Kiểm tra chất lượng trong sản xuất: Phương pháp truyền thống và deep learning

Kiểm tra chất lượng là một công đoạn quan trọng trong quá trình sản xuất, giúp đảm bảo sản phẩm đáp ứng các tiêu chuẩn chất lượng bắt buộc. Tuy nhiên, việc đánh giá chất lượng bằng các phương pháp kiểm tra truyền thống có thể tốn kém khi độ phức tạp của sản phẩm tăng lên.

Các nhà sản xuất đang chuyển sang những kỹ thuật kiểm tra dựa trên deep learning như phát hiện đối tượng và phân đoạn ngữ nghĩa để giảm chi phí kiểm tra. Deep learning là một nhánh của trí tuệ nhân tạo (AI), sử dụng các thuật toán máy tính gọi là mạng nơ-ron để nhận diện các mẫu phức tạp trong dữ liệu. Những kỹ thuật này giúp tự động hóa quy trình kiểm tra và giảm phụ thuộc vào nhân viên kiểm định bằng cách phân tích các bộ dữ liệu lớn, bao gồm hình ảnh và video.

Nhờ tính linh hoạt và hiệu quả về chi phí, hoạt động đảm bảo chất lượng dựa trên AI giúp tăng đáng kể lợi nhuận doanh nghiệp. Các báo cáo cho thấy ngành sản xuất có thể thu về hơn 3 nghìn tỷ USD nhờ AI vào năm 2035.

Bài viết này sẽ thảo luận về cách các phương pháp deep learning có thể cải thiện kiểm tra chất lượng và cách Ultralytics YOLO11 có thể nâng cao hoạt động kiểm tra trong nhiều ngành.

Kiểm tra chất lượng trong sản xuất là gì?#

Kiểm tra chất lượng đánh giá xem sản phẩm có lỗi, bất thường hoặc điểm không nhất quán nào trước khi đến tay người tiêu dùng hay không.

Quy trình này có thể diễn ra trong quá trình sản xuất, khi sản phẩm di chuyển qua dây chuyền lắp ráp, hoặc sau khi sản xuất nhưng trước khi hàng hóa được chuyển sang dây chuyền phân phối.

Thông thường, quy trình này bao gồm việc các chuyên gia kiểm tra trực quan để xác định sản phẩm có sai lệch hoặc không đáp ứng các tiêu chuẩn thiết kế mong muốn hay không.

Tuy nhiên, khi yêu cầu về chất lượng ngày càng tăng, các nhà sản xuất đang chuyển sang những phương pháp deep learning tự động để đạt được tính linh hoạt và khả năng mở rộng cao hơn trong hoạt động.

Các phương pháp deep learning là gì?#

Các phương pháp deep learning sử dụng mạng nơ-ron nhân tạo hoạt động theo nguyên lý của não người. Mạng nơ-ron gồm các lớp neuron liên kết với nhau. Mỗi neuron thực hiện phép tính toán học để phân tích dữ liệu, nhận diện mẫu và tạo ra dự đoán.

Hình 1. Mạng nơ-ron nhân tạo.

Trong kiểm tra chất lượng, các model deep learning bao gồm những framework thị giác máy tính có khả năng tự động học và trích xuất đặc trưng từ hình ảnh sản phẩm.

Việc phát triển model thị giác máy tính đòi hỏi chuyên gia huấn luyện mạng nơ-ron trên các tập dữ liệu phù hợp và chạy quy trình xác thực trên một tập dữ liệu mới để kiểm tra hiệu năng.

Sau khi xác thực, chuyên gia có thể triển khai các model này trên camera và cảm biến bằng nhiều công cụ triển khai như TorchScript, ONNX và OpenVINO.

Các phương pháp deep learning trong kiểm tra chất lượng#

Kiểm tra chất lượng dựa trên thị giác sử dụng nhiều phương pháp để phát hiện và xác định vị trí hư hỏng, vết nứt và các bộ phận bị thiếu. Danh sách dưới đây đề cập đến bốn phương pháp deep learning hiện đại.

