Ngày càng nhiều đội ngũ trong ngành sản xuất làm kiểm tra ngoại quan bằng AI, nhưng thứ thực sự làm kẹt tiến độ dự án thường là gán nhãn chứ không phải chọn thuật toán. Tiêu chuẩn gán nhãn mơ hồ, hệ nhãn lẫn lộn và định nghĩa ranh giới không nhất quán dẫn đến lọt lỗi, phán đoán sai và mất ổn định giữa các lô ngay khi mô hình chạy thật. Một tiêu chuẩn gán nhãn dữ liệu khả dụng chính là tấm hộ chiếu đưa dự án kiểm tra ngoại quan bằng AI từ phòng thí nghiệm ra xưởng.
1. Tiêu chuẩn gán nhãn dữ liệu khi huấn luyện mô hình thị giác AI là gì
Nói đơn giản, đó là một bộ quy tắc được áp dụng thống nhất để gán nhãn đối tượng trong ảnh hoặc video, bao gồm cách định nghĩa tên nhãn, cách vẽ ranh giới khuyết tật, cách xử lý che khuất, cách phân loại mẫu mờ và cách căn chỉnh nhiều người gán nhãn.
Trong tình huống sản xuất thông minh, tiêu chuẩn gán nhãn không chỉ là sổ tay thao tác cho người gán nhãn; nó còn ảnh hưởng chất lượng tập huấn luyện, khả năng khái quát hóa của mô hình và ngưỡng quyết định đặt ra sau này khi triển khai trên chuyền. Ngành thường chia tiêu chuẩn gán nhãn thành ba cấp: định nghĩa hệ nhãn, quy tắc gán nhãn không gian và quy tắc gán thuộc tính.
2. Nguyên lý kỹ thuật và năng lực then chốt
Chức năng cốt lõi của tiêu chuẩn gán nhãn là chuyển phán đoán của con người về khuyết tật hoặc hành vi thành một tín hiệu ổn định mà mô hình học được.
1. Thiết kế hệ nhãn
Tên nhãn phải duy nhất, phân biệt được và không mơ hồ. Ví dụ xước và mài xước là hai cấp khuyết tật khác nhau trong kiểm soát chất lượng của hầu hết nhà máy điện tử, trộn chúng khi gán nhãn sẽ làm nhiễu đặc trưng mô hình học được. Giữ phân cấp nhãn trong ba cấp; quá chi tiết thì mẫu thưa, quá thô thì mất khác biệt then chốt.
2. Quy tắc khoanh hộp và phân vùng
Trong nhiệm vụ phát hiện đối tượng, độ sát của hộp bao trực tiếp ảnh hưởng độ chính xác định vị. Tiêu chuẩn phải ghi rõ hộp có bao gồm bóng đổ không, có bao gồm biên phản xạ không và ở tỷ lệ che khuất nào thì đánh dấu đối tượng là không nhận diện được. Với phân vùng ngữ nghĩa, phải định nghĩa logic quy thuộc điểm ảnh ở biên, ví dụ dải chuyển tiếp giữa khuyết tật và nền thuộc lớp nào.
3. Gán thuộc tính và hành động
Trong tình huống nhận diện hành vi, đối tượng được gán nhãn là một đoạn hành động trong chuỗi thời gian. Tiêu chuẩn phải định nghĩa khung bắt đầu, khung kết thúc của hành động và cách tách hành động phức hợp. Khi một nhà máy điện tử huấn luyện mô hình nhận diện thao tác lắp ráp, họ gộp lấy vật liệu và căn chỉnh vào một nhãn, nên mô hình không phân biệt được nhịp của hai trạm; tách thành hai nhãn riêng đã giải quyết vấn đề.
4. Cơ chế kiểm tra nhất quán
Khi nhiều người gán nhãn cùng một lô dữ liệu, phải tính chỉ số nhất quán gán nhãn. Ngành thường dùng ngưỡng IoU và hệ số Kappa. Tiêu chuẩn nên ghi rõ nhất quán dưới ngưỡng thì đào tạo lại người gán nhãn hay do vai trò kiểm soát chất lượng phân xử.
3. Tình huống ứng dụng điển hình trong sản xuất
1. Phát hiện khuyết tật ngoại quan điện tử 3C
Giả sử một nhà máy điện tử kiểm tra ngoại quan khung giữa điện thoại, khuyết tật gồm xước, móp, lệch màu và ba via. Tiêu chuẩn gán nhãn phải ghi rõ xước ngắn hơn 0,2 mm có gán nhãn không, lệch màu dưới một góc sáng cụ thể có tính là khuyết tật không, và ba via phân biệt với vân gia công thế nào. Không có những quy tắc này, các người gán nhãn khác nhau có thể lệch nhau hơn 30 phần trăm trên cùng một ảnh.
