Năm 2020, chúng ta đã chứng kiến các ứng dụng của ​​công nghệ học sâu (deep learning) thay đổi ngành sản xuất trong cuộc cách mạng công nghiệp 4.0. Các hệ thống tự động và thông minh, được thúc đẩy bởi dữ liệu và học sâu đã cải thiện đáng kể việc kiểm tra chất lượng trong các nhà máy.

Bằng cách trang bị hệ thống camera thông minh trên dây chuyền sản xuất, việc kiểm tra chất lượng được cải thiện hơn bao giờ hết. Và đặc biệt là khi mọi người phải ở nhà trong những đợt giãn cách xã hội, công nghệ mới này đã giúp dây chuyền sản xuất duy trì hoạt động.

Các nhà sản xuất đã sử dụng thị giác máy (machine vision) trong nhiều thập kỷ. Thế nhưng các phần mềm kiểm soát chất lượng mới có hỗ trợ học sâu lại mở ra chân trời mới. Vậy, kiểm soát chất lượng dựa trên công nghệ học sâu này khác với các hệ thống thị giác máy truyền thống như thế nào? Và điều gì sẽ xảy ra khi bạn sử dụng các hệ thống kiểm soát chất lượng do AI hỗ trợ?

Ứng dụng thị giác máy trong sản xuất

Camera trong dây chuyền sản xuất phát hiện các sản phẩm lỗi dựa trên quy tắc được điều chỉnh thủ công với công nghệ thị giác máy
Camera trong dây chuyền sản xuất phát hiện các sản phẩm lỗi dựa trên quy tắc được điều chỉnh thủ công với công nghệ thị giác máy

Trong quy trình kiểm soát chất lượng truyền thống dựa trên thị giác máy, nhân viên kiểm soát chất lượng thực hiện một quy trình hai bước đơn giản nhưng hiệu quả sau đây:

Bước 1 : Một chuyên gia sẽ quyết định những đặc điểm nào là quan trọng (chẳng hạn như góc cạnh, đường cong, mảng màu…) trong hình ảnh do mỗi máy ảnh thu thập.

Bước 2 : Chuyên gia tạo ra một hệ thống dựa trên quy tắc được điều chỉnh thủ công, với một số điểm chính như sắc độ và hình dạng,… giúp phân loại một sản phẩm nào đó đủ điều kiện để đóng gói. Sau đó, hệ thống sẽ tự động quyết định xem sản phẩm đó có đạt tiêu chuẩn hay không.

Phương pháp này đơn giản và hiệu quả. Nhưng nhu cầu kiểm soát chất lượng của các nhà sản xuất trong những năm qua ngày càng phức tạp, cần một giải pháp hiệu quả hơn nữa.

Rõ ràng, chúng ta không có đủ nhân lực để hỗ trợ nhu cầu tự động hóa ngày càng tăng của các nhà sản xuất. Hơn nữa, khi sản phẩm khá đa dạng và nhiều chi tiết, thị giác máy có thể hoạt động kém hiệu quả. Ví dụ, mỗi loại đồ uống khác nhau có hình dạng nắp chai khác nhau, chỉ một sai sót nhỏ khi thiết lập kịch bản, dây chuyền sản xuất của bạn có thể ngừng hoạt động.

Các phần mềm kiểm tra chất lượng có hỗ trợ công nghệ học sâu có thể học hỏi từ dữ liệu. Nghĩa là mô hình này sẽ tự học những tính năng nào là quan trọng, thay vì chỉ tuân thủ quy tắc đã được thiết lập trước đó. Trong quá trình học tập này, hệ thống tự tạo ra các quy tắc riêng để xác định sự kết hợp của các tính năng giúp xác định sản phẩm chất lượng. Người dùng chỉ cần thu thập dữ liệu và sử dụng chính dữ liệu để đào tạo mô hình học sâu — mà không cần phải định cấu hình thủ công mô hình thị giác máy cho mọi kịch bản sản xuất. 

