Xây dựng hệ thống kiểm tra bằng thị giác dựa trên camera mà không cần chuyên môn về AI

Mọi sản phẩm chúng ta sử dụng, dù là điện thoại, mặt hàng đóng gói hay phụ tùng ô tô, đều trải qua một hình thức kiểm tra chất lượng nào đó trước khi đến tay người tiêu dùng cuối cùng. Trước đây, việc này thường được thực hiện bằng kiểm tra thủ công hoặc các hệ thống đơn giản dựa trên quy tắc. Những phương pháp này có hiệu quả, nhưng thường chậm, thiếu nhất quán và khó mở rộng khi sản lượng tăng.

Để cải thiện quy trình kiểm tra chất lượng, nhiều ngành đang chuyển sang thị giác máy tính, một nhánh của trí tuệ nhân tạo giúp máy móc hiểu hình ảnh và video. Ví dụ, các model AI thị giác như Ultralytics YOLO26 có thể giúp phát hiện, phân loại và định vị lỗi với độ chính xác cao.

Trong môi trường sản xuất thực tế, các model này có thể phân tích hình ảnh được chụp trực tiếp từ dây chuyền lắp ráp tốc độ cao. Khi sản phẩm đi qua các công đoạn khác nhau, camera công nghiệp theo dõi sản phẩm và hệ thống kiểm tra các vấn đề như vết xước, thiếu linh kiện hoặc lệch vị trí. Nhờ đó, việc phát hiện lỗi nhanh và nhất quán hơn, đồng thời hỗ trợ kiểm tra với thông lượng cao.

Trước đây, việc xây dựng các hệ thống này đòi hỏi nhiều công cụ và chuyên môn kỹ thuật vững vàng, khiến quy trình trở nên phức tạp và tốn thời gian. Ultralytics Platform, giải pháp toàn diện mới của chúng tôi dành cho thị giác máy tính, đơn giản hóa quy trình bằng cách tích hợp chuẩn bị dữ liệu, gán nhãn, huấn luyện model và triển khai vào cùng một nơi.

Trong bài viết này, chúng ta sẽ tìm hiểu cách sử dụng Ultralytics Platform để xây dựng các hệ thống kiểm tra bằng thị giác thực tế dựa trên camera mà không cần chuyên môn sâu về AI. Hãy bắt đầu!

Vai trò của thị giác máy tính trong kiểm soát chất lượng#

Trước khi tìm hiểu cách Ultralytics Platform giúp xây dựng hệ thống kiểm tra dễ dàng hơn, hãy cùng lùi lại một bước để hiểu vai trò của thị giác máy tính trong kiểm tra chất lượng.

Kiểm tra là một phần quan trọng trong quy trình sản xuất, giúp đảm bảo sản phẩm đáp ứng các tiêu chuẩn chất lượng và không có lỗi. Tuy nhiên, kết quả có thể khác nhau, đặc biệt trong các ca làm việc kéo dài hoặc khi sản xuất số lượng lớn.

Để tăng độ tin cậy của hoạt động kiểm tra, nhiều ngành sử dụng thị giác máy tính, còn gọi là thị giác máy, để phân tích hình ảnh từ dây chuyền sản xuất và xác định lỗi. Các hệ thống này sử dụng deep learning, trong đó model và thuật toán học các mẫu từ những tập hợp lớn gồm hình ảnh chất lượng cao đã được gán nhãn.

Trong quá trình huấn luyện model, model được cung cấp các ví dụ về sản phẩm bình thường và nhiều loại lỗi khác nhau. Theo thời gian, model tự học cách nhận diện các mẫu này. Sau khi được huấn luyện, model có thể kiểm tra số lượng lớn sản phẩm và áp dụng nhất quán cùng một tiêu chí, qua đó cải thiện độ chính xác.

