DEEP LEARNING TRONG TỰ ĐỘNG HÓA NHÀ MÁY

Deep Learning là gì?

Từ những chiếc điện thoại trong túi của chúng ta cho đến thực tế là ô tô tự lái, nền kinh tế tiêu dùng đã bắt đầu khai thác sức mạnh của mạng nơ-ron deep learning. Deep learning đã nổi lên như một công nghệ nền tảng trong giọng nói, văn bản và nhận dạng khuôn mặt mà chúng ta sử dụng trong các thiết bị di động và hiện đang bắt đầu được sử dụng trong nhiều ứng dụng khác — từ chẩn đoán y tế đến bảo mật Internet — để dự đoán các mẫu và thực hiện quyết định kinh doanh quan trọng. Công nghệ tương tự này hiện đang chuyển sang dây chuyền sản xuất tiên tiến để kiểm tra chất lượng và các mục đích sử dụng dựa trên đánh giá khác nhau.

Về bản chất, deep learning dạy cho robot và máy móc làm những gì tự nhiên đối với con người: học bằng cách làm gương. Phần cứng mới, chi phí thấp đã khiến việc triển khai các mạng thần kinh “sâu” nhiều lớp, được lấy cảm hứng từ sinh học bắt chước các mạng nơ-ron trong não người là một điều thực tế. Điều này mang lại cho công nghệ sản xuất những khả năng mới đáng kinh ngạc để nhận dạng hình ảnh, phân biệt xu hướng và đưa ra các dự đoán và quyết định thông minh. Bắt đầu từ một logic cốt lõi được phát triển trong quá trình đào tạo ban đầu, các mạng thần kinh sâu có thể liên tục tinh chỉnh hiệu suất của chúng khi chúng được hiển thị bằng hình ảnh, lời nói và văn bản mới.

Phân tích hình ảnh dựa trên deep learning kết hợp tính cụ thể và tính linh hoạt của việc kiểm tra trực quan của con người với độ tin cậy, tính nhất quán và tốc độ của một hệ thống máy tính. Các mô hình deep learning có thể giải quyết chính xác và lặp đi lặp lại các ứng dụng thị giác khó phát triển và thường không thể duy trì bằng cách sử dụng các phương pháp tiếp cận thị giác máy (Machine Vision) truyền thống. Các mô hình deep learning có thể phân biệt các khiếm khuyết không thể chấp nhận được trong khi dung nạp các biến thể tự nhiên trong các mẫu phức tạp. Và chúng có thể dễ dàng thích nghi với các ví dụ mới mà không cần lập trình lại các thuật toán cốt lõi của chúng.

Phần mềm dựa trên deep learning có thể thực hiện các thử thách về vị trí, kiểm tra, phân loại và nhận dạng ký tự dựa trên phán đoán hiệu quả hơn so với con người hoặc các giải pháp thị giác máy (Machine Vision) truyền thống. Càng ngày, các nhà sản xuất hàng đầu đang chuyển sang sử dụng các giải pháp deep learning và trí tuệ nhân tạo (AI) để giải quyết những thách thức tự động hóa phức tạp nhất trong nhà máy.

Đã qua rồi cái thời con người quản lý trực tiếp các dây chuyền nhà máy. Ngày nay, máy móc tự động hóa các công việc sản xuất, lắp ráp và xử lý vật liệu. Hệ thống thị giác máy (Machine Vision) được trang bị các thuật toán căn chỉnh và nhận dạng chính xác và khả năng hướng dẫn đã giúp sản xuất các bộ phận nhỏ gọn hiện đại không thể chế tạo thủ công được. Trên dây chuyền sản xuất, hệ thống thị giác máy (Machine Vision) có thể kiểm tra hàng trăm hoặc hàng nghìn phần mỗi phút một cách đáng tin cậy và lặp đi lặp lại, vượt xa khả năng kiểm tra của con người.

Trong nhiều thập kỷ, hệ thống thị giác máy đã dạy máy tính thực hiện kiểm tra để phát hiện các khuyết tật, chất gây ô nhiễm, sai sót về chức năng và các bất thường khác trong các sản phẩm được sản xuất. Thị giác máy vượt trội trong phép đo định lượng của một cảnh có cấu trúc vì tốc độ, độ chính xác và khả năng lặp lại của nó. Hệ thống thị giác máy được xây dựng dựa trên độ phân giải máy ảnh và quang học phù hợp có thể dễ dàng kiểm tra các chi tiết vật thể quá nhỏ để mắt người có thể nhìn thấy và kiểm tra chúng với độ tin cậy cao hơn và ít sai sót hơn (Hình 1).

