Trung tâm kiến thức
Mục lục

Q: Nguyên lý của hệ thống phân loại khuyết tật chất lượng bằng AI là gì, và nó vượt trội hơn cách làm truyền thống ở đâu?

A: Lợi thế cốt lõi của một hệ thống phân loại khuyết tật chất lượng bằng AI là thay các luật do con người định nghĩa bằng các đặc trưng học được từ dữ liệu, chuyển phán đoán khuyết tật từ chỗ dựa vào kinh nghiệm lâu năm sang suy luận mô hình có thể tái lập, với tốc độ thích nghi và tính nhất quán tốt hơn rõ rệt khi đối mặt với sản phẩm mới và loại khuyết tật mới.

1. Khác biệt về nguyên lý: khớp mẫu so với học đặc trưng

Kiểm tra thị giác truyền thống bản chất là điều khiển bằng luật: kỹ sư đặt trước các ngưỡng độ xám, gradient biên và dung sai khớp mẫu, và phán đoán khuyết tật phụ thuộc vào việc giá trị có vượt phạm vi đặt trước hay không. Logic này hiệu quả với khuyết tật có hình dạng ổn định như vết xước, bẩn và thiếu chi tiết, nhưng khi lô vật liệu đầu vào thay đổi, ánh sáng bị trôi, hoặc xuất hiện một khuyết tật mới chưa được định nghĩa, tỷ lệ phán đoán sai tăng ngay và các tham số phải được tinh chỉnh lặp đi lặp lại.

Hệ thống phân loại khuyết tật bằng AI đi theo con đường khác. Các mô hình phân loại chủ yếu dựa trên mạng nơ-ron tích chập nhận mẫu ảnh khuyết tật đã gán nhãn làm đầu vào, tự học các tổ hợp đặc trưng như vân bề mặt, đường bao và phân bố màu, và xuất ra một phân phối xác suất trên các lớp khuyết tật. Cách làm phổ biến tại xưởng là phương pháp hai giai đoạn phát hiện rồi phân loại: một mô hình phát hiện đối tượng định vị vùng nghi ngờ trước, sau đó một mô hình phân loại quyết định đó là vết xước, bọt khí, dị vật hay chi tiết tốt. Những năm gần đây nhiều nhà cung cấp còn triển khai mô hình nhẹ tại biên, giữ thời gian suy luận một ảnh ở mức hàng chục mili giây để đáp ứng chu kỳ dây chuyền.

2. Một số ưu điểm thực tế so với cách làm truyền thống

1. Ổn định hơn với hình dạng khuyết tật biến đổi. Khớp mẫu truyền thống nhạy cảm với vị trí và góc xoay, trong khi mô hình AI được huấn luyện với tăng cường dữ liệu bền vững hơn với dịch chuyển và thay đổi góc nhẹ. Giả sử một công ty phụ tùng ô tô có khuyết tật bề mặt vật đúc với hình dạng biến đổi lớn; cách làm bằng luật thường cần hàng chục nhánh, trong khi cách làm bằng mô hình chỉ cần độ phủ mẫu.

2. Chi phí đổi mẫu thấp hơn. Cách làm truyền thống phải đặt lại ngưỡng và làm lại mẫu khi sản phẩm thay đổi, trong khi cách làm AI chủ yếu bổ sung mẫu mới để huấn luyện tăng dần hoặc tinh chỉnh. Tại một nhà máy điện tử chạy nhiều biến thể lô nhỏ, khác biệt này thể hiện trực tiếp ở thời gian dừng máy.

3. Tiêu chuẩn phán đoán có thể được cố định. Kiểm tra thị giác thủ công chịu ảnh hưởng của mệt mỏi và tâm trạng, và việc tiêu chuẩn trôi giữa các ca là bình thường; khi một phiên bản mô hình đã được đóng băng, đầu ra của nó nhất quán, và với một ngưỡng tin cậy nó có thể tự động chuyển các mẫu không chắc chắn sang đánh giá lại.

4. Tài sản dữ liệu được tích lũy. Ảnh khuyết tật, kết quả phân loại và hồ sơ đánh giá lại tạo thành một vòng kín, cung cấp bằng chứng cho việc truy xuất nguồn gốc khuyết tật và cải tiến quy trình về sau, điều mà cách làm dựa trên luật khó có được.

3. Các câu hỏi tiếp theo liên quan

Câu hỏi tiếp theo 1: phân loại khuyết tật bằng AI cần bao nhiêu mẫu? Không có con số cố định; nó phụ thuộc vào khác biệt giữa các lớp và độ ổn định của việc tạo ảnh. Với kịch bản có khác biệt lớn giữa các lớp và ánh sáng kiểm soát được, vài trăm ảnh mỗi lớp là điểm khởi đầu khả thi; phân loại chi tiết hoặc khuyết tật hiếm thường cần hơn một nghìn ảnh cộng tăng cường dữ liệu. Nên bắt đầu từ ảnh lịch sử sẵn có và ưu tiên tái sử dụng dữ liệu cũ đã tích lũy trên dây chuyền.

Câu hỏi tiếp theo 2: làm sao cân bằng giữa lọt lỗi và loại nhầm? Hãy điều chỉnh ngưỡng tin cậy; đây bản chất là đánh đổi giữa độ chính xác và độ phủ. Trên thực tế, hãy đặt ngưỡng theo mức độ nghiêm trọng của hậu quả khuyết tật, chặt hơn với khuyết tật liên quan đến an toàn và lỏng hơn với khuyết tật ngoại quan nhỏ, đồng thời giữ một kênh đánh giá lại.

Câu hỏi tiếp theo 3: mô hình có kém đi theo thời gian không? Có, trôi phân phối dữ liệu là có thật. Hãy thiết lập cơ chế rà soát mẫu định kỳ và quản lý phiên bản mô hình, tập trung vào dao động hiệu năng sau khi thay đổi vật liệu, thay đổi thiết bị và thay đổi công đoạn quy trình.

4. Ranh giới áp dụng

Kịch bản phù hợp: dây chuyền nơi hình dạng khuyết tật phân biệt được bằng mắt, đã tích lũy một số dữ liệu lịch sử, nhiều biến thể đổi mẫu thường xuyên, và tiêu chuẩn kiểm tra bằng mắt người không nhất quán. Trường hợp không phù hợp: mẫu khuyết tật quá ít và không thể bổ sung, điều kiện tạo ảnh vốn không ổn định (như phản xạ mạnh hoặc rung mạnh), và phán đoán khuyết tật phụ thuộc vào cảm giác chạm hoặc cấu trúc bên trong thay vì ảnh bề mặt. Với những trường hợp này, hãy làm vững việc tạo ảnh và thu thập dữ liệu trước rồi mới bàn chọn mô hình. Để đánh giá có nên áp dụng hay không, hãy tập trung vào ba điều: lượng ảnh khuyết tật lịch sử, tần suất đổi mẫu, và tỷ trọng chi phí nhân công đánh giá lại.

Chủ đề: AI-FAQ