Thị giác máy (machine vision) trong kiểm tra chất lượng là hệ thống gồm camera công nghiệp, ống kính, chiếu sáng và phần mềm xử lý ảnh, đặt trên dây chuyền để tự động kiểm tra từng sản phẩm: phát hiện lỗi ngoại quan như trầy, nứt, thiếu chi tiết, sai màu; đo kích thước; đọc mã; xác nhận lắp đúng vị trí. Hệ thống quyết định đạt hay không đạt trong vài phần nghìn đến vài phần mười giây, rồi ra tín hiệu loại bỏ sản phẩm lỗi.
Hai hướng tiếp cận chính là xử lý ảnh theo quy tắc, nơi kỹ sư viết luật đo cụ thể, và học sâu, nơi mô hình học từ ảnh mẫu đã gán nhãn. Mỗi hướng hợp với một loại bài toán. Bài này giải thích cấu phần, vì sao chiếu sáng quan trọng hơn camera, khi nào dùng hướng nào, và cách đo, nghiệm thu một hệ thống để không mua về một cỗ máy loại nhầm hàng tốt.
Bốn cấu phần và vì sao chiếu sáng là quan trọng nhất
Chiếu sáng. Nguyên tắc được người làm nghề nhắc đi nhắc lại: thị giác máy trước hết là bài toán chiếu sáng. Mục tiêu không phải làm ảnh sáng đẹp mà làm lỗi tương phản rõ với nền. Đèn nền (backlight) cho bóng sắc nét để đo kích thước; đèn góc thấp làm nổi vết trầy trên bề mặt phẳng; đèn vòm tán xạ triệt tiêu phản xạ trên bề mặt kim loại cong bóng; đèn đồng trục cho bề mặt phẳng phản chiếu. Chọn sai chiếu sáng thì phần mềm giỏi đến đâu cũng không cứu được.
Camera. Camera quét vùng (area scan) chụp cả khung hình, hợp sản phẩm rời. Camera quét dòng (line scan) chụp từng dòng khi vật chuyển động, hợp vật liệu cuộn liên tục như vải, giấy, thép tấm, màng. Độ phân giải phải đủ để lỗi nhỏ nhất cần phát hiện chiếm vài điểm ảnh, không phải một.
Ống kính. Quyết định trường nhìn, độ sâu trường ảnh và độ méo. Đo kích thước chính xác thường cần ống kính viễn tâm để kích thước không đổi khi vật lệch nhẹ về khoảng cách.
Phần mềm và tích hợp. Xử lý ảnh, ra quyết định, giao tiếp với PLC để kích hoạt cơ cấu loại bỏ, lưu ảnh và kết quả. Phần tích hợp với cơ khí như đồng bộ thời điểm chụp với băng tải, cảm biến kích hoạt và cơ cấu gạt thường chiếm nhiều công sức hơn dự kiến.
Xử lý ảnh quy tắc hay học sâu
Hai hướng không loại trừ nhau; nhiều hệ thống dùng quy tắc cho phép đo và học sâu cho lỗi ngoại quan biến đổi. Bảng so sánh ở mức điển hình.
| Tiêu chí | Xử lý ảnh theo quy tắc | Học sâu |
|---|---|---|
| Cách hoạt động | Kỹ sư định nghĩa phép đo: cạnh, vùng, độ sáng, so khớp mẫu | Mô hình học đặc trưng từ ảnh đã gán nhãn |
| Hợp với | Đo kích thước, kiểm tra có/không, vị trí, đọc mã | Lỗi hình dạng biến đổi: trầy, vết bẩn, nứt trên nền có vân tự nhiên |
| Dữ liệu cần | Ít, chủ yếu ảnh để chỉnh tham số | Nhiều ảnh, gồm ảnh lỗi đa dạng, gán nhãn nhất quán |
| Giải thích quyết định | Rõ ràng: vì kích thước vượt dung sai | Khó hơn, cần công cụ trực quan vùng chú ý |
| Khi sản phẩm thay đổi | Chỉnh luật, có thể nhanh nếu đơn giản | Cần thêm ảnh và huấn luyện lại |
| Rủi ro đặc trưng | Vỡ khi nền, ánh sáng biến động | Học nhầm đặc điểm không liên quan trong dữ liệu |
Một biến thể đáng chú ý là phát hiện bất thường: mô hình chỉ học từ ảnh sản phẩm tốt và báo mọi thứ khác thường. Cách này hữu ích khi lỗi hiếm và đa dạng đến mức không gom đủ ảnh lỗi, đổi lại cần ngưỡng được hiệu chỉnh cẩn thận để không báo động với những biến động vô hại như vân gỗ hay màu nguyên liệu khác lô.
