AI ตรวจสอบการพิมพ์วันที่และรหัสล็อต – OCR/OCV, RFP และ FAT/SAT สำหรับโรงงานในไทย

วันหมดอายุคลาดไป 1 วัน รหัสล็อตยังเป็นของสินค้ารุ่นก่อนหน้า หรือหมึกไม่ออกจนไม่มีอะไรพิมพ์อยู่เลย ความผิดพลาดในการพิมพ์บนสายการบรรจุเพียงกรณีเดียวที่ถูกพบบนชั้นวางของร้านค้าปลีกหรือผู้ค้าส่ง ก็เพียงพอให้โรงงานต้องวุ่นอยู่กับการเรียกคืน การรับคืนสินค้า การติดฉลากใหม่ และการชี้แจงต่อคู่ค้า แม้หลายโรงงานจะติดตั้งเครื่องพิมพ์อิงค์เจ็ท เลเซอร์ หรือ TTO (Thermal Transfer Overprinting) ไว้แล้ว แต่โรงงานที่ตรวจได้ครบทุกชิ้นว่า “ข้อความที่พิมพ์ออกมาถูกต้องหรือไม่” ยังมีไม่มาก สิ่งที่จึงถูกหยิบขึ้นมาพิจารณาคือการนำ AI ตรวจสอบการพิมพ์วันที่มาใช้ กล่าวคือระบบที่ใช้กล้องอ่านข้อความที่พิมพ์ แล้วตัดสินบนสายการผลิตว่าเนื้อหาถูกต้องหรือไม่

บทความนี้มีข้อเสนอหลักเพียงข้อเดียว ความสำเร็จของการตรวจสอบการพิมพ์ด้วย AI ไม่ได้ขึ้นอยู่กับความแม่นยำของโมเดลจดจำตัวอักษร แต่ขึ้นอยู่กับสี่ประการต่อไปนี้ ① รับ “ข้อความที่ควรพิมพ์ที่ถูกต้อง (ค่าที่คาดหวัง หรือ expected value)” โดยอัตโนมัติจากคำสั่งผลิตใน ERP/MES ไม่ใช่ให้คนป้อนด้วยมือ ② ตัดสินแยกกันระหว่าง “อ่านไม่ได้” “เนื้อหาไม่ตรง” และ “ไม่มีการพิมพ์” ③ ยืนยันจนถึงขั้นว่าชิ้นงาน NG ถูกคัดออกจากสายการผลิตจริง (การยืนยันการคัดออก หรือ reject confirmation) ④ ในการทดสอบรับมอบ ให้ป้อน “งานพิมพ์ที่จงใจทำให้ผิด พิมพ์จาง และพิมพ์ขาดแหว่ง” เข้าไป แล้ววัดการตรวจหลุดและการคัดออกผิดพลาดที่ความเร็วสายการผลิตจริง และอุบัติเหตุที่น่ากลัวที่สุดไม่ใช่ “การพิมพ์จาง” แต่คือการที่ตั้งค่าวันที่หรือล็อตผิดตอนเปลี่ยนรุ่นการผลิต (changeover) แล้วเครื่องก็พิมพ์ค่าที่ผิดนั้นออกมาอย่างสวยงามต่อไปเรื่อย ๆ อุบัติเหตุแบบนี้ OCR (อ่านได้หรือไม่) เพียงอย่างเดียวหยุดไม่ได้ ต้องใช้ OCV (ตรงกับค่าที่คาดหวังหรือไม่) เท่านั้นจึงจะหยุดได้

ในบทความนี้ เพื่อให้ผู้จัดการฝ่ายประกันคุณภาพ ผู้จัดการฝ่ายวิศวกรรมการผลิต และผู้จัดการโรงงาน ในโรงงานญี่ปุ่นในไทย (และอาเซียน) ที่มีสายการบรรจุอาหาร เครื่องดื่ม เครื่องปรุงรส ยา เครื่องสำอาง และของใช้ในชีวิตประจำวัน หรือมีสายการสลักรหัสล็อตของชิ้นส่วนยานยนต์และชิ้นส่วนอิเล็กทรอนิกส์ สามารถรวบรวมข้อมูลสำหรับการตัดสินใจภายในองค์กรได้ เราจะเรียบเรียงตามลำดับ ได้แก่ ความแตกต่างของแต่ละวิธี ประเภทของอุบัติเหตุ การส่งต่อค่าที่คาดหวัง การออกแบบการถ่ายภาพและการคัดออก ทางเลือกของผลิตภัณฑ์ การเก็บบันทึก การคำนวณจำลองต้นทุนและผลตอบแทน หัวข้อใน RFP การออกแบบการทดสอบ FAT/SAT และประเด็นเฉพาะของไทยและอาเซียน ทั้งนี้ จำนวนกรณี ราคาต่อหน่วย จำนวนเงิน อัตราการตรวจจับ และระยะเวลาคืนทุนของโรงงานจำลองในบทความนี้ ล้วนเป็นตัวเลขสมมติที่ตั้งขึ้นเพื่อบทความนี้ ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม ไม่ใช่ค่าจากการสำรวจ และไม่ใช่ราคาของผู้ผลิต นอกจากนี้ ส่วนที่เกี่ยวข้องกับกฎหมายหรือข้อบังคับเป็นเพียงการแนะนำข้อมูลสาธารณะ ไม่ใช่คำแนะนำทางกฎหมาย

