Trong đóng gói hàng hóa cho người tiêu dùng có khá nhiều biến thể thách thức khả năng kiểm tra bằng thị giác máy nhưng việc áp dụng Học sâu giúp cải thiện việc kiểm soát quy trình và chất lượng sản phẩm dễ dàng hơn bao giờ hết.

Thị giác máy giúp ngành công nghiệp đóng gói cải thiện kiểm soát quá trình, nâng cao chất lượng sản phẩm và tuân thủ các quy định về đóng gói. Với các quy trình được kiểm soát chặt chẽ dựa trên các thông số định lượng, được xác định rõ ràng, thị giác máy tự động hóa một loạt các nhiệm vụ kiểm tra gói hàng, điều này giúp loại bỏ nhiều lỗi do chủ quan của con người. Các nhiệm vụ của thị giác máy trong ngành đóng gói bao gồm kiểm tra nhãn, đọc và xác minh ký tự (OCR / OCV), kiểm tra sự vắng mặt, đếm, kiểm tra niêm phong an toàn, đo lường, đọc mã vạch, nhận dạng và hướng dẫn robot.

Hệ thống thị giác máy mang lại hiệu suất nhất quán khi xử lý các lỗi đóng gói được xác định rõ. Các thuật toán dựa trên quy tắc, phân tích, tham số hóa các tính năng của gói hoặc sản phẩm được chụp trong hình ảnh có thể được xác định bằng toán học là tốt hay xấu. Tuy nhiên, các công cụ phân tích thị giác máy vẫn bị giới hạn khi gặp các khuyết tật khó xác định bằng số và khuyết tật thay đổi đáng kể giữa các gói hàng, khiến một số ứng dụng khó hoặc thậm chí không thể giải quyết bằng các công cụ truyền thống.

Ngược lại, phần mềm học sâu dựa vào đào tạo, dựa trên ví dụ và mạng nơ-ron để phân tích các khiếm khuyết, tìm và phân loại các đối tượng cũng như đọc các ký tự in. Thay vì dựa vào các kỹ sư, nhà tích hợp hệ thống và chuyên gia thị giác máy để điều chỉnh một bộ công cụ phân tích tham số cho đến khi các yêu cầu ứng dụng được thỏa mãn, học sâu dựa vào người vận hành, người quản lý dây chuyền hoặc bất kể ai đều có thể gán nhãn hình ảnh. Bằng cách hiển thị cho hệ thống học sâu xem phần tốt và phần xấu trông như thế nào, phần mềm học sâu có thể phân biệt giữa phần tốt và phần bị lỗi, cũng như phân loại loại lỗi hiện có.

Học sâu – Deep Learning được phổ biến

Cách đây không lâu, khoảng một thập kỷ, học sâu chỉ dành cho các nhà nghiên cứu, nhà khoa học dữ liệu, những người có ngân sách lớn và kỹ năng chuyên môn cao. Tuy nhiên, trong những năm gần đây, nhiều nhà cung cấp giải pháp và hệ thống thị giác máy đã giới thiệu các công cụ phần mềm học sâu mạnh mẽ được thiết kế riêng cho các ứng dụng thị giác máy.

Tuy nhiên, một rào cản phổ biến đối với việc triển khai học sâu trong môi trường tự động hóa nhà máy là mức độ khó liên quan. Các dự án học sâu thường bao gồm bốn giai đoạn dự án:

1 - Lập kế hoạch

2 - Thu thập dữ liệu và ghi nhãn

3 - Tối ưu hóa

4 - Kiểm tra đạt yêu cầu của nhà máy

Học sâu thường yêu cầu hàng trăm hình ảnh và phần cứng mạnh mẽ ở dạng PC với GPU được sử dụng để đào tạo mô hình cho bất kỳ ứng dụng nhất định nào. Tuy nhiên, học sâu giờ đây dễ sử dụng hơn với sự ra đời của các công nghệ tiên tiến giúp xử lý hình ảnh “tại hiện trường”.

