Nghiên cứu hệ thống kiểm tra sản phẩm nhựa linh kiện máy in ứng dụng công nghệ học sâu

Tài liệu nghiên cứu Nghiên cứu hệ thống kiểm tra sản phẩm nhựa linh kiện máy in ứng dụng công nghệ học sâu, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ

• Tác giả: Trần Quang Linh
• Người hướng dẫn: TS. Nguyễn Trọng Doanh
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Cơ Điện Tử
• Đề tài: Nghiên cứu hệ thống kiểm tra sản phẩm nhựa linh kiện máy in ứng dụng công nghệ học sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Giới thiệu chung
• 1.2. Giới thiệu công nghệ học sâu
• 1.3. Tổng quan về quản lý sản xuất, phân loại sản phẩm và ứng dụng của học sâu
• 1.3.1. Tổng quan về quản lý sản xuất
• 1.3.2. Tổng quan về phân loại sản phẩm
• 1.4. Tổng quan các phương pháp kiểm tra linh kiện nhựa cấu thành máy in
• 1.4.1. Khái niệm kiểm tra ngoại quan
• 1.4.2. Tổng quan về kiểm tra ngoại quan tự động
• 1.4.3. Kiểm tra ngoại quan sử dụng công nghệ thị giác máy
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CỦA ĐỀ TÀI
• 2.1. Các phương pháp kiểm tra truyền thống
• 2.1.1. Phương pháp kiểm tra ngoại quan bằng độ nhám bề mặt
• 2.1.2. Phương pháp đánh giá toàn diện ngoại quan linh kiện nhựa đúc
• 2.2. Một số nghiên cứu liên quan đến kiểm tra ngoại quan ứng dụng công nghệ thị giác máy
• 2.3. Nội dung nghiên cứu của luận văn
• 2.3.1. Hệ thống xử lý ảnh
• 2.3.1.1. Các khái niệm cơ bản
• 2.3.1.2. Các thành phần cơ bản của một hệ xử lý ảnh
• 2.3.2. Những phương pháp xử lý ảnh và hiệu chỉnh camera
• 2.3.3. Công nghệ học máy, học sâu ứng dụng trong hệ thống kiểm tra sản phẩm nhựa linh kiện máy in ứng dụng công nghệ học sâu
• 2.3.4. Phương pháp đánh giá mô hình
• 3. CHƯƠNG 3: PHƯƠNG PHÁP TỰ ĐỘNG KIỂM TRA NGOẠI QUAN LINH KIỆN NHỰA
• 3.1. Mô hình PaDiM
• 3.2. Mô hình RegAD (Resistration based Few-Shot Anomaly Detection)
• 3.2.1. Tìm điểm bất thường
• 3.2.2. Tìm điểm bất thường với học ít lần
• 3.3. Mô hình DFR
• 4. CHƯƠNG 4: ĐÁNH GIÁ KẾT QUẢ NGHIÊN CỨU
• 4.1. Môi trường thử nghiệm mô hình
• 4.2. Đánh giá và thảo luận
• 4.2.1. Đánh giá kết quả
• 5. CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT
• 5.1. Hướng phát triển của luận văn trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về kiểm tra sản phẩm nhựa bằng học sâu 55 ký tự

Trong bối cảnh cuộc cách mạng công nghiệp 4.0, công nghệ học sâu nổi lên như một giải pháp đột phá, đặc biệt trong lĩnh vực kiểm tra chất lượng sản phẩm nhựa. Luận văn này tập trung vào ứng dụng học sâu để phát hiện lỗi ngoại quan, khuyết tật và xước bề mặt trên các linh kiện nhựa trong máy in 3D. Mục tiêu là loại bỏ các sản phẩm lỗi ngay trong quá trình sản xuất, đảm bảo chất lượng và độ tin cậy của máy in. Hệ thống đề xuất tích hợp băng tải tự động, robot công nghiệp và hệ thống xử lý ảnh để tự động hóa quy trình. Linh kiện nhựa có khuyết tật ảnh hưởng đến tuổi thọ và uy tín sản phẩm. Việc phát hiện lỗi tự động bằng mô hình học sâu được huấn luyện trên ảnh sản phẩm bình thường, giúp giải quyết vấn đề lỗi ngẫu nhiên và khó dự đoán. Nghiên cứu so sánh các phương pháp PaDiM, Reg-AD, DFR để tìm giải pháp tối ưu. (Trích dẫn: "Luận văn này đã trình bày một nghiên cứu về giải pháp phát hiện lỗi ngoại quan...").

1.1. Tầm quan trọng của kiểm tra chất lượng sản phẩm nhựa

Kiểm tra chất lượng sản phẩm nhựa là khâu then chốt trong quy trình sản xuất linh kiện máy in. Các sai sót sản phẩm nhựa, dù nhỏ, có thể ảnh hưởng lớn đến hiệu năng và tuổi thọ của máy in. Việc đảm bảo chất lượng sản phẩm nhựa giúp tăng độ tin cậy, giảm chi phí bảo trì và nâng cao uy tín thương hiệu. Công nghệ hiện đại cho phép kiểm tra sản phẩm trong sản xuất một cách nhanh chóng và chính xác, giảm thiểu sự phụ thuộc vào kiểm tra thủ công. Luận văn này tập trung vào việc ứng dụng công nghệ học sâu để tối ưu hóa quá trình kiểm tra chất lượng.

