Trung tâm kiến thức
Mục lục

Phát hiện khuyết tật ngoại quan bằng học sâu: tuyến chính thay thế kiểm tra thủ công

1. Khái niệm cốt lõi và định nghĩa kỹ thuật

Phát hiện khuyết tật ngoại quan sản phẩm là việc nhận diện và phân loại các bất thường trên bề mặt sản phẩm công nghiệp như xước, bẩn, rỗ, lệch màu, thiếu vật liệu và ba via. Cách truyền thống dựa vào mắt người dưới ánh sáng mạnh hoặc một góc cụ thể, vừa chậm, vừa mỏi mắt và tiêu chuẩn không đồng nhất.

Phát hiện khuyết tật ngoại quan dựa trên học sâu dùng các mô hình như mạng nơ-ron tích chập để tự học đặc trưng từ số lượng lớn ảnh khuyết tật đã gán nhãn, sau đó suy luận trên ảnh thời gian thực do camera trên chuyền chụp. Nó khác thị giác máy truyền thống ở chỗ thị giác truyền thống dựa vào quy tắc do kỹ sư viết ra, như ngưỡng xám và toán tử biên, và mỗi sản phẩm mới phải chỉnh lại, còn học sâu dựa vào huấn luyện dữ liệu và thích ứng tốt hơn với hình dạng khuyết tật phức tạp, vân nền đa dạng và ánh sáng không đều.

2. Nguyên lý kỹ thuật và năng lực then chốt

Toàn bộ chuỗi đại thể có bốn bước: tạo ảnh, gán nhãn, huấn luyện và triển khai suy luận.

Tạo ảnh là nền tảng. Góc sáng, độ phân giải camera và lựa chọn ống kính trực tiếp quyết định khuyết tật có chụp được hay không. Có khuyết tật gần như không thấy dưới đèn vòng thông thường mà chỉ hiện ra với ánh sáng tối góc thấp hoặc đồng trục. Bước này làm kém thì không thuật toán nào bù lại được.

Bước gán nhãn đặt trần cho mô hình. Mẫu khuyết tật thường theo phân bố đuôi dài: nhiều xước, ít rỗ, khuyết tật nhỏ càng hiếm. Thực tiễn phổ biến trong ngành gồm tăng cường dữ liệu, khuyết tật tổng hợp và học ít mẫu. Giả sử một nhà máy đầu nối chỉ có vài chục ảnh khuyết tật dị vật; huấn luyện thông thường khó hội tụ, nên cần thuật toán phát hiện bất thường, chỉ học phân bố của hàng tốt và báo động khi lệch, làm bổ trợ.

Ở mức mô hình, phân loại, phát hiện và phân vùng mỗi cách có chỗ hợp riêng. Phân loại trả lời ảnh có khuyết tật hay không; phát hiện trả lời khuyết tật ở đâu và là gì; phân vùng trả lời đường bao mức điểm ảnh của khuyết tật ra sao. Khuyết tật bề mặt thường kết hợp phát hiện và phân vùng để vừa định vị vừa định lượng diện tích khuyết tật.

Năng lực then chốt thể hiện qua vài chỉ số: tỷ lệ lọt lỗi, tỷ lệ giết nhầm, tốc độ suy luận và thời gian đổi chuyền. Tỷ lệ lọt lỗi là giới hạn cuối, tỷ lệ giết nhầm ảnh hưởng tỷ lệ đạt lần đầu của chuyền, tốc độ suy luận phải khớp nhịp chuyền (với 60 chi tiết mỗi phút, mô hình mất vài giây là không dùng được), thời gian đổi chuyền quyết định sản xuất nhiều chủng loại khối lượng nhỏ có khả thi hay không.

3. Tình huống ứng dụng điển hình trong sản xuất

Một nhà máy điện tử kiểm tra ngoại quan khung giữa điện thoại. Bề mặt là nhôm anod hóa, khuyết tật gồm xước mảnh, rỗ và lệch màu. Kiểm tra thủ công dưới ánh sáng mạnh cả ngày cho thấy tỷ lệ lọt lỗi tăng rõ vào buổi chiều. Với giải pháp học sâu, camera đa góc chụp sáu mặt cùng lúc, mô hình lập lớp riêng cho xước và rỗ, tỷ lệ giết nhầm nằm trong mức chấp nhận được và tỷ lệ lọt lỗi xuống dưới mức thủ công.