Học sâu tại hiện trường là gì?

Học sâu tại hiện trường, một tập hợp con của học sâu, sử dụng một tập hợp các thuật toán được đào tạo trước để xử lý hình ảnh trực tiếp trên thiết bị. So với các giải pháp dựa trên học sâu truyền thống, học cạnh đòi hỏi ít thời gian và ít hình ảnh hơn, đồng thời việc thiết lập và đào tạo cũng đơn giản hơn.

Học sâu tại hiện trường không yêu cầu tự động hóa hoặc chuyên môn về thị giác máy để triển khai và do đó cung cấp giải pháp tự động hóa khả thi cho tất cả mọi người - từ những người mới bắt đầu về thị giác máy cho đến các chuyên gia. Thay vì dựa vào các kỹ sư, nhà tích hợp hệ thống và chuyên gia thị giác máy, học cạnh sử dụng kiến ​​thức hiện có của các nhà vận hành, kỹ sư dây chuyền hoặc bất kể ai khác để gắn nhãn hình ảnh cho đào tạo hệ thống.

Do đó, Học sâu tại hiện trường giúp các nhà điều hành dây chuyền tìm kiếm một cách dễ dàng để tích hợp tự động hóa vào dây chuyền của họ cũng như các kỹ sư tự động hóa chuyên nghiệp và nhà tích hợp hệ thống sử dụng các công cụ thị giác máy dựa trên quy tắc, phân tích, tham số hóa nhưng thiếu chuyên môn về học sâu. Bằng cách nhúng tầm nhìn máy hiệu quả, dựa trên quy tắc trong một tập hợp các thuật toán học sâu được đào tạo trước, các thiết bị học sâu cung cấp những gì tốt nhất của cả hai thế giới, với một bộ công cụ tích hợp được tối ưu hóa cho các ứng dụng tự động hóa trong nhà máy và đóng gói.

Với giải pháp dựa trên camera thông minh duy nhất, việc học cạnh có thể được triển khai trên bất kỳ dây chuyền nào trong vòng vài phút. Giải pháp này tích hợp phần cứng thị giác chất lượng cao, các công cụ thị giác máy xử lý trước hình ảnh để giảm tải tính toán, mạng học sâu được đào tạo trước để giải quyết các vấn đề tự động hóa của nhà máy và giao diện người dùng đơn giản được thiết kế cho các ứng dụng công nghiệp.

Học sâu tại hiện trường khác với các khuôn khổ học sâu hiện có ở chỗ nó được thiết kế riêng cho tự động hóa công nghiệp. Và, nó khác với các phương pháp khác ở chỗ tập trung vào tính dễ sử dụng trong tất cả các giai đoạn triển khai ứng dụng. Ví dụ: học cạnh yêu cầu ít hình ảnh hơn để đạt được kết quả, ít thời gian hơn để thiết lập và thu nhận hình ảnh, không cần GPU bên ngoài và không cần lập trình chuyên biệt.

Ví dụ về phân loại theo tiêu chuẩn

Việc phát triển một ứng dụng phân loại theo tiêu chuẩn sử dụng phương pháp học sâu truyền thống có thể yêu cầu hàng trăm hình ảnh và mất đến vài tuần. Học sâu tại hiện trường làm cho việc phân loại khuyết tật trở nên đơn giản hơn nhiều. Bằng cách phân tích nhiều vùng quan tâm (ROI) trong trường xem của nó (FOV) và phân loại từng vùng đó thành nhiều danh mục, Học sâu tại hiện trường cho phép mọi người nhanh chóng và dễ dàng thiết lập các ứng dụng xác minh lắp ráp phức tạp.

Trong ngành công nghiệp đóng gói thực phẩm, công nghệ Học sâu tại hiện trường ngày càng được sử dụng nhiều hơn để xác minh và phân loại các phần khay bột đông lạnh. Trong nhiều ứng dụng đóng gói bữa ăn đông lạnh, robot chọn và đặt các loại thực phẩm khác nhau vào khay đi qua trên một dây chuyền tốc độ cao. Ví dụ: robot có thể đặt protein ở phần dưới cùng chính giữa, rau ở phần trên cùng bên trái, món ăn phụ hoặc món tráng miệng ở phần trên cùng giữa và một số loại tinh bột ở phần trên cùng bên phải của mỗi khay.

