Bài “Quản lý chất lượng thi công: Từ tiêu chuẩn đến nghiệm thu và xử lý sai lỗi” đã đặt nền tảng quản lý chất lượng từ yêu cầu kỹ thuật đến nghiệm thu và xử lý sai lỗi. Bài này đi sâu vào một câu hỏi khác: khi công trường có hàng nghìn vị trí và vô số hình ảnh mỗi ngày, AI có thể giúp người quản lý nhìn thấy điều gì sớm hơn, và đâu là giới hạn không được vượt qua?

1. Từ ảnh công trường đến bằng chứng chất lượng

Quan sát bằng hình ảnh chỉ là điểm khởi đầu

Một bức ảnh công trường có thể ghi nhận vết nứt, vùng bê tông rỗ, lớp hoàn thiện không đều hoặc một chi tiết lắp đặt khác thường. Nhưng hình ảnh không tự trả lời được câu hỏi quan trọng nhất: hiện tượng ấy có vi phạm yêu cầu kỹ thuật đang áp dụng cho hạng mục cụ thể hay không. Muốn chuyển từ quan sát sang kiểm soát chất lượng, doanh nghiệp phải xác định đối tượng, vị trí, thời điểm, tiêu chí kiểm tra và người có thẩm quyền xác nhận. Đây là sự khác biệt giữa một hệ thống tìm dấu hiệu bất thường và một hệ thống hỗ trợ quản lý chất lượng.

Thị giác máy tính có thể làm gì trong công trường

Thị giác máy tính (computer vision) là nhóm kỹ thuật cho phép phần mềm phân tích nội dung hình ảnh hoặc video. Tùy bài toán, hệ thống có thể nhận diện vật thể, xác định vùng ảnh nghi ngờ, phân chia khu vực bề mặt theo từng loại hiện tượng hoặc so sánh hình ảnh được chụp tại những thời điểm khác nhau. Trên công trường, những kết quả này phù hợp nhất với vai trò sàng lọc và chỉ dẫn kiểm tra: gợi ý nơi cần xem xét, tạo hồ sơ hình ảnh có cấu trúc và theo dõi sự thay đổi. Nó không mặc nhiên tạo ra kết luận nghiệm thu.

Từ bài quản lý chất lượng đến bài toán AI

Bài trước đã xác lập chuỗi tiêu chuẩn, kiểm tra, nghiệm thu và xử lý sai lỗi. Trong chuỗi đó, thị giác máy tính nên được đặt tại bước thu nhận và phân tích chứng cứ, không đứng thay cho tiêu chuẩn hay người nghiệm thu. Chẳng hạn, hệ thống phát hiện một vệt nghi nứt trên tường; người giám sát cần kiểm tra vật liệu, chiều rộng thực tế, vị trí, thời điểm xuất hiện và giới hạn chấp nhận. Nếu chỉ dựa vào nhãn “có vết nứt”, công nghệ có thể tạo thêm việc xử lý mà không giúp nâng cao chất lượng.

2. Những sai lỗi có thể nhận diện và những giới hạn cần nhìn thẳng

Bề mặt và hình học dễ quan sát

Những hiện tượng như nứt bề mặt, bong tróc, rỗ bê tông, hư hại lớp sơn, nước đọng, thiếu chi tiết nhìn thấy được hoặc vị trí lắp đặt khác biệt là nhóm bài toán dễ hình dung nhất. Tuy nhiên, khả năng nhận diện phụ thuộc mạnh vào độ phân giải, khoảng cách, góc chụp, độ tương phản và điều kiện chiếu sáng. Một vết nứt nhỏ có thể biến mất trong ảnh chụp xa; bóng đổ và đường nối vật liệu có thể bị nhầm thành vết nứt. Vì vậy, không thể dùng cùng một ngưỡng tin cậy cho mọi vị trí và mọi loại lỗi.

Điều không thể chứng minh chỉ bằng ảnh

Một ảnh bề mặt không chứng minh được cường độ bê tông, khả năng chống thấm bên trong, chất lượng mối hàn khuất, độ kín đường ống hoặc sự phù hợp của vật liệu với chứng chỉ kỹ thuật. Những nội dung này vẫn đòi hỏi đo đạc, thử nghiệm và hồ sơ có thẩm quyền. Ngay cả khi AI phát hiện đúng một bất thường, kết luận về mức độ nghiêm trọng vẫn phải dựa trên bản vẽ, tiêu chuẩn áp dụng và kiểm tra thực tế. Sự phân biệt này ngăn doanh nghiệp nhầm lẫn giữa “không nhìn thấy lỗi” với “đã đạt chất lượng”.

