Giải pháp tối ưu hóa dây chuyền sản xuất linh kiện điện tử trong phát hiện và nhận diện

Luận văn thạc sĩ kỹ thuật điện tử trình bày giải pháp tối ưu hóa dây chuyền sản xuất linh kiện bản mạch in bằng trí tuệ nhân tạo và thị giác máy.

• Tác giả: Đinh Hâu Đāc
• Người hướng dẫn: TS. Đinh TriÁu D¤¢ng
• Trường học: Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Giải Pháp Tối Ưu Hóa Dây Chuyền Sản Xuất Linh Kiện Điện Tử
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC THUẬT NGỮ VÀ CHỮ VIẾT TẮT
• DANH MỤC HÌNH ẢNH/ HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• PHẦN MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Phạm vi nghiên cứu
• 0.3. Đóng góp của luận văn
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Bản mạch in PCB
• 1.2. Giới thiệu chung và xử lý ảnh thị giác máy tính
• 1.2.1. Thị giác máy tính
• 1.2.2. Trí tuệ nhân tạo
• 2. CHƯƠNG 2: TỔNG QUAN VỀ CÁC THUẬT TOÁN XỬ LÝ ẢNH VÀ HỌC MÁY SỬ DỤNG TRONG LUẬN VĂN
• 3. CHƯƠNG 3: CÁC GIẢI PHÁP ĐỀ XUẤT
• 4. CHƯƠNG 4: KẾT QUẢ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Tối Ưu Hóa Dây Chuyền Sản Xuất Điện Tử

Dây chuyền sản xuất linh kiện điện tử đóng vai trò then chốt trong việc tạo ra các sản phẩm điện tử chất lượng cao. Việc tối ưu hóa dây chuyền này không chỉ tăng năng suất mà còn giảm chi phí sản xuất linh kiện và nâng cao tính cạnh tranh. Luận văn này tập trung vào việc trình bày các giải pháp tối ưu hóa, đặc biệt trong khâu phát hiện lỗi linh kiện trên bàn mạch in PCB, sử dụng trí tuệ nhân tạo và thị giác máy tính. Mục tiêu là xây dựng một hệ thống sản xuất thông minh, linh hoạt và hiệu quả, đáp ứng nhu cầu ngày càng cao của ngành công nghiệp điện tử. Sự phát triển của công nghệ 4.0 và nhà máy thông minh tạo ra nhu cầu cấp thiết cho việc tự động hóa và tối ưu hóa quy trình sản xuất. Việc áp dụng các giải pháp tiên tiến không chỉ giúp doanh nghiệp nâng cao hiệu quả hoạt động mà còn đảm bảo chất lượng sản phẩm ổn định, đáp ứng yêu cầu khắt khe của thị trường. Theo nghiên cứu của Đinh Hữu Đức, các giải pháp sử dụng trí tuệ nhân tạo và thị giác máy mang lại tiềm năng to lớn trong việc cải thiện độ chính xác và tốc độ kiểm tra linh kiện.

1.1. Tầm quan trọng của tối ưu hóa quy trình sản xuất điện tử

Tối ưu hóa quy trình sản xuất điện tử mang lại nhiều lợi ích thiết thực, bao gồm tăng năng suất, giảm chi phí, cải thiện chất lượng sản phẩm và nâng cao tính cạnh tranh. Quy trình được tối ưu giúp giảm thiểu thời gian chờ đợi, loại bỏ lãng phí và tăng cường khả năng đáp ứng nhu cầu thị trường. Ngoài ra, việc áp dụng các công nghệ mới như IOT trong sản xuất linh kiện điện tử và Big Data Analytics trong sản xuất điện tử cũng đóng vai trò quan trọng trong việc tối ưu hóa quy trình sản xuất.

1.2. Giới thiệu về các công nghệ ứng dụng trong tối ưu hóa

Nhiều công nghệ tiên tiến được ứng dụng trong tối ưu hóa dây chuyền sản xuất linh kiện điện tử, bao gồm giải pháp tự động hóa sản xuất linh kiện, thị giác máy tính, trí tuệ nhân tạo, robot công nghiệp, phần mềm quản lý sản xuất MES và các hệ thống ERP. Các công nghệ này giúp tự động hóa các công đoạn sản xuất, kiểm soát chất lượng sản phẩm, quản lý dữ liệu và tối ưu hóa quy trình sản xuất tổng thể.

II. Thách Thức Trong Sản Xuất Linh Kiện Giảm Thiểu Lỗi PCB

Trong quá trình sản xuất linh kiện điện tử, việc phát hiện và giảm thiểu lỗi PCB (bảng mạch in) là một thách thức lớn. Các lỗi thường gặp bao gồm thiếu linh kiện, cắm sai vị trí, ngược chiều hoặc hở mạch. Những lỗi này không chỉ ảnh hưởng đến chất lượng sản phẩm mà còn gây tốn kém chi phí sửa chữa và bảo hành. Đặc biệt, trong bối cảnh công nghiệp 4.0, yêu cầu về độ chính xác và tin cậy của sản phẩm ngày càng cao. Việc áp dụng các giải pháp kiểm tra thủ công thường không hiệu quả do giới hạn về thời gian và khả năng tập trung của con người. Do đó, nhu cầu về các hệ thống kiểm tra tự động và chính xác là vô cùng cấp thiết. Theo Đinh Hữu Đức, việc giảm thiểu lỗi PCB có thể đạt được thông qua việc ứng dụng các thuật toán xử lý ảnh và học sâu trong hệ thống kiểm tra.

