Deep learning là công nghệ lý tưởng để phát hiện các lỗi hình thức và các bất thường không mong muốn khác trong các ứng dụng tự động hóa nhà máy, nơi có đặc điểm là phức tạp và nhiều khác biệt, đặc biệt là trong các cảnh không có cấu trúc. Các cảnh nền có hoa văn phức tạp hoặc độ biến động vị trí cao có thể gây nhầm lẫn cho hệ thống machine vision kiểm tra truyền thống. Sự biến đổi tự nhiên giữa các part có thể khó dự đoán. Và tất nhiên, ngay cả một nền tảng nhất quán cũng có thể thay đổi đáng kể về diện mạo do tính chất có thể kéo dài, linh hoạt và dễ biến dạng của vật liệu. Điều này đặc biệt đáng quan ngại đối với nhựa và vải dệt.
Khi các loại lỗi phức tạp và có nhiều biến động về vị trí, điều này có thể ngăn cản các nhà sản xuất sử dụng các phương pháp kiểm tra truyền thống hơn vì việc lập trình quá tốn thời gian, rườm rà và tẻ nhạt. Phát hiện các lỗi có hình thức khác nhau, cho dù do hình ảnh (cháy sáng) hay bản chất thay đổi và dễ biến dạng của vật liệu (ví dụ, trên vải), và khi các lỗi có nhiều hình dạng và kiểu loại khác nhau, khiến việc tìm kiếm rõ ràng trở nên quá khó khăn.
Trong những trường hợp này, các nhà sản xuất có thể sử dụng deep learning để xác định tất cả các đối tượng lệch khỏi vẻ ngoài bình thường và có lỗi. Hoặc trong những trường hợp mà một số lỗi là nguyên nhân dẫn đến loại bỏ và một số khác thì không, kỹ sư training có thể huấn luyện mô hình tham chiếu trên các hình ảnh được dán nhãn "tốt" cũng như "xấu" để bắt các loại lỗi cụ thể, trong khi vẫn chấp nhận được sự biến đổi tự nhiên.
Trong cả hai trường hợp, phương pháp này đơn giản, dễ dàng và không yêu cầu chuyên môn về Vision. Kỹ sư ứng dụng kiểm tra chỉ cần thu thập và cung cấp cho hệ thống một bộ hình ảnh đào tạo đại diện. Từ đó, giải pháp deep learning sử dụng trí thông minh giống con người để phát triển mô hình tham chiếu của nó, mà kỹ sư có thể xác nhận và tinh chỉnh với các hình ảnh bổ sung khi cần thiết cho đến khi quá trình ra quyết định của mô hình ngang bằng với những người kiểm tra giỏi nhất. Từ đó, hệ thống có thể phân tích chính xác và lặp đi lặp lại các hình ảnh kiểm tra trong thời gian chạy để phát hiện thị giác các bất thường và lỗi thẩm mỹ.
Trong các ví dụ sau, chúng tôi sẽ khám phá giá trị đề xuất cho công cụ phát hiện lỗi của Cognex Deep Learning trong ngành công nghiệp ô tô, điện tử, đóng gói và khoa học đời sống.
Phát hiện lỗi cho ngành công nghiệp ô tô
Các bộ phận ô tô có nhiều bề mặt tạo ra thách thức. Một số trong những bề mặt khó nhất cho hệ thống Machine vision phát hiện lỗi tự động là các bề mặt kim loại — có thể có kết cấu sần sùi, nhám và xốp — và các loại vải được sử dụng trong ghế nội thất và trên túi khí.
Vải có sự biến đổi tự nhiên về độ dày sợi, vân dệt và hoa văn. Đối với việc kiểm tra túi khí, điều cần thiết là phải phát hiện bất kỳ lỗi nào trong đường khâu và đường nối, có thể có tác động thảm khốc đến việc triển khai của chúng. Thách thức ở đây là hai mặt. Đầu tiên, vải tự nhiên rất phức tạp và vẻ ngoài của nó có thể thay đổi tùy thuộc vào cách nó được kéo căng hoặc ánh sáng chiếu vào. Thứ hai, và cũng là vấn đề nhất, là số lượng lớn các lỗi đường khâu hoặc đường nối; việc tìm kiếm rõ ràng từng lỗi một là việc tẻ nhạt và gần như không thể thực hiện được trong một thuật toán dựa trên quy tắc. Do đó, sẽ rất hữu ích cho hệ thống kiểm tra xác định các lỗi tiềm ẩn bằng cách đào tạo không giám sát trên vẻ ngoài bình thường của vải túi khí.