Kiểm tra trước khi che khuất

Đối với cốt thép, hệ thống cơ điện âm tường và chống thấm, thời điểm chụp ảnh có ý nghĩa không kém thuật toán. Nếu ảnh được thu thập sau khi đã đổ bê tông hoặc đóng trần, thông tin quan trọng có thể mất vĩnh viễn. Hệ thống phải gắn lịch thu nhận ảnh với điểm dừng kiểm tra trong kế hoạch chất lượng, đồng thời cảnh báo khi một hạng mục chuẩn bị chuyển bước mà chưa có chứng cứ cần thiết. Giá trị lớn nhất ở đây có thể đến từ việc không bỏ sót điểm kiểm tra, ngay cả trước khi mô hình AI đủ tốt để phân loại sai lỗi.

3. Cách một hệ thống nhận diện sai lỗi vận hành

Từ thu thập ảnh đến nhận diện

Quy trình thường bắt đầu bằng ảnh chụp từ điện thoại, camera cố định hoặc thiết bị bay khi điều kiện cho phép. Ảnh cần được gắn mã dự án, tầng, khu vực, hạng mục, ngày chụp và phiên bản tài liệu liên quan. Sau đó phần mềm kiểm tra chất lượng ảnh, tìm đối tượng quan tâm và đánh dấu vùng nghi ngờ. Có hệ thống chỉ trả về loại hiện tượng; có hệ thống khoanh vùng vị trí; có hệ thống ước lượng mức độ lan rộng khi ảnh có tỷ lệ đo đáng tin cậy. Không nên gọi tất cả các đầu ra ấy là “đo kích thước lỗi”.

Từ xác suất mô hình đến quyết định kỹ thuật

Kết quả của mô hình là một dự đoán dựa trên dữ liệu học, không phải biên bản xác nhận kỹ thuật. Một cảnh báo có thể đúng về mặt hình ảnh nhưng không liên quan đến tiêu chí nghiệm thu; ngược lại, một ảnh bị che khuất có thể làm mô hình bỏ sót lỗi. Do đó, đầu ra nên kèm hình gốc, vùng được đánh dấu, mức tin cậy, điều kiện chụp và đường dẫn tới công việc tương ứng. Người phụ trách xác minh, ghi nhận kết quả, yêu cầu kiểm tra bổ sung hoặc bác bỏ cảnh báo có lý do. Chỉ sau bước này mới nên phát sinh phiếu sai lỗi chính thức.

Học từ kết quả kiểm tra thực tế

Mỗi cảnh báo được xác nhận hoặc bác bỏ đều có thể trở thành thông tin cải thiện hệ thống, nếu được lưu đúng ngữ cảnh. Nhưng việc đưa toàn bộ ảnh phản hồi vào huấn luyện ngay lập tức là rủi ro: nhãn có thể sai, tiêu chuẩn giữa dự án khác nhau và hình ảnh có thể trùng lặp. Doanh nghiệp cần quy trình kiểm duyệt dữ liệu, quản lý phiên bản mô hình và đánh giá trên bộ ảnh độc lập trước khi cập nhật. Học hỏi liên tục phải là hoạt động có kiểm soát, không phải để thuật toán tự thay đổi kết quả nghiệm thu.

4. Dữ liệu và cách chụp quyết định phần lớn giá trị

Bộ dữ liệu phải đại diện cho hiện trường thật

Dữ liệu ảnh đẹp, chụp cận cảnh trong điều kiện ổn định có thể giúp mô hình đạt kết quả thử nghiệm cao nhưng chưa đủ cho công trường nhiều bụi, thiếu sáng, vật cản và góc chụp thay đổi. Cần có ảnh của cả bề mặt đạt yêu cầu, hiện tượng tương tự lỗi nhưng thực ra bình thường và các sai lỗi ở nhiều mức độ. Nếu bộ dữ liệu chỉ có ảnh lỗi rõ ràng, mô hình dễ học các dấu hiệu đơn giản mà không giải quyết được tình huống khó ngoài hiện trường.

Nhãn dữ liệu phải dựa trên chuyên môn

Việc ghi nhãn không chỉ là khoanh một vùng màu khác biệt. Người có chuyên môn cần xác định đây là hiện tượng gì, tại hạng mục nào, có đủ bằng chứng để kết luận hay cần đo kiểm bổ sung. Cùng một vết nứt có thể có ý nghĩa khác nhau theo cấu kiện, giai đoạn thi công và yêu cầu thiết kế. Vì vậy, dữ liệu nên tách “dấu hiệu quan sát được” khỏi “kết luận không phù hợp”. Cách phân tách này giúp AI học đúng phần nó có thể nhìn thấy và tránh biến đánh giá chuyên môn thành nhãn máy móc.

