Tự động kiểm tra lỗi linh kiện ô tô, xe máy, ngăn hàng NG lọt

Ngành ô tô và xe máy: Tự động kiểm tra lỗi linh kiện để hạn chế hàng NG lọt sang công đoạn tiếp theo

Trong ngành ô tô và xe máy, kiểm tra linh kiện tự động giúp phát hiện sớm sản phẩm lỗi trước khi chuyển sang công đoạn tiếp theo. Hệ thống có thể kiểm tra thiếu chi tiết, lắp sai vị trí, sai hướng, lỗi bề mặt hoặc một số dấu hiệu bất thường tùy theo loại linh kiện. Với nhà cung ứng, mục tiêu không chỉ là giảm số lượng hàng NG lọt qua mà còn hạn chế việc phải tháo ra kiểm tra lại, phân loại và xử lý khiếu nại. Tuy nhiên, không phải lỗi nào cũng có thể phát hiện bằng camera; doanh nghiệp cần chọn đúng phương pháp kiểm tra theo yêu cầu kỹ thuật của từng chi tiết.

Vì sao nhà cung ứng linh kiện ô tô, xe máy cần kiểm tra lỗi trước khi chuyển công đoạn?

Một linh kiện bị lỗi không phải lúc nào cũng gây ra vấn đề ngay tại nơi sản xuất. Có những lỗi chỉ lộ ra khi lắp ráp với chi tiết khác, khi siết bu lông, khi cấp điện hoặc sau một thời gian vận hành. Khi đó, việc tìm nguyên nhân thường mất nhiều thời gian hơn so với phát hiện lỗi ngay tại công đoạn tạo ra sản phẩm.

Ví dụ, một nhà cung ứng sản xuất giá đỡ kim loại cho xe máy. Chi tiết có thể bị thiếu một lỗ, ba via ở mép cắt hoặc biến dạng nhẹ sau gia công. Nếu công nhân chỉ nhìn lướt qua rồi đặt vào khay thành phẩm, lỗi có thể đi tiếp sang công đoạn sơn, lắp ráp hoặc đóng gói. Đến khi khách hàng phát hiện, doanh nghiệp có thể phải kiểm tra lại cả lô hàng để xác định phạm vi ảnh hưởng.

Vấn đề thường gặp không hẳn là nhân viên QC không làm việc cẩn thận. Trong ca sản xuất có sản lượng cao, nhiều mã hàng và yêu cầu giao hàng gấp, việc duy trì mức độ tập trung như nhau ở từng sản phẩm là rất khó. Một số lỗi nhỏ cũng khó nhìn thấy nếu ánh sáng không phù hợp hoặc bề mặt linh kiện phản chiếu mạnh.

Kiểm tra tự động giúp đưa việc kiểm tra về cùng một quy trình cho từng sản phẩm. Hệ thống chụp ảnh, kiểm tra theo tiêu chí đã thiết lập rồi trả kết quả OK hoặc NG. Nếu được tích hợp đúng cách, sản phẩm NG có thể bị chặn lại, chuyển sang khay riêng hoặc dừng công đoạn để người phụ trách xử lý.

Điểm quan trọng là phải ngăn được sản phẩm lỗi đi tiếp, chứ không chỉ hiển thị cảnh báo trên màn hình.

Kiểm tra lỗi linh kiện tự động là gì?

Kiểm tra lỗi linh kiện tự động là quá trình sử dụng camera, cảm biến, thiết bị đo hoặc cơ cấu kiểm tra để xác định sản phẩm có đáp ứng yêu cầu tại một công đoạn hay không. Tùy loại linh kiện, hệ thống có thể kiểm tra ngoại quan, sự hiện diện của chi tiết, vị trí lắp ráp, hình dạng, kích thước hoặc một số đặc tính kỹ thuật khác.

Trong nhà máy sản xuất linh kiện ô tô và xe máy, có thể gặp các hình thức kiểm tra sau:

- Camera Vision truyền thống: xử lý ảnh theo các quy tắc như vị trí, kích thước vùng ảnh, độ sáng, màu sắc hoặc biên dạng.
- AI Vision: sử dụng mô hình AI để nhận diện và phân loại các dạng lỗi trong hình ảnh, phù hợp với một số lỗi có hình dạng không đồng nhất.
- Cảm biến và thiết bị đo: kiểm tra sự hiện diện, khoảng cách, chiều cao, kích thước hoặc thông số vật lý mà camera thông thường không đủ khả năng xác nhận.
- Đồ gá kiểm tra tự động: giữ linh kiện đúng vị trí để kiểm tra bằng camera, cảm biến hoặc thiết bị đo.
- Robot kết hợp hệ thống kiểm tra: đưa camera hoặc linh kiện đến nhiều vị trí, hỗ trợ kiểm tra các bề mặt và góc khó tiếp cận.

