Vết nứt, xước sơn hoặc dán nhãn sai: Tập đoàn BMW dựa vào các hệ thống xử lý hình ảnh tự động (thị giác máy) để phát hiện các lỗi trong quá trình sản xuất và kiểm soát chất lượng. Các giải pháp này sử dụng công nghệ học sâu dựa trên AI để xử lý và phân tích dữ liệu trực quan một cách hiệu quả, chủ yếu dựa trên phần cứng chuyên dụng hoặc trên đám mây. Để không chỉ cho phép các nhà khoa học dữ liệu mà cả nhân viên sản xuất cũng như sử dụng khối lượng công việc AI để kiểm soát chất lượng trên máy tính để bàn cổ điển, Tập đoàn BMW sử dụng một ứng dụng do Robotron phát triển với bộ công cụ Intel® Distribution of OpenVINO™. Bộ công cụ của Intel tăng tốc và cải thiện tầm nhìn của máy bằng công nghệ học sâu, đưa Tập đoàn BMW đến gần hơn với mục tiêu “AI cho mọi người”.
Với các thương hiệu BMW, MINI, Rolls-Royce và BMW Motorrad, Tập đoàn BMW là một trong những nhà sản xuất ô tô và xe máy cao cấp hàng đầu thế giới, đồng thời là nhà cung cấp các dịch vụ tài chính và di động cao cấp. Mạng lưới sản xuất của Tập đoàn BMW bao gồm 31 cơ sở sản xuất và lắp ráp tại 15 quốc gia trong khi mạng lưới bán hàng toàn cầu có đại diện tại hơn 140 quốc gia. Năm 2020, Tập đoàn BMW đạt doanh số bán hơn 2,3 triệu ô tô và hơn 169.000 xe máy trên toàn thế giới. Tập đoàn hiện có khoảng 120.000 nhân viên trên toàn thế giới.
Xử lý hình ảnh tự động trong sản xuất
Kiểm soát chất lượng quang học của các thành phần sử dụng xử lý hình ảnh dựa trên Trí tuệ nhân tạo (AI) đã trở thành tiêu chuẩn trong ngành. Kể từ năm 2018, Tập đoàn BMW đã sử dụng nhiều ứng dụng AI khác nhau cho mục đích sản xuất. Một trọng tâm là các phương pháp nhận dạng hình ảnh tự động. Kinh nghiệm cho thấy rằng các hệ thống có thị giác máy vượt trội hơn so với người kiểm tra con người trong các nhiệm vụ kiểm tra lặp đi lặp lại. Thị giác máy hoạt động nhanh hơn, chính xác hơn và đáng tin cậy hơn trong khi không bao giờ mệt mỏi. Nó có thể kiểm tra hàng trăm bộ phận mỗi phút trên dây chuyền sản xuất suốt ngày đêm, với kết quả luôn đáng tin cậy. Ngoài ra, với độ phân giải và quang học phù hợp, những công cụ như vậy có thể nhận ra các chi tiết mà mắt người không nhìn thấy.
Tại Tập đoàn BMW, các giải pháp AI giúp nhân viên sản xuất bớt căng thẳng trong các hoạt động thường ngày đơn điệu như kiểm tra xem tam giác cảnh báo hoặc bộ sơ cứu có ở đúng vị trí trong cốp hay không hoặc nắp che cần gạt nước kính chắn gió đã được lắp đúng chưa. Tại nhà máy Dingolfing, một ứng dụng AI cũng thực hiện các nhiệm vụ đòi hỏi khắt khe hơn. Trong giai đoạn kiểm tra cuối cùng, ứng dụng sẽ so sánh dữ liệu đơn đặt hàng của một chiếc xe với hình ảnh trực tiếp của mẫu chữ của chiếc ô tô mới được sản xuất. Những chữ cái này chẳng hạn như “X3” hoặc “xDrive” cũng như tất cả các kết hợp có thể được lưu trữ trong cơ sở dữ liệu hình ảnh. Trong trường hợp không có chữ cái, nhân viên kiểm tra cuối cùng sẽ nhận được thông báo về việc đó.
Một ví dụ khác là một ứng dụng AI từ nhà máy ép trong đó các bộ phận của thân xe được tạo thành từ các tấm ván. Ở đó, Tập đoàn BMW, cùng với Robotron Datenbank-Software GmbH, chuyên gia về Thị giác máy tính công nghiệp và IoT, có trụ sở tại Dresden, đã phát triển một giải pháp giúp loại bỏ cái gọi là lỗi giả, tức là sai lệch so với giá trị đã đặt, mặc dù trong thực tế không có sai lệch tồn tại. Michael Baling, Trưởng bộ phận Công nghiệp tại Robotron giải thích: “Các mảnh vụn kim loại hoặc cặn dầu còn sót lại trên các bộ phận thân xe sau khi tạo hình có thể dễ dàng bị nhầm lẫn với các vết nứt rất nhỏ. “Với giải pháp AI và khả năng mạng thần kinh truy cập khoảng 100 hình ảnh thực cho mỗi lỗi giả đặc trưng được giảm thiểu – với 100 hình ảnh của bộ phận hoàn hảo cũng như 100 hình ảnh có hạt bụi, giọt dầu trên bộ phận hoặc có vết nứt. Điều này có thể được sử dụng để xác định các trường hợp.”
