Hệ thống tự động kiểm tra ngoại quan sản phẩm rocker arm dựa trên xử lý ảnh và công nghệ học sâu

Hệ thống kiểm tra ngoại quan rocker arm sử dụng xử lý ảnh và công nghệ học sâu, nâng cao hiệu quả sản xuất và chất lượng sản phẩm.

• Tác giả: Trần Văn Huy
• Người hướng dẫn: TS. Nguyễn Thành Hùng
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Cơ Điện Tử
• Đề tài: Hệ Thống Kiểm Tra Ngoại Quan Rocker Arm Bằng Công Nghệ Học Sâu Và Xử Lý Ảnh
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm
• 1.2. Tổng quan về công nghệ học máy, học sâu và xử lý ảnh ứng dụng trong hệ thống kiểm tra ngoại quan
• 1.3. Giới thiệu về rocker arm
• 1.4. Các lỗi ngoại quan
• 1.5. Nội dung nghiên cứu
• 2. CHƯƠNG 2: THUẬT TOÁN PHÁT HIỆN LỖI LỆCH TRỤC VÀ LỖI VÁT MÉP
• 2.1. Thuật toán RANSAC
• 2.2. Ưu nhược điểm
• 2.3. Thuật toán RANSAC phát hiện đường tròn trên rocker arm
• 2.4. Phát hiện lỗi lệch trục
• 2.5. Phát hiện lỗi vát mép
• 3. CHƯƠNG 3: THUẬT TOÁN PHÁT HIỆN LỖI XƯỚC
• 3.1. Thuật toán YOLO
• 3.2. Cấu trúc và đặc điểm mô hình yolov3 áp dụng phát hiện lỗi xước trên rocker arm
• 3.3. Phát hiện lỗi xước
• 4. CHƯƠNG 4: THUẬT TOÁN PHÁT HIỆN LỖI NHÁM
• 4.1. Thuật toán Autoencoder
• 4.2. Kiến trúc cơ bản
• 4.3. Kiến trúc mạng Autoencoder áp dụng cho rocker arm
• 4.4. Phát hiện lỗi nhám
• 5. CHƯƠNG 5: MÔ HÌNH HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM
• 5.1. Mô hình hệ thống
• 5.1.1. Hệ thống chụp ảnh
• 5.1.2. Hệ thống camera và máy tính xử lý
• 5.2. Kết quả thực nghiệm
• 5.2.1. Chuyển đổi đơn vị trên ảnh và thực tế
• 5.2.2. Kết quả thực nghiệm phát hiện lỗi lệch trục
• 5.2.3. Kết quả thực nghiệm lỗi vát mép
• 5.2.4. Kết quả thực nghiệm lỗi xước
• 5.2.5. Kết quả thực nghiệm lỗi nhám
• 5.3. Kết luận, đánh giá hiệu quả của giải pháp
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU

Tóm tắt

I. Tổng quan về hệ thống kiểm tra ngoại quan rocker arm

Hệ thống kiểm tra ngoại quan rocker arm là một phần quan trọng trong quy trình sản xuất. Nó giúp phát hiện các lỗi ngoại quan, đảm bảo chất lượng sản phẩm trước khi đưa ra thị trường. Việc áp dụng công nghệ học sâu và xử lý ảnh vào hệ thống này không chỉ nâng cao độ chính xác mà còn tăng tốc độ kiểm tra. Hệ thống này bao gồm nhiều thành phần như camera, hệ thống chiếu sáng và phần mềm xử lý hình ảnh.

1.1. Ứng dụng công nghệ học sâu trong kiểm tra ngoại quan

Công nghệ học sâu giúp cải thiện khả năng phát hiện lỗi trong sản phẩm rocker arm. Các mô hình học sâu như YOLO và Autoencoder được sử dụng để phân tích hình ảnh và phát hiện các lỗi như lệch trục và xước.

1.2. Tầm quan trọng của kiểm tra ngoại quan trong sản xuất

Kiểm tra ngoại quan giúp đảm bảo sản phẩm đạt tiêu chuẩn chất lượng. Việc phát hiện lỗi sớm giúp giảm thiểu chi phí sản xuất và tăng cường sự hài lòng của khách hàng.

II. Vấn đề và thách thức trong kiểm tra ngoại quan rocker arm

Mặc dù hệ thống kiểm tra ngoại quan đã được cải tiến, vẫn tồn tại nhiều thách thức. Các lỗi như lệch trục, vát mép và xước vẫn thường xuyên xảy ra. Việc phát hiện các lỗi này bằng mắt thường không còn hiệu quả trong sản xuất quy mô lớn. Do đó, cần có giải pháp tự động hóa để nâng cao hiệu quả kiểm tra.