Phân loại nhị phân#

Phân loại nhị phân là tác vụ phân loại hình ảnh vào một trong hai lớp, chẳng hạn xác định một vật thể có lỗi hay không.

Dựa trên dữ liệu hình ảnh, model phân loại đưa ra quyết định nhị phân có/không. Các model này giúp phát hiện bộ phận bị thiếu. Ví dụ, model phân loại có thể xác định một bộ phận có bị thiếu trong sản phẩm hay không.

Hình 2. Phân loại nhị phân một bộ phận ô tô.

Phân loại đa lớp#

Phân loại đa lớp là tác vụ phân loại hình ảnh vào hơn hai lớp. Tác vụ này gán mỗi hình ảnh vào một trong nhiều danh mục được xác định trước.

Ví dụ, model phân loại đa lớp có thể phân tích hình ảnh sản phẩm và trả về xác suất của nhiều dạng hư hỏng hoặc vết nứt, cho biết dạng nào có khả năng xuất hiện cao nhất.

Hình 3. Phân loại đa lớp phát hiện lỗi cong và lỗi màu sắc.

Điều này hữu ích trong sản xuất, nơi các dạng lỗi như vết xước, vết lõm hoặc vết nứt có thể cần quy trình xử lý khác nhau.

Định vị#

Định vị là việc xác định vị trí cụ thể của một đối tượng hoặc đặc trưng trong hình ảnh. Phương pháp này sử dụng model phát hiện đối tượng để dự đoán bounding box hoặc tọa độ đánh dấu vùng hư hỏng cụ thể.

Cách tiếp cận này hữu ích cho các tác vụ như phát hiện vết nứt trong tòa nhà hoặc linh kiện công nghiệp, nơi cần xác định chính xác vị trí lỗi để sửa chữa có trọng tâm.

Hình 4. Model định vị lỗ đột.

Ví dụ, trong bảo trì cơ sở hạ tầng, model định vị có thể phân tích hình ảnh kết cấu bê tông và đánh dấu chính xác khu vực có vết nứt.

Định vị đa lớp#

Định vị đa lớp nhận diện và xác định vị trí nhiều lỗi trong một hình ảnh, đồng thời phân loại từng lỗi vào một trong số các danh mục được xác định trước.

Phương pháp này sử dụng các model phát hiện đối tượng tiên tiến hơn để xác định loại và vị trí lỗi, từ đó cung cấp thông tin chi tiết hơn.

Hình 5. Model định vị nhiều loại lỗi.

Ví dụ, model định vị đa lớp có thể phân tích hình ảnh một vật phẩm bị hư hỏng và cho biết loại lỗi, chẳng hạn như vết xước hoặc vết nứt, cùng tọa độ chính xác của lỗi trên vật thể.

Phương pháp truyền thống và deep learning#

Các phương pháp kiểm tra truyền thống cứng nhắc hơn, tuân theo các quy tắc và tiêu chuẩn do người dùng xác định, chẳng hạn như ngưỡng, danh sách kiểm tra được định sẵn và tiêu chí đạt/không đạt.

Ví dụ, trong các kỹ thuật thị giác dựa trên quy tắc, chuyên gia xác định màu sắc, hình dạng và kích thước lý tưởng của một sản phẩm cụ thể. Hệ thống sẽ thông báo cho chuyên gia nếu camera hoặc thiết bị thu nhận hình ảnh khác phát hiện sai lệch so với các tiêu chuẩn này.

Các phương pháp deep learning linh hoạt hơn khi xây dựng hệ thống phát hiện phức tạp. Những phương pháp này bao gồm thu thập và gán nhãn các bộ dữ liệu lớn gồm hình ảnh của vật thể bị lỗi. Chuyên gia sử dụng dữ liệu đã gán nhãn để huấn luyện các model phát hiện đối tượng như Ultralytics YOLO11. Sau khi huấn luyện, có thể triển khai model trên camera hoặc cảm biến để chụp ảnh và phát hiện lỗi theo thời gian thực.

Trong phần tiếp theo, chúng ta sẽ xem xét cách sử dụng Ultralytics YOLO11 để kiểm tra chất lượng.

