Kiểm tra chất lượng trong sản xuất: Phương pháp truyền thống so với phương pháp học sâu

Kiểm tra chất lượng là một công đoạn quan trọng trong sản xuất, đảm bảo sản phẩm đáp ứng các tiêu chuẩn chất lượng yêu cầu. 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 các kỹ thuật kiểm tra dựa trên deep learning, như object detection và semantic segmentation, 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 xác định các mẫu phức tạp trong dữ liệu. Các kỹ thuật này giúp tự động hóa quy trình kiểm tra và giảm sự phụ thuộc vào người kiểm tra bằng cách phân tích các tập dữ liệu lớn, bao gồm hình ảnh và video. 

Do tính linh hoạt và hiệu quả chi phí, đảm bảo chất lượng dựa trên AI giúp tăng đáng kể lợi nhuận kinh doanh. Các báo cáo cho thấy ngành sản xuất có thể đạt được hơn 3 nghìn tỷ USD từ AI vào năm 2035.

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

Kiểm tra chất lượng trong sản xuất là gì?

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

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 các mặt hàng được chuyển đến dây chuyền phân phối.  

Thông thường, quy trình này bao gồm các chuyên gia thực hiện đánh giá trực quan để xem sản phẩm có sai lệch so với tiêu chuẩn thiết kế mong muốn hay không. 

Tuy nhiên, khi yêu cầu về chất lượng tăng lên, các nhà sản xuất đang chuyển sang các phương pháp deep learning tự động để đạt được sự linh hoạt và khả năng mở rộng lớn hơn trong hoạt động của họ.

Các phương pháp deep learning là gì?

Các phương pháp deep learning sử dụng mạng nơ-ron nhân tạo hoạt động dựa trên các nguyên tắc của bộ não con người. Các mạng này là các lớp nơ-ron được kết nối với nhau. Mỗi nơ-ron thực hiện một phép tính toán học để phân tích dữ liệu, xác định các mẫu và tạo ra một dự đoán. 

‍

Trong kiểm tra chất lượng, các mô hình deep learning bao gồm các framework computer vision tự động học và trích xuất các đặc trưng từ hình ảnh sản phẩm. 

Việc phát triển các mô hình computer vision đòi hỏi các chuyên gia phải huấn luyện một mạng nơ-ron trên các tập dữ liệu liên quan và chạy xác thực trên một tập dữ liệu mới để kiểm tra hiệu suất. 

Sau khi được xác thực, các chuyên gia có thể triển khai các mô hình này trên camera và cảm biến bằng cách sử dụng các công cụ triển khai khác nhau như PyTorch, ONNX và OpenVINO.

Các phương pháp deep learning để kiểm tra chất lượng

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

Phân loại nhị phân

Phân loại nhị phân đề cập đến nhiệm vụ phân loại hình ảnh vào một trong hai lớp, chẳng hạn như xác định xem có tồn tại lỗi trong một đối tượng hay không.

Dựa trên dữ liệu trực quan, một mô hình phân loại đưa ra quyết định nhị phân có/không. Chúng giúp phát hiện các mục bị thiếu. Ví dụ: một mô hình phân loại có thể phát hiện xem một mục có bị thiếu hay không trong một sản phẩm.

‍

Phân loại đa lớp

Phân loại đa lớp là nhiệm vụ phân loại hình ảnh thành nhiều hơn hai lớp. Nó gán mỗi hình ảnh vào một trong số các danh mục được xác định trước.

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

‍

Điều này hữu ích trong sản xuất, nơi các khuyết tật khác nhau, chẳng hạn như trầy xước, móp méo hoặc vết nứt, có thể yêu cầu các quy trình xử lý khác nhau. 

Xác định vị trí

Xác định vị trí đề cập đến việc xác định vị trí cụ thể của một đối tượng hoặc đặc điểm trong một hình ảnh. Nó sử dụng các mô hình phát hiện đối tượng để dự đoán khung giới hạn hoặc tọa độ, làm nổi bật khu vực cụ thể bị hư hỏng. 

Điều này hữu ích cho các tác vụ như phát hiện vết nứt trong các tòa nhà hoặc các bộ phận công nghiệp, nơi vị trí chính xác của một khuyết tật là cần thiết cho việc sửa chữa có mục tiêu. 

‍

Ví dụ: trong bảo trì cơ sở hạ tầng, các mô hình xác định vị trí có thể phân tích hình ảnh của một cấu trúc bê tông và đánh dấu chính xác khu vực có vết nứt.

Xác định vị trí đa lớp

Xác định vị trí đa lớp xác định và định vị nhiều khuyết tật trong một hình ảnh, đồng thời phân loại từng khuyết tật vào một trong số các danh mục được xác định trước. 