2.1. Các lỗi ngoại quan phổ biến trong rocker arm

Các lỗi như lệch trục chính, vát mép lỗ trục chính và xước trên bề mặt sản phẩm là những vấn đề thường gặp. Những lỗi này không chỉ ảnh hưởng đến chất lượng mà còn đến hiệu suất của sản phẩm.

2.2. Hạn chế của phương pháp kiểm tra truyền thống

Phương pháp kiểm tra bằng mắt thường có nhiều hạn chế như độ chính xác thấp và thời gian kiểm tra lâu. Điều này dẫn đến việc sản phẩm lỗi vẫn có thể được đưa ra thị trường.

III. Phương pháp kiểm tra ngoại quan rocker arm hiệu quả

Để giải quyết các vấn đề trong kiểm tra ngoại quan, nhiều phương pháp hiện đại đã được áp dụng. Việc sử dụng thuật toán RANSAC và các mô hình học sâu giúp phát hiện lỗi một cách chính xác và nhanh chóng. Các phương pháp này không chỉ giúp tiết kiệm thời gian mà còn nâng cao độ tin cậy của kết quả kiểm tra.

3.1. Ứng dụng thuật toán RANSAC trong phát hiện lỗi

Thuật toán RANSAC được sử dụng để phát hiện các lỗi lệch trục và vát mép. Nó giúp xác định các tham số cần thiết để phân tích hình ảnh một cách chính xác.

3.2. Sử dụng YOLO và Autoencoder trong kiểm tra

Mô hình YOLO giúp phát hiện lỗi xước trên bề mặt sản phẩm, trong khi Autoencoder được sử dụng để phát hiện lỗi nhám bên trong lỗ trục chính. Cả hai mô hình này đều cho kết quả chính xác cao.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy việc áp dụng công nghệ học sâu và xử lý ảnh vào hệ thống kiểm tra ngoại quan rocker arm mang lại hiệu quả rõ rệt. Các phương pháp kiểm tra đã được xây dựng thành công và cho kết quả chính xác cao. Hệ thống này có thể được áp dụng rộng rãi trong các nhà máy sản xuất.

4.1. Kết quả thực nghiệm từ hệ thống kiểm tra

Các kết quả thực nghiệm cho thấy độ chính xác của hệ thống kiểm tra đạt trên 90%. Điều này chứng tỏ tính khả thi của việc áp dụng công nghệ học sâu trong kiểm tra ngoại quan.

4.2. Ứng dụng vào quy trình sản xuất thực tế

Hệ thống kiểm tra đã được triển khai tại một số nhà máy sản xuất rocker arm, giúp nâng cao hiệu quả sản xuất và giảm thiểu lỗi sản phẩm.

V. Kết luận và triển vọng tương lai của hệ thống kiểm tra

Hệ thống kiểm tra ngoại quan rocker arm bằng công nghệ học sâu và xử lý ảnh đã chứng minh được hiệu quả trong việc phát hiện lỗi. Tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình mới để nâng cao độ chính xác và tốc độ xử lý. Việc thu thập thêm dữ liệu và cải tiến thuật toán sẽ giúp hệ thống ngày càng hoàn thiện.

5.1. Triển vọng phát triển công nghệ kiểm tra

Công nghệ kiểm tra ngoại quan sẽ tiếp tục phát triển với sự hỗ trợ của trí tuệ nhân tạo. Các mô hình học sâu sẽ ngày càng được cải tiến để đáp ứng nhu cầu sản xuất hiện đại.

5.2. Tầm quan trọng của việc nâng cao chất lượng sản phẩm

Nâng cao chất lượng sản phẩm không chỉ giúp tăng cường sự hài lòng của khách hàng mà còn tạo ra lợi thế cạnh tranh cho doanh nghiệp trong thị trường.