Hệ thống thị giác máy (Machine Vision) truyền thống hoạt động đáng tin cậy với các bộ phận nhất quán, được sản xuất tốt. Sản phẩm hoạt động thông qua lọc từng bước và các thuật toán dựa trên quy tắc tiết kiệm chi phí hơn so với sự kiểm tra của con người. Nhưng các thuật toán trở nên khó sử dụng khi các ngoại lệ và các lỗi phát triển. Một số khó khăn ở kiểm tra thị giác máy truyền thống, chẳng hạn như xác minh lắp ráp lần cuối, nổi tiếng là khó lập trình do có nhiều biến mà máy có thể khó cô lập như ánh sáng, thay đổi màu sắc, độ cong và trường nhìn (Hình 2).

Mặc dù hệ thống thị giác máy có thể chấp nhận một số thay đổi về hình dáng của một bộ phận do quy mô, xoay và tạo ra sự biến dạng, kết cấu bề mặt phức tạp và chất lượng hình ảnh đưa ra những thách thức kiểm tra nghiêm trọng. Hệ thống thị giác máy sẽ cố gắng để đánh giá sự thay đổi và độ lệch giữa các phần có vẻ giống nhau (Hình 3). Sự khác biệt hoặc dị thường vốn có có thể có hoặc có thể không phải là nguyên nhân để từ chối, tùy thuộc vào cách người dùng hiểu và phân loại chúng. Các dị thường về “chức năng”, ảnh hưởng đến công dụng của một bộ phận, hầu như luôn luôn dẫn đến việc bị từ chối, trong khi các dị thường về mỹ phẩm có thể không, tùy thuộc vào nhu cầu và sở thích của nhà sản xuất. Vấn đề nhất là những khiếm khuyết này rất khó để hệ thống thị giác máy truyền thống phân biệt.

Hình 3. Nền khó hiểu và chói mắt có thể khiến các hệ thống thị giác máy truyền thống khó đánh giá được sự khác biệt nhỏ giữa các hình ảnh. Trong trường hợp này, một mô hình dựa trên deep learning sẽ nhìn thấy bên ngoài bề mặt kim loại và ánh sáng chói để kiểm tra các dải dây bị thiếu trong cụm trang trí xe hơi

Hình 2. Các nhà phát triển ứng dụng có thể gặp khó khăn trong việc lập trình các kiểm tra phức tạp liên quan đến độ lệch và các khuyết tật không thể đoán trước vào một thuật toán dựa trên quy tắc.

Không giống như thị giác máy truyền thống, con người rất thành thạo trong việc phân biệt giữa các sai sót tinh vi về mặt thẩm mỹ và chức năng, cũng như đánh giá cao các thay đổi về hình dáng bộ phận có thể ảnh hưởng đến chất lượng cảm nhận. Mặc dù bị hạn chế về tốc độ xử lý thông tin, nhưng con người vẫn có khả năng khái quát hóa. Con người giỏi trong việc học hỏi bằng ví dụ và có khả năng phân biệt điều gì thực sự quan trọng khi nói đến sự bất thường nhỏ giữa các bộ phận. Điều này làm cho tầm nhìn của con người trở thành lựa chọn tốt nhất, trong nhiều trường hợp, để giải thích định tính một cảnh phức tạp, không có cấu trúc — đặc biệt là những cảnh có những khiếm khuyết tinh vi và những sai sót không thể đoán trước (Hình 4).

Hình 4. Ví dụ về những cảnh phức tạp mà thị giác của con người có khả năng phân biệt vượt trội.

Ví dụ, con người chính xác hơn nhiều khi xử lý các ký tự bị biến dạng và khó đọc, bề mặt phức tạp và các khuyết tật thẩm mỹ. Đối với nhiều ứng dụng này, máy móc không thể cạnh tranh với con người vì đánh giá cao độ phức tạp của chúng.

Mô hình deep leaning có thể giúp máy móc khắc phục những hạn chế bằng cách kết hợp khả năng tự học của người kiểm tra với tốc độ và tính nhất quán của một hệ thống máy tính..

Như các ví dụ trong Hình 5 cho thấy, phân tích hình ảnh dựa trên deep learning đặc biệt phù hợp cho việc kiểm tra bề mặt mỹ phẩm có bản chất phức tạp: các mẫu thay đổi theo những cách tinh tế nhưng có thể chấp nhận được và các biến thể vị trí có thể loại trừ việc sử dụng các phương pháp dựa trên tần số không gian. Deep learning vượt trội trong việc giải quyết các khiếm khuyết thẩm mỹ và bề mặt phức tạp, chẳng hạn như vết xước và vết lõm trên các bộ phận được tiện, chải hoặc sáng bóng. Cho dù được sử dụng để xác định vị trí, đọc, kiểm tra hoặc phân loại các tính năng quan tâm, phân tích hình ảnh dựa trên deep learning khác với thị giác máy (Machine Vision) truyền thống ở khả năng khái niệm hóa và khái quát hóa diện mạo của một bộ phận dựa trên các đặc điểm phân biệt của nó — ngay cả khi những đặc điểm đó thay đổi một cách tinh vi hoặc đôi khi đi chệch hướng

Hình 5. Phân tích hình ảnh dựa trên deep learning vượt trội trong việc xác định các dị thường về thẩm mỹ và chức năng mà thị giác máy gặp phải và nó thực hiện nhanh chóng và đáng tin cậy hơn so với sự kiểm tra bằng con người.

