Đối chiếu quy cách đóng gói xuất hàng bằng AI cho nhà máy

Khi muốn áp dụng AI để đối chiếu quy cách đóng gói xuất hàng, việc đầu tiên cần quyết định không phải là chọn loại camera. Doanh nghiệp cần xác định một phiên bản quy cách có hiệu lực cho từng đơn hàng, khách hàng và mã sản phẩm: dùng thùng nào, vật liệu đệm nào, số lượng bao nhiêu, thông tin hiển thị và trọng lượng thế nào; sau đó đối chiếu với thùng đang được đóng gói. Cùng một sản phẩm có thể có điều kiện đóng gói khác nhau tùy điểm đến, hợp đồng khách hàng và đơn vị xuất hàng. Đọc đúng nhãn nhưng thiếu vật liệu đệm vẫn có thể làm hàng hư hỏng trong vận chuyển; hình ảnh trông đúng nhưng liên kết giữa thùng và đơn hàng sai vẫn dẫn đến xuất nhầm. Bài viết này lấy trạm đóng gói tại nhà máy ở Thái Lan làm bối cảnh, trình bày thiết kế triển khai kết hợp mã vạch, hình ảnh, cân và quyết định của người vận hành, từ RFP đến FAT và SAT.

Đối chiếu quy cách đóng gói xuất hàng là bài toán khác với tự động hóa máy đóng gói

Khi đầu tư robot đóng thùng, doanh nghiệp đánh giá công suất và nguyên nhân dừng ở các công đoạn dựng thùng, đưa hàng vào và niêm phong. Còn đối chiếu quy cách đóng gói xuất hàng nhằm quyết định: “Thùng này có được xuất theo đơn hàng và quy cách này không?”. Việc này vẫn cần thiết khi không có thiết bị tự động và công nhân tự lắp thùng bằng tay. Để tìm hiểu năng lực thiết bị, xem bài viết về tự động hóa dây chuyền đóng gói; bài này tập trung vào đối chiếu và lưu bằng chứng cho từng đơn vị đóng gói.

Kiểm tra ngoại quan đường hàn nhiệt phát hiện nếp nhăn, vết bẩn hoặc khuyết tật ở phần mép hàn; đối tượng đánh giá khác với việc xác nhận loại thùng, vật liệu đệm và số lượng thay đổi theo từng đơn hàng. AI OCR trên hóa đơn xuất khẩu hoặc phiếu đóng gói xử lý việc đọc và đối chiếu chứng từ, nhưng không bảo đảm hàng thực tế trong thùng là đúng. Quản lý phiên bản nhãn là nền tảng để đưa nội dung nhãn đã phê duyệt tới hiện trường. Dù phiên bản được quản lý đúng, nhân viên vẫn có thể dán nhầm nhãn bản cũ đã in. Trạm đóng gói là điểm kiểm tra cuối cùng. Hãy kết hợp bước này với quản lý phiên bản nhãn trong sản xuất để liên kết bản được phê duyệt với nhãn thực tế đã dán.

Không gom mọi lỗi đóng gói thành một loại “lỗi AI”

Sai lệch tại hiện trường có ít nhất sáu loại: sản phẩm hoặc mã hàng khác đơn đặt hàng; sai số lượng; sai thùng; sai vật liệu đệm hoặc vách ngăn; sai nội dung nhãn hoặc vị trí dán; và trọng lượng nằm ngoài khoảng cho phép. Ngoài ra còn có các điều kiện như đặt cùng mã hàng vào thùng có kích thước khác, bỏ chỉ dẫn hướng đặt hàng của khách, hoặc nhầm quan hệ cha–con giữa nhiều thùng. Mỗi loại sai lệch cần phương pháp phát hiện, có chi phí phán đoán sai và người xác nhận cuối cùng khác nhau. Nếu giao tất cả cho một mô hình AI hình ảnh, nguyên nhân quyết định và điểm cần cải thiện sẽ trở nên khó thấy.

Ở bước thiết kế nghiệp vụ, bộ phận chất lượng, logistics và kinh doanh cần xác nhận loại lỗi nào gây thiệt hại, vào thời điểm nào, với khách hàng nào và ở mức độ nào. Ngoài chi phí trả hàng, cần xem xét việc dây chuyền khách hàng dừng, xuất lại khẩn cấp, mở thùng kiểm tra và suy giảm uy tín. Không trình bày một khoản tiền giả định như lợi ích phổ quát. Ghi riêng các khiếu nại đã xảy ra và các tình huống suýt xảy ra tại hiện trường để chọn nhóm mã hàng ưu tiên.