Sử dụng mô hình học sâu để kiểm soát chất lượng

Mô hình học sâu được đưa vào ứng dụng trong kiểm soát chất lượng
Mô hình học sâu được đưa vào ứng dụng trong kiểm soát chất lượng

Dữ liệu chính là chìa khóa cho hiệu quả của học sâu. Các hệ thống như mạng nơ-ron sâu (DNN – deep neural networks) được đào tạo theo cách có giám sát để nhận ra các lớp cụ thể của sự vật. 

Để học sâu thông thường thành công, dữ liệu được sử dụng để đào tạo phải “cân bằng”. Một tập dữ liệu cân bằng cần có càng nhiều hình ảnh về các sản phẩm đạt chất lượng cũng như hình ảnh của các sản phẩm bị lỗi, bao gồm mọi loại không hoàn hảo có thể có – càng  đa dạng càng tốt.

Việc thu thập hình ảnh của các sản phẩm tốt rất dễ dàng. Nhưng do tỷ lệ sai sót trong các dây chuyền sản xuất hiện nay tương đối nhỏ, thu thập hình ảnh bị lỗi trở nên mất thời gian, đặc biệt là khi bạn cần thu thập hàng trăm hình ảnh khác nhau. Hơn nữa, mỗi ngày sẽ có thêm nhiều loại lỗi mới xuất hiện.

Để làm cho mọi thứ phức tạp hơn, hoàn toàn có khả năng một loại lỗi mới sẽ xuất hiện sau khi hệ thống được đào tạo và triển khai. Sau đó, hệ thống phải được gỡ xuống, đào tạo lại và triển khai lại. Trong khi đó, nhu cầu của người tiêu dùng biến động không ngừng, gián đoạn sản xuất có thể gây thiệt hại lớn.

Để giải quyết vấn đề này này, mạng học sâu suốt đời (L-DNN – Lifelong Deep Neural Networks), được truyền cảm hứng từ sinh lý học thần kinh não đã được ứng dụng trong các quy trình kiểm soát chất lượng.

Các thuật toán học sâu này tách biệt tính năng đào tạo và việc học các quy tắc để có thể thêm thông tin mới ngay lập tức. L-DDN học các quy tắc mới từ từ đồng thời với việc thu thập dữ liệu mà không cần sự trợ giúp của nhà sản xuất. 

Các hệ thống L-DNN sẽ học trên một bộ dữ liệu nhỏ chỉ sử dụng tệp dữ liệu “tốt” (nói cách khác, dữ liệu về sản phẩm đạt chất lượng), sau đó cảnh báo cho người dùng khi gặp sản phẩm không điển hình. Nói cách khác, thay vì phải thu thập các mẫu sản phẩm lỗi và không lỗi, chúng ta chỉ cần đơn giản cung cấp hình ảnh các sản phẩm đạt yêu cầu mà thôi. Tức là giảm một nửa công việc.

Phương pháp này tương tự như quy trình con người sử dụng để phát hiện sự khác biệt trong các đối tượng mà họ gặp phải hàng ngày — một nhiệm vụ dễ dàng đối với chúng ta, nhưng lại là một nhiệm vụ rất khó đối với các mô hình học sâu trước khi hệ thống L-DNN ra đời.

Trong môi trường sản xuất ngày nay, máy móc có thể tạo ra các sản phẩm với tốc độ ngày càng nhanh. Các mặt hàng mới liên tục được giới thiệu, đồng thời những lỗi mới trên sản phẩm sẽ xuất hiện. Thị giác máy truyền thống không thể giải quyết công việc này — có quá nhiều tính năng và quy chuẩn chuyên biệt cho mỗi sản phẩm. Sử dụng hệ thống kiểm soát chất lượng hỗ trợ L-DNN, các nhà máy có thể giảm chi phí và thời gian kiểm tra chất lượng, mang lại cho ngành sản xuất cơ hội theo kịp tốc độ đổi mới và nhu cầu luôn biến đổi của thị trường.

THAM KHẢO:

Deep Learning Has Reinvented Quality Control in Manufacturing—but It Hasn’t Gone Far Enough