OV Defect Creator Studio · Đánh giá trên VisA PCB1

Có thể huấn luyện mô hình phát hiện lỗi bằng dữ liệu tổng hợp không?

Overview AI·Ngày 25 tháng 9 năm 2026

Chúng tôi đã thực hiện đánh giá đối chuẩn. Mười ảnh lỗi thực cùng 50 ảnh được tạo trong OV Defect Creator Studio đạt mức tham chiếu 84% của bộ 50 ảnh thực với một seed. Với seed khác, mô hình vượt mức đó, phát hiện được 86% lỗi.

Chỉ một phần năm lượng dữ liệu lỗi thực.

Nút thắt: thu thập ảnh lỗi thực

Một dự án kiểm tra bằng thị giác có thể đã có camera, ánh sáng và tiêu chí xác định sản phẩm lỗi, nhưng vẫn phải chờ dữ liệu huấn luyện. Chụp ảnh sản phẩm đạt rất dễ. Một kiểu xước, chân cong hoặc thiếu linh kiện cụ thể có thể mất nhiều tuần hay nhiều tháng mới xuất hiện đủ để tạo thành thư viện lỗi hữu ích.

Các nhóm thường chờ phế phẩm tích lũy hoặc chủ động làm hỏng chi tiết. Tạo lỗi tổng hợp mang lại cách khác để có mẫu huấn luyện. Câu hỏi của chúng tôi rất cụ thể: những ảnh được tạo có giúp mô hình phát hiện lỗi trong ảnh chụp thực không?

Chúng tôi đã đánh giá những gì

Chúng tôi dùng PCB1 thuộc bộ dữ liệu công khai VisA, so sánh ảnh lỗi thực với ảnh được tạo bằng OV Defect Creator Studio. Nguồn dữ liệu huấn luyện gồm 50 ảnh lỗi thực và 50 ảnh được tạo, bao phủ vết xước, chân cong, thiếu linh kiện và lỗi nóng chảy.

Loại nhầm xảy ra khi một sản phẩm đạt bị đánh dấu là lỗi. Giữ cố định giới hạn này giúp phép so sánh có ý nghĩa: mô hình không thể cải thiện kết quả chỉ bằng cách loại thêm sản phẩm đạt. Thử nghiệm đo giá trị của dữ liệu huấn luyện bằng một mô hình chung.

Kết quả: đạt và vượt mức tham chiếu dùng dữ liệu thực

Huấn luyện với 50 ảnh lỗi thực cho tỷ lệ phát hiện trung bình 84%. Chỉ dùng 10 ảnh thực, mức trung bình là 58%. Đó là khoảng cách mà các nhóm gặp phải khi bộ ảnh lỗi thực còn nhỏ.

Thêm 50 ảnh được tạo vào 10 ảnh lỗi thực đã thay đổi kết quả. Trong các lần thử với nhiều seed, một lần chạy đạt mức tham chiếu 84%. Lần khác đạt 86%, vượt mức tham chiếu dù dùng ít hơn 40 ảnh lỗi thực.

Những lần chạy riêng lẻ này cho thấy ảnh được tạo có thể giúp mô hình đạt mức tham chiếu dùng dữ liệu thực với bộ ảnh lỗi thực nhỏ hơn nhiều. Với nhà sản xuất, đây là cách hữu ích để mở rộng độ bao phủ huấn luyện khi các mẫu hiếm vẫn khó thu thập.

Khả năng phát hiện vết xước tăng hơn gấp đôi

Vết xước có mức cải thiện rõ nhất. Với 10 ảnh lỗi thực, mô hình phát hiện 33% lỗi xước. Thêm 50 ảnh được tạo nâng tỷ lệ lên 75%, không cần thu thập thêm một ảnh lỗi thực nào.

Tỷ lệ phát hiện thiếu linh kiện cũng tăng từ 31% lên 58%. Chân cong tăng từ 76% lên 96%, lỗi nóng chảy từ 69% lên 84%. Cả bốn nhóm lỗi đều cải thiện trong phép so sánh bắt đầu từ 10 ảnh thực này.