1.2. Ứng dụng học sâu trong kiểm tra sản phẩm Xu hướng mới

Học sâu mở ra hướng đi mới cho kiểm tra sản phẩm nhựa với khả năng tự động học và nhận diện các mẫu lỗi phức tạp. Các thuật toán học sâu có thể phân tích hình ảnh sản phẩm với độ chính xác cao, vượt trội so với các phương pháp truyền thống. Việc ứng dụng học sâu trong kiểm tra sản phẩm giúp giảm thiểu sai sót, tăng năng suất và tối ưu hóa quy trình. Các mô hình học sâu cho kiểm tra như CNN (Convolutional Neural Network) đang được nghiên cứu và triển khai rộng rãi trong ngành sản xuất.

II. Vấn đề Khó khăn trong kiểm tra sản phẩm nhựa thủ công 58 ký tự

Kiểm tra thủ công sản phẩm nhựa tồn tại nhiều hạn chế. Sự chủ quan của người kiểm tra, sự mệt mỏi và thiếu nhất quán dẫn đến sai sót trong đánh giá chất lượng sản phẩm nhựa. Đặc biệt, với các chi tiết nhỏ, phức tạp trong máy in, việc phát hiện lỗi thủ công trở nên khó khăn và tốn kém. Ngoài ra, kiểm tra bằng thị giác máy tính truyền thống yêu cầu nhiều quy tắc và thuật toán phức tạp để xử lý các biến thể về hình dạng, kích thước và màu sắc. Việc tự động hóa quy trình kiểm tra chất lượng là cấp thiết để nâng cao hiệu quả và giảm thiểu chi phí.

2.1. Tính chủ quan và thiếu nhất quán trong kiểm tra thủ công

Kiểm tra sản phẩm nhựa thủ công dễ bị ảnh hưởng bởi yếu tố con người, dẫn đến kết quả thiếu chính xác. Sự mệt mỏi, áp lực thời gian và kinh nghiệm khác nhau giữa các nhân viên kiểm tra có thể gây ra sai sót. Điều này ảnh hưởng trực tiếp đến độ chính xác kiểm tra và đảm bảo chất lượng sản phẩm nhựa. Cần có giải pháp kiểm tra tự động để loại bỏ yếu tố chủ quan và nâng cao độ tin cậy.

2.2. Chi phí cao và thời gian kéo dài trong kiểm tra thủ công

Việc thuê nhân công kiểm tra chất lượng sản phẩm nhựa tốn kém, đặc biệt khi số lượng sản phẩm lớn và quy trình phức tạp. Thời gian kiểm tra sản phẩm thủ công cũng kéo dài, ảnh hưởng đến tiến độ sản xuất và giao hàng. Hệ thống kiểm tra tự động giúp giảm thiểu chi phí nhân công, rút ngắn thời gian kiểm tra và tăng năng suất.

2.3. Khó khăn khi kiểm tra các chi tiết nhỏ và phức tạp

Các linh kiện nhựa trong máy in thường có kích thước nhỏ và hình dạng phức tạp, gây khó khăn cho việc kiểm tra bằng mắt thường. Các lỗi nhỏ như vết nứt, trầy xước hoặc biến dạng rất khó phát hiện, đặc biệt là trên bề mặt bóng. Cần có cảm biến hình ảnh và công nghệ phân tích hình ảnh sản phẩm tiên tiến để giải quyết vấn đề này.

III. Phương pháp PaDiM Kiểm tra nhanh sản phẩm nhựa 56 ký tự

PaDiM là một phương pháp kiểm tra sản phẩm nhựa dựa trên việc mô hình hóa phân phối của các đặc trưng trích xuất từ ảnh sản phẩm bình thường. Mô hình này học cách nhận diện sản phẩm bình thường và phát hiện các dị thường dựa trên độ lệch so với phân phối đã học. PaDiM có ưu điểm là tốc độ huấn luyện nhanh và hiệu suất phát hiện cao (97.1% theo luận văn). Tuy nhiên, PaDiM chỉ phù hợp với việc kiểm tra một loại sản phẩm duy nhất. Luận văn sử dụng PaDiM như một phương pháp cơ sở để so sánh với các phương pháp khác.

3.1. Ưu điểm và hạn chế của mô hình PaDiM trong thực tế

Mô hình PaDiM có ưu điểm lớn về tốc độ huấn luyện, cho phép triển khai nhanh chóng trong môi trường sản xuất. Tuy nhiên, hạn chế của PaDiM là chỉ có thể kiểm tra một loại sản phẩm tại một thời điểm. Điều này gây khó khăn khi kiểm tra sản phẩm trong sản xuất có nhiều chủng loại khác nhau. Cần có giải pháp để mở rộng khả năng kiểm tra đa dạng sản phẩm.

3.2. Ứng dụng PaDiM để phát hiện lỗi bề mặt sản phẩm nhựa

PaDiM đặc biệt hiệu quả trong việc phát hiện lỗi sản phẩm nhựa liên quan đến bề mặt như vết trầy xước, vết nứt, hoặc sự thay đổi màu sắc. Mô hình này có thể học các đặc trưng bề mặt của sản phẩm bình thường và phát hiện các bất thường một cách chính xác. Việc sử dụng PaDiM giúp cải thiện đáng kể kiểm tra chất lượng bề mặt sản phẩm nhựa.

