BÁO CÁO MÔN HỌC HỆ THỐNG CƠ ĐIỆN TỬ THÔNG MINH (ME6615) THE VISION INSPECTION SYSTEM FOR ROCKER ARM

Tài liệu bao gồm file PDF và file ppt BÁO CÁO MÔN HỌC HỆ THỐNG CƠ ĐIỆN TỬ THÔNG MINH (ME6615) THE VISION INSPECTION SYSTEM FOR ROCKER ARM CHƯƠNG 1. TỔNG QUAN VỀ ĐỀ TÀI 1. Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm. Kiểm tra chất lượng là hoạt động theo dõi, đo lường thu thập thông tin về chất lượng nhằm đánh giá tình hình thực hiện các mục tiêu và nhiệm vụ kế hoạch chất lượng đã đề ra trong mọi quá trình, mọi hoạt động và các kết quả thực hiện các chỉ tiêu chất lượng trong thực tế so với các yêu cầu, tiêu chuẩn đó đặt ra. Mục đích của kiểm tra chất lượng: + Phát hiện nhưng sai lệch trong quá trình thực hiện mục tiêu, nhiệm vụ chất lượng, tìm ra nguyên nhân và xóa bỏ, ngăn ngừa sai lệch đó. + Đảm bảo quá trình thực hiện đúng yêu cầu, sản xuất những sản phẩm đúng tiêu chuẩn đề ra. + Đánh giá được mức độ phù hợp của sản phẩm về các thông số kỹ thuật so với tiêu chuẩn bản thiết kế và các yêu cầu của hợp đồng mua bán. + Xác định những sản phẩm kém chất lượng, xác định nguyên nhân và loại bỏ. Kiểm tra ngoại quan sản phẩm thuộc quy trình kiểm tra chất lượng. Tuy nhiên, phương pháp này người kiểm tra không cần sử dụng đến công cụ dụng cụ đo lường. Kiểm tra ngoại quan là quy trình kiểm tra bằng mắt thường có thể phát hiện ra sai lệch của sản phẩm so với bản mẫu. Đây là phương pháp rất quan trọng trong sản xuất.

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Viện Cơ Khí

BÁO CÁO MÔN HỌC

HỆ THỐNG CƠ ĐIỆN TỬ THÔNG MINH (ME6615)

THE VISION INSPECTION SYSTEM FOR ROCKER ARM

TRẦN VĂN HUY MSHV: 20202328M Chuyên ngành Kỹ thuật Cơ điện tử

Giảng viên hướng dẫn: TS Nguyễn Hồng Hải

Mục lục

CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI

1 Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm

2 Mục tiêu

a Giới thiệu về rocker arm

b Mục tiêu

CHƯƠNG 2 KIỂM TRA LỖI LỆCH TRỤC, LỖI VÁT MÉP

1 Lỗi lệch trục

2 Lỗi vát mép

3 Thuật toán RANSAC

a Khái niệm

b Tổng quan

e Ưu nhược điểm

f Ứng dụng

g Phát triển và cải tiến

CHƯƠNG 3 KỂM TRA LỖI XƯỚC TRÊN BỀ MẶT VÀ CẠNH

1 Lỗi xước trên bề mặt và cạnh

2 Thuật toán YOLO

a Khái niệm

b Cách thức hoạt động

CHƯƠNG 4 KIỂM TRA LỖI NHÁM BÊN TRONG LỖ TRỤC CHÍNH VÀ LỖ CON LĂN 26 1 Lỗi nhám bên trong lỗ trục chính và lỗ con lăn

