กล้อง AI ตรวจจับวัตถุ (Deep Learning) ในโรงงาน: ทำงานอย่างไร ใช้เมื่อไร และต้องเตรียมภาพเท่าไร
กล้อง AI ตรวจจับวัตถุ คือกล้อง Machine Vision ที่ใช้ Deep Learning เรียนรู้จากภาพตัวอย่างชิ้นดีและชิ้นเสีย แทนการตั้งกฎทีละข้อ จึงรับมือกับงานที่รูปร่าง ตำแหน่ง แสง หรือลวดลายเปลี่ยนไปมาได้ดีกว่ากล้องแบบตั้งเงื่อนไข งานในโรงงานแบ่งได้ 4 แบบ คือตรวจจับและนับวัตถุ จำแนกประเภท อ่านตัวอักษร (OCR) และหาตำหนิ ควรใช้ AI เมื่อชิ้นงานหน้าตาไม่คงที่ ตำหนิไม่มีรูปแบบชัด หรือมีหลายรุ่นในไลน์เดียว ถ้าเงื่อนไขชัดเจนอยู่แล้ว กล้องแบบตั้งเงื่อนไขก็เพียงพอ ตัวอย่างจากเคส HIKROBOT คือนับเหล็กเส้นถูกต้อง 99.98% และอ่านรหัสบนกล่องยาถูกต้อง 99.94% จากภาพฝึก 1,158 ภาพ
กล้อง AI ตรวจจับวัตถุ คืออะไร ต่างจากกล้อง Vision ทั่วไปอย่างไร?
กล้อง AI ตรวจจับวัตถุ (AI Vision Inspection) คือระบบกล้องอุตสาหกรรมที่ใช้โมเดล Deep Learning วิเคราะห์ภาพ ผู้ใช้ไม่ต้องกำหนดว่าขอบอยู่ตรงไหนหรือสีต้องเท่าไร แต่ให้ภาพตัวอย่างที่ติดป้ายไว้ว่าอะไรคือ OK อะไรคือ NG หรืออะไรคือวัตถุที่ต้องหา แล้วให้โมเดลเรียนรู้เอง ต่างจากกล้อง Vision ทั่วไปแบบตั้งเงื่อนไข (Rule-based) ที่ใช้เครื่องมือวัดขอบ เทียบแม่แบบ หรือนับพิกเซลตามค่าที่ตั้งไว้
| หัวข้อ | กล้องแบบตั้งเงื่อนไข (Rule-based) | กล้อง AI (Deep Learning) |
|---|---|---|
| วิธีตั้งค่า | กำหนดเครื่องมือและค่าตัดสินทีละจุด | ให้ภาพตัวอย่างที่ติดป้ายแล้วฝึกโมเดล |
| เหมาะกับ | ตำแหน่งคงที่ เงื่อนไขชัด เช่น มี/ไม่มี วัดขนาด อ่านบาร์โค้ด | รูปร่าง ลวดลาย หรือตำแหน่งเปลี่ยน ตำหนิไม่มีรูปแบบ หลายรุ่นในไลน์เดียว |
| เมื่อหน้างานเปลี่ยน | ต้องปรับค่าใหม่ เช่น แสงเปลี่ยน กล้องขยับ | รับมือได้ดีกว่าถ้าภาพฝึกครอบคลุมสภาพนั้น |
| สิ่งที่ต้องเตรียม | ชิ้นงานตัวอย่างไม่กี่ชิ้น | ภาพตัวอย่างจำนวนมากพอ ทั้ง OK และ NG ทุกแบบ |
| ฮาร์ดแวร์ | Vision Sensor หรือ Smart Camera ทั่วไป | Smart Camera ที่รองรับ Deep Learning หรือ PC อุตสาหกรรมพร้อมการ์ดจอ |
ตัวอย่างจากเอกสาร HIKROBOT ที่เห็นความต่างชัด คือเคสตรวจส้อมในบะหมี่ถ้วย เดิมลูกค้าใช้วิธีเทียบลักษณะและวิเคราะห์ก้อนพิกเซล ซึ่งต้องให้ตำแหน่งกล้องและแสงไม่เปลี่ยน เมื่อหน้างานมีแรงสั่นและแสงเปลี่ยน จึงเปลี่ยนมาใช้ Deep Learning ผลทดสอบ 2,586 ชิ้น ถูกต้อง 99.96%
กล้อง AI ทำอะไรได้บ้างในโรงงาน?