Bảo đảm ảnh có thể đối chiếu theo thời gian

Muốn theo dõi sự phát triển của một vùng hư hại, doanh nghiệp cần quy định vị trí đứng chụp, khoảng cách, góc nhìn, mốc tỷ lệ và chu kỳ ghi nhận. Hai ảnh khác nhau về phối cảnh có thể tạo cảm giác vết nứt rộng hơn hoặc nhỏ đi dù hiện trạng không đổi. Khi không có chuẩn đo hoặc hiệu chỉnh hình học, nên trình bày kết quả như một dấu hiệu cần kiểm tra thay vì một con số kích thước chính xác.

5. Từ cảnh báo ảnh đến quy trình quản lý chất lượng

Gắn cảnh báo với đúng công việc và người chịu trách nhiệm

Một danh sách hàng trăm ảnh được gắn nhãn “bất thường” sẽ nhanh chóng mất tác dụng nếu không có người xử lý. Mỗi cảnh báo cần liên kết với mã công việc, vị trí, nhà thầu, tiêu chí kỹ thuật và trạng thái nghiệm thu. Khi nhận được cảnh báo, hệ thống phải phân biệt việc cần kiểm tra ngay, việc có thể theo dõi và trường hợp không thuộc phạm vi mô hình. Độ ưu tiên nên xét đồng thời hậu quả của lỗi, khả năng bị che khuất, thời gian còn lại trước khi chuyển bước và độ tin cậy của bằng chứng.

Không biến AI thành cơ chế nghiệm thu tự động

Đối với công việc ảnh hưởng đến kết cấu, an toàn hoặc điều kiện pháp lý, quyền chấp thuận vẫn thuộc người có thẩm quyền. AI có thể đề nghị kiểm tra, tổng hợp chứng cứ, nhắc thời hạn và phát hiện hồ sơ còn thiếu; hệ thống không được tự ý chuyển trạng thái “đã nghiệm thu đạt” chỉ vì ảnh không phát hiện bất thường. Quy tắc phân quyền này vừa bảo vệ trách nhiệm kỹ thuật, vừa giúp công nghệ được sử dụng trong đúng giới hạn.

Kết nối với tiến độ và chi phí

Một sai lỗi được phát hiện trước khi che khuất có thể chỉ cần điều chỉnh một tổ đội; phát hiện sau hoàn thiện có thể dẫn tới tháo dỡ, trì hoãn bàn giao và tranh chấp chi phí. Vì thế, dữ liệu cảnh báo cần kết nối với kế hoạch thi công, các công việc kế tiếp và hồ sơ khắc phục. Khi có đủ lịch sử, doanh nghiệp có thể phân tích công đoạn nào thường phát sinh lỗi, nhà thầu nào cần hỗ trợ quy trình và biện pháp nào thực sự giảm làm lại.

6. Đánh giá hệ thống bằng hiệu quả kiểm soát, không bằng số ảnh xử lý

Sai báo và bỏ sót đều có chi phí

Nếu mô hình phát hiện quá nhiều hiện tượng không phải lỗi, kỹ sư sẽ mất thời gian xem xét và dần bỏ qua cảnh báo. Nếu mô hình bỏ sót sai lỗi nghiêm trọng, cảm giác an toàn giả tạo còn nguy hiểm hơn. Bởi vậy, không nên công bố một tỷ lệ “độ chính xác” chung rồi kết luận hệ thống đủ dùng. Cần đo riêng tỷ lệ cảnh báo đúng, tỷ lệ lỗi thực tế được phát hiện, mức độ bỏ sót theo loại lỗi và thời gian xử lý mỗi cảnh báo.

Đánh giá trên ảnh chưa từng dùng để huấn luyện

Ảnh từ cùng một vị trí hoặc cùng một đợt chụp thường rất giống nhau. Nếu phân chia ngẫu nhiên chúng vào cả dữ liệu học và dữ liệu kiểm tra, kết quả có thể lạc quan hơn thực tế. Một cách đánh giá thận trọng là dành riêng khu vực, công trình hoặc giai đoạn thi công chưa từng xuất hiện trong dữ liệu học. Đồng thời cần thử nghiệm khi ánh sáng, thiết bị chụp và đội thi công thay đổi để hiểu giới hạn sử dụng.

Chỉ số quản trị quan trọng hơn chỉ số mô hình

Giá trị kinh doanh cần được đo bằng số sai lỗi được phát hiện trước khi che khuất, thời gian từ phát hiện đến xác minh, tỷ lệ công việc đạt ngay lần kiểm tra đầu, chi phí làm lại và số vấn đề tái diễn. Phải so sánh với giai đoạn trước triển khai và tính cả chi phí chụp ảnh, gắn nhãn, kiểm tra cảnh báo, lưu trữ và duy trì mô hình. Nếu AI xử lý hàng nghìn ảnh nhưng không giúp kỹ sư kiểm tra tốt hơn, hiệu quả đầu tư chưa được chứng minh.

