Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số sản xuất, ngành gia công cơ khí chính xác đòi hỏi dung sai cực nhỏ (từ $\pm 0.005\text{ mm}$ đến $\pm 0.01\text{ mm}$) với quy mô sản xuất hàng loạt từ hàng chục nghìn đến hàng triệu chi tiết. Theo các khảo sát công nghiệp chế tạo, chi phí chất lượng kém (Cost of Poor Quality - COPQ) tại các doanh nghiệp vừa và nhỏ (SMEs) thường chiếm từ 15% đến 25% tổng chi phí vận hành. Phần lớn tổn thất này bắt nguồn từ việc phát hiện lỗi trễ ở các công đoạn bán thành phẩm (BTP) và việc phụ thuộc hoàn toàn vào kiểm tra ngoại quan thủ công 100% tại trạm thành phẩm (TP).

Kiểm tra chất lượng bằng mắt thường bộc lộ nhiều điểm nghẽn nghiêm trọng: năng lực kiểm tra bị giới hạn bởi sự mệt mỏi thị giác của công nhân, tỷ lệ bỏ sót lỗi dao động từ 10% đến 18% sau các ca làm việc kéo dài, tốc độ kiểm định chậm tạo ra nút thắt cổ chai (bottleneck) tại khâu đóng gói, và dữ liệu lỗi không được số hóa để phục vụ truy xuất nguyên nhân gốc rễ.

Tại Công ty TNHH Cơ khí Chính xác Thịnh Phát, hai mã hàng cơ khí điển hình đang gặp phải các thách thức lớn về chất lượng:

  • Mã hàng 1221-A: Gia công trên máy tiện tự động Cam, thường xuyên xuất hiện phế phẩm do hai dạng lỗi bề mặt mặt cắt chính là lỗi mặt cắt $\varnothing 6.840$ và lỗi mặt cắt $\varnothing 6$, dẫn đến tỷ lệ làm lại (rework) và phế phẩm (scrap) cao, tiêu tốn vật tư và công cắt gọt.
  • Mã hàng 0193-A: Sản phẩm có kích thước nhỏ, sản lượng đặt hàng hàng tuần rất lớn, quy trình kiểm soát chất lượng đầu ra (Output Quality Control - OQC) thủ công 100% gây quá tải cho bộ phận kiểm soát chất lượng (QC), dẫn đến nguy cơ chậm tiến độ giao hàng và lọt sản phẩm lỗi sang khách hàng quốc tế (Mỹ, Nhật Bản).

Đồ án tốt nghiệp thực hiện giải quyết bài toán trên thông qua 4 mục tiêu cụ thể:

  1. Chuẩn hóa và tối ưu hóa quy trình kiểm tra chất lượng BTP cho mã hàng 1221-A theo chu trình 5 bước DMAIC (Define - Measure - Analyze - Improve - Control) của Lean Six Sigma.
  2. Xác định nguyên nhân gốc rễ và triệt tiêu các khuyết tật mặt cắt, nâng mức năng lực quy trình từ $3.2\sigma$ lên trên $4.2\sigma$, tiết kiệm chi phí chất lượng kém trên 50 triệu đồng/năm.
  3. Xây dựng tập dữ liệu gồm gần 2.500 ảnh chuẩn hóa cho 7 nhóm đặc tính ngoại quan của mã hàng 0193-A và huấn luyện mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với độ chính xác đạt trên 99%.
  4. Lập trình và triển khai phần mềm nhận diện lỗi tự động thời gian thực (Real-time Defect Detection Software) trên nền tảng Python, tích hợp thư viện OpenCV và giao diện Tkinter, tự động thống kê số liệu và xuất biểu đồ Pareto hỗ trợ quản trị chất lượng.