Nội dung chính

Tổng quan nghiên cứu

Kiểm tra chất lượng sản phẩm là một bước quan trọng trong quy trình sản xuất công nghiệp nhằm đảm bảo sản phẩm đạt tiêu chuẩn kỹ thuật và yêu cầu hợp đồng. Trong đó, kiểm tra ngoại quan sản phẩm là phương pháp đánh giá bằng mắt thường hoặc tự động để phát hiện các sai lệch về hình thức, bề mặt sản phẩm mà không cần sử dụng dụng cụ đo lường phức tạp. Tuy nhiên, kiểm tra ngoại quan thủ công gặp nhiều hạn chế như chi phí nhân công cao, sai sót do mệt mỏi hoặc cảm xúc của người kiểm tra, đặc biệt khi số lượng sản phẩm lớn. Do đó, việc phát triển hệ thống kiểm tra ngoại quan tự động dựa trên công nghệ xử lý ảnh và học sâu trở thành xu hướng tất yếu nhằm nâng cao độ chính xác, tốc độ và hiệu quả kiểm tra.

Luận văn tập trung nghiên cứu xây dựng hệ thống tự động kiểm tra ngoại quan sản phẩm rocker arm – một bộ phận quan trọng trong cơ cấu phân phối khí của động cơ đốt trong. Các lỗi ngoại quan phổ biến trên rocker arm gồm: lỗi lệch trục lỗ trục chính và lỗ ren, lỗi vát mép lỗ trục chính, lỗi xước trên bề mặt và cạnh, lỗi nhám bên trong lỗ trục chính và lỗ con lăn. Mục tiêu nghiên cứu là phát triển các thuật toán xử lý ảnh và học sâu để phát hiện chính xác các lỗi này, từ đó ứng dụng vào quy trình sản xuất tại nhà máy nhằm giảm thiểu sản phẩm lỗi, nâng cao chất lượng và hiệu quả sản xuất.

Phạm vi nghiên cứu tập trung trên sản phẩm rocker arm được sản xuất tại một số nhà máy trong khoảng thời gian gần đây, sử dụng dữ liệu ảnh chụp độ phân giải cao và các thuật toán học sâu hiện đại. Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện tỷ lệ phát hiện lỗi lên mức khoảng 90% trở lên, giảm thiểu sai sót so với kiểm tra thủ công, đồng thời rút ngắn thời gian kiểm tra xuống còn vài giây mỗi sản phẩm, đáp ứng yêu cầu kiểm tra thời gian thực trong sản xuất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Thuật toán RANSAC (Random Sample Consensus): Phương pháp ước lượng tham số mô hình toán học từ dữ liệu có nhiễu và ngoại lệ, được sử dụng để phát hiện các đường tròn trên ảnh nhằm xác định lỗi lệch trục và vát mép trên lỗ trục chính của rocker arm.

• Mạng thần kinh tích chập (CNN) và mô hình YOLOv3: Mạng CNN là nền tảng cho các mô hình học sâu trong xử lý ảnh, trong đó YOLOv3 là một kiến trúc mạng tích chập hiện đại, được sử dụng để phát hiện lỗi xước trên bề mặt và cạnh rocker arm với khả năng nhận dạng đa kích thước vật thể.

• Mạng Autoencoder: Mạng học sâu không giám sát dùng để phát hiện lỗi nhám bên trong lỗ trục chính và lỗ con lăn thông qua việc tái tạo ảnh và so sánh sai khác giữa ảnh gốc và ảnh tái tạo.

Các khái niệm chính bao gồm: xử lý ảnh kỹ thuật số, học máy có giám sát và không giám sát, phát hiện đối tượng, phân loại ảnh, và mô hình hóa dữ liệu nhiễu.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập ảnh chụp sản phẩm rocker arm với độ phân giải cao (6000x4000 pixel), được thu thập từ nhiều góc độ khác nhau nhằm bao phủ toàn bộ bề mặt và các vị trí cần kiểm tra. Dữ liệu được chia nhỏ thành các ảnh con để tăng hiệu quả đào tạo mô hình.

Phương pháp phân tích bao gồm:

• Áp dụng thuật toán RANSAC để phát hiện các đường tròn trên ảnh nhằm xác định các thông số lệch trục và vát mép.

• Sử dụng mô hình YOLOv3 để phát hiện lỗi xước, với quá trình đào tạo mô hình trên tập dữ liệu đã được gán nhãn lỗi xước.

• Triển khai mạng Autoencoder để phát hiện lỗi nhám thông qua phân tích sai khác ảnh tái tạo.

Cỡ mẫu dữ liệu đào tạo gồm hàng nghìn ảnh mẫu với tỷ lệ lỗi và không lỗi được cân bằng. Phương pháp chọn mẫu là ngẫu nhiên có kiểm soát nhằm đảm bảo tính đại diện. Quá trình nghiên cứu kéo dài trong khoảng 12 tháng, bao gồm thu thập dữ liệu, xây dựng mô hình, đào tạo và đánh giá kết quả.

