Kiểm tra chất lượng thông minh

Kiểm tra chất lượng (Inspection) là một quá trình quan trọng trong sản xuất công nghiệp, đảm bảo chất lượng của cả sản phẩm đầu ra, tình trạng hoạt động của máy móc và thiết bị trong dây chuyền sản xuất.

Kiểm tra chất lượng thông minh bằng Nền tảng I2 duy nhất trên thị trường

Kiểm tra chất lượng thông minh (Intelligent Inspection) là phương pháp dựa trên công nghệ trí tuệ nhân tạo xử lý hình ảnh chụp ngoại quan sản phẩm hoặc tín hiệu cảm biến trên máy móc thiết bị, nhằm mục đích tự động đánh giá chất lượng sản phẩm hoặc đánh giá tình trạng hoạt động của máy móc và thiết bị.

Công nghệ trí tuệ nhân tạo (AI) là một công nghệ phức tạp, đòi hỏi nhiều kỹ năng và kiến thức chuyên môn để phát triển và triển khai trong thực tế.

Để giúp các ngành công nghiệp dễ tiếp cận ứng dụng công nghệ AI, chúng tôi đã phát triển một nền tảng AI không cần mã nguồn (No-Code AI Platform) cho các giải pháp kiểm tra chất lượng thông minh, gọi tắt là I2 (Intelligent Inspection). Khách hàng dễ dàng xây dựng và triển khai ứng dụng kiểm tra chất lượng thông minh mà không cần viết mã nguồn. Nền tảng I2 của chúng tôi là một giải pháp hai trong một duy nhất trên thị trường, có thể xử lý được hình ảnh từ camera 2D và 3D cho lớp bài toán kiểm tra chất lượng ngoại quan, phát hiện tình trạng bất thường của máy móc thiết bị từ các cảm biến âm thanh, nhiệt độ, gia tốc, và rung động,…

Nói cách khác, nền tảng I2 giống như một người thợ lành nghề sử dụng các giác quan như mắt (camera 2D và 3D), tai (cảm biến âm thanh) và các giác quan khác (cảm biến IoT) để phán đoán.

Kiến trúc hệ thống

Nền tảng không mã I2 được chia thành 4 tầng. Tầng dưới cùng là tầng cảm biến, thể hiện sự khác biệt giữa I2 và các nền tảng khác về kiểm tra chất lượng thông minh trên thị trường. Bằng việc kết nối được đa dạng các loại cảm biến từ camera 2D, 3D đến các loại cảm biến IoT, nền tảng I2 có thể giúp doanh nghiệp giải quyết được nhiều lớp bài toán khác nhau như kiểm tra chất lượng ngoại quan và phát hiện bất thường trong hoạt động của máy móc thiết bị.

Các mô hình AI phù hợp cho hai bài toán trên được trang bị ở tầng thứ 2 của nền tảng, được chia thành 3 mô đun: vision (hình ảnh 2D và 3D), âm thanh (sound) và cảm biến IoT (sense). Khi sử dụng nền tảng I2, doanh nghiệp không cần phải xây dựng mô hình AI. Thay vào đó, chúng ta chỉ cần chọn những mô hình AI ở tầng thứ hai này và huấn luyện chúng với dữ liệu đặc thù của doanh nghiệp.

Mặc dù chúng ta đã thấy được khả năng vượt trội của ChatGPT khi xử lý văn bản mà không cần phải huấn luyện lại mô hình GPT¹, nhưng các mô hình AI xử lý hình ảnh và tín hiệu cảm biến vẫn cần phải huấn luyện và tinh chỉnh tham số. Bởi vì dữ liệu văn bản được các công ty Big Tech² lấy về từ mạng internet đã bao trùm đa dạng văn bản chính quy và không chính quy (hội thoại, trò chuyện) về kiến thức chung và kiến thức đặc thù của từng ngành như kinh doanh, marketing, luật, và phát triển sản phẩm,…

[1] GPT: Generative Pretrained Transformer là mô hình ngôn ngữ lớn được phát triển bởi OpenAI dựa trên kiến trúc mạng nơ ron Transformer được phát triển bởi Google Brain.
[1] Big Tech: là các công ty lớn về công nghệ như Google, Meta, và Microsoft,…

