Kiểm Tra Ngoại Quan Bằng AI: Giải Pháp Tối Ưu QC Cho Nhà Máy Việt Nam
September 9, 2026 · Hưng Nguyễn · Blog kỹ thuật
AI Visual Inspection (kiểm tra ngoại quan bằng trí tuệ nhân tạo) là giải pháp sử dụng camera công nghiệp kết hợp AI để tự động phát hiện các lỗi như trầy xước, nứt, sai màu, thiếu linh kiện, sai nhãn hoặc lỗi bề mặt trên dây chuyền sản xuất. Hệ thống phân tích hình ảnh và đưa ra phán định OK/NG, sau đó truyền tín hiệu đến PLC để điều khiển cơ cấu phân loại hoặc loại bỏ sản phẩm lỗi.
Điểm khác biệt của Toshiba AI Visual Inspection Package (AIVI) là công nghệ Học Không-Lỗi (Non-Defect Learning). Thay vì cần hàng nghìn hình ảnh lỗi để huấn luyện như một số phương pháp Deep Learning truyền thống, AIVI có thể xây dựng mô hình từ khoảng 10–20 hình ảnh sản phẩm đạt yêu cầu. Nhờ học đặc điểm của sản phẩm chuẩn, hệ thống có khả năng phát hiện cả những sai lệch chưa từng xuất hiện trong dữ liệu huấn luyện.
AIVI có thể cài đặt trên PC hiện hữu hoặc PC độc lập, không yêu cầu GPU chuyên dụng và có khả năng tích hợp với các hệ thống xử lý ảnh phổ biến như Keyence XG-X và Omron FH. Với nhà máy đã đầu tư hệ thống vision, đây là hướng tiếp cận giúp bổ sung năng lực AI mà không nhất thiết phải thay thế toàn bộ thiết bị hiện có.
Bài viết này phân tích cách AI Visual Inspection hoạt động, công nghệ Học Không-Lỗi, khả năng tích hợp với hệ thống hiện hữu, các ngành ứng dụng và cách đánh giá hiệu quả đầu tư tại nhà máy Việt Nam.
AI Visual Inspection là gì và hoạt động như thế nào trong sản xuất?
AI Visual Inspection là hệ thống kiểm tra ngoại quan tự động sử dụng camera công nghiệp để chụp hình sản phẩm, sau đó phân tích hình ảnh bằng mô hình AI và đưa ra kết quả đạt hoặc lỗi.
- Quy trình cơ bản: Sản phẩm → Camera → Xử lý ảnh → AI phân tích → Phán định OK/NG → PLC → Cơ cấu phân loại
- Đặc điểm kiểm tra: Hình dạng, kích thước, màu sắc, chất lượng bề mặt, nhãn mác, linh kiện hoặc tình trạng đóng gói.
- So với kiểm tra thủ công: Giảm sự phụ thuộc vào kinh nghiệm và trạng thái của người kiểm tra.
- So với Machine Vision theo luật: AI xử lý tốt hơn những trường hợp biến thiên phức tạp mà việc thiết lập ngưỡng bằng tay khó đạt độ ổn định.
Ba phương pháp kiểm tra ngoại quan phổ biến
| Tiêu chí | Kiểm tra thủ công | Visual Inspection truyền thống (rule-based) | AI Visual Inspection (Toshiba) |
| Cơ sở phán định | Kinh nghiệm nhân viên | Luật và ngưỡng do kỹ sư thiết lập | Mô hình học từ dữ liệu sản phẩm đạt |
| Dữ liệu cần chuẩn bị | Không cần ảnh | Không cần ảnh nhưng cần lập trình | Khoảng 10–20 ảnh OK |
| Tính nhất quán | Phụ thuộc người kiểm tra | Cao nhưng khó xử lý biến thể | Cao và có thể xác minh bằng dữ liệu ảnh |
| Lỗi chưa từng gặp | Có thể phát hiện nhưng phụ thuộc người | Khó phát hiện nếu chưa có luật | Phát hiện lỗi mới với độ chính xác 95% |
| Thay đổi sản phẩm | Cần đào tạo lại nhân sự | Có thể cần lập trình lại | Rút ngắn 50% công sức thiết lập |
Lưu ý tích hợp: AI Visual Inspection không nhất thiết phải thay thế hệ thống vision hiện hữu. Với AIVI, phần mềm có thể bổ sung lớp phán định AI vào hệ thống đang vận hành, đặc biệt ở những vùng ảnh mà hệ thống hiện tại thường cho kết quả không ổn định.
