AI Image Processing สำหรับการผลิต: ตรวจคุณภาพอัตโนมัติได้ยังไง

การตรวจคุณภาพด้วยตามนุษย์มีปัญหาเดิมๆ — เหนื่อย, ผิดพลาด, ช้า, ค่าแรงสูง AI Image Processing ใช้กล้อง + Computer Vision ทำงานนี้แทนได้แม่นยำกว่า 24/7

AI Image Processing คืออะไรในบริบทโรงงาน?

คือการใช้ กล้องอุตสาหกรรม ถ่ายภาพชิ้นงาน แล้วประมวลผลด้วย AI model เพื่อ:

• ตรวจหา defect (รอยขีด, สี, รอยร้าว, ของขาด)
• วัดขนาด (dimension measurement)
• อ่านตัวอักษร (OCR สำหรับ batch number, expiration)
• นับจำนวน (counting)
• จำแนกประเภท (classification)

ต่างจาก Machine Vision แบบเดิมตรงที่ AI เรียนรู้จากตัวอย่าง — ไม่ต้องเขียน rule แบบ manual

Use Cases ที่นิยมในโรงงานไทย

1. Defect Detection (ตรวจของเสีย)

• อุตสาหกรรม: รถยนต์, อิเล็กทรอนิกส์, อาหาร
• ตัวอย่าง: ตรวจรอยขีดบนตัวถัง, จุดดำในเม็ดยา, fiber ในผ้า
• ROI: ลดของเสียถึงลูกค้า 80-95%

2. PCB Inspection

• อุตสาหกรรม: Electronics
• ตัวอย่าง: ตรวจ solder joint, missing component, polarity
• Speed: 1 PCB/วินาที (เทียบกับคน 30 วินาที)

3. Surface Inspection

• อุตสาหกรรม: Steel, plastic, glass
• ตัวอย่าง: ตรวจรอยบุบ, สี non-uniform, ขนาดผิด
• Resolution: ตรวจ defect ขนาด 0.1mm ได้

4. OCR สำหรับ Lot/Batch

• อุตสาหกรรม: อาหาร, ยา, เครื่องดื่ม
• ตัวอย่าง: อ่านวันหมดอายุ, batch code, serial number
• Use case: ตรวจสอบ traceability

5. Packaging Verification

• อุตสาหกรรม: Consumer goods
• ตัวอย่าง: ตรวจฉลาก, ปิดผนึก, ปริมาณในขวด
• Compliance: ตอบ FDA, GMP

สถาปัตยกรรมระบบ

[Industrial Camera] → [Lighting + Trigger] → [Edge GPU/CPU]
                                                  ↓
                                      [AI Model Inference]
                                                  ↓
                              [Pass/Fail Decision] → [Reject Mechanism]
                                                  ↓
                              [Result Logging] → [Dashboard + Reports]

Hardware ที่ต้องมี:

Camera:

• Industrial Camera (Basler, Cognex, Allied Vision) — 30,000-150,000 บาท
• Resolution: 2-12 MP ตาม use case
• Frame rate: 30-200 fps สำหรับ inline

Lighting:

• ⚠️ สำคัญที่สุด — แสงผิด ภาพผิด AI ก็ผิด
• Backlight, dome light, ring light, coaxial — เลือกตาม object

Computing:

• NVIDIA Jetson (Edge AI) — 15,000-50,000 บาท
• Industrial PC + GPU — 100,000-300,000 บาท
• Cloud GPU — สำหรับ training, ไม่แนะนำ inference

เลือก AI Model ยังไง?

Classification (จำแนกประเภท)

• EfficientNet, ResNet — ใช้ทั่วไป
• MobileNet — สำหรับ edge device
• ใช้เมื่อ: "ของชิ้นนี้ Pass หรือ Fail?"

Object Detection (หาตำแหน่ง)

• YOLO v8/v9 — เร็ว, แม่นยำ
• Faster R-CNN — แม่นยำสุด แต่ช้า
• ใช้เมื่อ: "Defect อยู่ตรงไหนของชิ้นงาน?"

