AI Vision ngành nhựa: Phát hiện bavia, thiếu nhựa, biến dạng

Ngành nhựa: AI Vision phát hiện lỗi bavia, thiếu nhựa, biến dạng và lỗi bề mặt sản phẩm như thế nào?

AI Vision có thể giúp nhà máy ép nhựa phát hiện bavia, thiếu nhựa, cong vênh và các lỗi ngoại quan ngay sau khi sản phẩm ra khỏi khuôn. Hệ thống sử dụng camera để chụp ảnh, sau đó phân tích hình ảnh nhằm xác định sản phẩm đạt hay không đạt theo tiêu chí đã thiết lập. So với kiểm tra thủ công, AI Vision có thể giảm phụ thuộc vào khả năng quan sát của từng nhân viên và kiểm tra ổn định hơn khi sản lượng lớn. Tuy nhiên, để hệ thống hoạt động hiệu quả, nhà máy cần chọn đúng vị trí chụp, điều kiện ánh sáng, cách gá sản phẩm và phương pháp kiểm tra phù hợp với từng loại lỗi.

AI Vision trong ngành nhựa là gì và hoạt động ra sao?

Trong nhà máy ép nhựa, AI Vision là hệ thống dùng camera kết hợp thuật toán trí tuệ nhân tạo để kiểm tra sản phẩm dựa trên hình ảnh thực tế. Thay vì chỉ so sánh một vài thông số cố định, mô hình AI được huấn luyện hoặc thiết lập bằng dữ liệu mẫu để nhận biết đặc điểm của sản phẩm đạt chuẩn và các dạng lỗi cần tìm.

Một hệ thống kiểm tra thường gồm camera, ống kính, đèn chiếu sáng, máy tính hoặc bộ xử lý AI, phần mềm phân tích hình ảnh và cơ cấu phân loại sản phẩm. Tùy dây chuyền, hệ thống có thể kết nối với PLC, băng tải, robot gắp sản phẩm hoặc cơ cấu đẩy hàng NG ra khỏi luồng sản xuất.

Quy trình cơ bản diễn ra như sau:

1. Nhận sản phẩm: Chi tiết nhựa được đưa đến vị trí kiểm tra sau khi lấy khỏi khuôn hoặc tại một công đoạn sau đó.
2. Chụp ảnh: Camera ghi lại các mặt cần kiểm tra. Đèn được bố trí để làm rõ những vùng dễ xuất hiện lỗi.
3. Phân tích: Phần mềm xác định vùng sản phẩm, tìm dấu hiệu bất thường và so sánh với tiêu chí kiểm tra.
4. Ra quyết định: Hệ thống trả kết quả OK hoặc NG, đồng thời có thể lưu ảnh lỗi và thông tin lô sản xuất.
5. Phân loại: PLC, robot hoặc cơ cấu gạt đưa sản phẩm không đạt sang vị trí riêng để nhân viên xử lý.

Điểm quan trọng là AI Vision không tự hiểu mọi lỗi trên sản phẩm nhựa ngay khi vừa lắp đặt. Nhà máy phải xác định rõ lỗi nào cần phát hiện, mức độ nào được coi là lỗi, vị trí nào cần kiểm tra và những biến động nào vẫn được phép trong sản xuất.

Chẳng hạn, một vết lõm nhỏ trên mặt khuất có thể được khách hàng chấp nhận, nhưng vết tương tự trên bề mặt trang trí lại có thể khiến sản phẩm bị loại. Nếu không thống nhất tiêu chuẩn từ đầu, hệ thống rất dễ đánh nhầm hàng tốt thành hàng lỗi hoặc bỏ qua những lỗi khách hàng thực sự quan tâm.

Những lỗi nào trên sản phẩm nhựa có thể được AI Vision phát hiện?

Không phải mọi khuyết tật của sản phẩm ép nhựa đều có thể xử lý bằng cùng một cấu hình camera. Mỗi lỗi có hình dạng, vị trí và nguyên nhân khác nhau, vì vậy cách chụp ảnh và cách đánh giá cũng cần khác nhau.

AI Vision phát hiện bavia nhựa như thế nào?

