Luận văn: Hệ thống kiểm tra linh kiện nhựa máy in bằng công nghệ học sâu

Luận văn nghiên cứu hệ thống kiểm tra linh kiện nhựa máy in ứng dụng công nghệ học sâu, so sánh hiệu quả các mô hình PaDiM, Reg-AD và DFR.

• Tác giả: Trần Quang Linh
• Người hướng dẫn: Nguyễn Trọng Doanh
• Trường học: Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Cơ Điện Tử
• Đề tài: Nghiên Cứu Hệ Thống Kiểm Tra Sản Phẩm Nhựa Linh Kiện Máy In Ứng Dụng Công Nghệ Học Sâu
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Giới thiệu về Kiểm tra Linh kiện Nhựa Máy in với Học sâu

Kiểm tra linh kiện nhựa máy in là một bước quan trọng trong quá trình sản xuất hiện đại. Các khuyết tật bề mặt và lỗi ngoại quan có thể ảnh hưởng nghiêm trọng đến tuổi thọ của máy in và độ tin cậy của thiết bị. Truyền thống, quá trình kiểm tra ngoại quan được thực hiện bằng con mắt thường của công nhân, tuy nhiên phương pháp này dễ xảy ra sai sót và không hiệu quả. Với sự phát triển của công nghệ học sâu và thị giác máy tính, việc tự động hóa hệ thống kiểm tra sản phẩm đã trở thành giải pháp tối ưu. Nghiên cứu này tập trung vào việc ứng dụng các mô hình máy học tiên tiến để phát hiện khuyết tật trên linh kiện nhựa một cách chính xác và nhanh chóng.

1.1. Vai trò của Kiểm tra Chất lượng trong Sản xuất

Trong ngành công nghiệp chế tạo máy in, kiểm tra chất lượng là khâu không thể thiếu. Các linh kiện nhựa có lỗi khuyết tật sẽ giảm độ tin cậy của sản phẩm và làm tổn thương uy tín với khách hàng. Hệ thống kiểm tra tự động kết hợp với robot công nghiệp và camera giúp phát hiện các lỗi xước bề mặt và khuyết tật một cách hiệu quả.

1.2. Ứng dụng Công nghệ Học sâu trong Kiểm tra

Học sâu (Deep Learning) cho phép huấn luyện các mô hình nhân tạo để nhận diện mẫu bất thường trên hình ảnh sản phẩm. Các mô hình CNN (Convolutional Neural Networks) và Autoencoder có khả năng học từ dữ liệu hình ảnh mà không cần định nghĩa rõ ràng các quy tắc. Điều này giúp tự động phát hiện khuyết tật với độ chính xác cao, vượt qua những hạn chế của phương pháp truyền thống.

II. Các Phương pháp Học máy cho Phát hiện Khuyết tật

Để tối ưu hóa hệ thống kiểm tra linh kiện, cần so sánh các phương pháp máy học khác nhau. Ba mô hình chính được nghiên cứu là PaDiM, Reg-AD và DFR, mỗi mô hình có ưu và nhược điểm riêng. PaDiM sử dụng máy học thông thường với hiệu suất phát hiện 97,1%, tốc độ huấn luyện nhanh nhưng chỉ áp dụng cho một sản phẩm. Reg-AD là cải tiến của PaDiM với hiệu suất 96,84%, có thể nhận diện nhiều loại sản phẩm khác nhau trong máy in. DFR đạt hiệu suất 96,1% với độ chính xác cao nhất khi thực nghiệm, nhưng có thời gian huấn luyện lâu nhất.

2.1. Phương pháp PaDiM Máy học Truyền thống

PaDiM là phương pháp máy học truyền thống được ứng dụng trong phát hiện khuyết tật. Mô hình này có tốc độ huấn luyện rất nhanh và đạt hiệu suất phát hiện 97,1%. Tuy nhiên, hạn chế chính của PaDiM là chỉ có thể hoạt động với một loại sản phẩm duy nhất, không thích hợp cho kiểm tra đa sản phẩm trong dây chuyền sản xuất phức tạp.

2.2. Phương pháp Reg AD và DFR Cải tiến Hiệu suất

Reg-AD là cải tiến của PaDiM với khả năng nhận diện nhiều loại sản phẩm khác nhau, đặc biệt hữu ích vì máy in có nhiều linh kiện khác nhau. DFR tuy có hiệu suất phát hiện 96,1% và thời gian huấn luyện lâu nhất, nhưng lại cho kết quả độ chính xác tốt nhất khi thực nghiệm trên máy tính với CPU i7-6820HQ, RAM 32GB, GPU Quadro 4GB.

