Cách vision AI tăng cường phát hiện lỗi trên các dây chuyền sản xuất

Một lỗi nhỏ hoặc bất thường thoạt nhìn có vẻ không đáng kể, nhưng theo thời gian, nó có thể trở nên nghiêm trọng hơn dưới áp lực, dẫn đến việc sửa chữa tốn kém, thu hồi sản phẩm và mất lòng tin của người tiêu dùng. Dựa hoàn toàn vào kiểm tra thủ công sẽ làm tăng rủi ro này, và điều đó đúng với nhiều ngành công nghiệp khác nhau.

Các vết nứt nhỏ, vết lõm, sai lệch nhẹ và khuyết tật bề mặt trên sản phẩm có thể khó phát hiện, đặc biệt là trong các môi trường sản xuất tốc độ cao và khối lượng lớn. Mặc dù kiểm tra thủ công hoạt động tốt khi quy trình sản xuất còn chậm và ít phức tạp, nhưng các dây chuyền sản xuất ngày nay vận hành ở một quy mô hoàn toàn khác.

Các quy trình đang trở nên nhanh hơn, tự động hóa hơn và đòi hỏi khắt khe hơn bao giờ hết. Các phương pháp kiểm soát chất lượng truyền thống đơn giản là không thể theo kịp.

Để đối mặt với những thách thức này, các nhà sản xuất đang áp dụng các hệ thống computer vision. Computer vision là một nhánh của trí tuệ nhân tạo (AI) cho phép máy móc phân tích và diễn giải dữ liệu hình ảnh. Các hệ thống này có thể giám sát liên tục sản phẩm trên dây chuyền và tự động xác định các mô hình bất thường hoặc khuyết tật.

Ví dụ, các computer vision model, như Ultralytics YOLO26, hỗ trợ nhiều tác vụ thị giác thời gian thực như object detection, instance segmentation và phân loại hình ảnh. Đặc biệt đối với việc phát hiện lỗi, các model này có thể quét bề mặt sản phẩm khi chúng di chuyển dọc theo dây chuyền sản xuất, xác định các mô hình bất thường, phát hiện các vết nứt hoặc vết lõm nhỏ, và gắn cờ các lỗi trong thời gian thực.

Hình 1. Ví dụ về phát hiện khuyết tật bề mặt kim loại (Nguồn)

Trong bài viết này, chúng ta sẽ khám phá việc sử dụng computer vision để phát hiện lỗi và xem cách nó giúp các nhà sản xuất duy trì chất lượng sản phẩm trên các dây chuyền sản xuất thông minh. Hãy bắt đầu ngay thôi!

Link to this sectionNhu cầu về phát hiện lỗi trong tự động hóa sản xuất#

Dưới đây là cái nhìn về một số yếu tố chính khiến việc phát hiện bằng AI trở nên thiết yếu trong các môi trường smart manufacturing:

• Môi trường sản xuất khắc nghiệt: Các cơ sở sản xuất thường hoạt động trong các điều kiện như bụi, nhiệt độ cao, rung động và ánh sáng thay đổi. Việc phát hiện lỗi đáng tin cậy phải hoạt động ổn định bất chấp các yếu tố môi trường này.
• Sự phụ thuộc vào lực lượng lao động: Kiểm tra truyền thống dựa vào người vận hành. Khi quy mô sản xuất mở rộng, việc duy trì độ chính xác nhất quán qua các ca làm việc và nhiều giờ làm việc trở nên ngày càng khó khăn.
• Thách thức vận hành: Dây chuyền lắp ráp chạy ở tốc độ cao. Các hệ thống kiểm tra phải theo kịp tốc độ này và đánh giá mọi sản phẩm mà không làm gián đoạn quy trình làm việc.
• Chi phí của khuyết tật: Lỗi được phát hiện càng sớm, chi phí khắc phục càng thấp. Việc phát hiện ở giai đoạn muộn, đặc biệt là sau khi xuất hàng, có thể dẫn đến việc làm lại, lãng phí và thu hồi sản phẩm.
• Yêu cầu về tính nhất quán và truy xuất nguồn gốc: Nhiều công ty tập trung vào việc duy trì các tiêu chuẩn chất lượng. Các hệ thống tự động ghi lại dữ liệu kiểm tra, giúp dễ dàng theo dõi kết quả, đảm bảo tính minh bạch và duy trì trách nhiệm giải trình.

