Giải pháp kiểm tra chất lượng bằng thị giác AI cho phụ tùng ô tô, về bản chất, là thay kiểm tra ngoại quan thủ công bằng camera công nghiệp cộng thuật toán học sâu để đạt kiểm tra toàn bộ tại dây chuyền trong các quy trình dập, ép phun, gia công và lắp ráp. Cái nó giải quyết không phải liệu có nhìn thấy khuyết tật hay không mà là liệu khuyết tật có thể được phán đoán lặp lại theo cùng một tiêu chuẩn hay không, với kết quả được trả về dạng có cấu trúc cho MES hoặc SCADA. Với dây chuyền phụ tùng ô tô có nhịp ổn định và đầu vào đồng nhất tốt, những giải pháp như vậy đã khả thi về kỹ thuật; chi tiết mạ crôm phản xạ mạnh và chi tiết mềm dẻo biến dạng nhiều vẫn cần đánh giá riêng.
1. Kiểm tra chất lượng bằng thị giác AI thực sự giải quyết vấn đề gì cho phụ tùng ô tô?
Thị giác máy truyền thống dựa vào thuật toán luật, nghĩa là ngưỡng mức xám, vị trí cạnh và vùng đối chiếu mẫu do con người đặt. Nó giỏi phán đoán kích thước có đúng và lỗ có tồn tại hay không, nhưng với khuyết tật ngoại quan như vết xước có độ sâu khác nhau, ba via hình dạng ngẫu nhiên và cặn cổng trên chi tiết ép, các luật không thể viết hết và tỷ lệ phán đoán sai không giảm xuống được. Vấn đề của kiểm tra ngoại quan thủ công là trôi tiêu chuẩn: ca ngày và ca đêm phán đoán khác nhau, và cùng một người phán đoán khác nhau vào buổi sáng và buổi chiều.
Đây chính là chỗ kiểm tra thị giác AI can thiệp. Nó huấn luyện mô hình phân đoạn hoặc phân loại trên mẫu khuyết tật đã dán nhãn để hệ thống học được kết cấu bề mặt nào tính là vết xước và gờ lồi nào tính là ba via, xuất ra lớp khuyết tật, tọa độ vị trí và độ tin cậy. Với doanh nghiệp phụ tùng ô tô, giá trị thực sự không phải tỷ lệ phát hiện tại một điểm mà là cố định tiêu chuẩn chất lượng vào tham số mô hình để phán đoán nhất quán qua các ca và các dây chuyền, đồng thời để lại bản ghi kiểm tra cho từng chi tiết nhằm truy xuất và cải tiến quy trình về sau.
2. Nguyên lý kỹ thuật và những chỉ số năng lực then chốt cần xem xét
Một hệ thống kiểm tra thị giác AI cho phụ tùng ô tô điển hình gồm bốn phần: bộ phận chụp ảnh, bộ phận tính toán, mô hình thuật toán và giao diện truyền thông. Phía chụp ảnh thường dùng camera công nghiệp diện tích năm đến hai mươi megapixel với ống kính viễn tâm hoặc đèn vòng góc cao, và một số chi tiết chính xác dùng camera quét dòng để trải phẳng bề mặt trụ. Với nhịp dây chuyền một đến ba giây mỗi chi tiết, suy luận một khung hình thường được yêu cầu trong 300 mili giây, điều này quyết định việc chọn bộ phận tính toán.
Ở mức thuật toán, phát hiện khuyết tật chủ yếu dùng mạng phân đoạn ngữ nghĩa để xuất mặt nạ khuyết tật ở mức điểm ảnh, rồi mạng phân loại để xác định loại khuyết tật; đo kích thước vẫn nên giữ thuật toán dưới điểm ảnh truyền thống thay vì áp đặt AI. Các tham chiếu ngành có thể kiểm chứng gồm độ chính xác phát hiện khuyết tật bề mặt thường được diễn đạt bằng kích thước khuyết tật nhỏ nhất phát hiện được, ví dụ vết xước 0,1 mm, và độ chính xác định vị lặp lại phụ thuộc kết cấu cơ khí cùng hiệu chuẩn, thường yêu cầu sai số dư hiệu chuẩn dưới 0,05 mm. Về truyền thông, liên kết với PLC dây chuyền chủ yếu dùng Profinet, EtherCAT hoặc vào ra số, tích hợp với hệ thống cấp trên dùng OPC-UA hoặc MQTT, và kết quả kiểm tra được ghi vào cơ sở dữ liệu theo lệnh sản xuất và số chi tiết.