| งาน | ทำอะไร | ตัวอย่างจากเคส HIKROBOT |
|---|---|---|
| ตรวจจับและนับวัตถุ (Object Detection) | หาว่ามีวัตถุอยู่ตรงไหน กี่ชิ้น | นับเหล็กเส้น 12 แบบที่หน้าตัดต่างกัน · ตรวจว่ามีส้อมในถ้วยบะหมี่ · ตรวจว่ากล่องยาไม่ค้างในเครื่องตอนเปลี่ยนล็อต |
| จำแนกประเภท (Classification) | บอกว่าภาพนี้เป็นกลุ่มไหน หรือ OK/NG | แยกรุ่นล้อแม็ก · ตรวจว่าเฟืองผ่านการเชื่อมแล้ว · แยกกล่องสินค้า 85 แบบ |
| อ่านตัวอักษร (Deep Learning OCR) | อ่านตัวอักษรที่ขนาด ตำแหน่ง หรือรูปร่างไม่คงที่ | ตัวอักษรเลเซอร์บนชิ้นส่วนที่ผิวสึก · รหัสพิมพ์บนกล่องยา · ตัวอักษรจุดที่ติดกัน |
| หาตำหนิ (Segmentation / เทียบภาพ) | ระบุพื้นที่ที่ผิดปกติ แม้ตำแหน่งและขนาดไม่แน่นอน | ตำหนิโมดูลกล้องโทรศัพท์ · สิ่งเจือปนในยาน้ำแยกจากฟองอากาศ · ขอบบิ่นของแหวนแม่เหล็ก |
ถ้าโจทย์หลักคือหารอยขีดข่วนหรือตำหนิบนผิว อ่านละเอียดที่ กล้องตรวจสอบตำหนิและรอยขีดข่วน และถ้าเป็นการอ่านวันที่บนบรรจุภัณฑ์ ดู กล้องตรวจวันที่ผลิตและเลขล็อต (OCR)
เมื่อไรควรใช้กล้อง AI และเมื่อไรไม่จำเป็น?
- ควรใช้ AI เมื่อชิ้นงานหรือตำหนิหน้าตาไม่คงที่ เช่น รอยขีดข่วนที่ยาวและลึกไม่เท่ากัน ตัวอักษรที่ตำแหน่งเปลี่ยนทุกครั้งที่ล้างหัวพิมพ์ วัตถุซ้อนหรือบังกัน หรือมีหลายรุ่นหลายสีในไลน์เดียว
- ควรใช้ AI เมื่อกล้องแบบตั้งเงื่อนไขเคยลองแล้วแต่คัดเกินหรือหลุดมากเพราะหน้างานเปลี่ยน
- ไม่จำเป็นต้องใช้ AI เมื่อเงื่อนไขชัด เช่น ตรวจว่ามีฝา นับรูที่ตำแหน่งคงที่ วัดขนาด หรืออ่านบาร์โค้ดและ QR Code กล้องแบบตั้งเงื่อนไขตั้งค่าเร็วกว่าและไม่ต้องเก็บภาพจำนวนมาก
- ใช้ร่วมกันได้ ในระบบเดียว เช่น ใช้เครื่องมือหาตำแหน่งแบบเดิมจัดภาพให้ตรงก่อน แล้วใช้ Deep Learning ตัดสินตำหนิหรืออ่านตัวอักษร
ต้องเตรียมภาพตัวอย่างเท่าไร?