Link to this sectionPhát hiện lỗi bằng thị giác là gì?#

Phát hiện lỗi bằng thị giác dựa vào camera và các hệ thống computer vision để xác định các khuyết tật của sản phẩm trong quá trình sản xuất. Các hệ thống này quét hàng hóa khi chúng di chuyển dọc theo dây chuyền sản xuất và xác minh rằng chúng đáp ứng các tiêu chuẩn chất lượng.

Nhiều công ty đã sử dụng công nghệ này trong các cơ sở sản xuất của họ. Trên thực tế, thị trường phát hiện lỗi công nghiệp AI toàn cầu dự kiến sẽ đạt 6,07 tỷ USD vào năm 2035.

Một động lực chính đằng sau sự tăng trưởng này là khả năng của các computer vision model trong việc phát hiện ngay cả những lỗi hiếm gặp. Bằng cách huấn luyện trên các hình ảnh ví dụ đã được dán nhãn, các model như YOLO26 có thể học cách nhận diện một loạt các vấn đề.

Link to this sectionCác loại khuyết tật khác nhau#

Trong môi trường sản xuất thực tế, các lỗi có thể xuất hiện dưới nhiều hình thức. Dưới đây là một số vấn đề phổ biến có thể được xác định bằng cách sử dụng công nghệ computer vision và xử lý hình ảnh:

• Khuyết tật bề mặt: Bao gồm các vết trầy xước, vết lõm, vết nứt, biến màu và các lỗi bề mặt khác.
• Khuyết tật kích thước: Các khuyết tật này xảy ra khi một sản phẩm có kích thước sai, bị lệch hoặc gặp vấn đề về hình dạng.
• Khuyết tật lắp ráp: Khi các bộ phận bị thiếu, đặt sai vị trí hoặc lệch trên dây chuyền lắp ráp, nó sẽ dẫn đến các khuyết tật lắp ráp có thể ảnh hưởng đến hiệu suất và chất lượng tổng thể của sản phẩm.
• Khuyết tật sản xuất: Các lỗi này xảy ra trong quá trình sản xuất do sai sót về vật liệu, thiết bị hoặc kiểm soát quy trình. Ví dụ, trong sản xuất bảng mạch in (PCB) hoặc chất bán dẫn, các vấn đề như lớp bị lệch, mối hàn không hoàn chỉnh hoặc nhiễm bẩn có thể phát sinh từ các biến thể quy trình và dẫn đến các linh kiện bị lỗi.
• Khuyết tật in ấn hoặc dán nhãn: Các lỗi này xảy ra khi văn bản bị nhòe, in không đều, thiếu thông tin hoặc nhãn bị đặt sai vị trí trên sản phẩm hoặc bao bì.

Link to this sectionCách thức hoạt động của phát hiện lỗi bằng thị giác#

Tiếp theo, hãy cùng tìm hiểu kỹ hơn về cách thức hoạt động của một hệ thống phát hiện lỗi sử dụng các hệ thống camera và vision AI model.

Trong một thiết lập điển hình, các camera được đặt dọc theo dây chuyền lắp ráp để thu thập dữ liệu hình ảnh rõ nét khi sản phẩm di chuyển qua các giai đoạn sản xuất khác nhau. Những hình ảnh độ phân giải cao này được thu thập và tổ chức thành các tập dữ liệu cho một computer vision model.

Các hình ảnh đóng vai trò là dữ liệu huấn luyện. Một computer vision model có thể được huấn luyện trên các ví dụ về cả sản phẩm tốt và sản phẩm lỗi, nhờ đó nó có thể học cách phân biệt chúng một cách chính xác.

Ví dụ, trong kiểm tra nắp chai, các nắp có thể khác nhau về kích thước, màu sắc và hình dạng. Một hệ thống thị giác có thể được sử dụng để xác định các khuyết tật bề mặt, sai lệch hoặc lỗi cấu trúc khi chúng di chuyển dọc theo dây chuyền sản xuất. Khi một vấn đề được phát hiện, nó sẽ bị gắn cờ ngay lập tức.

