I. Tổng quan mô hình phân loại lỗi bo mạch bằng thị giác máy tính
Mô hình phân loại lỗi bo mạch bằng thị giác máy tính và IoT tại ĐH SPKT TP.HCM đánh dấu bước tiến quan trọng trong nghiên cứu ứng dụng kỹ thuật tự động hóa. Đề tài do sinh viên Khoa Điện – Điện tử triển khai nhằm giải quyết bài toán kiểm định chất lượng bảng mạch in. Hệ thống kết hợp cơ cấu chấp hành băng tải công nghiệp, bộ điều khiển lập trình PLC và camera thu nhận hình ảnh độ phân giải cao. Trí tuệ nhân tạo đóng vai trò hạt nhân phân tích. Cụ thể, thuật toán học sâu xử lý dữ liệu hình ảnh trực tiếp để phát hiện các dạng sai sót linh kiện điện tử. Mô hình phân loại thành công bốn nhóm bo mạch chính gồm mạch chuẩn, mạch sai linh kiện, mạch thiếu linh kiện và mạch thừa linh kiện. Bên cạnh đó, nền tảng IoT hỗ trợ giám sát từ xa toàn diện. Dữ liệu vận hành được cập nhật liên tục lên giao diện quản trị trung tâm. Kiến trúc này nâng cao tính linh hoạt cho dây chuyền sản xuất hiện đại. Toàn bộ thiết kế đáp ứng tiêu chuẩn nghiêm ngặt về tốc độ đáp ứng và độ tin cậy vận hành thực tế.
1.1. Mục tiêu và phạm vi nghiên cứu đề tài
Nghiên cứu tập trung giải quyết bài toán tự động nhận dạng và phân loại lỗi trên bề mặt bo mạch. Phạm vi thực nghiệm bao gồm việc thiết kế mô hình băng chuyền thu nhỏ và tích hợp phần cứng điều khiển. Nhóm tác giả xây dựng tập dữ liệu hình ảnh phong phú với nhiều chủng loại linh kiện như điện trở, tụ điện và chip bán dẫn. Mục tiêu chính là phát hiện chính xác vị trí lệch chuẩn, thiếu hụt hoặc cắm sai thông số kỹ thuật. Đồng thời, nghiên cứu hướng đến việc tối ưu hóa thuật toán nhận diện theo thời gian thực. Hệ thống xử lý dữ liệu ngay khi sản phẩm di chuyển qua khu vực ghi hình. Kết quả thực nghiệm đóng góp giải pháp kỹ thuật có tính ứng dụng cao cho nhà máy thông minh.
1.2. Xu hướng tự động hóa kiểm tra sản phẩm mạch in
Ngành công nghiệp chế tạo điện tử toàn cầu đang chuyển dịch mạnh mẽ sang tự động hóa thông minh. Việc kiểm tra thủ công truyền thống bộc lộ nhiều điểm hạn chế về năng suất và độ chính xác. Con người dễ gặp tình trạng mệt mỏi, dẫn đến sai sót khi thao tác liên tục trong nhiều giờ. Do đó, các nhà máy tích cực triển khai hệ thống quang học tự động (AOI) kết hợp trí tuệ nhân tạo. Công nghệ thị giác máy tính giúp giảm thiểu triệt để tỷ lệ sản phẩm lỗi xuất xưởng. Sự kết hợp giữa bộ điều khiển lập trình và mạng truyền thông IoT tạo nên quy trình khép kín. Giải pháp này giúp cắt giảm chi phí nhân công và nâng cao chất lượng thành phẩm đồng đều.
II. Thực trạng kiểm tra lỗi bo mạch và nhu cầu thị giác máy tính
Quy trình sản xuất bo mạch điện tử đòi hỏi độ chính xác tuyệt đối ở từng mối hàn và vị trí linh kiện. Tuy nhiên, nhiều dây chuyền vẫn phụ thuộc nặng nề vào thao tác kiểm tra bằng mắt thường. Phương pháp thủ công này bộc lộ những nhược điểm chí mạng trong môi trường công nghiệp tốc độ cao. Mắt người nhanh chóng mỏi mệt khi phải quan sát liên tục các chi tiết siêu nhỏ. Điều này trực tiếp gây ra hiện tượng bỏ sót linh kiện lỗi hoặc đánh giá sai lệch tiêu chuẩn. Hơn nữa, tốc độ kiểm tra của công nhân không thể theo kịp nhịp độ vận hành của máy móc dán linh kiện bề mặt hiện đại. Chi phí nhân công duy trì đội ngũ kiểm tra chất lượng cũng tạo gánh nặng tài chính lớn cho doanh nghiệp. Một số nhà máy sử dụng cảm biến quang thông thường nhưng thiết bị này chỉ nhận diện được sự hiện diện vật thể đơn thuần mà không thể phân tích cấu trúc phức tạp. Do đó, nhu cầu cấp thiết hiện nay là ứng dụng thị giác máy tính để tự động hóa toàn bộ công đoạn kiểm định chất lượng.
