โปรแกรมตรวจเฉดสีชิ้นงานด้วยกล้องและ AI (IKS2 Shading) สำหรับงานผลิตทั่วไป
IKS2 Shading คือโปรแกรมตรวจเฉดสีชิ้นงานด้วยกล้อง โปรแกรมเรียนรู้เกณฑ์จากภาพชิ้นงานดีและชิ้นงานเสีย ให้ AI แยกกลุ่มเฉดสี แล้วแสดงผลเป็นงานดี (OK) หรืองานเสีย (NG) เราพัฒนาโปรแกรมต้นแบบนี้เอง และแจ้งข้อมูลลิขสิทธิ์ต่อกรมทรัพย์สินทางปัญญาเมื่อ พ.ศ. 2561
- อุตสาหกรรม
- การผลิตทั่วไป
- ปี
- 2561 (ปีจดลิขสิทธิ์)
- ขอบเขตงาน
- ข้อมูลเข้า: ภาพชิ้นงานดีและชิ้นงานเสียจากกล้อง · ประมวลผล: กรองภาพ เรียงค่าสี RGB ตามฮิสโตแกรม ดึงคุณลักษณะของภาพ (Feature Extraction) แยกกลุ่มเฉดสีด้วย K-means Clustering และเลือกเกณฑ์ตัดสินด้วย Fuzzy Logic · แสดงผล: งานดี (OK) หรืองานเสีย (NG) พร้อมรายงานสรุป · ซอฟต์แวร์: ส่วนสอนเกณฑ์ ส่วนตรวจและแสดงผล ฐานข้อมูลสีสำหรับดูย้อนหลัง และหน้าจอเพิ่มเฉดสีมาตรฐานใหม่โดยไม่ต้องเขียนโปรแกรม · สิ่งที่เราสร้าง: โปรแกรมต้นแบบ IKS2 Shading ที่เราพัฒนาเอง
สรุปสั้น
- IKS2 Shading คือโปรแกรมต้นแบบตรวจเฉดสีชิ้นงานด้วยกล้องที่เราพัฒนาเอง และแจ้งข้อมูลลิขสิทธิ์ต่อกรมทรัพย์สินทางปัญญาเมื่อ พ.ศ. 2561
- ผู้ใช้สอนเกณฑ์ด้วยภาพชิ้นงานดีและชิ้นงานเสีย เมื่อมีเฉดสีมาตรฐานใหม่ ก็เพิ่มภาพตัวอย่างชุดใหม่ได้โดยไม่ต้องเขียนโปรแกรม
- AI ทำหน้าที่จัดกลุ่มข้อมูลสีด้วย K-means Clustering ส่วน Fuzzy Logic เลือกเกณฑ์ตัดสิน และผู้ใช้เป็นผู้กำหนดว่าภาพตัวอย่างไหนคืองานดีหรืองานเสีย
- ผลตรวจแสดงเป็นงานดี (OK) หรืองานเสีย (NG) พร้อมรายงานสรุป และเก็บข้อมูลสีลงฐานข้อมูลเพื่อดูย้อนหลัง
- IKS2 Shading เป็นโปรแกรมต้นแบบที่ตั้งเกณฑ์จากภาพตัวอย่าง การนำไปใช้กับชิ้นงานใดจึงต้องสอนเกณฑ์และทดสอบกับชิ้นงานและแสงของหน้างานนั้น
โจทย์หน้างาน
หลายโรงงานยังคัดเฉดสีชิ้นงานด้วยสายตา พนักงานแต่ละคนอาจตอบคำถาม "ชิ้นนี้สีผ่านหรือไม่ผ่าน" ไม่ตรงกัน และการคัดด้วยคนใช้แรงงานและเวลามาก
สิ่งที่เราทำ
เราพัฒนา IKS2 Shading เป็นระบบช่วยตัดสินใจ (Decision Support System) ที่แปลงสีในภาพเป็นตัวเลข ใช้ K-means Clustering (วิธีจัดกลุ่มข้อมูลอัตโนมัติ) แยกกลุ่มงานดีกับงานเสีย และใช้ Fuzzy Logic (ตรรกะคลุมเครือ) เลือกเกณฑ์ตัดสิน ผลตรวจแสดงเป็น OK หรือ NG พร้อมรายงานสรุป และเก็บข้อมูลสีไว้ดูย้อนหลัง
