AI Vision: Từ “mắt thần” đến giá trị thực trong nhà máy

Khi kết nối với PLC, robot và các hệ thống điều khiển, công nghệ này có thể biến hình ảnh thành hành động, đồng thời tạo ra dữ liệu phục vụ tối ưu sản xuất. Tuy nhiên, để “mắt thần” nhìn đúng và tạo ra giá trị kinh tế, doanh nghiệp phải giải bài toán dữ liệu, chi phí, nhân lực và tích hợp ngay từ đầu.

Không chỉ là một chiếc camera

Trên dây chuyền sản xuất, sản phẩm di chuyển liên tục với tốc độ cao. Camera công nghiệp ghi lại hình ảnh từng sản phẩm, hệ thống AI phân tích để phát hiện những bất thường như vết xước, thiếu linh kiện, sai vị trí, sai kích thước hoặc lỗi ngoại quan. Kết quả sau đó được chuyển tới bộ điều khiển và cơ cấu chấp hành để loại bỏ, phân loại hoặc xử lý sản phẩm theo yêu cầu. Dữ liệu kiểm tra đồng thời có thể được lưu lại để truy xuất và phân tích chất lượng.

Điểm khác biệt nằm ở chỗ, camera trong hệ thống AI Vision không còn chỉ làm nhiệm vụ ghi nhận hình ảnh. Camera là “đôi mắt”, AI đảm nhiệm lớp phân tích, còn PLC, robot và các cơ cấu chấp hành biến kết quả phân tích thành hành động cụ thể trên dây chuyền.

Theo ông Đỗ Huy Hoàng, Trưởng phòng R&D, Công ty Cổ phần RTC Technology Việt Nam, AI ngày càng được ứng dụng rộng trong công nghiệp bởi yêu cầu tự động hóa hiện nay không còn dừng ở những quy trình cố định. Máy móc phải có khả năng vận hành nhiều loại sản phẩm và chuyển đổi model nhanh hơn. Điều này cũng tạo ra khác biệt giữa hệ thống Machine vision và AI Vision hiện đại.

Với Machine vision dựa trên các thuật toán cố định, hệ thống thường dựa vào những ngưỡng được thiết lập trước như pixel, độ tương phản hay đường biên. Cách tiếp cận này có thể hiệu quả với những bài toán ổn định, nhưng gặp khó khăn khi hình dạng lỗi biến thiên, bề mặt sản phẩm phản xạ ánh sáng hoặc vật thể có hình dạng không đồng nhất.

Trong khi đó, AI Vision sử dụng mô hình học sâu hoặc mô hình kết hợp giữa AI và thuật toán truyền thống, học từ tập dữ liệu hình ảnh sản phẩm đạt và không đạt. Theo nội dung doanh nghiệp cung cấp, cách tiếp cận này cho phép xử lý tốt hơn những dạng lỗi biến thiên như trầy xước, vết ố, nứt ẩn, bề mặt phức tạp hoặc vật thể biến dạng.

Một khác biệt khác nằm ở quá trình đổi mã hàng. Với hệ thống truyền thống, khi thay đổi sản phẩm, kỹ sư có thể phải điều chỉnh lại nhiều thông số hoặc viết lại chương trình. Với AI Vision, doanh nghiệp có thể bổ sung dữ liệu hình ảnh của mã hàng mới và huấn luyện lại mô hình.

Tuy nhiên, khả năng “nhìn” của AI không tự nhiên xuất hiện chỉ nhờ một chiếc camera. Theo ông Đỗ Huy Hoàng, số lượng và chất lượng dữ liệu ảnh hưởng trực tiếp đến độ chính xác của hệ thống. Dữ liệu càng nhiều, càng phù hợp với sản phẩm thực tế thì khả năng nhận diện càng có cơ sở được cải thiện.

Đáng chú ý, dữ liệu lỗi cũng quan trọng không kém dữ liệu sản phẩm đạt. Nếu chỉ có mẫu đạt, hệ thống có thể tăng nguy cơ nhận diện nhầm sản phẩm đạt thành lỗi, hay còn gọi là overkill. Vì vậy, doanh nghiệp cần chuẩn bị cả hai nhóm dữ liệu và cố gắng phản ánh những điều kiện thực tế mà hệ thống sẽ gặp trên dây chuyền.

AI Vision check lỗi trên sản phẩm. Ảnh RTC

Ông Đoàn Nam Thái, Giám đốc Công ty TNHH Công nghệ và Tự động hóa Avatech nhận định: Hai nhóm bài toán mà AI Vision đang thể hiện rõ vai trò trong doanh nghiệp là kiểm tra ngoại quan và lắp ráp tự động. Ở kiểm tra ngoại quan, hệ thống xử lý lượng lớn sản phẩm liên tục; trong lắp ráp, hình ảnh được sử dụng để nhận diện sản phẩm, chi tiết hoặc vị trí cần thao tác, làm cơ sở cho robot và các cơ cấu tự động thực hiện công việc.

