Luận văn: Hệ thống kiểm tra ngoại quan Rocker Arm bằng Xử lý ảnh & Học sâu

Luận văn thạc sĩ nghiên cứu hệ thống tự động kiểm tra ngoại quan sản phẩm rocker arm, ứng dụng xử lý ảnh và công nghệ học sâu để phát hiện lỗi.

• 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: Kiểm Tra Ngoại Quan Sản Phẩm Rocker Arm Dựa Trên Xử Lý Ảnh Và Công Nghệ Học Sâu
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Về Kiểm Tra Ngoại Quan Rocker Arm

Kiểm tra ngoại quan rocker arm là quá trình quan trọng trong công nghiệp sản xuất hiện đại. Rocker arm là linh kiện cơ khí thiết yếu trong động cơ, đòi hỏi độ chính xác cao. Hệ thống kiểm tra tự động dựa trên xử lý ảnh và học sâu đã cách mạng hóa quy trình kiểm tra chất lượng. Các lỗi ngoại quan phổ biến bao gồm: lỗi lệch trục chính, lỗi vát mép, lỗi xước trên bề mặt và lỗi nhám bên trong. Ứng dụng công nghệ machine learning và deep learning cho phép phát hiện các khiếm khuyết một cách nhanh chóng và chính xác, nâng cao năng suất sản xuất lên 300% so với phương pháp kiểm tra thủ công truyền thống.

1.1. Định Nghĩa Rocker Arm Và Tầm Quan Trọng

Rocker arm là bộ phận chuyển động từ trục cam sang van trong hệ thống van động cơ. Chất lượng rocker arm quyết định hiệu suất động cơ và độ bền của phương tiện. Các lỗi sản xuất không được phát hiện sớm có thể gây hư hại động cơ, chi phí sửa chữa lên đến hàng triệu đồng.

1.2. Các Loại Lỗi Ngoại Quan Phổ Biến

Các lỗi ngoại quan rocker arm bao gồm: lỗi lệch trục làm mất cân bằng, lỗi xước bề mặt ảnh hưởng độ bền, lỗi nhám bên trong lỗ trục làm hạn chế chuyển động, và lỗi vát mép giảm độ an toàn. Phát hiện lỗi sớm giúp tiết kiệm chi phí sản xuất.

II. Xử Lý Ảnh Trong Kiểm Tra Ngoại Quan

Xử lý ảnh là nền tảng cho hệ thống kiểm tra tự động hiện đại. Sử dụng máy ảnh công nghiệp độ phân giải cao như Nikon D7100 để chụp ảnh rocker arm từ nhiều góc độ. Thuật toán xử lý ảnh như RANSAC được áp dụng để phát hiện đường tròn và tính toán các tham số hình học với độ chính xác cao. Thư viện OpenCV cung cấp các công cụ mạnh mẽ cho phân tích ảnh, giúp loại bỏ nhiễu và tăng cường tương phản. Kỹ thuật xử lý ảnh kỹ thuật số cho phép tự động hóa toàn bộ quy trình kiểm tra, giảm sai sót do con người.

2.1. Thuật Toán RANSAC Phát Hiện Lỗi Lệch Trục

RANSAC (Random Sample Consensus) là thuật toán mạnh mẽ để phát hiện lỗi lệch trục chính. Thuật toán tìm đường tròn hoàn hảo trong bộ dữ liệu nhiễu, tính toán tâm và bán kính chính xác. Độ lệch trục được xác định bằng khoảng cách từ tâm thực tế so với tâm lý thuyết.

2.2. Phát Hiện Lỗi Vát Mép Và Xước Bề Mặt

Xử lý ảnh nâng cao kết hợp lọc hình thái để phát hiện lỗi vát mép trên cạnh rocker arm. Kỹ thuật phát hiện cạnh sử dụng phép toán Sobel và Canny edge detection để xác định vị trí lỗi xước, đo chiều dài và độ sâu của vết xước.

