Nhận diện hình ảnh trong sản xuất là việc dùng camera và mô hình trí tuệ nhân tạo (Computer Vision) để kiểm tra chất lượng từng sản phẩm ngay trên dây chuyền — phát hiện lỗi bề mặt, đo kích thước, đọc mã vạch và nhãn, rồi tự động phân loại sản phẩm đạt hay lỗi mà không cần dừng máy. Khác với kiểm tra thủ công vốn chỉ kiểm tra mẫu và phụ thuộc vào sức tập trung của con người, hệ thống Computer Vision kiểm tra được 100% sản phẩm ở tốc độ dây chuyền, với độ ổn định không đổi suốt ca làm việc. Bài viết này giải thích bản chất và cơ chế hoạt động của công nghệ, so sánh bốn cách mô hình “nhìn” sản phẩm, hướng dẫn quy trình triển khai từng bước, đối chiếu với kiểm tra thủ công và hệ thống AOI truyền thống, kèm ví dụ thực tế theo ngành và checklist áp dụng cho nhà máy Việt Nam.
Nhận diện hình ảnh trong kiểm tra chất lượng là gì?
Nhận diện hình ảnh (Computer Vision) trong kiểm tra chất lượng là ứng dụng của thị giác máy tính để tự động đánh giá sản phẩm: hệ thống chụp ảnh sản phẩm bằng camera công nghiệp, mô hình học sâu (deep learning) phân tích hình ảnh để phát hiện khuyết tật hoặc sai lệch so với chuẩn, rồi ra quyết định đạt (OK) hoặc lỗi (NG) và điều khiển cơ cấu loại bỏ sản phẩm lỗi khỏi dây chuyền. Toàn bộ quá trình diễn ra trong tích tắc, ngay tại tốc độ sản xuất thực tế.
Điểm mấu chốt cần hiểu đúng: Computer Vision không “nhìn” như mắt người. Mắt người nhận biết vật thể bằng kinh nghiệm và ngữ cảnh; mô hình máy học nhận biết bằng các mẫu số học trích xuất từ pixel — cạnh, kết cấu, màu sắc, hình dạng. Vì vậy hệ thống mạnh ở những việc lặp lại với tiêu chuẩn ổn định (phát hiện vết xước, thiếu linh kiện, sai vị trí), nhưng cần được huấn luyện và hiệu chuẩn cẩn thận khi tiêu chuẩn chất lượng mang tính chủ quan (ví dụ độ “đẹp” của bề mặt vân gỗ). Hiểu đúng giới hạn này là bước đầu tiên để triển khai thành công.
Trong nhà máy hiện đại, kiểm tra bằng Computer Vision thường là một “trạm kiểm tra” (inspection station) đặt sau một công đoạn sản xuất: sau khi lắp ráp, sau khi in, sau khi đóng gói. Camera được gắn cố định, ánh sáng được kiểm soát, sản phẩm đi qua vị trí chụp theo đúng một tư thế đã định trước. Sự lặp lại và kiểm soát này chính là điều kiện để mô hình đạt độ chính xác cao — càng ít biến động ngẫu nhiên trong ảnh đầu vào, mô hình càng đáng tin cậy.
Computer Vision kiểm tra được những gì trên dây chuyền?
Một hệ thống kiểm tra chất lượng bằng hình ảnh thường đảm nhiệm bốn nhóm nhiệm vụ. Hầu hết nhà máy bắt đầu từ một nhóm, rồi mở rộng dần khi hệ thống đã ổn định.
Phát hiện lỗi bề mặt
Phát hiện lỗi bề mặt (surface defect detection) là nhiệm vụ phổ biến nhất: tìm vết xước, vết nứt, vết lõm, bong tróc, ố màu, rỗ, bavia hoặc vết bẩn trên bề mặt sản phẩm. Mô hình học “hình dáng của sản phẩm tốt” từ hàng nghìn ảnh mẫu đạt chuẩn, rồi đánh dấu bất kỳ vùng nào lệch khỏi mẫu đó. Nhiệm vụ này đặc biệt giá trị trong điện tử (vết xước trên vỏ, nứt trên bo mạch), dệt may (lỗi vải, rách, loang màu), thực phẩm (dập nát, mốc, biến màu) và bao bì (in lem, rách màng).
Thách thức lớn nhất của phát hiện lỗi bề mặt là lỗi hiếm và đa dạng: một nhà máy có thể sản xuất hàng tháng mới gặp một dạng lỗi mới. Vì vậy các hệ thống hiện đại thường kết hợp học có giám sát (dạy mô hình bằng ảnh lỗi đã gán nhãn) với phát hiện bất thường (anomaly detection — chỉ cần ảnh sản phẩm tốt để học), để vẫn bắt được những dạng lỗi chưa từng gặp. Phần sau của bài sẽ so sánh kỹ hai cách này.
Đo kích thước và kiểm tra hình học
Đo kích thước bằng hình ảnh (dimensional measurement) là việc xác định kích thước, khoảng cách, đường kính, góc độ và vị trí tương đối của chi tiết từ ảnh, rồi đối chiếu với dung sai cho phép. Ví dụ: đường kính lỗ khoan có nằm trong khoảng cho phép không, hai chi tiết có thẳng hàng không, chiều cao keo dán có đủ không. Với camera đã hiệu chuẩn và ánh sáng phù hợp, đo bằng hình ảnh đạt độ chính xác tới mức dưới milimét, đủ cho phần lớn công đoạn kiểm tra không yêu cầu độ chính xác của máy đo tọa độ (CMM).
Khác với phát hiện lỗi bề mặt vốn mang tính xác suất, đo kích thước là bài toán xác định: hệ thống tính toán trực tiếp từ pixel sau khi đã hiệu chuẩn tỷ lệ pixel–milimét. Vì vậy độ chính xác của phép đo phụ thuộc rất nhiều vào phần cứng — độ phân giải camera, độ ổn định của ánh sáng, độ rung của dây chuyền — hơn là vào mô hình AI. Đây là lý do các chuyên gia luôn nhấn mạnh: trong kiểm tra bằng hình ảnh, phần cứng quyết định trần chất lượng, AI chỉ giúp đạt tới trần đó.
