การตรวจสอบรอยบัดกรีด้วย AI: การลด false call ของ AOI, การควบคุมของเสียหลุดรอด, RFP และ FAT/SAT

บทนำ: เมื่อ NG ส่วนใหญ่ที่ AOI แจ้งออกมากลับเป็นบอร์ดดี

บทความนี้จัดทำขึ้นสำหรับผู้จัดการโรงงาน วิศวกรการผลิต ฝ่ายประกันคุณภาพ และฝ่าย IT ของโรงงานที่ผลิตแผงวงจรประกอบ (PCBA) ในประเทศไทย เพื่อเรียบเรียงแนวคิดในการนำการตรวจสอบรอยบัดกรีด้วย AI มาใช้ NG ส่วนใหญ่ที่ AOI ในไลน์ SMT แจ้งออกมานั้น เมื่อตรวจยืนยันแล้วกลับเป็นบอร์ดดี ถึงอย่างนั้น ที่สถานีรีวิว (review station) ก็ยังต้องมีพนักงานหลายคนประจำอยู่ทุกกะ คอยดูหน้าจอทีละบอร์ดแล้วกดปุ่ม “บอร์ดดี”

ทุกครั้งที่เริ่มผลิตรุ่นใหม่ false call (การแจ้ง NG ทั้งที่ไม่ใช่ของเสีย) ก็เพิ่มขึ้น และการปรับโปรแกรม AOI ก็ต้องพึ่งวิศวกรเพียงบางคน ลูกค้ากลุ่มยานยนต์เรียกร้องทั้งไม่ให้มีของเสียหลุดรอด และให้สอบกลับได้รายบอร์ด ในขณะเดียวกันผู้ผลิต AOI ก็เข้ามาเสนอ “ออปชัน AI” แต่โรงงานไม่รู้ว่าควรประเมินอะไรและอย่างไรก่อนตัดสินใจซื้อ หากสถานการณ์เหล่านี้คุ้นเคย บทความนี้เขียนขึ้นสำหรับท่าน

เรื่องที่บทความนี้กล่าวถึงคือ การนำการตัดสินด้วย AI มาใช้ในการตรวจรอยต่อบัดกรีของแผงวงจรประกอบ โดยจำกัดขอบเขตไว้ที่การลด false call ของ AOI ชั่วโมงงานรีวิว การบริหารของเสียที่หลุดรอด การสอบกลับ (traceability) และแนวคิดในการรับมอบ ส่วนขั้นตอนการนำ AI ตรวจสอบด้วยภาพแบบทั่วไป เช่น การเลือกแสงหรือหลักการทำ annotation ได้สรุปไว้ในคู่มือการนำ AI ตรวจสอบด้วยภาพมาใช้

ขอเขียนข้อสรุปไว้ก่อน AI สำหรับการตรวจรอยบัดกรีไม่ใช่ “เวทมนตร์ที่ทำให้ AOI ฉลาดขึ้น” เป้าหมายมีได้ 3 ข้อดังต่อไปนี้ และวิธีประเมินจะเปลี่ยนไปตามเป้าหมายที่เลือก

1. ไม่ส่งบอร์ดดีที่อยู่ใน NG ที่ AOI แจ้งออกมาไปยังการรีวิว (ลด false call)
2. ลดชั่วโมงงานในการสร้างและปรับโปรแกรม AOI
3. ลดความแปรปรวนของการตัดสินโดยคน

การลด false call ต้องแลกกับความเสี่ยงที่ของเสียหลุดรอด (escape) จะเพิ่มขึ้น ดังนั้นเกณฑ์ผ่านของ PoC และการรับมอบจึงต้องกำหนด “อัตราการลด false call” และ “เพดานอัตราของเสียหลุดรอด” เป็นคู่กันเสมอ และต้องตัดสินด้วยข้อมูลจากช่วงเวลาที่อยู่หลังช่วงที่ใช้ฝึกโมเดล สิ่งที่มอบให้ AI ทำควรจำกัดไว้แค่การนำบอร์ดที่ AI ตัดสินว่าดีออกจากการรีวิวโดยอัตโนมัติ ส่วนการตัดสินขั้นสุดท้ายว่าเป็นของเสียและการซ่อมแก้ (rework) ยังคงเป็นหน้าที่ของคนและเกณฑ์ที่มีอยู่ (Class ของ IPC) นอกจากนี้ AOI ตรวจได้เฉพาะรอยต่อที่มองเห็นได้เท่านั้น รอยต่อที่ซ่อนอยู่อย่าง BGA เป็นขอบเขตของการตรวจด้วยรังสีเอกซ์ (AXI) แม้จะนำการตัดสินด้วย AI มาใช้ การแบ่งบทบาทระหว่าง AOI กับ AXI ก็ไม่เปลี่ยน

บทความนี้ไม่ใช่การแนะนำหรือจัดอันดับผลิตภัณฑ์ใด ฟังก์ชันของผลิตภัณฑ์จะนำเสนอในฐานะประกาศของผู้ผลิต ส่วนการประมาณความคุ้มค่าในช่วงท้ายเป็นการคำนวณด้วยตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้

ทำไมโรงงานประกอบแผงวงจรในไทยจึงควรทบทวนการตรวจบัดกรีในตอนนี้

ก่อนอื่น มาดูสถานการณ์ปัจจุบันของอุตสาหกรรมอิเล็กทรอนิกส์ไทยกัน ตัวเลขต่อไปนี้ระบุแหล่งที่มาและขอบเขตตามต้นฉบับ โดยไม่นำมารวมกันหรือนำไปใช้กับโรงงานของตนเอง

• ตามข่าวประชาสัมพันธ์ของสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) วันที่ 3 สิงหาคม 2026 ยอดสะสมตั้งแต่ปี 2023 ถึงกลางปี 2026 ของคำขอรับการส่งเสริมการลงทุนในสาขาแผงวงจรพิมพ์ (PCB) มี 224 โครงการ มูลค่า 9,850 ล้านดอลลาร์สหรัฐ (ประมาณ 331,000 ล้านบาท) ตัวเลขนี้เป็นยอดคำขอ ไม่ใช่ยอดที่ได้รับอนุมัติ
• ในข่าวประชาสัมพันธ์ฉบับเดียวกัน เลขาธิการ BOI กล่าวว่า “ผู้ผลิต PCB ชั้นนำของโลกกว่าครึ่งเลือกไทยเป็นฐานการผลิต” ขณะเดียวกัน ข่าวประชาสัมพันธ์ฉบับนั้นระบุว่าการขาดแคลนแรงงานทักษะสูงเป็น “คอขวดสำคัญ” ในการย้ายฐานการผลิตขั้นสูง ปัจจุบัน BOI และ สอวช. (NXPO) กำลังจัดทำกรอบการจับคู่บุคลากร
• ตามรายงานของ Nation Thailand วันที่ 25 กันยายน 2026 การส่งออกของไทยในเดือนสิงหาคม 2026 เพิ่มขึ้น 24.3% เมื่อเทียบกับเดือนเดียวกันของปีก่อน ซึ่งเป็นการเติบโตเร็วที่สุดในรอบ 56 เดือน สินค้าที่เติบโตรวมถึงคอมพิวเตอร์และชิ้นส่วน วงจรรวม และแผงวงจรพิมพ์
• ตามรายงานของ Nation Thailand วันที่ 21 สิงหาคม 2026 คุณ Aat Pisanwanich จากมหาวิทยาลัยรังสิตระบุว่า การส่งออกผลิตภัณฑ์อิเล็กทรอนิกส์ในครึ่งแรกของปี 2026 อยู่ที่ 1.63 ล้านล้านบาท (เพิ่มขึ้น 46% เมื่อเทียบกับช่วงเดียวกันของปีก่อน) นอกจากนี้ คุณ Sampan Silapanad นายกสมาคมนายจ้างอุตสาหกรรมอิเล็กทรอนิกส์คอมพิวเตอร์ กล่าวว่าการจ้างงานในอุตสาหกรรมอิเล็กทรอนิกส์และซัพพลายเชนเพิ่มขึ้นจากประมาณ 800,000 คนเป็นประมาณ 1,000,000 คน
• ในการประชุมวันที่ 8 กรกฎาคม 2026 BOI อนุมัติโครงการต่าง ๆ เช่น โรงงานแผ่นลามิเนตหุ้มทองแดง (CCL) พรีเพรก (prepreg) และผ้าใยแก้วสำหรับ PCB โครงการเหล่านี้เป็นการลงทุนด้านวัสดุแผงวงจร หรือกล่าวคือต้นน้ำของแผ่นบอร์ดเปล่า (bare board) ไม่ใช่การลงทุนในโรงงานประกอบ (SMT)
• ตามบทความของ Electronic Design วันที่ 26 สิงหาคม 2026 BOI ได้เริ่มมาตรการพัฒนาบุคลากรทักษะสูงจำนวนกว่า 100,000 คน ผ่านการฝึกอบรม บูตแคมป์ การเรียนรู้ในที่ทำงาน และหลักสูตรเฉพาะทาง โดยบทความระบุว่าฐานการผลิตกระจุกตัวอยู่ในฉะเชิงเทรา ชลบุรี และระยอง
• ตามบทความของ iConnect007 วันที่ 30 เมษายน 2026 (งาน Thailand PCB Summit ของ TPCA) ในช่วงไม่กี่ปีที่ผ่านมามีผู้ผลิต PCB กว่า 60 รายเข้ามาตั้งฐานในไทย และมีบริษัทในซัพพลายเชนกว่า 100 ราย

สถานการณ์ที่โรงงานแผงวงจรเพิ่มขึ้นแต่คนไม่พอ หมายความว่าวิธีรองรับชั่วโมงงานรีวิวการตรวจด้วยการเพิ่มคนจะไปต่อไม่ได้ กระบวนการที่ให้คนรีวิว NG ของ AOI ทุกชิ้นจึงเป็นเป้าหมายแรกที่ต้องทบทวน

