Đồ án: Nghiên cứu, ứng dụng Machine Vision phát hiện sản phẩm lỗi

Đồ án tốt nghiệp trình bày chi tiết nghiên cứu và ứng dụng hệ thống Machine Vision để phát hiện sản phẩm lỗi trong dây chuyền sản xuất công nghiệp.

• Tác giả: Phạm Hoàng Việt
• Người hướng dẫn: Thạc Sĩ Nguyễn Tử Đức
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Ứng Dụng Machine Vision Phát Hiện Sản Phẩm Lỗi Trong Công Nghiệp
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2020
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Machine Vision trong Phát hiện Lỗi Sản phẩm

Machine Vision là công nghệ thị giác máy tính hiện đại được ứng dụng rộng rãi trong công nghiệp sản xuất để phát hiện lỗi sản phẩm một cách tự động và chính xác. Hệ thống này sử dụng camera kết hợp với các thuật toán xử lý ảnh và trí tuệ nhân tạo để kiểm tra chất lượng sản phẩm trong thời gian thực. Với sự phát triển của công nghệ, Machine Vision đã trở thành giải pháp không thể thiếu trong các nhà máy hiện đại, giúp nâng cao độ tin cậy, giảm chi phí sản xuất và cải thiện năng suất lao động. Các ứng dụng Machine Vision trong công nghiệp bao gồm kiểm tra khuyết tật bề mặt, xác định kích thước sản phẩm, phát hiện vết nứt, và kiểm tra độ chính xác hình dạng. Công nghệ này đặc biệt hiệu quả trong môi trường sản xuất hàng loạt, nơi mà việc kiểm tra thủ công trở nên không khả thi và dễ sai sót.

1.1. Khái niệm và nguyên lý hoạt động của Machine Vision

Machine Vision hoạt động dựa trên nguyên lý thu thập hình ảnh sản phẩm thông qua camera công nghiệp, sau đó xử lý ảnh để trích xuất các đặc trưng quan trọng. Hệ thống sử dụng thuật toán xử lý ảnh để phân tích và so sánh với các mẫu chuẩn đã được lưu trữ. Kết quả phân tích giúp phát hiện lỗi sản phẩm như: lỗi bề mặt, biến dạng hình dạng, thiếu bộ phận hoặc sắc thái màu không đạt tiêu chuẩn, từ đó loại bỏ sản phẩm không đạt chất lượng khỏi dây chuyền sản xuất.

1.2. Lợi ích của Machine Vision trong công nghiệp hiện đại

Ứng dụng Machine Vision phát hiện lỗi mang lại nhiều lợi ích kinh tế: tăng độ chính xác kiểm tra lên 99%, giảm chi phí nhân công, nâng cao tốc độ sản xuất, và cải thiện uy tín thương hiệu. Hệ thống này hoạt động 24/7 không cần nghỉ ngơi, giảm sai sót do yếu tố con người. Smart Factory sử dụng Machine Vision có thể tập hợp dữ liệu kiểm tra để phân tích xu hướng lỗi, giúp cải tiến quy trình sản xuất và tối ưu hóa chất lượng sản phẩm.

II. Công nghệ Xử lý Ảnh và Deep Learning trong Phát hiện Lỗi

Xử lý ảnh là nền tảng chính của hệ thống Machine Vision phát hiện lỗi sản phẩm. Quá trình này bao gồm các bước: tiền xử lý ảnh (cân bằng độ sáng, khử nhiễu), trích xuất đặc trưng (phát hiện cạnh, góc, kết cấu), và phân loại hình ảnh. Thư viện OpenCV là công cụ mở rộng được sử dụng phổ biến trong lĩnh vực này. Kết hợp với Deep Learning và Mạng nơron tích chập (CNN), hệ thống có khả năng học từ hàng nghìn ảnh sản phẩm, từ đó tự động nhận diện các loại lỗi phức tạp. Mô hình VGG16 và kỹ thuật Transfer Learning cho phép huấn luyện nhanh hơn, nâng cao độ chính xác phát hiện lỗi sản phẩm công nghiệp.

2.1. Các bước xử lý ảnh trong phát hiện lỗi

Quá trình xử lý ảnh bắt đầu từ tiền xử lý ảnh nhằm chuẩn bị dữ liệu: chuyển đổi không gian màu RGB, cân bằng histogram, và áp dụng các bộ lọc khử nhiễu. Bước tiếp theo là trích xuất đặc trưng sử dụng các kỹ thuật như Edge Detection và Morphological Operations. Cuối cùng, các đặc trưng được đưa vào Mạng nơron tích chập để phân loại sản phẩm là bình thường hay lỗi, đạt độ chính xác cao trong môi trường ánh sáng cố định.