Một hệ thống không nhất thiết phải dùng AI hoặc robot mới được xem là tự động. Với sản phẩm có hình dạng ổn định và lỗi dễ xác định, camera cố định kết hợp cảm biến có thể đáp ứng tốt hơn về chi phí và tốc độ.

Những lỗi nào trên linh kiện ô tô, xe máy có thể được phát hiện tự động?

Khả năng kiểm tra phụ thuộc vào hình dạng sản phẩm, loại lỗi, cách bố trí thiết bị và yêu cầu kỹ thuật. Trước khi chọn giải pháp, nhà máy nên xác định rõ lỗi nào cần phát hiện, lỗi nào bắt buộc phải chặn và lỗi nào cần phương pháp đo riêng.

Cần lưu ý rằng phát hiện được một dấu hiệu trên ảnh không đồng nghĩa với việc đã xác nhận toàn bộ chất lượng linh kiện. Camera có thể nhận ra một lỗ bị thiếu, nhưng không thể mặc nhiên kết luận ren bên trong đạt yêu cầu. Tương tự, hình ảnh bề mặt đẹp không chứng minh được độ cứng vật liệu, độ bền mối hàn hay mô-men siết.

Vì vậy, doanh nghiệp cần phân chia rõ lỗi nào có thể kiểm tra bằng hình ảnh, lỗi nào cần cảm biến và lỗi nào phải dùng thiết bị đo hoặc thử nghiệm chuyên biệt.

Camera Vision truyền thống, AI Vision và robot kiểm tra khác nhau thế nào?

Ba phương án này không hoàn toàn thay thế nhau. Mỗi phương án giải quyết một nhóm vấn đề khác nhau, và nhà máy có thể kết hợp chúng trong cùng một trạm kiểm tra.

Nếu cần kiểm tra một chi tiết nhựa đi qua băng tải và xác định có thiếu ngàm hay không, camera cố định có thể là lựa chọn hợp lý. Nếu bề mặt nhựa có nhiều dạng lỗi ngoại quan khó phân loại bằng ngưỡng ảnh, AI Vision đáng để thử nghiệm. Nếu linh kiện có nhiều mặt, cần kiểm tra cả mặt trên, mặt dưới và các cạnh khuất, robot có thể giúp thay đổi góc quan sát.

Tuy nhiên, robot không tự làm cho kết quả chính xác hơn. Nếu camera thiếu độ phân giải, ánh sáng gây lóa hoặc mô hình AI chưa được kiểm chứng trên lỗi thực tế, việc thêm robot chỉ làm hệ thống phức tạp hơn.

Làm thế nào để ngăn hàng NG lọt sang công đoạn tiếp theo?

Đây là phần quyết định hệ thống có thực sự giúp nhà máy kiểm soát chất lượng hay chỉ hỗ trợ người vận hành quan sát.

Một trạm kiểm tra nên có ít nhất bốn bước rõ ràng.

Bước 1: Định vị linh kiện trước khi kiểm tra

Sản phẩm cần được đặt đúng vị trí, đúng hướng và đủ ổn định để camera chụp được vùng cần kiểm tra. Nếu linh kiện nằm lệch trong khay, bị xoay hoặc rung khi chụp, kết quả có thể sai dù thuật toán được thiết lập tốt.

Tùy sản phẩm, nhà máy có thể dùng đồ gá cơ khí, chốt định vị, cảm biến xác nhận vị trí hoặc cơ cấu cấp phôi tự động.

Bước 2: Kiểm tra theo tiêu chí đã thống nhất

Mỗi mã linh kiện cần có tiêu chí OK/NG cụ thể. Chẳng hạn, với giắc điện, tiêu chí có thể gồm đủ số chân, đúng vị trí chân, không có chân cong vượt giới hạn cho phép và đúng hướng khóa. Với chi tiết kim loại, tiêu chí có thể là đủ lỗ, không có ba via vượt mức cho phép và không có vết xước nằm trong vùng bề mặt quan trọng.

