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

Kiểm tra chất lượng là một nhiệm vụ quan trọng trong quá trình sản xuất giúp đảm bảo các sản phẩm đáp ứng được 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 ngày càng tăng.

Các nhà sản xuất đang chuyển hướng sang các kỹ thuật kiểm tra dựa trên học sâu, như phát hiện đối tượng và phân đoạn ngữ nghĩa, để giảm chi phí kiểm tra. Học sâu là một lĩnh vực con của trí tuệ nhân tạo (AI), sử dụng các thuật toán máy tính gọi là mạng thần kinh để xác định các mẫu phức tạp trong dữ liệu. Những kỹ thuật này giúp tự động hóa quy trình kiểm tra và giảm sự phụ thuộc vào các thanh tra viên con người bằng cách phân tích các tập dữ liệu phong phú, bao gồm hình ảnh và video.

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

Bài viết này sẽ thảo luận về cách các phương pháp học sâu có thể cải thiện việc kiểm tra chất lượng và cách Ultralytics YOLO11 có thể nâng cao quy trình kiểm tra trong nhiều ngành công nghiệp.

Link to this sectionKiểm tra chất lượng trong sản xuất là gì?#

Kiểm tra chất lượng đánh giá xem một sản phẩm có bị lỗi, bất 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 sản xuất nhưng trước khi các mặt hàng chuyển đến dây chuyền phân phối.

Thường thì quy trình này liên quan đến các chuyên gia con người thực hiện đánh giá trực quan để xem liệu 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 các phương pháp tiếp cận học sâu tự động để đạt được sự linh hoạt và khả năng mở rộng cao hơn trong hoạt động của họ.

Link to this sectionCác phương pháp tiếp cận học sâu là gì?#

Các phương pháp tiếp cận học sâu sử dụng mạng thần kinh nhân tạo hoạt động dựa trên các nguyên lý của não người. Các mạng này là những lớp nơ-ron 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 dự đoán.

Hình 1. Mạng thần kinh nhân tạo.

Trong kiểm tra chất lượng, các mô hình học sâu bao gồm các khung làm việc thị giác máy tính tự động học và trích xuất các đặc trưng từ hình ảnh sản phẩm.

Phát triển các mô hình thị giác máy tính đòi hỏi các chuyên gia phải huấn luyện mạng thần kinh 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 nhiều công cụ triển khai khác nhau như PyTorch, ONNX, và OpenVINO.

Link to this sectionCác phương pháp tiếp cận học sâu 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 hại, vết nứt và các mặt hàng bị thiếu. Danh sách dưới đây đề cập đến bốn phương pháp học sâu hiện đại.

Link to this sectionPhân 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 một đối tượng có lỗi hay không.

Dựa trên dữ liệu hình ảnh, một mô hình phân loại sẽ đưa ra quyết định nhị phân có/không. Chúng giúp phát hiện các mặt hàng bị thiếu. Ví dụ, một mô hình phân loại có thể phát hiện liệu một sản phẩm có bị thiếu thành phần hay không.

Hình 2. Phân loại nhị phân linh kiện ô tô.

Link to this sectionPhân loại đa lớp#

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

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

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

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

Link to this sectionĐịnh vị#

Định vị đề cập đến việc xác định vị trí cụ thể của một đối tượng hoặc đặc trưng trong hình ảnh. Nó sử dụng các mô hình phát hiện đối tượng để dự đoán hộp bao hoặc tọa độ làm nổi bật vùng bị hư hại cụ thể.

Điều này hữu ích cho các tác vụ như phát hiện vết nứt trong các tòa nhà hoặc linh kiện công nghiệp, nơi vị trí chính xác của lỗi là cần thiết để sửa chữa có mục tiêu.

Hình 4. Mô hình định vị lỗ dập.

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

Link to this sectionĐịnh vị đa lớp#

Định vị đa lớp xác định và định vị nhiều lỗi trong một hình ảnh đồng thời phân loại từng lỗi vào một trong nhiều danh mục được định nghĩa trước.

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

Hình 5. Mô hình định vị nhiều loại lỗi.

Ví dụ, một mô hình định vị đa lớp có thể phân tích hình ảnh của một mặt hàng bị hư hỏng và chỉ ra loại lỗi, chẳng hạn như trầy xước hoặc vết nứt, cùng với tọa độ chính xác của lỗi bên trong đối tượng.

Link to this sectionPhương pháp truyền thống và phương pháp học sâu#

Các phương pháp kiểm tra truyền thống cứng nhắc hơn, tuân theo các quy tắc và tiêu chuẩn do người dùng định nghĩa 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 camera hoặc thiết bị ghi hình phát hiện 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. Những phương pháp này bao gồm việc thu thập và annotating các tập dữ liệu mở rộng về hình ảnh của các đối tượng bị lỗi. Các chuyên gia sử dụng dữ liệu được chú thích để huấn luyện các object detection models như Ultralytics YOLO11. Sau khi được huấn luyện, họ có thể triển khai model vào camera hoặc cảm biến để chụp ảnh và xác định lỗi trong thời gian thực.