2. Nhận diện chất lượng mối hàn trong ngành phụ tùng ô tô
Giả sử một doanh nghiệp phụ tùng ô tô kiểm tra ngoại quan chi tiết hàn và phải gán nhãn rỗ khí, lệch đường hàn, chân hàn lõm và hàn không ngấu. Mối hàn là đường cong liên tục, và việc dùng phân vùng đa giác hay hộp xoay ảnh hưởng trực tiếp độ phủ của mô hình với khuyết tật mảnh. Tiêu chuẩn cũng nên ghi rõ mẫu mờ ở vùng chuyển tiếp mối hàn được gán nhãn là nghi ngờ khuyết tật và huấn luyện riêng, không trộn vào mẫu dương và mẫu âm.
3. Phát hiện khuyết tật lớp phủ trên lá điện cực pin lithium
Khuyết tật lớp phủ gồm đốm tối, đốm sáng, vệt và thiếu vật liệu. Những khuyết tật này có tương phản thấp và ranh giới mờ, nên tiêu chuẩn gán nhãn phải định nghĩa ngưỡng chênh lệch xám và diện tích khuyết tật tối thiểu. Một doanh nghiệp pin lithium không định nghĩa diện tích tối thiểu, nên mô hình học dao động vân lớp phủ bình thường là khuyết tật và tỷ lệ báo động giả luôn cao.
4. Tiêu chí lựa chọn và lời khuyên triển khai
1. Định nghĩa tiêu chuẩn trước khi chọn công cụ
Công cụ gán nhãn hỗ trợ hình chữ nhật, đa giác, điểm then chốt và đoạn thời gian. Hãy làm rõ loại nhiệm vụ trước; đừng để công cụ ràng buộc quy tắc gán nhãn.
2. Đặt phiên bản cho tiêu chuẩn
Tiêu chuẩn gán nhãn không tĩnh. Khi chuyền đổi sản phẩm, công nghệ được điều chỉnh hoặc xuất hiện khuyết tật mới, phải cập nhật số phiên bản tiêu chuẩn và ghi lại lý do thay đổi. Hãy đánh giá xem dữ liệu gán theo phiên bản cũ có cần gán lại không.
3. Xác thực bằng một lô thử nhỏ
Trước khi gán nhãn chính thức, hãy rút 200 đến 500 mẫu để thử và tính độ nhất quán. Nếu nhất quán dưới 85 phần trăm thì mô tả tiêu chuẩn chưa đủ rõ và phải thêm ví dụ ca biên.
4. Tách gán nhãn khỏi kiểm soát chất lượng
Giữ người gán nhãn và người kiểm tra chất lượng ở hai vai trò riêng, có kiểm tra bằng lấy mẫu. Kinh nghiệm ngành cho thấy tỷ lệ lấy mẫu ít nhất 10 phần trăm, và kiểm tra toàn bộ với loại khuyết tật rủi ro cao.
5. Khép vòng dữ liệu
Sau khi mô hình chạy thật, mẫu bị phán đoán sai từ chuyền phải chảy ngược về gán nhãn, được gán lại theo tiêu chuẩn và thêm vào tập huấn luyện. Vòng này quyết định mô hình có tiếp tục tiến hóa hay không.
5. Triển vọng
Hướng thứ nhất là gán nhãn bán tự động. Một mô hình huấn luyện trước cho ra lượt đầu và con người chỉ sửa lại, nhân hiệu quả lên nhiều lần, với điều kiện mô hình gán trước và người gán theo cùng một tiêu chuẩn.
Hướng thứ hai là tiêu chuẩn dưới dạng mã. Quy tắc gán nhãn được viết thành script kiểm tra thực thi được, tự động kiểm tra kích thước hộp, tính hợp lệ của tổ hợp nhãn và chồng lấn đoạn thời gian ngay khi gán nhãn, giảm chi phí rà soát thủ công.
Hướng thứ ba là tiêu chuẩn gán nhãn xuyên phương thức. Khi thị giác 3D và tạo ảnh hồng ngoại lan rộng trong sản xuất, đối tượng gán nhãn mở rộng từ ảnh 2D sang đám mây điểm và ảnh nhiệt, và tiêu chuẩn phải bao phủ căn chỉnh đa phương thức cùng gán nhãn hợp nhất.
Về căn bản, tiêu chuẩn gán nhãn dữ liệu khi huấn luyện mô hình thị giác AI không phải tài liệu viết ra rồi cất đi. Nó là nền tảng của độ chính xác mô hình và là bảo đảm ngầm cho vận hành chuyền ổn định. Trong kiểm tra ngoại quan bằng AI ở sản xuất, thuật toán có thể lặp, năng lực tính toán có thể mở rộng, nhưng một khi tiêu chuẩn gán nhãn lỏng ra thì mọi bước phía sau đều lung lay.