Luận Văn Thạc Sĩ Kỹ Thuật Cơ Điện Tử: Ứng Dụng Học Máy Để Phát Hiện Lỗi Bề Mặt Ổ Cắm

• Tác giả: Nguyễn Thanh Hoàng Hảo
• Người hướng dẫn: Dr. Trần Việt Hồng
• Trường học: Ho Chi Minh City University of Technology
• Chuyên ngành: Mechatronics Engineering
• Đề tài: Thiết kế bộ phát hiện lỗi bề mặt của đế cắm CPU bằng học máy
• Loại tài liệu: Master's thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

• ACKNOWLEDGEMENTS
• THE COMMITMENT OF THE THESIS’ AUTHOR
• 1. CHƯƠNG 1: INTRODUCTION
• 2. CHƯƠNG 2: TRADITIONAL METHOD

I. Giới thiệu và bối cảnh nghiên cứu

Luận văn thạc sĩ này tập trung vào việc phát hiện lỗi bề mặt của ổ cắm điện trong lĩnh vực kỹ thuật cơ điện tử bằng cách sử dụng học máy. Ổ cắm CPU đóng vai trò quan trọng trong việc kết nối cơ học và điện giữa bộ vi xử lý và bo mạch in (PCB). Trong ngành công nghiệp bán dẫn, ổ cắm được sử dụng rộng rãi để kiểm tra điện và chức năng của bộ vi xử lý. Tuy nhiên, việc phát hiện lỗi bề mặt thủ công thường không hiệu quả, dẫn đến rủi ro về chất lượng và tốn kém thời gian. Nghiên cứu này đề xuất một phương pháp tự động hóa bằng học máy để cải thiện độ chính xác và hiệu quả trong việc phát hiện lỗi.

1.1. Vấn đề và thách thức

Việc phát hiện lỗi bề mặt ổ cắm thủ công gặp nhiều thách thức như phụ thuộc vào kỹ năng của kỹ thuật viên, tốn thời gian và không đảm bảo độ chính xác cao. Các lỗi như bụi bẩn, cháy, gãy chân cắm, hoặc dính kim loại có thể gây ra sự cố điện nghiêm trọng. Học máy được xem là giải pháp tiềm năng để tự động hóa quá trình này, giảm thiểu sai sót và nâng cao hiệu quả.

1.2. Mục tiêu nghiên cứu

Nghiên cứu nhằm thiết kế một hệ thống phát hiện lỗi bề mặt ổ cắm sử dụng học máy, đạt độ chính xác cao và thời gian xử lý nhanh. Mục tiêu là tạo ra một mô hình có khả năng nhận diện các loại lỗi khác nhau và tự học từ dữ liệu mới, giúp giảm chi phí và nâng cao chất lượng sản phẩm.

II. Phương pháp và kỹ thuật học máy

Nghiên cứu sử dụng các kỹ thuật học máy như mạng nơ-ron nhân tạo (ANN), mạng nơ-ron tích chập (CNN), và tối ưu hóa bằng OpenVINO để xây dựng mô hình phát hiện lỗi. Quá trình bao gồm thu thập hình ảnh, xử lý dữ liệu, trích xuất đặc trưng và huấn luyện mô hình. CNN được chọn do khả năng xử lý hình ảnh hiệu quả và độ chính xác cao trong các bài toán phân loại.

2.1. Thu thập và xử lý dữ liệu

Dữ liệu hình ảnh được thu thập từ các ổ cắm có lỗi và không lỗi, sau đó được xử lý để loại bỏ nhiễu và tăng cường chất lượng. Các kỹ thuật như cân bằng histogram và phát hiện biên được áp dụng để cải thiện độ chính xác của mô hình.

2.2. Huấn luyện mô hình

Mô hình CNN được huấn luyện trên bộ dữ liệu đã xử lý, sử dụng phương pháp truyền ngược để tối ưu hóa các trọng số. OpenVINO được sử dụng để tăng tốc độ xử lý và giảm tài nguyên tính toán, giúp mô hình có thể triển khai trên các thiết bị di động.

III. Kết quả và đánh giá

Mô hình đạt độ chính xác trên 95% trong việc phát hiện lỗi bề mặt ổ cắm, với thời gian xử lý nhanh chóng. Kết quả cho thấy học máy là phương pháp hiệu quả để tự động hóa quá trình kiểm tra chất lượng, giảm thiểu rủi ro và chi phí trong sản xuất.

3.1. So sánh với phương pháp truyền thống

So với phương pháp thủ công, mô hình học máy cho độ chính xác cao hơn và thời gian xử lý nhanh hơn. Điều này giúp giảm thiểu lỗi do con người và nâng cao hiệu quả sản xuất.

3.2. Ứng dụng thực tế

Nghiên cứu này có thể áp dụng trong các nhà máy sản xuất bán dẫn để tự động hóa quá trình kiểm tra ổ cắm, giúp nâng cao chất lượng sản phẩm và giảm chi phí bảo trì.

IV. Kết luận và hướng phát triển

Nghiên cứu đã chứng minh hiệu quả của học máy trong việc phát hiện lỗi bề mặt ổ cắm. Các kết quả cho thấy tiềm năng lớn trong việc ứng dụng công nghệ học máy vào lĩnh vực kỹ thuật điện tử và tự động hóa. Hướng phát triển tiếp theo bao gồm cải thiện mô hình để xử lý các loại lỗi phức tạp hơn và triển khai trên quy mô lớn hơn.

4.1. Đóng góp của nghiên cứu

Nghiên cứu đã cung cấp một phương pháp mới để phát hiện lỗi bề mặt ổ cắm, giúp nâng cao hiệu quả và độ chính xác trong sản xuất. Đây là nền tảng quan trọng cho các nghiên cứu tiếp theo trong lĩnh vực này.

4.2. Hướng phát triển tương lai

Các nghiên cứu tiếp theo có thể tập trung vào việc tích hợp học sâu (DL) và dữ liệu lớn để cải thiện hiệu suất mô hình, cũng như ứng dụng trong các lĩnh vực khác như kiểm tra chất lượng sản phẩm và phân tích bề mặt.