Công nghệ học sâu đã thúc đẩy tự động hóa ngành sản xuất ô tô như thế nào?

Các nhà sản xuất ô tô là một trong những nhà sản xuất đầu tiên áp dụng cơ khí hóa, tự động hóa và nâng cao năng suất nhờ thị giác máy. Ngày nay, gần như mọi thành phần, hệ thống và cụm phụ trong ô tô đều được sản xuất bằng công nghệ đọc mã vạch và thị giác máy. Nhờ những tiến bộ vượt bậc trong trí tuệ nhân tạo, nhiều nhà sản xuất ô tô và phụ tùng hiện đang hướng tới phần mềm phân tích hình ảnh dựa trên học sâu để tự động hóa các quy trình thủ công được coi là quá phức tạp để tự động hóa cho đến gần đây.

Các ứng dụng này liên quan đến vị trí bộ phận không thể đoán trước, kiểm tra thẩm mỹ trên nền khó nhìn và phân loại - một hạng mục kiểm tra mà thuật toán thị giác máy không thể tự động hóa. Bằng cách tự động hóa các ứng dụng này với việc sử dụng phần mềm học sâu, các nhà sản xuất có thể tăng năng suất của họ bằng cách hạn chế các khiếm khuyết và lỗi ảo. Các sản phẩm phụ khác khi triển khai công nghệ này bao gồm tăng chất lượng tổng thể và có khả năng giảm thiểu lao động.

Phát hiện khiếm khuyết

Các nhà sản xuất ô tô có động lực rất lớn để đảm bảo tính toàn vẹn của các thành phần và cụm lắp ráp phụ của họ, nơi những khiếm khuyết nhỏ nhất có thể ảnh hưởng đến chức năng và sự an toàn của một bộ phận. Lấy ví dụ, một piston trong động cơ pittông. Các vết xước trên đường hàn của piston ảnh hưởng xấu đến hiệu suất của nó. Một số khác, như những vết rỉ sét và thậm chí một số vết nứt bề ngoài, chỉ đơn thuần là ảnh hưởng đến thẩm mỹ. Tuy nhiên, những khác biệt về khuyết tật này có thể khó đánh giá đối với các hệ thống kiểm tra thông thường vì các vấn đề hình ảnh.

Bề mặt mối hàn kim loại tạo ra ánh sáng chói lóa, có thể gây nhầm lẫn cho máy ảnh. Vì lý do này, nhiều nhà sản xuất tiếp tục sử dụng người kiểm tra thủ công thay vì cố gắng tự động hóa việc kiểm tra các mối hàn kim loại có kết cấu phức tạp, mặc dù con người thì chậm và dễ bị mệt mỏi.

May mắn thay, những tiến bộ trong học sâu đã giúp nó có thể tự động phát hiện và xác định đặc điểm của các khuyết tật không thể đoán trước và có thể thay đổi trên bề mặt kim loại như mối hàn mà không cần kiểm tra thủ công. Các thuật toán học sâu học từ các hình ảnh ví dụ để hình thành các mô hình khuyết tật mối hàn của riêng chúng. Các hệ thống này có thể chịu được hình ảnh mờ, không tập trung và hình nền khó, sau thời gian đào tạo ban đầu để chúng có thể đánh giá và nhận ra ngay cả những biến thể nhỏ nhất và phân loại chúng một cách hiệu quả. Và tất nhiên, lợi ích cộng thêm là tốc độ. Các chương trình này, có thể chạy dưới dạng máy ảnh thông minh chỉ có phần mềm hoặc trực tiếp trên bo mạch, rất nhanh và nhất quán. Bằng cách này, các hệ thống học sâu cung cấp sự kết hợp không thể đánh bại giữa tốc độ và tính nhất quán với trí thông minh như con người.

Nhận dạng ký tự quang học

Việc đọc ký tự tự động cũng có thể gây nhầm lẫn cho hệ thống kiểm tra khi có ánh sáng đặc trưng, phản xạ và màu sơn. Thông thường, các công cụ OCR và xác minh ký tự quang học (OCV) nhận dạng các ký tự để đọc hoặc xác minh tính đúng đắn của chúng, đồng thời cung cấp cho người dùng các tùy chọn để tối ưu hóa hệ thống của họ về tốc độ đọc.

Phần lớn các công cụ OCR / OCV hiện nay có thể đọc nhanh chóng và đáng tin cậy các phông chữ màu đen được in trên nền trắng, sạch. Không có gì ngạc nhiên khi những điều kiện lý tưởng này không phải là tiêu chuẩn trong hầu hết các cơ sở công nghiệp. Mặc dù các thuật toán nâng cao hiện có thể học và đọc hầu hết các phông chữ in, ngay cả khi có rất ít độ tương phản giữa ký tự và nền cũng như sự thay đổi đáng kể về chiều rộng và chiều cao. Tuy nhiên, các vấn đề vẫn xảy ra khi các chữ cái hoặc số bị chạm, lệch hoặc méo.

