Trung tâm kiến thức
Mục lục

Thị giác máy và kiểm tra ngoại quan bằng AI không giống nhau: cái trước là nền tảng, cái sau là tiến hóa

1. Khái niệm cốt lõi và định nghĩa kỹ thuật

Thị giác máy thường dùng để chỉ các hệ thống kiểm tra xây trên camera công nghiệp, ống kính, nguồn sáng và thuật toán xử lý ảnh. Nó dựa vào quy tắc đặt sẵn như trích biên, ngưỡng xám, so mẫu và phân tích đốm để phán đoán sản phẩm có xước không, lỗ có lệch vị trí không và ký tự có in đầy đủ không. Logic này đã chạy trên chuyền sản xuất từ những năm 1980 và đã chín, ổn định, lặp lại được.

Kiểm tra ngoại quan bằng AI thêm mô hình học sâu lên trên phần cứng thị giác máy. Nó không dựa vào quy tắc viết tay mà huấn luyện mạng nơ-ron trên dữ liệu gán nhãn để hệ thống tự học phân biệt khuyết tật, nhận diện hành vi và phán đoán cảnh. Mạng nơ-ron tích chập, khung phát hiện đối tượng và phân vùng ngữ nghĩa đều thuộc nhóm thị giác AI.

Một câu để gói lại: thị giác máy kiểm tra bằng quy tắc, kiểm tra ngoại quan bằng AI phán đoán bằng kinh nghiệm.

2. Nguyên lý kỹ thuật và năng lực then chốt

Năng lực cốt lõi của thị giác máy là đo lường, định vị, đếm và kiểm tra hiện diện đơn giản. Điểm mạnh là tốc độ, độ chính xác và khả năng diễn giải cao. Thuật toán định vị chạy trên máy tính công nghiệp cho kết quả trong mili giây, và kỹ sư nhìn rõ được vì sao nó phán OK hay NG. Điểm yếu cũng rõ không kém: sản phẩm mới là phải chỉnh lại quy tắc, và khuyết tật không đều, nền phức tạp cùng dao động ánh sáng dễ gây phán đoán sai và lọt lỗi.

Kiểm tra ngoại quan bằng AI lấp đúng khoảng trống này. Được huấn luyện trên số lượng lớn mẫu, nó xử lý được tình huống hình dạng khuyết tật không cố định, ranh giới mờ và tương phản thấp. Khuyết tật ngẫu nhiên trên vải, rỗ trên bề mặt vật đúc, mối hàn nguội trên linh kiện điện tử - quy tắc truyền thống khó liệt kê hết, nhưng mô hình AI học được phân bố đặc trưng từ dữ liệu. Nhận diện hành vi là một điểm mạnh khác của thị giác AI, ví dụ phán đoán công nhân có đội mũ bảo hộ không, thao tác có tuân thủ không và AGV có lệch tuyến không.

Hai bên không phải quan hệ thay thế. Trên chuyền thực tế, nhiều hệ thống dùng thuật toán truyền thống để định vị thô và mô hình AI để phân loại tinh, nối tiếp nhau.

3. Tình huống ứng dụng điển hình trong sản xuất

Giả sử một nhà máy điện tử kiểm tra ngoại quan đầu nối. Thị giác máy truyền thống kiểm tra được chân có cong không và thân nhựa có thiếu vật liệu không, bằng so mẫu và phát hiện biên. Nhưng vết oxy hóa đổi màu nhẹ trên bề mặt chân và vệt chảy mảnh trên thân nhựa làm quy tắc bó tay. Thêm một mô hình phân loại AI huấn luyện trên vài trăm ảnh tốt và ảnh lỗi giúp hệ thống cho phán đoán gần với mắt người hơn.

Giả sử một doanh nghiệp phụ tùng ô tô kiểm tra bề mặt má phanh. Mài để lại vân ngẫu nhiên, và thị giác truyền thống dễ nhầm vân bình thường là nứt. Kiểm tra ngoại quan bằng AI phân biệt được vân với vết nứt thật, hạ tỷ lệ giết nhầm. Đồng thời nó cũng làm được nhận diện hành vi, ví dụ tay robot khi gắp có chạm chi tiết bên cạnh không, hay người vận hành có thò tay vào vùng thiết bị trái quy định không.