ไม่มีตัวเลขตายตัว ขึ้นกับความยากของงานและความหลากหลายของชิ้นงาน ตัวเลขจากเคส OCR ในเอกสาร HIKROBOT ช่วยให้เห็นภาพ
| งาน | ภาพฝึก | ภาพทดสอบ | ผล |
|---|---|---|---|
| ตัวอักษรเลเซอร์บนชิ้นส่วน ผิวสึก พื้นหลังรบกวน | 440 | 530 | อ่านถูก 99.06% ใช้งานจริงแล้ว |
| รหัสพิมพ์บนกล่องยา ความเร็วสูง แสงต่างกันแต่ละสถานี | 1,158 | 1,650 | อ่านถูก 99.94% |
| ตัวอักษรบนเปลือกโทรศัพท์ หลายรุ่น ความลึกการพิมพ์ต่างกัน | 483 | 6,352 | อ่านถูก 97.54% และ 99.61% เมื่อตัดภาพที่พิมพ์เลือน 132 ภาพออก |
- ภาพน้อยเกินไปทำให้ผลไม่นิ่ง เคสอ่านตัวอักษรบนชิ้นงานโลหะหลายแบบ ได้เกิน 95% ในชิ้นงานส่วนใหญ่ แต่ชิ้นงานแบบที่ตัวอักษรเล็กได้เพียงกว่า 80% เอกสารระบุว่าภาพฝึกน้อยทำให้ผลแกว่งมาก
- ภาพต้องครอบคลุมสภาพหน้างาน ทั้งกลางวัน กลางคืน แสงต่างกัน สีและขนาดชิ้นงานต่างกัน เช่น เคสนับพาเลทกลางแจ้ง
- คุณภาพงานพิมพ์มีผล ภาพที่พิมพ์เลือนจนคนอ่านไม่ออก ควรแยกเป็นงานตรวจคุณภาพการพิมพ์ ไม่ใช่โจทย์ของ OCR
- บางงานเพิ่มกลุ่มใหม่ได้ด้วยภาพไม่กี่ภาพ เคสแยกกล่องสินค้า 85 แบบ ฝึก 52 แบบ ใช้ภาพลงทะเบียนแบบละ 5 ภาพ ทดสอบ 3,000 ภาพ ถูกต้อง 98.6% และเคสแยกรุ่นล้อแม็กเพิ่มรุ่นใหม่ได้โดยไม่ต้องฝึกใหม่ทั้งหมด
ใช้ฮาร์ดแวร์อะไร: Smart Camera หรือ PC พร้อมการ์ดจอ?
| รูปแบบ | เหมาะกับ | ตัวอย่างจากเอกสาร HIKROBOT |
|---|---|---|
| Smart Camera ที่รองรับ Deep Learning | จุดตรวจเดียว ต้องการติดตั้งง่าย ประมวลผลในตัวกล้อง | ตรวจรอยเชื่อมเฟือง OCR ชิ้นส่วนพลาสติกรถยนต์ แยกพัสดุ และตรวจแผ่นรองกล่องนม |
| กล้องอุตสาหกรรม + PC + การ์ดจอ | หลายกล้อง หลายกลุ่ม หรือโมเดลที่ต้องประมวลผลหนัก | แยกรุ่นล้อแม็กใช้เวลาประมวลผลบน GPU ไม่เกิน 20 มิลลิวินาที · ตรวจขอบบิ่นแหวนแม่เหล็ก ถูกต้องมากกว่า 99.5% |
ขั้นตอนทำโปรเจกต์กล้อง AI
- นิยามโจทย์ ต้องหาอะไร นับอะไร หรือแยกกี่กลุ่ม และเป้าหมายคัดเกินกับหลุดเท่าไร
- จัดแสงและกล้องให้นิ่งก่อน AI ไม่ได้แทนการจัดแสงที่ดี ภาพที่ชัดและสม่ำเสมอทำให้ใช้ภาพฝึกน้อยลง
