Áp dụng mơ hình đào tạo được kiểm tra ảnh bên trong lỗ trục chính với sốlượng 20 mẫu OK và 14 mẫu NG. Đối với các mẫu OK, mơ hình phát hiện sai lỗi 1 mẫu NG trong tổng số 20 mẫu OK. Đối với các mẫu NG, mơ hình phát hiện 14 mẫu NG trong tổng số 14 mẫu NG. Từđó tính tốn các tham sốđánh giá mơ hình như sau:
72 𝑅𝑅𝐴𝐴𝑐𝑐𝐴𝐴𝑂𝑂𝑂𝑂 = 𝑇𝑇𝑃𝑃𝑇𝑇𝑃𝑃+𝐹𝐹𝐹𝐹 =14 + 114 = 0.93 PT 5.8 𝐹𝐹1 = 2𝑝𝑝𝐴𝐴𝐴𝐴𝑐𝑐𝑈𝑈𝑠𝑠𝑈𝑈𝑜𝑜𝑈𝑈𝑝𝑝𝐴𝐴𝐴𝐴𝑐𝑐𝑈𝑈𝑠𝑠𝑈𝑈𝑜𝑜𝑈𝑈.+𝐴𝐴𝐴𝐴𝑐𝑐𝐴𝐴𝑂𝑂𝑂𝑂𝐴𝐴𝐴𝐴𝑐𝑐𝐴𝐴𝑂𝑂𝑂𝑂 =1 + 0.931∗0.93 = 0.48 PT 5.9
5.3 Kết luận, đánh giá hiệu quả của giải pháp
Bài luận văn này đã nghiên cứu và trình bày các phương pháp để kiểm tra ngoại quan sản phẩm rocker arm. Cơng việc chính của luận văn là phát hiện các lỗi hiện có trong q trình sản xuất rocker arm như: lỗi lệch trục trên lỗ trục chính và lỗ gen, lỗi vát mép trên lỗ trục chính, lỗi xước trên bề mặt và cạnh, lỗi nhám bên trong lỗ trục chính và lỗ con lăn.Để thực hiện được điều này, luận văn đã đưa ra các phương pháp khác nhau để kiểm tra từng loại lỗi: thuật toán RANSAC cho lỗi lệch trục và lỗi vát mép, thuật toán YOLO cho lỗi xước, thuật toán Autoencoder cho lỗi nhám bên trong lỗ. Kết quả thử nghiệm trên tập dữ liệu thu thập được cho thấy độ hiệu quả và chính xác của các phương pháp đối với từng loại lỗi, các thuật tốn đều cho độ chính xác cao, thời gian suy luận nhanh khi phát hiện đường tròn trên từng lỗ trục và vùng vát mép. Đối với các lỗi lệch trục và vát mép đã phát hiện được tất cảcác đường trịn và tính tốn các thơng số vềđộ lệch trên từng mẫu. Kết quảso sánh độ chính xác khi phát hiện đường trịn bằng thuật tốn RANSAC và khi đo đạc thực tế với sai lệch 0.3 mm, đạt độchính xác cao, đáp ứng yêu cầu các bài toán kiểm tra lỗi lệch trục và vát mép. Tốc độ kiểm tra lỗi lệch trục là 1.5s cho 1 ảnh, lỗi vát mép là 1s cho 1 ảnh. Đối với các lỗi xước, đào tạo được mơ hình cho độ chính xác lên đến 96.4%, các chỉ số đánh giá mơ hình lần lượt là: precision 0.964, recall 0.973, F1 0.484. Các lỗi nhám bên trong lỗ, mơ hình đào tạo đã phát hiện được tất cả các mẫu lỗi hiện có, đạt độ chính xác 100%, vẫn còn phát hiện sai trên các mẫu tốt. Tuy nhiên, các mơ hình YOLO và Autoencoder để phát hiện lỗi xước và lỗi nhám vẫn còn những nhược điểm. Do kích thước ảnh lớn nên thời gian suy luận khi phát hiện vết xước vẫn còn chậm, yêu cầu thực tế cần chạy với thời gian thực để đáp ứng được trong sản xuất. Mơ hình YOLO chưa phát hiện được toàn bộ các ảnh lỗi xước, phát hiện nhầm các mẫu khơng có lỗi. Mơ hình Autoencoder cũng còn phát hiện nhầm trên các mẫu khơng có lỗi.