Sự lựa chọn giữa thị giác máy truyền thống và deep learning phụ thuộc vào loại ứng dụng đang được giải quyết, lượng dữ liệu đang được xử lý và khả năng xử lý. Thật vậy, vì nhiều lợi ích của nó, deep learning không phải là giải pháp phù hợp cho nhiều ứng dụng. Các công nghệ lập trình dựa trên quy tắc truyền thống tốt hơn trong việc đánh giá và đo lường, cũng như thực hiện căn chỉnh chính xác. Trong một số trường hợp, kiểm tra ngoại quan (Vision) truyền thống có thể là lựa chọn tốt nhất để xác định chính xác khu vực quan tâm và deep learning để kiểm tra khu vực đó. Sau đó, kết quả của một cuộc kiểm tra dựa trên deep learning có thể được chuyển trở lại thị giác truyền thống để thực hiện các phép đo chính xác về kích thước và hình dạng khuyết tật

Học sâu bổ sung cho các phương pháp tiếp cận dựa trên quy tắc và nó làm giảm nhu cầu về chuyên môn sâu trong lĩnh vực tầm nhìn để xây dựng một quá trình kiểm tra hiệu quả. Thay vào đó, học sâu đã biến các ứng dụng trước đây yêu cầu chuyên môn về thị lực thành những thách thức kỹ thuật mà các chuyên gia không có tầm nhìn có thể giải quyết được. Học sâu chuyển gánh nặng logic từ một nhà phát triển ứng dụng, người phát triển và viết một thuật toán dựa trên quy tắc sang một kỹ sư đào tạo hệ thống. Nó cũng mở ra một loạt các khả năng mới để giải quyết các ứng dụng chưa từng được thử mà không có người kiểm tra. Bằng cách này, học sâu giúp thị giác máy hoạt động dễ dàng hơn, đồng thời mở rộng giới hạn của những gì máy tính và máy ảnh có thể kiểm tra chính xác. Hình 6 dưới đây xác định các ứng dụng phù hợp nhất cho thị giác máy truyền thống và cho các phương pháp tiếp cận dựa trên học sâu, bao gồm cả những ứng dụng phù hợp nhất với

Figure 6. Phân tích hình ảnh dựa trên deep learning và thị giác máy (machine vision) truyền thống là những công nghệ bổ sung cho nhau, với khả năng chồng chéo cũng như các lĩnh vực riêng biệt mà mỗi loại đều vượt trội. Một số ứng dụng có thể liên quan đến cả hai công nghệ

Càng ngày, ngành công nghiệp càng chuyển sang sử dụng công nghệ deep learning để giải quyết việc kiểm tra sản xuất quá phức tạp, tốn thời gian và chi phí để lập trình bằng các thuật toán dựa trên quy tắc truyền thống. Điều này sẽ giúp bạn có thể tự động hóa các ứng dụng không thể lập trình trước đây, giảm tỷ lệ lỗi và nhanh chóng thời gian kiểm tra. Deep learning cung cấp cho các nhà sản xuất khả năng giải quyết các vấn đề thách thức các ứng dụng thị giác máy truyền thống và làm như vậy với độ mạnh và độ tin cậy cao hơn.

Ứng dụng deep learning In-Sight® ViDi được triển khai trên máy ảnh thông minh In-Sight D900 mà không cần PC, giúp những người không phải lập trình viên có thể truy cập công nghệ deep learning một cách dễ dàng. Ứng dụng này sử dụng nền tảng phần mềm In-Sight quen thuộc và dễ sử dụng, giúp đơn giản hóa việc phát triển ứng dụng và tích hợp nhà máy.

Phần mềm VisionPro Deep Learning kết hợp thư viện công cụ thị giác máy (Machine Vision) toàn diện với các công cụ deep learning nâng cao bên trong một khuôn khổ triển khai và phát triển chung. Nó đơn giản hóa việc phát triển các ứng dụng vision có thể thay đổi cao và cho phép các kỹ sư xây dựng các giải pháp deep learning linh hoạt, được tùy chỉnh cao phù hợp với nhu cầu cụ thể.