Công nghệ Học Không-Lỗi của Toshiba khác gì Deep Learning truyền thống?
Một trong những trở ngại lớn nhất khi triển khai AI trong nhà máy là dữ liệu lỗi.
Với phương pháp Deep Learning phân loại truyền thống, doanh nghiệp thường cần tập dữ liệu gồm cả sản phẩm OK và NG. Đối với một nhà máy có tỷ lệ lỗi thấp, việc thu thập đủ hình ảnh lỗi cho từng loại khuyết tật có thể mất nhiều thời gian. Trong khi đó, công nghệ Học Không-Lỗi (Non-Defect Learning) của Toshiba đi theo hướng ngược lại: hệ thống học từ hình ảnh sản phẩm đạt yêu cầu để xây dựng mô hình chuẩn.
| Tiêu chí | Deep Learning truyền thống | Học Không-Lỗi Toshiba |
| Dữ liệu huấn luyện | Ảnh OK và NG | Chủ yếu ảnh OK |
| Số lượng mẫu | Phụ thuộc bài toán và loại lỗi | Khoảng 10–20 ảnh OK |
| Lỗi chưa từng xuất hiện | Khó phát hiện | Có thể phát hiện nếu nằm ngoài ngưỡng OK |
| Thời gian chuẩn bị dữ liệu | Có thể kéo dài | Rút ngắn đáng kể |
| Phù hợp sản phẩm tỷ lệ lỗi thấp | Khó thu thập dữ liệu NG | Phù hợp hơn |
Về nguyên lý, hệ thống xác định đặc điểm và phạm vi biến thiên của sản phẩm đạt yêu cầu. Khi một sản phẩm mới có hình ảnh khác biệt vượt ngoài vùng chấp nhận, hệ thống có thể đánh giá sản phẩm đó là NG. Điều này đặc biệt có ý nghĩa trong sản xuất hàng loạt: khi tỷ lệ lỗi rất thấp, doanh nghiệp thường có rất ít mẫu NG để huấn luyện, trong khi sản phẩm OK luôn có sẵn trên dây chuyền.
Vì sao chỉ cần khoảng 10–20 hình ảnh OK?
AIVI không giải bài toán “lỗi này thuộc loại nào” mà tập trung vào câu hỏi “sản phẩm này có giống sản phẩm đạt yêu cầu hay không?”.
- Nguyên lý: Phần mềm phân tích dữ liệu hình ảnh và thiết lập ngưỡng dựa trên sự biến thiên của các mẫu OK. Sau quá trình huấn luyện và tối ưu hóa, hệ thống tạo mô hình tham chiếu để sử dụng trong phán định.
- Điều kiện thu thập: Dữ liệu nên được thu thập trong đúng điều kiện vận hành thực tế (ánh sáng, góc đặt sản phẩm, vị trí camera).
- Độ biến thiên: Mẫu OK nên thể hiện được biến thiên tự nhiên của sản phẩm thay vì chỉ chọn những mẫu đẹp nhất. Dữ liệu huấn luyện quá “hoàn hảo” có thể khiến ngưỡng trở nên quá chặt và làm tăng tỷ lệ báo lỗi giả.
Toshiba AIVI giải quyết những bài toán QC nào?
Trong thực tế triển khai AI Visual Inspection, doanh nghiệp thường gặp ba vấn đề chính:
- Thiếu dữ liệu lỗi: Sản phẩm lỗi không đủ nhiều để xây dựng mô hình.
- Phụ thuộc chuyên gia: Việc thiết lập và tối ưu hệ thống vision đòi hỏi kỹ sư có kinh nghiệm.
- Chi phí thay thế thiết bị: Nhà máy đã đầu tư camera, bộ xử lý ảnh và PLC nhưng phải thay mới nếu giải pháp AI yêu cầu kiến trúc hoàn toàn khác.