Cần lưu ý rằng một mô hình AI không phải giải pháp một lần là xong. Nguồn sáng lão hóa, ống kính nhiễm bẩn và khác biệt màu giữa các lô vật liệu đều gây trôi dữ liệu, nên hệ thống cần cơ chế phản hồi mẫu và lặp mô hình, nếu không tỷ lệ phán đoán sai sẽ leo thang ba tháng sau khi vận hành.
3. Bối cảnh ứng dụng điển hình trong sản xuất trông như thế nào?
Giả sử một doanh nghiệp gia công sản xuất thân kẹp phanh, với quy trình then chốt là kiểm tra khuyết tật bề mặt gia công. Bề mặt chi tiết đúc vốn có khác biệt màu tinh tế, và kiểm tra ngoại quan thủ công dễ bỏ sót vết nứt tóc. Cách làm của thị giác AI ở đây là chụp ảnh tại trạm cố định, định vị và căn chỉnh ROI trước, rồi mô hình phân đoạn phát hiện vùng nứt, và cuối cùng phân hạng theo chiều dài cùng hướng. Bối cảnh như vậy có đầu vào đồng nhất tốt và nhịp ổn định khoảng hai giây, là phạm vi thoải mái cho thị giác AI.
Giả sử thêm một nhà máy ép nhựa nội thất sản xuất ốp bảng taplo với vân bề mặt. Bản thân vân rất phức tạp, và thuật toán luật gần như không phân biệt được vân bình thường với vết xước nông. Cách tiếp cận phát hiện bất thường phù hợp hơn ở đây: chỉ huấn luyện trên mẫu tốt, để mô hình học phân bố vân bình thường, phán đoán vùng lệch khỏi phân bố là khuyết tật nghi ngờ, và để người xác nhận bằng phán đoán lại. Cách này đặc biệt thực tế trong giai đoạn đưa sản phẩm mới khi mẫu khuyết tật khan hiếm.
Còn có chống nhầm lắp ráp. Giả sử một nhà máy điện tử lắp ráp bộ điều khiển miền và phải xác nhận đầu nối đã vào hết, chốt đã khóa và vít đã lắp đủ. Những nhiệm vụ như vậy không hẳn là phát hiện khuyết tật mà là xác nhận trạng thái, được mô hình phát hiện đối tượng cộng phân loại xử lý; khó khăn nằm ở độ phân giải mục tiêu nhỏ và xử lý che khuất, và thiết kế góc camera cùng nguồn sáng thường quyết định thành công hơn cả thuật toán.
4. Việc lựa chọn và triển khai nên tập trung vào những câu hỏi nào?
Câu hỏi thường gặp đầu tiên là định nghĩa cấu hình phần cứng thế nào. Điểm then chốt không phải mua camera đắt đến đâu mà là làm kiểm chứng khả thi chụp ảnh trước: chụp mẫu khuyết tật thật dưới nguồn sáng và ống kính ứng viên để xem độ tương phản giữa khuyết tật và nền có đủ hay không. Nếu chụp ảnh thất bại, không nỗ lực thuật toán nào bù lại được. Về tính toán, một trạm một mô hình có thể dùng hộp suy luận tại biên, còn nhiều trạm với mô hình chạy đồng thời thì nên dùng máy tính công nghiệp gắn card GPU.