Hình 1. Với ít nhất ba - năm hình ảnh của mỗi lớp, một hệ thống học sâu tại hiện trường có thể được đào tạo để phân loại từng phần của khay thức ăn đông lạnh

Mỗi phần của khay có thể chứa nhiều SKU. Ví dụ: phần protein có thể bao gồm ổ bánh mì thịt, gà tây hoặc thịt gà. Phần tinh bột có thể chứa mì ống, cơm hoặc khoai tây. Học cạnh giúp người vận hành có thể nhấp và kéo các hộp giới hạn xung quanh các tính năng đặc trưng trên khay bữa ăn, sửa chữa các phần khay đã xác định để đào tạo.

Tiếp theo, người điều hành xem xét một số hình ảnh, phân loại từng lớp. Thông thường, điều này có thể được thực hiện trong vài phút, với ít nhất là ba đến năm hình ảnh cho mỗi lớp. Trong quá trình hoạt động ở tốc độ cao, hệ thống học cạnh có thể phân loại chính xác các phần khác nhau. Để phù hợp với các lớp hoàn toàn mới hoặc các loại mới của các lớp hiện có trong quá trình sản xuất, công cụ có thể được cập nhật với một vài hình ảnh trong mỗi danh mục mới.

Khi nào sử dụng Học sâu

Đối với các ứng dụng phức tạp hoặc có tính tùy biến cao, học sâu truyền thống là một giải pháp lý tưởng vì nó cung cấp khả năng xử lý các tập hình ảnh lớn và có độ chi tiết cao. Thông thường, các ứng dụng như vậy liên quan đến các đối tượng với các biến thể đáng kể, đòi hỏi khả năng đào tạo mạnh mẽ và sức mạnh tính toán nâng cao. Các tập hợp hình ảnh với hàng trăm hoặc hàng nghìn hình ảnh phải được sử dụng để đào tạo nhằm giải thích cho sự thay đổi đáng kể đó và để nắm bắt tất cả các kết quả tiềm năng.

Cho phép người dùng phân tích các tập hợp hình ảnh như vậy một cách nhanh chóng và hiệu quả, học sâu truyền thống mang đến một giải pháp hiệu quả để tự động hóa các tác vụ phức tạp. Các sản phẩm học sâu chính thức và khuôn khổ nguồn mở được thiết kế tốt để giải quyết các ứng dụng phức tạp. Tuy nhiên, nhiều ứng dụng tự động hóa của nhà máy đòi hỏi ít phức tạp hơn nhiều, làm cho việc Học sâu tại hiện trường trở thành một giải pháp phù hợp hơn.

Khi nào sử dụng Học sâu tại hiện trường

Với các thuật toán được thiết kế đặc biệt cho các yêu cầu tự động hóa của nhà máy và các trường hợp sử dụng, Học sâu tại hiện trường giúp loại bỏ nhu cầu về GPU bên ngoài và hàng trăm hoặc hàng nghìn hình ảnh đào tạo. Việc đào tạo trước như vậy, được hỗ trợ bởi các công cụ thị giác máy phân tích tham số truyền thống thích hợp, có thể cải thiện đáng kể nhiều tác vụ thị giác máy. Kết quả là Học sâu tại hiện trường, kết hợp sức mạnh của học sâu với một bộ công cụ tầm nhìn nhanh và nhẹ mà các kỹ sư dây chuyền có thể áp dụng hàng ngày cho các vấn đề đóng gói và các thách thức tự động hóa khác của nhà máy.