Trong khi đó mô hình hình ảnh lớn (Large Vision Models, LVM) hiện đang được huấn luyện trên tập dữ liệu lớn lấy từ các nguồn như mạng xã hội Facebook, Twitter, và Instagram,… về các hình ảnh trong cuộc sống thường nhật của các cá nhân và tổ chức xã hội. Những hình ảnh về quá trình sản xuất và sản phẩm của doanh nghiệp và dữ liệu cảm biến từ máy móc thiết bị trong nhà máy là những dữ liệu bảo mật không có trên mạng internet. Bởi vậy, việc
huấn luyện và tinh chỉnh lại mô hình AI là cần thiết với lĩnh vực thị giác máy tính (computer vision) nói chung và bài toán kiểm tra chất lượng thông minh nói riêng.

Ứng dụng được phát triển ở tầng thứ 3 dựa trên dữ liệu, mô hình AI và giải thuật huấn luyện mô hình AI ở hai tầng dưới. Những ứng dụng này nhắm tới các lớp đối tượng ở tầng thứ 4 như sản phẩm – kiểm tra ngoại quan chất lượng sản phẩm, và máy móc thiết bị – dự đoán bất thường tình trạng hoạt động của máy móc thiết bị (anomaly detection), dự đoán thời điểm bảo dưỡng bảo trì (predictive maintenance).

Nền tảng không mã I2 được phát triển trên công nghệ MLOps nhằm mục đích đơn giản hoá quá trình phát triển và triển khai giải pháp. Trên giao diện quản lý (dashboard) của nền tảng I2, người dùng dễ dạng đẩy dữ liệu lên. Dữ liệu được quản lý bảo mật cho từng người dùng. Ứng dụng đánh nhãn dữ liệu thông minh được tích hợp sẵn trên giao diện là một công cụ hữu hiệu để đánh nhãn dữ liệu, cho mục đích huấn luyện mô hình AI. Ví dụ đối với bài toán kiểm tra ngoại quan, người dùng sẽ đánh nhãn cho từng hình ảnh: có lỗi ngoại quan loại 1, có lỗi ngoại quan loại 2,… và không có lỗi ngoại quan.

Giải thuật huấn luyện và tinh chỉnh tham số mô hình AI đã được tích hợp sẵn để giúp người dùng thực thi bằng một lần nhấp chuột. Mô hình AI sau khi được huấn luyện và tinh chỉnh tham số có thể được kiểm nghiệm tính năng (độ chính xác và tốc độ tính toán) ngay trên nền tảng.

Nền tảng I2 cung cấp giao diện API (API Interface) để kết nối với PLC điều khiển máy móc. Ví dụ trong ứng dụng kiểm tra ngoại quan chất lượng sản phẩm, kết quả nhận dạng được sử dụng để điều khiển robot hoặc cơ cấu chấp hành đẩy sản phẩm lỗi ra khỏi dây chuyền.

Tình huống bất thường trong thực tế hoạt động của doanh nghiệp thường ít xảy ra, nên dữ liệu bất thường rất khó thu thập và có số lượng tương đối hạn chế.

Khi triển khai mô hình AI vào nhà máy, độ chính xác dự đoán của mô hình AI thường thấp hơn nhiều so với kết quả kiểm nghiệm ở giai đoạn phát triển mô hình trên nền tảng. Bởi vì dữ liệu thu thập ở giai đoạn phát triển mô hình chỉ là một tập dữ liệu rất nhỏ so với dữ liệu thực tế.

Mặc dù ở giai đoạn phát triển mô hình, chúng ta có thể thu thập được một lượng dữ liệu lớn nhưng không đa dạng về chủng loại lỗi xuất hiện trên sản phẩm, nên mô hình AI chưa thể đạt được hiệu năng cao.

Vì vậy trong quá trình triển khai mô hình AI trong nhà máy, điều cần thiết phải làm là giám sát hiệu năng của mô hình, đặc biệt là thu thập kết quả nhận dạng sai của mô hình AI nhằm mục đích huấn luyện và tinh chỉnh lại tham số. Nền tảng I2 có sẵn những công cụ cần thiết để giám sát và thu thập dữ liệu trong quá trình mô hình AI đang được triển khai.