Giả sử một doanh nghiệp phụ tùng ô tô kiểm tra ngoại quan má phanh. Bề mặt có vết mài, khuyết tật là nứt, sứt góc và đốm gỉ. Vết nứt mảnh và tương phản thấp, thị giác truyền thống khó phát hiện đáng tin. Mô hình học sâu được huấn luyện với mẫu dưới nhiều điều kiện ánh sáng, và sau khi triển khai, ánh sáng hồng ngoại hoặc góc đặc biệt tăng tương phản vết nứt để đạt kiểm tra toàn bộ trên chuyền.

Một nhà máy kim khí phân loại ốc vít theo ngoại quan. Khuyết tật ốc vít rất nhiều - ren hỏng, đầu nứt, mạ phồng - mà chi tiết nhỏ, số lượng lớn. Tình huống như vậy đòi suy luận cực nhanh, nên thường dùng mô hình nhẹ cộng hộp tính toán tại biên để suy luận ngay cạnh chuyền và chỉ thổi bỏ chi tiết NG, không phụ thuộc máy chủ trung tâm.

4. Tiêu chí lựa chọn và lời khuyên triển khai

Thứ nhất, xác nhận khuyết tật chụp được. Chụp thử bằng mẫu thật trên chuyền quan trọng hơn mọi bộ slide giải pháp. Khuyết tật không chụp được thì không có đáp án thuật toán.

Thứ hai, hỏi rõ chi phí đổi chuyền. Nhiều chủng loại khối lượng nhỏ là chuẩn mực, và nếu mỗi sản phẩm mới phải chụp hàng trăm ảnh mới, huấn luyện lại và chỉnh lại thì chuyền không thể chờ. Hãy kiểm tra giải pháp có năng lực chuyển giao ít mẫu và công cụ gán nhãn nhanh hay không.

Thứ ba, phân biệt mức chịu đựng của doanh nghiệp với lọt lỗi và giết nhầm. Có ngành một ca lọt lỗi gây hậu quả nghiêm trọng nên chấp nhận giết nhầm nhiều hơn; có ngành giết nhầm quá nhiều thì phán đoán sai hàng tốt và chi phí không kham nổi. Hãy bàn riêng hai chỉ số, đừng nhìn một con số độ chính xác duy nhất.

Thứ tư, triển khai phải khớp chuyền. Máy chủ tập trung hợp với tổng hợp nhiều chuyền và quản lý mô hình thống nhất; hộp biên hợp với trạm đơn, độ trễ thấp và mạng không ổn định. Kiến trúc lai cũng phổ biến.

Thứ năm, đừng bỏ qua vòng dữ liệu. Chuyền sinh ra số lượng lớn ảnh mới mỗi ngày, và ảnh nào mô hình không chắc, ảnh nào được sửa sau khi phán đoán lại thủ công đều phải chảy ngược vào tập huấn luyện. Không có vòng đó, mô hình tụt lại sau thay đổi sản phẩm trong vòng sáu tháng. Thực tiễn qua hơn 3.200 điểm và hơn 120 khách hàng thuộc hơn 15 ngành cho thấy những chuyền xây tốt vòng dữ liệu giữ được độ ổn định mô hình dài hạn tốt hơn rõ rệt.

5. Triển vọng

Một hướng là tăng cường dữ liệu bằng mô hình sinh. Mô hình khuếch tán tổng hợp mẫu khuyết tật chân thực để giảm sự khan hiếm ảnh khuyết tật thật, đặc biệt hữu ích với lớp khuyết tật nhỏ và hiếm.

Một hướng khác là hợp nhất đa phương thức. Thay vì chỉ dựa vào ảnh ánh sáng khả kiến, hồng ngoại, đám mây điểm 3D và tín hiệu siêu âm được kết hợp để phán đoán đồng thời khuyết tật bên trong và bề mặt.

Một điểm nữa là nối kiểm tra với điều khiển quá trình. Khuyết tật ngoại quan không nên chỉ bị loại bỏ; loại khuyết tật, vị trí và tần suất cần được phản hồi về các công đoạn thượng nguồn để giúp xác định nguyên nhân là vấn đề khuôn, vấn đề vật liệu vào hay trôi tham số công nghệ. Biến kiểm tra chất lượng từ điểm cuối thành một phần của điều khiển quá trình chính là nơi giá trị lớn hơn của kiểm tra ngoại quan bằng học sâu nằm ở đó.

Chủ đề: Bách khoa nhận dạng hình ảnh bằng AI