Các tác vụ thị giác máy tính phổ biến trong kiểm tra chất lượng#

Các ứng dụng thị giác máy được hỗ trợ bởi những model thị giác máy tính như các model Ultralytics YOLO, vốn có thể thực hiện nhiều loại tác vụ thị giác khác nhau. Dưới đây là tổng quan về cách sử dụng các tác vụ AI thị giác này trong quy trình kiểm tra tự động:

• Phân loại hình ảnh: Tác vụ này gán một nhãn duy nhất cho toàn bộ hình ảnh, chẳng hạn như “đạt” hoặc “có lỗi”. Tác vụ cung cấp đánh giá tổng quát về chất lượng sản phẩm mà không chỉ ra vị trí lỗi.
• Phát hiện đối tượng: Tác vụ này giúp xác định lỗi trong hình ảnh và định vị lỗi bằng bounding box. Nhờ đó, có thể phát hiện và xác định vị trí các vấn đề như vết nứt, vết xước hoặc linh kiện bị thiếu.
• Phân đoạn từng đối tượng: Tiến thêm một bước so với phát hiện đối tượng, tác vụ này dự đoán mask ở cấp độ pixel cho từng lỗi được phát hiện. Nhờ đó, có thể phân tích chính xác hình dạng, kích thước và đường biên của lỗi.
• Theo dõi đối tượng: Khi theo dõi sản phẩm qua nhiều khung hình, tác vụ này bám theo sản phẩm khi chúng di chuyển dọc dây chuyền sản xuất. Nhờ đó, việc theo dõi được nhất quán và lỗi không bị bỏ sót.
• Phát hiện bounding box định hướng (OBB): Tác vụ này phát hiện đối tượng bằng bounding box xoay thay vì bounding box song song với các trục. Tác vụ đặc biệt hữu ích khi lỗi hoặc linh kiện xuất hiện ở nhiều góc độ khác nhau, giúp định vị chính xác hơn.

Tổng quan về các ứng dụng kiểm tra chất lượng trong nhiều ngành#

Thị giác máy tính được sử dụng rộng rãi trong nhiều ngành để duy trì chất lượng sản phẩm, đáp ứng tiêu chuẩn và giảm nhu cầu kiểm tra thủ công. Công nghệ này thực hiện các chức năng quan trọng như phát hiện lỗi, phân loại, nhận dạng đối tượng, đo lường và phát hiện bất thường.

Hình 1. Ví dụ về việc phát hiện và theo dõi sản phẩm bằng hệ thống thị giác máy (Nguồn)

Dưới đây là một số ví dụ về các trường hợp ứng dụng trong thực tế:

• Sản xuất: Phát hiện lỗi bề mặt giúp nhận diện các vấn đề như vết xước, vết lõm, vết nứt và đổi màu bằng cách phân tích hình ảnh sản phẩm trên dây chuyền để phát hiện lỗi ngay trong quá trình sản xuất. Công nghệ này cũng có thể phát hiện linh kiện bị thiếu hoặc lỗi lắp ráp theo thời gian thực, hỗ trợ kiểm tra liên tục.
• Ô tô: Các hệ thống thị giác máy tính phân tích linh kiện động cơ và tấm thân xe để xác minh độ căn chỉnh và phát hiện hư hỏng. Công nghệ này đặc biệt hữu ích khi kiểm tra các hình dạng phức tạp và khu vực khó tiếp cận; hệ thống thường phối hợp với robot để định vị chính xác và kiểm tra tự động.
• Điện tử và bán dẫn: Các hệ thống này phát hiện những lỗi nhỏ trong linh kiện như bảng mạch in (PCB), bao gồm lỗi hàn, vết nứt siêu nhỏ và mạch bị hỏng. Nhờ phân tích hình ảnh độ phân giải cao, hệ thống có thể phát hiện cả những lỗi rất nhỏ thường bị bỏ sót khi kiểm tra thủ công.
• Đóng gói và logistics: Các hệ thống thị giác thực hiện quét mã vạch, đọc nhãn sản phẩm và kiểm tra chất lượng bao bì. Hệ thống đảm bảo sản phẩm được đóng gói, niêm phong đúng cách và sẵn sàng vận chuyển, đồng thời giảm sai sót.
• Thực phẩm và đồ uống: Các hệ thống kiểm tra sử dụng camera thị giác hoặc cảm biến thị giác phân tích hình thức sản phẩm để xác định các vấn đề như niêm phong không đúng cách, nguy cơ nhiễm bẩn, nhãn sai hoặc hình thức không nhất quán, qua đó giúp duy trì chất lượng và an toàn.
• Dược phẩm: Thị giác máy tính được sử dụng để kiểm tra viên nén, lọ và bao bì nhằm phát hiện các lỗi như vết nứt, nhiễm bẩn, nhãn sai hoặc mức chiết rót không đồng nhất, đảm bảo tuân thủ các tiêu chuẩn quản lý nghiêm ngặt và duy trì độ an toàn của sản phẩm.

