Camera Vision truyền thống hay AI Vision Deep Learning: Chọn gì?

Nhà máy nên chọn Camera Vision truyền thống hay AI Vision Deep Learning để kiểm tra lỗi?

Camera Vision truyền thống phù hợp khi lỗi sản phẩm có thể xác định bằng quy tắc rõ ràng, còn AI Vision Deep Learning đáng cân nhắc khi lỗi phức tạp và khó mô tả bằng các ngưỡng cố định.  
Hai giải pháp đều có thể tự động kiểm tra sản phẩm, nhưng khác nhau ở cách phân tích hình ảnh, cách thiết lập bài toán và công sức cần bỏ ra khi sản phẩm thay đổi.  
Nếu nhà máy chỉ cần kiểm tra thiếu chi tiết, sai vị trí hoặc kích thước trong điều kiện ổn định, hệ thống Vision truyền thống thường là lựa chọn gọn và dễ kiểm soát hơn.  
Nếu cần phát hiện vết xước không đồng nhất, lỗi bề mặt khó định nghĩa hoặc nhiều dạng khuyết tật khác nhau, Deep Learning có thể mang lại lợi thế, với điều kiện có dữ liệu phù hợp và được kiểm chứng trên sản phẩm thực tế.

Camera Vision truyền thống và AI Vision Deep Learning khác nhau ở điểm nào?

Trong tự động hóa công nghiệp, Machine Vision là cách dùng camera và phần mềm để thu nhận, phân tích hình ảnh nhằm kiểm tra sản phẩm hoặc hỗ trợ điều khiển máy móc. Bên trong Machine Vision có nhiều phương pháp xử lý, trong đó hai hướng thường được cân nhắc là xử lý ảnh theo quy tắc truyền thống và AI Vision sử dụng Deep Learning.

Camera Vision truyền thống hoạt động như thế nào?

Với Vision truyền thống, kỹ sư xây dựng các quy tắc để phần mềm đo hoặc so sánh những đặc điểm cụ thể trong ảnh. Chẳng hạn, hệ thống có thể xác định một lỗ có xuất hiện hay không, đo đường kính, kiểm tra vị trí linh kiện hoặc so sánh màu sắc với một ngưỡng đã đặt.

Giả sử nhà máy sản xuất nắp nhựa có hai chốt tại vị trí cố định. Camera chụp ảnh sản phẩm, phần mềm xác định vùng cần kiểm tra rồi xác nhận cả hai chốt có hiện diện hay không. Nếu thiếu một chốt, hệ thống gửi kết quả không đạt đến PLC để loại sản phẩm.

Bài toán này khá rõ ràng: vị trí chốt đã biết, hình dạng tương đối ổn định và tiêu chí đạt hay không đạt có thể chuyển thành quy tắc cụ thể. Vì vậy, không nhất thiết phải dùng Deep Learning.

Điểm mạnh của cách làm này là kỹ sư có thể theo dõi từng bước xử lý, điều chỉnh ngưỡng và tìm nguyên nhân khi kết quả không đúng. Tuy nhiên, nếu hình ảnh thay đổi nhiều hoặc lỗi khó mô tả bằng các đặc điểm đơn giản, việc bổ sung quy tắc có thể ngày càng phức tạp.

AI Vision Deep Learning hoạt động như thế nào?

Deep Learning là một nhóm phương pháp học máy sử dụng mạng nơ-ron nhiều lớp để học đặc điểm từ dữ liệu. Trong kiểm tra công nghiệp, mô hình có thể được huấn luyện bằng ảnh sản phẩm đạt, ảnh sản phẩm lỗi hoặc dữ liệu được gắn nhãn theo từng loại khuyết tật, tùy phương pháp được chọn.

Thay vì yêu cầu kỹ sư tự định nghĩa mọi đặc điểm bằng ngưỡng cố định, mô hình học cách phân biệt các mẫu hình ảnh từ dữ liệu huấn luyện. Sau khi được kiểm chứng, mô hình có thể đánh giá ảnh mới và đưa ra kết quả như đạt, không đạt, loại lỗi hoặc vị trí lỗi.

Ví dụ, một chi tiết kim loại có thể xuất hiện vết xước ở nhiều vị trí, độ dài và hướng khác nhau. Nếu những vết xước này khó mô tả bằng một quy tắc duy nhất, mô hình Deep Learning có thể học từ bộ ảnh đại diện cho nhiều tình huống thực tế.

