Đôi mắt AI không bao giờ mỏi mệt hơn thợ lành nghề: Kiểm tra chất lượng bằng thị giác máy tính phát hiện từng lỗi trên dây chuyền sản xuất như thế nào

Một giám đốc đảm bảo chất lượng (QA) tại một nhà máy điện tử ở Tân Trúc từng tính cho tôi nghe một bài toán: một dây chuyền sản xuất cần 3 nhân viên kiểm tra ngoại quan (AOI thủ công), làm việc theo 3 ca, chi phí nhân sự hằng năm là một con số không nhỏ. Hơn nữa, con người càng mệt thì tỷ lệ bỏ sót lỗi càng cao — đặc biệt là khi phải liên tục dán mắt vào hàng trăm bo mạch trông gần như giống hệt nhau để tìm một vết xước nhỏ. Sau đó, nhà máy này đã ứng dụng thị giác máy tính AI vào kiểm tra chất lượng, kết hợp camera và mô hình hoạt động suốt 24 giờ không biết mệt mỏi, tiêu chuẩn không bị dao động, và tỷ lệ bỏ sót lỗi giảm đi rõ rệt. Trong khi đó, nhân lực được chuyển sang làm các công việc đòi hỏi phán quyết cao hơn như kiểm tra lại và cải tiến quy trình. Đây không phải là thay thế con người, mà là giải phóng con người khỏi công đoạn tốn thị lực nhất.

Bối cảnh sự kiện

Kiểm tra ngoại quan là công việc điển hình nhất trong ngành sản xuất thuộc dạng "con người làm thì rất mệt, máy móc nên làm". Thị giác máy tính truyền thống (sử dụng các quy tắc cố định để phán quyết) thực ra đã tồn tại hàng chục năm nay, nhưng nó có một tử huyệt: chỉ có thể phát hiện những lỗi "có thể viết thành quy tắc". Một khi hình thái lỗi đa dạng và bối cảnh phức tạp, các quy tắc sẽ không thể viết xuể, dẫn đến việc phán đoán sai liên tục.

Học sâu (Deep Learning) đã thay đổi điều này. Thị giác máy tính AI không dựa vào việc con người viết quy tắc, mà sau khi xem qua số lượng lớn hình ảnh "sản phẩm đạt chuẩn" và "sản phẩm lỗi", nó sẽ tự học cách phân biệt đâu là điểm bất thường. Điều này giúp nó xử lý được các lỗi phức tạp mà các quy tắc trước đây không thể giải quyết, đồng thời cũng là chìa khóa then chốt giúp làn sóng AI kiểm tra chất lượng trong nhà máy thực sự được ứng dụng hiệu quả.

Điểm trọng tâm lần này

• Nền tảng kiểm tra thị giác tự động: Các nền tảng như Akridata chuyên sâu về kiểm tra chất lượng sản xuất, tự động hóa việc gán nhãn hình ảnh, phát triển mô hình và phát hiện lỗi trên dây chuyền, giúp đơn giản hóa những việc mà trước đây đội ngũ khoa học dữ liệu phải làm.
• Hỗ trợ thời gian thực cho công nhân kết nối: Các nền tảng công nhân kết nối như Augmentir lại ứng dụng AI ở một khía cạnh khác — chuyển đổi SOP, video, bảng kiểm tra thành hướng dẫn công việc kỹ thuật số mang tính tương tác, đưa ra gợi ý xử lý ngay lập tức khi xảy ra sự cố tại hiện trường.
• Tích hợp với hệ thống toàn nhà máy: Các dự án triển khai quy mô lớn sẽ kết nối hệ thống kiểm thị giác với MES và hệ thống chất lượng, phản hồi dữ liệu lỗi về để cải tiến quy trình sản xuất, không chỉ dừng lại ở việc "phát hiện rồi vứt đi" mà là "tìm ra nguyên nhân tại sao lại có lỗi".

Phân tích tác động thị trường

Đối với người dùng tại Đài Loan (nhân sự QA và hiện trường): AI kiểm tra chất lượng tiếp quản công đoạn sàng lọc sơ bộ tốn nhiều thị lực nhất, con người chuyển sang làm công việc kiểm tra lại, phán quyết các trường hợp ranh giới và phân tích nguyên nhân gây ra lỗi. Nội dung công việc được nâng cấp từ "dán mắt vào nhìn" thành "tư duy nguyên nhân", đối với nhân viên QA thực chất là sự nâng cao về năng lực chứ không phải bị đào thải.

