AI Machine Vision (thị giác máy công nghiệp tích hợp AI) là hệ thống giúp máy móc “nhìn – hiểu – ra quyết định” dựa trên hình ảnh/luồng video, thường tối ưu cho môi trường sản xuất: tốc độ cao, độ lặp lại lớn, yêu cầu ổn định 24/7. Về bản chất, Machine Vision dùng camera + quang học + chiếu sáng + phần cứng xử lý + phần mềm để chụp ảnh, phân tích và kích hoạt hành động (loại bỏ lỗi, hướng dẫn robot, đo kiểm kích thước…).

Khi thêm AI (Machine Learning/Deep Learning), hệ thống có khả năng học từ dữ liệu, nhận biết lỗi phức tạp, biến thiên lớn (bề mặt phản quang, sản phẩm đa biến thể, điều kiện ánh sáng thay đổi…) tốt hơn so với thuật toán “rule-based” thuần túy

Hai khái niệm hay bị dùng lẫn:

• Computer Vision: phạm vi rộng, tập trung “hiểu nội dung hình ảnh” trong nhiều bối cảnh (internet, y tế, giao thông, bán lẻ…).
• Machine Vision: thiên về ứng dụng công nghiệp/hiện trường, gắn với thiết bị, I/O, dây chuyền, robot, PLC và yêu cầu độ ổn định – tốc độ – tính quyết định

Nói ngắn gọn: AI Machine Vision = Machine Vision + AI để tăng độ “linh hoạt” và giảm thời gian tinh chỉnh khi bài toán khó/đa dạng.

Một hệ thống chuẩn công nghiệp thường gồm 5 lớp:

1) Cảm biến hình ảnh: Camera công nghiệp

Tùy bài toán, bạn sẽ gặp các dòng phổ biến:

• Area scan: chụp theo khung hình (phổ biến nhất – kiểm tra lỗi bề mặt, lắp ráp).
• Line scan: quét theo từng dòng, phù hợp băng tải tốc độ cao, vật liệu dạng cuộn (film, vải, thép…).
• 3D camera: stereo/structured light/ToF… dùng cho đo chiều cao, thể tích, dẫn đường robot gắp đặt.

(Trong công nghiệp, lựa chọn camera không chỉ “độ phân giải”, mà còn frame rate, global shutter, độ nhạy sáng, dải động, chuẩn giao tiếp.)

2) Quang học: Lens (ống kính) và phụ kiện

Lens quyết định “nhìn rõ” hay không:

• Lens tiêu chuẩn: phù hợp đa số kiểm tra ngoại quan.
• Telecentric lens: giảm sai số phối cảnh, cực hữu ích khi đo kích thước hoặc yêu cầu độ chính xác cao.
• Filter/polarizer: trị phản xạ bề mặt bóng.

3) Chiếu sáng: Lighting (đèn) – “linh hồn” của Machine Vision

Trong thực tế, rất nhiều dự án fail vì… ánh sáng.

• Ring light, bar light, dome light, coaxial light…
• Backlight để đo biên dạng, phát hiện khuyết tật cạnh
• Strobe + trigger để “đóng băng” vật chuyển động

Machine Vision truyền thống luôn nhấn mạnh “camera–lens–lighting” là bộ ba cốt lõi.

4) Thu nhận & truyền dữ liệu: Frame grabber / interface công nghiệp

• Với camera tốc độ cao hoặc chuẩn giao tiếp chuyên dụng (CoaXPress, Camera Link…), hệ thống thường cần frame grabber để đảm bảo băng thông, độ ổn định và xử lý real-time.

5) Xử lý & ra quyết định: IPC/Edge device/Smart camera + AI runtime

• Bạn có 3 lựa chọn triển khai phổ biến:

(A) Smart Camera (tất cả trong một)

• Smart camera tích hợp camera + xử lý + I/O trong một khối gọn, dễ lắp đặt, phù hợp dây chuyền cần triển khai nhanh.

(B) Industrial PC (IPC) / Edge server

Dùng IPC khi cần:

• nhiều camera đồng thời
• AI nặng (phân loại phức tạp, segmentation)
• tích hợp hệ thống (MES/SCADA, database, dashboard)

(C) Edge AI (AI chạy tại hiện trường)

• Edge AI giúp giảm độ trễ, tăng riêng tư, giảm phụ thuộc cloud và phù hợp các hệ thống cần phản hồi tức thời.

Một “stack” phần mềm triển khai thực tế thường có:

1) Khối xử lý ảnh cơ bản (Image Processing)

• lọc nhiễu, cân bằng sáng
• phát hiện biên, tìm contour
• chỉnh méo, hiệu chuẩn camera (calibration)

2) Khối AI (ML/DL)

• Classification: đạt/không đạt, phân loại lỗi
• Detection: tìm vị trí lỗi/đối tượng
• Segmentation: khoanh vùng lỗi bề mặt chi tiết (rất mạnh cho lỗi xước, rỗ, bẩn…)

AI giúp hệ thống “học” theo dữ liệu thay vì viết luật cứng.

