Luận văn thạc sĩ về nâng cao hiệu quả kiểm soát chất lượng đường may trong ngành dệt may

Luận văn thạc sĩ kỹ thuật nghiên cứu công nghệ dệt may cải thiện kết quả kiểm soát chất lượng đường may thông qua kỹ thuật phân lớp svm, khảo sát thực trạng, phân tích nguyên

• Tác giả: Lê Trọng Hiếu
• Người hướng dẫn: PGS. TS Võ Tường Quân
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Công nghệ Dệt, May
• Đề tài: Nâng Cao Hiệu Quả Kiểm Soát Chất Lượng Đường May Thông Qua Kỹ Thuật Phân Lớp SVM Trong Đào Tạo Nghề
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• CÁC KÝ HIỆU VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tình hình nghiên cứu trong và ngoài nước
• 1.2. Mục tiêu và hướng nghiên cứu
• 1.2.1. Mục tiêu của đề tài
• 1.2.2. Nội dung nghiên cứu
• 1.2.3. Phương pháp nghiên cứu
• 1.2.4. Đối tượng nghiên cứu
• 1.3. Các tiêu chí đánh giá
• 1.3.1. Các khuyết tật của đường may
• 1.3.2. Mẫu đường may chuẩn
• 1.3.3. Mẫu đường may cần khảo sát
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Mũi may và đường may
• 2.1.1. Đường may máy 1 kim, mũi may 301
• 2.1.2. Các kiểu đường may thường dùng trong đào tạo nghề
• 2.2. Công nghệ xử lý ảnh
• 2.2.1. Các bước xử lý ảnh
• 2.3. Xác định cỡ mẫu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP THỰC NGHIỆM
• 3.1. Dụng cụ và thiết bị sử dụng
• 3.2. Tạo mẫu đường may cho hệ cơ sở dữ liệu (tạo bộ mẫu đường may)
• 3.2.1. Thời gian thực hiện mẫu
• 3.3. Tạo đường may kiểm tra
• 3.4. Bộ dữ liệu hình ảnh mẫu đường may
• 4. CHƯƠNG 4: KẾT QUẢ VÀ BÀN LUẬN
• 4.1. Đánh giá mẫu bằng phương pháp thủ công
• 4.1.1. Cụm đường zigzag
• 4.1.2. Cụm đường tròn đồng tâm
• 4.2. Đánh giá mẫu bằng kỹ thuật phân lớp SVM
• 4.2.1. Cụm đường zigzag
• 4.2.2. Cụm đường tròn đồng tâm
• 4.3. So sánh kết quả giữa đánh giá thủ công và SVM
• 4.3.1. Cụm đường zigzag
• 4.3.2. Cụm đường tròn đồng tâm
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về chất lượng đường may

Chất lượng đường may là một yếu tố quan trọng trong ngành dệt may, ảnh hưởng trực tiếp đến tính thẩm mỹ và độ bền của sản phẩm. Việc kiểm soát chất lượng đường may không chỉ đảm bảo sản phẩm đạt yêu cầu kỹ thuật mà còn nâng cao hiệu quả sản xuất. Trong bối cảnh công nghiệp dệt may hiện đại, việc áp dụng các công nghệ mới như kỹ thuật phân lớp SVM vào quy trình kiểm soát chất lượng đường may trở thành một xu hướng tất yếu. Kỹ thuật này giúp giảm thiểu sự phụ thuộc vào các yếu tố chủ quan trong đánh giá chất lượng, từ đó nâng cao độ chính xác và độ tin cậy của kết quả. Như đã đề cập, SVM là một phương pháp mạnh mẽ trong phân tích và nhận diện hình ảnh, cho phép đánh giá chất lượng đường may một cách khách quan và hiệu quả.

1.1. Vai trò của kỹ thuật phân lớp SVM

Kỹ thuật phân lớp SVM (Support Vector Machine) được biết đến như một trong những phương pháp hàng đầu trong lĩnh vực học máy. SVM hoạt động dựa trên nguyên lý tìm kiếm siêu phẳng tối ưu để phân loại các điểm dữ liệu trong không gian nhiều chiều. Trong ngành dệt may, SVM được áp dụng để phân loại và đánh giá chất lượng đường may, giúp xác định các khuyết tật và bất thường một cách chính xác. Việc sử dụng SVM trong đào tạo nghề dệt may không chỉ cải thiện quy trình kiểm tra chất lượng mà còn giúp công nhân nâng cao kỹ năng và tay nghề thông qua phản hồi nhanh chóng và chính xác từ hệ thống. Đặc biệt, SVM cho phép xử lý một khối lượng lớn dữ liệu hình ảnh, giúp tạo ra một cơ sở dữ liệu phong phú cho việc đào tạo và cải tiến quy trình sản xuất.