III. Hệ thống Thị giác Máy tính và Xử lý Ảnh

Hệ thống thị giác máy là thành phần thiết yếu của hệ thống kiểm tra tự động. Bao gồm camera để chụp ảnh sản phẩm, hệ thống xử lý ảnh để phân tích dữ liệu hình ảnh, và vi xử lý để điều khiển toàn bộ quy trình. Quá trình xử lý ảnh bao gồm chuyển đổi ảnh màu sang ảnh xám, áp dụng bộ lọc Gaussian, sử dụng giải thuật dilation, và phát hiện contour để xác định ranh giới sản phẩm. Các thư viện mã nguồn mở như PyTorch và OpenCV được sử dụng để xây dựng hệ thống xử lý hiệu quả.

3.1. Các Bước Xử lý Ảnh cơ bản

Quá trình xử lý ảnh bắt đầu bằng chuyển đổi ảnh màu sang ảnh xám để giảm độ phức tạp tính toán. Tiếp theo, bộ lọc Gaussian được áp dụng để làm mịn ảnh và giảm nhiễu. Giải thuật dilation được sử dụng để tăng kích thước các vùng đối tượng, giúp kết nối các phần bị tách rời. Cuối cùng, phát hiện contour xác định ranh giới chính xác của sản phẩm trong ảnh.

3.2. Ứng dụng CNN và Autoencoder

Mô hình CNN (Convolutional Neural Networks) gồm các lớp tích chập để trích xuất đặc trưng từ ảnh. Autoencoder là mô hình học không giám sát giúp mã hóa và giải mã ảnh, phát hiện anomaly khi sản phẩm khác biệt so với mô hình bình thường được huấn luyện từ dữ liệu sạch.

IV. Kết quả Thực nghiệm và Triển khai Hệ thống

Các mô hình được huấn luyện trên Google Colab sử dụng tập dữ liệu hình ảnh sản phẩm nhựa. Quá trình thực nghiệm được tiến hành trên máy tính với cấu hình mạnh để kiểm tra hiệu suất các mô hình. Kết quả cho thấy ba phương pháp PaDiM, Reg-AD, DFR đều có hiệu suất phát hiện khuyết tật cao, với PaDiM nhanh nhất nhưng ít linh hoạt, Reg-AD cân bằng tốt, và DFR cho độ chính xác cao nhất. Hướng phát triển tiếp theo sẽ mở rộng cơ sở dữ liệu với linh kiện khác trong máy in, nâng cấp phần cứng và kết hợp ưu điểm của các mô hình để tạo ra phương pháp tối ưu hơn.

4.1. Quy trình Thực nghiệm và Đánh giá

Tập dữ liệu thử nghiệm bao gồm hình ảnh sản phẩm với kích thước chuẩn hóa. Mỗi mô hình được huấn luyện trên Google Colab và thực nghiệm trên máy tính CPU i7-6820HQ, RAM 32GB, GPU Quadro 4GB. Chỉ số AUC-ROC được sử dụng để đánh giá hiệu suất mô hình. Kết quả cho thấy Reg-AD và PaDiM có tốc độ huấn luyện nhanh, trong khi DFR cần thời gian lâu hơn nhưng cho kết quả chính xác hơn.

4.2. Hướng phát triển và Nâng cấp tương lai

Để nâng cao hiệu suất hệ thống, cần mở rộng dữ liệu huấn luyện với nhiều loại linh kiện khác trong máy in. Nâng cấp phần cứng như sử dụng GPU mạnh hơn sẽ tăng tốc độ xử lý. Kết hợp ưu điểm của PaDiM, Reg-AD, DFR thành một phương pháp hybrid có thể cho kết quả tối ưu hơn, vừa đảm bảo độ chính xác cao vừa có tốc độ xử lý nhanh.