2 Thuật toán autoencoder

a Khái niệm

b Kiến trúc cơ bản

c Ứng dụng

CHƯƠNG 5 KẾT LUẬN

Danh mục hình ảnh

Hình 1.1 Kiểm tra ngoại quan bằng mắt

Hình 1.2 Hệ thống kiểm tra nhãn sản phẩm

Hình 1.3 Hệ thống kiểm tra mực nước trong chai

Hình 1.4 Hệ thống kiểm tra chất lượng

Hình 1.5 Cò mổ

Hình 2.1 Lỗ trục chính

Hình 2.2 Qui trình kiểm tra lỗi lệch trục

Hình 2.3 Công thức tính các giá trị giữa hai đường tròn

Hình 2.4 Kiểm tra lỗi lệch trục chính

Hình 2.5 Kiểm tra lỗi lệch trục lỗ gen

Hình 2.6 Kiểm tra vát mép lỗ trục chính

Hình 2.7 Kiểm tra lỗi vát mép lỗ con lăn

Hình 2.8 Kiểm tra lỗi vát mép lỗ gen

Hình 2.9 Ví dụ về RANSAC trong tìm đường thẳng 2D

Hình 2.10 Các ngoại lệ

Hình 2.11 Sơ đồ thuật toán RANSAC

Hình 3.1 Các hướng chụp ảnh

Hình 3.2 Quá trình chia nhỏ ảnh

Hình 3.3 Quá trình đào tạo mô hình

Hình 3.4 Quá trình phát hiện lỗi xước

Hình 3.5 Kết quả phát hiện lỗi xước

Hình 3.6 Mạng YOLO

Hình 3.7 Chia lưới trong YOLO

Hình 3.8 Công thức tính IoU

Hình 3.9 Công thức tính L classification

Hình 3.10 Ví dụ YOLO

Hình 3.11 Một kiến trúc mô hình mạng YOLO

Hình 4.1 Lỗi nhám bên trong lỗ trục chính

Hình 4.2 Chụp ảnh bên trong lỗ

Hình 4.3 Cắt ảnh trong lỗ trục chính

Hình 4.4 Kết quả kiểm tra trên ảnh lỗi

Hình 4.5 Kết quả kiểm tra trên ảnh không lỗi

Hình 4.6 Mô hình autoencoder

CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI

1 Tổng quan về hệ thống kiểm tra ngoại quan sản phẩm.

Kiểm tra chất lượng là hoạt động theo dõi, đo lường thu thập thông tin về chất lượngnhằm đánh giá tình hình thực hiện các mục tiêu và nhiệm vụ kế hoạch chất lượng đã

đề ra trong mọi quá trình, mọi hoạt động và các kết quả thực hiện các chỉ tiêu chấtlượng trong thực tế so với các yêu cầu, tiêu chuẩn đó đặt ra

Mục đích của kiểm tra chất lượng:

+ Phát hiện nhưng sai lệch trong quá trình thực hiện mục tiêu, nhiệm vụ chất lượng,tìm ra nguyên nhân và xóa bỏ, ngăn ngừa sai lệch đó

+ Đảm bảo quá trình thực hiện đúng yêu cầu, sản xuất những sản phẩm đúng tiêuchuẩn đề ra

+ Đánh giá được mức độ phù hợp của sản phẩm về các thông số kỹ thuật so với tiêuchuẩn bản thiết kế và các yêu cầu của hợp đồng mua bán

+ Xác định những sản phẩm kém chất lượng, xác định nguyên nhân và loại bỏ.Kiểm tra ngoại quan sản phẩm thuộc quy trình kiểm tra chất lượng Tuy nhiên,phương pháp này người kiểm tra không cần sử dụng đến công cụ dụng cụ đo lường.Kiểm tra ngoại quan là quy trình kiểm tra bằng mắt thường có thể phát hiện ra sailệch của sản phẩm so với bản mẫu Đây là phương pháp rất quan trọng trong sảnxuất

Hình 1.1 Kiểm tra ngoại quan bằng mắt

Trong sản xuất công nghiệp, kiểm tra ngoại quan sản phẩm bằng con người có một

số hạn chế: số lượng sản phẩm rất lớn nên phải thuê nhiều người, nhiều chi phí Đôikhi việc nhầm lẫn do công nhân mệt mỏi hoặc do cảm xúc không tốt là hay xảy ra,

năng suất vì đó mà thấp Để giải quyết các hạn chế đó, các hệ thông kiểm tra ngoạiquan tự động đã được nghiên cứu và ứng dụng trong các nhà máy.

Hình 1.2 Hệ thống kiểm tra nhãn sản phẩm

Hình 1.3 Hệ thống kiểm tra mực nước trong chai

Mô hình hệ thống kiểm tra ngoại quan sản phẩm gồm các thành phần cơ bản: hệthống cấp phôi, hệ thống chiếu sáng, hệ thống camera chụp ảnh, hệ thống xử lý hìnhảnh, hệ thống cơ cấu chấp hành Hệ thống cấp phôi giúp đưa các sản phẩm vào kiểmtra, đảm bảo vị trí và hướng của sản phẩm trong quá trình kiểm tra Hệ thống cấpphôi là các băng truyền, robot gắp sản phẩm Hệ thống chiếu sáng là các đèn chiếusáng đảm bảo duy trì ổn định độ sáng Hệ thống camera làm nhiệm vụ chụp ảnh, cóthể gồm nhiều camera chụp các góc độ khác nhau của sản phẩm Hệ thống xử lýhình ảnh nhận hình ảnh từ hệ thống camera, thông qua các quá trình xử lý để phânloại sản phẩm đầu vào đạt yêu cầu đặt ra hay không Từ đó, hệ thống xử lý đưa racác quyết định xuống hệ thống các cơ cấu chấp hành Nếu sản phẩm không đạt yêucầu thì loại bỏ