Hình 2. Các công cụ học sâu tại hiện trường thực hiện phân loại nhiều lớp đối với thuốc trong vỉ, phân loại từng phần là một cặp tốt, thiếu một viên hoặc có những viên thuốc không khớp

So với các giải pháp học sâu có thể yêu cầu đào tạo hàng giờ đến hàng ngày và hàng trăm đến hàng nghìn hình ảnh, các công cụ học tập tiên tiến thường được đào tạo trong vài phút bằng cách sử dụng một vài hình ảnh cho mỗi lớp. Học sâu tại hiện trường hợp lý hóa việc triển khai để cho phép các nhà sản xuất tăng tốc nhanh chóng và khả năng điều chỉnh nhanh chóng và dễ dàng các thay đổi.

Khả năng tìm ra các mẫu thay đổi trong các hệ thống phức tạp làm cho thị giác máy học sâu trở thành một giải pháp thú vị để kiểm tra các vật thể có hình dạng và khuyết tật không nhất quán, chẳng hạn như bao bì linh hoạt trong bộ dụng cụ sơ cứu.

Hình 3. Bằng cách thực hiện xác minh lắp ráp đa ROI để kiểm tra ba vùng khác nhau, các công cụ học tiên tiến có thể đảm bảo rằng tất cả các thành phần cần thiết đều có trong bộ sơ cứu.

Phần cứng và công cụ Học sâu tại hiện trường

Với mục đích Học sâu tại hiện trường, kết hợp các công cụ thị giác máy phân tích truyền thống theo những cách cụ thể cho nhu cầu của từng ứng dụng, loại bỏ sự cần thiết của chuỗi các công cụ tầm nhìn hoặc đặt ra các chuỗi logic phức tạp. Các công cụ này cung cấp khả năng xử lý trước nhanh chóng hình ảnh và khả năng trích xuất mật độ, cạnh và các thông tin tính năng khác hữu ích cho việc phát hiện và phân tích các lỗi sản xuất. Bằng cách tìm và làm rõ các phần liên quan của hình ảnh, các công cụ này giảm tải tính toán của học sâu.

Ống kính lấy nét tự động giữ cho đối tượng quan tâm được lấy nét, ngay cả khi FOV hoặc khoảng cách từ máy ảnh thay đổi. Nhỏ hơn và nhẹ hơn các ống kính cơ học tương đương, ống kính lấy nét tự động bằng chất lỏng cũng cải thiện khả năng chống sốc và chống rung.

Chìa khóa cho hình ảnh chất lượng cao, máy ảnh thông minh có sẵn đèn chiếu sáng tích hợp dưới dạng đèn pin nhiều màu cung cấp các tùy chọn màu đỏ, xanh lá cây, xanh lam, trắng và hồng ngoại. Để tối đa hóa độ tương phản, giảm thiểu các vùng tối và làm nổi bật các chi tiết cần thiết, đèn pin đi kèm với các phụ kiện quang học có thể hoán đổi trường như ống kính, bộ lọc màu và bộ khuếch tán, tăng tính linh hoạt của hệ thống để xử lý nhiều ứng dụng.

Nền tảng dựa trên Học sâu tại hiện trường này cũng bao gồm các công cụ thị giác máy phân tích truyền thống có thể được tham số hóa cho nhiều tác vụ chuyên biệt, chẳng hạn như vị trí, đo lường và định hướng.

Đào tạo Học sâu tại hiện trường

Đào tạo Học sâu tại hiện trường giống như đào tạo một công nhân mới trên dây chuyền. Người dùng Học sâu tại hiện trường không cần phải hiểu hệ thống thị giác máy hoặc học sâu. Đúng hơn, họ chỉ cần hiểu vấn đề phân loại cần giải quyết. Nếu nó đơn giản - ví dụ, phân loại các phần được chấp nhận và không được chấp nhận là OK / NG - người dùng chỉ phải hiểu các mục nào được chấp nhận và mục nào không.