III. Công Nghệ Học Sâu Trong Phát Hiện Lỗi

Học sâu (Deep Learning) sử dụng mạng nơ-ron nhân tạo để nhận dạng lỗi phức tạp mà thuật toán truyền thống khó phát hiện. YOLOv3 (You Only Look Once) là mô hình học sâu hiệu quả cho phát hiện lỗi xước với độ chính xác cao và tốc độ xử lý nhanh. Autoencoder được áp dụng cho phát hiện lỗi nhám bên trong lỗ trục con lăn. Mạng nơ-ron tích chập (CNN) học đặc trưng hình ảnh tự động, giảm phụ thuộc vào lập trình thủ công. Huấn luyện mô hình trên tập dữ liệu lớn đảm bảo tính tổng quát cao cho các sản phẩm mới.

3.1. Mô Hình YOLOv3 Phát Hiện Lỗi Xước

YOLOv3 là mạng nơ-ron sâu chuyên biệt cho phát hiện vật thể trong ảnh thời thực. Mô hình YOLOv3 được huấn luyện trên tập ảnh rocker arm chứa lỗi xước đã ghi nhãn. Độ chính xác của YOLOv3 đạt 95% trên tập kiểm tra, xử lý nhanh hơn thuật toán truyền thống 10 lần.

3.2. Autoencoder Cho Phát Hiện Lỗi Nhám

Autoencoder là mạng nơ-ron không có giám sát, học cách biểu diễn ảnh bình thường và phát hiện dị thường. Lỗi nhám bên trong lỗ được mã hóa và so sánh với mẫu chuẩn, phát hiện sai lệch. Phương pháp này giúp giảm 50% thời gian kiểm tra thủ công.

IV. Ứng Dụng Thực Tiễn Và Triển Khai Hệ Thống

Hệ thống kiểm tra tự động dựa xử lý ảnh và học sâu đã được triển khai thành công tại các nhà máy sản xuất rocker arm của Nissin Manufacturing. Máy tính công nghiệp cấu hình mạnh tích hợp GPU NVIDIA tăng tốc xử lý mô hình học sâu. Phần mềm điều khiển phối hợp máy ảnh công nghiệp, bộ xử lý ảnh và cơ cấu phân loại sản phẩm tự động. Tỷ lệ phát hiện lỗi đạt 98%, giảm 70% chi phí kiểm tra so với phương pháp thủ công. Triển khai thêm cần mở rộng tập dữ liệu, cải thiện tốc độ xử lý và tối ưu hóa mô hình cho sản xuất hàng loạt.

4.1. Công Nghệ Và Thiết Bị Sử Dụng

Hệ thống sử dụng máy ảnh Nikon D7100 độ phân giải 24.1 megapixel, máy tính PC với GPU NVIDIA RTX 3080, thư viện TensorFlow cho huấn luyện mô hình, Darknet framework cho YOLOv3. Phần mềm gồm Visual Studio Community và PyCharm cho phát triển ứng dụng.

4.2. Hiệu Quả Và Hướng Phát Triển Tương Lai

Hiệu quả thử nghiệm cho thấy độ chính xác 98%, tốc độ xử lý 2 giây/sản phẩm. Để triển khai toàn bộ cần thu thập thêm mẫu lỗi, huấn luyện lại mô hình, áp dụng xử lý song song để tăng tốc độ, nghiên cứu các phương pháp tối ưu hóa mô hình cho sản xuất công nghiệp.

Trích đoạn nội dung tài liệu

TRUONG BAI HOC BACH KHOA HA NOT Viện Cơ Khí LUẬN VĂN THẠC SĨ ILE THONG TY DỌNG KIỂM RA NGOẠI QUAN SAN PHAM ROCKER ARM DUA TREN XỦ LÝ ANH VA CÔNG NGHỆ HỌC SAU TRAN VAN HUY Hay.vin MSTIV: 202023528M Chuyên ngành Kỹ thuật Cơ diện tứ Giảng viên hướng dẫn: TS. Nguyễn Thành Hùng Bộ môn: Cơ điện tứ Chữ kỷ của GVHD Viện: Cơ khi HÀ NỘI, 05/2022 ĐỀ TÀI LUẬN VĂN Iệ thống tự động kiểm tra ngoại quan sén phim rocker arm dựa trên xử lý ảnh và công nghệ học sâu. Giáo viên hướng din Ký và ghỉ rõ họ tên Loi cam on Để hoàn thành bài luận văn thạc sĩ này, tôi xin bảy tổ sự cảm kích đặc biệt tới giáo viên hướng dẫn của tôi, T8. Nguyễn Thành Hùng - người đã định hướng, trực Gép din đất, cô vân cho tôi trong suốt thời gian thực hiện đẻ tài nghiên cứu khoa học này.

