Object Detection ในโรงงาน: YOLO กับการใช้งานจริง 6 รูปแบบ

ถ้า AI Image Processing ตอบ "ภาพนี้ pass หรือ fail" แบบ Object Detection ตอบลึกกว่า: "อะไรอยู่ตรงไหน เท่าไหร่ ในภาพ" บทความนี้เจาะ YOLO และ 6 use cases ที่ใช้กันจริงในโรงงานไทย

Object Detection คืออะไร?

คือ AI model ที่รับภาพ → ส่งคืน:

• Bounding box (x, y, width, height) ของแต่ละวัตถุ
• Class (ประเภทของวัตถุ)
• Confidence score (ความมั่นใจ 0-1)

Input: ภาพสายพาน
Output:
  - bottle, x=120, y=80, w=60, h=180, score=0.97
  - bottle, x=350, y=85, w=58, h=175, score=0.95
  - cap_missing, x=420, y=70, w=40, h=40, score=0.88  ← Defect!

ทำไม YOLO ถึงเป็นที่นิยม?

YOLO (You Only Look Once) เป็น object detection model ที่:

• เร็ว — 60-200 fps บน GPU
• รันบน edge ได้ — Jetson, Raspberry Pi 5
• Train เองได้ ด้วยภาพ 100-500 ภาพต่อ class
• Open source มี community ใหญ่

Version ที่นิยมใช้:

| Version | จุดเด่น | ใช้เมื่อ | |---------|---------|----------| | YOLOv5 | เสถียร, ecosystem ดี | Production | | YOLOv8 | แม่นยำกว่า v5, modern | New project | | YOLOv9 | SOTA accuracy | Research, ความแม่นยำสำคัญ | | YOLO-NAS | optimize edge device | Mobile, Jetson |

6 Use Cases ในโรงงาน

1. Defect Localization (หาตำแหน่งของเสีย)

ปัญหา: Classification บอกแค่ "มี defect" — ไม่บอกว่าตรงไหน แก้ด้วย Detection: ระบุตำแหน่งและประเภทของ defect

ตัวอย่าง: สายพานชิ้นส่วนรถยนต์

• รอยขีด (scratch)
• รอยบุบ (dent)
• สีไม่เข้ม (paint thin)
• รู (hole)

ROI: QC 1 คน scan 100 ชิ้น/ชั่วโมง → AI ทำ 1,000 ชิ้น/ชั่วโมง

2. Counting (นับวัตถุ)

Use case: นับขวดในลังก่อนปิด, นับเม็ดยาในถาด, นับ cookie ในแพ็ค Speed: Real-time, error rate < 0.5%

3. Object Tracking (ติดตามวัตถุ)

Use case: ติดตาม pallet ในคลัง, ติดตามคนใน restricted area Tech: YOLO + DeepSORT, ByteTrack

4. Worker Safety (ตรวจ PPE)

ตรวจ:

• หมวกนิรภัย (helmet)
• เสื้อสะท้อนแสง (reflective vest)
• รองเท้านิรภัย (safety shoes)
• หน้ากาก (mask)

Alert ผ่าน LINE/Buzzer เมื่อพบคนไม่ใส่ PPE ใน hot zone

5. Robot Picking (Vision-guided Pickup)

Use case: หุ่นยนต์หยิบของจาก bin (bin picking) Pipeline: Object Detection → 6D pose estimation → Robot path planning

6. Logistics & Sorting

Use case: แยก parcel ตามขนาด/รูปทรง Detection: กล่อง, ซอง, ของเหลว, fragile sticker

ดูเพิ่มเรื่อง ระบบ automation sorter

Hardware สำหรับ Edge Deployment

| Device | Speed (YOLOv8n) | ราคา | เหมาะกับ | |--------|-----------------|------|----------| | NVIDIA Jetson Orin Nano | 60 fps | 25,000 | Edge AI ทั่วไป | | NVIDIA Jetson AGX Orin | 200 fps | 80,000 | High-throughput | | Raspberry Pi 5 + AI Hat | 15 fps | 8,000 | Pilot, simple use | | Industrial PC + RTX 4060 | 250 fps | 80,000 | Heavy workload | | Google Coral USB | 30 fps | 3,000 | TFLite models เท่านั้น |

วิธี Train YOLO ของตัวเอง

1. เก็บข้อมูล (1-2 สัปดาห์)

• 200-500 ภาพต่อ class (minimum)
• หลากหลาย angle, lighting, background
• Format: JPG/PNG

2. Annotate

• Tool: Roboflow (free + cloud), Label Studio (self-host), CVAT
• รูปแบบ: bounding box รอบวัตถุ + label
• Export: YOLO format (txt files)

3. Train (2-8 ชั่วโมงบน GPU)

# YOLOv8 example
from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # pre-trained
model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16
)

4. Validate

• [email protected] > 0.85 = ดี
• [email protected] > 0.95 = excellent

5. Export & Deploy

model.export(format='onnx')  # หรือ tensorrt, openvino

ปัญหาที่พบบ่อย

❌ Class imbalance

ของเสีย 100 ชิ้น vs ของดี 10,000 ชิ้น → model bias

แก้: Oversampling, weighted loss, หรือใช้ Anomaly Detection

❌ Small object detection

วัตถุเล็กกว่า 20×20 pixel — YOLO หายาก

แก้: ใช้ image tiling, เพิ่ม imgsz, ใช้ YOLOv8x หรือ specialized models

❌ Lighting variation

แสงเปลี่ยน → confidence drop

แก้: Controlled lighting + augmentation ตอน train

❌ Edge device ร้อน

รัน 24/7 → throttle

แก้: Heatsink + fan + monitor temperature

งบประมาณ Pilot Project

| รายการ | บาท | |--------|-----| | Industrial camera + lens | 60,000 | | LED lighting | 20,000 | | Jetson Orin Nano | 25,000 | | Mounting + housing | 15,000 | | Data collection + annotation | 80,000 | | Model training + tuning | 100,000 | | Integration (PLC, MES) | 80,000 | | รวม | 380,000 |

ROI ขึ้นอยู่กับ use case แต่ส่วนใหญ่คืนทุนภายใน 6-15 เดือน

Best Practices

✅ ทำ

• เก็บภาพ raw ทุกใบในช่วง pilot (ใช้ retrain)
• Train แยกตาม shift/lighting condition
• Monitor model accuracy ใน production
• มี fallback ถ้า AI ไม่มั่นใจ (confidence < 0.5)

❌ อย่าทำ

• Deploy ไปแล้วไม่กลับมาดู
• ใช้ pretrained model ทันที โดยไม่ fine-tune
• เก็บข้อมูลเฉพาะของเสีย (จะ overfit)
• ไม่ทำ A/B test กับ manual inspection

สรุป

Object Detection ด้วย YOLO เป็นเทคโนโลยีที่ "พร้อมใช้" สำหรับโรงงานไทยแล้ว — hardware ราคาไม่แพง, model open-source, มี tooling พร้อม

ความสำเร็จขึ้นอยู่กับ engineering รายละเอียด มากกว่า algorithm

อ่านต่อ

• AI Image Processing ในโรงงาน — overview กว้างกว่า
• Automation Sorter — Object Detection + เครื่องจักรคัดแยก
• ระบบบันทึกข้อมูลการผลิต — เก็บผลลัพธ์ AI เป็นระบบ

อยากให้ AI ตรวจของเสียให้? WTC Cloud มีทีม Computer Vision พร้อมสร้าง Object Detection pipeline ตั้งแต่ data collection จนถึง edge deployment ติดต่อทีมงาน เพื่อทดลอง pilot 30 วัน