Trong tương lai cần cải thiện độ chính xác của các mơ hình đối với các mẫu khơng có lỗi. Đồng thời cải thiện thời gian suy luận đối với mơ hình YOLO. Để có thể áp dụng kết quả vào quá trình sản xuất cần thu thập thêm mẫu, mở rộng tập dữ liệu, đào tạo lại các mơ hình với dữ liệu mới đểtăng tính khái quát và độ chính xác. Đối với lỗi vát mép và lỗi lệch trục cần tính tốn tham số∆𝑅𝑅𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 đạt yêu cầu của nhà máy trên các mẫu tốt. Đỗi với lỗi xước thu thập thêm nhiều mẫu NG để cải thiện mơ hình YOLO cho kết quảcao hơn. Các lỗi nhám bên trong lỗ, có thểđiều chỉnh mơ hình hoặc hệ chiếu sáng tránh phát hiện nhầm các mẫu OK, loại bỏảnh hưởng từbên ngoài như bụi bẩn hay dầu.
73
TÀI LIỆU THAM KHẢO
[1] 1. Steger, Carsten; Markus Ulrich; Christian Wiedemann
(2018). Machine Vision Algorithms and Applications (2nd ed.). Weinheim: Wiley-VCH. p. 1. ISBN 978-3-527-41365-2.
Retrieved 2018-01-30.
[2] 2. Beyerer, Jürgen; Puente León, Fernando & Frese, Christian
(2016). Machine Vision - Automated Visual Inspection: Theory, Practice and Applications. Berlin: Springer. doi:10.1007/978-3- 662-47794-6. ISBN 978-3-662-47793-9. Retrieved 2016-10-11.
[3] 3. Graves, Mark & Bruce G. Batchelor (2003). Machine Vision for the
Inspection of Natural Products. Springer. p. 5. ISBN 978-1-85233- 525-0. Retrieved 2010-11-02.
[4] 4. Steger, Carsten; Markus Ulrich; Christian Wiedemann
(2018). Machine Vision Algorithms and Applications (2nd ed.). Weinheim: Wiley-VCH. p. 1. ISBN 978-3-527-41365-2.
Retrieved 2018-01-30.
[5] 5. John Canny, “A computational approach to edge detection”,
Pattern Analysis and Machine Intelligence, IEEE Transactions on, (6):679–698, 1986.
[6] 6. Satoshi Suzuki and others, “Topological structural analysis of
digitized binary images by border following”, Computer Vision, Graphics, and Image Processing, 30(1):32–46, 1985.
[7] 7. M. A. Fischler and R. C. Bolles, “Random sample consensus: A
paradigm for model fitting with applications to image analysis and automated cartography”, Communications of the ACM, vol. 24, no. 6, 1981, pp. 381–395.
[8] 8. Joseph Redmon, Ali Farhadi, “YOLOv3: An Incremental
Improvement”, ArXiv, 2018.
[9] 9. Shuang Mei, Yudan Wang and Guojun Wen, “Automatic Fabric
Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model”, Sensors 2018, 18, 1064.
[10] 10. Jiawei Yu, Ye Zheng, Xiang Wang, Wei Li, Yushuang Wu, Rui
Zhao, Liwei Wu, “FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows”, ArXiv, 2021.
[11] 11. Karsten Roth, Latha Pemula, Joaquin Zepeda, Bernhard
Schölkopf, Thomas Brox, Peter Gehler, “Towards Total Recall in Industrial Anomaly Detection”, ArXiv, 2022.
[12] 12. https://github.com/AlexeyAB/darknet
[13] 13. https://github.com/AlexeyAB/Yolo_mark
[14] 14. https://github.com/plutoyuxie/AutoEncoder-SSIM-for-unsupervised-
74