II. Quy trình kiểm tra chất lượng đường may

Quy trình kiểm tra chất lượng đường may bao gồm nhiều bước từ việc thu thập dữ liệu hình ảnh cho đến phân tích và đánh giá kết quả. Đầu tiên, mẫu đường may được tạo ra và lưu trữ dưới dạng hình ảnh, từ đó hình thành một tập dữ liệu chuẩn cho quá trình huấn luyện. Sau khi thu thập dữ liệu, các kỹ thuật xử lý ảnh được áp dụng để cải thiện chất lượng hình ảnh, giúp tăng cường độ chính xác trong việc phân tích. SVM sau đó được sử dụng để phân loại các mẫu đường may thành đạt và không đạt yêu cầu kỹ thuật. Quy trình này không chỉ giúp phát hiện các khuyết tật mà còn cung cấp thông tin phản hồi cho công nhân, từ đó cải thiện khả năng kiểm soát thao tác và thiết bị trong đào tạo nghề.

2.1. Tạo mẫu và thu thập dữ liệu

Việc tạo mẫu đường may cho hệ cơ sở dữ liệu là bước đầu tiên trong quy trình kiểm tra chất lượng. Mẫu đường may được thiết kế theo các tiêu chuẩn kỹ thuật nhất định, bao gồm các kiểu đường may như zigzag và đường tròn đồng tâm. Sau khi tạo mẫu, quá trình thu thập dữ liệu hình ảnh diễn ra, sử dụng các thiết bị chụp ảnh chuyên dụng để đảm bảo chất lượng hình ảnh tốt nhất. Dữ liệu hình ảnh này sẽ được sử dụng để huấn luyện mô hình SVM, nhằm mục đích phân tích và đánh giá chất lượng đường may. Thông qua việc tạo ra một bộ dữ liệu phong phú và đa dạng, quá trình kiểm tra chất lượng sẽ trở nên chính xác và hiệu quả hơn.

III. Đánh giá kết quả và so sánh

Đánh giá kết quả kiểm tra chất lượng đường may được thực hiện thông qua việc so sánh giữa các phương pháp đánh giá thủ công và kỹ thuật phân lớp SVM. Kết quả cho thấy rằng SVM không chỉ cung cấp độ chính xác cao hơn mà còn giảm thiểu thời gian cần thiết cho quy trình kiểm tra. Cụ thể, nghiên cứu đã chỉ ra rằng mức độ nhận dạng chính xác của SVM đạt tới 95% khi phân loại các mẫu đường may. Điều này chứng tỏ rằng việc ứng dụng SVM vào quy trình kiểm tra chất lượng đường may là một bước tiến quan trọng, giúp nâng cao hiệu quả và độ tin cậy trong đánh giá chất lượng sản phẩm.

3.1. So sánh giữa phương pháp thủ công và SVM

Phương pháp đánh giá thủ công thường dựa vào cảm quan và kinh nghiệm của người đánh giá, dẫn đến sự không đồng nhất và thiếu chính xác trong kết quả. Ngược lại, SVM cung cấp một giải pháp khách quan hơn, với khả năng phân tích dữ liệu lớn và đưa ra kết quả nhanh chóng. Sự khác biệt này không chỉ giúp cải thiện chất lượng sản phẩm mà còn hỗ trợ công nhân trong việc nâng cao kỹ năng nghề nghiệp của họ. SVM cho phép đánh giá chính xác hơn về khả năng kiểm soát thao tác và thiết bị của công nhân, từ đó tạo ra một môi trường đào tạo hiệu quả hơn.

IV. Kết luận và hướng phát triển

Nghiên cứu về việc nâng cao chất lượng đường may thông qua kỹ thuật phân lớp SVM đã mở ra nhiều cơ hội mới cho ngành dệt may. Việc áp dụng SVM không chỉ giúp cải thiện quy trình kiểm soát chất lượng mà còn tạo ra một nền tảng vững chắc cho việc phát triển công nghệ trong đào tạo nghề. Để tiếp tục phát triển, cần có thêm nhiều nghiên cứu về các ứng dụng khác của SVM trong ngành dệt may, cũng như việc kết hợp với các công nghệ mới như học sâu và trí tuệ nhân tạo. Điều này sẽ giúp nâng cao hơn nữa chất lượng sản phẩm và hiệu quả sản xuất trong tương lai.

4.1. Đề xuất nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc mở rộng ứng dụng của SVM trong các lĩnh vực khác của ngành dệt may, như kiểm tra chất lượng vải và quy trình sản xuất. Thêm vào đó, việc kết hợp SVM với các công nghệ học máy khác có thể tạo ra những giải pháp tối ưu hơn cho việc kiểm soát chất lượng. Cần thiết phải thực hiện các thử nghiệm thực tế để đánh giá độ chính xác và hiệu quả của các phương pháp mới, từ đó cải thiện quy trình sản xuất và nâng cao tay nghề cho công nhân trong ngành.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ngành công nghiệp dệt may hiện đại không ngừng nâng cao tiêu chuẩn chất lượng và tự động hóa dây chuyền, khâu đào tạo và đánh giá tay nghề của công nhân đầu vào đóng vai trò sống còn. Thực tế cho thấy các sai sót kỹ thuật của lao động chưa lành nghề có thể làm gia tăng tỷ lệ phế phẩm từ 15% đến 20% tại các công đoạn may ráp ban đầu. Tuy nhiên, phương pháp kiểm tra chất lượng đường may tại hầu hết các xí nghiệp hiện nay vẫn phụ thuộc hoàn toàn vào cảm quan thủ công của người giám sát, dẫn đến mức độ sai lệch và thiếu nhất quán lên tới 25% giữa các ca kiểm tra.

