Các hệ thống kiểm tra quang học tự động (AOI) là thành phần quan trọng trong các hệ thống sản xuất thông minh. Chúng cho phép thu thập dữ liệu quang học để giám sát và lưu trữ thông tin quy trình, đồng thời hỗ trợ tối ưu hóa quy trình thông qua việc phân tích dữ liệu. Đặc biệt, ngành sản xuất bộ dây điện (wiring harness) đặt ra nhiều thách thức do đặc thù sản xuất đa dạng chủng loại, quy trình lắp ráp thủ công và các yêu cầu khắt khe về chất lượng. Trong bối cảnh đó, các hệ thống AOI mang lại tiềm năng lớn nhờ khả năng kiểm soát chất lượng tự động, phát hiện lỗi nhanh chóng và hỗ trợ khắc phục sự cố trong các quy trình thủ công. Luận văn này giới thiệu phương pháp luận FastAOI – một cách tiếp cận có hệ thống để phát triển các hệ thống AOI thông minh sử dụng các kỹ thuật dựa trên dữ liệu và dữ liệu tổng hợp. FastAOI bao gồm các bước: lập kế hoạch AOI, tạo mô hình sản phẩm 3D, tạo dựng bối cảnh (scene creation) và xử lý dữ liệu. Phương pháp này tận dụng các thuật toán học sâu (deep learning) được huấn luyện bằng dữ liệu tổng hợp để nhận diện các thành phần của bộ dây điện, bao gồm cả các đối tượng dạng đường thẳng cứng và các đối tượng có thể biến dạng. FastAOI đã được triển khai và kiểm chứng trên hai hệ thống AOI – một hệ thống xử lý hình ảnh và một hệ thống phân đoạn đám mây điểm (point cloud) – nhằm chứng minh khả năng ứng dụng trên nhiều dạng dữ liệu khác nhau. Kết quả nghiên cứu khẳng định tính khả thi của việc ứng dụng học sâu trong việc phân đoạn bộ dây điện với hiệu suất cao. Ngoài ra, luận văn cũng trình bày các chiến lược hiệu quả để tích hợp dữ liệu tổng hợp vào quá trình huấn luyện mô hình học sâu, cũng như làm rõ tác động tích cực của loại dữ liệu này đối với hiệu suất của mô hình.

Abstract:

Automated optical inspection (AOI) systems are an important building block in intelligent manufacturing systems. They enable the acquisition of optical data for process monitoring and documentation, while also facilitating process optimization through data analysis. The wiring harness industry, in particular, poses challenges due to a high-variant manufacturing philosophy, manual assembly processes, and quality requirements. In this context, AOI systems offer significant potential by enabling automated quality control, fast failure detection, and trouble-shooting of manual processes. This thesis introduces the FastAOI methodology, which provides a systematic approach for developing smart AOI systems using data driven techniques and synthetic data. FastAOI comprises the process steps AOI planning, 3D product model creation, scene creation, and data processing. The approach leverages deep learning algorithms trained with synthetic data to detect wiring harness components, including both rigid and deformable linear objects. FastAOI is implemented and vali-dated in two AOI systems, one for image and one for point cloud seg-mentation, to demonstrate its applicability across multiple data modalities. The research results confirm the viability of deep learning for high-performance wiring harness segmentation. Furthermore, effective strategies for synthetic data integration into deep learning training and the positive impact of synthetic data on the model performance are outlined.

Ngôn ngữ:	eng
Tác giả:	Nguyen, Huong Giang
Thông tin nhan đề:	Automated Optical Inspection of Deformable Linear Objects in Wiring Harnesses Applying Deep Learning and Synthetic Data
Nhà xuất bản:	FAU University Press
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Điện tử viễn thông
Bản quyền:	https://creativecommons.org/licenses/by-nc/4.0/
Nguồn gốc:	https://library.oapen.org/handle/20.500.12657/116949
Mô tả vật lý:	144tr.
Năm xuất bản:	2026