Các công cụ phần mềm sử dụng gồm OpenCV, TensorFlow, Darknet, YOLO Mark, Visual Studio và PyCharm. Phần cứng gồm máy tính cấu hình cao và máy ảnh Nikon D7100.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phát hiện lỗi lệch trục và vát mép bằng RANSAC: Thuật toán RANSAC đã phát hiện chính xác các đường tròn trên lỗ trục chính với độ chính xác trên 95%. Tỷ lệ phát hiện lỗi lệch trục đạt khoảng 92%, lỗi vát mép đạt 90% trên tập dữ liệu thử nghiệm gồm hơn 500 mẫu.

2. Phát hiện lỗi xước bằng YOLOv3: Mô hình YOLOv3 đạt độ chính xác trung bình (mAP) trên 88% trong việc phát hiện các vết xước trên bề mặt và cạnh rocker arm. Tốc độ xử lý trung bình khoảng 0.3 giây cho mỗi ảnh, phù hợp với yêu cầu kiểm tra thời gian thực.

3. Phát hiện lỗi nhám bằng Autoencoder: Mạng Autoencoder phát hiện được các vùng nhám bên trong lỗ trục chính và lỗ con lăn với tỷ lệ chính xác khoảng 85%, dựa trên sai số tái tạo ảnh (loss MSE và SSIM). Mô hình có khả năng phân biệt tốt giữa ảnh lỗi và ảnh chuẩn.

4. Tổng hợp hệ thống kiểm tra: Khi kết hợp các phương pháp trên, hệ thống tự động kiểm tra ngoại quan rocker arm đạt tỷ lệ phát hiện lỗi tổng thể khoảng 90%, giảm thiểu sai sót so với kiểm tra thủ công khoảng 30%, đồng thời tăng tốc độ kiểm tra lên gấp 5 lần.

Thảo luận kết quả

Kết quả cho thấy việc ứng dụng thuật toán RANSAC trong phát hiện các đường tròn trên ảnh là hiệu quả trong việc xác định các lỗi hình học như lệch trục và vát mép. So với các phương pháp truyền thống, RANSAC có ưu điểm chịu được nhiễu và ngoại lệ trong dữ liệu ảnh.

Mô hình YOLOv3 với kiến trúc darknet53 cho phép phát hiện đa kích thước vết xước, phù hợp với đặc điểm đa dạng của lỗi trên bề mặt rocker arm. So sánh với các nghiên cứu trong ngành, độ chính xác đạt được tương đương hoặc cao hơn, đồng thời tốc độ xử lý đáp ứng yêu cầu sản xuất.

Mạng Autoencoder thể hiện khả năng phát hiện lỗi nhám thông qua học không giám sát, giúp giảm thiểu công sức gán nhãn dữ liệu lỗi. Tuy nhiên, độ chính xác còn có thể cải thiện bằng cách mở rộng tập dữ liệu đào tạo và tối ưu kiến trúc mạng.

Dữ liệu có thể được trình bày qua các biểu đồ quá trình đào tạo YOLOv3 (loss, mAP), bảng thống kê kết quả phát hiện lỗi RANSAC và Autoencoder, giúp minh họa rõ ràng hiệu quả từng phương pháp.

Đề xuất và khuyến nghị

1. Mở rộng tập dữ liệu đào tạo: Thu thập thêm mẫu lỗi đa dạng, đặc biệt là các lỗi hiếm gặp để tăng tính tổng quát và độ chính xác của mô hình YOLOv3 và Autoencoder. Thời gian thực hiện dự kiến 6 tháng, do bộ phận nghiên cứu và nhà máy phối hợp.

2. Tối ưu hóa tốc độ xử lý: Áp dụng kỹ thuật đa luồng và tăng tốc phần cứng (GPU, FPGA) để giảm thời gian xử lý ảnh xuống dưới 0.2 giây mỗi sản phẩm, đáp ứng yêu cầu kiểm tra thời gian thực trong dây chuyền sản xuất. Thời gian thực hiện 3 tháng, do phòng công nghệ thông tin và kỹ thuật thực hiện.

3. Phát triển giao diện người dùng: Xây dựng phần mềm quản lý kết quả kiểm tra, thống kê lỗi và cảnh báo tự động cho người vận hành, giúp nâng cao hiệu quả giám sát và xử lý sự cố. Thời gian thực hiện 4 tháng, do nhóm phát triển phần mềm đảm nhiệm.

