LearningCamนับชิ้นงานด้วยภาพ
ตรวจสินค้าให้เห็นผล

LearningCam คือกล้อง Edge AI ที่มีเว็บแอปอยู่ในตัวกล้อง ใช้นับชิ้นงานที่ผ่านเส้นนับ และแยกของดีกับของเสียด้วยโมเดล AI ที่ตรงกับชิ้นงานของคุณ กล้องประมวลผลภาพเอง จึงไม่ต้องส่งภาพไปคอมพิวเตอร์หรือคลาวด์ คุณเปิดดูผลและตั้งค่าได้จากเบราว์เซอร์บนแท็บเล็ตหรือคอมพิวเตอร์หลายเครื่อง

เซนเซอร์นับแบบเดิมรู้แค่ว่ามีของผ่าน แต่แยกรุ่นชิ้นงานไม่ได้ ส่วนการนับและคัดของเสียด้วยสายตาทำให้คนตรวจล้าและพลาดได้ LearningCam ใช้ภาพจากกล้องแทน และมี 2 รูปแบบงานตามตารางนี้

LearningCam ต่างจาก Task Cam อย่างไร

LearningCam ดูชิ้นงาน ส่วน Task Cam ดูขั้นตอนการทำงานของพนักงานที่สถานีงาน ถ้าโจทย์ของคุณคือยอดนับหรือของเสีย ให้เริ่มที่ LearningCam ถ้าโจทย์คือพนักงานทำครบตามลำดับหรือไม่ และแต่ละขั้นใช้เวลาเท่าไร ให้ดู Task Cam

LearningCam เริ่มใช้งานได้ใน 5 ขั้น คือ ยึดกล้อง ต่อไฟและเครือข่าย เลือกโมเดลและวาดกรอบ ทดลองก่อนใช้จริง แล้วเปิด Autorun ทุกขั้นทำผ่านหน้าเว็บของกล้อง ไม่ต้องลงโปรแกรม

1. 1

   ยึดกล้องเหนือจุดตรวจ

   ตั้งกล้องให้มองเห็นพื้นที่ที่ชิ้นงานผ่านทั้งหมด เอกสารรุ่น Inspection Cam ระบุว่าเลนส์ 12 มม. ที่ระยะ 65 ซม. เห็นพื้นที่ราว 14×20 ซม. และที่ระยะสูงสุด 80 ซม. เห็นราว 16×23 ซม.

2. 2

   จ่ายไฟและต่อเครือข่าย

   จ่ายไฟให้กล้อง รุ่นมาตรฐานต่อผ่าน Wi-Fi 6 ส่วนรุ่น Pro ต่อสาย LAN RJ45 เข้ากับ Router หรือ Switch แท็บเล็ต คอมพิวเตอร์ หรือจอในเครือข่ายเดียวกันเปิดดูผลได้

3. 3

   เลือกโมเดลและวาดกรอบ

   เปิดเบราว์เซอร์เข้าหน้าเว็บของกล้อง เลือกโมเดล AI ของงาน วาดกรอบพื้นที่ตรวจ แล้วหมุนหรือปรับความละเอียดภาพให้เห็นชิ้นงานชัด

4. 4

   ทดลองก่อนใช้จริง

   กด Test Run ดูผลสด ถ้ายังนับหรือแยกไม่ถูก ให้อัดวิดีโอชิ้นงานจริงไว้เป็นข้อมูลสอนโมเดลเพิ่ม แล้วอัปโหลดโมเดลใหม่

5. 5

   เปิด Autorun แล้วเดินงาน

   ตั้งให้กล้องล็อกอินและเริ่มตรวจเองเมื่อเปิดเครื่อง แล้วผูก Webhook หรือ nimitFlow ไว้รับผล