Tạo nguồn quy cách chuẩn: liên kết đơn hàng, mã hàng, khách hàng và phiên bản

Đối tượng AI đối chiếu không phải ảnh chụp hướng dẫn thao tác mơ hồ, mà là dữ liệu quy cách đóng gói đã phê duyệt, có thời hạn hiệu lực rõ ràng. Dùng “mã đơn hàng/lệnh xuất, khách hàng, SKU hoặc phiên bản sản phẩm, điểm đến và đơn vị đóng gói” làm khóa để xác định phiên bản quy cách áp dụng. Cần định nghĩa khi nào yêu cầu riêng của khách hàng được ưu tiên hơn quy cách chuẩn, khi nào quay lại quy cách chuẩn và thời điểm bắt đầu hiệu lực. Nếu chỉ dùng mã hàng làm khóa, cùng một linh kiện có thể bị áp nhầm yêu cầu chống gỉ hoặc chống va đập giữa vận chuyển đường biển và giao trực tiếp trong nước.

Quy cách cần bao gồm chất liệu và kích thước thùng, bao gói bên trong và vật liệu đệm, hướng đặt sản phẩm, số lượng mỗi thùng, điều kiện cho phép đóng chung, phiên bản mẫu nhãn, dữ liệu in, vị trí nhãn, tổng trọng lượng kỳ vọng và khoảng cho phép, điều kiện cân, phương pháp niêm phong và người có quyền phê duyệt ngoại lệ. Những đặc tính không xác định được qua ảnh, như chất liệu, cần được bổ sung bằng mã vạch vật tư hoặc hồ sơ lô cấp phát. Trọng lượng kỳ vọng phải dựa trên phân bố trọng lượng sản phẩm đo thực tế, biến thiên của thùng, vật liệu đệm và băng keo, cùng độ phân giải của cân. Không áp dụng tùy tiện một mức ± vài phần trăm cho mọi trường hợp. Nếu trọng lượng thùng thay đổi theo mùa hoặc độ ẩm, cần đánh giá lại khoảng cho phép bằng mẫu vật thực tế.

Nếu thay đổi đơn hàng từ kinh doanh, phiên bản sản phẩm từ thiết kế và thay đổi đóng gói từ chất lượng không được cập nhật đồng bộ, hiện trường sẽ tiếp tục làm theo phiên bản cũ. Vì vậy, chỉ lấy phiên bản đã phê duyệt khi bắt đầu đóng gói và quy định cách xử lý nếu phiên bản đổi trong lúc thao tác. Nguyên tắc là: “Lưu phiên bản được cố định lúc bắt đầu trong hồ sơ; nếu thay đổi đòi hỏi ngừng xuất, cách ly sản phẩm chưa niêm phong và đánh giá lại”. Giữ lịch sử thay đổi phiên bản và người phê duyệt; không biến chỉ dẫn bằng lời thành thay đổi quy cách lâu dài.

Phân định vai trò của mã vạch, AI hình ảnh và cân

Mã vạch đọc dữ liệu có cấu trúc về việc đối tượng được nhận diện là gì. Theo giải thích của GS1, GTIN dùng để nhận diện mặt hàng trong thương mại, còn SSCC nhận diện duy nhất một đơn vị logistics. Chỉ quét SSCC không đủ để kết luận hàng trong thùng là đúng. Cần thiết kế nơi thu thập GTIN, lô, số sê-ri, ID thùng và mã đơn hàng, cũng như sự kiện liên kết chúng. Nếu dùng nhãn logistics, hãy tuân theo GS1 Logistic Label Guideline và xác nhận tính duy nhất của SSCC, khả năng đọc máy của nhãn và nội dung con người đọc được. Đừng ép nhãn riêng của khách hàng vào cùng một mô hình dữ liệu; quản lý các trường dữ liệu theo yêu cầu của họ riêng biệt.

AI hình ảnh phù hợp để phân loại hoặc phát hiện các trạng thái nhìn thấy được, như cách bố trí vật liệu đệm khi thùng còn mở, sự hiện diện của vách ngăn, hướng đặt, ngoại quan loại thùng và vị trí dán nhãn. Tuy nhiên, vật liệu đệm trong suốt, phản chiếu, vật thể chồng lấp, bàn tay che khuất, khác biệt in rất nhỏ và sản phẩm bị che ở đáy thùng đều khó nhận diện. Không được suy đoán rằng vật không nhìn thấy “có mặt” rồi cho xuất hàng. Bổ sung các hạng mục bị che khuất bằng quét khi đưa hàng vào, hồ sơ cấp vật tư, trọng lượng và xác nhận của người vận hành. Ảnh cần cho AI trước lúc đóng thùng khác với ảnh sau lúc dán nhãn, vì vậy phải tách vị trí và thời điểm chụp.

