Công nghệ phát hiện khuyết tật thị giác công nghiệp: Nguyên tắc, phương pháp và xu hướng tương lai

Trên dây chuyền sản xuất hiện đại, khi các bộ phận đi qua hệ thống kiểm tra với tốc độ vài mét/giây, những khuyết tật nhỏ mà mắt thường không thể nhận thấy sẽ được xác định và phân loại theo thời gian thực. Đằng sau quy trình tưởng chừng đơn giản này là sự tích hợp sâu sắc của công nghệ hình ảnh quang học, trí tuệ nhân tạo và tự động hóa.

Phát hiện lỗi, là một thành phần cốt lõi của kiểm soát chất lượng công nghiệp, đóng vai trò quan trọng trong việc đảm bảo an toàn và độ tin cậy của sản phẩm. Việc phát hiện lỗi truyền thống chủ yếu dựa vào kiểm tra trực quan thủ công, nhưng phương pháp này kém hiệu quả và dễ bị đánh giá sai do mệt mỏi. Với sự phát triển của công nghệ thị giác máy tính, công nghệ phát hiện lỗi dựa trên thị giác máy tính đã dần trở thành một phần quan trọng của tự động hóa công nghiệp.

Hệ thống phát hiện khuyết tật công nghiệp hiện đại có thể tự động nhận dạng và phân loại với độ chính xác đến từng micron, tăng tốc độ phát hiện hơn 90% so với phương pháp thủ công, cung cấp hỗ trợ công nghệ then chốt cho sự phát triển bền vững và chất lượng cao của ngành sản xuất. Bài viết này sẽ giới thiệu một cách hệ thống các nguyên lý kỹ thuật, phương pháp chính, thực tiễn ứng dụng và xu hướng phát triển của công nghệ phát hiện khuyết tật, cung cấp tài liệu tham khảo cho các chuyên gia trong lĩnh vực liên quan.

1. Nguyên lý kỹ thuật và thành phần hệ thống phát hiện lỗi

Nguyên lý cơ bản của phát hiện khuyết tật là sử dụng hệ thống quang học để thu thập hình ảnh bề mặt sản phẩm, sau đó sử dụng các thuật toán xử lý và phân tích hình ảnh để xác định các khu vực bất thường. Một hệ thống phát hiện khuyết tật bằng thị giác công nghiệp hoàn chỉnh thường bao gồm các thành phần cốt lõi sau:

1.1 Hệ thống hình ảnh quang học

Hệ thống hình ảnh quang học là "con mắt" phát hiện khuyết tật, và chất lượng của nó quyết định trực tiếp đến độ chính xác của các phân tích tiếp theo. Các hệ thống thị giác công nghiệp thường sử dụng các kết hợp nguồn sáng đặc biệt để tăng cường các đặc điểm khuyết tật trên các bề mặt vật liệu khác nhau: ánh sáng trường tối được sử dụng để chụp các khuyết tật phẳng như vết xước và vết mực; ánh sáng trường sáng phát hiện các khuyết tật ba chiều như vết lồi lõm và kết cấu vỏ cam; và ánh sáng mờ thích hợp để định vị đường viền của các khuyết tật mờ như lỗ cát và các cạnh bị sứt mẻ.

Camera công nghiệp hiệu suất cao (camera quét vùng/camera quét đường) kết hợp với các nhóm thấu kính quang học có thể điều chỉnh là cốt lõi của việc thu thập hình ảnh. Các công nghệ được cấp bằng sáng chế liên quan từ năm 2024 cho thấy các hệ thống phát hiện tiên tiến có thể đạt được độ chính xác phát hiện ở cấp độ micron thông qua việc chụp từng đường nét bằng camera quét đường nét và điều khiển nguồn sáng nhấp nháy được lập trình sẵn. Để đáp ứng nhu cầu kiểm tra phôi phức tạp, các hệ thống hình ảnh quang học đa chức năng sử dụng các cánh tay robot cộng tác mang theo nhiều bộ thiết bị hình ảnh thị giác, sử dụng camera quét vùng, camera quét đường nét và cảm biến laser 3D để phối hợp hoạt động, đảm bảo thu thập hình ảnh toàn diện của phôi mà không có điểm mù.

