AI tự phát hiện hư hỏng trên ảnh drone là dùng mô hình nhận diện hình ảnh để quét toàn bộ bộ ảnh kiểm tra, khoanh những vùng có dấu hiệu vết nứt, gỉ sét, bong tróc, thấm ẩm hay điểm nóng nhiệt, kèm một mức độ tin cậy cho mỗi phát hiện. Giá trị lớn nhất là tốc độ: hàng nghìn ảnh được lọc trong vài giờ thay vì vài ngày ngồi lướt. Giới hạn lớn nhất là mô hình vừa báo nhầm (vết bẩn, bóng đổ, vệt nước bị coi là nứt) vừa bỏ sót (vết nứt mảnh, góc khuất), nên kết quả luôn cần người có kinh nghiệm rà lại trước khi tới tay kỹ sư.
Bài này dành cho người làm dịch vụ bay kiểm tra muốn đưa AI vào quy trình xử lý: các loại công cụ, điều kiện ảnh để AI làm tốt, cách đọc độ tin cậy, cách tự đo tỷ lệ báo nhầm và bỏ sót, quy trình rà, và chuyện tự gán nhãn để cải thiện mô hình. Tên công cụ cụ thể không nêu vì thay đổi nhanh; viết theo loại và nguyên lý.
Mô hình nhận diện "nhìn" ảnh kiểm tra thế nào
Phần lớn công cụ hiện nay dùng mạng nơ-ron học từ rất nhiều ảnh đã được người đánh dấu sẵn: vùng này là vết nứt, vùng kia là gỉ, vùng nọ là bình thường. Sau khi học, mô hình nhận một ảnh mới và trả về các khung hoặc vùng tô màu kèm điểm tin cậy. Có ba kiểu đầu ra hay gặp: phân loại cả ảnh (ảnh này có hư hỏng hay không), khoanh khung quanh đối tượng (vết gỉ nằm trong khung này), và tô từng điểm ảnh (vết nứt đi theo đường này), kiểu sau cùng hữu ích khi cần đo chiều dài vết nứt.
Điều quan trọng cần hiểu: mô hình chỉ giỏi trong phạm vi những gì nó đã học. Một mô hình học chủ yếu từ ảnh cầu bê tông ở nước khác, ánh sáng khác, bề mặt khác, có thể kém hẳn khi gặp tường vôi ố vàng, mái tôn sơn xanh hay rêu mốc của khí hậu nóng ẩm. Đây là lý do cùng một công cụ, người này khen, người kia chê: họ dùng trên những loại ảnh khác nhau.
Với ảnh nhiệt, nguyên lý tương tự nhưng dữ liệu là nhiệt độ từng điểm. Công cụ cho pin mặt trời thường kết hợp nhận diện hình học (đâu là tấm, đâu là ô) với ngưỡng chênh lệch nhiệt, nên kết quả dễ kiểm soát hơn ảnh thường. Với mái và mặt dựng, ảnh nhiệt tìm vùng ẩm, vùng mất cách nhiệt, nhưng đọc khó hơn vì chịu ảnh hưởng của nắng, gió và vật liệu.
Các loại công cụ và chọn theo việc
Không có công cụ tốt nhất chung cho mọi loại việc. Bảng dưới chia theo cách triển khai, mỗi cách hợp với một kiểu khách và quy mô.
| Loại công cụ | Cách dùng | Hợp với | Cần lưu ý |
|---|---|---|---|
| Tính năng nhận diện trong phần mềm xử lý ảnh đo vẽ | Chạy sau khi ghép trực ảnh hoặc dựng mô hình | Người đã dùng phần mềm đó cho đo vẽ, việc vừa và nhỏ | Phạm vi loại hư hỏng có hạn, kiểm phiên bản |
| Nền tảng chuyên kiểm tra theo ngành (pin mặt trời, điện, viễn thông) | Tải ảnh lên, nhận báo cáo theo mẫu của ngành | Hệ thống lớn, khách cần báo cáo chuẩn hoá | Dữ liệu đưa lên máy chủ ngoài, cần khách đồng ý |
| Mô hình mã nguồn mở tự chạy | Cài trên máy tính có card đồ hoạ, có thể tự huấn luyện thêm | Người có kỹ năng lập trình, muốn kiểm soát dữ liệu | Tốn công thiết lập, chất lượng phụ thuộc dữ liệu huấn luyện |
| Chatbot đa phương thức | Gửi vài ảnh, hỏi có thấy dấu hiệu gì | Hỏi nhanh, giải thích cho khách, soạn mô tả | Không phù hợp lọc hàng loạt, có thể mô tả sai, không gửi ảnh nhạy cảm |
Với người mới đưa AI vào quy trình, cách ít rủi ro là bắt đầu từ tính năng có sẵn trong phần mềm mình đã quen, chạy song song với việc rà tay trong vài dự án, so sánh kết quả. Chỉ khi biết rõ công cụ mạnh yếu ở đâu trên loại công trình mình hay làm, mới nên dựa vào nó nhiều hơn.