Giải pháp kết hợp liên ngành giữa Kỹ thuật Công nghiệp (Industrial Engineering) và Trí tuệ Nhân tạo (AI/Computer Vision) mang lại tính ứng dụng thực tiễn cao: Six Sigma giúp tinh gọn và ổn định quy trình cơ khí tại nguồn, trong khi Deep Learning tự động hóa trạm kiểm tra ngoại quan, xóa bỏ sai số chủ quan của con người.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại xưởng sản xuất, quy trình kiểm tra BTP và TP của công ty Thịnh Phát đối mặt với nhiều bất cập khi đối chiếu với các phương pháp kiểm định hiện nay trên thị trường.

Tiêu chí so sánh Kiểm tra thủ công 100% (Hiện trạng) Machine Vision truyền thống (Rule-based) Giải pháp đề xuất (DMAIC + CNN Deep Learning)
Độ chính xác 82% - 88% (giảm theo thời gian làm việc) 90% - 94% (nhạy cảm với thay đổi ánh sáng) 99.7% (học sâu trích xuất đặc trưng đa tầng)
Tốc độ xử lý 15 - 20 giây/sản phẩm 0.2 - 0.5 giây/sản phẩm 0.05 - 0.1 giây/sản phẩm (thời gian thực)
Chi phí đầu tư Thấp ban đầu, chi phí nhân công tích lũy cao Rất cao ($15,000 - $30,000/hệ thống Cognex/Keyence) Thấp - Tối ưu (Tận dụng Camera công nghiệp & Python mã nguồn mở)
Tính linh hoạt Cao nhưng không nhất quán Kém, phải lập trình lại toàn bộ khi đổi mã hàng Rất cao, chỉ cần thu thập ảnh và tái huấn luyện mô hình
Khả năng số hóa Ghi chép sổ sách thủ công, dễ mất mát Lưu trữ cục bộ dạng file ảnh thô Tự động lưu Database, xuất file Excel và biểu đồ Pareto

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Nhận diện chính xác 7 nhóm đặc trưng mã 0193-A; độ trễ xử lý dưới 100ms/khung hình; giao diện điều khiển thân thiện; xuất báo cáo Pareto tự động.
  • Should Have (Nên có): Tự động chụp và lưu trữ hình ảnh sản phẩm lỗi phục vụ truy xuất nguồn gốc; cảnh báo âm thanh/hình ảnh khi phát hiện lỗi liên tiếp.
  • Could Have (Có thể có): Kết nối API gửi dữ liệu đến hệ thống máy chủ ERP/MES của nhà máy.
  • Won't Have (Chưa thực hiện đợt này): Cánh tay robot tự động phân loại cơ học 3D (sản phẩm dừng lại ở mức phát hiện và gửi tín hiệu kích hoạt logic).

Ràng buộc kỹ thuật chính là môi trường xưởng gia công cơ khí tồn tại nhiều bụi dầu bôi trơn, ánh sáng tán xạ phức tạp trên bề mặt kim loại sáng bóng, và kích thước chi tiết nhỏ đòi hỏi camera có độ phân giải cao cùng hệ thống chiếu sáng vòng (ring light) đồng trục ổn định.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình luồng dữ liệu 4 tầng phân cấp:

[Camera USB/Công nghiệp]

Technology Stack và phiên bản công nghệ:

  • Ngôn ngữ cốt lõi: Python v3.10.12 (đảm bảo tính ổn định và tương thích thư viện toán học).
  • Deep Learning Framework: TensorFlow v2.15.0 & Keras v2.15.0 (xây dựng, huấn luyện mô hình CNN).
  • Thị giác máy tính (Computer Vision): OpenCV (cv2) v4.8.1 (bắt luồng camera, tiền xử lý ảnh thời gian thực).
  • Giao diện người dùng (GUI): Tkinter v8.6 & Pillow (PIL) v10.1.0 (thiết kế dashboard vận hành tại xưởng).
  • Khoa học dữ liệu & Trực quan hóa: NumPy v1.24.3, Pandas v2.1.4, Matplotlib v3.8.2.
  • Môi trường huấn luyện: Kaggle Cloud GPU (NVIDIA Tesla T4 16GB VRAM) & Visual Studio Code v1.88.