2.1. Các loại lỗi thường gặp trong sản xuất PCB

Các loại lỗi thường gặp trong sản xuất PCB bao gồm thiếu linh kiện, cắm sai vị trí, cắm ngược chiều, hở mạch, ngắn mạch, và các lỗi về chất lượng hàn. Những lỗi này có thể gây ra các vấn đề nghiêm trọng như sản phẩm không hoạt động, hoạt động không ổn định hoặc giảm tuổi thọ. Việc phát hiện và khắc phục các lỗi này đòi hỏi quy trình kiểm tra nghiêm ngặt và hiệu quả.

2.2. Ảnh hưởng của lỗi PCB đến chi phí và uy tín doanh nghiệp

Lỗi PCB không chỉ gây tốn kém chi phí sửa chữa, bảo hành mà còn ảnh hưởng đến uy tín của doanh nghiệp. Sản phẩm lỗi có thể dẫn đến sự không hài lòng của khách hàng, mất mát thị phần và các vấn đề pháp lý. Do đó, việc đầu tư vào các giải pháp kiểm tra chất lượng PCB hiệu quả là vô cùng quan trọng để bảo vệ lợi ích của doanh nghiệp.

2.3. Sự cần thiết của kiểm soát chất lượng linh kiện đầu vào

Kiểm soát chất lượng linh kiện đầu vào đóng vai trò quan trọng trong việc giảm thiểu lỗi PCB. Việc đảm bảo chất lượng linh kiện đầu vào giúp ngăn chặn các lỗi phát sinh từ nguyên vật liệu kém chất lượng hoặc không đạt tiêu chuẩn. Quy trình kiểm tra chất lượng linh kiện đầu vào cần được thực hiện một cách nghiêm ngặt và có hệ thống.

III. Cách Tăng Năng Suất Dây Chuyền SMT Giải Pháp Tối Ưu

Dây chuyền SMT (Surface Mount Technology) là một phần quan trọng trong sản xuất linh kiện điện tử. Để tăng năng suất dây chuyền SMT, cần áp dụng các giải pháp tối ưu hóa như tự động hóa, cải tiến quy trình và quản lý chất lượng. Việc tối ưu hóa này giúp giảm thời gian sản xuất, tăng sản lượng và cải thiện hiệu quả hoạt động. Đồng thời, cần chú trọng đến việc đào tạo nhân viên và áp dụng các phương pháp quản lý hiện đại như Lean Manufacturing và Six Sigma để nâng cao hiệu quả toàn diện. Theo kinh nghiệm từ các nhà máy sản xuất điện tử hàng đầu, việc áp dụng đồng bộ các giải pháp tối ưu hóa có thể giúp tăng năng suất dây chuyền SMT lên đến 30%.

3.1. Ứng dụng Robot công nghiệp trong sản xuất điện tử

Robot công nghiệp trong sản xuất điện tử có thể thực hiện các công việc lặp đi lặp lại, đòi hỏi độ chính xác cao và trong môi trường nguy hiểm. Sử dụng robot giúp giảm thiểu sai sót do con người, tăng năng suất và cải thiện điều kiện làm việc. Các ứng dụng phổ biến của robot trong sản xuất điện tử bao gồm gắp và đặt linh kiện, hàn, kiểm tra và đóng gói sản phẩm.

3.2. Phương pháp Lean Manufacturing trong điện tử Loại bỏ lãng phí

Lean Manufacturing trong điện tử tập trung vào việc loại bỏ lãng phí trong quy trình sản xuất, bao gồm lãng phí về thời gian, nguyên vật liệu, không gian và nhân lực. Áp dụng các công cụ và kỹ thuật Lean như 5S, Kaizen và Value Stream Mapping giúp tối ưu hóa quy trình sản xuất và tăng hiệu quả hoạt động.

3.3. Sử dụng phần mềm quản lý sản xuất MES cho điện tử

Phần mềm quản lý sản xuất MES cho điện tử cung cấp khả năng theo dõi và kiểm soát toàn bộ quy trình sản xuất, từ nguyên vật liệu đầu vào đến sản phẩm đầu ra. MES giúp thu thập dữ liệu thời gian thực, phân tích hiệu suất sản xuất và đưa ra các quyết định điều chỉnh kịp thời. Ứng dụng MES giúp cải thiện hiệu quả sản xuất, giảm thiểu sai sót và nâng cao khả năng đáp ứng nhu cầu thị trường.

IV. Giải Pháp AI Thị Giác Máy Phát Hiện Lỗi Linh Kiện

Ứng dụng trí tuệ nhân tạo (AI) và thị giác máy trong phát hiện lỗi linh kiện trên bàn mạch in (PCB) mang lại hiệu quả vượt trội so với các phương pháp truyền thống. Các hệ thống này có khả năng tự động kiểm tra, phát hiện lỗi một cách nhanh chóng và chính xác. AI và thị giác máy cho phép phát hiện các lỗi nhỏ, phức tạp mà con người khó có thể nhận ra. Việc áp dụng các thuật toán học sâu như YOLO (You Only Look Once) giúp tăng cường khả năng nhận diện và phân loại linh kiện, đồng thời giảm thiểu tỷ lệ lỗi sót. Theo nghiên cứu của Đinh Hữu Đức, giải pháp sử dụng mô hình YOLOv5 cho kết quả phát hiện lỗi với độ chính xác cao và tốc độ nhanh chóng.