ขอกล่าวถึงอุทกภัยในเดือนตุลาคมด้วย การประมาณการ 2 ชุดต่อไปนี้มีช่วงเวลาและขอบเขตต่างกัน จึงขอเขียนแยกกัน

• รายงานข่าววันที่ 2 ถึง 3 ตุลาคม 2026 ที่อ้างการประมาณการของสภาอุตสาหกรรมแห่งประเทศไทย (FTI) ระบุว่าความเสียหายโดยตรงต่อภาคการผลิตจากน้ำท่วมในกรุงเทพฯ และ 14 จังหวัดอยู่ที่ประมาณ 1,018 ล้านบาท โดย Phase 7 ถึง 10 ของนิคมอุตสาหกรรมอมตะซิตี้ ชลบุรี ถูกน้ำท่วมสูง 30–70 cm และมีโรงงานได้รับความเสียหายโดยตรงอย่างน้อย 34 แห่ง
• บทความของ Nation Thailand วันที่ 8 ตุลาคม 2026 รายงานว่าโรงงาน 34 แห่งในโซน 7, 8 และ 9 ของนิคมเดียวกันหยุดการผลิต โดยในจำนวนนี้กว่า 10 แห่งเป็นโรงงานชิ้นส่วนยานยนต์ บทความนี้ระบุว่าการประมาณความเสียหายภาคอุตสาหกรรมอยู่ที่เกือบ 6,000 ล้านบาท (เพิ่มขึ้นจากการประมาณครั้งก่อนที่ 1,500 ล้านบาท)

บทความทั้งสองไม่ได้กล่าวถึงความเสียหายของโรงงานอิเล็กทรอนิกส์หรือโรงงาน PCB สิ่งที่สรุปได้จากตรงนี้มีเพียงในมุมของความต่อเนื่องทางธุรกิจ (BCP) เท่านั้น หากเก็บภาพจาก AOI บันทึกการตัดสินของ AI และโมเดลที่ฝึกแล้วไว้บนเซิร์ฟเวอร์ภายในโรงงานเท่านั้น ก็อาจสูญหายไปพร้อมกันเมื่อน้ำท่วม ปลายทางสำรองข้อมูลการตรวจจึงควรกำหนดไว้ตั้งแต่ขั้นออกแบบการนำ AI มาใช้ อนึ่ง ณ วันที่ 26 กันยายน 2026 การนิคมอุตสาหกรรมแห่งประเทศไทย (IEAT) ได้สั่งการให้ทุกนิคมอุตสาหกรรมในความดูแลเฝ้าระวังน้ำท่วมตลอด 24 ชั่วโมง

ภาพรวมของการตรวจรอยบัดกรี: การแบ่งบทบาทของ SPI, AOI, AXI และการตรวจด้วยสายตา

ในไลน์ SMT ทั่วไป หลังการพิมพ์ครีมบัดกรีจะมี SPI (การตรวจครีมบัดกรี) จากนั้นผ่านการวางชิ้นส่วนและรีโฟลว์ แล้วจึงเข้าสู่ AOI (การตรวจด้วยแสงอัตโนมัติ) สำหรับบอร์ดที่มีรอยต่อที่ซ่อนอยู่อย่าง BGA จะผ่าน AXI (การตรวจด้วยรังสีเอกซ์อัตโนมัติ) ตามความจำเป็น บอร์ดที่ AOI แจ้ง NG จะถูกส่งไปยังสถานีรีวิว ซึ่งคนจะดูภาพหรือของจริงแล้วตัดสินว่าดีหรือเสีย ส่วน THT (ชิ้นส่วนแบบเสียบขา) จะตรวจยืนยันด้วย AOI หรือด้วยสายตาหลังการบัดกรีแบบเวฟ (flow soldering) หรือการบัดกรีแบบเลือกจุด (selective soldering)

การตัดสินด้วย AI ส่วนใหญ่จะเข้าไปอยู่ในตำแหน่ง “จะส่ง NG ของ AOI ไปรีวิวหรือไม่” ในกระบวนการนี้ แม้จะมีผลิตภัณฑ์ที่ใช้ AI กับข้อมูลของ SPI หรือ AXI ด้วย แต่จุดศูนย์กลางของบทความนี้คือขั้นตอนรีวิวหลัง AOI

เรื่องการแบ่งบทบาทระหว่าง AOI กับ AXI นั้น GÖPEL electronic ผู้ผลิตเครื่องตรวจสอบ อธิบายว่าสิ่งที่ตาคนมองไม่เห็น AOI ก็ตรวจด้วยแสงไม่ได้เช่นกัน ตามคำอธิบายของบริษัท AXI ตรวจจับรอยต่อที่ซ่อนอยู่ เช่น ใต้ BGA หรือ QFN ได้ และสำหรับ BGA จะตรวจสิ่งต่าง ๆ เช่น head-in-pillow และโพรงอากาศ (void) บริษัทยังแสดงการแบ่งงานว่า ใช้รังสีเอกซ์ตรวจเฉพาะรอยต่อที่ซ่อนอยู่ซึ่งเลือกไว้ก็เพียงพอ ส่วนรอยต่อที่เหลือให้ AOI รับผิดชอบ

ในด้านมาตรฐานก็ควรเข้าใจขอบเขตให้ถูกต้อง IPC-A-610J (Acceptability of Electronic Assemblies ฉบับเดือนมีนาคม 2024) ตามขอบเขตที่ระบุในตัวอย่างสารบัญของ IPC คือชุดข้อกำหนดการรับมอบด้วยการตรวจด้วยสายตา (visual) ของชิ้นงานประกอบอิเล็กทรอนิกส์ ในส่วนเดียวกันระบุว่าไม่รวมเกณฑ์การประเมินด้วยการตัดภาคตัดขวางและการตรวจด้วยรังสีเอกซ์ และแนวทางเรื่องรังสีเอกซ์อยู่ใน J-STD-001 การผูกตรรกะการตัดสินของ AOI เข้ากับข้อกำหนดของ IPC-A-610 เป็นเรื่องที่สมเหตุสมผล แต่ถ้าพยายามอธิบายการตัดสินของ AXI ด้วย IPC-A-610 ขอบเขตจะไม่ตรงกัน

รอบเวลา (takt) ของการตรวจก็อาจเปลี่ยนไปเมื่อนำ AI มาใช้ เวลาประมวลผลของการตัดสินด้วย AI กระทบต่อการไหลของไลน์หรือไม่ ใช้แนวคิดเดียวกับที่กล่าวไว้ในบทความ AI ตรวจสอบด้วยภาพสำหรับไลน์ความเร็วสูง คือวัดในขั้นการรับมอบ

false call และของเสียหลุดรอดของ AOI: ปัญหาคืออะไร

เริ่มจากนิยามของคำศัพท์ บทความของบริษัท HP ที่ลงใน Electronic Design เมื่อปี 1998 นิยาม false call ว่า “สิ่งที่ถูกตัดสินว่าเป็นของเสีย แต่จริง ๆ แล้วไม่ใช่ของเสีย” และนิยามของเสียหลุดรอด (escape) ว่า “ของเสียที่ไม่ถูกตัดสินว่าเป็นของเสีย” แม้จะเป็นบทความเก่า แต่นิยามยังใช้ได้จนถึงปัจจุบัน

บทความวิชาการ (arXiv) ที่นักวิจัยจาก Siemens AG และมหาวิทยาลัยเฮลซิงกิเผยแพร่ในปี 2025 ใช้ไลน์ SMT ที่ผลิตจริงเป็นตัวอย่าง และจัดปัญหานี้ให้เป็นตัวชี้วัดทางธุรกิจ โดยมีสมมติฐานว่าบอร์ดที่ไม่ใช่ของเสียจะไปยังกระบวนการถัดไป ส่วนบอร์ดที่ถูกตัดสินว่าเป็นของเสียจะถูกส่งไปยังสถานีตรวจด้วยคน (MIS) บทความนี้นิยามตัวชี้วัดไว้ 2 ตัว

• volume reduction: ลดจำนวนบอร์ดดีที่ถูกส่งไปยัง MIS ได้มากเพียงใด นิยามคือ TN/(TN+FP) ในบทความนี้จะเรียกว่า “อัตราการลดบอร์ดดีที่ถูกส่งไปตรวจยืนยันด้วยคน”
• slip rate: สัดส่วนของของเสียที่หลุดรอดการตรวจ นิยามคือ FN/(TP+FN) ในบทความนี้จะเรียกว่า “อัตราของเสียหลุดรอด”

บทความวิชาการนี้ถือว่าตัวชี้วัดทั้งสองเป็นตัวชี้วัดทางธุรกิจที่สำคัญ และระบุว่าของเสียหลุดรอดเลวร้ายกว่ามาก เพราะ false call มีต้นทุนแค่ชั่วโมงงานรีวิว แต่ของเสียหลุดรอดหมายถึงของเสียไหลไปยังกระบวนการถัดไปหรือถึงมือลูกค้า

ทำไมจึงเกิด false call บทความวิชาการของ Bosch และมหาวิทยาลัยเทคนิคบรันสวิก (TU Braunschweig) ปี 2020 อธิบายว่า เงา การสะท้อนจากชิ้นส่วนข้างเคียง และอื่น ๆ ทำให้ผลการตรวจมีทั้งของเสียหลุดรอดและของเสียเทียม (ข้อบกพร่องที่ไม่ใช่ของจริง) หากผ่อนค่าเกณฑ์ (threshold) ฝั่ง AOI false call จะลดลง แต่ในขณะเดียวกันของเสียจริงก็จะผ่านไปได้ง่ายขึ้นด้วย

