Defect Creator Studio

Vấn đề mà công cụ này giải quyết: Bạn cần dữ liệu huấn luyện cho các lỗi hiếm gặp, nhưng việc chờ đợi chúng xảy ra tự nhiên có thể mất hàng tuần hoặc hàng tháng.

Công cụ này làm gì: Tạo ra các hình ảnh lỗi tổng hợp chân thực như ảnh thật từ một hình ảnh tốt duy nhất kèm theo mô tả bằng tiếng Anh đơn giản. Tải lên một bộ phận tốt, đánh dấu vị trí lỗi sẽ xuất hiện, mô tả nó ("vết nứt nhỏ dọc theo đường hàn"), và nhận được hàng chục hình ảnh huấn luyện chân thực chỉ trong vài giây.

Bắt đầu

1. Tải lên một hình ảnh sạch, đủ sáng của bộ phận. Kéo và thả vào canvas, hoặc nhấp vào Browse Files. Công cụ hỗ trợ độ phân giải lên đến 8K, và tất cả hình ảnh được lưu cục bộ trong trình duyệt của bạn.
2. Chọn mục tiêu camera. Chuyển đổi giữa OV10i/OV20i (1408 x 1080, tỷ lệ khung hình 4:3) và OV80i (3840 x 2160, 16:9). Các giá trị này khớp với đầu ra cảm biến thực tế của các camera OV. Nếu hình ảnh của bạn lớn hơn, công cụ sẽ tự động thu nhỏ. Nếu tỷ lệ khung hình không khớp, một lớp phủ cắt sẽ cho phép bạn chọn phần nào để giữ lại.
3. Chọn loại lỗi. Sau khi tải lên, AI sẽ phân tích vật liệu, hình dạng và bề mặt hoàn thiện của bộ phận, sau đó đề xuất các loại lỗi phù hợp. Có 16 loại lỗi được tích hợp sẵn: Scratch, Dent, Chip, Stain, Crack, Corrosion, Porosity, Weld Defect, Discoloration, Burr, Delamination, Warping, Contamination, Missing Material, Inclusion, và Oxidation. Bạn cũng có thể thêm Custom Defects với mô tả của riêng bạn.
4. Đánh dấu vùng lỗi. Sử dụng các công cụ annotation để vẽ chính xác vị trí lỗi sẽ xuất hiện trên hình ảnh.
5. Tạo. Nhấp vào nút Generate màu tím. AI sẽ tạo ra một lỗi chân thực như ảnh thật trong vùng bạn đã đánh dấu.

Công cụ annotation

Thanh công cụ bên trái cung cấp bảy công cụ để đặt lỗi chính xác:

Phím tắt	Công cụ	Phù hợp nhất cho
C	Circle Marker	Các lỗi dạng tròn hoặc dạng điểm như rỗ, bong bóng, đổi màu cục bộ
M	Rectangle Select	Các mẫu dạng dải như vết xước dọc theo cạnh hoặc cong vênh ở cấp độ tấm
L	Lasso	Các hình dạng không đều hoặc hữu cơ như vết nứt, vết tràn, mẫu gãy phức tạp
G	Move/Resize	Định vị lại và thay đổi kích thước annotation sau khi vẽ
E	Eraser	Xóa các annotation
H	Pan	Di chuyển quanh hình ảnh (cũng có thể sử dụng tạm thời bằng cách giữ Space)
Z	Zoom	Phóng to lên đến 800% để đạt độ chính xác ở cấp pixel

Các phím tắt bổ sung: Ctrl+Z để hoàn tác, Ctrl+Shift+Z để làm lại, Del để xóa annotation cuối cùng.

Thanh công cụ annotation

Bảng loại lỗi với bộ chọn camera và nút Generate

Vùng chọn chặt chẽ tạo ra kết quả tốt hơn

Hãy coi mỗi annotation như một cửa sổ chỉ dẫn chính xác. AI chỉ tạo ra lỗi bên trong vùng chọn của bạn. Nếu vùng chọn của bạn chặt chẽ quanh khu vực lỗi dự định, mô hình có thể tập trung chính xác. Các vùng lỏng lẻo bao gồm nền không liên quan có thể khiến mô hình lan tỏa ảnh hưởng của lỗi ra khu vực bổ sung.

Viết mô tả lỗi hiệu quả

AI diễn giải tên lỗi của bạn như một chỉ dẫn bằng ngôn ngữ tự nhiên. Tính cụ thể rất quan trọng.