Tối ưu hóa quy trình kiểm tra bằng thị giác với Ultralytics Platform#

Hãy hình dung một dây chuyền sản xuất, nơi sản phẩm di chuyển qua nhiều công đoạn trong khi camera liên tục chụp ảnh để kiểm tra. Các hình ảnh này được dùng để kiểm tra những lỗi như vết xước, linh kiện bị thiếu hoặc lệch vị trí.

Cho đến nay, việc xây dựng và quản lý các hệ thống kiểm tra như vậy đòi hỏi nhiều công cụ và khá nhiều chuyên môn kỹ thuật.

Trên thực tế, tại Ultralytics, chúng tôi thường xuyên nhận được phản hồi từ cộng đồng AI thị giác về mức độ phân mảnh và tốn thời gian của quy trình này. Các điểm nghẽn phổ biến bao gồm công cụ rời rạc, thiết lập môi trường phức tạp, quy trình gán nhãn dữ liệu kém hiệu quả, chậm trễ trong huấn luyện model và khó khăn khi triển khai. Những phản hồi này đóng vai trò quan trọng trong việc định hình Ultralytics Platform.

Hình 2. Tổng quan về Ultralytics Platform (Nguồn)

Với Ultralytics Platform, toàn bộ quy trình phát triển và triển khai có thể được thực hiện tại cùng một nơi. Dữ liệu thô có thể được tải lên và gán nhãn để tạo dataset huấn luyện, sau đó dùng dataset để huấn luyện model phát hiện lỗi. Sau khi huấn luyện, các model này có thể được triển khai để phân tích hình ảnh mới từ dây chuyền sản xuất, với các công cụ tích hợp sẵn để theo dõi hiệu suất theo thời gian.

Ngoài việc tích hợp toàn bộ quy trình vào một nơi, Ultralytics Platform còn được thiết kế để dễ sử dụng. Ngay cả người dùng có ít kinh nghiệm về machine learning cũng có thể nhanh chóng chuyển từ ý tưởng sang môi trường production.

Sử dụng Ultralytics Platform để gán nhãn lỗi trong hình ảnh#

Giờ đây, khi đã thấy cách Ultralytics Platform kết hợp các bước trong quy trình, hãy cùng tìm hiểu cách sử dụng nền tảng ở từng giai đoạn của pipeline AI thị giác, bắt đầu với việc tải dữ liệu lên và gán nhãn lỗi.

Quản lý dataset kiểm tra trên Ultralytics Platform#

Bước đầu tiên là đưa dữ liệu vào nền tảng. Bạn có thể tải lên hình ảnh, video hoặc tệp lưu trữ dataset như ZIP, TAR hoặc GZ. Các định dạng dataset phổ biến như YOLO và COCO đều được hỗ trợ, do đó có thể nhập dataset hiện có mà không cần thêm bước nào.

Bạn cũng có thể bắt đầu nhanh hơn bằng cách sử dụng dataset do cộng đồng chia sẻ. Có thể khám phá và sao chép các dataset này vào workspace của bạn, giúp bạn xây dựng dựa trên dữ liệu hiện có thay vì bắt đầu từ đầu. Sau khi sao chép, bạn có thể cập nhật và mở rộng dataset cho trường hợp sử dụng cụ thể của mình.

Nếu đang thực hiện nhiều thử nghiệm, bạn có thể tái sử dụng dataset bằng cách nhập chúng dưới dạng tệp NDJSON, giúp dễ dàng tái tạo hoặc chia sẻ mà không cần chuyển đổi thêm.

Sau khi dữ liệu được tải lên, nền tảng sẽ tự động chuẩn bị dữ liệu. Nền tảng kiểm tra định dạng tệp, xử lý annotation, thay đổi kích thước hình ảnh nếu cần và tạo thống kê dataset cơ bản. Video được tách thành các khung hình để sử dụng trong huấn luyện, còn hình ảnh được tối ưu hóa để dễ duyệt và phân tích hơn.

