Dữ liệu AI kiểm tra lỗi: lấy mẫu, gán nhãn và chia tập

17/11/2026

Đổi điều kiện chiếu sáng có thể làm mô hình khó xác định vùng lỗi. Trong nghiên cứu MVTec AD 2 năm 2026, Heckler-Kram và cộng sự ghi nhận điểm định vị lỗi AU-PRO của mô hình MSFlow giảm 12,4 điểm phần trăm khi đánh giá trên tập có điều kiện chiếu sáng hỗn hợp [1]. Dữ liệu AI kiểm tra lỗi là bộ ảnh, nhãn đối chiếu và thông tin truy xuất dùng để huấn luyện, hiệu chỉnh và kiểm chứng hệ thống kiểm tra ngoại quan. Bộ ảnh cần phản ánh cả tiêu chuẩn chất lượng lẫn điều kiện chụp trên dây chuyền.

Tóm tắt

Chốt tiêu chí đạt và lỗi với bộ phận chất lượng, rồi lấy mẫu theo lô, ca và điều kiện chụp. Rà soát nhãn khó, giữ ảnh cùng sản phẩm trong cùng một tập và khóa tập kiểm thử. Sau triển khai, bổ sung ảnh từ các ca bỏ lọt hoặc loại nhầm.

1. Chốt định nghĩa lỗi và nhãn cho dữ liệu AI kiểm tra lỗi

Bộ phận chất lượng cần chốt tiêu chí đạt, lỗi và cần xem xét trước khi gán nhãn hàng loạt. Một vết xước có thể được chấp nhận ở mặt khuất nhưng bị loại ở bề mặt lắp ghép. Hướng dẫn gán nhãn cần ghi rõ vùng áp dụng, ngưỡng chấp nhận và cách xử lý ảnh thiếu nét.

Tiêu chíNhãn toàn ảnhHộp bao lỗiMặt nạ vùng lỗi
Phạm viToàn ảnhHình chữ nhật quanh lỗiVùng lỗi theo pixel
Câu hỏi trả lờiẢnh có lỗi không?Lỗi ở đâu?Đường biên lỗi ở đâu?
Phù hợp khiChỉ cần phân loại đạt/lỗiCần chỉ vị trí để rà soátCần phân tích hình dạng vùng lỗi
Quy tắc cần chốtƯu tiên khi có nhiều lỗiĐộ sát của hộp baoCách vẽ biên mờ
Cách kiểm traĐối chiếu quyết định QCKiểm tra lỗi bị bỏ sótSo biên với ảnh tham chiếu

Nếu cần nghiệm thu theo kích thước vật lý, hãy hiệu chuẩn ảnh và xác nhận độ phân giải đủ để đo tại vị trí lỗi.

2. Lấy mẫu theo điều kiện thực tế

Lấy mẫu theo điều kiện mà hệ thống sẽ gặp khi vận hành. Bao phủ mã sản phẩm, lô vật liệu, ca sản xuất, trạm camera và trạng thái ánh sáng. Thu cả hàng đạt có bề mặt phản quang, vân vật liệu hoặc dấu gia công dễ bị nhầm thành lỗi. [1]

Quy trình chuẩn bị bộ ảnh

  1. Lập ma trận lấy mẫu. Dùng lịch sản xuất và danh mục lỗi để xác định tổ hợp cần chụp và khoảng trống cần bổ sung.
  2. Thu ảnh tại trạm. Lưu ảnh gốc cùng mã chi tiết, lô, thời điểm và cấu hình camera để truy xuất điều kiện chụp.
  3. Gán nhãn và đối soát. Dùng hướng dẫn của bộ phận chất lượng để tạo bộ nhãn đã duyệt.
  4. Chia tập theo nhóm. Dùng bảng kê ảnh và mã nhóm để kiểm tra giao nhau giữa các tập.
  5. Chạy thử tại trạm. Dùng kết quả QC xác nhận để đo tỷ lệ bỏ lọt và loại nhầm trước khi tự động loại sản phẩm.

