Machine Vision

Thị giác máy đề cập đến việc tích hợp các cảm biến quang học, phần cứng tạo ảnh kỹ thuật số và các thuật toán xử lý ảnh vào thiết bị công nghiệp để tự động hóa các tác vụ kiểm tra và định hướng bằng hình ảnh. Mặc dù có nền tảng chung với các công nghệ trí tuệ nhân tạo nói chung, thị giác máy khác biệt ở 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 hình ảnh giúp các hệ thống điều khiển xác định lỗi, phân loại sản phẩm và điều khiển cánh tay robot với độ chính xác cao. Bằng cách kết hợp camera chuyên dụng với phần mềm tinh vi, các hệ thống này nâng cao khả năng kiểm soát chất lượng và hiệu quả vận hành trong nhiều lĩnh vực, từ sản xuất ô tô đến đóng gói dược phẩm.

Thị giác máy so với thị giác máy tính#

Mặc dù các thuật ngữ này thường được sử dụng thay thế cho nhau, vẫn có sự khác biệt về chức năng giữa thị giác máy và thị giác máy tính. Thị giác máy tính (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. Thị giác máy (MV) cụ thể đề cập đến việc ứng dụng CV trong môi trường công nghiệp hoặc thực tiễn, nơi hệ thống phải tương tác với phần cứng khác.

Ví dụ, một model thị giác máy tính có thể phân tích một tập dữ liệu y tế để tìm xu hướng trong ảnh X-quang, trong khi một hệ thống thị giác máy sử dụng điện toán biên để kích hoạt bộ truyền động khí nén, loại bỏ một 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), đồng thời thường triển khai model trên thiết bị nhúng để đạt hiệu suất có độ trễ thấp.

Các thành phần cốt lõi và công nghệ#

Một hệ thống thị giác máy điển hình dựa trên một pipeline phần cứng và phần mềm được tích hợp chặt chẽ. Quy trình bắt đầu với subsystem thu nhận ảnh, bao gồm hệ thống chiếu sáng chuyên dụng để làm nổi bật các đặc trưng và cảm biến hình ảnh (chẳng hạn như CMOS hoặc CCD) để chụp các khung hình có độ phân giải cao. Dữ liệu này được truyền đến một đơn vị xử lý—thường là một PC công nghiệp hoặc camera thông minh—nơi các thuật toán phân tích dữ liệu pixel.

Các hệ thống hiện đại ngày càng sử dụng deep learning để xử lý những biến thiên phức tạp mà các thuật toán dựa trên luật truyền thống không thể giải quyết. Các mạng neural, chẳng hạn như YOLO26 hiện đại nhất, cho phép hệ thống thị giác máy học từ các ví dụ thay vì phụ thuộc vào lập trình cứng nhắc. Sự chuyển dịch này cho phép sản xuất thích ứng, trong đó hệ thống có thể nhận dạng các biến thể sản phẩm mới mà không cần lập trình lại trên quy mô lớn.

Các ứng dụng trong thực tế#

Thị giác máy thúc đẩy tự động hóa trong nhiều ngành công nghiệp khác nhau, bảo đảm tính nhất quán mà hoạt động kiểm tra thủ công của con người không thể sánh bằng.

Kiểm tra quang học tự động (AOI)#

Trong sản xuất điện tử, các hệ thống AOI đóng vai trò then chốt trong việc đảm bảo chất lượng. Khi bo mạch ngày càng nhỏ và phức tạp hơn, mắt người gặp khó khăn trong việc xác minh các linh kiện. Hệ thống thị giác máy sử dụng phát hiện đối tượng để xác định các linh kiện bị thiếu, lệch hoặc không đúng trên bảng mạch in (PCB). Bằng cách sử dụng phân đoạn instance, hệ thống có thể tính toán chính xác diện tích hàn để đảm bảo khả năng kết nối điện. Nếu phát hiện lỗi, hệ thống sẽ tự động đánh dấu bo mạch để sửa lại, ngăn các thiết bị điện tử lỗi đến tay người tiêu dùng.

Robot được dẫn hướng bằng thị giác (VGR)#

Robot được sử dụng trong lĩnh vực logistics và kho vận dựa vào thị giác máy để điều hướng và thao tác. Trong một quy trình được gọi là bin picking, robot phải xác định các vật phẩm được xếp ngẫu nhiên thành đống và gắp chúng đúng cách. Điều này đòi hỏi ước tính tư thế, nhằm xác định hướng và các điểm chính của một vật thể trong không gian 3D. Bằng cách xử lý đầu vào hình ảnh, robot điều chỉnh động góc kẹp. Việc tích hợp AI trong robot này cho phép xây dựng các dây chuyền tự động hóa linh hoạt, có thể xử lý nhiều hình dạng sản phẩm khác nhau mà không cần thay đổi lại cơ cấu cơ khí.

Triển khai thị giác máy với Ultralytics YOLO26#

Việc phát triển các ứng dụng thị giác máy đã trở nên dễ tiếp cận hơn đáng kể nhờ các framework hiện đại. Ultralytics Platform đơn giản hóa quy trình gán nhãn các tập dữ liệu công nghiệp và huấn luyện các model được tối ưu hóa để triển khai trên edge. Dưới đây là ví dụ về cách một developer 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

Tương lai: Công nghiệp 4.0 và xa hơn#

Thị giác máy là một trụ cột của Công nghiệp 4.0, hỗ trợ xây dựng các nhà máy thông minh, nơi dữ liệu luân chuyển liền mạch giữa các cảm biến hình ảnh và hệ thống quản lý trung tâm. Khi các công nghệ như tạo dữ liệu tổng hợp được cải thiện, việc huấn luyện các model thị giác cho những lỗi hiếm gặp trở nên dễ dàng hơn, qua đó tiếp tục nâng cao độ tin cậy của hệ thống. Sự hội tụ giữa kết nối 5G và AI biên bảo đảm rằng thị giác máy sẽ tiếp tục là động lực chính thúc đẩy tính tự chủ và hiệu quả công nghiệp.