Cân giúp kiểm tra tính hợp lý của số lượng, nhưng không phát hiện được sản phẩm khác có cùng trọng lượng hoặc sai vật liệu đệm được bù trừ về trọng lượng. Gió, rung, tiếp xúc băng tải, điểm không, trọng lượng bì và thời điểm đọc đều ảnh hưởng phép đo. Với thiết bị cân dùng trong giao dịch thương mại, cần kiểm tra luật và điều kiện hiệu chuẩn của từng địa phương; không đồng nhất chúng với trọng lượng dùng để ra quyết định trong bài này. NIST Handbook 44 cũng nêu tầm quan trọng của quy cách, dung sai và kiểm định thiết bị cân đo, nhưng sự phù hợp pháp lý tại Thái Lan phải được kiểm tra theo yêu cầu địa phương.

Điểm cốt yếu là không thay thế sự khớp mã vạch bằng “độ tin cậy cao” của AI. Trước hết hãy kiểm tra ID và số lượng có thể đối chiếu chắc chắn bằng quy tắc xác định. AI hình ảnh bổ sung khả năng đánh giá những trạng thái nhìn thấy được vốn phụ thuộc vào mắt người. Sau đó, thiết kế để con người dừng và xem xét các trường hợp không chắc chắn. NIST AI RMF nhấn mạnh đo lường, quản lý rủi ro AI trong vận hành và sự can thiệp của con người khi cần. Không trao quyền cho phép xuất hàng chỉ dựa vào điểm số của AI.

Trình tự tại trạm đóng gói: lấy bằng chứng cần thiết trước khi đóng thùng

Trình tự đề xuất là: ① gọi lệnh xuất và ID thùng; ② xác định phiên bản quy cách áp dụng; ③ quét sản phẩm và vật tư; ④ chụp ảnh lúc đưa sản phẩm vào và bố trí vật liệu đệm; ⑤ xác nhận đã đưa vào đủ số lượng; ⑥ đánh giá các hạng mục nhìn thấy được từ ảnh trước khi đóng thùng; ⑦ sau khi niêm phong và dán nhãn, kiểm tra mã, vị trí và trọng lượng; ⑧ ghi nhận cho phép hoặc giữ lại. Camera không thể kiểm tra lớp đệm dưới đáy sau khi thùng đã đóng. Trước hết phải đưa thời điểm chụp cần thiết vào tiêu chuẩn thao tác.

Đánh số ID thùng và tạo một chuỗi sự kiện cho mỗi thùng sẽ liên kết ảnh, quét sản phẩm, trọng lượng, nhãn, quyết định và thao tác làm lại. Nếu một đơn hàng gồm nhiều thùng, ghi quan hệ cha–con giữa ID thùng và ID đơn hàng/lô xuất. Nếu quy trình áp dụng SSCC của GS1, dùng SSCC làm mã nhận diện đơn vị logistics và xác định rõ cách ánh xạ với ID thùng nội bộ. Không mặc định SSCC là bắt buộc cho mọi thao tác trong nhà máy; hãy xét yêu cầu của khách hàng, nhà cung cấp dịch vụ logistics và đơn vị xuất hàng.

Màn hình thao tác cần hiển thị trên một trang “thùng đúng là thùng nào”, “tiếp theo quét hoặc chụp gì” và “vì sao đang giữ lại”. Chỉ hiện chữ NG màu đỏ sẽ làm công việc bị đình trệ. Ở nơi làm việc đa ngôn ngữ, cần chuẩn bị câu ngắn cố định bằng tiếng Thái và tiếng Anh cùng hướng dẫn cụ thể để chụp lại. Người vận hành không cần nhớ tên kỹ thuật của mã quyết định; thông báo phải gắn với hành động khắc phục thực tế. Khi mất mạng, không được tự ý tiếp tục cho xuất dựa trên dữ liệu quy cách cũ. Hãy quy định quy trình ngoại tuyến được phê duyệt, nơi đặt thùng giữ lại và bước đối chiếu lại sau khi khôi phục.

Ba trạng thái “OK/giữ lại/NG” và thao tác làm lại

OK nghĩa là đã có đủ ID, ảnh, trọng lượng và nhãn cần thiết, tất cả khớp phiên bản quy cách áp dụng. Giữ lại nghĩa là thiếu dữ liệu để kết luận, chẳng hạn ảnh bị che, mã vạch không đọc được hoặc giá trị cân không ổn định. NG nghĩa là đã xác nhận sự không phù hợp với quy cách đã biết. Nếu coi trường hợp giữ lại là NG và bắt chụp ảnh lại vô hạn, thời gian sẽ bị lãng phí; nếu tự chuyển giữ lại thành OK, hàng sẽ được xuất dù thiếu bằng chứng. Cần định nghĩa việc chuyển giữa các trạng thái bằng sơ đồ và quy trình.