Hai loại sai và vì sao không thể cùng về không
Mọi hệ kiểm tra đều mắc hai loại sai. Loại nhầm (false reject, trong xưởng hay gọi là overkill) là sản phẩm tốt bị loại; lọt lỗi (escape, underkill) là sản phẩm lỗi được cho qua. Hai loại sai đánh đổi nhau qua ngưỡng quyết định: siết ngưỡng để giảm lọt lỗi thì loại nhầm tăng, nới ngưỡng thì ngược lại. Không hệ thống nào đưa cả hai về không với sản phẩm có biến động tự nhiên.
Chọn điểm cân bằng là quyết định kinh doanh, không phải kỹ thuật. Với linh kiện an toàn, lọt lỗi có thể gây thu hồi, nên chấp nhận loại nhầm cao rồi cho người kiểm tra lại hàng bị loại. Với hàng tiêu dùng giá thấp, loại nhầm nhiều làm lãng phí sản lượng và có thể đắt hơn chi phí của một khiếu nại hiếm hoi. Cần định lượng chi phí của mỗi loại sai rồi mới đặt ngưỡng.
Một sai lầm hay gặp khi đánh giá là chỉ báo "độ chính xác" chung. Nếu chỉ một phần nghìn sản phẩm có lỗi, một hệ thống cho mọi thứ đạt sẽ có độ chính xác 99,9% mà không phát hiện được lỗi nào. Phải báo riêng tỷ lệ lọt lỗi và tỷ lệ loại nhầm, tính trên bộ mẫu có đủ ảnh lỗi.
Triển khai từng bước
Các dự án thị giác máy thành công thường đi theo trình tự dưới đây. Bỏ bước đầu là nguyên nhân phổ biến nhất của thất bại.
- Thống nhất định nghĩa lỗi bằng văn bản và ảnh mẫu giới hạn: lỗi nào là không đạt, kích thước tối thiểu bao nhiêu, ở vùng nào. Thường phát hiện ra ngay ở bước này rằng hai người kiểm tra lâu năm đánh giá cùng một sản phẩm khác nhau.
- Thu thập mẫu thật từ chuyền, gồm hàng tốt có biến động tự nhiên và đủ các loại lỗi, kể cả lỗi hiếm. Ghi lại lô, ca, nguyên liệu để mẫu đại diện.
- Làm thử nghiệm khả thi trong phòng: thử các phương án chiếu sáng và góc chụp với mẫu thật, xác nhận lỗi nhỏ nhất có hiện rõ trên ảnh không.
- Chọn hướng xử lý: quy tắc, học sâu hay kết hợp, dựa trên bản chất lỗi và lượng mẫu có được.
- Lắp đặt thí điểm trên chuyền ở chế độ chỉ quan sát, chạy song song với kiểm tra thủ công, so sánh từng sản phẩm.
- Đo tỷ lệ lọt lỗi và loại nhầm trên dữ liệu thí điểm, đặt ngưỡng theo chi phí của mỗi loại sai, rồi mới bật chức năng loại bỏ tự động.
- Thiết lập quy trình duy trì: ai xem lại ảnh bị loại, ai cập nhật mô hình khi có mã hàng mới, kiểm tra định kỳ bằng mẫu chuẩn.
Bước năm thường bị rút ngắn vì áp lực tiến độ, nhưng đó là lúc duy nhất có so sánh trực tiếp với cách làm cũ, và là căn cứ khách quan để nghiệm thu với nhà cung cấp.
Nghiệm thu và đánh giá hệ thống đo
Trong ngành ô tô và các ngành áp dụng hệ thống quản lý chất lượng nghiêm ngặt, thiết bị kiểm tra phải qua phân tích hệ thống đo (MSA), theo sổ tay do nhóm công nghiệp ô tô AIAG phát hành. Với phép đo kích thước, đánh giá độ lặp lại và độ tái lập (Gage R&R) cho biết biến động của chính hệ thống đo so với dung sai. Với kiểm tra đạt/không đạt, dùng nghiên cứu theo thuộc tính: cho hệ thống kiểm tra nhiều lần một bộ mẫu đã biết trước kết quả, đo mức độ nhất quán và mức đúng so với chuẩn.
Bộ mẫu nghiệm thu nên do nhà máy giữ, gồm mẫu tốt, mẫu lỗi rõ và đặc biệt là mẫu lỗi sát biên giới hạn, vì đó là nơi hệ thống dễ sai nhất. Không nên để nhà cung cấp tự chọn mẫu nghiệm thu, và không dùng chính ảnh đã huấn luyện mô hình để kiểm tra.