1.2 Xử lý tín hiệu và phân tích hình ảnh

Hệ thống xử lý tín hiệu chịu trách nhiệm chuyển đổi tín hiệu quang thu được từ phần cứng quang học thành tín hiệu số và thực hiện giảm nhiễu, điều chỉnh độ khuếch đại và các xử lý khác để đảm bảo tính ổn định của dữ liệu gốc. Mô-đun xử lý hình ảnh sử dụng một loạt các thuật toán để xử lý trước hình ảnh, bao gồm giảm nhiễu, tăng cường và phân đoạn, nhằm cải thiện chất lượng hình ảnh và làm nổi bật các đặc điểm khuyết tật.

Các công nghệ tiền xử lý chính bao gồm bù trừ sáng thích ứng, hợp nhất đặc điểm đa tỷ lệ và làm sắc nét hình ảnh. Thuật toán CLAHE, được thiết kế cho bề mặt kim loại phản chiếu, xử lý hiệu quả hiện tượng chiếu sáng không đồng đều; phản hồi của bộ lọc Gabor đa tỷ lệ có thể cải thiện các đặc điểm khuyết tật ở nhiều kích thước khác nhau.

2. Các thuật toán phát hiện lỗi chính thống

Các thuật toán phát hiện lỗi công nghiệp đã phát triển từ xử lý hình ảnh truyền thống sang học máy, rồi đến học sâu. Mỗi phương pháp đều có ưu nhược điểm riêng và phù hợp với từng tình huống khác nhau.

2.1 Thuật toán xử lý hình ảnh truyền thống

Các phương pháp xử lý ảnh truyền thống chủ yếu dựa vào kỹ thuật xử lý đặc trưng và kỹ thuật so khớp mẫu. Kỹ thuật xử lý đặc trưng phát hiện lỗi bằng cách phân tích giá trị thang độ xám, phương sai, giá trị trung bình, màu sắc, hình dạng, đường viền, diện tích và các đặc điểm khác của ảnh, mang lại những ưu điểm như tính linh hoạt cao và tốc độ xử lý nhanh. Phân tích blob phân tích các thành phần liên kết của các điểm ảnh giống hệt nhau trong một ảnh để tính toán các đặc điểm liên quan và xác định chính xác các vùng lỗi.

Mặt khác, đối sánh mẫu sử dụng mẫu hình ảnh tiêu chuẩn được xác định trước và so sánh nó với hình ảnh cần kiểm tra để xác định lỗi. Phương pháp này đơn giản và hiệu quả trong các tình huống cụ thể nhưng khả năng thích ứng và khái quát hóa còn hạn chế. Mặc dù các thuật toán truyền thống hoạt động tốt trong một số trường hợp cụ thể nhưng chúng thường hoạt động kém hơn trong bối cảnh phức tạp hoặc với nhiều loại lỗi khác nhau.

2.2 Phương pháp học máy

Các phương pháp học máy trong phát hiện lỗi chủ yếu sử dụng các thuật toán phân loại như Máy vectơ hỗ trợ (SVM) và cây quyết định. Các phương pháp này không yêu cầu lượng dữ liệu đào tạo lớn, có độ tin cậy cao và thường được sử dụng để phát hiện lỗi trong vật liệu in và thực phẩm.

Các phương pháp phát hiện dựa trên SVM có thể đạt độ chính xác hơn 95% trong việc phát hiện các khuyết tật bề mặt trên vật liệu in. Tuy nhiên, các phương pháp này thường chỉ phù hợp để phân loại khuyết tật nhị phân và có hiệu quả hạn chế trong các tình huống phức tạp khi nhiều khuyết tật cùng tồn tại.

2.3 Phương pháp học sâu

Công nghệ học sâu hoạt động cực kỳ hiệu quả trong việc phát hiện khuyết tật, tự động học các đặc điểm phức tạp trong hình ảnh và cải thiện đáng kể độ chính xác cũng như khả năng thích ứng của việc phát hiện. Các thuật toán học sâu phổ biến bao gồm:

• Thuật toán phân loại ảnh: Phân loại trực tiếp toàn bộ ảnh để xác định loại lỗi. Các mạng thường được sử dụng bao gồm ResNet và MobileNet, nhưng độ chính xác phân loại bị ảnh hưởng khi ảnh chứa nhiều nền không liên quan.

