1 - Giải pháp kiểm tra ngoại quan xe tự động

Quy trình kiểm tra và bàn giao xe ô tô khá lỗi thời và thiếu nhất quán. Vì vậy ứng dụng thị giác máy đưa ra kết quả hình ảnh chân thực, rõ nét. Hệ thống sử dụng nhiều camera kết hợp khả năng phát hiện lỗi bằng AI dù chỉ là một dấu vết nhỏ và chụp ảnh độ phân giải siêu cao.

Hình 1 – Ví dụ hệ thống kiểm tra ngoại quan xe tự động của DeGould

Hệ thống giải quyết vấn đề kiểm tra xe thủ công mất thời gian và không nhất quán tại các nhà máy OEM và trong chuỗi cung ứng xe thành phẩm. Hệ thống cho phép được lắp đặt trên các dây chuyền sản xuất hiện có hoặc như một hệ thống truyền động để đảm bảo chất lượng cải thiện, giảm thiểu bảo hành và sự chậm trễ cho khách hàng.

Hệ thống bao gồm nhiều loại camera và bảng điều khiển ánh sáng để ghi lại các khuyết tật và hư hỏng một cách tốt nhất: camera kiểm tra bánh xe,  camera đơn sắc phát hiện vết lõm. Sự kết hợp của các camera này đảm bảo có thể chụp được toàn bộ ngoại thất của xe để phát hiện hư hỏng.

Hình 2: Cách hệ thống kiểm tra ngoại thất ô tô

Việc sử dụng các trường ánh sáng khác nhau đảm bảo rằng tất cả các phân loại phổ biến của các khuyết tật có thể được phát hiện tự động. Hệ thống có ba trường ánh sáng, bao gồm phần sáng, phần tối và phần có cấu trúc. Tùy thuộc vào màu sắc của xe, các loại lỗi khác nhau sẽ có thể được phát hiện trong các điều kiện ánh sáng khác nhau. Các trường ánh sáng khác nhau cho phép hệ thống chụp hàng trăm hình ảnh trong vài giây, được lưu trữ trên đám mây để truy cập và lưu trữ đơn giản, với tính năng nhận dạng phương tiện tự động để báo cáo độ chính xác.

Ngoài ra, còn có ứng dụng dựa trên Web cho phép khách hàng xem và quản lý dữ liệu của tất cả các lần kiểm tra được hoàn thành bởi hệ thống. Bảng điều khiển kết hợp các hình ảnh có độ phân giải cực cao được hệ thống chụp lại với các thuật toán AI để cung cấp một báo cáo kiểm tra xe tự động hoàn chỉnh. Theo dõi xe từ nhà máy đến đại lý thông qua bất kỳ hệ thống hoặc quy trình thay thế nào để đảm bảo việc chuyển giao kỹ thuật số được theo dõi dễ dàng và mọi sai sót đều được giải quyết dễ dàng. 

Bất kỳ lỗi nào được phát hiện giờ đây đều có thể được sửa chữa nhanh chóng và tiết kiệm chi phí trong nhà máy, có nghĩa là ít sự chậm trễ hơn cho khách hàng và phân tích nguyên nhân hướng đi tốt hơn cho các lỗi của nhà máy để giảm tỷ lệ sự cố. Các công nhân thực hiện nhiệm vụ kiểm tra có thể được chuyển đến các bộ phận xử lý vấn đề phức tạp hơn.

2 – Kiểm tra hàn đầu cuối

Các bộ phận trong hệ thống ô tô có hàng chục mối hàn điểm đầu cuối và việc kiểm tra trực quan chính xác là rất quan trọng. Đây là một nhiệm vụ khó khăn vì sự biến đổi liên tục của các mối hàn tốt và có khuyết tật. Các giải pháp tự động sử dụng học sâu có thể kết hợp những tính năng tốt nhất của hệ thống kiểm tra trực quan của con người và hệ thống máy tính.

Các giải pháp thị giác máy truyền thống để kiểm tra sản phẩm tự động được xác định bằng cách sử dụng lập trình dựa trên quy tắc rõ ràng và được sử dụng trong các nhà máy thông minh để đo lường chính xác và căn chỉnh các tính năng nhất quán.