2.2. Ứng dụng Deep Learning và CNN trong nhận diện lỗi

Mạng nơron tích chập (CNN) là kiến trúc Deep Learning tối ưu cho phát hiện lỗi sản phẩm. Mô hình học các đặc trưng ở từng lớp: từ các cạnh đơn giản đến các hình dạng phức tạp. Transfer Learning với Pre-trained Model VGG16 cho phép sử dụng lại kiến thức từ các mô hình đã huấn luyện, giảm thời gian đào tạo. Kỹ thuật Fine-tuning điều chỉnh các trọng số để phù hợp với loại lỗi sản phẩm cụ thể, nâng cao độ chính xác nhận diện.

III. Hệ thống Hardware và Phần cứng cho Machine Vision

Hệ thống Machine Vision phát hiện lỗi yêu cầu các thành phần phần cứng đặc biệt để hoạt động hiệu quả. NVIDIA Jetson Nano Developer Kit là bộ xử lý mạnh mẽ có khả năng chạy các mô hình Deep Learning với công suất tiêu thụ thấp, phù hợp cho ứng dụng công nghiệp. Camera công nghiệp cung cấp hình ảnh chất lượng cao với độ phân giải và tốc độ khung hình phù hợp. Cảm biến vật cản hồng ngoại phát hiện sự xuất hiện của sản phẩm trên dây chuyền, kích hoạt hệ thống chụp ảnh. Mạch Opto Cách Ly 4 Kênh TLP281 đảm bảo cách ly điện an toàn giữa các thiết bị. Module PLC S7-1200 1214c DC/DC/DC điều khiển toàn bộ quy trình sản xuất, tiếp nhận kết quả từ Machine Vision để quyết định loại bỏ hoặc chấp nhận sản phẩm.

3.1. Các thành phần chính của hệ thống phần cứng

Hệ thống Machine Vision phát hiện lỗi bao gồm: Camera công nghiệp chụp ảnh sản phẩm, Bộ chiếu sáng LED cung cấp điều kiện ánh sáng ổn định, NVIDIA Jetson Nano xử lý dữ liệu, Cảm biến hồng ngoại phát hiện sản phẩm, và PLC điều khiển thực thi các lệnh. Các thành phần này được kết nối theo sơ đồ nối dây chuyên nghiệp, đảm bảo tốc độ xử lý từ 1.5-2 giây trên mỗi sản phẩm trong điều kiện ánh sáng cố định.

3.2. Vai trò của PLC và các cảm biến trong phát hiện lỗi

Module PLC S7-1200 quản lý toàn bộ logic điều khiển, nhận tín hiệu từ cảm biến vật cản và Machine Vision, sau đó gửi lệnh điều khiển đến động cơ hoặc hệ thống loại bỏ sản phẩm. Cảm biến hồng ngoại chính xác xác định vị trí sản phẩm trước khi phát hiện lỗi sản phẩm thực hiện. Mạch Opto Cách Ly TLP281 bảo vệ hệ thống điều khiển từ các sự cố điện từ.

IV. Quy trình Huấn luyện và Thực nghiệm Hệ thống Machine Vision

Quá trình triển khai Machine Vision phát hiện lỗi sản phẩm công nghiệp bao gồm nhiều giai đoạn quan trọng. Đầu tiên, cần thu thập dữ liệu từ các sản phẩm bình thường và lỗi, sau đó làm giàu dữ liệu thông qua các kỹ thuật tăng cường ảnh như xoay vòng, lật ảnh, và thay đổi độ sáng. Tiếp theo, dữ liệu được chia thành tập huấn luyện (70-80%) và tập kiểm tra (20-30%). Mô hình CNN được huấn luyện sử dụng thuật toán Gradient Descent để tối ưu hóa trọng số mạng. Kết quả thực nghiệm cho thấy hệ thống đạt tốc độ xử lý từ 1.5-2 giây trên mỗi sản phẩm, với độ chính xác cao trong điều kiện ánh sáng cố định. Tuy nhiên, hiệu suất thực tế phụ thuộc vào chất lượng camera, chiếu sáng, và độ phức tạp của loại lỗi cần phát hiện.

