1. Chốt camera cần nhìn và quyết định điều gì
Bài toán có thể là phát hiện vết bề mặt, nhận dạng mặt, đọc mã hoặc đo một đặc tính theo phương pháp phù hợp. Mỗi bài cần cách chụp và tiêu chí riêng. Không nên hỏi “AI có kiểm hết gỗ không” rồi chọn thiết bị từ một ảnh minh họa.
Ảnh RGB thông thường không tự xác nhận độ ẩm, chất lượng bên trong hay tính năng cơ học. Những suy luận từ ảnh, nếu được nghiên cứu cho một điều kiện, vẫn cần xác nhận phạm vi; không trở thành chứng chỉ cho mọi loại gỗ. Cũng phải ghi mặt nào đã nhìn và phần nào chưa quan sát.
Ánh sáng, bố trí mẫu, thấu kính và môi trường ảnh hưởng dữ liệu. Công cụ từng hiệu quả với vùng đồng đều của vật liệu khác chưa chắc phân biệt được vân tự nhiên với khuyết tật gỗ theo yêu cầu khách.
2. Tổ chức bộ ảnh để kiểm được giới hạn
| Nhóm | Thông tin | Mục đích |
|---|---|---|
| Vật liệu | Loài, lô, trạng thái, quy cách và mặt | Không coi mọi gỗ là cùng phân bố |
| Ảnh | Mã phôi, nguồn chụp, cấu hình và thời gian | Tra và tái tạo điều kiện |
| Tham chiếu | Đặc tính, cách gán nhãn, người và bất đồng | Không dùng nhãn tùy ý làm chân lý |
| Phân chia | Huấn luyện, chọn cấu hình và kiểm độc lập | Tránh đánh giá bằng ảnh đã dùng để điều chỉnh |
| Ngoại lệ | Ảnh mờ, thiếu mặt, ngoài phạm vi hoặc chưa rõ | Giữ trạng thái cần kiểm tiếp |
Ảnh liên tiếp của cùng thanh có thể rất giống nhau. Chia ngẫu nhiên từng ảnh vào cả phần huấn luyện và phần kiểm có thể làm kết quả trông tốt hơn khả năng gặp thanh mới. Cần cách chia phù hợp theo phôi, lô hoặc thời điểm và mục tiêu đánh giá.
3. Độ phân giải hình học không phải độ chính xác
Ví dụ giả định, vùng nhìn theo một phương là 400 mm trên 2.000 pixel, cho tỷ lệ trung bình 0,20 mm/pixel trong mô hình. Một dấu rộng 0,40 mm tương ứng khoảng 2 pixel theo phép chia; chưa thể bảo đảm hệ sẽ phát hiện hoặc đo tin cậy dấu đó.
Quang học, tương phản, vị trí, phối cảnh, nhiễu và thuật toán còn ảnh hưởng. Nếu vật chuyển 1.000 mm/giây trong thời gian phơi sáng giả định 0,001 giây, chuyển động hình học trong khoảng ấy là 1 mm. Ví dụ chỉ cho thấy chuyển động cần được xét, không đề xuất thông số chụp cho máy thực.
Thử ở điều kiện sản xuất nên bao gồm biến thiên vật liệu và chất lượng ảnh phù hợp. Không chỉ dùng ảnh tĩnh được chọn đẹp rồi cam kết kết quả trên tuyến đang chạy.
4. Đọc bảng kết quả thay vì một tỷ lệ chung
Giả sử bộ kiểm độc lập có 1.000 đơn vị đã được gán tham chiếu: 100 không phù hợp và 900 phù hợp. Hệ gắn cờ đúng 90 trong 100 đơn vị không phù hợp, bỏ sót 10; đồng thời gắn cờ nhầm 45 trong 900 đơn vị phù hợp, còn 855 được nhận đúng.
Nếu định nghĩa nhãn dương là không phù hợp, tỷ lệ phát hiện trong nhóm này là 90/100 = 90%; tỷ lệ gắn cờ nhầm trên nhóm phù hợp là 45/900 = 5%. Trong 135 đơn vị bị gắn cờ, tỷ lệ thực không phù hợp là 90/135 ≈ 66,67%. Độ đúng tổng thể là (90 + 855)/1.000 = 94,5%.
Các số giả định cho thấy 94,5% không nói hết tác động. Cần đọc mẫu số, mức bỏ sót, loại nhầm và đặc tính theo nhóm. Kết quả phụ thuộc chất lượng tham chiếu và bộ kiểm, không phải mức cam kết của một hãng hoặc của LEFAMI.
5. Theo dõi sau triển khai và quản lý thay đổi
Lưu phiên bản mô hình/công cụ, cấu hình chụp, quy tắc quyết định và bộ kiểm đã dùng. Khi thay camera, ánh sáng, vật liệu hoặc yêu cầu, cần xem lại phạm vi xác nhận. Không coi nhãn “đã huấn luyện” là trạng thái vĩnh viễn.
Các trường hợp chưa rõ nên có luồng kiểm lại được quy định. Giữ ảnh và quyết định theo phạm vi lưu phù hợp để phân tích khi có phản hồi. Không âm thầm đổi ngưỡng chỉ để giảm số phần phải xem tay.
Hệ kiểm chất lượng bằng ảnh không tự là hệ bảo vệ con người. Chức năng an toàn cần kiến trúc và xác nhận riêng; không dùng camera QC như lý do bỏ các biện pháp của máy.
6. Bắt đầu bằng một đặc tính có giá trị
Chọn một lỗi hoặc công việc có mô tả rõ, bộ ảnh đủ và người xác nhận tham chiếu. Đánh giá cả thời gian, khối lượng xem lại và lượng hàng đạt, không chỉ tỷ lệ trên ảnh. Nếu bộ dữ liệu chưa thống nhất tiêu chí, ưu tiên làm rõ tiêu chí trước khi tăng độ phức tạp thuật toán.
Với gỗ keo xẻ, phôi sấy hoặc cọc gỗ, xem tiêu chí khuyết tật và phân loại phôi.
AI thấy mọi khuyết tật? Không tự khẳng định; cần phạm vi và kết quả kiểm độc lập.
Độ đúng tổng thể cao là đủ? Cần xem riêng lỗi bỏ sót và loại nhầm, cùng chi phí và rủi ro của từng loại.
Nguồn và phạm vi sử dụng
- NI — Điều kiện ánh sáng và trình bày mẫu trong machine vision
- Cognex — TestRun: kiểm biến đổi ảnh và kết quả nhận biết
- Cognex — Confusion matrix: ý nghĩa các ô kết quả
Nguồn hãng và cơ quan kỹ thuật dùng để tra nguyên lý, phạm vi và cách đánh giá; không xác nhận LEFAMI sở hữu các hệ thống đó. Bảng thực hành, chỉ số và ví dụ chi phí do LEFAMI biên soạn với dữ liệu giả định, không phải cam kết năng suất, chất lượng hoặc báo giá. Tích hợp, nghiệm thu và an toàn cần đánh giá phù hợp ứng dụng; tài liệu nước ngoài không được trình bày như quy định pháp luật Việt Nam.