Hình 3: Phân loại đề cập đến quyết định tổng thể tốt/ lỗi cho từng phần trong khi ghi nhãn là đánh dấu các pixel khuyết tật cụ thể trong hình ảnh

Đối với các nhiệm vụ kiểm tra mà các khuyết tật khó tìm thấy hoặc các thành phần tốt thay đổi đáng kể, việc viết một công cụ tìm mẫu với hệ thống thị giác truyền thống là không thực tế. Điều này đặc biệt đúng trong quá trình kiểm tra lắp ráp cuối cùng, nơi mọi lỗi có thể có ở đầu vào đều cần được kiểm tra để tránh vận chuyển các thành phần lỗi. Ngoài ra, việc kiểm tra lần cuối có thể được thực hiện trực quan bởi con người nhưng công việc này diễn ra chậm và thiếu nhất quán.

Mặt khác, các giải pháp học sâu tận dụng các bộ dữ liệu bao gồm các hình ảnh trong thế giới thực đã được đánh giá và dán nhãn bởi các chuyên gia kiểm tra chất lượng. Ví dụ: hình ảnh có thể được gắn nhãn “tốt” hoặc “lỗi” để phân biệt giữa hình ảnh của sản phẩm đạt/ không đạt. Nếu ảnh "lỗi" được gắn nhãn loại lỗi cụ thể, hệ thống học sâu có thể học cách xác định vấn đề và chỉ ra cụ thể.

Hình 4: Các mối hàn kim loại có thể không nhất quán như được thấy trong các ví dụ này (từ trái sang phải) mối hàn tốt, quá nhỏ và quá khổ.

Hệ thống học sâu được đào tạo với các bộ dữ liệu này thay vì được lập trình rõ ràng dựa trên các mẫu hình ảnh cứng nhắc. Do đó, các hệ thống kiểm tra dựa trên học tập sâu, không giống như các hệ thống dựa trên quy tắc truyền thống, có thể đưa ra các đánh giá chủ quan về chất lượng dựa trên một loạt các bất thường tiềm ẩn.

Vì thế khâu cuối cùng là một nơi tốt để bắt đầu với việc học sâu. Điều này có thể tiết kiệm chi phí ngay lập tức cũng như cải thiện hiệu suất kiểm tra. Ngoài một quyết định đạt / không đạt đơn giản, hệ thống học sâu thường có thể cung cấp thông tin về loại lỗi. Điều này có thể được sử dụng như một biện pháp kiểm soát quá trình để sửa chữa các vấn đề từ đầu vào.

Việc xác định nhanh chóng các nguyên nhân gốc rễ của lỗi có thể giúp tiết kiệm ngay lập tức và cải thiện chất lượng sản phẩm. Kiểm tra học sâu có thể được sử dụng để thực hiện một quy trình sản xuất thông minh thực sự kết hợp dữ liệu kiểm tra tự động và thủ công.

Khả năng xác định các mẫu thay đổi trong các hệ thống phức tạp này làm cho thị giác máy học sâu trở thành một giải pháp thú vị để kiểm tra các đối tượng có hình dạng và khuyết tật không nhất quán - chẳng hạn như kiểm tra các mối hàn trong ngành công nghiệp ô tô.

Kiểm tra điểm hàn đầu cuối

Kiểm tra mối hàn điểm là một ứng dụng mới nổi cho công nghệ học sâu. Hàn điểm là quá trình nối hai thiết bị đầu cuối hoặc một đầu cuối và một dây bằng cách nung chảy chúng mà không sử dụng thuốc hàn. Bộ khởi động, cuộn dây và máy phát điện có hàng chục mối hàn này. Trong khi các thử nghiệm điện tự động sẽ phát hiện ra các khuyết tật lớn, các mối hàn lỗi vẫn có thể vượt qua thử nghiệm điện và chứng tỏ có độ giòn tại hiện trường. Thêm một kiểm tra kiểm tra trực quan đáng tin cậy là rất quan trọng.