ตรงนี้มีแรงกดดันเชิงโครงสร้างอยู่ หน้างานที่อยากลดชั่วโมงงานรีวิวจะอยากปรับไปในทิศทางที่ลด false call หากไม่มีกลไกวัดว่าการปรับนั้นทำให้ของเสียหลุดรอดเพิ่มขึ้นหรือไม่ ก็จะมีเพียงผลการลด false call ที่ถูกรายงาน ส่วนของเสียหลุดรอดที่เพิ่มขึ้นจะรู้ตัวเป็นครั้งแรกจากข้อร้องเรียนของลูกค้า แม้จะนำ AI มาใช้ แรงกดดันนี้ก็ไม่หายไป บอร์ดที่ AI ตัดสินว่า “ดี” จะไม่ผ่านการรีวิว ของเสียที่ AI ปล่อยหลุดจึงไหลไปยังกระบวนการถัดไปโดยตรง หลักการทั่วไปในการออกแบบการตรวจจับเกินและของเสียหลุดรอดไปพร้อมกัน ได้สรุปไว้ในบทความการรับมือการตรวจจับผิดพลาดของ AI ตรวจสอบด้วยภาพ

สิ่งที่ AI ตรวจรอยบัดกรีทำได้: 3 แนวทางการใช้งาน

วิธีใช้ AI ในการตรวจบัดกรีแบ่งได้กว้าง ๆ เป็น 3 แบบ ตัวชี้วัดที่ได้ผลและเงื่อนไขเบื้องต้นจะต่างกันตามเป้าหมายที่เลือก

ผู้ผลิตแต่ละรายก็ประกาศฟังก์ชัน AI ในมุมของตนเอง ข้อมูลต่อไปนี้ทั้งหมดเป็นประกาศของผู้ผลิต และระบุเงื่อนไขไว้ตามต้นฉบับ

• Mycronic DeepReview (ข่าวประชาสัมพันธ์วันที่ 3 เมษายน 2024): การจำแนกข้อบกพร่องอัตโนมัติด้วย AI สำหรับ 3D AOI ซีรีส์ MYPro I บริษัทอธิบายว่าสามารถลดเวลาที่ผู้ปฏิบัติงานใช้ในการรีวิว false call ได้ 50–90% แต่มีเงื่อนไขว่าขึ้นอยู่กับสัดส่วนของชิ้นส่วนที่เข้าเกณฑ์ (eligible components) นอกจากนี้ยังระบุว่า หากลูกค้าฝึกโมเดลใหม่เป็นประจำด้วยฐานข้อมูลภาพการตรวจของตนเอง จะลด false call ที่อาจเกิดขึ้นได้ 50–100% สำหรับชิ้นส่วนที่เข้าเกณฑ์ ตัวเลขนี้ใช้ได้เฉพาะกับชิ้นส่วนที่เข้าเกณฑ์ ภายใต้การใช้งานที่ฝึกโมเดลใหม่เป็นประจำด้วยภาพของโรงงานเองเท่านั้น ผู้บริหารของบริษัทยังกล่าวด้วยว่าการตัดสินใจของคนไม่สามารถถูกแทนที่ได้
• Mycronic Escape Tracker (หน้าแนะนำเว็บบินาร์ของบริษัท): แนะนำว่าเป็นฟังก์ชันที่มีแนวคิดในการปรับพารามิเตอร์และค่าพิกัดความเผื่อ (tolerance) ของโปรแกรม AOI ให้เหมาะสมเพื่อไม่ให้เกิด false call ที่ทราบอยู่แล้ว ขณะเดียวกันก็จับของเสียจริงได้ทั้งหมด
• Koh Young (ประกาศการออกงาน NEPCON ASIA 2024): บริษัทอธิบายว่า Smart Review ลด false call และการแทรกแซงของผู้ปฏิบัติงาน ด้วยการประเมินผลการอ่าน OCV และ OCR (การตรวจตัวอักษรบนชิ้นส่วน) โดยอัตโนมัติ คำอธิบายนี้เป็นเรื่องการประเมินการตรวจตัวอักษรอัตโนมัติ และไม่ได้แสดงอัตราการลด false call ของรอยต่อบัดกรีโดยรวม ส่วน KAP และ KPO ถูกแนะนำว่าเป็นฟังก์ชันของบริษัทที่ใช้เทคโนโลยี AI และเทคโนโลยี deep learning ตามลำดับ
• Omron VT-S10 (บทความที่รายงานประกาศวันที่ 8 ตุลาคม 2021): อธิบายว่าขจัดผลกระทบของเงาและการสะท้อนซ้ำด้วยแสงหลายทิศทางหลายสีและการวัด 3D แบบ MPS ส่วน “zero false calls and escapes (ไม่มี false call และไม่มีของเสียหลุดรอด)” เป็นถ้อยคำในฐานะเป้าหมายหรือปรัชญาที่บริษัทตั้งไว้ ไม่ใช่ค่าผลลัพธ์ที่ทำได้จริง หน้าของ VT-S1080 บนเว็บไซต์ยุโรปของบริษัทกล่าวถึงการสนับสนุนการตัดสินของเสียด้วย AI และเทคโนโลยี AI ที่ลดงานเขียนโปรแกรมและงานตรวจยืนยันด้วยสายตา
• Saki 3Di-LS2-CASE (ประกาศเดือนกันยายน 2021): อธิบายว่าด้วย AI engine ของบริษัทที่เรียนรู้จากภาพบอร์ดดีและบอร์ดเสียจำนวนมาก ทำให้ไม่ต้องปรับข้อมูลในการตรวจบัดกรี คำอธิบายว่าลด false call ได้มากนั้นเป็นเรื่องการตัดสินการเปียกไม่ดี (non-wetting)
• Viscom vAI (ข่าวประชาสัมพันธ์วันที่ 15 ตุลาคม 2025 และเอกสารผลิตภัณฑ์): อธิบายว่าสามารถสร้างและปรับโปรแกรมตรวจของ 3D AOI และ 3D AXI ให้เหมาะสมได้แทบอัตโนมัติทั้งหมด เอกสารผลิตภัณฑ์ระบุว่าสร้างแผนการตรวจของ AOI ได้ในเวลาไม่ถึง 15 นาที ด้านการเรียนรู้ อธิบายว่าโมเดลฝึกล่วงหน้าแล้วด้วยภาพหลายล้านภาพจากสภาพแวดล้อมการผลิตที่หลากหลาย แล้วเพิ่มข้อมูลของลูกค้าเข้าไป
• MIRTEC INTELLI-PRO (บทความที่รายงานประกาศวันที่ 2 กันยายน 2021): สำหรับฟังก์ชันสอนงานอัตโนมัติ (auto teaching) ที่ใช้ deep learning บริษัทอ้างว่าลดเวลางานสอน (teaching) ได้ 90% เมื่อเทียบกับการสอนด้วยมือ และ 50% เมื่อเทียบกับการสอนอัตโนมัติที่ไม่ใช้ deep learning นี่เป็นข้ออ้างเรื่องเวลาทำงาน ไม่ใช่อัตราการลด false call หรือของเสียหลุดรอด บริษัทยังอธิบายว่าการใช้ deep learning ในการตรวจจับสิ่งแปลกปลอม (FOD) ช่วยลด false call ได้มาก
• TRI (ประกาศการออกงาน IPC APEX 2025): อธิบายว่าการตรวจด้วยแสงทำงานด้วยอัลกอริทึม AI และฟังก์ชันการวัด และแนะนำเครื่องมือที่เกี่ยวกับ AI เช่น AI Station และ AI Smart Programming โดยไม่ได้แสดงตัวเลขอัตราการลด false call

แม้แต่ประกาศที่มีตัวเลข ชิ้นส่วนเป้าหมาย โหมดข้อบกพร่อง และเงื่อนไขการฝึกโมเดลใหม่ก็ต่างกันไป จึงไม่สามารถนำตัวเลขของผู้ผลิตแต่ละรายมาเรียงเปรียบเทียบกันได้ ทางเดียวคือต้องวัดในไลน์ของตนเองด้วยภาพของตนเอง

กับดักที่งานวิจัยชี้ให้เห็น: ผ่านในการทดสอบ แต่ไม่ผ่านในการผลิตจริง

บทความวิชาการของ Siemens AG และมหาวิทยาลัยเฮลซิงกิที่กล่าวถึงข้างต้น (arXiv วันที่ 17 มิถุนายน 2025) เป็นกรณีที่เป็นประโยชน์ที่สุดในการคิดออกแบบ PoC

ข้อมูลที่ใช้คือค่าการวัดระดับขาบัดกรี (solder pin) ที่ AOI ในไลน์ผลิตอิเล็กทรอนิกส์ SMT ที่ผลิตจริงวัดได้ เป็นข้อมูลแบบตาราง 77 คอลัมน์ เรียงตามลำดับเวลา ของเสียมีน้อยมาก ความไม่สมดุลของคลาสจึงสูงมาก และข้อมูลชุดนี้เปิดเผยต่อสาธารณะ

นักวิจัยตั้งเป้าหมายไว้ว่า “อัตราการลดบอร์ดดีที่ถูกส่งไปตรวจยืนยันด้วยคนต้องไม่น้อยกว่า 40% และอัตราของเสียหลุดรอดต้องไม่เกิน 1%” นี่เป็นตัวอย่างการตั้งเป้าหมายในงานวิจัยนี้ ไม่ใช่ค่ามาตรฐานของอุตสาหกรรม

