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.