Các loại mối hàn điểm nhìn thấy trên các bộ phận này bao gồm:

- Nối hàn kẹp (pin-to-pin): được dùng cho stato động cơ, máy phát điện được tạo ra thông qua tia laser hoặc hàn điện trở

- Mối hàn dây - miếng đệm: được thấy trong các công tắc khởi động, các ống dẫn điện và cảm biến được thực hiện chủ yếu thông qua hàn điện trở

- Mối hàn nối dây: sử dụng quy trình hàn điện trở lý tưởng cho các cảm biến. 

Hình 5: Hàn kẹp, hàn dây – miếng đệm, hàn nối dây 

Về bản chất, hàn điểm tạo ra một vật thể kim loại ba chiều hơi thay đổi với các bề mặt phản chiếu. Hình ảnh thu được thường chứa bóng, phản xạ, vùng màu và kết cấu bề mặt ngay cả trên những phần hoàn toàn tốt. Các hiệu ứng quang học này thường có cùng độ lớn với các khuyết tật thực sự, bao gồm lỗ thủng, vết cháy, vết nứt, rỗ, vết xước, vết nhăn, sự ngắt kết nối và các mối hàn quá nhỏ hoặc quá cỡ.

Hình 6: Các loại hàn tốt (bên trên)

Các loại hàn lỗi: Hàn có vết rỗ - Hàn quá nhỏ – Hàn quá cỡ(bên dưới)

Việc phát triển một hệ thống tự động dựa trên các quy tắc, đáng tin cậy để phân biệt các thành phần tốt với thành phần lỗi đã trở nên khó khăn vì sự đa dạng của những biến thể tự nhiên này.

Tuy nhiên, các hệ thống dựa trên học tập sâu lại vượt trội hơn nhiều trong việc phát hiện một loạt các điểm bất thường, miễn là hệ thống được đào tạo với đủ hình ảnh chứng minh các điểm bất thường trông như thế nào.

Giải pháp phát hiện khiếm khuyết

Một trong những trở ngại lớn nhất trong học sâu là thu thập đủ các ví dụ về các thành phần lỗi để đào tạo một cách thích hợp. Trong bất kỳ quy trình sản xuất chất lượng cao nào, số lượng các thành phần tốt được sản xuất sẽ làm lu mờ đáng kể cái lỗi. Có thể là một thách thức để thu thập đủ các ví dụ về từng loại khiếm khuyết tiềm ẩn cho mạng nơ-ron được giám sát, trong đó từng khiếm khuyết phải được xác định rõ ràng, theo cách thủ công để đào tạo mô hình. 

Chế độ không giám sát cho phép mạng nơ-ron được huấn luyện chỉ từ hình ảnh của các thành phần tốt. Miễn là các thành phần nằm trong phạm vi thay đổi ngoại hình có thể chấp nhận được, hệ thống sẽ học bộ phận nào cần chuyển sang bước sản xuất tiếp theo và thành phần nào phải được loại khỏi dây chuyền sản xuất.

Hình 7: Hệ thống học sâu có thể gán nhãn hình ảnh bằng cách sử dụng chế độ không giám sát và có giám sát

Với chế độ không giám sát, việc lập trình đơn giản hơn và các ví dụ về các bộ phận bị lỗi không bắt buộc phải bắt đầu đào tạo. Theo thời gian, khi các nhà máy thu thập một lượng lớn hình ảnh về các thành phần bị lỗi, họ có thể sử dụng chúng để lập trình và kiểm tra thông qua chế độ được giám sát và so sánh cả hai chế độ để xem chế độ nào hoạt động tốt nhất.

Phân loại để kiểm soát quá trình

Kiểm tra lắp ráp đạt/ không đạt là bước khởi đầu tốt để tích hợp học sâu vào quy trình sản xuất. Một bước tiếp theo là đánh giá từng thành phần lỗi để xác định nguyên nhân lỗi bằng cách phân loại các khuyết tật được tìm thấy trong quá trình kiểm tra. Thông tin này cho phép các nhà máy thực hiện hành động khắc phục ngay lập tức để ngăn chặn việc sản xuất thêm các thành phần lỗi.

Có hai kiểu phân loại và mỗi kiểu đều cung cấp những ưu điểm. Một kiểu kiểm tra toàn bộ hình ảnh để đánh giá tổng thể một phần. Kiểu còn lại xem xét các khu vực cụ thể của một bộ phận đã được xác định bởi công cụ kiểm tra để xác định loại khuyết tật mà chúng đại diện.