Hình 1.4 Hệ thống kiểm tra chất lượng

2 Mục tiêu

a Giới thiệu về rocker arm

Cò mổ (tiếng Anh: rocker arm, rocker) là một thiết bị đòn bẩy trong cơ cấu phânphối khí của động cơ đốt trong, có nhiệm vụ truyền chuyển động hướng tâm

từ cam thành chuyển động thẳng tại xupap để mở xupap Một đầu của cò mổ đượcnâng lên – hạ xuống bởi vấu cam trực tiếp hoặc gián tiếp (thông qua con độixupap và đũa đẩy) Đầu còn lại của cò mổ tác động lên thân xupap Khi vấu cam(thùy cam) nâng một đầu của cò mổ, đầu còn lại, do tác động của đòn bẩy, sẽ épxuống thân xupap làm mở xupap Khi đầu bên ngoài cò mổ trở lại vị trí ban đầu dotrục cam quay, đầu bên trong của cò mổ sẽ nâng lên tạo điều kiện cho lò xo xupapđóng xupap

Hình 1.5 Cò mổ

Một số loại động cơ cam trên đỉnh sử dụng cò mổ ngắn trong đó vấu cam đẩy xuống(chứ không phải nâng lên) trên cò mổ để mở xupap Đối với loại cò mổ này, điểmtựa đòn bẩy của cò mổ nằm ở một đầu thay vì ở giữa; khi đó, cam tác động tại ví trígiữa cò mổ Đầu đối diện còn lại sẽ tác động mở xupap Những loại cò mổ này đặcbiệt phổ biến trên động cơ cam kép (DOHC) và thường được sử dụng thay cho cáccon đội xupap tác động trực tiếp

b Mục tiêu

trên bề mặt và cạnh, lỗi nhám bên trong lỗ, lỗi vát mép và lỗi lệch trục Hiện tại, đểphát hiện và loại bỏ các lỗi này, tại nhà máy đang sử dụng con người để kiểm tra.Mục tiêu của đề tài là phát triển được hệ thống kiểm tra ngoại quan sản phẩm rockerarm để thay thế con người với các tính năng sau:

CHƯƠNG 2 KIỂM TRA LỖI LỆCH TRỤC, LỖI VÁT MÉP

1 Lỗi lệch trục

Hình 2.6 Lỗ trục chính

Qui trình kiểm tra lỗi lệch trục:

Hình 2.7 Qui trình kiểm tra lỗi lệch trục

bên ngoài ở bề mặt trên Các thuật toán làm mờ, làm sắc cạnh, tìm đường bao để loại

bỏ nhiễu và làm nối bật cạnh trên hai đường tròn cần tìm Sử dụng thuật toánRANSAC để tìm hai đường tròn từ các cạnh được tách phía trên

shaft

Hình 2.8 Công thức tính các giá trị giữa hai đường tròn

Áp dụng qui trình kiểm tra lỗi lệch trục trên lỗ trục chính và lỗ gen

Hình 2.9 Kiểm tra lỗi lệch trục chính

Hình 2.10 Kiểm tra lỗi lệch trục lỗ gen

2 Lỗi vát mép

Lỗi vát mép gồm hai loại là lệch vát mép và vát mép sâu, kiểm tra lỗi vát mép trên

cả ba lỗ: lỗ trục chính, lỗ gen và lỗ con lăn Thuật toán để kiểm tra lỗi vát mép tương

tự như thuật toán kiểm tra lỗi lệch trục Đầu tiên chụp ảnh vuông góc với bề mặt vátmép Tiếp theo tìm đường tròn tròn và ngoài của viền vát mép Từ đó tính toán cácthông số tương quan giữa hai đường tròn: độ lệch tâm, khoảng cách lớn nhất,khoảng cách nhỏ nhất, khoảng cách trung bình Cuối cùng so sánh với giá trị đúng

