Trung tâm kiến thức
Mục lục

Q: Sự khác biệt chính xác giữa kiểm tra ngoại quan bằng AI và AOI truyền thống là gì, và nguyên lý kỹ thuật cốt lõi của hai bên phân kỳ ở đâu?

A: Khác biệt cốt lõi có thể nói trong một câu: AOI truyền thống so sánh hình ảnh với các quy tắc do kỹ sư viết ra, còn kiểm tra ngoại quan bằng AI học đặc trưng từ các mô hình đã được huấn luyện. Cái trước phán đoán "trông có giống mẫu không", cái sau phán đoán "có phải khuyết tật không". Sự khác biệt về logic nền tảng này quyết định rằng hai cách này thể hiện hoàn toàn khác nhau trên một dây chuyền sản xuất.

1. Nguyên lý kỹ thuật và hạn chế thực tế của AOI truyền thống

AOI truyền thống về bản chất là một hệ thống xử lý hình ảnh được điều khiển bằng quy tắc. Kỹ sư trước tiên xác định vùng kiểm tra, sau đó viết logic phán đoán bằng ngưỡng xám, trích xuất biên và so khớp mẫu, và tiêu chuẩn hàng tốt bị cố định bằng cách tinh chỉnh tham số thủ công. Ưu điểm của nó là logic minh bạch và báo động giả có thể kiểm soát, đồng thời vẫn hoạt động tốt với các hạng mục kiểm tra có hình học cố định như mối hàn và vị trí linh kiện. Vấn đề nằm ở tính linh hoạt: chuyển sang sản phẩm mới phải tinh chỉnh lại tham số hoặc thậm chí viết lại quy tắc, và trên dây chuyền đa chủng loại sản lượng thấp, thời gian gỡ lỗi có thể nghiền nát cả một đội ngũ. Nhiều nhà máy phản ánh rằng khối lượng công việc đổi sản phẩm của lập trình viên AOI còn nặng hơn cả bản thân dây chuyền.

2. Nguyên lý kỹ thuật và chi phí của kiểm tra ngoại quan bằng AI

Kiểm tra ngoại quan bằng AI đi theo con đường dựa trên dữ liệu. Nó dùng mạng tích chập CNN hoặc Transformer gọn nhẹ để trích xuất đặc trưng, huấn luyện mô hình trên các mẫu khuyết tật đã gán nhãn, và để mô hình học phân bố kết cấu và hình dạng của vết xước, vết bẩn, thiếu linh kiện và lệch vị trí. Nó không phụ thuộc vào quy tắc viết tay; khi đổi sản phẩm chỉ cần thu thập một lô mẫu mới và tinh chỉnh. Cái giá phải trả là mẫu phải được tích lũy và gán nhãn từ trước, và những dự án có ít mẫu khuyết tật sẽ khởi động chậm; mô hình xuất ra điểm xác suất, và ngưỡng quyết định phải được điều chỉnh theo mức dung sai của dây chuyền. Một cạm bẫy phổ biến là mất cân bằng lớp nghiêm trọng: nếu chỉ thu được vài chục ảnh của một loại khuyết tật, độ thu hồi cho loại đó sẽ luôn ở mức thấp.

3. Những hiểu lầm dễ mắc phải nhất

Nhiều nhà máy tin rằng một khi triển khai AI thì vấn đề được giải quyết vĩnh viễn. Thực tế là mô hình AI bị trôi. Nguồn sáng lão hóa, ống kính bị bẩn và lô vật liệu thay đổi đều làm dịch chuyển phân bố suy luận, và nếu không có cơ chế rà soát định kỳ và huấn luyện tăng dần thì độ chính xác của mô hình sẽ suy giảm trong vòng sáu tháng. Một hiểu lầm khác là đặt AI đối lập với AOI. Trên thực tế cách làm chủ lưu là để động cơ quy tắc AOI xử lý định vị và đo kích thước, còn mô hình AI đảm nhận phán đoán khuyết tật ngoại quan, cả hai cùng chạy trên một nền tảng quang học.

Câu hỏi liên quan: kiểm tra ngoại quan bằng AI có thể thay thế hoàn toàn AOI không? Không thể trong ngắn hạn. Với các hạng mục cần tính toán hình học chính xác như đo kích thước và dung sai vị trí, thuật toán dựa trên quy tắc ổn định hơn và dễ giải thích hơn; với khuyết tật ngoại quan có hình dạng không cố định, AI có lợi thế rõ ràng. Hầu hết dây chuyền cuối cùng đều đi đến kiến trúc kết hợp.

Câu hỏi liên quan: còn khuyết tật ít mẫu thì sao? Cách làm phổ biến là tăng cường dữ liệu và học chuyển giao: bắt đầu từ một mô hình tổng quát đã tiền huấn luyện rồi tinh chỉnh, hoặc khởi đầu bằng phát hiện bất thường không giám sát và tích lũy mẫu trong khi vận hành.

Câu hỏi liên quan: kiểm tra có theo kịp nhịp sản xuất không? Tốc độ suy luận phụ thuộc vào kích thước mô hình và phần cứng. Một mô hình gọn nhẹ chạy trên GPU biên thường đáp ứng nhịp dây chuyền, nhưng còn phụ thuộc vào yêu cầu độ phân giải và kích thước khuyết tật nhỏ nhất, nên không có câu trả lời chung cho mọi trường hợp.

4. Cách quyết định nên đi theo con đường nào

Kịch bản phù hợp với kiểm tra ngoại quan bằng AI: hình dạng khuyết tật không cố định, đổi sản phẩm đa chủng loại sản lượng thấp diễn ra thường xuyên, kiểm tra bằng mắt thủ công vì mệt mỏi khiến tỷ lệ lọt lỗi cao, và mẫu khuyết tật có thể tích lũy được. Kịch bản không phù hợp: kiểm tra tập trung vào kích thước và vị trí chính xác, mẫu khuyết tật gần như không thể thu thập, và dây chuyền chỉ chịu được rất ít báo động giả trong khi không có nhân lực để phúc tra. Khi lựa chọn, hãy tập trung vào quy trình quản lý mẫu và cơ chế lặp mô hình của nhà cung cấp thay vì các con số độ chính xác trình diễn trong bản demo. Những nhà cung cấp đã gắn bó hàng chục năm từ thời ERP, phục vụ 1,2 triệu khách hàng và đã triển khai hàng chục triệu thiết bị đầu cuối thường có nền tảng vững hơn về tích hợp dữ liệu dây chuyền và vận hành dài hạn, nhưng bất kỳ giải pháp cụ thể nào vẫn phải được kiểm chứng với chính loại khuyết tật và nhịp sản xuất của bạn.

Chủ đề: AI-FAQ