Khi làm lại, lưu “ai đã sửa gì, ở thùng nào, theo phiên bản nào”. Nếu thay nhãn, phải ghi việc hủy nhãn cũ, số lần in lại và quét lại. Nếu trọng lượng ngoài khoảng, không ghi đè giá trị bằng tay; hãy kiểm tra lại hàng và trọng lượng bì rồi cân lại. Nếu thêm vật liệu đệm, chụp lại ảnh trước khi đóng thùng. Gửi ngoại lệ cho người có thẩm quyền được chỉ định, chẳng hạn bộ phận chất lượng, và giới hạn lý do cùng phạm vi hiệu lực của phê duyệt. Nếu AI về sau đổi ảnh người phê duyệt chưa xem thành OK, không được xóa quyết định phê duyệt tại thời điểm đó.

Lưu ý khi thu thập dữ liệu huấn luyện AI

Ảnh sản phẩm riêng lẻ là chưa đủ để huấn luyện AI. Cần thu thập dữ liệu theo SKU, loại thùng, chất liệu, vật liệu đệm, ánh sáng, góc camera, bàn tay hoặc dụng cụ của người vận hành lọt vào khung hình, hàng đạt và từng loại sai lệch. Bao gồm cả sự đổi màu hoặc nếp gấp của thùng lưu kho lâu ngày và vật tư từ nhiều nhà cung cấp. Nhãn đáp án phải ghi hạng mục nào không phù hợp với phiên bản quy cách nào, thay vì chỉ ghi “đạt/không đạt”. Trong công đoạn có phần lớn sản phẩm đạt, chỉ báo cáo độ chính xác chung có thể che giấu lỗi bỏ sót.

Chia dữ liệu để huấn luyện, điều chỉnh và đánh giá cuối theo ID thùng hoặc theo lô và ngày. Nếu ảnh chụp liên tiếp của cùng một thùng xuất hiện ở cả tập huấn luyện lẫn đánh giá, hiệu năng sẽ có vẻ cao hơn thực tế. Xem riêng theo khách hàng và loại thùng các chỉ số bỏ sót, dừng nhầm, chụp lại, không thể kết luận và thời gian quyết định. Khi mô hình hiện có chưa biết mã hàng có quy cách mới, hãy giữ lại dưới trạng thái chưa học hoặc chuyển rõ ràng sang quy trình kiểm tra không dùng AI. Không dùng chung một ngưỡng điểm cho mọi mã hàng.

Mục tiêu hiệu năng phải được đặt từ số liệu đo thực tế của kiểm tra thủ công hiện tại, mức nghiêm trọng của xuất nhầm, thời gian chu kỳ và thời gian làm lại có thể chấp nhận. Một con số như “tỷ lệ phát hiện 99%” không cho biết hệ thống bỏ sót nhãn sai nghiêm trọng hay chỉ báo nhầm một bóng đổ vô hại. Cần nêu mẫu số và khoảng tin cậy cho từng mã hàng, giai đoạn đo và điều kiện chụp. Khi không có đủ lỗi thực tế, dùng mẫu thử cố ý tạo sai lệch đã biết cho kiểm tra nghiệm thu và nói rõ giới hạn của cách thử này. Sau khi vận hành, mọi thay đổi về sản phẩm, thùng, ánh sáng và vị trí camera cũng phải đi vào quản lý thay đổi mô hình.

Phạm vi và phân chia trách nhiệm cần ghi trong RFP

Nếu yêu cầu báo giá chỉ ghi “dùng camera và AI kiểm tra đóng gói”, mỗi nhà cung cấp sẽ hiểu phạm vi trách nhiệm khác nhau. Trước hết hãy liệt kê mã hàng, khách hàng, hình thức đóng gói, số thùng mỗi ngày, thời gian chu kỳ lúc cao điểm và thứ tự ưu tiên các sai lệch cần phát hiện. Nêu nguồn quy cách chuẩn nằm ở ERP, MES, WMS hay PLM, ai phê duyệt thay đổi và thời điểm phiên bản có hiệu lực. Nếu hệ thống nguồn thiếu dữ liệu, không chấp nhận đề xuất để AI tự suy đoán thay.

