Máy quét nhận dạng vật thể đang mở rộng khả năng thu thập dữ liệu trong bán lẻ, kho vận và sản xuất. Thay vì chỉ đọc thông tin được mã hóa trên tem nhãn, giải pháp này sử dụng hình ảnh và trí tuệ nhân tạo để xác định vật thể xuất hiện trước camera. Vậy máy quét mã vạch có thể nhận dạng vật thể bằng AI không? Câu trả lời là có, nhưng chỉ khi thiết bị hoặc hệ thống được trang bị khả năng xử lý hình ảnh và mô hình AI phù hợp. Máy quét mã vạch thông thường không tự động có tính năng này.

Máy quét mã vạch truyền thống giải mã các ký hiệu như EAN, Code 128 hoặc QR để lấy chuỗi dữ liệu. Phần mềm sau đó sử dụng dữ liệu này để tra cứu sản phẩm trong cơ sở dữ liệu. Ngược lại, hệ thống AI object recognition phân tích đặc điểm thị giác như hình dáng, màu sắc, kết cấu và bố cục để nhận biết đối tượng. Máy quét laser thường không cung cấp hình ảnh đầy đủ cho tác vụ này. Một số máy quét dùng cảm biến hình ảnh có thể hỗ trợ triển khai AI, nhưng còn phụ thuộc vào khả năng truy xuất ảnh, bộ công cụ phát triển, tài nguyên xử lý và hỗ trợ của nhà sản xuất. Vì vậy, không thể mặc định rằng mọi máy quét 2D đều có thể nâng cấp thành máy quét AI.

Quy trình nhận dạng vật thể bằng hình ảnh thường bắt đầu khi camera chụp một hoặc nhiều sản phẩm trong vùng quan sát. Hệ thống xử lý ảnh đầu vào, sau đó sử dụng mô hình AI đã được huấn luyện để xác định vị trí và phân loại đối tượng. Kết quả có thể bao gồm tên nhóm hàng, tọa độ vật thể và điểm tin cậy của dự đoán. Phần mềm nghiệp vụ tiếp tục đối chiếu với danh mục sản phẩm để đề xuất mã hàng hoặc yêu cầu nhân viên xác nhận. Việc xử lý có thể diễn ra ngay trên thiết bị, tại máy tính biên hoặc trên máy chủ, tùy yêu cầu về tốc độ, kết nối và bảo mật dữ liệu.

Trong tình huống minh họa, máy quét hoặc camera được hướng vào nhiều vật thể đặt trên quầy hay băng chuyền. Trên màn hình, mỗi vật thể được bao quanh bởi một khung nhận diện, kèm nhãn như “chai nước”, “hộp bánh” hoặc “lon nước ngọt”. Đây là cách hiển thị phổ biến của object detection, tức phát hiện vị trí và phân loại các đối tượng trong ảnh. Khung bao giúp người vận hành kiểm tra hệ thống đang nhận diện vật thể nào, đồng thời phát hiện trường hợp bỏ sót hoặc gán nhãn sai. Tuy nhiên, nhãn phân loại không mặc nhiên tương ứng với một mã SKU cụ thể. Muốn phân biệt chính xác sản phẩm theo thương hiệu, dung tích hoặc phiên bản bao bì, hệ thống cần dữ liệu huấn luyện và cơ chế đối chiếu chi tiết hơn.

AI vision scanner có thể hỗ trợ nhận diện hàng hóa khi mã vạch bị che khuất, tem nhãn hư hỏng hoặc sản phẩm chưa được dán mã. Dù vậy, công nghệ này chưa phải lựa chọn thay thế hoàn toàn mã vạch trong mọi quy trình. Hai sản phẩm có ngoại hình gần giống nhau có thể gây nhầm lẫn, trong khi các thông tin như số sê-ri, số lô và hạn sử dụng thường không thể suy ra chỉ từ hình dáng. Nếu thông tin được in rõ trên bao bì, hệ thống có thể cần kết hợp OCR để đọc chữ. Phương án thực tế là phối hợp AI, mã vạch và dữ liệu quản lý: ưu tiên đọc mã khi có thể, dùng AI để hỗ trợ nhận diện và chuyển trường hợp chưa chắc chắn sang bước xác nhận.