Dựa trên công nghệ học sâu
Các giải pháp kiểm tra được mô tả để kiểm tra chất lượng và sự phù hợp trong sản xuất sử dụng công nghệ học sâu để xử lý lượng dữ liệu hình ảnh khổng lồ. Học sâu là một danh mục con của AI hoặc học máy dựa trên mạng thần kinh nhân tạo có nhiều lớp và tương tự như bộ não con người. Sau khi đào tạo, các thuật toán đặc biệt sẽ tự động trích xuất các mẫu từ dữ liệu thô (trong trường hợp này là dữ liệu hình ảnh) và cải thiện kỹ năng của chúng theo thời gian. Như một quy luật, con người không còn phải là một phần của quá trình học tập thực tế.
Xử lý hình ảnh dựa trên so sánh mẫu. Để có được kết quả đáng tin cậy và có thể lặp lại, hệ thống AI phải khớp nhanh chóng và chính xác các mẫu được đào tạo với các đối tượng thực tế trên dây chuyền lắp ráp. Trong sản xuất hiện tại, giải pháp đánh giá hình ảnh của một thành phần và căn chỉnh chúng trong mili giây thông qua thuật toán dựa trên kiến thức được đào tạo từ hàng trăm hình ảnh khác của cùng một thành phần. Bằng cách này, mạng nơ-ron nhân tạo xác định độ lệch so với tiêu chuẩn trong thời gian thực và kiểm tra xem, ví dụ, tất cả các bộ phận cần thiết có được lắp đặt hoặc gắn vào đúng vị trí hay không.
Deep Learning Inferencing, tức là việc sử dụng cụ thể mô hình AI được đào tạo để đánh giá dữ liệu trực quan, cho đến nay chỉ có thể thực hiện được ở một mức độ hạn chế trên phần cứng đặc biệt.
Mục tiêu: Dân chủ hóa AI với Bộ công cụ OpenVINO™
Mục tiêu của Tập đoàn BMW là dân chủ hóa suy luận AI và giải pháp “không cần mã”. Điều này có nghĩa là trong tương lai, không chỉ các nhà khoa học dữ liệu hoặc chuyên gia máy học mới có thể phát triển và sử dụng khối lượng công việc AI để kiểm soát chất lượng. Với việc Intel phân phối bộ công cụ OpenVINO, mọi nhân viên trong ngành sản xuất nên có công cụ này theo ý mình, không chỉ chạy trên phần cứng đặc biệt đắt tiền mà còn trên mọi PC tiêu chuẩn.
Để đạt được mục tiêu này, Tập đoàn BMW cùng với Robotron và Intel đã tạo ra một số API và công cụ AI. Khi sử dụng nó, mọi người dùng sẽ có thể xây dựng và sử dụng ứng dụng AI trong tương lai để nhận dạng đối tượng trên PC làm việc của mình. Dự án mã nguồn mở này mà Tập đoàn BMW cung cấp cho toàn ngành tại địa chỉ https://github.com/BMW-InnovationLab dựa trên bộ công cụ OpenVINO. Giải pháp chạy trên cả hệ điều hành Windows cũng như Linux.
Bộ công cụ OpenVINO là bộ công cụ đặc biệt dành cho các framework học sâu như TensorFlow, MXNet và Caffe. Nó bao gồm Bộ công cụ triển khai học sâu Intel® với Trình tối ưu hóa mô hình và Công cụ suy luận, cũng như các thư viện và tính năng được tối ưu hóa cho OpenCV và OpenVX. OpenCV là một thư viện phần mềm miễn phí với các thuật toán xử lý hình ảnh và thị giác máy; OpenVX là một tiêu chuẩn mở để tăng tốc đa nền tảng cho các ứng dụng thị giác máy.
Bộ công cụ OpenVINO tăng tốc khối lượng công việc cho thị giác máy bằng khả năng học sâu và tối ưu hóa các ứng dụng này trên các nền tảng Intel khác nhau. Chúng bao gồm CPU có đồ họa tích hợp, bộ tăng tốc phần cứng cho máy ảnh hoặc thiết bị xử lý hình ảnh khác trong máy tính cạnh nơi ứng dụng AI hoạt động gần máy quay video. Điều này đảm bảo rằng thuật toán chạy tối ưu trên mỗi PC.
Dự án hiện tại: Ẩn danh dữ liệu hình ảnh
Hiện tại Robotron đang thực hiện một dự án với bộ công cụ Intel Distribution of OpenVINO cho Tập đoàn BMW để ẩn danh các khuôn mặt hoặc thành phần (https://github.com/BMW-InnovationLab/BMW-Anonymization-API). “Trong ngành, hội đồng công trình và quy định bảo vệ dữ liệu chung quy định rằng để đáp ứng các quy tắc tuân thủ, cần phải ẩn danh mọi người đối với bất kỳ dạng tài liệu hình ảnh nào. Do đó, AI giúp thị giác máy tuân thủ GDPR,” ông Michael Baling của Robotron giải thích.
