Camera AI kiểm lỗi sản phẩm là một trạm gồm camera, đèn, máy tính và phần mềm, chụp từng sản phẩm đi qua rồi quyết định đạt hay không đạt dựa trên những gì nó đã được dạy. Nó làm tốt những việc lặp lại, nhìn được bằng mắt, có tiêu chí rõ: thiếu chi tiết, trầy xước trên bề mặt phẳng, sai vị trí, sai nhãn. Nó làm kém những việc cần cầm lên sờ, nghe, ngửi, hoặc những lỗi mà chính tổ QC của bạn còn cãi nhau xem có tính là lỗi hay không.
Bài này dành cho chủ xưởng và trưởng bộ phận QC ở doanh nghiệp vừa và nhỏ đang nghe giới thiệu về camera AI và muốn hiểu bản chất trước khi ngồi nghe báo giá. Không có tên hãng, không có con số hứa hẹn; các con số trong bài đều là ví dụ giả định để minh hoạ cách tính.
Một trạm kiểm lỗi bằng camera gồm những gì
Nhìn từ ngoài, trạm kiểm lỗi chỉ là một chiếc camera treo trên băng tải. Thực tế nó có năm phần, và phần nào yếu thì cả trạm yếu theo. Thứ nhất là đèn chiếu: quyết định lỗi có hiện lên trong ảnh hay không. Thứ hai là camera và ống kính: quyết định lỗi nhỏ nhất bao nhiêu thì còn thấy được. Thứ ba là cảm biến kích chụp, thường là cảm biến quang đặt cạnh băng tải, báo cho camera đúng lúc sản phẩm vào khung hình. Thứ tư là máy tính và phần mềm chạy mô hình, đưa ra kết luận trong vài phần mười giây. Thứ năm là cơ cấu loại hàng, như vòi thổi khí hay cần gạt, đẩy sản phẩm lỗi ra máng riêng.
Người mới hay dồn hết sự chú ý vào phần mềm, vì đó là chỗ có chữ AI. Kinh nghiệm của những người làm thị giác máy lâu năm thì ngược lại: phần lớn thất bại bắt nguồn từ ánh sáng và vị trí đặt sản phẩm. Một vết xước mảnh trên nắp nhựa bóng có thể biến mất hoàn toàn dưới đèn chiếu thẳng, nhưng hiện rõ như vạch bút chì khi chiếu xiên ở góc thấp. Phần mềm giỏi đến đâu cũng không phát hiện được thứ không có trong ảnh.
Ngoài năm phần cứng đó còn một phần vô hình: bộ ảnh mẫu và tiêu chí lỗi. Đây là thứ xưởng phải tự làm, không mua được, và cũng là thứ quyết định trạm có dùng được lâu dài hay không.
Hai cách camera nhận ra lỗi: luật cài sẵn và học từ ảnh mẫu
Phần mềm kiểm lỗi hiện nay đi theo hai hướng chính, nhiều hệ kết hợp cả hai. Hiểu sự khác nhau giúp bạn hỏi đúng câu khi nghe nhà cung cấp trình bày.
| Cách làm | Nguyên lý | Hợp với | Điểm yếu |
|---|---|---|---|
| Luật cài sẵn (thị giác máy truyền thống) | Kỹ sư viết quy tắc: đo khoảng cách, đếm điểm, so độ sáng, so với ảnh chuẩn từng điểm ảnh | Đo kích thước, kiểm có hay thiếu chi tiết, đọc mã vạch, sản phẩm ít biến đổi | Bề mặt tự nhiên như gỗ, vải, gốm có vân khác nhau từng chiếc thì luật cứng báo lỗi liên tục |
| Học có giám sát (phân loại, khoanh vùng lỗi) | Cho mô hình xem nhiều ảnh đã gắn nhãn đạt và từng loại lỗi, mô hình tự học đặc điểm | Lỗi có hình dạng thay đổi nhưng nhận ra được: vết nứt, vết bẩn, bọt khí | Cần đủ ảnh của từng loại lỗi, mà lỗi hiếm thì rất khó gom ảnh |
| Học từ hàng tốt (phát hiện bất thường) | Chỉ cho mô hình xem hàng đạt, nó đánh dấu bất cứ thứ gì khác với cái đã thấy | Xưởng mới bắt đầu, chưa có kho ảnh lỗi, lỗi đa dạng khó gọi tên | Không phân biệt được bất thường vô hại với lỗi thật nếu không có người dạy thêm |
Với xưởng nhỏ, hướng thứ ba thường là điểm xuất phát hợp lý vì ảnh hàng tốt thì có sẵn hàng nghìn. Sau vài tuần chạy, những sản phẩm bị đánh dấu bất thường được tổ QC xem và gắn nhãn, dần dần tạo thành kho ảnh lỗi để chuyển sang hướng thứ hai. Khi nghe trình bày, bạn hỏi thẳng hệ thống đi theo hướng nào và cần bao nhiêu ảnh của mỗi loại để bắt đầu.