Hình 2. Phát hiện nhiều khuyết tật khác nhau trên nắp chai có kích thước và màu sắc khác nhau (Nguồn)

Tùy thuộc vào thiết lập, các hệ thống kiểm tra sử dụng AI có thể vận hành trực tiếp trên các dây chuyền lắp ráp và hỗ trợ việc ra quyết định nhanh chóng. Trong môi trường sản xuất thực tế, một hệ thống tự động như vậy cải thiện tính nhất quán, tăng cường kiểm tra chất lượng và làm cho việc phát hiện lỗi ở quy mô lớn trở nên đáng tin cậy hơn.

Link to this sectionCác tác vụ computer vision chính được sử dụng để phát hiện lỗi#

Thông thường, các hệ thống phát hiện lỗi dựa trên vision AI dựa vào một bộ các computer vision tasks. Mỗi tác vụ này đóng một vai trò quan trọng trong quy trình kiểm tra chất lượng.

Các vision AI model hiện đại, như YOLO26, hỗ trợ các tác vụ này, khiến chúng trở nên đáng tin cậy cho môi trường sản xuất thực tế. Dưới đây là sơ lược về một số tác vụ này:

• Phân loại hình ảnh (Image classification): Phân loại là tác vụ computer vision đơn giản nhất. Nó phân tích một hình ảnh và phân loại nó vào các danh mục như “lỗi” hoặc “không lỗi”.
• Object detection: Nó cho phép các model xác định và định vị lỗi bên trong một hình ảnh. Nó có thể vẽ các khung giới hạn (bounding boxes) xung quanh các vấn đề như vết nứt, vết lõm, vết bẩn hoặc các bộ phận còn thiếu, giúp quá trình kiểm tra chính xác hơn và dễ diễn giải hơn.
• Theo dõi đối tượng (Object tracking): Tác vụ này được sử dụng để theo dõi một sản phẩm hoặc một lỗi được phát hiện qua các khung hình. Nó giúp duy trì tính liên tục trong quá trình kiểm tra và ngăn chặn việc lỗi bị đếm nhiều hơn một lần.
• Phân đoạn thực thể (Instance segmentation): Phân đoạn hình ảnh phác thảo chính xác hình dạng và khu vực của một lỗi ở cấp độ pixel. Mức độ chi tiết này rất hữu ích khi đo kích thước, độ lan rộng hoặc mức độ nghiêm trọng của một khuyết tật.
• Phát hiện khung giới hạn xoay (Oriented bounding box - OBB): Phát hiện OBB được sử dụng để vẽ các khung xoay căn chỉnh theo hướng của lỗi. Điều này cải thiện độ chính xác, đặc biệt là khi xử lý các vết nứt hẹp hoặc bị nghiêng.

Hình 3. Sử dụng các tác vụ computer vision khác nhau để phát hiện khuyết tật đúc (Nguồn)

Link to this sectionCác ứng dụng machine vision để cải tiến quy trình sản xuất#

Machine vision liên quan đến việc sử dụng camera, cảm biến và phần mềm xử lý hình ảnh để tự động kiểm tra, phân tích và hướng dẫn các quy trình sản xuất trong thời gian thực, và nó được sử dụng rộng rãi trong các ngành công nghiệp như ô tô, điện tử, dược phẩm, thực phẩm và đồ uống, và sản xuất hàng tiêu dùng.

Tiếp theo, hãy cùng xem qua một số ví dụ thực tế cho thấy cách machine vision có thể cải thiện chất lượng, hiệu quả và tính nhất quán trong suốt quy trình sản xuất.

Link to this sectionKiểm tra bằng thị giác trong sản xuất thép#

Khi nói đến sản xuất tấm thép kim loại, các khuyết tật thường rất tinh vi. Ví dụ, một tấm thép thoạt nhìn có vẻ nhẵn bóng nhưng lại ẩn chứa một vết xước nhỏ hoặc khuyết tật bề mặt gây ra trong quá trình cán hoặc xử lý nhiệt. Với hàng ngàn tấm thép di chuyển qua các dây chuyền sản xuất mỗi giờ, việc dựa vào kiểm tra thủ công trở nên ngày càng thách thức.

Để cải thiện độ chính xác, các nhà sản xuất đang triển khai các hệ thống computer vision trực tiếp trên các dây chuyền sản xuất. Các hệ thống này phân tích cấu trúc bề mặt, căn chỉnh và các mô hình cấu trúc trong thời gian thực. Nếu phát hiện bất kỳ sự bất thường nào, nó sẽ bị gắn cờ ngay lập tức để xử lý thêm.