Gán nhãn dữ liệu với Ultralytics Platform#

Khi dữ liệu đã sẵn sàng, bước tiếp theo là gán nhãn dữ liệu. Đây là bước gán nhãn lỗi để model có thể học cách phát hiện lỗi. Ultralytics Platform tích hợp sẵn trình chỉnh sửa annotation, hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn từng đối tượng, phân loại hình ảnh, ước tính tư thế và phát hiện bounding box định hướng.

Bạn có thể gán nhãn dữ liệu thủ công bằng các công cụ như bounding box, đa giác hoặc keypoint, tùy theo trường hợp sử dụng. Để đẩy nhanh quy trình, nền tảng cũng cung cấp tính năng gán nhãn có hỗ trợ AI.

Ví dụ, tính năng gán nhãn thông minh dựa trên SAM cho phép bạn gán nhãn đối tượng chỉ bằng vài thao tác nhấp đơn giản. Bằng cách chọn các vùng cần bao gồm hoặc loại trừ, hệ thống tạo mask theo thời gian thực, sau đó bạn có thể điều chỉnh nếu cần.

Hình 3. Tính năng gán nhãn thông minh dựa trên SAM trong Ultralytics Platform (Nguồn)

Ngoài ra, tính năng gán nhãn thông minh dựa trên YOLO có thể tự động tạo nhãn bằng các dự đoán của model. Bạn có thể xem xét và tinh chỉnh các nhãn này, giúp xử lý dataset lớn dễ dàng hơn mà không cần gán nhãn thủ công cho mọi dữ liệu.

Trình chỉnh sửa annotation cũng có các tính năng như quản lý class, chỉnh sửa annotation, phím tắt và tùy chọn hoàn tác hoặc làm lại. Những tính năng này giúp duy trì tính nhất quán và xem xét annotation dễ dàng hơn khi dataset ngày càng mở rộng.

Trong quá trình gán nhãn dữ liệu, nền tảng cung cấp thông tin chuyên sâu như phân bố class và số lượng annotation. Nhờ đó, bạn có thể xác định khoảng trống, khắc phục điểm không nhất quán và cải thiện chất lượng dataset trước khi chuyển sang huấn luyện.

Huấn luyện YOLO26 để phát hiện lỗi trên Ultralytics Platform#

Bước tiếp theo là huấn luyện model để tự động phát hiện lỗi bằng dữ liệu đã gán nhãn. Ultralytics Platform hỗ trợ huấn luyện bằng các model Ultralytics YOLO, bao gồm YOLO26, dùng được cho các tác vụ như phát hiện đối tượng, phân đoạn từng đối tượng và phân loại hình ảnh.

Hoạt động huấn luyện được quản lý thông qua một bảng điều khiển thống nhất, nơi bạn có thể cấu hình, chạy và theo dõi các job huấn luyện. Để bắt đầu, bạn có thể chọn một dataset đã tải lên, được gán nhãn trên nền tảng, lấy từ các dataset công khai có sẵn trên nền tảng hoặc sao chép từ cộng đồng.

Sau khi được chọn, dataset sẽ tự động liên kết với lần chạy huấn luyện, giúp theo dõi các thử nghiệm và duy trì tính nhất quán dễ dàng hơn.

Tiếp theo, bạn có thể cấu hình các tham số huấn luyện như số epoch, batch size, kích thước hình ảnh và learning rate. Các thiết lập này kiểm soát cách model học và ảnh hưởng trực tiếp đến cả thời gian huấn luyện lẫn hiệu suất.

Chạy và theo dõi quá trình huấn luyện#

Sau đó, bạn có thể chọn cách chạy huấn luyện. Nền tảng hỗ trợ huấn luyện trên cloud bằng GPU được quản lý, huấn luyện cục bộ trên phần cứng của riêng bạn và quy trình làm việc trên trình duyệt thông qua các môi trường như Google Colab.

Khi sử dụng dịch vụ huấn luyện trên cloud, bạn có thể chọn nhiều tùy chọn GPU, chẳng hạn như RTX 2000 Ada và RTX A4500 cho các thử nghiệm nhỏ, RTX 4090 hoặc RTX A6000 cho khối lượng công việc đòi hỏi cao hơn, và các tùy chọn hiệu năng cao như A100 hoặc H100 cho huấn luyện quy mô lớn.