Xu hướng này cũng phản ánh trong cơ cấu ứng dụng của thị trường AI in Computer Vision. Theo MarketsandMarkets, lĩnh vực sản xuất là một trong những nhóm ứng dụng quan trọng, trong đó kiểm tra chất lượng tự động (automated quality inspection) được xác định là một hướng ứng dụng nổi bật. Báo cáo ước tính thị trường AI in Computer Vision toàn cầu đạt 23,42 tỷ USD năm 2025 và có thể lên 63,48 tỷ USD vào năm 2030, với CAGR 22,1%. (MarketsandMarkets)

Một ví dụ được doanh nghiệp cung cấp là bài toán kiểm tra sản phẩm cơ khí, trong đó AI Vision được sử dụng để phát hiện bavia mỏng, vết trầy xước và bong tróc sơn trên tấm tản nhiệt của máy tính, tivi. Với bề mặt phản xạ ánh sáng mạnh, camera thông thường có thể gặp hiện tượng lóa. Doanh nghiệp cho biết mô hình AI Hybrid kết hợp Rule-based và Deep Learning đã giúp bắt được 99,9% lỗi trầy xước vi mô và bavia, tăng năng suất kiểm tra 2,5 lần; số nhân công QC trên mỗi chuyền giảm từ ba người xuống một người giám sát chung.

Ở ngành thực phẩm, một bài toán khác là kiểm tra nhãn và nắp chai nước đóng chai với tốc độ khoảng 10 sản phẩm mỗi giây. Theo doanh nghiệp, hệ thống AI Vision Hybrid có thể phát hiện lỗi rách nhãn với tỷ lệ được báo cáo gần như tuyệt đối trong khi tốc độ dây chuyền khiến việc kiểm tra bằng mắt người gặp hạn chế.

Những ví dụ này cho thấy giá trị của AI Vision không chỉ nằm ở việc “thay mắt người”. Khi được đặt đúng vị trí trong dây chuyền, công nghệ có thể tác động tới nhiều chỉ tiêu cùng lúc: tốc độ kiểm tra, độ ổn định của chất lượng, số lượng sản phẩm lỗi lọt qua, nhân lực kiểm tra và khả năng thu thập dữ liệu.

Trong một hệ thống hoàn chỉnh, camera, lens, hệ thống chiếu sáng, máy tính xử lý, phần mềm AI, PLC và robot phải phối hợp với nhau. Khi phát hiện sản phẩm không đạt, tín hiệu từ hệ thống AI có thể được truyền tới PLC để điều khiển cơ cấu chấp hành hoặc robot loại bỏ, phân loại sản phẩm. Như vậy, giá trị của AI Vision nằm ở cả khâu nhìn, khâu hiểu và khâu hành động.

Đây cũng là lý do bài toán đầu tư không nên chỉ được tính bằng giá một chiếc camera hay phần mềm AI. Theo ông Hoàng, chi phí còn bao gồm lens, hệ thống chiếu sáng, máy tính xử lý, phần mềm AI và các cơ cấu chấp hành. Bên cạnh đó là nguồn lực dành cho việc thu thập, phân loại và chuẩn bị dữ liệu.

Doanh nghiệp vì thế cần đặt câu hỏi: khoản đầu tư này tạo ra giá trị gì và trong bao lâu có thể thu hồi vốn?

Theo kinh nghiệm được ông Đỗ Huy Hoàng chia sẻ, chỉ số được sử dụng để đánh giá hiệu quả là thời gian thu hồi vốn và độ chính xác của hệ thống. Thời gian thu hồi vốn phản ánh khả năng bù đắp chi phí đầu tư từ những giá trị tạo ra trong quá trình vận hành; trong khi độ chính xác cho thấy khả năng nhận diện đúng sản phẩm đạt và sản phẩm lỗi.

Điều này cũng đặt AI Vision vào một bài toán khác với việc đơn thuần mua thiết bị tự động hóa. Một hệ thống có độ chính xác cao nhưng chi phí đầu tư quá lớn hoặc thời gian thu hồi vốn kéo dài vẫn cần được doanh nghiệp tính toán trước khi mở rộng.

Hệ thống AI Vision kết hợp camera, AI và các thiết bị điều khiển để tự động phát hiện, phân loại sản phẩm lỗi. Ảnh Avatech

AI Vision ở Việt Nam: cơ hội đi cùng những điểm nghẽn

Theo ông Đoàn Nam Thái, mức độ ứng dụng AI Vision tại Việt Nam đang có sự phân hóa giữa các nhóm doanh nghiệp. Các doanh nghiệp FDI và các tập đoàn Tier-1 như (Samsung, Foxconn, Intel, Amkor, Goertek): được doanh nghiệp đánh giá là nhóm đi đầu trong việc chuẩn hóa AI Vision tại các công đoạn QC quan trọng như bán dẫn, SMT và ép phun. Trong khi đó, các Tập đoàn sản xuất lớn nội địa như (VinFast, Vinamilk, Masan, Thaco) đang tăng tốc chuyển từ camera Rule-based sang AI Vision ở những công đoạn như đóng gói, lắp ráp và kiểm tra ngoại quan. Với nhóm doanh nghiệp phụ trợ và SME nội địa, mức độ ứng dụng được đánh giá còn thấp hơn, nhiều đơn vị vẫn sử dụng kiểm tra bằng mắt người hoặc camera cảm biến cơ bản.