3.3. Cải tiến PaDiM để kiểm tra đa dạng sản phẩm nhựa

Một hướng nghiên cứu tiềm năng là cải tiến mô hình PaDiM để có thể kiểm tra nhiều loại sản phẩm nhựa khác nhau. Có thể kết hợp PaDiM với các kỹ thuật nhận dạng hình ảnh để xác định loại sản phẩm trước khi áp dụng mô hình kiểm tra phù hợp. Việc này sẽ giúp tăng tính linh hoạt và hiệu quả của hệ thống kiểm tra tự động.

IV. Reg AD Phát hiện lỗi sản phẩm nhựa đa dạng 52 ký tự

Reg-AD là một cải tiến của PaDiM cho phép kiểm tra nhiều loại sản phẩm. Mô hình này sử dụng kỹ thuật đăng ký hình ảnh để căn chỉnh các sản phẩm khác nhau, giúp giảm sự khác biệt giữa chúng và cho phép PaDiM hoạt động hiệu quả hơn. Reg-AD đạt hiệu suất 96% trong luận văn. Mặc dù có khả năng nhận diện hình ảnh nhiều loại sản phẩm, Reg-AD vẫn cần được tối ưu để đạt độ chính xác cao hơn.

4.1. Cơ chế hoạt động và ưu điểm của mô hình Reg AD

Mô hình Reg-AD sử dụng cơ chế đăng ký hình ảnh để chuẩn hóa các ảnh sản phẩm khác nhau, giúp phân tích hình ảnh sản phẩm trở nên dễ dàng hơn. Ưu điểm của Reg-AD là khả năng kiểm tra chất lượng sản phẩm nhựa đa dạng, giảm thiểu số lượng mô hình cần huấn luyện. Điều này giúp tiết kiệm thời gian và chi phí trong quá trình triển khai.

4.2. Ứng dụng Reg AD trong kiểm tra linh kiện máy in 3D

Reg-AD phù hợp với việc kiểm tra các linh kiện máy in 3D, vốn có nhiều hình dạng và kích thước khác nhau. Mô hình này có thể phát hiện các lỗi như thiếu chi tiết, biến dạng hoặc sai lệch kích thước. Việc ứng dụng Reg-AD giúp nâng cao đảm bảo chất lượng sản phẩm nhựa trong sản xuất máy in.

4.3. Hướng cải tiến Reg AD để nâng cao độ chính xác

Một số hướng cải tiến Reg-AD có thể tập trung vào việc tối ưu hóa kỹ thuật đăng ký hình ảnh, sử dụng các phương pháp xử lý ảnh tiên tiến hơn để loại bỏ nhiễu và tăng độ tương phản. Ngoài ra, có thể kết hợp Reg-AD với các mô hình khác để tăng độ chính xác và độ tin cậy của hệ thống kiểm tra.

V. Mô hình DFR Kiểm tra chính xác sản phẩm nhựa 51 ký tự

DFR (Deep Feature Reconstruction) là một phương pháp kiểm tra chất lượng sản phẩm nhựa khác dựa trên việc tái tạo các đặc trưng sâu của ảnh. Mô hình này học cách tái tạo ảnh sản phẩm bình thường và phát hiện các dị thường dựa trên sự khác biệt giữa ảnh gốc và ảnh tái tạo. DFR đạt hiệu suất 96.1% trong luận văn, nhưng có thời gian huấn luyện lâu nhất trong ba mô hình. Tuy nhiên DFR có độ chính xác cao trong thực nghiệm.

5.1. Nguyên lý hoạt động của mô hình DFR

Mô hình DFR hoạt động dựa trên nguyên lý tái tạo các đặc trưng sâu của ảnh. Mô hình này sử dụng một mạng nơ-ron sâu để học cách mã hóa và giải mã ảnh sản phẩm bình thường. Khi gặp một sản phẩm có lỗi, mô hình sẽ khó tái tạo lại ảnh một cách chính xác, dẫn đến sự khác biệt giữa ảnh gốc và ảnh tái tạo. Sự khác biệt này được sử dụng để phát hiện lỗi sản phẩm nhựa.

5.2. Ưu điểm và nhược điểm của DFR so với PaDiM và Reg AD

DFR có ưu điểm là độ chính xác cao trong việc phát hiện lỗi sản phẩm nhựa. Tuy nhiên, DFR có nhược điểm là thời gian huấn luyện lâu hơn so với PaDiM và Reg-AD. Ngoài ra, DFR cũng có thể chỉ nhận diện hình ảnh một loại sản phẩm tại một thời điểm, tương tự như PaDiM.

5.3. Ứng dụng DFR trong kiểm tra các sản phẩm có yêu cầu cao

DFR đặc biệt phù hợp với việc kiểm tra các sản phẩm có yêu cầu cao về chất lượng và độ chính xác. Ví dụ, trong ngành hàng không hoặc y tế, các linh kiện cần được kiểm tra kỹ lưỡng để đảm bảo an toàn và hiệu suất. DFR có thể giúp đảm bảo chất lượng sản phẩm trong các ứng dụng này.

