Giới thiệu dự án

Trong ngành cơ khí chế tạo và xây dựng kết cấu thép hiện đại, công nghệ hàn đóng vai trò huyết mạch khi chiếm hơn 50% tổng khối lượng gia công kết cấu kim loại trên toàn cầu. Trong đó, hàn hồ quang tay (Shielded Metal Arc Welding - SMAW / hàn que) là phương pháp nền tảng bắt buộc trong mọi chương trình đào tạo kỹ thuật cơ khí và cơ điện tử. Tuy nhiên, công tác đánh giá chất lượng mối hàn trong đào tạo và sản xuất hiện nay phần lớn vẫn phụ thuộc vào phương pháp quan sát thủ công (Visual Inspection) của giảng viên hoặc chuyên gia kiểm định (Certified Welding Inspector - CWI). Quy trình này tồn tại nhiều rào cản lớn: mang tính chủ quan cảm tính, tốn thời gian khi mỗi lớp học có hàng trăm mẫu phôi, và thiếu tính định lượng tức thì để người học kịp thời điều chỉnh góc nghiêng que hàn, tốc độ kéo hay cường độ dòng điện.

Đề tài “Nghiên cứu, thiết kế và chế tạo thiết bị thu thập và đánh giá ngoại quan hình ảnh mối hàn hồ quang tay” do nhóm nghiên cứu ngành Công nghệ Kỹ thuật Cơ điện tử, Khoa Đào tạo Chất lượng cao – Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) thực hiện dưới sự hướng dẫn của TS. Trần Ngọc Thiện, được phát triển nhằm giải quyết triệt để bài toán tự động hóa kiểm định ngoại quan mối hàn, hướng tới ứng dụng trực tiếp trong giảng dạy kỹ thuật và tiền kiểm soát chất lượng công nghiệp.

Mục tiêu nghiên cứu cụ thể

  1. Thiết kế & chế tạo phần cứng: Chế tạo buồng chụp ảnh khép kín chuyên dụng với khung nhôm định hình, vỏ ốp aluminium composite, hệ thống chiếu sáng LED 5V chống phản xạ gương kim loại, cơ cấu gá camera công nghiệp vuông góc và rãnh trượt phôi tiện lợi.
  2. Xây dựng thuật toán xử lý ảnh: Tự động định vị tấm phôi thép (kích thước chuẩn 100 x 180 x 2 mm) và phân tách chính xác 5 vùng mối hàn giáp mối (Region of Interest - ROI) độc lập trong một khung hình duy nhất.
  3. Phát triển mô hình Deep Learning: Xây dựng mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) phân loại khuyết tật bề mặt mối hàn theo 4 cấp độ hoàn thiện (Mức A, B, C, D) dựa trên tiêu chuẩn quốc tế AWS D1.1.
  4. Phát triển phần mềm điều khiển (GUI): Tích hợp toàn bộ luồng xử lý từ thu nhận ảnh, tiền xử lý, phân loại đến lưu trữ cơ sở dữ liệu trên giao diện đồ họa trực quan viết bằng Python/PyQt5.

Phạm vi và giới hạn của đề tài

  • Đối tượng kiểm tra: Liên kết hàn giáp mối 1 mặt của 6 tấm phôi thép phẳng ghép lại thành tấm kích thước 100 x 180 x 2 mm (chứa 5 đường hàn song song, khoảng cách giữa các tâm mối hàn ~30 mm).
  • Loại khuyết tật phát hiện: Khuyết tật bề mặt ngoại quan (lệch đường hàn, cháy biên/undercut, rỗ khí bề mặt/porosity, lẫn xỉ/slag inclusions, văng tóe/spatter, cháy thủng/burn-through).
  • Giới hạn kỹ thuật: Không kiểm tra khuyết tật ngầm bên trong kết cấu (yêu cầu các phương pháp kiểm tra không phá hủy chuyên sâu như siêu âm UT hoặc chụp tia X-ray).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi đề xuất giải pháp, nhóm nghiên cứu đã phân tích các phương pháp kiểm tra chất lượng liên kết hàn hiện hành:

Phương pháp kiểm tra Nguyên lý Ưu điểm Nhược điểm Khả năng ứng dụng đào tạo
Kiểm tra phá hủy (DT) Thử kéo, uốn, va đập, độ cứng Xác định chính xác cơ tính cơ học Phá hủy hoàn toàn mẫu thử, chi phí phôi cao, mất thời gian gia công Thấp (chỉ dùng cho bài thi định kỳ)
Chụp ảnh phóng xạ (RT/X-ray) Tia bức xạ xuyên qua kim loại Phát hiện toàn bộ khuyết tật ngầm Thiết bị đắt đỏ, nguy cơ nhiễm xạ, đòi hỏi phòng chì bảo vệ Rất thấp trong xưởng thực hành
Kiểm tra siêu âm (UT) Sóng âm tần số cao Đo chiều sâu nứt ngầm, không độc hại Cần chất tiếp âm, phụ thuộc lớn vào tay nghề kỹ thuật viên Trung bình (chi phí máy cao)
Kiểm tra ngoại quan thủ công Mắt thường kết hợp dưỡng đo hàn Đơn giản, chi phí thấp Cảm tính, không đồng nhất giữa các giám định viên, không lưu trữ số hóa Phổ biến nhưng quá tải
Hệ thống Vision AI đề xuất Xử lý ảnh số + Mạng CNN Nhanh (< 2s), khách quan, số hóa dữ liệu, đánh giá đồng thời 5 mối hàn Đòi hỏi điều kiện ánh sáng buồng chụp chuẩn hóa Rất cao (tối ưu hóa cho phòng lab)

Dựa trên ma trận ưu tiên MoSCoW:

  • Must have: Buồng chụp chống nhiễu sáng môi trường; Camera công nghiệp độ nét cao; Thuật toán tự động cắt 5 ROI mối hàn; Phân loại 4 mức A/B/C/D với độ chính xác > 80%.
  • Should have: Giao diện điều khiển PyQt5 đa luồng; Nút chụp, phân loại và lưu trữ ảnh phân giải cao vào thư mục cấu trúc.
  • Could have: Biểu đồ thống kê lịch sử rèn luyện tay nghề của học viên theo thời gian.
  • Won't have (giai đoạn này): Đo kích thước chiều cao đắp mối hàn 3D bằng cảm biến laser scanner.

Thiết kế hệ thống

Kiến trúc phần cứng và thiết bị

Hệ thống được thiết kế dạng buồng đo khép kín Desktop Kiosk:

  • Khung vỏ: Hợp kim nhôm định hình 2020 chịu lực tốt, chống rung chấn; Vỏ bọc bằng tấm hợp kim nhôm nhựa aluminium composite cách ly hoàn toàn ánh sáng bên ngoài xưởng cơ khí.
  • Cơ cấu gá đặt & nạp mẫu: Khay trượt định vị phôi ngang giúp thao tác đưa mẫu vào nhanh chóng, cố định khoảng cách tiêu cự (Working Distance) từ camera đến bề mặt phôi ở mức 250 mm.
  • Hệ thống thu nhận ảnh (Camera): Sử dụng camera công nghiệp Flir Grasshopper2 (Mã: GS2-GE-20S4C-C), cảm biến Sony ICX274 CCD 1/1.8", độ phân giải 1624 x 1224 pixels (2.0 MP), tốc độ truyền khung hình 29 fps qua giao thức mạng công nghiệp GigE Ethernet (RJ45).
  • Hệ thống chiếu sáng: Dải LED trắng 5V bố trí góc chiếu khuếch tán gián tiếp, loại bỏ hiện tượng điểm chói sáng (specular glare) trên bề mặt kim loại mài sáng bóng.