3. Gán nhãn có kiểm tra

Gán nhãn thử một lô nhỏ và cho hai người đánh giá độc lập các ảnh khó. Người phụ trách chất lượng phân xử bất đồng và cập nhật hướng dẫn bằng ví dụ có thể áp dụng cho lô tiếp theo.

Ưu tiên rà soát ảnh có nhiều lỗi, lỗi sát ngưỡng và bề mặt phản quang. Nếu ảnh không đủ nét để kết luận, đánh dấu cần chụp lại. Nếu phải đối chiếu với mẫu vật hoặc số đo, lưu kết quả đối chiếu cùng mã chi tiết. Báo cáo các nhóm bất đồng theo loại lỗi để phát hiện tiêu chí nào đang được hiểu khác nhau.

Dùng ISO 9001 làm tham chiếu cho quy trình phê duyệt và quản lý thay đổi tiêu chí. Dùng ISO/IEC 27001 làm tham chiếu khi đánh giá rủi ro chia sẻ ảnh sản phẩm và phân quyền kho dữ liệu [2] [3]. Lưu phiên bản hướng dẫn, người duyệt và lịch sử sửa nhãn để tái lập kết quả kiểm tra.

4. Tách dữ liệu để tránh rò rỉ

Chia dữ liệu theo đơn vị sản xuất cần đánh giá, chẳng hạn chi tiết, lô hoặc đợt chụp. Ảnh từ nhiều góc của cùng một chi tiết phải ở cùng tập. Nếu mục tiêu là chạy trên lô mới, dành các lô độc lập cho kiểm thử. [4]

Dùng tập huấn luyện để học, tập xác thực để chọn mô hình và ngưỡng, tập kiểm thử để đánh giá cấu hình đã chốt. Với scikit-learn, GroupKFold hỗ trợ kiểm định chéo theo nhóm trong dữ liệu phát triển. Tập kiểm thử nghiệm thu cần được giữ riêng. Tạo ảnh tăng cường sau khi chia và chỉ dùng chúng để huấn luyện. [4] [5]

Trước khi nghiệm thu, kiểm tra trùng mã chi tiết, ảnh trùng và ảnh gần trùng giữa các tập. Duy trì một tập phản ánh tỷ lệ lỗi thực tế và một tập thử thách có lỗi hiếm. Báo cáo riêng để thấy cả hiệu năng theo nhịp sản xuất và khả năng bắt lỗi khó.

5. Quản lý và bổ sung sau triển khai

Sau triển khai, lưu phiên bản ảnh, nhãn, quy tắc chia tập và mô hình để truy xuất từng lần nghiệm thu. Khi đổi camera, đèn hoặc mã sản phẩm, thu ảnh xác nhận tại trạm và xem tỷ lệ bỏ lọt, loại nhầm theo từng nhóm điều kiện. [1]

Lấy mẫu từ cả luồng bị loại lẫn luồng được cho qua. Nếu chỉ xem hàng bị loại, đội chất lượng khó phát hiện lỗi đã lọt. Với ảnh bổ sung đã được QC xác nhận, ghi lý do thu mẫu và giữ nguyên bộ kiểm thử dùng cho lần nghiệm thu trước.

Bài học từ kiểm tra bo mạch mềm

Với bài toán phát hiện lỗi rất nhỏ trên bo mạch mềm, TMA Innovation mô tả phương án chụp ảnh độ phân giải cao. Trang Defect Detection On Electronic Board của TMA Innovation (undated) công bố độ chính xác phát hiện lỗi 95% và thời gian kiểm tra 6 giây mỗi bo [6]. Trang này chưa nêu cách chia tập hoặc tỷ lệ bỏ lọt theo loại lỗi. Khi nghiệm thu dự án tương tự, yêu cầu bảng kê lô kiểm thử, số mẫu theo loại lỗi và kết quả theo trạm để kiểm chứng chỉ số tổng hợp.