หน้าเว็บของกล้องมีอะไรบ้าง

• Dashboard Status — วันเวลา ชื่อโมเดลที่ใช้อยู่ โหมดการทำงาน ยอดนับแยกตาม Part No. และภาพสดจากกล้อง พร้อมปุ่ม Start, Stop และ Reset
• Model Upload — เลือกหรืออัปโหลดไฟล์โมเดล AI จากเครื่อง และมีปุ่ม Synchronization ไปที่ nimitFlow
• Inference — เลือกโหมด Continuous (ตรวจต่อเนื่อง) หรือ Snapshot (ตรวจทีละภาพ) ตั้งเวลาหน่วงก่อนตรวจ วาดกรอบพื้นที่ตรวจ หมุนภาพ เลือกความละเอียดภาพ แล้วกด Test Run ดูผลก่อนใช้จริง
• Data Record — ถ่ายภาพนิ่งหรืออัดวิดีโอครั้งละ 60 วินาที เปิดดูย้อนหลัง ดาวน์โหลดทีละไฟล์หรือรวมเป็น .zip ไปใช้สอนโมเดล ระบบเตือนเมื่อหน่วยความจำเต็ม
• Network — ตั้งชื่อเครื่อง (Device ID) เลือกเครือข่าย Wi-Fi ในรุ่นมาตรฐาน หรือเชื่อม LAN RJ45 ในรุ่น Pro ดู IP Address และ MAC Address ของกล้อง และคัดลอก Webhook สำหรับส่งผลออก รุ่น Counter Cam เลือกรับ IP อัตโนมัติ (DHCP) หรือกำหนด IP เอง (Static IP) ได้
• System — เปิด Autorun ให้กล้องล็อกอินและเริ่มตรวจเองเมื่อเปิดเครื่อง เปลี่ยนรหัสผ่าน สั่ง Factory Reset และ Reboot

LearningCam รุ่น Inspection Cam ส่งยอดนับออกทาง Webhook (ช่องทางส่งข้อมูลอัตโนมัติไปยังระบบปลายทาง) ข้อความมีรหัสกล้อง Part Number เวลาประมวลผล ยอด OK ยอด NG สัญญาณทริกเกอร์ และวันเวลา ระบบของโรงงานหรือ nimitFlow รับไปทำรายงานต่อได้ คุณจึงไม่ต้องจดยอดเอง

• Webhook ในรุ่น Inspection Cam — ส่งข้อมูลตามการตั้งค่าไปยังระบบปลายทาง
• nimitFlow — ส่งข้อมูลการนับเข้า nimitFlow ได้ เป็นส่วนเสริมที่เลือกเพิ่ม
• โมเดล TaskCam และ Skeleton — รับสัญญาณเริ่ม หยุด นับ และรีเซ็ตจากขา IO หรือเรียกผ่าน API เพื่อเดินร่วมกับ PLC หรือเครื่องนับเดิม
• โมเดล TaskCam และ Skeleton — บันทึกวิดีโอและตาราง CSV ทุกรอบงาน แล้วส่งขึ้น NAS ผ่าน FTP ให้เอง ถ้าส่งไม่สำเร็จจะลองส่งใหม่

ภาพจากกล้องประมวลผลบนตัวกล้อง ไม่ต้องส่งไปคลาวด์ ผลและไฟล์ที่บันทึกไปยังปลายทางที่คุณกำหนดเท่านั้น

LearningCam เหมาะกับงานที่ชิ้นงานผ่านจุดเดียวกันซ้ำ ๆ และต้องการยอดนับหรือผล OK/NG จากภาพ LearningCam ไม่เหมาะกับงานวัดขนาดเป็นตัวเลขเพื่อทำ SPC (การควบคุมกระบวนการด้วยสถิติ) และงานตรวจลำดับขั้นตอนของพนักงาน ใช้ตารางนี้เช็กงานของคุณก่อนนัดสาธิต

งานวัดขนาดเป็นตัวเลขใช้ InGauge คู่กับ InQC ส่วนงานตรวจลำดับขั้นตอนงานประกอบใช้ Task Cam

วัดผลการตรวจของกล้องอย่างไร

งานแยกของเสียไม่ควรดูความแม่นยำรวมอย่างเดียว ตัวอย่างเช่น ชิ้นงาน 2,000 ชิ้น มีของเสีย 40 ชิ้น ถ้ากล้องตอบว่าดีทุกชิ้น ความแม่นยำรวมจะได้ 98 เปอร์เซ็นต์ แต่จับของเสียไม่ได้เลย งานแยกของเสียจึงควรดูสองค่าคู่กัน คือ จับของเสียได้กี่ชิ้นจากของเสียทั้งหมด และคัดของดีออกผิดกี่ชิ้น

