Bài tập: thiết kế chiến lược AI cho bài toán lỗi bề mặt nhôm anod

4.1. Các con số thiết kế

• Độ phân giải: mặt trên 120 × 80 mm, chừa biên định vị → trường nhìn khoảng 130 × 97 mm trên cảm biến 4000 × 3000 px: khoảng 0,033 mm/px. Lỗi nhỏ nhất (hở nhôm 0,2 mm) phủ khoảng 6 px, xước 2,0 mm dài khoảng 60 px: đủ cho cả phát hiện lẫn đo.
• Số ô: 9 × 7 = 63 ô 512 × 512 mỗi ảnh. Không được thu nhỏ cả ảnh về 640 px: lỗi 6 px sẽ còn chưa đến 1 px.
• Ngân sách thời gian: 1,5 s cho tất cả ảnh của một chi tiết. Nếu dùng 2 ảnh chiếu sáng (mục 4.3) thì 126 ô; với mô hình phân đoạn nhỏ chạy batch trên GPU tầm trung, mục tiêu khoảng 3–5 ms/ô là khả thi nhưng phải đo trên phần cứng đích trong tuần đầu (rủi ro R3).
• Lịch thu thập (từ script): xước đủ 300 chi tiết sau khoảng 23 ngày sản xuất, móp và loang màu khoảng 38 ngày, hở nhôm cần khoảng 75 ngày. Thời hạn chạy thử 2 tháng nên mô hình có giám sát cho hở nhôm không thể sẵn sàng đúng hạn chỉ bằng dữ liệu thật.
• Gán nhãn: khoảng 34 giờ công cho bộ dữ liệu đầu tiên; chia cho 2 người trong 3 tuần, song song với thu thập.

4.2. Phân tích từng loại lỗi

4.3. So sánh cách tiếp cận và lựa chọn

Kiến trúc chọn: hybrid ba lớp.

Chụp 2 ảnh: đèn dome (loang màu, hở nhôm) + đèn vòng góc thấp (xước, móp)
  │
  ├─ [Rule-based] định vị chi tiết (shape matching), căn ROI, tạo mặt nạ vùng A / vùng B
  ├─ [Rule-based] kiểm tra 4 lỗ ren; luật độ sáng: điểm sáng bất thường trên anod đen → nghi hở nhôm
  ├─ [AI] cắt 63 ô/ảnh → mô hình phân đoạn (xước, móp, loang màu) → mặt nạ lỗi
  ├─ [AI] anomaly detection (PatchCore) trên cùng các ô → bản đồ bất thường
  │
  └─ [Quyết định] quy đổi mặt nạ sang mm, mm² theo vùng → so tiêu chí bản vẽ
         • vượt tiêu chí → NG (kèm loại lỗi, kích thước, vị trí)
         • anomaly cao nhưng không có lỗi đã biết, hoặc lỗi sát giới hạn → VÙNG XÁM, người kiểm lại
         • thiếu ảnh, định vị thất bại, quá hạn chót → NG (an toàn)
         → PLC: OK / NG / KIỂM LẠI; lưu ảnh, mặt nạ, điểm số, thời gian

Lý do: mỗi thành phần làm việc nó giỏi nhất; mô hình AI chỉ phải học trên ảnh đã căn chỉnh; quyết định cuối nằm ở lớp luật nên tiêu chí của khách hàng được áp dụng đúng nguyên văn, dễ giải thích và dễ sửa khi tiêu chí đổi. Vùng xám tận dụng người kiểm lại khách hàng đã có.

4.4. Kế hoạch dữ liệu

Script chia tập theo lô và theo thời gian, kiểm tra rò rỉ và độ phủ loại lỗi (dữ liệu metadata được mô phỏng):

import numpy as np

rng = np.random.default_rng(0)
LOAI = ["OK", "xuoc", "lom", "loang_mau", "ho_nhom"]
XAC_SUAT = [0.82, 0.07, 0.04, 0.04, 0.03]      # tỉ lệ trong bộ ảnh đã thu (NG đã được làm giàu)

