Về cơ bản, các hệ thống machine vision sử dụng cảm biến kỹ thuật số được bảo vệ bên trong các camera công nghiệp sử dụng quang học chuyên dụng để thu thập hình ảnh. Những hình ảnh đó được phần mềm chuyên dụng xử lý, phân tích và đo lường các đặc điểm khác nhau để đưa ra quyết định.

Tuy nhiên, các hệ thống này rất cứng nhắc và hạn chế trong ứng dụng của chúng trong môi trường tự động hóa nhà máy. Các hệ thống machine vision truyền thống hoạt động đáng tin cậy với các bộ phận được sản xuất tốt và đồng nhất. Chúng hoạt động thông qua việc lọc từng bước và các thuật toán dựa trên quy tắc có hiệu quả về chi phí hơn so với kiểm tra của con người.

Trên dây chuyền sản xuất, một hệ thống machine vision dựa trên quy tắc có thể kiểm tra hàng trăm, thậm chí hàng nghìn bộ phận mỗi phút. Nhưng kết quả của dữ liệu hình ảnh đó vẫn dựa trên cách tiếp cận theo chương trình có quy tắc để giải quyết các vấn đề kiểm tra, điều này làm cho machine vision phù hợp với:

• Hướng dẫn: Xác định vị trí và hướng của một bộ phận, so sánh nó với dung sai được chỉ định và đảm bảo nó ở đúng góc để xác minh việc lắp ráp đúng cách. Có thể được sử dụng để xác định các tính năng chính trên một bộ phận cho các công cụ machine vision khác.
• Nhận dạng: Đọc mã vạch (1D), mã vạch ma trận dữ liệu (2D), mã vạch in trực tiếp (DPM) và các ký tự được in trên part, nhãn và bao bì (OCR). Ngoài ra, xác định các mục dựa trên màu sắc, hình dạng hoặc kích thước.
• Đo lường: Tính toán khoảng cách giữa hai hoặc nhiều điểm hoặc vị trí hình học không gian trên một đối tượng và xác định liệu các phép đo này có đáp ứng thông số kỹ thuật hay không.
• Kiểm tra: Tìm khuyết tật hoặc các bất thường khác trong các sản phẩm như nhãn dán được dán chính xác hay sự hiện diện của tem niêm phong an toàn, nắp, v.v.

Deep learning sử dụng một phương pháp tiếp cận dựa trên ví dụ thay vì phương pháp tiếp cận dựa trên quy tắc để giải quyết một số thách thức tự động hóa nhà máy. Bằng cách tận dụng các mạng nơ-ron để dạy cho máy tính biết hình ảnh tốt là gì dựa trên một tập hợp các ví dụ được dán nhãn, deep learning sẽ có thể phân tích các khuyết tật, xác định và phân loại các đối tượng và đọc các dấu hiệu được in, ví dụ.

Trong thế giới thực, điều này có nghĩa là một công ty có thể đang cố gắng kiểm tra màn hình thiết bị điện tử để tìm các vết xước, vết lõm hoặc các khuyết tật khác. Những khuyết tật đó sẽ khác nhau về kích thước, phạm vi, vị trí hoặc trên các màn hình có nền khác nhau. Với deep learning, có thể phân biệt giữa một bộ phận tốt và một bộ phận bị lỗi, xem xét những biến thể dự kiến đó. Cộng thêm, việc huấn luyện network trên một mục tiêu mới, chẳng hạn như một loại màn hình khác, cũng dễ dàng như chụp một bộ ảnh tham khảo mới.

Điều đó làm cho deep learning đặc biệt thích nghi với:

• Giải quyết các ứng dụng thị giác quá khó để lập trình với các thuật toán dựa trên quy tắc
• Xử lý các nền phức tạp và các biến thể trong vẻ ngoài của bộ phận
• Duy trì các ứng dụng và đào tạo lại với dữ liệu hình ảnh mới trên sàn nhà máy
• Thích ứng với các ví dụ mới mà không cần lập trình lại các mạng cốt lõi

Deep learning hiện đang được sử dụng trong các ứng dụng mà việc kiểm tra thường được thực hiện thủ công, chẳng hạn như giai đoạn kiểm tra lắp ráp cuối cùng. Những nhiệm vụ này trước đây được coi là quá khó để tự động hóa. Với một công cụ deep learning, những nhiệm vụ đó hiện có thể được thực hiện với hệ thống machine vision một cách nhất quán hơn, đáng tin cậy hơn và nhanh hơn ngay trên dây chuyền sản xuất.