Việc phân loại tính năng là tốt nếu công cụ kiểm tra nắm bắt chính xác các khu vực cụ thể của bộ phận bị lỗi và đưa ra phán đoán đạt/ không đạt chính xác. Quá trình này cũng có thể xử lý các bộ phận có nhiều loại khuyết tật.

Trong hàn điểm, phân loại toàn hình ảnh thường được ưu tiên. Một số dạng khuyết tật, chẳng hạn như các mối hàn quá nhỏ và quá cỡ, không cho phép dễ dàng cô lập các vùng khuyết tật cụ thể. Đối với những trường hợp này, phân loại toàn hình ảnh cung cấp một cách tiếp cận mạnh mẽ hơn. Trong các trường hợp có nhiều loại khuyết tật, chỉ một khuyết tật nổi trội sẽ được báo cáo, nhưng đây thường là một sự đánh đổi nhỏ và có thể chấp nhận được để có độ tin cậy cao hơn.

Hình 8: Hình ảnh có thể được kiểm tra bằng cách sử dụng phân loại cảnh hoặc đặc điểm

Trong cả hai trường hợp, quá trình đào tạo để phân loại là khá đơn giản. Người dùng trình bày hệ thống với các hình ảnh hoặc vùng đặc trưng của các bộ phận tốt và của từng loại khuyết tật. Không yêu cầu các bước ghi nhãn đặc biệt. Tuy nhiên, chìa khóa là đảm bảo tồn tại đủ các ví dụ về các loại lỗi, thường là vài trăm ví dụ trong số đó.

Với bộ phân loại được đào tạo bài bản, các nhà sản xuất có thể nhanh chóng thực hiện hành động khắc phục ngay lập tức. Ví dụ, các mối hàn quá khổ hoặc quá nhỏ có thể do cài đặt nhiệt độ không chính xác trên phần cứng hàn. Các mối hàn bị sai lệch có thể yêu cầu robot phải được hiệu chỉnh lại. Dữ liệu phân loại cũng có thể được sử dụng để cải tiến quy trình lâu dài, chẳng hạn như thêm bước hiệu chuẩn phòng ngừa khi bắt đầu mỗi ca làm việc nếu hệ thống dễ bị trôi. Khi các công ty áp dụng các kỹ thuật sản xuất thông minh, dữ liệu phân loại tầm nhìn có thể được gắn vào vô số bộ dữ liệu từ sàn nhà máy để cải thiện mọi khía cạnh của quy trình.

Xác nhận sản xuất

Tỷ lệ phát hiện sai sót chính xác bằng cách sử dụng các công cụ học sâu cho thấy rằng chúng chính xác và nhất quán hơn nhiều so với kiểm tra thủ công. Tuy nhiên, nhiều nhóm đảm bảo chất lượng và quản lý sản xuất lo ngại về việc áp dụng các công nghệ mới nhất, có thể thực hiện tốt trong phòng thí nghiệm nhưng chưa sẵn sàng cho các điều kiện sản xuất trong thực tế.

Bước đầu tiên để giảm thiểu những lo lắng này là lập kế hoạch cho một giai đoạn trong đó hệ thống học sâu chồng chéo lên việc kiểm tra thủ công. Kết quả của cả hai loại kiểm tra được ghi lại và bất kỳ sự khác biệt nào được đánh dấu. Đầu tiên, điều này thiết lập một đường cơ sở hiệu suất rõ ràng để đo lường mức quá mức cần thiết và mức thấp hơn mức cần thiết, điều này rất quan trọng trong việc xác định ROI của dự án. Thứ hai, bất kỳ hình ảnh nào mà hệ thống học sâu đánh giá sai có thể được thêm vào cơ sở dữ liệu đào tạo của nó để cải thiện hiệu suất gia tăng.

Ngay cả khi một dự án được xác nhận, các công ty có thể chọn giữ lại một số lượng nhỏ các nhân viên kiểm tra giỏi nhất. Trong mô hình kiểm tra hai cấp này, hệ thống thị giác tự động kiểm tra từng bộ phận và xác định xem nó tốt, xấu hay mơ hồ. Bất kỳ phần nào không rõ ràng sẽ được gửi để người kiểm tra thủ công xem xét thêm.