4.1. Các giai đoạn thu thập và xử lý dữ liệu

Thu thập dữ liệu là bước tiên quyết, cần chụp hàng ngàn ảnh sản phẩm bình thường và lỗi với các góc độ khác nhau. Làm giàu dữ liệu thông qua Data Augmentation tăng số lượng ảnh huấn luyện, giúp mô hình nhận diện lỗi trở nên mạnh mẽ hơn với các điều kiện chụp khác nhau. Dữ liệu được chuẩn hóa kích thước, chuyển đổi định dạng, và gắn nhãn chính xác để Machine Vision học hiệu quả.

4.2. Kết quả thực nghiệm và hiệu suất hệ thống

Thực nghiệm hệ thống Machine Vision phát hiện lỗi cho kết quả: độ chính xác từ 95-99%, tốc độ xử lý đạt 1.5-2 giây trên mỗi sản phẩm. Hệ thống hoạt động ổn định trong điều kiện ánh sáng cố định, nhưng hiệu suất giảm khi điều kiện ánh sáng thay đổi. Để nâng cao hiệu năng thực tế, cần sử dụng camera công nghiệp chuyên dụng, chiếu sáng LED chuẩn hóa, và máy tính nhúng công nghiệp có hiệu năng cao hơn NVIDIA Jetson Nano.

Trích đoạn nội dung tài liệu

Chương I Tổng quan: Chương này cũng cấp cái nhìn tổng quát về yêu cầu của đề tài bao gồm giới thiệu, mục tiêu, phạm vi thực hiện và nội dung đề tài. Chương II Cơ sở lý thuyết: Chương này cung cấp những kiến thức cơ bản về đề tài này như khái niệm về Machine Vision, trí tuệ nhân tạo, máy học, học sâu, mạng nơron tích chập. Chương III Các kỹ thuật xử lý tín hiệu ảnh trong Machine Vision: Chương này trình bày về các bước xử lý ảnh, cấu trúc và chức năng của mạng nơ ron tích chập. Chương IV Thiết kế phần cứng: Chương này trình bày về lựa chọn phần cứng, cách kết nối, giao tiếp giữa các thiết bị và cách hoạt động của hệ thống.

3 Chương V Kết quả, so sánh, thực nghiệm, phân tích, tổng hợp: Chương này thể hiện kết quả chạy thực nghiệm của đề tài, từ đó đưa ra đánh giá chung cho mô hình. Chương VI Kết luận và hướng phát triển: Chương này trình bày kết luận về những thuận lợi cũng như khó khăn khi thực hiện đề tài này. Những ý tưởng mới, định hướng phát triển đề tài này cũng được thể hiện ở đây. 4 Chương 2 CƠ SỞ LÝ THUYẾT Trong phần này, tổng quan về Machine Vision và các công nghệ liên quan được trình bày.

Điều này bao gồm việc giới thiệu về Machine Vision, các ứng dụng của Machine Vision, tổng quan về trí tuệ nhân tạo, máy học, học sâu, mạng thần kinh tích chập được sử dụng để nhận biết sản phẩm lỗi trong đồ án này.1 Giới thiệu về hệ thống Machine Vision 2.1 Giới thiệu về Machine Vision 2.1 Khái niệm về Machine Vision Thị giác máy (machine vision) là một dạng công nghệ cho phép thiết bị máy tính có thể theo dõi, đánh giá và xác định các hình ảnh tĩnh hoặc động. Là một mảng trong ngành thị giác máy tính (computer vision) và tương tự với camera giám sát (surveillance cameras) trong các tòa nhà, tuy nhiên nó cung cấp khả năng tự động lấy ảnh, phân tích và đánh giá. Hệ thống thị giác máy chủ yếu giúp cho máy tính có khả năng nhận diện và đánh giá hình ảnh. Nó tương tự với hệ thống nhận dạng giọng nói nhưng sử dụng hình ảnh chứ không phải âm thanh.

Một hệ thống thị giác máy thông thường bao gồm một camera và một bộ phần cứng đi kèm phần mềm để xử lý ảnh ở phía sau. Camera ở phía trước sẽ thu ảnh từ môi trường và một đối tượng cần quan sát và sau đó gửi ảnh cho hệ thống xử lý. Tùy thuộc vào thiết kế hay nhu cầu của hệ thống thị giác máy, ảnh chụp có thể được lưu trữ hay xử lý sau đó. Để bất kì một hệ thống thị giác máy nào hoạt động đáng tin cậy và hiệu quả lặp lại, điều quan trọng là phải hiểu làm thế nào các thành phần này tương tác.1 Các bộ phận cấu thành hệ thống Machine Vision cơ bản Hệ thống thị giác máy sẽ hoạt động không mệt mỏi khi thực hiện kiểm tra trực tuyến 100%, dẫn đến chất lượng được cải thiện, năng suất cao hơn và chi phí sản xuất thấp hơn.