Sử dụng thị giác máy tính để kiểm tra chất lượng#

Bạn-Chỉ-Cần-Nhìn-Một-Lần (YOLO) là model phát hiện đối tượng theo thời gian thực tiên tiến nhất (SOTA), nổi tiếng nhờ độ chính xác, khả năng thích ứng và tốc độ cao. Phiên bản mới nhất tại thời điểm viết bài là Ultralytics YOLO11 (sau đó được Ultralytics YOLO26 kế nhiệm), cải thiện các phiên bản trước về trích xuất đặc trưng, tốc độ, độ chính xác và khả năng thích ứng.

Model có kiến trúc tốt hơn để trích xuất đặc trưng chính xác hơn và bao gồm các pipeline huấn luyện được tối ưu hóa nhằm tăng tốc độ xử lý. Model cũng hiệu quả hơn về mặt tính toán: YOLO11m sử dụng ít hơn 22% tham số so với YOLOv8m nhưng đạt độ chính xác cao hơn.

Nhờ tính linh hoạt, Ultralytics YOLO11 có thể giúp cải thiện quy trình kiểm tra chất lượng trong nhiều lĩnh vực. Model có thể hỗ trợ phát hiện bất thường, hư hỏng, vết nứt, bộ phận bị thiếu và lỗi đóng gói thông qua các tác vụ như phát hiện đối tượng và phân đoạn.

Hãy cùng xem một số cách ứng dụng model thị giác máy tính trong ngành sản xuất.

Phát hiện linh kiện bị thiếu và lắp sai vị trí trong ngành điện tử#

Model thị giác máy tính có thể kiểm tra xem sản phẩm có đủ các bộ phận cần thiết hay không. Model có thể phát hiện linh kiện bị thiếu trong sản phẩm đã lắp ráp để đảm bảo sản phẩm hoàn chỉnh.

Trong sản xuất điện tử, việc xác định linh kiện bị thiếu, bộ phận lệch vị trí hoặc lỗi hàn là rất quan trọng để đảm bảo thành phẩm đáng tin cậy và có đủ chức năng cần thiết.

Các model phát hiện đối tượng như YOLO11 có thể được huấn luyện để phát hiện linh kiện bị thiếu hoặc đặt sai vị trí trên bảng mạch. Model có thể phân tích hình ảnh bảng mạch theo thời gian thực và nhận diện các lỗi như thiếu điện trở hoặc tụ điện. Các bộ dữ liệu công khai như Phát hiện linh kiện PCB là điểm khởi đầu phù hợp để huấn luyện model như vậy. Điều này đảm bảo từng sản phẩm được lắp ráp chính xác trước khi giao hàng.

Phát hiện vết nứt trên các bộ phận ô tô#

Phát hiện vết nứt là một tác vụ khác, phân tích hình ảnh hoặc dữ liệu cảm biến để xác định vị trí, kích thước và mức độ nghiêm trọng của vết nứt.

Ngành ô tô là một ví dụ về lĩnh vực cần phát hiện vết nứt trên nhiều bộ phận như bánh răng và hệ thống phanh để đảm bảo chúng đáp ứng các tiêu chuẩn an toàn.

Các model như Ultralytics YOLO11 có thể được huấn luyện để nhanh chóng phát hiện lỗi như vết xước bề mặt hoặc vết nứt trên những bộ phận ô tô phức tạp.

Phát hiện hư hỏng trong ngành dệt may#

Thị giác máy tính có thể giúp phát hiện nhiều dạng hư hỏng trên bề mặt sản phẩm, như vết xước, vết lõm và biến dạng, bằng các tác vụ thị giác máy tính.

Ngành dệt may có thể hưởng lợi đáng kể từ hoạt động phát hiện hư hỏng dựa trên AI bằng cách sử dụng các model phát hiện đối tượng và phân đoạn như Ultralytics YOLO11. Model có thể nhận diện các lỗi như vết rách, lỗ thủng, vết bẩn hoặc điểm không đồng nhất trên vải trong quá trình sản xuất.