Đọc mã, nhãn và ký tự (OCR)
Đọc mã và nhãn gồm đọc mã vạch, mã QR, Data Matrix và nhận dạng ký tự quang học (OCR) trên nhãn in, số lô, ngày sản xuất, hạn sử dụng. Hệ thống vừa xác minh mã có đọc được hay không, vừa đối chiếu nội dung mã với dữ liệu sản xuất: mã này có đúng lô không, ngày in có khớp với ngày sản xuất không, nhãn có bị in sai, in thiếu hay dán lệch không. Đây là nhiệm vụ có tỷ suất lợi ích nhanh nhất, vì lỗi nhãn sai là nguyên nhân phổ biến của thu hồi sản phẩm và khiếu nại khách hàng, trong khi công nghệ OCR hiện nay đã rất trưởng thành và dễ triển khai.
Phân loại và đếm sản phẩm
Phân loại sản phẩm (classification) là việc xếp mỗi sản phẩm vào một nhóm: đạt, lỗi loại A (sửa được), lỗi loại B (loại bỏ), hoặc phân hạng chất lượng (loại 1, loại 2, loại 3). Hệ thống cũng có thể đếm số lượng chi tiết trong một hộp, kiểm tra đủ/khuyết linh kiện trong một cụm lắp ráp (ví dụ thiếu một con ốc trên bo mạch), hoặc xác minh đúng linh kiện đã được lắp (đúng mã, đúng màu, đúng chiều). Nhiệm vụ này thường kết hợp cả phát hiện vật thể (object detection) và phân loại ảnh.
Bốn cách mô hình “nhìn” sản phẩm: phân loại ảnh, object detection, segmentation và anomaly detection
Không có một mô hình duy nhất cho mọi bài toán kiểm tra. Bốn cách tiếp cận dưới đây là bốn “kiểu nhìn” khác nhau của Computer Vision, mỗi cách phù hợp với một dạng nhiệm vụ riêng. Chọn sai cách tiếp cận là nguyên nhân phổ biến khiến dự án triển khai chậm hoặc kết quả không đạt yêu cầu.
Phân loại ảnh (image classification)
Phân loại ảnh là mô hình trả lời một câu hỏi duy nhất cho toàn bộ bức ảnh: “ảnh này thuộc loại nào?” — ví dụ “đạt” hay “lỗi”, “loại A” hay “loại B”. Đây là cách tiếp cận đơn giản nhất: chỉ cần gán nhãn cho cả ảnh, không cần khoanh vùng lỗi nằm ở đâu. Phân loại ảnh phù hợp khi quyết định chỉ cần ở mức toàn bộ sản phẩm, chẳng hạn kiểm tra xem một vỉ thuốc có đủ viên không nhìn từ tổng thể, hay phân hạng trái cây theo màu sắc bề mặt. Ưu điểm là dễ huấn luyện, cần ít dữ liệu gán nhãn, suy luận nhanh. Nhược điểm là không cho biết lỗi nằm ở đâu, và khi ảnh chứa nhiều chi tiết, mô hình có thể học nhầm tín hiệu không liên quan (ví dụ phân biệt đạt/lỗi dựa vào ánh sáng nền thay vì bề mặt sản phẩm).
Phát hiện vật thể (object detection)
Object detection là mô hình vừa xác định “có vật gì” vừa khoanh vùng “nó nằm ở đâu” bằng hộp bao (bounding box). Trong kiểm tra chất lượng, object detection dùng để đếm và định vị: có đủ 6 con ốc không, linh kiện có nằm đúng vị trí không, mã vạch nằm ở đâu trong ảnh để đọc tiếp. Các họ mô hình như YOLO (You Only Look Once) nổi tiếng với tốc độ suy luận rất nhanh, phù hợp chạy ngay tại dây chuyền. Ưu điểm là cho ra vị trí cụ thể của từng đối tượng, dễ tích hợp với bước xử lý tiếp theo (đo kích thước vùng đó, đọc mã trong vùng đó). Nhược điểm là hộp bao chỉ là hình chữ nhật — không mô tả chính xác hình dạng của lỗi có biên dạng phức tạp, và việc gán nhãn hộp bao tốn công hơn gán nhãn cả ảnh.
Phân đoạn ảnh (segmentation)
Segmentation là mô hình gán nhãn cho từng pixel: pixel nào thuộc về lỗi, pixel nào thuộc về nền, pixel nào thuộc về từng bộ phận của sản phẩm. Kết quả là một “mặt nạ” (mask) vẽ chính xác biên dạng của vùng lỗi. Segmentation phù hợp khi cần đo diện tích lỗi (vết xước chiếm bao nhiêu phần trăm bề mặt), xác định hình dạng lỗi, hoặc tách sản phẩm khỏi nền phức tạp trước khi kiểm tra. Ưu điểm là thông tin chi tiết nhất trong bốn cách — biết chính xác lỗi ở đâu, lớn cỡ nào, hình dạng ra sao. Nhược điểm là gán nhãn để huấn luyện tốn công nhất (phải tô từng vùng lỗi theo pixel), mô hình nặng hơn và suy luận chậm hơn, nên thường chỉ dùng cho những công đoạn thực sự cần độ chi tiết đó.
Phát hiện bất thường (anomaly detection)
Anomaly detection là cách tiếp cận khác hẳn ba cách trên: thay vì dạy mô hình “lỗi trông như thế nào”, người ta chỉ cho mô hình xem thật nhiều ảnh sản phẩm tốt, để mô hình học được “sản phẩm tốt trông như thế nào”. Khi một sản phẩm mới đi qua, mô hình đo mức độ khác biệt so với mẫu tốt; khác biệt vượt ngưỡng thì báo lỗi. Ưu điểm lớn nhất là không cần thu thập ảnh lỗi — vốn hiếm và khó gom đủ các dạng — và có thể bắt được dạng lỗi chưa từng gặp trước đây. Nhược điểm là khó xác định ngưỡng: đặt ngưỡng thấp thì báo lỗi giả nhiều, đặt cao thì lọt lỗi thật; đồng thời mô hình nhạy cảm với thay đổi bình thường của sản phẩm (ví dụ đổi nhà cung cấp nguyên liệu làm màu sắc hơi khác) và có thể báo lỗi hàng loạt nếu không hiệu chuẩn lại.
