ĐATN ứng dụng công nghệ AI trong kiểm tra chất lượng sản phẩm

ĐỒ ÁN TỐT NGHIỆP GVHD NGUYỄN THỊ KIM CÚC ĐẠI HỌC BÁCH KHOA HÀ NỘI TRƯỜNG CƠ KHÍ BỘ MÔN CƠ KHÍ CHÍNH XÁC VÀ QUANG HỌC ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI NGHIÊN CỨU THIẾT KẾ HỆ THỐNG KIỂM TRA LỖI TRÊN DÂY TRUYỀN.ĐÂY LÀ ĐỀ TÀI ĐỘC QUYỀN VÀ ĐỘC LẠ CỦA MÌNH, LÀ DỰ ÁN MÌNH LÀM VÀ ĐÃ ĐƯỢC ỨNG DỤNG VÀO TRONG NHÀ MÁY, ĐƯỢC CÁC THẦY CÔ ĐÁNH GIÁ CAO.NẾU BẠN CẦN MÌNH SUPPORT TRỰC TIẾP HOẶC ONLINE ĐỂ LÀM ĐỒ ÁN TỐT NGHIỆP THÌ LIÊN HỆ QUA SỐ 0329 639 772

TỔNG QUAN VỀ HỆ THỐNG KIỂM TRA SẢN PHẨM

Tổng quan về Deep learning

Deep learning là một kỹ thuật tiên tiến trong lĩnh vực học của thị giác máy tính, cho phép máy tính học từ hình ảnh do con người cung cấp để tự động tạo ra giải pháp cho nhiều ứng dụng phân tích hình ảnh Ưu điểm nổi bật của deep learning là khả năng giải quyết các bài toán phức tạp mà các thuật toán truyền thống không thể xử lý hiệu quả, đặc biệt là trong việc kiểm tra các đối tượng có sự thay đổi lớn về hình dạng hoặc bề ngoài, như sản phẩm hữu cơ, bề mặt có kết cấu lớn và cảnh quan tự nhiên.

 Phát hiện các khuyết tật bề mặt và hình dạng (ví dụ như vết nứt, biến dạng, đổi màu),

 Phát hiện các mẫu bất thường hoặc không mong muốn (ví dụ như các bộ phận bị thiếu, bị hỏng hoặc chất lượng thấp),

 Nhận dạng các đối tượng hoặc hình ảnh liên quan đến các lớp được xác định trước (tức là máy phân loại),

 Vị trí, phân đoạn và phân loại nhiều đối tượng trong một hình ảnh (tức là chọn thùng rác),

 Phân tích chất lượng sản phẩm (bao gồm trái cây, thực vật, gỗ và các sản phẩm hữu cơ khác),

 Vị trí và phân loại các điểm chính, các vùng đặc trưng và các đối tượng nhỏ,

 Nhận dạng ký tự quang học.

Việc sử dụng chức năng Deep learning bao gồm hai giai đoạn:

1 Đào tạo - tạo ra một mô hình dựa trên các tính năng đã học được từ các mẫu đào tạo,

2 Suy luận - áp dụng mô hình trên các hình ảnh mới để thực hiện nhiệm vụ thị giác máy thực tế.

Sự khác biệt so với phương pháp phân tích hình ảnh truyền thống được trình bày trong các sơ đồ dưới đây:

Hình 2.1.Cách tiếp cận truyền thống

Hình 2.2.Phương pháp học máy

Deep Learning là một nhánh của Machine Learning, nổi bật với khả năng giải quyết các vấn đề phức tạp mà các phương pháp Machine Learning truyền thống không thể xử lý Sự khác biệt này giúp máy tính hoạt động hiệu quả hơn trong nhiều lĩnh vực.

Một ví dụ đơn giản về nhiệm vụ Machine Learning là dự đoán doanh số bán kem dựa trên nhiệt độ ngoài trời Việc dự đoán này chỉ cần sử dụng một vài tính năng dữ liệu và có thể thực hiện bằng kỹ thuật hồi quy tuyến tính với độ dốc giảm dần.

Nhiều vấn đề trong thế giới thực không thể được giải quyết bằng các mô hình đơn giản, như ví dụ về việc nhận diện chữ số viết tay Để nhận diện chính xác, máy tính cần phải xử lý sự đa dạng trong cách trình bày dữ liệu, vì mỗi chữ số từ 0 đến 9 có thể được viết theo nhiều cách khác nhau Kích thước và hình dạng của mỗi chữ số có thể thay đổi tùy thuộc vào người viết và hoàn cảnh Việc xử lý sự biến đổi này cùng với sự tương tác phức tạp giữa các đặc điểm là lý do mà học sâu và mạng nơ-ron sâu trở nên quan trọng.

Khi nào thì bạn nên sử dụng Deep Learning

Khi dữ liệu của bạn phần lớn không có cấu trúc và bạn có rất nhiều dữ liệu.

Thuật toán Deep Learning có khả năng xử lý dữ liệu không có cấu trúc và không nhãn như video, hình ảnh, âm thanh và văn bản, từ đó tạo ra trật tự và cấu trúc cho dữ liệu Điều này cho phép chúng đưa ra những dự đoán hữu ích, xây dựng hệ thống phân cấp các đặc điểm nhận diện hình ảnh của chó hoặc mèo, cũng như phân tích âm thanh để nhận diện từ trong lời nói.

Chúng ta có nên lúc nào cũng sử dụng Deep Learning thay vì Machine Learning?

Học sâu thường đòi hỏi chi phí tính toán cao, đặc biệt đối với các tác vụ phức tạp Để đào tạo một mạng lưới thần kinh sâu, cần xử lý một khối lượng lớn dữ liệu, sử dụng các cụm GPU cao cấp trong nhiều giờ.

Việc đầu tư vào các GPU hàng đầu có thể tiêu tốn hàng ngàn đô la để mua hoặc lên tới 5 đô la mỗi giờ để thuê trên đám mây, vì vậy không nên vội vàng khi bắt đầu tìm hiểu sâu về công nghệ này.

Khi vấn đề có thể được giải quyết bằng các thuật toán Machine Learning đơn giản như suy luận Bayes hoặc hồi quy tuyến tính, và không cần hệ thống xử lý các tính năng phức tạp trong dữ liệu, thì những tùy chọn tính toán ít tốn kém hơn sẽ là lựa chọn tối ưu hơn.

Deep Learning không phải lúc nào cũng là lựa chọn tối ưu cho việc dự đoán từ dữ liệu Trong trường hợp tập dữ liệu nhỏ, các mô hình Machine Learning tuyến tính đơn giản có thể cho kết quả chính xác hơn Tuy nhiên, một số chuyên gia trong lĩnh vực Machine Learning cho rằng nếu được đào tạo đúng cách, mạng thần kinh Deep Learning vẫn có thể hoạt động hiệu quả với lượng dữ liệu hạn chế.

Hệ gợi ý đóng vai trò quan trọng trong thành công của các nền tảng lớn như Netflix, Amazon và YouTube Bằng cách áp dụng hệ thống này, các công ty có thể đưa ra những gợi ý sản phẩm phù hợp với nhu cầu người dùng, từ đó không chỉ tăng lợi nhuận mà còn nâng cao trải nghiệm khách hàng.