để kết luận vát mép đạt yêu cầu hay sản phẩm lỗi

Hình 2.11 Kiểm tra vát mép lỗ trục chính

Hình 2.12 Kiểm tra lỗi vát mép lỗ con lăn

Hình 2.13 Kiểm tra lỗi vát mép lỗ gen

3 Thuật toán RANSAC

a Khái niệm

RANSAC (Random sample consensus) là một phương pháp lặp đi lặp lại để ướctính các tham số mô hình toán học từ một tập dữ liệu quan sát có chứa các giá trịngoại lệ, khi các ngoại lệ không ảnh hưởng đến các giá trị ước tính Do đó, nó cũng

có có thể hiểu là một phương pháp phát hiện ngoại lệ Đây là một thuật toán khôngxác định theo nghĩa là nó chỉ tạo ra một kết quả hợp lý với một xác suất nhất định,với xác suất này tăng lên khi cho phép nhiều lần lặp hơn Thuật toán được công bốlần đầu bởi Fischler và Bolles tại SRI International vào năm 1981 Họ đã sử dụngRANSAC để giải quyết bài toán xác định vị trí, trong đó mục tiêu là xác định cácđiểm trong không gian chiếu lên một hình ảnh thành một tập hợp các điểm mốc vớicác vị trí đã biết

Hình 2.14 Ví dụ về RANSAC trong tìm đường thẳng 2D

Một giả định cơ bản là dữ liệu bao gồm "phần tử nội", tức là dữ liệu mà sự phân bốcủa nó có thể được giải thích bằng một số bộ thông số mô hình, mặc dù có thể bị

nhiễu và "phần ngoại lai" là dữ liệu không phù hợp với mô hình RANSAC cũng giảđịnh rằng, với một tập hợp (thường là nhỏ) các nội nhân, tồn tại một quy trình có thểước tính các tham số của mô hình phù hợp với dữ liệu này một cách tối ưu.

b Tổng quan

Thuật toán RANSAC là một kỹ thuật học để ước tính các tham số của mô hình bằngcách lấy mẫu ngẫu nhiên dữ liệu quan sát. Đưa ra một tập dữ liệu có các phần tử dữliệu chứa cả phần tử nội và phần ngoại lai, RANSAC sử dụng sơ đồ biểu quyết đểtìm ra kết quả phù hợp tối ưu. Các phần tử dữ liệu trong tập dữ liệu được sử dụng để

bỏ phiếu cho một hoặc nhiều mô hình. Việc thực hiện sơ đồ bỏ phiếu này dựa trênhai giả định: các đặt trưng của các phần từ ngoại lệ sẽ không bỏ phiếu cho bất kỳ môhình đơn lẻ nào (ít ngoại lệ) và có đủ các đặc trưng để quyết định về một mô hình tốt(ít dữ liệu bị thiếu). Thuật toán RANSAC về cơ bản bao gồm hai bước được lặp đilặp lại:

+ Trong bước đầu tiên, một tập hợp con mẫu chứa các mục dữ liệu tối thiểu đượcchọn ngẫu nhiên từ tập dữ liệu đầu vào. Mô hình phù hợp và các tham số mô hìnhtương ứng được tính chỉ bằng cách sử dụng các phần tử của tập hợp con mẫunày. Số lượng của tập con mẫu là nhỏ nhất đủ để xác định các tham số của mô hình.+ Trong bước thứ hai, thuật toán kiểm tra xem phần tử nào của toàn bộ tập dữ liệuphù hợp với mô hình được khởi tạo bằng các tham số mô hình ước tính thu được từbước đầu tiên. Một phần tử dữ liệu sẽ được coi là ngoại lệ nếu nó không phù hợp với

mô hình phù hợp được khởi tạo

Tập hợp các nội số thu được cho mô hình phù hợp được gọi là tập hợp đồngthuận. Thuật toán RANSAC sẽ lặp đi lặp lại hai bước trên cho đến khi tập hợp đồngthuận thu được trong một lần lặp nhất định có đủ nội số

Đầu vào cho thuật toán RANSAC là một tập hợp các giá trị dữ liệu được quan sát,một cách để điều chỉnh một số loại mô hình với các quan sát và một số tham số tincậy . RANSAC đạt được mục tiêu của mình bằng cách lặp lại các bước sau:

+ Chọn một tập hợp con ngẫu nhiên của dữ liệu gốc. Gọi tập hợp con này là tập hợpcon giả định

