Blog

2026.10.13

การนำ AI นับชิ้นส่วนมาใช้ | เลือกนับด้วยน้ำหนัก ภาพ หรือเอกซเรย์ สำหรับโรงงานในไทย พร้อม RFP และ FAT/SAT

การนำ AI นับชิ้นส่วนมาใช้ | เลือกนับด้วยน้ำหนัก ภาพ หรือเอกซเรย์ สำหรับโรงงานในไทย พร้อม RFP และ FAT/SAT

บทนำ: เมื่อมีคนถามว่า “ใช้กล้อง AI นับแทนได้ไหม”

ตอนรับเข้า ต้องนับจำนวนต่อแพ็กของซัพพลายเออร์ซ้ำอีกรอบ ตอนทำ Kitting ต้องนับสกรูและแหวนรองด้วยมือ ตอนบรรจุเพื่อจัดส่ง มีลูกค้าร้องเรียนเรื่องจำนวนในบรรจุภัณฑ์ไม่ตรงปีละหลายครั้ง ส่วนจำนวนคงเหลือในรีล SMD ทุกครั้งที่ตรวจนับสต็อกก็ต้องคลี่ม้วนออกมานับ หรือไม่ก็ใช้การประมาณเอา บทความนี้เขียนขึ้นสำหรับโรงงานญี่ปุ่นในไทยที่กำลังพิจารณาการนำ AI นับชิ้นส่วนมาใช้ในหน้างานลักษณะนี้

กลุ่มเป้าหมายคือโรงงานชิ้นส่วนอิเล็กทรอนิกส์ ชิ้นส่วนยานยนต์ และชิ้นส่วนเครื่องจักรความแม่นยำ ในพื้นที่อย่างชลบุรี ระยอง อยุธยา ปทุมธานี และปราจีนบุรี ผู้อ่านที่เราคาดไว้ได้แก่ ผู้จัดการโรงงาน ฝ่ายควบคุมการผลิต ฝ่ายโลจิสติกส์และคลังสินค้า ฝ่ายประกันคุณภาพ และฝ่ายไอที

พนักงานหน้างานเปลี่ยนตัวบ่อย คุณภาพของการนับด้วยมือจึงแตกต่างกันไปตามคน จนเกิดเสียงในบริษัทว่า “ใช้กล้อง AI นับแทนได้ไหม” แต่คำถามว่าต่างจากเครื่องชั่งนับจำนวนอย่างไร ฝากให้ระบบทำได้ถึงระดับไหน และควรซื้อโดยใช้อะไรเป็นเกณฑ์ผ่าน กลับไม่ค่อยมีคำตอบที่ชัดเจน

ขอเริ่มจากข้อสรุปก่อน การนำ AI มาใช้นับชิ้นส่วนไม่ใช่เรื่องของ “การเอากล้องมาแทนการนับด้วยมือของคน” แต่เป็นเรื่องของการเลือกใช้การนับด้วยน้ำหนัก การนับด้วยภาพ AI และเครื่องนับรีลด้วยเอกซเรย์ ตามแกน 3 ข้อต่อไปนี้

  1. รูปแบบบรรจุ: ชิ้นส่วนแบบกระจัดกระจาย ถาด ถุง กล่อง หรือรีล
  2. ลักษณะของชิ้นส่วน: ความแปรปรวนของน้ำหนักต่อชิ้น การซ้อนทับ การสะท้อนแสง และขนาด
  3. ความเสียหายเมื่อนับผิด: นับผิดที่ขั้นตอนรับเข้า เบิกจ่าย จัดส่ง หรือตรวจนับสต็อก

ความคลาดเคลื่อนของการนับด้วยน้ำหนัก เกิดจากความแปรปรวนของน้ำหนักต่อชิ้นเป็นหลัก ความคลาดเคลื่อนของการนับด้วยภาพ เกิดจากการซ้อนทับ การถูกบัง และแสงเป็นหลัก รีลของชิ้นส่วนชิปเป็นขอบเขตของเครื่องเฉพาะทางที่เรียกว่าเครื่องนับด้วยเอกซเรย์ ภาพ AI ได้ผลที่สุดในกรณีที่วางชิ้นส่วนเรียงแบนราบได้ น้ำหนักต่อชิ้นไม่สม่ำเสมอ และต้องการเก็บภาพถ่ายไว้เป็นหลักฐานของจำนวน ส่วนชิ้นส่วนที่กองซ้อนกันอยู่ในกล่องนั้น ในทางหลักการแล้วไม่สามารถนับได้ด้วยการถ่ายภาพจากด้านบนเพียงภาพเดียว

ด้วยเหตุนี้ เกณฑ์ผ่านของ PoC และการตรวจรับจึงไม่ได้ตัดสินด้วย “ค่าความคลาดเคลื่อนเฉลี่ย” แต่ตัดสินด้วย “อัตราการนับตรงพอดีของจำนวน” และ “ค่าสูงสุดของจำนวนที่ขาดหรือเกิน” แยกตามรายการชิ้นส่วนและรูปแบบบรรจุ รวมถึงขั้นตอนการส่งกลับให้คนนับเมื่อผลไม่ตรงกัน จำนวนคือทางเข้าของการตรวจสอบย้อนกลับ (Traceability) และสต็อก จึงควรกำหนดเป็นข้อกำหนดตั้งแต่การบันทึกผลการนับพร้อมภาพถ่าย รายการชิ้นส่วน ล็อต และผู้ปฏิบัติงาน ไปจนถึงการส่งต่อเข้า MES, WMS และ ERP

บทความนี้ไม่ใช่การแนะนำหรือจัดอันดับผลิตภัณฑ์ใด ฟังก์ชันและตัวเลขของผลิตภัณฑ์จะนำเสนอในฐานะคำอธิบายของผู้ผลิต ส่วนความคุ้มค่าในช่วงท้ายเป็นการประมาณการด้วยตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้ ขั้นตอนการนำภาพ AI มาใช้โดยทั่วไป รวมถึงเรื่องแสงและการทำ Annotation สรุปไว้ในคู่มือการนำ AI ตรวจสอบด้วยภาพมาใช้

ทำไมโรงงานในไทยจึงควรทบทวน “งานนับ” ในตอนนี้

ก่อนอื่นมาดูสถานการณ์ปัจจุบันของภาคการผลิตไทย ตัวเลขจะเขียนตามแหล่งที่มาและขอบเขตเดิม โดยไม่นำมารวมกันหรือนำมาใช้กับบริษัทของตนเอง

  • การผลิตขยายตัว แต่การจ้างงานลดลงตามธรรมชาติ: ดัชนี PMI ภาคการผลิตของไทยจาก S&P Global ที่ Trading Economics รายงาน อยู่ที่ 54.3 ในเดือนกันยายน 2026 (เดือนสิงหาคมอยู่ที่ 53.8) ซึ่งเป็นระดับสูงสุดนับตั้งแต่เดือนธันวาคม 2025 ในรายงานเดียวกันระบุว่าการจ้างงานลดลงเล็กน้อย โดยมีเหตุผลจากการลดลงตามธรรมชาติ (natural attrition) กล่าวคือ การผลิตเพิ่มขึ้นแต่คนกลับลดลง
  • การสมทบใหม่ในต้นทุนการจ้างงาน: ตามบทวิเคราะห์ของสำนักงานกฎหมาย DFDL ลงวันที่ 11 กันยายน 2026 การสมทบเข้ากองทุนสงเคราะห์ลูกจ้าง (Employee Welfare Fund) ของไทยเริ่มตั้งแต่วันที่ 1 ตุลาคม 2026 อัตราการสมทบคือฝ่ายนายจ้างและฝ่ายลูกจ้างฝ่ายละ 0.25% ของค่าจ้างรายเดือน
  • การขยายใบอนุญาตทำงานของแรงงานต่างด้าว: ตามบทความของ The Star (ต้นฉบับจาก Viet Nam News) ลงวันที่ 16 กรกฎาคม 2026 คณะรัฐมนตรีไทยอนุมัติการขยายใบอนุญาตทำงานของแรงงานข้ามชาติจากลาว เมียนมา และเวียดนาม ประมาณ 770,000 คน เมื่อวันที่ 14 กรกฎาคม 2026 โดยมีรายงานว่าวัตถุประสงค์คือเพื่อให้มีแรงงานเพียงพอสำหรับภาคการผลิตและภาคบริการ
  • คำขอลงทุนด้านระบบอัตโนมัติ: ตามข่าวประชาสัมพันธ์ของสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ลงวันที่ 23 กรกฎาคม 2026 คำขอรับการส่งเสริมการลงทุนในช่วงมกราคมถึงมิถุนายน 2026 มีจำนวน 1,299 โครงการ มูลค่า 43,600 ล้านดอลลาร์สหรัฐ เพิ่มขึ้น 37% จากช่วงเดียวกันของปีก่อน ในจำนวนนี้ คำขอภายใต้มาตรการ “Smart and Sustainable Industry” (การยกระดับเครื่องจักร การนำเทคโนโลยีดิจิทัลมาใช้ และการผสานระบบอัตโนมัติหรือหุ่นยนต์) มี 132 โครงการ มูลค่า 507.6 ล้านดอลลาร์สหรัฐ ตัวเลขทั้งหมดนี้เป็นยอดตามคำขอ

ในสถานการณ์เช่นนี้ วิธีการรองรับงานนับด้วยการเพิ่มจำนวนคนจะทำต่อไปได้ยากขึ้น การนับด้วยมือต้องสอนใหม่ทุกครั้งที่เปลี่ยนคน และวิธีนับก็แตกต่างกันไปตามคน การทบทวนวิธีการนับจึงไม่ได้เป็นเพียงการลดกำลังคน แต่ยังเป็นการทำให้คุณภาพของจำนวนไม่ต้องพึ่งพาตัวบุคคลอีกด้วย

4 วิธีการนับชิ้นส่วน: นับด้วยมือ นับด้วยน้ำหนัก นับด้วยภาพ AI และเครื่องนับเอกซเรย์

วิธีตรวจสอบจำนวนชิ้นส่วนแบ่งได้กว้าง ๆ เป็น 4 วิธี ได้แก่ การนับด้วยมือ การนับด้วยน้ำหนัก (เครื่องชั่งนับจำนวน) การนับด้วยภาพ AI และเครื่องนับด้วยเอกซเรย์ การเลือกไม่ได้ดูว่าวิธีไหนดีกว่า แต่ดูว่าวิธีไหนเหมาะกับรูปแบบบรรจุและลักษณะของชิ้นส่วน