Một trong những động lực thúc đẩy quá trình này là yêu cầu ngày càng cao từ chuỗi cung ứng. Bên cạnh đó, doanh nghiệp cho biết chi phí của một số phần cứng và nền tảng AI đã giảm so với trước, giúp công nghệ dễ tiếp cận hơn. Tuy nhiên, từ phòng thí nghiệm đến dây chuyền sản xuất thực tế vẫn còn một khoảng cách.

Dữ liệu là điểm nghẽn đầu tiên. Nhà máy có tỷ lệ sản phẩm lỗi thấp lại khó thu thập đủ số lượng mẫu (OK/NG) để huấn luyện mô hình. Trong khi đó, dữ liệu sản xuất luôn biến động theo ánh sáng, bụi bẩn, vật liệu và từng lô sản phẩm. Những biến động này có thể ảnh hưởng đến kết quả nhận diện. Theo đó, ông Đoàn Nam Thái đề cập một số hướng xử lý như kết hợp AI với thuật toán Rule-based, Anomaly Detection và Data Augmentation.

Chi phí đầu tư là điểm nghẽn thứ hai. Một hệ thống AI Vision có thể đòi hỏi camera, ống kính, hệ thống chiếu sáng chuyên dụng, máy tính Edge AI và các thành phần tích hợp khác. Với doanh nghiệp nhỏ, đây có thể là rào cản nếu chưa chứng minh được hiệu quả kinh tế. Doanh nghiệp cung cấp giải pháp cũng đề cập những mô hình như Asset-Light, cho thuê phần mềm hoặc thiết bị theo nhu cầu nhằm giảm áp lực đầu tư ban đầu.

Nhân lực là điểm nghẽn tiếp theo. Nhà máy không chỉ cần người hiểu AI mà còn cần nhân sự có khả năng kết hợp kiến thức về Computer Vision, cơ khí, PLC và điện công nghiệp. Khi thay đổi mã hàng, nếu đội ngũ vận hành không có khả năng cập nhật dữ liệu hoặc huấn luyện lại mô hình, hệ thống sẽ khó duy trì tính linh hoạt như kỳ vọng.

Cuối cùng là khả năng tích hợp với dây chuyền hiện hữu. Nhiều nhà máy đang sử dụng máy móc và PLC thế hệ cũ, trong khi dây chuyền có thể phải chạy nhiều sản phẩm với tốc độ rất cao. Nếu thời gian xử lý AI không đáp ứng chu kỳ sản xuất hoặc tín hiệu điều khiển không đồng bộ, hệ thống có thể loại nhầm sản phẩm hoặc gây ảnh hưởng đến dây chuyền. Không gian gá lắp chật hẹp: Bàn gá hiện hữu không có chỗ để đặt cụm Camera, Đèn và Xilanh gạt hàng cũng là những yếu tố khó khăn.

“Mắt thần” phải được đo bằng hiệu quả sản xuất

Từ thực tế triển khai, AI Vision không nên được nhìn như một thiết bị độc lập. Một hệ thống chỉ thực sự phát huy giá trị khi nó giải quyết được một bài toán cụ thể của nhà máy.

AI Vision kết hợp camera, AI và robot giúp nhận diện, phân tích và xử lý sản phẩm ngay trên dây chuyền sản xuất. Ảnh minh họa do AI tạo

Với doanh nghiệp lần đầu triển khai, ông Đỗ Huy Hoàng khuyến nghị bắt đầu từ những công đoạn có nhiều dữ liệu, chẳng hạn kiểm tra ngoại quan hoặc lắp ráp. Thay vì triển khai đồng loạt, doanh nghiệp có thể thử nghiệm ở một công đoạn, theo dõi độ chính xác, khả năng tích hợp và hiệu quả vận hành trước khi mở rộng.

Cách tiếp cận này cũng giúp doanh nghiệp trả lời câu hỏi quan trọng nhất: AI Vision đang tạo ra giá trị gì cho chính dây chuyền của mình?

Đó có thể là khả năng kiểm tra nhanh hơn, giảm sản phẩm lỗi lọt qua, giảm công việc kiểm tra lặp lại, nâng cao tính ổn định của chất lượng hoặc tạo ra dữ liệu để phân tích quá trình sản xuất. Nhưng những giá trị đó cần được lượng hóa bằng các chỉ số cụ thể, thay vì chỉ dừng ở kỳ vọng về công nghệ.

Bởi vậy, để “mắt thần” nhìn đúng, điểm bắt đầu không phải là mua camera AI mà là xác định đúng bài toán, chuẩn bị đúng dữ liệu và tính đúng hiệu quả đầu tư. Khi hình ảnh được thu nhận phù hợp, dữ liệu đủ chất lượng, AI phân tích chính xác và kết quả được kết nối với PLC, robot cùng các hệ thống điều khiển, AI Vision mới chuyển từ một công nghệ nhận diện thành một bộ phận thực sự tham gia vào quá trình sản xuất.