“Nếu bạn đang mắc kẹt với cách làm cũ và không có khả năng số hóa các quy trình sản xuất, chi phí của bạn có thể sẽ tăng lên, sản phẩm của bạn sẽ đưa ra thị trường muộn và khả năng cung cấp giá trị gia tăng đặc biệt cho khách hàng sẽ giảm,” Stephen Ezell - chuyên gia về chính sách đổi mới toàn cầu tại Quỹ Đổi mới và Công nghệ Thông tin, cho biết trong một báo cáo của Intel về tương lai của AI trong sản xuất.
Nói cách khác, những công ty có thể nhanh chóng biến nhà máy của họ thành những trung tâm tự động hóa thông minh sẽ là những công ty giành được lợi nhuận lâu dài từ những khoản đầu tư đó. Những công nghệ này đã trở nên rất quan trọng đối với hoạt động sản xuất, kinh doanh.
Theo một báo cáo nghiên cứu gần đây từ Forbes Insights, 93% người trả lời khảo sát từ các lĩnh vực ô tô và sản xuất đã phân loại AI là “cực kỳ quan trọng” hoặc “cực kỳ thiết yếu để thành công”. Tuy nhiên, chỉ 56% trong số những người trả lời này có kế hoạch tăng chi tiêu cho AI, và chỉ tăng thêm 10% hoặc ít hơn ngân sách hiện có. Có thể việc chưa quyết định đầu tư vào công nghệ AI là do thiếu hiểu biết về ROI cũng như các tính năng và ứng dụng thực tế của AI trong ngành nghề của họ.
Trong các ứng dụng kiểm tra ngoại quan sản phẩm, việc phân tích hình ảnh dựa trên công nghệ AI hay cụ thể là học sâu (Deep learning) hoặc thị giác máy (Machine Vision) có thể mang lại cho nhà máy hiệu quả rõ rệt. Sự kết hợp giữa thị giác máy dựa trên quy tắc và phân tích hình ảnh dựa trên học sâu có thể giúp các nhà lắp ráp robot xác định các bộ phận chính xác, giúp phát hiện xem một bộ phận có hiện diện hoặc bị thiếu hoặc lắp ráp không chính xác trên sản phẩm hay không và nhanh chóng xác định xem đó có phải là vấn đề hay không.
Sự kết hợp giữa thị giác máy và học sâu là cơ sở để các công ty áp dụng các công nghệ thông minh hơn nhằm mang lại cho họ quy mô, độ chính xác, tính hiệu quả và tăng trưởng tài chính cho thế hệ tiếp theo. Nhưng hiểu được sự khác biệt về sắc thái giữa thị giác máy truyền thống và học sâu và cách chúng bổ sung cho nhau, thay vì thay thế, là điều cần thiết để tối đa hóa các khoản đầu tư đó.
Học sâu (Deep Learning) là một tập hợp con của trí tuệ nhân tạo và là một phần của dòng học máy (Machine learning) rộng hơn. Thay vì con người lập trình các ứng dụng máy tính theo nhiệm vụ cụ thể, học sâu sử dụng dữ liệu và sau đó đào tạo dữ liệu qua các mạng lưới thần kinh để tạo ra kết quả chính xác hơn dựa trên dữ liệu đào tạo đó. Nói một cách đơn giản, học sâu cho phép giải quyết các nhiệm vụ cụ thể mà không cần phải lập trình rõ ràng để làm như vậy.
Học sâu có thể nhận ra các bất thường và phương sai giữa một tập hợp dữ liệu một cách nhất quán và trên quy mô lớn. Đó là điều mà con người về bản chất làm rất tốt — tìm ra điểm khác biệt — nhưng điều đó cho đến bây giờ các hệ thống máy tính dựa trên lập trình cứng nhắc vẫn chưa tốt. Tuy nhiên, máy tính không dễ mệt mỏi khi ra quyết định trên dây chuyền lắp ráp — không giống như chuyên viên kiểm tra.
Ứng dụng của học sâu trong đời sống: nhận dạng khuôn mặt để mở khóa điện thoại hoặc xác định bạn bè trong ảnh trên mạng xã hội, công cụ đề xuất trên các dịch vụ video và âm nhạc trực tuyến hoặc khi mua sắm tại các trang web thương mại điện tử, chẩn đoán bệnh, bộ lọc thư rác trong email và phát hiện gian lận thẻ tín dụng.
Theo O’Reilly Media, có năm danh mục lớn cho các thuật toán học máy:
Học có giám sát bao gồm ánh xạ dữ liệu đầu vào tới các nhãn đã biết mà con người đã cung cấp. Các công cụ đề xuất của các dịch vụ nhạc và phim trực tuyến sử dụng các kỹ thuật học có giám sát.
Học không giám sát là dữ liệu đầu vào không được gắn nhãn và hệ thống cố gắng học cấu trúc từ dữ liệu đó một cách tự động mà không cần bất kỳ hướng dẫn nào của con người. Phát hiện bất thường, chẳng hạn như gắn cờ các giao dịch thẻ tín dụng bất thường để ngăn chặn gian lận, là một ví dụ về học không giám sát.
Học bán giám sát thường là sự kết hợp của hai phương pháp tiếp cận đầu tiên. Đó là, hệ thống đào tạo trên một phần dữ liệu đầu vào được gắn nhãn — thường là rất nhiều dữ liệu chưa được gắn nhãn và một ít dữ liệu được gắn nhãn. Nhận dạng khuôn mặt trong các dịch vụ ảnh của Facebook và Google là những ứng dụng thực tế của phương pháp tiếp cận này.
