
Cuối ca, một công nhân phát hiện vết xước nhỏ trên nắp kim loại. Ở ca sáng, mẫu tương tự đã đi qua vì ánh sáng phản chiếu làm vết xước khó thấy. Quản đốc muốn lắp camera AI. Một phép thử phù hợp là để camera đánh dấu vùng bất thường, rồi đo số lỗi bị bỏ sót và số sản phẩm tốt bị giữ lại. Chất lượng ảnh và quy tắc xử lý cảnh báo quan trọng ngay từ khi chọn mô hình.
MVTec AD đo được gì?
Bergmann và cộng sự (2021) xây bộ chuẩn MVTec AD gồm 5.354 ảnh nhiều nhóm sản phẩm và bề mặt. Dữ liệu huấn luyện dùng ảnh bình thường, còn tập đánh giá có cả ảnh bình thường và ảnh lỗi. Nhóm so sánh các phương pháp phát hiện và định vị bất thường, từ kỹ thuật thị giác cổ điển đến mô hình sâu. Trong các phương pháp được thử, nhóm dùng đặc trưng của mạng đã huấn luyện trước có kết quả tốt hơn, nhưng hiệu năng khác nhau theo loại vật thể và khuyết tật. Đây là bộ chuẩn thị giác, chưa mô phỏng đầy đủ tốc độ và ánh sáng của một dây chuyền cụ thể. Nghiên cứu gốc, International Journal of Computer Vision
Từ ảnh chụp đến quyết định giữ sản phẩm
Trong một thiết kế minh họa, nhóm lắp camera và đèn cố định ở một vị trí, thu ảnh nắp đạt chuẩn từ nhiều ca rồi huấn luyện mô hình phát hiện bất thường. Mô hình so ảnh mới với đặc trưng của ảnh đạt chuẩn và trả điểm bất thường cùng vùng cần xem. Khi điểm vượt ngưỡng, màn hình hiển thị ảnh cho nhân viên kiểm tra. Người kiểm ghi nhận vết xước thật, phản chiếu hay bụi. Những kết quả đã xác nhận giúp đội chất lượng điều chỉnh ngưỡng và nhận ra lúc cần đổi cách chiếu sáng.
Với lỗi dễ mô tả như thiếu một lỗ hoặc sai kích thước, camera dùng quy tắc hình học là phương án cần thử song song. Mô hình bất thường đáng cân nhắc khi khó liệt kê hết hình dạng khuyết tật nhưng doanh nghiệp có nhiều ảnh đạt chuẩn. Cả hai phương án cần dữ liệu kiểm độc lập, nhất là sau khi đổi lô nguyên liệu hoặc vệ sinh thiết bị.
Tăng độ nhạy có thể làm tổ kiểm hàng quá tải
Giả sử một ca có 1.000 sản phẩm và tổ kiểm tra chỉ có thời gian xem 25 cảnh báo. Nếu ngưỡng hiện tại tạo 70 cảnh báo, nhóm cần xem từng loại cảnh báo đến từ vết xước, bụi, phản chiếu hay thay đổi góc đặt. Một số lỗi có thể giảm bằng cách cố định ánh sáng hoặc vị trí phôi. Sau đó đội chất lượng mới so ngưỡng trên ảnh đã gắn nhãn theo mục tiêu lỗi lọt và năng lực của người kiểm.
Cần lấy mẫu cả sản phẩm không bị cảnh báo để tìm lỗi lọt. Nếu chỉ kiểm ảnh đã bị máy đánh dấu, nhóm sẽ biết tỷ lệ báo đúng trong số cảnh báo nhưng chưa biết mô hình bỏ qua bao nhiêu lỗi. Ghi hai tỷ lệ theo từng loại lỗi và từng ca để thấy khu vực nào có thể mở rộng và khu vực nào cần thêm dữ liệu.
Quyết định đầu tư dựa trên phép thử nào?
Chạy song song với kiểm tra của người trong nhiều ca, chưa dùng cảnh báo để tự loại hàng. Đếm lỗi thật bị lọt, sản phẩm tốt bị cảnh báo và thời gian rà từng cảnh báo. So theo kích cỡ lỗi và ca sản xuất, đo độ trễ ở tốc độ dây chuyền thực. Tính chi phí camera, đèn, máy xử lý tại chỗ, gắn nhãn kiểm thử và công duy trì.
Mở rộng khi mức lỗi lọt đạt ngưỡng chất lượng và lượng cảnh báo giả nằm trong khả năng xử lý của ca. Người quản đốc khi đó biết camera đã cải thiện phần việc nào và khi nào cần yêu cầu người kiểm lại.
Tài liệu tham khảo
Bergmann, P., Batzner, K., Fauser, M., Sattlegger, D., & Steger, C. (2021). The MVTec Anomaly Detection Dataset: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection. International Journal of Computer Vision, 129, 1038–1059. DOI
No related posts.