2.1. Thách thức trong phát hiện lỗi linh kiện siêu nhỏ
Bo mạch điện tử hiện đại tích hợp mật độ linh kiện rất dày đặc. Kích thước của các tụ điện và điện trở dán ngày càng thu nhỏ xuống mức milimet. Khoảng cách giữa các chân tiếp xúc cực kỳ hẹp khiến việc quan sát gặp nhiều trở ngại. Ngoài ra, điều kiện ánh sáng môi trường sản xuất thường thay đổi bất thường, gây hiện tượng bóng phản chiếu trên bề mặt kim loại. Các thuật toán xử lý ảnh truyền thống rất khó phân biệt vật thể khi nền xung quanh có độ tương phản thấp. Những lỗi như thiếu chân hàn, lệch góc đặt hoặc sai trị số linh kiện đòi hỏi mô hình phân tích phải có khả năng trích xuất đặc trưng sâu sắc và chính xác.
2.2. Hạn chế của các phương pháp kiểm tra truyền thống
Phương pháp kiểm định bằng nhân công bộc lộ sự bất ổn định về mặt chất lượng. Năng suất lao động biến động theo thể trạng và tâm lý của từng công nhân kiểm thử. Sai sót chủ quan thường xuyên xảy ra trong các ca làm việc kéo dài. Trong khi đó, các thiết bị kiểm tra điện áp tiếp xúc bằng que đo cơ học lại có chi phí đầu tư đắt đỏ. Phương pháp tiếp xúc vật lý còn tiềm ẩn nguy cơ làm trầy xước vi mạch hoặc gây gãy chân linh kiện nhạy cảm. Mặt khác, hệ thống cơ khí cũ thiếu tính năng lưu trữ dữ liệu tập trung. Doanh nghiệp gặp nhiều khó khăn khi cần truy xuất nguồn gốc lỗi sản phẩm hoặc thống kê tỷ lệ khuyết tật.
III. Phương pháp phân loại lỗi bo mạch bằng thị giác máy tính và IoT
Hệ thống tại ĐH SPKT TP.HCM kết hợp hài hòa giữa thị giác máy tính tiên tiến và công nghệ IoT công nghiệp. Khối xử lý hình ảnh sử dụng mô hình học sâu YOLO để phát hiện và định vị linh kiện trên bề mặt bo mạch. Mạng nơ-ron chia khung hình thành lưới ô vuông và đồng thời dự đoán hộp giới hạn kèm độ tin cậy. Kỹ thuật triệt tiêu phi cực đại giúp loại bỏ các dự đoán trùng lặp nhằm giữ lại kết quả tối ưu. Phần mềm Python thực hiện phân tích ảnh và truyền tín hiệu điều khiển trực tiếp tới PLC Siemens thông qua giao thức Modbus TCP/IP. Đây là chuẩn truyền thông công nghiệp ổn định với chi phí triển khai tối ưu và khả năng tương thích cao. PLC nhận lệnh để kích hoạt cơ cấu đẩy khí nén, tự động gạt bo mạch lỗi vào các khay phân loại riêng biệt. Đồng thời, bo mạch đạt chuẩn sẽ tiếp tục hành trình trên băng tải. Dữ liệu trạng thái sản xuất được đẩy lên hệ thống máy chủ IoT giúp theo dõi số lượng và tỷ lệ lỗi trực tuyến theo thời gian thực.
3.1. Ứng dụng mô hình YOLO trong xử lý hình ảnh thời gian thực
Mô hình YOLO là lựa chọn hàng đầu cho bài toán thị giác máy tính yêu cầu tốc độ xử lý nhanh. Mạng nơ-ron thực hiện dự đoán vị trí hộp giới hạn và phân lớp nhãn linh kiện chỉ qua một lần quét ảnh duy nhất. Thuật toán trích xuất chính xác tọa độ các loại điện trở, tụ điện và vi điều khiển trên bo mạch. Thuật toán Non-Maximum Suppression hỗ trợ lọc sạch các khung hình chồng lấn, chỉ giữ lại kết quả có độ tin cậy cao nhất. Nhờ cơ chế này, hệ thống xử lý mượt mà luồng video từ camera ở tốc độ cao mà không gây trễ dây chuyền. Độ chính xác nhận diện đạt mức xuất sắc ngay cả khi linh kiện nằm sát nhau.