| Cách tiếp cận | Câu hỏi mô hình trả lời | Dữ liệu gán nhãn cần có | Ưu điểm chính | Hạn chế chính | Dùng khi nào |
|---|---|---|---|---|---|
| Phân loại ảnh | Ảnh này thuộc loại nào? | Nhãn cho cả ảnh (đạt/lỗi) | Đơn giản, nhanh, ít dữ liệu | Không biết lỗi ở đâu | Quyết định đạt/lỗi ở mức toàn bộ sản phẩm |
| Object detection | Vật gì ở đâu? | Hộp bao quanh từng đối tượng | Định vị, đếm, kiểm tra đủ/khuyết | Hộp bao không mô tả chính xác biên dạng lỗi | Kiểm tra đủ linh kiện, đúng vị trí, đọc mã |
| Segmentation | Pixel nào thuộc lỗi? | Tô vùng lỗi theo từng pixel | Chi tiết nhất: vị trí, diện tích, hình dạng lỗi | Gán nhãn tốn công, suy luận chậm hơn | Cần đo diện tích lỗi hoặc tách sản phẩm khỏi nền |
| Anomaly detection | Sản phẩm này có khác mẫu tốt không? | Chủ yếu cần ảnh sản phẩm tốt | Không cần ảnh lỗi, bắt được lỗi mới chưa từng gặp | Khó đặt ngưỡng, nhạy với thay đổi bình thường | Lỗi hiếm, đa dạng, khó thu thập đủ mẫu lỗi |
Trên thực tế, nhiều hệ thống kiểm tra dùng kết hợp nhiều cách tiếp cận trong một pipeline: object detection tìm vị trí sản phẩm và cắt ảnh đúng vùng cần kiểm tra, anomaly detection sàng lọc nhanh những sản phẩm bất thường, rồi classification hoặc segmentation phân tích sâu vùng nghi ngờ để ra quyết định cuối cùng. Thiết kế theo tầng như vậy vừa nhanh (chỉ phân tích sâu khi cần) vừa chính xác, và là kiến trúc phổ biến trong các hệ thống kiểm tra công nghiệp hiện nay.
Cơ chế hoạt động: từ pixel đến quyết định đạt hay lỗi
Một trạm kiểm tra bằng Computer Vision vận hành theo chuỗi năm bước, mỗi bước đều có thể là điểm hỏng nếu làm ẩu. Hiểu chuỗi này giúp nhà máy xác định đúng chỗ cần đầu tư và đúng chỗ cần sửa khi hệ thống chạy chưa tốt.
Bước 1: Chụp ảnh — phần cứng quyết định chất lượng đầu vào
Camera công nghiệp (thường là USB3 hoặc GigE) chụp ảnh sản phẩm khi cảm biến phát hiện sản phẩm đã vào đúng vị trí. Hai yếu tố quyết định chất lượng ảnh là độ phân giải và ánh sáng. Độ phân giải phải đủ để lỗi nhỏ nhất cần phát hiện chiếm ít nhất vài pixel — quy tắc thực hành phổ biến là lỗi nhỏ nhất cần chiếm tối thiểu 3–5 pixel thì mô hình mới phân biệt được với nhiễu. Ánh sáng quan trọng không kém: ánh sáng kiểm soát (đèn vòng, đèn vòm, đèn ngược sáng/backlight) giúp loại bỏ bóng đổ và phản xạ, làm nổi bật đúng đặc trưng cần kiểm tra. Nhiều dự án thất bại không phải vì mô hình kém, mà vì ánh sáng nhà xưởng thay đổi theo giờ trong ngày — buổi sáng nắng chiếu qua cửa sổ khác buổi chiều — khiến ảnh đầu vào không ổn định.
Bước 2: Tiền xử lý ảnh
Ảnh thô được tiền xử lý trước khi đưa vào mô hình: căn chỉnh (xoay, dịch chuyển sản phẩm về vị trí chuẩn), cắt đúng vùng quan tâm (ROI — region of interest), chuẩn hóa độ sáng và độ tương phản. Bước này loại bỏ phần lớn biến động không liên quan đến chất lượng — sản phẩm đặt hơi lệch, ánh sáng hơi khác — để mô hình tập trung vào đúng đặc trưng lỗi. Với sản phẩm có nền phức tạp, bước tiền xử lý còn gồm tách nền (background removal) để mô hình không học nhầm tín hiệu từ băng chuyền hay vật xung quanh.
Bước 3: Suy luận bằng mô hình học sâu
Mô hình học sâu — thường là mạng nơ-ron tích chập (CNN) hoặc kiến trúc transformer thị giác — phân tích ảnh và đưa ra kết quả: nhãn phân loại, hộp bao quanh vật thể, mặt nạ vùng lỗi, hoặc điểm số bất thường. Trong sản xuất, suy luận hầu như luôn chạy tại biên (edge): trên máy tính công nghiệp đặt cạnh dây chuyền hoặc ngay trong camera thông minh, chứ không gửi ảnh lên cloud. Lý do là độ trễ: quyết định đạt/lỗi phải có trong vài chục đến vài trăm mili-giây để kịp điều khiển cơ cấu loại bỏ sản phẩm; gửi ảnh lên cloud rồi chờ phản hồi thường không đáp ứng được yêu cầu này. Huấn luyện mô hình thì ngược lại — thường thực hiện trên cloud hoặc máy chủ GPU rồi mới triển khai mô hình đã huấn luyện xong xuống edge.
Bước 4: Ra quyết định theo ngưỡng
Kết quả của mô hình là một con số (điểm số tin cậy, diện tích lỗi, độ lệch kích thước), và hệ thống chuyển con số đó thành quyết định đạt/lỗi bằng ngưỡng quyết định (threshold). Đặt ngưỡng là một quyết định kinh doanh, không chỉ là quyết định kỹ thuật: ngưỡng chặt thì ít lọt lỗi thật nhưng nhiều sản phẩm tốt bị loại nhầm (false reject — tốn chi phí phế phẩm), ngưỡng lỏng thì ít loại nhầm nhưng dễ lọt lỗi (false negative — tốn chi phí thu hồi, khiếu nại, mất uy tín). Ngưỡng đúng được xác định bằng dữ liệu thực tế: chạy hệ thống song song với kiểm tra thủ công một thời gian, đối chiếu kết quả, rồi chọn ngưỡng cân bằng giữa hai loại sai lầm theo chi phí thực của từng loại.
Bước 5: Hành động và ghi lại dữ liệu
Sau quyết định, hệ thống kích hoạt cơ cấu loại bỏ (đẩy khí nén, gạt tay máy, chuyển hướng băng chuyền) để tách sản phẩm lỗi, đồng thời ghi lại ảnh, kết quả và thông số của từng sản phẩm vào cơ sở dữ liệu. Dữ liệu này có hai giá trị lớn: thứ nhất là truy xuất nguồn gốc — khi khách hàng khiếu nại, nhà máy có ảnh của đúng sản phẩm đó để đối chiếu; thứ hai là cải tiến liên tục — ảnh lỗi thật thu thập được trong vận hành chính là dữ liệu huấn luyện quý giá nhất để cải thiện mô hình ở vòng lặp tiếp theo.