Một tình huống khác là bao bì thực phẩm. Một nhà máy thực phẩm cần phát hiện mối dán túi có kẹp vật liệu hay rò khí không. Thị giác truyền thống tìm bất thường qua thay đổi độ xám, nhưng nếp nhăn mối dán và vật liệu kẹp thật trông rất giống nhau trên ảnh. Mô hình AI kết hợp ảnh đa phổ phân biệt được vân của vật liệu với tạp chất lẫn vào. Nhiều giải pháp như vậy đã được triển khai trong ngành, với hơn 3.200 điểm tích lũy chạy logic tương tự qua hơn 15 ngành, trong đó hơn 120 khách hàng là tình huống tùy chỉnh sâu.

4. Tiêu chí lựa chọn và lời khuyên triển khai

Thứ nhất, phân biệt loại nhiệm vụ. Nếu chỉ định vị, đo lường và đếm, thị giác máy truyền thống là đủ, không cần AI, nhẹ hơn cả về chi phí lẫn bảo trì. Nếu hình dạng khuyết tật không cố định, nền phức tạp và cần phân loại hay chia cấp, thì hãy xem xét kiểm tra ngoại quan bằng AI.

Thứ hai, xem nền tảng dữ liệu. Mô hình AI sống bằng dữ liệu và không chạy được nếu thiếu mẫu gán nhãn đủ. Nên chạy thị giác truyền thống một thời gian trước, lưu ảnh lại, gán nhãn thủ công một lô rồi mới huấn luyện mô hình. Đừng dồn hết vào AI ngay ngày đầu.

Thứ ba, triển khai tính toán phải khớp nhịp chuyền. Khi chuyền chạy nhanh, suy luận AI phải theo kịp. Tăng tốc bằng GPU hoặc NPU tại biên với huấn luyện và lặp mô hình trên cloud là mô hình cộng tác biên-cloud chủ đạo.

Thứ tư, đừng đánh mất khả năng diễn giải. Sản xuất cần ổn định và truy xuất được. Khi mô hình AI trả NG, lý tưởng là xuất bản đồ nhiệt hoặc độ tin cậy để kỹ sư biết nó đang nhìn vào đâu. Hộp đen thuần túy không thể đưa lên chuyền.

Thứ năm, đừng bỏ qua chiếu sáng và tạo ảnh. Mô hình AI mạnh đến đâu, chất lượng ảnh kém là vô dụng. Thiết kế chiếu sáng, chọn camera và hiệu chỉnh méo ống kính đặt ra trần.

5. Triển vọng và kết luận

Hướng thứ nhất là hợp nhất thị giác truyền thống và AI. Thuật toán theo quy tắc xử lý đo lường độ chính xác cao và sàng lọc nhanh, AI xử lý phân loại phức tạp và phát hiện bất thường, cả hai được điều phối trong một khung phần mềm.

Hướng thứ hai là học ít mẫu và học tự giám sát. Mẫu khuyết tật trên chuyền khan hiếm và gán nhãn tốn kém. Ngành đang tiến tới học ít mẫu và phát hiện bất thường không giám sát để mô hình học được thế nào là bình thường từ một số ít hàng tốt và báo động khi có lệch.

Hướng thứ ba là ứng dụng kết hợp thị giác và nhận diện hành vi. Không còn chỉ về sản phẩm mà cả về chuyển động thiết bị, thao tác con người và quỹ đạo logistics. Trong sản xuất thông minh, hệ thống thị giác đang chuyển từ công cụ kiểm tra chất lượng thành tầng cảm nhận của chuyền.

Quay lại tiêu đề: thị giác máy là công nghệ kiểm tra do quy tắc dẫn dắt và kiểm tra ngoại quan bằng AI là công nghệ nhận thức do dữ liệu dẫn dắt. Cái trước giải quyết việc nhìn, cái sau giải quyết việc hiểu. Khi chọn cho sản xuất, trước hết hỏi bạn cần giải quyết vấn đề ở mức nào, rồi mới quyết định dùng bộ công cụ nào.

Chủ đề: Bách khoa nhận dạng hình ảnh bằng AI