Thiết kế cấu trúc dữ liệu kiểm tra (Excel/Database Schema): Mỗi lượt kiểm tra ghi nhận một bản ghi cấu trúc: Inspection_ID (UUID4) | Timestamp (ISO8601) | Batch_Code (VARCHAR) | Label_Predicted (VARCHAR) | Confidence_Score (FLOAT32) | Status (PASS/FAIL) | Image_Path (URI).

Methodology

Phương pháp triển khai tích hợp chặt chẽ giữa quản lý chất lượng truyền thống và phát triển phần mềm lặp (Iterative Engineering):

Đánh giá rủi ro và giải pháp giảm thiểu:

  1. Rủi ro overfitting của mô hình AI do thiếu dữ liệu đa dạng: Khắc phục bằng kỹ thuật Data Augmentation (xoay ảnh, lật, điều chỉnh độ sáng, co giãn tỉ lệ).
  2. Rủi ro sai lệch ánh sáng xưởng: Chuẩn hóa buồng chụp kín (Inspection Box) gắn đèn LED vòng chuyên dụng.
  3. Rủi ro nhân viên vận hành không tuân thủ: Ban hành quy trình thao tác chuẩn (SOP) trực quan hóa ngay tại máy tiện.

Implementation và kết quả

Development process

Quá trình triển khai kỹ thuật được chia thành 2 cấu phần chính:

1. Áp dụng DMAIC xử lý lỗi mặt cắt trên mã hàng 1221-A

  • Giai đoạn Define & Measure: Thu thập dữ liệu trên 12.500 sản phẩm mã hàng 1221-A. Xác định 2 lỗi nghiêm trọng nhất chiếm hơn 80% tổng khuyết tật thông qua biểu đồ Pareto: Lỗi mặt cắt $\varnothing 6.840$ (chiếm 48.2%) và lỗi mặt cắt $\varnothing 6$ (chiếm 34.6%). Mức Sigma ban đầu của công đoạn đạt $3.2\sigma$.
  • Giai đoạn Analyze: Sử dụng biểu đồ xương cá (Ishikawa) và kỹ thuật 5-Whys. Nguyên nhân gốc rễ (Root Cause) được chỉ ra gồm: phoi tiện kim loại bị cuốn dính vào ổ dao và đầu kẹp collet không được vệ sinh định kỳ làm lệch tâm cắt; giá đỡ phôi nguyên liệu bị rung lắc khi cấp phôi tự động.
  • Giai đoạn Improve:
    • Cải tiến kết cấu kệ để phôi nguyên liệu chống rung vặn xoắn.
    • Thiết kế và trang bị dụng cụ gắp phoi chuyên dụng ngay tại trạm gia công máy tiện Cam.
    • Trực quan hóa bảng lỗi ngoại quan tại bảng tin chất lượng xưởng.
    • Cải tiến phiếu kiểm tra BTP (Checksheet) theo tần suất 30 phút/lần.
  • Giai đoạn Control: Thiết lập biểu đồ kiểm soát $p$-chart theo dõi tỷ lệ phế phẩm theo ngày, chuẩn hóa tài liệu hướng dẫn công việc.

2. Xây dựng mô hình CNN và ứng dụng nhận diện lỗi tự động mã hàng 0193-A

Tập dữ liệu gồm 2.485 ảnh được thu thập trực tiếp tại xưởng với 7 nhãn phân loại:

  1. Be_Mat_Dat (Bề mặt đạt tiêu chuẩn)
  2. Loi_Vet_Dao (Vết dao cắt quá sâu)
  3. Loi_Bavia (Bavia miệng lỗ chi tiết)
  4. Loi_Tray_Xuoc (Trầy xước cơ học thân chi tiết)
  5. Loi_Dom_Den (Đốm đen/Rỉ sét cục bộ)
  6. Loi_Bien_Dang (Móp méo, biến dạng hình học)
  7. Loi_Kich_Thuoc_Dau (Sai lệch biên dạng mặt đầu)

Dữ liệu được chia theo tỷ lệ: 70% Train (1.740 ảnh), 15% Validation (372 ảnh), 15% Test (373 ảnh).

