Trung tâm kiến thức
Mục lục

Q: Kiểm tra bằng thị giác AI khác AOI truyền thống ở đâu, và nhà máy nhỏ có kham được và vận hành được không?

A: Khác biệt cốt lõi giữa kiểm tra bằng thị giác AI và AOI truyền thống nằm ở nguồn gốc tiêu chí phán đoán: AOI truyền thống dựa vào luật do con người viết để so sánh điểm ảnh, trong khi kiểm tra bằng thị giác AI dựa vào mô hình được huấn luyện trên mẫu để học đặc trưng khuyết tật. Cách thứ nhất giỏi đi theo một bản đồ cố định; cách thứ hai giỏi vì đã nhìn thấy nhiều. Với nhà máy vừa và nhỏ, điều này hiện đã khả thi, nhưng khả thi không có nghĩa là áp dụng mù quáng. Nó phụ thuộc vào loại khuyết tật và nhịp dây chuyền của bạn.

1. Nguồn tiêu chí khác nhau quyết định ranh giới năng lực khác nhau

AOI truyền thống về bản chất là một bộ máy luật: kỹ sư đặt ngưỡng mức xám, dải màu và vị trí khớp mẫu, và việc đạt hay không đạt được quyết định bằng so sánh ở mức điểm ảnh. Nó rất ổn định với những khuyết tật có vị trí cố định và hình dạng cố định (như thiếu linh kiện, lệch vị trí và in lệch), với độ lặp lại xuống mức dưới điểm ảnh. Nhưng luật do con người liệt kê, nên với những khuyết tật thay đổi hình dạng và có biên mờ, như mối hàn nguội, vết xước mảnh trên bề mặt và lệch màu trên chi tiết ép phun, luật không thể viết hết và tỷ lệ báo động giả không thể kéo xuống. Kiểm tra bằng thị giác AI đi con đường khác: huấn luyện mạng nơ-ron tích chập hoặc mô hình phân đoạn trên các mẫu tốt và mẫu khuyết tật đã gán nhãn để mô hình tự học phân bố đặc trưng. Một thực hành phổ biến trong ngành là học chuyển tiếp với vài trăm đến vài nghìn mẫu; hình dạng khuyết tật càng đa dạng thì khả năng khái quát của mô hình càng thể hiện.

2. Tỷ lệ báo động giả và chi phí đổi máy là hai đường phân thủy

Báo động giả ở AOI truyền thống chủ yếu đến từ độ bao phủ luật không đầy đủ và sự trôi dạt môi trường: nguồn sáng lão hóa và khác biệt màu giữa các lô vật liệu làm ngưỡng không còn chính xác, và đổi máy thường phải tinh chỉnh lại, mất từ vài giờ đến vài ngày. Báo động giả ở kiểm tra bằng thị giác AI đến nhiều hơn từ mẫu huấn luyện không đủ hoặc dịch chuyển phân bố; thêm mẫu và huấn luyện tăng dần thường nhanh hơn viết lại luật, nhưng với điều kiện có một quy trình thu thập và gán nhãn dữ liệu liên tục. Về đổi máy, mô hình AI chịu được các biến thể của cùng một họ sản phẩm (màu sắc, điều chỉnh in nhỏ) tốt hơn, nhưng đổi máy khác loại vẫn cần huấn luyện lại. Không bên nào vượt trội tuyệt đối ở đây; điều quan trọng là dây chuyền của bạn ít chủng loại sản lượng cao hay nhiều chủng loại sản lượng thấp.

3. Tính khả thi với nhà máy nhỏ phụ thuộc ba điều kiện thực tế

Thứ nhất, khối lượng mẫu. Mẫu khuyết tật vốn khan hiếm. Giả sử một nhà máy sản xuất đầu nối chỉ tạo ra vài chục chiếc lỗi mỗi tháng; tích lũy một tập huấn luyện mất nhiều tháng. Cách khả thi là mô hình hóa hàng tốt để phát hiện bất thường trước, hoặc tổng hợp khuyết tật qua tăng cường dữ liệu, đồng thời tích lũy dần mẫu thật.