Phạm vi thiết bị gồm đèn, camera, ống kính, đồ gá cố định, máy quét, cân, thiết bị đầu cuối, mạng, máy in nhãn và luồng di chuyển của thùng giữ lại. Phạm vi phần mềm gồm lấy quy cách, quy tắc quyết định, mô hình hình ảnh, ghi sự kiện, phân quyền, nhật ký kiểm toán, sao lưu, khôi phục và đánh giá lại mô hình. Với sự kiện “cho phép xuất” ghi về ERP hoặc WMS, phải định nghĩa bên nào ghi, và cách tránh ghi hai lần khi truyền thông thất bại. Thời hạn lưu ảnh thành phẩm và thông tin khách hàng, cùng quyền truy cập, cũng cần đưa vào điều kiện báo giá.

Đừng chỉ so chi phí ban đầu. Hãy ước tính tổng chi phí sở hữu, gồm thêm mã hàng, thay camera, vệ sinh đèn, tạo dữ liệu huấn luyện, đào tạo tại hiện trường, bảo trì phần mềm và hiệu chuẩn hằng năm. Khi tính hiệu quả đầu tư, tách “số vụ xuất nhầm × chi phí xử lý thực tế”, thời gian kiểm tra và kiểm tra lại, công xử lý khiếu nại, chi phí hủy và đóng gói lại. Chỉ tính khoản tiết kiệm nhân sự khi đã xác nhận có điều chuyển thực tế hoặc tránh được tuyển mới. Cố định giai đoạn cơ sở trước triển khai để đo mức cải thiện.

FAT và SAT phải thử cả tình huống lỗi, không chỉ hoạt động bình thường

Trong FAT, hãy thử chuyển phiên bản quy cách, thùng đúng, thùng sai, thiếu vật liệu đệm, sai số lượng, sai phiên bản nhãn, trùng ID thùng, không đọc được mã, mất kết nối, giữ lại, làm lại và phê duyệt. Đừng chỉ dùng những thùng đã có trong dữ liệu huấn luyện AI; hãy dùng mẫu thử được tách riêng cho nghiệm thu. Kiểm tra rằng khi thiết bị hiện NG, sự kiện cho phép xuất thực sự không được gửi đi. FAT chỉ bao trùm phần có thể thử trước khi đưa thiết bị đến nhà máy và không đại diện cho mọi điều kiện thao tác tại hiện trường.

Trong SAT, hãy thử ánh sáng tại chỗ, thùng thực tế, máy in nhãn, nhiều người vận hành, khoảng cách giữa các thùng giờ cao điểm, tích hợp WMS/ERP, độ trễ mạng và việc đặt lại vị trí camera sau vệ sinh. Bao gồm chênh lệch ánh sáng ngày/đêm, nhãn theo khách hàng, đơn hàng nhiều thùng và khác biệt giữa các lô vật tư thùng. Theo dõi thực tế thùng giữ lại được chuyển đi đâu và ai phê duyệt làm lại. IEC 62381:2024 quy định yêu cầu và danh sách kiểm tra cho FAT, SAT và các thử nghiệm khác của hệ thống tự động hóa trong ngành công nghiệp quá trình. Nên dùng tài liệu này để tham khảo khi làm rõ trách nhiệm thử nghiệm giữa bên mua và bên cung cấp, không xem nó đương nhiên là nghĩa vụ pháp lý áp dụng nguyên vẹn cho từng trạm đóng gói.

Chia tiêu chí nghiệm thu thành giới hạn bỏ sót và dừng nhầm theo mã hàng, loại sai lệch, bằng chứng bắt buộc, thời gian chu kỳ, thời gian khôi phục, lưu dữ liệu và điều kiện hoàn tất đào tạo nhân viên. Chỉ đặt các con số sau khi đã thống nhất kế hoạch thử tại hiện trường và cỡ mẫu. Không tuyên bố hệ thống hoàn hảo vì “không bỏ sót” trong một mẫu quá nhỏ. Quy định trước phạm vi nghiệm thu lại khi thay đổi quy cách hoặc cập nhật mô hình sau thử nghiệm; liên kết phiên bản mô hình, phiên bản quy cách, điều kiện chụp và kết quả thử.

Trình tự triển khai: bắt đầu từ một loại thùng rồi mở rộng cho các khách hàng

Giai đoạn một, chọn nhóm khách hàng và SKU có tác động khiếu nại lớn, ít loại thùng và quy cách đã được phê duyệt. Quan sát sai sót trước đây và thao tác hiện tại để tìm điểm đầu tiên có thể phát hiện sai lệch. Giai đoạn hai, hoàn thiện đối chiếu xác định bằng ID thùng, đơn hàng, quét sản phẩm, phiên bản quy cách và trọng lượng. Giai đoạn ba, chỉ đưa vào danh sách ứng viên AI các trạng thái cần ảnh, như bố trí vật liệu đệm và vị trí dán. Giai đoạn bốn, sau khi xây dựng xử lý ngoại lệ và SAT tại chỗ, kết nối với cổng cho phép xuất. Trình tự này giúp tránh nhầm lỗi đánh giá của AI với lỗi nhận diện trong hệ thống.