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.8.10 (tối ưu hóa tính linh hoạt và tích hợp thư viện AI).
  • Thư viện thị giác máy tính: OpenCV 4.5.5 (Open Source Computer Vision Library).
  • Framework Deep Learning: TensorFlow 2.8.0 / Keras & PyTorch 1.10.
  • Thư viện giao diện người dùng: PyQt5 v5.15.6.
  • Giao thức điều khiển phần cứng: GigE Vision Standard / PySpin SDK.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Quy trình xử lý ảnh từ khi nhận khung hình thô từ camera Flir đến khi xuất kết quả phân loại gồm 3 công đoạn chính:

[Khung hình thô 1624x1224]

1. Thuật toán trích xuất phôi và phân đoạn 5 mối hàn (Image Segmentation)

Do bề mặt mối hàn có nhiệt luyện và độ nhám khác biệt với phôi kim loại cơ bản, thuật toán kết hợp phân ngưỡng Grayscale và không gian màu HSV (Hue - Saturation - Value) để phân lập tọa độ 5 đường hàn:

import cv2
import numpy as np

def extract_weld_seams(raw_frame):
    # Bước 1: Tiền xử lý giảm nhiễu hạt
    gray = cv2.cvtColor(raw_frame, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # Bước 2: Tách biên phôi bằng Otsu Thresholding
    _, thresh_plate = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    contours_plate, _ = cv2.findContours(thresh_plate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    # Lấy contour lớn nhất tương ứng tấm phôi 100x180 mm
    plate_cnt = max(contours_plate, key=cv2.contourArea)
    x, y, w, h = cv2.boundingRect(plate_cnt)
    plate_roi = raw_frame[y:y+h, x:x+w]
    
    # Bước 3: Phân đoạn vùng mối hàn trong không gian màu HSV
    hsv_plate = cv2.cvtColor(plate_roi, cv2.COLOR_BGR2HSV)
    lower_weld = np.array([0, 0, 40])    # Ngưỡng dưới cho xỉ và vết hàn
    upper_weld = np.array([180, 70, 220]) # Ngưỡng trên
    mask_weld = cv2.inRange(hsv_plate, lower_weld, upper_weld)
    
    # Bước 4: Tìm kiếm các contour của từng mối hàn đơn lẻ
    contours_weld, _ = cv2.findContours(mask_weld, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    weld_boxes = []
    for cnt in contours_weld:
        area = cv2.contourArea(cnt)
        if area > 1500: # Lọc bỏ các vết bắn tóe nhỏ
            wx, wy, ww, wh = cv2.boundingRect(cnt)
            # Chuẩn hóa tỷ lệ mối hàn giáp mối dọc
            if wh > 2 * ww:
                weld_crop = plate_roi[wy:wy+wh, wx:wx+ww]
                weld_boxes.append((wx, weld_crop))
                
    # Sắp xếp 5 mối hàn theo chiều từ trái qua phải
    weld_boxes.sort(key=lambda item: item[0])
    return [img for _, img in weld_boxes[:5]]

2. Kiến trúc mô hình phân loại học sâu (CNN Architecture)

Mô hình CNN được tùy biến trên nền tảng mạng tích chập sâu, tối ưu hóa cho bài toán phân loại kết cấu bề mặt kim loại:

import tensorflow as tf
from tensorflow.keras import layers, models

def build_weld_classifier(input_shape=(224, 224, 3), num_classes=4):
    model = models.Sequential([
        # Khối Conv 1
        layers.Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=input_shape),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)),
        
        # Khối Conv 2
        layers.Conv2D(64, (3, 3), activation='relu', padding='same'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)),
        
        # Khối Conv 3
        layers.Conv2D(128, (3, 3), activation='relu', padding='same'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)),
        