Quy trình triển khai: sáu bước từ khảo sát đến vận hành
Các hướng dẫn triển khai thực tế trong ngành thống nhất rằng một dự án kiểm tra bằng Computer Vision nên đi theo sáu bước, với tổng thời gian từ khởi động đến vận hành thường khoảng 8–16 tuần cho một trạm kiểm tra đầu tiên (theo hướng dẫn triển khai của Oxmaint, tháng 8/2026). Đi đúng trình tự giúp tránh lỗi phổ biến nhất: mua phần cứng và huấn luyện mô hình trước khi biết rõ mình cần kiểm tra cái gì.
Bước 1: Định nghĩa bài toán và tiêu chuẩn lỗi
Trước khi mua bất cứ thứ gì, hãy trả lời bằng văn bản: kiểm tra cái gì, lỗi nào là quan trọng nhất, tiêu chuẩn đạt/lỗi cụ thể ra sao, sản phẩm lỗi hiện chiếm bao nhiêu phần trăm, và kiểm tra thủ công hiện bỏ lọt bao nhiêu. Lập bảng phân loại lỗi (defect taxonomy): liệt kê từng dạng lỗi, mô tả bằng hình ảnh mẫu, xếp hạng mức độ nghiêm trọng (lỗi nghiêm trọng phải bắt 100%, lỗi thẩm mỹ nhẹ có thể chấp nhận tỷ lệ lọt nhất định). Bảng này là tài liệu gốc cho mọi bước sau — từ chọn camera, gán nhãn dữ liệu, đến đặt ngưỡng quyết định. Nhiều dự án thất bại vì bước này làm qua loa: tiêu chuẩn lỗi chỉ nằm trong đầu của tổ trưởng kiểm tra, mỗi người hiểu một khác, thì mô hình không thể học được tiêu chuẩn thống nhất.
Bước 2: Chọn camera, ống kính và ánh sáng
Dựa trên kích thước lỗi nhỏ nhất cần phát hiện và tốc độ dây chuyền, chọn camera có độ phân giải và tốc độ khung hình phù hợp, ống kính có tiêu cự phù hợp với khoảng cách lắp đặt, và phương án ánh sáng làm nổi bật đúng loại lỗi (đèn vòm cho bề mặt phản xạ, đèn ngược sáng cho kiểm tra biên dạng và lỗ thủng, đèn chiếu góc hẹp cho vết xước). Bước này nên làm thử nghiệm thực tế: chụp thử sản phẩm thật với vài phương án ánh sáng khác nhau, so sánh ảnh nào làm lỗi hiện rõ nhất. Chi phí phần cứng cho một trạm kiểm tra đơn lẻ thường rơi vào khoảng vài nghìn đến hơn mười nghìn đô la cho camera và ánh sáng, theo các khảo sát chi phí triển khai năm 2026 — con số cụ thể phụ thuộc nhiều vào độ phân giải và tốc độ yêu cầu.
Bước 3: Thu thập và gán nhãn dữ liệu
Thu thập ảnh sản phẩm thật trên dây chuyền thật, trong điều kiện vận hành thật — bao gồm cả ảnh sản phẩm tốt và ảnh các dạng lỗi đã biết. Dữ liệu thu thập trong phòng thí nghiệm với ánh sáng lý tưởng thường không đại diện cho dây chuyền thật, và mô hình huấn luyện trên dữ liệu đó sẽ hoạt động kém khi đưa vào sản xuất. Gán nhãn là công việc tốn thời gian nhất của dự án: cần người am hiểu tiêu chuẩn chất lượng khoanh vùng hoặc phân loại từng ảnh. Thực hành tốt là gán nhãn theo nhóm hai người độc lập rồi đối chiếu, vì nhãn sai là nguyên nhân âm thầm nhưng phổ biến khiến mô hình học sai. Với lỗi hiếm, nên kết hợp thu thập ảnh lỗi thật với kỹ thuật anomaly detection (chỉ cần ảnh tốt) và dữ liệu tổng hợp (synthetic data — tạo ảnh lỗi giả lập bằng mô phỏng hoặc mô hình sinh ảnh) để bổ sung; một nghiên cứu công bố tháng 4/2026 trên arXiv cho thấy tạo ảnh lỗi tổng hợp bằng mô hình diffusion few-shot giúp cải thiện độ chính xác phát hiện trong điều kiện ánh sáng và hướng sản phẩm đa dạng.
Bước 4: Huấn luyện và đánh giá mô hình
Huấn luyện mô hình trên dữ liệu đã gán nhãn, rồi đánh giá trên tập dữ liệu kiểm thử mà mô hình chưa từng thấy — tốt nhất là ảnh thu thập vào ngày khác, ca khác, để kiểm tra mô hình có khái quát hóa được hay chỉ “học thuộc” dữ liệu huấn luyện. Hai chỉ số cần theo dõi song song: tỷ lệ bắt lỗi (recall) — trong các sản phẩm lỗi thật, mô hình bắt được bao nhiêu; và tỷ lệ loại nhầm (false reject rate) — trong các sản phẩm tốt, mô hình loại nhầm bao nhiêu. Một hệ thống được hiệu chuẩn tốt thường đạt tỷ lệ bắt lỗi 97–99% trở lên với tỷ lệ loại nhầm dưới 0,5–1%, theo các hướng dẫn triển khai thực tế năm 2026. Nếu hai chỉ số không đạt đồng thời, thường là dữ liệu chưa đủ hoặc ánh sáng chưa ổn định — cần quay lại bước 2 và 3 thay vì cố tinh chỉnh mô hình.
Bước 5: Tích hợp vào dây chuyền và hệ thống hiện hữu
Lắp đặt trạm kiểm tra lên dây chuyền thật, kết nối tín hiệu với PLC hoặc hệ thống điều khiển dây chuyền để đồng bộ thời điểm chụp và cơ cấu loại bỏ, và kết nối kết quả kiểm tra với hệ thống quản lý chất lượng (QMS) hoặc MES để lưu trữ và báo cáo. Giai đoạn này cần chạy song song với kiểm tra thủ công trong một thời gian: hệ thống AI ra quyết định nhưng chưa loại bỏ sản phẩm thật, nhân viên kiểm tra đối chiếu và xác nhận, cho đến khi độ tin cậy được chứng minh. Cách triển khai song song này giảm rủi ro dừng dây chuyền và giúp đội vận hành tin tưởng vào hệ thống.