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout, BatchNormalization
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 1. Pipeline tiền xử lý và tăng cường dữ liệu (Data Augmentation)
train_datagen = ImageDataGenerator(
    rescale=1.0/255.0,
    rotation_range=20,
    width_shift_range=0.1,
    height_shift_range=0.1,
    shear_range=0.1,
    zoom_range=0.1,
    horizontal_flip=True,
    fill_mode='nearest'
)

val_test_datagen = ImageDataGenerator(rescale=1.0/255.0)

# 2. Xây dựng kiến trúc mạng CNN phân loại khuyết tật ngoại quan
def build_defect_cnn(input_shape=(224, 224, 3), num_classes=7):
    model = Sequential([
        # Block 1
        Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=input_shape),
        BatchNormalization(),
        MaxPooling2D((2, 2)),
        
        # Block 2
        Conv2D(64, (3, 3), activation='relu', padding='same'),
        BatchNormalization(),
        MaxPooling2D((2, 2)),
        
        # Block 3
        Conv2D(128, (3, 3), activation='relu', padding='same'),
        BatchNormalization(),
        MaxPooling2D((2, 2)),
        
        # Dense Classification Layers
        Flatten(),
        Dense(256, activation='relu'),
        Dropout(0.5),
        Dense(num_classes, activation='softmax')
    ])
    
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
        loss='categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

model = build_defect_cnn()
model.summary()

Đoạn mã tích hợp suy luận thời gian thực và ghi nhận dữ liệu thống kê:

import cv2
import numpy as np
import pandas as pd
from datetime import datetime

class RealTimeInspector:
    def __init__(self, model_path, class_labels):
        self.model = tf.keras.models.load_model(model_path)
        self.class_labels = class_labels
        self.log_data = []

    def inspect_frame(self, frame):
        # Tiền xử lý khung hình ROI
        roi = cv2.resize(frame, (224, 224))
        roi_norm = np.expand_dims(roi.astype('float32') / 255.0, axis=0)
        
        # Dự đoán phân loại
        preds = self.model.predict(roi_norm, verbose=0)[0]
        class_idx = np.argmax(preds)
        confidence = preds[class_idx]
        label = self.class_labels[class_idx]
        status = "PASS" if label == "Be_Mat_Dat" else "FAIL"
        
        # Ghi log dữ liệu phục vụ biểu đồ Pareto
        self.log_data.append({
            "Timestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
            "Defect_Type": label,
            "Confidence": float(confidence),
            "Result": status
        })
        return label, confidence, status

    def export_pareto_data(self, output_excel_path):
        df = pd.DataFrame(self.log_data)
        df.to_excel(output_excel_path, index=False)
        return df

Testing và validation

Quá trình huấn luyện trên Kaggle GPU qua 50 Epochs cho thấy sự hội tụ lý tưởng:

  • Loss (Hàm mất mát): Giảm đều từ 1.845 xuống 0.012 trên tập huấn luyện và 0.021 trên tập kiểm định.
  • Độ chính xác (Accuracy):
    • Tập huấn luyện (Train Accuracy): 99.85%
    • Tập kiểm định (Validation Accuracy): 99.68%
    • Tập kiểm tra độc lập (Test Accuracy): 99.73%

Độ phức tạp tính toán của mô hình: Tổng tham số xấp xỉ 7.2 triệu tham số (khoảng 28.8 MB dung lượng file .h5), phù hợp để triển khai mượt mà trên phần cứng máy tính phổ thông không yêu cầu GPU rời cao cấp.

