AI phát hiện đai buộc cuộn kim loại bằng YOLOv8 và ibaVision: từ OpenCV thất bại đến mô hình chạy ổn định
Cuộn thép, cuộn nhôm sau dây chuyền hoàn thiện phải được buộc đai trước khi vận chuyển. Một cuộn thiếu đai có thể bung khi cẩu, nâng hoặc đi đường, gây nguy hiểm cho người và hư hỏng hàng. Kiểm tra bằng mắt thì phụ thuộc vào người trực ca, không phải lúc nào cũng tin cậy được.
Bài này tóm tắt một ứng dụng thực tế: dùng camera có sẵn, phần mềm ibaVision và mô hình AI YOLOv8 để tự động đếm số cuộn và số đai buộc trên mỗi cuộn, rồi ghi kết quả vào ibaPDA cùng các dữ liệu quá trình khác.
Mục tiêu và giới hạn của hệ thống
- Mục tiêu: tự động phát hiện số cuộn và số đai buộc trong khung hình camera.
- Không phải hệ thống an toàn được chứng nhận: mục đích là tăng độ tin cậy của quy trình, không thay thế quy trình an toàn.
- Dùng lại hạ tầng sẵn có: camera đang lắp trên dây chuyền, chỉ bổ sung ibaVision.
- Chỉ phát hiện, không tự phát cảnh báo: kết quả được ghi lại để vận hành và kỹ sư sử dụng.
Xác định rõ giới hạn ngay từ đầu giúp dự án AI không bị kỳ vọng quá mức và dễ được bộ phận an toàn chấp nhận.
Vì sao bài toán khó
- Cuộn có nhiều kích thước khác nhau.
- Bề mặt cuộn lúc bóng, lúc mờ, đai buộc có màu gần giống bề mặt cuộn.
- Ánh sáng thay đổi theo ca, nhiều vùng phản chiếu.
- Camera cố định, không chỉnh được góc nhìn cho từng cuộn.
Giai đoạn 1: thử xử lý ảnh truyền thống (OpenCV)
Cách đầu tiên được thử là xử lý ảnh theo luật: tìm cạnh, đường viền, góc nghiêng để nhận ra đai buộc. Phương pháp này chạy tốt trong điều kiện có kiểm soát, nhưng thất bại khi đưa vào video thực tế của dây chuyền: phản chiếu, chuyển động và bề mặt khác nhau làm bộ lọc báo sai liên tục.
Đây là bài học chung: bộ lọc theo luật rất mong manh, mỗi tình huống mới lại phải chỉnh tay. Với bài toán nhiều biến động về hình ảnh, cách học từ dữ liệu phù hợp hơn.
Giai đoạn 2: chuyển sang AI với YOLOv8
YOLOv8 là mô hình học sâu nhận diện vật thể trong một lần quét ảnh, nhận diện được nhiều loại vật thể cùng lúc, nhẹ, nhanh và là mã nguồn mở. Mô hình đã được huấn luyện sẵn trên bộ dữ liệu COCO, nên chỉ cần huấn luyện thêm với ảnh của nhà máy.
| Xử lý ảnh theo luật (OpenCV) | AI (YOLOv8) | |
|---|---|---|
| Cách làm | Kỹ sư tự viết bộ lọc cạnh, đường viền | Mô hình tự học từ ảnh đã gán nhãn |
| Phản chiếu, ánh sáng | Dễ báo sai | Xử lý tốt hơn khi có đủ ảnh mẫu |
| Cải thiện | Chỉnh lại luật, tham số | Thêm ảnh rồi huấn luyện lại |
| Kết quả thực tế | Thất bại trên video dây chuyền | Phát hiện ổn định |
Các bước xây dựng mô hình
Bước 1: gán nhãn vị trí cuộn và đai
Lấy một tập ảnh ban đầu từ camera, vẽ khung bao quanh từng cuộn và từng đai bằng công cụ miễn phí Label Studio, sau đó kiểm tra lại các khung. Giai đoạn này chỉ cần khoảng 30 ảnh.
Bước 2: tăng cường dữ liệu
Từ ảnh gốc, tạo thêm ảnh mới bằng cách thay đổi độ sáng, độ tương phản, độ nét, thêm nhòe, nhiễu và các lỗi hình ảnh thường gặp. Nhãn của ảnh gốc thường dùng lại được. Tập dữ liệu tăng lên khoảng 150 ảnh mà không phải gán nhãn thêm.