Điều kiện ảnh để AI làm tốt
Chất lượng nhận diện phụ thuộc vào ảnh nhiều hơn vào công cụ. Bộ ảnh chụp cẩu thả thì công cụ tốt mấy cũng cho kết quả kém. Những điều kiện dưới cũng là điều kiện để người xem đánh giá được.
- Khoảng cách và độ chi tiết đồng đều: hư hỏng nhỏ nhất cần tìm phải chiếm đủ số điểm ảnh; ảnh chụp lúc gần lúc xa làm mô hình lúc thấy lúc không.
- Ảnh nét: nhoè chuyển động xoá đúng những đường mảnh như vết nứt.
- Ánh sáng mềm, ít bóng gắt: bóng đổ của lan can, dây điện là nguồn báo nhầm hàng đầu.
- Bề mặt tương đối sạch: rêu, vết nước chảy, vết sơn cũ dễ bị coi là hư hỏng.
- Góc nhìn gần vuông góc với bề mặt: ảnh quá xiên làm biến dạng hình dạng vết nứt.
- Ảnh gốc, không nén lại: nén mạnh tạo khối vuông nhiễu, mô hình hiểu nhầm thành kết cấu.
Nói cách khác, quy trình bay chụp tốt cho người kỹ sư xem cũng chính là quy trình tốt cho AI. Không có lối tắt nào bù được cho ảnh kém.
Đọc độ tin cậy và tự đo tỷ lệ báo nhầm, bỏ sót
Mỗi phát hiện thường kèm điểm tin cậy, ví dụ 0,9 hay 0,5. Đây không phải xác suất "đúng" theo nghĩa thông thường mà là mức chắc chắn của mô hình theo cách nó được huấn luyện. Phần mềm thường cho đặt ngưỡng: đặt ngưỡng cao thì ít báo nhầm nhưng bỏ sót nhiều, đặt thấp thì bắt được nhiều hơn nhưng phải rà nhiều báo nhầm. Với kiểm tra an toàn, bỏ sót thường nguy hiểm hơn báo nhầm, nên nhiều người chọn ngưỡng thấp và chấp nhận rà nhiều.
Cách tự đo độ tin cậy của công cụ trên loại công trình của mình: chọn một bộ ảnh mẫu, ví dụ vài trăm ảnh của một công trình đã kiểm kỹ, người có kinh nghiệm đánh dấu tay toàn bộ hư hỏng. Cho công cụ chạy trên cùng bộ ảnh, rồi đếm ba con số: số phát hiện đúng, số báo nhầm (công cụ khoanh nhưng người không công nhận), số bỏ sót (người đánh dấu nhưng công cụ không khoanh). Từ đó biết với ngưỡng đang đặt, cứ mười phát hiện thì bao nhiêu là thật, và cứ mười hư hỏng thật thì công cụ bắt được bao nhiêu.
Ví dụ giả định: trên bộ ảnh mẫu, người đánh dấu 50 vết, công cụ khoanh 80 vùng, trong đó 40 vùng trùng với vết người đánh dấu. Vậy công cụ bắt được 40 trên 50 vết (bỏ sót 10), và 40 trên 80 vùng khoanh là đúng (báo nhầm 40). Con số này cho biết cần rà kỹ những vùng nào và nên hạ hay nâng ngưỡng. Lặp lại phép đo khi đổi công cụ, đổi phiên bản, hay chuyển sang loại công trình khác.
Quy trình rà kết quả AI trước khi giao
Quy trình dưới đây giúp kết quả AI trở thành dữ liệu kỹ sư tin dùng được. Ghi lại từng bước đã làm; đó cũng là bằng chứng chất lượng trong hồ sơ năng lực.
- Chạy nhận diện với ngưỡng đã chọn qua bộ ảnh mẫu, ghi lại phiên bản công cụ và ngưỡng.
- Rà từng phát hiện: chấp nhận, loại (báo nhầm), hoặc đánh dấu "chưa chắc, cần kỹ sư xem". Nhóm theo vị trí công trình để rà nhanh hơn.
- Lướt các ảnh không có phát hiện ở những vùng quan trọng (mối nối, chân cột, gối cầu, đường nối mái) để tìm bỏ sót.
- Đối chiếu ảnh tổng thể để gán vị trí cho từng phát hiện được chấp nhận theo quy ước đặt tên của dự án.
- Đo kích thước nếu cần, ví dụ chiều dài vết nứt từ ảnh có tỷ lệ, kèm ghi chú sai số ước tính.
- Ghi vào báo cáo phần nào do AI phát hiện rồi người xác nhận, phần nào do người phát hiện thêm, phần nào còn nghi vấn.
- Lưu kết quả rà làm dữ liệu cho lần sau: những vùng bị báo nhầm thường lặp lại một kiểu, biết trước thì rà nhanh hơn.
Tự gán nhãn và huấn luyện thêm: khi nào đáng làm
Sau nhiều dự án cùng loại, người làm nghề tích luỹ được hàng nghìn ảnh đã rà, mỗi ảnh có nhãn đúng sai do người xác nhận. Đây là tài sản quý để tinh chỉnh một mô hình mã nguồn mở hoặc đóng góp vào nền tảng cho phép huấn luyện thêm, giúp mô hình quen với công trình kiểu Việt Nam: mái tôn sơn, tường vôi, rêu mốc, khí hậu nóng ẩm.