AIVI được thiết kế để giải quyết các vấn đề này bằng cách sử dụng dữ liệu sản phẩm đạt, giao diện thiết lập trực quan và khả năng tích hợp vào hệ thống xử lý ảnh hiện hữu.
Giảm báo lỗi giả trong kiểm tra ngoại quan
Báo lỗi giả xảy ra khi hệ thống đánh giá một sản phẩm thực tế đạt yêu cầu thành NG. Đây là vấn đề gây ra nhiều hoạt động tái kiểm và làm giảm hiệu quả của dây chuyền.
Theo trường hợp ứng dụng kiểm tra điểm hàn được Toshiba công bố:
- Tỷ lệ phán định nhầm mẫu OK được giảm từ 10% xuống 1% (trên sản lượng 10.000 sản phẩm/tháng).
- Số mẫu cần tái kiểm giảm từ khoảng 1.000 xuống 100 mẫu/tháng (tiết kiệm khoảng 900 lượt kiểm tra lại).
Phát hiện lỗi mới chưa từng xuất hiện trong dữ liệu huấn luyện
Đây là một trong những điểm khác biệt đáng chú ý của phương pháp Học Không-Lỗi. Một hệ thống được huấn luyện dựa trên danh sách các loại lỗi cụ thể sẽ phụ thuộc vào việc những lỗi đó đã được xác định hay chưa.
Ngược lại, AIVI xây dựng vùng tham chiếu từ sản phẩm đạt. Một hình ảnh có đặc điểm khác biệt đáng kể so với vùng OK có thể bị đánh giá là NG ngay cả khi dạng khuyết tật đó chưa từng xuất hiện trong dữ liệu huấn luyện. Khi phát hiện mẫu NG mới, người vận hành xác nhận nguyên nhân; nếu đó là biến thiên thực tế chấp nhận được, dữ liệu sẽ được dùng để điều chỉnh lại mô hình.
Case Study Thực Tế: Phát hiện lỗi chưa xác định với độ chính xác 95%
Trong ngành công nghiệp ô tô, chất lượng sản phẩm luôn là yếu tố sống còn. Tại dây chuyền sản xuất LED socket dành cho ô tô, quy trình kiểm tra ngoại quan đã được xây dựng và vận hành với tiêu chuẩn rất nghiêm ngặt.
Khi xuất hiện các lỗi chưa từng được định nghĩa trước đó, hệ thống kiểm tra ngoại quan truyền thống dựa trên các quy tắc (rule-based) bắt đầu bộc lộ hạn chế. Để giải quyết bài toán trên, Toshiba đã triển khai giải pháp Meister Apps™ AI Visual Inspection và tích hợp trực tiếp với hệ thống kiểm tra ngoại quan hiện hữu.
Kết quả nổi bật sau triển khai:
- Đạt 95% độ chính xác trong phát hiện các lỗi chưa xác định trước.
- Tăng khả năng phát hiện các lỗi chưa từng xuất hiện hoặc chưa được định nghĩa trước.
- Giảm khoảng 1/3 khối lượng công việc kiểm tra bằng mắt thường của nhân viên QA/QC.
- Rút ngắn khoảng 50% công sức thiết lập hệ thống kiểm tra ngoại quan.
- Nâng cao tính ổn định và nhất quán trong quá trình kiểm soát chất lượng.
- Tận dụng được hệ thống kiểm tra hiện có mà không cần thay thế toàn bộ dây chuyền.
- Đẩy nhanh thời gian triển khai so với phương pháp kiểm tra truyền thống.
Hình ảnh sản phẩm cụm đèn và LED socket ô tô thực tế ứng dụng giải pháp AI Visual Inspection của Toshiba
Kiến trúc hệ thống AIVI từ camera đến PLC
Một hệ thống AIVI điển hình có thể chia thành hai khối chính:
- Khối kiểm tra trên dây chuyền: Camera thu nhận hình ảnh, bộ điều khiển thực hiện các bước chụp ảnh, tiền xử lý, căn chỉnh, so sánh và phán định. Kết quả OK/NG được truyền tới PLC để điều khiển thiết bị phía sau.
- Khối PC cài phần mềm Toshiba AI: PC được sử dụng để nhập dữ liệu ảnh, thiết lập tham số, huấn luyện và xác minh mô hình. PC có thể là máy tính của hệ thống hiện hữu hoặc một máy độc lập.