- เก็บภาพจากหน้างานจริง ทั้งชิ้นดีและชิ้นเสียทุกแบบ ทุกรุ่น ทุกสภาพแสง
- ติดป้ายภาพและฝึกโมเดล แล้วทดสอบกับชุดภาพที่ไม่ได้ใช้ฝึก
- ติดตั้งและเชื่อมต่อ ส่งผล OK/NG ให้ PLC คัดออก (ดู กล้องคัดแยกสินค้า OK/NG ส่งสัญญาณให้ PLC)
- เก็บภาพเพิ่มและปรับโมเดล เมื่อมีชิ้นงานรุ่นใหม่หรือเจอกรณีที่ไม่เคยเห็น
ตัวอย่างงานจริง: ตัวเลขจากเคส HIKROBOT
- นับเหล็กเส้น: เหล็ก 12 แบบ หน้าตัดต่างกัน ติดกันไม่เท่ากัน นับถูกต้อง 99.98% หลุด 0.02%
- นับและผูกรหัสพาเลท: ภาพจากกล้องอ่านรหัส 18 ตัว กลางแจ้ง แสงต่างกัน ถูกต้อง 99.92% (ผ่านขั้นทดสอบแนวคิด)
- รหัสบนกล่องยา: ภาพฝึก 1,158 ภาพ ทดสอบ 1,650 ภาพ อ่านถูก 99.94%
- แยกกล่องสินค้า 85 แบบ: ทดสอบ 3,000 ภาพ ถูกต้อง 98.6%
- ตำหนิโมดูลกล้องโทรศัพท์: ถูกต้อง 99.73–100% แยกตามด้านและชิ้นดี/ชิ้นเสีย
- ขอบบิ่นแหวนแม่เหล็ก: ถูกต้อง มากกว่า 99.5% ด้วยกล้องอุตสาหกรรมและ PC พร้อมการ์ดจอ
ทุกโปรเจกต์ควรตกลงเกณฑ์ชิ้นดีที่ถูกคัดทิ้ง (คัดเกิน) และชิ้นเสียที่หลุด ก่อนเริ่ม ตัวอย่างเคสตรวจกล่องยาค้างในเครื่องรายงานคัดเกิน 0.85% และหลุด 2.14% ในผลทดสอบ
สรุป
กล้อง AI ตรวจจับวัตถุใช้ Deep Learning เรียนรู้จากภาพตัวอย่าง เหมาะกับงานที่ชิ้นงาน ตำหนิ หรือตัวอักษรหน้าตาไม่คงที่ ทำได้ 4 งานหลัก คือ ตรวจจับและนับ จำแนกประเภท อ่านตัวอักษร และหาตำหนิ ความแม่นยำขึ้นกับคุณภาพและจำนวนภาพฝึกที่ครอบคลุมหน้างาน ส่วนงานที่เงื่อนไขชัด กล้องแบบตั้งเงื่อนไขยังคุ้มกว่า Better Code ตัวแทนจำหน่ายอย่างเป็นทางการของ HIKROBOT ในประเทศไทย ช่วยประเมินว่างานของคุณต้องใช้ AI หรือไม่ ทดสอบกับภาพชิ้นงานจริง ติดตั้ง และดูแลหลังการขาย
คำถามที่พบบ่อยเกี่ยวกับกล้อง AI ตรวจจับวัตถุ
กล้อง AI ตรวจจับวัตถุคืออะไร?
คือกล้อง Machine Vision ที่ใช้ Deep Learning เรียนรู้จากภาพตัวอย่างที่ติดป้ายไว้ แล้วตรวจจับ นับ จำแนก อ่านตัวอักษร หรือหาตำหนิได้เอง โดยไม่ต้องตั้งกฎทีละข้อ เหมาะกับชิ้นงานที่หน้าตา ตำแหน่ง หรือแสงเปลี่ยน
กล้อง AI ต่างจากกล้อง Vision ทั่วไปอย่างไร?