Tuy nhiên, AI không tự nhiên biết lỗi nào là không đạt. Doanh nghiệp vẫn phải xác định tiêu chuẩn chất lượng, chuẩn bị dữ liệu đúng, chọn phương pháp phù hợp và kiểm tra xem mô hình có bỏ sót lỗi quan trọng hay không.

Cũng cần phân biệt rằng AI Vision không đồng nghĩa hoàn toàn với Deep Learning. AI Vision là cách gọi rộng cho kiểm tra hình ảnh có sử dụng AI; Deep Learning là một nhóm công nghệ có thể được dùng bên trong hệ thống đó.

Nên so sánh Machine Vision truyền thống và Deep Learning theo những tiêu chí nào?

Khi lựa chọn, giám đốc kỹ thuật và trưởng phòng tự động hóa không nên chỉ hỏi giải pháp nào thông minh hơn. Câu hỏi quan trọng hơn là giải pháp nào đáp ứng yêu cầu kiểm tra với độ tin cậy, tốc độ và chi phí phù hợp.

Không có phương án nào thắng ở tất cả các tiêu chí. Với bài toán đo lường rõ ràng, Vision truyền thống có thể dễ nghiệm thu và bảo trì hơn. Với bài toán ngoại quan phức tạp, Deep Learning có thể giảm công sức xây dựng quy tắc, nhưng lại đòi hỏi quy trình quản lý dữ liệu và xác nhận hiệu năng nghiêm túc hơn.

Những loại lỗi nào phù hợp với Camera Vision truyền thống?

Vision truyền thống thường có lợi thế khi yêu cầu kiểm tra được mô tả bằng những phép đo hoặc điều kiện cụ thể.

Có nên dùng Vision truyền thống để kiểm tra thiếu chi tiết không?

Có, nếu chi tiết cần kiểm tra nằm trong vùng quan sát rõ ràng và có hình dạng tương đối ổn định. Phần mềm có thể xác định sự hiện diện của chi tiết bằng cách kiểm tra vùng ảnh, hình dạng, độ tương phản hoặc đặc điểm hình học.

Ví dụ, kiểm tra thiếu vòng đệm, thiếu chốt, sai hướng một linh kiện hoặc thiếu lỗ trên chi tiết cơ khí thường có thể bắt đầu bằng Vision truyền thống. Cách làm này giúp kỹ sư biết hệ thống đang kiểm tra điều kiện nào và dễ điều chỉnh khi cần.

Nếu sản phẩm có nhiều màu, bề mặt phản chiếu hoặc vị trí linh kiện thay đổi đáng kể, bài toán có thể phức tạp hơn. Tuy nhiên, cần thử điều chỉnh đồ gá và ánh sáng trước khi kết luận phải dùng AI.

Vision truyền thống có phù hợp để đo kích thước không?

Đây là một trong những ứng dụng phổ biến của xử lý ảnh truyền thống. Hệ thống có thể đo chiều dài, đường kính, khoảng cách giữa các cạnh hoặc vị trí lỗ khi hình ảnh được hiệu chuẩn và điều kiện chụp được kiểm soát.

Dù vậy, kết quả đo không chỉ phụ thuộc phần mềm. Độ phân giải camera, ống kính, góc đặt camera, độ ổn định của đồ gá và phương pháp hiệu chuẩn đều ảnh hưởng đến độ tin cậy.

Nếu khách hàng yêu cầu dung sai rất nhỏ, nhà máy cần xác nhận hệ thống đáp ứng được độ không đảm bảo đo cho phép. Không nên mặc định rằng camera có độ phân giải cao là đủ để thay thế mọi thiết bị đo chuyên dụng.

Khi nào quy tắc xử lý ảnh bắt đầu trở nên khó quản lý?

Một dấu hiệu thường gặp là kỹ sư phải liên tục bổ sung điều kiện để xử lý những trường hợp ngoại lệ. Ví dụ, cùng một vết xước nhưng độ tương phản khác nhau theo màu vật liệu, góc chiếu sáng hoặc vị trí trên bề mặt. Quy tắc hoạt động tốt với mẫu này lại có thể bỏ sót mẫu khác.