        # Khối Fully Connected
        layers.Flatten(),
        layers.Dense(256, activation='relu'),
        layers.Dropout(0.5),
        layers.Dense(num_classes, activation='softmax') # 4 Classes: A, B, C, D
    ])
    
    model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

+-------------------------------------------------------------+
|              LỚP KIẾN TRÚC MẠNG NƠ-RON TÍCH CHẬP (CNN)       |
+-------------------------------------------------------------+
| Input Image (224x224x3 RGB Weld Crop)                       |
|   [Mức A: Đạt chuẩn | Mức B: Khuyết tật nhẹ                 |
|    Mức C: Lệch/Rỗ nhiều | Mức D: Cháy thủng/Hỏng]           |
+-------------------------------------------------------------+

Thử nghiệm và Đánh giá hiệu năng

Tập dữ liệu hình ảnh mối hàn thu thập từ sinh viên thực hành xưởng hàn được dán nhãn thủ công bởi chuyên gia theo 4 cấp độ hoàn thiện AWS D1.1. Do số lượng mẫu ban đầu có sự mất cân bằng giữa các lớp, kỹ thuật tăng cường dữ liệu (Data Augmentation: xoay góc ±10°, dịch chuyển độ sáng ±15%, lật ngang) đã được áp dụng để mở rộng tập huấn luyện.

Tiêu chuẩn phân loại 4 mức chất lượng mối hàn

  • Mức A (Rất tốt): Mối hàn thẳng đều, bề mặt mịn, vảy hàn đồng nhất; không có rỗ khí/cháy cạnh hoặc khuyết tật cực nhỏ; độ lệch trục đường hàn $< 1/4$ chiều dài.
  • Mức B (Khá): Hình thành vảy hàn tốt, kích thước chuẩn nhưng xuất hiện văng tóe hoặc lẫn xỉ ở mức độ trung bình; độ lệch đường hàn từ $1/4$ đến $1/3$ chiều dài.
  • Mức C (Trung bình/Yếu): Đường hàn gián đoạn nhiều, văng tóe và rỗ khí mật độ cao, cháy cạnh liên tục hoặc lệch đường hàn $> 1/2$ chiều dài.
  • Mức D (Không đạt): Không tạo được liên kết giáp mối, mối hàn bị ngắt quãng hoàn toàn hoặc cháy thủng phôi thép.
Mẫu thử nghiệm thực tế:
  -> Kết quả phân tích trên giao diện PyQt5: 
     - Thời gian nhận diện và phân loại: 1.18 giây / 5 mối hàn
     - Độ chính xác trung bình kiểm định thực nghiệm: 85.58%

Ma trận kiểm thử thực nghiệm trên các bộ mẫu phôi thực tế

Bộ mẫu kiểm tra Số lượng mối hàn Số lượng nhận diện đúng Độ chính xác đạt được Thời gian xử lý trung bình
Mẫu thử đợt 1 20 mối hàn (4 phôi) 17 mối hàn 85.00% 1.15 s
Mẫu thử đợt 2 20 mối hàn (4 phôi) 18 mối hàn 90.00% 1.22 s
Đánh giá tổng hợp 40 mối hàn 35 mối hàn 87.50% 1.18 s

Đổi mới và đóng góp

  1. Đóng gói tích hợp phần cứng - phần mềm hoàn chỉnh: Khác với các nghiên cứu xử lý ảnh thuần túy chỉ thử nghiệm trên bộ ảnh tĩnh tải về máy, đề tài đã hiện thực hóa một thiết bị cơ điện tử hoàn chỉnh dạng "Plug-and-Play", kết nối máy tính qua cổng LAN RJ45, tích hợp chiếu sáng tiêu chuẩn giúp loại bỏ hoàn toàn sự phụ thuộc vào môi trường ánh sáng phòng lab.
  2. Cơ chế phân tách đa mối hàn tự động (Multi-ROI Slicing): Đột phá trong việc tự động định vị và cắt chính xác cùng lúc 5 mối hàn độc lập trên tấm phôi thực hành 100x180 mm chỉ trong một chu kỳ chụp, nâng cao năng suất đánh giá gấp 5 lần so với các thiết bị chụp từng mối đơn lẻ.
  3. Tiêu chuẩn hóa đánh giá theo chuẩn giáo dục kỹ thuật: Chuyển hóa các tiêu chí kiểm tra trực quan khắt khe của Hiệp hội Hàn Hoa Kỳ (AWS D1.1) thành bài toán học máy 4 cấp độ (A/B/C/D), cung cấp phản hồi khách quan tức thì giúp người học tự nhận diện sai hỏng kỹ thuật hàn que.