Hệ gợi ý được chia thành hai loại chính: Content-based và Collaborative Filtering Phương pháp Content-based phân tích thuộc tính của từng sản phẩm và sở thích của người dùng để gợi ý sản phẩm phù hợp Ngược lại, Collaborative Filtering tập trung vào việc tìm kiếm sự tương đồng giữa các người dùng, từ đó đưa ra gợi ý dựa trên những người dùng tương đồng (User Collaborative Filtering) hoặc các sản phẩm tương tự với những sản phẩm mà người dùng đã tiêu thụ (Item Collaborative Filtering) Cả hai phương pháp này đều có thể được triển khai bằng Deep Learning trên các tập dữ liệu lớn để tối ưu hóa gợi ý sản phẩm cho người dùng.

Chatbots là một công nghệ đã có từ khá lâu nhưng mới chỉ bùng nổ vào khoảng

Trong 10 năm qua, sự phát triển của mạng hồi quy đã nâng cao đáng kể độ chính xác trong việc phân tích ngữ nghĩa các câu hội thoại Nhờ đó, các chatbot hiện nay có khả năng hiểu và phân tích thông tin từ cuộc trò chuyện của người dùng, từ đó cung cấp những phản hồi hợp lý và thích hợp hơn.

1.1.4 Nhận diện hình ảnh Đây là một trong những mảng lớn của Deep Learning với rất nhiều những ứng dụng thực tiễn Công nghệ nhận diện và phân loại hình ảnh có ứng dụng trực tiếp trên mảng computer vision, giúp các hệ thống trí tuệ nhân tạo có khả năng phân tích và xử lý hình ảnh như một con người Từ đó, các hệ thống này có khả năng thực hiện các tác vụ như: nhận diện khuôn mặt, nhận diện thực thể, phân loại ảnh và video,

Những vấn đề cơ bản trong Deep learning

1.2.1 Các kỹ thuật Deep learning

Kỹ thuật này được sử dụng để phát hiện các mẫu bất thường (bất thường hoặc bất ngờ)

Để hiểu rõ mô hình xuất hiện bình thường, chỉ cần một tập hợp các mẫu không lỗi Tùy theo nhu cầu, có thể bổ sung một số mẫu bị lỗi nhằm xác định rõ hơn ngưỡng của các biến thể chấp nhận được.

Công cụ này rất hữu ích trong việc xác định các dạng khuyết tật khó nhận diện hoặc khi không có mẫu âm tính Kết quả của nó bao gồm phân loại tình trạng (bình thường hoặc lỗi), điểm bất thường, và bản đồ nhiệt thô thể hiện các khu vực bất thường trong hình ảnh.

Hình 2.3.Ví dụ phát hiện đối tượng bị thiếu

Kỹ thuật phân đoạn hình ảnh này cho phép xác định chính xác các lớp tính năng theo từng pixel Để đạt được điều này, người dùng cần đánh dấu các pixel thuộc mỗi lớp trong quá trình đào tạo.

Kết quả của kỹ thuật này là một mảng các bản đồ xác suất cho mọi lớp.

Hình 2.4.Ví dụ về phân đoạn hình ảnh

Kỹ thuật này nhằm xác định đối tượng trong một khu vực cụ thể dựa trên các lớp mà người dùng đã chỉ định Để thực hiện, cần cung cấp một bộ hình ảnh đã được gán nhãn để đào tạo.

Kết quả của kỹ thuật này là: tên của lớp được phát hiện và mức độ tin cậy của phân loại.

Hình 2.5.Ví dụ về phân loại đối tượng

Kỹ thuật này giúp xác định vị trí, phân đoạn và phân loại các đối tượng trong hình ảnh Để đào tạo, người dùng cần vẽ các vùng tương ứng với các đối tượng và gán chúng vào các lớp phù hợp.

Kết quả là một danh sách các đối tượng được phát hiện, bao gồm các hộp giới hạn, mặt nạ phân đoạn, ID lớp, tên và xác suất thành viên của từng đối tượng.

Hình 2.6.Ví dụ về phân đoạn đối tượng

Kỹ thuật này cho phép xác định và phân loại chính xác các điểm quan trọng, các đặc trưng và đối tượng nhỏ trong hình ảnh Để đào tạo, người dùng cần đánh dấu các điểm của các lớp phù hợp trên hình ảnh Kết quả thu được là danh sách các vị trí điểm được dự đoán, kèm theo dự đoán về lớp và độ tin cậy tương ứng.

Hình 2.7.Ví dụ về vị trí điểm

Kỹ thuật này cho phép xác định vị trí và nhận diện các ký tự trong hình ảnh, từ đó tạo ra một danh sách các ký tự đã được phát hiện.

Hình 2.8.Ví dụ về nhận dạng ký tự

1.2.2.1 Deep neural networks (mạng nơron)

Aurora Vision cung cấp quyền truy cập vào các kiến trúc mạng nơ ron sâu đã được chuẩn hóa, được thiết kế và thử nghiệm để đáp ứng hiệu quả các nhiệm vụ thị giác máy trong ngành công nghiệp.

Mạng nơ-ron bao gồm các bộ lọc tích chập có thể huấn luyện và các kết nối thần kinh, giúp mô hình hóa các biến đổi phức tạp của hình ảnh để trích xuất các tính năng quan trọng Tuy nhiên, để đạt hiệu quả trong việc giải quyết vấn đề cụ thể, mạng nơ-ron cần được cung cấp đủ dữ liệu chất lượng cao trong quá trình đào tạo.

Tài liệu này trình bày các gợi ý thực tế cần thiết về việc tạo ra một mô hình học sâu hiệu quả.

Người dùng có thể lựa chọn một trong năm độ sâu mạng khác nhau, tùy thuộc vào mức độ phức tạp của nhiệm vụ và thời gian thực thi dự kiến.

Tham số Độ sâu mạng là chỉ số quan trọng xác định dung lượng bộ nhớ của mạng nơ-ron, bao gồm số lượng lớp và bộ lọc, cũng như khả năng giải quyết các vấn đề phức tạp Dưới đây là một số gợi ý để lựa chọn độ sâu phù hợp với đặc điểm và điều kiện của nhiệm vụ cụ thể.

 Một số vấn đề rất đơn giản để xác định

 Một vấn đề có thể được giải quyết dễ dàng

 Thời gian thực hiện ngắn

 Nền và ánh sáng không thay đổi trên các hình ảnh

 Đối tượng được định vị tốt và chất lượng hình ảnh cao

 Tích hợp cho hầu hết các ứng dụng mà không cso bất kỳ điều kiện đặc biệt nào

 Có sẵn GPU hỗ trợ CUDA hiện đại

 Một lượng lớn dữ liệu

 Một vấn đề khó hoặc rất phức tạp để xác định và giải quyết

 Các mẫu bất thường phức tạp trên hình ảnh

 Thời gian đào tạo và thực hiện không phải là vấn đề

 Có sẵn một lượng lớn RAM GPU

 Thay đổi nền, ánh sáng và vị trí đối tượng trên hình ảnh

1.2.2.6 Quá trình đào tạo Đào tạo mô hình là một quá trình lặp đi lặp lại của việc cập nhật trọng số mạng nơ-ron dựa trên dữ liệu đào tạo Một lần lặp bao gồm một số bước (được xác định tự động), mỗi bước bao gồm các hoạt động sau:

 Lựa chọ một tập hợp con trong mẫu đào tạo nhỏ

 Tính toán một phép đo sai số cho các mẫu

 Cập nhật các trọng số để đạt được sai số nhỏ hơn cho các mẫu

Cuối mỗi lần lặp, mô hình được đánh giá trên một tập hợp mẫu xác nhận riêng biệt, đã được chọn trước quá trình đào tạo Bộ xác thực này tự động được chọn từ các mẫu đào tạo và giúp mô phỏng cách hoạt động của mạng nơ-ron với các hình ảnh thực mà không được sử dụng trong quá trình đào tạo.