ผลทดสอบกับชิ้นงานจริง
ได้โปรแกรมต้นแบบที่ตัดสินเฉดสีจากค่าตัวเลขของภาพด้วยเกณฑ์เดียวกันทุกครั้ง และเราแจ้งข้อมูลลิขสิทธิ์ต่อกรมทรัพย์สินทางปัญญาเมื่อ พ.ศ. 2561 การนำไปใช้กับชิ้นงานใด ต้องสอนเกณฑ์และทดสอบกับชิ้นงานและสภาพแสงของหน้างานนั้น
ที่มาของโจทย์
โจทย์ของงานนี้คือการตัดสินว่าชิ้นงานสีผ่านหรือไม่ผ่าน ด้วยเกณฑ์ที่ไม่ขึ้นกับคนตรวจ หลายโรงงานยังคัดเฉดสีด้วยสายตา พนักงานแต่ละคนอาจตัดสินชิ้นงานเดียวกันไม่ตรงกัน และการคัดด้วยคนใช้แรงงานและเวลามาก
เราพัฒนา IKS2 Shading เองเป็นโปรแกรมต้นแบบ เอกสารนำเสนอของเรายกตัวอย่างการประยุกต์ใช้กับงานตรวจเฉดสีของฉลาก กระเบื้อง และพรม
ข้อกำหนดและข้อจำกัด
โปรแกรมต้องตั้งเกณฑ์จากภาพชิ้นงานจริง และให้ผู้ใช้เพิ่มเฉดสีมาตรฐานใหม่ได้เอง ข้อกำหนดหลักของต้นแบบมีดังนี้
- ใช้ภาพชิ้นงานดีและชิ้นงานเสียเป็นข้อมูลตั้งเกณฑ์
- เพิ่มเฉดสีมาตรฐานใหม่ได้จากหน้าจอ โดยสอนโมเดลด้วยภาพตัวอย่างชุดใหม่ ไม่ต้องเขียนโปรแกรม
- แสดงผลตรวจเป็นงานดี (OK) หรืองานเสีย (NG) พร้อมรายงานสรุป
- เก็บข้อมูลสีลงฐานข้อมูล เพื่อดูย้อนหลังและใช้ปรับเกณฑ์
ข้อจำกัดหลักมาจากภาพ ค่าสีในภาพเปลี่ยนตามแสง และเกณฑ์ที่ได้จะดีเท่ากับภาพตัวอย่างที่ใช้สอน ภาพตัวอย่างจึงต้องครอบคลุมช่วงเฉดสีที่พบจริง และทีมต้องตกลงกันก่อนว่าชิ้นงานแบบไหนนับเป็นงานดี
ทำไมเราเลือกให้โปรแกรมเรียนรู้เกณฑ์จากภาพชิ้นงานดีและชิ้นงานเสีย
เราเลือกวิธีนี้เพราะคำถามของหน้างานคือ "สีผ่านหรือไม่ผ่าน" และคำตอบนั้นอยู่ในชิ้นงานตัวอย่างที่ทีมคัดไว้แล้ว โปรแกรมจึงแปลงสีของภาพตัวอย่างเป็นตัวเลข แล้วจัดกลุ่มงานดีกับงานเสียจากตัวเลขเหล่านั้น เมื่อมีเฉดสีมาตรฐานใหม่ ทีมเพิ่มภาพตัวอย่างชุดใหม่ได้ โดยไม่ต้องแก้โปรแกรม
AI ทำหน้าที่ส่วนเดียว คือจัดกลุ่มข้อมูลสี ส่วนการเลือกเกณฑ์ใช้ Fuzzy Logic (ตรรกะคลุมเครือ คือวิธีให้เหตุผลกับค่าที่ไม่ได้แบ่งเป็นใช่หรือไม่ใช่ชัดเจน) ผู้ใช้เป็นผู้กำหนดภาพตัวอย่างงานดีและงานเสีย และใช้ผล OK / NG ประกอบการตัดสินใจ ขั้นตอนการทำงานมีดังนี้