Bước 3: huấn luyện mô hình
- Huấn luyện 3 phiên bản mô hình: thử nghiệm ban đầu, tại hiện trường và sau khi chạy thực tế.
- Dùng card đồ họa NVIDIA GTX 1080 Ti, 300 vòng huấn luyện (epoch) mỗi lần.
- Mỗi lần huấn luyện mất khoảng 24–48 giờ, tùy kích thước dữ liệu và phần cứng.
Bước 4: chạy mô hình trong ibaVision
- Mô hình đã huấn luyện được tích hợp vào ibaVision bằng Python.
- Chạy trên máy ảo có sẵn của nhà máy, không cần GPU cho bài toán này vì chỉ chạy suy luận.
- Có thêm bước lọc để không đếm trùng một đai buộc.
- Ảnh gốc và ảnh kết quả nhận diện được lưu vào ibaCapture.
- Số cuộn và số đai được ghi vào ibaPDA như một tín hiệu đo, xem cùng các dữ liệu khác của dây chuyền.
Kết quả và bài học
- Giải pháp AI phát hiện được cuộn và đai trong điều kiện thực tế, nơi OpenCV đã thất bại.
- Không cần nhiều kiến thức chuyên sâu về AI nếu bài toán không quá phức tạp.
- An toàn theo thiết kế: chỉ đưa script suy luận xuống hệ thống, không đưa dữ liệu huấn luyện hay công cụ phát triển.
- Mô hình dễ huấn luyện lại và triển khai lại khi có tình huống mới.
- Cách làm có thể nhân rộng cho dây chuyền hoặc dự án khác.
Nếu muốn hiểu thêm về kiến trúc camera, máy chủ AI và ibaPDA, xem bài AI nhận diện vật thể với ibaCapture, ibaVision và ibaPDA.
Ứng dụng tương tự trong nhà máy
- Kiểm tra nhãn, tem, mã cuộn trước khi xuất kho.
- Đếm sản phẩm, phát hiện vật thể lạ trên băng tải.
- Kiểm tra vị trí cuộn trên xe, trên giá trước khi cẩu.
- Kết hợp với phát hiện mối hàn dải thép và các cảm biến khác để có bức tranh đầy đủ.
Các ứng dụng này phù hợp với ngành thép, ngành nhôm và các dây chuyền đóng gói, kho vận.
Câu hỏi thường gặp
Cần bao nhiêu ảnh để huấn luyện?
Với bài toán vừa phải như đếm cuộn và đai, có thể bắt đầu từ vài chục ảnh gán nhãn, sau đó tăng cường dữ liệu lên vài trăm ảnh. Khi gặp tình huống nhận diện sai thì bổ sung ảnh đó vào và huấn luyện lại.
Có bắt buộc phải có GPU trong nhà máy không?
GPU cần cho bước huấn luyện. Khi chạy thực tế, nếu tốc độ khung hình yêu cầu không cao thì mô hình có thể chạy trên CPU của máy ảo sẵn có.
Hệ thống có thay thế được kiểm tra an toàn không?
Không. Đây là công cụ hỗ trợ tăng độ tin cậy. Muốn dùng cho chức năng an toàn thì cần thiết kế và chứng nhận theo tiêu chuẩn an toàn riêng.
Iba và TMP
Tăng Minh Phát cung cấp hệ thống Iba tại Việt Nam: ibaPDA, ibaCapture, ibaVision và các module kết nối, hỗ trợ khảo sát camera, dữ liệu và triển khai thử nghiệm.
Thông tin cần gửi khi cần tư vấn
- Vật thể cần nhận diện và mục đích: đếm, kiểm tra, phân loại
- Camera đang có: loại, độ phân giải, vị trí lắp
- Tốc độ dây chuyền, số khung hình cần xử lý
- Hệ thống dữ liệu đang dùng (ibaPDA hay hệ khác)
- Ảnh hoặc video mẫu nếu có
Liên hệ kỹ sư TMP:
- Điện thoại / Zalo: 0917 943 068
- Email: project@tmpvietnam.com