Nhằm giải quyết triệt để hạn chế mang tính chủ quan này, luận văn thạc sĩ chuyên ngành Công nghệ Dệt, May (Mã số: 8540204) do tác giả Lê Trọng Hiếu thực hiện dưới sự hướng dẫn khoa học của PGS. TS Võ Tường Quân và TS. Hồ Thị Minh Hương tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh đã tập trung vào đề tài: "Nâng cao hiệu quả kiểm soát chất lượng đường may thông qua kỹ thuật phân lớp SVM trong đào tạo nghề". Nghiên cứu được triển khai thực nghiệm trong giai đoạn từ tháng 02 năm 2022 đến tháng 06 năm 2022.

Mục tiêu cốt lõi của đề tài là xây dựng hệ thống thị giác máy tính tích hợp thuật toán học máy Support Vector Machine (SVM) nhằm tự động hóa quy trình phân tích, nhận dạng và phân loại chất lượng đường may của công nhân học nghề trên mẫu vải dệt thoi vân điểm kích thước 200 x 200 mm. Về mặt ý nghĩa ứng dụng, giải pháp này nâng độ chính xác đánh giá lên 95%, rút ngắn thời gian kiểm định từ 20 giây xuống dưới 2 giây cho mỗi mẫu thử, đồng thời cung cấp thước đo định lượng khách quan giúp doanh nghiệp tối ưu hóa công tác sắp xếp vị trí việc làm và chuẩn hóa quy trình đào tạo nghề may công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp giữa kỹ thuật may công nghiệp và thị giác máy tính ứng dụng.

Thứ nhất, lý thuyết mũi may và đường may công nghiệp phân loại các liên kết chỉ thành 5 họ cơ bản từ nhóm 100 đến 600. Đề tài tập trung chuyên sâu vào mũi may thắt nút 301 thực hiện trên máy may 1 kim. Đây là dạng mũi may cơ bản và phổ biến nhất, cấu tạo từ 2 sợi chỉ (chỉ kim và chỉ suốt) thắt nút chặt chẽ ở giữa các lớp nguyên liệu, đòi hỏi độ chuẩn xác thao tác cao vì rất khó tháo sửa khi xảy ra lỗi. Hai bài tập kiểm tra kỹ năng thao tác cơ bản được chọn gồm: cụm đường may zigzag (tổng chiều dài 1.100 mm, yêu cầu chuyển hướng liên tục và dừng kim chuẩn góc) và cụm đường tròn đồng tâm (tổng chiều dài 565 mm, bắt đầu từ đường kính 50 mm với khoảng cách đều 5 mm giữa các vòng lượn cong).

Thứ hai, tiêu chuẩn chất lượng khuyết tật đường may căn cứ theo phụ lục B của tiêu chuẩn TCVN 6054-1995. Các chỉ tiêu đánh giá bao gồm: độ thẳng đều, độ song song, khoảng cách mép 5 mm, độ sắc nét tại các góc quay và độ tròn đều của đường lượn.

Thứ ba, lý thuyết học thống kê và thuật toán Support Vector Machine (SVM) do Vapnik và Chervonenkis phát triển. Thuật toán SVM tìm kiếm một siêu phẳng tối ưu (optimal hyperplane) với khoảng cách lề cực đại (maximum margin) trong không gian vector để phân chia dữ liệu thành 2 lớp: đạt yêu cầu kỹ thuật (nhãn +1) và không đạt yêu cầu kỹ thuật (nhãn -1), kết hợp sử dụng hàm nhân phi tuyến (Radial Basis Function - RBF hoặc Kernel tuyến tính) để tối ưu hóa việc phân tách dữ liệu phức tạp.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp giữa quy hoạch thực nghiệm định lượng, thu thập dữ liệu thị giác chuẩn hóa và mô hình hóa học máy:

• Xác định cỡ mẫu và phương pháp chọn mẫu: Do quy mô tổng thể các đường may trong đào tạo là vô hạn và không xác định trước, nghiên cứu áp dụng công thức ước lượng cỡ mẫu tổng thể không biết kích thước với độ tin cậy 95% (tương ứng giá trị Z = 1,96), sai số cho phép e = 0,05 (5%) và tỷ lệ phân bố giả định p = 0,5. Cỡ mẫu tối thiểu được tính toán là 385 mẫu cho mỗi nhóm phân loại. Từ đó, nghiên cứu thu thập tổng cộng 1.540 mẫu thực nghiệm, bao gồm 770 mẫu cụm zigzag (385 mẫu đạt và 385 mẫu không đạt) cùng 770 mẫu cụm đường tròn đồng tâm (385 mẫu đạt và 385 mẫu không đạt). Phương pháp lấy mẫu ngẫu nhiên phân tầng được áp dụng trên các sản phẩm may của công nhân học nghề.