VI. Kết luận Triển vọng hệ thống kiểm tra bằng học sâu 58 ký tự

Luận văn đã trình bày một nghiên cứu về ứng dụng công nghệ học sâu trong kiểm tra sản phẩm nhựa linh kiện máy in. Các mô hình PaDiM, Reg-AD, DFR đều cho thấy tiềm năng trong việc tự động hóa và nâng cao hiệu quả kiểm tra chất lượng. Hướng phát triển trong tương lai có thể tập trung vào việc kết hợp ưu điểm của các mô hình này, mở rộng bộ dữ liệu và nâng cấp phần cứng để xây dựng một hệ thống kiểm tra tự động toàn diện và hiệu quả hơn.

6.1. Tổng kết kết quả nghiên cứu và so sánh các mô hình

Nghiên cứu đã chỉ ra rằng học sâu là một công cụ mạnh mẽ để tối ưu hóa quy trình kiểm tra. PaDiM nhanh nhưng đơn giản, Reg-AD linh hoạt nhưng độ chính xác cần cải thiện, DFR chính xác nhưng tốn thời gian huấn luyện. Việc lựa chọn mô hình phù hợp phụ thuộc vào yêu cầu cụ thể của từng ứng dụng. Cần cân nhắc giữa tốc độ, độ chính xác và khả năng nhận diện hình ảnh đa dạng sản phẩm.

6.2. Hướng phát triển và mở rộng hệ thống kiểm tra tự động

Hướng phát triển của hệ thống kiểm tra tự động có thể tập trung vào việc xây dựng một mô hình kết hợp, tận dụng ưu điểm của các mô hình hiện có. Ngoài ra, cần mở rộng bộ dữ liệu huấn luyện với nhiều loại linh kiện nhựa khác nhau và các biến thể lỗi khác nhau. Việc nâng cấp phần cứng, sử dụng GPU mạnh hơn và cảm biến hình ảnh chất lượng cao hơn cũng giúp cải thiện hiệu suất của hệ thống. Nên kết hợp với IoT trong kiểm tra chất lượng.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghiệp 4.0, việc ứng dụng công nghệ học sâu trong kiểm tra chất lượng sản phẩm ngày càng trở nên thiết yếu. Đặc biệt, trong ngành sản xuất linh kiện nhựa cấu thành máy in, việc phát hiện lỗi ngoại quan như khuyết tật bề mặt, xước hay sứt mẻ đóng vai trò quan trọng trong việc nâng cao độ tin cậy và tuổi thọ sản phẩm. Theo ước tính, các lỗi khuyết tật bề mặt có thể làm giảm độ tin cậy của máy in đến hơn 10%, ảnh hưởng trực tiếp đến uy tín của nhà sản xuất trên thị trường. Mục tiêu nghiên cứu của luận văn là phát triển một hệ thống kiểm tra ngoại quan tự động ứng dụng công nghệ học sâu nhằm phát hiện và loại bỏ các sản phẩm lỗi trong quá trình đúc linh kiện nhựa máy in. Nghiên cứu tập trung vào ba mô hình học sâu chính: PaDiM, Reg-AD và DFR, được thử nghiệm trên bộ dữ liệu linh kiện nhựa với hơn 1.000 ảnh thử nghiệm, thực hiện tại Trường Cơ Khí – Đại học Bách Khoa Hà Nội trong năm 2022-2023. Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện hiệu suất phát hiện lỗi lên đến 97,1%, giảm thiểu sai sót do kiểm tra thủ công, đồng thời tăng năng suất và chất lượng sản phẩm trong dây chuyền sản xuất tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình học máy, học sâu trong lĩnh vực thị giác máy tính và phát hiện dị thường (anomaly detection). Hai lý thuyết chính được áp dụng gồm:

1. Học sâu (Deep Learning): Sử dụng mạng nơ-ron tích chập (CNN) để trích xuất đặc trưng hình ảnh, cho phép mô hình học được các biểu diễn phức tạp từ dữ liệu ảnh linh kiện nhựa. Các mô hình CNN được huấn luyện trước như ResNet, Wide-ResNet được tận dụng để tăng hiệu quả trích xuất đặc trưng.

2. Phát hiện dị thường không giám sát (Unsupervised Anomaly Detection): Do các lỗi khuyết tật thường xảy ra ngẫu nhiên và khó có đủ dữ liệu lỗi để huấn luyện, phương pháp học không giám sát chỉ sử dụng ảnh sản phẩm bình thường để xây dựng mô hình, từ đó phát hiện các điểm bất thường dựa trên sự khác biệt so với mẫu chuẩn.

Ba mô hình chính được nghiên cứu gồm:

• PaDiM (Patch Distribution Modeling): Mô hình sử dụng phân phối Gaussian đa biến để mô hình hóa đặc trưng các miếng ảnh, phát hiện điểm bất thường dựa trên khoảng cách Mahalanobis.

• Reg-AD (Registration based Few-Shot Anomaly Detection): Mô hình học sâu kết hợp kỹ thuật đăng ký ảnh (registration) và học ít lần (few-shot learning) để phát hiện dị thường với số lượng ảnh huấn luyện hạn chế.

• DFR (Deep Feature Reconstruction): Mô hình sử dụng bộ mã hóa tự động tích chập (CAE) để tái tạo đặc trưng đa tỷ lệ, phát hiện dị thường dựa trên sai khác giữa đặc trưng gốc và đặc trưng tái tạo.

