Sau khi đã nhận diện được đối tượng bằng phương pháp đã trình bày ở mục 4.4.2, đề tài tiếp tục xây dựng thực hiện việc kiểm tra để xác định được sản phẩm lỗi hay không.
Trong sản phẩm dược phẩm nói chung cũng như trong các sản phẩm thuốc dạng viên nén nói riêng thì các khuyết tật là điều khó tránh khỏi. Việc phát hiện khuyết tật kịp thời đóng vái trò quan trọng để có thể kịp thời rà soát quy trình công nghệ để không ảnh hưởng đến cả lô sản xuất, đồng thời cũng góp phần tăng tính an toàn cho người sử dụng thuốc.
Tuy nhiên nó lại chiếm tỉ trọng nhỏ do vậy để phát hiện được phải kiểm tra 100% các viên nén. Để có thể làm được điều này một cách chính xác và không mất thêm công nhân, kiểm tra khuyết tật phải sử dụng đến công cụ xử lý ảnh. Sau đây đề tài sẽ trình bày phương pháp phát hiện được khuyết tật ứng dụng xử lý ảnh.
Phân tích, lựa chọn phương pháp kiểm tra:
Các khuyết tật trên bề mặt có rất nhiều hình dạng, vị trí, kích thước và màu sắc khác nhau. Dưới đây là bảng thể hiện một số khuyết tật có thể có của các thuốc dạng viên nén:
Bảng 4. 1. Phân loại các khuyết tật
Tên Mô tả
Góc Sự phá vỡ ở phía góc
Vỡ/nứt Gây nên do quá trình va đập
Vết bẩn Các vết bẩn có màu sắc khác lạ dám vào bề mặt thuốc
Dị vật Có những dị vật bám vào do môi trường sản xuất không được đảm bảo Do đặc thù đối tượng kiểm tra là dược phẩm dạng viên nén, nên bên cạnh các khuyết tật có thể nhìn bằng mắt người, các sai lệch mang tính chuyên môn thì phải cần tới các thiết bị chuyên dụng để định tính và định lượng hàm lượng các chất có trong thuốc. Trong phạm vi đề tài sử dụng camera và học mạng nên chỉ có thể phát hiện được những khuyết tật thể hiện bên ngoài, nơi mà camera có thể chụp và nhận diện được một cách trực quan.
Để nhận diện được các khuyết tật bề mặt, hiện nay có nhiều phương pháp được sử dụng, Bảng 4.2 trình bày các phương pháp này cũng như, ưu nhược điểm của nó:
Bảng 4. 2. Các phương pháp nhận diện khuyết tật bề mặt
Tên Độ chính
xác
Loại lỗi phát hiện
Ưu điểm Nhược điểm
Mạng nơ-ron nhân tạo (ANN) 93.3% Khuyết tật dạng lỗi, xước, nứt và các loại ngẫu nhiên khác. Tốc độ cao, nhận diện được nhiều loại lỗi, có thể hoạt động với độ phân giải thấp Độ chính xác phụ thuộc vào khối lượng bộ dữ liệu học mạng SVM (Support Vector Machine) 72-93% Khuyết tật dạng xước Kiểm soát và nhận diễn lỗi với phản hồi khá tốt Thực nghiệm tính toán trên đối tượng có thể đắt đỏ. Lọc Gabor (Gabor Filter) 95-98% Khuyết tật dạng lỗ, xước, gãy trên bề mặt tấm Tốc độ tìm kiếm lỗi cao với chi phí tối thiểu.
Không nhạy cảm với nhận diện các lỗi khác. PCA & KNN 91.67% Khuyết tật
dạng xước hoặc các gợn sóng trên bề mặt tấm, hạt và nứt bề mặt
PCA yêu cầu dung lượng bộ nhớ rất thấp và KNN có khả năng nhận diện tốt. Khối lượng tính toán nhiều và có ngược điểm trong phân biệt vùng lành mạnh và khiếm khuyết. FCM Fuzzy 95 – 98% Khuyết tật dạng vết nứt trên bề mặt
Tối ưu việc phân loại lỗi.
Thời gian tính toán cao và phụ thuộc vào độ nhạy nhiễu của đối tượng. Chuyển đổi Shearlet (Shearlet Conversion) 85 – 89% Khuyết tật dạng xước, vết dầu trên bề mặt có các độ sáng khác nhau
Rất hiệu quả trong việc loại bỏ nhiễu
Hệ thống không ổn định
Từ Bảng 4.2, đề tài nhận thấy hai phương pháp là mạng nơ – ron nhân tạo và
lọc Gabor đem lại kết quả độ chính xác cao nhất với thời gian đáp ứng nhanh phù hợp với việc đưa vào hệ thống phân loại.
Xây dựng đối tượng “Khuyết tật” cho mạng neural
Do các vết lỗi, vị trí lỗi của đối tượng khảo sát là khá hiếm trên hai nguồn Google Image và ImageNet, trên đó chủ yếu là các hình ảnh về viên nén đẹp, không lỗi. Do đó, để thu thập tập ảnh cho mạng phát hiện khuyết tật, nhóm đã tự tạo ra các khuyết tật. Về phương pháp xây dựng mạng giống như đã trình bày ở mục 4.4.2, tổng quát quy trình được trình bày ở Hình 4.24.
Hình 4. 24. Quy trình tạo đối tượng mới cho mạng
Kết quả thu được
Áp dụng mạng nơ-ron thu được sau 5000 bước lặp và giá trị loss là 0.5 với các khuyết tật mới đem lại kết quả như sau:
Hình 4. 25. Kết quả nhận diện khuyết tật
Cụ thể, sau khi thực nghiệm với 120 lần thử thì phát hiện được 34 lần sai (bao gồm chụp không kịp lúc đối tượng qua, chụp đúng nhưng không phát hiện ra lỗi, nhận diện sai đối tượng,.. ), suy ra tỷ lệ nhận diện chính xác được khuyết tật + loại thuốc là 71%.
Kết luận chương 4
Trong chương này, đề tài đã trình bày các nội dung cơ bản nhất về Học máy, học sâu và mạng Nơ-ron tích chập. Ở phần xử lý ảnh, chương 4 đã hướng dẫn cụ thể cách để tạo và huấn luyện một mạng nơ-ron mới phục vụ mục đích của đề tài dựa cơ sở của Convolutional Neural Networks thông qua việc sử dụng thư viện Darkflow – một thư viện được biên dịch lại từ Darknet (viết trong C/C++) sang ngôn ngữ Python để sử dụng với Tensorflow (một thư viện mã nguồn mở dùng để Huấn luyện/ Suy luận của Google).
CHƯƠNG 5:
XÂY DỰNG MÔ HÌNH HỆ THỐNG VÀ THỰC NGHIỆM