Trong phần tiếp theo, chúng ta sẽ xem xét cách YOLO11 có thể được sử dụng cho việc kiểm tra chất lượng.

Link to this sectionSử dụng thị giác máy tính cho việc kiểm tra chất lượng#

You-Only-Look-Once (YOLO) là model object detection thời gian thực tiên tiến (SOTA), nổi tiếng với độ chính xác, khả năng thích ứng và tốc độ cao. Phiên bản mới nhất của nó là Ultralytics YOLO11, giúp cải thiện các phiên bản trước về feature extraction, tốc độ, độ chính xác và khả năng thích ứng.

Model này sở hữu kiến trúc tốt hơn cho việc precise feature extraction và bao gồm các training pipelines được tối ưu hóa để tăng tốc độ xử lý. Model đạt hiệu quả tính toán cao hơn, với số lượng tham số ít hơn 22% và điểm độ chính xác cao hơn so với các thế hệ tiền nhiệm.

Nhờ tính linh hoạt, YOLO11 có thể giúp cải thiện quy trình kiểm tra chất lượng trong nhiều lĩnh vực. Nó có thể giúp phát hiện các bất thường, hư hại, vết nứt, thiếu sót 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 qua một vài cách mà các mô hình thị giác máy tính có thể được sử dụng trong ngành công nghiệp sản xuất.

Link to this sectionPhát hiện các mặt hàng bị thiếu và linh kiện bị đặt sai trong điện tử#

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

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

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 trên bảng mạch. Nó có thể phân tích hình ảnh của các bảng mạch theo thời gian thực và xác định các lỗi như thiếu điện trở hoặc tụ điện. Điều này sẽ đảm bảo việc lắp ráp của từng đơn vị là chính xác trước khi xuất xưởng.

Link to this sectionPhát hiện vết nứt trong linh kiện 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 nơi việc phát hiện vết nứt trong nhiều linh kiện 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 lỗi như trầy xước bề mặt hoặc vết nứt trên các linh kiện ô tô phức tạp.

Link to this sectionPhát hiện hư hại trong ngành dệt may#

Thị giác máy tính có thể giúp phát hiện nhiều loại hư hại 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 hại dựa trên AI bằng cách sử dụng các mô hình phát hiện và phân đoạn đối tượng như YOLO11. Nó có thể xác định các lỗi như vết rách, lỗ thủng, vết bẩn hoặc sự không nhất quán của vải trong quá trình sản xuất.

Link to this sectionPhát hiện bất thường trong sản xuất dược phẩm#

Phát hiện bất thường đề cập đến tác vụ phân tích thiết kế, cấu trúc, vẻ ngoài 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 cho 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 viên thuốc, kích thước, sự đổi màu hoặc các tạp chất lạ.

Link to this sectionĐộ chính xác về đóng gói và dán nhãn#

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. Ví dụ, ngành thực phẩm và đồ uống phải tuân thủ các tiêu chuẩn nghiêm ngặt về an toàn cho người tiêu dùng và sự tuân thủ.

Các mô hình như YOLO11 có thể giúp phát hiện lỗi đóng gói như dán nhãn sai, bao bì bị hỏng hoặc thiếu niêm phong an toàn. Nó cũng có thể xác minh rằng nhãn được đặt đúng vị trí 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 cho việc phân phối đến người tiêu dùng.

Link to this sectionThách thức và định hướng tương lai của kiểm tra chất lượng dựa trên AI#

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

• Học thế giới mở và thị giác chủ động: Xây dựng các mô hình phát hiện đối tượng để phát hiện đối tượng mới là một thách thức do sự hạn chế về dữ liệu có gắn nhãn. Các mô hình học không giám sát và học chuyển đổi có thể giúp các chuyên gia nhanh chóng thích ứng các khung phát hiện với các tập dữ liệu mới.
• Phát hiện cấp độ pixel: Phân đoạn hình ảnh cho phép các mô hình hiểu được sự khác biệt giữa nền và đối tượng chính trong hình ảnh. Tích hợp phát hiện đối tượng và phân đoạn 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 đồng thời. 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, như dữ liệu nhiệt để hiểu chiều sâu, hình ảnh 2 chiều và các đoạn video ngắn.

Link to this sectionCác điểm chính cần lưu ý#

Kiểm tra chất lượng dựa trên học sâu đang có sự tiến bộ theo cấp số nhân nhờ vào sự phát triển liên tục 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 linh hoạt 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 của nó, 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 định nghĩa lại sản xuất thông qua các khung học sâu hiện đại nhất.