Machine Vision

Thị giác máy (MV) là việc sử dụng camera, quang học, chiếu sáng và phân tích ảnh trong tự động hóa công nghiệp để kiểm tra sản phẩm, đo chi tiết, đọc mã và dẫn hướng máy móc; mỗi kết quả đều kích hoạt một hành động như loại bỏ hoặc phân loại chi tiết, hay điều khiển robot. Đây là thị giác máy tính được tích hợp vào một vòng điều khiển: hệ thống thị giác trên dây chuyền đóng gói phải hoàn tất mỗi quyết định trong thời gian chu kỳ của dây chuyền—vài chục mili giây cho mỗi chi tiết trên dây chuyền đóng chai tốc độ cao—và gửi kết quả đến bộ điều khiển logic khả trình (PLC) qua I/O kỹ thuật số hoặc mạng công nghiệp. Các tác vụ thường được chia thành bốn nhóm: dẫn hướng (định vị chi tiết cho robot), kiểm tra (phát hiện lỗi và đặc điểm bị thiếu), đo lường (đo kích thước) và nhận dạng (đọc mã vạch, mã ma trận dữ liệu và văn bản in bằng nhận dạng ký tự quang học).

Thị giác máy, thị giác máy tính và xử lý ảnh#

Thị giác máy ứng dụng xử lý ảnh—biến đổi ảnh bằng cách lọc nhiễu hoặc làm sắc nét cạnh—và thị giác máy tính—trích xuất ý nghĩa từ ảnh trong mọi bối cảnh—vào máy móc công nghiệp. Lĩnh vực này được xác định bởi phần cứng và cách tích hợp: chiếu sáng và quang học được kiểm soát, camera được cảm biến trên dây chuyền kích hoạt, thời gian hoạt động xác định và đầu ra được nối với cơ cấu chấp hành. Sự khác biệt giữa ba lĩnh vực chủ yếu nằm ở phạm vi; các hệ thống thị giác máy hiện đại chạy cùng những model học sâu như các ứng dụng thị giác máy tính khác.

Các thành phần của hệ thống thị giác máy#

• Chiếu sáng: Ánh sáng quyết định những gì camera có thể nhìn thấy. Đèn nền biến chi tiết thành hình bóng để đo cạnh chính xác; đèn vòm khuếch tán giảm lóa trên bề mặt bóng; đèn nền tối góc thấp làm nổi bật vết xước và ký tự dập nổi; còn các vạch laser chiếu ra cho thấy biên dạng chiều cao 3D.
• Quang học: Ống kính viễn tâm giữ độ phóng đại không đổi khi khoảng cách đến chi tiết thay đổi, nhờ đó kết quả đo không phụ thuộc vào vị trí của chi tiết.
• Camera: Camera quét vùng chụp các chi tiết rời trong một lần phơi sáng; camera quét dòng tạo ảnh vật liệu liên tục như thép, giấy và vải từng hàng một; cảm biến 3D sử dụng phép tam giác đạc laser, thị giác lập thể hoặc đo thời gian bay. Các tiêu chuẩn giao tiếp như GigE Vision, USB3 Vision và GenICam cho phép phần mềm điều khiển camera từ nhiều nhà cung cấp khác nhau.
• Xử lý và I/O: Cảm biến quang điện hoặc encoder kích hoạt mỗi lần chụp; camera thông minh hoặc PC công nghiệp chạy phân tích; kết quả được gửi đến PLC, ngày càng thường xuyên qua phần cứng biên có GPU hoặc NPU.

Công cụ dựa trên luật và học sâu#

Phần mềm thị giác máy cổ điển kết nối các công cụ xác định: phân ngưỡng, phân tích blob, phát hiện cạnh, so khớp mẫu và thước cặp đo khoảng cách giữa các cạnh. Ví dụ này chạy phân tích blob trên ảnh đồng xu để đếm chi tiết và đo kích thước:

import numpy as np
from scipy import ndimage as ndi
from skimage import data, filters, measure, segmentation

# Grayscale photo of 24 Greek coins on a gray background, bundled with scikit-image
image = data.coins()

# Seed the background (dark) and the parts (bright), then grow both along edge strength
markers = np.zeros_like(image)
markers[image < 30] = 1
markers[image > 150] = 2
mask = ndi.binary_fill_holes(segmentation.watershed(filters.sobel(image), markers) == 2)

# Blob analysis: label each part, ignore specks, and gauge each diameter in pixels
parts = [r for r in measure.regionprops(measure.label(mask)) if r.area > 300]
diameters = [part.equivalent_diameter_area for part in parts]
print(f"{len(parts)} parts, diameters {min(diameters):.0f}-{max(diameters):.0f} px")

Kết quả in ra 24 parts, diameters 37-63 px: mọi đồng xu đều được tìm thấy và đo kích thước; một hệ thống sản xuất sẽ so sánh từng đường kính với dung sai rồi gửi kết quả đến PLC. Nền ảnh này sáng dần về phía trên bên trái và có mức xám trùng với đồng xu, nên một ngưỡng Otsu toàn cục duy nhất chia ảnh thành 96 blob; chiếu sáng được kiểm soát sẽ ngăn vấn đề này trên dây chuyền sản xuất.

Công cụ dựa trên quy tắc nhanh, dễ giải thích và chính xác với các bộ phận có hình học cố định, nhưng gặp khó khăn trước biến thiên tự nhiên như vân gỗ, thực phẩm hoặc khuyết tật mỹ phẩm có nhiều hình dạng. Model phát hiện đối tượng, phân đoạn instance và phát hiện bất thường học cách xử lý các trường hợp đó từ ví dụ. Model segmentation YOLO26 được huấn luyện trên ảnh lỗi phác thảo vết xước và vết nứt theo từng pixel; chế độ export của Ultralytics chuyển đổi model sang TensorRT hoặc OpenVINO để inference thời gian thực đáp ứng thời gian chu kỳ của dây chuyền trên PC công nghiệp hoặc NVIDIA Jetson.

Ứng dụng thực tế#

• Kiểm tra quang học tự động: Dây chuyền điện tử kiểm tra bo mạch in để tìm linh kiện bị thiếu, lệch hoặc lắp ngược và mối hàn lỗi; thường thực hiện kiểm tra kem hàn 3D trước khi đặt linh kiện.
• Kiểm tra dược phẩm và bao bì: Hệ thống xác minh mức chiết rót, nắp và nhãn; OCR đọc mã lô và hạn sử dụng được in trên từng bao bì.
• Robot dẫn hướng bằng thị giác: Robot định vị các chi tiết được xếp ngẫu nhiên để gắp từ thùng, sử dụng cảm biến 3D và ước lượng tư thế để chọn vị trí gắp.
• Sản xuất ô tô: Cảm biến 3D đo khe hở và độ phẳng giữa các tấm thân xe; camera kiểm tra lớp sơn và đường hàn trước khi xe rời dây chuyền.