Trong bán lẻ, máy quét nhận dạng vật thể có thể gợi ý mặt hàng tại quầy thanh toán, hỗ trợ nhận biết rau củ hoặc cảnh báo khi hình ảnh sản phẩm không phù hợp với mã vừa quét. Trong kho vận, hệ thống có thể hỗ trợ phân loại kiện hàng, kiểm tra sự hiện diện của sản phẩm và đối chiếu hàng đóng gói với đơn xuất. Trong sản xuất, thị giác máy tính giúp xác nhận linh kiện có mặt hoặc phát hiện sai lệch lắp ráp nếu được thiết kế cho tác vụ tương ứng. Mỗi ứng dụng cần mô hình và tiêu chí kiểm thử riêng. Một mô hình nhận diện nhóm hàng không mặc nhiên đủ khả năng kiểm tra lỗi bề mặt hay xác nhận chính xác từng mã linh kiện.

Hiệu quả của giải pháp phụ thuộc vào chất lượng hình ảnh, ánh sáng, góc chụp, khoảng cách và mức độ che khuất giữa các vật thể. Bao bì phản quang, sản phẩm xoay nghiêng hoặc nhiều mặt hàng có thiết kế tương tự đều có thể làm tăng sai sót. Dữ liệu huấn luyện cần phản ánh điều kiện vận hành thực tế, bao gồm các biến thể bao bì và tình huống khó. Doanh nghiệp nên đánh giá riêng khả năng phát hiện đủ vật thể, phân loại đúng và đối chiếu đúng mã hàng thay vì chỉ dựa vào một chỉ số chính xác tổng quát. Điểm tin cậy do mô hình trả về cũng không nên được hiểu trực tiếp là tỷ lệ chắc chắn đúng trong thực tế.

Trước tiên, doanh nghiệp cần xác định mục tiêu: nhận biết nhóm sản phẩm, phân biệt từng SKU, đếm vật thể hay kiểm tra thao tác. Tiếp theo là lựa chọn camera hoặc máy quét có chất lượng ảnh, vùng quan sát và khả năng kết nối phù hợp. Giải pháp hoàn chỉnh còn cần phần mềm AI, dữ liệu sản phẩm và kết nối với POS, WMS hoặc ERP khi có yêu cầu. Với hệ thống đang sử dụng, cần kiểm tra thiết bị có cho phép lấy ảnh và tích hợp qua SDK hoặc API hay không. Nếu không đáp ứng, phương án bổ sung camera chuyên dụng có thể phù hợp hơn. Ngoài ra, doanh nghiệp nên quy định quyền truy cập, thời gian lưu ảnh và cách xử lý dữ liệu nhạy cảm xuất hiện trong khung hình.

Một dự án thử nghiệm nên bắt đầu với phạm vi sản phẩm rõ ràng và điều kiện vận hành đại diện cho thực tế. Doanh nghiệp cần đo thời gian xử lý, tỷ lệ nhận diện đúng mã hàng, tỷ lệ bỏ sót và số lần nhân viên phải can thiệp. Đồng thời, nên kiểm tra các tình huống như nhiều vật thể nằm sát nhau, bao bì thay đổi hoặc xuất hiện sản phẩm chưa có trong dữ liệu. Hệ thống cần có cơ chế từ chối kết quả không đủ tin cậy, cho phép quét lại hoặc xác nhận thủ công thay vì tự động ghi nhận sai. Kết quả thử nghiệm sẽ giúp đánh giá lợi ích so với chi phí thiết bị, tích hợp, huấn luyện và bảo trì mô hình.

Máy quét mã vạch có thể tham gia giải pháp nhận dạng vật thể bằng AI nếu có phần cứng, phần mềm và khả năng tích hợp phù hợp. Tuy nhiên, đọc mã và hiểu hình ảnh là hai chức năng khác nhau; thiết bị đọc mã thông thường không tự có khả năng nhận diện nhiều sản phẩm. Với doanh nghiệp, hướng triển khai hiệu quả thường là kết hợp mã vạch với AI để tận dụng ưu điểm của cả hai. Hãy bắt đầu từ bài toán nghiệp vụ cụ thể, kiểm chứng trên dữ liệu thực tế và lựa chọn máy quét nhận dạng vật thể dựa trên kết quả đo lường, thay vì chỉ dựa vào hình ảnh minh họa có khung nhận diện và nhãn phân loại.