4.1. Ứng dụng thuật toán YOLO trong phát hiện linh kiện

Thuật toán YOLO (You Only Look Once) là một trong những thuật toán học sâu phổ biến nhất trong phát hiện đối tượng. YOLO có khả năng xử lý hình ảnh nhanh chóng và chính xác, phù hợp cho việc phát hiện linh kiện trên bàn mạch in trong thời gian thực. Việc huấn luyện mô hình YOLO với dữ liệu hình ảnh PCB đa dạng giúp tăng cường khả năng nhận diện và phân loại linh kiện.

4.2. So sánh các phương pháp phát hiện lỗi Template Matching XOR

Các phương pháp phát hiện lỗi truyền thống như Template Matching và XOR có những ưu điểm và hạn chế riêng. Template Matching dựa trên việc so sánh hình ảnh mẫu với hình ảnh thực tế, trong khi XOR sử dụng phép toán logic để phát hiện sự khác biệt. Tuy nhiên, các phương pháp này có thể gặp khó khăn trong việc xử lý các biến đổi về ánh sáng, góc nhìn và kích thước. So với các phương pháp truyền thống, AI và thị giác máy mang lại hiệu quả cao hơn trong việc phát hiện lỗi linh kiện.

4.3. Xây dựng hệ thống Vision kiểm tra linh kiện tự động

Việc xây dựng hệ thống Vision kiểm tra linh kiện tự động đòi hỏi sự kết hợp giữa phần cứng và phần mềm. Phần cứng bao gồm camera, hệ thống chiếu sáng và bộ xử lý hình ảnh, trong khi phần mềm bao gồm các thuật toán xử lý hình ảnh, học sâu và giao diện người dùng. Hệ thống Vision cần được thiết kế để hoạt động ổn định, chính xác và có khả năng tích hợp vào dây chuyền sản xuất.

V. Ứng Dụng Thực Tế Kết Quả Nghiên Cứu Kiểm Tra PCB

Nghiên cứu về các giải pháp tối ưu hóa dây chuyền sản xuất thông qua ứng dụng AI và thị giác máy đã mang lại những kết quả khả quan trong việc kiểm tra PCB. Các thử nghiệm thực tế cho thấy hệ thống có khả năng phát hiện lỗi với độ chính xác cao và tốc độ nhanh chóng, giúp giảm thiểu thời gian kiểm tra và nâng cao hiệu quả sản xuất. Kết quả nghiên cứu cũng chỉ ra rằng việc áp dụng các thuật toán học sâu như YOLOv5 có thể cải thiện đáng kể khả năng nhận diện và phân loại linh kiện. Các kết quả này chứng minh tiềm năng to lớn của AI và thị giác máy trong việc tối ưu hóa quy trình sản xuất linh kiện điện tử.

5.1. Đánh giá hiệu quả của các giải pháp đề xuất

Hiệu quả của các giải pháp đề xuất được đánh giá dựa trên các tiêu chí như độ chính xác, tốc độ xử lý, khả năng phát hiện các loại lỗi khác nhau và khả năng tích hợp vào dây chuyền sản xuất. Các thử nghiệm được thực hiện trên các mẫu PCB khác nhau để đảm bảo tính tổng quát và độ tin cậy của kết quả. Kết quả đánh giá cho thấy các giải pháp đề xuất mang lại hiệu quả vượt trội so với các phương pháp truyền thống.

5.2. So sánh kết quả giữa các phương pháp khác nhau

Kết quả giữa các phương pháp phát hiện lỗi khác nhau như Template Matching, XOR và YOLOv5 được so sánh để đánh giá ưu điểm và hạn chế của từng phương pháp. So sánh này giúp lựa chọn phương pháp phù hợp nhất cho từng ứng dụng cụ thể. Kết quả cho thấy YOLOv5 có hiệu quả cao hơn trong việc phát hiện các lỗi phức tạp và có độ chính xác cao hơn so với các phương pháp truyền thống.

VI. Kết Luận và Tương Lai Của Sản Xuất Linh Kiện Điện Tử

Việc tối ưu hóa dây chuyền sản xuất linh kiện điện tử là một quá trình liên tục và không ngừng cải tiến. Trong tương lai, với sự phát triển của công nghệ AI, thị giác máy và IoT, quy trình sản xuất sẽ ngày càng trở nên thông minh, linh hoạt và hiệu quả hơn. Các hệ thống tự động hóa sẽ được tích hợp sâu hơn vào dây chuyền sản xuất, giúp giảm thiểu sự can thiệp của con người và nâng cao chất lượng sản phẩm. Đồng thời, việc áp dụng các phương pháp quản lý hiện đại như Lean Manufacturing và Six Sigma sẽ giúp tối ưu hóa quy trình sản xuất và giảm thiểu lãng phí. Ngành sản xuất linh kiện điện tử hứa hẹn sẽ có những bước tiến vượt bậc trong tương lai, đáp ứng nhu cầu ngày càng cao của thị trường.

6.1. Tóm tắt các giải pháp tối ưu hóa dây chuyền sản xuất

Các giải pháp tối ưu hóa dây chuyền sản xuất bao gồm tự động hóa, ứng dụng AI và thị giác máy, cải tiến quy trình, quản lý chất lượng, đào tạo nhân viên và áp dụng các phương pháp quản lý hiện đại. Việc áp dụng đồng bộ các giải pháp này giúp tăng năng suất, giảm chi phí, cải thiện chất lượng sản phẩm và nâng cao tính cạnh tranh.