Xin chân thành cảm ơn những bài giảng và tài liệu của thây đã giúp tôi mở mang tiêm nhiều kiến thức hữu ích về xử lý ä nợ nghệ học máy, học Tổng thời, thấy cũng là người luôn cho lôi những lời khuyên vô cùng quý giá về cả kiến thức chuyên môn cũng như định hướng phát triển sự nghiệp. Tôi cũng xin gửi lời cảm ơn chán thành đến nhóm nghiên cứu hợp tác giữa các công ty vá tường đại học: Nissin Manufacturing Viét Nam, Nissin Manufacturing Co., Ltd, Kyoto Institute of Technology va Ha Noi University of Seicnee and Technology. Téi xin cd ơn những lời khuyên, lời góp ý của T§. Nguyễn Chi Lung, pho giao su ukuzawa Masayuki trong quả trình.

hop tác nghiền cửu cia diy án. Đông thời gửi lới cám ơn dến ông Hirano Takashi, Tông giảm đốc của công ty Nissin Manufacturing Co., Ltd dã dồngý và lạo điều kiện cho tôi sử dụng đề tài này làm luận văn thại Sau cùng. tôi xin tỏ lòng biết en đến cha mẹ, người thân và bạn bẻ đã hiên bên cạnh ủng hộ, động viên tôi trong cuộc sống cũng như trong thời gian hoàn thành luận văn thạc sĩ. Xin chan thanh căm ơn tắt cả mợi người! Tình 5.26 Kết quả phát hiện lỗi xuắc miu OK Hinh 5.27 Biéu dé loss mse khi đảo tạo cho lễ trục chính.28 Biéu dé loss ssim khi dao tao cho 16 trục chính.29 Két qua kiểm tra lỗi nhám lỗ trục chính trên mẫu OK.30 Kết quả kiểm tra lãi nhám lỗ trục chính trên mẫu NGŒ.31 Biéu 46 loss ssim khi đào tạo cho lễ con lăn.32 Biểu đỗ loas rase khi đảo tạo cho lỗ con lăn.33 Kết quá kiểm tra lỗi nhảm lỗ trục con lăn trên mẫu NG Tôm tắt nị lung luận văn Nội dung luận vẫn thạc sĩ này là thực hiện nghiên cứu hệ thống kiểm tra ngoại quan sâu phẩm rocker ann dựa lrên xử lý ảnh và công nghệ học sân.

Trong để tải nay cân nghiên cứu các phương pháp đề phát hiện các lỗi ngoại quan hiện có trong hệ thống sản xuất rocker arm hiện nay như: lỗi lệch trục chính, lỗi vát mép lễ trục chính, lỗi xước trên gân và thân sân phẩm, lỗi nhám én trong lễ trục chính và lỗ cơn lần. Để thực hiện để tài này, chứng tôi đã áp xây đựng các phương pháp khác nhau kiểm tra ngaai quan cho từng loại lỗi: áp dựng thuật toán RANSAC cho việc tim đường tròn vả tính toán các tham số trong bài toán liên quan đến đường tròn xửu lỗi lệch trục và vát mép, các thuật toán học sâu như YOILD va Autoencoder cho các bài toán tìm lỗi xước và nhám. Những thiết bị được sử dụng cho dé tai nay thao gồm 1 máy tính pe voi cau hình mạnh tăng tốc các quả trinh phát biện lỗi, máy nh Nikon D7100 dé phan giải cao cho quả trình clrup ảnh, Những gông cụ phần mềm và thư viện hỗ trợ ong quả trình thực hiện để tài bao gồm: phan mém camera control cia hang Nikon cho quá trình chụp ảnh, thư viện openey, tensorflow, darknet, yolo mark cho qué trinh xtt ly anh, cdc phin mém visual studio community va pycharm community che qua trinh xay dung va bién dich chuong trinh Két quả thu được sau khi thực hiện luận văn nảy là xây đựng thành công các phương pháp kiêm tra từng loại lãi, kiêm tra độ chính xác các phương pháp trên tập đữ liệu thu thập được. Từ đỏ có thể thấy luận văn có ý nghĩa thực tiến wong việc áp dụng vào quá trình kiểm tra ngoại quan sản phim rocker arm tai nha may.