Cách triển khai này giúp tách công việc tạo mô hình khỏi hoạt động sản xuất. Phần mềm hoạt động dưới dạng ứng dụng web trên localhost hoặc mạng LAN nội bộ theo quy trình:
- Nhập hình ảnh sản phẩm đạt.
- Thiết lập và điều chỉnh tham số.
- Huấn luyện mô hình không lỗi.
- Xác minh mô hình bằng hình ảnh thực tế.
Sơ đồ kiến trúc tích hợp phần mềm Toshiba AI Visual Inspection Package với hệ thống xử lý ảnh Keyence XG-X hiện hữu và PLC trên dây chuyền sản xuất.
AIVI có cần GPU chuyên dụng không?
Theo thông số Toshiba công bố, AIVI có thể vận hành trên PC Windows và không yêu cầu GPU chuyên dụng, sử dụng CPU để xử lý.
| Hạng mục | Thông tin |
| Hệ điều hành | Windows 10 trở lên |
| GPU | Không yêu cầu |
| CPU | Có thể sử dụng CPU của PC |
| Giao diện | Ứng dụng web trên localhost hoặc LAN |
| Triển khai | PC hệ thống hoặc PC độc lập |
| Mô hình | Có thể lưu và quản lý theo từng mã sản phẩm |
Cách tích hợp AIVI với Keyence XG-X và Omron FH
Với các nhà máy đã có hệ thống machine vision, AIVI được thiết kế để tích hợp với các hệ thống xử lý ảnh hiện hữu (Keyence XG-X series, Omron FH). Lộ trình triển khai gồm:
- Bước 1: Xác định vùng kiểm tra mà hệ thống hiện tại thường phán định không ổn định.
- Bước 2: Thu thập mẫu sản phẩm đạt và huấn luyện mô hình AI cho vùng kiểm tra đó.
- Bước 3: Nạp mô hình vào hệ thống, kết hợp kết quả AI với logic kiểm tra hiện hữu và truyền kết quả về PLC.
Kết nối AIVI với PLC như thế nào?
Cần phân biệt hai lớp kết nối: AIVI – Bộ điều khiển camera (phục vụ tạo/nạp mô hình) và Bộ điều khiển camera – PLC (truyền tín hiệu OK/NG thực tế).
| Tín hiệu | Hướng | Chức năng |
| TRIGGER | PLC → hệ kiểm tra | Yêu cầu chụp ảnh |
| BUSY | Hệ kiểm tra → PLC | Đang xử lý |
| RESULT_OK | Hệ kiểm tra → PLC | Sản phẩm đạt |
| RESULT_NG | Hệ kiểm tra → PLC | Sản phẩm lỗi |
| RESULT_READY | Hệ kiểm tra → PLC | Kết quả đã sẵn sàng |
| ERROR | Hệ kiểm tra → PLC | Lỗi hệ thống |
| HEARTBEAT | Hai chiều | Kiểm tra trạng thái kết nối |
Thiết kế tín hiệu cần có cơ chế timeout và trạng thái an toàn khi mất truyền thông. Nếu hệ thống không trả về kết quả đúng thời gian, sản phẩm nên chuyển sang trạng thái chờ/kiểm tra thủ công thay vì mặc định là OK.
Những ngành nào phù hợp với AI Visual Inspection?
| Ngành | Dạng lỗi có thể kiểm tra |
| Điện tử, SMT/PCB | Thiếu linh kiện, lệch vị trí, lỗi hàn, dị vật |
| Ô tô và linh kiện ô tô | LED socket, thiếu chi tiết, sai hướng lắp, trầy xước, nứt, biến dạng |
| Cơ khí chính xác | Xước, móp, nứt, ba via |
| Kim loại | Pin hole, vết lõm, trầy xước, tạp chất |
| Nhựa ép phun | Short shot, flash, sink mark, burn mark, sai màu |
| Film và bao bì | Lỗ kim, bong bóng khí, nếp nhăn, dị vật |
| Thực phẩm và đồ uống | Sai nắp, thiếu nhãn, lỗi seal, lỗi bao bì |
| Dược phẩm và y tế | Sai nhãn, sai mã, thiếu sản phẩm, lỗi đóng gói |
| Pin và năng lượng mới | Lỗi coating, dị vật, lệch tab, lỗi cell assembly |
Điện tử SMT/PCB và linh kiện ô tô có gì đặc biệt?