4. Nghiên cứu mở rộng ứng dụng: Áp dụng hệ thống kiểm tra tự động cho các sản phẩm cơ khí khác có cấu trúc tương tự, nhằm đa dạng hóa ứng dụng và tăng giá trị nghiên cứu. Thời gian thực hiện 12 tháng, phối hợp giữa viện nghiên cứu và doanh nghiệp.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật cơ điện tử, cơ khí: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng xử lý ảnh và học sâu trong kiểm tra chất lượng sản phẩm cơ khí, giúp phát triển các đề tài nghiên cứu liên quan.

2. Kỹ sư và chuyên gia công nghệ trong ngành sản xuất ô tô, động cơ: Hệ thống kiểm tra tự động rocker arm có thể áp dụng trực tiếp trong dây chuyền sản xuất, giúp nâng cao chất lượng và giảm thiểu lỗi sản phẩm.

3. Doanh nghiệp sản xuất và chế tạo cơ khí: Tham khảo để triển khai hệ thống kiểm tra ngoại quan tự động, giảm chi phí nhân công, tăng năng suất và độ chính xác kiểm tra.

4. Nhà phát triển phần mềm và công nghệ AI: Cung cấp ví dụ thực tiễn về ứng dụng thuật toán RANSAC, YOLOv3 và Autoencoder trong xử lý ảnh công nghiệp, làm cơ sở phát triển các giải pháp tương tự.

Câu hỏi thường gặp

1. Hệ thống kiểm tra tự động có thể phát hiện được những loại lỗi nào trên rocker arm?
   Hệ thống phát hiện lỗi lệch trục, vát mép, xước bề mặt và nhám bên trong lỗ trục chính và lỗ con lăn với độ chính xác khoảng 85-95%, giúp đảm bảo chất lượng sản phẩm.

2. Thuật toán RANSAC được sử dụng như thế nào trong nghiên cứu này?
   RANSAC được dùng để phát hiện các đường tròn trên ảnh chụp lỗ trục, từ đó tính toán các thông số lệch trục và vát mép, chịu được nhiễu và ngoại lệ trong dữ liệu ảnh.

3. Mô hình YOLOv3 có ưu điểm gì so với các mô hình phát hiện lỗi khác?
   YOLOv3 có khả năng phát hiện đa kích thước vật thể, tốc độ xử lý nhanh (khoảng 0.3 giây/ảnh), và độ chính xác cao (mAP ~88%), phù hợp với yêu cầu kiểm tra thời gian thực.

4. Làm thế nào để cải thiện độ chính xác của hệ thống?
   Cần mở rộng tập dữ liệu đào tạo với nhiều mẫu lỗi đa dạng, tối ưu kiến trúc mạng và áp dụng kỹ thuật tăng cường dữ liệu để giảm hiện tượng quá khớp và nâng cao khả năng tổng quát.

5. Hệ thống có thể áp dụng cho các sản phẩm khác ngoài rocker arm không?
   Có thể, với điều chỉnh phù hợp về dữ liệu và thuật toán, hệ thống có thể mở rộng ứng dụng cho các sản phẩm cơ khí có đặc điểm tương tự trong kiểm tra ngoại quan.

Kết luận

• Đã xây dựng thành công hệ thống tự động kiểm tra ngoại quan sản phẩm rocker arm dựa trên xử lý ảnh và công nghệ học sâu, phát hiện chính xác các lỗi lệch trục, vát mép, xước và nhám.
• Thuật toán RANSAC hiệu quả trong phát hiện lỗi hình học, YOLOv3 và Autoencoder phù hợp cho phát hiện lỗi bề mặt và bên trong lỗ.
• Hệ thống đạt tỷ lệ phát hiện lỗi tổng thể khoảng 90%, tăng tốc độ kiểm tra gấp 5 lần so với phương pháp thủ công.
• Đề xuất mở rộng tập dữ liệu, tối ưu tốc độ xử lý và phát triển giao diện người dùng để ứng dụng thực tế hiệu quả hơn.
• Khuyến nghị các bước tiếp theo gồm thu thập dữ liệu bổ sung, triển khai thử nghiệm thực tế tại nhà máy và nghiên cứu mở rộng ứng dụng cho các sản phẩm cơ khí khác.

