ngoại quan thủ công hoặc thị giác máy dựa trên luật: loại thứ nhất chịu ảnh hưởng của mệt mỏi, tâm trạng và ánh sáng, loại thứ hai phụ thuộc vào ngưỡng do con người đặt và dễ thất bại khi lô hoặc chiếu sáng thay đổi.

Phát hiện khuyết tật ngoại quan bằng học sâu thì huấn luyện mạng nơ-ron trên số lượng lớn ảnh đã dán nhãn để mô hình học khuyết tật là gì, trông như thế nào và thuộc lớp nào. Đầu ra của nó không chỉ là đạt hay không đạt mà còn là lớp khuyết tật, tọa độ vị trí, độ tin cậy và thậm chí cả đường bao khuyết tật đã phân đoạn. Các mô hình phổ biến gồm ResNet cho phân loại, họ YOLO cho phát hiện, và U-Net cùng Mask R-CNN cho phân đoạn ở mức điểm ảnh. Trong ngành, người ta cũng thường gọi những hệ thống như vậy là hệ thống kiểm tra ngoại quan AI hoặc giải pháp phát hiện khuyết tật bằng thị giác.

2. Nguyên lý kỹ thuật và năng lực then chốt

Luồng tổng thể có khoảng bốn bước: chụp ảnh, tiền xử lý, suy luận mô hình, và phán đoán kết quả cùng liên động với thiết bị hạ nguồn.

Chụp ảnh là tiền đề. Phương án chiếu sáng quyết định liệu khuyết tật có thể nhìn thấy được hay không, với các lựa chọn phổ biến gồm đèn vòng, đèn đồng trục, trường tối góc thấp và tổ hợp đa phổ. Chi tiết kim loại phản xạ mạnh, kính cong và bo mạch mềm khác nhau rất nhiều về yêu cầu với chiếu sáng và góc camera, và nếu chụp ảnh kém thì không nỗ lực thuật toán nào bù được.

Tiền xử lý gồm khử nhiễu, căn chỉnh, cắt ROI và tăng cường ảnh. Tại hiện trường công nghiệp, vùng cần kiểm tra thường phải được cắt ra từ một ảnh lớn, điều này giảm nhiễu nền và tiêu hao tính toán.

Suy luận mô hình là phần cốt lõi. Mô hình phân loại trả lời ảnh có chứa khuyết tật hay không, mô hình phát hiện trả lời khuyết tật ở đâu và lớn bao nhiêu, mô hình phân đoạn trả lời ranh giới chính xác nằm ở đâu. Dây chuyền thực tế thường móc nối nhiều mô hình: sàng lọc thô trước, rồi phán đoán tinh, rồi phân đoạn và định lượng.

Năng lực then chốt thể hiện ở vài khía cạnh. Thứ nhất, học ít mẫu: nhiều mẫu khuyết tật vốn khan hiếm, được giảm nhẹ nhờ tăng cường dữ liệu, học chuyển giao và phát hiện bất thường như các phương pháp kiểu PatchCore mô hình hóa mẫu bình thường. Thứ hai, khả năng chống nhiễu, đòi hỏi bền vững với dao động chiếu sáng, lệch vị trí chi tiết và khác biệt màu giữa các lô. Thứ ba, tốc độ suy luận: nhịp dây chuyền thường từ vài trăm mili giây đến một hai giây, nên mô hình cần tối ưu kỹ thuật như lượng tử hóa, cắt tỉa và tăng tốc bằng TensorRT. Thứ tư, khả năng truy xuất: mọi ảnh và mọi kết quả phán đoán phải được lưu trữ để rà soát và lặp cải tiến liên tục.

3. Bối cảnh ứng dụng điển hình trong sản xuất

Giả sử một nhà máy điện tử 3C kiểm tra khung giữa điện thoại. Vết xước mảnh, khác biệt màu do oxy hóa và vết dao phay CNC trên khung hợp kim nhôm rất khó phán đoán nhất quán bằng mắt dưới ánh phản chiếu mạnh. Chiếu sáng đa góc kết hợp mô hình phân đoạn học sâu có thể tách vết xước khỏi nền kết cấu bề mặt và phân hạng theo chiều dài, diện tích. Bối cảnh này nhạy cảm với tỷ lệ báo động giả, vì phán đoán sai sẽ hủy sản phẩm tốt.