Bavia là phần nhựa thừa xuất hiện ngoài đường biên hoặc tại vị trí tiếp giáp giữa các phần khuôn. Lỗi thường gặp ở đường phân khuôn, quanh chốt đẩy, lỗ, gờ hoặc những vị trí có khe hở khi đóng khuôn.

Với các chi tiết có đường biên rõ, camera có thể chụp vùng mép sản phẩm để AI nhận diện phần nhựa thừa nhô ra ngoài hình dạng bình thường. Với bavia mỏng, trong suốt hoặc nằm sát mép có màu tương tự nền, hệ thống cần ánh sáng phù hợp để làm nổi bật đường viền.

Ví dụ, một vỏ nhựa có nhiều gờ nhỏ quanh chu vi có thể cần chụp từ nhiều góc. Nếu chỉ đặt camera nhìn từ trên xuống, bavia nằm ở cạnh bên rất dễ bị che khuất. Trường hợp này có thể cần thêm camera nhìn ngang hoặc thiết kế cơ cấu xoay sản phẩm.

Nhà máy cũng cần xác định mức bavia nào bị xem là NG. Nếu mọi phần nhô nhỏ đều bị loại, hệ thống có thể đánh trượt nhiều sản phẩm vẫn nằm trong dung sai. Ngược lại, nếu ngưỡng cho phép quá rộng, bavia gây cản trở lắp ráp có thể lọt qua.

Đối với bavia cần kiểm soát chiều cao hoặc kích thước rất nhỏ, camera 2D thông thường không phải lúc nào cũng đủ. Có thể cần camera 3D, thiết bị đo quang học hoặc dưỡng kiểm để xác nhận kích thước thực tế.

AI Vision có phát hiện được lỗi thiếu nhựa không?

Thiếu nhựa xảy ra khi một phần chi tiết không được tạo hình đầy đủ. Sản phẩm có thể thiếu gân, thiếu góc, mất một đoạn thành, không đầy ở đầu dòng chảy hoặc bị khuyết tại những vùng mỏng và xa cổng phun.

Nếu phần bị thiếu tạo ra khác biệt rõ trên hình ảnh, AI Vision có thể nhận diện bằng cách so sánh hình dạng thực tế với các mẫu sản phẩm đạt chuẩn. Hệ thống đặc biệt hữu ích khi chi tiết có nhiều gân, khe, ngàm hoặc cấu trúc nhỏ khó kiểm tra bằng mắt thường trong thời gian ngắn.

Tuy nhiên, cần phân biệt thiếu nhựa với các dấu hiệu nhìn giống nhau. Bề mặt tối, bóng phản chiếu hoặc góc chụp khác nhau có thể khiến một vùng bình thường trông như bị khuyết. Với nhựa trong hoặc nhựa màu đen, vấn đề này càng cần được kiểm tra kỹ.

Nếu phần thiếu nằm bên trong, bị che khuất hoặc không tạo ra khác biệt rõ trên ảnh, camera 2D có thể không phát hiện được. Khi đó, nhà máy cần đổi góc quan sát, bổ sung camera hoặc dùng phương pháp kiểm tra khác.

AI Vision cũng không trực tiếp xác định nguyên nhân gây thiếu nhựa. Lỗi có thể liên quan đến nhiệt độ nhựa, áp suất phun, tốc độ phun, thông khí khuôn hoặc điều kiện vận hành. Hệ thống chỉ có thể cung cấp dữ liệu hình ảnh và thời điểm lỗi để hỗ trợ truy tìm nguyên nhân, trừ khi được tích hợp thêm dữ liệu máy ép và cơ chế phân tích tương ứng.

Có thể dùng AI Vision để phát hiện cong vênh và biến dạng không?

Cong vênh xảy ra khi sản phẩm không giữ được hình dạng như thiết kế. Một số chi tiết có thể bị vênh mặt, cong cạnh, xoắn thân hoặc lệch vị trí lỗ, ngàm và các điểm lắp ráp.

AI Vision có thể nhận diện những biến dạng nhìn thấy rõ khi hình dạng sản phẩm thay đổi đủ lớn trên ảnh. Với chi tiết có biên dạng ổn định, camera có thể kết hợp thuật toán đo hình học để so sánh đường viền, khoảng cách hoặc vị trí đặc trưng.