Học củng cố chủ yếu là một lĩnh vực nghiên cứu, nhưng các trường hợp sử dụng trong ngành đang bắt đầu xuất hiện. Học củng cố xảy ra khi hệ thống máy tính nhận dữ liệu trong một môi trường cụ thể và sau đó học cách tối đa hóa kết quả của dữ liệu. Máy tính DeepMind AlphaGo của Google, đã học thành công cách chơi Cờ vây, là một ví dụ gần đây về kỹ thuật này.
Học chuyển giao liên quan đến việc sử dụng lại một mô hình đã được đào tạo đồng thời giải quyết một vấn đề và áp dụng vào một vấn đề khác nhưng có liên quan. Một ví dụ về học chuyển giao là mô hình học sâu được đào tạo trên hàng triệu hình ảnh của mèo, sau đó được "tinh chỉnh" để phát hiện khối u ác tính trong chụp hình y tế.
Ở cấp độ cơ bản, hệ thống thị giác (Machine vision) máy dựa vào các cảm biến kỹ thuật số được bảo vệ bên trong camera công nghiệp bằng quang học chuyên dụng để thu nhận hình ảnh. Những hình ảnh đó sau đó được đưa đến PC để phần mềm chuyên dụng có thể xử lý, phân tích và đo lường các đặc điểm khác nhau để đưa ra quyết định.
Hệ thống thị giác máy truyền thống hoạt động đáng tin cậy với các bộ phận nhất quán, được sản xuất tốt. Chúng 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 trên quy mô lớn. Chúng có thể được thực hiện với tốc độ cực nhanh và độ chính xác cao. Trên dây chuyền sản xuất, hệ thống thị giác máy dựa trên quy tắc có thể kiểm tra hàng trăm, thậm chí hàng nghìn bộ phận mỗi phút. Đầu ra của dữ liệu trực quan đó dựa trên cách tiếp cận dựa trên quy tắc, có lập trình để giải quyết các vấn đề kiểm tra.
Trong bối cảnh nhà máy, thị giác máy dựa trên quy tắc truyền thống là lý tưởng cho:
Hướng dẫn: Xác định vị trí, định hướng và đặc điểm chính của một bộ phận để tối ưu hoá các công cụ kiểm tra thị giác khác ở giai đoạn sau.
Nhận dạng: Đọc mã vạch, mã ma trận dữ liệu, mã mã khắc trực tiếp và các ký tự được in trên các bộ phận, nhãn và gói.
Đo lường: Tính toán khoảng cách giữa hai hoặc nhiều điểm hoặc vị trí hình học trên một đối tượng và xác định xem các phép đo này có đáp ứng các thông số kỹ thuật hay không.
Kiểm tra: Tìm các sai sót hoặc các bất thường khác như không có niêm phong an toàn, các bộ phận bị hỏng, v.v...
Học sâu và mắt thường
Nhất quán hơn: giảm sự không nhất quán giữa các chuyên viên kiểm tra khác nhau.
Đáng tin cậy hơn: hoạt động đáng tin cậy hơn ngay cả khi bị thay đổi quy mô hoặc sao chép sang các dây chuyền khác
Nhanh hơn: xác định các lỗi trong mili giây, hỗ trợ các ứng dụng tốc đô cao và cải thiện thông lượng.
Học sâu và thị giác máy truyền thống
Được thiết kế cho các ứng dụng khó giải quyết: Giải quyết các ứng dụng kiểm tra và phân loại phức tạp mà các thuật toán dựa trên quy tắc cổ điển không thể hoặc khó giải quyết.
Dễ cấu hình hơn: Các ứng dụng có thể được thiết lập nhanh chóng, tăng tốc độ trong việc thử nghiệm tính khả thi và triển khai dự án.
Chấp nhận các biến thể: Xử lý các biến thể lỗi đối với các ứng dụng cần chấp nhận sự sai lệch từ việc kiểm soát.
Sự khác biệt cấp độ cao giữa thị giác máy truyền thống và học sâu
▪ Quá trình phát triển (lập trình dựa trên quy tắc từng công cụ so với đào tạo dựa trên ví dụ).
▪ Đầu tư phần cứng (ví dụ: học sâu đòi hỏi nhiều xử lý và lưu trữ hơn).
▪ Các trường hợp sử dụng tự động hóa nhà máy phù hợp với từng công cụ.
Thị giác máy dựa trên quy tắc và phân tích hình ảnh dựa trên học sâu là sự bổ sung cho nhau thay vì chỉ chọn một trong hai khi áp dụng các công cụ tự động hóa nhà máy thế hệ tiếp theo. Trong một số ứng dụng, như đo lường, thị giác máy dựa trên quy tắc vẫn sẽ là lựa chọn ưu tiên và tiết kiệm chi phí.
Đối với các kiểm tra phức tạp liên quan đến độ lệch rộng và các lỗi không thể đoán trước — quá nhiều và phức tạp để lập trình và duy trì trong hệ thống thị giác máy truyền thống — các công cụ dựa trên học sâu sẽ cung cấp một giải pháp thay thế tối ưu và hiệu quả.
Nguồn tham khảo: Cognex
>>> Xem Thêm: Hệ Thống Vision Là Gì?
----------------------------------------------------------
THÔNG TIN LIÊN HỆ
Công ty TNHH Hệ thống Tự động Đại Dương Mới (New Ocean Automation System)
Website: New Ocean Automation System
Hotline: 1900 0224