- 1
ถ่ายภาพตัวอย่างงานดีและงานเสีย
ผู้ใช้ถ่ายภาพชิ้นงานที่เฉดสีผ่านและไม่ผ่านเก็บไว้เป็นตัวอย่าง ภาพชุดนี้คือข้อมูลที่โปรแกรมใช้ตั้งเกณฑ์
- 2
กรองภาพและเรียงค่าสี
โปรแกรมกรองภาพ แล้วเรียงค่าสีแดง เขียว และน้ำเงินตามฮิสโตแกรม (Histogram คือกราฟการกระจายของค่าสีในภาพ) เพื่อเลือกเฉพาะข้อมูลสีที่สำคัญ
- 3
รวมคุณลักษณะของภาพ
ข้อมูลสีของทุกช่องสีถูกรวมเป็นชุดตัวเลขที่บอกลักษณะของภาพ (Feature Extraction คือการดึงคุณลักษณะสำคัญของภาพออกมาเป็นตัวเลข) ทำให้เทียบภาพแต่ละภาพกันได้
- 4
AI แยกกลุ่มเฉดสี
AI จัดกลุ่มข้อมูลแบบ K-means Clustering แยกกลุ่มชิ้นงานดีกับชิ้นงานเสีย แล้วเก็บค่าตัวแทนของแต่ละกลุ่มไว้ใช้ตัดสินชิ้นงานถัดไป
- 5
เลือกเกณฑ์และออกผล
Fuzzy Logic เลือกกลุ่มที่ให้ผลทางสถิติดีเป็นเกณฑ์ตัดสิน โปรแกรมแสดงผลงานดี (OK) หรืองานเสีย (NG) ออกรายงานสรุป และเก็บข้อมูลสีลงฐานข้อมูล
K-means Clustering คืออะไร
K-means Clustering คือวิธีจัดกลุ่มข้อมูลอัตโนมัติ ระบบหาจุดศูนย์กลางของแต่ละกลุ่ม แล้วจัดข้อมูลแต่ละชุดเข้ากลุ่มที่ใกล้ที่สุด ในงานนี้ข้อมูลคือตัวเลขสีจากภาพ ชิ้นงานที่เฉดสีใกล้กันจึงอยู่กลุ่มเดียวกัน
ส่วนประกอบของระบบ
IKS2 Shading เป็นซอฟต์แวร์ระบบช่วยตัดสินใจ (Decision Support System) ที่รวมการสอนเกณฑ์ การตรวจ และการเก็บข้อมูลไว้ในโปรแกรมเดียว IKS2 Shading ตัดสินชิ้นงานแต่ละชิ้นเป็น 2 ผล คือ งานดี (OK) หรืองานเสีย (NG) และเก็บข้อมูลสีลงฐานข้อมูล องค์ประกอบของต้นแบบมีดังนี้
- ส่วนสอนเกณฑ์: รับภาพชิ้นงานดีและชิ้นงานเสีย แล้วสร้างกลุ่มเฉดสีและค่าตัวแทนของแต่ละกลุ่ม
- ส่วนตรวจและแสดงผล: เทียบภาพชิ้นงานใหม่กับเกณฑ์ แล้วแสดงผลเป็น OK หรือ NG
- รายงานสรุป: สรุปผลการคัดแยกชิ้นงานเป็นกลุ่ม OK และ NG
- ฐานข้อมูลสี: เก็บข้อมูลสีของชิ้นงานไว้ดูย้อนหลัง
- หน้าจอเพิ่มเฉดสีมาตรฐานใหม่: เพิ่มชุดภาพตัวอย่างและสอนโมเดลใหม่ได้โดยไม่ต้องเขียนโปรแกรม
สิ่งที่เราสร้าง