Hãy áp dụng các giải pháp này để nâng cao chất lượng sản phẩm và hiệu quả sản xuất trong ngành cơ khí hiện đại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI .1 Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm.1 Yêu cầu đặt ra .2 Mô hình hệ thống kiểm tra ngoại quan sản phẩm .3 Một số hệ thống kiểm tra ngoại quan sản phẩm .2 Tổng quan về công nghệ học máy, học sâu và xử lý ảnh ứng dụng trong hệ thống kiểm tra ngoại quan.4 Tổng quan nghiên cứu các hệ thống kiểm tra ngoại quan sản phẩm hiện nay .3 Giới thiệu về rocker arm .2 Các lỗi ngoại quan.4 Nội dung nghiên cứu. THUẬT TOÁN PHÁT HIỆN LỖI LỆCH TRỤC VÀ LỖI VÁT MÉP .1 Thuật toán RANSAC.3 Ưu nhược điểm .5 Thuật toán RANSAC phát hiện đường tròn trên rocker arm .2 Phát hiện lỗi lệch trục .3 Phát hiện lỗi vát mép. THUẬT TOÁN PHÁT HIỆN LỖI XƯỚC .1 Thuật toán YOLO .3 Cấu trúc và đặc điểm mô hình yolov3 áp dụng phát hiện lỗi xước trên rocker arm .2 Phát hiện lỗi xước.

THUẬT TOÁN PHÁT HIỆN LỖI NHÁM .1 Thuật toán Autoencoder .2 Kiến trúc cơ bản .5 Kiến trúc mạng Autoencoder áp dụng cho rocker arm .2 Phát hiện lỗi nhám. MÔ HÌNH HỆ THỐNG VÀ KẾT QUẢ THỰC NGHIỆM 51 5.1 Mô hình hệ thống .1 Hệ thống chụp ảnh .2 Hệ thống camera và máy tính xử lý .2 Kết quả thực nghiệm .1 Chuyển đổi đơn vị trên ảnh và thực tế .2 Kết quả thực nghiệm phát hiện lỗi lệch trục .3 Kết quả thực nghiệm lỗi vát mép .4 Kết quả thực nghiệm lỗi xước .5 Kết quả thực nghiệm lỗi nhám .3 Kết luận, đánh giá hiệu quả của giải pháp. 72 DANH MỤC HÌNH ẢNH Hình 1. Kiểm tra ngoại quan bằng mắt.

Hệ thống kiểm tra chất lượng. Hệ thống kiểm tra ngoại quan chiết rót. Hệ thống kiểm tra ngoại quan bảng mạch điện tử. Hệ thống tự động kiểm tra số lượng sản phẩm trong hộp .6 Ví dụ về một số phép lọc.

Ví dụ về một số phép biến đổi. Ví dụ về phép xói mòn và giản nở. Ví dụ về 1 bài toán trong học máy. SVM một phương pháp học có giám sát.

Mô hình ANN. Một ví dụ về cây quyết định. Một ví dụ về SVM. Ví dụ hồi qui tuyến tính.

Một mạng bayes đơn giản. Ví dụ về overfitting. Ví dụ về deep learning. Ví dụ về DNN.

Một số mạng RNN. Một kiến trúc CNN cho bài toán xử lý ảnh. Kiến trúc LSTM. Ví dụ về nhận dạng hình ảnh.

Ví dụ về xử lý nghệ thuật. Các bài toán xử lý ngôn ngữ tự nhiên. Ví dụ phân tích hình ảnh y tế. Phục hồi hình ảnh .28 Lỗi lệch trục .1 Ví dụ về RANSAC trong tìm đường thẳng 2D .3 RANSAC trong bài toán ước tính mô hình 3D .4 Thuật toán RANSAC phát hiện đường tròn .5 Lỗi lệch trục chính .6 Ảnh chụp rocker arm hướng vuông góc lỗ trục .7 Ảnh tách cạnh và phát hiện đường tròn trên lỗ trục chính .8 Qui trình kiểm tra lỗi lệch trục .9 Công thức tính các giá trị ∆𝑅𝑅 .10 Lỗi vát mép sâu lỗ trục chính .11 Lỗi lệch vát mép lỗ trục chính .12 Vát mép trên lỗ trục chính.13 Tách cạnh vùng vát mép trên lỗ trục chính .14 Tìm đường tròn vùng vát mép trên lỗ trục chính.