Khi số lượng ngoại lệ tăng, thời gian chỉnh sửa và kiểm tra hồi quy cũng tăng theo. Đây là thời điểm nên đánh giá Deep Learning, thay vì tiếp tục thêm quy tắc mà chưa biết liệu cách tiếp cận hiện tại còn phù hợp hay không.

Khi nào AI Vision Deep Learning đáng để đầu tư?

Deep Learning đáng cân nhắc khi nhà máy có một bài toán kiểm tra khó giải quyết bằng quy tắc đơn giản và dữ liệu hình ảnh có thể phản ánh đúng các dạng lỗi cần tìm.

Deep Learning có phù hợp để phát hiện lỗi bề mặt không?

Có thể phù hợp với vết xước, đốm, vết bẩn, lỗi phủ bề mặt hoặc những khuyết tật có hình dạng và vị trí không cố định. Thay vì lập một quy tắc riêng cho từng kiểu biểu hiện, doanh nghiệp có thể huấn luyện mô hình bằng nhiều ví dụ đại diện.

Nhưng kết quả vẫn phụ thuộc cách chụp ảnh. Nếu vết xước không thể phân biệt rõ với bề mặt bình thường do phản chiếu hoặc thiếu tương phản, mô hình khó đạt độ tin cậy mong muốn. Vì vậy, cần thử nghiệm ánh sáng, góc chụp và độ phân giải trước hoặc song song với quá trình phát triển mô hình.

Deep Learning có lợi thế khi sản phẩm có nhiều biến thể không?

Deep Learning có thể hữu ích nếu các biến thể đã được đưa vào dữ liệu và có thể được kiểm tra bằng cùng một hệ thống. Chẳng hạn, cùng một loại linh kiện có nhiều màu hoặc nhiều mẫu bề mặt nhưng tiêu chí lỗi tương tự.

Tuy nhiên, nhiều mã hàng không đồng nghĩa chắc chắn cần Deep Learning. Nếu mỗi mã chỉ khác kích thước hoặc vị trí và có thể thiết lập quy tắc đơn giản, Vision truyền thống vẫn có thể là lựa chọn dễ quản lý hơn.

Điều cần đánh giá là mức độ phức tạp của hình ảnh và tiêu chí kiểm tra, không phải chỉ số lượng mã sản phẩm.

Có nên dùng Deep Learning khi lỗi hiếm gặp không?

Có thể, nhưng đây là tình huống cần cân nhắc kỹ. Nếu rất ít mẫu lỗi thực tế, doanh nghiệp có thể không có đủ dữ liệu để huấn luyện và đánh giá một cách đáng tin cậy.

Một số phương pháp phát hiện bất thường được xây dựng chủ yếu từ ảnh sản phẩm đạt. Chúng có thể đánh dấu những vùng khác biệt so với mẫu bình thường, giúp giảm phụ thuộc vào số lượng ảnh lỗi. Tuy nhiên, hệ thống vẫn cần được thử với các dạng lỗi thực tế để xác định mức độ bỏ sót và báo lỗi nhầm.

Không nên chấp nhận lời hứa rằng hệ thống sẽ phát hiện mọi lỗi chưa từng gặp. Khi lỗi hiếm nhưng hậu quả lớn, cần có phương án kiểm tra bổ sung và quy trình xử lý khi kết quả không chắc chắn.

Có nên kết hợp Vision truyền thống và Deep Learning trong cùng một hệ thống không?

Có. Trong nhiều bài toán công nghiệp, kết hợp hai phương pháp có thể hợp lý hơn việc chọn duy nhất một công nghệ.

Ví dụ, hệ thống kiểm tra một chi tiết nhựa có thể dùng xử lý ảnh truyền thống để xác nhận sản phẩm nằm đúng vị trí, đo một số kích thước cơ bản và kiểm tra các lỗ bắt vít. Sau đó, mô hình Deep Learning phân tích bề mặt để tìm vết xước hoặc khuyết tật khó mô tả bằng ngưỡng cố định.

Cách kết hợp này có một số lợi ích:

- Dùng phương pháp đơn giản cho các phép đo rõ ràng, tránh đưa AI vào những việc không cần thiết.
- Dành Deep Learning cho những phần hình ảnh phức tạp, nơi mô hình có thể mang lại lợi thế.
- Tách các tiêu chí nghiệm thu theo từng chức năng, giúp xác định phần nào gây lỗi khi hệ thống hoạt động không đúng.
- Có thể giảm độ phức tạp và chi phí so với việc dùng mô hình AI cho mọi công đoạn.