Bước 6: Vận hành, giám sát và cải tiến liên tục
Sau khi đưa vào vận hành, cần giám sát ba thứ: tỷ lệ bắt lỗi và loại nhầm theo thời gian (mô hình có thể suy giảm chất lượng khi nguyên liệu, nhà cung cấp hoặc điều kiện dây chuyền thay đổi), phân phối điểm số bất thường (để phát hiện sớm khi sản phẩm bắt đầu lệch chuẩn), và các trường hợp hệ thống ra quyết định sai do con người phản hồi. Thiết lập quy trình human-in-the-loop: những trường hợp hệ thống không chắc chắn (điểm số gần ngưỡng) được chuyển cho nhân viên kiểm tra quyết định, và quyết định đó được ghi lại làm dữ liệu huấn luyện cho vòng cải tiến tiếp theo. Mô hình kiểm tra chất lượng không phải là sản phẩm “làm một lần xong mãi mãi” — nó cần được huấn luyện lại định kỳ khi sản phẩm, nguyên liệu hoặc tiêu chuẩn thay đổi.
So sánh với kiểm tra thủ công và AOI truyền thống
Để quyết định có nên đầu tư, cần đặt Computer Vision cạnh hai phương án đang tồn tại: kiểm tra thủ công bằng mắt người và AOI (Automated Optical Inspection) truyền thống dùng quy tắc xử lý ảnh cổ điển.
Computer Vision so với kiểm tra thủ công
Kiểm tra thủ công có ưu điểm là linh hoạt — con người thích ứng nhanh với sản phẩm mới, đánh giá được những khía cạnh chủ quan như độ thẩm mỹ tổng thể, và không cần đầu tư phần cứng. Nhưng hạn chế là cố hữu: nghiên cứu của Sandia National Laboratories cho thấy thanh tra viên bỏ lọt 20–30% lỗi trong điều kiện sản xuất thực tế, và độ chính xác giảm rõ rệt theo thời gian làm việc do mỏi mắt và mất tập trung. Một so sánh trong ngành cho thấy hệ thống AI giữ độ chính xác phát hiện ở mức khoảng 99,2% bất kể độ dài ca làm việc, trong khi thanh tra viên được đào tạo đạt khoảng 87% và giảm xuống 70% sau 4 giờ liên tục; thời gian kiểm tra mỗi sản phẩm giảm từ khoảng 38 giây xuống 2,4 giây (theo IIoT World, 2026). Ngoài ra kiểm tra thủ công thường chỉ kiểm tra mẫu (sampling) — ví dụ 5–10% sản lượng — nên lỗi trong phần không được kiểm tra sẽ lọt ra thị trường. Computer Vision kiểm tra 100% sản phẩm, và mỗi quyết định đều có ảnh lưu lại làm bằng chứng.
Computer Vision so với AOI truyền thống
AOI truyền thống dùng các quy tắc xử lý ảnh do kỹ sư lập trình sẵn: ngưỡng màu, so sánh với ảnh mẫu chuẩn (golden sample), đo cạnh bằng thuật toán cổ điển. AOI rất chính xác với sản phẩm có hình dạng ổn định, lỗi được định nghĩa rõ ràng bằng quy tắc (ví dụ linh kiện thiếu trên bo mạch), và không cần dữ liệu huấn luyện. Nhưng AOI kém linh hoạt: khi sản phẩm thay đổi mẫu mã, khi nguyên liệu đổi màu sắc, hoặc khi lỗi có hình dạng đa dạng không thể mô tả bằng quy tắc, hệ thống AOI cần kỹ sư viết lại quy tắc — tốn thời gian và dễ báo lỗi giả. Computer Vision học sâu xử lý tốt các trường hợp này vì mô hình học từ dữ liệu thay vì từ quy tắc cứng: đổi mẫu sản phẩm chỉ cần huấn luyện lại với dữ liệu mới. Trên thực tế hai công nghệ thường bổ sung cho nhau: AOI xử lý các kiểm tra hình học xác định (đo kích thước, kiểm tra đủ linh kiện), AI xử lý các kiểm tra mang tính nhận biết mẫu (lỗi bề mặt phức tạp, phân loại thẩm mỹ). Nhà máy không nhất thiết phải thay thế AOI đang chạy tốt — mà nên dùng AI cho đúng những bài toán mà AOI làm chưa tốt.
| Tiêu chí | Kiểm tra thủ công | AOI truyền thống (quy tắc) | Computer Vision học sâu |
|---|---|---|---|
| Phạm vi kiểm tra | Thường kiểm tra mẫu 5–10% | 100% sản phẩm | 100% sản phẩm |
| Độ chính xác phát hiện | Khoảng 70–87%, giảm theo thời gian làm việc | Cao với lỗi định nghĩa được bằng quy tắc | Khoảng 97–99% khi được hiệu chuẩn tốt, ổn định cả ca |
| Tốc độ | Chậm, khoảng 38 giây/sản phẩm trong ví dụ so sánh | Nhanh, theo tốc độ dây chuyền | Nhanh, khoảng 2,4 giây/sản phẩm trong ví dụ so sánh |
| Linh hoạt với sản phẩm mới | Rất linh hoạt | Kém — cần viết lại quy tắc | Tốt — huấn luyện lại với dữ liệu mới |
| Lỗi phức tạp, đa dạng | Tốt (con người nhận biết mẫu giỏi) | Kém | Tốt, đặc biệt với anomaly detection |
| Bằng chứng kiểm tra | Không có ảnh lưu lại | Có ảnh và kết quả đo | Có ảnh, kết quả và dữ liệu để cải tiến mô hình |
| Chi phí đầu tư ban đầu | Thấp | Trung bình đến cao | Trung bình đến cao (phần cứng + dữ liệu + huấn luyện) |
| Chi phí vận hành dài hạn | Chi phí nhân công tăng theo sản lượng | Chi phí bảo trì quy tắc khi đổi sản phẩm | Chi phí huấn luyện lại khi đổi sản phẩm/nguyên liệu |
Ví dụ thực tế theo ngành
Điện tử: kiểm tra bo mạch và linh kiện
Trong sản xuất điện tử, Computer Vision kiểm tra bo mạch in (PCB) sau công đoạn hàn: thiếu linh kiện, linh kiện đặt sai chiều, cầu hàn (solder bridging), hàn thiếu, vết nứt trên mối hàn. Đây là bài toán kết hợp object detection (đếm và định vị linh kiện) với phát hiện lỗi bề mặt (đánh giá chất lượng mối hàn). Một ví dụ được ghi nhận trong ngành: Schneider Electric đã tăng gấp đôi năng suất sản lượng và loại bỏ hầu hết các trường hợp loại nhầm sau khi triển khai nền tảng thị giác AI OneVision của Cognex trên các dây chuyền sản xuất (theo IIoT World, 2026). Ở quy mô bán dẫn, TSMC sử dụng nền tảng NVIDIA Metropolis với bộ công cụ TAO Toolkit để phát hiện lỗi ở cấp độ nanomet trong quá trình chế tạo chip — cho thấy cùng một nguyên lý kiểm tra bằng hình ảnh có thể mở rộng từ linh kiện thông thường đến sản phẩm có độ chính xác cực cao.