Nhưng kiểm tra cong vênh không đơn giản chỉ là nhìn xem sản phẩm có giống ảnh mẫu hay không. Nếu sản phẩm được đặt lệch vài milimét, ảnh chụp cũng thay đổi dù bản thân chi tiết không bị lỗi. Vì vậy, hệ thống cần cơ cấu định vị đủ ổn định hoặc thuật toán xác định vị trí sản phẩm trước khi đánh giá hình dạng.

Với yêu cầu kiểm tra độ phẳng, độ cong hoặc độ xoắn theo dung sai chặt, camera 2D có thể chưa đủ. Camera 3D, máy đo biên dạng hoặc đồ gá kiểm tra chuyên dụng có thể phù hợp hơn vì cung cấp thông tin chiều cao và hình học không gian.

Một nguyên tắc nên nhớ là phát hiện sản phẩm có dấu hiệu biến dạng khác thường không đồng nghĩa với đo chính xác mức độ cong vênh. Nếu thông số đó ảnh hưởng trực tiếp đến lắp ráp hoặc chức năng, nhà máy phải xác nhận bằng phương pháp đo phù hợp.

AI Vision xử lý lỗi bề mặt nhựa như thế nào?

Lỗi bề mặt là nhóm lỗi rất thường gặp ở các chi tiết nhựa kỹ thuật và sản phẩm có yêu cầu ngoại quan cao. Những lỗi cần kiểm tra có thể bao gồm:

- Vết xước, vết cọ sát hoặc dấu va chạm.
- Vết lõm, vết co rút hoặc bề mặt không đều.
- Đốm đen, chấm bẩn, tạp chất và vết cháy.
- Đường hàn nhựa hoặc vệt dòng chảy không được chấp nhận.
- Khác biệt màu sắc giữa các vùng hoặc giữa các sản phẩm.
- Vết bóng, mờ hoặc thay đổi kết cấu bề mặt.

Với nhóm lỗi này, chất lượng ánh sáng ảnh hưởng trực tiếp đến kết quả. Một vết xước trên nhựa bóng có thể chỉ hiện ra khi ánh sáng chiếu xiên; nhưng nếu đèn đặt sai, phản xạ trên bề mặt có thể sáng hơn cả vết xước và che mất khuyết tật.

Vì vậy, kỹ thuật viên thường phải thử nhiều cách chiếu sáng, chẳng hạn ánh sáng khuếch tán, ánh sáng xiên hoặc đèn nhiều hướng. Với sản phẩm có mặt cong, có thể cần thay đổi góc camera để hạn chế vùng phản xạ mạnh.

AI Vision có lợi thế khi cùng một loại lỗi xuất hiện với nhiều hình dạng khác nhau. Tuy nhiên, hệ thống vẫn cần được kiểm thử trên các lô nhựa có màu sắc, độ bóng, nhà cung cấp hạt nhựa và điều kiện ép khác nhau. Nếu chỉ huấn luyện bằng sản phẩm màu xám trong một ca sản xuất, mô hình chưa chắc hoạt động tốt khi chuyển sang màu đen bóng hoặc nhựa pha màu khác.

Camera Vision truyền thống, AI Vision hay thiết bị đo chuyên dụng phù hợp hơn?

Ba lựa chọn này không thay thế hoàn toàn cho nhau. Camera Vision truyền thống phù hợp với các quy tắc kiểm tra rõ ràng; AI Vision hữu ích khi hình thái lỗi phức tạp; còn thiết bị đo chuyên dụng thường là lựa chọn phù hợp hơn khi cần xác nhận một đại lượng kỹ thuật với dung sai xác định.

Một phương án thường đáng thử là kết hợp hai công nghệ thay vì bắt một hệ thống làm tất cả. Chẳng hạn, AI Vision phát hiện bavia và lỗi bề mặt, còn dưỡng kiểm hoặc thiết bị đo xác nhận kích thước tại những vị trí ảnh hưởng đến lắp ráp.

Cách làm này cũng giúp nhà máy không phải đầu tư một hệ thống AI phức tạp cho những tác vụ vốn có thể xử lý bằng cảm biến hoặc camera thông thường.