เราพัฒนา IKS2 Shading เป็นโปรแกรมต้นแบบ (PoC คือการพิสูจน์แนวคิด) ที่มีขั้นตอนตั้งแต่สอนเกณฑ์จากภาพจนถึงแสดงผล OK / NG และแจ้งข้อมูลลิขสิทธิ์โปรแกรมตรวจสอบเฉดสีอัตโนมัติ (IKS2 Shading) ต่อกรมทรัพย์สินทางปัญญาเมื่อ พ.ศ. 2561 การแจ้งข้อมูลลิขสิทธิ์เป็นการบันทึกข้อมูลผลงาน ไม่ใช่การจดทะเบียนหรือการรับรองคุณภาพของโปรแกรม
ความแม่นยำของการตัดสินเฉดสีขึ้นกับชิ้นงาน แสง และชุดภาพตัวอย่างที่ใช้สอน ตัวชี้วัดที่ใช้ประเมินคืออัตราจับของเสียและอัตราเตือนผิด ซึ่งต้องวัดกับชิ้นงานและจุดถ่ายภาพของแต่ละโรงงาน
สิ่งที่เราเรียนรู้
งานนี้ให้หลักการสำหรับงานตรวจเฉดสีด้วยกล้องดังนี้
- เกณฑ์สีเริ่มจากภาพตัวอย่างที่ทีมตกลงกันแล้ว เมื่อโปรแกรมเรียนรู้จากภาพงานดีและงานเสีย เกณฑ์ที่ได้จะสม่ำเสมอเท่ากับการคัดภาพตัวอย่าง ทีมจึงต้องตกลงนิยามงานดีให้ตรงกันก่อนสอนโมเดล
- แปลงสีเป็นตัวเลขก่อนให้ AI ทำงาน และกำหนดให้ชัดว่า AI ทำส่วนไหน ในงานนี้ AI จัดกลุ่มข้อมูลสี Fuzzy Logic เลือกเกณฑ์ และคนกำหนดภาพตัวอย่าง และมีข้อมูลสีในฐานข้อมูลไว้ดูย้อนหลังเมื่อต้องทบทวนเกณฑ์
- แสงเป็นส่วนหนึ่งของเกณฑ์ ค่าสีในภาพเปลี่ยนตามแสง เกณฑ์ที่ตั้งภายใต้แสงชุดหนึ่งจึงย้ายไปใช้กับจุดถ่ายภาพอื่นไม่ได้ จนกว่าจะทดสอบกับแสงของจุดนั้น
นำแนวทางนี้ไปใช้กับโรงงานของคุณได้อย่างไร
ถ้าโรงงานของคุณต้องคัดเฉดสีชิ้นงานก่อนบรรจุหรือส่งลูกค้า คุณใช้แนวทางของเคสนี้ได้ คือสอนเกณฑ์จากภาพชิ้นงานดีและชิ้นงานเสีย แปลงสีเป็นตัวเลข แล้วจัดกลุ่มเพื่อตัดสิน OK / NG ส่วนที่ต้องปรับคือแสง กล้อง และชุดภาพตัวอย่างของชิ้นงานคุณ ซึ่งต้องทดสอบกับชิ้นงานจริงของคุณก่อน
ส่วนที่ใช้ซ้ำได้ และส่วนที่ต้องปรับ
| ส่วนของระบบ | ใช้ซ้ำได้ | ต้องปรับเมื่อ |
|---|---|---|
| การตั้งเกณฑ์ | การสอนเกณฑ์จากภาพชิ้นงานดีและชิ้นงานเสีย | ชิ้นงานของคุณมีเฉดสีหรือช่วงสีที่ต่างจากภาพตัวอย่างเดิม ต้องถ่ายภาพตัวอย่างชุดใหม่ |
| การแปลงสีเป็นตัวเลข | การเรียงค่าสีตามฮิสโตแกรมและ Feature Extraction | ผิวชิ้นงานมีลาย เงา หรือการสะท้อนแสงต่างกัน ต้องทดสอบว่าค่าสีที่อ่านได้ยังแยกงานดีกับงานเสียได้ |
| การจัดกลุ่มและเลือกเกณฑ์ | K-means Clustering และ Fuzzy Logic | นิยามงานดีและงานเสียของทีมคุณต่างจากเดิม ต้องสอนโมเดลใหม่ |