การนำ AI นับชิ้นส่วนมาใช้ | เลือกนับด้วยน้ำหนัก ภาพ หรือเอกซเรย์ สำหรับโรงงานในไทย พร้อม RFP และ FAT/SAT - figure 1
วิธีหลักการสาเหตุหลักของความคลาดเคลื่อนรูปแบบบรรจุที่ถนัดรูปแบบบรรจุหรือชิ้นส่วนที่ไม่ถนัดหลักฐานตัวอย่าง (ตามคำอธิบายของแต่ละบริษัท)
นับด้วยมือคนนับทีละชิ้นความเหนื่อยล้า การถูกขัดจังหวะ ความแตกต่างระหว่างคนชิ้นส่วนขนาดใหญ่จำนวนน้อยชิ้นส่วนขนาดเล็กจำนวนมากมีเพียงตัวเลขที่จดไว้ไม่มี
นับด้วยน้ำหนักหารน้ำหนักรวมด้วยน้ำหนักเฉลี่ยต่อชิ้นความแปรปรวนของน้ำหนักต่อชิ้น ความละเอียดของเครื่องชั่ง ความผิดพลาดของตัวอย่างอ้างอิงถุง กล่อง ถาด (ที่ทราบน้ำหนักภาชนะ)ชิ้นส่วนที่น้ำหนักต่อชิ้นไม่สม่ำเสมอ ชิ้นส่วนที่เบามากน้ำหนักและจำนวนที่คำนวณได้METTLER TOLEDO, A&D GC Series
นับด้วยภาพ AIตรวจจับชิ้นที่ปรากฏในภาพ หรือประมาณความหนาแน่นการซ้อนทับ การถูกบัง แสง การสะท้อนชิ้นส่วนกระจัดกระจายที่วางเรียงแบนราบ ถาดชิ้นส่วนกองซ้อนในกล่อง ชิ้นส่วนในถุงภาพถ่ายและผลการตรวจจับCognex, CountThings, พัฒนาเอง (กรณีของ Mitsubishi Materials)
เครื่องนับเอกซเรย์ถ่ายภาพทะลุรีลหรือบรรจุภัณฑ์แล้วนับขึ้นกับรุ่นและชิ้นส่วน (ต้องตรวจสอบคำอธิบายของแต่ละบริษัท)รีล SMD, ถุง ESD, ถาดชิ้นส่วนขนาดใหญ่แบบกระจัดกระจาย และวัตถุที่อยู่นอกการออกแบบของเครื่องเฉพาะทางภาพและข้อมูลการนับVJ Electronix, Scienscope, JFE Shoji Electronics

หากสรุปความแตกต่างระหว่างการนับด้วยน้ำหนักกับการนับด้วยภาพสั้น ๆ จะได้ดังนี้ การนับด้วยน้ำหนักประมาณจำนวนจาก “น้ำหนักรวม÷น้ำหนักเฉลี่ยต่อชิ้น” ส่วนการนับด้วยภาพตรวจจับหรือประมาณ “ชิ้นที่ปรากฏในภาพ” แบบแรกอ่อนต่อความแปรปรวนของน้ำหนักต่อชิ้น แบบหลังอ่อนต่อการซ้อนทับ การถูกบัง และแสง เมื่อจุดอ่อนต่างกัน จึงมีช่องทางที่จะใช้ร่วมกันได้

สิ่งที่มักถูกสับสนบ่อยคือ RFID และบาร์โค้ด เทคโนโลยีเหล่านี้ใช้ระบุบรรจุภัณฑ์หรือภาชนะที่ติดฉลากหรือแท็กไว้ ไม่ใช่เทคโนโลยีสำหรับนับจำนวนของชิ้นส่วนกระจัดกระจายที่ไม่มีแท็ก ตัวอย่างเช่น หากอ่านฉลากของกล่อง จะรู้ว่า “เป็นกล่องของรายการใด บรรจุกี่ชิ้น” แต่จะไม่รู้ว่าในกล่องมีจำนวนตามนั้นจริงหรือไม่ การระบุตัวตนกับการนับมีบทบาทต่างกัน จึงควรพิจารณาร่วมกัน แนวคิดเรื่องค่าใช้จ่ายเมื่อใช้ RFID ในการจัดการสต็อกของโรงงาน สรุปไว้ในบทความค่าใช้จ่ายการจัดการสต็อกด้วย RFID

กลไกและข้อจำกัดของการนับด้วยน้ำหนัก (เครื่องชั่งนับจำนวน)

เครื่องชั่งนับจำนวนถูกใช้อยู่แล้วในโรงงานจำนวนมาก ก่อนพิจารณาภาพ AI ควรทำความเข้าใจก่อนว่าการนับด้วยน้ำหนักเกิดความคลาดเคลื่อนที่จุดใด

METTLER TOLEDO ผู้ผลิตเครื่องชั่ง อธิบายไว้ใน eBook เกี่ยวกับการนับจำนวนดังนี้ ขั้นแรกหาน้ำหนักเฉลี่ยต่อชิ้นจากตัวอย่างอ้างอิง แล้วคำนวณจำนวนจากน้ำหนักรวม ความคลาดเคลื่อนเกิดจากความแปรปรวนของน้ำหนักต่อชิ้นเป็นต้น บริษัทระบุสาเหตุของความแปรปรวนของน้ำหนักต่อชิ้นว่ามาจากความแตกต่างของเครื่องจักรการผลิตและการสึกหรอของเครื่องมือ หมายความว่า แม้จะเป็นรหัสชิ้นส่วนเดียวกัน น้ำหนักก็อาจต่างกันได้ตามเครื่องจักรที่ผลิตหรือตามล็อต

บริษัทยังอธิบายว่าขั้นตอนการอ้างอิงมีความสำคัญเป็นพิเศษ เพราะความผิดพลาดในขั้นตอนอ้างอิงจะกลายเป็นความคลาดเคลื่อนในการนับที่มากในภายหลัง และการหาน้ำหนักเฉลี่ยต่อชิ้นให้แม่นยำต้องอาศัยความละเอียดของเครื่องชั่งที่เหมาะสม โดยบริษัทระบุว่าความไม่แน่นอนของเครื่องชั่งเป็นแหล่งความคลาดเคลื่อนสำคัญของการนับ

สำหรับจำนวนตัวอย่างอ้างอิง มีการให้แนวทางแบบมีเงื่อนไขไว้ บริษัทอธิบายว่า ในกรณีของชิ้นส่วนที่มีความแปรปรวนของน้ำหนักต่อชิ้นเกิน 1% ตัวอย่างหนึ่งคือ การเพิ่มจำนวนตัวอย่างอ้างอิงจาก 10 ชิ้นเป็น 30 ชิ้นสามารถลดความคลาดเคลื่อนในการนับลงได้ครึ่งหนึ่ง นี่เป็นเพียงตัวอย่าง ไม่ใช่ตัวเลขที่ใช้ได้กับชิ้นส่วนทุกชนิด บริษัทยังกล่าวด้วยว่าการใช้ตัวอย่าง 30 ชิ้นขึ้นไปจะช่วยเพิ่มความแม่นยำได้

ตัวอย่างฟังก์ชัน บริษัทแนะนำ “Automatic Reference Optimization” ซึ่งอธิบายว่า เริ่มจากนับด้วยมือ 10 ชิ้นเพื่อหาน้ำหนักเฉลี่ยต่อชิ้น จากนั้นใช้ชิ้นที่วางเพิ่มเพื่อคำนวณน้ำหนักเฉลี่ยต่อชิ้นใหม่โดยอัตโนมัติ ตัวอย่างการจัดระบบ บริษัทแสดงการใช้เครื่องชั่งสองเครื่องร่วมกัน คือเครื่องชั่งอ้างอิงความละเอียด 0.1 mg กับเครื่องชั่งนับจำนวนขนาด 0.6 kg ถึง 6 kg และอธิบายว่าการใช้สองเครื่องร่วมกันครอบคลุมช่วงตั้งแต่ 1 mg ถึง 3,000 kg ตัวอย่างการใช้งานที่ยกมาได้แก่ การรับเข้า คลังสินค้า การผลิต และโลจิสติกส์และการจัดส่ง นอกจากนี้ยังยกตัวอย่างการจัดระบบที่ดึงข้อมูลรายการชิ้นส่วนจากเครื่องสแกนบาร์โค้ดในขั้นตอนรับเข้า แล้วส่งไปยัง ERP หรือ MES

มาดูตัวอย่างของผู้ผลิตญี่ปุ่นด้วย A&D ประกาศเครื่องนับจำนวน “GC Series” สำหรับงานตรวจนับสต็อกและงานบรรจุถุงเมื่อวันที่ 26 มกราคม 2023 และวางจำหน่ายเมื่อวันที่ 1 กุมภาพันธ์ 2023 ตามคำอธิบายของบริษัท มีฟังก์ชันดังต่อไปนี้

  • ACAI: ฟังก์ชันเพิ่มความแม่นยำอัตโนมัติ ที่นับจำนวนไปพร้อมกับปรับแก้ค่าน้ำหนักต่อชิ้นที่ลงทะเบียนไว้
  • AIS: ฟังก์ชันค้นหาน้ำหนักต่อชิ้นที่ใกล้เคียงกับวัตถุที่ชั่งโดยอัตโนมัติ จากน้ำหนักต่อชิ้นหลายค่าที่ลงทะเบียนไว้ในหน่วยความจำภายใน (บริษัทระบุว่าได้รับสิทธิบัตรแล้ว)
  • หน่วยความจำ 1000 รายการ ไฟแสดงผลการเปรียบเทียบ 3 สี (LO, OK, HI) การเชื่อมต่อกับเครื่องอ่านบาร์โค้ดและอุปกรณ์อื่นผ่าน Multi Interface ซึ่งเป็นอุปกรณ์เสริม และการลงทะเบียนน้ำหนักต่อชิ้นด้วยซอฟต์แวร์บน PC “WinCT-Counting”

หน้าผลิตภัณฑ์ของบริษัทระบุว่า จำนวนตัวอย่างพื้นฐานคือ 10 ชิ้น และตั้งค่าเป็น 5, 25, 50, 100 ชิ้น หรือจำนวนใดก็ได้ น้ำหนักต่ำสุดที่ชั่งได้และน้ำหนักต่อชิ้นต่ำสุด ระบุไว้ว่า GC-3K คือ 0.1g และ 0.005g, GC-6K คือ 0.2g และ 0.01g, GC-15K คือ 0.4g และ 0.02g และ GC-30K คือ 1g และ 0.05g ราคามาตรฐาน (ไม่รวมภาษี ในประเทศญี่ปุ่น) ของ GC-3K และ GC-6K คือ 89,000 เยน ส่วน GC-15K และ GC-30K คือ 92,000 เยน ไม่พบข้อมูลราคาในประเทศไทย

