1. Khái niệm cốt lõi và định nghĩa kỹ thuật
Trong bối cảnh công nghiệp, kiểm tra ngoại quan bằng AI dùng để chỉ một hệ thống kỹ thuật lấy camera công nghiệp, cảm biến 3D và hệ chiếu sáng làm phương tiện thu nhận phía trước, lấy mô hình học sâu như mạng nơ-ron tích chập và Transformer làm lõi thuật toán để tự động luận giải ngoại quan, kích thước, vị trí và ký tự của sản phẩm. Nó khác thị giác máy truyền thống ở chỗ thị giác truyền thống dựa vào quy tắc do người đặt như ngưỡng xám và mẫu biên, mỗi mẫu sản phẩm mới phải chỉnh lại, còn thị giác AI huấn luyện mô hình trên mẫu để học khuyết tật là gì, và đổi chuyền chỉ cần thêm vài mẫu để chuyển giao.
Các nhánh kỹ thuật phổ biến gồm phát hiện khuyết tật bề mặt (xước, bẩn, lệch màu), đo kích thước (dài, rộng, cao, đường kính lỗ, khoảng cách), nhận diện ký tự (OCR/OCV để đọc mã và xác minh nhãn), định vị và dẫn hướng (cung cấp tọa độ gắp cho tay robot) và nhận diện hành vi (phán đoán thao tác của công nhân có tuân thủ và đầy đủ động tác không).
2. Nguyên lý kỹ thuật và năng lực then chốt
Một hệ thống thị giác AI công nghiệp khả dụng thường có bốn tầng: tạo ảnh, tính toán, thuật toán và ứng dụng.
Tầng tạo ảnh đặt ra trần. Chênh vài độ ở góc sáng có thể khiến vết xước không chụp được. Ngành thường dùng kết hợp đèn đồng trục, đèn thanh và đèn vòm để xử lý vật liệu khó tạo ảnh như kim loại phản xạ và kính cong.
Tầng thuật toán là lõi. Phát hiện khuyết tật thường dùng mạng phân vùng như họ U-Net để định vị điểm ảnh khuyết tật rồi dùng mạng phân loại để xác định loại; đo kích thước dùng trích biên dưới mức điểm ảnh cùng tham số hiệu chuẩn để quy đổi ra kích thước vật lý. Những năm gần đây, học ít mẫu và phát hiện bất thường không giám sát tiến bộ rõ rệt, dựng được mức nền từ vài chục ảnh tốt và giảm bớt sự thiếu hụt mẫu khuyết tật tại xưởng.
Có ba năng lực then chốt. Thứ nhất là tốc độ suy luận: nhịp chuyền thường dưới 300 mili giây, nên mô hình phải nhẹ và hỗ trợ tăng tốc như TensorRT. Thứ hai là cân bằng tỷ lệ giết nhầm và lọt lỗi: giết nhầm nhiều thì chuyền dừng liên tục, lọt lỗi nhiều thì rủi ro lọt ra ngoài cao, nên ngưỡng thường phải chỉnh theo yêu cầu chất lượng của khách. Thứ ba là độ bền với môi trường: thay đổi ánh sáng, rung và bụi trong xưởng đều ảnh hưởng độ ổn định tạo ảnh, cần cả bảo vệ phần cứng lẫn bù trừ bằng thuật toán.
3. Tình huống ứng dụng điển hình trong sản xuất
Giả sử một doanh nghiệp phụ tùng ô tô kiểm tra bề mặt má phanh. Bề mặt ma sát có xước nhẹ, rỗ và thiếu vật liệu, mắt người dưới ánh sáng mạnh rất dễ mỏi. Sau khi triển khai thị giác AI, một camera công nghiệp và đèn vòng được thêm ở cuối chuyền, mô hình phân vùng mức điểm ảnh bề mặt ma sát, vết xước dài quá giá trị đặt thì báo động, và tọa độ chi tiết NG được gửi tới cơ cấu loại bỏ. Khi đổi sang mẫu má phanh khác, vài chục mẫu mới là đủ để huấn luyện lại mà không phải thay phần cứng.