Đối với ứng dụng doanh nghiệp: Đài Loan là trung tâm sản xuất trọng điểm, các ngành điện tử, tấm nền, chất bán dẫn, ốc vít, dệt may đều có nhu cầu kiểm tra ngoại quan rất lớn, đây chính là chiến trường chính của thị giác máy tính AI. Điểm khó khăn khi triển khai không nằm ở công nghệ mà nằm ở "dữ liệu" — để AI học được cách bắt lỗi, trước tiên cần phải có đủ số lượng mẫu lỗi với chất lượng gán nhãn tốt, mà lỗi trong nhiều nhà máy lại là "sự kiện hiếm gặp", rất khó thu thập mẫu. Đây là thực tế cần phải suy nghĩ thấu đáo trước khi triển khai.

Đối với nhà phát triển và đơn vị tích hợp: Mô hình dùng có tốt hay không, 70% phụ thuộc vào kỹ thuật dữ liệu. Các đơn vị tích hợp biết cách giúp nhà máy xây dựng tập dữ liệu hình ảnh lỗi, xử lý vấn đề ít mẫu (few-shot), và triển khai mô hình lên các thiết bị biên (edge devices) trên dây chuyền sản xuất sẽ có giá trị cao hơn rất nhiều so với những người chỉ biết áp dụng mô hình có sẵn. Đây cũng là "khe cửa hẹp" mà các đội ngũ kỹ thuật tại Đài Loan có thể thâm nhập.

Xu hướng phát triển tương lai

Xu hướng có hai hướng chính: Một là "học ít mẫu" (few-shot learning) và dữ liệu tổng hợp, sử dụng AI để tạo ra các mẫu lỗi nhằm huấn luyện AI, giải quyết điểm đau khó thu thập mẫu lỗi thực tế; Hai là chuyển từ "kiểm tra" sang "dự đoán" — không chỉ phát hiện lỗi ở cuối dây chuyền sản xuất mà còn truy ngược về trước, phát cảnh báo trước khi các thông số quy trình dịch chuyển gây ra lỗi, kết nối liền mạch với bảo trì dự đoán đã đề cập ở bài trước. Mục tiêu cuối cùng của việc kiểm tra chất lượng là để lỗi hoàn toàn không xuất hiện.

Tóm tắt & Đánh giá từ TheAI學院

Kiểm tra chất lượng bằng thị giác máy tính AI là một trong những ứng dụng AI trong ngành sản xuất dễ tính toán tỷ suất hoàn vốn (ROI) nhất: tỷ lệ bỏ sót lỗi, chi phí nhân sự, khiếu nại và trả hàng từ khách hàng, mọi hạng mục đều có thể định lượng được. Tuy nhiên, đừng bị cuốn theo những lời quảng cáo kiểu "triển khai là không còn lỗi" — hiệu quả của nó phụ thuộc rất lớn vào chất lượng dữ liệu bạn cung cấp và mức độ sẵn sàng duy trì mô hình liên tục của bạn.

Lời bình trong một câu: Kiểm tra chất lượng bằng thị giác máy tính là ứng dụng AI có ROI dễ tính toán nhất trong ngành sản xuất, nhưng thành bại 70% nằm ở kỹ thuật dữ liệu chứ không phải bản thân mô hình; hãy kiểm kê xem bạn có đủ mẫu lỗi chất lượng hay không rồi hãy nói đến chuyện triển khai.

Đối với các đội ngũ QA trong ngành sản xuất tại Đài Loan, đây là một bước đi rất đáng để đánh giá nghiêm túc. Xem thêm các công cụ AI công nghiệp tại Phân  loại AI sản xuất & công nghiệp, và các ứng dụng AI khác cho doanh nghiệp tại Hướng dẫn tác vụ.

Nguồn dữ liệu

Mô tả sản phẩm từ trang web chính thức của các công cụ, kết hợp với phần tổng hợp của ban biên tập; hiệu quả kiểm tra chất lượng có thể khác nhau tùy thuộc vào sản phẩm, hình thái lỗi và chất lượng dữ liệu. Vui lòng lấy kết quả xác thực tại hiện trường (PoC) làm chuẩn khi đánh giá thực tế. Được tổng hợp dựa trên thông tin công khai.