3) Runtime + triển khai

• chạy mô hình (ONNX Runtime/TensorRT… tùy nền tảng)
• quản lý version model
• logging ảnh lỗi để retrain

4) Tích hợp công nghiệp (Integration)

• Trigger/Encoder/Signal I/O
• PLC (Profinet/EtherNet/IP/Modbus TCP…)
• đồng bộ băng tải/robot
• kết nối hệ thống quản lý chất lượng (QMS), sản xuất (MES)

Bước 1: Chốt yêu cầu đo kiểm (Spec)

• Tốc độ line (pcs/min)
• tiêu chí lỗi: kích thước, vị trí, mức độ
• tỷ lệ bỏ sót (false negative) cho phép?
• tỷ lệ báo sai (false positive) có chấp nhận?

Bước 2: Thiết kế quang học & ánh sáng trước khi “đụng AI”

Đây là bước giúp giảm 50–80% độ khó:

• chọn lens đúng trường nhìn
• khóa điều kiện chiếu sáng ổn định
• chọn góc đặt camera tránh phản xạ

Bước 3: Thu thập dữ liệu đúng cách

• đủ biến thiên (ca/ngày/đợt vật tư khác nhau)
• cân bằng dữ liệu lỗi (lỗi hiếm → phải chủ động “săn” dữ liệu)
• quy tắc gán nhãn (label) rõ ràng

Bước 4: Huấn luyện – đánh giá – hiệu chỉnh

• chia train/val/test
• đo precision/recall theo đúng “rủi ro sản xuất”
• test trên dây chuyền thật (không chỉ test offline)

Bước 5: Triển khai Edge/IPC + vòng lặp cải tiến

• ghi lại ảnh lỗi thực tế
• cập nhật model theo lô hàng mới
• giám sát drift (ánh sáng, camera bẩn, rung cơ khí)

1) Kiểm tra chất lượng (Quality Inspection)

• lỗi bề mặt (xước, rỗ, bẩn, cháy)
• sai linh kiện/sai vị trí lắp ráp
• thiếu/đủ chi tiết, kiểm tra đóng gói

Đây là ứng dụng phổ biến nhất của Machine Vision trong tự động hóa.

2) Đọc mã & ký tự: Barcode/Datamatrix/OCR

• đọc mã trên tem nhãn, bảng mạch, y tế
• OCR hạn dùng/lot/serial
• đối soát “đúng hàng–đúng tem–đúng thông tin”

3) Dẫn đường robot (Robot Guidance)

• xác định tọa độ gắp đặt (2D/3D)
• căn chỉnh hướng đặt linh kiện
• “bin picking” (gắp vật trong khay)

4) Logistics & kho vận

• phân loại kiện hàng theo nhãn/mã
• kiểm tra trạng thái thùng (móp, rách)
• đo thể tích (dimensioning) phục vụ tính cước

5) An toàn & tuân thủ trong nhà máy

• phát hiện khu vực nguy hiểm
• kiểm soát quy trình (đúng bước/đúng trình tự)
• giám sát lỗi thao tác trong công đoạn thủ công

AI Machine Vision có bắt buộc dùng GPU không?

• Không bắt buộc. Với bài toán đơn giản (rule-based hoặc model nhẹ) có thể chạy CPU/Smart camera. Nhưng nếu dùng detection/segmentation nặng và nhiều camera, IPC/edge GPU sẽ lợi hơn.

Edge AI khác gì Cloud AI trong thị giác máy?

• Edge AI xử lý tại hiện trường → độ trễ thấp, ổn định, riêng tư, ít phụ thuộc internet. Cloud phù hợp khi cần tập trung dữ liệu lớn, đào tạo model quy mô.

Vì sao nói “lighting quan trọng hơn AI”?

• Vì ánh sáng tốt giúp ảnh ổn định → model dễ học, giảm báo sai. Nhiều hệ thống Machine Vision coi lighting là thành phần cốt lõi của phần cứng.

AI Machine Vision không chỉ là “AI nhận diện hình ảnh”, mà là một hệ thống kỹ thuật hoàn chỉnh kết hợp camera – lens – lighting – thu nhận dữ liệu – compute – phần mềm – tích hợp PLC/robot để tạo ra quyết định real-time trong sản xuất và vận hành. Khi làm đúng (đặc biệt là phần quang học & ánh sáng), AI Machine Vision giúp doanh nghiệp giảm lỗi, tăng năng suất, chuẩn hóa chất lượng và tạo nền tảng cho nhà máy thông minh (Industry 4.0)