Camera có bắt được hàng giả? Hỏi đáp thực chiến

18/09/2026

Người ta thường hay hỏi: "Lắp camera lên, AI sẽ tự động bắt được mọi chai nước giả hay bao bì bị tráo đổi, đúng không?" Kỳ vọng ấy nghe rất hợp lý. Nhưng thực tế khi ngồi xuống với đội vận hành, chúng ta thường đối mặt với ánh sáng đèn huỳnh quang chập chờn, hàng hóa bị móp méo do vận chuyển, và những vết dán băng keo đã cũ. Máy tính không "nhìn" như con người. Nó chỉ đọc pixel. Nếu bạn mong đợi một chiếc máy soi thần kỳ giải quyết mọi vấn đề gian lận từ khâu nhập kho đến lúc khách cầm tiền, bạn sẽ thất vọng. Ở đây, tôi sẽ chia sẻ thẳng thắn những gì đã xảy ra trong các dự án Computer Vision bán lẻ mà tôi từng tham gia, từ các chuỗi thực phẩm lớn tại Việt Nam đến những nhà máy phân phối ở Thái Lan.

Nhận diện hàng giả bằng hình ảnh có chính xác tuyệt đối không?

Không. Đây là câu trả lời thẳng nhất bạn sẽ nghe được. Computer Vision có độ chính xác cao, nhưng nó phụ thuộc hoàn toàn vào chất lượng dữ liệu huấn luyện. Nếu bạn chỉ cho máy học 500 ảnh chai nước chính hãng, nó sẽ không biết cách phát hiện chai nước giả có tem in sắc nét hơn, hay tem giả có độ mờ tương đương hàng thật. Trong một dự án cho ngành dầu nhớt, chúng tôi phát hiện ra rằng hơn 30% lỗi nhận diện đến từ việc tem bảo hành bị dán lệch chỉ vài milimét. Con người có thể nhìn ra sự bất thường đó, nhưng máy cần được "dạy" rằng sự lệch lạc này là dấu hiệu cảnh báo. Vì vậy, đừng tin vào những lời hứa "độ chính xác 99%" nếu họ không cho bạn xem dataset của họ. Hãy bắt đầu với một bộ mẫu nhỏ, thử nghiệm ở thực địa, và chấp nhận rằng hệ thống sẽ cần được điều chỉnh liên tục trong vài tháng đầu.

Làm sao để xử lý hàng hóa bị móp méo trong kho?

Đây là bài toán khó nhất. Hàng hóa trong kho không bao giờ nằm phẳng lì trên băng chuyền. Chúng chồng chất, bị va đập, và bao bì bị biến dạng. Nếu bạn dùng thuật toán nhận diện khuôn mặt hay logo chuẩn, tỷ lệ lỗi sẽ rất cao. Cách chúng tôi thường làm là tách biệt quy trình. Ở khâu nhập kho, thay vì yêu cầu máy nhận diện sản phẩm, chúng tôi tập trung vào việc kiểm tra tính toàn vẹn của bao bì. Hệ thống sẽ tìm kiếm các vết rách, vết ố, hoặc sự khác biệt về cấu trúc bề mặt so với mẫu chuẩn. Chúng tôi đã triển khai phương pháp này cùng một doanh nghiệp ngành mì ăn liền. Thay vì cố gắng đọc mã vạch bị gấp đôi, camera sẽ so sánh hình dạng tổng thể của gói mì. Nếu độ cong không khớp với mẫu tham chiếu, hệ thống sẽ đưa gói hàng đó vào khay kiểm tra thủ công. Nghe thì có vẻ kém hiệu quả hơn là tự động hoàn toàn, nhưng nó giảm thiểu được rủi ro bỏ sót hàng giả hoặc hàng lỗi mà con người dễ bỏ qua khi làm việc tốc độ cao. Đây là sự đánh đổi hợp lý: chấp nhận một phần công việc thủ công để đổi lấy sự an toàn cho thương hiệu.

Chi phí phần cứng cho an toàn sản phẩm có đắt không?

Đắt, nhưng không đắt như bạn nghĩ nếu biết cách chọn. Sai lầm phổ biến là mua camera độ phân giải 4K cho mọi vị trí. Bạn không cần 4K để nhìn một nhãn mác nhỏ trên chai nước ở khoảng cách 30cm. Bạn cần ống kính tele và độ phân giải đủ để đọc rõ font chữ in trên tem. Trong một dự án tại một nhà máy ở Philippines, chúng tôi đã tiết kiệm được gần một nửa chi phí phần cứng bằng cách chỉ lắp camera độ phân giải cao ở các điểm kiểm tra trọng yếu (khẩu ra, khu vực dán tem), và dùng camera chuẩn cho các vị trí giám sát tổng quan. Tuy nhiên, đừng cắt giảm quá nhiều vào nguồn sáng. Ánh sáng là yếu tố sống còn. Một camera rẻ nhưng được chiếu sáng bởi đèn LED chuyên dụng sẽ cho kết quả tốt hơn gấp đôi so với camera đắt tiền đặt trong bóng tối hoặc ánh sáng hỗn hợp. Hãy đầu tư vào hệ thống chiếu sáng đồng đều, tránh bóng đổ. Đó là điều mà nhiều nhà cung cấp phần mềm hay bỏ qua, nhưng kỹ sư triển khai như tôi lại coi là ưu tiên số một.

Cần bao nhiêu dữ liệu huấn luyện để bắt đầu?

