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

Mọi sản phẩm chúng ta sử dụng, dù là điện thoại, hàng hóa đóng gói hay linh kiện ô tô, đều trải qua một hình thức kiểm tra chất lượng trước khi đến tay chúng ta, những người tiêu dùng cuối cùng. Theo truyền thống, việc này được thực hiện bằng các bước kiểm tra thủ công hoặc những hệ thống đơn giản dựa trên luật. Mặc dù các phương pháp này hiệu quả, chúng thường chậm, thiếu nhất quán và khó mở rộng khi sản xuất tăng lên.

Để cải thiện quy trình kiểm tra chất lượng, nhiều ngành đang chuyển sang computer vision, một nhánh của trí tuệ nhân tạo giúp máy móc hiểu hình ảnh và video. Ví dụ, các model vision AI 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 được dùng để phân tích hình ảnh được chụp trực tiếp từ các dây chuyền lắp ráp tốc độ cao. Khi sản phẩm đi qua các công đoạn khác nhau, camera công nghiệp theo dõi chúng và hệ thống kiểm tra các vấn đề như vết xước, thiếu linh kiện hoặc lệch vị trí. Điều này giúp phát hiện lỗi nhanh hơn 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 cao, khiến quy trình trở nên phức tạp và tốn thời gian. Ultralytics Platform, giải pháp end-to-end mới của chúng tôi dành cho computer vision, đơn giản hóa quy trình bằng cách đưa khâu chuẩn bị dữ liệu, annotation, training model và deployment 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 dựa trên camera mang tính thực tiễn mà không cần chuyên môn sâu về AI. Hãy bắt đầu!

Vai trò của computer vision trong kiểm soát chất lượng#

Trước khi đi sâu vào cách Ultralytics Platform giúp xây dựng các hệ thống kiểm tra dễ dàng hơn, hãy cùng lùi lại một bước để tìm hiểu vai trò của computer vision trong kiểm tra chất lượng.

Kiểm tra là một phần quan trọng của 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 dài hoặc khi sản xuất khối lượng lớn.

Để giúp việc kiểm tra đáng tin cậy hơn, nhiều ngành sử dụng computer vision, còn được gọi là machine vision, để phân tích hình ảnh từ dây chuyền sản xuất và xác định lỗi. Các hệ thống này sử dụng deep learning, trong đó các model và thuật toán học các mẫu từ những tập hợp lớn hình ảnh chất lượng cao đã được gán nhãn.

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

Các tác vụ computer vision phổ biến được sử dụng trong kiểm tra chất lượng#

Các ứng dụng machine vision được hỗ trợ bởi những model computer vision như Ultralytics YOLO models, có thể đáp ứng nhiều loại tác vụ vision khác nhau. Dưới đây là tổng quan về cách các tác vụ vision AI này được sử dụng trong quy trình kiểm tra tự động:

• Phân loại hình ảnh: Tác vụ này dùng để gán một nhãn duy nhất cho toàn bộ hình ảnh, chẳng hạn như “tốt” 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 chúng bằng bounding box. Nhờ đó, có thể phát hiện và định vị các vấn đề như vết nứt, vết xước hoặc linh kiện bị thiếu.
• Phân đoạn instance: 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. Điều này hỗ trợ phân tích chính xác hình dạng, kích thước và ranh giới của lỗi.
• Theo dõi đối tượng: Khi theo dõi sản phẩm qua nhiều frame, tác vụ này bám theo các sản phẩm khi chúng di chuyển trên dây chuyền sản xuất. Điều này duy trì tính nhất quán và đảm bảo lỗi không bị bỏ sót.
• Phát hiện hộp giới hạn định hướng (OBB): Tác vụ này phát hiện đối tượng bằng các bounding box xoay thay vì bounding box thẳng theo trục. Tác vụ đặc biệt hữu ích khi lỗi hoặc linh kiện xuất hiện ở các góc khác nhau, cho phép định vị chính xác hơn.

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

Computer vision 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 phát hiện và theo dõi sản phẩm bằng các hệ thống machine vision (Nguồn)