Khi nào nhà máy ép nhựa nên đầu tư AI Vision?

AI Vision đáng cân nhắc khi khâu kiểm tra thủ công bắt đầu gây ra vấn đề rõ ràng, chứ không đơn thuần vì nhà máy muốn có thêm công nghệ mới.

Nên cân nhắc triển khai khi:

- Sản lượng lớn, nhân viên phải kiểm tra liên tục và khó giữ mức tập trung ổn định trong cả ca.
- Lỗi ngoại quan có nhiều hình thái, khó mô tả bằng một bộ quy tắc cố định.
- Khách hàng yêu cầu kiểm tra nhiều vị trí trên cùng một sản phẩm.
- Lỗi lọt sang công đoạn lắp ráp khiến nhà máy phải tháo ra, phân loại hoặc làm lại.
- Nhà máy cần lưu hình ảnh lỗi để truy xuất theo mã hàng, ca sản xuất hoặc lô nguyên liệu.
- Sản phẩm có tiêu chí ngoại quan rõ ràng và có đủ mẫu đạt, mẫu lỗi để đánh giá hệ thống.

Ngược lại, nếu mỗi ca chỉ sản xuất một lượng nhỏ, lỗi rất hiếm hoặc kiểm tra chỉ cần một dưỡng đơn giản, đầu tư AI Vision có thể chưa mang lại lợi ích tương xứng.

Nhà máy cũng chưa nên triển khai ngay khi tiêu chuẩn lỗi chưa thống nhất giữa QC, sản xuất và khách hàng. Nếu nhân viên QC còn tranh luận một vết xước có được chấp nhận hay không, mô hình AI cũng không thể tự giải quyết bất đồng đó.

Một trường hợp khác cần thận trọng là sản phẩm thay đổi thiết kế liên tục, nhưng dữ liệu mẫu chưa đủ và doanh nghiệp chưa có kế hoạch cập nhật mô hình. Khi đó, hệ thống có thể hoạt động tốt lúc nghiệm thu nhưng giảm hiệu quả sau vài lần đổi mã hàng.

AI Vision có những ưu điểm và hạn chế gì khi kiểm tra linh kiện nhựa kỹ thuật?

Lợi ích thực tế là gì?

Thứ nhất, kiểm tra đồng đều hơn giữa các ca. Khi tiêu chí đã được thiết lập và hệ thống vận hành ổn định, kết quả ít phụ thuộc vào việc người kiểm tra đã đứng máy bao lâu hoặc đang phải xử lý bao nhiêu việc cùng lúc.

Thứ hai, có thể kiểm tra nhiều vị trí trong một chu kỳ. Với thiết kế phù hợp, hệ thống có thể kiểm tra mặt trước, mặt sau, các cạnh và một số vùng lắp ráp của chi tiết. Số góc nhìn thực tế phụ thuộc vào cấu trúc sản phẩm và thời gian chu kỳ.

Thứ ba, giảm chi phí do lỗi lọt. Phát hiện sớm bavia, thiếu nhựa hoặc biến dạng có thể giúp nhà máy giữ hàng lỗi lại trước khi chúng được đóng gói hoặc lắp vào cụm lớn. Hiệu quả tiết kiệm phụ thuộc vào chi phí lỗi hiện tại và tỷ lệ lỗi mà hệ thống thực sự phát hiện được.

Thứ tư, có dữ liệu để tìm nguyên nhân. Nếu hình ảnh được gắn với thời gian, mã khuôn, máy ép và lô sản xuất, bộ phận kỹ thuật có thể tìm xem lỗi tăng ở thời điểm nào hoặc tập trung ở một lòng khuôn nào. Điều này hữu ích hơn nhiều so với việc chỉ nhận được một con số tổng hợp về hàng NG cuối ca.

Những hạn chế nào cần tính trước?

AI Vision không thể nhìn xuyên qua vùng bị che khuất nếu không có góc chụp hoặc phương pháp kiểm tra phù hợp. Một sản phẩm có nhiều gân bên trong có thể cần thêm camera, đồ gá hoặc công đoạn kiểm tra riêng.