• Thuật toán phát hiện đối tượng: Xác định vị trí khuyết tật trong ảnh và phân loại chúng. Dòng thuật toán YOLO, với độ chính xác cao và khả năng suy luận nhanh, là lựa chọn ưu tiên trong ngành, đặc biệt phù hợp cho các tình huống kiểm tra thời gian thực.

• Thuật toán phân đoạn trường hợp: Cung cấp khả năng định vị cấp độ pixel tốt hơn dựa trên phát hiện đối tượng, xử lý hiệu quả các tình huống phức tạp khi các lỗi giao nhau hoặc nằm trong nhau.

Đối với vấn đề khan hiếm mẫu lỗi trong các tình huống công nghiệp, học bán giám sát và tự giám sát mang lại các giải pháp hiệu quả. Thông qua cấu trúc mạng lưới giáo viên-học sinh và chiến lược chưng cất ngược, có thể đạt được khả năng phát hiện lỗi hiệu suất cao chỉ với một lượng nhỏ dữ liệu được gắn nhãn.

3. Thực tiễn và thách thức ứng dụng công nghiệp

3.1 Các tình huống ứng dụng điển hình

Công nghệ phát hiện khuyết tật thị giác đã được sử dụng rộng rãi trong nhiều ngành công nghiệp:

Trong kiểm tra sản phẩm điện tử, hệ thống có thể phát hiện cặn hàn và khuyết tật oxy hóa chân cắm nhỏ tới 0,1 mm², sử dụng thư viện OpenCV để xử lý hình ảnh theo thời gian thực. Kiểm tra màn hình LCD sử dụng học sâu vi sai và huấn luyện mô hình để phát hiện vật thể lạ và khuyết tật Mura với độ chính xác vượt quá 99%.

Trong ngành sản xuất ô tô, hệ thống thị giác được sử dụng để kiểm tra chất lượng bề mặt của nhiều bộ phận khác nhau. Lấy ví dụ về kiểm tra trục bánh xe ô tô, tận dụng đặc tính cong nhiều góc và phản xạ cao, hệ thống kiểm tra cộng tác đa trạm được sử dụng. Các điểm kiểm tra được đặt ở phía trước, phía sau và vành xe, với cánh tay robot điều khiển vị trí của chúng để phát hiện khuyết tật đa hướng.

Trong quá trình kiểm tra pin, hệ thống có thể kiểm tra toàn diện tất cả các bề mặt của pin, xác định các khuyết tật như nhớt, vết lõm, hư hỏng, biến dạng, bụi bẩn, trầy xước. Nó cũng kiểm tra hình thức nhãn, chất lượng hàn và chất lượng mã hóa.

3.2 Thách thức thực tế và giải pháp

Việc phát hiện lỗi công nghiệp phải đối mặt với nhiều thách thức đòi hỏi các giải pháp cụ thể:

Thiếu mẫu dữ liệu là một vấn đề phổ biến trong các tình huống công nghiệp. Do quy trình sản xuất được kiểm soát nghiêm ngặt, mẫu lỗi rất khan hiếm và chi phí dán nhãn cao. Các giải pháp bao gồm sử dụng kỹ thuật tăng cường dữ liệu để tạo hình ảnh lỗi tổng hợp và tinh chỉnh các mô hình đã được đào tạo trước bằng phương pháp học chuyển giao.

Nền phức tạp và các khuyết tật nhỏ cũng đặt ra những thách thức cho việc kiểm tra. Các khuyết tật thường chỉ chiếm một diện tích nhỏ trên ảnh có độ phân giải cao và có độ tương phản thấp với nền. Để giải quyết vấn đề này, các cơ chế hợp nhất và chú ý đặc điểm đa tỷ lệ đã được chứng minh là hiệu quả, giúp mô hình tập trung vào các khu vực chính.

Chi phí triển khai mô hình là một yếu tố quan trọng cần cân nhắc trong công nghiệp hóa. Các kỹ thuật mô hình nhẹ (như cắt tỉa và lượng tử hóa) và kiến ​​trúc điện toán biên có thể giảm đáng kể mức tiêu thụ tài nguyên, cho phép triển khai hiệu quả trên các thiết bị nhúng.