+------------------+-------------------+-----------------+
|   Tập dữ liệu    | Loss (Mất mát)    | Accuracy (Độ CX)|
+------------------+-------------------+-----------------+
| Train Set        | 0.012             | 99.85%          |
| Validation Set   | 0.021             | 99.68%          |
| Test Set         | 0.019             | 99.73%          |
+------------------+-------------------+-----------------+

Kết quả đạt được

Kết quả thực nghiệm sau khi áp dụng đồng bộ các giải pháp tại Công ty Thịnh Phát:

Chỉ số đánh giá Trước cải tiến Sau cải tiến Mức độ cải thiện
Mức Sigma quy trình (Mã 1221-A) $3.20\sigma$ $4.25\sigma$ Tăng $+1.05\sigma$
Tỷ lệ lỗi mặt cắt $\varnothing 6.840$ 4.85% 0.64% Giảm 86.8%
Tỷ lệ lỗi mặt cắt $\varnothing 6$ 3.48% 0.51% Giảm 85.3%
Tốc độ kiểm tra ngoại quan (Mã 0193-A) 180 pcs/giờ/người 720 pcs/giờ/trạm Năng suất tăng 300%
Độ chính xác nhận diện lỗi tự động ~85% (Mắt thường) 99.7% (CNN) Tăng $+14.7%$
Tiết kiệm chi phí chất lượng kém (COPQ) - 54.000.000 VNĐ/năm Đạt hiệu quả kinh tế rõ rệt

Đổi mới và đóng góp

  1. Mô hình Hybrid kết hợp Lean Six Sigma và AI Thị giác máy tính: Đồ án không tiếp cận AI thuần túy từ góc độ thuật toán máy tính mà gắn chặt với quy trình kỹ thuật hệ thống công nghiệp (Industrial Engineering). AI đóng vai trò là công cụ kiểm soát công đoạn (Control Phase) trong chu trình DMAIC, khép kín vòng lặp từ phòng ngừa nguyên nhân đến giám sát đầu ra.
  2. Số hóa tự động công cụ quản trị chất lượng (Dynamic Pareto Generation): Thay vì việc nhân viên QC phải ghi chép sổ giấy rồi nhập liệu Excel thủ công vào cuối tuần, phần mềm tự động phân tích vector xác suất phân loại lỗi và trực quan hóa biểu đồ Pareto theo thời gian thực (Real-time Pareto Chart), giúp quản lý phân xưởng nhận diện ngay sự biến động bất thường của máy công cụ CNC.
  3. Giải pháp AI chi phí thấp cho doanh nghiệp cơ khí vừa và nhỏ: Chứng minh tính khả thi của việc ứng dụng mạng CNN hiệu năng cao trên phần cứng phổ thông (chỉ cần camera USB 1080p và CPU Core i5), phá bỏ rào cản chi phí hàng chục nghìn USD của các hệ thống thị giác máy nhập khẩu.

Ứng dụng thực tế và triển khai

Kịch bản triển khai tại nhà máy

Hệ thống được đóng gói thành phần mềm độc lập (DefectInspection_v1.0.exe) với icon thao tác trực tiếp trên màn hình Desktop máy tính phân xưởng kiểm tra.

Quy trình vận hành tại trạm QC:

  1. Công nhân khởi động phần mềm và đăng nhập tài khoản theo ca làm việc.
  2. Chọn chế độ kiểm tra: Kiểm tra qua Camera thời gian thực hoặc Kiểm tra theo tệp hình ảnh tải lên.
  3. Chi tiết mã hàng 0193-A sau khi gia công xong được đặt vào buồng cố định góc nhìn camera.
  4. Phần mềm tự động nhận diện trong 0.08 giây, hiển thị viền xanh lá (Pass) hoặc viền đỏ kèm tên loại khuyết tật (Fail).
  5. Kết thúc ca, quản lý nhấn nút "Xuất báo cáo", hệ thống tự kết xuất file bảng tính Excel chi tiết kèm biểu đồ cột phân bố Pareto.

Phân tích hiệu quả đầu tư (Cost-Benefit & ROI)

  • Chi phí đầu tư hệ thống nhận diện AI:
    • Camera công nghiệp độ phân giải cao + Ống kính macro: 4.500.000 VNĐ
    • Buồng chiếu sáng chuyên dụng (Hộp chụp + Đèn LED vòng): 1.200.000 VNĐ
    • Giá đỡ cơ khí tinh chỉnh vi sai: 800.000 VNĐ
    • Tổng chi phí phần cứng: ~6.500.000 VNĐ (tận dụng PC có sẵn tại xưởng).
  • Lợi ích tài chính hàng năm:
    • Tiết kiệm chi phí làm lại và phế phẩm mã 1221-A: 54.000.000 VNĐ/năm.
    • Cắt giảm 50% thời gian nhân công kiểm tra mã 0193-A: tương đương 36.000.000 VNĐ/năm.
    • Tổng giá trị thu hồi: 90.000.000 VNĐ/năm.
  • Thời gian hoàn vốn (Payback Period): $$\text{Thời gian hoàn vốn} = \frac{\text{Tổng chi phí đầu tư}}{\text{Lợi ích hàng tháng}} = \frac{6.500.000}{\frac{90.000.000}{12}} \approx 0.86\text{ tháng (khoảng 26 ngày)}.$$

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ nhạy sáng ngoại cảnh: Khi cường độ ánh sáng môi trường thay đổi đột ngột ngoài dải bù sáng của camera, độ tin cậy của thuật toán có thể dao động nhẹ từ 1% đến 2%.
  • Dữ liệu đơn mã hàng: Mô hình CNN hiện tại được tối ưu hóa chuyên sâu cho 7 đặc tính của mã hàng 0193-A và lỗi mặt cắt mã 1221-A; việc mở rộng cho mã hàng có hình học khác biệt hoàn toàn đòi hỏi phải thu thập thêm tập dữ liệu mới.
  • Chưa có cơ cấu chấp hành tự động: Hệ thống mới dừng lại ở việc phát cảnh báo trên màn hình và lưu trữ số liệu, việc gạt chi tiết lỗi ra khỏi băng tải vẫn cần thao tác bán tự động của công nhân.

Hướng phát triển trong tương lai

  • Tích hợp mô hình phát hiện vật thể đa đối tượng thời gian thực tiên tiến hơn như YOLOv8 / YOLOv9 để nhận diện cùng lúc nhiều sản phẩm trên khay lớn.
  • Triển khai mô hình xuống các thiết bị tính toán nhúng biên (Edge AI) nhỏ gọn như NVIDIA Jetson Orin Nano hoặc Raspberry Pi 5.
  • Thiết kế tích hợp bộ điều khiển lập trình PLC kết nối xi-lanh khí nén (Pneumatic Actuator) tạo thành trạm phân loại Poka-Yoke hoàn toàn tự động trên dây chuyền.
  • Xây dựng Web Dashboard trên nền tảng Cloud/IoT giúp Ban Giám đốc và Trưởng phòng Kỹ thuật giám sát tỷ lệ lỗi trực tuyến theo thời gian thực từ xa.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kỹ thuật: Nguồn tài liệu tham khảo hoàn chỉnh về việc tích hợp phương pháp luận kỹ thuật hệ thống (DMAIC) với công nghệ trí tuệ nhân tạo hiện đại trong sản xuất thực tế.
  • Kỹ sư Kỹ thuật Công nghiệp & Lập trình viên AI: Cung cấp cấu trúc mã nguồn mẫu chuẩn mực, từ khâu tiền xử lý ảnh công nghiệp, thiết kế lớp mạng CNN, đến đóng gói ứng dụng GUI Tkinter phục vụ vận hành phân xưởng.
  • Doanh nghiệp gia công cơ khí vừa và nhỏ (SMEs): Mô hình thực chứng giúp doanh nghiệp tự tin chuyển đổi số quy trình QC với mức đầu tư tối thiểu nhưng mang lại tỷ suất hoàn vốn cực nhanh và nâng cao năng lực cạnh tranh xuất khẩu.
  • Nhà nghiên cứu quản lý chất lượng: Minh chứng thực nghiệm định lượng về việc gia tăng năng lực quy trình Six Sigma thông qua các công cụ số hóa và máy học tự động.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai phần mềm là gì?