สรุปแล้ว จุดอ่อนของการนับด้วยน้ำหนักคือความแปรปรวนของน้ำหนักต่อชิ้น และผู้ผลิตแต่ละรายก็มีฟังก์ชันสำหรับชดเชยจุดนี้ สำหรับชิ้นส่วนที่มีน้ำหนักต่อชิ้นสม่ำเสมอ และรูปแบบบรรจุที่ทราบน้ำหนักภาชนะ การนับด้วยน้ำหนักยังคงเป็นทางเลือกที่น่าสนใจในปัจจุบัน ก่อนนำภาพ AI มาใช้ ในบางกรณีเพียงทบทวนขั้นตอนการอ้างอิงและความละเอียดของเครื่องชั่งที่ใช้อยู่ก็ช่วยให้ดีขึ้นได้ วิธีนำค่าน้ำหนักจากเครื่องชั่งเข้าสู่ระบบ อธิบายไว้ในบทความการเชื่อมข้อมูลเครื่องชั่ง

กลไกของการนับด้วยภาพ AI: การตรวจจับวัตถุและการประมาณความหนาแน่น

AI ที่นับจำนวนจากภาพแบ่งได้กว้าง ๆ เป็น 2 สาย บทความสำรวจ (survey) ด้านเทคโนโลยีการนับที่ปรับปรุงเมื่อเดือนกุมภาพันธ์ 2026 (Ciampi และคณะ, arXiv) จัดกลุ่มไว้ดังนี้

  • แบบอิงการตรวจจับ (detection-based): ใช้ตัวตรวจจับวัตถุหาชิ้นทีละชิ้น แล้วนับจำนวน
  • แบบอิงการถดถอย (regression-based): เรียนรู้ความสัมพันธ์จากคุณลักษณะของภาพไปยังแผนที่ความหนาแน่น (density map) แล้วประมาณจำนวนจากผลรวมของแผนที่นั้น

บทความสำรวจเดียวกันระบุว่าแบบอิงการตรวจจับอ่อนต่อการถูกบัง (occlusion) ด้วยเหตุนี้ “การนับแบบไม่ขึ้นกับคลาส” ซึ่งจะอธิบายต่อไป จึงใช้วิธีแผนที่ความหนาแน่นเป็นส่วนใหญ่ แผนที่ความหนาแน่นสร้างโดยการมาร์กจุดที่ตำแหน่งของแต่ละชิ้นในภาพสำหรับเรียนรู้ แล้วทำให้รอบ ๆ จุดนั้นเบลอ

เมื่อมองจากมุมของโรงงาน ความแตกต่างนี้ปรากฏดังนี้ แบบอิงการตรวจจับรู้ตำแหน่งของแต่ละชิ้น จึงตรวจสอบบนหน้าจอได้ง่ายว่า “นับชิ้นไหนไปบ้าง” ส่วนแบบอิงความหนาแน่นสามารถประมาณจำนวนได้แม้มีการซ้อนทับในระดับหนึ่ง แต่แสดงตำแหน่งของแต่ละชิ้นได้ยากกว่า แบบไหนเหมาะกว่าขึ้นอยู่กับรูปแบบบรรจุ และวิธีที่ผู้ปฏิบัติงานต้องการตรวจสอบ

อีกแนวคิดที่สำคัญคือ การนับแบบไม่ขึ้นกับคลาส (class-agnostic counting) ตามบทความสำรวจ นี่คือเทคโนโลยีที่นับวัตถุชนิดที่ไม่เคยเห็นตอนเรียนรู้ โดยใช้ตัวอย่างจำนวนน้อย (few-shot) บทความสำรวจจัดกลุ่มไว้ 3 แบบ ได้แก่ แบบที่ใช้กรอบตัวอย่าง แบบที่หาวัตถุที่จะนับเองโดยอัตโนมัติ และแบบที่ระบุวัตถุด้วยข้อความ

ตัวอย่างตัวแทนในงานวิจัยคือ FamNet ที่นำเสนอในงาน CVPR ปี 2021 และชุดข้อมูล FSC-147 ที่สร้างขึ้นสำหรับงานนี้ (Ranjan และคณะ) เมื่อตีกรอบตัวอย่างไม่กี่ชิ้นในภาพ ระบบจะทำนายแผนที่ความหนาแน่นของวัตถุชนิดเดียวกันทั้งหมดแล้วนับ FSC-147 ประกอบด้วยภาพถ่ายวัตถุทั่วไป 6135 ภาพ ใน 147 หมวดหมู่ ซึ่งไม่ใช่ภาพถ่ายชิ้นส่วนในโรงงาน โปรดระวังว่าค่าความคลาดเคลื่อนในงานวิจัยไม่ได้แสดงถึงความแม่นยำเมื่อนำไปนับชิ้นส่วนในโรงงาน

ความหมายในทางปฏิบัติคือ มีวิธีที่เริ่มนับได้เพียงแค่แสดงตัวอย่างไม่กี่ชิ้น โดยไม่ต้องรวบรวมภาพสำหรับเรียนรู้จำนวนมากในแต่ละรายการ แต่การจะใช้ผลนั้นตัดสินผ่านหรือไม่ผ่านในการรับเข้าหรือการจัดส่งได้หรือไม่ เป็นอีกเรื่องหนึ่ง ต้องตรวจสอบด้วยการเดินระบบคู่ขนาน (parallel run) กับรายการชิ้นส่วนและรูปแบบบรรจุของบริษัทเอง

สิ่งที่การนับด้วยภาพ AI ไม่ถนัด: การซ้อนทับ การกองซ้อน การสะท้อนแสง และวัตถุโปร่งใส

มาตรวจสอบวัตถุที่ภาพ AI ไม่ถนัด จากงานวิจัยและคำอธิบายของผลิตภัณฑ์

“Counting Machine Parts” (Arockiaraj และคณะ, arXiv) ที่ส่งเผยแพร่ในเดือนพฤษภาคม 2026 ศึกษาการนับแหวนรองสำหรับเครื่องจักร รายงานนี้ระบุความยากหลักไว้ ได้แก่ การซ้อนทับของวัตถุ ความแตกต่างของขนาดวัตถุ การถูกบัง และความผันแปรของสภาพแสง ในที่นี้จะใช้เพียงการตั้งโจทย์ปัญหานี้เท่านั้น

“Automated Counting of Stacked Objects in Industrial Inspection” (Dumery และคณะ, arXiv) ที่ส่งเผยแพร่ในเดือนมีนาคม 2026 ศึกษาชิ้นส่วนการผลิตที่กองซ้อนกันอยู่ในภาชนะ จุดเริ่มต้นของงานวิจัยนี้คือ ชิ้นส่วนที่กองซ้อนกันส่วนใหญ่ถูกบังจนมองไม่เห็น จึงเสนอวิธีนับโดยประมาณรูปทรงสามมิติและอัตราการครอบครองพื้นที่จากภาพหลายมุมมอง กล่าวคือ ชิ้นส่วนที่กองซ้อนอยู่ในกล่องนั้น ในทางหลักการแล้วไม่สามารถนับได้ด้วยการถ่ายภาพจากด้านบนเพียงภาพเดียว เพราะมีชิ้นที่มองไม่เห็นอยู่

จากงานวิจัยทั้ง 2 ชิ้นนี้ สรุปสำหรับหน้างานได้ดังนี้

  • การซ้อนทับและการสัมผัสกัน: เมื่อชิ้นส่วนซ้อนทับหรือชิดกัน ขอบเขตของแต่ละชิ้นจะแยกได้ยาก ในหลายกรณีจึงต้องมีงานเกลี่ยชิ้นส่วนให้แบนราบเป็นเงื่อนไข
  • การกองซ้อน: ชิ้นส่วนที่กองซ้อนอยู่ในกล่องหรือถุง นับไม่ได้ด้วยภาพถ่ายจากด้านบนเพียงภาพเดียว ต้องเกลี่ยออกแล้วนับ หรือใช้ร่วมกับการนับด้วยน้ำหนัก
  • ความแตกต่างของขนาด: เมื่อชิ้นส่วนขนาดใหญ่และเล็กปนกัน มีแนวโน้มนับผิดได้ง่าย
  • ความผันแปรของแสง: เมื่อภาพเปลี่ยนไปตามแสงจากหน้าต่างหรือช่วงเวลา ผลการนับจะไม่นิ่ง

สำหรับชิ้นส่วนที่สะท้อนแสง มีคำอธิบายของเครื่องมือนับด้วย AI สำหรับ In-Sight SnAPP ที่ Cognex ประกาศเมื่อวันที่ 6 สิงหาคม 2024 บริษัทอธิบายว่าสามารถนับวัตถุที่มีขนาดใกล้เคียงกัน ชิ้นส่วนที่สะท้อนแสงหรือบิดเบี้ยว และวัตถุที่มีคอนทราสต์หรือรูปร่างต่างกันได้ นี่คือคำกล่าวอ้างของผู้ผลิต ในอีกด้านหนึ่ง ก็หมายความว่าการสะท้อนแสงและความบิดเบี้ยวโดยทั่วไปเป็นสิ่งที่นับได้ยาก โปรดตรวจสอบกับชิ้นส่วนของบริษัทเอง

ชิ้นส่วนโปร่งใสหรือชิ้นส่วนเรซินที่แสงผ่านได้ก็เป็นวัตถุที่ยากเช่นกัน แสงส่องผ่านจากด้านหลังซึ่งทำให้เห็นเส้นขอบเหมือนภาพเงา อาจช่วยในการแยกชิ้นส่วนได้ในบางกรณี แต่ผลนั้นเปลี่ยนไปตามชิ้นส่วนและอุปกรณ์ จึงไม่ประมาณการเป็นตัวเลข วิธีเลือกแสงสรุปไว้ในบทความการเลือกแสงสำหรับ AI ตรวจสอบรูปลักษณ์ ส่วนวิธีกำหนดความละเอียดและมุมมองภาพของกล้อง สรุปไว้ในบทความวิธีเลือกกล้องอุตสาหกรรม

เครื่องนับรีลด้วยเอกซเรย์: สต็อกชิ้นส่วนชิปเป็นขอบเขตของเครื่องเฉพาะทาง

ชิ้นส่วนชิป SMD ถูกจัดเก็บในสภาพที่พันอยู่บนรีล จำนวนคงเหลือในรีลดูด้วยตาไม่ออก และการคลี่ม้วนออกมานับด้วยมือใช้เวลานาน ในขอบเขตนี้ มีการใช้เครื่องเฉพาะทางที่ถ่ายภาพทะลุรีลด้วยเอกซเรย์แล้วนับอยู่แล้ว การมองว่าภาพ AI เป็นทางเลือกสำหรับชิ้นส่วนกระจัดกระจาย ถาด และสิ่งที่อยู่ในกล่องนอกเหนือจากรีล จะช่วยให้จัดระเบียบความคิดได้ง่ายขึ้น

ข้อมูลต่อไปนี้ทั้งหมดเป็นคำอธิบายของผู้ผลิตหรือตัวแทนจำหน่าย

  • VJ Electronix XQuik III: หน้าผลิตภัณฑ์ของตัวแทนจำหน่าย DKSH อธิบายว่ารองรับมาตรฐานความแม่นยำของอุตสาหกรรมที่ 99.8% โดยไม่ได้ระบุว่าตัวเลขนี้เป็นค่าสำหรับชิ้นส่วนหรือเงื่อนไขใด ในหน้าเดียวกันยังระบุสเปก เช่น ได้ผลการอ่านบาร์โค้ดและการนับภายในเวลาไม่ถึง 10 วินาที การสแกนบาร์โค้ดอัตโนมัติ ความละเอียดของภาพ 130μm และเอกซเรย์ 60kV
  • VJ Electronix XQuik V: ตามบทความของ Circuits Assembly ลงวันที่ 6 มกราคม 2026 บริษัทอธิบายว่า เครื่องนี้มีการนับชิ้นส่วนและการจัดการสต็อกด้วยเอกซเรย์ ลิ้นชักที่ป้อนรีลอัตโนมัติ และกล้องบาร์โค้ดที่ผูกการระบุรีลเข้ากับข้อมูลการนับ ช่วยลดความผิดพลาดจากการป้อนข้อมูลด้วยมือ
  • Scienscope AXI5100c: ตามบทความลงวันที่ 16 กุมภาพันธ์ 2016 บริษัทอธิบายว่าเป็นเครื่องนับชิ้นส่วนด้วยเอกซเรย์แบบอินไลน์อัตโนมัติเต็มรูปแบบ ที่นับชิ้นส่วนขนาด 03015 ได้ รองรับรีล 7 นิ้ว 4 ม้วน หรือรีล 15 นิ้ว 1 ม้วน และนับชิ้นส่วนในถุง ESD สติ๊ก (stick) และถาดได้ด้วย
  • Scienscope AXC-800 III: ตามบทความลงวันที่ 21 สิงหาคม 2019 บริษัทอธิบายว่านับรีล 7 นิ้ว 4 ม้วนได้ภายใน 23 วินาที และรีลขนาดใหญ่ 13 ถึง 15 นิ้ว 1 ม้วนได้ภายใน 16 วินาที นอกจากนี้ยังแนะนำเครื่องสแกนบาร์โค้ดในตัว และการพิมพ์ฉลากอัตโนมัติ
  • JFE Shoji Electronics iNsight-2000: ตามหน้าเว็บของบริษัท วัดรีลขนาด 7 นิ้วได้สูงสุด 4 ม้วนพร้อมกัน และเชื่อมต่อกับ ERP หรือ MES ได้ บริษัทอธิบายว่าสามารถนับได้โดยไม่ต้องเปิดบรรจุภัณฑ์กันความชื้นแบบอลูมิเนียม (ESD, MSD)

สำหรับราคา ไม่พบราคาที่เปิดเผยต่อสาธารณะของทุกรุ่น JFE Shoji Electronics ระบุว่า “กรุณาสอบถาม”

เหตุผลในการพิจารณาเครื่องนับเอกซเรย์ไม่ได้มีเพียงเรื่องชั่วโมงแรงงาน ยังมีเหตุผลอื่น เช่น ต้องการนับโดยไม่เปิดบรรจุภัณฑ์กันความชื้น (การจัดการ MSD) ต้องการบันทึกการระบุรีลและจำนวนคงเหลือเข้าระบบสต็อกอย่างถูกต้อง หรือลูกค้ากำหนดให้มีการจัดการสต็อกชิ้นส่วน ดังที่จะเห็นในการประมาณการช่วงท้าย สำหรับโรงงานที่มีจำนวนรีลน้อย ในบางกรณีการคืนทุนด้วยการลดชั่วโมงแรงงานเพียงอย่างเดียวทำได้ยาก

ตัวอย่างผลิตภัณฑ์และบริการ และตัวอย่างการพัฒนาเอง

ขอแนะนำตัวอย่างที่เป็นรูปธรรมของการนับด้วยภาพ AI จาก 3 รูปแบบ ได้แก่ ผลิตภัณฑ์ แอปพลิเคชัน และการพัฒนาเอง ทั้งหมดเป็นคำอธิบายของผู้ผลิตหรือของกรณีศึกษา ไม่ใช่การแนะนำ

Cognex (เครื่องมือนับสำหรับเซนเซอร์วิชัน): บริษัทประกาศเครื่องมือนับด้วย AI สำหรับเซนเซอร์วิชัน In-Sight SnAPP เมื่อวันที่ 6 สิงหาคม 2024 (ตรวจสอบจากข่าวประชาสัมพันธ์ของบริษัทที่เผยแพร่) บริษัทอธิบายว่าใช้ได้กับการตรวจสอบการประกอบและการตรวจสอบจำนวนแบบอัตโนมัติ ส่วนวัตถุที่นับได้เป็นไปตามที่กล่าวไว้ในบทก่อนหน้า เป็นเซนเซอร์วิชันที่ติดตั้งประจำที่ในไลน์ ไม่พบราคาที่เปิดเผยต่อสาธารณะ

CountThings (แอปบนสมาร์ทโฟนหรือ PC): เป็นแอปที่ให้บริการโดย Dynamic Ventures ตรวจจับวัตถุจากภาพถ่ายหรือวิดีโอแล้วนับ บริษัทอธิบายว่าใช้ได้บน iOS, Android และ Windows วัตถุที่จะนับกำหนดด้วย “Count Template” ตามหน้าภาษาญี่ปุ่นของบริษัท มีบริการวิเคราะห์ภาพตัวอย่างของลูกค้าเพื่อปรับปรุงเทมเพลตให้เหมาะสมหรือสร้างเทมเพลตใหม่ และระบุว่าในกรณีส่วนใหญ่บริการปรับปรุงนี้ไม่มีค่าใช้จ่าย บริษัทอธิบายว่าแอปนับแบบออฟไลน์ภายในอุปกรณ์ และปกป้องความเป็นส่วนตัวของข้อมูล

เรื่องความแม่นยำ เว็บไซต์ของบริษัทมีข้อความในทำนองว่า “หากความแม่นยำไม่สมบูรณ์ โปรดติดต่อเรา” ซึ่งเป็นการเขียนโดยตั้งอยู่บนสมมติฐานว่าความแม่นยำเปลี่ยนไปตามวัตถุและเทมเพลต ไม่ได้หมายความว่านับวัตถุใดก็ได้อย่างสมบูรณ์ ตัวอย่างการใช้งานที่ยกมา ได้แก่ เม็ดยา ท่อ ท่อนซุง แผ่นยิปซัม และไม้

ราคาที่แสดงบนเว็บไซต์ของบริษัท (ณ เวลาที่เข้าชมในเดือนตุลาคม 2026) มีดังนี้ รายเดือน 120 ดอลลาร์ต่ออุปกรณ์ รายปี 1,200 ดอลลาร์ต่ออุปกรณ์ ไลเซนส์ 24 ชั่วโมงมีตั้งแต่ 1 ไลเซนส์ 24 ดอลลาร์ ถึง 10 ไลเซนส์ 150 ดอลลาร์ แบบจ่ายตามการใช้งานคือ 80 ดอลลาร์ต่อ 100 ครั้งการนับ ส่วน “CountThings from Video” ที่นับจากวิดีโอ คือ 600 ดอลลาร์ต่อเดือน หรือ 2,400 ดอลลาร์ต่อปี ต่ออุปกรณ์

Mitsubishi Materials (กรณีพัฒนาเอง): เป็นกรณีศึกษาที่ iret (cloudpack) ผู้ให้บริการคลาวด์ เผยแพร่เมื่อวันที่ 24 มิถุนายน 2025 Mitsubishi Materials พัฒนาแอปวิเคราะห์ภาพด้วย AI ที่ใช้ YOLO ซึ่งเป็นวิธีตรวจจับวัตถุ เพื่อเพิ่มประสิทธิภาพงานนับชิ้นส่วนในโรงงาน ระบบพื้นฐานคือ AWS (Amazon SageMaker) และหน้าจอสร้างด้วย React วัตถุที่นับ ได้แก่ ดอกสว่านสำหรับงานเจียและชิ้นส่วนอินเสิร์ต

ในด้านผล กรณีศึกษาระบุว่าลดชั่วโมงแรงงานได้ประมาณ 3 man-day ต่อเดือน และระบุว่าใช้ภาพ 30 ถึง 40 ภาพต่อชนิดชิ้นส่วนในการเรียนรู้ ไม่ได้แสดงความแม่นยำเป็นตัวเลข แต่มีข้อความว่าความสมดุลระหว่างความแม่นยำกับความเร็วในการตอบสนองได้รับการประเมินสูง นี่เป็นกรณีของโรงงานและชิ้นส่วนเฉพาะของบริษัทในญี่ปุ่น ไม่ใช่กรณีของฐานการผลิตในไทย และไม่ได้ระบุค่าพัฒนาไว้

ตัวอย่างทั้ง 3 มีรูปแบบต่างกันโดยสิ้นเชิง ได้แก่ เซนเซอร์ที่ติดตั้งประจำในกระบวนการ แอปที่ผู้ปฏิบัติงานถือใช้ และระบบที่บริษัทสร้างเอง การเลือกแบบใดจะจัดระเบียบไว้ในบท “วิธีเลือกรูปแบบการจัดระบบ” ช่วงหลัง

จะเริ่มจากตรงไหน: เปรียบเทียบ 4 สถานการณ์ รับเข้า เบิกจ่าย จัดส่ง และตรวจนับสต็อก

สถานการณ์ที่ต้องนับชิ้นส่วนในโรงงานมีหลัก ๆ 4 แบบ ได้แก่ การรับเข้า การเบิกจ่าย (Kitting) การบรรจุเพื่อจัดส่ง และการตรวจนับสต็อก แต่ละสถานการณ์มีความเสียหายเมื่อนับผิดและรูปแบบบรรจุต่างกัน วิธีที่เหมาะสมจึงต่างกันด้วย

สถานการณ์ความเสียหายเมื่อนับผิดรูปแบบบรรจุที่พบบ่อยวิธีที่น่าจะเหมาะความจำเป็นของหลักฐาน
รับเข้าหากของมาขาดแต่รับเข้าเต็มจำนวน สต็อกในระบบจะมากกว่าของจริง และของจะขาดในภายหลังถุง กล่อง ถาด รีลนับด้วยน้ำหนัก นับด้วยภาพ AI (กรณีเกลี่ยออกได้) เอกซเรย์ (รีล)ภาพถ่ายช่วยในการเจรจากับซัพพลายเออร์
เบิกจ่าย / Kittingหากจ่ายเกิน ของเหลือจะสะสมในหน้างาน หากจ่ายขาด ไลน์จะหยุดชิ้นส่วนกระจัดกระจาย ถุงเล็ก ถาดนับด้วยน้ำหนัก นับด้วยภาพ AIบันทึกผู้ปฏิบัติงานและล็อตช่วยให้ติดตามหาสาเหตุได้
บรรจุเพื่อจัดส่งหากใส่ขาด ลูกค้าจะร้องเรียนว่าของไม่ครบ หากใส่เกิน คือการให้ของฟรีกล่อง ถุง ถาดนับด้วยน้ำหนัก นับด้วยภาพ AI (กรณีวางเรียงก่อนบรรจุ)ภาพถ่ายช่วยในการชี้แจงลูกค้า
ตรวจนับสต็อกยอดในบัญชีกับของจริงไม่ตรงกัน การสั่งซื้อและแผนการผลิตคลาดเคลื่อนกล่อง ถุง รีลนับด้วยน้ำหนัก เอกซเรย์ (รีล) นับด้วยภาพ AIต้องมีบันทึกสำหรับตรวจสอบหาสาเหตุของผลต่าง

สิ่งที่เห็นจากตารางนี้คือ แม้จะเป็น “เกินไป 1 ชิ้น” เหมือนกัน แต่ความหมายต่างกันตามสถานการณ์ การนับเกินตอนรับเข้า กับการใส่ขาดตอนจัดส่ง มีคู่กรณีของความเสียหายและขนาดของความเสียหายต่างกัน เมื่อเลือกสถานการณ์ที่จะเริ่ม ให้สำรวจก่อนว่าปัจจุบันจำนวนขาดหรือเกินเกิดขึ้นที่จุดใด และความเสียหายนั้นมากเพียงใด

การสร้างระบบสำหรับแต่ละสถานการณ์อธิบายไว้อย่างละเอียดในบทความแต่ละเรื่อง สำหรับการรับเข้า ดูบทความระบบตรวจรับสินค้าเข้า สำหรับการเบิกจ่าย ดูบทความการจัดการเบิกจ่ายวัสดุการผลิตและบทความระบบส่งชิ้นส่วนเข้าไลน์อัตโนมัติ สำหรับการจัดส่ง สรุปไว้ในบทความระบบตรวจสอบสินค้าเข้าออกและบทความการป้องกันการจัดส่งผิด

หากจะเริ่มจากภาพ AI สถานการณ์ที่วางชิ้นส่วนเรียงแบนราบได้เป็นตัวเลือกที่น่าพิจารณา เช่น กระบวนการ Kitting ที่เกลี่ยชิ้นส่วนขนาดเล็กลงบนถาดแล้วจ่ายออก หรือกระบวนการที่วางชิ้นส่วนเรียงบนถาดเพื่อตรวจสอบก่อนจัดส่ง ส่วนสถานการณ์ที่ต้องการนับทั้งที่อยู่ในถุงหรือกล่อง ในหลายกรณีการนับด้วยน้ำหนักจะเหมาะกว่า

ข้อมูลสำหรับเรียนรู้และ Label: วิธีจัดเก็บข้อมูลหลักรายการชิ้นส่วนและภาพ

สิ่งที่ใช้แรงมากในการนับด้วยภาพ AI ไม่ใช่ตัว AI เอง แต่เป็นการจัดการภาพและข้อมูลหลัก (Master) ของแต่ละรายการชิ้นส่วน ในโรงงานที่มีรายการชิ้นส่วนหลายร้อยหรือหลายพันรายการ ส่วนนี้คือหัวใจของการใช้งาน

แนวคิดมี 3 ข้อดังนี้

  1. ภาพที่ลงทะเบียนของแต่ละรายการ: ผูกภาพถ่ายตัวแทน และลักษณะการมองเห็นของวัตถุที่จะนับ (ด้านหน้าและด้านหลัง ทิศทาง) เข้ากับแต่ละรายการในข้อมูลหลักรายการชิ้นส่วน เมื่อรหัสชิ้นส่วนเปลี่ยน หรือเปลี่ยนซัพพลายเออร์แล้วรูปลักษณ์เปลี่ยน ต้องรู้ได้ว่าภาพใดล้าสมัยแล้ว
  2. วิธีตีกรอบตัวอย่างไม่กี่ชิ้นและโมเดลที่เรียนรู้ล่วงหน้า: สำหรับผลิตภัณฑ์หรือแอปที่ใช้แนวคิดการนับแบบไม่ขึ้นกับคลาส เพียงตีกรอบตัวอย่างไม่กี่ชิ้นบนหน้าจอก็เริ่มนับได้ ไม่จำเป็นต้องรวบรวมภาพสำหรับเรียนรู้จำนวนมากในแต่ละรายการ แต่ความแม่นยำของแต่ละรายการและรูปแบบบรรจุต้องตรวจสอบด้วยการเดินระบบคู่ขนาน
  3. วิธีเรียนรู้แยกตามรายการ: กรณีของ Mitsubishi Materials ระบุว่าเรียนรู้โมเดลด้วยภาพ 30 ถึง 40 ภาพต่อชนิดชิ้นส่วน นี่เป็นตัวเลขภายใต้ชิ้นส่วนและเงื่อนไขเฉพาะของบริษัท จำนวนภาพที่ต้องใช้เปลี่ยนไปตามลักษณะการมองเห็นของชิ้นส่วนและรูปแบบบรรจุ จึงไม่ใช้เป็นแนวทางทั่วไป

ขั้นตอนเมื่อเพิ่มรายการชิ้นส่วนก็ควรกำหนดไว้ตั้งแต่แรก ใครเป็นผู้ถ่ายภาพ ใครเป็นผู้ตีกรอบตัวอย่างหรือติด Label ใครเป็นผู้ดูผลการเดินระบบคู่ขนานแล้วอนุมัติให้ใช้งาน รายการที่ยังไม่ได้รับอนุมัติให้นับด้วยมือหรือนับด้วยน้ำหนัก หากไม่มีขั้นตอนเหล่านี้ หน้างานจะเพิ่มรายการเองตามใจ และนำไปใช้โดยไม่มีการตรวจสอบความแม่นยำ

คุณภาพของการติด Label ก็สำคัญ หากจำนวนที่ถูกต้อง (คำตอบจริง) ที่นับจากภาพหนึ่งภาพผิด ทั้งการประเมินและการเรียนรู้จะคลาดเคลื่อน จึงควรมีมาตรการ เช่น ให้ 2 คนนับคำตอบจริงแล้วเทียบกัน และเทียบกับผลการนับด้วยน้ำหนักด้วย วิธีดำเนินการติด Label สรุปไว้ในบทความการทำ Annotation สำหรับการตรวจสอบด้วยภาพ

วิธีกำหนดเกณฑ์ผ่าน: ไม่ใช่ค่าความคลาดเคลื่อนเฉลี่ย แต่เป็น “อัตราการนับตรงพอดี” และ “ค่าสูงสุดของจำนวนที่ขาดหรือเกิน”

ตัวชี้วัดที่พบบ่อยใน PoC และการตรวจรับคือ “ค่าความคลาดเคลื่อนเฉลี่ย” แต่ในการนับชิ้นส่วน ค่าความคลาดเคลื่อนเฉลี่ยเพียงอย่างเดียวไม่พอสำหรับการตัดสิน ตัวอย่างเช่น กรณีที่นับถูกต้อง 99 ครั้งจาก 100 ครั้งแต่ผิดมากเพียง 1 ครั้ง กับกรณีที่คลาดเคลื่อนเล็กน้อยทุกครั้ง อาจมีค่าความคลาดเคลื่อนเฉลี่ยใกล้เคียงกัน สิ่งที่เป็นปัญหาในหน้างานคือการผิดมากเพียงครั้งเดียวนั้น

ดังนั้นจึงดูตัวชี้วัดต่อไปนี้ แยกตามรายการชิ้นส่วนและรูปแบบบรรจุ

การนำ AI นับชิ้นส่วนมาใช้ | เลือกนับด้วยน้ำหนัก ภาพ หรือเอกซเรย์ สำหรับโรงงานในไทย พร้อม RFP และ FAT/SAT - figure 2
ตัวชี้วัดนิยามข้อมูลแนวคิดในการตัดสิน
อัตราการนับตรงพอดีจำนวนครั้งที่ผลการนับของ AI ตรงกับคำตอบจริงพอดี ÷ จำนวนครั้งทั้งหมดบันทึกการเดินระบบคู่ขนานแยกตามรายการ × รูปแบบบรรจุค่าเป้าหมายกำหนดเอง (ตั้งไว้เป็นตัวอย่าง)
ค่าสูงสุดของจำนวนที่ขาดหรือเกินจำนวนชิ้นสูงสุดที่ผลการนับในครั้งเดียวมากกว่าหรือน้อยกว่าคำตอบจริงเหมือนข้างต้นกำหนดจำนวนขาดหรือเกินสูงสุดที่ยอมรับได้จากความเสียหายของสถานการณ์นั้น
จำนวนครั้งที่นับเกินและจำนวนครั้งที่นับขาดนับแยกจำนวนครั้งที่มากกว่าคำตอบจริงและจำนวนครั้งที่น้อยกว่าเหมือนข้างต้นทิศทางของความเสียหายต่างกันตามสถานการณ์ จึงตัดสินแยกกัน
สัดส่วนที่ส่งกลับให้คนจำนวนครั้งที่ส่งให้คนนับซ้ำเพราะความเชื่อมั่นต่ำหรือผลไม่ตรงกัน ÷ จำนวนครั้งทั้งหมดบันทึกการใช้งาน (log)หากมากเกินไป ชั่วโมงแรงงานจะไม่ลดลง หากน้อยเกินไป การหลุดรอดจะเพิ่มขึ้น
ผลหลังส่งกลับให้คนผลต่างระหว่างการนับซ้ำของคนกับการนับของ AIบันทึกการนับซ้ำใช้เป็นข้อมูลทบทวนว่าเงื่อนไขการส่งกลับเหมาะสมหรือไม่

ค่าเป้าหมายไม่ได้มีมาตรฐานของอุตสาหกรรม ให้กำหนดจากสถานการณ์และความเสียหายของบริษัทเอง เริ่ม PoC ด้วยค่าที่ตั้งไว้เป็นตัวอย่าง แล้วทบทวนจากผลลัพธ์

สิ่งที่สำคัญเป็นพิเศษคือ ความไม่สมมาตรระหว่างความผิดพลาดแบบนับเกินกับแบบนับขาด หากตอนรับเข้า AI นับเกิน ก็จะรับเข้าเต็มจำนวนทั้งที่ของจริงขาด และของจะขาดในภายหลัง หากตอนจัดส่ง AI นับเกิน ก็หมายความว่าใส่ของจริงไว้น้อยกว่า และลูกค้าจะร้องเรียนว่าของไม่ครบ ในทางกลับกัน หากนับขาด ก็จะใส่ของเกินจนกลายเป็นการให้ของฟรี หรือเพิ่มภาระการนับซ้ำ ความผิดพลาดแบบใดที่ควรควบคุมอย่างเข้มงวดกว่านั้น ต่างกันไปตามสถานการณ์

เมื่อไม่มั่นใจในผลที่ AI ให้มา หรือเมื่อผลไม่ตรงกับวิธีอื่นอย่างการนับด้วยน้ำหนัก ให้ส่งกลับให้คนนับซ้ำ เมื่อ “ขั้นตอนการส่งกลับ” นี้ทำงานได้จริงแล้ว จึงจะนำผลการนับของ AI ไปใช้ในงานได้ แนวคิดในการออกแบบการตรวจจับเกิน (over-detection) และการหลุดรอดไปพร้อมกัน ก็เหมือนกับการตรวจสอบรูปลักษณ์ รายละเอียดดูได้ในบทความการลดการคัดทิ้งผิดพลาดของ AI ตรวจสอบด้วยภาพ

ควรระวังช่วงเวลาของข้อมูลประเมินด้วย หากประเมินด้วยภาพจากวันเดียวกัน ผู้ปฏิบัติงานคนเดียวกัน และล็อตเดียวกันกับที่ใช้ใน PoC เท่านั้น ผลจะออกมาดีเกินจริงได้ง่าย ให้ประเมินด้วยช่วงเวลาที่ครอบคลุมวันอื่น กะอื่น และล็อตอื่น

การบันทึกและการเชื่อมต่อระบบ: ส่งภาพถ่าย รายการชิ้นส่วน ล็อต และผู้ปฏิบัติงานเข้า MES/WMS/ERP

จำนวนคือทางเข้าของการตรวจสอบย้อนกลับและสต็อก หากผลการนับถูกจดไว้บนกระดาษเท่านั้น แม้จะนำ AI มาใช้ ผลก็ได้เพียงครึ่งเดียว ให้เก็บข้อมูลต่อไปนี้เป็นบันทึก 1 รายการ แล้วส่งเข้าระบบ

  • วันเวลาและสถานที่ที่นับ (รับเข้า เบิกจ่าย จัดส่ง หรือตรวจนับสต็อก)
  • รายการชิ้นส่วน ล็อต ซัพพลายเออร์หรือปลายทางการจัดส่ง
  • วิธีการนับ (ภาพ AI น้ำหนัก เอกซเรย์ นับด้วยมือ) และจำนวนที่ได้
  • ภาพถ่ายที่ใช้นับ (กรณีภาพ AI หรือเอกซเรย์)
  • ผู้ปฏิบัติงาน และกรณีที่ส่งกลับให้คน ให้บันทึกเหตุผลและผลการนับซ้ำ

บาร์โค้ดช่วยในการเรียกข้อมูลรายการชิ้นส่วน METTLER TOLEDO ยกตัวอย่างการจัดระบบที่ดึงข้อมูลรายการชิ้นส่วนจากเครื่องสแกนบาร์โค้ดในขั้นตอนรับเข้า แล้วส่งผลการนับไปยัง ERP หรือ MES แนวคิดเดียวกันนี้ใช้กับการนับด้วยภาพ AI ได้ หากอ่านบาร์โค้ดบนกล่องหรือป้ายระบุชิ้นงานก่อน แล้วเรียกเทมเพลตของรายการนั้นมาก่อนเริ่มนับ ก็จะป้องกันการเลือกรายการผิดได้

การเก็บภาพถ่ายจะมีประโยชน์ในภายหลัง เมื่อต้องแจ้งซัพพลายเออร์ว่าจำนวนขาด หรือเมื่อลูกค้าสอบถามเรื่องจำนวนไม่ตรง หากมีภาพถ่ายและบันทึก ก็แสดงได้ว่า ณ เวลานั้นมีกี่ชิ้น ระยะเวลาและที่เก็บให้กำหนดตามข้อกำหนดของลูกค้าและระเบียบภายในบริษัท

ระบบปลายทางที่เชื่อมต่อแตกต่างกันไปตามระบบของโรงงาน สต็อกจัดการด้วย WMS หรือ ERP ติดตามล็อตด้วย MES หรือไม่ ใครเป็นผู้อนุมัติผลการนับก่อนสะท้อนเข้าสต็อก ประเด็นเหล่านี้ควรจัดระเบียบให้ชัดก่อนนำระบบมาใช้ ส่วนการจัดการผลต่างที่พบจากการตรวจนับสต็อก จะกล่าวถึงในบทถัดไป

การตรวจนับสต็อกและผลต่างสต็อก: “ความสม่ำเสมอของวิธีนับ” สำคัญกว่าความเร็วในการนับ

ในการตรวจนับสต็อก มักให้ความสนใจกับความเร็วในการนับ แต่การลดสาเหตุของผลต่างสต็อก ความสม่ำเสมอของวิธีนับสำคัญกว่า หากรายการเดียวกันถูกนับด้วยมือบ้าง ชั่งด้วยเครื่องชั่งบ้าง หรือเชื่อตามตัวเลขที่พิมพ์บนกล่องบ้าง ขึ้นอยู่กับคน ก็จะไม่รู้ว่าผลต่างเกิดจากอะไร

ความไม่ตรงกันของบันทึกสต็อกไม่ใช่เรื่องแปลก ในงานวิจัยของ DeHoratius และ Raman ปี 2008 ที่ตรวจสอบบันทึกสต็อกประมาณ 370,000 รายการ ของร้านค้า 37 สาขาของผู้ค้าปลีกรายหนึ่งในสหรัฐอเมริกา พบว่าบันทึกสต็อก 65% ไม่ตรงกับสต็อกจริง นี่เป็นการสำรวจในธุรกิจค้าปลีก ไม่ใช่ตัวเลขที่นำมาใช้กับสต็อกชิ้นส่วนของภาคการผลิตได้โดยตรง อย่างไรก็ตาม งานวิจัยเดียวกันรายงานว่าการตรวจสอบสต็อก (audit) เป็นปัจจัยที่ช่วยบรรเทาความไม่ตรงกัน หมายความว่าการวางระบบการนับให้ดีนั้นมีความหมาย

เมื่อกำหนดวิธีนับสำหรับการตรวจนับสต็อก ให้กำหนดแยกตามรายการว่า “รายการนี้นับด้วยวิธีนี้” แล้วบันทึกไว้ในข้อมูลหลัก เช่น รีลใช้เอกซเรย์ ชิ้นส่วนเล็กที่น้ำหนักต่อชิ้นสม่ำเสมอใช้น้ำหนัก ชิ้นส่วนกระจัดกระจายที่วางเรียงได้ใช้ภาพ AI หากบันทึกวิธีการ ผลลัพธ์ และภาพถ่ายไว้ เมื่อเกิดผลต่างก็จะแยกได้ว่าเป็นปัญหาของวิธีนับ หรือปัญหาของบันทึกการรับจ่าย

วิธีลดเวลาตรวจนับสต็อกอธิบายไว้ในบทความการลดเวลาตรวจนับสต็อก วิธีตรวจสอบสาเหตุของผลต่างอยู่ในบทความสาเหตุและวิธีแก้สต็อกไม่ตรง และวิธีดำเนินการตรวจนับสต็อกจริงอยู่ในบทความการตรวจนับสต็อกอย่างมีประสิทธิภาพ

วิธีเลือกรูปแบบการจัดระบบ: แอปบนสมาร์ทโฟน สถานีประจำที่ และ Edge/On-premise

รูปแบบการจัดระบบของการนับด้วยภาพ AI แบ่งได้กว้าง ๆ เป็น 3 แบบ

รูปแบบสถานการณ์ที่เหมาะข้อดีข้อควรระวัง
แอปบนสมาร์ทโฟนหรือแท็บเล็ตมีรายการชิ้นส่วนมาก จุดที่ต้องนับกระจายอยู่หลายที่ ต้องการทดลองก่อนนำมาใช้ได้เร็ว พกพาได้ระยะ มุมถ่าย และแสงเปลี่ยนทุกครั้ง ต้องจัดการอุปกรณ์
สถานีประจำที่ (กล้อง แสง PC)นับในจุดที่กำหนด เช่น โต๊ะรับเข้า โต๊ะ Kitting โต๊ะบรรจุเงื่อนไขการถ่ายภาพสม่ำเสมอ ผลมีแนวโน้มนิ่ง เชื่อมกับการบันทึกได้ง่ายต้องมีพื้นที่และค่าใช้จ่ายในการติดตั้ง ต้องขนชิ้นส่วนมาที่โต๊ะ
ประมวลผลบนเซิร์ฟเวอร์ Edge หรือ On-premiseไม่ต้องการส่งภาพออกนอกโรงงาน เครือข่ายไม่เสถียรเก็บข้อมูลไว้ในมือได้ ตอบสนองเร็วต้องดูแลการบำรุงรักษาอุปกรณ์และการอัปเดตโมเดลเอง

สิ่งแรกที่ต้องพิจารณาคือการนำข้อมูลออกนอกโรงงาน ให้ตรวจสอบว่าส่งภาพถ่ายชิ้นส่วนหรือข้อมูลรายการชิ้นส่วนขึ้นคลาวด์ได้หรือไม่ CountThings อธิบายว่าแอปนับแบบออฟไลน์ภายในอุปกรณ์ การมีรูปแบบที่ใช้งานได้โดยไม่ต้องส่งขึ้นคลาวด์หรือไม่ จึงเป็นมุมหนึ่งในการเปรียบเทียบผลิตภัณฑ์

ให้ตรวจสอบเครือข่ายของโรงงานด้วย หาก Wi-Fi อ่อนในส่วนลึกของคลังสินค้าหรือในพื้นที่บรรจุ ก็จะส่งผลเข้าระบบไม่ได้ ในบางกรณีอาจต้องมีกลไกที่นับแบบออฟไลน์แล้วส่งรวมกันภายหลัง แนวคิดของรูปแบบที่ประมวลผลที่ Edge สรุปไว้ในบทความการติดตั้ง Edge AI ในโรงงาน

หลังเริ่มใช้งานแล้ว งานก็ยังดำเนินต่อไป ได้แก่ การเพิ่มรายการชิ้นส่วน การเปลี่ยนภาพของรายการที่รูปลักษณ์เปลี่ยน และการเฝ้าติดตามความแม่นยำที่ลดลง ความแม่นยำอาจลดลงจากการเปลี่ยนแปลง เช่น เปลี่ยนซัพพลายเออร์แล้วสีของชิ้นส่วนเปลี่ยน หรือเปลี่ยนแสง ให้วัดอัตราการนับตรงพอดีที่ยืนยันไว้ในการเดินระบบคู่ขนานเป็นระยะในระหว่างการใช้งานด้วย วิธีติดตามและเรียนรู้โมเดลใหม่ ดูได้ในบทความการติดตามโมเดล AI ในโรงงาน

ข้อกำหนดที่ควรเขียนใน RFP และเกณฑ์ตรวจรับ FAT/SAT

ก่อนขอใบเสนอราคาจากผู้ขาย ให้จัดทำเอกสารว่าต้องการนับอะไร ตารางต่อไปนี้เป็นตัวอย่างข้อกำหนดที่ควรเขียนใน RFP (เอกสารขอข้อเสนอ) ค่าเป้าหมายที่เป็นตัวเลขให้กำหนดเอง และเริ่มจากค่าที่ตั้งไว้เป็นตัวอย่าง

หัวข้อเนื้อหาที่ควรเขียน
รายการชิ้นส่วนเป้าหมายและรูปแบบบรรจุรายการชิ้นส่วน และจะนับในรูปแบบใด วางแบนราบ ถาด ถุง กล่อง หรือรีล
จำนวนรายการชิ้นส่วนจำนวนรายการเมื่อเริ่มต้น และจำนวนรายการที่คาดว่าจะเพิ่มต่อปี
จำนวนสูงสุดต่อครั้งจำนวนชิ้นสูงสุดที่นับในครั้งเดียว และช่วงขนาดของชิ้นส่วน
วิธีวางที่ยอมรับวางแบนราบเท่านั้น วางในถาดได้ หรือต้องการให้นับทั้งที่อยู่ในถุง
เกณฑ์ผ่านอัตราการนับตรงพอดีและค่าสูงสุดของจำนวนที่ขาดหรือเกิน แยกตามรายการ × รูปแบบบรรจุ ช่วงเวลาและจำนวนครั้งของข้อมูลประเมิน
ขั้นตอนเมื่อผลไม่ตรงกันขั้นตอนการส่งกลับให้คนบนหน้าจอ เมื่อความเชื่อมั่นต่ำหรือผลไม่ตรงกัน และการบันทึกการนับซ้ำ
การเก็บภาพภาพที่เก็บ ระยะเวลาเก็บ ที่เก็บ และวิธีค้นหา
การเชื่อมข้อมูลหลักการซิงก์กับข้อมูลหลักรายการชิ้นส่วน การเรียกรายการด้วยบาร์โค้ด การส่งผลไปยัง MES, WMS และ ERP
สิทธิ์และประวัติการเปลี่ยนแปลงใครเปลี่ยนเทมเพลตหรือโมเดลได้ และมีบันทึกการเปลี่ยนแปลงหรือไม่
ขั้นตอนการเพิ่มรายการและการแบ่งประเภทค่าใช้จ่ายเพิ่มเองได้หรือต้องให้ผู้ขายทำ วิธีคิดค่าใช้จ่ายต่อ 1 รายการ
การฝึกอบรมและการบำรุงรักษาการฝึกอบรมผู้ปฏิบัติงานและผู้ดูแล ช่องทางติดต่อสอบถาม ขอบเขตการบำรุงรักษา
การแยกใบเสนอราคาให้แยกเสนอราคาฮาร์ดแวร์ ไลเซนส์ซอฟต์แวร์ งานลงทะเบียนรายการชิ้นส่วน และการบำรุงรักษา

การขอให้แยกใบเสนอราคาก็เพื่อให้เปรียบเทียบได้ง่าย แม้ฮาร์ดแวร์จะถูก แต่ค่างานลงทะเบียนรายการชิ้นส่วนอาจสูงได้ และไลเซนส์คิดต่ออุปกรณ์ ต่อสาขา หรือต่อจำนวนครั้งการนับ ก็ทำให้ยอดรวมเปลี่ยนไป

การทดสอบรับมอบให้คิดเป็น 2 ขั้นตอน

  • FAT (การทดสอบก่อนส่งมอบจากโรงงานผู้ขาย): ที่ฝั่งผู้ขาย ใช้ตัวอย่างชิ้นส่วนจริงในอดีตของบริษัทเพื่อทดลองนับซ้ำ ตรวจสอบว่าผ่านเกณฑ์ของ RFP หรือไม่ แยกตามรายการเป้าหมายและรูปแบบบรรจุ
  • SAT (การทดสอบรับมอบที่หน้างาน): ใช้งานในโรงงานของบริษัทตามขั้นตอนเดียวกับการใช้งานจริง เดินระบบคู่ขนานกับการนับด้วยมือของคน หรือกับการนับด้วยน้ำหนัก แล้วเทียบผลกัน ตรวจสอบอัตราการนับตรงพอดี ค่าสูงสุดของจำนวนที่ขาดหรือเกิน และสัดส่วนที่ส่งกลับให้คน แยกตามรายการและรูปแบบบรรจุ

ให้เลิกนับด้วยมือตั้งแต่รายการที่ผ่านเกณฑ์ใน SAT ก่อน ส่วนรายการที่ไม่ผ่าน ให้ตัดสินใจว่าจะเปลี่ยนวิธีวาง หรือคงการนับด้วยน้ำหนักไว้ ไม่จำเป็นต้องเปลี่ยนทุกรายการพร้อมกัน

บางกรณีอาจใช้การตรวจสอบจำนวนเป็นโปกะโยเกะ (Poka-yoke) ในกระบวนการประกอบ เช่น การตรวจสอบว่าใช้สกรูครบตามจำนวนที่กำหนดหรือไม่ ในกรณีนี้ จุดประสงค์คือการป้องกันการตกหล่นในงานมากกว่าการนับ แนวคิดนี้อธิบายไว้ในบทความโปกะโยเกะ

การประมาณการค่าใช้จ่ายและผลตอบแทนแบบจำลอง (ตัวเลขสมมติ)

ตัวเลขต่อจากนี้ ทั้งหมดเป็นตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้ ผลิตภัณฑ์จำนวนมากไม่สามารถยืนยันราคาทางการได้ ค่าใช้จ่ายจึงเป็นค่าสมมติเช่นกัน โปรดอ่านในฐานะกรอบสำหรับการประมาณการของบริษัทเอง

โรงงานที่สมมติคือโรงงานชิ้นส่วนอิเล็กทรอนิกส์หรือชิ้นส่วนยานยนต์ของบริษัทญี่ปุ่นในไทย นับชิ้นส่วนขนาดเล็กใน 3 จุด ได้แก่ การรับเข้า Kitting และการบรรจุเพื่อจัดส่ง ทำงาน 2 กะ ปีละ 250 วัน

ค่าฐานปัจจุบัน (ต่อปี)

รายการจำนวนเงินรายละเอียด
ชั่วโมงแรงงานนับด้วยมือและนับซ้ำในการรับเข้า Kitting และการบรรจุเพื่อจัดส่ง720,000 THB6,000 ชั่วโมง × 120 THB
งานจัดการที่เกิดจากจำนวนไม่ตรง (การนับซ้ำ การตรวจสอบผลต่างสต็อก การรับมือกับลูกค้าเรื่องของขาดหรือเกิน)600,000 THBค่าสมมติ
ชั่วโมงแรงงานตรวจสอบจำนวนคงเหลือในรีล SMD ในการตรวจนับสต็อกและการรับเข้า300,000 THB2,500 ชั่วโมง × 120 THB

รูปแบบ A: สถานีนับด้วยภาพ AI 3 สถานี

รวมกล้อง แสง PC ซอฟต์แวร์ การเชื่อมข้อมูลหลักรายการชิ้นส่วนกับ MES และการลงทะเบียนรายการชิ้นส่วน ตั้งค่าใช้จ่ายเริ่มต้น 1,500,000 THB และค่าดำเนินการต่อปี (ไลเซนส์ การเพิ่มรายการ การบำรุงรักษา) 180,000 THB

รายการผล (สมมติฐาน)การคำนวณจำนวนเงิน
ลดชั่วโมงแรงงานนับด้วยมือ 50%720,000 × 0.5360,000 THB/ปี
ลดงานจัดการที่เกิดจากจำนวนไม่ตรง 30%600,000 × 0.3180,000 THB/ปี
ผลรวม360,000 + 180,000540,000 THB/ปี
ผลสุทธิต่อปี540,000 − 180,000360,000 THB/ปี
ระยะเวลาคืนทุน1,500,000 ÷ 360,000ประมาณ 4.2 ปี

รูปแบบ B: รูปแบบ A บวกเครื่องนับรีลด้วยเอกซเรย์ 1 เครื่อง

ตั้งค่าใช้จ่ายเริ่มต้นเพิ่มเติม 2,000,000 THB และค่าดำเนินการต่อปีเพิ่มเติม 100,000 THB

รายการผลเพิ่มเติม (สมมติฐาน)การคำนวณจำนวนเงิน
ลดชั่วโมงแรงงานตรวจสอบจำนวนคงเหลือในรีล 80%300,000 × 0.8240,000 THB/ปี
ผลสุทธิต่อปีของส่วนเพิ่ม240,000 − 100,000140,000 THB/ปี
ระยะเวลาคืนทุนของส่วนเพิ่ม2,000,000 ÷ 140,000ประมาณ 14.3 ปี

ความอ่อนไหว: กรณีรูปแบบ A ที่ค่าฐานของชั่วโมงแรงงานนับด้วยมือเป็น 2 เท่า

สมมติว่าค่าฐานของการนับด้วยมือคือ 1,440,000 THB/ปี การลดการนับด้วยมือ 50% จะเท่ากับ 720,000 THB/ปี ผลรวมคือ 720,000 + 180,000 = 900,000 THB/ปี ผลสุทธิคือ 900,000 − 180,000 = 720,000 THB/ปี และระยะเวลาคืนทุนคือ 1,500,000 ÷ 720,000 ประมาณ 2.1 ปี