Nó sử dụng các mô hình phát hiện đối tượng tiên tiến hơn để xác định loại và vị trí của khuyết tật nhằm cung cấp thông tin chi tiết hơn.

‍

Ví dụ: một mô hình xác định vị trí đa lớp có thể phân tích hình ảnh của một vật phẩm bị hư hỏng và cho biết loại khuyết tật, chẳng hạn như vết trầy xước hoặc vết nứt, và tọa độ chính xác của khuyết tật trong vật thể. 

Phương pháp truyền thống so với 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 xác định trước và tiêu chí đạt/không đạt. 

Ví dụ: trong các kỹ thuật thị giác dựa trên quy tắc, các 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 các chuyên gia nếu máy ảnh hoặc thiết bị chụp ảnh khác phát hiện ra sự sai lệch so với các tiêu chuẩn này.

Các phương pháp deep learning mang lại sự linh hoạt cao hơn để xây dựng các hệ thống phát hiện phức tạp hơn. Các phương pháp này bao gồm thu thập và chú thích các tập dữ liệu lớn gồm hình ảnh các đối tượng bị lỗi. Các chuyên gia sử dụng dữ liệu đã chú thích để huấn luyện các mô hình phát hiện đối tượng như Ultralytics YOLO11. Sau khi được huấn luyện, họ có thể triển khai mô hình trong máy ảnh hoặc cảm biến để chụp ảnh và xác định các khuyết tật trong thời gian thực.

Trong phần sau, chúng ta sẽ xem xét cách YOLO11 có thể được sử dụng để kiểm tra chất lượng.

Sử dụng thị giác máy tính để kiểm tra chất lượng

You-Only-Look-Once (YOLO) là một mô hình phát hiện đối tượng theo thời gian thực (SOTA) hiện đại, nổi tiếng với độ chính xác, khả năng thích ứng và tốc độ cao. Phiên bản mới nhất của nó là Ultralytics YOLO11, cải thiện các phiên bản trước về trích xuất đặc trưng, tốc độ, độ chính xác và khả năng thích ứng. 

Nó có kiến trúc tốt hơn để trích xuất đặc trưng chính xác hơn và bao gồm các quy trình huấn luyện được tối ưu hóa để có tốc độ xử lý nhanh hơn. Nó hiệu quả hơn về mặt tính toán, với số lượng tham số ít hơn 22% và điểm số chính xác cao hơn so với các phiên bản tiền nhiệm.

Do tính linh hoạt của nó, YOLO11 có thể giúp cải thiện quy trình kiểm tra chất lượng trong nhiều lĩnh vực. Nó có thể giúp phát hiện các điểm bất thường, hư hỏng, vết nứt, các mục bị thiếu và lỗi đóng gói trong sản phẩm thông qua việc thực hiện các tác vụ như phát hiện và phân đoạn đối tượng.

Hãy cùng xem xét một vài cách mà các mô hình thị giác máy tính có thể được sử dụng trong ngành sản xuất. 

Phát hiện các mục bị thiếu và các bộ phận bị đặt sai vị trí trong thiết bị điện tử

Các mô hình thị giác máy tính có thể kiểm tra xem một sản phẩm có tất cả các mục cần thiết hay không. Chúng có thể phát hiện các thành phần bị thiếu trong các sản phẩm đã lắp ráp để đảm bảo tính đầy đủ.

Trong sản xuất điện tử, việc xác định các thành phần bị thiếu, các bộ phận bị lệch hoặc các vấn đề về hàn là rất quan trọng để đảm bảo sản phẩm cuối cùng đáng tin cậy và có đúng chức năng.

Các mô hình phát hiện đối tượng như YOLO11 có thể được huấn luyện để phát hiện các thành phần bị thiếu hoặc bị đặt sai vị trí trên bảng mạch. Nó có thể phân tích hình ảnh của các bảng mạch trong thời gian thực và xác định các khuyết tật như điện trở hoặc tụ điện bị thiếu. Điều này sẽ đảm bảo rằng mỗi bộ phận được lắp ráp chính xác trước khi xuất xưởng.

Phát hiện vết nứt trên các bộ phận ô tô

Phát hiện vết nứt là một nhiệm vụ phát hiện 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 công nghiệp ô tô là một ví dụ, nơi việc phát hiện vết nứt trên nhiều bộ phận như bánh răng và hệ thống phanh là cần thiết để đảm bảo chúng đáp ứng các tiêu chuẩn an toàn.

Các mô hình như YOLO11 có thể được huấn luyện để nhanh chóng phát hiện các khuyết tật như vết trầy xước bề mặt hoặc vết nứt trên các bộ phận ô tô phức tạp.

