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

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.

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.