Điều này làm tăng thêm mức độ tin cậy vào hệ thống và hiệu suất của các kiểm tra viên cũng thường được cải thiện. Trong sản xuất bình thường, phần lớn các thành phần đều tốt, điều này làm cho công việc của nhân viên kiểm tra trở nên nhàm chán và thiếu nhất quán. Với việc kiểm tra hai cấp, mọi người kiểm tra bộ phận sẽ xem xét đánh giá chuyên môn của họ, dẫn đến sự tham gia nhất quán hơn trong quá trình.

Lợi ích

Việc áp dụng hệ thống kiểm tra học tập sâu có thể tiết kiệm cả trực tiếp và gián tiếp.

• Tiết kiệm lao động trực tiếp: tiền lương, thuê mướn và chi phí đào tạo. Ngoài ra, khoản tiết kiệm trực tiếp đến từ những cải tiến rất hữu hình về mức cần thiết / dưới mức cần thiết do hệ thống cung cấp.
• Tiết kiệm gián tiếp: xuất phát từ các báo cáo chất lượng được cung cấp cho khách hàng cuối cùng hoặc được sử dụng để phân tích lỗi tại hiện trường và thu hồi sản phẩm, hiểu rõ hơn về các điểm hỏng hóc trong quá trình sản xuất, mở ra cánh cửa cho những cải tiến bổ sung.

Các công cụ học sâu để kiểm tra hàn điểm đầu cuối cung cấp giải pháp thay thế thực sự khả thi đầu tiên cho việc kiểm tra thủ công không nhất quán và kiểm tra điện không đủ, giải quyết một điểm khó khăn chưa được giải quyết trong ngành công nghiệp điện tử ô tô ngày nay.

3 – Thị giác máy xác định các tiêu chí cụ thể của xe

Hình 9: Máy ảnh công nghiệp và các nguồn sáng phẳng trong nhà máy sản xuất ô tô

Một nhà sản xuất xe đã tìm kiếm một hệ thống thị giác cho nhà máy của mình có thể kiểm tra các tiêu chí khác nhau trong sản xuất ô tô theo các loại cụ thể. Các nhà điều hành dây chuyền lắp ráp đã kiểm tra các tiêu chí này, và có sự khác biệt trong cách đánh giá các tiêu chí tùy thuộc vào sự thay đổi cụ thể. Ngoài ra, các nhà điều hành nhận thấy rất vất vả để duy trì cùng một mức đánh giá vào cuối ca làm việc.

Để giảm bớt gánh nặng cho người vận hành, nhà sản xuất xe đã yêu cầu một hệ thống đọc mã vạch trước tiên để xác định loại xe. Sau đó, hệ thống sẽ thực hiện kiểm tra sự hiện diện, đo lường và nhận dạng mẫu cụ thể cho từng loại. Hệ thống sẽ trả lời một số câu hỏi, bao gồm:

- Có phải tất cả các vít đều có mặt không?

- Cáp có được lắp đúng màu không?

- Các phích cắm đã được kết nối đúng cách chưa?

- Vị trí của một mặt bích nào đó trong mối quan hệ với phần còn lại của xe?

- Các thành phần được cài đặt riêng lẻ được căn chỉnh như thế nào?

- Đã cài đặt đúng thành phần chưa?

Hệ thống thị giác máy có thể mở rộng theo mô-đun, có thể được sử dụng để thực hiện các yêu cầu về thị giác máy một cách riêng lẻ. Các camera công nghiệp được lập trình hoặc tham số hóa bằng phần mềm thị giác máy dựa trên trình duyệt. Nhờ giao diện thân thiện với người dùng, các kỹ sư bảo trì có thể bảo trì hệ thống một cách độc lập sau một thời gian ngắn đào tạo. Nếu hệ thống thị giác máy được tích hợp trong mạng công ty, phần mềm dựa trên trình duyệt cũng cung cấp khả năng truy cập linh hoạt vào các camera công nghiệp từ bất kỳ vị trí nào. Bảo trì từ xa cũng có thể.