Phát hiện hư hỏng trong ngành dệt may

Thị giác máy tính có thể giúp phát hiện nhiều loại hư hỏng khác nhau trên bề mặt sản phẩm, chẳng hạn như vết trầy xước, vết lõm và biến dạng bằng cách sử dụng các tác vụ thị giác máy tính.

Ngành dệt may có thể hưởng lợi đáng kể từ việc phát hiện hư hỏng dựa trên AI bằng cách sử dụng các mô hình phát hiện đối tượng và phân vùng (segmentation) như YOLO11. Nó có thể xác định các khuyết tật như vết rách, lỗ thủng, vết bẩn hoặc sự không đồng đều của vải trong quá trình sản xuất. 

Phát hiện bất thường trong sản xuất dược phẩm

Phát hiện bất thường đề cập đến nhiệm 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 các tiêu chuẩn mong muốn hay không.

Trong sản xuất dược phẩm, phát hiện bất thường là rất quan trọng để đảm bảo chất lượng và an toàn của các sản phẩm thuốc. Các nhà sản xuất có thể sử dụng YOLO11 để phát hiện các bất thường như sự không nhất quán về hình dạng, kích thước, sự đổi màu hoặc các hạt lạ trong viên thuốc.

Độ chính xác của bao bì và nhãn mác

Một ví dụ khác về cách các mô hình thị giác máy tính có thể được sử dụng trong sản xuất là trong khâu đóng gói và dán nhãn trong các ngành công nghiệp. Ví dụ, ngành công nghiệp thực phẩm và đồ uống phải đáp ứng các tiêu chuẩn nghiêm ngặt về an toàn và tuân thủ của người tiêu dùng.

Các mô hình như YOLO11 có thể giúp phát hiện các lỗi đóng gói như dán nhãn không chính xác, bao bì bị hỏng hoặc thiếu niêm phong an toàn. Nó cũng có thể xác minh rằng nhãn có vị trí chính xác với mã vạch hoặc ngày hết hạn rõ ràng. 

Điều này đảm bảo rằng các sản phẩm tuân thủ các quy định của ngành và sẵn sàng để phân phối cho người tiêu dùng.

Những thách thức và định hướng tương lai của kiểm tra chất lượng dựa trên AI

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

• Học tập thế giới mở và tầm nhìn chủ động: Xây dựng các mô hình phát hiện đối tượng để phát hiện các đối tượng mới là một thách thức do tính khả dụng hạn chế của dữ liệu được gắn nhãn. Các mô hình huấn luyện không giám sát và học chuyển giao có thể giúp các chuyên gia nhanh chóng điều chỉnh các khuôn khổ phát hiện cho các bộ dữ liệu mới.
  ‍
• Phát hiện ở cấp độ pixel: Phân vùng hình ảnh cho phép các mô hình hiểu sự khác biệt giữa nền và đối tượng chính trong hình ảnh. Tích hợp phát hiện đối tượng và phân vùng (segmentation) là một lĩnh vực nghiên cứu liên tục được phát triển để đảm bảo kiểm tra chất lượng cao.
  ‍
• Học đa phương thức: Các mô hình đa phương thức có thể tích hợp và phân tích nhiều loại dữ liệu cùng một lúc. Trong phát hiện đối tượng, học đa phương thức có thể giúp cải thiện độ chính xác kiểm tra bằng cách học từ các loại dữ liệu khác nhau, chẳng hạn như dữ liệu nhiệt để hiểu độ sâu, hình ảnh hai chiều và cảnh quay video ngắn.

Những điều cần nhớ 

Kiểm tra chất lượng dựa trên học sâu đang có những tiến bộ vượt bậc do sự phát triển không ngừng của các mô hình phát hiện đối tượng khác nhau. Với kiểm tra chất lượng dựa trên AI, các nhà sản xuất có thể đạt được khả năng mở rộng và tính linh hoạt cao hơn so với các phương pháp truyền thống.

Các công ty có thể sử dụng các mô hình như YOLO11 để tự động hóa quy trình kiểm tra, tận dụng kiến trúc nâng cao và khả năng trích xuất đặc trưng, dẫn đến độ chính xác tốt hơn và tốc độ nhanh hơn.

Bạn có thể tìm hiểu thêm về YOLO11 và các mô hình phát hiện đối tượng khác bằng cách xem Kho lưu trữ GitHub của chúng tôi và tham gia vào cộng đồng sôi động của chúng tôi. Khám phá cách Ultralytics đang xác định lại ngành sản xuất thông qua các khuôn khổ học sâu hiện đại.