Segmentation (แยก pixel)

• U-Net — Medical, defect
• SAM (Segment Anything) — General purpose
• ใช้เมื่อ: "ขอบเขตของ defect แม่นๆ"

Anomaly Detection

• PatchCore, PaDiM — train ด้วยภาพ "ของดี" เท่านั้น
• ใช้เมื่อ: ของเสียมีน้อย ภาพ defect ไม่พอ train

ดูเพิ่มเรื่อง Object Detection ในโรงงาน

ขั้นตอนการ implement

1. Define Problem (1 สัปดาห์)

• Defect ประเภทไหน? (พื้นผิว, ขนาด, สี)
• Throughput ต้องการ? (ชิ้น/นาที)
• Accept/Reject criteria เคลียร์ไหม?

2. Collect Data (2-4 สัปดาห์)

• ถ่ายภาพ 500-2,000 ชิ้น (Pass + Fail)
• หลากหลาย lighting, angle, background
• Annotate (label) ทุกภาพ

3. Train Model (1-2 สัปดาห์)

• Split data 70/15/15 (train/val/test)
• Augmentation: rotate, flip, brightness
• Target accuracy 95%+

4. Deploy & Test (2-4 สัปดาห์)

• ติดตั้ง camera + lighting + computer
• Run parallel กับ manual inspection
• เก็บ false positive/negative ไป retrain

5. Production (Continuous)

• Monitor accuracy ทุกเดือน
• Retrain เมื่อมี defect ประเภทใหม่

ความท้าทายที่พบบ่อย

❌ Lighting เปลี่ยน → Model พัง

แก้: ใช้ enclosed lighting, controlled environment

❌ Class imbalance (ของเสียน้อย)

แก้: ใช้ Anomaly Detection หรือ generate synthetic defect

❌ Domain shift (เปลี่ยน batch วัตถุดิบ)

แก้: Active learning, retrain ตาม schedule

❌ False positives สูง

แก้: เพิ่ม training data, ปรับ threshold, multi-stage inspection

งบประมาณตัวอย่าง: ตรวจ PCB

| รายการ | บาท | |--------|-----| | Industrial camera 5MP + lens | 80,000 | | Lighting (dome light) | 25,000 | | NVIDIA Jetson Orin Nano | 25,000 | | Reject mechanism (pneumatic) | 40,000 | | Software development | 250,000 | | Annotation + training | 80,000 | | Integration + testing | 50,000 | | รวม | 550,000 |

ROI: ลดของเสียถึงลูกค้า, ประหยัด QC 2 คน → คืนทุน 8-14 เดือน

เริ่มเล็ก-วัดผลได้-ขยายเป็น

แนะนำเริ่มจาก:

1. 1 station, 1 defect type — pilot
2. ใช้ pre-trained model (transfer learning) ก่อน train จากศูนย์
3. ตั้ง KPI ชัด เช่น accuracy ≥ 95%, false reject ≤ 2%
4. เก็บข้อมูลใช้ retrain ทุก 1-3 เดือน

สรุป

AI Image Processing ไม่ใช่ของอนาคตอีกต่อไป — โรงงานชิ้นส่วนรถยนต์, อิเล็กทรอนิกส์, อาหารในไทยใช้กันแล้ว

จุดสำเร็จคือ Lighting + Data + Engineering มากกว่า model ที่หรู

อ่านต่อ

• Object Detection ในโรงงาน — เจาะลึก YOLO + use cases
• ระบบบันทึกข้อมูลการผลิต — เก็บภาพและ metadata อย่างเป็นระบบ

อยากใช้ AI Vision ในโรงงาน? WTC Cloud มีทีม Computer Vision ที่ทำโปรเจ็กต์มาแล้วหลายโรงงาน ตั้งแต่ตรวจ PCB จนถึง OCR ภาษาไทย ติดต่อทีมงาน เพื่อ proof-of-concept ภายใน 30 วัน