6.2. Triển vọng phát triển của ngành sản xuất điện tử

Ngành sản xuất điện tử có triển vọng phát triển mạnh mẽ trong tương lai nhờ vào sự phát triển của công nghệ, nhu cầu ngày càng cao của thị trường và sự đầu tư của các doanh nghiệp. Các xu hướng phát triển chính của ngành bao gồm tự động hóa, số hóa, kết nối và cá nhân hóa sản phẩm. Các doanh nghiệp cần chủ động nắm bắt các xu hướng này để nâng cao năng lực cạnh tranh và phát triển bền vững.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghiệp 4.0, việc tự động hóa dây chuyền sản xuất ngày càng trở nên thiết yếu nhằm nâng cao năng suất và chất lượng sản phẩm. Ngành công nghiệp điện tử, đặc biệt là sản xuất linh kiện bảng mạch in (PCB), đang phát triển mạnh mẽ với tỷ lệ tự động hóa lên đến khoảng 80% trong các công đoạn sản xuất. Tuy nhiên, vẫn tồn tại những thách thức lớn trong việc phát hiện lỗi linh kiện như thiếu linh kiện, cắm sai chiều hoặc lắp đặt sai vị trí, gây ảnh hưởng nghiêm trọng đến hoạt động của mạch và uy tín doanh nghiệp. Việc kiểm tra chất lượng bằng mắt thường tiềm ẩn nhiều rủi ro do sự mỏi mắt và giảm tập trung của công nhân trong thời gian làm việc dài.

Luận văn tập trung nghiên cứu và đề xuất các giải pháp tối ưu hóa dây chuyền sản xuất trong phát hiện linh kiện trên bảng mạch in sử dụng trí tuệ nhân tạo (AI) và thị giác máy tính (Computer Vision). Mục tiêu chính là xây dựng hệ thống kiểm tra tự động, chính xác và hiệu quả nhằm giảm thiểu sai sót trong quá trình sản xuất, đồng thời tăng cường độ tin cậy và năng suất. Phạm vi nghiên cứu tập trung vào ứng dụng các thuật toán xử lý ảnh, học máy và học sâu trong ngành điện tử - viễn thông, với dữ liệu thu thập từ dây chuyền sản xuất thực tế tại một số nhà máy sản xuất PCB tại Việt Nam trong giai đoạn 2020-2022.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số chất lượng sản phẩm như tỷ lệ phát hiện lỗi linh kiện đạt trên 95%, giảm thiểu thời gian kiểm tra xuống dưới 1 giây cho mỗi sản phẩm, đồng thời góp phần nâng cao hiệu quả vận hành dây chuyền sản xuất tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: thị giác máy tính và trí tuệ nhân tạo, đặc biệt là học máy và học sâu.

• Thị giác máy tính (Computer Vision): Là lĩnh vực nghiên cứu các phương pháp thu nhận, xử lý và phân tích hình ảnh nhằm trích xuất thông tin có ý nghĩa. Các kỹ thuật xử lý ảnh như trích xuất đặc trưng SIFT, phân vùng ảnh, contour tracing, và so sánh mẫu được áp dụng để nhận dạng linh kiện trên PCB.

• Học máy và học sâu (Machine Learning & Deep Learning): Học máy giúp máy tính tự học từ dữ liệu mà không cần lập trình luật cứng nhắc. Học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), được sử dụng để xây dựng các mô hình nhận dạng và phát hiện đối tượng chính xác cao. Mô hình YOLO (You Only Look Once) được lựa chọn để phát hiện linh kiện trên ảnh PCB với khả năng xử lý thời gian thực.

Các khái niệm chính bao gồm: trích xuất đặc trưng bậc biến SIFT, ma trận Homography, thuật toán RANSAC, thuật toán contour tracing (Square Tracing, Moore-Neighbor Tracing), thuật toán so sánh mẫu (Template Matching), phân cụm K-means clustering, mạng CNN và mô hình YOLOv5.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập ảnh thu thập từ dây chuyền sản xuất PCB tại một số nhà máy điện tử trong nước, với cỡ mẫu khoảng vài nghìn ảnh có gán nhãn linh kiện chính xác. Dữ liệu được xử lý và phân tích bằng ngôn ngữ Python, sử dụng thư viện OpenCV cho xử lý ảnh và PyTorch cho huấn luyện mô hình học sâu.

Phương pháp nghiên cứu bao gồm:

• Tiền xử lý ảnh: Căn chỉnh ảnh (image alignment) bằng thuật toán SIFT kết hợp ma trận Homography và RANSAC để loại bỏ sai lệch vị trí, xoay ảnh. Xác định vùng quan tâm (ROI) bằng kỹ thuật contour lớn nhất.

• Phát hiện linh kiện: Áp dụng các thuật toán xử lý ảnh như template matching, XOR kết hợp K-means clustering để phân loại và phát hiện linh kiện. Đồng thời, xây dựng mô hình YOLOv5 để nhận dạng linh kiện với độ chính xác cao.

• Đánh giá kết quả: So sánh hiệu quả các phương pháp qua các chỉ số như độ chính xác (accuracy), tốc độ xử lý (fps), tỷ lệ phát hiện lỗi (detection rate).

Timeline nghiên cứu kéo dài trong 12 tháng, từ thu thập dữ liệu, phát triển thuật toán, huấn luyện mô hình đến đánh giá và hoàn thiện hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả căn chỉnh ảnh: Thuật toán SIFT kết hợp ma trận Homography và RANSAC giúp căn chỉnh ảnh PCB với sai số vị trí giảm xuống dưới 2%, đảm bảo ảnh đầu vào đồng nhất cho các bước xử lý tiếp theo.

