Bài toán kiểm tra chất lượng
Trong sản xuất công nghiệp, kiểm tra chất lượng (Quality Inspection) truyền thống phụ thuộc vào mắt người — chậm, không nhất quán và tốn chi phí nhân công. Computer Vision (CV) giải quyết vấn đề này bằng cách tự động phát hiện lỗi sản phẩm với tốc độ và độ chính xác cao.
Tại sao chọn YOLOv8?
YOLOv8 của Ultralytics là model object detection state-of-the-art với nhiều ưu điểm cho ứng dụng công nghiệp:
- Tốc độ: Xử lý 30-60 FPS trên GPU tầm trung (RTX 3060), đủ cho dây chuyền tốc độ cao
- Độ chính xác: mAP50-95 vượt trội so với các phiên bản YOLO trước
- Dễ huấn luyện: API Python đơn giản, hỗ trợ transfer learning từ pre-trained model
- Export đa dạng: Xuất sang ONNX, TensorRT, OpenVINO để tối ưu inference
Pipeline xử lý ảnh
1. Thu thập dữ liệu
Sử dụng camera công nghiệp (Basler, FLIR) với giao thức GigE Vision hoặc USB3 Vision. Thiết lập chiếu sáng đồng đều là yếu tố quyết định — chúng tôi khuyến nghị dùng đèn vòng LED hoặc backlight tùy loại sản phẩm.
2. Gán nhãn dữ liệu
Sử dụng Roboflow hoặc CVAT để gán nhãn các loại lỗi: vết xước (scratch), lỗi mối hàn (solder defect), biến dạng (deformation). Cần tối thiểu 500-1000 ảnh mỗi class để model hoạt động ổn định.
3. Huấn luyện model
from ultralytics import YOLO
model = YOLO('yolov8n.pt') # nano model cho edge device
results = model.train(
data='defect_dataset.yaml',
epochs=100,
imgsz=640,
batch=16
)
4. Triển khai trên dây chuyền
Inference pipeline chạy trên edge PC (Jetson Orin hoặc thiết bị Edge AI) đặt cạnh dây chuyền. Kết quả được gửi về hệ thống SCADA qua MQTT hoặc OPC UA để tự động loại bỏ sản phẩm lỗi.
Kết quả thực tế
Tại một nhà máy điện tử ở Bắc Ninh, hệ thống CV của VnRobo đã đạt:
- Độ chính xác phát hiện lỗi: 98.5%
- Tốc độ xử lý: 45 FPS (22ms/frame)
- Giảm 80% nhân công kiểm tra thủ công
- ROI: hoàn vốn sau 6 tháng triển khai
Thách thức và giải pháp
Thách thức lớn nhất là domain shift — khi điều kiện ánh sáng hoặc loại sản phẩm thay đổi, model cần được fine-tune lại. Giải pháp là xây dựng pipeline CI/CD cho ML model: tự động thu thập ảnh mới, retrain và triển khai với Docker mà không cần dừng dây chuyền.
Ngoài ra, việc kết hợp computer vision với digital twin cho phép mô phỏng và tối ưu hệ thống kiểm tra trước khi triển khai thực tế, giảm đáng kể chi phí thử nghiệm.