Ví dụ một mô hình yolo đơn giản. Chia lưới trong yolo. Ví dụ bouding box trong yolo .5 Cấu trúc darknet53 .6 Kiến trúc mạng YOLOv3 .7 Các hướng chụp ảnh .8 Quá trình chia nhỏ ảnh .9 Quá trình đào tạo mô hình.10 Quá trình phát hiện lỗi xước .1 Kiến trúc cơ bản autoencoder .2 Kiến trúc mạng Autoencoder áp dụng .3 Ảnh OK và ảnh lỗi nhám bên trong lỗ trục chính .4 Chụp ảnh bên trong lỗ .5 Cắt ảnh trong lỗ trục chính .6 Đào tạo mô hình autoencoder .7 Quá trình phát hiện lỗi bên trong lỗ trục chính .1 Vị trí camera, vật và đèn led trong hộp .2 Hệ thống cơ cấu chấp hành cho quá trình chụp ảnh .3 Hình ảnh chụp các mặt ngoài của rocker arm .4 Hệ thống chiếu sáng khi chụp ảnh bên trong lỗ .5 Vị trí camera và rocker arm khi chụp ảnh trong lỗ .6 Hình ảnh hệ thống chụp bên trong lỗ thực tế .7 Hình ảnh chụp bên trong lỗ trục chính .8 Hình ảnh chụp bên trong lỗ con lăn .10 Đo chiều dài vật trong thực tế .11 Đo chiều rộng vật trong thực tế.12 Đo chiều cao vật trong thực tế .13 Kích thước vật trên ảnh .14 Đo đường kính lỗ trục chính thực tế .15 Đo đường kính đường tròn ngoài thực tế .16 Kết quả phát hiện lỗi lệch trục lỗ trục chính .17 Kết quả phát hiện lỗi lệch trục lỗ trục chính .18 Kết quả phát hiện lỗi lệch trục lỗ gen .19 Kết quả kiểm tra lỗi lệch vát mép trên lỗ trục chính .20 Kết quả kiểm tra lỗi vát mép sâu trên lỗ trục chính .21 Kết quả kiểm tra lỗi vát mép trên lỗ con lăn .22 Biểu đồ quá trình đào tạo YOLOv3 .23 Biểu đồ quá trình đào tạo YOLOv3 .24 Ảnh mẫu trước và sau khi kiểm tra lỗi xước.25 Kết quả phát hiện lỗi xước mẫu NG .26 Kết quả phát hiện lỗi xước mẫu OK .27 Biểu đồ loss mse khi đào tạo cho lỗ trục chính .28 Biểu đồ loss ssim khi đào tạo cho lỗ trục chính .29 Kết quả kiểm tra lỗi nhám lỗ trục chính trên mẫu OK.30 Kết quả kiểm tra lỗi nhám lỗ trục chính trên mẫu NG.31 Biểu đồ loss ssim khi đào tạo cho lỗ con lăn .32 Biểu đồ loss mse khi đào tạo cho lỗ con lăn .33 Kết quả kiểm tra lỗi nhám lỗ trục con lăn trên mẫu NG. 71 DANH MỤC BẢNG BIỂU Bảng 5.1 Kích thước vật thực tế và trên ảnh .2 Kích thước đường tròn thực tế và tính toán .3 Thống kê kết quả kiểm tra lỗi lệch trục chính .4 Thống kê kết quả kiểm tra lỗi lệch vát mép trên lỗ trục chính .5 Thống kê kết quả kiểm tra lỗi vát mép sâu trên lỗ trục chính.

TỔNG QUAN VỀ ĐỀ TÀI 1.1 Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm.1 Yêu cầu đặt ra Kiểm tra chất lượng là hoạt động theo dõi, đo lường thu thập thông tin về chất lượng nhằm đánh giá tình hình thực hiện các mục tiêu và nhiệm vụ kế hoạch chất lượng đã đề ra. Mục đích của kiểm tra chất lượng: - Phát hiện nhưng sai lệch trong quá trình thực hiện mục tiêu, nhiệm vụ chất lượng, tìm ra nguyên nhân và xóa bỏ, ngăn ngừa sai lệch đó. - Đảm bảo quá trình thực hiện đúng yêu cầu, sản xuất những sản phẩm đúng tiêu chuẩn đề ra. - Đánh giá được mức độ phù hợp của sản phẩm về các thông số kỹ thuật so với tiêu chuẩn bản thiết kế và các yêu cầu của hợp đồng mua bán.