Hai hệ thống thị giác máy với nhà sản xuất xe:

- Hệ thống đầu tiên, để kiểm tra sự hiện diện, bao gồm 6 camera công nghiệp,

- Hệ thống thứ hai, để đo lường và phát hiện mẫu, được trang bị 9 camera công nghiệp.

Hệ thống 6 camera phát hiện xem các tính năng có hiện diện hay không và sẽ thực hiện phát hiện mẫu để phát hiện xem các tính năng có được cài đặt chính xác hay không. Hệ thống 9 camera sẽ phát hiện xem các tính năng có được cài đặt chính xác hay không.

Hình 10: Máy ảnh phát hiện mã vạch với ống kính máy ảnh có độ phân giải cao

Mỗi máy ảnh đều ghi lại một đặc tính phải được kiểm tra. Hệ thống điều khiển tổng thể của nhà máy gửi cho cả hai hệ thống thị giác máy thông tin về loại phương tiện sẽ được kiểm tra. Các giá trị giới hạn cần thiết cũng được gửi đến hệ thống thị giác máy. Khi hệ thống thực hiện phép đo để kiểm tra một tiêu chí, các giới hạn từ thông số kỹ thuật của dữ liệu xe được chuyển từ hệ thống cấp cao hơn. Sau đó, hệ thống nhận, ví dụ, tối đa: 16,5 mm và tối thiểu: 15,5 mm. Hệ thống thị giác máy được hiệu chỉnh và có thể đo theo kích thước thực. Ví dụ, khi hệ thống kiểm tra sự hiện diện của một thành phần, điều này được lập trình viên dạy cho hệ thống theo cách thủ công thông qua so sánh với hình ảnh tham chiếu (tìm kiếm mẫu) hoặc thông qua một công cụ tầm nhìn đơn giản như phát hiện cạnh.

Các giá trị giới hạn được cố định. Nếu vượt quá giá trị giới hạn cho một tính năng, thì tính năng này được đánh dấu là bị lỗi. Điều này được bao gồm trong các thuật toán của hệ thống thị giác máy. Các giá trị giới hạn được truyền từ hệ thống cấp cao hơn đến hệ thống thị giác. Bằng cách này, có thể dễ dàng thực hiện các thay đổi đối với các giới hạn.

Các đặc tính được kiểm tra bằng hệ thống thị giác máy và kết quả được hiển thị bằng màn hình điều khiển tại các vị trí thử nghiệm. Nếu hệ thống tìm thấy lỗi, người vận hành sẽ được thông báo và không thể tiếp tục sản xuất. Người vận hành sau đó có tùy chọn giải quyết vấn đề và sau đó khởi động hệ thống thị giác máy theo cách thủ công. Nếu hệ thống không tìm thấy bất kỳ lỗi nào sau đó, quá trình sản xuất có thể tiếp tục bình thường. Nếu hệ thống phát hiện lỗi một lần nữa, người điều hành có thể phân loại xe là xấu. Sau đó việc sản xuất có thể tiếp tục bình thường. Trong cả hai trường hợp, kết quả của hệ thống thị giác máy (xe tốt, xe lỗi có nguyên nhân lỗi) được gửi đến hệ thống cấp cao hơn. Hệ thống kiểm tra sự lắp ráp chính xác của các phương tiện. Hầu hết các thành phần đều do con người lắp ráp bằng tay. Lỗi có thể xảy ra ở đây. Hệ thống kiểm tra xem các bộ phận đã được lắp đúng hướng chưa, các bộ phận có được lắp hay không và các bộ phận phù hợp với loại xe hiện tại đã được lắp hay chưa.

Các hệ thống chủ yếu tăng độ chính xác và loại bỏ lỗi của con người. Hệ thống có thể kiểm tra các đặc tính kiểm tra một cách chính xác hơn so với khả năng có thể bằng mắt người. Và, các hệ thống luôn hoạt động theo cùng một cách. Không có sự sai lệch do thay đổi công nhân hoặc công nhân bị mệt mỏi.

