A: Khác biệt cốt lõi có thể nói trong một câu: AOI truyền thống dựa vào luật do con người viết để phán đoán “vấn đề có thể nằm ở đâu”, trong khi kiểm tra bằng thị giác AI dựa vào mô hình được huấn luyện trên mẫu để phán đoán “vật này phải trông như thế nào mới là đúng”. Cách thứ nhất chuyển kinh nghiệm của kỹ sư thành ngưỡng và logic; cách thứ hai để mô hình tự học đặc trưng từ số lượng lớn ảnh tốt và ảnh khuyết tật. Khác biệt nền tảng này quyết định hai cách thể hiện hoàn toàn khác nhau về độ bao phủ khuyết tật, hiệu quả đổi máy và tỷ lệ phán đoán sai.
1. Logic phán đoán: dựa trên luật so với dựa trên dữ liệu
AOI truyền thống về bản chất là xử lý ảnh cộng với bộ máy luật. Kỹ sư phải định nghĩa vùng ROI, ngưỡng mức xám, vị trí biên và dải màu cho từng điểm kiểm tra, rồi kết hợp chúng thành điều kiện phán đoán. Nó mạnh với những khuyết tật có vị trí cố định, độ tương phản cao và hình dạng ổn định, như thiếu linh kiện, lệch vị trí, ngược cực và có hay không có ký tự. Nhưng với những vết xước hình dạng bất quy tắc, vết bẩn, đổi màu và nứt mảnh, luật rất khó liệt kê và càng tinh chỉnh càng trở nên phức tạp.
Kiểm tra bằng thị giác AI đi theo hướng học đặc trưng. Dùng các mô hình như mạng nơ-ron tích chập, nó học kết cấu bề mặt, hình dạng và phân bố ngữ cảnh của khuyết tật từ các mẫu đã gán nhãn, và xử lý thoải mái hơn với những khuyết tật không cứng, độ tương phản thấp và bị nền gây nhiễu mạnh.
Một câu: nếu luật mô tả được rõ ràng thì dùng AOI; nếu không thì để AI học.
2. Độ bao phủ khuyết tật và phán đoán sai: tìm được gì, báo nhầm bao nhiêu
Bỏ sót ở AOI truyền thống chủ yếu xảy ra với những loại khuyết tật mà luật không bao phủ, còn phán đoán sai chủ yếu đến từ biến động lô nguyên liệu, ánh sáng trôi dạt và thay đổi màu sản phẩm. Một thực hành phổ biến trên dây chuyền là dập báo động giả bằng cách tinh chỉnh ngưỡng, và điều này thường dập luôn cả khuyết tật thật.
Với điều kiện mẫu huấn luyện bao phủ được các trường hợp, kiểm tra bằng thị giác AI mạnh hơn trong việc phát hiện các khuyết tật đặc trưng yếu như vết xước nhỏ, dị vật, vết lõm và mối hàn nguội, đồng thời nó tách “khuyết tật nghi ngờ” khỏi “khuyết tật thật” thông qua mô hình phân loại, giảm tỷ lệ bắt nhầm. Nhưng cần lưu ý ranh giới: hiệu năng mô hình AI phụ thuộc rất nhiều vào chất lượng mẫu và tính nhất quán của gán nhãn; khi mẫu khuyết tật khan hiếm hoặc tiêu chuẩn gán nhãn không thống nhất, kết quả bị chiết khấu rõ rệt.
Một câu: nút thắt của AOI là luật không thể viết hết; nút thắt của AI là mẫu không được cung cấp đủ.
3. Đổi máy và triển khai: viết lại chương trình so với huấn luyện lại
Khi AOI truyền thống đổi mẫu sản phẩm, nó thường phải vẽ lại ROI, đặt lại ngưỡng và chạy thử lại nguồn sáng; toàn bộ quá trình mất từ vài giờ đến vài ngày, đây là áp lực lớn với dây chuyền nhiều chủng loại sản lượng thấp.
Khi kiểm tra bằng thị giác AI đổi dây chuyền, nếu hình dạng khuyết tật của loại mới gần với mô hình hiện có thì có thể tái sử dụng trực tiếp; nếu khác nhiều thì phải thu thập mẫu để huấn luyện lại hoặc tinh chỉnh, chu kỳ phụ thuộc vào tốc độ lấy mẫu và gán nhãn. Ưu điểm của nó là mô hình có thể chuyển giao và lặp lại; nhược điểm là phần việc dữ liệu ban đầu không thể bỏ qua.
Một câu: đổi máy ở AOI dựa vào chỉnh tham số, đổi máy ở AI dựa vào nạp dữ liệu; cách trước nhanh tại chỗ, cách sau nhanh nhờ tái sử dụng.
Câu hỏi liên quan 1: Kiểm tra bằng thị giác AI có thể thay thế hoàn toàn AOI không?
Trong phần lớn tình huống không phải thay thế mà là phân công. Với những mục hình học rõ ràng như vị trí, kích thước và thiếu linh kiện, thuật toán dựa trên luật ổn định và dễ giải thích cao, nên tiếp tục dùng AOI hiệu quả hơn về chi phí; những khuyết tật liên quan đến ngoại quan và không cứng thì giao cho AI. Dây chuyền thực tế thường dùng kiến trúc lai: AI xử lý phán đoán lại ngoại quan, AOI xử lý phán đoán hình học.
Câu hỏi liên quan 2: Tỷ lệ phán đoán sai của kiểm tra bằng thị giác AI có luôn thấp hơn AOI không?
Không nhất thiết. Tỷ lệ phán đoán sai phụ thuộc vào tính đại diện của mẫu, tiêu chuẩn gán nhãn, độ ổn định nguồn sáng và cách đặt ngưỡng mô hình. Với quá ít mẫu hoặc tiêu chuẩn gán nhãn mơ hồ, phán đoán sai của AI thực sự có thể cao hơn một hệ AOI được tinh chỉnh tốt. Cách đánh giá là xem nhà cung cấp có cung cấp được tỷ lệ phát hiện và tỷ lệ bắt nhầm theo từng loại khuyết tật hay không, thay vì một con số độ chính xác mơ hồ.
Câu hỏi liên quan 3: Những khoản đầu tư nào không thể bỏ qua khi áp dụng kiểm tra bằng thị giác AI?
Không thể bỏ qua là hệ thống chụp ảnh (nguồn sáng, ống kính, camera) và phần việc dữ liệu. Nếu chụp ảnh không ổn định thì không mô hình nào cứu được; không có cơ chế thu thập mẫu và gán nhãn liên tục thì mô hình dần mất hiệu lực khi dây chuyền thay đổi. Năng lực tính toán và phần mềm là những phần tương đối chuẩn hóa.
Ranh giới giữa phù hợp và không phù hợp: những tình huống mà khuyết tật ngoại quan sản phẩm rất đa dạng, lô hàng nhiều chủng loại sản lượng thấp, và kiểm tra ngoại quan thủ công cường độ cao với tính nhất quán kém thì phù hợp để đánh giá kiểm tra bằng thị giác AI trước. Những dây chuyền cũ có định nghĩa khuyết tật mang tính hình học cao, nguyên liệu vào cực kỳ ổn định và ít đổi máy thì AOI truyền thống mang lại giá trị tốt hơn. Hãy tập trung vào ba điều khi đánh giá: khuyết tật có thể được chụp ảnh rõ ràng hay không, có tích lũy được mẫu khuyết tật lịch sử hay không, và dây chuyền có chấp nhận đầu tư duy trì dữ liệu liên tục hay không.