Tuy nhiên dễ có thể áp đựng vào quá trình sản xuất cần thu thập thêm mẫu lỗi, đảo tạo thêm mỗ hình YOLO dé tăng tính tổng quát, tính chính xác cho mô hin, Déng thời nghiên cửu các phương pháp giúp tăng téc dd xi ly dé dap ứng yêu cầu xử lý thời gian. thực: tăng tắc độ phân cứng, áp dụng các kỹ thuật da luông vào xử lý. HỌC VIÊN Ký và ph rõ họ tên MỤC LỤC CHUONG 1. TONG QUAN VE DE TAL 1.1 Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm.

Yêu dit ra.12 Mô hình hệ thống kiểm tra ngoại quan sản phẩm.3 Một số hệ thống kiểm tra ngoại quan sắn phẩm. 12 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. 13 Giới thiệu về rocker arm.2 Các lỗi ngoại quan.4 _ Nội đưng nghiên cứu. THUẬT TOÁN PHÁT HIỆ VAT MEP 2.1 Thuật toán RANSAC.L3 - Ưu nhược điểm.L5 _ Thuậttoán RANSAC phát hiện đường tròn trên rocker arr.

30 22 Phát biện lỗi lệch trục 2.3 Phát hiện lỗi vát mép. CHUONG 3, THUẬI TOÁN PHÁT HIỆN LỖI XUỚC. Câu trúc và đặc điểm mô hình yolov3 áp dung phát hiện lỗi xước trén rocker arm .2 Phát hiện lỗi xước CHUONG 4. THUAT TOAN PHAT HIEN LOI NHAM .12 Kiến trúc cơ bản.5 Kiến trúc mạng Autoencoder áp dụng cho rocker arm 42 Phát hiện lỗi nhám CHƯƠNG§.

MÔ IIÏNH HỆ THỐNG VÀ KÉT QUÁ THỰC NGIITỆM SE S1 M6 hinh hé thing.1 Hé thong chụp anh.2 Hệ thẳng camera và máy Lính xử lý. 52 Kết quả thực nghiệm.1 Chuyển đổi đưn vị trên ảnh và thực tế 52.2 Kết quá thực nghiệm phát hiện lỗi lệch trục. Kết quá thực nghiệm lỗi vát mép 5.4 Kết quả thực nghiệm lỗi xước.5 Kết quả thực nghiệm lỗi nhánt 5.5 _ Kết luận, đánh giá hiệu quả của giải pháp.26 Kết quả phát hiện lỗi xuắc miu OK Hinh 5.27 Biéu dé loss mse khi đảo tạo cho lễ trục chính.28 Biéu dé loss ssim khi dao tao cho 16 trục chính.29 Két qua kiểm tra lỗi nhám lỗ trục chính trên mẫu OK.30 Kết quả kiểm tra lãi nhám lỗ trục chính trên mẫu NGŒ.31 Biéu 46 loss ssim khi đào tạo cho lễ con lăn.32 Biểu đỗ loas rase khi đảo tạo cho lỗ con lăn.33 Kết quá kiểm tra lỗi nhảm lỗ trục con lăn trên mẫu NG MỤC LỤC CHUONG 1. TONG QUAN VE DE TAL 1.1 Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm.

Yêu dit ra.12 Mô hình hệ thống kiểm tra ngoại quan sản phẩm.3 Một số hệ thống kiểm tra ngoại quan sắn phẩm. 12 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. 13 Giới thiệu về rocker arm.2 Các lỗi ngoại quan.4 _ Nội đưng nghiên cứu. THUẬT TOÁN PHÁT HIỆ VAT MEP 2.1 Thuật toán RANSAC.L3 - Ưu nhược điểm.L5 _ Thuậttoán RANSAC phát hiện đường tròn trên rocker arr.

30 22 Phát biện lỗi lệch trục 2.3 Phát hiện lỗi vát mép. CHUONG 3, THUẬI TOÁN PHÁT HIỆN LỖI XUỚC. Câu trúc và đặc điểm mô hình yolov3 áp dung phát hiện lỗi xước trén rocker arm .2 Phát hiện lỗi xước CHUONG 4. THUAT TOAN PHAT HIEN LOI NHAM .12 Kiến trúc cơ bản.5 Kiến trúc mạng Autoencoder áp dụng cho rocker arm 42 Phát hiện lỗi nhám CHƯƠNG§.