So sánh với các nghiên cứu và giải pháp liên quan

Tiêu chí Robot CEE Duy Tân (2016) Nghiên cứu Senthil Velan (2020) Thiết bị của nhóm nghiên cứu HCMUTE
Công nghệ cốt lõi Cơ cấu bám từ tính + Dò siêu âm/Eddy Xử lý ảnh phát hiện biên Canny/Sobel Thị giác máy tính OpenCV + Học sâu CNN
Mục tiêu ứng dụng Kiểm tra vỏ tàu thủy ngoài hiện trường Đánh giá thử nghiệm mối hàn MIG/ARC Hỗ trợ đào tạo thực hành hàn hồ quang tay
Khả năng phân loại Phát hiện nứt/rỗ công nghiệp nặng So sánh tương quan biên độ cạnh Phân 4 cấp độ kỹ năng A, B, C, D (AWS D1.1)
Chi phí chế tạo Rất cao (> 100 triệu VNĐ) Không chế tạo thiết bị (mô phỏng) Thấp (~ 8-12 triệu VNĐ), dễ nhân rộng
Năng suất kiểm định 1 vị trí liên tục 1 mối hàn / lần chạy 5 mối hàn song song trong 1.2 giây

Ứng dụng thực tế và triển khai

Kịch bản triển khai trong xưởng thực hành đại học / trường nghề

  • Bước 1 (Hàn mẫu): Học viên thực hiện bài tập hàn que nối 6 mảnh phôi phẳng theo đề bài môn học Thực tập hàn.
  • Bước 2 (Vệ sinh xỉ hàn): Học viên gõ xỉ, làm sạch bề mặt đường hàn bằng chổi sắt chuyên dụng.
  • Bước 3 (Đánh giá tự động): Đặt phôi vào rãnh trượt của thiết bị, bật LED buồng chụp và nhấn nút [Chụp ảnh & Đánh giá] trên giao diện PyQt5.
  • Bước 4 (Phản hồi & Cải thiện): Sau 1.2 giây, màn hình hiển thị trực quan chất lượng từng mối hàn (ví dụ: Mối 1: Mức A, Mối 2: Mức C do lệch đường hàn, Mối 3: Mức B do văng tóe). Học viên dựa vào lỗi được chỉ rõ để điều chỉnh góc đặt que và tốc độ hàn cho bài tiếp theo.
+-------------------------------------------------------------------------+
|                GIAO DIỆN PHẦN MỀM ĐÁNH GIÁ MỐI HÀN (PyQt5)              |
+-------------------------------------------------------------------------+
| [ Camera Stream: Live ]                     | [ Kết quả đánh giá ]      |
| [ Nút: Mở Camera ] [ Nút: Chụp ] [ Reset ]  | Đánh giá chung: ĐẠT (KHÁ) |
| [ Nút: Lưu Dữ Liệu & Báo Cáo ]             | Thư mục: /data/2023_weld/ |
+-------------------------------------------------------------------------+