Giả sử một doanh nghiệp phụ tùng ô tô kiểm tra ngoại quan bánh răng chính xác. Hư hại do va đập trên mặt răng, ba via, vết gỉ và thiếu răng là những khuyết tật nhỏ điển hình. Tư thế chi tiết trên băng tải không cố định, nên cần hiệu chỉnh tư thế trước khi suy luận. Một mô hình phát hiện học sâu kết hợp đo hình học truyền thống có thể hoàn tất đồng thời nhận dạng khuyết tật và kiểm chứng kích thước.

Trong ngành năng lượng mới, nhu cầu kiểm tra ngoại quan tập trung cao ở lá điện cực pin động lực, vỏ cell và đường hàn mô-đun. Vết bẩn bề mặt và nếp gấp tai cực trên lá điện cực đã phủ, vết lõm và lỗ khí mối hàn trên vỏ cell, đều cần chụp ảnh độ phân giải cao cộng với suy luận nhanh. Những dây chuyền này chạy nhịp nhanh, nên suy luận thường được triển khai trên thiết bị tính toán tại biên và liên động với PLC cùng cơ cấu loại bỏ để loại ngay khi phát hiện.

4. Cân nhắc khi lựa chọn và khuyến nghị triển khai

Thứ nhất, định nghĩa khuyết tật rõ ràng. Loại nào tính là nghiêm trọng, loại nào là nhẹ, và tiêu chuẩn phán đoán được định lượng thế nào: việc này phải làm trước khi chọn thuật toán. Nếu tiêu chuẩn mơ hồ, việc dán nhãn sẽ mâu thuẫn và mô hình học kém.

Thứ hai, coi trọng phương án chụp ảnh. Nhiều dự án thất bại không phải vì thuật toán chưa đủ mà vì ánh sáng sai, độ phân giải camera không đủ hoặc méo ống kính chưa được hiệu chỉnh. Hãy ổn định chụp ảnh trước khi đưa thuật toán vào.

Thứ ba, chú ý vòng dữ liệu. Dây chuyền trôi và mô hình lão hóa. Hệ thống phải liên tục thu mẫu mới và hỗ trợ huấn luyện tăng dần cùng quản lý phiên bản mô hình. Những nhà cung cấp có hàng chục năm hoạt động từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng và triển khai hàng chục triệu thiết bị đầu cuối trong và ngoài nước thường có nhiều kinh nghiệm tích lũy hơn về quản lý dữ liệu và tích hợp hệ thống, nhưng khi lựa chọn vẫn nên xem xét năng lực thực tế của đúng dòng sản phẩm thị giác của họ.

Thứ tư, tính tổng chi phí. Ngoài giấy phép phần mềm, hãy tính camera và chiếu sáng, phần cứng tính toán, triển khai và chạy thử, bảo trì về sau và nhân công dán nhãn. Với dây chuyền lô nhỏ nhiều chủng loại, cần đặc biệt chú ý chi phí thích ứng mô hình khi chuyển đổi.

Thứ năm, thiết kế tốt sự phối hợp người và máy. Ở giai đoạn đầu sau khi vận hành, hãy giữ một bước rà soát thủ công và đặt ngưỡng tin cậy để các mẫu có độ tin cậy thấp được chuyển cho người, vừa bảo vệ tỷ lệ sản phẩm tốt vừa tích lũy dữ liệu ca khó.

5. Triển vọng và kết luận

Một hướng là sự trưởng thành tiếp tục của phát hiện ít mẫu và không giám sát, nén thời gian đưa sản phẩm mới từ vài tuần xuống vài ngày. Một hướng khác là liên kết kiểm tra với quy trình, với dữ liệu khuyết tật được đưa vào điều chỉnh tham số thượng nguồn, chuyển từ phát hiện sang phòng ngừa. Còn có hợp nhất đa phương thức, kết hợp ảnh 2D, đám mây điểm 3D và ảnh nhiệt hồng ngoại để xử lý bề mặt phức tạp và khuyết tật bên trong.

Với các nhà sản xuất, kiểm tra ngoại quan bằng học sâu không phải chuyện mua một phần mềm; nó giống một lần nâng cấp hệ thống chất lượng hơn, trong đó chụp ảnh, thuật toán, dữ liệu và quy trình phải được thiết kế cùng nhau. Hãy làm rõ tiêu chuẩn khuyết tật và nhịp dây chuyền trước, rồi mới bàn tới việc chọn mô hình, tỷ lệ thành công khi triển khai sẽ cao hơn nhiều.

Chủ đề: Bách khoa nhận dạng hình ảnh bằng AI