Machine Vision và Deep Learning đang thay đổi cách mạng lĩnh vực Kiểm tra tự động trong sản xuất.
Trí tuệ nhân tạo là một công nghệ thay đổi cuộc chơi, với vô số ứng dụng ở gần như mọi lĩnh vực của doanh nghiệp. Hiện tại, nó đang tiến vào lĩnh vực Sản xuất, cho phép nó khai thác sức mạnh của việc Deep Learning và như thế, nó cung cấp giải pháp tự động hóa nhanh hơn, rẻ hơn và vượt trội hơn.
Bài viết này nhằm cung cấp một sự hiểu biết ngắn gọn về Quản lý chất lượng bằng thị giác máy tính và làm thế nào một phương pháp Deep Learning có thể tiết kiệm thời gian và hiệu năng đáng kể trong việc quản lý chất lượng sản xuất.
Kiểm tra trực quan (Visual Inspection) là gì ?
Visual Inspection liên quan đến việc phân tích các sản phẩm trên dây chuyền sản xuất cho mục đích kiểm soát chất lượng. Kiểm tra trực quan cũng có thể được sử dụng để đánh giá bên trong và bên ngoài của các thiết bị khác nhau trong một cơ sở sản xuất như bể chứa, bình chịu áp lực, đường ống và các thiết bị khác.Đó là một quá trình diễn ra trong khoảng thời gian đều đặ hàng ngày. Visual Inspection đã được chỉ ra nhiều lần rằng kết quả kiểm tra trực quan trong việc phát hiện ra hầu hết các khiếm khuyết ẩn trong quá trình sản xuất.
Khi nào cần kiểm tra trực quan ?
Mặc dù kiểm tra trực quan được sử dụng trong sản xuất để đánh giá chất lượng hoặc khiếm khuyết, trong các môi trường phi sản xuất, nó có thể được sử dụng để xác định xem các tính năng biểu thị ra bên ngoài của một mục tiêu và ngăn chặn các tác động tiêu cực tiềm ẩn.
Trong số nhiều ngành đòi hỏi phải kiểm tra trực quan, và có một số ngành được coi là kiểm tra trực quan có hiệu quả rất cao và là hoạt động có mức độ ưu tiên cao do chi phí tổn thất cao có thể xảy ra do bất kỳ lỗi nào xảy ra thông qua kiểm tra như thương tích, tử vong, mất mát thiết bị đắt tiền, vật phẩm bị loại bỏ, làm lại hoặc mất khách hàng. Các lĩnh vực việc kiểm tra trực quan được ưu tiên bao gồm vũ khí hạt nhân, năng lượng hạt nhân, sàng lọc hành lý sân bay, bảo dưỡng máy bay, công nghiệp thực phẩm, y học và dược phẩm.
Vì sao lại không sử dụng phương pháp kiểm tra thủ công ?
Kiểm tra thủ công đòi hỏi sự hiện diện của một người, một thanh tra viên thực hiện đánh giá thực thể theo câu hỏi và chuyển phán quyết về nó theo một số đào tạo hoặc kiến thức trước đó. Không có thiết bị được yêu cầu ngoại trừ mắt thường của thanh tra được đào tạo.
Theo nghiên cứu, lỗi kiểm tra trực quan thường dao động từ 20% đến 30% (Drury & Fox, 1975). Một số khiếm khuyết có thể được quy cho lỗi của con người, trong khi một số khác là do giới hạn về không gian. Một số lỗi có thể được giảm bớt thông qua đào tạo và thực hành, nhưng không thể được loại bỏ hoàn toàn.
Đặc biệt trong môi trường sản xuất khi con người mệt mỏi có thể dẫn đến kết quả kiểm tra xảy ra nhiều sai sót.
Dưới đây là một số yếu tố ảnh hưởng đến chất lượng quá trình kiểm tra trực quan
Lỗi kiểm tra trực quan trong sản xuất có một trong hai hình thức – thiếu một khiếm khuyết hiện có hoặc xác định không chính xác một khiếm khuyết không tồn tại (false positive). Lỗi có xu hướng xảy ra thường xuyên hơn nhiều so với báo động sai. Những thiếu sót có thể dẫn đến sai sót chất lượng, trong khi false positive có thể gây ra chi phí sản xuất không cần thiết và lãng phí tổng thể.
Hạn chế của kiểm tra thủ công: Bên cạnh đó, kiểm tra thủ công bị các hạn chế khác như
Vẫn còn một thực tế là mắt người, trong khi công nghệ tiên tiến hơn bất kỳ máy ảnh cơ học nào, cũng có thể dễ dàng bị đánh lừa. Chúng ta hãy cùng xem xét một số điểm yếu liên quan đến kiểm tra trực quan bằng con người :
Chỉ riêng tầm nhìn của con người là không thể tin tưởng hoàn toàn- Những ảo ảnh quang học như bên trái có thể chứng minh mắt người có thể không đáng tin đến mức nào. Điều này không nhất thiết có nghĩa là kiểm tra thủ công là hoàn toàn vô dụng, nhưng nó sẽ không hiệu quả khi phụ thuộc hoàn toàn vào nó.