Trong thời gian thí điểm, cho AI chạy song song với kiểm tra hiện hành để phân tích bất đồng, thay vì lập tức biến AI thành cổng xuất hàng duy nhất. Ghi riêng trường hợp AI bỏ sót, nhân viên bỏ sót và cả hai không thể kết luận. Kiểm tra khả năng cách ly thùng giữ lại trước khi xuất. Sau khi điều chỉnh ngưỡng trong phạm vi thử giới hạn, đánh giá với lô, ca và người vận hành khác. Mỗi lần mở rộng phạm vi, xác nhận ánh sáng, vật liệu thùng và vị trí nhãn vẫn nằm trong điều kiện đã đánh giá.

Sau khi vận hành, theo dõi riêng xuất nhầm, khiếu nại khách hàng, tỷ lệ giữ lại, tỷ lệ chụp lại, tỷ lệ dừng nhầm, tỷ lệ bỏ sót, thời gian kiểm tra mỗi thùng, thời gian làm lại và tỷ lệ thiếu bằng chứng. Tỷ lệ giữ lại giảm đột ngột có thể là hiện trường đã cải thiện, nhưng cũng có thể hệ thống phát hiện kém đi. Hãy đánh giá cùng phân bố điểm mô hình, chất lượng ảnh đầu vào và số lần thay đổi quy cách. Khi cập nhật AI, ghi tổ hợp mô hình, ngưỡng và quy cách để có thể quay lại phiên bản cũ.

Xử lý vật liệu đóng gói thay thế thế nào?

Khi thiếu thùng carton hoặc vách ngăn, hiện trường có thể muốn dùng vật tư trông tương tự. Nếu AI cho phép thay thế chỉ vì “trên ảnh nhìn giống nhau”, vật tư có thể không đáp ứng khả năng chịu tải, chịu ẩm hoặc hợp đồng khách hàng. Thiết kế bao bì và chất lượng phải phê duyệt trước các tổ hợp vật tư có thể thay, rồi đăng ký điều kiện, thời hạn hiệu lực và đơn hàng áp dụng vào dữ liệu quy cách. Giữ lại trường hợp thay thế chưa được phê duyệt. Ngay cả khi được phép, vẫn quét ID vật tư và ghi vào lịch sử ID thùng rằng đã dùng vật tư thay thế thay vì vật tư chuẩn.

Quản lý giấy in nhãn và ruy băng thay thế theo cùng nguyên tắc. Việc đọc được mã tại một thời điểm không cho biết nhãn có bị cọ mòn khi vận chuyển hay bong mép sau khi dán. Cần quy trình xác minh chất lượng in định kỳ và kiểm tra vị trí dán, tình trạng bề mặt khi chụp ảnh. Nếu dán nhãn mới chồng lên nhãn cũ, phải bảo đảm mã cũ không còn có thể được đọc đồng thời. Đưa yêu cầu hiển thị theo từng khách hàng vào dữ liệu quy cách để hiện trường không phải đoán “cách dán thường lệ”.

Nhầm lẫn khi một đơn hàng có nhiều mã hàng hoặc nhiều thùng

Đối chiếu một mã hàng trong một thùng tương đối đơn giản; khi một đơn chứa nhiều mã hàng hoặc nhiều thùng, việc chuyển nhầm hàng giữa các thùng dễ xảy ra. Tổng số lượng của đơn có thể đúng, nhưng nếu mã hàng trong thùng A và B bị đảo, vẫn vi phạm thứ tự mở hàng hoặc hướng dẫn giao nhận của khách. Lưu chi tiết sản phẩm được đưa vào theo từng ID thùng. Khi tổng hợp về ID lô xuất, kiểm tra riêng điều kiện đóng chung cho phép của mỗi thùng và mức hoàn tất của cả đơn hàng. Đừng dùng chung một cờ cho “thùng đạt” và “đơn hàng có thể xuất”.

