Camera AI Vision kiểm tra lỗi cắt mép hũ nhựa

Trong công đoạn hoàn thiện hũ nhựa, chất lượng mép cắt ảnh hưởng trực tiếp đến khả năng chuyển tiếp sang các bước sản xuất sau. Việc kiểm tra bằng mắt thường có thể gặp khó khăn khi hình dạng mép cắt phức tạp, sản phẩm di chuyển liên tục hoặc tiêu chí tốt và lỗi chưa được định nghĩa rõ ràng.

Milotech đang nghiên cứu ứng dụng AI Vision kiểm tra lỗi cắt hũ nhựa nhằm hỗ trợ doanh nghiệp nhận diện sản phẩm không đáp ứng yêu cầu ngay trên dây chuyền. Tuy nhiên, hiệu quả của hệ thống không chỉ phụ thuộc vào thuật toán. Một giải pháp phù hợp cần được xây dựng từ mẫu thực tế, dung sai kỹ thuật và điều kiện vận hành tại nhà máy.

Bài toán kiểm tra lỗi cắt mép hũ nhựa

Mục tiêu của bài toán là phân biệt mép cắt đạt yêu cầu và mép cắt không đạt theo tiêu chuẩn của từng nhà máy. Đây không phải là một tiêu chuẩn chung có thể áp dụng giống nhau cho mọi loại hũ nhựa.

Trước khi thiết kế hệ thống, doanh nghiệp cần trả lời một số câu hỏi quan trọng:

• Mép cắt tốt được định nghĩa như thế nào?
• Những dạng sai lệch nào phải loại bỏ?
• Mức sai lệch nào vẫn nằm trong dung sai chấp nhận?
• Lỗi cần được quan sát ở một góc hay nhiều góc?
• Vị trí và hướng của hũ khi đi qua điểm kiểm tra có ổn định không?
• Sau khi phát hiện lỗi, sản phẩm sẽ được cảnh báo, ghi nhận hay loại khỏi băng tải?

Các dạng bất thường có thể được xem xét gồm mép cắt không đều, phần vật liệu còn dư, vùng cắt thiếu hoặc hình dạng mép khác với mẫu đạt. Tuy nhiên, việc một đặc điểm có được coi là lỗi hay không phải dựa trên mẫu tốt, mẫu lỗi và dung sai do doanh nghiệp xác nhận.

Vì vậy, AI Vision không nên được triển khai chỉ từ mô tả bằng lời. Bộ mẫu thực tế cần thể hiện được biến thiên của sản phẩm trong sản xuất, bao gồm cả các trường hợp nằm gần ranh giới giữa đạt và không đạt.

AI Vision đánh giá mép cắt như thế nào?

Camera ghi nhận hình ảnh của hũ tại vị trí kiểm tra. Hình ảnh sau đó được xử lý để xác định vùng mép cắt và so sánh đặc điểm quan sát được với tiêu chí đã xây dựng từ dữ liệu mẫu.

Tùy theo bài toán, hệ thống có thể tập trung vào hình dạng tổng thể của đường cắt, sự liên tục của mép, phần vật liệu bất thường hoặc khác biệt giữa sản phẩm đang kiểm tra và mẫu tham chiếu. Kết quả cuối cùng thường cần được quy đổi thành quyết định đạt hoặc không đạt theo dung sai sản xuất.

Điểm quan trọng là thuật toán chỉ làm việc tốt khi hình ảnh đầu vào đủ ổn định. Nếu cùng một mép cắt nhưng lúc sáng, lúc tối, lúc bị che khuất hoặc xuất hiện ở các vị trí khác nhau, hệ thống có thể khó phân biệt đâu là biến thiên bình thường và đâu là lỗi thật sự.

Do đó, dự án cần được nhìn nhận như một hệ thống kiểm tra đồng bộ, thay vì chỉ là việc lắp thêm camera hoặc sử dụng một mô hình AI độc lập.