Hệ thống cũng có thể báo NG nhầm khi điều kiện chụp ảnh thay đổi, chẳng hạn đèn xuống cấp, camera lệch vị trí, sản phẩm còn ướt hoặc bề mặt phản xạ khác với mẫu huấn luyện.

Ngoài ra, không nên chỉ đánh giá hiệu quả bằng tỷ lệ nhận diện tổng thể. Với nhà máy, hai chỉ số quan trọng là:

- Tỷ lệ bỏ sót lỗi: Trong số sản phẩm thực sự lỗi, có bao nhiêu sản phẩm bị hệ thống đánh nhầm là OK?
- Tỷ lệ loại nhầm: Trong số sản phẩm đạt chuẩn, có bao nhiêu sản phẩm bị đánh nhầm là NG?

Nếu hệ thống bỏ sót một dạng bavia nguy hiểm cho lắp ráp, kết quả trung bình cao vẫn không đủ để chứng minh hệ thống đáp ứng yêu cầu. Ngược lại, nếu loại nhầm quá nhiều, nhà máy phải tốn thêm thời gian kiểm tra lại và lợi ích tự động hóa có thể giảm đáng kể.

Cần chuẩn bị gì trước khi triển khai AI Vision cho máy ép nhựa?

Để tránh mua thiết bị xong mới phát hiện hệ thống không nhìn rõ lỗi, nhà máy nên đi theo từng bước.

Bước 1: Chọn một mã hàng và nhóm lỗi cụ thể

Không nên bắt đầu bằng yêu cầu chung như “kiểm tra tất cả lỗi trên mọi sản phẩm nhựa”. Hãy chọn một mã hàng có sản lượng ổn định và xác định hai đến bốn lỗi quan trọng nhất, chẳng hạn bavia ở đường phân khuôn, thiếu nhựa tại gân và vết cháy trên mặt ngoài.

Cần xác định rõ vị trí lỗi, mức độ nào được chấp nhận và mức độ nào phải loại. Nếu có tiêu chuẩn khách hàng, bản vẽ kỹ thuật hoặc mẫu giới hạn OK/NG, hãy dùng chúng làm cơ sở thống nhất.

Bước 2: Thu thập mẫu sản phẩm thực tế

Chuẩn bị mẫu đạt chuẩn và mẫu lỗi lấy từ điều kiện sản xuất thật. Mẫu nên bao gồm các mức độ lỗi khác nhau, các màu nhựa thường dùng, những biến thể bề mặt và tình trạng sản phẩm có thể gặp trong vận hành.

Không nên chỉ đưa cho nhà cung cấp một vài mẫu lỗi rõ ràng. Hãy bổ sung các trường hợp khó phân biệt, như bavia rất mỏng, vết xước nhẹ hoặc vùng phản chiếu khiến sản phẩm dễ bị đánh nhầm.

Nếu lỗi quá hiếm, nhà máy có thể phải tạo bộ mẫu thử có kiểm soát hoặc tổ chức thử nghiệm bổ sung. Cần ghi rõ mẫu thử được tạo ra như thế nào, tránh xem kết quả trên mẫu nhân tạo là bằng chứng đầy đủ cho mọi tình huống sản xuất.

Bước 3: Thử nghiệm camera và ánh sáng trước khi chốt cấu hình

Đây là bước dễ bị xem nhẹ. Với sản phẩm nhựa bóng, đen, trong suốt hoặc có bề mặt cong, chọn camera có độ phân giải cao chưa chắc giải quyết được vấn đề nếu ảnh bị phản xạ hoặc vùng lỗi không đủ tương phản.

Nhà cung cấp nên thử chụp ở vị trí lắp đặt thực tế, với hướng sản phẩm và tốc độ vận hành gần với dây chuyền. Nếu một lỗi không thể nhìn rõ trên ảnh, việc huấn luyện AI sẽ rất khó đạt kết quả ổn định.

Bước 4: Kiểm tra tại tốc độ sản xuất thật

Không nên nghiệm thu chỉ bằng cách đặt từng sản phẩm trước camera rồi chụp chậm. Cần thử trong điều kiện sản xuất dự kiến, gồm thời gian cấp phôi, chụp ảnh, xử lý, truyền kết quả và loại sản phẩm NG.