4. Xu hướng và triển vọng phát triển công nghệ

Với sự phát triển liên tục của công nghệ trí tuệ nhân tạo, công nghệ phát hiện khuyết tật thị giác trong công nghiệp đang tiến triển theo hướng thông minh và hiệu quả hơn:

4.1 Tăng cường hội nhập công nghệ

Phân tích dữ liệu kết hợp đa phương thức sẽ trở thành xu hướng, phá vỡ những hạn chế của dữ liệu hình ảnh đơn lẻ. Bằng cách kết hợp thông tin từ nhiều nguồn như hồng ngoại và tia X, những thách thức về lỗi phát hiện của các vật thể đặc biệt như vật liệu phản xạ cao và trong suốt có thể được khắc phục. Đồng thời, các mô hình lai kết hợp xử lý hình ảnh truyền thống và học sâu sẽ tiếp tục phát triển, tận dụng các ưu điểm riêng của chúng để tạo ra khả năng phát hiện mạnh mẽ hơn.

Công nghệ AI tạo sinh sẽ thổi luồng sinh khí mới vào việc phát hiện lỗi. Bằng cách tạo ra các mẫu lỗi tổng hợp, vấn đề học tập trên mẫu nhỏ có thể được giải quyết, cải thiện khả năng khái quát hóa của mô hình. Hơn nữa, việc ứng dụng rộng rãi các kiến ​​trúc mới nổi như Transformer trong các tác vụ thị giác sẽ thúc đẩy hơn nữa việc cải thiện độ chính xác phát hiện.

4.2 Tích hợp hệ thống và trí tuệ

Các hệ thống phát hiện lỗi trong tương lai sẽ tập trung nhiều hơn vào thiết kế phần cứng và phần mềm cộng tác, tạo nên các giải pháp tích hợp. Thiết bị kiểm tra chất lượng quang học ứng dụng AI sẽ được tích hợp sâu vào dây chuyền sản xuất thông minh, phối hợp liền mạch với robot công nghiệp, xe tự hành (AGV) và các hệ thống khác để tạo thành một hệ thống "phát hiện-phán đoán-phân loại" khép kín.

Chức năng phát hiện lỗi cũng sẽ mở rộng từ "xác định sau sự kiện" sang "dự đoán trước sự kiện". Bằng cách liên kết với các hệ thống sản xuất như MES, AI có thể phân tích mối tương quan giữa các thông số sản xuất và lỗi, cho phép cảnh báo sớm các vấn đề về chất lượng và tối ưu hóa quy trình.

4.3 Cải thiện khả năng tự động hóa và khả năng sử dụng

Việc giảm thiểu các rào cản kỹ thuật trong sử dụng là chìa khóa để thúc đẩy ứng dụng rộng rãi. Các hệ thống phát hiện lỗi trong tương lai sẽ tập trung nhiều hơn vào việc cải thiện chuỗi công cụ, cho phép các kỹ sư thông thường đào tạo và triển khai các mô hình mà không cần kiến ​​thức chuyên sâu về AI. Khả năng tự động điều chỉnh tham số và học tập thích ứng sẽ được nâng cao hơn nữa, cho phép hệ thống nhanh chóng thích ứng với các sản phẩm và tình huống mới.

Với những tiến bộ công nghệ, công nghệ phát hiện lỗi trực quan trong công nghiệp đang chuyển từ phương pháp truyền thống "dựa trên quy tắc" sang phương pháp "dựa trên dữ liệu" và từ "công cụ hỗ trợ" sang "trung tâm ra quyết định". Các hệ thống phát hiện lỗi trong tương lai sẽ thông minh hơn, thích ứng hơn và tích hợp hơn, mang lại sự đảm bảo vững chắc cho sự phát triển bền vững và chất lượng cao của ngành sản xuất.

Sự chuyển đổi này không chỉ cải thiện khả năng kiểm soát chất lượng sản phẩm mà còn xác định lại quy trình sản xuất và tiêu chuẩn hiệu quả, đặt nền tảng vững chắc cho kỷ nguyên sản xuất thông minh.