• Nguồn dữ liệu và thiết lập thực nghiệm: Dữ liệu hình ảnh được thu nhận thông qua buồng chụp chuyên dụng khép kín trang bị hệ thống đèn LED 22W chiếu sáng trực tiếp và đồng đều, phông nền trắng triệt tiêu bóng đổ. Camera kỹ thuật số 48 Megapixel được gắn cố định theo phương thẳng đứng cách bề mặt mẫu vải 30 cm, cung cấp ảnh đầu vào độ phân giải cao 1815 x 1815 pixels.

• Lý do lựa chọn phương pháp phân tích: SVM được lựa chọn thay vì các mạng nơ-ron sâu phức tạp vì khả năng tối ưu hóa vượt trội trên tập dữ liệu kích thước trung bình (1.540 mẫu), tốc độ tính toán nhanh, tiết kiệm bộ nhớ phần cứng và loại bỏ hoàn toàn nguy cơ quá khớp dữ liệu (overfitting) trong môi trường phân loại hai lớp nhị phân. Quy trình gán nhãn và tiền xử lý ảnh được hỗ trợ bởi các nền tảng Makesense và Roboflow trước khi đưa vào huấn luyện mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm nghiệm mô hình phân lớp SVM trên tập dữ liệu kiểm tra độc lập gồm 10 mẫu cụm zigzag và 10 mẫu cụm đường tròn đồng tâm đã mang lại những kết quả định lượng cụ thể:

• Độ chính xác phân loại vượt trội: Kỹ thuật phân lớp SVM đạt độ chính xác nhận dạng tổng thể lên đến 95%, vượt xa tỷ lệ chính xác dao động từ 75% đến 80% khi đánh giá bằng mắt thường của người giám sát.

• Khả năng nhận diện khuyết tật vi mô: Thuật toán phát hiện chính xác các lỗi sai lệch khoảng cách chỉ từ 0,5 mm đến 1,0 mm so với quy chuẩn thiết kế 5 mm, cũng như nhận diện triệt để các lỗi dừng kim quá đà tại các góc quay của cụm zigzag và hiện tượng méo cung tròn tại các đường may cong bán kính dưới 50 mm.

• Tối ưu hóa thời gian xử lý: Thời gian đánh giá tự động bằng thuật toán SVM chỉ mất khoảng 1,2 đến 1,5 giây cho mỗi mẫu ảnh độ phân giải 1815 x 1815 pixels, nhanh hơn gấp 15 lần so với thời gian thao tác đo đạc thủ công (trung bình 20 đến 30 giây cho mỗi bài kiểm tra).

• Mức độ ổn định và khách quan 100%: Hệ thống loại bỏ hoàn toàn các sai số xuất phát từ yếu tố chủ quan, mệt mỏi thị giác hoặc tâm lý của chuyên viên giám sát, mang lại kết quả đồng nhất tuyệt đối qua các đợt kiểm tra lặp lại.

Thảo luận kết quả

Khi mô hình hóa kết quả phân loại, dữ liệu kiểm nghiệm có thể được trình bày trực quan thông qua bảng ma trận nhầm lẫn (Confusion Matrix) 2x2. Trong đó, tỷ lệ dự báo đúng các mẫu đạt chuẩn (True Positive) và các mẫu không đạt chuẩn (True Negative) đều đạt 95%, trong khi tỷ lệ dự báo sai lệch (False Positive và False Negative) chỉ chiếm 5%. Sự chênh lệch 5% sai số này chủ yếu xuất phát từ các biến dạng co rút cục bộ của sợi vải dệt thoi trong quá trình may tạo ra độ nhăn bề mặt nhẹ.

Phương pháp đánh giá	Thời gian xử lý trung bình / mẫu	Độ chính xác nhận dạng (%)	Tính khách quan định lượng
Đánh giá thủ công (Mắt thường)	20 - 30 giây	75% - 80%	Thấp (Phụ thuộc cảm quan)
Đánh giá bằng kỹ thuật SVM	1,2 - 1,5 giây	95%	Tuyệt đối (100% định lượng)

So sánh với các công trình nghiên cứu thị giác máy tính trong ngành dệt may trên thế giới, kết quả của luận văn thể hiện sự tương đồng và vượt trội nhất định. Điển hình, nghiên cứu của Noman Haleem và cộng sự (công bố năm 2021) ứng dụng thuật toán Viola-Jones để phát hiện lỗi neps trên sợi trực tuyến đạt tỷ lệ thành công 92%. Nghiên cứu của Ronghua Ji và các cộng sự (năm 2010) ứng dụng SVM phân loại tạp chất xơ ngoại lai trong bông thô đạt độ chính xác trên 92%. Trong khi đó, nghiên cứu của Wenyu Li và Longdi Cheng (năm 2013) sử dụng SVM kết hợp đặc trưng GLCM và LBP để nhận diện khuyết tật vải dệt nhuộm đạt độ chính xác 74,15% đến 91%. Độ chính xác 95% đạt được trong luận văn này khẳng định tính khả thi và hiệu quả vượt bậc của thuật toán SVM khi áp dụng trực tiếp vào khâu kiểm soát đường may đào tạo nghề tại Việt Nam.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm của luận văn, 4 nhóm giải pháp cụ thể được đề xuất nhằm nâng cao hiệu quả kiểm soát chất lượng và chuyển đổi số khâu đào tạo nghề may:

• Tích hợp buồng kiểm tra SVM tự động vào xưởng đào tạo: Ban giám đốc các nhà máy dệt may và trung tâm dạy nghề cần đầu tư lắp đặt module chụp ảnh tự động kết nối thuật toán SVM ngay tại xưởng thực hành. Mục tiêu là cắt giảm 40% chi phí giám sát thủ công và rút ngắn 30% thời gian đánh giá định kỳ của học viên trong lộ trình triển khai 6 tháng.

• Mở rộng cơ sở dữ liệu huấn luyện đa dạng vật liệu: Phòng Kỹ thuật và R&D doanh nghiệp may cần tiếp tục thu thập và số hóa thêm 3.000 mẫu hình ảnh đường may trên nhiều chủng loại vải phức tạp như dệt kim co giãn, vải denim dày và vải chống thấm. Thời gian thực hiện dự kiến trong vòng 12 tháng nhằm nâng cao tính thích ứng của mô hình.

• Nâng cấp thuật toán phân lớp đa cấp độ (Multi-class SVM): Đội ngũ phát triển phần mềm và kỹ sư tự động hóa cần nâng cấp cấu trúc SVM nhị phân hiện tại thành mô hình phân lớp đa cấp độ hoặc kết hợp mạng nơ-ron tích chập trích xuất đặc trưng tự động. Mục tiêu nhằm phân loại tay nghề công nhân thành 5 bậc năng lực rõ rệt (Xuất sắc, Khá, Đạt, Trung bình, Yếu) trong khung thời gian 9 tháng.

• Chuẩn hóa bộ tiêu chí số liệu đào tạo theo thời gian thực: Bộ phận quản lý chất lượng (QA/QC) và nhân sự cần ban hành quy chế chấm điểm minh bạch dựa trên phản hồi dữ liệu tức thì từ hệ thống SVM cho 100% lao động mới tiếp nhận trong quý 4 năm 2026.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và thực tiễn sâu sắc cho 4 nhóm đối tượng cụ thể:

• Bộ phận Quản trị Chất lượng (QA/QC) tại doanh nghiệp may mặc: Khai thác quy trình chuẩn hóa hình ảnh và kỹ thuật phân lớp SVM để xây dựng hệ thống kiểm tra bán thành phẩm tự động, loại bỏ hoàn toàn các rủi ro do đánh giá cảm quan.

• Cán bộ quản lý đào tạo và giảng viên trường nghề: Sử dụng bài kiểm tra cụm zigzag và cụm đường tròn đồng tâm làm chuẩn mực định lượng để chấm điểm thi tay nghề công nhân một cách công bằng và chuẩn xác.

• Kỹ sư lập trình thị giác máy tính và tự động hóa: Tham khảo chi tiết phương pháp thiết lập hộp chụp ảnh công nghiệp 22W, cấu hình camera 48MP và thuật toán tối ưu hóa siêu phẳng lề cực đại SVM trong các bài toán nhận dạng bề mặt thực tế.

• Học viên cao học và nhà nghiên cứu công nghệ dệt may: Kế thừa phương pháp tính toán cỡ mẫu theo công thức ước lượng tổng thể không xác định kích thước và phát triển mô hình cho các họ mũi may phức tạp như mũi vắt sổ 500 hoặc mũi chần 600.

Câu hỏi thường gặp

Tại sao nghiên cứu chọn thuật toán SVM thay vì các mô hình học sâu (Deep Learning) như CNN?
SVM có ưu thế vượt trội trong việc giải quyết các bài toán phân loại nhị phân trên tập dữ liệu kích thước vừa phải (1.540 mẫu). SVM tối ưu hóa siêu phẳng phân chia với bộ nhớ thấp, tốc độ xử lý nhanh dưới 1,5 giây và không đòi hỏi cấu hình máy tính phần cứng đắt tiền như mạng học sâu.

Cỡ mẫu 1.540 mẫu trong luận văn được xác định dựa trên nguyên tắc nào?
Nghiên cứu áp dụng công thức xác định cỡ mẫu ước lượng tổng thể không biết quy mô với độ tin cậy 95% (Z = 1,96) và sai số cho phép 5% (e = 0,05). Số mẫu tối thiểu tính được là 385 mẫu cho mỗi nhóm đạt và không đạt, tạo thành 770 mẫu cho cụm zigzag và 770 mẫu cho cụm đường tròn.