Để tự động ẩn danh người hoặc thành phần, các khuôn mặt hiển thị trên hình ảnh/video phải được tạo pixel hoặc ẩn bằng mô-đun AI mới. Điều tương tự cũng áp dụng cho các khu vực hoặc sản phẩm không được đánh bắt và ghi lại trên hình ảnh/video. Với mục đích này, các mô hình được đào tạo với các tệp hình ảnh để phát hiện xem có bất kỳ người hoặc thành phần nào trong hình ảnh hay không để chúng có thể lọc hoặc tạo pixel cho chúng sau này. Quá trình ẩn danh, trong đó mô hình hoặc thuật toán được áp dụng cho hình ảnh hoặc video, chạy trên một máy tính để bàn tiêu chuẩn. Nhờ OpenVINO, không cần máy chủ hoặc phần cứng đặc biệt nào khác nữa.
Ông Michael Baling tổng kết: “Với OpenVINO, quá trình suy luận cho quy trình ẩn danh có thể được thực hiện trực tiếp trên phần cứng tiêu chuẩn và được tối ưu hóa hoàn hảo cho mục đích này. Nhờ quan hệ đối tác hướng tới mục đích của chúng tôi với Intel, chúng tôi đã rất nhanh chóng có thể đạt được kết quả tốt cho Tập đoàn BMW trong trường hợp này. Điều này có nghĩa là giờ đây mọi nhân viên đều có thể sử dụng các ứng dụng AI.”
Các thành phần của Bộ công cụ OpenVINO do Intel phân phối
Bộ công cụ OpenVINO bao gồm Trình tối ưu hóa Mô hình, Công cụ Suy luận, các thư viện và tính năng được tối ưu hóa cho OpenCV và OpenVX cũng như môi trường đồ họa Deep Learning Workbench dựa trên web. Dưới đây là một mô tả ngắn gọn:
• Trình tối ưu hóa Mô hình là một công cụ dòng lệnh dựa trên Python chạy trên các hệ điều hành Windows, Linux và MacOS. Nó hỗ trợ hơn 100 mô hình đã được đào tạo, có thể truy cập công khai từ các khung học sâu phổ biến như Caffe, TensorFlow, Apache MXNet hoặc Open Neural Network Exchange (ONNX). Trình tối ưu hóa mô hình thực hiện phân tích và điều chỉnh các mô hình để thực thi tối ưu trên các thiết bị đầu cuối khác nhau. Bằng cách này, các thuật toán có thể được triển khai trên nhiều nền tảng phần cứng khác nhau của Intel, giúp tiết kiệm thời gian và tài nguyên phát triển.
• Công cụ suy luận cung cấp các giải pháp suy luận thông qua API chung trên nền tảng mong muốn, tức là bộ xử lý, bộ xử lý đồ họa (GPU), v.v. Suy luận đề cập đến việc sử dụng mô hình được đào tạo để rút ra kết luận hoặc đưa ra dự đoán từ dữ liệu đã cho. Điều này cũng cho phép chạy các lớp khác nhau trên các phần cứng khác nhau, chẳng hạn như CPU và GPU, cũng như tối ưu hóa khối lượng công việc cho, trong số các tác vụ khác, phân tích biểu đồ, lập lịch hoặc nén mô hình.
• Open CV và OpenVX: Bộ công cụ cũng cung cấp các thư viện và chức năng được tối ưu hóa cho OpenCV và OpenVX. OpenCV là một thư viện phần mềm miễn phí với các thuật toán xử lý hình ảnh và thị giác máy cho các ngôn ngữ lập trình C, C++, Python và Java. OpenVX là một tiêu chuẩn mở để tăng tốc đa nền tảng cho các ứng dụng thị giác máy.
• Deep Learning Workbench: Môi trường đồ họa dựa trên web này cho phép người dùng hình dung hiệu suất của các mô hình và bộ dữ liệu deep learning trên các cấu hình kiến trúc Intel khác nhau (CPU, GPU, VPU). Nó cung cấp các số liệu quan trọng như độ trễ, thông lượng và hiệu suất cho từng lớp của mạng thần kinh đã chọn. Điều này cho phép các thử nghiệm suy luận được định cấu hình để mang lại hiệu suất tối ưu.
Quý khách vui lòng liên hệ với ADTECH để chúng tôi được phục vụ:
ADTECH – Cung cấp thiết bị-giải pháp công nghệ dành cho doanh nghiệp
VP HN: Số 6 Kim Đồng, Phường Giáp Bát, Quận Hoàng Mai, TP. Hà Nội
CN HCM: Toà nhà Sabay Buiding 99 Cộng Hoà, Phường 4, Tân Bình, TP. HCM
Hotline: 0969133273
Website: aiotvn.com