Đây là lúc dữ liệu tổng hợp đặc biệt hữu ích: cung cấp thêm ví dụ về những lỗi chưa được đại diện đầy đủ trong tập dữ liệu thực nhỏ. Thay vì chờ thêm bo mạch hỏng, kỹ sư có thể tạo các biến thể có chủ đích và đo xem chúng có giúp ích không.

Xem lỗi thực và lỗi được tạo

Các ví dụ dưới đây lấy từ chính nghiên cứu. Chọn loại lỗi để so sánh ảnh VisA thực với mẫu huấn luyện được tạo. Đường viền là chú thích vùng lỗi, không phải dự đoán của mô hình.

Vết xướcChân congThiếu linh kiệnLỗi nóng chảy

Vết xước: ảnh thực và ảnh được tạo

33% → 75% được phát hiện

Vuốt ngang để xem các ví dụ hoặc mở ảnh kích thước đầy đủ bên dưới.

Quan sát vệt mài mòn sáng ở nơi lớp phủ xanh bị cạo đi. Ví dụ khác nhau về độ dài, hướng và số vệt song song. Dạy mô hình sự đa dạng này hữu ích hơn lặp lại một vết cào rõ nét.

Mở ảnh kích thước đầy đủ: vết xước ↗

Tỷ lệ phát hiện là trung bình qua các seed, đã làm tròn, cho 10 ảnh lỗi thực trước và sau khi thêm 50 ảnh được tạo, với giới hạn loại nhầm 2%. Ảnh có nguồn từ VisA, Zou và cộng sự, theo giấy phép CC BY 4.0. Overview AI thực hiện cắt ảnh, chú thích và chỉnh sửa tổng hợp.

Cách chúng tôi xây dựng tập ảnh huấn luyện được tạo

Mỗi ảnh được tạo bắt đầu từ bo mạch không lỗi thuộc phần dữ liệu huấn luyện. Người vận hành dùng OV Defect Creator Studio để thêm lỗi lên bo mạch, rồi vẽ mặt nạ phân đoạn quanh phần vật liệu lỗi. Tập ảnh được tạo bao phủ cùng bốn nhóm như nguồn dữ liệu thực, bao gồm một số bo mạch có nhiều lỗi.

Chi tiết hình ảnh rất quan trọng. Trên bo mạch này, vết xước thường là vệt mài mòn sáng xuyên qua lớp phủ. Chân cong thể hiện sự lệch vị trí của chân cắm. Thiếu linh kiện làm lộ bề mặt hoặc pad hàn vốn bị che. Tập huấn luyện cần thể hiện những hình thái cụ thể này, vượt ra ngoài nhãn chung như “xước” hay “cong”.

Ví dụ về nóng chảy cho thấy chỉ bao phủ tên nhóm lỗi là chưa đủ. Ảnh thực có vật liệu bám quanh chân và pad hàn, cũng như trên vỏ kim loại của thạch anh; ảnh được tạo ở trên tập trung quanh chân và pad. Nhìn vào khác biệt này giúp định hướng vòng tạo ảnh tiếp theo: bổ sung hình thái còn thiếu thay vì lặp lại kiểu đã có.

Ý nghĩa của kết quả đối với kiểm tra bằng thị giác

Kết quả ủng hộ một quy trình thực tế: bắt đầu với ảnh lỗi thực đang có, dùng ảnh được tạo để bổ sung khoảng trống và xác thực bằng ảnh thực. Mô hình bỏ sót vết xước cần thư viện xước tốt hơn. Mô hình bỏ sót một kiểu chân cong cần ví dụ về chính hình dạng đó.

Thử nghiệm dùng U-Net tiêu chuẩn trên một bộ dữ liệu bo mạch. Các tỷ lệ mô tả thử nghiệm này, không phải hiệu năng camera Overview AI hay hệ thống kiểm tra sản xuất hoàn chỉnh. Giữ nguyên mô hình giúp đánh giá đóng góp của dữ liệu huấn luyện được tạo.

Cơ hội nằm ở việc rút ngắn thời gian chờ mẫu huấn luyện hữu ích. Các nhóm có thể bao phủ sớm hơn những dạng lỗi đã biết nhưng hiếm gặp, rồi tiếp tục cải thiện kiểm tra khi có thêm ảnh sản xuất thực.

Câu hỏi thường gặp