Dệt may: phát hiện lỗi vải và kiểm tra thành phẩm
Trong dệt may, lỗi thường là lỗi vải (rách, thủng, sợi lỗi, loang màu) và lỗi may (đường may lệch, thiếu khuy, sai kích cỡ). Camera quét vải chạy liên tục trên băng chuyền, mô hình phát hiện vùng lỗi và đánh dấu vị trí để cắt bỏ hoặc hạ cấp. Thách thức đặc thù của ngành dệt là vải có kết cấu lặp lại và lỗi có thể rất nhỏ so với khổ vải lớn, nên cần camera độ phân giải cao và mô hình segmentation để khoanh đúng vùng lỗi. Một lợi thế lớn của AI trong ngành này là tính nhất quán: tiêu chuẩn lỗi vải của con người thay đổi theo người kiểm tra và theo ca, còn mô hình áp dụng đúng một tiêu chuẩn cho mọi mét vải.
Thực phẩm: phân loại, phát hiện dị vật và kiểm tra bao bì
Trong thực phẩm, Computer Vision phục vụ ba việc: phân loại nông sản theo kích cỡ, màu sắc và độ chín; phát hiện dị vật (mảnh kim loại, nhựa, xương) lẫn trong sản phẩm; và kiểm tra bao bì — nhãn dán đúng vị trí, ngày sản xuất và hạn sử dụng in rõ và chính xác, nắp đóng kín, màng co không rách. Đây là ngành mà tốc độ dây chuyền rất cao và điều kiện vệ sinh khắt khe, nên hệ thống kiểm tra phải chạy hoàn toàn tự động, không tiếp xúc, và camera phải chịu được môi trường ẩm, nhiệt độ thấp hoặc cần vệ sinh thường xuyên. Kiểm tra nhãn bằng OCR đặc biệt quan trọng ở đây vì in sai ngày sản xuất hoặc hạn sử dụng là lỗi có thể dẫn đến thu hồi toàn bộ lô hàng.
Bao bì: in ấn, dán nhãn và đóng gói
Trong sản xuất bao bì, hệ thống kiểm tra chất lượng in (màu sắc, độ sắc nét, vị trí hình in), kiểm tra nhãn (đủ nhãn, đúng vị trí, không nhăn), và kiểm tra đóng gói (đủ số lượng trong thùng, nắp đậy kín, màng co nguyên vẹn). Bao bì là ngành mà lỗi thẩm mỹ chiếm tỷ trọng lớn — in lem, lệch màu, nhăn nhãn — nên mô hình phân loại ảnh và anomaly detection được dùng nhiều, vì các lỗi này khó mô tả bằng quy tắc cứng nhưng lại có mẫu hình ảnh rõ ràng để học. Một xu hướng năm 2026 là chuyển từ kiểm tra mẫu sang kiểm tra 100% bằng hình ảnh trên toàn bộ sản lượng, vì chi phí camera và tính toán đã giảm đủ để việc này khả thi ngay cả với nhà máy vừa và nhỏ.
Chi phí và ROI: tính đúng để quyết định đúng
Không có một con số chi phí chung cho mọi nhà máy, vì chi phí phụ thuộc vào độ phân giải camera, tốc độ dây chuyền, số lượng trạm kiểm tra và mức độ tích hợp. Thay vì tìm một con số tuyệt đối, nhà máy nên tính ROI theo nguyên tắc: tổng chi phí sở hữu trong 3 năm so với tổng chi phí của lỗi lọt và kiểm tra thủ công trong cùng kỳ. Các thành phần chi phí cần tính gồm: phần cứng (camera, ống kính, ánh sáng, máy tính edge, cơ cấu loại bỏ), phần mềm và mô hình (mua nền tảng hoặc thuê phát triển), dữ liệu (thu thập và gán nhãn), tích hợp (kết nối PLC, MES, QMS), và vận hành (huấn luyện lại mô hình, bảo trì, hiệu chuẩn định kỳ).
Phía lợi ích gồm bốn khoản: giảm chi phí kiểm tra thủ công (nhân công kiểm tra, đào tạo, quản lý ca), giảm chi phí lỗi lọt (thu hồi sản phẩm, bồi thường, khiếu nại, mất khách hàng), giảm phế phẩm do loại nhầm ít hơn (khi hệ thống được hiệu chuẩn tốt, tỷ lệ loại nhầm thấp hơn kiểm tra thủ công thiếu nhất quán), và giá trị dữ liệu (ảnh và kết quả kiểm tra từng sản phẩm giúp truy xuất nguồn gốc và cải tiến quy trình). Một nghiên cứu độc lập của Forrester về tác động kinh tế (Total Economic Impact) được trích dẫn trong ngành báo cáo ROI 310% trong ba năm với thời gian hoàn vốn dưới 6 tháng cho một giải pháp AI trong sản xuất — nhưng đây là kết quả của một trường hợp cụ thể, không phải cam kết áp dụng cho mọi nhà máy. Các hướng dẫn triển khai thực tế cho rằng thời gian hoàn vốn điển hình của một trạm kiểm tra hình ảnh được xác định phạm vi tốt là trong vòng 12 tháng, và tổng chi phí cho một trạm đơn lẻ thường nằm trong khoảng 25.000–120.000 đô la Mỹ (theo hướng dẫn của Oxmaint, 2026) — trong đó camera và ánh sáng chiếm phần nhỏ, còn phát triển phần mềm/mô hình và tích hợp chiếm phần lớn.