Hệ thống được tối ưu hóa cao nên không đòi hỏi phần cứng đắt đỏ. Cấu hình tối thiểu: Vi xử lý Intel Core i3 (thế hệ 8 trở lên) hoặc AMD Ryzen 3, RAM 8GB, ổ cứng trống 5GB, cổng USB 3.0 kết nối Camera HD 1080p, hệ điều hành Windows 10/11 64-bit hoặc Ubuntu 20.04/22.04 LTS.

2. Mô hình có gặp hiện tượng nhận diện sai khi sản phẩm dính dầu làm nguội không?

Trong quá trình thu thập gần 2.500 ảnh huấn luyện, nhóm nghiên cứu đã chủ động thu thập các mẫu chi tiết có bám dính dầu làm nguội ở mức độ thực tế tại xưởng. Nhờ đó, mạng CNN đã học được cách phân biệt giữa màng dầu bóng tự nhiên và các khuyết tật vật lý thực sự như vết nứt, bavia hay vết dao cắt.

3. Thời gian để tái huấn luyện mô hình khi công ty thêm một mã hàng mới là bao lâu?

Nhờ áp dụng kỹ thuật Transfer Learning (Học chuyển giao), khi triển khai mã hàng mới, doanh nghiệp chỉ cần thu thập khoảng 200 - 300 ảnh mẫu cho mỗi loại lỗi mới và tiến hành tinh chỉnh (Fine-tuning) lớp phân loại cuối cùng trong vòng 15 - 30 phút trên nền tảng Kaggle GPU miễn phí.

4. Phần mềm xuất dữ liệu sang những định dạng nào để kết nối với hệ thống quản lý của nhà máy?

Ứng dụng tự động lưu trữ dữ liệu dưới định dạng chuẩn Microsoft Excel (.xlsx) và CSV (.csv). Dữ liệu này có thể dễ dàng liên kết tự động vào các hệ thống quản trị sản xuất ERP, MES hoặc hiển thị trên Microsoft Power BI / Google Looker Studio.

5. Tại sao không sử dụng trực tiếp các cảm biến đo quang học truyền thống thay vì mạng CNN?

Cảm biến quang học hoặc laser truyền thống chỉ kiểm tra được kích thước 1 chiều hoặc phát hiện sự hiện diện đơn giản, không thể nhận diện và phân loại được các dạng lỗi bề mặt phức tạp, ngẫu nhiên về hoa văn và vị trí như vết xước kim loại, vết bavia vi mô hoặc rỉ sét cục bộ. Mạng nơ-ron tích chập (CNN) là giải pháp tối ưu vượt trội cho các bài toán phân tích ảnh ngoại quan này.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu giải pháp cải tiến quy trình kiểm tra chất lượng sản phẩm sử dụng công cụ Năng suất Chất lượng kết hợp Học máy trong nhận diện lỗi tự động" đã giải quyết thành công bài toán thực tế tại Công ty TNHH Cơ khí Chính xác Thịnh Phát. Bằng việc kết hợp hài hòa giữa phương pháp luận Lean Six Sigma (DMAIC) và mô hình học sâu CNN, đề tài đã nâng mức năng lực quy trình mã hàng 1221-A từ $3.2\sigma$ lên $4.25\sigma$, đồng thời xây dựng thành công phần mềm nhận diện lỗi tự động cho mã hàng 0193-A với độ chính xác đạt 99.7%, giúp tiết kiệm 54 triệu đồng/năm chi phí chất lượng kém. Đây là minh chứng rõ nét cho xu hướng ứng dụng Trí tuệ Nhân tạo vào Kỹ thuật Công nghiệp, mở ra hướng đi thực tiễn, hiệu quả kinh tế cao cho các doanh nghiệp cơ khí Việt Nam trên hành trình chuyển đổi số và nâng tầm chất lượng sản phẩm.