Con người giỏi phân loại những thứ khác nhau nhưng giống nhau. Chúng ta có thể hiểu được sự khác biệt giữa một tập hợp các đối tượng nhất định chỉ trong vài giây. Theo nghĩa này, các công cụ deep learning kết hợp lợi ích của trí thông minh tiến hóa của con người với tính nhất quán, khả năng lặp lại và khả năng mở rộng của machine vision truyền thống dựa trên quy tắc.

Hiểu những khác biệt giữa machine vision truyền thống và deep learning là điều vô cùng quan trọng đối với bất kỳ công ty nào bắt đầu hành trình tự động hóa nhà máy. Những khác biệt này là chìa khóa để xác định khi nào thì nên sử dụng một trong hai công nghệ này trong ứng dụng tự động hóa nhà máy.

Mặc dù các hệ thống machine vision truyền thống hoạt động đáng tin cậy với các bộ phận được sản xuất tốt và đồng nhất, nhưng các thuật toán sẽ trở nên khó lập trình hơn khi số lượng ngoại lệ và thư viện khuyết tật tăng lên. Nói cách khác, tại một thời điểm nhất định, một số ứng dụng cần thiết cho tự động hóa nhà máy sẽ không được phục vụ tốt nhất bằng cách dựa vào rule-based machine vision.

Kết cấu bề mặt phức tạp và các biến thể về vẻ ngoài của bộ phận gây ra những thách thức kiểm tra nghiêm trọng. Các hệ thống machine vision dựa trên quy tắc khó có thể đánh giá cao sự thay đổi và sai lệch giữa các bộ phận rất giống nhau về mặt hình ảnh. Các bất thường "chức năng", ảnh hưởng đến tiện ích của một bộ phận, hầu như luôn là nguyên nhân dẫn đến việc loại bỏ, trong khi các bất thường về mỹ phẩm có thể không, tùy thuộc vào nhu cầu và sở thích của nhà sản xuất. Vấn đề nhất là các hệ thống machine vision truyền thống khó phân biệt giữa các khuyết tật này.

Một số loại kiểm tra của machine vision truyền thống, chẳng hạn như phát hiện khuyết tật, được biết đến là khó lập trình do nhiều biến số mà máy khó có thể phân tách như ánh sáng, thay đổi màu sắc, độ cong hoặc trường nhìn.

Bản thân điều này không phải là vấn đề, nhưng nó sẽ trở thành vấn đề khi các công ty cố gắng giải quyết các ứng dụng bằng machine vision khi có những công cụ phù hợp hơn dành cho họ. Mặc dù các hệ thống machine vision truyền thống hoạt động đáng tin cậy với các part được sản xuất tốt và đồng nhất, nhưng các ứng dụng sẽ trở nên khó lập trình hơn khi số lượng ngoại lệ và thư viện khuyết tật tăng lên. Nói cách khác, tại một thời điểm nhất định, một số ứng dụng cần thiết cho tự động hóa nhà máy sẽ không được phục vụ tốt nhất bằng cách dựa vào machine vision dựa trên quy tắc.

Nắm bắt rõ những khác biệt này là điều vô cùng quan trọng đối với bất kỳ công ty nào bắt đầu hành trình tự động hóa nhà máy. Bởi vì những khác biệt này là chìa khóa để xác định khi nào thì nên sử dụng một trong hai công nghệ này trong ứng dụng tự động hóa nhà máy.

Mặc dù deep learning đang biến đổi tự động hóa nhà máy như chúng ta đã biết, nhưng nó vẫn chỉ là một công cụ khác mà các nhà vận hành có thể sử dụng để hoàn thành công việc. Machine vision dựa trên quy tắc truyền thống là một công cụ hiệu quả cho các loại công việc cụ thể. Và đối với những tình huống phức tạp cần tầm nhìn giống con người với tốc độ và độ tin cậy của máy tính, deep learning sẽ chứng tỏ là một lựa chọn thực sự thay đổi cuộc chơi.

Kết luận:

Khi lựa chọn giữa machine vision truyền thống và deep learning, các công ty cần xem xét các yếu tố sau:

• Độ phức tạp của ứng dụng: Deep learning phù hợp hơn với các ứng dụng phức tạp, chẳng hạn như kiểm tra các bộ phận có kết cấu bề mặt phức tạp hoặc nhiều biến thể về vẻ ngoài.
• Độ sẵn có của dữ liệu: Deep learning yêu cầu một lượng lớn dữ liệu được dán nhãn để huấn luyện mô hình. Nếu dữ liệu này không có sẵn, machine vision truyền thống có thể là một lựa chọn tốt hơn.
• Ngân sách và thời gian: Deep learning có thể yêu cầu đầu tư ban đầu cao hơn và thời gian phát triển lâu hơn so với machine vision truyền thống.

Các công ty nên tham khảo ý kiến của chuyên gia để xác định công nghệ phù hợp nhất cho nhu cầu cụ thể của mình.