Tầm nhìn của thị lực – Mắt người không có khả năng thực hiện các phép đo chính xác, đặc biệt là ở quy mô rất nhỏ. Ngay cả khi so sánh hai vật thể tương tự nhau, mắt có thể không nhận thấy rằng một vật nhỏ hơn hoặc lớn hơn vật kia một chút. Khái niệm này cũng áp dụng cho các đặc điểm như độ nhám bề mặt, kích thước và bất kỳ yếu tố nào khác cần đo.
Chi phí lao động – Kiểm tra thủ công vẫn là một liên doanh tốn kém do việc bổ nhiệm (nhiều) cá nhân được đào tạo. Các nhà khai thác kiểm tra thủ công, chi phí có thể kiếm được mức lương hàng năm từ 50.000 đến 60.000 đô la.
Một sự thay thế mới : Machine Vision & Deep Learning
Kiểm tra trực quan tự động có thể khắc phục những vấn đề này bằng cách làm cho toàn bộ quy trình kiểm tra trực quan không phụ thuộc vào bất kỳ sự tham gia nào của con người. Sử dụng các hệ thống tự động thường vượt qua thiếu sót của kiểm tra thủ công.
Sử dụng Deep Learning và Machine Vision kết hợp, không chỉ có thể mà còn có thể đạt được để xây dựng các hệ thống thông minh thực hiện kiểm tra chất lượng kỹ lưỡng đến các chi tiết tốt nhất. Chúng ta không cần yêu cầu 1 robot nói chuyện, đi bộ để tự động hóa sản xuất và kiểm tra. Thiết bị vật lý tối thiểu là cần thiết để tự động hóa quá trình kiểm tra trực quan. Thay vào đó, quy trình được thực hiện thông minh hơn do sử dụng Deep Learning. Cách tiếp cận này thường bao gồm các bước như thu nhận hình ảnh, tiền xử lý, trích xuất tính năng, phân loại, v.v.
Deep Learning là gì và nó ảnh hưởng như thế nào?
Công nghệ Deep Learning sử dụng các mạng lưới thần kinh chứa hàng ngàn lớp có khả năng bắt chước trí thông minh ở cấp độ con người để phân biệt dị thường, các bộ phận và ký tự trong khi chịu đựng các biến đổi tự nhiên trong các mẫu phức tạp. Theo cách này, Deep Learning kết hợp khả năng thích ứng của kiểm tra trực quan của con người với tốc độ và sự mạnh mẽ của một hệ thống máy tính.
Deep Learning dạy cho máy móc làm những gì tự nhiên đến với con người: học bằng ví dụ. Phần cứng mới, chi phí thấp đã khiến nó trở nên thiết thực khi triển khai một mạng lưới thần kinh sâu nhiều lớp, mô phỏng các mạng nơ-ron trong não người. Điều này mang lại cho công nghệ sản xuất những khả năng mới tuyệt vời để nhận biết hình ảnh, phân biệt xu hướng và đưa ra dự đoán và quyết định thông minh.
Bắt đầu từ một logic cốt lõi được phát triển trong quá trình đào tạo ban đầu, các mạng lưới thần kinh sâu có thể liên tục tinh chỉnh hiệu suất của chúng khi chúng được trình bày với hình ảnh, lời nói và văn bản mới.
Machine Vision là gì ?
Machine Vision là công nghệ và phương pháp được sử dụng để cung cấp kiểm tra tự động dựa trên hình ảnh. Đây là một hệ thống sử dụng công nghệ điện toán hình ảnh để cơ giới hóa, nhìn thấy các hoạt động diễn ra từng bước một trên dây chuyền sản xuất. Các thành phần của hệ thống kiểm tra tự động thường bao gồm ánh sáng, máy ảnh hoặc thiết bị thu nhận hình ảnh khác, bộ xử lý, phần mềm và thiết bị đầu ra.
Machine Vision vượt qua tầm nhìn của con người ở phép đo định lượng và định tính của một cảnh có cấu trúc vì tốc độ, độ chính xác và độ lặp lại của nó. Một hệ thống thị giác máy có thể dễ dàng đánh giá các chi tiết đối tượng quá nhỏ để có thể nhìn thấy bằng mắt người và kiểm tra chúng với độ tin cậy cao hơn và sai số thấp hơn.
Trên dây chuyền sản xuất, các hệ thống thị giác máy có thể kiểm tra hàng trăm hoặc hàng ngàn bộ phận mỗi phút một cách đáng tin cậy và lặp đi lặp lại, vượt xa khả năng kiểm tra của con người.