+ Một mô hình được trang bị cho một tập hợp các giá trị giả định

+ Tất cả các dữ liệu khác sau đó được kiểm tra dựa trên mô hình được trang

bị. Những điểm phù hợp tốt với mô hình ước tính, theo một số hàm tổn thất cụ thểcủa mô hình , được coi là một phần của tập hợp đồng thuận 

+ Mô hình ước tính là tốt một cách hợp lý nếu có đủ nhiều điểm được xếp vào mộtphần của tập hợp đồng thuận

+ Sau đó, mô hình có thể được cải thiện bằng cách sử dụng lại tất cả các thành viêncủa tập hợp đồng thuận

Quy trình này được lặp lại một số lần cố định, mỗi lần tạo ra một mô hình bị từ chối

do quá ít điểm là một phần của tập hợp đồng thuận hoặc một mô hình đã được tinhchỉnh cùng với kích thước tập hợp đồng thuận tương ứng. Trong trường hợp sau,chúng tôi giữ mô hình đã tinh chỉnh nếu tập hợp đồng thuận của nó lớn hơn mô hình

mô hình - Một mô hình để giải thích các điểm dữ liệu quan sát được

n - Số lượng điểm dữ liệu tối thiểu cần thiết để ước tính các tham số của mô hình

k - Số lần lặp tối đa cho phép trong thuật toán

t - Giá trị ngưỡng để xác định các điểm dữ liệu phù hợp với mô hình

d - Số điểm dữ liệu gần cần thiết để khẳng định rằng một mô hình phù hợp tốt với

dữ liệu

Đầu ra:

bestFit - tham số mô hình phù hợp nhất với dữ liệu (hoặc null nếu không tìm thấy

mô hình tốt)

iterations = 0, bestFit = null

bestErr = something really large

while iterations < k do

maybeInliers = n randomly selected values from data

maybeModel = model parameters fitted to maybeInliers

alsoInliers = empty set

for every point in data not in maybeInliers do

if point fits maybeModel with an error smaller than t

add point to alsoInliers

end for

if the number of elements in alsoInliers is > d then

betterModel = model parameters fitted to all points in maybeInliers andalsoInliers

thisErr = a measure of how well betterModel fits these points

if thisErr < bestErr then

ĐúngĐúngSai

chạy. RANSAC trả về một kết quả thành công nếu trong một số lần lặp, nó chỉ chọncác phần tử trong từ tập dữ liệu đầu vào khi nó chọn n điểm mà từ đó các tham số

mô hình được ước tính. Để cho w là xác suất để chọn một hệ số mỗi khi một điểmđược chọn, nghĩa là:

w = số phần tử thuộc mô hình / số điểm trong dữ liệuMột trường hợp phổ biến là w không được biết trước, nhưng một số giá trị thô có thể

trong n điểm là ngoại lệ, một trường hợp giả sử rằng một mô hình xấu sẽ được ướclượng từ tập điểm này. Xác suất theo lũy thừa của k là xác suất mà thuật toán khôngbao giờ chọn tập hợp n điểm mà tất cả đều là ẩn số và giá trị này phải giống như 1-

p. Kết quả là:

k= log (1− p) log (1−w n)Kết quả này giả định rằng n điểm dữ liệu được chọn độc lập, tức là một điểm đãđược chọn một lần sẽ được thay thế và có thể được chọn lại trong cùng một lầnlặp. Đây thường không phải là một cách tiếp cận hợp lý và giá trị suy ra của k nênđược coi là giới hạn trên trong trường hợp các điểm được chọn mà không thaythế. Ví dụ: trong trường hợp tìm một đường phù hợp với tập dữ liệu được minh họatrong hình trên, thuật toán RANSAC thường chọn hai điểm trong mỗi lần lặp và tínhtoán maybe_model như đường thẳng giữa các điểm và sau đó điều quan trọng là haiđiểm phải khác biệt

Để có thêm độ tin cậy, độ lệch chuẩn hoặc bội số của chúng có thể được thêmvào k . Độ lệch chuẩn của k được định nghĩa là:

S(D)=√1−w n

w n

e Ưu nhược điểm

Một ưu điểm của RANSAC là khả năng ước lượng mạnh mẽ các tham số của môhình, tức là nó có thể ước tính các tham số với mức độ chính xác cao ngay cả khi cómột số lượng lớn các giá trị ngoại lệ có trong tập dữ liệu Một nhược điểm củaRANSAC là không có giới hạn trên về thời gian cần thiết để tính toán các tham sốnày Khi số lần lặp được tính toán bị giới hạn, giải pháp thu được có thể không tối