Hệ thống thị giác máy công nghiệp đòi hỏi sự mạnh mẽ, độ tin cậy và ổn định cao hơn so với hệ thống thị giác học thuật / giáo dục và thường có chi phí thấp hơn nhiều so với hệ thống được sử dụng trong các ứng dụng của chính phủ / quân đội. Do đó, Machine Vision công nghiệp có chi phí thấp, độ chính xác chấp nhận được, độ bền cao, độ tin cậy cao và độ ổn định cơ học và nhiệt độ cao. Hệ thống Machine Vision dựa vào các cảm biến kỹ thuật số được bảo vệ bên trong máy ảnh công nghiệp có quang học chuyên dụng để thu được hình ảnh, phần cứng và phần mềm xử lý, phân tích, đo lường các đặc điểm khác nhau để ra quyết định.2 Hệ thống Machine Vision nhìn mã sản phẩm Ví dụ: hệ thống kiểm tra mức đầy tại 1 nhà máy bia. Mỗi chai bia đi qua 1 cảm biến kiểm tra như trên hình, kích hoạt hệ thống thị giác để đèn nhấp nháy và chụp ảnh chai.

Khi có được hình ảnh và lưu trữ nó trong bộ nhớ, sau đó hệ thống sẽ phân tích xử lí hình ảnh nhận được và đưa ra phản hồi. Nếu hệ thống phát hiện ra 1 chai không đầy, hoặc đầy không đúng quy chuẩn, nó sẽ báo cho thiết bị chấp hành từ chối chai đó. Một người điều hành có thể xem các chai đã bị từ chối và thống kê quy trình liên tục trên màn hình.2 Ánh sáng trong Machine Vision Mắt người có thể nhìn rõ trong nhiều điều kiện ánh sáng, nhưng hệ thống thị giác máy không có khả năng đó. Do vậy cần phải cẩn thận chiếu sáng bộ phận đang cần kiểm tra để thị giác máy có thể “nhìn rõ” được chúng.

Ánh sáng phải được điều chỉnh và không thay đổi để những thay đổi về mặt ánh sáng mà thị giác máy nhìn thấy là do những thay đổi trong bộ phận được kiểm tra tạo nên mà không phải do nguồn sáng. Ánh sáng thích hợp giúp kiểm tra nhanh hơn và chính xác hơn, Ánh sáng kém là nguyên nhân chính dẫn đến lỗi trong hệ thống kiểm tra thị giác máy. Nói chung, ánh sáng có sẵn hoặc ánh sáng xung quanh là ánh sáng kém và hệ thống sẽ không hoạt động hiệu quả. Ví dụ: Đèn trên trần nhà có thể bị cháy, mờ hoặc bị chặn và gây lỗi hệ thống thị giác máy.3 Lợi ích của Machine Vision Thị giác máy cải thiện chất lượng và năng suất, trong khi giảm được chi phí sản xuất.

Machine Vision vượt trội trong việc đo định lượng một cảnh có cấu trúc vì tốc độ, độ chính xác và độ lặp lại của nó. Trên một dây chuyền sản xuất, một hệ thống Machine Vision có thể kiểm tra hàng trăm thậm chí hàng nghìn bộ phận mỗi phút. Với camera độ phân giải tốt, hệ thống Machine Vision dễ dàng kiểm tra các chi tiết quá nhỏ để có thể nhìn thấy bằng mắt thường. Khi loại bỏ tiếp xúc vật lí giữa hệ thống kiểm tra và các bộ phận được kiểm tra, Machine Vision sẽ ngăn ngừa hư hỏng bộ phận và loại bỏ thời gian bảo trì, chi phí hao mòn các bộ phận cơ khí.