Chỉ tập hợp các trọng số mạng tương ứng với điểm xác nhận tốt nhất khi kết thúc đào tạo mới được lưu làm giải pháp cuối cùng.

Theo dõi điểm đào tạo và xác nhận (các đường màu xanh lam và màu cam trong hình ảnh bên dưới) trong các lần lặp lại liên tiếp cung cấp thông tin quan trọng về tiến trình.

 Cả điểm đào tạo và điểm xác nhận đều đang cải thiện - hãy tiếp tục đào tạo, mô hình vẫn có thể cải thiện.

Giới thiệu về Zebra Aurora

Aurora Vision Studio là phần mềm hàng đầu cho phép nhanh chóng tích hợp và giám sát các ứng dụng thị giác máy tính Với môi trường đồ họa trực quan, nó giúp người dùng dễ dàng tạo ra các ứng dụng mà không cần phần cứng đi kèm.

Công nghệ hoàn thiện đang phát triển mạnh mẽ nhờ vào bộ công cụ và khả năng học sâu ấn tượng, bao gồm nhận dạng ký tự quang học (OCR), giúp đơn giản hóa các nhiệm vụ phân tích hình ảnh trong ngành công nghiệp.

Quy trình tạo chương trình thị giác máy:

1 Kéo và thả bộ lọc từ hộp công cụ vào trình chỉnh sửa chương trình

2 Đặt thông số và tạo các kết nối

3 Kéo và thả đầu ra của bộ lọc vào bảng xem trước dữ liệu dể phân tích tương tác

1 Kéo và thả các điều khiển vào bảng điều khiển HMI

2 Đặt thuộc tính điều khiển

3 Tạo kết nối chương trình

4 Quản lý sự kiện với Trình xử lý sự kiện

Thư viện Zebra Aurora được thiết kế cho lập trình viên có kinh nghiệm, cung cấp các chức năng tinh vi tương tự như phần mềm Aurora Vision Studio, nhưng thông qua ngôn ngữ lập trình thay vì giao diện người dùng đồ họa.

Các lập trình viên có thể tận dụng việc kiểm soát hoàn toàn trong lập trình tùy chỉnh, từ đó tạo ra ứng dụng hình ảnh và giao diện người dùng độc đáo cho riêng mình.

Sử dụng môi trường đồ họa của Aurora Vision Studio giúp tiết kiệm thời gian viết mã bằng cách nhanh chóng tạo và tạo nguyên mẫu ứng dụng thị giác máy Trình tạo mã C ++ tích hợp cho phép người dùng dễ dàng kết hợp giải pháp của họ vào các dự án lập trình.

Thư viện Aurora Vision cung cấp hơn 1.000 chức năng cho các ứng dụng phân tích hình ảnh, bao gồm đọc mã vạch, hiệu chỉnh máy ảnh từ xa và đo 3D Các lập trình viên có thể cài đặt Aurora Vision Library để tự động tạo mã C++ một cách nhanh chóng.

Sản phẩm bổ sung này cung cấp bộ công cụ Deep Learning chất lượng cao, giúp giải quyết các vấn đề phức tạp mà các thuật toán thị giác máy truyền thống không thể xử lý Nó nâng cao hiệu quả đầu ra của phần mềm Aurora Vision Studio và Aurora Vision Library Với các tính năng phát hiện bất thường, công nghệ nhận dạng ký tự quang học (OCR) tiên tiến và khả năng học sâu, sản phẩm này nhận diện và phát triển cách hình ảnh trong thế giới thực được sử dụng.

Trong Aurora Deep Learning, khả năng nhận diện hình ảnh của deep learning vượt trội hơn so với các ứng dụng thị giác máy khác Các công cụ này đã được đào tạo với 20-50 ảnh mẫu và có thể nhanh chóng phát hiện đối tượng và khuyết tật một cách tự động.

Phần mềm này được phát triển và tối ưu hóa đặc biệt cho các hệ thống thị giác công nghiệp, mang lại giải pháp cho những thách thức phức tạp trong thị giác máy mà các thuật toán và phương pháp truyền thống không thể giải quyết được.

Máy móc và người vận hành thủ công hiện nay có khả năng phát hiện các khuyết tật bề mặt phức tạp và không đều, cũng như đọc chính xác các ký tự bị mờ, kém sáng hoặc hỏng trên bề mặt bóng của bao bì sản phẩm.

1.3.4 Giới thiệu ngôn ngữ C/C++ và thư viện OPENCV

Ngôn ngữ lập trình C++ là một ngôn ngữ lập trình hướng đối tượng (OOP) do Bjarne Stroustrup phát triển, dựa trên nền tảng của ngôn ngữ C C++ kết hợp cả hai phong cách lập trình: lập trình hướng cấu trúc như C và lập trình hướng đối tượng, cho phép sử dụng linh hoạt cả hai phong cách Vì vậy, C++ được coi là một ngôn ngữ "lai tạo".

Ngôn ngữ C++ là một ngôn ngữ lập trình cấp trung, kết hợp các đặc điểm của ngôn ngữ lập trình bậc thấp như Pascal và C, cũng như ngôn ngữ lập trình bậc cao như C#, Java và Python.

Ngôn ngữ lập trình C++(C plus plus) có đuôi mở rộng là cpp Điểm mạnh:

Tính phổ biến : C++ là một trong những ngôn ngữ lập trình phổ biến trên thế giới.

C++ cho phép lập trình nhanh chóng nhờ vào khả năng thực thi hiệu quả Nếu bạn thành thạo C++, bạn có thể dễ dàng thêm các tính năng cho chương trình của mình Đặc biệt, C++ hỗ trợ việc sử dụng ngôn ngữ Assembly, giúp bạn giao tiếp trực tiếp với phần cứng máy tính.

C++ cung cấp một thư viện phong phú với nhiều tài nguyên hỗ trợ lập trình viên, bao gồm đồ hoạ API, 2D, 3D và vật lý, giúp việc lập trình trở nên dễ dàng hơn Ngôn ngữ này cũng cho phép lập trình theo nhiều mô hình khác nhau như cấu trúc tuyến tính, hướng chức năng và hướng đối tượng, linh hoạt đáp ứng nhu cầu của người lập trình.

OpenCV, short for Open Source Computer Vision Library, is a leading open-source library for Computer Vision and Machine Learning It now includes GPU acceleration features for real-time operations.