Các khái niệm chuyên ngành như khoảng cách Mahalanobis, mạng Siamese, bộ mã hóa tự động (Autoencoder), và các chỉ số đánh giá mô hình như AUC-ROC được sử dụng để đánh giá hiệu quả mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh linh kiện nhựa máy in, gồm khoảng 1.200 ảnh sản phẩm bình thường và bất thường được thu thập tại một số nhà máy sản xuất linh kiện nhựa. Cỡ mẫu thử nghiệm gồm 1.000 ảnh được chia thành tập huấn luyện (chỉ ảnh bình thường) và tập kiểm tra (ảnh bình thường và bất thường).

Phương pháp phân tích bao gồm:

• Tiền xử lý ảnh: chuyển đổi ảnh màu sang ảnh xám, lọc nhiễu bằng bộ lọc Gaussian, nhị phân hóa và phát hiện contour.

• Trích xuất đặc trưng bằng mạng CNN được huấn luyện trước.

• Huấn luyện và thử nghiệm ba mô hình PaDiM, Reg-AD và DFR trên nền tảng Google Colab với GPU, sử dụng thư viện Pytorch và OpenCV.

• Đánh giá mô hình dựa trên các chỉ số như độ chính xác phát hiện, tốc độ huấn luyện, khả năng nhận diện đa sản phẩm và bản đồ dị thường.

Timeline nghiên cứu kéo dài từ tháng 6/2022 đến tháng 4/2023, bao gồm các giai đoạn thu thập dữ liệu, phát triển mô hình, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất phát hiện lỗi của mô hình PaDiM đạt 97,1% trên tập kiểm tra, với tốc độ huấn luyện nhanh, tuy nhiên chỉ áp dụng hiệu quả cho từng loại sản phẩm riêng biệt.

2. Mô hình Reg-AD đạt hiệu suất 96%, có khả năng nhận diện đa dạng các loại linh kiện nhựa trong máy in nhờ kỹ thuật học ít lần và đăng ký ảnh, phù hợp với môi trường sản xuất đa dạng sản phẩm.

3. Mô hình DFR đạt hiệu suất 96,1%, có thời gian huấn luyện lâu nhất nhưng cho kết quả thực nghiệm chính xác nhất trong việc phát hiện các khuyết tật nhỏ và phức tạp trên bề mặt linh kiện.

4. So sánh ưu nhược điểm: PaDiM có ưu thế về tốc độ huấn luyện và đơn giản, Reg-AD linh hoạt với đa sản phẩm, DFR chính xác cao nhưng tốn thời gian huấn luyện. Các mô hình đều sử dụng học không giám sát, chỉ cần ảnh sản phẩm đạt chuẩn để huấn luyện.

Thảo luận kết quả

Nguyên nhân hiệu quả cao của PaDiM là do mô hình tận dụng phân phối Gaussian đa biến và khoảng cách Mahalanobis để phát hiện dị thường, phù hợp với các sản phẩm có đặc điểm ổn định. Reg-AD tận dụng kỹ thuật đăng ký ảnh và học ít lần giúp mô hình khái quát hóa tốt trên nhiều loại sản phẩm khác nhau, giảm chi phí thu thập dữ liệu lỗi. DFR sử dụng bộ mã hóa tự động tích chập đa tỷ lệ giúp phát hiện các lỗi nhỏ và phức tạp, tuy nhiên đòi hỏi tài nguyên tính toán lớn và thời gian huấn luyện dài.

Kết quả nghiên cứu phù hợp với các báo cáo ngành và các nghiên cứu trước đây về ứng dụng học sâu trong kiểm tra ngoại quan sản phẩm nhựa. Việc trình bày dữ liệu qua biểu đồ ROC và bảng so sánh hiệu suất giúp minh họa rõ ràng ưu nhược điểm từng mô hình. Nghiên cứu góp phần nâng cao hiệu quả kiểm tra tự động, giảm thiểu sai sót do con người và tăng năng suất sản xuất.

Đề xuất và khuyến nghị

1. Tích hợp ưu điểm các mô hình: Phát triển hệ thống kết hợp PaDiM, Reg-AD và DFR để tận dụng tốc độ, khả năng đa sản phẩm và độ chính xác, nhằm tối ưu hóa hiệu suất phát hiện lỗi. Thời gian thực hiện dự kiến 6-12 tháng, do nhóm nghiên cứu và kỹ sư phát triển phần mềm thực hiện.

2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu ảnh các loại linh kiện nhựa khác trong máy in để nâng cao khả năng khái quát của mô hình, giảm tỷ lệ báo động sai. Thời gian thực hiện 3-6 tháng, phối hợp với nhà máy sản xuất.

3. Nâng cấp phần cứng hệ thống: Đầu tư camera độ phân giải cao, hệ thống chiếu sáng đồng bộ và máy tính xử lý mạnh mẽ để cải thiện chất lượng ảnh đầu vào và tốc độ xử lý. Chủ thể thực hiện là bộ phận kỹ thuật nhà máy, thời gian 3 tháng.