Thị giác máy mang đến lợi ích an toàn và vận hành liên tục bằng cách giảm sự tham gia của con người vào quy trình. Hơn nữa, nó giảm thiểu khả năng làm ô nhiễm phòng sạch do các loại bụi bẩn, vi khuẩn trên cơ thể người mang vào phòng, bảo vệ công nhân khỏi môi trường nguy hiểm.3 Môi trường làm việc của Machine Vision trong nhà máy 2.2 Các ứng dụng của Machine Vision trong công nghiệp và Smart Factory 2.1 Bảo trì dự đoán Việc bảo trì máy định kỳ chính là để kiểm tra xem máy móc có đang vận hành hay không, độ chính xác ra sao và hiệu suất hoạt động như thế nào để đảm bảo tiến 8 độ công việc đạt hiệu quả tốt nhất. Và thời gian bảo trì máy thường nhanh hơn thời gian sửa chữa do đó sẽ tốn ít chi phí hơn. Tuy nhiên việc bảo trì thường xuyên cũng sẽ tạo ra sự lãng phí nguồn lực của doanh nghiệp.

Bảo trì tiên đoán (Predicted Maintenance) là quá trình sử dụng máy học và thiết bị IoT để giám sát dữ liệu trên máy móc và linh kiện, thường sử dụng cảm biến, để thu thập điểm dữ liệu và xác định tín hiệu hoặc thực hiện hành động khắc phục trước khi tài sản hoặc linh kiện bị hỏng. Nói cách khác, bảo trì tiên đoán giúp doanh nghiệp bảo trì đúng lúc đúng chỗ cho nên sẽ tiết kiệm nguồn lực hơn so với bảo trì định kì hay sửa chữa sau khi máy móc đã hỏng. Chúng ta xem xét rằng chỉ một phút ngừng hoạt động trong một nhà máy ô tô có thể tiêu tốn tới 20000 đô la cho các phương tiện có lợi nhuận cao. Những giải pháp như thị giác máy có thể giúp doanh nghiệp tiếp tục.

Ví dụ, một chương trình phần mềm có tên ZDT được phát triển bởi FANUC, thu thập hình ảnh từ các camera gắn trên robot, những hình ảnh và siêu dữ liệu đi kèm sau đó được gửi lên đám mây để xử lý và giúp xác định các vấn đề tiềm ẩn trước khi chúng phát sinh.2 Kiểm tra bao bì lỗi trong sản xuất Điều quan trong nhất đối với các công ty dược phẩm là phải đếm các viên thuốc trong vỉ (tablet) hoặc các viên nang (pill) trước khi đóng hộp. Để giải quyết vấn đề này, Pharma Packaging Systems, có trụ sở tại Anh, đã phát triển một giải pháp có thể triển khai cho các dây chuyền sản xuất hiện có. Một tính năng chính của giải pháp đó là sử dụng thị giác máy tính để kiểm tra các vỉ thuốc có bị hỏng hoặc bị thiếu sót. Khi vỉ thuốc đi qua dây chuyền sản xuất, hình ảnh được chụp và chuyển đến một PC chuyên dụng để xử lí hình ảnh bằng phần mềm sau đó chạy tiếp phân tích để kiểm tra xem các vỉ thuốc có đúng màu, chiều dài, chiều rộng và đầy đủ không.

Hệ thống kiểm tra Machine Vision dựa trên PC đồng thời triển khai cho PC thực hiện chức năng đếm và nếu một vỉ thuốc được coi là bị lỗi, thông tin này được ghi lại và sau đó gửi tín hiệu đến bộ đếm để kiểm soát số lượng và chuyển vào container riêng biệt. Các container chứa các sản phẩm lỗi sẽ không được vận chuyển, tránh viêc phân phối những vỉ thuốc bị lỗi.4 Phát hiện dược phẩm lỗi với Machine Vision 2.3 Đọc mã vạch Đọc, xác định và xử lý hàng trăm ngàn mã vạch mỗi ngày không phải là nhiệm vụ dễ dàng, điều mà con người đơn giản không thể làm được ở quy mô lớn. Ví dụ, điện thoại di động và các thiết bị điện tử yêu cầu bảng mạch in (PCB) nhỏ hoặc rất nhỏ. Khi các nhà sản xuất bị áp lực buộc phải sản xuất khối lượng PCB lớn ra thị trường công nghệ đang phát triển, họ đã hướng tới một quy trình được gọi là penalization.

Trong quá trình này, một số bảng mạch giống hệt nhau được in trên một bảng lớn, mỗi mạch sau đó được tách ra để kiểm tra lần cuối. Để kiểm tra các bảng mạch này, một giải pháp dựa trên Machine Vision có tên là Panel Scan đã được phát triển để đọc mã vạch - là các mã định danh duy nhất của mỗi mạch có trên bảng PCB. Trong lịch sử, con người đã thực hiện điều này bằng cách sử dụng máy quét mã vạch cầm tay, điều này rất tốn thời gian và ảnh hưởng đến con người.