Cơ cấu chấp hành

Băng tải là thiết bị cơ khí hiệu quả trong việc vận chuyển hàng hóa từ vị trí này sang vị trí khác, giúp tiết kiệm thời gian và chi phí nhân công Thay thế cho việc vận chuyển bằng sức lao động của công nhân, băng tải không chỉ giảm thiểu sự lộn xộn trong môi trường làm việc mà còn nâng cao năng suất lao động và giảm bớt gánh nặng cho người lao động.

Băng chuyền và băng tải là những thành phần thiết yếu trong dây chuyền sản xuất và lắp ráp của các nhà máy, xí nghiệp Chúng không chỉ tạo ra một môi trường sản xuất hiện đại, khoa học mà còn giúp nâng cao hiệu quả lao động, giải phóng sức lao động cho người lao động.

 Khung băng tải: thường được làm bằng nhôm định hình, thép sơn tĩnh điện hoặc inox

 Dây băng tải: thường là dây băng PVC dày 2mm và 3mm hoặc dây bằng

 Động cơ truyền chuyển động: Là động cơ giảm tốc công suất 0.2KW, 0.4KW, 0.75KW, 1.5KW, 2.2KW.

 Bộ điều khiển băng truyền thường gồm các biến tần, sensor, timer, PLC,

 Cơ cấu truyền chuyển động: Rulo kéo, con lăn đỡ, nhông xích,

 Hệ thống đường khí nén, đường điện để cấp điện cho các thiết bị trên băng truyền

Băng tải và băng truyền đóng vai trò quan trọng trong các ngành sản xuất công nghiệp, chế biến thực phẩm và khai thác, giúp tối ưu hóa quá trình vận chuyển Chúng không chỉ giảm thiểu chi phí và thời gian mà còn hạn chế việc sử dụng nguồn nhân lực, mang lại hiệu quả kinh tế cao cho doanh nghiệp Ngoài ra, việc ứng dụng băng tải còn góp phần hiện đại hóa hệ thống sản xuất.

Cụm camera công nghiệp là loại camera đặc biệt được thiết kế để hoạt động trong môi trường khắc nghiệt như nhiệt độ cao, áp suất và rung động Chúng thường được sử dụng để kiểm soát chất lượng trong quá trình sản xuất và theo dõi sản phẩm trên băng tải.

Camera công nghiệp nổi bật với độ tin cậy cao hơn so với camera thông thường nhờ vào thiết kế chắc chắn Vỏ ngoài của chúng được chế tạo để bảo vệ các linh kiện bên trong khỏi độ ẩm, bụi, khí độc hại và các yếu tố môi trường khác Các nhà sản xuất sử dụng những vật liệu bền bỉ như kim loại và nhựa chịu lực để đảm bảo hiệu suất và tuổi thọ của sản phẩm.

Camera công nghiệp được thiết kế chắc chắn, cho phép hoạt động hiệu quả trong điều kiện khắc nghiệt với độ bảo vệ cao Chúng có thể hoạt động trong dải nhiệt độ từ -40 đến +70 °C và có khả năng chống lại va chạm cũng như rung động cơ học Chính vì vậy, camera công nghiệp có tuổi thọ lâu dài, vượt trội hơn hẳn so với hàng chục webcam và camera thông thường.

Yếu tố quyết định đến sự chính xác của camera chính là độ phân giải Các

Camera công nghiệp là loại camera có độ phân giải cao nhất hiện nay, với khả năng chụp ảnh lên đến 150 triệu pixel Các thiết bị này thường được sử dụng trong các ứng dụng yêu cầu chất lượng hình ảnh vượt trội.

Mặc dù nhiều thiết bị hiện nay chỉ đạt độ phân giải MegaPixels, vẫn có những sản phẩm vượt trội như VN-25MX với độ phân giải siêu cao 225MP và VN-200MX với 427MP Những thiết bị này có khả năng xử lý hình ảnh ở các định dạng cực kỳ ấn tượng, chẳng hạn như 15804x12008 px và 23760x18012 px.

Camera công nghiệp có nhiệm vụ và thiết kế khác biệt so với camera thông thường Chúng được tối ưu hóa để lắp ống kính và nhiều bộ lọc bổ sung, đồng thời tích hợp phần mềm chuyên dụng Không giống như các camera thông thường, camera công nghiệp không có các bộ phận như đèn flash, kính ngắm hay nút chụp, mà được sử dụng thông qua các giao diện công nghiệp.

Quản lý hoạt động của camera công nghiệp thường được thực hiện thông qua máy tính và phần mềm chuyên dụng Hệ thống điều khiển truyền tín hiệu qua cáp kết nối và chuẩn giao tiếp, cho phép nhận tín hiệu từ các cảm biến và phát tín hiệu đầu ra để điều khiển các cơ cấu chấp hành như van thủy lực, khí nén và đèn báo.

1.4.2.2 Cấu tạo và nguyên lý hoạt động

Camera được phân loại thành nhiều loại khác nhau, phục vụ cho các mục đích sử dụng đa dạng và luôn được cải tiến về chức năng cũng như tiện ích Dù sở hữu công nghệ tiên tiến hay thiết kế có dây hay không, tất cả các loại camera đều có cấu tạo chung nhất định.

Vỏ bảo vệ camera là giải pháp hiệu quả để ngăn chặn trầy xước và nứt vỡ, đồng thời bảo vệ thiết bị bên trong khỏi va chạm và hư hỏng Vỏ ngoài được chế tạo từ các chất liệu bền như hợp kim và sắt, đảm bảo độ bền và an toàn cho camera.

Mắt camera bao gồm các thiết bị điện tử liên kết như ống kính, chip xử lý, mạch điện tử và cổng giao tiếp ngoại vi Đây là bộ phận được thiết kế tinh vi, đóng vai trò quyết định trong việc tạo ra chất lượng hình ảnh.

Khái quát chung nguyên lý hoạt động của camera

Hình ảnh được ghi lại qua ống kính camera và tạo thành trên bề mặt CCD, sử dụng ma trận CFA với màng lọc màu, cung cấp thông tin cho các bộ chuyển đổi từ analog sang số, từ đó thiết lập tín hiệu số.

 B2 : Tín hiệu số sau khi được hình thành sẽ được truyền tới bộ chip xử lý.

 B3: Bộ chip và bộ khuếch đại xử lý thông tin tạo nên tín hiệu hình ảnh, video.

Camera công nghiệp có nhiệm vụ khác biệt so với các loại camera thông thường, dẫn đến thiết kế của chúng cũng khác biệt Các thiết bị này thường sử dụng các biện pháp gia tăng để lắp ống kính, kèm theo nhiều bộ lọc bổ sung và phần mềm chuyên dụng Ngoài ra, chúng không bao gồm các bộ phận như đèn flash, kính ngắm hay nút chụp, mà được tích hợp trực tiếp vào mạng thông qua các giao diện công nghiệp.