Yêu cầu hệ thống triển khai

  • Phần cứng máy chủ/Laptop vận hành:
    • CPU: Intel Core i5 thế hệ 8 trở lên (hoặc AMD Ryzen 5 tương đương).
    • RAM: Tối thiểu 8 GB DDR4.
    • Cổng kết nối: Cổng Gigabit Ethernet RJ45 hỗ trợ chuẩn truyền hình ảnh GigE Vision; 1 cổng USB 2.0/3.0 cấp nguồn cho LED.
  • Môi trường phần mềm: Windows 10/11 64-bit hoặc Ubuntu 20.04 LTS; Python 3.8+ Runtime đi kèm các gói OpenCV, TensorFlow, PyQt5.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Chất lượng tiền xử lý cơ học: Thiết bị yêu cầu phôi hàn phải được gõ sạch xỉ hàn trước khi đưa vào buồng chụp; nếu lớp xỉ phủ quá dày, thuật toán phân đoạn màu có thể nhận diện nhầm bề mặt xỉ là khuyết tật mối hàn.
  • Dữ liệu phân loại: Tập dữ liệu mẫu ban đầu chủ yếu tập trung vào liên kết giáp mối 1 mặt; chưa mở rộng cho các dạng liên kết hàn góc chữ T (T-joint), hàn chồng (Lap joint) hoặc mối hàn ống tròn.
  • Đo lường độ sâu 3D: Hệ thống camera 2D chỉ đánh giá được bình diện bề mặt, chưa đo được chính xác chiều cao vương đắp (reinforcement height) hoặc độ sâu lõm rãnh chân hàn dưới 1 mm.

Hướng nâng cấp mở rộng

  1. Tích hợp cảm biến Laser Profiler 3D: Kết hợp camera quét đường laser để tái tạo mô hình 3D đám mây điểm (Point Cloud) bề mặt mối hàn, đo lường chính xác dung sai hình học với sai số $< 0.1$ mm.
  2. Nâng cấp mô hình AI: Thử nghiệm các kiến trúc Vision Transformer (ViT) hoặc YOLOv8-Seg để phân vùng và chỉ rõ chính xác tọa độ từng lỗ rỗ khí và vết nứt tế vi.
  3. Mở rộng cơ sở dữ liệu đám mây: Xây dựng hệ thống Web Dashboard quản lý điểm rèn luyện tay nghề của toàn bộ sinh viên trong suốt kỳ học thực hành.

Đối tượng hưởng lợi

  • Sinh viên & Học viên nghề cơ khí: Nhận kết quả đánh giá khách quan, định lượng ngay sau từng đường hàn; nhanh chóng phát hiện sai sót kỹ thuật để rèn luyện sửa đổi thay vì đợi giảng viên chấm thủ công.
  • Giảng viên & Cơ sở đào tạo kỹ thuật: Giảm tải đến 80% thời gian chấm phôi ngoại quan; chuẩn hóa ngân hàng dữ liệu bài thi thực hành; nâng cao tính công bằng và hiện đại hóa cơ sở vật chất đào tạo.
  • Kỹ sư & Nhà phát triển hệ thống: Cung cấp mã nguồn tham khảo, kiến trúc phần cứng buồng chụp chuẩn hóa và phương pháp kết hợp OpenCV với CNN trong bài toán kiểm định kim loại công nghiệp.
  • Doanh nghiệp gia công cơ khí vừa và nhỏ: Giải pháp tiền kiểm soát chất lượng mối hàn tự động với chi phí đầu tư phần cứng thấp, dễ dàng bảo trì và vận hành không cần nhân sự chuyên gia AI.

Câu hỏi thường gặp

1. Hệ thống có yêu cầu máy tính trang bị GPU rời công suất lớn để chạy mô hình AI không?

Không bắt buộc. Do mô hình CNN được nhóm nghiên cứu tối ưu hóa số tầng tích chập và đầu vào ảnh mối hàn đã được thuật toán OpenCV cắt gọn thành các ROI nhỏ (224x224 pixels), tốc độ suy luận (Inference Time) trên vi xử lý CPU thông thường (Intel Core i5) chỉ mất khoảng 0.2 - 0.3 giây cho mỗi mối hàn, hoàn toàn đáp ứng thời gian thực mà không cần card đồ họa rời đắt tiền.