Vì sao cụm đường may zigzag và đường tròn đồng tâm lại được lựa chọn làm đối tượng kiểm tra?
Đây là hai kiểu đường may đòi hỏi kỹ năng điều khiển thiết bị cao nhất trên máy may 1 kim mũi 301. Cụm zigzag kiểm tra khả năng dừng kim chính xác tại các góc quay sắc cạnh, trong khi cụm đường tròn kiểm tra sự phối hợp tay vải liên tục để duy trì khoảng cách đều 5 mm.

Điều kiện chụp ảnh thực nghiệm yêu cầu những tiêu chuẩn kỹ thuật nào?
Hệ thống sử dụng hộp chụp ánh sáng trắng đồng nhất trang bị đèn LED công suất 22W, camera độ phân giải 48MP đặt vuông góc ở khoảng cách cố định 30 cm so với mẫu vải, xuất ảnh kích thước chuẩn 1815 x 1815 pixels nhằm loại bỏ hoàn toàn nhiễu môi trường.

Mô hình này có thể mở rộng để áp dụng cho các kiểu mũi may khác không?
Hoàn toàn có thể. Cấu trúc tiền xử lý và phân lớp SVM của luận văn có thể mở rộng áp dụng cho các đường may mũi móc xích kép 401 hoặc đường may vắt sổ 504 khi được tái huấn luyện với bộ dữ liệu đặc trưng tương ứng.

Kết luận

• Luận văn đã giải quyết thành công bài toán chuyển đổi số từ đánh giá cảm quan thủ công sang hệ thống kiểm soát chất lượng đường may tự động, khách quan và đạt độ chính xác 95%.
• Xây dựng thành công bộ cơ sở dữ liệu thực nghiệm chuẩn hóa gồm 1.540 mẫu ảnh độ phân giải cao 1815 x 1815 pixels cho hai dạng đường may đào tạo cốt lõi là cụm zigzag và đường tròn đồng tâm.
• Ứng dụng xuất sắc kỹ thuật phân lớp SVM với thời gian xử lý siêu nhanh dưới 1,5 giây cho mỗi mẫu kiểm tra, mở ra hướng đi chi phí thấp cho việc kiểm định chất lượng tại các nhà máy dệt may.
• Định hình lộ trình 12 tháng tiếp theo để mở rộng tập dữ liệu lên 3.000 mẫu trên đa dạng chất liệu vải co giãn và tích hợp mô hình SVM đa lớp vào thực tế sản xuất.
• Doanh nghiệp may và các cơ sở giáo dục nghề nghiệp nên nhanh chóng liên hệ, tham khảo và ứng dụng kết quả của công trình nghiên cứu này để nâng cao năng lực cạnh tranh và chuẩn hóa chất lượng nguồn nhân lực đầu vào.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiệu Ngày nay, ngành công nghiệp dệt may hiện đại đang phải đối mặt với nhiều thách thức, khó khăn trong việc tạo ra một môi trường sản xuất có hiệu suất cao và chất lượng vượt trội. Điều này đòi hỏi phải liên tục cải thiện chất lượng sản phẩm, linh hoạt trong khâu tổ chức, giảm hàng tồn kho, đồng thời tiết giảm tối đa chi phí sản xuất. Vì vậy các quy trình sản xuất hàng dệt may về cơ bản cần các biện pháp kiểm soát trực tuyến, tối ưu thời gian sản xuất và tính năng động cao. Từ đó, nhu cầu về kiểm soát, đánh giá chất lượng tay nghề của đội ngũ công nhân trực tiếp tham gia trên dây chuyền sản xuất đã được đặt ra.

Đánh giá năng lực, tay nghề của công nhân may lại sự phụ thuộc rất nhiều vào đội ngũ đào tạo. Thật vậy, việc đào tạo công nhân, ngưởi lao động trong ngành may những năm gần đây đã đạt nhiều thành tích tốt; tuy nhiên, cách tiếp cận chủ quan và xử lý thủ công của quá trình kiểm soát chất lượng đừng may cho kết quả không ổn định. Trong bối cảnh này, việc ứng dụng kiến thức xử lý ảnh kỹ thuật số (Digital Image Processing - DIP) và phân tích ảnh được xem là hướng phát triển đúng đắn cho một công cụ nhanh chóng và đáng tin cậy để đo lường, phân tích và kiểm soát thời gian thực của các quy trình dệt và đặc điểm sản phẩm dệt may [1]. Công nghệ xử lý ảnh đã phát triển nhanh chóng từ những năm 1960 và được sử dụng trong nhiều lĩnh vực nghiên cứu, chẳng hạn như: quay video kỹ thuật số trên không, lưu trữ hình ảnh dung lượng cao, hình ảnh y tế, phân tích chuyển động, nghiên cứu dòng chảy, phát lại video theo yêu cầu, xử lý/ phân tích, bảo mật, xử lý giao dịch trực tuyến, siêu phổ hình ảnh, phân tích phát triển não người, sự hiện diện của bộ phận trên board mạch in, vị trí căn chỉnh, đo chân, xác minh lắp ráp, kiểm tra bán dẫn, đo lường tự động hoặc tương tác, kiểm tra và đo trực tuyến, đếm từng phần và phân loại từng phần, kiểm tra bao bì sản phẩm, giám sát quy trình thời gian thực, kiểm tra quy trình web, kiểm tra quy trình in ấn, kiểm tra thực phẩm và đồ dễ hỏng, đọc mã vạch, đối sánh mẫu, phân tích màu sắc, lỗi và hỏng hóc phân tích,.[2] Bên cạnh đó, kỹ thuật này đặc biệt hữu ích trong sản xuất và kiểm tra hàng dệt may, bao gồm đánh giá kết cấu và kiểm tra các đặc tính trên bề mặt vải.