THIẾT KẾ HỆ THỐNG ĐIỀU KHIỂN VÀ KIỂM TRA

Hệ thống băng tải

- Nguồn lực quay băng tải: động cơ điện

- Chiều dài băng tải: L = 3000 mm

- Thông số hình học phôi:WxDxH(mm) : 260x830x260

- Trọng lượng phôi: Pmin = 18 kg, Pmax = 25 kg

- Năng suất làm việc: N = 0,5 sp/ph

Hình 3.20.Khoảng cách, kích thước sản phẩm trên băng tải

2.1.1.1 Tính các thông số hình, động học băng tải

Từ thông số hình học của phôi chọn các kích thước của băng tải là:

Kết cấu khung sườn của băng tải sẽ làm bằng nhôm định hình để phù hợp với loại dây băng tải là PVC.

 Tính vận tốc băng tải

Để đạt được tốc độ 2 sản phẩm trên băng tải mỗi phút, cần xác định các yếu tố như số lượng sản phẩm n trên băng tải, vận tốc b v của băng tải, thời gian t mà mỗi sản phẩm di chuyển và khoảng cách x giữa các phôi là 500mm.

2.1.1.2 Tính lực kéo băng tải

- Phân tích lực tác dụng lên băng tải gồm có:

 Lực căng băng ban đầu

 Lực ma sát giữa dây băng và bề mặt tấm đỡ, con lăn,… do khối lượng phôi và dây băng.

Hình 3.21.Lực trên băng tải

Trong hệ thống băng tải, dây băng được uốn qua các puly dẫn động và bị động, với phần giữa được dẫn hướng và đỡ bởi các con lăn cùng tấm trượt Lực cản chuyển động băng có sự khác biệt tại mỗi đoạn, nhưng mỗi đoạn lại có cùng tính chất lực cản Tại mỗi điểm đặc trưng, lực căng dây sẽ bằng lực căng tại điểm ngay trước đó.

1) cộng với lực cản chuyển động của dây trên đoạn từ (i-1) đến i

Trên sơ đồ lực như Hình 3.2 ta có lực căng băng tại các điểm đặc trưng S i

(i = 0 - 3), với S 0 là lực căng tại nhánh nhả ở tang dẫn.

- Các lực cản chuyển động của băng:

W 0/1 : Lực cản trên đoạn nằm ngang từ điểm 0 đến 1

Trong đó: q 0 : là trọng lượng 1 m dài băng

L: là chiều dài băng w: là hệ số cản riêng của hệ thống đỡ dây (w = 0,2 – 0,4) chọn 0,4

W 1/2 : Lực cản trên đoạn uốn cong qua tang bị động từ điểm 1 đến 2

W 1 /2 = ξ S 1 ¿ ξ ×( S 0 + W 0 /1 ) ¿ 0,06 × ( S 0 + 10,8) ξ : là hệ số cản trên tang đổi hướng, phụ thuộc góc đổi hướng, ξ = 0,03 – 0,06 chọn 0,06

W 2/3 : Lực cản trên đoạn nằm ngang có tải từ điểm 2 đến 3

Trong đó: q 0 : là trọng lượng 1 m dài băng

Q t : là tổng trọng lượng tải đặt trên băng

Lực kéo băng tải là lực được truyền từ tang dẫn sang băng:

Kiểm tra điều kiện đủ lực ma sát để truyền lực ở tang dẫn động:

Trong đó: α : góc ôm của băng trên tang f: hệ số ma sát giữa băng với tang, f = 0,2 – 0,4 chọn 0,4

Thay số vào ta tính được W 1 /2 = 6( N )

Công suất yêu cầu trên trục tang tải:

1000 =5,6 ×10 −3 ( kW ) Đường kính tang tải là d`mm

Momen yêu cầu trên trục tang tải:

Các đại lượng đầu vào:

 Vận tốc băng tải : v = 2,5 cm/s = 0,025m/s

2.1.2.1 Xác định công suất động cơ cần thiết

Công suất trên trục động cơ điện được xác định theo công thức

 Pct: Công suất cần thiết trên trục động cơ, (kW)

 Pt: Công suất tính toán trên trục máy công tác, (kW)

Với  1 ,  2 ,  3 là hiệu suất các bộ truyền và các cặp ổ lăn, ổ trượt trong hệ dẫn động, chọn theo bảng sau:

Tên gọi Hiệu suất  của bộ truyền hoặc ổ Được che kín Để hở

Bộ truyền bánh răng trụ 0,96 - 0,98 0,93 - 0,95

Bộ truyền bánh răng côn 0,95 - 0,97 0,92 - 0,94

Bộ truyền bánh ma sát 0,90 - 0,96 0,70 - 0,88

Trị số hiệu suất của các bộ truyền bánh răng được trình bày trong bảng tương ứng với cấp chính xác 8 và 9 Khi sử dụng bộ truyền kín với cấp chính xác 6 hoặc 7, cần tăng trị số trong bảng lên từ 1 đến 1,5%.

Trong thiết kế băng tải, tải trọng tác dụng được xem là không đổi Do đó, công suất tính toán sẽ tương ứng với công suất làm việc trên trục tang của băng tải.

Công suất làm việc trên trục Plv

Hệ thống dẫn động của băng tải bao gồm:

 1 bộ truyền trong (hộp giảm tốc bánh răng)

 1 bộ truyền ngoài (bộ truyền xích)

Hiệu suất truyền động của hệ thồng η=η br ×η x × η ol × η ol ×η ol =0,98.0,95.0,99 0,99 0,99= 90,3 %

 Chọn hiệu suất hộp giảm tốc bánh răng 2 cấp là 0,98

 Chọn hiệu suất bộ truyền xích là 0,95

 Chọn hiệu suất ổ lăn là 0,99

Suy ra, công suất cần thiết của động cơ :

2.1.2.2 Xác định số vòng quay sơ bộ

Các đại lượng đầu vào:

 Số vòng quay trục tang băng tải

Công thức xác định số vòng quay sơ bộ n sb n sb =n lv × u c

 n lv : số vòng quay làm việc của trục tang tải

 u c : tỉ số truyền chung của toàn hệ dẫn động

2.1.2.3 Tính toán số vòng quay làm việc của trục tang băng tải n lv = 60000 v π d

 d : đường kính trục tang băng tải, (mm) n lv = 60000 v π d = 60000.0,025 π 60 =7,9 (v / ph)

2.1.2.4 Tính toán tỉ số truyền chung của hệ dẫn động

Tỷ số truyền của các bộ truyền được chọn dựa theo bảng:

Loại truyền động Tỷ số truyền nên dùng u

Truyền động bánh răng trụ:

8 - 40 Truyền động bánh răng côn:

- Hộp giảm tốc côn – trụ 2 cấp

- Hộp giảm tốc 2 cấp trục vít

- Hộp giảm tốc 2 cấp trục vít – bánh răng hoặc bánh răng – trục vít

Truyền động bánh ma sát 2 - 4

 Tỷ số truyền hộp giảm tốc trục vít bánh vít: u hgt ÷ 40

 Tỷ số truyền bộ truyền xích : u x =1,5 ÷5

Tỷ số truyền chung u c được tính như sau: u c =u hgt u x

Suy ra tỷ số truyền chung u c nằm trong khoảng : u c = (10 ÷ 40 ) (1,5 ÷5 )=( 15÷ 200)