4. Triển khai hệ thống tự động trên dây chuyền sản xuất: Kết hợp robot công nghiệp và hệ thống băng tải tự động để tự động loại bỏ sản phẩm lỗi ngay tại dây chuyền, giảm thiểu sai sót và tăng năng suất. Thời gian triển khai 6 tháng, phối hợp giữa nhóm nghiên cứu và nhà máy.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý sản xuất trong ngành cơ điện tử và nhựa: Nắm bắt công nghệ kiểm tra tự động, nâng cao hiệu quả quản lý chất lượng sản phẩm.

2. Kỹ sư phát triển hệ thống tự động hóa và robot công nghiệp: Áp dụng mô hình học sâu vào thiết kế hệ thống kiểm tra và phân loại sản phẩm.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật cơ điện tử, công nghệ thông tin: Tham khảo phương pháp ứng dụng học sâu trong thị giác máy tính và phát hiện dị thường.

4. Doanh nghiệp sản xuất linh kiện nhựa và máy in: Tìm hiểu giải pháp nâng cao chất lượng sản phẩm, giảm chi phí kiểm tra thủ công và tăng năng suất.

Câu hỏi thường gặp

1. Tại sao chỉ sử dụng ảnh sản phẩm bình thường để huấn luyện mô hình?
   Do các lỗi khuyết tật xảy ra ngẫu nhiên và khó dự đoán, việc thu thập đủ ảnh lỗi rất khó khăn. Học không giám sát cho phép mô hình học đặc trưng sản phẩm chuẩn và phát hiện bất thường dựa trên sự khác biệt.

2. Mô hình nào phù hợp nhất cho sản xuất đa dạng sản phẩm?
   Mô hình Reg-AD có khả năng nhận diện nhiều loại sản phẩm nhờ kỹ thuật học ít lần và đăng ký ảnh, phù hợp với môi trường sản xuất đa dạng linh kiện.

3. Thời gian huấn luyện mô hình có ảnh hưởng đến ứng dụng thực tế không?
   Có, mô hình PaDiM có thời gian huấn luyện nhanh phù hợp với sản xuất thay đổi sản phẩm thường xuyên, trong khi DFR chính xác hơn nhưng tốn thời gian hơn, phù hợp với sản xuất ổn định.

4. Hệ thống kiểm tra tự động có thể thay thế hoàn toàn kiểm tra thủ công không?
   Hệ thống tự động giúp giảm thiểu sai sót và tăng năng suất, nhưng vẫn cần kiểm tra thủ công bổ sung trong các trường hợp đặc biệt hoặc lỗi phức tạp.

5. Làm thế nào để mở rộng hệ thống cho các loại linh kiện khác?
   Cần thu thập thêm dữ liệu ảnh các loại linh kiện mới, huấn luyện lại hoặc tinh chỉnh mô hình, đồng thời nâng cấp phần cứng và phần mềm để đáp ứng yêu cầu mới.

Kết luận

• Luận văn đã phát triển thành công hệ thống kiểm tra ngoại quan linh kiện nhựa máy in ứng dụng học sâu với hiệu suất phát hiện lỗi lên đến 97,1%.
• Ba mô hình PaDiM, Reg-AD và DFR được so sánh và đánh giá chi tiết về ưu nhược điểm, phù hợp với các điều kiện sản xuất khác nhau.
• Nghiên cứu góp phần nâng cao độ chính xác, giảm sai sót kiểm tra thủ công và tăng năng suất sản xuất trong ngành cơ điện tử.
• Đề xuất tích hợp mô hình, mở rộng bộ dữ liệu và nâng cấp phần cứng để tối ưu hệ thống trong tương lai.
• Khuyến khích các nhà quản lý, kỹ sư và nhà nghiên cứu ứng dụng kết quả nghiên cứu để phát triển hệ thống kiểm tra tự động hiệu quả hơn.

Hành động tiếp theo là triển khai thử nghiệm hệ thống tích hợp tại nhà máy sản xuất, đồng thời mở rộng nghiên cứu sang các loại linh kiện khác nhằm nâng cao tính ứng dụng thực tiễn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI 1.1 Giới thiệu chung Trong những năm vừa qua, với sự bùng nổ của cuộc cách mạng công nghiệp 4.0, công nghệ phát triển đã tác động mạnh mẽ trên nhiều lĩnh vực của đời sống, đặc biệt với sự xuất hiện của robot có trí tuệ nhân tạo mang lại nhiều ứng dụng trong xã hội. Việc hiểu về lĩnh vực trí tuệ nhân tạo đôi khi không nặng về mặt công nghệ mà phần nhiều là về mặt thuật ngữ. Có rất nhiều vấn đề ẩn dưới cụm từ Trí tuệ nhân tạo (AI) – như máy học (Machine Learning), xử lý ngôn ngữ tự nhiên (Natural Laguage Processing), thị giác máy tính (Computer Vision),… Áp dụng công nghệ này vào đời sống hay công nghiệp cho phép máy tính vượt qua hoặc tiến gần đến việc kết hợp hiệu suất của con người trong các lĩnh vực từ nhận diện vật thể đến nhận dạng giọng nói và ngôn ngữ.