Mô hình sau khi được tinh chỉnh lại, sẽ dễ dàng được cập nhật thay thế cho mô hình đang triển khai trong môi trường chính thức (production environment) nhờ công nghệ MLOps. Đây là quá trình “học liên tục” (continuous learning) được áp dụng phổ biến trong quá trình triển khai mô hình AI vào thực tiễn.

Kiểm tra ngoại quan chất lượng sản phẩm

Mặc dù kiểm tra ngoại quan thông minh vẫn chưa đạt được hiệu năng như con người, nhưng trong nhiều trường hợp bắt buộc phải sử dụng hệ thống camera để kiểm tra ngoại quan. Để kiểm tra chất lượng bề mặt tấm bán dẫn (wafer), hệ thống camera kiểm tra ngoại quan được sử dụng để đảm bảo tính tự động hoá của dây chuyền sản xuất. Môi trường của dây chuyền sản xuất nguy hiểm cho tính mạng của con người, ví dụ kiểm tra chất lượng bề mặt thép cuộn, cũng yêu cầu hệ thống camera kiểm tra ngoại quan làm việc thay thế cho con người.

Nền tảng I2 đã được áp dụng thành công vào nhiều nhà máy công nghiệp. Kiểm tra vị trí số lượng ốc vít bắt đúng quy cách trên cánh cửa ô tô. Kiểm tra chất lượng bề mặt thép cuộn, tấm bán dẫn, bề mặt sơn,… Kiểm tra bo mạch điện tử đủ hay thiếu linh kiện. Kiểm tra rỉ sét trên bề mặt đường ống kim loại. Trong khuôn khổ bài báo này, chúng tôi sẽ giới thiệu một ứng dụng để phát hiện lỗi trên bề mặt có hoa văn (texture) phức tạp như bề mặt vải hay lưới mắt cáo của loa đài.

Lưới mắt cáo thường được sản xuất theo công nghệ đúc khuôn. Hiện tượng co ngót do có bọt khí bên trong khuôn đúc dẫn tới hiện tượng khuyết thiếu mắt lưới, xem Hình 3. Để phát hiện lỗi khuyết thiếu ở khâu kiểm tra chất lượng sản phẩm, công nhân nhà máy thường sẽ đặt lưới lên một bề mặt có màu nền đối nghịch với màu của lưới mắt cáo, xác định vị trí lỗi bằng mắt. Ví dụ lưới màu đen đặt lên nền màu trắng và ngược lại. Trong trường hợp lưới mắt cáo nhỏ, chúng ta có thể dùng camera chụp ảnh và chiếu lên màn hình lớn để dễ dàng xác định vị trí lỗi khuyết thiếu bằng mắt hơn.

Hình 3 minh hoạ việc cài đặt camera, lưới mắt cáo, và UI/UX của nền tảng I2 hiển thị kết quả phát hiện lỗi khuyết thiếu bằng công nghệ AI. Vị trí lỗi khuyết thiếu được khoanh vùng trên hình ảnh chụp từ camera kèm với thông số độ tự tin của mô hình AI khi bắt lỗi.

Ưu việt của nền tảng I2 đối với người dùng cuối là những người vận hành dầy chuyền sản xuất, bao gồm: dễ dàng xây dựng ứng dụng AI kiểm tra chất lượng sản phẩm mà không cần viết mã nguồn, xây dựng mô hình AI đạt độ chính xác cao chỉ với vài mẫu dữ liệu được đánh nhãn, dễ dàng kiểm thử mô hình AI và triển khai ứng dụng AI vào trong dây chuyền sản xuất. Toàn bộ thời gian phát triển và triển khai ứng dụng chỉ diễn ra trong vòng 1 đến 2 tháng.

Kiểm tra bất thường bằng tín hiệu cảm biến

Trong ngành công nghiệp, động cơ điện là loại động cơ phổ biến nhất được sử dụng trong các máy sản xuất. Tuy nhiên, động cơ điện cũng có thể gặp phải các vấn đề như quá tải, quá nhiệt, quá áp, hay hao mòn. Những vấn đề này có thể ảnh hưởng đến hiệu suất và tuổi thọ của động cơ, cũng như chất lượng và số lượng của sản phẩm. Do đó, việc kiểm tra và dự đoán các bất thường của động cơ điện là rất quan trọng để đảm bảo an toàn và hiệu quả của quá trình sản xuất.