Những lỗi camera AI bắt tốt
Camera làm tốt khi lỗi nhìn thấy được từ một hoặc vài góc cố định, sản phẩm luôn nằm ở vị trí gần giống nhau, và tiêu chí đạt hay không đạt có thể chỉ ra bằng ảnh. Một số nhóm lỗi thường cho kết quả ổn định:
- Thiếu hoặc thừa chi tiết: thiếu ốc, thiếu nút, thiếu gioăng, thừa một miếng dán. Đây là loại dễ nhất vì câu hỏi chỉ là có hay không.
- Sai vị trí và sai chiều: linh kiện lắp ngược, nắp vặn lệch, tem dán lệch khỏi vùng quy định.
- Lỗi bề mặt trên vật liệu đồng đều: trầy xước, móp, vết bẩn, bọt khí trên nhựa, kim loại sơn, kính, bao bì giấy.
- Sai chữ in và mã: hạn sử dụng in mờ hoặc sai ngày, mã lô sai, mã vạch không đọc được.
- Sai kích thước thô: chiều dài, đường kính, khoảng cách lỗ khi dung sai không quá chặt so với độ phân giải camera.
- Sai màu rõ rệt: nhầm màu nắp, nhầm màu dây, lô sơn lệch hẳn tông.
Điểm chung của các nhóm này là một người QC mới vào nghề chỉ cần xem năm phút ảnh mẫu là nhận ra. Nếu một loại lỗi cần người có mười năm kinh nghiệm mới phán được, bạn nên dè dặt hơn với kỳ vọng dành cho camera.
Những lỗi camera khó bắt hoặc không nên giao cho máy
Lỗi bên trong và lỗi cần cảm nhận. Vết nứt ngầm trong gốm, mối hàn bên trong, vải bị cứng tay, sản phẩm có mùi lạ, tiếng kêu khi lắc. Camera thường chỉ thấy bề mặt; muốn thấy bên trong phải dùng công nghệ khác như tia X hay siêu âm, chi phí và yêu cầu an toàn khác hẳn.
Sai màu tinh tế. Camera thông thường ghi màu phụ thuộc đèn, nhiệt độ cảm biến và cài đặt. Để biết hai cây vải lệch nhau một chút có chấp nhận được không, ngành dệt vẫn dùng máy đo màu và tủ so màu tiêu chuẩn. Camera AI chỉ nên làm lớp lọc thô cho những lệch màu lớn.
Lỗi phụ thuộc thẩm mỹ và thoả thuận với khách. Vân gỗ đẹp hay xấu, men gốm loang có chủ ý hay là lỗi, đường may hơi gợn có chấp nhận được với đơn hàng này không. Những quyết định đó cần người, vì chúng thay đổi theo khách hàng và theo đơn.
Sản phẩm không có vị trí cố định. Hàng đổ đống, chồng lên nhau, xoay đủ hướng trên băng tải thì camera khó nhìn đủ các mặt. Thường phải làm thêm máng định hướng hoặc lật sản phẩm, và chi phí cơ khí có khi lớn hơn phần camera.