Sử dụng mạng lưới nơ-ron, một công cụ dựa trên deep learning có thể khái niệm hóa và khái quát hóa bản chất thay đổi của vải để xác định tất cả các biểu hiện bất thường trong khi vẫn giữ vững các biến thể tự nhiên trong kiểu dệt, đặc tính sợi, màu sắc và các lỗi có thể chấp nhận được khác. Bất kỳ bất thường nào lệch khỏi các biến thể tự nhiên này, chẳng hạn như đường khâu không mong muốn, các sợi nổi trên bề mặt vải, các vòng lặp trong sợi dọc hoặc sợi ngang, các vết xước hoặc lỗ thủng đều được hệ thống đánh dấu là lỗi. Theo cách này, vải có thể được kiểm tra mà không cần bất kỳ thư viện lỗi nào được xác định trước. Phương pháp mới mẻ dựa trên deep learning này mang lại hiệu suất kiểm tra thị giác của con người cho việc kiểm soát chất lượng tự động cho vải ô tô.
Phát hiện lỗi cho ngành công nghiệp điện tử
Bên cạnh việc sản xuất màn hình OLED, không nơi nào trong ngành công nghiệp điện tử đòi hỏi quản lý chất lượng nghiêm ngặt và phát hiện lỗi thị giác quan trọng hơn đối với chất bán dẫn. Cũng giống như các chân bị xước, xoắn, bẻ cong hoặc bị mất là nguyên nhân tự động dẫn đến loại bỏ, thì ngay cả những lỗi nhỏ nhất cản trở dung sai lỗi cực kỳ nhỏ của chip cũng vậy.
Tuy nhiên, việc lập trình quá nhiều loại lỗi rõ ràng vào một thuật toán thị giác máy dựa trên quy tắc là không hiệu quả. Khi về cơ bản mọi lỗi đều được tính là một bất thường "chức năng", thì việc dạy cho hệ thống kiểm tra chip bán dẫn hoàn hảo hoặc chân dẫn mạch tích hợp (IC) trông như thế nào sẽ đơn giản hơn là đánh dấu tất cả các chip hoặc chân dẫn khác biệt là lỗi. Đây là một nhiệm vụ hoàn hảo cho một công cụ kiểm tra dựa trên deep learning hoạt động ở chế độ không giám sát. Ở chế độ này, các mạng lưới nơ-ron của phần mềm khái niệm hóa và khái quát hóa vẻ ngoài bình thường của một chip — bao gồm bất kỳ biến thể nào được nhận thấy do nền kim loại chói — để đánh dấu các chip có thành phần bị mất, hỏng hoặc mài mòn là lỗi.
Lợi ích cho nhà sản xuất là tức thì: Không cần có chuyên gia về thị giác hoặc nhà phát triển ứng dụng, không lập trình các lỗi không thể đoán trước, cộng với tỷ lệ phát hiện lỗi cao hơn và sản lượng tiếp theo.
Phát hiện lỗi cho ngành công nghiệp đóng gói
Việc xác định các lỗi thẩm mỹ như vết xước và vết lõm trên nền gây nhầm lẫn không chỉ giới hạn ở bề mặt kim loại. Trong thực phẩm và đồ uống và các sản phẩm tiêu dùng, bao bì có khả năng được làm từ nhựa bóng hoặc vật liệu gốm sứ bóng như kim loại tấm. Tuy nhiên, những bề mặt này cũng gặp phải các vấn đề tương tự về phản xạ và chói sáng. Trong những điều kiện này, các hệ thống thị giác máy truyền thống có thể khó nhận ra sự khác biệt nhỏ giữa các hình ảnh.
May mắn thay, một mạng lưới nơ-ron dựa trên deep learning được thiết kế để nhìn xuyên qua chói sáng. Đó cũng là cách tốt nhất để nhìn qua các lỗi bề mặt thông thường và phát hiện các lỗi thực sự. Trong trường hợp lọ kem dưỡng da bằng gốm sứ, sự khác biệt vốn có giữa các lọ không phải lúc nào cũng là nguyên nhân trực tiếp dẫn đến việc loại bỏ. Các bất thường "chức năng" ảnh hưởng đến tiện ích của lọ hầu như luôn là nguyên nhân dẫn đến loại bỏ, trong khi các bất thường về thẩm mỹ có thể hoặc không thể, tùy thuộc vào nhu cầu và sở thích của nhà sản xuất.