- Điện tử: Chi tiết nhỏ, mật độ cao. Các biến thiên về bề mặt hàn, ánh sáng và vị trí linh kiện khó xử lý chỉ bằng ngưỡng cố định.
- Linh kiện ô tô: Kết hợp kiểm tra trạng thái lắp ráp (thiếu bu lông, sai connector) và chất lượng bề mặt (trầy xước, rỗ, nứt).
- Lưu ý: Camera và AI không thể bù hoàn toàn cho một hệ thống chiếu sáng hoặc gá đặt không ổn định.
Thực phẩm, dược phẩm và bao bì cần lưu ý gì?
Yêu cầu cao về truy vết và kiểm soát thay đổi. AIVI là công cụ kiểm tra ngoại quan; việc đáp ứng GMP, ISO 22000 hay tiêu chuẩn ngành còn phụ thuộc vào quy trình thẩm định và quản lý của doanh nghiệp.
ROI của AI Visual Inspection: Doanh nghiệp tiết kiệm được bao nhiêu?
| Nhóm chi phí | QC thủ công | AI Visual Inspection (Toshiba) |
| Nhân công | Phụ thuộc số trạm và số ca | Giảm khoảng 1/3 công việc soi lỗi |
| Báo lỗi giả | Tái kiểm thủ công | Giảm nhờ tối ưu ngưỡng (từ 10% xuống 1%) |
| Bỏ lọt lỗi | Phát sinh khi kiểm tra bằng mắt | Tự động kiểm tra theo tiêu chí thiết lập |
| Đào tạo & Thiết lập | Phụ thuộc nhân sự | Rút ngắn 50% công sức thiết lập |
| Truy vết | Phụ thuộc hồ sơ thủ công | Lưu hình ảnh, mô hình và kết quả |
| Phần cứng | Chi phí ban đầu thấp | Tận dụng được hệ thống hiện có |
Khung công thức đánh giá:
- Lợi ích ròng hàng năm = Chi phí nhân công tiết giảm + Tổn thất bỏ lọt lỗi giảm + Chi phí tái kiểm giảm − Chi phí vận hành hàng năm
- Thời gian hoàn vốn (Tháng) = (Tổng đầu tư ban đầu ÷ Lợi ích ròng hàng năm) × 12
Các chỉ số nên đo trước khi đầu tư:
Tỷ lệ lỗi thực tế, tỷ lệ báo lỗi giả, số lượt tái kiểm/tháng, thời gian trung bình kiểm tra 1 sản phẩm, chi phí nhân công QC, số lượng khiếu nại khách hàng, số mã sản phẩm và tần suất thay mã.
Hino Systech triển khai Toshiba AIVI tại Việt Nam như thế nào?
Hiệu quả cuối cùng của AI Visual Inspection phụ thuộc vào camera, ống kính, ánh sáng, gá đặt, PLC, cơ khí và cách hệ thống được tích hợp vào dây chuyền. Đây là lý do vai trò của System Integrator đặc biệt quan trọng.
Hino Systech Việt Nam (100% vốn Nhật Bản, thành viên của Hino Systech Corporation) đảm nhận việc tích hợp trọn gói AIVI vào hệ thống sản xuất:
- Thiết kế camera, ống kính, hệ thống chiếu sáng, gá đặt và khung cơ khí.
- Thiết kế, chế tạo tủ điện điều khiển; kết nối và lập trình PLC.
- Cài đặt, tích hợp phần mềm AIVI, kiểm tra hiệu chỉnh tại hiện trường.
- Đào tạo vận hành và bàn giao tài liệu.
Quy trình 6 bước triển khai tiêu chuẩn:
- Khảo sát: Xác định sản phẩm, tốc độ dây chuyền, dạng lỗi, camera và PLC hiện hữu.
- PoC: Thu thập 10–20 mẫu OK, xây dựng mô hình và kiểm tra với mẫu OK/NG thực tế.
- Thiết kế: Chốt camera, lens, ánh sáng, gá đặt, PC, PLC và phương án truyền tín hiệu.