ưu và thậm chí nó có thể không phù hợp với dữ liệu theo cách tốt Theo cách này,RANSAC đưa ra một sự đánh đổi, bằng cách tính toán số lần lặp lại nhiều hơn, xácsuất của một mô hình hợp lý được tạo ra sẽ tăng lên Hơn nữa, RANSAC không phảilúc nào cũng có thể tìm được bộ tối ưu ngay cả đối với các bộ bị nhiễu vừa phải và

nó thường hoạt động kém khi số lượng phần tử nội ít hơn 50% RANSAC tối ưu đã

được đề xuất để xử lý cả hai vấn đề này và có khả năng tìm ra tập hợp tối ưu cho cáctập hợp nhiễu cao, ngay cả đối với tỷ lệ phần tử nội chỉ dưới 5% Một nhược điểmkhác của RANSAC là nó yêu cầu thiết lập các ngưỡng dành riêng cho từng mô hình.RANSAC chỉ có thể ước tính một mô hình cho một tập dữ liệu cụ thể Đối với bất

kỳ phương pháp tiếp cận một mô hình nào khi tồn tại hai (hoặc nhiều) trường hợp

mô hình, RANSAC có thể không tìm thấy một trong hai Biến đổi Hough là một kỹthuật ước lượng mạnh mẽ thay thế có thể hữu ích khi có nhiều hơn một cá thể môhình Một cách tiếp cận khác để điều chỉnh nhiều mô hình được gọi là PEARL, kếthợp lấy mẫu mô hình từ các điểm dữ liệu như trong RANSAC với việc ước tính lạilặp đi lặp lại các nội số và việc điều chỉnh đa mô hình được xây dựng như một bàitoán tối ưu hóa

f Ứng dụng

Thuật toán RANSAC thường được sử dụng trong thị giác máy tính: để giải quyếtđồng thời bài toán tương ứng và ước tính ma trận cơ bản liên quan đến một cặpstereo camera, để tính toán tham số các mô hình như đường tròn, đường thẳng, mặtphẳng trong 2D hoặc 3D

g Phát triển và cải tiến

Kể từ năm 1981, RANSAC đã trở thành một công cụ cơ bản trong cộng đồng xử lýhình ảnh và thị giác máy tính Vào năm 2006, nhân kỷ niệm 25 năm của thuật toán,một hội thảo đã được tổ chức tại Hội nghị Quốc tế về Thị giác Máy tính và Nhậndạng Mẫu (CVPR) để tóm tắt những đóng góp và biến thể gần đây nhất cho thuậttoán gốc, chủ yếu nhằm cải thiện tốc độ của thuật toán, tính mạnh mẽ, độ chính xáccủa giải pháp ước tính và để giảm sự phụ thuộc từ các hằng số do người dùng xácđịnh

RANSAC có thể nhạy cảm với việc lựa chọn ngưỡng nhiễu chính xác để xác địnhđiểm dữ liệu nào phù hợp với mô hình được khởi tạo với một bộ thông số nhất định.Nếu ngưỡng như vậy quá lớn, thì tất cả các giả thuyết có xu hướng được xếp hạngnhư nhau (tốt) Mặt khác, khi ngưỡng nhiễu quá nhỏ, các tham số ước lượng có xuhướng không ổn định (nghĩa là chỉ cần thêm hoặc bớt một số liệu vào tập các giá trịnội tại, ước tính của các tham số có thể dao động) Để bù đắp một phần cho tác dụngkhông mong muốn này, Torr et al đề xuất hai sửa đổi của RANSAC được gọi làMSAC (M-estimator SAmple and Consensus) và MLESAC (Maximum LikelihoodEstimation SAmple and Consensus) Ý tưởng chính là đánh giá chất lượng của tậpđồng thuận (tức là dữ liệu phù hợp với một mô hình và một tập hợp thông số nhấtđịnh) tính toán khả năng xảy ra của nó (trong khi trong công thức ban đầu củaFischler và Bolles, thứ hạng là bản số của tập hợp đó) Tordoff đề xuất một phần mởrộng cho MLESAC có tính đến các xác suất trước liên quan đến tập dữ liệu đầu vào.Thuật toán kết quả được đặt tên là Guided-MLESAC Cùng những dòng tương tự,