คะแนนความมั่นใจที่โมเดลให้ไม่ใช่โอกาสที่ผลจะถูก จนกว่าจะเทียบกับชิ้นงานจริงที่รู้ผลแล้ว เราแนะนำให้รันกล้องคู่กับการตรวจเดิมก่อนเปลี่ยนวิธีทำงาน ผลจากกล้องเป็นข้อมูลประกอบ ทีมคุณภาพของคุณยังเป็นผู้ตัดสินปล่อยล็อต

เราเคยติดตั้งกล้อง LearningCam รุ่น Inspection Cam 1 ตัว เหนือสายพานลำเลียงฝาให้ผู้ผลิตฝาขวดน้ำพลาสติก ช่วงปี 2568–2569 กล้องใช้โมเดล AI ที่สอนจากภาพฝาจริงของโรงงาน ตัดสินว่าฝาแต่ละชิ้นเป็นฝาดี (OK) หรือฝาเสีย เช่น มีครีบเกิน (เนื้อพลาสติกส่วนเกินตามรอยต่อแม่พิมพ์) หรือขึ้นรูปไม่สมบูรณ์ แล้วนับยอดทั้งสองแบบ ระบบออกแบบให้ชุด Controller and Reject เป่าลมคัดฝาเสียออกจากสายพาน ส่วนการคัดออกยังต้องยืนยันผลทดสอบ

รายงานทดสอบภายในช่วง ม.ค.–มี.ค. 2569 บันทึกการตรวจและนับฝาสีขาวราว 398 ชิ้นต่อนาที ต่อเนื่อง 120 นาที ผ่านเกณฑ์ที่ทีมตั้งไว้ ผลนี้เป็นการตรวจและนับ ยังไม่ใช่ผลตรวจรับระบบคัดออกครบชุด ฝาสีน้ำเงินที่ใช้โมเดลของฝาสีขาวยังไม่ถึงเกณฑ์ งานนี้จึงยังอยู่ระหว่างปรับโมเดลและยืนยันการส่งมอบระบบครบชุด

ในปี 2559–2560 เราพัฒนาและติดตั้งระบบนับชิ้นงานด้วยกล้องและชุดประมวลผลแยก (ไม่ใช่ LearningCam) บนเครื่องป้อนชิ้นงานแบบรางสั่นให้ลูกค้ากลุ่มเครื่องจักรอุตสาหกรรม ระบบนับชิ้นงาน 5 แบบแยกตามเลนเมื่อผ่านเส้นนับ งานนี้ส่งมอบพร้อมคู่มือและรายการตรวจสอบงานแล้ว

สิ่งที่เราเรียนรู้

• โมเดลที่สอนด้วยชิ้นงานสีหนึ่งใช้กับอีกสีโดยตรงไม่ได้ ต้องสอนและทดสอบแยกตามสีหรือรุ่นที่ผลิตจริง
• แสงและมุมกล้องมีผลต่อการตัดสินของโมเดล กล้องต้องยึดให้มุมภาพคงที่ และทดสอบภายใต้แสงจริงของหน้างาน
• การนับด้วยเส้นนับต้องให้ชิ้นงานวิ่งในพื้นที่ที่กำหนด ในงานรางสั่น ชิ้นงานที่หลุดออกนอกเลนจะไม่ถูกนับ
• เกณฑ์รับงานต้องตกลงก่อนทดสอบ ได้แก่ ความเร็วสายพาน ระยะเวลาทดสอบ และเกณฑ์ผ่าน แล้วบันทึกผลในแบบรายงานเดียวกันทุกรอบ

แปลว่าอะไรสำหรับคุณ

ก่อนเสนอราคา เราขอภาพหรือคลิปชิ้นงานจริงทุกสีและทุกรุ่นที่ต้องนับหรือตรวจ พร้อมตัวอย่างของเสียที่พบจริง เราแนะนำให้เริ่มสอนโมเดลกับรุ่นที่คุณผลิตมากที่สุดก่อน ทดสอบที่ความเร็วสายพานจริงตามเกณฑ์ที่ตกลงกัน แล้วจึงเพิ่มรุ่นอื่น ถ้าต้องการคัดของเสียออกอัตโนมัติ ให้วางงบชุดคัดออกและเวลาทดสอบแยกจากตัวกล้อง