Dữ liệu được phát hiện trong hệ thống thị giác máy và các mẫu lỗi được lưu trữ trong một hệ thống chính. Các tiêu chí thử nghiệm được ghi lại đầy đủ và các lỗi vẫn có thể được phân tích rất lâu sau khi xe rời khỏi dây chuyền lắp ráp. Khả năng mở rộng của hệ thống thị giác máy cũng cho phép nhà sản xuất phương tiện mở rộng đảm bảo chất lượng cho các khu vực khác sau này. Phần mở rộng không chỉ giới hạn ở số lượng camera công nghiệp đã qua sử dụng. Bộ tích hợp hệ thống có tới 80.000 tổ hợp camera công nghiệp khác nhau do có số lượng lớn các cảm biến, bộ lọc, giá đỡ ống kính, giao diện, loại vỏ và lớp bảo vệ khác nhau.

Cả hai hệ thống, hệ thống 6 camera và hệ thống 9 camera, đều hoạt động như nhau. Sự khác biệt duy nhất là những tính năng họ đang kiểm tra. Với thời gian chu kỳ cố định, các phương tiện mới đến vị trí của hệ thống camera. Các camera và đèn chiếu sáng treo phía trên và bên hông xe. Khi chiếc xe mới vào vị trí, các camera lần lượt chụp ảnh - đôi khi đồng thời - và đánh giá các đặc điểm kiểm tra. Kết quả được hiển thị dưới dạng hình ảnh với giá trị và trạng thái đo được trên màn hình nằm ngay bên cạnh dây chuyền sản xuất gần máy ảnh. Nếu hệ thống xử lý hình ảnh phát hiện ra lỗi, công nhân vận hành tại dây chuyền có thể sửa lỗi. Sau đó, người công nhân có thể khởi động lại quá trình thu thập hình ảnh theo cách thủ công để kiểm tra xem mình đã sửa lỗi chính xác chưa.

Khả năng mở rộng linh hoạt và nhiều lựa chọn kiểu máy ảnh, thiết kế đơn giản và rõ ràng để các nhân viên bảo trì có thể được đào tạo nhanh chóng và có thể quản lý hệ thống một cách độc lập. Các nhà điều hành trên dây chuyền giờ đây không còn phải tự mình kiểm tra các đặc điểm khiếm khuyết nữa vì hệ thống thị giác đảm nhiệm việc này.

4 - Triển khai hình ảnh bên trong cổng bán, mở đường cho báo cáo tình trạng xe - AI

Hệ thống chụp ảnh cố định điều khiển bằng AI sẽ ghi lại hàng triệu hình ảnh xe và tự động phát hiện thiệt hại do nhiên liệu gây ra.

Vì ngày càng nhiều xe được bán online hơn bao giờ hết, vì vậy làm sao để mang lại cho các đại lý và khách hàng thương mại sự tin tưởng tối đa trong việc mua và bán online. Về phía khách hàng sẽ yêu cầu nhiều thông tin về phương tiện hơn và hình ảnh nâng cao, chúng ta nỗ lực kết hợp chuyên môn của mình để cung cấp thông tin tình trạng phương tiện nhất quán và đáng tin cậy nhất trong ngành và làm cho việc xem một phương tiện trực tuyến tốt như đứng cạnh ô tô.

Những tiến bộ trong hình ảnh bao gồm:

• Chụp ảnh di động bên trong các cổng bán đấu giá : Mỗi năm, hàng triệu phương tiện được chụp ảnh cho các báo cáo tình trạng bên trong các cổng của mạng đấu giá. Hệ thống sẽ cung cấp cho khách hàng hình ảnh đại diện chính xác và nhất quán hơn về chiếc xe, mang lại màu sắc trung thực hơn và hình ảnh chi tiết hơn đáng kể.

Khi khách hàng phóng to hình ảnh mới, hình ảnh sẽ giữ được độ rõ nét tối đa - cho phép họ nhìn thấy mọi vết xước, đọc dữ liệu của nhà sản xuất trên thành bên của lốp xe và xem bất kỳ điều gì họ quan tâm nhất với chi tiết nổi bật - tất cả đều thuận tiện cho họ máy tính xách tay hoặc điện thoại. Hình ảnh chi tiết đến mức khách hàng có thể nhìn thấy các sợi của thảm nội thất và thậm chí cả bụi trên bảng điều khiển.

