Bài toán phát hiện đốm đen trên nắp nhựa
Đốm đen trên nắp nhựa có thể biểu hiện dưới nhiều hình thức: chấm nhỏ, vùng sẫm màu, vệt bất thường hoặc điểm có màu khác biệt so với bề mặt xung quanh. Mức độ dễ nhận biết phụ thuộc vào màu nắp, độ bóng bề mặt, kích thước đốm, vị trí lỗi và điều kiện chiếu sáng.
Đối với người vận hành, một đốm lớn trên nắp sáng màu thường dễ nhìn thấy hơn đốm nhỏ trên vật liệu tối màu hoặc bề mặt phản quang. Khi kiểm tra liên tục, kết quả còn có thể bị ảnh hưởng bởi sự mệt mỏi, góc quan sát và cách hiểu tiêu chuẩn lỗi giữa các nhân sự.
Một hệ thống camera AI Vision hướng đến việc tạo ra phương pháp kiểm tra nhất quán hơn. Camera ghi nhận hình ảnh của từng nắp tại vị trí kiểm tra, phần mềm phân tích vùng quan tâm và đưa ra kết quả đạt hoặc lỗi. Tuy nhiên, hệ thống chỉ hoạt động đáng tin cậy khi doanh nghiệp xác định rõ thế nào là một đốm đen cần loại bỏ.
Các câu hỏi cần được trả lời trước khi xây dựng giải pháp gồm:

Đốm nhỏ đến mức nào thì bị xem là lỗi?
Đốm nằm ở mọi vị trí đều bị loại hay chỉ kiểm tra một số vùng quan trọng?
Vết màu, bóng đổ, ký tự hoặc chi tiết khuôn có được chấp nhận không?
Có nhiều màu nắp, kích thước nắp hoặc kiểu bề mặt trên cùng dây chuyền không?
Sản phẩm được kiểm tra ở trạng thái đứng yên hay đang di chuyển?

Nếu chưa thống nhất các tiêu chí này, bộ phận sản xuất, chất lượng và đơn vị triển khai có thể đánh giá cùng một mẫu theo những kết quả khác nhau.
Cấu hình cơ bản của hệ thống AI Vision
Một cấu hình kiểm tra thường bao gồm camera, ống kính, nguồn sáng, cơ cấu gá hoặc vị trí chụp ảnh, bộ xử lý và tín hiệu kết nối với thiết bị điều khiển trên dây chuyền. Cấu hình cụ thể cần được lựa chọn dựa trên mẫu nắp và điều kiện thực tế, thay vì áp dụng một thiết kế chung cho mọi sản phẩm.
Camera và góc quan sát
Camera cần nhìn thấy đầy đủ vùng bề mặt phải kiểm tra. Góc camera ảnh hưởng trực tiếp đến khả năng nhận diện đốm đen, đặc biệt với nắp có bề mặt cong, thành bên, gân hoặc các vùng bị che khuất.