2. Phát hiện linh kiện bằng template matching: Trong thử nghiệm với 6 phương pháp so sánh mẫu, phương pháp CV_TM_CCOEFF_NORMED đạt độ chính xác phát hiện linh kiện khoảng 85%, tuy nhiên tốc độ xử lý chưa đáp ứng yêu cầu thời gian thực.

3. Phương pháp XOR kết hợp K-means clustering: Giải pháp này cải thiện độ chính xác lên khoảng 90%, đồng thời giảm thiểu sai sót do biến đổi ánh sáng và góc chụp, phù hợp với điều kiện sản xuất thực tế.

4. Mô hình YOLOv5: Mô hình học sâu YOLOv5 đạt độ chính xác phát hiện linh kiện trên 95%, tốc độ xử lý đạt khoảng 30 khung hình/giây, đáp ứng tốt yêu cầu kiểm tra tự động trên dây chuyền sản xuất. Việc áp dụng Non-Maximum Suppression (NMS) giúp loại bỏ các bounding box thừa, nâng cao độ tin cậy kết quả.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp các kỹ thuật xử lý ảnh truyền thống với mô hình học sâu mang lại hiệu quả vượt trội trong phát hiện linh kiện PCB. Căn chỉnh ảnh chính xác là bước nền tảng quan trọng, giúp giảm thiểu sai lệch trong nhận dạng. So với các nghiên cứu trước đây chỉ sử dụng template matching hoặc các thuật toán đơn giản, việc áp dụng YOLOv5 đã nâng cao đáng kể độ chính xác và tốc độ xử lý.

Biểu đồ so sánh độ chính xác và tốc độ xử lý giữa các phương pháp có thể minh họa rõ ràng ưu thế của mô hình học sâu. Bảng tổng hợp kết quả thử nghiệm cho thấy YOLOv5 vượt trội với độ chính xác 95% và tốc độ 30 fps, trong khi các phương pháp truyền thống chỉ đạt 85-90% và tốc độ thấp hơn 10 fps.

Ý nghĩa của nghiên cứu không chỉ nằm ở việc nâng cao chất lượng kiểm tra linh kiện mà còn góp phần giảm thiểu chi phí nhân công, tăng tính ổn định và tự động hóa dây chuyền sản xuất trong ngành điện tử.

Đề xuất và khuyến nghị

1. Triển khai hệ thống kiểm tra tự động dựa trên mô hình YOLOv5: Áp dụng ngay trong dây chuyền sản xuất để nâng cao tỷ lệ phát hiện lỗi linh kiện lên trên 95%, giảm thiểu sai sót do con người. Thời gian thực hiện trong vòng 6 tháng, chủ thể thực hiện là bộ phận kỹ thuật và quản lý sản xuất.

2. Tối ưu hóa quy trình tiền xử lý ảnh: Cải tiến thuật toán căn chỉnh và xác định vùng quan tâm nhằm giảm thời gian xử lý ảnh xuống dưới 0.5 giây mỗi sản phẩm, đảm bảo vận hành liên tục. Thời gian thực hiện 3 tháng, do nhóm nghiên cứu và phát triển phần mềm đảm nhiệm.

3. Đào tạo nhân sự vận hành và bảo trì hệ thống: Tổ chức các khóa đào tạo chuyên sâu về thị giác máy tính và AI cho kỹ thuật viên nhằm đảm bảo vận hành ổn định và xử lý sự cố kịp thời. Thời gian đào tạo 2 tháng, do phòng nhân sự phối hợp với chuyên gia AI thực hiện.

4. Mở rộng ứng dụng sang các công đoạn kiểm tra khác: Nghiên cứu áp dụng các giải pháp AI và thị giác máy tính cho kiểm tra chất lượng linh kiện khác như IC, tụ điện, điốt nhằm nâng cao toàn diện chất lượng sản phẩm. Thời gian nghiên cứu mở rộng 12 tháng, do phòng R&D chủ trì.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư và chuyên gia trong ngành điện tử - viễn thông: Nắm bắt các giải pháp ứng dụng AI và thị giác máy tính trong kiểm tra linh kiện PCB, từ đó áp dụng vào thực tế sản xuất nhằm nâng cao chất lượng và hiệu quả.

2. Nhà quản lý dây chuyền sản xuất tự động: Hiểu rõ các công nghệ mới giúp tối ưu hóa quy trình kiểm tra, giảm thiểu sai sót và tăng năng suất, từ đó đưa ra các quyết định đầu tư phù hợp.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, công nghệ thông tin: Tham khảo các thuật toán xử lý ảnh, học máy và học sâu được áp dụng thực tiễn, làm cơ sở phát triển các đề tài nghiên cứu tiếp theo.

4. Các doanh nghiệp sản xuất linh kiện điện tử: Áp dụng các giải pháp tự động hóa kiểm tra linh kiện để nâng cao uy tín, giảm chi phí nhân công và tăng khả năng cạnh tranh trên thị trường.

Câu hỏi thường gặp

1. Tại sao cần sử dụng trí tuệ nhân tạo trong kiểm tra linh kiện PCB?
   Trí tuệ nhân tạo giúp tự động hóa quá trình kiểm tra, nâng cao độ chính xác và tốc độ phát hiện lỗi, giảm thiểu sai sót do con người và tăng hiệu quả sản xuất.

2. Mô hình YOLO có ưu điểm gì so với các phương pháp truyền thống?
   YOLO xử lý ảnh toàn cục trong một lần duy nhất, cho tốc độ nhanh (khoảng 30 fps) và độ chính xác cao (>95%), phù hợp với yêu cầu kiểm tra thời gian thực trên dây chuyền.