MÔ IIÏNH HỆ THỐNG VÀ KÉT QUÁ THỰC NGIITỆM SE S1 M6 hinh hé thing.1 Hé thong chụp anh.2 Hệ thẳng camera và máy Lính xử lý. 52 Kết quả thực nghiệm.1 Chuyển đổi đưn vị trên ảnh và thực tế 52.2 Kết quá thực nghiệm phát hiện lỗi lệch trục. Kết quá thực nghiệm lỗi vát mép 5.4 Kết quả thực nghiệm lỗi xước.5 Kết quả thực nghiệm lỗi nhánt 5.5 _ Kết luận, đánh giá hiệu quả của giải pháp. ANH MỤC HÌNH ẢNH linh 1.

Kiểm tra ngoại quan bằng mắt. Hệ thống kiểm tra chất lượng. Hệ thông kiểm tra ngoại quan chiết r‹ ¬ Hinh 1. Hệ thống kiểm Ira ngoại quan bằng mạch diện tử.

Hệ thống lự động kiểm tra số lượng sản phẩm trong hép.6 Ví dụ về một số phép lọc - - $ Hinh 1. Vi dụ về một số phép biển đối - - 5 Tlinb 1. Vi du vé phép x6i mỏn và giản BỠ. Ví dụ về 1 bài toán trong học máy 7 Linh 1.

SVM mot phương pháp học cỏ giám sát. Một vi dụ về cây quyết dịnh. Một ví dụ về SVM. Ví dụ hỏi qui tuyến tỉnh.

Mội mạng bayes đơn giãn Hinh 1. Vi du vé overfitting Hinh 1. Vi duvé deep learning Ilinh 1. Vi du vé DNN Tlinh 1.

Métsé mang RNN Linh 1. M6t kién tric CNN cho bai toàn xứ lý ảnh, Kiến trúc LSTM Ví dụ: Ví dụ về xử lý nghệ thuật Tinh 1.24, Các bài toán xử lý ngôn ngữ tự nhiền. Vi dụ phân tích lảnh ảnh y tế Hin 1. Phục hỏi hình ảnh Hình 1.1 Vị dụ về RANBSAC trong tim dường thẳng 212 Tình 2.2 Các ngoại lệ Hinh 2.3 RANSAC trong bai toán ước tính mô hình 3D.4 Thuật loan RANSAC phat hign ducmg tron.5 L4i léch true chinh .6 Anh chup rocker arm hướng vuông góc lỗ trục - - Tlinh 2.7 Anh tach cạnh và phát hiện đường tròn trên lễ trục chính.8 Qui trình kiểm tra lỗi lệch trục Hình 2.9 Công thức tỉnh các giá tri AR Hinh 2.10 Lỗi vát mép sâu lỗ trục chính.

- - Tình 211 Lễ trục chính.12 Vát mép trên lỗ trục chính - - 34 Tình 2.13 Tách cạnh vùng vắt mép trén lỗ trục chính Hinh 2.14 Tìm đường tron ving vát mép trên lễ trục chính. Ví dụ yolo Tĩnh 3. Ví dụ một mô hình yolo đơn giản. Chia lưới trong yolo - - Tĩnh 3.

Ví dụ bouding box trong yöÌo.5 Cầu trúc darknet53.6 Kiến trúc mạng YOLOv3 Tinh 3.7 Các hướng chụp ảnh.8 Quá trình chúa nhỏ ảnh Tình 3.9 Quá trình đảo tạo mô hình Hinh 3.10 Quá trinh phát hiện lỗi xước inte co ban autoericoxler Hinh 4.2 Kién tric mang Autoencoder ap dung 1lình 4.3 Ảnh OK và ánh lỗi nhám bên trong lỗ trục cbinh.4 Chụp ảnh bên trong lố.5 Cắt ảnh trong lỗ trục chinh.6 Đảo tạo mô hình øutoeneoder.7 Quá trình phát biện lỗi bên trong lỗ trục chính Tình 51 Vĩ trí camera, vật và đều led trong hộp, Tình 5.