2. Nếu bề mặt phôi hàn bị ố vàng hoặc dính dầu mỡ thì độ chính xác của thị giác máy có bị ảnh hưởng không?

Thuật toán phân đoạn sử dụng không gian màu HSV kết hợp với ngưỡng thích nghi Otsu, có khả năng phân tách vùng mối hàn dựa trên độ bão hòa (Saturation) và cường độ sáng (Value) tốt hơn không gian màu RGB truyền thống. Tuy nhiên, để đảm bảo độ chính xác trên 85%, quy trình chuẩn yêu cầu học viên phải chải sạch bụi xỉ và lau khô bề mặt trước khi đặt vào buồng đo.

3. Thiết bị có thể kiểm tra được mối hàn của các phương pháp hàn khác như TIG hay MIG/MAG không?

Hoàn toàn có thể. Về mặt phần cứng, buồng chụp và camera Flir đáp ứng tốt mọi vật liệu kim loại. Đối với phương pháp hàn MIG hoặc TIG, do vảy hàn mịn hơn và ít văng tóe hơn hàn hồ quang tay SMAW, chỉ cần tiến hành thu thập thêm tập ảnh dán nhãn của mối hàn MIG/TIG và huấn luyện lại (Retrain/Fine-tune) mô hình CNN là hệ thống có thể đánh giá chuẩn xác.

4. Chi phí chế tạo phần cứng của thiết bị là bao nhiêu?

Tổng chi phí vật tư cơ khí (nhôm định hình, vỏ alu, khay trượt, LED 5V) chỉ dao động khoảng 2 - 3 triệu VNĐ. Chi phí lớn nhất nằm ở camera công nghiệp Flir GigE (khoảng 6 - 9 triệu VNĐ tùy đời cảm biến). Tổng chi phí sản xuất một trạm kiểm định chỉ bằng khoảng 1/10 so với các hệ thống kiểm tra khuyết tật mối hàn nhập khẩu.

5. Hệ thống lưu trữ dữ liệu kiểm tra như thế nào để phục vụ chấm điểm cuối kỳ?

Phần mềm PyQt5 được lập trình sẵn module xuất dữ liệu tự động: Mỗi lần nhấn nút [Lưu], hệ thống sẽ tạo một thư mục mang mã số sinh viên, chứa ảnh chụp gốc toàn phôi 2.0 MP, 5 ảnh cắt chi tiết của từng mối hàn kèm theo tệp tin log (.csv / .json) ghi rõ ngày giờ, mã phôi và cấp độ chất lượng (A/B/C/D) tương ứng.

Kết luận

Đề tài “Nghiên cứu, thiết kế và chế tạo thiết bị thu thập và đánh giá ngoại quan hình ảnh mối hàn hồ quang tay” của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Đề tài chứng minh tính khả thi cao khi kết hợp nhuần nhuyễn giữa kỹ thuật cơ khí chính xác, công nghệ quang học buồng chụp khép kín và các thuật toán trí tuệ nhân tạo tiên tiến (OpenCV & Convolutional Neural Networks).

Với độ chính xác phân loại đạt trên 85% theo tiêu chuẩn quốc tế AWS D1.1 và thời gian xử lý ấn tượng chỉ 1.18 giây cho 5 mối hàn đồng thời, hệ thống không chỉ giải quyết triệt để bài toán quá tải trong đào tạo thực hành cơ khí mà còn mở ra tiềm năng ứng dụng to lớn trong kiểm soát chất lượng tự động hóa tại các nhà xưởng gia công công nghiệp hiện đại. Đây là minh chứng rõ nét cho năng lực nghiên cứu ứng dụng thực tiễn của sinh viên ngành Công nghệ Kỹ thuật Cơ điện tử trong kỷ nguyên Chuyển đổi số và Công nghiệp 4.0.