ผลลัพธ์เป็นดังนี้ เมื่อนำ 2 โมเดลที่ผ่านเป้าหมายบนข้อมูลทดสอบไปใช้กับช่วงประเมิน 5 ช่วงซึ่งเป็นช่วงเวลาที่อยู่ถัดไปตามลำดับเวลา อัตราของเสียหลุดรอดของโมเดลหนึ่งอยู่ที่ 5.3–9.4% และของอีกโมเดลอยู่ที่ 10.2–15% ทุกช่วงเกินเป้าหมาย 1% ไปมาก ผู้เขียนสรุปว่าโมเดลนี้จะล้มเหลวในการผลิตจริงตั้งแต่แรก

บทความวิชาการนี้ยังชี้ว่าความแม่นยำ (accuracy) แบบมาตรฐานทำให้เข้าใจผิดได้ ในข้อมูลที่มีของเสียน้อยมาก แม้แต่ตัวจำแนกที่แค่ตอบว่าดีทั้งหมดโดยไม่คิดอะไร ก็ได้ค่าความแม่นยำสูง คำอธิบายเพียงว่า “AI มีความแม่นยำสูง” จึงมองไม่เห็นว่ามีของเสียหลุดรอดมากเพียงใด

เมื่อแปลงข้อเสนอแนะของบทความวิชาการนี้มาเป็น PoC ของโรงงาน จะได้ดังนี้

• กำหนดเกณฑ์ความสำเร็จด้วยตัวชี้วัดทางธุรกิจก่อน: ใช้อัตราการลดบอร์ดดีที่ถูกส่งไปตรวจยืนยันด้วยคนและอัตราของเสียหลุดรอด แทนความแม่นยำ และกำหนดเส้นผ่านเป็นลายลักษณ์อักษรก่อนเริ่ม PoC
• แบ่งข้อมูลตามลำดับเวลา: ประเมินด้วยข้อมูลจากช่วงเวลาที่อยู่หลังช่วงที่ใช้ฝึกโมเดล หากสุ่มผสมข้อมูลแล้วแบ่ง ภาพที่คล้ายกันจากช่วงเวลาเดียวกันจะเข้าไปอยู่ทั้งในชุดฝึกและชุดประเมิน ทำให้ผลดูดีเกินจริง
• ยืนยันในหลายช่วงเวลา: แม้จะผ่านในช่วงประเมินช่วงหนึ่ง ก็อาจพังในอีกช่วงหนึ่งได้ ควรรวมช่วงที่ล็อตชิ้นส่วนหรือฤดูกาลเปลี่ยนไว้ด้วย

อนึ่ง บทความวิชาการ (arXiv) ปี 2025 ของมหาวิทยาลัย Ulster และสถาบันอื่น มุ่งเป้าที่ AOI ในการผลิตเซมิคอนดักเตอร์ และนำเสนอแนวคิดในการปรับค่าพิกัดความเผื่อโดยอาศัยข้อมูล ขณะที่ยังคงสถานะที่จับของเสียได้ทั้งหมด (recall 100%) แม้จะไม่ใช่งานวิจัยด้านแผงวงจรประกอบ แต่ลำดับ “กำหนดเพดานของเสียหลุดรอดให้ตายตัวก่อน แล้วจึงลด false call” ก็เป็นแนวทางที่ใช้อ้างอิงในการตรวจบัดกรีได้

กำหนดเป้าหมาย: เริ่มจากชิ้นส่วน รอยต่อ และโหมดข้อบกพร่องใด

ไม่จำเป็นต้องนำ AI ตรวจบัดกรีมาใช้ทั้งโรงงานในคราวเดียว การแบ่งขอบเขตตามประเภทชิ้นส่วนและโหมดข้อบกพร่องจะทำให้ประเมิน PoC ได้ง่ายขึ้น

• ชิ้นส่วนชิป (chip component): มีจำนวนมาก และจำนวน NG ของ AOI ก็มักมากตาม บทความวิชาการของ Bosch และ TU Braunschweig ปี 2020 ใช้ภาพจากการผลิตที่ Bosch จัดหาให้ ศึกษา CNN ที่จำแนกชิ้นส่วนชิป (C0402–C1210, R0402, R0603) เป็น 5 คลาส ได้แก่ ดี ชิ้นส่วนหาย สิ่งแปลกปลอม ตำแหน่งเคลื่อน และบัดกรีไม่เพียงพอ โดยมีจุดประสงค์เพื่อใช้เป็นการตัดสินขั้นที่ 2 ที่ช่วยลดความเสี่ยงที่ของเสียจะหลุดออกไป สำหรับชุดทดสอบของ C0402 มีรายงานประสิทธิภาพการจดจำสูงสุด 97.6% นี่เป็นผลลัพธ์สำหรับกลุ่มชิ้นส่วนนี้และข้อมูลชุดนี้ ในบทความมีการเปรียบเทียบชุดข้อมูลฝึกหลายชุดที่มีขนาดสูงสุดถึง 300,000 ภาพ
• ขาของ QFP และ SOP: มีโหมดข้อบกพร่องรายขา เช่น บัดกรีเชื่อมขา (bridge) และขายก (lifted lead) Mycronic ระบุ bridge และ coplanarity เป็นต้น เป็นเป้าหมายของ DeepReview (ประกาศของผู้ผลิต)
• THT (ชิ้นส่วนแบบเสียบขา): เป็นรอยต่อจากการบัดกรีแบบเวฟหรือแบบเลือกจุด บทความวิชาการปี 2025 โดยนักวิจัยจาก FAU (มหาวิทยาลัยแอร์ลังเงิน-เนือร์นแบร์ก) ศึกษาวิธีรับมือปัญหาข้อมูลของเสียมีน้อยในการจำแนกรอยต่อบัดกรี THT ด้วยข้อมูลสังเคราะห์จาก GAN และการเรียนรู้เชิงรุก (active learning) การที่เก็บตัวอย่างของเสียได้ยากเป็นความท้าทายร่วมของหลายโรงงาน
• ข้อบกพร่องเฉพาะ เช่น บัดกรีกระเด็น: บทความวิชาการใน Scientific Reports ปี 2023 เป็นงานวิจัยที่ตรวจจับบัดกรีกระเด็น (solder splash) ด้วยโมเดลตรวจจับวัตถุ (object detection) โดยมุ่งเป้าที่บอร์ดพาวเวอร์โมดูลเฉพาะแบบหนึ่ง มีการเปรียบเทียบ 7 โมเดล และรายงานว่าโมเดล YOLOv8n ที่มีพารามิเตอร์ 1.9 ล้านตัว ใช้เวลาตรวจจับ 90 มิลลิวินาที และมีค่า mean average precision 96.6% นี่เป็นผลลัพธ์สำหรับการใช้งานเฉพาะตามคำขอของภาคอุตสาหกรรม ไม่สามารถนำไปใช้กับบอร์ดอื่นได้โดยตรง
• รอยต่อที่ซ่อนอยู่ เช่น BGA และ QFN: ดังที่กล่าวไปแล้ว AOI มองไม่เห็น และเป็นขอบเขตของ AXI งานวิจัยของ FAU ปี 2020 ศึกษา CNN ที่จำแนกโพรงอากาศและ head-in-pillow จากภาพเอกซ์เรย์ 2 มิติ และระบุว่าลด false call ได้มากเมื่อเทียบกับเครื่องเอกซ์เรย์เชิงพาณิชย์ อย่างไรก็ตาม เป็นคนละเรื่องกับการตัดสินด้วย AI ของ AOI

เป้าหมายแรกที่เหมาะคือชิ้นส่วนและโหมดข้อบกพร่องที่มีครบทั้ง 3 ข้อ ได้แก่ “จำนวน NG มาก” “การตัดสินของคนแปรปรวนง่าย” และ “นิยามโหมดข้อบกพร่องได้ง่าย” สำหรับโหมดข้อบกพร่องที่มีตัวอย่างของเสียน้อย บางครั้งใน PoC อาจเก็บของเสียได้ไม่มากพอจะวัดอัตราของเสียหลุดรอดได้

สาเหตุของบัดกรีเสียมีอยู่ก่อนถึงขั้นการตรวจด้วย ของเสียที่เกิดจากการนำชิ้นส่วนที่ดูดความชื้นเข้ารีโฟลว์ เป็นต้น ไม่ว่าจะทำให้การตรวจฉลาดเพียงใด การเกิดของเสียเองก็ไม่ลดลง การควบคุมฝั่งต้นน้ำได้กล่าวไว้ในบทความระบบบริหาร MSD

ข้อมูลฝึกและป้ายกำกับ: ภาพของโรงงานเอง golden board และเกณฑ์การตัดสิน

การตัดสินของ AI ขึ้นอยู่กับคุณภาพของภาพและป้ายกำกับที่ใช้ฝึก ต่อไปนี้คือประเด็นเฉพาะของการตรวจบัดกรี

golden board: บล็อกของบริษัท VSE อธิบายว่า ขั้นตอนแรกของการเขียนโปรแกรม AOI คือต้องสร้าง golden board ที่ทราบว่าถูกต้องเป็นบอร์ดสำหรับการตรวจชิ้นงานแรก และยืนยันด้วยมือว่าประเภทและค่าของชิ้นส่วนทุกตัวถูกต้อง ในการฝึก AI ก็เช่นกัน ต้องมีบอร์ดและภาพที่เป็นมาตรฐานของคำตอบที่ถูกต้อง บล็อกเดียวกันยังกล่าวถึงการลดความไวของการจดจำภาพเพื่อลด false call หรือการเพิ่มความไวเฉพาะจุดสำคัญ รวมถึงการเขียนโปรแกรมให้ยอมรับหมายเลขชิ้นส่วนทดแทน เพื่อไม่ให้ชิ้นส่วนทดแทนที่ถูกต้องถูกตัดสินเป็นของเสีย

การฝึกล่วงหน้าและข้อมูลของโรงงานเอง: คำอธิบายของผู้ผลิตแบ่งเป็นสองแบบ Mycronic อธิบายว่าสามารถฝึกโมเดลใหม่เป็นประจำด้วยภาพการตรวจของลูกค้าเอง เพื่อให้สอดคล้องกับเกณฑ์การตรวจของโรงงาน Viscom อธิบายว่านำข้อมูลของลูกค้ามารวมฝึกกับโมเดลที่ฝึกล่วงหน้าแล้วด้วยภาพหลายล้านภาพจากสภาพแวดล้อมการผลิตที่หลากหลาย ไม่ว่าแบบใด การฝึกโมเดลใหม่ด้วยภาพของโรงงานเองเป็นเงื่อนไขเบื้องต้นแค่ไหน และใครเป็นผู้ทำงานนั้น เป็นประเด็นที่ต้องยืนยันใน RFP

เกณฑ์การตัดสินกับ Class ของ IPC: ก่อนติดป้ายกำกับ ต้องกำหนดว่า “จะตัดสินดีหรือเสียตามเกณฑ์ของ Class ใด ของใคร” IPC J-STD-001J (ฉบับเดือนมีนาคม 2024) แบ่งผลิตภัณฑ์เป็น Class 1, 2 และ 3 และระบุว่าการกำหนดว่าจะผลิตชิ้นงานประกอบตาม Class ใดเป็นความรับผิดชอบของผู้ใช้ (ผู้สั่งซื้อ) หากผู้ใช้ไม่กำหนด Class และไม่จัดทำเป็นเอกสาร ผู้ผลิตสามารถกำหนดเองได้ โดย Class สะท้อนความแตกต่างด้านความสามารถในการผลิต ความซับซ้อน ข้อกำหนดด้านสมรรถนะการทำงาน และความถี่ของการทวนสอบ (การตรวจและการทดสอบ)

รอยต่อเดียวกันอาจตัดสินดีหรือเสียต่างกันตาม Class ในโรงงานที่ลูกค้าแต่ละรายใช้ Class ต่างกัน หากติดป้ายกำกับรวมกันในโมเดลเดียว โมเดลจะเรียนรู้เกณฑ์ที่ขัดแย้งกันเอง จึงควรบันทึกไว้ในป้ายกำกับว่า “ติดตามเกณฑ์ของ Class ใด” และหากการตัดสินของผู้รีวิวแปรปรวน การนำผลการตัดสินนั้นไปฝึกตรง ๆ ก็จะทำให้โมเดลเรียนรู้ความแปรปรวนนั้นไปด้วย วิธีทำให้เกณฑ์การตัดสินสอดคล้องกันและการรับมอบงาน annotation ได้สรุปไว้ในบทความเวิร์กโฟลว์ annotation

การกำหนดเกณฑ์ผ่าน: อัตราการลด false call คู่กับอัตราของเสียหลุดรอด

ตารางประเมิน PoC ประกอบด้วย 4 คอลัมน์ คือ ตัวชี้วัด นิยาม ช่วงเวลาของข้อมูล และการตัดสิน เป้าหมายเชิงตัวเลขเป็นสิ่งที่โรงงานต้องกำหนดเอง วิธีเขียนในคอลัมน์ “การตัดสิน” ของตารางด้านล่างเป็นเพียงตัวอย่าง ไม่ใช่ค่ามาตรฐานของอุตสาหกรรม

เพื่อเป็นข้อมูลอ้างอิง งานวิจัยที่กล่าวถึงข้างต้นตั้งเป้าหมายไว้ที่ “อัตราการลดไม่ต่ำกว่า 40% และอัตราของเสียหลุดรอดไม่เกิน 1%” นี่เป็นตัวอย่างการตั้งเป้าหมายในงานวิจัย เป้าหมายของโรงงานควรกำหนดจากข้อกำหนดของลูกค้า Class ของผลิตภัณฑ์ และการมีหรือไม่มีการตรวจในกระบวนการถัดไป

การวัดอัตราของเสียหลุดรอด จำเป็นต้องนำบอร์ดที่ AI ตัดสินว่าดีมาเทียบกับการตัดสินของคนด้วย ดังนั้นใน PoC จึงควรมีช่วง “เดินระบบคู่ขนาน” ซึ่งเพียงบันทึกผลการตัดสินของ AI ไว้ ส่วนการรีวิวยังให้คนทำทุกชิ้นเหมือนเดิม แล้วรวบรวมบอร์ดที่การตัดสินของคนกับ AI ไม่ตรงกัน มายืนยันว่าจริง ๆ แล้วฝ่ายใดถูก

ข้อควรระวังอีกข้อคือจำนวนของเสียหลุดรอดมีน้อย ในไลน์ที่ของเสียเกิดน้อยอยู่แล้ว ช่วงเวลาสั้น ๆ ไม่สามารถวัดอัตราของเสียหลุดรอดได้แม่นยำเพียงพอ ความยาวของช่วงเดินระบบคู่ขนานจึงต้องคำนวณย้อนกลับจากความถี่ในการเกิดของเสีย

การสอบกลับด้วยหมายเลขซีเรียลของบอร์ดและการเชื่อมต่อกับ MES

เมื่อนำการตัดสินด้วย AI มาใช้ สิ่งที่ต้องบันทึกต่อบอร์ด 1 แผ่นจะเพิ่มขึ้น ได้แก่ ภาพและค่าการวัดจาก AOI ผลการตัดสินของ AI และค่าความเชื่อมั่น เวอร์ชันของโมเดล ผลการตัดสินขั้นสุดท้ายของคน และบันทึกการซ่อมแก้ หากไม่ผูกข้อมูลเหล่านี้กับหมายเลขซีเรียลของบอร์ด (หรือ panel ID และล็อต) ภายหลังจะสอบกลับไม่ได้ว่า “โมเดลเวอร์ชันใดที่ตัดสินว่าบอร์ดนี้ดี”

ขอแนะนำมาตรฐานที่เกี่ยวข้องเฉพาะขอบเขต

• IPC-1782B (Standard for Manufacturing and Supply Chain Traceability of Electronic Products เว็บไซต์จำหน่ายระบุว่าออกเมื่อวันที่ 1 กันยายน 2023): มาตรฐานที่กำหนดข้อกำหนดขั้นต่ำของการสอบกลับในการผลิตและซัพพลายเชน โดยอิงจากความเสี่ยงที่รับรู้ ขอบเขตการใช้งานระบุว่าใช้กับผลิตภัณฑ์ กระบวนการ ชิ้นส่วน อุปกรณ์ และอื่น ๆ ที่ใช้ในการผลิตแผงวงจรพิมพ์ประกอบ
• IPC-2591 (IPC-CFX): หน้าอย่างเป็นทางการของ IPC แสดง Version 1.7 (สิงหาคม 2023) เป็นฉบับล่าสุด เป็นมาตรฐานที่ใช้กับการสื่อสารระหว่างกระบวนการทั้งหมด ทั้งแบบอัตโนมัติ กึ่งอัตโนมัติ และด้วยมือ ในการผลิตแผงวงจรพิมพ์ประกอบ GÖPEL electronic อธิบายว่าสามารถเชื่อม AOI, AXI และ SPI เข้ากับ MES ผ่าน IPC-CFX ได้

สำหรับระยะเวลาการเก็บภาพและบันทึกการตัดสิน ครั้งนี้ไม่สามารถยืนยันจำนวนปีที่มาตรฐานกำหนดไว้อย่างเจาะจงได้ ระยะเวลาการเก็บจึงควรกำหนดตามข้อกำหนดของลูกค้าและระเบียบภายในบริษัท แล้วออกแบบที่จัดเก็บจากขนาดข้อมูลภาพ

การผูกข้อมูลละเอียดถึงหน่วยใดไม่ใช่เรื่องที่ตัดสินจากการตรวจเพียงอย่างเดียว การบริหารการผลิตโดยรวมของโรงงานอิเล็กทรอนิกส์ได้สรุปไว้ในบทความระบบบริหารการผลิตสำหรับชิ้นส่วนอิเล็กทรอนิกส์และ EMS แนวคิดเรื่องหน่วยที่ต้องติดตามอยู่ในบทความการสอบกลับชิ้นส่วนอิเล็กทรอนิกส์ และวิธีกำหนดและอ่านหมายเลขซีเรียลอยู่ในบทความระบบบริหารหมายเลขซีเรียล สำหรับการออกแบบหลักฐานเพื่อตอบข้อกำหนดของลูกค้ากลุ่มยานยนต์ บทความการสอบกลับตาม IATF 16949 ก็ใช้อ้างอิงได้

เมื่อพบของเสีย: การซ่อมแก้และการส่งข้อมูลกลับไปยังต้นน้ำ

บอร์ดที่ AI และคนตัดสินว่าเป็นของเสียจะถูกส่งไปซ่อมแก้ มาตรฐานอ้างอิงสำหรับการซ่อมแก้คือ IPC-7711/7721D (Rework, Modification and Repair of Electronic Assemblies ฉบับเดือนธันวาคม 2023) มาตรฐานนี้ก็ใช้การแบ่ง Class 1, 2 และ 3 และระบุว่าผู้ใช้ควรเป็นผู้กำหนด Class ของผลิตภัณฑ์ หากไม่กำหนด ผู้ผลิตควรเป็นผู้กำหนด

สำหรับ THT ก็มีตัวอย่างการส่งผลการตรวจไปยังอุปกรณ์ซ่อมแก้โดยตรง บทความของ Circuits Assembly วันที่ 11 ตุลาคม 2017 แนะนำวิธีตรวจหลังการบัดกรีแบบเวฟเพื่อหาปัญหาของรอยต่อแบบรูทะลุ (through-hole) แล้วส่งข้อมูลจาก AOI ไปยังเครื่องบัดกรีแบบเลือกจุด เพื่อซ่อมแก้เฉพาะรอยต่อที่เกี่ยวข้อง หากบันทึกผลการตัดสินของ AI ไว้พร้อมหมายเลขซีเรียลของบอร์ดและตำแหน่งของรอยต่อ ก็สามารถต่อยอดไปสู่การซ่อมแก้เฉพาะจุดเช่นนี้ได้ ขั้นตอนการสั่งซ่อมแก้ การกักแยก และการตรวจซ้ำได้กล่าวไว้ในบทความระบบบริหารงานซ่อมแก้ (rework)

การส่งข้อมูลการตรวจกลับไปยังต้นน้ำก็สำคัญเช่นกัน แม้ไม่พึ่งฟังก์ชันของผลิตภัณฑ์จากผู้ผลิตรายใด หากเชื่อมค่าการวัดของ SPI กับโหมดข้อบกพร่องของ AOI ด้วยหมายเลขซีเรียลของบอร์ดเดียวกัน ฝ่ายกระบวนการก็จะติดตามได้ว่า “ความคลาดเคลื่อนแบบใดของการพิมพ์ นำไปสู่ของเสียแบบใด” แนวคิดในการตรวจพบการเปลี่ยนแปลงของกระบวนการตั้งแต่เนิ่น ๆ ดูได้ที่บทความ AI ตรวจจับความผิดปกติด้วย SPC และขั้นตอนการย้อนจากของเสียไปหากระบวนการต้นเหตุ ดูได้ที่บทความการติดตามของเสียในกระบวนการ

หากพบของเสียหลุดรอดในกระบวนการถัดไปหรือที่ลูกค้า ให้สอบกลับภาพ AOI ผลการตัดสินของ AI และเวอร์ชันของโมเดลของบอร์ดนั้น แล้วระบุขอบเขตของบอร์ดที่ถูกตัดสินว่าดีด้วยโมเดลเวอร์ชันเดียวกัน หากบันทึกไม่ได้ผูกกับหมายเลขซีเรียลของบอร์ด จะไม่สามารถจำกัดขอบเขตได้ และต้องคัดแยกเป็นวงกว้าง

หลังเริ่มใช้งาน: การฝึกโมเดลใหม่ การควบคุมการเปลี่ยนแปลง และการเฝ้าระวัง drift

การตัดสินของ AI ไม่จำเป็นว่าจะอยู่ในสภาพดีที่สุดในวันที่เริ่มใช้งาน ดังที่งานวิจัยข้างต้นแสดงให้เห็น เมื่อช่วงเวลาเปลี่ยน ผลลัพธ์ก็เปลี่ยน ต่อไปนี้คือประเด็นที่ต้องบริหารหลังเริ่มใช้งาน

• การทวนสอบซ้ำเมื่อมีการเปลี่ยนแปลง: เมื่อมีการนำรุ่นใหม่เข้าผลิต เปลี่ยนผู้ผลิตหรือล็อตของชิ้นส่วน เปลี่ยนวัสดุบัดกรี หรือเปลี่ยนโปรแกรม AOI ให้ทวนสอบการตัดสินของ AI อีกครั้ง เพียงรูปลักษณ์ของชิ้นส่วนเปลี่ยนเล็กน้อย แนวโน้มของ false call และของเสียหลุดรอดก็อาจเปลี่ยนได้ การจับการเปลี่ยนแปลงที่จุดใดและยืนยันอะไรด้วยชิ้นงานแรก ใช้กรอบของบทความระบบควบคุมการเปลี่ยนแปลง 4Mได้
• การควบคุมเวอร์ชันของโมเดล: ทุกครั้งที่ฝึกโมเดลใหม่ให้เพิ่มเวอร์ชันของโมเดล และบันทึกว่าเวอร์ชันใดทำงานตั้งแต่เมื่อใดในไลน์ใด เตรียมให้ย้อนกลับไปใช้เวอร์ชันก่อนหน้าได้เมื่อเวอร์ชันใหม่มีปัญหา
• การสุ่มตรวจของเสียหลุดรอด: ดำเนินการต่อเนื่องโดยสุ่มบอร์ดจำนวนหนึ่งจากบอร์ดที่ AI ตัดสินว่าดี ให้คนตรวจยืนยัน แม้หลังจบช่วงเดินระบบคู่ขนาน นี่ก็เป็นวิธีเดียวที่ใช้เฝ้าระวังอัตราของเสียหลุดรอดได้ การออกแบบการตรวจจับการเสื่อมสภาพและการย้อนกลับได้สรุปไว้ในบทความการเฝ้าระวังโมเดล AI ในโรงงาน
• การตรวจ golden board และอุปกรณ์: หากสภาพกล้องหรือแสงของ AOI เปลี่ยน ภาพก็จะเปลี่ยน และการตัดสินของ AI ก็จะเปลี่ยนตาม ควรนำ golden board หรือบอร์ดที่มีของเสียซึ่งทราบอยู่แล้วมาผ่านเครื่องเป็นระยะ เพื่อยืนยันว่าผลไม่เปลี่ยน วิธีเก็บบันทึกการตรวจเช็กใช้แนวคิดของบทความระบบบริหารการสอบเทียบเป็นแนวทางได้

ภาพของโรงงานเองสำหรับการฝึกโมเดลใหม่จะสะสมขึ้นทุกวันระหว่างการใช้งาน หากเก็บภาพที่มีผลการตัดสินขั้นสุดท้ายของคนไว้พร้อมข้อมูล Class ก็จะเป็นวัตถุดิบสำหรับการฝึกโมเดลใหม่ครั้งถัดไป

ข้อกำหนดที่ต้องเขียนใน RFP

เมื่อเปรียบเทียบออปชัน AI ของผู้ผลิต AOI หรือซอฟต์แวร์ตัดสินด้วย AI หากเขียนข้อกำหนดต่อไปนี้ไว้ใน RFP เงื่อนไขเบื้องต้นของใบเสนอราคาก็จะตรงกัน

ราคาของ AOI และออปชัน AI แตกต่างกันมากตามการจัดชุดอุปกรณ์ จำนวนเครื่อง และขอบเขตการสนับสนุน เนื่องจากไม่สามารถยืนยันราคาที่เปิดเผยต่อสาธารณะได้ บทความนี้จึงไม่ระบุราคาโดยประมาณ เมื่อเปรียบเทียบใบเสนอราคา หากขอให้แยกหมวดค่าใช้จ่ายตามตารางข้างต้น ก็จะเห็นค่าใช้จ่ายดำเนินงานรายปี หลักการเลือกผู้ผลิตเครื่องตรวจสอบโดยรวมได้กล่าวไว้ในคู่มือการเลือกผู้ผลิตเครื่องตรวจสอบ

FAT/SAT และเกณฑ์การรับมอบ

การทดสอบรับมอบควรวางแผนแยกเป็นการทดสอบก่อนส่งออกจากโรงงานผู้ผลิต (FAT) และการทดสอบ ณ หน้างาน (SAT) ทั้งสองแบบ เป้าหมายเชิงตัวเลขให้โรงงานกำหนดเอง รายการต่อไปนี้เป็นตัวอย่างของจุดที่ควรตั้งเป้าหมาย

FAT (การทวนสอบก่อนส่งมอบหรือก่อนติดตั้ง)

• การทำซ้ำกับชุดภาพในอดีต: ประเมินโดยรวมภาพจากช่วงเวลาที่อยู่หลังช่วงที่ใช้ฝึกโมเดล และดูผลแยกเป็นหลายช่วงตามลำดับเวลา
• ชุดของเสียที่ทราบอยู่แล้ว: เตรียมชุดภาพที่รวบรวมของเสียจริง แล้วยืนยันว่า AI ส่งทุกภาพไปฝั่งของเสีย (หรือรอตัดสิน) หรือไม่ ใช้เพื่อยืนยันว่าไม่มีของเสียหลุดรอด
• การส่งออกบันทึกการตัดสิน: ยืนยันว่าหมายเลขซีเรียลของบอร์ด ตำแหน่งของรอยต่อ ผลการตัดสินของ AI และเวอร์ชันของโมเดล ถูกส่งออกเป็นบันทึกหรือไม่
• การจัดการกรณีรอตัดสิน: ยืนยันการทำงานที่ส่งภาพซึ่ง AI ตัดสินไม่ได้ต่อให้คน

SAT (การเดินระบบคู่ขนานในไลน์จริง)

• ให้ผลการตัดสินของ AI เป็นเพียงบันทึก โดยคนรีวิวทุกชิ้น แล้วเทียบผลของทั้งสองฝ่าย
• รายการที่วัด: อัตราการลดบอร์ดดีที่ถูกส่งไปตรวจยืนยันด้วยคน อัตราของเสียหลุดรอด เวลาประมวลผลของ AI ผลกระทบต่อรอบเวลาของไลน์ และข้อมูลขาดหาย (จำนวนกรณีที่ภาพหรือผลการตัดสินไม่ถูกบันทึก)
• ระยะเวลา: กำหนดความยาวที่จะเก็บของเสียได้มากพอที่จะตัดสินอัตราของเสียหลุดรอด โดยคำนวณจากความถี่ในการเกิดของเสีย
• การเปลี่ยนไปใช้งานหลังผ่านเกณฑ์: การนำบอร์ดที่ AI ตัดสินว่าดีออกจากการรีวิว ให้ทำหลังจากยืนยันว่า SAT ผ่านแล้ว และหลังเปลี่ยนแล้วก็ยังคงสุ่มตรวจต่อไป

ในเอกสารการตัดสินรับมอบ ให้บันทึกไว้ว่าตัดสินด้วยโมเดลเวอร์ชันใด ข้อมูลช่วงใด ตัวชี้วัดใด และเกณฑ์ใด เพื่อให้เมื่อฝึกโมเดลใหม่ในภายหลังจะเปรียบเทียบภายใต้เงื่อนไขเดียวกันได้