- Xác định những sản phẩm kém chất lượng, xác định nguyên nhân và loại bỏ. Kiểm tra ngoại quan sản phẩm thuộc quy trình kiểm tra chất lượng. Tuy nhiên, phương pháp này người kiểm tra không cần sử dụng đến công cụ dụng cụ đo lường. Kiểm tra ngoại quan là quy trình kiểm tra bằng mắt thường có thể phát hiện ra sai lệch của sản phẩm so với bản mẫu.

Đây là phương pháp rất quan trọng trong sản xuất. Kiểm tra ngoại quan bằng mắt Trong sản xuất công nghiệp, kiểm tra ngoại quan sản phẩm bằng con người có một số hạn chế: số lượng sản phẩm rất lớn nên phải thuê nhiều người, nhiều chi phí. Đôi khi việc nhầm lẫn do công nhân mệt mỏi hoặc do cảm xúc không tốt, dẫn đến năng suất thấp. Để giải quyết các hạn chế đó, các hệ thống kiểm tra ngoại quan tự động đã được nghiên cứu và ứng dụng trong các nhà máy.2 Mô hình hệ thống kiểm tra ngoại quan sản phẩm Mô hình hệ thống kiểm tra ngoại quan sản phẩm gồm các thành phần cơ bản: hệ thống cấp phôi, hệ thống chiếu sáng, hệ thống camera chụp ảnh, hệ thống xử lý 1 hình ảnh, hệ thống cơ cấu chấp hành.

Hệ thống cấp phôi giúp đưa các sản phẩm vào kiểm tra, đảm bảo vị trí và hướng của sản phẩm trong quá trình kiểm tra. Hệ thống cấp phôi có thể là các băng truyền, robot gắp sản phẩm. Hệ thống chiếu sáng là các đèn chiếu sáng đảm bảo duy trì ổn định độ sáng, chất lượng hình ảnh trong quá trình làm việc, tránh bị tác động của điều kiện môi trường gây nhiễu cho hệ thống. Hệ thống camera làm nhiệm vụ chụp ảnh, có thể gồm nhiều camera chụp các góc độ khác nhau của sản phẩm, những vị trí yêu cầu kiểm tra ngoại quan.

Hệ thống xử lý hình ảnh nhận hình ảnh từ hệ thống camera, thông qua các quá trình xử lý để phân loại sản phẩm đầu vào đạt yêu cầu đặt ra hay không. Từ đó, hệ thống xử lý đưa ra các quyết định xuống hệ thống các cơ cấu chấp hành. Nếu sản phẩm không đạt yêu cầu thì loại bỏ. Đồng thời hệ thống xử lý có thể thống kê kết quả kiểm tra, lưu lại số lượng sản phẩm lỗi, sản phẩm đạt yêu cầu, vị trí xảy ra lỗi.

Các kết quả thống kê này được sử dụng cho quá trình phân tích tìm ra nguyên nhân gây lỗi trên các công đoạn sản xuất, khắc phục để giảm thiểu lỗi. Hệ thống kiểm tra chất lượng 1.3 Một số hệ thống kiểm tra ngoại quan sản phẩm Hình 1. Hệ thống kiểm tra ngoại quan chiết rót 2 Xem xét hệ thống kiểm tra mức chiết rót tại nhà máy bia. Mỗi chai bia đi qua một cảm biến kiểm tra, hệ thống này sẽ kích hoạt hệ thống thị giác để nhấp nháy đèn nhấp nháy và chụp ảnh chai.

Sau khi có được hình ảnh và lưu trữ trong bộ nhớ, phần mềm thị giác máy sẽ xử lý hoặc phân tích nó và đưa ra phản hồi đạt - không đạt dựa trên mức đổ đầy của chai. Nếu hệ thống phát hiện một chai được đổ đầy không đúng cách - không thành công - thì nó sẽ báo hiệu một bộ chuyển hướng để loại bỏ chai. Người điều hành có thể xem các chai bị từ chối và thống kê quy trình đang diễn ra trên màn hình. Hệ thống kiểm tra ngoại quan bảng mạch điện tử Hệ thống kiểm tra các bảng mạch điện tử.

Mỗi bảng mạch đi qua camera được chụp ảnh và kiểm tra chất lượng: hàn thiếu linh kiện, sai vị trí… Từ đó phản hồi kết quả đến robot để quyết định gắp loại bỏ sản phầm lỗi hay không. Hệ thống kiểm tra mang lại kết quả chính xác hơn, tốc độ nhanh hơn, kiểm tra được cả những linh kiện nhỏ mà mắt người rất khó và mất nhiều thời gian để kiểm tra.