กล้อง Vision ทั่วไปใช้เครื่องมือและค่าที่ตั้งไว้ เช่น วัดขอบ เทียบแม่แบบ เหมาะกับเงื่อนไขชัด ส่วนกล้อง AI เรียนรู้จากภาพตัวอย่าง รับมือกับรูปร่างหรือตำหนิที่ไม่แน่นอนได้ดีกว่า แต่ต้องเตรียมภาพตัวอย่างมากกว่าและอาจต้องใช้ฮาร์ดแวร์ที่แรงกว่า
ต้องใช้ภาพตัวอย่างกี่ภาพ?
ขึ้นกับความยากของงาน ตัวอย่างจากเคส HIKROBOT งาน OCR ใช้ภาพฝึก 440–1,158 ภาพ ได้ผลอ่านถูก 99.06–99.94% และบางงานจำแนกเพิ่มกลุ่มใหม่ได้ด้วยภาพลงทะเบียนกลุ่มละ 5 ภาพ ที่สำคัญคือภาพต้องครอบคลุมทุกรุ่น ทุกแบบของ NG และทุกสภาพแสง
กล้อง AI ต้องใช้คอมพิวเตอร์ไหม?
ไม่เสมอไป มี Smart Camera ที่รองรับ Deep Learning ประมวลผลในตัวกล้อง เหมาะกับจุดตรวจเดียว ส่วนงานหลายกล้องหรือโมเดลที่หนักใช้กล้องอุตสาหกรรมร่วมกับ PC อุตสาหกรรมที่มีการ์ดจอ
กล้อง AI ใช้กับไลน์ความเร็วสูงได้ไหม?
ได้ ขึ้นกับขนาดโมเดลและฮาร์ดแวร์ ตัวอย่างจากเคส HIKROBOT แยกรุ่นล้อแม็กบน GPU ใช้เวลาไม่เกิน 20 มิลลิวินาที และอ่านตัวอักษรบนกล่องนมในไลน์บรรจุด้วย Deep Learning ที่ 7 ชิ้นต่อวินาที ควรทดสอบที่ความเร็วจริงก่อนติดตั้ง
งานแบบไหนไม่จำเป็นต้องใช้ AI?
งานที่เงื่อนไขชัดและตำแหน่งคงที่ เช่น ตรวจว่ามีฝาหรือชิ้นส่วน วัดขนาด นับรูที่ตำแหน่งเดิม หรืออ่านบาร์โค้ดและ QR Code กล้องแบบตั้งเงื่อนไขตั้งค่าเร็วกว่าและไม่ต้องเก็บภาพจำนวนมาก
ซื้อกล้อง AI HIKROBOT ในประเทศไทยได้ที่ไหน?
ติดต่อ Better Code (บริษัท เบทเตอร์ โค้ด จำกัด) ตัวแทนจำหน่ายอย่างเป็นทางการของ HIKROBOT ในประเทศไทย ทาง LINE @bettercode หรือโทร 02-170-9611 ทีมงานช่วยประเมินโจทย์ ทดสอบกับภาพชิ้นงานจริง เลือกกล้อง แสง และฮาร์ดแวร์ พร้อมติดตั้งและบริการหลังการขาย
แหล่งข้อมูล
- HIKROBOT – Deep Learning Application Case Set (2021): กลุ่มงานตรวจจับวัตถุ จำแนกประเภท อ่านตัวอักษร และหาตำหนิ รวมตัวเลขภาพฝึก ภาพทดสอบ อัตราถูกต้อง และฮาร์ดแวร์ที่ใช้
- HIKROBOT – Introduction to Machine Vision: องค์ประกอบระบบ Vision และงานตรวจสอบ วัดขนาด นำทาง และระบุตัวตน
อยากรู้ว่างานของคุณต้องใช้กล้อง AI หรือไม่?
ส่งรูปชิ้นงาน OK และ NG พร้อมบอกว่าต้องการตรวจอะไร ทีม Better Code ช่วยประเมินว่าควรใช้กล้องแบบตั้งเงื่อนไขหรือ Deep Learning และทดสอบกล้อง HIKROBOT กับภาพชิ้นงานจริง
