Bảo trì và tối ưu hệ thống kiểm tra ngoại quan bằng AI về bản chất là chuyển từ tư duy lắp xong là quên sang tinh chỉnh liên tục dài hạn. Ánh sáng trên chuyền thay đổi, sản phẩm thay đổi, ống kính camera bám bẩn, và bất kỳ trôi nhỏ nào cũng có thể âm thầm bào mòn độ chính xác kiểm tra.
1. Khái niệm cốt lõi và định nghĩa kỹ thuật
Bảo trì hệ thống kiểm tra ngoại quan bằng AI là việc kiểm tra và hiệu chuẩn định kỳ ba phần - tạo ảnh, thuật toán và tính toán - để bảo đảm hệ thống giữ được tỷ lệ phát hiện và tỷ lệ báo động giả ổn định trong sản xuất thực tế theo thời gian. Tối ưu đi xa hơn: không thay phần cứng, nó cải thiện khả năng xử lý loại khuyết tật mới và quy cách sản phẩm mới của hệ thống thông qua chỉnh tham số, bổ sung mẫu và lặp mô hình.
Nó khác thị giác máy truyền thống ở chỗ thị giác truyền thống dựa vào quy tắc viết tay và bảo trì chủ yếu là chỉnh ngưỡng, còn thị giác AI lấy dữ liệu làm trung tâm và bảo trì chuyển sang giám sát chất lượng dữ liệu và huấn luyện lại mô hình. Ngành thường gọi công việc này là quản lý vòng đời đầy đủ của hệ thống thị giác.
2. Nguyên lý kỹ thuật và năng lực then chốt
Giữ hệ thống kiểm tra ngoại quan bằng AI hiệu quả phụ thuộc vào một số năng lực then chốt.
1. Giám sát độ ổn định tạo ảnh
Camera, ống kính và chiếu sáng là đôi mắt của hệ thống thị giác. Nguồn sáng suy giảm, bụi trên ống kính và camera trôi đều trực tiếp thay đổi phân bố ảnh đầu vào. Hệ thống cần tự kiểm tra chất lượng hình ảnh, ví dụ định kỳ so sánh giá trị trung bình độ sáng, độ tương phản và độ nét giữa ảnh tham chiếu và ảnh trực tiếp, vượt ngưỡng thì cảnh báo.
2. Phát hiện trôi dữ liệu
Khi chuyền đổi lô, đổi nhà cung cấp hoặc đổi mùa, thay đổi nhỏ về ngoại quan sản phẩm có thể làm phán đoán của mô hình thiếu chính xác. Phát hiện trôi dữ liệu theo dõi liên tục đặc tính phân bố của ảnh đầu vào và kích hoạt cảnh báo khi độ lệch so với dữ liệu huấn luyện trở nên quá lớn. Đây là bước nhiều nhà máy bỏ qua.
3. Lặp mô hình và học tăng dần
Khi xuất hiện loại khuyết tật mới hoặc hình dạng khuyết tật cũ thay đổi, phải gán nhãn mẫu mới và thêm vào tập huấn luyện. Học tăng dần cho mô hình tiếp thu kiến thức mới mà không quên loại cũ, tránh vấn đề học cái mới rồi quên cái cũ.
4. Phân tích vòng kín báo động giả và lọt lỗi
Hệ thống phải lưu ảnh đằng sau mỗi lần báo động để kỹ sư truy ngược. Là báo động giả hay lọt lỗi, là vấn đề chiếu sáng hay vấn đề mô hình - hãy phân loại và đếm để tìm vấn đề chính rồi xử lý đúng chỗ.
5. Quản lý sức khỏe tính toán và lưu trữ
Nhiệt độ CPU và GPU, mức dùng bộ nhớ và dung lượng đĩa trên máy tính công nghiệp hoặc thiết bị tính toán tại biên cũng thuộc phạm vi kiểm tra định kỳ. Đĩa đầy khiến ảnh không lưu được là lỗi khá thường gặp trên chuyền thực tế.
3. Tình huống ứng dụng điển hình trong sản xuất
Giả sử một nhà máy điện tử dùng kiểm tra ngoại quan bằng AI sau công đoạn gắn SMT để phát hiện lệch và thiếu linh kiện. Sau nửa năm vận hành, tỷ lệ báo động giả với một loại tụ điện tăng lên. Điều tra cho thấy nguồn sáng lão hóa làm thay đổi đặc tính phản xạ của mối hàn, và mô hình bắt đầu phán đoán mối hàn bình thường là bất thường. Cách khắc phục là hiệu chuẩn lại độ sáng đèn và tinh chỉnh mô hình bằng ảnh mới. Hành động bảo trì gồm thay nguồn sáng, cập nhật ảnh tham chiếu và thêm năm trăm mẫu mới để huấn luyện tăng dần.
Giả sử một doanh nghiệp phụ tùng ô tô dùng thị giác AI để phát hiện rỗ và nứt trên bề mặt vật đúc. Mùa hè xưởng nóng, nhiễu camera tăng và tỷ lệ phát hiện vết nứt mảnh giảm. Hướng tối ưu là thêm vỏ che làm mát cho camera, thêm tiền xử lý khử nhiễu ở phía thuật toán, và huấn luyện riêng trên ảnh thu trong giai đoạn nóng. Những tình huống như vậy cho thấy bảo trì không chỉ là sửa chữa mà còn là chủ động tối ưu khả năng thích ứng môi trường.
Giả sử một doanh nghiệp bao bì thực phẩm dùng hệ thống thị giác để kiểm tra mối dán túi có kín hoàn toàn không. Khi quy cách sản phẩm thay đổi, kích thước túi thay đổi và vùng quan tâm ban đầu của mô hình không còn phù hợp. Phải cấu hình lại ROI và thêm mẫu khuyết tật cho quy cách mới. Nếu hệ thống hỗ trợ học chuyển giao nhanh, việc chuyển đổi có thể hoàn thành trong nửa ngày.
4. Tiêu chí lựa chọn và lời khuyên triển khai
Khi chọn, trước hết xem hệ thống có cung cấp giám sát chất lượng hình ảnh và cảnh báo trôi dữ liệu hay không. Thiếu hai năng lực này thì bảo trì về sau rất bị động.
Sau đó xem việc lặp mô hình có thuận tiện không. Lý tưởng là không cần lập trình, kỹ sư có thể hoàn thành vòng gán nhãn, huấn luyện và triển khai ngay trong giao diện. Có hỗ trợ học tăng dần hay không trực tiếp quyết định hệ thống có theo kịp thay đổi của chuyền hay không.
Khi triển khai, hãy làm ba việc. Thứ nhất, xây thư viện ảnh tham chiếu và cập nhật ảnh tham chiếu sau mỗi lần đổi chuyền hoặc đại tu lớn. Thứ hai, lập danh sách kiểm tra ghi rõ vệ sinh ống kính, kiểm tra độ sáng đèn và xác nhận dung lượng đĩa là việc hằng ngày hoặc hằng tuần. Thứ ba, lưu tối thiểu ba tháng ảnh báo động lịch sử để phân tích xu hướng.
Về nhân sự, kỹ thuật viên chuyền cần năng lực phán đoán hình ảnh cơ bản để phân biệt khuyết tật thật với vấn đề tạo ảnh. Kỹ sư cần hiểu các yếu tố kích hoạt cập nhật mô hình và biết khi nào bắt buộc huấn luyện lại.
5. Triển vọng và kết luận
Hướng thứ nhất là học tự giám sát và học ít mẫu tiếp tục chín muồi, cho hệ thống thích ứng khuyết tật mới với rất ít mẫu mới và giảm khối lượng gán nhãn. Hướng thứ hai là kết hợp nén mô hình tại biên với học liên tục để thiết bị tự hoàn thành lặp nhẹ tại chỗ mà không phải tải lên cloud thường xuyên. Hướng thứ ba là số hóa quy trình bảo trì, nối hồ sơ kiểm tra, phiên bản mô hình và thống kê báo động thành một kho quản lý truy xuất được.
Về căn bản, bảo trì và tối ưu hệ thống kiểm tra ngoại quan bằng AI không phải nhiệm vụ kỹ thuật một lần mà là một phần vận hành hằng ngày của chuyền. Hãy đối xử với nó như bảo dưỡng thiết bị, hệ thống sẽ thay mắt người một cách đáng tin cậy trong dài hạn. Thực tiễn qua hơn 3.200 điểm và hơn 120 khách hàng thuộc hơn 15 ngành cũng cho thấy những nhà máy xây được cơ chế bảo trì thu được kết quả vững chắc hơn rõ rệt từ hệ thống thị giác của mình.