Tuy vậy, cần cân nhắc ba điều. Một là quyền sở hữu dữ liệu: ảnh chụp công trình của khách thuộc phạm vi thoả thuận trong hợp đồng, dùng để huấn luyện mô hình cần khách đồng ý, nhất là khi tải lên nền tảng bên ngoài. Hai là chất lượng nhãn: nhãn sai dạy mô hình sai; quy ước gán nhãn phải rõ (thế nào là vết nứt, thế nào là vết bẩn) và nên có người thứ hai kiểm một phần. Ba là công sức: thiết lập và huấn luyện tốn thời gian, chỉ đáng làm khi khối lượng việc cùng loại đủ lớn.
Với đa số người làm dịch vụ nhỏ, lựa chọn thực tế là dùng công cụ có sẵn, giữ kỷ luật rà soát, và lưu kết quả rà một cách có tổ chức. Khi khối lượng tăng, dữ liệu đã có nhãn sẽ sẵn sàng cho bước tiếp theo.
Dùng chatbot đúng chỗ, và những điều không nên hỏi nó
Chatbot đa phương thức có thể nhìn một tấm ảnh và mô tả "có vẻ có vết nứt chạy chéo ở góc trên". Nó hữu ích để học hỏi, giải thích cho khách, hay soạn mô tả phát hiện cho báo cáo. Câu lệnh mẫu khi soạn báo cáo: "Dựa trên danh sách phát hiện đã được kỹ thuật viên xác nhận sau (mã vị trí, loại dấu hiệu, kích thước đo được), viết đoạn mô tả cho từng mục bằng giọng trung tính, chỉ mô tả quan sát, không suy đoán nguyên nhân hay mức độ nguy hiểm."
Không nên hỏi chatbot "công trình này có an toàn không" hay "vết nứt này có nguy hiểm không" rồi dùng câu trả lời trong báo cáo. Đánh giá an toàn kết cấu cần kỹ sư có chuyên môn, xem trực tiếp, có số liệu thiết kế. Cũng không gửi ảnh công trình nhạy cảm, ảnh có người hay biển số rõ nét vào công cụ công cộng khi chưa được khách cho phép.
Câu hỏi thường gặp
AI có phát hiện được mọi vết nứt không?
Không. Vết nứt mảnh hơn độ chi tiết của ảnh, vết nứt ở góc khuất, dưới lớp bụi hay rêu đều dễ bị bỏ sót. Mô hình cũng hay báo nhầm vết bẩn, bóng đổ thành vết nứt. Vì vậy cần đo tỷ lệ bỏ sót trên bộ ảnh mẫu và luôn có người rà lại những vùng quan trọng.
Điểm tin cậy 0,9 có nghĩa là đúng 90% không?
Không hẳn. Đó là mức chắc chắn của mô hình theo cách nó được huấn luyện, không phải xác suất đúng trên công trình của bạn. Muốn biết thật sự đúng bao nhiêu, phải tự đo trên bộ ảnh mẫu đã được người kiểm kỹ, đếm số phát hiện đúng, báo nhầm và bỏ sót.
Nên đặt ngưỡng tin cậy cao hay thấp?
Với kiểm tra liên quan an toàn, bỏ sót thường nguy hiểm hơn báo nhầm, nên nhiều người đặt ngưỡng thấp và chấp nhận rà nhiều. Với việc thống kê, theo dõi xu hướng, có thể đặt cao hơn để giảm công rà. Hãy chọn dựa trên phép đo bộ ảnh mẫu, không chọn theo cảm giác.
Có thể dùng AI để đo chiều rộng vết nứt không?
Một số công cụ tô từng điểm ảnh cho phép ước lượng chiều dài và chiều rộng vết nứt nếu ảnh có tỷ lệ chính xác. Tuy vậy chiều rộng vết nứt thường nhỏ, gần với độ chi tiết của ảnh, nên sai số tương đối lớn. Số đo này dùng để theo dõi, còn đánh giá chính thức cần đo tại chỗ.
Tải ảnh công trình lên nền tảng AI có cần hỏi khách không?
Nên hỏi, và tốt nhất ghi vào hợp đồng. Ảnh kiểm tra cho thấy bố trí công trình, thiết bị, đôi khi cả người lao động. Nhiều khách, nhất là nhà máy, công trình hạ tầng, yêu cầu dữ liệu không rời khỏi hệ thống nội bộ. Khi đó dùng công cụ chạy trên máy tính của mình.
Người bay có cần biết lập trình để dùng AI không?
Không bắt buộc. Tính năng nhận diện trong phần mềm xử lý và các nền tảng chuyên ngành dùng qua giao diện bình thường. Lập trình chỉ cần khi muốn tự chạy mô hình mã nguồn mở hoặc huấn luyện thêm. Kỹ năng quan trọng hơn là hiểu công trình và kỷ luật rà soát kết quả.