Kiểm tra khuyết tật ngoại quan sản phẩm dựa trên học sâu dùng mạng nơ-ron tích chập để tự động học đặc trưng khuyết tật, thay thế kiểm tra ngoại quan bằng mắt người bằng phán đoán tự động độ chính xác cao, hiệu quả cao, và có thể nhận diện ổn định các lỗi siêu nhỏ như vết xước, vết bẩn và biến màu. Công nghệ được ứng dụng rộng rãi trong ngành điện tử, phụ tùng ô tô và pin lithium, có thể kết nối hệ thống MES để phản hồi dữ liệu chất lượng theo thời gian thực, giảm đáng kể tỷ lệ bỏ sót và báo nhầm.
1. Kiểm tra bằng học sâu giải quyết điểm đau nào của thị giác máy truyền thống?
Thị giác máy truyền thống dựa trên so khớp quy tắc phụ thuộc vào ngưỡng biên và mẫu cố định do con người đặt, dễ thất bại khi ánh sáng thay đổi, vị trí sản phẩm dịch chuyển hoặc vân nền phức tạp. Kiểm tra bằng học sâu huấn luyện mô hình trên lượng mẫu lớn để thuật toán tự động trích xuất đặc trưng khuyết tật đa chiều, thích ứng với biến thiên tự nhiên của hình dạng sản phẩm mà không cần tham số hình học đặt trước. Nó chủ yếu giải quyết vấn đề khuyết tật phi cấu trúc (như vết nứt không đều và vết bẩn mờ) khó định lượng, cùng vấn đề bỏ sót do nhịp dây chuyền nhanh và con người mệt mỏi, chuyển độ ổn định kiểm tra từ kinh nghiệm của công nhân lâu năm sang mô hình dữ liệu.
2. Mô hình học sâu đạt những chỉ số hiệu năng chính nào trên xưởng sản xuất?
Năng lực cốt lõi của giải pháp thể hiện ở ba khía cạnh: độ chính xác nhận diện, tốc độ kiểm tra và năng lực tính toán phần cứng. Về độ chính xác, mô hình trưởng thành thường đạt tỷ lệ phát hiện trên 99,5% với khuyết tật phổ biến, tỷ lệ báo nhầm dưới 0,1%, đáp ứng tiêu chuẩn chấp nhận IPC-A-610 cho lắp ráp điện tử và yêu cầu của hệ thống quản lý chất lượng ISO 9001. Về tốc độ, xử lý một ảnh thường mất 200 đến 800 mili giây, hoàn toàn khớp nhịp của dây chuyền tốc độ cao như gắn SMT và ép phun. Về phần cứng, hệ thống cần camera công nghiệp độ phân giải cao (ít nhất 5 megapixel), card thu ảnh kích hoạt tốc độ khung cao và PC công nghiệp dùng GPU dòng NVIDIA T4 hoặc A10, đồng thời hỗ trợ các giao thức như OPC-UA và Modbus TCP để giao tiếp với máy chủ, bảo đảm dữ liệu được đưa lên hệ thống SCADA hoặc MES theo thời gian thực.
3. Hệ thống mang lại kết quả rõ rệt nhất ở những công đoạn sản xuất nào?
Giả sử một nhà máy điện tử sản xuất vỏ lưng điện thoại thông minh đưa hệ thống vào công đoạn lắp kính: hệ thống tự động lọc ra các vết sứt mép và bụi bề mặt khó thấy bằng mắt, ngăn sản phẩm lỗi chảy vào công đoạn ép lớp tiếp theo. Một công ty phụ tùng ô tô lớn dùng học sâu cho xử lý bề mặt thân máy động cơ để nhận diện lớp phủ không đều và hiện tượng chảy sơn, giải quyết phán đoán sai do lóa dưới chiếu sáng thông thường. Trong quấn điện cực pin lithium, hệ thống giám sát liên tục nhiễm hạt kim loại và khoảng trống lớp phủ trên bề mặt điện cực, kích hoạt cảnh báo dừng ngay khi phát hiện bất thường. Điểm chung của các kịch bản này là kết cấu bề mặt sản phẩm phức tạp, hình dạng khuyết tật rất biến thiên, yêu cầu đồng nhất cực cao và chi phí kiểm tra lại thủ công lớn.
4. Cần đáp ứng điều kiện phần cứng và môi trường nào để triển khai hệ thống như vậy?
Bốn yếu tố then chốt phải làm rõ trước khi triển khai. Thứ nhất, môi trường tạo ảnh phải kiểm soát được: nên thêm đèn vòng hoặc nguồn sáng đồng trục để loại bỏ bóng đổ, và lắp tấm chắn sáng để chặn ánh sáng tán xạ trong xưởng. Thứ hai, kiến trúc mạng nên chuyên dụng: khuyến nghị đường Ethernet gigabit trực tiếp tới PC công nghiệp để dao động Wi-Fi không ảnh hưởng độ trễ truyền ảnh. Thứ ba, tần suất thu dữ liệu phải khớp tốc độ dây chuyền: nếu dây chuyền chạy nhanh hơn 30 mét mỗi phút, cần camera shutter toàn cục để tránh nhòe chuyển động. Thứ tư, cần cơ chế lặp mô hình: phải thu ít nhất 2.000 mẫu bao phủ các loại khuyết tật để huấn luyện ban đầu, và sau đó thiết lập quy trình học liên tục để thư viện mô hình được cập nhật định kỳ bằng các chi tiết lỗi mới sản xuất, tránh mô hình lão hóa.
5. Công đoạn nào phù hợp kiểm tra thị giác AI và kịch bản nào không?
Giải pháp phù hợp công đoạn có vật liệu đầu vào đồng đều, đặc trưng khuyết tật tương đối cố định và nhịp dây chuyền ổn định, như kiểm tra mối hàn PCB, đo kích thước chi tiết chính xác và xác minh tính đầy đủ của nhãn bao bì. Với chi tiết cong phản xạ mạnh (như thép không gỉ gương), vật liệu có độ trong suốt cao (như kính chưa xử lý) hoặc vật liệu mềm có hình dạng cực kỳ không đều và không có chuẩn định vị, chỉ học sâu có thể gặp khó khăn trong trích xuất đặc trưng và phải đánh giá cùng phương án ánh sáng có cấu trúc hoặc quang học đặc biệt. Ngoài ra, nếu khuyết tật xuất hiện rải rác với rất ít mẫu (như dị vật đặc biệt chỉ xuất hiện một lần mỗi tháng), chu kỳ huấn luyện mô hình trở nên quá dài, và kiểm tra lấy mẫu thủ công hoặc học ít mẫu sẽ phù hợp hơn. Qua nhiều thập kỷ hoạt động từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng, triển khai hàng chục triệu thiết bị đầu cuối và phủ thị trường trong nước lẫn quốc tế, kinh nghiệm ngành cho thấy lựa chọn công nghệ phải khớp nghiêm ngặt với ranh giới công đoạn thực tế.