Nguyên tắc quan trọng khi tính ROI: bắt đầu từ bài toán có chi phí lỗi cao nhất. Một lỗi lọt ra thị trường gây thu hồi sản phẩm sẽ tốn kém gấp nhiều lần một lỗi bị bắt lại trong nhà máy; vì vậy trạm kiểm tra đầu tiên nên đặt ở công đoạn mà lỗi lọt gây thiệt hại lớn nhất, không phải công đoạn dễ triển khai nhất. Ngoài ra, hãy tính cả chi phí cơ hội của việc không kiểm tra 100%: khi khách hàng yêu cầu bằng chứng kiểm tra từng sản phẩm (ngày càng phổ biến trong chuỗi cung ứng điện tử và ô tô), nhà máy có hệ thống kiểm tra bằng hình ảnh sẽ đáp ứng được yêu cầu mà đối thủ kiểm tra mẫu không đáp ứng được.
Những lỗi thường gặp khi triển khai
- Ánh sáng không kiểm soát: dùng ánh sáng nhà xưởng thay vì ánh sáng kiểm soát cho trạm kiểm tra. Ảnh đầu vào thay đổi theo giờ trong ngày khiến mô hình lúc đúng lúc sai mà không rõ nguyên nhân.
- Tiêu chuẩn lỗi không thống nhất: không có bảng phân loại lỗi bằng văn bản và hình ảnh mẫu. Mỗi người gán nhãn hiểu một khác, dữ liệu huấn luyện mâu thuẫn, mô hình học sai.
- Dữ liệu huấn luyện không đại diện: chỉ thu thập ảnh sản phẩm tốt và vài ảnh lỗi trong phòng thí nghiệm, rồi ngạc nhiên khi mô hình chạy kém trên dây chuyền thật với đủ loại biến động.
- Chọn sai cách tiếp cận: dùng phân loại ảnh cho bài toán cần biết vị trí lỗi, hoặc dùng segmentation cho bài toán chỉ cần quyết định đạt/lỗi — tốn chi phí gán nhãn và tính toán không cần thiết.
- Ngưỡng đặt theo cảm tính: đặt ngưỡng quyết định mà không chạy song song với kiểm tra thủ công để đo tỷ lệ bắt lỗi và loại nhầm thực tế, dẫn đến hoặc lọt lỗi hoặc loại nhầm hàng loạt.
- Bỏ qua tích hợp: hệ thống kiểm tra chạy độc lập, không kết nối với PLC để loại bỏ sản phẩm lỗi tự động và không lưu dữ liệu vào QMS — kết quả là vẫn cần người đứng canh để xử lý thủ công.
- Không có kế hoạch huấn luyện lại: triển khai xong rồi bỏ đó. Khi đổi nguyên liệu, đổi mẫu mã hoặc tiêu chuẩn thay đổi, mô hình cũ dần báo sai mà không ai phát hiện cho đến khi khách hàng khiếu nại.
- Kỳ vọng không thực tế: tin rằng AI sẽ đạt độ chính xác 100% ngay từ đầu. Thực tế, hệ thống cần vài tuần vận hành và hiệu chuẩn để đạt độ chính xác sản xuất, và vẫn cần cơ chế human-in-the-loop cho các trường hợp chưa chắc chắn.
Checklist triển khai kiểm tra chất lượng bằng Computer Vision
- Đã lập bảng phân loại lỗi bằng văn bản và hình ảnh mẫu, có xếp hạng mức độ nghiêm trọng.
- Đã xác định công đoạn kiểm tra đầu tiên theo chi phí lỗi lọt cao nhất, không phải theo độ dễ triển khai.
- Đã thử nghiệm camera và ánh sáng trên sản phẩm thật, xác nhận lỗi nhỏ nhất cần phát hiện hiện rõ trong ảnh.
- Đã thu thập ảnh trên dây chuyền thật, đủ cả ảnh tốt và ảnh các dạng lỗi, với điều kiện vận hành thực tế.
- Đã gán nhãn dữ liệu bởi người am hiểu tiêu chuẩn chất lượng, có đối chiếu chéo giữa người gán nhãn.
- Đã chọn cách tiếp cận mô hình phù hợp bài toán (classification / detection / segmentation / anomaly detection).
- Đã đánh giá mô hình trên dữ liệu ngày khác, ca khác — đo cả tỷ lệ bắt lỗi và tỷ lệ loại nhầm.
- Đã đặt ngưỡng quyết định dựa trên dữ liệu chạy song song với kiểm tra thủ công, cân bằng chi phí lọt lỗi và chi phí loại nhầm.
- Đã tích hợp với PLC để loại bỏ sản phẩm lỗi tự động và với QMS/MES để lưu trữ kết quả và ảnh.
- Đã có quy trình human-in-the-loop cho trường hợp hệ thống không chắc chắn.
- Đã lên lịch hiệu chuẩn và huấn luyện lại mô hình định kỳ khi đổi nguyên liệu, mẫu mã hoặc tiêu chuẩn.
- Đã tính ROI theo tổng chi phí sở hữu 3 năm so với chi phí lỗi lọt và kiểm tra thủ công.
Câu hỏi thường gặp (FAQs)
Nhận diện hình ảnh trong kiểm tra chất lượng sản xuất là gì?
Nhận diện hình ảnh trong kiểm tra chất lượng sản xuất là việc dùng camera công nghiệp và mô hình trí tuệ nhân tạo (Computer Vision) để tự động đánh giá từng sản phẩm ngay trên dây chuyền: phát hiện lỗi bề mặt, đo kích thước, đọc mã và nhãn, rồi phân loại sản phẩm đạt hay lỗi mà không cần dừng máy. Hệ thống chụp ảnh sản phẩm, mô hình học sâu phân tích hình ảnh để phát hiện khuyết tật hoặc sai lệch so với chuẩn, rồi điều khiển cơ cấu loại bỏ sản phẩm lỗi. Khác với kiểm tra thủ công chỉ kiểm tra mẫu, Computer Vision kiểm tra được 100% sản phẩm với độ ổn định không đổi suốt ca làm việc.
Computer Vision khác gì với kiểm tra thủ công bằng mắt người?