• Giàn hình ảnh cố định do AI điều khiển: Hệ thống hình ảnh AI cố định giàn cho cả hàng hóa và phát hiện thiệt hại. Các đường hầm chụp ảnh từ đường lái xe này chụp ảnh tĩnh có độ phân giải cao khi xe đang chuyển động và sẽ cung cấp nhiều ảnh hơn nữa, góc máy ảnh nhất quán và mở rộng cũng như ánh sáng vượt trội để chụp ảnh bên ngoài xe. Công nghệ AI không chỉ chụp ảnh tĩnh mà còn hiểu được chiếc xe trong không gian ba chiều và có thể đánh giá tình trạng của chiếc xe.

Những hình ảnh này, cùng với những hình ảnh được chụp  sẽ được đưa vào thuật toán phát hiện thiệt hại tự động.

Công nghệ hình ảnh ghi lại hình ảnh 3D của các phương tiện, sau đó nó sẽ sử dụng để phân tích đa điểm các thiệt hại. Mô hình 3D cho phép công nghệ hiểu được hư hỏng của xe xảy ra trên bảng điều khiển nào và sẽ hỗ trợ xe 360 ​​° trong khi vẫn giữ điểm đánh dấu hư hỏng được gắn vào phần bên phải của xe trong quá trình quay. Đây là công nghệ AI duy nhất trong lĩnh vực bán buôn sử dụng hình ảnh 3D để xem xét thiệt hại của xe từ mọi góc độ, cho phép đánh giá kích thước và mức độ nghiêm trọng của thiệt hại chính xác hơn so với các giải pháp cạnh tranh dựa trên hình ảnh 2D kiểu cũ.

Công nghệ này, kết hợp với sự phong phú của dữ liệu, đã cho phép phát triển một giải pháp học máy mạnh mẽ — một giải pháp có thể xác định tích cực sự hiện diện của 20 loại hư hỏng xe hàng đầu 94% thời gian.

5 - Kiểm tra xe kỹ thuật số nâng cao cho các đại lý ô tô

Ứng dụng hỗ trợ AI cung cấp cho các đại lý ô tô khả năng kiểm tra và đánh giá từ xa các giao dịch mua bán của người tiêu dùng, xe đấu giá và các bản kiểm kê khác.

Hình : Kiểm tra thương mại - RavinAI

Hệ thống Kiểm tra Thương mại - một ứng dụng kiểm tra giúp các đại lý ô tô tạo báo cáo tình trạng nhất quán, như các loại và giá ô tô ngay lập tức. Giải pháp là một phần mở rộng của việc cung cấp sản phẩm kiểm tra các phương tiện cho thuê và cho thuê lại để tạo báo cáo điều kiện tiếp thị lại đầy đủ.

Quy trình kiểm tra xe cũ tại các đại lý hiện nay chủ yếu vẫn là thủ công, tốn kém chi phí và thời gian, khiến xe không bán được nhanh như mong muốn. Ngoài ra, các đại lý thường đưa ra các ước tính không chính xác về giá trị của một chiếc xe vì sự thiếu minh bạch trong quá trình đánh giá thiệt hại, dẫn đến việc xe được bán với giá không chính xác.

Công cụ Kiểm tra Thương mại sử dụng thị giác máy tính và AI học sâu, cũng như hàng chục hình ảnh bên ngoài và nội thất của một chiếc ô tô và dữ liệu số, để có được chế độ xem 360 độ về ô tô giúp các đại lý ước tính tác động của thiệt hại đối với giá trị của một chiếc xe và truyền đạt thông tin đó một cách chính xác cho khách hàng. Các đại lý có thể dễ dàng kiểm tra hư hỏng xe bằng thiết bị di động mà không cần đào tạo trước.

Việc cho phép các đại lý tận dụng công nghệ AI từ điện thoại di động của họ để có được bức tranh chính xác về tình trạng và giá trị tài sản của họ, không chỉ giúp họ tiết kiệm đáng kể thời gian và tiền bạc mà còn cho phép họ truyền tải giá xe thực tế cho khách hàng, tạo dựng niềm tin.