Hình 4. Cái nhìn về các khuyết tật trên tấm thép (Nguồn)

Link to this sectionKiểm soát chất lượng bao bì thực phẩm thông minh hơn với computer vision#

Nhà sản xuất thực phẩm chú trọng rất kỹ đến những gì bên trong mỗi bao bì. Tuy nhiên, các lỗi bao bì như thiếu gói nhỏ, đếm sai hoặc niêm phong kém vẫn có thể xảy ra.

Những vấn đề này có vẻ nhỏ, nhưng chúng được coi là khuyết tật sản phẩm và thường dẫn đến khiếu nại của khách hàng. Để giảm thiểu rủi ro, các nhà sản xuất đang tận dụng các hệ thống computer vision để kiểm tra chất lượng ngay trên dây chuyền.

Các hệ thống này giám sát số lượng mặt hàng, bố cục và khả năng hiển thị khi sản phẩm di chuyển dọc theo dây chuyền sản xuất. Mỗi gói hàng được các computer vision model đánh giá cẩn thận và bất kỳ thứ gì không đúng vị trí đều bị gắn cờ ngay lập tức.

Bằng cách xem xét từng đơn vị trong thời gian thực, các hệ thống kiểm tra này giúp loại bỏ sản phẩm lỗi trước khi chúng rời khỏi cơ sở. Điều này cải thiện tính nhất quán, tăng cường kiểm soát chất lượng và hỗ trợ phát hiện lỗi ở quy mô lớn mà không làm gián đoạn hoạt động.

Link to this sectionTối ưu hóa việc phát hiện lỗi trong quy trình sản xuất gỗ#

Gỗ là vật liệu tự nhiên, và mỗi tấm gỗ đều có những đặc điểm riêng. Ví dụ, các mắt gỗ, vết nứt, vân không đều và các vết tách bề mặt là điều phổ biến.

Mặc dù một số chỉ là vấn đề thẩm mỹ, nhưng những lỗi khác làm giảm độ bền cấu trúc và giảm giá trị sản phẩm. Trên các dây chuyền sản xuất tốc độ cao, việc kiểm tra thủ công từng tấm gỗ có thể dẫn đến kiểm soát chất lượng không nhất quán.

Để cải thiện quy trình này, các cơ sở đang sử dụng các hệ thống computer vision để tự động phát hiện lỗi. Khi các tấm gỗ di chuyển qua dây chuyền sản xuất, các hình ảnh bề mặt chi tiết của tấm gỗ được thu thập. Sau đó, một vision model có thể phân tích các biến thể cấu trúc và mô hình vân gỗ trong thời gian thực, xác định các khuyết tật sản phẩm tiềm ẩn.

Hình 5. Các khuyết tật gỗ như mắt gỗ tốt, mắt gỗ xấu, vết nứt và lỗ mọt (Nguồn)

Link to this sectionCác điểm chính cần lưu ý#

Vision AI đang giúp các nhà sản xuất cải thiện việc kiểm tra chất lượng bằng cách giám sát thời gian thực trên toàn bộ dây chuyền sản xuất. Khi các mặt hàng di chuyển qua từng giai đoạn của quy trình sản xuất, các computer vision model sẽ phân tích hình ảnh và gắn cờ các sự bất thường ngay lập tức với độ chính xác cao.

Việc kiểm tra liên tục này đảm bảo các tiêu chuẩn nhất quán và hỗ trợ việc cung cấp các sản phẩm chất lượng cao. Bằng cách vận hành trong thời gian thực và tích hợp liền mạch với các quy trình sản xuất hiện có, các hệ thống machine vision làm cho việc kiểm soát chất lượng trở nên hiệu quả, chính xác và có khả năng mở rộng hơn.

Bạn muốn áp dụng vision AI vào quy trình vận hành của mình? Hãy tham gia cộng đồng đang phát triển của chúng tôi và khám phá kho lưu trữ GitHub để tìm hiểu thêm. Khám phá thêm về các ứng dụng như AI trong sản xuất và thị giác máy tính trong y tế. Để bắt đầu với thị giác máy tính, hãy xem qua các tùy chọn cấp phép của chúng tôi.