Số vòng quay sơ bộ nằm trong khoảng: n sb =n lv u c =7,9 (15 ÷200 )8,5 ÷ 1580( v / ph)

2.1.2.5 Chọn động cơ Điều kiện để chọn động cơ:

 Công suất động cơ lớn hơn hoặc bằng công suất cần thiết :

 Số vòng quay động cơ gần bằng số phòng quay sơ bộ: n dc ≥n sb

Ta chọn động cơ 90W S9I90GXH – V12CE :

Hình 3.22.Thông số động cơ

Ta chọn hộp giảm tốc SC9HC15 với tỷ số truyền 1 ÷30 của hãng SPG :

Hình 3.23.Thông số hộp giảm tốc

Số vòng quay sơ bộ của động cơ : n sb 00 (v / ph )

Số vòng quay khi dẫn động qua hộp giảm tốc : n hgt = n sb u hgt = n sb

Vậy tỷ số truyền của bộ truyền xích là : u x = n hgt n lv = 40

2.1.2.6 Kiểm nghiệm điều kiện làm việc

 Kiểm nghiệm công suất cần thiết của động cơ

 Hiệu suất bộ truyền η=η hgt ×η x × η ol × η ol ×η ol = 0,9.0,95.0,99 0,99 0,99,9 %

Vậy công suất động cơ đã chọn thỏa mãn điều kiện P dk ≥ P ct

 Kiểm nghiệm momen cần truyền cho trục tang băng tải

Momen động cơ sinh ra tại tốc độ 1200(v/ph) là

 Momen truyền đến trục tang băng tải

Vậy momen truyền đến trục băng tải thỏa mãn M ≥ M yc

2.1.3 Tính toán bộ truyền xích Để đơn giản, hộp giảm tốc thường tích hợp cùng động cơ, do đó bộ truyền ngoài nên chỉ dùng bộ truyền xích Điều kiện làm việc:

 Công suất truyền: P x = P dc η hgt = 90.0,9 (W )

 Số vòng quay đĩa xích chủ động: n x =n hgt @ ¿

 Góc nghiêng bộ truyền xích: β0 °

 Loại xích: xích ống con lăn

 Tải trọng va đập nhẹ

 Khoảng cách trục từ 30-50 bước xích

 Có con lăn tăng xích

 Làm việc 2 ca 2.1.3.1 Xác định số răng đĩa xích

Số răng đĩa xích chủ động: z 1 ≥ 29−u x ,8

Chọn số răng của đĩa xích là số lẻ: z 1 z 2 = z 1 u x 5,1= 96,9

Chọn số răng đĩa xích bị động z 2

Tỷ số truyền thực tế : u tt = z 2 z 1 = 97

Sai lệch tỷ số truyền : ∆ u = | u tt −u u x x | 100 %= | 5,1−5,1 5,2 | 100 %=0 %< 4 %

Công suất tính toán đảm bảo chỉ tiêu về độ bền mòn của bộ truyền xích

 P t là công suất tính toán, (W)

 P là công suất cần truyền, (W)

 [ P ] là công suất cho phép, (W)

 k n là hệ số số vòng quay

 k 0 là hệ số kể đến ảnh hưởng của vị trí bộ truyền

 k a là hệ số kể đến khoảng cách trục và chiều dài xích

 k dc là hệ số kể đến ảnh hưởng của việc điều chỉnh lực căng xích

 k bt là hệ số kể đến ảnh hưởng của bôi trơn

 k d là hệ số tải trọng động, kể đến tính chất của tải trọng

 k c là hệ số kể đến chế độ làm việc của bộ truyền Các đại lượng được tính sau đây:

 Công suất cần truyền: P= P dc η hgt 0,9(W )

 Hệ số số vòng quay k n = n 01 n 1 = 50

Các hệ số k 0 , k a , k a , k dc , k d , k c tra theo bảng dưới ứng với điều kiện làm việc của bộ truyền: k 0 =1, k a =1, k dc =1,1 , k d =1,2, k c =1,25, k bt =1

Ta có công suất tính toán:

Theo điều kiện P t ≤ [ P ], chúng ta chọn [ P ] = 0,19 (kW) và bước xích p,7 (mm) Để giảm thiểu ảnh hưởng của va đập lên bộ truyền, cần so sánh giá trị của bước xích vừa chọn với giá trị bước xích lớn nhất cho phép theo bảng.

Thấy p ≤ p max , Suy ra bước xích đã chọn thỏa mãn điều kiện

2.1.3.3 Tính toán khoảng cách trục a

 Khoảng cách trục sơ bộ: a sb 5 p5.12,7D4,5

 Số mắt xích sơ bộ x= 2 a sb p + z 1 + z 2

4 π 2 444,5 2,4chọn số mắt xích là x c 4

Tính toán lại khoảng cách trục a ¿ =0,25 p ¿ Để xích không quá căng, ta giảm khoảng cách trục một đoạn ∆ a

 Khoảng cách trục a=a ¿ − ∆ aE5,3−1,37= 453,93(mm)

 Số lần va đập của xích, dựa theo bảng: i= z 1 n 1

15.134 =0.430 với vận tốc xích v< 5 m / s

2.1.3.7 Lực tác dụng lên trục

Hệ số k x được sử dụng để tính toán trọng lượng xích trong bộ truyền Cụ thể, k x có giá trị 1,15 khi bộ truyền nằm ngang hoặc nghiêng với góc nhỏ hơn 40 độ, trong khi đó, k x giảm xuống còn 1,05 khi bộ truyền nghiêng với góc lớn hơn 40 độ so với đường nằm ngang.

Trên hình vẽ, chọn các kích thước AB = 12mm, BC = DE = 40mm, CD 400mm, EF = 30mm, FG = 17mm

Khi chọn băng tải PVC dày 3mm, cần tuân thủ quy định của nhà sản xuất về đường kính con lăn tối thiểu là 50 mm Đồng thời, đường kính tang chủ động cũng nên được lựa chọn phù hợp để đảm bảo hiệu suất hoạt động tối ưu.

Lực tác dụng lên con lăn chủ động lớn hơn so với con lăn bị động Để tối ưu hóa quy trình lắp đặt và giảm thiểu khối lượng tính toán, nên chọn ổ lăn lớn nhất cho cả hai trục.

Các lực tác dụng lên băng tải

- Lực kéo căng băng tải F = 223,7 N

- Lực Fr = 582,2 N tác dụng lên nhông theo phương hợp với phương ngang 30 °

- Trọng lực của lô dẫn PL = 50 N

- Trọng lực của đĩa xích bị động PX = 5 N.

- Hình vẽ minh họa lực tác động lên con lăn chủ độ

Từ các dữ liệu trên ta tính được:

Ta có biểu đồ momen của trục tang như sau:

Từ biểu đồ ta thấy vị trí nguy hiểm nhất là chính giữa đoạn CD

Nội suy theo bảng trên, với đường kính trục bằng 60mm thì ta có

Chọn đường kính ổ lăn là 20mm, vì không có lực dọc trục nên ta dùng ổ bi đỡ.

Hệ thống giám sát

Hệ thống cần chụp được các góc nhìn FRONT, TOP và SIDE của sản phẩm điều hòa Việc lựa chọn camera với thông số kỹ thuật cao và điều kiện làm việc ổn định sẽ nâng cao hiệu quả hoạt động của toàn bộ hệ thống.