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

• Sản xuất: Phát hiện lỗi bề mặt được sử dụng để xác định 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 inline. 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 computer vision phân tích linh kiện động cơ và các tấm thân xe để xác minh độ căn chỉnh và phát hiện hư hỏng. Chúng đặc biệt hiệu quả trong việc kiểm tra các hình dạng phức tạp và khu vực khó tiếp cận, thường hoạt động cùng các hệ thống 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 các linh kiện như bo mạch in (PCBs), bao gồm lỗi hàn, vết nứt siêu nhỏ và mạch bị hỏng. Nhờ phân tích hình ảnh độ phân giải cao, ngay cả những lỗi rất nhỏ thường bị bỏ sót khi kiểm tra thủ công cũng có thể được phát hiện.
• Đóng gói và logistics: Các hệ thống thị giác thực hiện quét barcode, đọc nhãn sản phẩm và kiểm tra chất lượng bao bì. Chúng đảm bảo sản phẩm được đóng gói, niêm phong đúng cách và sẵn sàng vận chuyển, qua đó giảm sai sót.
• Thực phẩm và đồ uống: Các hệ thống kiểm tra sử dụng camera vision hoặc cảm biến vision để phân tích hình thức sản phẩm, xác định các vấn đề như niêm phong không đúng, nguy cơ nhiễm bẩn, dán nhãn sai hoặc không nhất quán về hình ảnh, giúp duy trì chất lượng và an toàn.
• Dược phẩm: Computer vision được sử dụng để kiểm tra viên nén, lọ thuốc và bao bì nhằm phát hiện các lỗi như vết nứt, nhiễm bẩn, dán nhãn sai hoặc mức chiết rót không nhất quán, đảm bảo tuân thủ các tiêu chuẩn quy định nghiêm ngặt và duy trì an toàn sản phẩm.

Tinh gọn 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 hình để kiểm tra. Những hình ảnh này được sử dụng để kiểm tra các lỗi như vết xước, thiếu linh kiện 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 cùng một lượng chuyên môn kỹ thuật đáng kể.

Trên thực tế, tại Ultralytics, chúng tôi thường xuyên nhận được phản hồi từ cộng đồng vision AI về mức độ phân mảnh và tốn thời gian của quy trình này, với các điểm nghẽn phổ biến gồm công cụ bị phân tán, thiết lập môi trường phức tạp, quy trình gán nhãn dữ liệu kém hiệu quả, chậm trễ trong training model và những thách thức khi deployment. Phản hồi này đóng vai trò quan trọng trong việc định hình Ultralytics Platform.

Hình 2. Khái quát về Ultralytics Platform (Nguồn)

Với Ultralytics Platform, toàn bộ quy trình phát triển và deployment có thể được xử lý tại một nơi. Dữ liệu thô có thể được upload và annotation để tạo các training dataset, sau đó được dùng để training model phát hiện lỗi. Sau khi được training, các model này có thể được deployment để phân tích hình ảnh mới từ dây chuyền sản xuất, với các công cụ tích hợp sẵn để theo dõi hiệu năng theo thời gian.

Ngoài việc đưa toàn bộ workflow về cùng 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 production.

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

Sau khi đã thấy cách Ultralytics Platform kết nối toàn bộ workflow, hãy cùng tìm hiểu cách sử dụng nền tảng này ở từng giai đoạn của vision AI pipeline, bắt đầu với việc upload dữ liệu và gán nhãn lỗi.

Quản lý inspection dataset trên Ultralytics Platform#

Bước đầu tiên là đưa dữ liệu vào platform. Bạn có thể upload hình ảnh, video hoặc các archive dataset như tệp ZIP, TAR hoặc GZ. Các format dataset phổ biến như YOLO và COCO được hỗ trợ, vì vậy dataset hiện có có thể được import mà không cần thêm bước nào.

Bạn cũng có thể bắt đầu nhanh hơn bằng cách sử dụng các dataset do cộng đồng chia sẻ. Những dataset này có thể được khám phá và clone vào workspace của bạn, cho phép bạn xây dựng trên dữ liệu hiện có thay vì bắt đầu từ đầu. Sau khi được clone, chúng có thể được cập nhật và mở rộng cho use case cụ thể của bạn.

Nếu đang thực hiện nhiều experiment khác nhau, bạn có thể tái sử dụng dataset bằng cách import chúng dưới dạng tệp NDJSON, giúp dễ dàng tái tạo hoặc chia sẻ mà không cần chuyển đổi bổ sung.

Sau khi dữ liệu được upload, platform sẽ tự động chuẩn bị dữ liệu. Platform kiểm tra format tệp, xử lý annotation, thay đổi kích thước hình ảnh nếu cần và tạo các thống kê cơ bản về dataset. Video được tách thành các frame để sử dụng cho training, còn hình ảnh được tối ưu hóa nhằm giúp duyệt và phân tích dễ dàng hơn.

Annotation dữ liệu với Ultralytics Platform#

Khi dữ liệu đã sẵn sàng, bước tiếp theo là annotation dữ liệu. Đây là bước gán nhãn lỗi để model học cách phát hiện chúng. Ultralytics Platform tích hợp annotation editor hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn instance, phân loại hình ảnh, ước lượng pose và phát hiện oriented bounding box.