การประมาณต้นทุนและผลประโยชน์ด้วยแบบจำลอง (ตัวเลขสมมติ)

ตัวเลขต่อจากนี้ทั้งหมดเป็นตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้ เนื่องจากไม่สามารถยืนยันราคาอย่างเป็นทางการของ AOI และออปชัน AI ได้ ต้นทุนจึงเป็นค่าสมมติเช่นกัน โปรดใช้เป็นกรอบสำหรับการประมาณการของโรงงานเอง

โรงงานที่สมมติ: EMS ญี่ปุ่นในไทย (สำหรับยานยนต์และอุปกรณ์อุตสาหกรรม) มีไลน์ SMT 4 ไลน์ แต่ละไลน์มี AOI เดิม 1 เครื่อง รวม 4 เครื่อง ในจำนวนนี้ 2 เครื่องเป็นรุ่นเก่า ทำงาน 2 กะ ปีละ 250 วัน

ต้นทุนปัจจุบัน (ค่าฐาน ต่อปี)

รูปแบบ A: เพิ่มการตัดสินซ้ำด้วย AI ให้กับ AOI เดิม 4 เครื่อง

เพิ่มการตัดสินซ้ำด้วย AI (การจำแนกข้อบกพร่องอัตโนมัติ) ให้กับ AOI เดิม 4 เครื่อง รวมเครื่องปลายทางสำหรับรีวิว แพลตฟอร์มข้อมูล และการผูกกับหมายเลขซีเรียลของบอร์ด โดยไม่เปลี่ยนตัวเครื่อง AOI ตั้งค่าใช้จ่ายเริ่มต้น 3,200,000 THB และค่าใช้จ่ายดำเนินงานรายปี (ไลเซนส์ งานฝึกโมเดลใหม่ และการบำรุงรักษา) 400,000 THB

ผลประโยชน์สุทธิคือ 1,120,000 − 400,000 = 720,000 THB/ปี ระยะเวลาคืนทุนคือ 3,200,000 ÷ 720,000 ≈ ประมาณ 4.4 ปี

รูปแบบ B: เพิ่มจากรูปแบบ A โดยเปลี่ยน AOI รุ่นเก่า 2 เครื่องเป็น 3D AOI รุ่นใหม่

ประเมินเป็นส่วนเพิ่มหลังติดตั้งรูปแบบ A แล้ว โดยเปลี่ยน AOI รุ่นเก่า 2 เครื่องเป็น 3D AOI รุ่นใหม่ที่มีฟังก์ชัน AI ตั้งราคาไว้ที่เครื่องละ 2,500,000 THB ค่าใช้จ่ายเริ่มต้นส่วนเพิ่มคือ 2 × 2,500,000 = 5,000,000 THB และค่าใช้จ่ายดำเนินงานรายปีส่วนเพิ่ม 200,000 THB

• ชั่วโมงงานรีวิวลดลงอีก 10% เมื่อเทียบกับค่าฐาน 1,800,000 THB: 180,000 THB
• การรับมือที่เกิดจากของเสียหลุดรอดลดลงอีก 20% เมื่อเทียบกับค่าฐาน 1,500,000 THB: 300,000 THB
• ผลประโยชน์ส่วนเพิ่มรวม: 180,000 + 300,000 = 480,000 THB/ปี

ผลประโยชน์สุทธิส่วนเพิ่มคือ 480,000 − 200,000 = 280,000 THB/ปี ระยะเวลาคืนทุนของส่วนเพิ่มคือ 5,000,000 ÷ 280,000 ≈ ประมาณ 17.9 ปี

ความอ่อนไหว: กรณีค่าฐานของชั่วโมงงานรีวิวเป็น 2 เท่า (รูปแบบ A)

หากค่าฐานของชั่วโมงงานรีวิวเป็น 2 เท่า คือ 3,600,000 THB/ปี การลดชั่วโมงงานรีวิว 40% ของรูปแบบ A จะเท่ากับ 1,440,000 THB ผลประโยชน์รวมคือ 1,440,000 + 300,000 + 100,000 = 1,840,000 THB/ปี ผลประโยชน์สุทธิคือ 1,840,000 − 400,000 = 1,440,000 THB/ปี และระยะเวลาคืนทุนคือ 3,200,000 ÷ 1,440,000 ≈ ประมาณ 2.2 ปี

สิ่งที่อ่านได้จากการประมาณการ

• ผลประโยชน์หลักมาจากการเพิ่มการตัดสินซ้ำด้วย AI ให้กับข้อมูลของ AOI เดิม (รูปแบบ A) ซึ่งได้ผลกับชั่วโมงงานรีวิวโดยไม่ต้องเปลี่ยนตัวเครื่อง AOI
• หากดูเฉพาะผลจากการลด false call การคืนทุนของการเปลี่ยนอุปกรณ์ (รูปแบบ B) จะยาวถึงประมาณ 17.9 ปี การเปลี่ยนอุปกรณ์ควรตัดสินจากโหมดข้อบกพร่องที่รุ่นเก่ามองไม่เห็น (เช่น ความสูงหรือขายก) ข้อกำหนดของลูกค้า และอายุการใช้งานของอุปกรณ์ การเริ่ม AI จากข้อมูลของ AOI เดิมจึงเป็นทางที่สมจริง
• ยิ่งโรงงานให้คนประจำการรีวิวมากเท่าใด ผลประโยชน์ก็ยิ่งมากขึ้น ในกรณีความอ่อนไหว ระยะเวลาคืนทุนสั้นลงเหลือประมาณ 2.2 ปี

มีเงื่อนไขเบื้องต้นที่สำคัญ ผลประโยชน์ “การรับมือที่เกิดจากของเสียหลุดรอดลดลง 20%” ตั้งอยู่บนเงื่อนไขว่าAI ไม่ทำให้ของเสียหลุดรอดเพิ่มขึ้น จนกว่าจะยืนยันอัตราของเสียหลุดรอดได้ด้วยการเดินระบบคู่ขนาน โปรดอย่านับผลประโยชน์ส่วนนี้ หากของเสียหลุดรอดเพิ่มขึ้น ต้นทุนในหมวดนี้จะไม่ลดลง แต่กลับเพิ่มขึ้น นอกจากนี้ ส่วนเพิ่มของรูปแบบ B ตั้งเป็นสัดส่วนเทียบกับค่าฐาน ไม่ใช่เทียบกับยอดที่เหลือหลังรูปแบบ A ส่วนค่าเสียโอกาสจากไลน์หยุด คำสั่งซื้อใหม่ และการลดชั่วโมงงานตรวจประเมิน (audit) ไม่ได้รวมอยู่ในการประมาณการนี้

คำถามที่พบบ่อย

ถ้านำ AI ตรวจรอยบัดกรีมาใช้ false call ของ AOI จะหมดไปหรือไม่?

ปลอดภัยกว่าถ้าไม่คิดว่าจะหมดไป แม้ในประกาศของผู้ผลิต ตัวเลขการลด false call ก็แสดงพร้อมเงื่อนไข เช่น ชิ้นส่วนเป้าหมาย โหมดข้อบกพร่อง และการฝึกโมเดลใหม่ด้วยภาพของโรงงานเอง “ไม่มี false call และไม่มีของเสียหลุดรอด” ของ Omron ก็เป็นถ้อยคำในฐานะเป้าหมายที่บริษัทตั้งไว้ ควรออกแบบโดยมีเงื่อนไขเบื้องต้นว่าภาพที่ AI ตัดสินไม่ได้จะส่งต่อให้คน

การลด false call ของ AOI คาดหวังได้แค่ไหน?

ไม่รู้จนกว่าจะวัดในไลน์ของตนเอง ตัวอย่างเช่น Mycronic อธิบายว่าสำหรับชิ้นส่วนที่เข้าเกณฑ์ หากฝึกโมเดลใหม่เป็นประจำด้วยภาพของโรงงานเอง จะลด false call ที่อาจเกิดขึ้นได้ 50–100% แต่ผลจะเปลี่ยนไปตามสัดส่วนของชิ้นส่วนที่เข้าเกณฑ์ เนื่องจากเงื่อนไขของผู้ผลิตแต่ละรายต่างกัน จึงไม่สามารถนำตัวเลขมาเรียงเปรียบเทียบกันได้ ใน PoC โปรดวัดอัตราการลดบอร์ดดีที่ถูกส่งไปตรวจยืนยันด้วยคน ด้วยข้อมูลจากช่วงเวลาที่อยู่หลังช่วงฝึก

บอร์ดที่ AI ตัดสินว่าดี ไม่ต้องตรวจด้วยสายตาแล้วใช่หรือไม่?

ให้ตรวจด้วยสายตาต่อไปจนกว่าจะยืนยันได้ด้วยการเดินระบบคู่ขนานว่าอัตราของเสียหลุดรอดต่ำกว่าเพดานที่โรงงานกำหนด ในงานวิจัยมีรายงานตัวอย่างที่โมเดลซึ่งผ่านเป้าหมายในการทดสอบ มีอัตราของเสียหลุดรอดแย่ลงถึง 5.3–15% ในช่วงเวลาถัดมา แม้หลังเปลี่ยนไปใช้งานแล้ว ขอแนะนำให้สุ่มตรวจบอร์ดที่ AI ตัดสินว่าดีต่อไป

AI ตรวจแผงวงจร PCB ต้องใช้ข้อมูลฝึกมากแค่ไหน?