Trong đó, học sâu (Deep learning) được xem là một lĩnh vực thuộc máy học và trí tuệ nhân tạo, ở đó các máy tính sẽ bắt chước con người để học và cải thiện chính nó thông qua các thuật toán.1 Sản xuất trong thời đại công nghệ 4.2 Giới thiệu công nghệ học sâu: Như đã giới thiệu qua, học sâu có thể được coi là một lĩnh vực con của Machine Learing, nhưng học sâu được xây dựng dựa trên các khái niệm phức tạp hơn rất nhiều, chủ yếu hoạt động với các mạng nơ-ron nhân tạo để bắt chước khả năng tư duy và suy nghĩ của bộ não con người, là một mạng lưới thần kinh sâu phân tích dữ liệu với các biểu diễn đã học tương tự như cách một người nhìn vào một vấn đề. Học sâu được coi là một bước ngoặt to lớn trong lĩnh vực trí tuệ nhân tạo, cho phép các nhà khoa học dữ liệu xây dựng nhiều mô hình có độ chính xác rất cao trong lĩnh vực nhận dạng ảnh, xử lý ngôn ngữ tự nhiên, xử lý giọng nói,… Và điều đó có ý nghĩa to lớn trong việc thay đổi xã hội này. Với nhiều ứng dụng trong công nghiệp 4.0, việc tự động hóa các quy trình công nghiệp này có những khả năng to lớn trong một số lượng lớn các lĩnh vực như tài chính hoặc chăm sóc 1 sức khỏe, mà còn cho các ngành công nghiệp hóa chất, thực phẩm nông nghiệp, gốm sứ, dầu khí, v. Hệ thống này hiện được coi là công cụ phân loại dữ liệu tốt nhất, khiến nó trở thành một công nghệ rất thú vị để triển khai trong các nhà máy đang tìm cách tạo sự khác biệt so với các đối thủ cạnh tranh.

Một số ứng dụng của học sâu trong phát triển công nghiệp có thể kể đến là: Nhận biết các bộ phận mới trong hệ thống sản xuất. học sâu có thể phát hiện những phần chưa được nhận thức trước đây. Nhờ các mạng nơ-ron nhân tạo, hệ thống học hỏi từ những hình ảnh mà nó đã biết, có thể phát hiện ra rằng đó là một bộ phận mới mà không cần phải chỉ ra. Phát hiện lỗi thông minh.

Sau khi hệ thống này học được, nó có thể nhận ra các khuyết tật về kích thước hoặc hình dạng mà không cần phải phân loại tất cả các biến có thể. Thông qua học sâu, việc phát hiện lỗi sản xuất là hoàn toàn tự động. Xác thực an toàn quyền truy cập vào các cơ sở. Tự động nhận dạng sinh trắc học để đảm bảo an ninh trong các tòa nhà, phòng có dữ liệu nhạy cảm, lối vào nhà máy và các khu vực khác của cơ sở.

Kiểm soát số lượng đầu vào trong chuỗi cung ứng để sản xuất các bộ phận, nhờ hệ thống nhận dạng tiên tiến và kết nối với mạng sản xuất.3 Tổng quan về quản lý sản xuất, phân loại sản phẩm và ứng dụng của học sâu: Lĩnh vực sản xuất và phân loại sản phẩm luôn luôn đòi hỏi một quá trình quản lý tốt, hiệu quả và chính xác. Để đạt được mục tiêu này, các nhà sản xuất đã sử dụng nhiều công nghệ tiên tiến như tự động hóa, độc lập hóa và phân tích dữ liệu. Tuy nhiên, các công nghệ này chỉ có thể cung cấp một số giải pháp tạm thời và vẫn còn gặp rất nhiều vấn đề, đặc biệt là trong việc xác định chất lượng của sản phẩm và tối ưu hóa quá trình sản xuất. Học sâu là một trong những công nghệ mới nhất được sử dụng trong lĩnh vực sản xuất và phân loại sản phẩm.

Học sâu là một dạng trí tuệ nhân tạo có thể học từ dữ liệu và tự động phân tích và đánh giá chất lượng của sản phẩm. Điều này cho phép cho các nhà sản xuất đạt được một mức độ chính xác và tối ưu hơn trong việc phân loại sản phẩm và đánh giá chất lượng của sản phẩm. Một trong những lợi ích chính của việc sử dụng học sâu trong quản lý sản xuất là nó có thể giúp tự động hóa nhiều tác vụ thủ công thường liên quan đến quy trình sản xuất. Ví dụ: các thuật toán học sâu có thể được đào tạo để tự động xác định lỗi trong sản phẩm, giảm nhu cầu kiểm tra thủ công.

Điều này có thể dẫn đến tăng hiệu quả và tiết kiệm chi phí, cũng như kiểm soát chất lượng được cải thiện. Học sâu cũng có thể được sử dụng trong phân loại sản phẩm, là quá trình nhóm các sản phẩm thành các danh mục khác nhau dựa trên các thuộc tính hoặc đặc điểm của chúng. Điều này thường được sử dụng trong bán lẻ và thương mại điện tử để giúp khách hàng tìm thấy sản phẩm họ đang tìm kiếm dễ dàng hơn. 2 Các thuật toán học sâu có thể được đào tạo để tự động phân loại sản phẩm dựa trên nhiều thuộc tính, chẳng hạn như kích thước, màu sắc hoặc chất liệu.

