ใช้ AI ตรวจสอบคุณภาพสินค้า
Computer Vision เป็นสาขาหนึ่งของ AI ที่ทำให้คอมพิวเตอร์เข้าใจภาพและวิดีโอ ในโรงงานอุตสาหกรรมนำมาใช้ตรวจสอบคุณภาพสินค้าแทนสายตามนุษย์
1. ทำไมต้องใช้ AI แทนคน?
| ปัจจัย | คนตรวจสอบ | AI ตรวจสอบ |
|---|---|---|
| ความเร็ว | 50-100 ชิ้น/ชม. | 1,000+ ชิ้น/ชม. |
| ความแม่นยำ | 85-95% | 98-99.5% |
| ทำงานต่อเนื่อง | 8 ชม./กะ | 24 ชม. |
| ความเหนื่อย | ลดลงเมื่อยล้า | คงที่เสมอ |
| ต้นทุน/เดือน | 15,000-25,000 บาท | 5,000-10,000 บาท (amortized) |
2. ประเภทของ Defect ที่ตรวจจับได้
- Scratch: รอยขีดข่วนบนผิว
- Dent: รอยบุ๋ม
- Crack: รอยแตก
- Discoloration: สีผิดปกติ
- Missing Part: ชิ้นส่วนขาด
- Wrong Assembly: ประกอบผิด
3. ขั้นตอนการสร้างระบบ
ขั้นตอนที่ 1: เก็บภาพตัวอย่าง
- ภาพสินค้าปกติ 500-1,000 ภาพ
- ภาพสินค้ามีตำหนิ 500-1,000 ภาพ
- ถ่ายจากหลายมุม, หลายแสง
ขั้นตอนที่ 2: Label ข้อมูล
- วาด Bounding Box รอบตำหนิ
- ระบุประเภทตำหนิ
- ใช้เครื่องมือ LabelImg หรือ CVAT
ขั้นตอนที่ 3: เลือกโมเดล
- YOLO (Real-time detection)
- Faster R-CNN (Accuracy สูง)
- EfficientDet (สมดุล Speed/Accuracy)
ขั้นตอนที่ 4: ฝึกสอนและ Deploy
- ฝึกสอนด้วย GPU
- Deploy บน Edge Device (NVIDIA Jetson)
- เชื่อมต่อกับสายพาน
4. ตัวอย่างโค้ด Python (YOLOv8)
from ultralytics import YOLO
# โหลดโมเดลที่ฝึกสอนแล้ว
model = YOLO('best.pt')
# ตรวจจับตำหนิในภาพ
results = model('product_image.jpg')
# แสดงผลลัพธ์
for r in results:
for box in r.boxes:
cls = int(box.cls[0])
conf = float(box.conf[0])
print(f'Defect: {r.names[cls]}, Confidence: {conf:.2f}')
5. ผลลัพธ์ที่คาดหวัง
| เมตริก | ค่าที่ได้ |
|---|---|
| Precision | 95-99% |
| Recall | 93-98% |
| F1 Score | 94-98% |
| Inference Time | 10-50 ms ต่อภาพ |