ไม่มีคำตอบตายตัว ขึ้นอยู่กับประเภทชิ้นส่วน โหมดข้อบกพร่อง และการมีหรือไม่มีโมเดลที่ฝึกล่วงหน้าแล้ว ในตัวอย่างงานวิจัย งานวิจัยชิ้นส่วนชิปที่ใช้ภาพการผลิตของ Bosch ใช้ข้อมูลฝึกสูงสุด 300,000 ภาพ สิ่งที่มักเป็นปัญหาในโรงงานไม่ใช่จำนวนภาพบอร์ดดี แต่เป็นการที่มีภาพของเสียน้อย ควรตรวจสอบก่อนว่าจะเก็บภาพของเสียได้มากเพียงใด และสอบถามผู้ผลิตถึงวิธีรับมือเมื่อไม่พอ (เช่น ข้อมูลสังเคราะห์)

การตรวจบัดกรีของ BGA ใช้ AI ได้หรือไม่?

การตัดสินด้วย AI ของ AOI ทำไม่ได้ รอยต่อใต้ BGA มองไม่เห็นด้วยแสง จึงเป็นขอบเขตของการตรวจด้วยรังสีเอกซ์ (AXI) แม้จะมีงานวิจัยและผลิตภัณฑ์ที่ใช้ AI กับภาพเอกซ์เรย์ แต่นั่นเป็นเรื่องการตัดสินของ AXI การเพิ่ม AI ให้ AOI ไม่ได้ทำให้ตรวจรอยต่อ BGA ได้ ควรคงการแบ่งบทบาทระหว่าง AOI กับ AXI ไว้ แล้วพิจารณาว่าจะใช้ AI กับการตัดสินของแต่ละฝ่ายหรือไม่

ควรเปลี่ยน AOI เป็นเครื่อง 3D หรือไม่?

หากเหตุผลมีเพียงการลด false call อาจไม่จำเป็นต้องเร่ง ในการประมาณการด้วยตัวเลขสมมติของบทความนี้ การคืนทุนของส่วนเพิ่มจากการเปลี่ยนเครื่องรุ่นเก่า 2 เครื่องเป็น 3D AOI รุ่นใหม่อยู่ที่ประมาณ 17.9 ปี การตัดสินใจเปลี่ยนเครื่องควรพิจารณาจากโหมดข้อบกพร่องที่รุ่นเก่ามองไม่เห็น ข้อกำหนดของลูกค้า และอายุการใช้งานของอุปกรณ์ AI สามารถเริ่มได้จากข้อมูลของ AOI เดิม

PoC ของระบบตรวจบัดกรีอัตโนมัติใช้เวลากี่สัปดาห์?

ระยะเวลาขึ้นอยู่กับปริมาณการผลิตและความถี่ในการเกิดของเสียของโรงงาน อัตราการลด false call วัดได้แม้ในช่วงเวลาสั้น แต่อัตราของเสียหลุดรอดจะตัดสินไม่ได้หากเก็บของเสียได้ไม่มากพอ โปรดกำหนดจำนวนของเสียที่ต้องการก่อน แล้วคำนวณย้อนกลับเป็นความยาวของช่วงเดินระบบคู่ขนาน และอย่าลืมแยกช่วงเวลาที่ใช้ฝึกกับช่วงเวลาที่ใช้ประเมินออกจากกันด้วย

สรุป

• AI สำหรับการตรวจรอยบัดกรีไม่ใช่ “เวทมนตร์ที่ทำให้ AOI ฉลาดขึ้น” วิธีประเมินจะเปลี่ยนไปตามว่าเป้าหมายคือการลด false call การลดชั่วโมงงานสร้างโปรแกรม หรือการลดความแปรปรวนของการตัดสิน
• การลด false call ต้องแลกกับความเสี่ยงที่ของเสียหลุดรอดจะเพิ่มขึ้น PoC และการรับมอบต้องตัดสินอัตราการลดบอร์ดดีที่ถูกส่งไปตรวจยืนยันด้วยคนคู่กับเพดานอัตราของเสียหลุดรอด
• ประเมินด้วยข้อมูลจากช่วงเวลาที่อยู่หลังช่วงฝึก โดยแยกเป็นหลายช่วง ในงานวิจัย โมเดลที่ผ่านในการทดสอบมีของเสียหลุดรอดเพิ่มขึ้นมากในช่วงเวลาถัดมา
• ตัวเลขของผู้ผลิตแต่ละรายมีชิ้นส่วนเป้าหมาย โหมดข้อบกพร่อง และเงื่อนไขการฝึกโมเดลใหม่ต่างกัน ต้องอ่านพร้อมเงื่อนไข และวัดด้วยภาพของโรงงานเอง
• ป้ายกำกับต้องบันทึกว่าติดตามเกณฑ์ของ Class ใดของ IPC ที่ใครเป็นผู้กำหนด IPC-A-610J เป็นชุดเกณฑ์การรับมอบด้วยการตรวจด้วยสายตา ไม่รวมเกณฑ์ด้านรังสีเอกซ์หรือภาคตัดขวาง
• ผูกภาพ AOI ผลการตัดสินของ AI เวอร์ชันของโมเดล ผลการตัดสินขั้นสุดท้ายของคน และการซ่อมแก้เข้ากับหมายเลขซีเรียลของบอร์ด ระยะเวลาการเก็บกำหนดตามข้อกำหนดของลูกค้าและระเบียบภายในบริษัท
• รอยต่อที่ซ่อนอยู่อย่าง BGA เป็นขอบเขตของ AXI แม้นำการตัดสินด้วย AI มาใช้ การแบ่งบทบาทระหว่าง AOI กับ AXI ก็ไม่เปลี่ยน
• ในการประมาณการด้วยตัวเลขสมมติ ผลประโยชน์หลักมาจากการเพิ่มการตัดสินซ้ำด้วย AI ให้กับ AOI เดิม (รูปแบบ A) ส่วนผลประโยชน์ที่เกิดจากของเสียหลุดรอด ให้นับหลังจากยืนยันอัตราของเสียหลุดรอดได้ด้วยการเดินระบบคู่ขนานแล้ว

แม้อยู่ในขั้นสำรวจว่าจะเริ่มจากโหมดข้อบกพร่องใดของไลน์ใด และดึงข้อมูลใดได้จาก AOI เดิม ท่านก็สามารถปรึกษา TOMAS TECH ได้ ติดต่อเราได้ทางแบบฟอร์มนี้

ข้อมูลอ้างอิง

• https://www.electronics.org/news-release/ipc-releases-j-revisions-two-leading-standards-electronics-assembly
• https://www.electronics.org/TOC/IPC-J-STD-001J_TOC.pdf
• https://www.electronics.org/TOC/IPC-A-610J_TOC.pdf
• https://www.electronics.org/TOC/IPC-7711D-7721D_TOC.pdf
• https://www.dinmedia.de/en/standard/ipc-j-std-001j/380272355
• https://www.technickenormy.cz/en/ipc-1782-revision-b/
• https://www.electronics.org/ipc-2591-connected-factory-exchange-cfx
• https://storage.mfn.se/667898b5-414f-4ce9-83c5-86a795e97ad6/press-release-deepreview-20240403.pdf
• https://mycronic.com/de/product-areas/pcb-assembly/webinars-and-events/webinars/fighting-aoi-false-calls
• https://kohyoung.com/en/koh-young-technology-showcasing-its-inspection-solutions-at-nepcon-asia-inshenzhen-on-november-6-8-2024/
• https://www.circuitsassembly.com/ca/editorial/menu-new-indust-prod/36396-omron-automation-americas-launches-vt-s10-3d-aoi.html
• https://inspection.omron.eu/en/products/vt-s1080
• https://circuitsassembly.com/ca/editorial/menu-new-indust-prod/36194-saki-develops-3di-ls2-case-3-d-aoi.html
• https://www.emsnow.com/?p=25838
• https://www.viscom.com/en/company/press/press-releases/detail/viscom-introduces-ai-powered-fast-program-generation-vai-provision-at-productronica-2025/
• https://www.viscom.com/fileadmin/content/downloads_brochures/en/Viscom_Brochure_vAI_en.pdf
• https://iconnect007.com/index.php/article/128868/mirtec-launches-ai-based-smart-factory-automation-solution-intelli-pro/128871
• https://electronicspecifier.com/events-news/tri-to-showcase-test-and-inspection-tech-at-ipc-apex-2025
• https://www.goepel.com/en/inspection-solutions/axi
• https://www.goepel.com/en/news/read/inspection-solutions-with-ipc-cfx-standard
• https://circuitsassembly.com/ca/current/28202-selective-meets-the-wave.html
• https://www.electronicdesign.com/home/article/21200236/how-to-select-an-aoi-system
• https://www.vse.com/blog/2021/07/07/identifying-pcb-fault-detection-using-image-processing/
• https://arxiv.org/html/2506.14521v1
• https://export.arxiv.org/abs/2505.03576
• https://cris.fau.de/publications/247698623/
• https://cris.fau.de/publications/338842958
• https://jsss.copernicus.org/articles/9/167/2020/
• https://pmc.ncbi.nlm.nih.gov/articles/PMC10673910/
• https://www.boi.go.th/upload/content/PR122_2569EN.pdf
• https://www.nst.com.my/amp/business/economy/2026/08/1503841/thailand-attracts-us268bil-chip-electronics-investment-bids-supply
• https://www.nationthailand.com/business/economy/40071468
• https://www.nationthailand.com/business/40070085
• https://www.nationthailand.com/business/40071775
• https://www.nationthailand.com/news/40071514
• https://www.nationthailand.com/business/automobile/40071986
• https://www.thailand-business-news.com/?p=332413
• https://macaubusiness.com/thailand-approves-1-99-billion-in-new-investment-led-by-ai-and-advanced-electronics/
• https://www.electronicdesign.com/resources/industry-insights/article/55401031/electronic-design-thailand-is-upskilling-its-workforce-to-meet-the-demands-of-an-expanding-tech-economy-part-1
• https://iconnect007.com/article/149833/tpca-and-industry-leaders-convene-in-bangkok-for-thailand-pcb-summit/149830/ein