Trích đoạn nội dung tài liệu

DAI HQC BACH KHOA HÀ NỘI LUAN VAN THAC Si Nghiên cứu hệ thống kiểm tra sản phẩm nhựa linh kiện máy in ứng dụng công nghệ học sâu TRAN QUANG LINII Linh.cduyn Ngành Kỹ thuật Cơ Điện Tử Giảngiẳng viên hướng dẫn: viên hướng dẫn Iguyễn trọng Trọng Doanh T5. Nguyễn ch ty cia Gut Trưởng: Cơ Khi Nhóm chuyên môn: Thiết bi tr déng, HÀ NỘI, 04/2023 CONG HOA XÃ HỘI CHỦ NGHĨA VIỆT NAM Đặc lập — Tự đo— Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Ho và tên tác giả luận văn : Tran Quang Linh Dé tai luận văn: Nghiên cứu hệ thông kiểm tra sản phầm nhựa linh kiện máy in dng dụng công nghệ học sâu Chuyên ngành: Kỹ thuật Cơ Diện Tử Mã số SV: 20211287M Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn. xác nhận tác giá đã sửa chữa, bổ sung luận văn theo biển bán họp Hội đồng, ngày 26/04/2023 với các nội dụng sau ~ Bỏ sung thêm thông tin của sản phẩm dược kiểm tra vào chương 4. - Rửa đổi, chính sửa bình ảnh có tên không giếng với hình ảnh được để gập trong chương 4.

- Bổ simg thêm số lượng ảnh thử nghiệm và số lượng thực nghiệm vào chương 4. - Bễ sung thêm bản so sánh ưu nhược điểm của các phương, pháp PaDiM, RegAD, DER. - Chỉnh sửa các lỗi chính ta 4 trang 19. - Sửa lại các lỗi chế bản khác trong luận văn theo các phan biện.

Ngày tháng năm 2023 Giáo viên hướng đẫn Tác giả luận văn Nguyễn Trọng Duanh Trần Quang Linh CH TỊCH HỘI ĐÔNG ĐỂ LÀI LUẬN VĂN Nghiên cứu hệ thống kiểm tra sản phẩm nhựa linh kiện máy im ứng dụng công, nghệ học sâu Giáo viên hướng din Ký và ghủ rũ họ tên 'Tóm tắt nội dưng luận văn Luan văn này đã trình bảy một nghiên cứu về giải pháp phát hiện lỗi ngoại quan, lỗi khuyết tật và xước bê mặt của sản phẩm linh kiện nhựa cầu thành máy tị và loại bỏ những sâu phẩm lỗi khuyẾt tật trơng quán trình đúc sản phẩm lĩnh kiện nhựa cầu thành máy in. Irong ngành khuôn đúc, quả trình. tra ngoại quan là không thể thiểu wong quá trình sản xuất. Hệ thống tổng thé bao gồm hệ thông bằng tải tụ động, robot công nghiệp và hệ thống thu nhận và xử lý ảnh bao gềm camera và hệ thông điều khiến bằng vi xử lý.

Những linh kiện có khu bể mặt sẽ làm ảnh hướng đến tuổi thọ chung của may in lam giảm độ tin cậy của thiết bị dẫn tới giâm uy tin với khách hàng. Do vậy, cần giải pháp đẻ kiểm tra phát hiện khuyết tật bể mặt tuội cách bự động tuy nhiều các lỗi khuyết tật thường xây ra ngầu nhiên khó có thẻ đự đoán trước được nên cần một cách tiếp cận đó la uần luyện cho mô hình các hình ánh dược dịnh nghữa là binh thường, Đề tìm giá pháp tôi ưu bằng cách thực hiện so sánh ba mô tình học máy với các cách Liếp cận khác nhau đó là phương pháp PaDiM, Reg-AD, DFR trong đó PaDiM là phương pháp máy học thông thường hiệu suất phát hiện thea mô hình là 97,1%, mô hình nảy có tốc dộ huấn luyện rất nhanh tuy nhiên chỉ sử dụng được với một. sản phẩm, mô hình Reg-AD có hiệu quất phát hiện theo mô hình là 9684 mô hình này là một cải tiền của mô hình PaDiM khi có thế nhận điện được nhiều loại sẵn phẩm vì treng máy in có rất nhiều linh kiện được cấu thành, mô hình DER có hiệu suất phát hiện theo mô hình là 96.1% tuy nhiên muô hinh này có thời gian Tuân luyện lâu nhát tieng ba mô hình và cũng chỉ nhận điện duoc indt san phat với lấn huấn hưyện tuy nhiên độ chính xác khi thực nghiệm cho kết quả tốt nhất. Mô hình được huấn luyện trên Google Colab vá được thực nghiệm trên may tỉnh có CPU ï7-6820HQ, Rom 32GB, Vgn Quadro 4GB Viam với các thư viện mã ngun mỡ như IDvtoreh, OpenCV.