Lỗi chỉ xuất hiện vài lần một năm. Mô hình không học được thứ nó chưa từng thấy. Với lỗi cực hiếm nhưng hậu quả lớn, kiểm tra theo quy trình và kiểm mẫu xác suất vẫn là chỗ dựa chính.
Camera AI và người kiểm bằng mắt: chia việc thế nào cho hợp
Cách đặt vấn đề "camera thay người QC" dễ dẫn đến thất vọng. Cách đặt vấn đề hợp lý hơn là camera nhận phần việc chán nhất, lặp lại nhiều nhất, còn người làm phần việc cần phán đoán. Ví dụ giả định: một xưởng ép nhựa mỗi ca có hai người đứng soi nắp hộp trên băng tải. Sau khi lắp camera, một người vẫn đứng cuối dây chuyền nhưng không soi từng chiếc nữa; người đó xem lại các chiếc bị máy loại, quyết định chiếc nào thật sự lỗi, và ghi nguyên nhân. Người còn lại chuyển sang kiểm đầu vào nguyên liệu, nơi trước đây thiếu người.
Mô hình chia việc như vậy có ba lợi ích. Camera không mỏi mắt sau tám tiếng, nên những lỗi dễ thấy không còn lọt vì người kiểm mệt. Người QC có thời gian tìm nguyên nhân thay vì chỉ nhặt hàng lỗi. Và mỗi lần người xem lại một chiếc bị loại, xưởng có thêm một ảnh đã gắn nhãn chính xác để dạy lại mô hình.
Có một điều cần nói thẳng với công nhân ngay từ đầu: camera nhìn sản phẩm, không nhìn người. Nếu công nhân nghĩ chiếc camera mới là để đếm xem ai làm chậm, họ sẽ không hợp tác ghi nhận lỗi, và dự án chết từ bên trong. Đặt góc máy chỉ chứa băng tải và sản phẩm, nói rõ điều đó trong buổi họp ca, là bước rẻ nhất mà hiệu quả nhất.
Năm câu cần trả lời trước khi đầu tư trạm camera
Trước khi mời nhà cung cấp đến khảo sát, tổ QC và chủ xưởng nên tự trả lời năm câu sau. Câu trả lời càng cụ thể, buổi khảo sát càng ngắn và báo giá càng sát.
- Lỗi nào đang gây thiệt hại nhiều nhất? Lấy sổ khiếu nại của khách và sổ hàng trả về ba đến sáu tháng gần nhất, xếp loại lỗi theo số lần và theo tiền mất. Bắt đầu với một hoặc hai loại đứng đầu, không phải tất cả.
- Lỗi đó nhìn thấy được từ mặt nào? Nếu phải xoay sản phẩm bốn mặt mới thấy, chi phí cơ khí tăng nhiều.
- Lỗi nhỏ nhất cần phát hiện là bao nhiêu milimét? Con số này quyết định độ phân giải camera và khoảng cách đặt máy.
- Dây chuyền chạy bao nhiêu sản phẩm mỗi phút? Tốc độ quyết định thời gian chụp, loại camera và việc ảnh có bị nhoè hay không.
- Hàng bị loại sẽ đi đâu và ai xem lại? Không có câu trả lời cho câu này thì máy loại xong hàng vẫn lẫn lại vào thùng.
Bạn có thể nhờ chatbot sắp xếp dữ liệu khiếu nại. Câu lệnh mẫu: "Dưới đây là bảng ghi lỗi hàng trả về sáu tháng của một xưởng ép nhựa, mỗi dòng gồm ngày, mã sản phẩm, mô tả lỗi bằng lời. Hãy gom các mô tả giống nhau thành nhóm lỗi, đếm số lần mỗi nhóm, và chỉ ra nhóm nào có thể nhìn thấy bằng mắt từ bên ngoài." Trước khi dán, xoá tên khách hàng và mã đơn hàng. Đọc lại kết quả gom nhóm vì chatbot có thể gộp nhầm hai lỗi khác nguyên nhân.
Ảnh sản phẩm, bí mật thiết kế và người trong khung hình
Một trạm camera sinh ra hàng chục nghìn ảnh mỗi ngày. Nhiều phần mềm kiểm lỗi huấn luyện mô hình trên máy chủ đám mây của nhà cung cấp, nghĩa là ảnh sản phẩm, có khi cả mẫu chưa ra mắt, rời khỏi xưởng. Với hàng gia công cho khách nước ngoài, hợp đồng thường có điều khoản bảo mật thiết kế. Bạn cần hỏi nhà cung cấp ảnh được lưu ở đâu, lưu bao lâu, ai được xem, có dùng ảnh của xưởng bạn để huấn luyện mô hình cho khách khác không, và đối chiếu với điều khoản của khách hàng trước khi ký.
Khi dùng chatbot phổ thông để hỏi về ảnh lỗi, ví dụ chụp một chiếc nắp trầy rồi hỏi nguyên nhân, hãy cắt bỏ phần có mã sản phẩm, tên khách, bản vẽ phía sau. Câu hỏi về kỹ thuật không cần những thông tin đó. Phần bảo mật dữ liệu khi dùng AI nói chung có ở trang AI Bảo Mật.
Về người lao động: nếu khung hình khó tránh được tay công nhân, hãy cắt vùng ảnh chỉ còn sản phẩm trước khi lưu, không lưu video liên tục khi không cần, và thông báo rõ mục đích. Giám sát an ninh nhà xưởng là việc khác, thuộc phạm vi của trang AI An Ninh. Trạm kiểm lỗi chỉ nên làm đúng việc của nó.
Câu hỏi thường gặp
Camera AI kiểm lỗi có thay được hoàn toàn nhân viên QC không?
Thường là không. Camera nhận phần soi lặp lại các lỗi nhìn thấy được, còn người QC xem lại hàng bị loại, phán những lỗi thẩm mỹ, kiểm các lỗi bên trong và tìm nguyên nhân gốc. Số người đứng soi có thể giảm, nhưng vai trò QC chuyển sang việc khó hơn.
Xưởng nhỏ chưa có ảnh lỗi nào thì có bắt đầu được không?
Được, nếu chọn cách phát hiện bất thường học từ hàng đạt. Hàng đạt thì xưởng có sẵn nhiều. Trong vài tuần đầu, người QC xem lại các chiếc bị đánh dấu và gắn nhãn, dần tạo kho ảnh lỗi để mô hình học chính xác hơn.
Vì sao ánh sáng quan trọng hơn phần mềm?
Phần mềm chỉ phân tích được những gì có trong ảnh. Một vết xước mảnh có thể biến mất dưới đèn chiếu thẳng nhưng hiện rõ khi chiếu xiên. Chọn sai đèn thì mô hình tốt đến đâu cũng không thấy lỗi, và đổi đèn sau khi đã huấn luyện thường phải huấn luyện lại.
Camera AI có kiểm được màu sắc sản phẩm không?
Kiểm được những lệch màu rõ rệt như nhầm màu nắp hay lô sơn sai hẳn tông. Những lệch màu tinh tế cần máy đo màu và điều kiện ánh sáng chuẩn, vì camera thông thường ghi màu thay đổi theo đèn và cài đặt. Nên dùng camera làm lớp lọc thô.
Có cần lo về bảo mật khi đưa ảnh sản phẩm lên phần mềm kiểm lỗi?
Có. Hỏi nhà cung cấp ảnh lưu ở đâu, bao lâu, ai xem được và có dùng ảnh của bạn để huấn luyện cho khách khác không. Đối chiếu với điều khoản bảo mật thiết kế trong hợp đồng gia công trước khi ký, nhất là với mẫu chưa ra mắt.
Nên bắt đầu kiểm loại lỗi nào trước?
Bắt đầu với một hoặc hai loại lỗi gây thiệt hại nhiều nhất theo sổ khiếu nại và hàng trả về, nhìn thấy được từ một mặt cố định, và có tiêu chí rõ ràng mà QC mới vào nghề cũng nhận ra. Mở rộng sau khi trạm đầu tiên chạy ổn.