Nếu chỉ dùng một góc nhìn, một số khu vực có thể không xuất hiện rõ trong ảnh. Ngược lại, bổ sung nhiều góc camera làm tăng lượng dữ liệu và độ phức tạp của hệ thống. Vì vậy, số lượng camera và vị trí lắp đặt phải được xác định qua thử nghiệm trên sản phẩm thực.
Nguồn sáng
Nguồn sáng không chỉ có nhiệm vụ làm ảnh sáng hơn. Mục tiêu quan trọng là tạo độ tương phản ổn định giữa đốm đen, bề mặt nắp và các đặc điểm bình thường của sản phẩm.
Bề mặt nhựa bóng có thể tạo phản xạ, khiến vùng sáng bị nhầm với khuyết tật hoặc che mất đốm cần phát hiện. Nắp có màu tối lại cần cách bố trí ánh sáng khác với nắp sáng màu. Loại đèn, hướng chiếu, khoảng cách và khả năng che ánh sáng môi trường đều cần được khảo sát trước khi chốt cấu hình.
Phần mềm xử lý ảnh và AI
Phần mềm nhận ảnh từ camera, xác định vùng cần kiểm tra và phân tích dấu hiệu bất thường. Tùy đặc điểm bài toán, giải pháp có thể kết hợp quy tắc xử lý ảnh với mô hình AI. AI đặc biệt hữu ích khi hình dạng và vị trí đốm không hoàn toàn cố định, nhưng vẫn cần dữ liệu mẫu đủ đại diện để phân biệt lỗi thật với đặc điểm bề mặt được chấp nhận.
Kết quả xử lý có thể được sử dụng để hiển thị cảnh báo, lưu hình ảnh phục vụ truy vết hoặc gửi tín hiệu phân loại. Phương án kết nối cụ thể phải phù hợp với thiết bị và quy trình hiện có tại nhà máy.
Bộ mẫu đạt và lỗi quyết định chất lượng thử nghiệm
Bộ mẫu là nền tảng để phát triển và đánh giá ứng dụng. Doanh nghiệp cần cung cấp cả mẫu đạt lẫn mẫu lỗi, trong đó nhóm lỗi nên phản ánh những tình huống thực tế có thể xuất hiện trong sản xuất.
Mẫu đạt không nên chỉ gồm các sản phẩm có bề mặt hoàn hảo. Cần đưa vào những biến thiên bình thường nhưng vẫn được chấp nhận, chẳng hạn khác biệt nhẹ về màu sắc, dấu khuôn hoặc đặc điểm bề mặt. Điều này giúp hạn chế tình trạng hệ thống loại nhầm sản phẩm đạt.
Mẫu lỗi nên bao phủ nhiều mức độ và vị trí đốm đen khác nhau. Những mẫu nằm gần ranh giới chấp nhận đặc biệt quan trọng vì chúng giúp làm rõ tiêu chuẩn giữa đạt và không đạt.
Khi xây dựng bộ mẫu, nhà máy nên phối hợp giữa quản lý chất lượng, sản xuất và kỹ thuật để:

Gắn nhãn rõ từng mẫu đạt hoặc lỗi.
Ghi nhận vị trí và đặc điểm của vùng lỗi.
Tách riêng các mẫu còn gây tranh luận để thống nhất tiêu chí.
Bao phủ các màu sắc, kiểu nắp và trạng thái bề mặt dự kiến kiểm tra.
Bổ sung mẫu mới khi phát sinh tình huống chưa có trong dữ liệu ban đầu.

Một bộ mẫu ít hoặc không đại diện có thể tạo kết quả tốt trong thử nghiệm ban đầu nhưng không phản ánh đầy đủ điều kiện sản xuất.
Tiêu chí lựa chọn giải pháp phù hợp
Khi đánh giá hệ thống AI Vision, doanh nghiệp không nên chỉ hỏi camera có nhìn thấy đốm hay không. Cần xem xét toàn bộ khả năng tích hợp và duy trì chất lượng kiểm tra.
Tiêu chí đầu tiên là độ rõ của yêu cầu kiểm tra. Kích thước lỗi tối thiểu, vùng kiểm tra, loại biến thiên được chấp nhận và quy tắc phân loại phải được mô tả cụ thể. Đây là cơ sở để lựa chọn camera, góc chụp, nguồn sáng và phương pháp xử lý.
Tiêu chí thứ hai là tính ổn định của điều kiện chụp. Sản phẩm cần xuất hiện tại vị trí đủ nhất quán để camera ghi nhận hình ảnh có thể so sánh. Rung động, thay đổi khoảng cách, xoay lệch hoặc ánh sáng môi trường biến động đều có thể ảnh hưởng đến kết quả.
Tiêu chí thứ ba là khả năng phù hợp với dây chuyền. Cần khảo sát không gian lắp đặt, cách kích hoạt chụp, vị trí nhận kết quả và phương án xử lý sản phẩm lỗi. Nếu dây chuyền có nhiều mã nắp, quy trình chuyển đổi sản phẩm cũng cần được tính đến.
Cuối cùng là phương pháp nghiệm thu. Tỷ lệ phát hiện, tỷ lệ loại nhầm và năng suất mục tiêu phải được kiểm tra trên mẫu thực tế. Hiện tại, các chỉ số này đối với ứng dụng Milotech đang phát triển chưa được xác nhận và cần thử nghiệm trước khi đưa ra kết luận.
Những lỗi triển khai thường gặp
Một lỗi phổ biến là lựa chọn camera trước khi phân tích mẫu. Camera có độ phân giải phù hợp vẫn có thể cho kết quả không tốt nếu góc nhìn không quan sát được vùng lỗi hoặc nguồn sáng tạo phản xạ mạnh.
Lỗi thứ hai là chỉ sử dụng một số ít mẫu đẹp và mẫu lỗi rõ ràng. Khi đưa vào sản xuất, hệ thống có thể gặp nhiều trường hợp trung gian chưa từng xuất hiện trong quá trình phát triển.
Lỗi thứ ba là không thống nhất tiêu chí chấp nhận. Nếu một đốm được bộ phận này xem là lỗi nhưng bộ phận khác cho phép, dữ liệu huấn luyện và kết quả nghiệm thu sẽ thiếu nhất quán.
Lỗi thứ tư là thử nghiệm trong điều kiện khác xa dây chuyền thật. Thay đổi về khoảng cách camera, ánh sáng, hướng nắp hoặc trạng thái chuyển động có thể làm kết quả thực tế khác với thử nghiệm trên bàn.
Ngoài ra, doanh nghiệp có thể bỏ qua việc vệ sinh và kiểm tra định kỳ. Bụi trên ống kính, thay đổi vị trí đèn hoặc va lệch gá camera đều có khả năng làm suy giảm chất lượng hình ảnh theo thời gian.
Khi nào giải pháp phù hợp hoặc chưa phù hợp?

Question

Bài toán phát hiện đốm đen trên nắp nhựa
Đốm đen trên nắp nhựa có thể biểu hiện dưới nhiều hình thức: chấm nhỏ, vùng sẫm màu, vệt bất thường hoặc điểm có màu khác biệt so với bề mặt xung quanh. Mức độ dễ nhận biết phụ thuộc vào màu nắp, độ bóng bề mặt, kích thước đốm, vị trí lỗi và điều kiện chiếu sáng.
Đối với người vận hành, một đốm lớn trên nắp sáng màu thường dễ nhìn thấy hơn đốm nhỏ trên vật liệu tối màu hoặc bề mặt phản quang. Khi kiểm tra liên tục, kết quả còn có thể bị ảnh hưởng bởi sự mệt mỏi, góc quan sát và cách hiểu tiêu chuẩn lỗi giữa các nhân sự.
Một hệ thống camera AI Vision hướng đến việc tạo ra phương pháp kiểm tra nhất quán hơn. Camera ghi nhận hình ảnh của từng nắp tại vị trí kiểm tra, phần mềm phân tích vùng quan tâm và đưa ra kết quả đạt hoặc lỗi. Tuy nhiên, hệ thống chỉ hoạt động đáng tin cậy khi doanh nghiệp xác định rõ thế nào là một đốm đen cần loại bỏ.
Các câu hỏi cần được trả lời trước khi xây dựng giải pháp gồm:

Đốm nhỏ đến mức nào thì bị xem là lỗi?
Đốm nằm ở mọi vị trí đều bị loại hay chỉ kiểm tra một số vùng quan trọng?
Vết màu, bóng đổ, ký tự hoặc chi tiết khuôn có được chấp nhận không?
Có nhiều màu nắp, kích thước nắp hoặc kiểu bề mặt trên cùng dây chuyền không?
Sản phẩm được kiểm tra ở trạng thái đứng yên hay đang di chuyển?