Đẻ tài sẽ được mỡ rồng thêm về hộ đữ liệu các linh kiện khác trong máy in và nâng cấp thêm phần cửng cũng như kết hợp các ưu điểm của các mô hình thứ nghiệm dé đưa ra một phương pháp tôi ưu hơn HỌC VIÊN ý và ghỉ rõ họ tên. Trần Quang Linh. DANH MUC HiNH VE Tình 1. Sân xuất trong thời đại công nghệ 4.2 Hình ảnh công nhân kiểm ta ngoại quan bằng suắt thường 5 Hinh 1.3 Kiém ta ngoai quan sử dụng công nghệ lhị giác mấy.4 Kết hợp Robot vá hệ thông thị giác máy.5 Máy Một hệ kiểm tra ngoại quan sử đụng thị giác máy Hinh 2.1 Các bước của hệ thống xử lý.2 Chuyển dỗi ảnh màu sang anh sang.3 Bộ lọc Gausian cho hinh anh.4 Sử dụng giải thuật dilation.6 Vien contour mau xanh là bao quanh vặt thể.7 Phân loại các nhóm mô hình máy học.8 Ví dụ về hỗi quy tuyển tính.9 Vi du vé Logistic Regression.10 Vi du vé Decision ‘Trees.11 Vi đụ về Random Forests.12 Ví dụ về Support Vector Machine.13 Vi dy v8 Deep Leaming.14 Ví đụ về các đạng của mô hình CNAs - 23 Tlinh 2.15 Cách thức mô hình CKN hoạt động.16 Ví đụ về cách mô hình CNNs hoạt động.L7 Ví đụ mô hình AutoDincoder.18 Kiến trúc của mô hình Autoencoder 26 THình 2.19 Danh gia mé hinh theo chi sd AUC-ROC.30 Đánh giá mô hình theo chỉ số ALC-ROC, 29 Hinh 3.1 Vi du về mô hình PaDiM.3 Cách thức hoại động của mô bình PaDiM.3 Mô hình FSAD.4 Kiến trúc mô hình ReøzAD 36 Hinh 3.5 Ví du hình ảnh bản đồ dị thường.6 Cách thức mô hình ĐER hoạt động.7 Minh họa về trình lạo đặc trưng khu vực đã tỷ lệ được để xuất Hình được xem tốt nhật trong mau sic.1 Tĩnh ảnh và kích thước sản phẩm được thủ nghiệm - 4? Hinh 4.2 Cầu trúc tập đữ liên đúng để thử nghiệm.

- 48 Lời cảm ơn Để hoàn thánh Luận văn Thạc sĩ này, tôi xin bày tổ lòng biết ơn đến T8, Nguyễn Trọng Doanh Trường Cơ Khí — Đại học Bách Khoa Hà Nội da tan tinh Tưởng dẫn, định hướng đảo tạo và giúp đỡ tôi trong suốt quả trình nghiên sửu và hoàn thành luận văn. Xin chân thánh cảm ơn các dt Cô giáo nhóm chuyên môn Thiết bị tự dộng, trường Cơ khi, ĐHBKHN đã giảng, dạy, lạo điều kiện giúp đỡ tôi trong thời gian nghiên cứu và làm luận văn. Cuỗi cùng, tôi xin bảy tô sự Xinh trọng, biết ơn và lòng yêu thương tối gia định, bạn bê đá động viền, giúp đổ trong suốt thời gian tôi học tập tại nhỏm chuyên môn Thiết bị tự động- Trưởng Cơ khí - Đại học Bách Khoa Hà Nội. Trời cam đoan Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Công trình được thực hiện tại Trường Cơ khi, Dại học Bách Khoa Hà Nội đưới sự hướng dẫn của 18.

Nguyễn Trọng Doanh. Các số liệu và kết quả nghiên cứu trong luận văn là trung thực và chua lăng được ai công bề trong bất kì công trình nào khác. Ngây tháng năm 2023 Người hưởng dẫn ‘Tac giả luận văn 'T§. Nguyễn Trọng Doanh Trần Quang Linh Lời cảm ơn Để hoàn thánh Luận văn Thạc sĩ này, tôi xin bày tổ lòng biết ơn đến T8, Nguyễn Trọng Doanh Trường Cơ Khí — Đại học Bách Khoa Hà Nội da tan tinh Tưởng dẫn, định hướng đảo tạo và giúp đỡ tôi trong suốt quả trình nghiên sửu và hoàn thành luận văn.