Hợp đồng nên ghi rõ tiêu chí nghiệm thu theo cả hai loại sai, tốc độ chuyền, điều kiện môi trường như ánh sáng xung quanh và rung, thời gian đổi mã hàng, quyền sở hữu ảnh và mô hình đã huấn luyện. Điều khoản cuối thường bị bỏ quên, nhưng quyết định doanh nghiệp có tự cải tiến được hệ thống về sau hay không.
Ứng dụng điển hình trong nhà máy Việt Nam
Các ngành sản xuất xuất khẩu lớn có nhiều bài toán phù hợp, mỗi bài toán có đặc thù kỹ thuật riêng.
- Điện tử lắp ráp: kiểm tra quang học tự động mạch in sau hàn, phát hiện thiếu linh kiện, lệch, cầu hàn; đây là lĩnh vực thị giác máy trưởng thành nhất.
- Bao bì và in ấn: kiểm tra lỗi in, lệch màu, nhãn dán đúng vị trí, nắp chai đóng kín, mực in hạn sử dụng có hiện diện.
- Dệt may và da giày: phát hiện lỗi vải trên máy kiểm vải bằng camera quét dòng; khó vì vân vải và màu biến đổi nhiều.
- Thực phẩm và nông sản: phân loại theo màu, kích thước, phát hiện dị vật, ví dụ phân loại hạt điều, cà phê, gạo; thường kết hợp camera màu với cảm biến ngoài vùng nhìn thấy.
- Đồ gỗ và vật liệu: phát hiện mắt gỗ, nứt, lỗi sơn trên bề mặt có vân tự nhiên, nơi học sâu và phát hiện bất thường tỏ ra hữu ích.
- Cơ khí chính xác: đo kích thước không tiếp xúc, kiểm tra ren, bavia, vết trầy trên bề mặt gia công bóng.
Điểm chung là bài toán càng rõ định nghĩa lỗi và càng ổn định về điều kiện chụp thì càng dễ thành công. Những bài toán mà chính người kiểm tra còn tranh cãi nhiều thì nên giải quyết sự thống nhất tiêu chuẩn trước khi nói đến tự động hoá.
Câu hỏi thường gặp
Thị giác máy có thay hoàn toàn người kiểm tra không?
Thường không ngay. Mô hình phổ biến là máy kiểm tra toàn bộ, người kiểm tra lại các sản phẩm bị loại và xử lý trường hợp khó. Vai trò người kiểm tra chuyển sang xác nhận, gán nhãn dữ liệu mới và cải tiến tiêu chuẩn, đòi hỏi kỹ năng khác so với nhìn bằng mắt.
Cần bao nhiêu ảnh lỗi để huấn luyện mô hình học sâu?
Không có con số chung; phụ thuộc độ đa dạng của lỗi và nền. Các công cụ hiện đại có thể bắt đầu với số lượng tương đối nhỏ cho mỗi loại lỗi, nhưng độ tin cậy tăng rõ khi mẫu phủ được biến động thật của sản xuất. Chất lượng và nhất quán của nhãn quan trọng hơn số lượng.
Camera độ phân giải càng cao có càng tốt không?
Không hẳn. Độ phân giải cao tăng lượng dữ liệu, giảm tốc độ xử lý và đòi hỏi ống kính, chiếu sáng tốt hơn. Nên tính từ kích thước lỗi nhỏ nhất và trường nhìn cần thiết, chọn độ phân giải đủ để lỗi chiếm vài điểm ảnh, rồi ưu tiên đầu tư chiếu sáng.
Hệ thống có hoạt động khi đổi mã hàng thường xuyên không?
Được, nếu thiết kế cho điều đó: lưu công thức kiểm tra theo mã hàng, tự chuyển khi lệnh sản xuất thay đổi, và có quy trình thêm mã mới. Với học sâu, mã hàng mới có thể cần thêm ảnh huấn luyện, nên thời gian đổi mã phải được ghi trong yêu cầu kỹ thuật.
Ảnh kiểm tra có nên lưu lại không?
Nên lưu ít nhất ảnh sản phẩm bị loại và một tỷ lệ ảnh sản phẩm đạt. Đây là nguồn để xem lại quyết định, cải tiến mô hình, giải quyết khiếu nại khách hàng và phân tích xu hướng lỗi. Cần tính dung lượng lưu trữ và thời gian giữ ngay từ đầu.
Có thể dùng camera an ninh thông thường để kiểm tra chất lượng không?
Chỉ cho một số bài toán rất thô như đếm hoặc phát hiện có hay không có vật lớn. Camera an ninh có màn trập, độ trễ và chất lượng ảnh không phù hợp với vật chuyển động nhanh và lỗi nhỏ, và không đồng bộ được với tín hiệu băng tải như camera công nghiệp.