
|
❌ Phụ thuộc vào người vận hành
|
❌ Dễ xảy ra sai sót
|
❌ Khó kiểm soát số lượng chính xác
|
❌ Đếm thủ công mất nhiều thời gian
|
|
Kết quả đếm có thể thay đổi tùy theo người thực hiện và điều kiện làm việc.
|
Sản phẩm mỏng, nhỏ hoặc nhiều lớp có thể gây nhầm lẫn khi đếm bằng mắt.
|
Sai số trong quá trình đóng gói, xuất hàng hoặc kiểm kê có thể ảnh hưởng đến sản xuất.
|
Nhân viên phải kiểm đếm từng sản phẩm, đặc biệt khó khi số lượng lớn.
|

NeoCounter Ai-One – Tự động hóa công việc kiểm đếm
NeoCounter Ai-One sử dụng camera để ghi nhận hình ảnh sản phẩm và công nghệ AI để nhận diện, phân tích và xác định số lượng.
Thay vì phải đếm từng sản phẩm bằng mắt, người vận hành chỉ cần đặt sản phẩm vào Counting Station và thực hiện kiểm đếm.
03 TÍNH NĂNG NỔI BẬT CỦA NEOCOUNTER Ai-One

01 Máy đếm Ai-One có thể đếm cả những sản phẩm phức tạp
Các sản phẩm mỏng, nhiều lớp hoặc có hình dạng phức tạp thường gây khó khăn cho phương pháp đếm truyền thống.
NeoCounter AI sử dụng Camera và AI để học các đặc điểm hình ảnh của sản phẩm, thay vì chỉ dựa vào sự thay đổi đơn giản về độ sáng.
AI có thể học các đặc điểm như hình dạng, đường biên, màu sắc và độ sáng, giúp nhận diện từng sản phẩm ngay cả khi hình ảnh có nhiều thay đổi phức tạp.
02 Không cần điều chỉnh Threshold phức tạp

Với phương pháp đếm hình ảnh truyền thống, người dùng thường phải điều chỉnh Brightness, Contrast, Threshold và thử nghiệm nhiều lần để tìm được thiết lập phù hợp.
NeoCounter AI đơn giản hóa quá trình này.
Chỉ cần chụp hình ảnh mẫu và thực hiện Annotation, người dùng có thể đánh dấu sản phẩm cần nhận diện. AI sẽ học từ những hình ảnh mẫu để tạo model phù hợp cho từng loại sản phẩm.
03 Thích ứng với thay đổi của mặt cắt

Đối với sản phẩm dạng tấm hoặc sản phẩm được cắt, mặt cắt có thể thay đổi tùy thuộc vào vật liệu, dao cắt và điều kiện sản xuất.
Với NeoCounter AI, có thể cung cấp nhiều hình ảnh thể hiện các trạng thái khác nhau của sản phẩm để AI học.
AI có thể học sự thay đổi về hình dạng, đường biên, màu sắc và độ sáng của mặt cắt, giúp hệ thống thích ứng tốt hơn với những thay đổi trong sản phẩm thực tế.
SẢN PHẨM VÍ DỤ:
|
Bo mạch có giấy xen kẽ (0,3 mm)
 |
Thẻ nhựa trong suốt (0,3mm)
 |
Túi trong bạc (0.1mm)
 |
Tấm mềm màu nâu / FPC (0.1mm)
 |
|
Trạng thái mặt cắt sản phẩm
 |
Trạng thái mặt cắt sản phẩm
 |
Trạng thái mặt cắt sản phẩm
 |
Trạng thái mặt cắt sản phẩm
 |
|
Kết quả kiểm đếm
 |
Kết quả kiểm đếm
 |
Kết quả kiểm đếm
 |
Kết quả kiểm đếm
 |
|
Tấm tản nhiệt
 |
Túi giấy Kraft (0,2mm)
 |
Tấm Inox mỏng
 |
Khay/Nhựa trong
 |
SỰ KHÁC BIỆT CỦA NeoCounter AI-One

01 AI nhận diện sản phẩm trực tiếp từ hình ảnh
AI nhận diện sản phẩm trực tiếp từ hình ảnh
Các máy đếm số lượng không tiếp xúc truyền thống thường phân tích sự thay đổi độ sáng trong hình ảnh và chuyển hình ảnh thành một biểu đồ độ sáng (Brightness Profile). Sau đó, hệ thống đếm số lượng dựa trên các đỉnh thay đổi của biểu đồ.
Tuy nhiên, phương pháp này có thể gặp khó khăn khi đường biên giữa các sản phẩm không rõ ràng hoặc trong hình ảnh xuất hiện nhiều vùng sáng không thuộc sản phẩm cần đếm.
02 Độ phân giải cao
Chụp hình ảnh với độ phân giải cao, lên đến 5.400 pixel theo chiều ngang, giúp ghi nhận rõ ràng ngay cả những sản phẩm mỏng.
03 Học trực tiếp hình ảnh mặt cắt

Thay vì nhận diện sự thay đổi độ sáng, AI học trực tiếp hình ảnh của mặt cắt. Nhờ đó, máy có thể đếm chính xác ngay cả các vật liệu dạng tấm có mặt cắt phức tạp do nhiều lớp vật liệu được ghép lại với nhau.
04 Nhận diện tốt các biến thể

Ngay cả khi mặt cắt thay đổi tùy theo tình trạng của lưỡi cắt, hoặc vật liệu dạng tấm có sự khác biệt lớn về độ dày và hình thức bên ngoài, Deep Learning có thể ghi nhớ nhiều dạng hình ảnh mặt cắt khác nhau và đếm chính xác mà không bỏ sót.
QUY TRÌNH ĐƠN GIẢN
| STEP ① Tạo mô hình đếm |
STEP ② Gán nhãn dữ liệu (Annotation) |
STEP ③ Huấn luyện AI (Training) |
|
Thu thập hình ảnh. Chụp hình mặt cắt của đối tượng cần đếm. Vui lòng chụp trong điều kiện thực tế mà máy sẽ được sử dụng để đếm.
|
Annotation là quá trình gán ý nghĩa (gắn thẻ) cho dữ liệu mà AI sẽ học. Trong hình ảnh đã chụp, dùng công cụ đánh dấu để đánh dấu tất cả các đối tượng cần đếm.
|
Sử dụng các hình ảnh đã được gán nhãn (Annotation) để huấn luyện AI và tạo ra mô hình nhận diện/đếm.
|

|

|

|