Để giải quyết vấn đề này, chúng tôi đã sử dụng mô đun SenseAI của nền tảng I2 để phát hiện và dự đoán các bất thường của động cơ điện, cũng như đưa ra các khuyến nghị về thời điểm thay thế hoặc bảo dưỡng động cơ. SenseAI có thể giúp tiết kiệm chi phí, tăng năng suất, và giảm lượng sản phẩm lỗi.

Trong bài báo này, chúng tôi minh họa một ứng dụng phổ biến của SenseAI là kiểm tra Grider, một ứng dụng chuyên dụng cho các máy mài. Kiểm tra Grider có thể hoạt động trên các thiết bị tính toán định biên (edge devices) có giá thành thấp, như Raspberry Pi hay Arduino. Các cảm biến được gắn trên các động cơ điện của máy mài để thu thập các tín hiệu như dòng điện, điện áp, nhiệt độ, rung động, âm thanh, và hình ảnh. Các tín hiệu này được gửi về thiết bị tính toán định biên, nơi chúng được xử lý và dự đoán bằng các mô hình AI đã được huấn luyện sẵn. Kết quả dự đoán được trả về người dùng một cách tức thì, thông qua một giao diện đồ họa trực quan. Ngoài ra, các tín hiệu và kết quả dự đoán
cũng được gửi về máy chủ để lưu trữ và phân tích sâu hơn.

Các dữ liệu thu được từ các cảm biến không chỉ giúp phát hiện các bất thường của động cơ điện, mà còn giúp dự đoán thời điểm cần thay thế hoặc bảo dưỡng động cơ. Từ đó, người dùng có thể lập kế hoạch sản xuất và thay thế một cách hợp lý, nhằm tăng năng suất và giảm lượng sản phẩm lỗi. Hơn nữa, các file hình ảnh, âm thanh, và tín hiệu từ cảm biến còn có thể được sử dụng để làm bằng chứng cho việc truy xuất nguồn gốc và chất lượng sản
phẩm trước khi xuất hàng.

Kết luận

Nền tảng I2 là giải pháp hoàn hảo cho doanh nghiệp giải quyết bài toán kiểm tra chất lượng thông minh. Đội ngũ kỹ sư trong nhà máy có thể dễ dạng xây dựng và triển khai tích hợp ứng dụng vào dây chuyền sản xuất mà không cần phải viết mã nguồn. Mô hình AI được xây dựng chỉ với số lượng ít dữ liệu có nhãn vẫn đạt độ chính xác cao, phù hợp với điều kiện vận hành của nhà máy. Dữ liệu lỗi của sản phẩm thường ít khi quan sát được, đặc biệt là dữ liệu thu được khi máy móc ở trạng thái bất thường.

Đào Hữu Hùng
Trung tâm trí tuệ nhân tạo
Công ty TNHH Phần Mềm FPT
Email: hungdh3@fpt.com

Tác giả Đào Hữu Hùng, tốt nghiệp chuyên ngành Tự động hoá xí nghiệp công nghiệp từ Đại học Bách khoa Hà Nội năm 2007, nhận bằng tiến sĩ về AI và thị giác máy tính từ Đại học Keio, Nhật Bản năm 2014. TS. Hùng công tác tại Công ty Phần mềm FPT Nhật Bản từ năm 2015 đến 2022, tại đó anh là người sáng lập nhóm Khoa học dữ liệu, cung cấp dịch vụ tư vấn, nghiên cứu và phát triển AI cho các doanh nghiệp Nhật Bản. TS. Hùng về nước và công tác tại Trung tâm AI, Công ty TNHH phần mềm FPT Việt Nam từ 2022 cho đến nay, đảm nhiệm nghiên cứu và phát triển kinh doanh ứng dụng AI trong công nghiệp. TS. Hùng đã xuất bản khoảng 20 bài báo tại các hội nghị và tạp chí quốc tế hàng đầu về AI và thị giác máy tính như FG, ICASSP, BMVC, và ACCV,… Anh cũng giữ các chức vụ Giám đốc tại các công ty AI Start-up ở Việt Nam như VinBrain và Nautilus.