| การถ่ายภาพ | แนวคิดการถ่ายภาพชิ้นงานด้วยกล้องที่จุดตรวจ | จุดตรวจของคุณมีแสงต่างกัน ต้องเลือกกล้องและไฟ และควบคุมแสงให้คงที่ |
| ผลและข้อมูล | ผล OK / NG รายงานสรุป และฐานข้อมูลสี | ต้องส่งผลเข้าระบบอื่นของโรงงาน ต้องประเมินงานเชื่อมต่อเพิ่ม |
อ่านต่อ
- บริการพัฒนาระบบตรวจสอบและควบคุมเฉพาะงาน
- บริการที่ปรึกษาและออกแบบระบบ AI / IoT (รวมการทำต้นแบบ PoC)
- เคสต้นแบบกล้องคัดเฉดสีและจุดดำบนแผ่นกระดาษรีไซเคิล
- เคสเครื่องต้นแบบ MVDeep ช่วยเลือกชุดกล้องและไฟสำหรับงานตรวจเฉดสี
- เคสกล้องตรวจรอยร้าวกระเบื้องหลังคาลอนคู่
- บทความ: AI Vision Inspection ต่างจากการตรวจด้วยสายตาคนอย่างไร
- บทความ: เลือกกล้อง AI ตรวจงานระหว่าง Task Cam สำเร็จรูปกับ Machine Vision สั่งทำ
เทคโนโลยีที่ใช้
คำถามที่พบบ่อย
ต้องกรอกค่าสีมาตรฐานเป็นตัวเลขเองหรือไม่
เกณฑ์หลักของ IKS2 Shading มาจากการจัดกลุ่มข้อมูลสีของภาพตัวอย่างงานดีและงานเสีย วิธีตั้งค่าในรายละเอียดขึ้นกับรุ่นของโปรแกรมและชิ้นงานที่ใช้ทดสอบ
AI ทำหน้าที่ส่วนไหน และใครเป็นผู้ตัดสินผล
AI ทำหน้าที่จัดกลุ่มข้อมูลสีด้วย K-means Clustering เพื่อแยกกลุ่มงานดีกับงานเสีย จากนั้น Fuzzy Logic เลือกเกณฑ์ตัดสิน โปรแกรมออกแบบเป็นระบบช่วยตัดสินใจ ผู้ใช้เป็นผู้กำหนดภาพตัวอย่าง และใช้ผล OK / NG ประกอบการตัดสินใจ
แสงที่จุดตรวจมีผลต่อผลตรวจเฉดสีอย่างไร
ค่าสีในภาพเปลี่ยนตามแสง เกณฑ์ที่ตั้งภายใต้แสงชุดหนึ่งจึงย้ายไปใช้กับจุดถ่ายภาพอื่นไม่ได้ จนกว่าจะทดสอบกับแสงของจุดนั้น จุดตรวจจึงต้องเลือกกล้องและไฟ และควบคุมแสงให้คงที่ ก่อนถ่ายภาพตัวอย่างสำหรับสอนเกณฑ์
ใช้กับชิ้นงานประเภทไหนได้บ้าง
เอกสารนำเสนอของเรายกตัวอย่างงานฉลาก กระเบื้อง และพรม แต่ชิ้นงานแต่ละแบบมีผิวและเงาต่างกัน ต้องทดสอบกับชิ้นงานตัวอย่างของโรงงานคุณก่อนจึงจะยืนยันได้
ถ้าจะทดสอบกับชิ้นงานของเรา ต้องเตรียมอะไร
เตรียมชิ้นงานตัวอย่างทั้งงานดีและงานเสียที่ครอบคลุมเฉดสีที่พบจริง เกณฑ์งานดีที่ทีมตกลงกันแล้ว และข้อมูลจุดที่จะถ่ายภาพ เช่น สภาพแสง ไม่มีราคามาตรฐาน เราประเมินราคาและระยะเวลาหลังทดสอบกับชิ้นงานตัวอย่าง