Ví dụ, một đơn có năm thùng và chỉ một thùng bị giữ lại: có thể giữ hồ sơ đạt của bốn thùng còn lại nhưng phải chặn xác nhận xuất toàn bộ đơn. Nếu tách hoặc gộp thùng trong lúc làm lại, vô hiệu hóa ID thùng cũ và lưu quan hệ với ID thùng mới. Khi xuất lại thùng đã bị trả về, không tái sử dụng nguyên kết quả đạt trước đây; hãy kiểm tra lại hàng hiện có và phiên bản quy cách hiện hành. Nếu thiếu quan hệ cha–con và luồng chuyển trạng thái này, dù từng ảnh hoặc phép cân đều tồn tại, vẫn không biết chúng thuộc đơn vị vận chuyển nào.

Đưa phương pháp chụp ảnh vào quy cách thiết bị

Trước khi so sánh hiệu năng mô hình, hãy cố định vị trí chụp và góc nhìn để thấy cả mép thùng lẫn hàng bên trong. Đo tại hiện trường hướng mà tay người vận hành dễ che khung hình, mặt nhãn phản chiếu ánh sáng và vị trí túi trong suốt chồng nhau. Nếu có nhiều chiều cao thùng, thử xem một camera cố định có bao quát đủ hay cần đồ gá di động hoặc nhiều góc nhìn. Điều khiển thứ tự bằng màn hình thao tác hoặc tín hiệu thiết bị để không thể đóng thùng trước khi chụp xong. Đây cũng là điều kiện nghiệm thu quan trọng ngang với độ chính xác của mô hình AI.

Ảnh có thể ghi lại tên khách hàng, thông tin cá nhân hoặc điểm đến xuất khẩu; vì vậy cần xác định quyền xem và thời hạn lưu. Khi phát sinh vấn đề chất lượng, phải lấy được ID thùng, đơn hàng, phiên bản quy cách, phiên bản mô hình, ảnh, trọng lượng và người phê duyệt cuối cùng thành một chuỗi hồ sơ. Không dự toán chi phí trên giả định lưu vĩnh viễn mọi ảnh; quyết định đối tượng lưu theo hợp đồng và yêu cầu hồ sơ chất lượng. Nếu dùng lại ảnh để huấn luyện mô hình, tách mục đích và quyền hạn, không chỉnh sửa bằng chứng xuất hàng gốc.

Năm câu hỏi cần đặt ra khi so sánh nhà cung cấp

Thứ nhất: “Nếu nguồn quy cách chuẩn sai, ai có thể dừng và dừng ở đâu?”. Thứ hai: “Khi mô hình gặp vật tư chưa học, nó giữ lại hay cố gán vào một lớp đã biết?”. Thứ ba: “Bằng chứng của các thùng được làm trong lúc mất kết nối có thể được hợp nhất mà không trùng lặp khi mạng phục hồi không?”. Thứ tư: “Khi ánh sáng hoặc vật liệu nhãn thay đổi tại hiện trường, ai đánh giá lại và khi nào cần nghiệm thu lại?”. Thứ năm: “Hệ thống nào ghi quyết định cuối cùng cho phép xuất và với quyền hạn gì?”. So sánh các đề xuất có thể trả lời bằng màn hình, sự kiện và hạng mục thử nghiệm cụ thể.

Trong buổi trình diễn, đừng chỉ cho một thùng đúng chạy qua trơn tru. Hãy tái hiện lỗi thực tế: dán nhãn sai trông gần giống lên cùng thùng, bỏ một tấm đệm, thêm một sản phẩm, đưa vật tư thay thế chưa được duyệt vào, hoặc cắt mạng khi thùng đang ở trạng thái giữ lại. Khi bên mua tự đưa ca thử, họ có thể phân biệt hiệu năng được tối ưu cho ảnh huấn luyện dùng trong demo với năng lực quyết định xuất hàng thực tế.

Bảng đánh giá cũng phải ghi rõ phạm vi có thể kiểm tra theo từng sản phẩm. Chẳng hạn vật liệu đệm nhìn thấy từ trên xuống trước khi đóng thùng có thể được AI hình ảnh đánh giá, còn tấm lót dưới sản phẩm sẽ bị che sau đó. Vì thế, có thể bổ sung ảnh tại lúc đặt tấm lót hoặc chuyển sang quét khi đưa vào và xác nhận của người vận hành. Không làm cách nào trong hai cách đó mà vẫn tuyên bố đã kiểm tra cả đáy bằng ảnh mặt trên là không đúng. Thêm bước chụp làm tăng thời gian chu kỳ, nên phải đo bằng chứng cần thiết và năng lực sản xuất trong cùng phép thử. Nếu vẫn còn hạng mục không dùng AI hình ảnh, đó vẫn là thiết kế hợp lý để ngăn xuất nhầm.