2.2.1 Cụm camera Điều kiện làm việc:

 Phải thu được hình ảnh rõ nét

 Sản phẩm chạy trên băng truyền với vận tốc (2,5cm/s)

 Thu được các hình ảnh các mặt FRONT-TOP-SIDE của sản phầm

=>Sử dụng 3 camera để có thể thu được đầy đủ ảnh

=>Lựa chọn camera : acA2500-60uc -của hãng Basler

Hình 3.25.Thông số kỹ thuật

 Cảm biến: Python 5000, kích thước 12,4x9,8mm

 Độ phân giải: 2590px x 2048px,5MP

 Tốc độ khung hình: 60fps

 Kích thước(LxWxH)mm: 29,3x29x29mm

2.2.2 Cụm cảm biến Đối ứng với yêu cầu của hệ thống đặt ra, lựa chọn sử dụng cảm biến quang thu phát độc lập để xác định vị trí của sản phẩm trên dây truyền.

Sử dụng cảm biến quang Omron E3Z series:

Hình 3.26.Cảm biến quang Comron E3Z series Đặc điểm cảm biến quang Comron dòng E3Z:

 Khoảng cách phát hiện dài 30m đối với cảm biến loại thu phát, 4m đối với models phản xạ gương và 1m đối với models phản xạ khuếch tán.

 Trục cơ và độ lệch trục quang học nhỏ hơn ± 2,5° giúp đơn giản hóa việc điều chỉnh trục quang học

 Độ ổn định cao với thuật toán độc đáo ngăn cản sự can thiệp của ánh sáng bên ngoài.

THỰC NGHIỆM XÂY DỰNG HỆ THỐNG

Giới thiệu

Hệ thống sẽ chụp ảnh sản phẩm bằng 3 camera được lắp đặt ở 3 vị trí khác nhau, ghi lại 3 mặt FRONT-TOP-SIDE của sản phẩm Ảnh chụp sẽ được chuyển đến phần mềm để xử lý và xác định lỗi Để thực hiện việc này, cụm camera và cảm biến sẽ được lắp đặt tại đầu vào của băng tải, giúp phát hiện lỗi lắp ráp của sản phẩm một cách chính xác.

- Sơ đồ điều hiển hệ thống:

Cụm camera

Yêu cầu hình ảnh thu được từ cụm camera:

 Hình ảnh phải bao trọn được mặt của sản phẩm bên trong

 Hình ảnh sẽ là 1/2 của sản phẩm để chính xác cho quá trình xử lý ảnh

Ba camera sẽ được lắp đặt cố định tại các vị trí chiến lược để ghi lại hình ảnh của từng mặt sản phẩm Mỗi camera sẽ hoạt động khi nhận tín hiệu điều khiển từ cụm điều khiển, đảm bảo thu được hình ảnh rõ nét và đầy đủ.

Hệ thống camera sẽ được lắp đặt trong hộp bảo vệ, đảm bảo điều kiện ánh sáng tối ưu để camera hoạt động hiệu quả nhất.

Hình 4.27.Hôp chứa khối camera

Theo yêu cầu ở trên, ta sẽ đặt camera tại 3 mặt của khung bảo vệ:

Các camera sẽ được lắp đặt trên trục của các mặt khối hộp chứa cụm camera, nhằm thu được hình ảnh sản phẩm một cách cân xứng và tối ưu hóa trường nhìn (FOV) của camera.

Field of View (FOV) là trường nhìn, xác định lượng hình ảnh mà máy ảnh và ống kính có thể ghi lại FOV thay đổi dựa trên hai yếu tố chính: độ dài tiêu cự của ống kính và kích thước cảm biến hoặc phim FOV được đo bằng độ, do đó việc tối ưu hóa FOV là rất quan trọng trong nhiếp ảnh.

Để đáp ứng yêu cầu của sản phẩm và hình ảnh, chúng ta cần xác định khoảng chụp của ảnh dựa trên FOV của camera Việc này cho phép xác định các khoảng cách X và Y cần thiết để hình ảnh đạt tiêu chuẩn yêu cầu.

 Đối với camera đặt ở mặt phía trước và phía sau: X ≈ 500 mm , Y ≈ 320 m

Để tối ưu hóa hệ thống camera đặt ở mặt phía trên, kích thước camera nên có chiều rộng khoảng 320 mm và chiều dài khoảng 500 mm Hộp chứa camera sẽ được thiết kế với kích thước tương đối gần gũi với băng tải, trong đó băng tải có chiều rộng 400 mm, nhằm đảm bảo tính đồng bộ và hiệu quả trong quá trình hoạt động.

Hình 4.29.Các khoảng cách từ camera đến khoảng ảnh

 Cảm biến có kích thước: 12,4x9,8mm

 Khoảng ảnh có kích thước: 500x320mm và 320x520mm

 Tiêu cự của ống kính : Xác định theo ống kính

Suy ra khoảng cách phù hợp từ camera tới sản phẩm.

Từ đó xác định được vị trí đặt camera phù hợp trên hộp chứa camera

Cụm cảm biến

Cảm biến I được sử dụng để xác định thời điểm sản phẩm vào khu vực khoảng ảnh, từ đó gửi tín hiệu cho hệ thống điều khiển mở đèn chiếu sáng sản phẩm, giúp cải thiện chất lượng hình ảnh Các cảm biến được lắp đặt tại thành băng tải để phát hiện sản phẩm và tại biên của khoảng ảnh để xác định thời điểm sản phẩm tiến vào khu vực này.

Sử dụng cảm biến II ở biên đối diện của khoảng ảnh để thực hiện quá trình chụp ảnh, đồng thời xác định thời điểm sản phẩm rời khỏi khoảng ảnh.

3.4 Mô hình thiết kế lắp đặt Camera và sensor

- Quá trình chụp ảnh được chia làm 2 lần:

+ Camera sẽ chụp ảnh lần 1 khi có vật cản che khuất vị trí đặt cảm biến S1 và cảm biến S2.

+ Camera chụp ảnh lần 2 khi có vật cản ở cảm biến S1 và không còn vật cản vị trí đặt cảm biến S2

Mục đích của việc chia hình ảnh của vật mẫu có kích thước chiều dài lớn là nhằm nâng cao hiệu quả trong quá trình xử lý hình ảnh.

Lưu đồ thuật toán xử lý:

Sơ đồ 4-1 Lưu đồ thuật toán

 Bắt đầu: khởi chạy chương trình

 Khai báo thư viện, các giá trị ban đầu

 Nhận hình ảnh từ camera

 Checking: nhận diện và xử lý hình ảnh bằng deep learning.