Một hệ thống tự động truyền thống, trong khi giảm thiểu chi phí và nâng cao hiệu quả không có tính linh hoạt hoặc khả năng chịu đựng sự thay đổi mà con người làm. Auditor thủ công có thể phân biệt giữa các lỗ hổng tinh tế, mỹ phẩm và chức năng, và có thể diễn giải các biến thể trong ngoại hình một phần có thể ảnh hưởng đến chất lượng cảm nhận. Mặc dù bị giới hạn về tốc độ họ có thể xử lý thông tin, con người có khả năng khái niệm hóa và khái quát hóa một cách độc đáo.
Con người nổi trội trong việc học tập bằng ví dụ và có thể phân biệt những gì thực sự quan trọng khi nói đến sự bất thường nhỏ giữa các bộ phận. Điều này đặt ra câu hỏi làm thế nào Machine Vision có thể đưa ra lựa chọn tốt nhất, trong nhiều trường hợp, cho việc giải thích định tính một cảnh phức tạp, không có cấu trúc – đặc biệt là những cảnh có khiếm khuyết tinh tế và sai sót khó lường.
Vì sao Machine Vision và Deep learning đi đôi với nhau ?
Mặc dù các hệ thống thị giác máy chịu được một số thay đổi về ngoại hình một phần do sự thay đổi tỷ lệ, xoay và gây biến dạng, kết cấu bề mặt phức tạp và các vấn đề về chất lượng hình ảnh đưa ra những thách thức kiểm tra nghiêm trọng. Một mình các hệ thống thị giác máy không thể đánh giá khả năng biến đổi và sai lệch lớn giữa các hình ảnh rất giống nhau.
Các hệ thống dựa trên Deep Learning rất phù hợp cho việc kiểm tra trực quan phức tạp hơn về bản chất: các mô hình khác nhau theo những cách tinh tế nhưng có thể chấp nhận được. Deep Learning là tốt trong việc giải quyết các khuyết tật bề mặt và mỹ phẩm phức tạp, như vết trầy xước và vết lõm trên các bộ phận được xoay, chải hoặc sáng bóng.
Dù được sử dụng để định vị, đọc, kiểm tra hoặc phân loại các tính năng quan tâm, phân tích hình ảnh dựa trên Deep Learning khác với Machine Vision truyền thống ở khả năng khái niệm hóa và khái quát hóa diện mạo của của object.
Vì sao cần Machine Vision và Deep Learning trong Visual Inspection
Dưới đây là nhiều lý do để chọn kiểm tra trực quan tự động khi áp dụng trong sản xuất:
- Nhận diện tốt hơn
- Machine Vision có độ phân giải quang học rất cao phụ thuộc vào công nghệ và thiết bị được sử dụng để thu nhận hình ảnh.
- So với thị giác của con người, thị giác máy có phổ nhận thức trực quan rộng hơn ’với khả năng thực hiện các quan sát ở các vùng cực tím, XRay và Hồng ngoại của quang phổ.
- Nhanh hơn – Các quan sát cũng như kết luận được thực hiện cực kỳ nhanh, với tốc độ của máy tính Tốc độ nhanh như được đo bằng FLOP và cũng, chúng cho kết quả tính toán chính xác. Hệ thống có tất cả sức mạnh liên quan đến tốc độ xử lý cao hơn cùng với khả năng bộ nhớ vô hạn.
- Đáng tin cậy – Hệ thống không thiên vị và lập trình theo yêu cầu, làm theo hướng dẫn mà không có câu hỏi.
- Chính xác – Một hệ thống tự động có khả năng đo kích thước tuyệt đối theo cách chuẩn hóa.
- Độc lập với môi trường – Một hệ thống như vậy có thể được triển khai trong các điều kiện hoặc môi trường nguy hiểm và nguy hiểm nơi sự tham gia của con người có thể gây ra rủi ro.
Bắt đầu từ đâu ?
Về yêu cầu, AVI không thực sự đòi hỏi nhiều thiết bị vật lý. Thiết bị cần thiết để bắt đầu tự động kiểm tra trực quan có thể được chia thành tài nguyên phần cứng và phần mềm.
Phần cứng
Những tài nguyên này bao gồm các thiết bị chính như máy ảnh, quang kế, máy đo màu và các thiết bị thứ cấp tùy chọn như được yêu cầu để phân loại hoặc phân loại, sẽ phụ thuộc vào các quy trình công nghiệp và tự động hóa.
Chúng ta chủ yếu chụp ảnh và phân tích hình ảnh, một chiếc camera là tất cả những gì bạn cần! Tùy thuộc vào ngành công nghiệp nơi nó được sử dụng, thiết bị vật lý thực sự có thể được phân loại thành ba hệ thống con
Hệ thống cấp dữ liệu – Trải đều các vật phẩm và di chuyển chúng với tốc độ không đổi, để hệ thống quang học có thể chụp các khung của các vật phẩm riêng lẻ.