Tuy nhiên, hệ thống kết hợp cũng cần quản lý phiên bản phần mềm, đồng bộ kết quả và xác định cách xử lý khi hai phương pháp đưa ra kết quả không nhất quán. Phần mềm điều khiển phải có quy tắc rõ ràng để quyết định sản phẩm được chấp nhận, loại bỏ hay chuyển sang kiểm tra lại.

Nhà máy nên chọn giải pháp nào theo từng tình huống thực tế?

Để tránh đầu tư theo xu hướng, hãy bắt đầu từ dạng lỗi, điều kiện sản xuất và hậu quả nếu bỏ sót.

Bảng trên là định hướng ban đầu, không thay thế thử nghiệm. Cùng một loại sản phẩm có thể phù hợp với những phương án khác nhau tùy vật liệu, điều kiện chiếu sáng, tốc độ dây chuyền và tiêu chuẩn chấp nhận.

Quy trình đánh giá nhà cung cấp trước khi đầu tư nên thực hiện ra sao?

Với dự án kiểm tra lỗi công nghiệp, nhà máy nên yêu cầu chứng minh hiệu năng trên mẫu thực tế thay vì chỉ xem video trình diễn hoặc thông số quảng cáo.

Bước 1: Xác định rõ lỗi cần phát hiện

Lập danh sách các dạng lỗi, mức độ nghiêm trọng và giới hạn chấp nhận. Nếu khách hàng có tiêu chuẩn hoặc mẫu giới hạn, cần sử dụng đúng tài liệu đó làm căn cứ đánh giá.

Đồng thời, xác định tốc độ dây chuyền, số mã hàng, điều kiện môi trường và vị trí lắp đặt. Những yếu tố này quyết định khả năng thu nhận hình ảnh và chu kỳ xử lý cần thiết.

Bước 2: Chuẩn bị bộ mẫu đại diện

Bộ mẫu nên có sản phẩm đạt, lỗi rõ ràng, lỗi gần giới hạn và những trường hợp dễ nhầm. Nếu điều kiện sản xuất thay đổi theo lô nguyên liệu, ca làm việc hoặc bề mặt sản phẩm, cần thu thập mẫu phản ánh những khác biệt đó.

Với Deep Learning, không nên đánh giá mô hình chỉ trên chính những ảnh đã dùng để huấn luyện. Cần có tập dữ liệu riêng để kiểm tra khả năng hoạt động trên những mẫu chưa được dùng trong quá trình xây dựng mô hình.

Bước 3: Yêu cầu so sánh bằng cùng điều kiện

Nếu chưa biết nên chọn phương pháp nào, hãy yêu cầu nhà cung cấp thử Vision truyền thống và Deep Learning trên cùng bộ mẫu, cùng tiêu chí đạt và cùng điều kiện chụp ảnh.

So sánh cả thời gian triển khai, kết quả phát hiện, tỷ lệ báo lỗi nhầm, tốc độ xử lý và công sức bảo trì. Nếu một phương pháp đạt yêu cầu với cấu hình đơn giản hơn, nhà máy không cần chọn phương án phức tạp chỉ vì nó sử dụng AI.

Bước 4: Xác định tiêu chí nghiệm thu cụ thể

Không nên chỉ ghi trong hợp đồng rằng hệ thống phải có độ chính xác cao. Cần quy định cách tính các chỉ số, số lượng mẫu thử, nhóm lỗi bắt buộc phát hiện và cách xử lý các trường hợp không chắc chắn.

Hai chỉ số quan trọng là tỷ lệ bỏ sót sản phẩm lỗi và tỷ lệ sản phẩm tốt bị đánh nhầm là lỗi. Tỷ lệ chính xác tổng thể có thể gây hiểu nhầm khi sản phẩm lỗi chiếm tỷ lệ rất nhỏ trong toàn bộ sản lượng.

Nếu lỗi có mức độ nghiêm trọng khác nhau, cần quy định tiêu chí riêng cho từng nhóm thay vì gộp tất cả vào một con số.