Deep Learning kết hợp ưu điểm của cả hai loại kiểm tra thị giác máy và kiểm tra của con người theo cách hiệu quả về chi phí và dễ triển khai. Để thực hiện việc này, một kỹ sư ứng dụng hoặc chất lượng sẽ huấn luyện phần mềm dựa trên deep learning trên một bộ hình ảnh "tốt" và "xấu" của lọ gốm sứ đại diện. "Các lọ xấu" có thể là những lọ có vết lõm sâu hoặc vết xước dài, chẳng hạn. Dựa trên những hình ảnh này, phần mềm sẽ tìm hiểu hình dạng và kết cấu bề mặt tự nhiên của bề mặt gốm sứ và, trong khi chấp nhận các biến thể tự nhiên trong hiển thị có thể do ánh sáng, sẽ đánh dấu các hình ảnh nằm ngoài phạm vi chấp nhận được.
Theo cách này, Deep Learning cung cấp giải pháp phát hiện lỗi hiệu quả cho bao bì, kết hợp khả năng đánh giá cao các biến thể nhỏ của con người với độ tin cậy, tính nhất quán và tốc độ của một hệ thống máy tính tự động.
Phát hiện lỗi cho ngành Y học
Vai trò của bác sĩ X-quang ngày nay đang thay đổi nhanh chóng nhờ có chẩn đoán hỗ trợ bằng máy tính (CAD). Việc tìm kiếm các bất thường về sinh học như khối u theo truyền thống đòi hỏi sự phán đoán của con người. Vị trí có thể thay đổi rất nhiều, và biểu hiện cũng vậy. Đôi khi, bác sĩ X-quang có thể ít quan tâm đến việc xác định một bất thường cụ thể hơn là một sự sai lệch nhỏ, dù là nhỏ đến đâu, so với vẻ ngoài bình thường, khỏe mạnh của cơ thể.
Con người có vị trí vô cùng tốt để xem xét kết quả chụp X-quang hoặc MRI và phát hiện ra bất kỳ kịch bản nào trong số này, vì họ có thể tự nhiên hình thành các mô hình về các biểu hiện khác nhau có thể xảy ra và phân biệt giữa "bình thường" hoặc "bất thường". Nhưng bác sĩ X-quang có giới hạn năng suất của họ. Thậm chí, ngay cả bác sĩ X-quang chuyên môn nhất cũng có thể gặp phải hình ảnh có đặc điểm không quen thuộc và nằm ngoài kinh nghiệm của họ. Tuy nhiên, rủi ro bỏ sót một khối u tiềm ẩn hoặc chẩn đoán sai là quá lớn.
Trong trường hợp này, sức mạnh của dữ liệu lớn có thể được phát huy. Một công cụ phần mềm dựa trên deep learning có thể xác định vị trí của khu vực quan tâm, chẳng hạn như một cơ quan nhất định hoặc một đốt sống cụ thể, ngay cả khi nền gây nhầm lẫn và độ tương phản kém. Sử dụng một tập hợp các hình ảnh đào tạo được dán nhãn, thuật toán AI có thể phát triển một mô hình tham chiếu về vẻ ngoài bình thường của cơ quan, bao gồm một số biến thể. Dựa trên các hình ảnh ví dụ được dán nhãn "tốt" và "xấu", hệ thống kiểm tra deep learning có thể học cách xem xét liệu bất kỳ hình ảnh nào có bất thường hay bình thường. Theo cách này, mô hình tham chiếu có thể đánh dấu bất kỳ vùng nào có bất thường về sinh học lệch khỏi sinh lý bình thường, khỏe mạnh để bác sĩ X-quang xem xét thêm trong tương lai, nếu cần.
Các nhà sản xuất dựa vào công cụ phát hiện lỗi Deep Learning để phát hiện thị giác các bất thường và lỗi thẩm mỹ trên tất cả các loại bề mặt, bao gồm giấy, thủy tinh, nhựa, gốm và kim loại. Cho dù đó là vết xước, vết lõm, in sai hay lỗi căn chỉnh, Cognex Deep Learning đều có thể xác định chúng chỉ đơn giản bằng cách tìm hiểu vẻ ngoài bình thường của một vật thể cũng như các biến thể tự nhiên và có thể chấp nhận được của nó. Đối với các bề mặt lớn, công cụ phát hiện lỗi cũng có thể phân khúc các vùng quan tâm cụ thể để xác định vị trí lỗi bằng cách tìm hiểu vẻ ngoài khác nhau của mục tiêu.