Nếu robot đang gắp sản phẩm, cần tính cả thời gian robot đưa chi tiết đến vị trí kiểm tra và chuyển sản phẩm sau khi có kết quả. Với dây chuyền nhiều lòng khuôn, cũng cần xác định cách hệ thống phân biệt sản phẩm đến từ từng vị trí nếu việc truy xuất này quan trọng.

Bước 5: Thống nhất tiêu chí nghiệm thu

Trước khi chạy thử, nhà máy và nhà cung cấp nên thống nhất những nội dung sau:

- Danh sách lỗi cần phát hiện và mẫu giới hạn tương ứng.
- Tỷ lệ phát hiện lỗi tối thiểu cho từng nhóm lỗi quan trọng.
- Tỷ lệ loại nhầm được chấp nhận.
- Sản lượng hoặc thời gian chu kỳ cần đáp ứng.
- Cách xử lý khi camera không chụp được ảnh hoặc hệ thống mất kết nối.
- Cách lưu ảnh, truy xuất dữ liệu và cập nhật mô hình.
- Phương pháp lấy mẫu độc lập để kiểm tra lại kết quả nghiệm thu.

Không có một tỷ lệ chính xác chung phù hợp với mọi nhà máy. Mục tiêu cần dựa trên mức độ rủi ro của lỗi, yêu cầu khách hàng và chi phí khi lỗi lọt.

Làm thế nào để tính hiệu quả đầu tư AI Vision?

Không nên chỉ so sánh giá hệ thống với tiền lương của một nhân viên QC. Hãy tính cả chi phí lỗi lọt, công đoạn kiểm tra lại, hàng phải sửa và thời gian nhân viên đang dành cho các công việc có thể được tự động hóa.

Có thể dùng công thức đơn giản:

Lợi ích ròng mỗi tháng = Chi phí lỗi và kiểm tra giảm được − Chi phí vận hành tăng thêm.

Sau đó:

Thời gian hoàn vốn ước tính = Tổng vốn đầu tư ban đầu ÷ Lợi ích ròng mỗi tháng.

Ví dụ giả định: một nhà máy ép nhựa có chi phí phát sinh do lỗi lọt, phân loại lại và làm lại là 80 triệu đồng mỗi tháng. Sau khi triển khai AI Vision, nhà máy đo được khoản chi phí này giảm 35%, tương đương 28 triệu đồng mỗi tháng. Chi phí vận hành hệ thống tăng thêm là 8 triệu đồng mỗi tháng.

Lợi ích ròng ước tính còn 20 triệu đồng mỗi tháng. Nếu tổng vốn đầu tư ban đầu là 240 triệu đồng, thời gian hoàn vốn theo phép tính đơn giản là khoảng 12 tháng.

Đây chỉ là ví dụ minh họa, không phải số liệu của một khách hàng thực tế. Khi lập phương án đầu tư, nhà máy cần dùng số liệu thực tế từ báo cáo lỗi, chi phí nhân công, hàng trả về, thời gian dừng máy và chi phí bảo trì. Cũng cần tính đến thời gian chạy thử, đào tạo, thay đổi mã hàng và những khoản đầu tư bổ sung nếu phát sinh.

Nhà máy linh kiện nhựa xử lý bavia và thiếu nhựa ra sao?

Một nhà máy giả định sản xuất vỏ nhựa kỹ thuật cho cụm thiết bị điện. Sản phẩm có nhiều gân bên trong, đường phân khuôn quanh thân và một số vị trí ngàm cần lắp khớp với chi tiết khác.

Trước khi tự động hóa, nhân viên kiểm tra bằng mắt sau khi sản phẩm được lấy khỏi khuôn. Bavia lớn thường được phát hiện khá dễ, nhưng bavia mỏng ở cạnh bên và tình trạng thiếu nhựa tại một số gân nhỏ có thể bị bỏ qua khi sản lượng tăng cao.