Bước 5: Chạy thử trên dây chuyền thật

Một hệ thống hoạt động tốt trong phòng thử nghiệm chưa chắc đáp ứng được tốc độ sản xuất thực tế. Cần kiểm tra với sản phẩm chạy ở tốc độ mục tiêu, vị trí đặt sản phẩm có sai lệch hợp lý và điều kiện ánh sáng thực tế.

Đồng thời, kiểm tra cách hệ thống gửi tín hiệu, phân loại sản phẩm, lưu kết quả và xử lý khi mất kết nối. Nếu sử dụng AI để điều khiển loại hàng, cần xác minh rằng sản phẩm bị đánh giá không đạt thực sự được tách ra đúng cách.

Nhà máy linh kiện kim loại nên chọn công nghệ nào?

Tình huống dưới đây là ví dụ giả định để minh họa cách ra quyết định, không phải kết quả thực tế của một doanh nghiệp.

Một nhà máy gia công linh kiện kim loại có hai vấn đề. Vấn đề thứ nhất là một số lỗ bắt vít bị thiếu hoặc sai vị trí. Vấn đề thứ hai là bề mặt đôi khi xuất hiện vết xước nhỏ với hình dạng không đồng nhất.

Ban đầu, đội tự động hóa cân nhắc dùng một hệ thống Deep Learning cho toàn bộ bài toán. Tuy nhiên, sau khi phân tích, đội nhận thấy hai nhóm lỗi có bản chất khác nhau.

Với lỗ bắt vít, vị trí và kích thước có thể xác định rõ trên bản vẽ. Đội thử dùng Vision truyền thống để kiểm tra hiện diện và đo vị trí. Kết quả dễ đối chiếu với dung sai kỹ thuật, đồng thời thuận tiện khi cần xác định lý do sản phẩm không đạt.

Với vết xước, các quy tắc dựa trên độ sáng và độ tương phản lại gặp khó khăn vì bề mặt kim loại phản chiếu khác nhau theo góc chụp. Đội thu thập ảnh từ nhiều lô sản xuất, thử nghiệm hệ thống chiếu sáng và đánh giá mô hình Deep Learning trên tập ảnh riêng.

Sau thử nghiệm, nhà máy quyết định dùng Vision truyền thống cho các phép kiểm tra hình học và dùng Deep Learning cho bài toán ngoại quan, với điều kiện mô hình đáp ứng chỉ tiêu bỏ sót đã thống nhất. Sản phẩm có kết quả không chắc chắn được chuyển sang kiểm tra lại thay vì tự động cho qua.

Điểm đáng chú ý của tình huống này không phải là Deep Learning tốt hơn Vision truyền thống. Quyết định phù hợp là dùng từng phương pháp cho đúng loại lỗi, sau đó đánh giá toàn bộ hệ thống trên dây chuyền thực tế.

Những sai lầm nào cần tránh khi chọn Camera AI công nghiệp?

Chọn Deep Learning chỉ vì cho rằng công nghệ mới luôn tốt hơn. Nếu bài toán chỉ là kiểm tra hiện diện hoặc đo kích thước, AI có thể làm tăng công sức triển khai mà không tạo thêm lợi ích tương xứng.

Chỉ dùng mẫu lỗi đẹp để trình diễn. Mẫu thử cần phản ánh những tình huống có thể xuất hiện trong sản xuất, đặc biệt là lỗi nhẹ, lỗi gần giới hạn và sản phẩm dễ gây nhầm lẫn.

Bỏ qua hệ thống chiếu sáng. Camera và thuật toán không thể khắc phục hoàn toàn hình ảnh đầu vào kém. Ánh sáng, ống kính, góc quan sát và đồ gá cần được xem là một phần của giải pháp.

Không tính chi phí sau nghiệm thu. Deep Learning có thể cần bổ sung dữ liệu và đánh giá lại khi sản phẩm hoặc quy trình thay đổi. Vision truyền thống cũng cần bảo trì và chỉnh sửa quy tắc. Cần tính tổng chi phí sở hữu, không chỉ giá mua ban đầu.

Không có quy trình kiểm tra khi mô hình sai. Với sản phẩm có rủi ro cao, cần xác định cách xử lý kết quả không chắc chắn, cách lưu bằng chứng và cách khôi phục vận hành khi hệ thống gặp sự cố.

Câu hỏi thường gặp về Machine Vision và AI Vision Deep Learning

• AI Vision Deep Learning có chính xác hơn Camera Vision truyền thống không?