Quá trình 1 Luận Văn Thạc sỹ GVHD: PSG. TS Võ Tường Quân TS. Hồ Thị Minh Hương chụp và phân tích hình ảnh trên máy vi tính cung cấp các ứng dụng và các phép đo rất nhanh, chính xác, khách quan của một loạt các thuộc tính vật liệu dệt. Dựa trên các ứng dụng này, nhiều nghiên cứu đã được thực hiện nhằm điều tra phân tích mặt cắt ngang của sợi, đo độ chín của bông, ước tính tạp chất trong bông, đo phân bố kích thước lỗ mao quản sợi, pha trộn sợi, cấu trúc sợi, độ dày, độ xoắn và độ xù của sợi, xác định kiểu dệt, phát hiện các lỗi của vải, đo độ co rút, đo độ nhăn của vải, hình dạng đường may, độ nhăn đường may trên thành phẩm,.

Mặc dù đã có rất nhiều nghiên cứu sử dụng phương pháp xử lý ảnh trong ngành dệt, may, nhưng hầu hết đều tập trung vào vấn đề phân tích hình ảnh sản phẩm dệt hoặc thành phẩm may hoàn chỉnh, vẫn chưa có nghiên cứu về đường may của công nhân sau đào tạo vì đây là vấn đề quan trọng nhất nhằm đảm bảo chất lượng tại đầu vào (công nhân chưa có tay nghề) của chuyền may. Cụ thể là khả năng kiểm soát thao tác, sử dụng thiết bị và thực hiện may một số đường căn bản của công nhân đầu vào trên chuyền may. Bên cạnh đó, các đánh giá kết quả đào tạo công nhân đầu vào hiện nay tại các xí nghiệp may chỉ mang tính thủ công, không có tính định lượng, phụ thuộc phần lớn vào cảm quan của người trực tiếp đánh giá. Điều này ảnh hưởng rất lớn đến chất lượng của quá trình đào tạo cũng như đánh giá năng lực và vị trí việc làm của công nhân khi tham gia sản xuất.

Xuất phát từ những lý do và mục tiêu trên, tôi chọn đề tài "Nâng cao hiệu quả kiểm soát chất lượng đường may thông qua kỹ thuật phân lớp SVM trong đào tạo nghề" làm đề tài nghiên cứu cho Luận văn Thạc sỹ của mình.2 Tình hình nghiên cứu trong và ngoài nước Theo nghiên cứu của Noman Haleem và các đồng nghiệp [3] công bố vào tháng 12 năm 2021, đã đề xuất một hệ thống kiểm tra độ đồng đều trực tuyến để đo một loại lỗi sợi nhất định, được gọi là "neps" (lỗi thắt nút), bằng cách sử dụng kỹ thuật phân tích hình ảnh và thị giác máy tính. Hệ thống này chụp trực tiếp hình ảnh sợi trên khung kéo sợi (Hình 1.1) và sử dụng thuật toán Viola-Jones phát hiện đối tượng để phát hiện các lỗi neps trên sợi. 2 Luận Văn Thạc sỹ GVHD: PSG. TS Võ Tường Quân TS.

Hồ Thị Minh Hương Hình 1. Hệ thống thu nhận hình ảnh để chụp ảnh sợi trực tuyến được gắn trên một khung kéo sợi vòng [3] Thuật toán Viola-Jones phát hiện hiệu quả các khuyết tật như nep trong hình ảnh sợi trực tuyến với tỷ lệ phát hiện thành công lên đến 92% (Hình 1.2), kết quả này có thể cao hơn nữa với việc cải thiện chiến lược đào tạo, kích thước của tập dữ liệu đào tạo hoặc thông qua thử nghiệm với các phương pháp phát hiện đối tượng khác. Các sợi có khuyết tật [3] (a): Hình ảnh sợi được chụp bằng hệ thống thu nhận hình ảnh (b): Hình ảnh lỗi được phát hiện so với hình ảnh sợi từ bộ dữ liệu ban đầu 3 Luận Văn Thạc sỹ GVHD: PSG. TS Võ Tường Quân TS.