Cấu hình hệ thống cần được thiết kế đồng bộ

Một cấu hình camera AI Vision kiểm tra lỗi cắt mép hũ nhựa cần phối hợp camera, nguồn sáng, băng tải và cơ cấu loại sản phẩm. Mỗi thành phần giải quyết một phần khác nhau của bài toán.

Camera và góc quan sát

Camera cần được bố trí để nhìn thấy vùng mép cắt cần đánh giá. Góc quan sát phải được lựa chọn dựa trên hình dạng hũ và vị trí lỗi. Nếu lỗi có thể xuất hiện quanh toàn bộ chu vi, một góc nhìn duy nhất có thể không cung cấp đủ thông tin. Khi đó, cần khảo sát phương án quan sát phù hợp thay vì mặc định một cấu hình cho mọi sản phẩm.

Việc lựa chọn camera cũng phải gắn với kích thước vùng cần kiểm tra, mức chi tiết cần nhận biết và khoảng cách lắp đặt thực tế. Không nên chọn thiết bị chỉ theo độ phân giải danh nghĩa mà bỏ qua chất lượng hình ảnh tại vị trí sản xuất.

Nguồn sáng

Nhựa có thể tạo ra phản xạ hoặc vùng sáng tối khác nhau tùy bề mặt, màu sắc và góc đặt. Nguồn sáng cần làm nổi bật mép cắt, đồng thời hạn chế ảnh hưởng của ánh sáng môi trường.

Cách chiếu sáng phải được thử nghiệm trên chính mẫu sản phẩm dự kiến kiểm tra. Một phương án phù hợp với hũ này chưa chắc tạo được độ tương phản cần thiết cho hũ khác. Đánh giá nguồn sáng vì thế là một phần của quá trình thử mẫu, không phải bước lựa chọn tách rời.

Băng tải và khả năng ổn định sản phẩm

Băng tải đưa sản phẩm qua vùng chụp nhưng cũng quyết định mức ổn định về vị trí, hướng và khoảng cách giữa các hũ. Nếu sản phẩm rung, xoay không kiểm soát hoặc đi sát nhau, hình ảnh có thể không đồng nhất và việc loại sản phẩm lỗi cũng trở nên khó khăn hơn.

Khi khảo sát, cần xem xét cách hũ được đưa vào vùng kiểm tra, khả năng giữ khoảng cách và vị trí của hũ tại thời điểm chụp. Những yếu tố cơ khí này có thể ảnh hưởng trực tiếp đến độ tin cậy của kết quả.

Cơ cấu loại sản phẩm

Phát hiện lỗi chỉ là bước đầu. Hệ thống còn phải xác định đúng sản phẩm cần loại và tác động vào thời điểm phù hợp. Cơ cấu loại cần được thiết kế đồng bộ với chuyển động của băng tải và logic xử lý kết quả.

Nếu camera phát hiện đúng nhưng cơ cấu loại không theo kịp vị trí sản phẩm, dây chuyền vẫn có thể loại nhầm hoặc bỏ sót. Vì vậy, phần cơ khí và điều khiển cần được kiểm tra cùng với phần thị giác.

Tiêu chí lựa chọn giải pháp AI Vision

Chủ nhà máy, quản lý sản xuất và kỹ sư nên đánh giá giải pháp dựa trên khả năng giải quyết đúng bài toán thực tế, thay vì chỉ dựa vào tên công nghệ. Các tiêu chí cần xem xét gồm:

• Khả năng quan sát rõ vùng mép cắt cần kiểm tra.
• Mức độ đại diện của bộ mẫu tốt và mẫu lỗi.
• Dung sai đã được định nghĩa rõ ràng hay chưa.
• Khả năng duy trì vị trí sản phẩm ổn định khi chụp.
• Mức biến thiên về màu sắc, bề mặt và hình dạng của hũ.
• Khả năng phối hợp giữa camera, nguồn sáng, băng tải và cơ cấu loại.
• Quy trình xử lý các trường hợp nằm sát ngưỡng đạt và không đạt.
• Khả năng kiểm tra lại bằng mẫu mới khi sản phẩm hoặc điều kiện sản xuất thay đổi.