7. Tình huống minh họa: kiểm tra chống thấm tại nhiều tầng

Bài toán tại hiện trường

Giả sử một dự án nhà ở có các khu vệ sinh lặp lại ở nhiều tầng. Theo bài trước, chất lượng chống thấm phải được kiểm soát từ chuẩn bị bề mặt, xử lý góc tiếp giáp, cổ ống đến thử nước trước khi lát gạch. Doanh nghiệp muốn dùng ảnh để nhận diện khu vực có dấu hiệu thiếu gia cường hoặc bề mặt xử lý không đồng đều. Đây là tình huống giả định nhằm giải thích quy trình, không phải số liệu từ dự án thực tế.

Thiết kế cách kiểm tra

Mỗi phòng được cấp mã vị trí; ảnh chụp tại những điểm kiểm tra đã quy định, có ảnh tổng thể và ảnh chi tiết quanh cổ ống, chân tường. Mô hình đánh dấu vùng nghi ngờ, nhưng kỹ sư phải đối chiếu với biện pháp thi công được duyệt và kiểm tra tại chỗ. Nếu chưa đủ cơ sở, cảnh báo được chuyển thành yêu cầu kiểm tra bổ sung, không lập tức thành kết luận sai lỗi. Kết quả thử nước vẫn là bằng chứng riêng và không được thay thế bằng ảnh.

Điều doanh nghiệp thực sự học được

Sau một số tầng, doanh nghiệp có thể phát hiện cùng một kiểu sai lệch thường tập trung ở các góc khuất hoặc ca thi công nhất định. Khi đó, hành động đúng không chỉ là sửa từng vị trí, mà còn thay đổi hướng dẫn chụp ảnh, đào tạo tổ đội và điều chỉnh điểm dừng kiểm tra. Công nghệ có giá trị vì làm rõ khu vực và thời điểm cần quản lý, chứ không phải vì tạo ra nhiều khung hình đánh dấu.

8. Lộ trình triển khai có kiểm soát

Bắt đầu bằng một bài toán hẹp

Doanh nghiệp nên chọn một loại hiện tượng dễ quan sát, có tần suất đủ lớn và tiêu chí kiểm tra rõ ràng. Trước khi mua mô hình, hãy xác định ai chụp ảnh, ảnh được lưu ở đâu, ai xác minh, bao lâu phải phản hồi và kết quả đi vào hồ sơ chất lượng như thế nào. Nếu quy trình xử lý còn mơ hồ, tự động nhận diện sẽ chỉ làm tăng số cảnh báo tồn đọng.

Thử nghiệm song song với cách kiểm tra hiện có

Giai đoạn đầu, AI nên chạy ở chế độ hỗ trợ: kết quả được so sánh với đánh giá độc lập của kỹ sư, không tự thay đổi trạng thái nghiệm thu. Cần ghi lại các trường hợp sai báo, bỏ sót, ảnh không đủ điều kiện và lý do bác bỏ cảnh báo. Sau khi đạt mức tin cậy phù hợp với loại rủi ro, doanh nghiệp mới mở rộng phạm vi và tích hợp sâu hơn với hệ thống quản lý công việc.

Mở rộng bằng tiêu chuẩn dữ liệu chung

Khi triển khai nhiều công trình, mã vị trí, phân loại sai lỗi, quy cách ảnh, phiên bản bản vẽ, quyền truy cập và thời hạn lưu trữ phải thống nhất. Mô hình cũng cần được theo dõi khi thiết bị, vật liệu và biện pháp thi công thay đổi. Không nên coi kết quả ở một công trình là bằng chứng đủ cho mọi công trình khác. Cơ chế đánh giá định kỳ và quyền tạm dừng sử dụng mô hình phải được thiết kế từ đầu.

Kết luận

Thị giác máy tính không biến ảnh công trường thành chứng chỉ chất lượng. Giá trị của nó nằm ở khả năng phát hiện sớm dấu hiệu cần chú ý, tổ chức chứng cứ và đưa thông tin đúng lúc đến người có trách nhiệm. Khi được kết nối với tiêu chuẩn kỹ thuật, điểm dừng kiểm tra, hồ sơ sai lỗi và tiến độ thi công, AI có thể làm cho hoạt động kiểm tra nhất quán và chủ động hơn. Nhưng kết luận nghiệm thu vẫn phải dựa trên bằng chứng đầy đủ, phương pháp kiểm tra phù hợp và thẩm quyền chuyên môn.

Tài liệu tham khảo

• Chen, J., Chan, I. & Brilakis, I. (2024). Shifting research from defect detection to defect modeling in computer vision-based structural health monitoring. Automation in Construction. DOI: 10.1016/j.autcon.2024.105481.
• NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://airc.nist.gov/airmf-resources/airmf/