# metadata mô phỏng: 60 lô anod theo thứ tự thời gian, mỗi lô 40–90 ảnh
anh = []
for lo in range(60):
    for k in range(int(rng.integers(40, 90))):
        anh.append({"lo": f"L{lo:03d}", "chi_tiet": f"L{lo:03d}-{k // 2:03d}",   # 2 ảnh / chi tiết
                    "loai": str(rng.choice(LOAI, p=XAC_SUAT))})
cac_lo = sorted({a["lo"] for a in anh})         # tên lô tăng theo thời gian

# chia theo thời gian ở cấp LÔ: 70% lô cũ nhất → train, 15% → val, 15% mới nhất → test
n = len(cac_lo)
tap_cua_lo = {lo: ("train" if i < 0.70 * n else "val" if i < 0.85 * n else "test")
              for i, lo in enumerate(cac_lo)}
for a in anh:
    a["tap"] = tap_cua_lo[a["lo"]]

# kiểm tra 1: không lô nào, không chi tiết nào nằm ở hai tập
for khoa in ("lo", "chi_tiet"):
    tap_theo = {}
    for a in anh:
        tap_theo.setdefault(a[khoa], set()).add(a["tap"])
    ro_ri = [k for k, v in tap_theo.items() if len(v) > 1]
    print(f"{khoa:8s} nằm ở nhiều tập: {len(ro_ri)}")

# kiểm tra 2: số ảnh mỗi loại trong mỗi tập
print(f"{'tập':6s} {'số lô':>5s} " + " ".join(f"{l:>9s}" for l in LOAI))
for tap in ("train", "val", "test"):
    con = [a for a in anh if a["tap"] == tap]
    so_lo = len({a["lo"] for a in con})
    print(f"{tap:6s} {so_lo:5d} " + " ".join(f"{sum(a['loai'] == l for a in con):9d}" for l in LOAI))
thieu = [(tap, l) for tap in ("val", "test") for l in LOAI
         if sum(a["tap"] == tap and a["loai"] == l for a in anh) < 15]
print("cảnh báo: loại có dưới 15 ảnh trong val/test:", thieu or "không có")

lo       nằm ở nhiều tập: 0
chi_tiet nằm ở nhiều tập: 0
tập    số lô        OK      xuoc       lom loang_mau   ho_nhom
train     42      2219       205       118        94        84
val        9       452        42        16        20        15
test       9       525        45        14        21        20
cảnh báo: loại có dưới 15 ảnh trong val/test: [('test', 'lom')]

Hai kiểm tra đều phải là thủ tục bắt buộc mỗi lần tạo phiên bản dữ liệu. Nếu một loại lỗi hiếm có quá ít ảnh trong val hoặc test (cảnh báo ở dòng cuối), không chia ngẫu nhiên lại để "cho đẹp": hãy thu thêm, hoặc báo cáo kết quả loại lỗi đó kèm số mẫu và cận trên tin cậy. Ở lần chạy mô phỏng này, tập test chỉ có 14 ảnh móp, đúng loại cảnh báo bạn sẽ gặp với dữ liệu thật.

4.5. Golden set và tiêu chí nghiệm thu

golden_v1 (đóng băng tuần 12, chụp từ các lô sau mọi lô dùng để huấn luyện, nhãn do QA khách hàng và kỹ sư vision xác nhận, có manifest và hash):

4.6. Lộ trình theo giai đoạn

4.7. Bảng rủi ro

4.8. Câu hỏi phải làm rõ với khách hàng

1. "Không để lọt hở nhôm" được đo thế nào khi nghiệm thu? Đồng ý cách diễn đạt bằng số mẫu và cận trên tin cậy, cộng theo dõi sau SAT.
2. Tỉ lệ overkill 2% tính trên tổng sản lượng hay trên số OK? Hàng vùng xám có tính là overkill không?
3. Tiêu chí loang màu đo bằng gì (ΔE, điều kiện nhìn)? Có mẫu giới hạn ký duyệt không?
4. Bụi có được lau trước trạm không? Trạm có được thêm thổi khí không?
5. Quyền sử dụng ảnh sản phẩm để huấn luyện; ảnh có được rời khỏi nhà máy không?
6. Ai được phép đổi ngưỡng, ai ký phiên bản mô hình mới, chu kỳ huấn luyện lại?