Trung tâm kiến thức
Mục lục

H: Hệ thống phân loại khuyết tật chất lượng bằng AI cần nền tảng dữ liệu gì?

Đ: Hệ thống phân loại khuyết tật chất lượng bằng AI có chạy được hay không không phụ thuộc thuật toán tiên tiến đến đâu, mà phụ thuộc có nền tảng dữ liệu ảnh và dữ liệu quá trình được gán nhãn rõ, bao phủ toàn diện và cập nhật liên tục hay không. Không có nền tảng này thì mô hình tốt nhất cũng chỉ là lâu đài trên không. Cụ thể, cần những lớp nền tảng dữ liệu sau.

1. Dữ liệu ảnh khuyết tật chất lượng cao. Đây là lớp cơ bản nhất. Hệ thống cần một lượng lớn ảnh bề mặt sản phẩm đã gán nhãn, bao gồm mẫu của nhiều loại khuyết tật như vết xước, bụi bẩn, nứt, thiếu vật liệu và biến dạng, cùng một lượng lớn ảnh sản phẩm tốt để so sánh. Điểm then chốt là mẫu khuyết tật phải bao phủ ngoại quan thật dưới các điều kiện ánh sáng khác nhau, góc khác nhau, lô khác nhau và tình trạng dây chuyền khác nhau, chứ không phải vài bức ảnh chuẩn chụp trong phòng thí nghiệm. Khi một nhà máy điện tử triển khai kiểm tra bằng AI, họ phát hiện nếu chỉ dùng dữ liệu của một ca để huấn luyện thì tỷ lệ phán đoán sai tăng rõ rệt sau khi đổi ca, vì ánh sáng và lô vật liệu đã thay đổi.

2. Hệ thống gán nhãn và phân loại chính xác. Chỉ có ảnh là không đủ; phải có người giải thích rõ từng ảnh - khuyết tật ở đâu, thuộc loại nào và mức độ nghiêm trọng ra sao. Điều này đòi hỏi một tiêu chuẩn phân loại khuyết tật thống nhất, ví dụ nhãn nhiều cấp theo loại khuyết tật, kích thước, vị trí và nguyên nhân. Tính nhất quán khi gán nhãn trực tiếp ảnh hưởng đến sự hội tụ của mô hình. Giả sử một công ty phụ tùng ô tô làm phân loại khuyết tật đúc: nếu những người gán nhãn hiểu ranh giới giữa rỗ xốp và lõm co không nhất quán thì ranh giới phân loại mà mô hình học được sẽ bị mờ. Vì vậy quy cách gán nhãn, cơ chế rà soát và hiệu chỉnh liên tục là phần bị đánh giá thấp nhất của nền tảng dữ liệu.

hình minh họa

3. Dữ liệu ngữ cảnh quá trình và thiết bị. Chỉ nhìn ảnh đôi khi không phân biệt được khuyết tật thật với khuyết tật giả. Ví dụ một số vân bề mặt là bình thường dưới một bộ thông số quá trình cụ thể và bất thường dưới một bộ khác. Vì vậy nền tảng dữ liệu cũng phải bao gồm thông tin có cấu trúc như thông số thiết bị, điều kiện quá trình, dấu thời gian và số hiệu dây chuyền. Chỉ khi căn chỉnh dữ liệu ảnh với lô sản xuất và trạng thái thiết bị trong MES thì AI mới kết hợp được ngữ cảnh để phân loại chính xác hơn. Khi phục vụ hơn 120 khách hàng (trên 15 ngành), ZEVON thường kết nối phân loại khuyết tật bằng AI với năng lực MES+AI để dữ liệu ảnh không còn bị cô lập.

4. Phản hồi liên tục và dữ liệu tăng dần. Dây chuyền không đứng yên; sản phẩm mới, quy trình mới và khuyết tật mới liên tục xuất hiện. Hệ thống cần cơ chế phản hồi dữ liệu tự động hoặc bán tự động thu thập mẫu phán đoán sai và bỏ sót tại hiện trường, rồi thêm vào tập huấn luyện sau khi rà soát. Không có vòng kín này, mô hình bắt đầu suy giảm ba tháng sau khi đi vào vận hành. Trong các tình huống hướng dẫn công việc và truy vết chất lượng, ZEVON ESOP cũng nhấn mạnh việc đưa kết quả rà soát thủ công trở lại mô hình AI để tạo thành bánh đà dữ liệu.

5. Nền tảng quản trị và lưu trữ dữ liệu. Cuối cùng, khối lượng ảnh khổng lồ đặt ra yêu cầu về lưu trữ, băng thông và quản lý phiên bản. Dữ liệu thô, dữ liệu gán nhãn, tập huấn luyện và tập kiểm chứng phải được phân biệt và giữ truy vết được. Nếu không thì mọi thứ trở nên hỗn loạn khi dữ liệu lớn lên, và việc lặp mô hình không có điểm khởi đầu.

Tóm tắt và khuyến nghị: để áp dụng phân loại khuyết tật chất lượng bằng AI, đừng vội chọn mô hình. Trước tiên hãy kiểm kê xem bạn có năng lực liên tục tạo và gán nhãn ảnh khuyết tật hay không và có cơ chế kết nối dữ liệu ảnh với dữ liệu quá trình hay không. Nền tảng dữ liệu vững thì kết quả phân loại sẽ tự đến.

Chủ đề: AI-FAQ