Phát hiện bất thường trong sản xuất dược phẩm#

Phát hiện bất thường là tác vụ phân tích thiết kế, cấu trúc, hình thức và kích thước của sản phẩm để đánh giá xem các thuộc tính này có sai lệch so với tiêu chuẩn mong muốn hay không.

Trong sản xuất dược phẩm, phát hiện bất thường đóng vai trò thiết yếu trong việc đảm bảo chất lượng và độ an toàn của dược phẩm. Nhà sản xuất có thể sử dụng Ultralytics YOLO11 để phát hiện các điểm bất thường như viên thuốc không đồng nhất về hình dạng, kích thước, màu sắc hoặc có lẫn dị vật.

Độ chính xác trong đóng gói và ghi nhãn#

Một ví dụ khác về ứng dụng model thị giác máy tính trong sản xuất là khâu đóng gói và ghi nhãn trong các ngành công nghiệp. Chẳng hạn, ngành thực phẩm và đồ uống phải đáp ứng các tiêu chuẩn nghiêm ngặt về an toàn người tiêu dùng và tuân thủ quy định.

Các model như Ultralytics YOLO11 có thể giúp phát hiện lỗi đóng gói như nhãn không chính xác, bao bì hư hỏng hoặc thiếu niêm phong an toàn. Model cũng có thể xác minh nhãn được đặt đúng vị trí, với mã vạch hoặc hạn sử dụng rõ ràng.

Điều này đảm bảo sản phẩm tuân thủ quy định của ngành và sẵn sàng được phân phối đến người tiêu dùng.

Thách thức và định hướng tương lai của kiểm tra chất lượng dựa trên AI#

Các framework kiểm tra chất lượng dựa trên AI vẫn đang phát triển và phải đối mặt với nhiều thách thức. Dưới đây là một số hạn chế và hướng nghiên cứu trong tương lai cần cân nhắc đối với các công nghệ này.

• Học trong môi trường mở và thị giác chủ động: Việc xây dựng model phát hiện đối tượng để nhận diện các đối tượng mới gặp khó khăn do dữ liệu được gán nhãn còn hạn chế. Các model huấn luyện không giám sát và học chuyển giao có thể giúp chuyên gia nhanh chóng điều chỉnh framework phát hiện cho các tập dữ liệu mới.
• Phát hiện ở cấp độ pixel: Phân đoạn hình ảnh giúp model phân biệt đối tượng chính với nền trong hình ảnh. Việc tích hợp phát hiện đối tượng và phân đoạn là một hướng nghiên cứu đang liên tục được phát triển nhằm đảm bảo chất lượng kiểm tra cao.
• Học đa phương thức: Các model đa phương thức có thể tích hợp và phân tích đồng thời nhiều loại dữ liệu. Trong phát hiện vật thể, học đa phương thức có thể giúp cải thiện độ chính xác khi kiểm tra bằng cách học từ nhiều loại dữ liệu khác nhau, chẳng hạn như dữ liệu nhiệt, ảnh hai chiều và các đoạn video ngắn.

Điểm chính cần ghi nhớ#

Kiểm tra chất lượng dựa trên deep learning đang phát triển nhanh chóng nhờ sự ra đời liên tục của nhiều model phát hiện đối tượng khác nhau. Với kiểm tra chất lượng dựa trên AI, nhà sản xuất có thể đạt được khả năng mở rộng và tính linh hoạt cao hơn so với các phương pháp truyền thống.

Doanh nghiệp có thể sử dụng các model như Ultralytics YOLO11 để tự động hóa quy trình kiểm tra, tận dụng kiến trúc và khả năng trích xuất đặc trưng được cải tiến nhằm đạt độ chính xác cao hơn và tốc độ nhanh hơn.

Bạn có thể tìm hiểu thêm về YOLO11 và các model phát hiện đối tượng khác bằng cách xem kho lưu trữ GitHub và tham gia cộng đồng sôi nổi của chúng tôi. Khám phá cách Ultralytics hỗ trợ ngành sản xuất bằng thị giác máy tính.