Computer vision trên sàn nhà máy không còn là bằng chứng khái niệm nữa. Nó đang chạy trong sản xuất tại các nhà sản xuất vừa và nhỏ trên khắp Việt Nam và Đông Nam Á, phát hiện lỗi mà người kiểm tra bằng mắt thường bỏ lỡ, ở tốc độ mà không người kiểm tra nào có thể sánh được.

Bước 1 — Xác định nhiệm vụ phát hiện một cách chính xác

Mô hình computer vision không xử lý được các yêu cầu mơ hồ. "Phát hiện lỗi" không phải là một nhiệm vụ. "Phát hiện vết trầy xước dài hơn 2mm trên vỏ nhôm của linh kiện SKU-441" mới là một nhiệm vụ. Bạn xác định nhiệm vụ càng chính xác, tập dữ liệu cần càng nhỏ và bạn đạt độ chính xác hữu ích càng nhanh.

Bước 2 — Thu thập và gán nhãn dữ liệu

Bạn cần ví dụ về cả điều kiện có lỗi và không có lỗi. Đối với nhiệm vụ phát hiện lỗi một lớp trên dây chuyền sản xuất tương đối có kiểm soát, 300–500 hình ảnh được gán nhãn là đủ để bắt đầu. Chất lượng nhãn quan trọng hơn số lượng nhãn.

  • Chụp ảnh trong điều kiện ánh sáng giống như khi mô hình chạy thực tế.
  • Bao gồm các trường hợp biên: lỗi một phần, bóng đổ, biến động bề mặt bình thường.
  • Sử dụng cùng camera và ống kính bạn sẽ triển khai — transfer learning không bù đắp hoàn toàn cho sự khác biệt về quang học.

Bước 3 — Lựa chọn kiến trúc mô hình phù hợp

Đối với phát hiện lỗi thời gian thực trên thiết bị edge, họ YOLO (v8, v10) là điểm xuất phát mặc định. Nó cân bằng tốt tốc độ và độ chính xác. Đối với ứng dụng nơi độ chính xác quan trọng hơn độ trễ, Faster R-CNN đáng để dùng thêm tính toán.

Đừng chọn kiến trúc mô hình dựa trên benchmark. Hãy chọn dựa trên yêu cầu độ trễ và tính toán có sẵn tại điểm triển khai.

Bước 4 — Edge vs. cloud inference

Nếu dây chuyền sản xuất của bạn tạo ra nhiều hơn vài khung hình mỗi giây, cloud inference thường không thực tế vì độ trễ và chi phí mạng. Một thiết bị edge NVIDIA Jetson hoặc tương đương có giá dưới 500 USD có thể xử lý inference thời gian thực cho dây chuyền một camera.

Bước 5 — Tích hợp và giám sát

Mô hình kích hoạt cảnh báo mà không ai hành động không phải là hệ thống hoạt động. Tích hợp — cách kết quả phát hiện đến tay người vận hành, hành động nào nó kích hoạt, cách ghi lại bỏ sót và dương tính giả — quan trọng không kém mô hình.

Lần triển khai đầu tiên luôn khó nhất. Lần thứ hai chỉ tốn một phần thời gian vì bạn đã giải quyết được pipeline dữ liệu và các mẫu tích hợp.