Computer Vision kiểm tra 100% sản phẩm ở tốc độ dây chuyền với độ chính xác ổn định, trong khi kiểm tra thủ công thường chỉ kiểm tra mẫu 5–10% và độ chính xác giảm theo thời gian do mỏi mắt. Nghiên cứu của Sandia National Laboratories cho thấy thanh tra viên bỏ lọt 20–30% lỗi trong điều kiện sản xuất thực tế, còn hệ thống AI giữ độ chính xác phát hiện ở mức khoảng 99,2% bất kể độ dài ca làm việc. Tuy nhiên con người vẫn linh hoạt hơn với sản phẩm mới và đánh giá được khía cạnh thẩm mỹ chủ quan. Cách làm tốt nhất là kết hợp: AI kiểm tra toàn bộ sản phẩm, con người xử lý các trường hợp hệ thống chưa chắc chắn và đánh giá những tiêu chuẩn mang tính chủ quan.
Computer Vision khác gì với AOI truyền thống?
AOI truyền thống dùng các quy tắc xử lý ảnh do kỹ sư lập trình sẵn (ngưỡng màu, so sánh với ảnh mẫu chuẩn), rất chính xác với sản phẩm ổn định và lỗi định nghĩa được bằng quy tắc, nhưng kém linh hoạt khi sản phẩm thay đổi mẫu mã hoặc lỗi có hình dạng đa dạng. Computer Vision học sâu học từ dữ liệu thay vì từ quy tắc cứng, nên xử lý tốt lỗi phức tạp và chỉ cần huấn luyện lại khi đổi sản phẩm. Trên thực tế hai công nghệ thường bổ sung cho nhau: AOI xử lý các kiểm tra hình học xác định như đo kích thước và kiểm tra đủ linh kiện, AI xử lý các kiểm tra mang tính nhận biết mẫu như lỗi bề mặt phức tạp và phân loại thẩm mỹ.
Nên chọn phân loại ảnh, object detection, segmentation hay anomaly detection?
Chọn theo câu hỏi mà bài toán cần trả lời. Dùng phân loại ảnh khi chỉ cần quyết định đạt/lỗi ở mức toàn bộ sản phẩm; dùng object detection khi cần đếm, định vị và kiểm tra đủ/khuyết linh kiện; dùng segmentation khi cần biết chính xác vị trí, diện tích và hình dạng của vùng lỗi; dùng anomaly detection khi lỗi hiếm và đa dạng, khó thu thập đủ ảnh lỗi để huấn luyện. Nhiều hệ thống thực tế kết hợp nhiều cách trong một pipeline: object detection tìm vị trí sản phẩm, anomaly detection sàng lọc nhanh, rồi classification hoặc segmentation phân tích sâu vùng nghi ngờ để ra quyết định cuối cùng.
Cần bao nhiêu ảnh để huấn luyện mô hình kiểm tra chất lượng?
Không có con số cố định, vì số lượng ảnh cần thiết phụ thuộc vào độ đa dạng của sản phẩm và của lỗi. Với phân loại ảnh cho sản phẩm ít biến động, vài trăm đến vài nghìn ảnh mỗi loại có thể đủ để bắt đầu; với segmentation hoặc lỗi đa dạng, cần nhiều hơn đáng kể. Với anomaly detection, chỉ cần nhiều ảnh sản phẩm tốt mà không cần ảnh lỗi, nên phù hợp khi lỗi hiếm. Quan trọng hơn số lượng tuyệt đối là tính đại diện: ảnh phải thu thập trên dây chuyền thật, trong điều kiện vận hành thật, bao gồm đủ các ca làm việc và biến động nguyên liệu. Ngoài ra có thể bổ sung bằng dữ liệu tổng hợp (synthetic data) — tạo ảnh lỗi giả lập — khi ảnh lỗi thật quá ít.
Ánh sáng quan trọng thế nào trong hệ thống kiểm tra bằng hình ảnh?
Ánh sáng là yếu tố quan trọng bậc nhất, thường quyết định thành bại nhiều hơn cả việc chọn mô hình. Ánh sáng kiểm soát (đèn vòng, đèn vòm, đèn ngược sáng) giúp loại bỏ bóng đổ và phản xạ, làm nổi bật đúng đặc trưng cần kiểm tra, và giữ ảnh đầu vào ổn định bất kể giờ trong ngày. Nhiều dự án thất bại vì dùng ánh sáng nhà xưởng: ảnh thay đổi theo nắng qua cửa sổ khiến mô hình lúc đúng lúc sai. Trước khi đầu tư vào mô hình phức tạp, hãy thử nghiệm vài phương án ánh sáng trên sản phẩm thật và chọn phương án làm lỗi hiện rõ nhất.
Triển khai một trạm kiểm tra bằng Computer Vision mất bao lâu và tốn bao nhiêu?
Theo các hướng dẫn triển khai thực tế năm 2026, một trạm kiểm tra đầu tiên thường mất khoảng 8–16 tuần từ khởi động đến vận hành, và tổng chi phí cho một trạm đơn lẻ thường nằm trong khoảng 25.000–120.000 đô la Mỹ, trong đó camera và ánh sáng chiếm phần nhỏ, còn phát triển phần mềm/mô hình và tích hợp chiếm phần lớn. Thời gian hoàn vốn điển hình của một trạm được xác định phạm vi tốt là trong vòng 12 tháng. Con số cụ thể phụ thuộc nhiều vào độ phân giải camera, tốc độ dây chuyền và mức độ tích hợp với hệ thống hiện hữu, nên nhà máy nên tính ROI theo chi phí lỗi lọt và chi phí kiểm tra thủ công của chính mình thay vì áp dụng con số chung.
Nhà máy nhỏ có nên đầu tư kiểm tra chất lượng bằng Computer Vision không?
Có, nếu nhà máy có một bài toán kiểm tra lặp lại với tiêu chuẩn ổn định và chi phí lỗi lọt đủ lớn. Năm 2026, camera công nghiệp đã rẻ và tốt hơn nhiều, các nền tảng huấn luyện hỗ trợ học từ tập dữ liệu nhỏ và phát hiện bất thường, còn máy tính biên (edge) đã dễ tiếp cận — nên rào cản đầu tư cho nhà máy vừa và nhỏ đã thấp hơn trước rõ rệt. Cách tiếp cận khôn ngoan là bắt đầu từ một trạm kiểm tra duy nhất ở công đoạn lỗi lọt gây thiệt hại lớn nhất, chứng minh hiệu quả, rồi mới mở rộng sang các công đoạn khác. Nếu sản phẩm thay đổi mẫu mã liên tục và khối lượng nhỏ, kiểm tra thủ công kết hợp với AOI đơn giản có thể vẫn kinh tế hơn.
Liên hệ AIA qua hotline 0939 936 168 để được tư vấn giải pháp AI phù hợp với dây chuyền và quy trình kiểm tra chất lượng của doanh nghiệp bạn.