Khi quá trình huấn luyện bắt đầu, bạn có thể theo dõi tiến độ trực tiếp trên nền tảng. Dashboard cung cấp khả năng giám sát theo thời gian thực các chỉ số chính như đường cong loss và các chỉ số hiệu năng, cùng với mức sử dụng hệ thống và log huấn luyện. Nhờ đó, bạn có thể dễ dàng nắm được cách model học và sớm xác định các vấn đề tiềm ẩn.

Hình 4. Bạn có thể dễ dàng theo dõi tiến độ huấn luyện bằng Ultralytics Platform (Nguồn)

Khi chạy nhiều thử nghiệm, nền tảng sẽ theo dõi cấu hình, dataset và kết quả tại một nơi. Nhờ đó, bạn có thể dễ dàng so sánh các lần chạy huấn luyện khác nhau, đánh giá hiệu năng bằng các chỉ số như precision, recall và mAP, đồng thời chọn model có hiệu năng tốt nhất để triển khai.

Triển khai model thị giác thông qua Ultralytics Platform#

Sau khi huấn luyện, bước tiếp theo là xác thực hiệu năng của model đã huấn luyện trên dữ liệu mới chưa từng thấy trước khi chuyển sang triển khai. Ultralytics Platform có tab Predict tích hợp sẵn, cho phép bạn kiểm thử model trực tiếp trên trình duyệt mà không cần thiết lập.

Bạn có thể tải ảnh lên, sử dụng dữ liệu mẫu hoặc thu nhận đầu vào qua webcam; kết quả sẽ xuất hiện ngay lập tức cùng các lớp phủ trực quan và điểm confidence. Nhờ đó, bạn có thể nhanh chóng kiểm tra hiệu năng model và xác định vấn đề trước khi tích hợp model vào các hệ thống thực tế.

Sau khi model được xác thực, bạn có thể triển khai model bằng nhiều tùy chọn khác nhau tùy theo trường hợp sử dụng. Cùng tìm hiểu kỹ hơn về các tùy chọn triển khai model được Ultralytics Platform hỗ trợ:

• Inference dùng chung: Tùy chọn này cho phép bạn truy cập model qua REST API, giúp dễ dàng tích hợp model vào ứng dụng hoặc workflow. Model chạy trên hệ thống đa tenant tại một số khu vực chính, trong đó các yêu cầu được tự động định tuyến đến dịch vụ khả dụng gần nhất. Đây là lựa chọn phù hợp cho phát triển, kiểm thử và nhu cầu sử dụng nhẹ hơn trước khi chuyển sang production.
• Endpoint chuyên dụng: Đối với môi trường production, bạn có thể triển khai model dưới dạng endpoint chuyên dụng với tài nguyên tính toán riêng. Các endpoint này chạy dưới dạng dịch vụ đơn tenant tại 43 khu vực trên toàn cầu, giúp giảm độ trễ bằng cách triển khai gần người dùng cuối hơn. Endpoint cũng hỗ trợ autoscaling và scale-to-zero, cho phép tự động điều chỉnh tài nguyên dựa trên lưu lượng truy cập.
• Xuất model: Bạn có thể xuất model và chạy model bên ngoài nền tảng trên hệ thống cục bộ hoặc thiết bị edge. Nền tảng hỗ trợ 17 định dạng, bao gồm ONNX, TensorRT, OpenVINO, CoreML và TensorFlow Lite. Các tùy chọn xuất cũng hỗ trợ những phương pháp tối ưu hóa như lượng tử hóa FP16 và INT8 để giảm kích thước model và tăng tốc độ inference trên nhiều môi trường phần cứng.

Theo dõi các model đã triển khai bằng Ultralytics Platform#

Vòng đời của một giải pháp xử lý ảnh hoặc thị giác máy tính không kết thúc khi triển khai model. Điều này cũng đúng với các hệ thống kiểm tra bằng thị giác. Sau khi model chạy trong production, cần theo dõi model liên tục để đảm bảo model hoạt động đáng tin cậy khi điều kiện thay đổi.

Ultralytics Platform cung cấp dashboard giám sát tích hợp sẵn, giúp bạn nắm rõ hiệu năng của các model đã triển khai. Từ một giao diện duy nhất, bạn có thể theo dõi hoạt động yêu cầu, xem log và kiểm tra trạng thái tình trạng của từng deployment. Bạn có thể hiểu cách các model được sử dụng và cách các model hoạt động theo thời gian.