Ít hơn bạn tưởng, nhưng chất lượng quan trọng hơn số lượng. Bạn không cần một triệu ảnh để bắt đầu. Với kỹ thuật chuyển tiếp học (transfer learning), chúng tôi có thể huấn luyện mô hình nhận diện một dòng sản phẩm mới chỉ với vài trăm ảnh mẫu, miễn là các ảnh đó chụp đủ điều kiện ánh sáng và góc nhìn khác nhau. Vấn đề lớn không phải là thiếu ảnh hàng thật, mà là thiếu ảnh hàng giả. Làm sao bạn có ảnh hàng giả để huấn luyện máy? Chúng tôi thường dùng kỹ thuật tổng hợp dữ liệu: tạo ra các biến thể giả lập của hàng giả (tem in mờ, sai màu, dán lệch) dựa trên các báo cáo về phương thức làm giả phổ biến trong khu vực. Ví dụ, nếu thị trường Thái Lan hay gặp tình trạng tem được photocopy, chúng tôi sẽ tạo hàng loạt ảnh mô phỏng chất lượng in photocopy để đưa vào bộ huấn luyện. Phương pháp này giúp mô hình học được các đặc điểm "không chính hãng" mà không cần phải sở hữu thật hàng giả. Đây là bước quan trọng để nâng cao độ an toàn sản phẩm trong giai đoạn đầu triển khai.

Tốc độ xử lý ảnh có ảnh hưởng đến băng chuyền không?

Có, và đây là giới hạn vật lý mà bạn không thể phớt lờ. Một camera chụp ảnh và gửi về máy chủ để xử lý có thể mất 200-500ms. Nếu băng chuyền của bạn chạy với tốc độ cao, con số này có thể gây tắc nghẽn. Trong các nhà máy lớn, chúng tôi thường triển khai xử lý biên (edge computing). Tức là đặt một máy tính công suất mạnh ngay cạnh camera, hoặc dùng các bo mạch tích hợp AI. Máy này sẽ xử lý ảnh ngay tại chỗ, chỉ gửi kết quả "OK" hoặc "Lỗi" về hệ thống trung tâm. Điều này giúp giảm độ trễ xuống dưới 50ms, đủ nhanh để hệ thống đẩy hàng lỗi ra khỏi băng chuyền trước khi nó kịp đi xa. Nếu bạn đang cân nhắc triển khai ở các chuỗi bán lẻ đa quốc gia, hãy kiểm tra kỹ băng thông mạng nội bộ. Đôi khi, việc nâng cấp server phòng điều hành quan trọng hơn việc mua thêm camera. Một hệ thống mạng chậm sẽ biến một giải pháp AI tiên tiến thành một điểm nghẽn vận hành.

AI có thay thế hoàn toàn con người kiểm tra hàng không?

Tuyệt đối không. Hãy giữ sự khiêm tốn này. AI là công cụ hỗ trợ, không phải người giám sát. Trong thực tế, chúng tôi luôn thiết kế hệ thống để AI chỉ ra những nghi vấn, và con người đưa ra phán quyết cuối cùng cho các trường hợp khó. Con người có khả năng suy luận ngữ cảnh mà máy chưa có. Ví dụ, một vết ố trên bao bì có thể là do hàng giả, hoặc do nước mưa trong quá trình vận chuyển. Máy sẽ cảnh báo "có vết ố bất thường", nhưng nhân viên kiểm tra sẽ nhìn vào lịch sử lô hàng để quyết định giữ hay loại. Việc loại bỏ hoàn toàn con người không chỉ là rủi ro về mặt kỹ thuật, mà còn là rủi ro về mặt trách nhiệm pháp lý. Khi một sản phẩm gây hại cho khách hàng, bạn cần một con người chịu trách nhiệm cho quyết định đó. AI có thể sai, nhưng con người thì không (về mặt pháp lý). Vì vậy, mô hình hiệu quả nhất hiện nay là sự phối hợp: AI làm việc lặp lại, nhàm chán, và chính xác; con người làm việc phân tích, ngoại lệ, và chịu trách nhiệm.

Bắt đầu triển khai Computer Vision bán lẻ từ đâu?

Bắt đầu từ một điểm đau cụ thể, đừng cố giải quyết mọi thứ cùng lúc. Đừng nghĩ đến việc lắp camera cho cả nhà kho và mọi quầy thanh toán ngay từ đầu. Hãy chọn một vị trí có rủi ro cao và giá trị lớn. Ví dụ, nếu bạn lo ngại về hàng giả tại quầy thanh toán, hãy lắp thử tại một cửa hàng mẫu có lưu lượng khách cao. Chạy hệ thống trong 4-6 tuần. Thu thập dữ liệu. Xem tỷ lệ cảnh báo sai (false positive) là bao nhiêu. Nếu 10 cảnh báo thì có 8 cảnh báo sai, hệ thống sẽ làm phiền nhân viên và họ sẽ phớt lờ nó. Đó là thất bại. Bạn cần tinh chỉnh thuật toán hoặc thay đổi vị trí camera để giảm tỷ lệ này xuống dưới 2-3%. Khi hệ thống đã ổn định tại một điểm, hãy nhân rộng ra. Chúng tôi đã làm điều này cùng Masan và Meat Deli, bắt đầu từ một vài nhà máy, sau đó mới mở rộng ra toàn chuỗi. Sự kiên nhẫn trong giai đoạn đầu sẽ giúp bạn xây dựng được một nền tảng vững chắc. Đừng vội vàng. AI trong an toàn sản phẩm là một cuộc chơi dài hạn, đòi hỏi sự chỉnh sửa liên tục theo từng mùa, từng lô hàng, và từng loại gian lận mới xuất hiện trên thị trường.

AIVISION đồng hành cùng doanh nghiệp Việt Nam trong hành trình đưa AI vào vận hành thực tế. Xem thêm các giải pháp AI cho doanh nghiệp, đọc thêm bài viết khác hoặc liên hệ đội ngũ AIVISION để trao đổi theo đúng bài toán của bạn.