 Gửi trả kết quả ra màn hình

3.5.2 Train model mới để nhận dạng đối tượng

3.5.2.1 Cấu trúc thư mục cần tạo trước khi training với mỗi Type

Ví dụ : Tạo thư mục để training cho Type 3

 Copy ảnh của model cần training vào tệp “Training_Image” tương ứng với các model:

 Ví dụ : Model FTHF20VAVLT

 Tạo thư mục FTHF20VAVLT rồi đưa ảnh cần training vào như sau:

 Làm tương tự với: Front2, Side1, Side2, Top ( Copy ảnh vào tệp ghi tên model tương ứng )

 Mỗi type ta cần train 6 model deep learning gồm:

 5 model Instance Segment ( Từ Front1 đến Top1)

 1 model “ Point Location”( Dành riêng cho Top 1)

Bước 1 : Mở Deep Learning Editor, sau đó :

 Chọn folder “ Segment ” đã tạo để lưu model, rồi nhấn OK

Bước 2: Thêm ảnh training và tạo các Class

(Tên Class : Tên các đối tượng cần detect) :

 Sau khi thêm đủ các class cần detect, chọn “ OK ”

Bước 3: Dán ảnh cho các ảnh tương ứng với các Class

 Ví dụ : Với ảnh Side 2, Click chuột theo thứ tự sau để thêm classSealPlate_3 và gán nhãn cho SealPlate_3 ( SealPlate_4,5 làm tương tự )

 Sau khi đã dán nhãn cho các ảnh xong thì tiến hành training Thiết lập các thông số như sau:

 Thiết lập thời gian Training :

* Bước 5 : Xử lý kết quả :

 Nếu Model sau khi train không nhận dạng được Class nào , thì thêm ảnh train và chỉ cần đánh nhãn class đó để train thêm thuộc tính đó.

 Sau khi thêm ảnh train mà kết quả chưa tốt thì tăng thời gian Train lên khoảng 20 phút

 Nếu làm 2 cách trên mà kết quả nhận dạng vẫn chưa tốt thì kiểm tra lại xem có khoanh vùng cho class bị sai không

 Nếu model traning được có kết quả nhận dạng chính xác ở tất cả các ảnh thì Save and Exit, tiến hành train các model tiếp theo.

Trong quá trình khoanh vùng cho các lớp (Class) trong mỗi bức ảnh, cách thức khoanh vùng sẽ phụ thuộc vào từng lớp cụ thể Có ba kiểu khoanh vùng thường được sử dụng: hình vuông, hình tròn và khoanh vùng tùy ý, phù hợp với các lớp có hình dạng phức tạp.

Thông thường chọn 15 ảnh ( 12 ảnh training + 3 ảnh test), thời gian training khoảng 10 – 15 phút, nếu training thêm ảnh thì cần tăng thời gian training.

Bước 1: Mở Deep Learning Editor

 Lưu model vào tệp PointLocate đã tạo tương ứng

Bước 2: Thêm ảnh ( 10 -15 ảnh ) và tạo các Class tương tự model Segment

Bước 3 : Xác định vị trí cho các Class

 Cần đánh dấu vị trí chính giữa của đối tượng để đạt được kết quả tốt nhất

 Click chuột theo thứ tự dưới đây để xác định vị trí của các Class

 Các Class tiếp theo làm tương tự

Bước 4 : Sau khi xác định vị trí cho các Class , tiến hành kiểm tra lại rồi Train model:

 Thiết lập các thông số như sau:

 Thiết lập thời gian Training:

Bước 5 : Xử lý kết quả

 Nếu kết quả không chính xác như đã dạy thì kiểm tra lại xem có ảnh nào xác định vị trí cho các class bị sai hay không.

 Có thể training thêm ảnh và tăng thời gian Train để đạt kết quả tốt hơn.

3.5.2.4 Hình ảnh ví dụ cách khoanh vùng cho các Class

3.5.3 Viết chương trình: a Hình ảnh đầu vào:

- Top 2: b Cấu trúc chương trình:

Hình 4.30.Tổng quan chương trình

Chương trình Program_AI_Checking chứa các hàm xử lý chính gồm:

 SerialPort_Config: Thiết lập cổng kết nối

 Deploy_All_Model: Triển khai Model AI lên phần mềm

 Number_OF_Class_Refer: Khai báo số điểm cần check

 Image_Input:Hình ảnh đầu vào

 AI_Checking:Khoanh vùng các điểm kiểm tra và đánh số theo thứ tự

 Draw_All_Results:Ghi kết quả kiểm tra được lên hình ảnh

 SendDataTo_Controller:Gửi các tín hiệu điều khiển

 Save_Images:Lưu kết quả dưới dạng hình ảnh và tạo thư mục lưu trữ tự động

- Module AI_Checker và Processing: chứa các hàm con dùng trong chương trình.

KẾT QUẢ, NHẬN XÉT VÀ ĐÁNH GIÁ

Kết quả

Hệ thống đã phát hiện được lỗi của sản phẩm trên dây truyền lắp ráp điều hòa

Hình ảnh thu được từ cụm camera gửi lên phần mềm xử lý

Camera đã chụp được đầy đủ hình ảnh các mặt của sản phẩm Hình ảnh thu được đủ điều kiện để phần mềm xác định được lỗi lắp ráp.

Sau khi hệ thống xử lý, các kết quả check sẽ được lưu dưới dạng hình ảnh và kết quả được lưu trong folder một cách tự động:

+ Tên Folder được tạo theo tên Model:

+ Thứ tự các hình ảnh được phân loại theo tên từng khung hình:

+ Tên file được phân loại và lưu theo số Seri kèm theo kết quả Check:

- Ví dụ về các kết quả:+ Ảnh front 1:

+ Ảnh side 1: Bị NG vị trí Clip_1

Kết quả được trả về dưới dạng hình ảnh với đánh giá “OK” màu xanh, cho thấy không có lỗi trong các điểm kiểm tra.

Khi điểm check có lỗi, sẽ hiện đánh giá “NG” có màu đỏ:

Hình ảnh kết quả khi có lỗi

Tổng thể kết quả sau khi xử lý sẽ được hiển thị lên màn hình máy tính:

Hình ảnh thực tế chụp từ nhà máy

Kết quả hiển thị trên màn hình sẽ bao gồm đánh giá toàn diện về sản phẩm, với 6 hình ảnh minh họa Ngoài ra, thông tin về tên model, số sản phẩm và kết quả đánh giá tổng thể mang tên “RESULT CHECK” cũng sẽ được cung cấp.

Sau nhiều lần thử nghiệm, hệ thống đã chứng minh hoạt động ổn định và đạt độ chính xác cao Mặc dù kết quả có bị ảnh hưởng bởi hình ảnh từ camera, nhưng mức độ ảnh hưởng là không đáng kể.

Nhận xét và đánh giá

Sau khi thực hiện đề tài, nhóm đã học được cách xây dựng hệ thống AI kiểm soát chất lượng sản phẩm với các chức năng cơ bản Đồng thời, nhóm cũng đã tìm hiểu về hoạt động và ứng dụng của các thiết bị trong cơ cấu chấp hành, bao gồm việc tính toán và lựa chọn cụm băng tải, cụm camera cũng như cách chọn cảm biến phù hợp.

Kết quả đạt được cho thấy độ chính xác cao trong việc phát hiện lỗi sản phẩm trên dây chuyền lắp ráp, từ đó hỗ trợ hiệu quả cho hoạt động sản xuất.

- Đề tài có tính ứng dụng thực tiễn cao Đặc biệt là trong thời kì hiện đại hóa trong sản xuất được đẩy mạnh.