Không phải trong mọi trường hợp. Deep Learning có thể có lợi thế với lỗi phức tạp và biến thiên, trong khi Vision truyền thống có thể ổn định và dễ kiểm chứng hơn ở bài toán đo lường hoặc kiểm tra theo quy tắc rõ ràng. Độ chính xác phải được xác nhận bằng bộ mẫu đại diện và điều kiện sản xuất thực tế.

• Deep Learning có bắt buộc phải dùng GPU không?

Không. Nhu cầu phần cứng phụ thuộc vào kiến trúc mô hình, độ phân giải ảnh, số camera và tốc độ yêu cầu. Một số mô hình có thể chạy trên CPU hoặc máy tính công nghiệp phù hợp; các bài toán yêu cầu xử lý nhanh có thể cần bộ tăng tốc chuyên dụng.

• Nhà máy chưa có nhiều ảnh lỗi thì có triển khai Deep Learning được không?

Có thể, tùy phương pháp. Doanh nghiệp có thể bắt đầu bằng việc thu thập ảnh sản phẩm đạt và đánh giá các phương pháp phát hiện bất thường. Tuy nhiên, vẫn cần kiểm tra bằng mẫu lỗi thực tế để biết hệ thống có bỏ sót những lỗi quan trọng hay không. Thiếu dữ liệu lỗi không nên được xem là lý do để bỏ qua bước xác nhận hiệu năng.

• Khi đổi mã sản phẩm có phải huấn luyện lại mô hình không?

Không phải lúc nào cũng cần. Nếu mã mới có đặc điểm tương tự dữ liệu hiện tại, mô hình có thể hoạt động mà không cần huấn luyện lại, nhưng vẫn phải được xác nhận. Nếu sản phẩm khác nhiều về hình dạng, vật liệu hoặc tiêu chí lỗi, doanh nghiệp có thể cần bổ sung dữ liệu và xây dựng hoặc điều chỉnh mô hình.

• Có thể thay thế toàn bộ nhân viên QC bằng AI Vision không?

Không nên mặc định như vậy. AI Vision có thể tự động hóa những bước kiểm tra phù hợp, nhưng nhà máy vẫn cần người phụ trách tiêu chuẩn chất lượng, xử lý ngoại lệ, xác nhận hiệu năng và điều tra nguyên nhân lỗi. Mức độ tự động hóa cần dựa trên rủi ro và kết quả thực tế.

• Nên bắt đầu bằng Vision truyền thống hay Deep Learning nếu chưa có kinh nghiệm?

Hãy bắt đầu từ một lỗi cụ thể và chuẩn bị bộ mẫu đạt, mẫu lỗi. Nếu lỗi có thể mô tả bằng phép đo hoặc quy tắc rõ ràng, thử Vision truyền thống trước. Nếu lỗi phức tạp, khó mô tả bằng quy tắc, hãy thử Deep Learning và so sánh kết quả trong cùng điều kiện.

Kết luận: Làm sao chọn đúng công nghệ kiểm tra lỗi cho nhà máy?

Camera Vision truyền thống phù hợp với bài toán có tiêu chí rõ ràng, hình ảnh ổn định và cần khả năng kiểm soát từng quy tắc xử lý. AI Vision Deep Learning phù hợp hơn khi lỗi có biểu hiện phức tạp, khó xây dựng quy tắc cố định và nhà máy có thể cung cấp dữ liệu đại diện để huấn luyện, kiểm chứng.

Nếu sản phẩm có cả lỗi hình học đơn giản lẫn lỗi ngoại quan phức tạp, giải pháp kết hợp có thể là lựa chọn đáng cân nhắc. Trước khi đầu tư, hãy yêu cầu thử nghiệm trên mẫu thật, thống nhất chỉ tiêu bỏ sót và báo lỗi nhầm, sau đó đánh giá tốc độ, khả năng tích hợp và chi phí bảo trì.

Với giám đốc kỹ thuật và trưởng phòng tự động hóa, tiêu chí quyết định không phải hệ thống có sử dụng Deep Learning hay không, mà là nó có phát hiện đúng loại lỗi cần kiểm soát, chạy ổn định trong điều kiện sản xuất và đáp ứng chi phí mà nhà máy có thể chấp nhận hay không.