- Tích hợp: Lắp đặt phần cứng, cài đặt phần mềm, nạp mô hình và kết nối hệ thống.
- Chạy thử: Chạy song song với phương pháp hiện tại, đối chiếu kết quả và hiệu chỉnh.
- Nghiệm thu: Đánh giá theo tiêu chí thống nhất, đào tạo vận hành và bàn giao.
Những sai lầm phổ biến khi triển khai AI Visual Inspection
- Thay đổi điều kiện ánh sáng sau khi huấn luyện: Ánh sáng và góc camera thay đổi sẽ làm sai lệch mô hình. Giải pháp: Cố định điều kiện chiếu sáng, che chắn ánh sáng môi trường.
- Không có người chịu trách nhiệm quản lý mô hình: Khi đổi mã sản phẩm hoặc thay khuôn, mô hình dễ bị dùng cũ. Giải pháp: Phân công quản trị viên thuộc bộ phận chất lượng.
- Không đo hiệu quả trước khi triển khai: Khó chứng minh ROI nếu không nắm tỷ lệ báo lỗi giả ban đầu. Giải pháp: Ghi nhận số liệu nền trước ít nhất một chu kỳ.
Toshiba AIVI có lợi thế gì so với AI truyền thống?
- Không phụ thuộc kho dữ liệu lỗi lớn: Bắt đầu dự án chỉ từ mẫu sản phẩm đạt.
- Bổ sung thay vì thay thế: Tích hợp trực tiếp với hệ thống xử lý ảnh Keyence/Omron hiện có.
- Năng lực tích hợp hiện trường: Đảm bảo hệ thống hoạt động ổn định thực tế trên dây chuyền sản xuất chứ không chỉ dừng ở bản demo.
Đăng ký demo Toshiba AIVI cho nhà máy của bạn
Doanh nghiệp có thể bắt đầu bằng việc kiểm chứng PoC trên chính sản phẩm và dây chuyền của mình. Phiên demo cùng Hino Systech Việt Nam và Toshiba tập trung vào:
- Khảo sát sơ bộ công đoạn cần kiểm tra và vùng ảnh phán định chưa ổn định.
- Sử dụng mẫu sản phẩm thực tế để xây dựng mô hình và kiểm tra kết quả OK/NG.
- Đánh giá khả năng tích hợp phần cứng hiện hữu và đề xuất cấu hình phù hợp.
Thông tin liên hệ:
- Đơn vị phát triển: Toshiba Corporation / TSDV
- Đơn vị tích hợp hệ thống: Hino Systech Việt Nam
- Mobile/Zalo: 097-289-3588
- Email: cuong1.hoangvan@toshiba.co.jp
FAQ: Câu hỏi thường gặp về AI Visual Inspection
1. AI Visual Inspection có cần GPU chuyên dụng không?
Không nhất thiết. Phần mềm Toshiba AIVI có thể chạy trên PC Windows sử dụng CPU.
2. Cần bao nhiêu hình ảnh để huấn luyện AIVI?
AIVI ứng dụng công nghệ Học Không-Lỗi, chỉ cần khoảng 10–20 hình ảnh sản phẩm Đạt (OK).
3. AIVI có phát hiện được lỗi chưa từng xuất hiện trong dữ liệu huấn luyện không?
Có. Hệ thống học đặc điểm sản phẩm OK, mọi hình ảnh nằm ngoài vùng chấp nhận sẽ được phán định là NG với độ chính xác đến 95%.
4. AIVI có tích hợp được với hệ thống vision hiện hữu không?
Có. Hệ thống hỗ trợ tích hợp với Keyence XG-X series, Omron FH và các dòng xử lý ảnh phổ biến.
5. Dữ liệu hình ảnh có cần đưa lên cloud không?
Không. AIVI vận hành dưới dạng ứng dụng web chạy trên localhost hoặc mạng LAN nội bộ nhà máy.
6. AI Visual Inspection có thể thay thế hoàn toàn nhân viên QC không?
Không. AI giúp tự động hóa công đoạn soi lỗi, nhân sự QC vẫn giữ vai trò xác nhận bất thường, xử lý mẫu NG và quản lý mô hình.