Hệ thống quang học – Bao gồm nguồn sáng được điều chỉnh cụ thể và cảm biến (thường là máy ảnh kỹ thuật số). Hệ thống quang học ghi lại hình ảnh của các vật phẩm được kiểm tra để phần mềm có thể xử lý và phân tích chúng.
Hệ thống phân tách – Loại bỏ các mặt hàng và / hoặc điểm bị lỗi và tách sản phẩm thành nhiều loại theo chất lượng của chúng.
Phần Mềm
Yêu cầu chính đối với AVI là lớp phần mềm, mà cốt lõi của nó là công nghệ thị giác máy tính giúp kiểm tra các sản phẩm hoặc bất kỳ đối tượng quan tâm nào về các khiếm khuyết và sự vắng mặt / hiện diện của các bộ phận nhất định.
Phần mềm của hệ thống kiểm tra trực quan tự động đòi hỏi các thuật toán phân tích hình ảnh tiên tiến và lập trình nặng. Các thuật toán này xử lý hình ảnh để điều chỉnh chất lượng của chúng, xác định vị trí các điểm và vùng thú vị và cuối cùng quyết định dựa trên các tính năng được tìm thấy trong các khu vực này.
Các công nghệ Deep Learning đã cho phép các hệ thống kiểm tra trực quan tự động vượt trội hơn các quy trình thị giác của con người hoặc truyền thống. Các mô hình Deep Learning đã được chứng minh là một phần không thể thiếu của phần mềm nhờ vào thành công to lớn mà họ đã thể hiện trong việc giải quyết các vấn đề kiểm tra. Nó có thể được đào tạo trên hàng ngàn hình ảnh, ví dụ, bu lông, một thuật toán Deep Learning dần dần học được cách phát hiện bất kỳ sai lệch có ý nghĩa nào từ sự xuất hiện của tiêu chuẩn của một bu lông.
Tùy thuộc vào case study của bạn, vấn đề kiểm tra của bạn có thể được giải quyết bằng cách sử dụng một hoặc kết hợp các tác vụ khác nhau như Phát hiện đối tượng, Phân đoạn ngữ nghĩa và Phân loại hình ảnh. Nó cũng có thể liên quan đến các mô hình OCR để đọc số sê-ri hoặc mã vạch.
Để duy trì tốc độ xử lý hình ảnh cao, một mô hình Deep Learning được đào tạo thường phải được triển khai trên các máy tính tài nguyên cao. Chẳng hạn, GPU là cần thiết để có kết quả trong thời gian thực. Vì thế gần đây xu hướng Edge AI lại trở nên bùng nổ mạnh mẽ.
Một số yếu tố đóng vai trò trong kết quả chính xác và hiệu suất của mô hình kiểm tra – điều kiện ánh sáng, số lượng sản phẩm cần kiểm tra, loại khuyết tật cần tìm, kích thước của khuyết tật / đối tượng, độ phân giải của hình ảnh.
Do đó, một hệ thống kiểm tra trực quan tự động đòi hỏi một đội ngũ kỹ sư R & D lành nghề có khả năng xây dựng các hệ thống phức tạp như vậy.
Mỗi đơn vị sản xuất có dữ liệu (hình ảnh) khác nhau và thường là do các loại máy ảnh khác nhau, chiếu sáng trong nhà hoặc chính sản phẩm. Do đó, phần mềm của AVI, luôn là một giải pháp tùy chỉnh phù hợp với nhu cầu kiểm tra cụ thể.
Kết luận
Trí tuệ nhân tạo đã cách mạng hóa cuộc sống hàng ngày của chúng ta ở đây và bây giờ. Từ tìm kiếm của Google bằng hình ảnh đến các hệ thống công nghiệp phức tạp đảm bảo chất lượng sản phẩm – Machine Vision đang giúp cuộc sống của chúng ta dễ dàng thực hiện các nhiệm vụ phức tạp nhất. Và có thể các nhiệm vụ kiểm tra chất lượng hình ảnh rất sớm sẽ chủ yếu dựa trên máy móc, cho phép con người tập trung vào các nhiệm vụ phức tạp hơn.
Bài viết được SmartIndustryVN sưu tầm nhằm cung cấp những thông tin tổng quan về hệ thống quản lý chất lượng bằng nhận dạng xử lý ảnh trong công nghiệp, hi vọng qua bài viết bạn đọc sẽ hiểu rõ hơn tính ứng dụng của nó trong tương lai. Bạn cần tư vấn các hệ thống nhận dạng xử lý ảnh trong sản xuất, hãy LH admin để được tư vấn nhé.