Cũng có thể khó phân biệt giữa các hình dạng tương tự (ví dụ: chữ “O” và số “0”) khi công cụ chưa được đào tạo trước về phông chữ cụ thể đó. Điều gì xảy ra khi có ánh sáng đặc trưng, phản xạ và màu sơn? Hoặc khi các hình chữ và số được in bằng cách nào đó bị biến dạng và không còn nhận ra ngay lập tức?

Trong trường hợp mã VIN của ô tô, các nhà sản xuất phải có khả năng giải mã nhanh một chuỗi các chữ cái và số, có thể được in trên các bề mặt khác nhau. Điều kiện môi trường cũng như sự biến dạng bản in có thể gây khó khăn cho hệ thống thị giác máy trong việc xác định vị trí và nhận dạng các ký tự, các ký tự này có thể được in trực tiếp (DPM), được khắc hoặc viết nguệch ngoạc lên tấm kim loại hoặc được in trên nhãn dán. Công cụ OCR dựa trên học sâu của Cognex sử dụng một công cụ đa phông chữ, được đào tạo trước để nhận dạng các ký tự ngay cả khi chúng bị che khuất bởi biến dạng in, độ tương phản cao thấp hoặc phản chiếu. Trong trường hợp đọc sai, mô hình học sâu chỉ cần được đào tạo lại với các ví dụ bổ sung về các ký tự bị thiếu, giúp tiết kiệm thời gian và giảm tỷ lệ lỗi ảo.

Kiểm tra lắp ráp

Đối với các cụm lắp ráp lớn và phức tạp, một hệ thống kiểm tra cũng cần có khả năng phân đoạn các khu vực cụ thể là khu vực quan tâm để kiểm tra hoặc khu vực chứa các khuyết tật. Những yếu tố này làm cho lập trình dựa trên quy tắc trở nên quá cồng kềnh và dễ xảy ra lỗi. Thay vào đó, các công cụ phát hiện khiếm khuyết, vị trí và bố cục dựa trên học sâu có thể phát triển các mô hình dựa trên AI để xác định các vùng được nhắm mục tiêu quan tâm trong một hình ảnh, đơn giản bằng cách tìm hiểu các biến thể có thể có về ngoại hình, từ một bộ hình ảnh mẫu đại diện và kiểm tra chúng để xem chúng có hoàn chỉnh hay không.

Bằng cách này, hệ thống dựa trên học sâu tạo ra một mô hình tham chiếu đáng tin cậy của một bộ phận lắp ráp chẳng hạn như cửa ô tô và có thể nhanh chóng và đáng tin cậy xác nhận rằng tất cả các bộ phận đều có mặt, được đặt chính xác vào vị trí của chúng và được lắp ráp hoàn chỉnh. Mặc dù các kiểm tra viên có kỹ năng trong loại phán đoán này, nhưng học sâu có thể thực hiện nhiệm vụ với tốc độ, độ chính xác, quy mô và sức mạnh của máy tính.

Phân loại

Chúng ta hãy quay lại ví dụ về phát hiện khuyết tật đường hàn để hiểu thêm về đề xuất giá trị của học sâu. Như đã giải thích trước đây, sự không nhất quán của hàn có thể là bất thường nhưng không phải là khiếm khuyết về mặt chức năng. Điều này đòi hỏi một hệ thống kiểm tra tự động, ngoài việc phát hiện các khuyết tật, còn có thể phân loại chính xác chúng là “tốt” (hiệu quả, đạt) hoặc “xấu” và nguyên nhân từ chối. Các nhà sản xuất cần dữ liệu để biết liệu có quá nhiều trong một loại lỗi gây ra từ chối trên dây chuyền hay không để thay đổi phương pháp sản xuất hoặc hạn chế loại lỗi có thể xảy ra ngay từ đầu.

Những hạn chế cố hữu của thị giác máy khiến nó không thể phân loại hình ảnh. Tuy nhiên, những tiến bộ trong mạng nơ-ron có nghĩa là các chương trình dựa trên AI hiện có thể thực hiện phân loại dựa trên hình ảnh. AI thực sự có thể phân loại các hình ảnh của cùng một bộ phận thành các danh mục phụ bằng cách học các yếu tố phân biệt hình ảnh chính của chúng. Sau khi được đào tạo về một tập hợp các hình ảnh đại diện được gắn nhãn của mỗi lớp hình ảnh, mô hình học sâu học cách phân biệt giữa các hình ảnh thời gian thực và phân loại chúng thành các lớp như loại bugi.

Học sâu là công cụ mới nhất mà các kỹ sư ứng dụng kiểm tra có để giải quyết các thách thức kiểm tra ô tô phức tạp. Những gì từng được coi là chỉ có thể bằng sự kiểm tra của con người giờ đây có thể được thực hiện thông qua một hệ thống thị giác được thúc đẩy bởi công nghệ học sâu.