Câu hỏi thường gặp

Cần bao nhiêu ảnh để huấn luyện mô hình?

Xác định theo số loại lỗi, biến thiên hàng đạt và mức rủi ro. Bắt đầu bằng bộ mẫu đại diện, đánh giá trên các lô độc lập rồi bổ sung nhóm còn thiếu hoặc có kết quả yếu.

Có thể huấn luyện chỉ bằng ảnh hàng đạt không?

Có. Phát hiện bất thường có thể học từ ảnh hàng đạt. Vẫn cần ảnh lỗi được xác nhận để kiểm thử khả năng phát hiện và đánh giá ngưỡng vận hành. [1]

Có nên chia ngẫu nhiên theo từng ảnh không?

Nếu ảnh có chung chi tiết hoặc đợt chụp, hãy chia theo nhóm. Chia từng ảnh có thể đưa các góc chụp gần giống nhau vào cả tập huấn luyện và tập kiểm thử. [4]

Chỉ số nào nên dùng khi nghiệm thu?

Đo tỷ lệ bỏ lọt trên hàng lỗi và tỷ lệ loại nhầm trên hàng đạt. Báo cáo theo loại lỗi, mã sản phẩm và trạm, kèm số mẫu và thời gian xử lý theo nhịp dây chuyền.

Kiểm tra gì khi chọn nhà cung cấp gán nhãn?

Yêu cầu gán thử một lô có ảnh khó, giao hướng dẫn và nhật ký phân xử, xuất nhãn ở định dạng đã thống nhất, đồng thời chứng minh có thể truy xuất từ nhãn về ảnh gốc.

Kết luận

Hãy nghiệm thu bộ ảnh bằng lô độc lập và điều kiện chụp đại diện trước khi dùng kết quả mô hình để quyết định loại hàng. Gửi TMA Innovation ảnh đại diện, tiêu chuẩn ngoại quan và nhịp dây chuyền để trao đổi về phạm vi thử nghiệm và tiêu chí nghiệm thu. [7]

Tài liệu tham khảo

[1] Heckler-Kram và cộng sự. The MVTec AD 2 Dataset: Advanced Scenarios for Unsupervised Anomaly Detection (2026). International Journal of Computer Vision

[2] ISO. ISO 9001:2026 — Quality management systems — Requirements (2026). Tổng quan tiêu chuẩn

[3] ISO. ISO/IEC 27001:2022 — Information security, cybersecurity and privacy protection — Information security management systems — Requirements (2022). Tổng quan tiêu chuẩn

[4] scikit-learn. GroupKFold (undated). Tài liệu API

[5] scikit-learn. Common pitfalls and recommended practices (undated). Hướng dẫn tránh rò rỉ dữ liệu

[6] TMA Innovation. Defect Detection On Electronic Board (undated). Mô tả giải pháp và chỉ số công bố

[7] TMA Innovation. Contact (undated). Trang liên hệ

TMA Innovation
Tác giả: TMA Innovation
Table Of Content
1. Chốt định nghĩa lỗi và nhãn cho dữ liệu AI kiểm tra lỗi
2. Lấy mẫu theo điều kiện thực tế
Quy trình chuẩn bị bộ ảnh
3. Gán nhãn có kiểm tra
4. Tách dữ liệu để tránh rò rỉ
5. Quản lý và bổ sung sau triển khai
Bài học từ kiểm tra bo mạch mềm
Câu hỏi thường gặp
Cần bao nhiêu ảnh để huấn luyện mô hình?
Có thể huấn luyện chỉ bằng ảnh hàng đạt không?
Có nên chia ngẫu nhiên theo từng ảnh không?
Chỉ số nào nên dùng khi nghiệm thu?
Kiểm tra gì khi chọn nhà cung cấp gán nhãn?
Kết luận
Tài liệu tham khảo
Bắt đầu dự án của bạnNgay hôm nay!
Liên hệ ngay
Share: