Machine Vision

Machine vision đề cập đến việc tích hợp các cảm biến quang học, phần cứng xử lý hình ảnh kỹ thuật số và các thuật toán xử lý ảnh vào thiết bị công nghiệp nhằm tự động hóa các tác vụ kiểm tra trực quan và dẫn hướng. Mặc dù có nền tảng chung với các công nghệ trí tuệ nhân tạo rộng hơn, machine vision có điểm khác biệt trong trọng tâm kỹ thuật là tương tác với môi trường vật lý theo thời gian thực. Nó đóng vai trò như "đôi mắt" của dây chuyền sản xuất hoặc hệ thống tự hành, thu thập dữ liệu thị giác cho phép các hệ thống điều khiển xác định lỗi, phân loại sản phẩm và dẫn hướng cánh tay robot với độ chính xác cao. Bằng cách kết hợp các camera chuyên dụng với phần mềm tinh vi, các hệ thống này cải thiện khả năng kiểm soát chất lượng và hiệu quả vận hành trong các lĩnh vực từ sản xuất ô tô đến đóng gói dược phẩm.

Link to this sectionMachine Vision so với Computer Vision#

Mặc dù các thuật ngữ này thường được sử dụng thay thế cho nhau, nhưng có sự khác biệt về chức năng giữa machine vision vs. computer vision. Computer vision (CV) là lĩnh vực học thuật và công nghệ bao quát liên quan đến việc trích xuất thông tin có ý nghĩa từ hình ảnh kỹ thuật số. Machine vision (MV) đề cập cụ thể đến việc ứng dụng CV trong các môi trường công nghiệp hoặc thực tế, nơi hệ thống phải tương tác với các phần cứng khác.

Ví dụ, một model computer vision có thể phân tích tập dữ liệu y tế để tìm xu hướng trong ảnh X-quang, trong khi hệ thống machine vision sử dụng edge computing để kích hoạt cơ cấu chấp hành khí nén nhằm loại bỏ chai bị nứt trên băng chuyền trong vòng vài mili giây. Các hệ thống MV ưu tiên tốc độ, độ tin cậy và khả năng tích hợp với các thiết bị đầu vào/đầu ra (I/O), thường triển khai các model lên embedded devices để đạt hiệu suất có độ trễ thấp.

Link to this sectionCác thành phần và công nghệ cốt lõi#

Một hệ thống machine vision điển hình dựa trên một pipeline tích hợp chặt chẽ giữa phần cứng và phần mềm. Nó bắt đầu với hệ thống con thu nhận hình ảnh, bao gồm hệ thống chiếu sáng chuyên dụng để làm nổi bật các đặc điểm và image sensors (như CMOS hoặc CCD) giúp chụp các khung hình có độ phân giải cao. Dữ liệu này được truyền đến bộ xử lý—thường là PC công nghiệp hoặc camera thông minh—nơi các thuật toán phân tích dữ liệu pixel.

Các hệ thống hiện đại ngày càng tận dụng deep learning để xử lý các biến thể phức tạp mà các thuật toán dựa trên quy tắc truyền thống không thể giải quyết. Các mạng thần kinh, như YOLO26 hiện đại nhất, cho phép các hệ thống machine vision học hỏi từ ví dụ thay vì dựa vào lập trình cứng nhắc. Sự thay đổi này cho phép adaptive manufacturing, nơi các hệ thống có thể nhận diện các biến thể sản phẩm mới mà không cần lập trình lại đáng kể.

Link to this sectionCác ứng dụng trong thực tế#

Machine vision thúc đẩy quá trình tự động hóa trên nhiều ngành công nghiệp đa dạng, đảm bảo tính nhất quán mà sự kiểm tra của con người không thể sánh bằng.

Link to this sectionKiểm tra quang học tự động (AOI)#

Trong sản xuất điện tử, các hệ thống AOI rất quan trọng để đảm bảo chất lượng. Khi các bảng mạch trở nên nhỏ hơn và phức tạp hơn, mắt người gặp khó khăn trong việc xác minh các linh kiện. Các hệ thống machine vision sử dụng object detection để xác định các linh kiện bị thiếu, bị lệch hoặc không đúng trên bảng mạch in (PCB). Bằng cách sử dụng instance segmentation, hệ thống có thể tính toán chính xác khu vực hàn để đảm bảo kết nối điện. Nếu phát hiện lỗi, hệ thống sẽ tự động gắn cờ bảng mạch để làm lại, ngăn chặn các thiết bị điện tử bị lỗi đến tay người tiêu dùng.

Link to this sectionRobot dẫn hướng bằng thị giác (VGR)#

Robot sử dụng trong logistics và kho bãi dựa vào machine vision để điều hướng và thao tác. Trong quy trình được gọi là bin picking, robot phải xác định các vật phẩm xếp ngẫu nhiên và nắm bắt chúng một cách chính xác. Điều này đòi hỏi pose estimation, giúp xác định hướng và các điểm chính của vật thể trong không gian 3D. Bằng cách xử lý đầu vào hình ảnh, robot điều chỉnh góc kẹp một cách linh hoạt. Việc tích hợp AI in robotics này cho phép các dây chuyền tự động hóa linh hoạt có khả năng xử lý các hình dạng sản phẩm khác nhau mà không cần trang bị lại cơ học.

Link to this sectionTriển khai Machine Vision với YOLO26#

Việc phát triển các ứng dụng machine vision đã trở nên dễ tiếp cận hơn đáng kể với các framework hiện đại. Ultralytics Platform đơn giản hóa quy trình gắn nhãn các tập dữ liệu công nghiệp và huấn luyện các model được tối ưu hóa cho việc triển khai tại biên. Dưới đây là một ví dụ về cách một lập trình viên có thể sử dụng Python để chạy kiểm tra phát hiện lỗi bằng model YOLO mới nhất.

from ultralytics import YOLO

# Load a custom YOLO26 model trained for detecting manufacturing defects
# 'yolo26n.pt' is the nano version, optimized for high-speed inference
model = YOLO("yolo26n.pt")

# Run inference on an image from the production line
# 'conf=0.6' sets a strict confidence threshold to avoid false positives
results = model.predict(source="conveyor_belt_feed.jpg", conf=0.6)

# Process results to trigger an action (e.g., stopping the line)
for r in results:
    if len(r.boxes) > 0:
        print(f"Defect Detected: {r.names[int(r.boxes.cls[0])]}")
        # Logic to trigger hardware rejection mechanism would go here

Link to this sectionTương lai: Industry 4.0 và xa hơn nữa#

Machine vision là một trụ cột của Industry 4.0, tạo điều kiện cho việc xây dựng các nhà máy thông minh, nơi dữ liệu truyền tải liên tục giữa các cảm biến thị giác và hệ thống quản lý trung tâm. Khi các công nghệ như tạo synthetic data được cải thiện, việc huấn luyện các model thị giác cho các lỗi hiếm gặp trở nên dễ dàng hơn, giúp nâng cao hơn nữa độ tin cậy của hệ thống. Sự hội tụ của kết nối 5G và edge AI đảm bảo rằng machine vision sẽ tiếp tục là động lực chính của sự tự chủ và hiệu quả công nghiệp.