Nếu chưa thống nhất các tiêu chí này, bộ phận sản xuất, chất lượng và đơn vị triển khai có thể đánh giá cùng một mẫu theo những kết quả khác nhau.
Cấu hình cơ bản của hệ thống AI Vision
Một cấu hình kiểm tra thường bao gồm camera, ống kính, nguồn sáng, cơ cấu gá hoặc vị trí chụp ảnh, bộ xử lý và tín hiệu kết nối với thiết bị điều khiển trên dây chuyền. Cấu hình cụ thể cần được lựa chọn dựa trên mẫu nắp và điều kiện thực tế, thay vì áp dụng một thiết kế chung cho mọi sản phẩm.
Camera và góc quan sát
Camera cần nhìn thấy đầy đủ vùng bề mặt phải kiểm tra. Góc camera ảnh hưởng trực tiếp đến khả năng nhận diện đốm đen, đặc biệt với nắp có bề mặt cong, thành bên, gân hoặc các vùng bị che khuất.
Nếu chỉ dùng một góc nhìn, một số khu vực có thể không xuất hiện rõ trong ảnh. Ngược lại, bổ sung nhiều góc camera làm tăng lượng dữ liệu và độ phức tạp của hệ thống. Vì vậy, số lượng camera và vị trí lắp đặt phải được xác định qua thử nghiệm trên sản phẩm thực.
Nguồn sáng
Nguồn sáng không chỉ có nhiệm vụ làm ảnh sáng hơn. Mục tiêu quan trọng là tạo độ tương phản ổn định giữa đốm đen, bề mặt nắp và các đặc điểm bình thường của sản phẩm.
Bề mặt nhựa bóng có thể tạo phản xạ, khiến vùng sáng bị nhầm với khuyết tật hoặc che mất đốm cần phát hiện. Nắp có màu tối lại cần cách bố trí ánh sáng khác với nắp sáng màu. Loại đèn, hướng chiếu, khoảng cách và khả năng che ánh sáng môi trường đều cần được khảo sát trước khi chốt cấu hình.
Phần mềm xử lý ảnh và AI
Phần mềm nhận ảnh từ camera, xác định vùng cần kiểm tra và phân tích dấu hiệu bất thường. Tùy đặc điểm bài toán, giải pháp có thể kết hợp quy tắc xử lý ảnh với mô hình AI. AI đặc biệt hữu ích khi hình dạng và vị trí đốm không hoàn toàn cố định, nhưng vẫn cần dữ liệu mẫu đủ đại diện để phân biệt lỗi thật với đặc điểm bề mặt được chấp nhận.
Kết quả xử lý có thể được sử dụng để hiển thị cảnh báo, lưu hình ảnh phục vụ truy vết hoặc gửi tín hiệu phân loại. Phương án kết nối cụ thể phải phù hợp với thiết bị và quy trình hiện có tại nhà máy.
Bộ mẫu đạt và lỗi quyết định chất lượng thử nghiệm
Bộ mẫu là nền tảng để phát triển và đánh giá ứng dụng. Doanh nghiệp cần cung cấp cả mẫu đạt lẫn mẫu lỗi, trong đó nhóm lỗi nên phản ánh những tình huống thực tế có thể xuất hiện trong sản xuất.
Mẫu đạt không nên chỉ gồm các sản phẩm có bề mặt hoàn hảo. Cần đưa vào những biến thiên bình thường nhưng vẫn được chấp nhận, chẳng hạn khác biệt nhẹ về màu sắc, dấu khuôn hoặc đặc điểm bề mặt. Điều này giúp hạn chế tình trạng hệ thống loại nhầm sản phẩm đạt.
Mẫu lỗi nên bao phủ nhiều mức độ và vị trí đốm đen khác nhau. Những mẫu nằm gần ranh giới chấp nhận đặc biệt quan trọng vì chúng giúp làm rõ tiêu chuẩn giữa đạt và không đạt.
Khi xây dựng bộ mẫu, nhà máy nên phối hợp giữa quản lý chất lượng, sản xuất và kỹ thuật để:

Gắn nhãn rõ từng mẫu đạt hoặc lỗi.
Ghi nhận vị trí và đặc điểm của vùng lỗi.
Tách riêng các mẫu còn gây tranh luận để thống nhất tiêu chí.
Bao phủ các màu sắc, kiểu nắp và trạng thái bề mặt dự kiến kiểm tra.
Bổ sung mẫu mới khi phát sinh tình huống chưa có trong dữ liệu ban đầu.