3.2. Tích hợp PLC Siemens và giao thức Modbus TCP IP giám sát IoT
Hệ thống điều khiển trung tâm sử dụng PLC Siemens kết nối đồng bộ với máy tính xử lý trí tuệ nhân tạo. Nhóm nghiên cứu lựa chọn giao thức Modbus TCP/IP để truyền nhận dữ liệu giữa Python và bộ điều khiển công nghiệp. Giao tiếp qua Ethernet công nghiệp mang lại tốc độ truyền dữ liệu ổn định và khả năng chống nhiễu vượt trội so với chuẩn UART nối tiếp. Thư viện Pymodbus cho phép đọc ghi các thanh ghi trạng thái một cách nhanh chóng và chính xác. Sau khi nhận kết quả phân loại, PLC điều khiển van khí nén gạt sản phẩm vào đúng vị trí quy định. Mọi tham số vận hành được đồng bộ liên tục lên bảng điều khiển IoT giám sát từ xa.
IV. Khả năng ứng dụng mô hình phân loại lỗi bo mạch vào công nghiệp
Kết quả thực nghiệm của đề tài tại ĐH SPKT TP.HCM chứng minh tính khả thi cao khi ứng dụng vào thực tế sản xuất. Mô hình phân loại lỗi bo mạch bằng thị giác máy tính và IoT hoạt động ổn định và xử lý trơn tru các tình huống lỗi phổ biến. Tốc độ kiểm định nhanh vượt trội so với phương pháp thủ công, giúp nâng cao năng suất tổng thể của dây chuyền. Độ chính xác phát hiện linh kiện sai lệch đạt mức tin cậy cao, hạn chế tối đa tình trạng lọt hàng lỗi ra thị trường. Bên cạnh đó, việc ứng dụng giao thức Modbus TCP/IP tiêu chuẩn cho phép hệ thống dễ dàng ghép nối với các dây chuyền sản xuất có sẵn mà không đòi hỏi thay đổi hạ tầng phức tạp. Giao diện IoT giám sát từ xa cung cấp cho người quản lý góc nhìn toàn cảnh về hiệu suất vận hành theo thời gian thực. Hệ thống mở ra triển vọng nội địa hóa công nghệ kiểm tra quang học tự động với chi phí thấp cho các doanh nghiệp điện tử vừa và nhỏ tại Việt Nam.
4.1. Lợi ích kinh tế và tối ưu năng suất cho nhà máy
Việc triển khai hệ thống kiểm tra tự động mang lại lợi ích kinh tế rõ rệt cho doanh nghiệp điện tử. Chi phí nhân công cho công đoạn kiểm soát chất lượng được cắt giảm đáng kể nhờ cơ chế gạt lỗi tự động. Máy móc vận hành liên tục không ngừng nghỉ, nâng cao tỷ lệ sản phẩm đầu ra đạt tiêu chuẩn. Đồng thời, việc loại bỏ sớm các sản phẩm lỗi giúp doanh nghiệp tiết kiệm nguyên vật liệu và chi phí bảo hành phát sinh. Dữ liệu lỗi được lưu trữ tức thời tạo cơ sở cho kỹ sư điều chỉnh thông số máy dán linh kiện. Nhờ đó, chất lượng sản phẩm liên tục được cải tiến và nâng tầm uy tín thương hiệu trên thị trường.
4.2. Hướng phát triển và mở rộng hệ thống trong tương lai
Hệ thống mở ra nhiều tiềm năng nâng cấp nhằm đáp ứng những yêu cầu khắt khe hơn trong kỷ nguyên sản xuất thông minh. Hướng nghiên cứu tiếp theo có thể tích hợp các phiên bản YOLO tiên tiến hơn như YOLOv8 để gia tăng độ phân giải nhận diện linh kiện siêu nhỏ. Đồng thời, hệ thống có thể kết hợp thêm công nghệ điện toán đám mây để lưu trữ dữ liệu kiểm định quy mô lớn. Việc ứng dụng thuật toán học máy dự đoán hư hỏng sẽ hỗ trợ đắc lực cho công tác bảo trì phòng ngừa. Đề tài cũng có thể mở rộng khả năng kiểm tra đa dạng loại bo mạch phức tạp khác nhau trên cùng một dây chuyền linh hoạt.