Xin chân thánh cảm ơn các dt Cô giáo nhóm chuyên môn Thiết bị tự dộng, trường Cơ khi, ĐHBKHN đã giảng, dạy, lạo điều kiện giúp đỡ tôi trong thời gian nghiên cứu và làm luận văn. Cuỗi cùng, tôi xin bảy tô sự Xinh trọng, biết ơn và lòng yêu thương tối gia định, bạn bê đá động viền, giúp đổ trong suốt thời gian tôi học tập tại nhỏm chuyên môn Thiết bị tự động- Trưởng Cơ khí - Đại học Bách Khoa Hà Nội. Trời cam đoan Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Công trình được thực hiện tại Trường Cơ khi, Dại học Bách Khoa Hà Nội đưới sự hướng dẫn của 18. Nguyễn Trọng Doanh.

Các số liệu và kết quả nghiên cứu trong luận văn là trung thực và chua lăng được ai công bề trong bất kì công trình nào khác. Ngây tháng năm 2023 Người hưởng dẫn ‘Tac giả luận văn 'T§. Nguyễn Trọng Doanh Trần Quang Linh 3.21 Tim diém bất thường - - 35 3.22 Hoc it lan 35 3.23 Tìm điểm bái thường với học íLiễn:. DANT GIA KET QUA NGIIEN CUU.

41 Môi trưởng thứ nghiệm mô hình: 4.2 _Danh gid va thao luan.1 Dan gid két qua: 422 Thảo luận - - 33 KET LUAN VA DE XUAT. Kết luận - 33 Hướng phát triễn của luận văn trong tương lai - - 53 TÀI LIỆU THAM KHẢO. MUC LUC DANH MUC TV VIET TAT. TONG QUAN VE DE TAL.

L1 — Giới thiện chưng.2 Giới thiệu công nghệ học sâu: 1⁄3. Tổng quan về quản lý sản xuất, phán leloại sản “phim và íng dụng của học sấu 2 1.31 Tổng quan về quản lý sảnxuất.2 Tổng quan về phân loại sẵn phẩm 3 1.4 Tổng quan các phương pháp kiểm tru nh kiên nhựa câu thành máy inc.41 Khái niệm kiểm tra ngoại quan 4 1. Tống quan vẻ kiểm tra ngoại quan tự động, 5 CIIVONG 2. CO SO LY THUYET CUA DE TAL 8 2.1 Các phương pháp kiếm tra truyền thống: - § 2.

Phương pháp kiểm tra ngoại quan bằng độ nhảm bể mặt:. Phương pháp đánh giá toàn diện ngoại quan linh kiện nhựa dúc: 8 2.3 Một số nghiên cứu liên quan dến kiểm tra ngoại quan ứng dụng công nghệ thị giác máy: - - 9 2. Nội dừng nghiên cửu cúa luận văn:.3 IIệ thống xử lýảnh.1 Cáo khải niệm cơ bắn.2 Cáo thánh phản cơ bân của một hệ xử lý ảnh:. Những phương pháp xử lý ảnh và hiệu chỉnh camera: .5 Công nghệ học máy, học sâu ứng dụng trong hệ thống kiểm ra sân phẩm xhhựa lĩnh kiện máy ïn ứng dụng công nghệ học sâu: - 16 251 Hoemáy:.-- 253 Phương pháp đánh giá mô hình.

PHUONG PHAP 1 LỰ ĐỘNG KIEM TRA NGOS LINH KIEN NHYA 31 Mô hình PaDiML 30 32 Mô hình RegAD (Resisiration based Few-Shot Anomaly Detection): .3 Linh kién binh thuong dizge mo hinh whan dién đúng, 48 Tình 4.4 Linh kiện được mnổ hình nhận điện ra là lĩnh kiêu bất thường 49 Tình 4.5 Kết quả mô hình sau khí huấn luyện mồ lnh PaDiM - 49 Tình 4.6 Linh kign bj sit. & géc nlumg id hinh không nhận diện được Tình kiện tất thường, - - - 48 Tlinh 41? Linh kiện có nhiều bắt thường tại nhiều vị trí khác nhan 49 Hình 4.8 Kết quả mô hình sau khi huấn huyện mồ hình Reg-AD 30 Hình 4.9 Kết quả mô hinh sau khi huấn huyện mô hình DER.10 Tỉnh kiện duge md hinh DFR nhan liện đứng lính kiện bình thường.