Chất lượng	Ví dụ	Lý do
Tốt	"Light horizontal transparent scratches on glossy plastic"	Bao gồm hình thái, hướng, loại bề mặt và đặc điểm thị giác
Tốt	"Fine radial crack near molded corner"	Cụ thể về hình dạng, vị trí và bối cảnh vật liệu
Kém	"scratch"	Quá mơ hồ để mô hình tạo ra kết quả hữu ích
Kém	"damage"	Không có hình thái, không có bối cảnh bề mặt

Hãy bắt đầu với các loại lỗi do AI đề xuất trước. Chúng xuất hiện ngắn gọn trong giao diện, nhưng nội bộ mỗi đề xuất được ánh xạ tới một mô tả ngữ nghĩa phong phú hơn giúp mô hình tạo ra kết quả chính xác. Chỉ thêm lỗi tùy chỉnh khi đối tượng của bạn không được bao phủ bởi các đề xuất.

Capture from Image (lỗi tham chiếu)

Một trong những tính năng mạnh mẽ nhất. Sử dụng Browse & Capture để chọn một hình ảnh đã tải lên, đánh dấu vùng lỗi thực tế và lưu nó làm template tham chiếu có thể tái sử dụng. Điều này cho phép bạn chuyển một lỗi thực từ hình ảnh này sang các hình ảnh khác.

• Việc đặt tên rất quan trọng. Vùng cắt bao gồm cả lỗi và nền xung quanh. AI sử dụng tên bạn đặt để hiểu phần nào là lỗi thực sự. "Bent pin on connector" cung cấp cho mô hình một điểm neo ngữ nghĩa, trong khi "defect" khiến mô hình phải đoán.
• Các kịch bản chuyển đổi: Cùng một bộ phận ở vị trí khác, các bộ phận tương tự trên cùng dây chuyền, hoặc thậm chí các dây chuyền sản xuất khác nhau khi khái niệm lỗi vẫn có ý nghĩa (ví dụ: vết xước trên một vỏ nhựa chuyển đổi tốt sang vỏ nhựa khác).
• Thanh trượt Severity, Rotation, và Size (chỉ áp dụng cho lỗi tham chiếu): Không có sự biến đổi, mọi lỗi được chuyển đổi sẽ là bản sao chính xác. Rotation thay đổi góc và hướng. Size kiểm soát độ bao phủ không gian. Severity kiểm soát mức độ nổi bật trực quan của lỗi.

Kiểm soát mức độ nghiêm trọng (Severity)

Thanh trượt severity kiểm soát mức độ nổi bật trực quan của lỗi. Giá trị mặc định cố ý tinh tế vì hầu hết các lỗi sản xuất thực tế đều tinh tế. Ngay cả ở mức 50%, các lỗi vẫn khá mờ nhạt. Ở mức 1%, lỗi gần như vô hình với mắt người, nhưng camera thị giác OV vẫn có thể phát hiện chúng. Đây là một trong những ưu điểm chính của machine vision: camera không bao giờ mệt mỏi và có thể nhận diện các mẫu dưới ngưỡng cảm nhận của con người.

Chế độ Style Variations

Nằm cạnh nút Change Image. Sau khi tải lên hình ảnh, AI phân tích loại bộ phận và đề xuất các sửa đổi kiểu dáng phổ biến trong sản xuất, như thay đổi bề mặt kim loại từ đánh xước (brushed) sang đánh bóng (polished), đổi màu nhựa, hoặc thay đổi loại lớp phủ. Bạn cũng có thể thêm các biến thể kiểu dáng tùy chỉnh của riêng mình.

Hai trình tự hợp lệ:

• Đổi kiểu trước, sau đó thêm lỗi. Hữu ích để tạo dữ liệu huấn luyện cho một dòng sản phẩm hoặc biến thể màu sắc mới trước khi nó tồn tại về mặt vật lý.
• Thêm lỗi trước, sau đó đổi kiểu. Xem cùng một lỗi trông như thế nào qua các biến thể vật liệu, bề mặt hoàn thiện và màu sắc.

Hình học, hướng, bố cục và thành phần của bộ phận vẫn giữ nguyên. Chỉ thuộc tính kiểu dáng được nhắm đến mới thay đổi. Điều này đặc biệt giá trị vì bối cảnh lỗi (vị trí, hình dạng, mức độ nghiêm trọng) vẫn ổn định qua các biến thể, nên mô hình của bạn học cách phát hiện chính lỗi đó thay vì một tổ hợp cụ thể giữa lỗi và diện mạo bề mặt.