3. Làm thế nào để căn chỉnh ảnh PCB chính xác trước khi xử lý?
   Sử dụng thuật toán SIFT để trích xuất đặc trưng, kết hợp ma trận Homography và thuật toán RANSAC để tìm ma trận biến đổi, từ đó căn chỉnh ảnh về đúng vị trí chuẩn.

4. Phương pháp template matching có thể áp dụng trong điều kiện nào?
   Template matching phù hợp khi ảnh đầu vào ít biến đổi về góc nhìn và ánh sáng, thường dùng trong các dây chuyền sản xuất có điều kiện ổn định và kiểm soát tốt.

5. Làm sao để giảm thiểu các bounding box thừa khi sử dụng YOLO?
   Áp dụng kỹ thuật Non-Maximum Suppression (NMS) để loại bỏ các bounding box chồng lấn và giữ lại box có độ tin cậy cao nhất, giúp kết quả phát hiện chính xác và rõ ràng hơn.

Kết luận

• Luận văn đã nghiên cứu và phát triển các giải pháp tối ưu hóa dây chuyền sản xuất trong phát hiện linh kiện PCB dựa trên trí tuệ nhân tạo và thị giác máy tính.
• Các thuật toán xử lý ảnh truyền thống kết hợp với mô hình học sâu YOLOv5 cho kết quả phát hiện linh kiện với độ chính xác trên 95% và tốc độ xử lý đáp ứng yêu cầu thực tế.
• Hệ thống căn chỉnh ảnh bằng SIFT, Homography và RANSAC đảm bảo dữ liệu đầu vào đồng nhất, nâng cao hiệu quả nhận dạng.
• Giải pháp đề xuất góp phần giảm thiểu sai sót, tăng năng suất và chất lượng sản phẩm trong ngành điện tử - viễn thông.
• Các bước tiếp theo bao gồm triển khai thực tế trên dây chuyền, đào tạo nhân sự và mở rộng ứng dụng sang các công đoạn kiểm tra khác.

Khuyến nghị: Các doanh nghiệp và nhà nghiên cứu nên áp dụng và phát triển tiếp các giải pháp AI trong tự động hóa kiểm tra chất lượng để nâng cao năng lực cạnh tranh và đáp ứng xu thế công nghiệp 4.0.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu chung Ch°¡ng này trình bày vÁ vÃn đÁ nghiên cāu, tổng quan vÁ m¿ch PCB, mô hình thá giác máy trong kiểm tra linh kián bÁn m¿ch PCB Chương 2: Tổng quan về các thuật toán xử lý Ánh và học máy sử dụng trong luận văn Ch°¡ng này trình bày tổng quan vÁ thá giác máy, trí tuá nhân t¿o: các kĩ thuật xā lý Ánh, ph°¡ng pháp hãc máy, hãc sâu đ°ÿc sā dāng trong đÁ tài nghiên cāu Chương 3: Các giÁi pháp đề xuất 2 Ch°¡ng này trình bày vÁ quá trình và các ph°¡ng pháp thực hián xā Ánh để kiểm tra phát hián linh kián trên bÁn m¿ch PCB Chương 4 Kết quÁ Ch°¡ng này trình bày vÁ các k¿t quÁ thu đ°ÿc sau khi áp dāng các ph°¡ng pháp xā lý Ánh và hãc máy trong phát hián linh kián trên bÁn m¿ch in. 3 PHÄN NÞI DUNG CH£¡NG 1. GIàI THIÞU CHUNG 1. BÁn m¿ch in PCB PCB (Printed Circuit Board) là mát bÁng m¿ch in có mát hoặc nhiÁu lớp và các lớp này đ°ÿc cách đián với nhau, trên đó tÃt cÁ các linh kián đián tā đ°ÿc k¿t nái với nhau thông qua các đ°ờng (pad) dẫn đián th°ờng đ°ÿc làm bằng đồng rát mßng.

Khi PCB ch°a đ°ÿc sÁn xuÃt, các linh kián sẽ nái với nhau bằng các dây dẫn. Viác này làm tăng đá phāc t¿p và đá tin cậy không cao, vì th¿ không thể t¿o ra mát m¿ch đián lớn nh° bo m¿ch chÿ. Nh°ng trong PCB, tÃt cÁ các linh kián đ°ÿc k¿t nái không cần các dây dẫn và đ°ÿc nái bên trong, do đó nó sẽ làm bÁn m¿ch gãn gàng và giÁm đá phāc t¿p cÿa thi¿t k¿ m¿ch tổng thể. Ng°ời dùng có thể dß dàng tùy chßnh và thi¿t k¿ các thông sá cÿa PCB theo nhu cầu.

Trong cuác sáng m¿ch PCB có ở hầu h¿t trong các thi¿t bá đián tā nh°: TV, đián tho¿i di đáng, máy Ánh kỹ thuật sá, các bá phận máy tính nh°: Card đồ hãa, Bo m¿ch chÿ& Và nó cũng đ°ÿc sā dāng trong hầu h¿t các lĩnh vực nh°: Thi¿t bá y t¿, quân sự, máy móc công nghiáp, ngành công nghiáp ô tô, chi¿u sáng, & Hình 1. 1: Một số m¿ch PCB Mát bÁn m¿ch PCB đ°ÿc cÃu t¿o tÿ nhiÁu vật liáu cách đián, dẫn đián đ°ÿc sắp x¿p theo mát trình tự nhÃt đánh. Các vật liáu cÃu t¿o nên PCB bao gồm bán lo¿i chính: ChÃt nÁn, lớp đồng, solder mask, silk screen hình 1. • ChÃt nÁn: Th°ờng đ°ÿc làm bằng sÿi thÿy tinh và đ°ÿc phÿ mát lớp nhựa, có tác dāng đÁm bÁo tính cách đián trong bÁn m¿ch.

FR4 là lo¿i nhữa thÿy tinh thông dāng nhÃt đ°ÿc sā dāng làm chÃt nÁn trong bÁn m¿ch PCB. 4 • Lớp đồng: Là lớp vật liáu thā hai, là mát lớp đồng mßng có vai trò là chÃt dẫn đián, có thể nhiÁu lớp đồng khác nhau tùy vào chāc năng cÿa m¿ch. Đá dày cÿa lớp đồng khác nhau tùy thuác vào các tham sá khái l°ÿng và dián tích cÿa m¿ch. • Solder mask: Đây là lớp mặt n¿ hàn đ°ÿc phÿ trên lớp đồng, lớp này che phÿ toàn bá bÁ mặt PCB trÿ phần chân linh kián.

Có tác dāng cách đián phần chân linh kián và các đ°ờng m¿ch, cháng oxy hóa. • Silk screen: Là lớp trên cùng cÿa bÁn m¿ch in th°ờng có màu trắng, đ°ÿc dùng để in thể hián nhãn, giá trá cÿa các linh kián gắn trên m¿ch. 2: Cấu t¿o m¿ch PCB Tùy thuác và cÃu t¿o, đặc điểm chāc năng và māc đích sā dāng PCB đ°ÿc chia làm nhiÁu lo¿i khác nhau. Phân lo¿i theo đá cāng: - PCB tÃm: Đây là lo¿i PCB phổ bi¿n nhÃt hián nay.

- PCB dẻo: Th°ờng đ°ÿc dùng làm cáp m¿ch cho màn hình TV, đián tho¿i, máy tính. Phân lo¿i theo cÃu trúc: - PCB mát lớp: Chß có mát mặt đ°ÿc in - PCB nhiÁu lớp: Có nhiÁu lớp đ°ÿc in chồng x¿p lên nhau Phân lo¿i theo linh kián k¿t nái: - PCB dán linh kián - PCB đāc lß Mßt sß linh kißn đißn tÿ c¢ bÁn  Đián trở Là linh kián đián tā thā đáng với 2 ti¿p điểm k¿t nái, nó mang đ¿n chāc năng điÁu chßnh māc đá tín hiáu. Chúng có thể h¿n ch¿ c°ờng đá di chuyển trong m¿ch, có chāc năng chia đián áp, kích ho¿t các dòng linh kián chÿ đáng. Đ¡n vá 5 đo đián trở đ°ÿc tính bằng Ohm (Ω).

Mát sá āng dāng thực t¿ khác cÿa đián trở, bao gồm:  Không ch¿ dòng đián qua tÁi cho phù hÿp.  Phân cực cho bóng bán dẫn ho¿t đáng.  Mắc đián trở thành cầu phân áp nhằm có đ°ÿc đián áp theo ý muán tÿ mát đián áp tr°ớc.  Tham gia vào các m¿ch t¿o dao đáng RC.

Hián nay, đián trở đ°ÿc chia thành rÃt nhiÁu lo¿i khác nhau trong đó có 6 lo¿i chính gồm: Đián trở cacbon, đián trở màng hay đián trở gám kim lo¿i, đián trở dây quÃn, đián trở film, đián trở bÁ mặt (dán), đián trở băng, đián trở cacbon. 3: Hình Ánh một số lo¿i điện trở  Tā đián Là mát linh kián đián tā thā đáng cÃu t¿o bởi hai bÁn cực đặt song song đ°ÿc ngăn cách bởi lớp đián môi, tā đián có tính chÃt cách đián 1 chiÁu nh°ng cho dòng đián xoay chiÁu đi qua nhờ nguyên lý phóng n¿p. Đ¿i l°ÿng đặc tr°ng cho tā đián là đián dung, đ¡n vá là Fara (F). 4: Một số lo¿i tụ điện Các lo¿i tā đián thông dāng: 6  Tā hóa hay còn gãi là tā phân cực: là tā có phân cực (-), (+) và luôn có hình trā.

Trên thân tā đ°ÿc thể hián giá trá đián dung, đián dung th°ờng tÿ 0,47 µF đ¿n 4700 µF.  Tā gám, tā giÃy, tā mica, tā kẹo, tā cao áp, tā sā ( tā không phân cực) là tā không phân cực và có hình dẹt, không phân biát âm d°¡ng. Có trá sá đ°ÿc ký hiáu trên thân bằng ba sá, đián dung cÿa tā th°ờng khá nhß, chß khoÁng 0,47 µF.  Tā xoay: là tā có thể xoay để thay đổi giá trá đián dung, tā này th°ờng đ°ÿc lắp trong Radio để thay đổi tần sá cáng h°ởng khi ta dò đài.

 Vi m¿ch IC IC hay còn gãi là vi m¿ch, vi m¿ch tích hÿp là các m¿ch đián tā bao gồm linh kián bán dẫn và thā đáng đ°ÿc liên k¿t với nhau. Các vi m¿ch để cung cÃp những chāc năng riêng biát trên tÿng thi¿t bá. 5: Một số lo¿i IC 1. Giái thißu chung vÁ xÿ lý Ánh thá giác máy tính 1.

Thá giác máy tính Thá giác máy tính (Computer vision) là mát trong những lĩnh vực quan trãng nhÃt cÿa ngành khoa hãc máy tính gồm các ph°¡ng pháp thu nhận, xā lý Ánh sá, phân tích và nhận d¿ng các hình Ánh dữ liáu đa chiÁu tÿ th¿ giới thực để cho ra các thông tin sá hoặc biểu t°ÿng, ví dā nh° Ánh chāp cái gì, đái t°ÿng trong Ánh là gì/làm gì/ở đâu hoặc đ°a ra đ°ÿc các k¿t luận/quy¿t đánh. Ngày nay nhờ vào l°ÿng dữ liáu khổng lồ (h¡n 3 tỷ hình Ánh đ°ÿc chia sẻ trực tuy¿n mßi ngày). Cùng sự phát triển ngày càng m¿nh mẽ cÿa các m¿ch vi xā lý, tác đá xā lý cÿa các há tháng máy tính ngày mát tăng và nhiÁu công trình 7 nghiên cāu, thuật toán mới cÿa nhiÁu nhà khoa hãc trên th¿ giới đã thúc đẩy thá giác máy tính ngày mát phát triển m¿nh mẽ và đ°ÿc āng dāng rÃt ráng rãi trong nhiÁu lĩnh vực khác nhau cÿa đời sáng. Nh° āng dāng quÁn lý giao thông đô thá, āng dāng trong y t¿ để phân tích Ánh dự đoán bánh, āng dāng quÁn lý dữ liáu sinh trắc hãc[3], āng dāng trong các há tháng giám sát chÃt l°ÿng sÁn phẩm, há tháng nhận dián thông qua cā chß cÿa con ng°ời[4]& Hình 1.

6: Āng dụng thị giác máy tính trong nhận d¿ng vật thể 1. Trí tuß nhân t¿o Trí tuá nhân t¿o (Artificial Intelligence - AI) hay trí thông minh nhân t¿o đ°ÿc đÁ cập đ¿n lần đầu tiên vào những năm 1950 bởi nhà khoa hãc John McCarthy – mát nhà khoa hãc ng°ời Mỹ nh°ng đ¿n khoÁng nh°ng năm 80 thì AI mới đ°ÿc quan tâm. Đ¿n những năm 2008, cùng với sự bùng nổ cÿa c¡ sở dữ liáu lớn (Big Data) và sự phát triển cÿa phần cāng cÿa các há tháng máy tính, thì AI đã phát triển m¿nh mẽ trở thành mát trong những ngành công nghá đ°ÿc quan tâm phát triển và āng dāng bậc nhÃt cho đ¿n hián nay. Đi đầu là các tập đoàn hàng đầu th¿ giới nh° Google, Facebook, Twitter, Amazon, Alibaba, Tencent& Và đ°ÿc āng dāng phổ bi¿n trong nhiÁu lĩnh vực nh° tài chính - ngân hàng, chăm sóc sāc khße, āng dāng trÿ lý Áo (chatbots), āng dāng trong xe tự hành, nhận dián giãng nói, khuôn mặt, sinh trắc hãc, nông nghiáp& Trí tuá nhân t¿o có thể đ°ÿc hiểu đ¡n giÁn là trí thông minh đ°ÿc thể hián bằng máy móc mô phßng l¿i quá trình suy nghĩ và hãc tập cÿa con ng°ời.

BÁn 8 chÃt cÿa trí tuá nhân t¿o vẫn do con ng°ời làm ra, hã xây dựng các thuật toán, lập trình bằng các công cā phần mÁm công nghá thông tin, giúp các máy tính có thể tự đáng xā lý các hành vi thông minh nh° con ng°ời. 7: Lịch sử hình thành phát triển AI Trong lĩnh vực AI, có mát nhánh nghiên cāu vÁ khÁ năng tự hãc cÿa máy tính đ°ÿc gãi là hãc máy (machine learning). Hián nay, không có mát đánh nghĩa chính thāc nào vÁ hãc máy nh°ng có thể hiểu rằng nó là các kỹ thuật giúp cho máy tính có thể tự hãc mà không cần phÁi cài đặt các luật quy¿t đánh. Th°ờng mát ch°¡ng trình máy tính cần các quy tắc, luật lá để có thể thực thi đ°ÿc mát tác vā nào đó nh° dán nhãn cho các email là th° rác n¿u nái dung email có chā tÿ khoá <quÁng cáo=.

Nh°ng với hãc máy, các máy tính có thể tự đáng phân lo¿i các th° rác mà không cần chß tr°ớc bÃt kỳ quy tắc nào cÁ. Có thể hiểu đ¡n giÁn là nó giúp cho máy tính có đ°ÿc cÁm quan và suy nghĩ đ°ÿc nh° con ng°ời hay hãc máy là ph°¡ng pháp vẽ các đ°ờng thể hián mái quan há cÿa tập dữ liáu. Mát nhánh nhß trong hãc máy gần đây rÃt đ°ÿc °u chuáng là hãc sâu (deep learning). Hãc sâu là kỹ thuật sā dāng các m¿ng n¡-ron t°¡ng tự nh° các n¡-ron cÿa não ng°ời để xây dựng há tháng hãc máy.

Đây là mát sự k¿t hÿp tuyát vời giữa toán hãc và khoa hãc thần kinh. K¿t quÁ cÿa nó mang l¿i cực kỳ to lớn, có thể coi là khởi nguyên cÿa ngành công nghiáp mới. T¿i thời điểm này, hầu h¿t các ngành công nghá thông tin lẫn các ngành khác nh° ôto, đián tā đÁu đang tập trung phát triển và āng dāng kỹ thuật hãc sâu cho bài toán cÿa mình.