Dashboard bao gồm các chỉ số chính như tổng số yêu cầu, tỷ lệ lỗi và độ trễ, giúp bạn đánh giá hiệu năng và khả năng phản hồi. Các chỉ số này được cập nhật thường xuyên, cung cấp thông tin chi tiết về cả mô hình sử dụng lẫn độ tin cậy của hệ thống.

Bản đồ thế giới tích hợp sẵn hiển thị phân bố yêu cầu và deployment trên các khu vực. Với khả năng hỗ trợ deployment tại nhiều địa điểm trên toàn cầu, chế độ xem này giúp theo dõi mức sử dụng theo vị trí địa lý và hiểu rõ hiệu năng của model trong các môi trường khác nhau.

Hình 5. Theo dõi các model đã triển khai trên Ultralytics Platform (Nguồn)

Để phân tích chuyên sâu hơn, mỗi deployment có log chi tiết kèm dấu thời gian, thông tin yêu cầu và thông báo lỗi. Bạn có thể lọc log theo mức độ nghiêm trọng, giúp dễ dàng debug vấn đề và nhanh chóng xác định lỗi. Ngoài ra, các bước kiểm tra tình trạng cung cấp chỉ báo trạng thái theo thời gian thực, cho biết deployment đang chạy như dự kiến hay cần được chú ý.

Giám sát cũng đóng vai trò quan trọng trong tối ưu hóa. Khi dữ liệu đầu vào, lưu lượng truy cập hoặc mô hình sử dụng thay đổi, hiệu năng có thể biến động. Bằng cách theo dõi các chỉ số và log, bạn có thể xác định những vấn đề như độ trễ cao, tỷ lệ lỗi tăng hoặc giới hạn khả năng mở rộng, từ đó hành động để duy trì hiệu năng ổn định.

Lợi ích khi sử dụng Ultralytics Platform để xây dựng giải pháp thị giác#

Dưới đây là một số ưu điểm chính khi sử dụng Ultralytics Platform để xây dựng và mở rộng quy mô các hệ thống kiểm tra bằng thị giác:

• Tối ưu cho ứng dụng thực tế: Các tính năng như endpoint autoscaling, triển khai edge và xuất model đảm bảo hệ thống có thể vận hành đáng tin cậy trong môi trường production.
• Rút ngắn chu kỳ phát triển: Các công cụ tích hợp sẵn và cấu hình mặc định giúp chuyển từ dữ liệu thô sang hệ thống hoạt động hiệu quả hơn.
• Dễ sử dụng: Giao diện trực quan, workflow tinh gọn và yêu cầu thiết lập tối thiểu giúp cả người mới bắt đầu lẫn người dùng giàu kinh nghiệm đều có thể sử dụng nền tảng.
• Giảm công việc thủ công: Các tính năng như gán nhãn có AI hỗ trợ và xử lý dữ liệu tự động giúp giảm thời gian dành cho các tác vụ lặp đi lặp lại.
• Mở rộng theo thời gian: Khi yêu cầu thay đổi, bạn có thể cập nhật hệ thống bằng cách bổ sung dữ liệu mới và huấn luyện lại model, cho phép hệ thống thích ứng với các loại lỗi, điều kiện và cấu hình nhiều camera mới.

Điểm chính cần ghi nhớ#

Việc xây dựng hệ thống kiểm tra bằng thị giác dựa trên camera không nhất thiết phải phức tạp hay đòi hỏi chuyên môn AI chuyên sâu. Với Ultralytics Platform, bạn có thể chuyển từ dữ liệu thô sang một hệ thống hoạt động hiệu quả và theo dõi hiệu năng của hệ thống, tất cả tại một nơi. Nền tảng này tinh gọn quy trình xây dựng, cải tiến và vận hành các hệ thống kiểm tra trong môi trường thực tế.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub để tìm hiểu thêm về AI thị giác. Xem các tùy chọn cấp phép để bắt đầu các dự án thị giác máy tính của bạn. Quan tâm đến những đổi mới như AI trong sản xuất hoặc thị giác máy tính trong ngành ô tô? Truy cập các trang giải pháp của chúng tôi để tìm hiểu thêm.