Nhà máy bắt đầu bằng việc thống kê lỗi trong vài tuần, xác định các vị trí khách hàng quan tâm và thu thập mẫu đạt, mẫu lỗi. Nhóm kỹ thuật thử hai góc chụp cho phần thân, bổ sung góc nhìn riêng cho các cạnh và điều chỉnh ánh sáng để nhìn rõ đường biên.

AI Vision được dùng để kiểm tra bavia và thiếu nhựa tại những vùng đã xác nhận có thể quan sát tốt trên ảnh. Một dưỡng kiểm riêng tiếp tục được giữ lại để xác nhận kích thước tại các vị trí ngàm quan trọng, thay vì giao toàn bộ nhiệm vụ đo lường cho camera.

Trong giai đoạn chạy thử, nhà máy kiểm tra lại các sản phẩm AI đánh NG và lấy mẫu ngẫu nhiên từ nhóm AI đánh OK. Cách làm này giúp phát hiện trường hợp hệ thống loại nhầm do phản xạ bề mặt, đồng thời tìm ra những vùng bavia cần bổ sung góc chụp.

Sau khi hiệu chỉnh, hệ thống được đưa vào một công đoạn trước đóng gói. Nhân viên QC chuyển từ việc kiểm tra toàn bộ sản phẩm bằng mắt sang giám sát kết quả, xử lý hàng NG và kiểm tra xác nhận theo kế hoạch.

Bài học từ tình huống giả định này là nhà máy không cần bắt đầu bằng một hệ thống kiểm tra mọi thứ. Chọn đúng nhóm lỗi, chứng minh được khả năng phát hiện và giữ lại phương pháp kiểm tra bổ trợ ở những vị trí quan trọng thường là cách triển khai dễ kiểm soát hơn.

Những lưu ý thực tế nào giúp hệ thống hoạt động ổn định lâu dài?

Sau khi lắp đặt, hệ thống vẫn cần được theo dõi như một thiết bị trong dây chuyền, chứ không phải cài xong là có thể bỏ mặc.

Khi đổi màu nhựa hoặc nguyên liệu, cần xác nhận lại. Màu sắc, độ bóng và phụ gia có thể làm thay đổi hình ảnh. Một mô hình hoạt động tốt trên nhựa trắng chưa chắc giữ nguyên kết quả trên nhựa đen hoặc nhựa pha màu mới.

Khi đổi khuôn hoặc sửa khuôn, cần kiểm tra lại mẫu. Đường phân khuôn, vị trí ba via và hình dạng sản phẩm có thể thay đổi sau bảo trì khuôn. Không nên tự động xem cấu hình cũ vẫn đạt chỉ vì mã sản phẩm không đổi.

Cần có quy trình xử lý khi hệ thống gặp lỗi. Nhà máy phải biết dây chuyền sẽ dừng, chuyển sang kiểm tra thủ công hay giữ sản phẩm chờ xác nhận khi camera mất tín hiệu hoặc AI không trả kết quả.

Phải lưu được bằng chứng khi cần truy xuất. Nếu sản phẩm lỗi bị khách hàng phản ánh, ảnh chụp, thời gian sản xuất, mã hàng và kết quả kiểm tra sẽ hữu ích hơn một bản ghi chỉ có trạng thái OK/NG.

Không nên bỏ hoàn toàn bước kiểm tra xác nhận. Trong giai đoạn đầu và sau những thay đổi quan trọng, QC vẫn cần lấy mẫu kiểm tra độc lập để phát hiện sớm tình trạng bỏ sót lỗi hoặc loại nhầm tăng lên.

Câu hỏi thường gặp về AI Vision trong ngành nhựa

• AI Vision có phát hiện được bavia rất nhỏ không?

Có thể, nhưng phụ thuộc vào kích thước bavia, độ phân giải ảnh, khoảng cách chụp, ống kính, ánh sáng và góc quan sát. Với bavia rất nhỏ hoặc yêu cầu đo chiều cao chính xác, cần thử nghiệm thực tế và có thể phải dùng camera 3D hoặc thiết bị đo chuyên dụng.

• AI Vision có kiểm tra được nhựa đen bóng và nhựa trong suốt không?