Bạn có thể gán nhãn dữ liệu thủ công bằng các công cụ như bounding box, polygon hoặc keypoint, tùy theo use case. Để tăng tốc quy trình, platform cũng cung cấp tính năng gán nhãn có hỗ trợ AI.

Ví dụ, smart annotation dựa trên SAM cho phép bạn gán nhãn đối tượng bằng các thao tác click đơn giản. Bằng cách chọn các vùng cần đưa vào hoặc loại trừ, hệ thống sẽ tạo mask theo thời gian thực, sau đó bạn có thể điều chỉnh nếu cần.

Hình 3. Smart annotation dựa trên SAM trong Ultralytics Platform (Nguồn)

Ngoài ra, smart annotation 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 mọi thứ thủ công.

Annotation editor cũng bao gồm các tính năng như quản lý class, chỉnh sửa annotation, phím tắt và tùy chọn undo hoặc redo. Những tính năng này giúp duy trì tính nhất quán và xem xét annotation dễ dàng hơn khi dataset ngày càng phát triển.

Trong quá trình gán nhãn dữ liệu, platform cung cấp các thông tin như phân bố class và số lượng annotation. Điều này giúp xác định khoảng thiếu, khắc phục sự không nhất quán và cải thiện chất lượng dataset trước khi chuyển sang training.

Training YOLO26 để phát hiện lỗi trên Ultralytics Platform#

Bước tiếp theo là training model để tự động phát hiện lỗi bằng dữ liệu đã gán nhãn. Ultralytics Platform hỗ trợ training với các Ultralytics YOLO models, bao gồm YOLO26, có thể được sử dụng cho các tác vụ như phát hiện đối tượng, phân đoạn instance và phân loại hình ảnh.

Training được quản lý thông qua một dashboard thống nhất, nơi bạn có thể cấu hình, chạy và theo dõi các training job tại một nơi. Để bắt đầu, bạn có thể chọn một dataset, bao gồm dataset đã upload, được annotation trên platform, lấy từ các public dataset có trên platform hoặc clone từ cộng đồng.

Sau khi được chọn, dataset sẽ tự động liên kết với training run, giúp theo dõi các experiment và duy trì tính nhất quán dễ dàng hơn.

Tiếp theo, bạn có thể cấu hình các training parameter như số epoch, batch size, kích thước hình ảnh và learning rate. Những cài đặt này kiểm soát cách model học và tác động trực tiếp đến cả thời gian training lẫn hiệu năng.

Chạy và theo dõi training#

Sau đó, bạn có thể chọn cách chạy training. Platform hỗ trợ cloud training trên các GPU được quản lý, training cục bộ bằng phần cứng của riêng bạn và workflow dựa trên trình duyệt thông qua các môi trường như Google Colab.

Khi sử dụng cloud training, bạn có thể chọn nhiều tùy chọn GPU như RTX 2000 Ada và RTX A4500 cho các experiment nhỏ, RTX 4090 hoặc RTX A6000 cho workload đòi hỏi cao hơn, cùng các tùy chọn hiệu năng cao như A100 hoặc H100 cho training quy mô lớn.

Khi training bắt đầu, bạn có thể theo dõi tiến trình trực tiếp trong platform. Dashboard cung cấp khả năng quan sát theo thời gian thực đối với các chỉ số chính như đường cong loss và các metric hiệu năng, cùng với mức sử dụng hệ thống và training log. Điều này giúp bạn dễ dàng hiểu cách model đang học và sớm xác định các vấn đề tiềm ẩn.

Hình 4. Bạn có thể dễ dàng theo dõi tiến trình training bằng Ultralytics Platform (Nguồn)

Khi chạy nhiều experiment, platform theo dõi cấu hình, dataset và kết quả tại một nơi. Nhờ đó, bạn có thể dễ dàng so sánh các training run khác nhau, đánh giá hiệu năng bằng các metric như precision, recall và mAP, đồng thời chọn model có hiệu năng tốt nhất để deployment.

Deployment vision model thông qua Ultralytics Platform#

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

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

Sau khi model được xác thực, model có thể được deployment bằng nhiều tùy chọn khác nhau tùy theo use case. Dưới đây là cái nhìn chi tiết hơn về các tùy chọn deployment model được Ultralytics Platform hỗ trợ:

• Shared inference: Tùy chọn này cho phép bạn truy cập model thông qua REST API, giúp dễ dàng tích hợp vào các ứng dụng hoặc workflow. Model chạy trên hệ thống multi-tenant ở một số khu vực cốt lõi, trong đó request được tự động định tuyến đến service khả dụng gần nhất. Đây là lựa chọn phù hợp cho development, testing và nhu cầu sử dụng nhẹ trước khi chuyển sang production.
• Dedicated endpoints: Đối với mục đích production, model có thể được deployment dưới dạng dedicated endpoint với tài nguyên compute riêng. Các endpoint này chạy dưới dạng service single-tenant tại 43 khu vực trên toàn cầu, giúp giảm latency bằng cách deployment gần người dùng cuối hơn. Chúng cũng hỗ trợ autoscaling và scale-to-zero, cho phép tài nguyên tự động điều chỉnh dựa trên traffic.
• Model export: Model có thể được export và chạy bên ngoài platform trên hệ thống cục bộ hoặc edge device. Platform hỗ trợ 17 format, bao gồm ONNX, TensorRT, OpenVINO, CoreML và TensorFlow Lite. Các tùy chọn export cũng hỗ trợ những phương pháp tối ưu hóa như lượng tử hóa FP16 và INT8 để giảm kích thước model và cải thiện tốc độ inference trên nhiều môi trường phần cứng.

Theo dõi các model đã deployment bằng Ultralytics Platform#

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

Ultralytics Platform cung cấp dashboard monitoring tích hợp sẵn, cho bạn cái nhìn rõ ràng về hiệu năng của các model đã deployment. Từ một giao diện duy nhất, bạn có thể theo dõi hoạt động request, xem log và kiểm tra trạng thái health của từng deployment. Bạn có thể hiểu cách các model được sử dụng và cách chúng hoạt động theo thời gian.

Dashboard bao gồm các metric chính như tổng số request, tỷ lệ lỗi và latency, giúp bạn đánh giá hiệu năng và khả năng phản hồi. Các metric này được cập nhật thường xuyên và cung cấp thông tin về cả pattern sử dụng lẫn độ tin cậy của hệ thống.

Bản đồ thế giới tích hợp sẵn hiển thị nơi request và deployment được phân bổ 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 địa lý và hiểu cách model hoạt động trong các môi trường khác nhau.

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

Để phân tích sâu hơn, mỗi deployment bao gồm log chi tiết với timestamp, thông tin request và thông báo lỗi. Log có thể được lọc theo mức độ nghiêm trọng, giúp debug vấn đề và nhanh chóng xác định lỗi. Ngoài ra, health check cung cấp các chỉ báo trạng thái theo thời gian thực, cho biết deployment đang hoạt động như mong đợi hay cần được xử lý.

Monitoring cũng đóng vai trò quan trọng trong việc tối ưu hóa. Khi dữ liệu input, traffic hoặc pattern sử dụng thay đổi, hiệu năng có thể biến động. Bằng cách theo dõi metric và log, bạn có thể xác định các vấn đề như latency cao, tỷ lệ lỗi tăng hoặc giới hạn scaling, từ đó thực hiện hành động để duy trì hiệu năng nhất quán.

Lợi ích của việc sử dụng Ultralytics Platform để xây dựng giải pháp vision#

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

• Tối ưu cho sử dụng thực tế: Các tính năng như autoscaling endpoint, edge deployment và model export đảm bảo hệ thống có thể hoạt động đáng tin cậy trong môi trường production.
• Chu kỳ development nhanh hơn: Các công cụ tích hợp sẵn và cấu hình mặc định giúp chuyển từ dữ liệu thô sang một 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 platform phù hợp với cả người mới bắt đầu lẫn người dùng giàu kinh nghiệm.
• Giảm công việc thủ công: Các tính năng như annotation có hỗ trợ AI và xử lý dữ liệu tự động giúp giảm thời gian dành cho những tác vụ lặp đi lặp lại.
• Có thể mở rộng theo thời gian: Khi yêu cầu thay đổi, hệ thống có thể được cập nhật bằng cách bổ sung dữ liệu và retrain model, cho phép thích ứng với các loại lỗi, điều kiện và thiết lập nhiều camera mới.

Những điểm chính#

Xây dựng một hệ thống kiểm tra bằng thị giác dựa trên camera không nhất thiết phải phức tạp hoặc yêu cầu chuyên môn sâu về AI. Với Ultralytics Platform, bạn có thể chuyển từ dữ liệu thô sang một hệ thống hoạt động và theo dõi hiệu năng của hệ thống ngay tại một nơi. Điều này tinh gọn cách các hệ thống kiểm tra được xây dựng, cải thiện và vận hành trong môi trường thực tế.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub của chúng tôi để tìm hiểu thêm về vision AI. Xem các tùy chọn cấp phép của chúng tôi để bắt đầu các dự án computer vision. Bạn quan tâm đến những đổi mới như AI trong sản xuất hoặc computer vision trong ngành ô tô? Hãy truy cập các trang giải pháp của chúng tôi để khám phá thêm.