Điều này có thể dẫn đến cải thiện độ chính xác và hiệu quả trong phân loại sản phẩm, cũng như tăng sự hài lòng của khách hàng.1 Tổng quan về quản lý sản xuất: Quản lý sản xuất là một quá trình quản lý hoạt động sản xuất từ khi có nguyên liệu cho đến khi hoàn thành sản phẩm cuối cùng. Quản lý sản xuất nhằm tối ưu hóa các giai đoạn trong quá trình sản xuất để giảm thiểu thời gian và chi phí, tăng năng suất và chất lượng sản phẩm, đồng thời đảm bảo an toàn và an ninh trong quá trình sản xuất. Quản lý sản xuất bao gồm nhiều hoạt động, từ việc lập kế hoạch sản xuất, quản lý đặt hàng và cung ứng nguyên liệu, quản lý hoạt động sản xuất, kiểm soát chất lượng sản phẩm đến quản lý kho hàng và phân phối sản phẩm. Ngoài ra, quản lý sản xuất còn liên quan đến việc quản lý nhân viên, quản lý tài chính, quản lý rủi ro và nghiên cứu và phát triển sản phẩm mới.

Trong các doanh nghiệp sản xuất, quản lý sản xuất là một trong những phần quan trọng nhất để đảm bảo hoạt động sản xuất được hiệu quả và hiệu suất cao nhất. Quản lý sản xuất cũng đóng vai trò quan trọng trong việc cải thiện khả năng cạnh tranh của doanh nghiệp trên thị trường và nâng cao chất lượng sản phẩm để đáp ứng nhu cầu của khách hàng. Vì vậy, việc áp dụng trí tuệ nhân tạo vào quá trình sản xuất đang được coi là xu thế phát triển mới. Cụ thể, ta đang nói đến học sâu, nó có thể được sử dụng để phân tích dữ liệu sản xuất và đưa ra những quyết định chính xác hơn về việc tối ưu hóa quá trình sản xuất.

Chẳng hạn, học sâu có thể được sử dụng để phân tích dữ liệu từ các cảm biến trong quá trình sản xuất để xác định các vấn đề tiềm ẩn, giúp cho các nhà quản lý có thể đưa ra quyết định nhanh chóng và chính xác. Ngoài ra, học sâu cũng có thể được sử dụng để phân loại sản phẩm. Các hệ thống học sâu có thể học cách phân loại sản phẩm theo các tiêu chuẩn nhất định, giúp cho quá trình sản xuất và kiểm soát chất lượng trở nên chính xác và hiệu quả hơn.2 Tổng quan về phân loại sản phẩm: Phân loại sản phẩm là một trong những quá trình quan trọng trong sản xuất công nghiệp. Việc phân loại chính xác các sản phẩm giúp tăng năng suất và giảm chi phí sản xuất.

Trong quá trình sản xuất, sản phẩm được phân loại dựa trên nhiều yếu tố như kích thước, hình dạng, trọng lượng, màu sắc, chất liệu, số lượng và các thông số kỹ thuật khác. Công nghệ phân loại sản phẩm truyền thống dựa trên các quy tắc và thuật toán đơn giản để phân loại sản phẩm. Tuy nhiên, các phương pháp này có thể không đảm bảo độ chính xác cao và không thể xử lý được các sản phẩm có tính đa dạng cao. Với sự phát triển của công nghệ trí tuệ nhân tạo, đặc biệt là học sâu, phân loại sản phẩm trở nên dễ dàng hơn và độ chính xác cao hơn.

Học sâu cho phép các hệ thống tự động học hỏi và tinh chỉnh mô hình phân loại dựa trên dữ liệu được cung cấp. Các hệ thống học sâu có khả năng xử lý dữ 3 liệu lớn và đa dạng, đồng thời có thể học được các đặc trưng phức tạp của sản phẩm, giúp tăng độ chính xác và hiệu suất phân loại. Ngoài ra, học sâu còn có khả năng phát hiện và xử lý các lỗi sản xuất, giúp cải thiện chất lượng sản phẩm. Về cơ bản, ta có thể tóm gọn một số lợi ích của việc ứng dụng học sâu trong phân loại sản phẩm, bao gồm có: Cải thiện độ chính xác: Các thuật toán học sâu có thể cung cấp kết quả chính xác hơn trong việc phân loại sản phẩm, đặc biệt là khi xử lý các danh mục sản phẩm phức tạp và đa dạng.

Phân loại sản phẩm tự động: Bằng cách đào tạo các mô hình học sâu trên bộ dữ liệu lớn về hình ảnh sản phẩm, quy trình phân loại sản phẩm có thể được tự động hóa, giảm nhu cầu nhập liệu thủ công và đẩy nhanh quá trình tổng thể. Tăng hiệu quả: Sử dụng học sâu để phân loại sản phẩm có thể tăng hiệu quả bằng cách cho phép xử lý khối lượng lớn dữ liệu sản phẩm nhanh hơn và chính xác hơn. Tiết kiệm chi phí: Tự động hóa phân loại sản phẩm bằng học sâu có thể giúp tiết kiệm chi phí bằng cách giảm nhu cầu nhập thủ công và lao động. Phân loại sản phẩm tự động: Bằng cách đào tạo các mô hình học sâu trên bộ dữ liệu lớn về hình ảnh sản phẩm, quy trình phân loại sản phẩm có thể được tự động hóa, giảm nhu cầu nhập liệu thủ công và đẩy nhanh quá trình tổng thể.