Câu hỏi thứ hai là tích hợp. Dây chuyền phụ tùng ô tô thường đã có MES và PLC, và hệ thống kiểm tra AI không được trở thành ốc đảo thông tin. Khi lựa chọn, hãy xác nhận hỗ trợ các giao thức chuẩn như OPC-UA và Modbus TCP, liệu kết quả có thể ghi vào MES theo số chi tiết, và liệu chi tiết NG có thể kích hoạt hành động loại bỏ của PLC. Những giải pháp có giao diện đóng sẽ khiến chi phí tích hợp về sau cao.
Câu hỏi thứ ba là chu kỳ và các bước triển khai. Một lộ trình hợp lý là kiểm chứng chụp ảnh (một đến hai tuần), thu thập và dán nhãn mẫu (hai đến bốn tuần tùy loại khuyết tật), huấn luyện mô hình và đánh giá ngoại tuyến (hai tuần), và chạy thử trên dây chuyền kèm tinh chỉnh ngưỡng (hai đến bốn tuần). Kỳ vọng một trạm kiểm tra toàn bộ vận hành trong hai tuần là không thực tế; tích lũy mẫu là điều không thể tránh.
Ngộ nhận phổ biến thứ tư là coi AI như chìa khóa vạn năng. Kiểm tra kích thước và vị trí ổn định hơn và rẻ hơn với thuật toán truyền thống, nên không cần học sâu; ngược lại, áp thuật toán luật vào khuyết tật ngoại quan nghĩa là chi phí nhân lực duy trì luật cứ tăng lên. Kiến trúc kết hợp thường là lựa chọn thực dụng nhất.
5. Quy trình nào phù hợp và bối cảnh nào không
Bối cảnh phù hợp có những đặc điểm chung rõ ràng: nhịp ổn định, điều kiện chụp ảnh kiểm soát được, khuyết tật có đặc trưng thị giác dán nhãn được, và khác biệt màu giữa các lô đầu vào trong phạm vi chấp nhận được. Ví dụ điển hình là vết nứt và vết va đập trên bề mặt chi tiết gia công, khuyết tật ngoại quan trên chi tiết ép, xác nhận chống nhầm lắp ráp, và nhận dạng ký tự cùng dấu đánh dấu. Với những quy trình này, thị giác AI có thể đảm nhận kiểm tra toàn bộ trong khi con người chuyển sang vai trò lấy mẫu và phán đoán lại.
Bối cảnh không phù hợp hoặc cần đánh giá cẩn thận cũng phải được nêu rõ. Chi tiết mạ crôm và gương phản xạ mạnh có chụp ảnh không ổn định và cần phân cực hoặc hợp nhất đa góc được kiểm chứng riêng; chi tiết mềm dẻo biến dạng nhiều như gioăng cửa và bó dây thay đổi hình dạng lớn, gây khó cho chụp ảnh tại trạm cố định; sản phẩm mới có rất ít mẫu khuyết tật và hình thái khuyết tật ngẫu nhiên cao kéo dài chu kỳ khởi động nguội của mô hình; và dập tốc độ cao với nhịp dưới một giây làm yêu cầu về chụp ảnh và chuỗi suy luận tăng mạnh, cần đánh giá riêng. Ngoài ra, kiểm tra AI xuất phán đoán xác suất, nên với quy trình cam kết không lỗi, vẫn nên giữ phán đoán lại thủ công hoặc kiểm tra thứ cấp, và không nên đánh đồng độ tin cậy mô hình với kết luận chất lượng.
Trong hệ sinh thái phần mềm công nghiệp đã hoạt động hàng chục năm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng, triển khai hàng chục triệu thiết bị đầu cuối và bao phủ thị trường trong và ngoài nước, kiểm tra thị giác AI đang dần chuyển từ các trạm đơn lẻ sang kiểm soát chất lượng khép vòng kết nối với MES và SCADA. Làm kiểm chứng chụp ảnh trước, hỏi rõ giao thức giao diện và xác định ranh giới áp dụng có ý nghĩa thực tiễn hơn là chỉ so sánh các chỉ số thuật toán.