การนำ AI นับชิ้นส่วนมาใช้ | เลือกนับด้วยน้ำหนัก ภาพ หรือเอกซเรย์ สำหรับโรงงานในไทย พร้อม RFP และ FAT/SAT - figure 3

สิ่งที่อ่านได้จากการประมาณการนี้มีดังนี้

  • ระยะเวลาคืนทุนของรูปแบบ A เปลี่ยนไปมากตามปริมาณชั่วโมงแรงงานนับด้วยมือ หากค่าฐานเป็น 2 เท่า ระยะเวลาคืนทุนจะสั้นลงจากประมาณ 4.2 ปีเหลือประมาณ 2.1 ปี จุดเริ่มต้นของการประมาณการคือการวัดเวลาที่ใช้นับด้วยมืออยู่ในปัจจุบันก่อน
  • ส่วนเพิ่มของรูปแบบ B หากดูเฉพาะการลดชั่วโมงแรงงาน ต้องใช้เวลาประมาณ 14.3 ปีจึงจะคืนทุน หมายความว่าในโรงงานที่มีจำนวนรีลน้อย เครื่องนับเอกซเรย์คืนทุนได้ยากหากดูเพียงการลดชั่วโมงแรงงาน การตัดสินใจจึงควรพิจารณาจำนวนรีล ความถี่ในการตรวจนับสต็อก การจัดการ MSD (ต้องการนับโดยไม่เปิดบรรจุภัณฑ์หรือไม่) และข้อกำหนดของลูกค้าร่วมด้วย
  • “การลดงานจัดการที่เกิดจากจำนวนไม่ตรง 30%” ตั้งอยู่บนเงื่อนไขว่าขั้นตอนการส่งผลที่ AI นับผิดกลับให้คนนั้นทำงานได้จริง จนกว่าจะยืนยันอัตราการนับตรงพอดีได้จากการเดินระบบคู่ขนาน โปรดอย่านับผลส่วนนี้

คำถามที่พบบ่อย

ระบบนับจำนวนด้วย AI คืออะไร ต่างจากเครื่องชั่งนับจำนวนอย่างไร

การนับด้วย AI คือวิธีนับจำนวนจากภาพที่ถ่ายด้วยกล้อง โดยตรวจจับชิ้นส่วนที่ปรากฏในภาพหรือประมาณความหนาแน่น ส่วนเครื่องชั่งนับจำนวนหาจำนวนโดยหารน้ำหนักรวมด้วยน้ำหนักเฉลี่ยต่อชิ้น ความแตกต่างคือ เครื่องชั่งอ่อนต่อความแปรปรวนของน้ำหนักต่อชิ้น ส่วนภาพ AI อ่อนต่อการซ้อนทับ การถูกบัง และแสง อีกจุดที่ต่างคือภาพ AI สามารถเก็บภาพที่นับไว้เป็นหลักฐานได้

การนับชิ้นส่วนด้วยภาพแม่นยำแค่ไหน

ขึ้นอยู่กับชิ้นส่วนและรูปแบบบรรจุเป็นอย่างมาก จึงตอบด้วยตัวเลขทั่วไปไม่ได้ ความคลาดเคลื่อนที่แสดงในงานวิจัยวัดภายใต้เงื่อนไขอย่างภาพถ่ายวัตถุทั่วไป ใช้กับชิ้นส่วนของบริษัทโดยตรงไม่ได้ ให้เดินระบบคู่ขนานกับการนับด้วยมือของคนหรือการนับด้วยน้ำหนัก ด้วยรายการชิ้นส่วนและรูปแบบบรรจุของบริษัทเอง แล้ววัดอัตราการนับตรงพอดีและค่าสูงสุดของจำนวนที่ขาดหรือเกินของแต่ละรายการเพื่อตัดสิน

นับชิ้นส่วนที่ยังอยู่ในถุงหรือกล่องได้ไหม

การใช้ภาพ AI นับชิ้นส่วนที่กองซ้อนอยู่ในกล่องด้วยการถ่ายภาพจากด้านบนเพียงภาพเดียว ในทางหลักการแล้วทำได้ยาก เพราะมีชิ้นส่วนที่มองไม่เห็น ในงานวิจัยมีการเสนอวิธีนับจากภาพหลายมุมมอง แต่ในหน้างาน ทางเลือกที่เป็นไปได้จริงคือเกลี่ยออกแล้วนับ หรือใช้การนับด้วยน้ำหนัก ส่วนชิ้นส่วนชิปที่อยู่ในรีลหรือถุง ESD เป็นเป้าหมายของเครื่องนับเอกซเรย์

ระบบนับชิ้นส่วนอัตโนมัติใช้แอปบนสมาร์ทโฟนก็พอไหม

หากมีรายการชิ้นส่วนมากและอยู่ในขั้นที่ต้องการทดลองก่อน แอปบนสมาร์ทโฟนเป็นทางเลือกที่น่าสนใจ แต่ระยะถ่ายและแสงเปลี่ยนทุกครั้ง ผลจึงอาจไม่นิ่ง หากต้องการเก็บบันทึกจำนวนอย่างเป็นทางการในการรับเข้าหรือการจัดส่ง ให้พิจารณาว่าจำเป็นต้องมีสถานีประจำที่ซึ่งเงื่อนไขการถ่ายภาพสม่ำเสมอ และการเชื่อมต่อกับข้อมูลหลักรายการชิ้นส่วนหรือระบบหรือไม่

เครื่องนับชิ้นส่วนด้วยเอกซเรย์ใช้ทำอะไร

ใช้นับจำนวนคงเหลือในรีลที่พันชิ้นส่วนชิป SMD เป็นหลัก ผู้ผลิตอธิบายว่านับได้โดยไม่ต้องคลี่ม้วนด้วยมือ และบางรุ่นนับได้โดยไม่ต้องเปิดบรรจุภัณฑ์กันความชื้น แต่ละบริษัทยังแนะนำรูปแบบการจัดระบบที่ผูกการระบุรีลเข้ากับข้อมูลการนับด้วยบาร์โค้ด แล้วส่งไปยัง ERP หรือ MES

ต้องใช้ภาพสำหรับเรียนรู้กี่ภาพ

ขึ้นอยู่กับวิธี สำหรับวิธีที่เริ่มนับได้เพียงตีกรอบตัวอย่างไม่กี่ชิ้น ไม่จำเป็นต้องรวบรวมภาพจำนวนมากในแต่ละรายการ ตัวอย่างของวิธีเรียนรู้แยกตามรายการ คือกรณีของ Mitsubishi Materials ที่ระบุว่าใช้ 30 ถึง 40 ภาพต่อชนิดชิ้นส่วน นี่เป็นตัวเลขภายใต้ชิ้นส่วนและเงื่อนไขเฉพาะของบริษัท ไม่ใช่แนวทางทั่วไป

ระยะเวลานำระบบมาใช้นานเท่าไร

ขึ้นอยู่กับจำนวนรายการชิ้นส่วนและประเภทของรูปแบบบรรจุ หากเริ่มจากชิ้นส่วนที่มีรายการน้อยและวางเรียงแบนราบได้ ก็จะใช้เวลาสั้น หากมีรายการมากและรูปแบบบรรจุหลากหลาย ก็จะใช้เวลานานขึ้น วิธีที่เป็นไปได้จริงคือค่อย ๆ ขยายขอบเขต โดยยืนยันการผ่านเกณฑ์แยกตามรายการและรูปแบบบรรจุในแต่ละขั้น PoC, FAT และ SAT

สรุป

  • การนำ AI มาใช้นับชิ้นส่วน คือการเลือกใช้การนับด้วยน้ำหนัก การนับด้วยภาพ AI และเครื่องนับรีลด้วยเอกซเรย์ ตาม 3 แกน ได้แก่ รูปแบบบรรจุ ลักษณะของชิ้นส่วน และความเสียหายเมื่อนับผิด
  • ความคลาดเคลื่อนของการนับด้วยน้ำหนักเกิดจากความแปรปรวนของน้ำหนักต่อชิ้นเป็นหลัก ส่วนความคลาดเคลื่อนของการนับด้วยภาพเกิดจากการซ้อนทับ การถูกบัง และแสงเป็นหลัก
  • ชิ้นส่วนที่กองซ้อนในกล่อง ในทางหลักการแล้วนับไม่ได้ด้วยการถ่ายภาพจากด้านบนเพียงภาพเดียว ภาพ AI ได้ผลที่สุดในกรณีที่วางเรียงแบนราบได้ น้ำหนักต่อชิ้นไม่สม่ำเสมอ และต้องการเก็บภาพถ่ายเป็นหลักฐาน
  • รีลของชิ้นส่วนชิปเป็นขอบเขตของเครื่องเฉพาะทางที่เรียกว่าเครื่องนับด้วยเอกซเรย์ ในโรงงานที่มีรีลน้อย การคืนทุนด้วยการลดชั่วโมงแรงงานเพียงอย่างเดียวทำได้ยาก จึงควรตัดสินโดยรวมการจัดการ MSD และข้อกำหนดของลูกค้าด้วย
  • เกณฑ์ผ่านไม่ใช่ค่าความคลาดเคลื่อนเฉลี่ย แต่ตัดสินด้วยอัตราการนับตรงพอดีและค่าสูงสุดของจำนวนที่ขาดหรือเกิน แยกตามรายการและรูปแบบบรรจุ และส่งกรณีที่ผลไม่ตรงกันหรือความเชื่อมั่นต่ำกลับให้คน
  • ผลการนับให้บันทึกพร้อมภาพถ่าย รายการชิ้นส่วน ล็อต และผู้ปฏิบัติงาน และกำหนดเป็นข้อกำหนดไปจนถึงการส่งต่อเข้า MES, WMS และ ERP
  • ใน RFP ให้ขอแยกใบเสนอราคาเป็นฮาร์ดแวร์ ไลเซนส์ การลงทะเบียนรายการชิ้นส่วน และการบำรุงรักษา และใน SAT ให้เดินระบบคู่ขนานแล้วเทียบผลกัน

แม้อยู่ในขั้นตอนสำรวจว่าจะเริ่มจากรายการชิ้นส่วนใด รูปแบบบรรจุใด หรือวิธีนับปัจจุบันเกิดจำนวนขาดหรือเกินที่จุดใด ก็สามารถปรึกษา TOMAS TECH ได้ ติดต่อสอบถามได้ทางแบบฟอร์มนี้

ข้อมูลอ้างอิง