Một nhà máy điện tử kiểm tra chân đầu nối. Khoảng cách chân chỉ 0,2 milimét và kiểm tra thủ công dưới kính hiển vi kém hiệu quả. Giải pháp thị giác AI dùng ống kính telecentric với chiếu sáng đồng trục, trước hết định vị biên dưới mức điểm ảnh, sau đó tính độ đồng phẳng và khoảng cách chân, vượt dung sai thì phán là lỗi. Cùng hệ thống còn đọc được ký tự laser trên chân và gắn dữ liệu chất lượng vào MES.
Giả sử một nhà máy bao bì thực phẩm kiểm tra mối dán. Mối dán có thể nhăn, kẹp vật liệu hoặc dán không kín, những điều thị giác truyền thống khó mô tả bằng quy tắc. Giải pháp AI dùng phát hiện bất thường không giám sát, chỉ huấn luyện trên ảnh mối dán tốt, và báo động khi kết quả suy luận lệch khỏi mức nền. Logic tương tự áp dụng cho vỉ thuốc dược phẩm và lá điện cực pin lithium.
4. Tiêu chí lựa chọn và lời khuyên triển khai
Thứ nhất, xác nhận tính khả thi của tạo ảnh. Hãy chụp ảnh mẫu thật ở tốc độ chuyền và kiểm tra xem khuyết tật có phân biệt được không. Tạo ảnh thất bại thì không thuật toán nào cứu được.
Thứ hai, chú ý nền tảng thuật toán có dễ dùng không. Việc kỹ sư chuyền có tự gán nhãn, huấn luyện và triển khai được hay không quyết định chi phí bảo trì về sau. Nếu lần nào cũng phải kỹ sư nhà cung cấp đến tận nơi chỉnh tham số thì chi phí dài hạn rất cao.
Thứ ba, phương án tính toán phải khớp nhịp chuyền. Tình huống nhiều camera nhiều trạm có thể tính đến suy luận tập trung trên máy chủ biên, còn nhiệm vụ một trạm đơn giản có thể dùng camera thông minh tích hợp.
Thứ tư, ghi rõ chỉ số nghiệm thu. Tỷ lệ giết nhầm, tỷ lệ lọt lỗi, thời gian suy luận mỗi ảnh và thời gian đổi chuyền đều phải định lượng trong hợp đồng. Kinh nghiệm triển khai từ hơn 120 khách hàng thuộc hơn 15 ngành cho thấy dự án xác định rõ tiêu chí tạo ảnh và nghiệm thu ngay từ đầu thường rút ngắn chu kỳ chạy thật một phần ba.
Thứ năm, dự phòng giao diện dữ liệu. Hệ thống thị giác không phải ốc đảo; kết quả kiểm tra phải tải được lên MES hoặc PLC để truy xuất chất lượng và điều khiển vòng kín.
5. Triển vọng và kết luận
Hướng thứ nhất là hợp nhất thị giác 3D và 2D. Chỉ ảnh 2D không phán đoán được chiều cao và độ sâu; thêm đám mây điểm 3D thì khả năng phát hiện lệch lắp ráp, bậc và độ phẳng tăng rõ rệt.
Hướng thứ hai là mô hình lớn tại biên. Chi phí tinh chỉnh mô hình lớn thị giác đa dụng trong tình huống ít mẫu công nghiệp đang giảm, và việc đổi chuyền trong tương lai có thể chỉ cần vài ảnh cộng một mô tả bằng ngôn ngữ tự nhiên.
Hướng thứ ba là kết hợp nhận diện hành vi với tuân thủ an toàn. Camera nhận diện công nhân có đeo găng, có vào khu nguy hiểm hay có theo SOP không, và logic này đang chuyển từ tùy chọn thành chuẩn trong hệ thống sản xuất thông minh.
Giá trị của kiểm tra ngoại quan bằng AI trong công nghiệp không phải thay con người mà là giải phóng họ khỏi việc luận giải lặp lại, đồng thời biến dữ liệu chất lượng thành thông tin có cấu trúc, truy xuất và phân tích được. Chọn đúng tình huống, định nghĩa nghiệm thu rõ ràng và dự phòng giao diện là ba chìa khóa để triển khai thành công.