Giới hạn vùng

• Tối đa 9 vùng khuyết tật thông thường (tích hợp sẵn hoặc tùy chỉnh dựa trên văn bản)
• Tối đa 4 khuyết tật chuyển giao từ hình ảnh tham chiếu
• Ít vùng hơn thường mang lại kết quả sạch hơn. Hãy bắt đầu với một vùng chính xác, xác minh chất lượng, sau đó thêm dần các vùng khác.

Hàng đợi và thông lượng

Studio chạy tối đa 3 lần tạo song song. Các yêu cầu bổ sung sẽ được tự động xếp hàng và thực thi khi có slot trống. Sử dụng burst 3 lần chạy để so sánh nhanh A/B/C: gửi cùng một cấu hình ba lần, so sánh kết quả song song và chọn kết quả tốt nhất. Đối với khối lượng lớn, xếp hàng 10 job trở lên và để chúng xử lý trong khi bạn tiếp tục công việc khác.

Compare, Library và Downloads

• Compare: Chuyển đổi giữa hình ảnh baseline và hình ảnh được tạo. Đối với các khuyết tật tinh tế, việc chuyển đổi nhanh/nhấp nháy hoạt động tốt nhất. Hệ thống thị giác của con người phát hiện sự thay đổi qua chuyển động tốt hơn nhiều so với việc so sánh tĩnh song song.
• Image Library: Khay phía dưới cung cấp một dải phim có thể cuộn để quét trực quan nhanh. Chế độ xem mở rộng bổ sung đầy đủ quản lý dataset: tìm kiếm, sắp xếp, chọn nhiều (Ctrl/Shift-click), tải xuống từng hình ảnh, tạo file ZIP cho pipeline huấn luyện và xóa.
• Lưu giữ chú thích: Khi bạn chuyển đổi giữa các hình ảnh, tất cả các chú thích đều được tự động bảo toàn và khôi phục. Điều hướng đi xem một hình ảnh khác, sau đó quay lại để thấy tất cả các vùng của bạn chính xác như lúc bạn rời đi.

Quy trình làm việc được khuyến nghị

1. Tải lên một hình ảnh baseline sạch và đảm bảo nó phù hợp với khung hình OV20i (1408 x 1080). Ánh sáng tốt, tiêu điểm đúng và nền tối giản đều có ích.
2. Bắt đầu với các khuyết tật do AI đề xuất. Chúng được hiệu chỉnh cho loại bộ phận của bạn. Chỉ thêm tên tùy chỉnh khi khuyết tật mục tiêu của bạn bị thiếu.
3. Đặt một vùng chính xác, chặt chẽ và tạo trước. Các lần chạy một vùng là baseline đáng tin cậy nhất.
4. Sử dụng Compare tích cực sau mỗi lần tạo. Đối với các khuyết tật tinh tế, việc chuyển đổi nhanh làm nổi bật ngay cả những khác biệt nhỏ nhất về mặt trực quan.
5. Điều chỉnh mức độ nghiêm trọng, độ chặt của vùng và cách diễn đạt dựa trên những gì bạn thấy. Lặp lại cho đến khi chất lượng ổn định, sau đó mở rộng sang nhiều vùng và khối lượng xếp hàng.

Bắt đầu với dữ liệu thực, tăng tốc với dữ liệu tổng hợp

Cách tiếp cận tốt nhất: huấn luyện với 3-5 hình ảnh thực ban đầu của bạn trước, xác định nơi AI gặp khó khăn, sau đó sử dụng Defect Studio để tạo các ví dụ tổng hợp có mục tiêu cho các chế độ lỗi cụ thể đó. Dữ liệu thực dạy baseline; dữ liệu tổng hợp lấp đầy các khoảng trống.

Dữ liệu tổng hợp bổ sung cho dữ liệu thực, không thay thế nó

Hình ảnh từ Defect Studio rất mạnh mẽ để lấp đầy các khoảng trống trong tập huấn luyện của bạn, nhưng chúng không bao giờ nên là nguồn dữ liệu huấn luyện duy nhất. Luôn xác thực hiệu suất model với hình ảnh sản xuất thực.

Xem thực tế

Vị trí trong quy trình làm việc: Bạn sẽ sử dụng Defect Studio trong Bước 4: Huấn Luyện Mô Hình AI Của Bạn để xây dựng dữ liệu huấn luyện nhanh hơn.