Không nên chỉ ghi chung chung là “kiểm tra ngoại quan đạt”. Tiêu chí càng cụ thể, việc đánh giá kết quả và xử lý tranh chấp chất lượng càng rõ ràng.

Bước 3: Phân luồng OK và NG bằng tín hiệu thực tế

Sau khi kiểm tra, hệ thống cần truyền kết quả đến PLC, băng tải hoặc cơ cấu phân loại. Sản phẩm OK được phép đi tiếp; sản phẩm NG phải bị giữ lại, đẩy sang nhánh riêng hoặc dừng máy theo quy trình đã thiết kế.

Nếu chỉ có đèn đỏ báo lỗi nhưng sản phẩm vẫn tiếp tục chạy, hệ thống chưa bảo đảm ngăn hàng NG lọt công đoạn.

Nhà máy cũng cần xử lý trường hợp không đọc được mã, không chụp được ảnh, mất kết nối hoặc camera không trả kết quả. Các tình huống này phải có quy tắc rõ ràng, thay vì mặc định cho sản phẩm đi tiếp như hàng đạt.

Bước 4: Lưu kết quả và truy xuất khi có bất thường

Tùy yêu cầu của khách hàng, hệ thống có thể lưu mã sản phẩm, thời gian kiểm tra, kết quả OK/NG, mã lỗi, hình ảnh và mã máy hoặc ca sản xuất. Khi phát sinh khiếu nại, dữ liệu này giúp khoanh vùng sản phẩm cần kiểm tra lại.

Không phải nhà máy nào cũng cần lưu toàn bộ ảnh trong thời gian dài. Cần xác định yêu cầu truy xuất, dung lượng lưu trữ và thời gian giữ dữ liệu trước khi triển khai.

Khi nào nhà cung ứng nên đầu tư hệ thống kiểm tra tự động?

Tự động hóa phù hợp nhất khi doanh nghiệp xác định được vấn đề cụ thể và có thể đo hiệu quả sau triển khai.

Trường hợp nên cân nhắc

- Một công đoạn có sản lượng lớn, công nhân phải kiểm tra lặp đi lặp lại trong nhiều giờ.
- Lỗi thiếu chi tiết, sai hướng hoặc lắp lệch có thể được xác định bằng tiêu chí rõ ràng.
- Khách hàng yêu cầu kiểm tra 100% đối với một số đặc tính hoặc linh kiện quan trọng.
- Lỗi thường bị phát hiện ở công đoạn sau, dẫn đến tháo lắp, phân loại hoặc kiểm tra lại cả lô.
- Sản phẩm có nhiều mã nhưng quy trình đổi mã và tiêu chí kiểm tra có thể chuẩn hóa.
- Nhà máy cần lưu dữ liệu để truy xuất theo lô, mã sản phẩm hoặc thời gian sản xuất.

Trường hợp chưa nên đầu tư ngay

Nếu lỗi chưa được định nghĩa rõ, người kiểm tra cũng chưa thống nhất sản phẩm nào đạt và sản phẩm nào không đạt, thì đưa camera vào chưa chắc giải quyết được vấn đề. Trước hết cần thống nhất tiêu chuẩn, mẫu lỗi và cách đánh giá.

Tương tự, nếu sản phẩm thay đổi liên tục, sản lượng rất thấp hoặc việc kiểm tra chỉ mất vài giây và hầu như không phát sinh lỗi lọt, đầu tư một hệ thống phức tạp có thể không mang lại hiệu quả tương xứng.

Với những lỗi nằm bên trong vật liệu, liên quan đến độ bền, độ kín hoặc đặc tính điện, cần xác định xem camera có đủ khả năng kiểm tra hay phải dùng phương pháp khác. Không nên chọn AI Vision chỉ vì muốn gom tất cả các bước kiểm tra vào một thiết bị.

Nhà cung ứng cần chuẩn bị gì trước khi yêu cầu báo giá?

Để tránh nhận báo giá chỉ dựa trên mô tả chung, doanh nghiệp nên chuẩn bị thông tin đầu vào càng sát thực tế càng tốt.

1. Danh sách mã linh kiện cần kiểm tra

Cung cấp bản vẽ, hình ảnh, kích thước, vật liệu và các biến thể sản phẩm. Nếu nhiều mã có hình dạng gần giống nhau, cần chỉ ra điểm khác biệt dễ gây nhầm lẫn.

2. Danh sách lỗi cần phát hiện

Với từng lỗi, nên có ảnh mẫu OK và NG, mô tả vị trí, mức độ nghiêm trọng và tiêu chuẩn chấp nhận. Nếu có thể, cung cấp mẫu lỗi thật thay vì chỉ gửi ảnh chụp trên màn hình.

3. Sản lượng và thời gian chu kỳ

Cần cho biết số sản phẩm mỗi giờ, thời gian tối đa cho phép để kiểm tra một sản phẩm và số ca vận hành. Đây là cơ sở để xác định số camera, số trạm hoặc việc có cần robot hay không.

4. Điều kiện lắp đặt

Thông tin về không gian, ánh sáng, bụi dầu, rung động, nhiệt độ và cách cấp phôi ảnh hưởng trực tiếp đến thiết kế hệ thống. Linh kiện bóng, bề mặt mạ hoặc có dầu thường cần thử nghiệm ánh sáng kỹ hơn các bề mặt nhám.

5. Yêu cầu xử lý sản phẩm NG

Cần xác định ai nhận cảnh báo, sản phẩm được giữ ở đâu, ai có quyền xác nhận lại và khi nào máy được chạy tiếp. Đây là phần không nên để đến giai đoạn lắp đặt mới thống nhất.

6. Yêu cầu dữ liệu và kết nối

Nếu khách hàng yêu cầu truy xuất theo số lô hoặc mã linh kiện, cần xác định mã được đọc bằng máy quét, camera hay nhận từ PLC. Đồng thời, làm rõ dữ liệu nào phải lưu và hệ thống nào cần nhận kết quả.

Nghiệm thu hệ thống kiểm tra tự động như thế nào để tránh chỉ chạy tốt khi trình diễn?

Một lỗi thường gặp trong quá trình mua hệ thống là chỉ xem nhà cung cấp kiểm tra một vài mẫu đẹp rồi kết luận giải pháp phù hợp. Kết quả trình diễn chưa đủ để chứng minh hệ thống hoạt động ổn định trong sản xuất thật.

Trước khi ký nghiệm thu, nhà máy nên yêu cầu kiểm tra trên bộ mẫu đã thống nhất, gồm cả sản phẩm đạt, sản phẩm lỗi dễ nhận biết và sản phẩm lỗi khó nhận biết. Với mỗi nhóm lỗi, cần ghi lại số mẫu kiểm tra, số lỗi phát hiện đúng, số lỗi bị bỏ sót và số sản phẩm đạt bị đánh nhầm là NG.

Hai chỉ số cần phân biệt là:

- Tỷ lệ phát hiện lỗi: trong số sản phẩm thực sự NG, hệ thống phát hiện được bao nhiêu.
- Tỷ lệ báo NG nhầm: trong số sản phẩm thực sự OK, hệ thống đánh nhầm bao nhiêu sản phẩm là NG.

Nếu nhà máy đặc biệt quan tâm đến việc ngăn lỗi nghiêm trọng lọt sang công đoạn tiếp theo, cần ưu tiên đánh giá khả năng phát hiện đúng nhóm lỗi đó. Tỷ lệ chính xác tổng thể cao vẫn có thể che giấu việc bỏ sót một loại lỗi quan trọng nhưng ít xuất hiện.

Nên thử nghiệm trong điều kiện gần với sản xuất thật: tốc độ cấp phôi thực tế, nhiều ca vận hành, các biến thể sản phẩm và điều kiện ánh sáng có thể gặp. Đồng thời, cần kiểm tra cả tình huống lỗi kết nối, sản phẩm bị đặt lệch và cơ cấu loại NG hoạt động không thành công.

Cuối cùng, tiêu chí nghiệm thu phải được thống nhất trước khi triển khai, không nên đợi đến khi hệ thống chạy chưa đạt mới thương lượng lại.

Nhà cung ứng linh kiện nhựa giảm lỗi thiếu ngàm lọt sang lắp ráp ra sao?

Giả sử một nhà cung ứng sản xuất vỏ nhựa cho cụm linh kiện xe máy. Sau công đoạn ép nhựa, sản phẩm được chuyển sang công đoạn lắp ráp. Một số chi tiết bị thiếu ngàm nhỏ do bất thường trong quá trình ép, nhưng người kiểm tra bằng mắt không phát hiện hết khi sản lượng tăng cao.

Nhà máy quyết định thử nghiệm camera AI tại đầu vào công đoạn lắp ráp. Trước tiên, nhóm kỹ thuật thu thập mẫu sản phẩm đạt và mẫu thiếu ngàm, xác định vị trí cần chụp, thử các phương án ánh sáng và thống nhất tiêu chí phân loại. Do hình dạng ngàm có một số biến thể theo mã sản phẩm, chương trình kiểm tra được thiết lập riêng theo từng nhóm phù hợp.

Trong thử nghiệm giả định, hệ thống phát hiện lỗi trên ảnh, gửi kết quả về PLC và kích hoạt cơ cấu đẩy sản phẩm NG sang khay riêng. Công nhân phụ trách xử lý các mẫu bị loại và xác nhận trường hợp hệ thống chưa chắc chắn.

Sau giai đoạn chạy thử, nhà máy so sánh số lỗi thiếu ngàm lọt sang lắp ráp, số sản phẩm OK bị loại nhầm và thời gian xử lý mỗi sản phẩm trước và sau khi triển khai. Nếu kết quả đáp ứng tiêu chí nghiệm thu, hệ thống mới được đưa vào vận hành chính thức.

Đây là tình huống minh họa, không phải dữ liệu của một khách hàng thực tế. Giá trị của giải pháp phải được chứng minh bằng số liệu tại nhà máy, đặc biệt là tỷ lệ bỏ sót lỗi, tỷ lệ báo NG nhầm và thời gian chu kỳ thực tế.

Tính hiệu quả đầu tư bằng cách nào?

Chi phí của một hệ thống kiểm tra không chỉ nằm ở camera hoặc robot. Doanh nghiệp cần tính cả phần mềm, đồ gá, chiếu sáng, tích hợp PLC, cơ cấu phân loại, lắp đặt và bảo trì.

Lợi ích cũng không nên chỉ tính bằng số nhân sự giảm đi. Trong nhiều nhà máy, nhân viên vẫn cần thiết để xử lý sản phẩm NG, thay mã hàng và giám sát hệ thống. Hiệu quả có thể đến từ việc giảm phân loại lại, giảm dừng chuyền, hạn chế hàng trả về và giảm thời gian truy tìm nguyên nhân.

Có thể dùng cách tính đơn giản:

Lợi ích ròng hằng năm = Tổng chi phí tránh được trong năm − Chi phí vận hành tăng thêm trong năm.

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

Ví dụ giả định, hệ thống có tổng chi phí đầu tư 800 triệu đồng. Sau khi triển khai, doanh nghiệp ước tính tiết kiệm được 260 triệu đồng mỗi năm từ phân loại lại, kiểm tra bổ sung và xử lý lỗi; đồng thời giảm được 100 triệu đồng chi phí liên quan đến lỗi lọt. Chi phí vận hành và bảo trì tăng thêm là 120 triệu đồng mỗi năm.

Lợi ích ròng ước tính là 240 triệu đồng mỗi năm, tương đương thời gian hoàn vốn khoảng 3,3 năm. Đây chỉ là phép tính minh họa; doanh nghiệp cần dùng dữ liệu thực tế, tránh tính trùng giữa chi phí phân loại, nhân công và tổn thất do hàng lỗi.

Câu hỏi thường gặp về kiểm tra linh kiện ô tô, xe máy tự động

• Kiểm tra tự động có thay thế hoàn toàn nhân viên QC không?

Không nhất thiết. Hệ thống có thể đảm nhận các bước kiểm tra lặp lại, còn nhân viên QC phụ trách xác nhận trường hợp bất thường, quản lý tiêu chuẩn, phân tích lỗi và xử lý các vấn đề vượt ngoài phạm vi tự động hóa.

• Có thể dùng một hệ thống để kiểm tra nhiều mã linh kiện không?

Có thể, nếu thiết kế hỗ trợ đổi mã và từng mã được xác nhận riêng. Những chi tiết khác nhau về hình dạng, màu sắc hoặc vị trí lỗi có thể cần chương trình, đồ gá hoặc mô hình AI riêng.

• AI Vision có kiểm tra được tất cả lỗi linh kiện không?

Không. AI Vision phù hợp với những lỗi có thể quan sát và nhận diện từ dữ liệu đầu vào. Các lỗi bên trong vật liệu, độ cứng, mô-men siết, độ kín hoặc đặc tính điện thường cần phương pháp kiểm tra chuyên dụng.

• Hệ thống có thể kiểm tra 100% sản phẩm không?

Có thể nếu tốc độ kiểm tra, khả năng cấp phôi và độ ổn định của hệ thống đáp ứng yêu cầu sản xuất. Tuy nhiên, kiểm tra 100% không có nghĩa là bảo đảm phát hiện tuyệt đối mọi lỗi; vẫn cần đánh giá tỷ lệ bỏ sót và kiểm tra xác nhận định kỳ.

• Nên lắp hệ thống ở công đoạn nào?

Nên ưu tiên vị trí ngay sau công đoạn có khả năng tạo ra lỗi hoặc trước công đoạn mà lỗi có thể gây thiệt hại lớn hơn. Ví dụ, kiểm tra thiếu ngàm ngay sau ép nhựa có thể giúp tránh đưa sản phẩm lỗi sang lắp ráp.

• Khi sản phẩm bị đánh NG nhầm thì xử lý thế nào?

Cần có quy trình xác nhận lại, lưu ảnh hoặc mã lỗi nếu cần truy xuất và ghi nhận nguyên nhân. Nếu lỗi nhầm lặp lại, nhóm kỹ thuật cần xem lại ánh sáng, đồ gá, tiêu chí kiểm tra hoặc dữ liệu AI thay vì chỉ tăng ngưỡng để giảm số lượng NG.

• Có cần robot cho hệ thống kiểm tra linh kiện không?

Không phải lúc nào cũng cần. Camera cố định phù hợp khi sản phẩm đi qua vị trí chụp ổn định và vùng cần kiểm tra nhìn thấy rõ. Robot đáng cân nhắc khi cần thay đổi góc nhìn, kiểm tra nhiều mặt hoặc đưa camera đến các vị trí khó tiếp cận.

Nhà cung ứng nên bắt đầu từ đâu để hạn chế hàng NG lọt công đoạn?

Bước đầu tiên không phải là chọn camera hay robot, mà là xác định lỗi nào đang gây nhiều vấn đề nhất và tại sao lỗi đó chưa được phát hiện ở công đoạn hiện tại.

Doanh nghiệp nên chọn một nhóm linh kiện có sản lượng đủ lớn, lỗi tương đối rõ và có dữ liệu về tình trạng hàng NG. Sau đó, thống nhất tiêu chuẩn OK/NG, thu thập mẫu thực tế, thử nghiệm giải pháp phù hợp và đo kết quả trên dây chuyền.

Nếu lỗi đơn giản và vị trí kiểm tra ổn định, camera Vision kết hợp cảm biến có thể đã đủ. Nếu lỗi ngoại quan khó phân biệt, AI Vision là phương án đáng đánh giá. Nếu phải kiểm tra nhiều mặt hoặc nhiều vị trí, robot kết hợp hệ thống thị giác có thể phù hợp hơn.

Một giải pháp tốt là giải pháp phát hiện đúng lỗi cần kiểm soát, chặn được sản phẩm NG, không làm chậm dây chuyền quá mức và có dữ liệu để nhà máy kiểm chứng kết quả. Với nhà cung ứng linh kiện ô tô, xe máy, đó mới là cơ sở thực tế để quyết định đầu tư và mở rộng tự động hóa sang các công đoạn khác.

NG là viết tắt của “Not Good”, nghĩa là sản phẩm không đạt yêu cầu chất lượng.

Trong nhà máy sản xuất linh kiện ô tô, xe máy, thường dùng hai ký hiệu:

- OK (Good): Sản phẩm đạt yêu cầu, được phép chuyển sang công đoạn tiếp theo.
- NG (Not Good): Sản phẩm không đạt yêu cầu, cần giữ lại để kiểm tra, sửa chữa, phân loại hoặc loại bỏ theo quy trình.

Ví dụ thực tế: Khi camera AI kiểm tra một chi tiết nhựa dùng cho xe máy, nếu phát hiện thiếu ngàm lắp ráp, hệ thống sẽ đánh dấu NG và gửi tín hiệu để cơ cấu tự động tách sản phẩm đó ra, tránh chuyển sang công đoạn lắp ráp.

Lưu ý: Trong một số nhà máy, NG còn được gọi là hàng lỗi, hàng không đạt hoặc hàng bị loại. Sản phẩm NG không phải lúc nào cũng bị vứt bỏ; cách xử lý phụ thuộc vào mức độ lỗi và quy định chất lượng của doanh nghiệp.