Thứ hai, năng lực tính toán và hình thức triển khai. Một hộp suy luận biên với GPU tầm trung có thể chạy các mô hình phát hiện phổ biến, và chi phí mỗi trạm đã giảm xuống mức nhà máy nhỏ có thể chấp nhận, nhưng triển khai nhiều trạm cần tính toán tổng thể.

Thứ ba, năng lực bảo trì. Mô hình AI không phải lắp một lần là xong. Thay đổi ánh sáng và thay đổi vật liệu trên dây chuyền gây trôi dạt độ chính xác, nên nhà máy cần người đọc được ảnh chụp báo động giả và kích hoạt huấn luyện lại; nếu không mô hình sẽ suy giảm dần.

Câu hỏi liên quan: Kiểm tra bằng thị giác AI có thể thay thế hoàn toàn AOI không?

Nói chung là không. Với những hạng mục kiểm tra có luật rõ ràng và vị trí cố định, AOI truyền thống hiệu quả hơn về chi phí và dễ giải thích hơn; với những khuyết tật hình dạng đa dạng khó liệt kê bằng luật, AI có ưu thế. Nhiều nhà máy đi theo hướng lai: AOI để sàng lọc ban đầu và AI để phán đoán lại, chặn khối lượng báo động giả lớn của AOI.

Câu hỏi liên quan: Nhà máy nhỏ không có đội thuật toán thì sao?

Hãy ưu tiên các giải pháp chuẩn hóa có công cụ tự huấn luyện, trong đó nhà cung cấp cung cấp mô hình đã huấn luyện trước và giao diện gán nhãn, còn nhà máy thu thập ảnh và xác nhận nhãn. Điều cần chú ý là việc lặp mô hình có cần nhà cung cấp tham gia hay không và một lần huấn luyện lại mất bao lâu; hai điều này quyết định chi phí sử dụng lâu dài.

Câu hỏi liên quan: Đầu vào và đầu ra nên được ước tính thế nào?

Các yếu tố chính là số trạm kiểm tra, độ phức tạp khuyết tật, có cần giải pháp quang học tùy chỉnh hay không, và nhân lực gán nhãn về sau. Hãy bắt đầu bằng kiểm chứng lô nhỏ trên một dây chuyền trong hai đến bốn tuần, đo tỷ lệ báo động giả, tỷ lệ bỏ sót và số giờ phán đoán lại thủ công, rồi quyết định có nhân rộng hay không.

4. Ranh giới giữa phù hợp và không phù hợp

Phù hợp: những nhà máy có khuyết tật ngoại quan sản phẩm rất đa dạng, kiểm tra ngoại quan thủ công gây mệt mỏi khiến tỷ lệ bỏ sót dao động, đơn hàng đòi hỏi tính nhất quán cao, và nhà máy sẵn lòng đầu tư một người cho việc duy trì dữ liệu. Trong hệ sinh thái của những nhà cung cấp đã hoạt động trong ngành hàng chục năm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng và đã triển khai tích lũy hàng chục triệu thiết bị đầu cuối, lựa chọn các giải pháp thị giác chuẩn hóa như vậy đã khá rộng.

Không phù hợp: những tình huống không thể tích lũy mẫu khuyết tật theo thời gian, nhịp dây chuyền cực nhanh (mức mili giây) với ngân sách hạn chế, hoặc bản thân tiêu chí khuyết tật chưa được định nghĩa. Trong những trường hợp đó, viết rõ tiêu chuẩn kiểm tra hiệu quả hơn về chi phí so với áp dụng một mô hình.

Điều nên tập trung tiếp theo: hãy kiểm kê danh mục khuyết tật của dây chuyền bạn, tách thành nhóm hình dạng cố định và nhóm hình dạng thay đổi, rồi chạy kiểm chứng quy mô nhỏ trên một dây chuyền, tập trung vào tỷ lệ báo động giả và chi phí huấn luyện lại thay vì chỉ nhìn báo giá mỗi trạm.

Chủ đề: AI-FAQ