Có thể trong nhiều trường hợp, nhưng đây là hai nhóm vật liệu cần thử nghiệm kỹ. Nhựa đen bóng dễ gây phản xạ mạnh, còn nhựa trong suốt có thể khiến đường biên và khuyết tật khó thể hiện rõ. Cần chọn cách chiếu sáng, nền chụp và góc camera phù hợp trước khi đánh giá mô hình.

• Một camera có thể kiểm tra tất cả các mặt sản phẩm không?

Không phải lúc nào cũng được. Nếu sản phẩm có mặt khuất, cạnh bên hoặc gân bên trong, một camera nhìn từ trên xuống sẽ không thấy toàn bộ. Hệ thống có thể cần nhiều camera, cơ cấu xoay hoặc một công đoạn kiểm tra riêng cho những vùng khó quan sát.

• AI Vision có thay thế hoàn toàn nhân viên QC không?

Không nhất thiết. Hệ thống có thể đảm nhiệm những bước kiểm tra lặp lại, nhưng QC vẫn cần thiết lập tiêu chuẩn, xử lý trường hợp không rõ ràng, xác nhận kết quả và theo dõi chất lượng. Mức độ thay đổi nhân sự phụ thuộc vào quy trình, sản lượng và yêu cầu kiểm soát của từng nhà máy.

• Có cần huấn luyện lại AI khi thay đổi mã hàng không?

Tùy mức độ khác biệt giữa các mã hàng và cách xây dựng hệ thống. Nếu hình dạng, màu sắc hoặc vị trí lỗi thay đổi đáng kể, thường cần bổ sung dữ liệu và kiểm chứng lại. Trước khi đưa mã hàng mới vào sản xuất, nên chạy thử với mẫu đạt và mẫu lỗi đại diện.

• Nên kiểm tra sản phẩm ngay sau khi ép hay sau công đoạn cắt bavia?

Điều này phụ thuộc vào mục tiêu kiểm soát. Nếu muốn phát hiện sớm vấn đề của khuôn hoặc quá trình ép, kiểm tra ngay sau khi lấy sản phẩm khỏi khuôn có thể giúp phản hồi nhanh. Nếu cần đánh giá ngoại quan cuối cùng sau khi cắt bavia, làm sạch hoặc lắp ráp, nên bố trí thêm bước kiểm tra sau công đoạn đó. Trong một số trường hợp, hai vị trí kiểm tra phục vụ hai mục tiêu khác nhau.

• Nhà máy nên yêu cầu gì khi nhận báo giá hệ thống AI Vision?

Hãy yêu cầu nhà cung cấp nêu rõ các loại lỗi cam kết kiểm tra, điều kiện chụp, tốc độ dây chuyền, tỷ lệ bỏ sót và loại nhầm mục tiêu, phương pháp nghiệm thu, khả năng lưu ảnh, cách xử lý khi hệ thống lỗi và chi phí thay đổi mã hàng. Quan trọng nhất, hãy đề nghị chạy thử trên mẫu sản xuất thực tế trước khi chốt cấu hình hoặc ký nghiệm thu cuối cùng.

Nhà máy ép nhựa nên bắt đầu từ đâu?

Nếu nhà máy thường gặp bavia, thiếu nhựa, cong vênh hoặc lỗi bề mặt, bước đầu tiên không nhất thiết là mua ngay một hệ thống AI Vision hoàn chỉnh. Hãy chọn một mã hàng có vấn đề rõ nhất, thống kê lỗi, thống nhất tiêu chí OK/NG và xác định vị trí có thể quan sát bằng camera.

Sau đó, thử nghiệm trên mẫu thật để so sánh Camera Vision truyền thống, AI Vision và thiết bị đo chuyên dụng. Chỉ nên đầu tư khi hệ thống chứng minh được khả năng phát hiện đúng nhóm lỗi quan trọng, đáp ứng tốc độ dây chuyền và có phương án xử lý khi điều kiện sản xuất thay đổi.

Một hệ thống phù hợp không phải là hệ thống có nhiều camera hay thuật toán phức tạp nhất. Đó là hệ thống giúp nhà máy phát hiện đúng những lỗi cần kiểm soát, giảm chi phí do hàng lỗi và duy trì kết quả ổn định trong điều kiện sản xuất hằng ngày.