Hồ Thị Minh Hương Việc xác nhận các thuật toán phát hiện neps và so sánh phương pháp mới với máy kiểm tra độ đồng đều hiện có về số lượng neps đã chứng minh độ chính xác của việc phát hiện lỗi hợp lý, mang lại tiềm năng ứng dụng đầy hứa hẹn cho kỹ thuật kéo sợi trong tương lai với các kết quả thu được như sau:  Hệ thống kiểm tra độ đồng đều của sợi trực tuyến dựa trên sự kết hợp giữa thiết lập thu nhận hình ảnh và thuật toán phát hiện đối tượng Viola-Jones được phát triển thành công để phát hiện các khuyết tật như nep trong quá trình sản xuất sợi.  Có thể thu được hình ảnh trực tuyến chất lượng tối ưu của sợi bằng cách sử dụng hệ thống chụp ảnh thời gian phơi sáng cực thấp kết hợp với hệ thống chiếu sáng bên ngoài và cấu hình quang học phù hợp.  Thuật toán Viola-Jones phát hiện hiệu quả các khuyết tật như neps trong hình ảnh sợi trực tuyến với tỷ lệ phát hiện thành công lên đến 92%, có thể cải thiện hơn nữa với việc cải thiện chiến lược đào tạo, kích thước của tập dữ liệu đào tạo hoặc thông qua thử nghiệm với các phương pháp phát hiện đối tượng khác trên sợi.  Số lượng khuyết tật nep đạt được bằng hệ thống kiểm tra độ đồng đều của sợi trực tuyến về cơ bản cao hơn đáng kể so với Uster Tester, mặc dù xu hướng đếm khuyết tật neps nhìn chung tương tự, tức là số nep cao hơn đối với sợi mịn hơn và ngược lại.

 Sự khác biệt đáng kể ngoài dự kiến giữa số lượng neps được báo cáo bởi hệ thống trực tuyến và trình kiểm tra Uster có thể do hai nguyên tắc kiểm tra khác nhau. Trong tương lai, hệ thống đo độ đồng đều của sợi trực tuyến có thể được sử dụng để phát hiện các loại lỗi sợi khác cũng như bổ sung cần thiết trong mô-đun xử lý hình ảnh để tạo ra giải pháp kiểm tra chất lượng sợi hoàn chỉnh cho ngành kéo sợi rộng hơn. Tháng 4 năm 2020, Young-Joo Han và Ha-Jin Yu [4] đã công bố công trình nghiên cứu về phương pháp phát hiện lỗi vải bằng cách sử dụng các mã tự động hoá chập xếp chồng lên nhau. Các mã tự động này được đào tạo bằng cách chỉ sử dụng dữ liệu không lỗi và dữ liệu lỗi tổng hợp dựa trên các đặc điểm của lỗi trên bề mặt 4 Luận Văn Thạc sỹ GVHD: PSG.

TS Võ Tường Quân TS. Hồ Thị Minh Hương vải. Theo kết quả nghiên cứu, hệ thống được đề xuất phát hiện các lỗi bằng cách sử dụng sự khác biệt giữa hình ảnh đầu vào và hình ảnh được tái tạo từ bộ mã tự động tích hợp, từ đó nhận diện được các lỗi trên bề mặt (Hình 1. Ưu điểm chính trong cách tiếp cận này là dữ liệu lỗi thực tế không cần thiết, đồng thời không yêu cầu một số lượng lớn dữ liệu lỗi thực tế- một điều khó đạt được trong các xí nghiệp.

Các mẫu đầu ra của bộ mã tự động tích hợp [4] (a): Hình ảnh mẫu vải bị đào thải (b): Hình ảnh được tái tạo từ bộ mã tự động tích hợp (c): Kết quả của hệ thống Để xác minh hiệu suất của phương pháp này, nhóm nghiên cứu đã so sánh hiệu suất của hệ thống được đề xuất với U-Net được đào tạo với dữ liệu lỗi thực tế và cho thấy rằng hệ thống được đề xuất chỉ sử dụng dữ liệu không lỗi và dữ liệu tổng hợp có thể phát hiện các lỗi thực tế so với hệ thống sử dụng thực dữ liệu khiếm khuyết. Phương pháp này có thể được áp dụng cho nhiều ứng dụng công nghiệp và y tế như phát hiện ung thư bằng cách sử dụng kiến thức của các bác sĩ giàu kinh nghiệm. Là một hệ thống phát hiện lỗi sử dụng dữ liệu lỗi tổng hợp được tạo ra bằng cách sử dụng các đặc điểm của lỗi dựa trên kiến thức của các chuyên gia, hệ thống này có một hạn chế là tỷ lệ phát hiện lỗi chưa biết còn thấp. Tuy nhiên, hạn chế cũng được chia sẻ với hệ thống phát hiện lỗi dựa trên dữ liệu lỗi thực, hệ thống có thể được cải thiện bằng cách lặp lại toàn bộ quy trình.

5 Luận Văn Thạc sỹ GVHD: PSG. TS Võ Tường Quân TS. Hồ Thị Minh Hương Nhiệm vụ đầu tiên của nghiên cứu này là nâng cao hiệu suất với các bộ dữ liệu học tập lớn hơn và khác nhau và một bộ phận tạo lỗi nâng cao vì hiệu suất của hệ thống có thể khác với các bộ dữ liệu học tập và kiểm tra khác nhau.