Doanh nghiệp nên bắt đầu bằng việc thu thập mẫu và thống nhất tiêu chí đánh giá giữa bộ phận chất lượng, sản xuất và kỹ thuật. Nếu các bộ phận chưa đồng thuận về thế nào là lỗi, hệ thống AI cũng khó đưa ra quyết định phù hợp với thực tế vận hành.

Những lỗi triển khai thường gặp

Một sai lầm phổ biến là bắt đầu từ thiết bị trước khi xác định yêu cầu kiểm tra. Camera có thể tạo ra hình ảnh rõ nhưng vẫn không giải quyết được bài toán nếu góc nhìn không thể hiện đặc điểm lỗi.

Sai lầm thứ hai là sử dụng quá ít mẫu. Một vài sản phẩm tốt và lỗi chưa chắc phản ánh đầy đủ biến thiên trên dây chuyền. Đặc biệt, các mẫu gần ngưỡng dung sai rất quan trọng vì chúng giúp xác định ranh giới phân loại.

Sai lầm thứ ba là bỏ qua nguồn sáng và ánh sáng môi trường. Hình ảnh thử nghiệm trong điều kiện ổn định có thể khác hình ảnh tại nhà máy. Nếu ánh sáng thay đổi làm đặc điểm mép cắt thay đổi theo, kết quả đánh giá có thể không còn nhất quán.

Sai lầm tiếp theo là tách rời phần kiểm tra khỏi phần vận chuyển và loại sản phẩm. Một mô hình nhận diện phù hợp vẫn cần sản phẩm được đưa qua đúng vị trí và được loại đúng thời điểm.

Cuối cùng, không nên coi cấu hình ban đầu là cố định cho mọi mã hũ. Khi hình dạng, vật liệu, màu sắc hoặc tiêu chí chất lượng thay đổi, doanh nghiệp cần đánh giá lại hình ảnh, mẫu và dung sai liên quan.

Khi nào giải pháp phù hợp và không phù hợp?

AI Vision có thể phù hợp khi doanh nghiệp đã xác định được vùng cần kiểm tra, có mẫu tốt và mẫu lỗi đại diện, thống nhất dung sai, đồng thời có khả năng bố trí điểm chụp ổn định trên dây chuyền. Bài toán cũng cần có phương án xử lý rõ ràng sau khi phát hiện sản phẩm không đạt.

Ngược lại, giải pháp chưa nên triển khai ngay nếu tiêu chí tốt và lỗi còn phụ thuộc hoàn toàn vào cảm nhận, không có mẫu đối chứng hoặc không thể quan sát lỗi bằng hình ảnh. Hệ thống cũng có thể không phù hợp nếu sản phẩm bị che khuất, chuyển động quá thiếu ổn định hoặc không có không gian để bố trí camera, nguồn sáng và cơ cấu loại một cách đồng bộ.

Trong những trường hợp này, bước cần thiết trước tiên là chuẩn hóa yêu cầu chất lượng và khảo sát lại điều kiện cơ khí. AI không thể bù đắp hoàn toàn cho tiêu chí kiểm tra mơ hồ hoặc hình ảnh không thể hiện được lỗi.

Quy trình khảo sát đề xuất

Một dự án nên bắt đầu bằng việc trao đổi yêu cầu, thu thập mẫu đạt và không đạt, xác nhận dung sai, sau đó thử nghiệm cách quan sát và chiếu sáng. Kết quả thử mẫu là cơ sở để đánh giá tính khả thi và đề xuất cấu hình phù hợp với dây chuyền.

Doanh nghiệp có thể tìm hiểu thêm về định hướng giải pháp tự động hóa và thị giác máy tại Milotech. Để đánh giá bài toán AI Vision kiểm tra lỗi cắt hũ nhựa theo mẫu sản phẩm và bối cảnh sản xuất cụ thể, hãy liên hệ Milotech để được tư vấn.

Hình ảnh giải pháp