Một bộ mẫu ít hoặc không đại diện có thể tạo kết quả tốt trong thử nghiệm ban đầu nhưng không phản ánh đầy đủ điều kiện sản xuất.
Tiêu chí lựa chọn giải pháp phù hợp
Khi đánh giá hệ thống AI Vision, doanh nghiệp không nên chỉ hỏi camera có nhìn thấy đốm hay không. Cần xem xét toàn bộ khả năng tích hợp và duy trì chất lượng kiểm tra.
Tiêu chí đầu tiên là độ rõ của yêu cầu kiểm tra. Kích thước lỗi tối thiểu, vùng kiểm tra, loại biến thiên được chấp nhận và quy tắc phân loại phải được mô tả cụ thể. Đây là cơ sở để lựa chọn camera, góc chụp, nguồn sáng và phương pháp xử lý.
Tiêu chí thứ hai là tính ổn định của điều kiện chụp. Sản phẩm cần xuất hiện tại vị trí đủ nhất quán để camera ghi nhận hình ảnh có thể so sánh. Rung động, thay đổi khoảng cách, xoay lệch hoặc ánh sáng môi trường biến động đều có thể ảnh hưởng đến kết quả.
Tiêu chí thứ ba là khả năng phù hợp với dây chuyền. Cần khảo sát không gian lắp đặt, cách kích hoạt chụp, vị trí nhận kết quả và phương án xử lý sản phẩm lỗi. Nếu dây chuyền có nhiều mã nắp, quy trình chuyển đổi sản phẩm cũng cần được tính đến.
Cuối cùng là phương pháp nghiệm thu. Tỷ lệ phát hiện, tỷ lệ loại nhầm và năng suất mục tiêu phải được kiểm tra trên mẫu thực tế. Hiện tại, các chỉ số này đối với ứng dụng Milotech đang phát triển chưa được xác nhận và cần thử nghiệm trước khi đưa ra kết luận.
Những lỗi triển khai thường gặp
Một lỗi phổ biến là lựa chọn camera trước khi phân tích mẫu. Camera có độ phân giải phù hợp vẫn có thể cho kết quả không tốt nếu góc nhìn không quan sát được vùng lỗi hoặc nguồn sáng tạo phản xạ mạnh.
Lỗi thứ hai là chỉ sử dụng một số ít mẫu đẹp và mẫu lỗi rõ ràng. Khi đưa vào sản xuất, hệ thống có thể gặp nhiều trường hợp trung gian chưa từng xuất hiện trong quá trình phát triển.
Lỗi thứ ba là không thống nhất tiêu chí chấp nhận. Nếu một đốm được bộ phận này xem là lỗi nhưng bộ phận khác cho phép, dữ liệu huấn luyện và kết quả nghiệm thu sẽ thiếu nhất quán.
Lỗi thứ tư là thử nghiệm trong điều kiện khác xa dây chuyền thật. Thay đổi về khoảng cách camera, ánh sáng, hướng nắp hoặc trạng thái chuyển động có thể làm kết quả thực tế khác với thử nghiệm trên bàn.
Ngoài ra, doanh nghiệp có thể bỏ qua việc vệ sinh và kiểm tra định kỳ. Bụi trên ống kính, thay đổi vị trí đèn hoặc va lệch gá camera đều có khả năng làm suy giảm chất lượng hình ảnh theo thời gian.
Khi nào giải pháp phù hợp hoặc chưa phù hợp?

Accepted Answer

AI Vision phù hợp khi doanh nghiệp có nhu cầu kiểm tra lặp lại, vùng lỗi có thể quan sát bằng hình ảnh và tiêu chuẩn đạt/lỗi đủ rõ để xây dựng bộ mẫu. Giải pháp cũng đáng xem xét khi nhà máy muốn tăng tính nhất quán trong đánh giá ngoại quan hoặc cần lưu lại hình ảnh phục vụ phân tích chất lượng.

Liên hệ ngay

Camera AI Vision phát hiện đốm đen trên nắp nhựa