Đôi khi những người vận hành dây chuyền có thể bao gồm kiến ​​thức về quy trình không rõ ràng, có được từ quá trình thử nghiệm dưới dây chuyền, điều này có thể bộc lộ những khiếm khuyết mà ngay cả con người cũng khó phát hiện ra. Học sâu tại hiện trường đặc biệt hiệu quả trong việc tìm ra những biến thể nào trong một bộ phận là quan trọng và những biến thể nào chỉ mang tính thẩm mỹ và không ảnh hưởng đến chức năng.

Học sâu tại hiện trường không giới hạn phân loại nhị phân thành OK / NG; nó có thể phân loại các đối tượng thành bất kỳ số loại nào. Nếu các bộ phận cần được sắp xếp thành ba hoặc bốn danh mục riêng biệt, tùy thuộc vào các thành phần hoặc cấu hình, có thể thiết lập dễ dàng như vậy.

Học sâu tại hiện trường trong các ứng dụng đóng gói

Để đơn giản hóa việc tự động hóa nhà máy và xử lý các nhiệm vụ thị giác máy có độ phức tạp khác nhau, học cạnh hữu ích trong nhiều ngành công nghiệp, bao gồm các ứng dụng đóng gói y tế, dược phẩm và đồ uống.

Kiểm tra trực quan tự động là điều cần thiết để hỗ trợ chất lượng và sự tuân thủ của bao bì trong khi cải thiện tốc độ và độ chính xác của dây chuyền đóng gói. Xác minh mức lấp đầy là một ứng dụng mới nổi của công nghệ Học sâu tại hiện trường. Trong ngành công nghiệp y tế và dược phẩm, các lọ chứa đầy thuốc đến mức định sẵn phải được kiểm tra trước khi đóng nắp và niêm phong để xác nhận rằng mức đó nằm trong dung sai thích hợp.

Hình 4. Bản chất trong suốt và phản chiếu của cả lọ thủy tinh và vật chứa bên trong khiến thị giác máy truyền thống khó phát hiện mức đổ đầy

Không bị lạm dụng bởi phản xạ, khúc xạ hoặc các biến thể hình ảnh khác, học cạnh có thể dễ dàng được đào tạo để xác minh mức độ lấp đầy. Các mức lấp đầy quá cao hoặc quá thấp có thể nhanh chóng được phân loại là NG, trong khi chỉ những mức nằm trong dung sai thích hợp mới được phân loại là OK.

Một ứng dụng mới nổi khác của công nghệ Học sâu tại hiện trường là kiểm tra giới hạn trong ngành đồ uống. Các chai chứa đầy nước ngọt và nước trái cây và được đậy kín bằng nắp vặn. Nếu thùng quay cắt ngang nắp, áp dụng mô-men xoắn không phù hợp hoặc gây ra các hư hỏng khác trong quá trình đóng nắp, nó có thể để lại một khe hở cho phép nhiễm bẩn hoặc rò rỉ.

Hình 5. Do tốc độ dòng và nhiều cách mà nắp có thể gần như nhưng không hoàn toàn kín, việc kiểm tra nắp là một thách thức đối với thị giác máy truyền thống

Để đào tạo một hệ thống Học sâu tại hiện trường về giới hạn, hình ảnh hiển thị các nắp được niêm phong tốt được dán nhãn là tốt; những hình ảnh cho thấy những chiếc nắp có các khoảng trống nhỏ, mà mắt người có thể gần như không thể nhận thấy, được dán nhãn là không tốt. Sau khi huấn luyện xong, chỉ những nắp đậy kín hoàn toàn mới được phân loại là OK. Tất cả các nắp khác được phân loại là NG.

Trong khi những thách thức đối với tầm nhìn máy dựa trên quy tắc truyền thống tiếp tục nảy sinh khi độ phức tạp của ứng dụng đóng gói tăng lên, thì tính năng Học sâu tại hiện trường dễ sử dụng trên nền tảng máy ảnh thông minh được nhúng đã chứng tỏ là một công nghệ thay đổi cuộc chơi. Học sâu tại hiện trường có nhiều khả năng hơn các công cụ phân tích thị giác máy truyền thống và cực kỳ dễ sử dụng với các ứng dụng khó trước đây.