Sau nghiệm thu, mỗi lần bổ sung quy cách mới của khách hàng, hãy cập nhật đồng bộ dữ liệu quy cách chuẩn, nội dung hiển thị tại hiện trường, việc cấp phát vật tư, mẫu thử và người có quyền phê duyệt ngoại lệ. Cấu trúc nêu trong bài chỉ là ví dụ thiết kế chung; điều kiện dừng xuất thực tế phải được xác định theo hợp đồng khách hàng, rủi ro hư hỏng sản phẩm và quy trình xuất hàng của nhà máy.

Nên bắt đầu đối chiếu quy cách đóng gói xuất hàng bằng AI từ đâu?

Trước hết, thu hẹp loại lỗi đóng gói và khách hàng mục tiêu, tạo nguồn quy cách đã phê duyệt và ID thùng. Sau đó triển khai phần có thể đối chiếu xác định bằng mã vạch và trọng lượng, rồi chỉ ra trạng thái nhìn thấy được cần AI hình ảnh. Việc mua camera hoặc huấn luyện mô hình có thể làm sau.

Quét nhãn có bảo đảm hàng trong thùng là đúng không?

Không. Mã trên nhãn cho biết thông tin nhận diện nhưng không trực tiếp chứng minh sản phẩm thực tế được đưa vào hoặc tình trạng vật liệu đệm. Cần liên kết ID thùng với sự kiện đưa sản phẩm vào, các ảnh cần thiết và hồ sơ cân. SSCC của GS1 hữu ích để nhận diện đơn vị logistics; bản thân nó không phải phép kiểm tra hàng trong thùng.

Chỉ dùng AI hình ảnh có xác định được số lượng và trọng lượng không?

Vật chồng lấp hoặc bị che có thể khiến AI đếm sót. Trọng lượng phải được đo bằng cân, không suy ra từ ảnh. Ưu tiên quét từng sản phẩm hoặc đếm để xác nhận số lượng, dùng cân làm phương pháp hỗ trợ. Giới hạn AI hình ảnh ở các hạng mục nhìn thấy được như loại thùng, vật liệu đệm, hướng đặt và nhãn đã dán.

Điều quan trọng nhất trong RFP và FAT/SAT là gì?

Quan trọng hơn việc trình diễn một thùng đúng chạy qua là xác nhận hệ thống không cho phép xuất nhầm khi quy cách đổi, mã không đọc được, thùng bị giữ lại, mất kết nối hoặc cần làm lại. Trước khi đặt hàng, thống nhất ai phê duyệt ngoại lệ và phải lưu bằng chứng nào.

Kết luận

Đối chiếu quy cách đóng gói xuất hàng bằng AI không thể hoàn thành chỉ bằng cuộc đua về độ chính xác nhận diện ảnh. Cần hợp nhất phiên bản quy cách đúng theo đơn hàng, khách hàng và SKU; chuỗi sự kiện theo ID thùng; đối chiếu xác định bằng mã vạch và trọng lượng; đánh giá trạng thái chỉ nhìn thấy qua ảnh; và xử lý ngoại lệ do con người chịu trách nhiệm thành một cổng cho phép xuất. RFP phải mô tả cụ thể loại sai lệch và ranh giới trách nhiệm; FAT/SAT phải kiểm tra việc chặn xuất và khôi phục khi có lỗi. Nhờ đó, nhận định “chắc đã đóng gói đúng” trở thành hồ sơ quyết định có thể truy vết về sau.

Nếu nhà máy tại Thái Lan đang xác định quy cách đóng gói theo khách hàng, cách kết nối ERP/WMS hiện có và phạm vi đánh giá hình ảnh, hãy liên hệ TOMAS TECH. Chúng tôi có thể cùng xác định phạm vi thử bắt đầu từ một loại thùng và một khách hàng.

Tài liệu tham khảo

• GS1 Logistic Label Guideline: SSCC, nhãn logistics, mã vạch và nội dung con người đọc được.
• GS1 Application Identifiers: Mã định danh dữ liệu như GTIN và SSCC.
• GS1 Global Traceability Standard: Liên kết mã định danh, dữ liệu và sản phẩm vật lý.
• NIST AI Risk Management Framework: Đo lường và quản lý rủi ro AI.
• NIST AI Risks and Trustworthiness: Giám sát vận hành và sự can thiệp của con người.
• IEC 62381:2024: Phạm vi FAT/SAT và các thử nghiệm khác của hệ thống tự động hóa.
• NIST Handbook 44 current edition: Tài liệu của Hoa Kỳ về quy cách, dung sai và kiểm định thiết bị cân đo; không nêu yêu cầu pháp lý của Thái Lan.