ทำไมตอนนี้สายการบรรจุในไทยจึงต้องให้ความสำคัญกับการตรวจสอบการพิมพ์

สถานการณ์รอบตัวโรงงานอาหารในไทยปี 2026 ไม่ใช่เรื่องง่าย จากรายงานของ Pattaya Mail สภาอุตสาหกรรมแห่งประเทศไทย (FTI) สภาหอการค้าแห่งประเทศไทย และสถาบันอาหาร (NFI) คาดการณ์ว่าการส่งออกอาหารของไทยในปี 2026 จะลดลง 7.3% จากปีก่อนหน้า เหลือ 1.4 ล้านล้านบาท (42,000 ล้านดอลลาร์สหรัฐ) การส่งออกอาหารในช่วงมกราคมถึงกุมภาพันธ์ 2026 ลดลง 10.5% เหลือ 202,100 ล้านบาท โดยระบุว่าสาเหตุหลักคือต้นทุนพลังงานและโลจิสติกส์ที่สูงขึ้น นี่เป็นการคาดการณ์ ณ เดือนเมษายน และบทความนี้ไม่ได้ตรวจสอบตัวเลขที่ปรับปรุงหลังจากนั้น ยิ่งเป็นปีที่ยอดขายเติบโตได้ยาก กำไรที่สูญไปกับการเรียกคืนหรือการรับคืนสินค้า และความเชื่อมั่นของคู่ค้า ก็ยิ่งมีน้ำหนักมากขึ้น

กฎเกณฑ์ด้านฉลากก็เปลี่ยนไปแล้ว จากรายงาน GAIN ของสำนักงานเกษตรต่างประเทศ กระทรวงเกษตรสหรัฐฯ (USDA) (กรกฎาคม 2026) ประกาศกระทรวงสาธารณสุข (ฉบับที่ 450) พ.ศ. 2567 (ค.ศ. 2024) เรื่อง “การแสดงฉลากของอาหารในภาชนะบรรจุ” มีผลบังคับใช้เมื่อวันที่ 19 กรกฎาคม 2024 และระยะผ่อนผันสำหรับฉลากตามกฎเดิมได้สิ้นสุดลงเมื่อวันที่ 18 กรกฎาคม 2026 ตั้งแต่วันที่ 19 กรกฎาคม 2026 เป็นต้นไป ฉลากต้องเป็นไปตามประกาศฉบับใหม่ทั้งหมด การเปลี่ยนฉลากยังเป็นโอกาสในการทบทวนเลย์เอาต์การพิมพ์ รูปแบบวันที่ และงานพิมพ์ (job) ในเครื่องพิมพ์ด้วย และช่วงที่งานพิมพ์แบบเก่าและแบบใหม่ปะปนกัน ก็เป็นช่วงที่เกิดการตั้งค่าผิดได้ง่าย

ด้านการใช้ AI บริษัทไทยยังอยู่ในช่วงเริ่มต้น จากรายงานของ The Nation Thailand (6 ตุลาคม 2026) ธนาคารโลกปรับประมาณการการเติบโตของไทยปี 2026 ขึ้นเป็น 2.0% แต่ในขณะเดียวกันก็ชี้ว่า ณ ธันวาคม 2025 มีบริษัทไทยที่ใช้ AI เพียง 12% บริษัทที่ใช้แบบเสียค่าบริการเป็นเพียงส่วนหนึ่งของกลุ่มนี้ และบริษัทไทยราว 80% ยังไม่รู้สึกว่า AI ช่วยเพิ่มผลิตภาพ อุปสรรคที่ถูกยกขึ้นมาคือต้นทุนที่สูง การขาดความเชี่ยวชาญ และความกังวลด้านความปลอดภัยและความเป็นส่วนตัว

ในแง่ทิศทางของประเทศ จากรายงานของ Macau Business ปลายเดือนสิงหาคม 2026 มีการส่งมอบ “National AI Roadmap for the Sustainable Productivity of Industries in Thailand” ที่จัดทำโดยสถาบันเพิ่มผลผลิตแห่งชาติ (FTPI) และองค์การเพิ่มผลผลิตแห่งเอเชีย (APO) ในงาน Thailand Productivity Forum 2026 เป้าหมายที่เสนอแนะต่อกระทรวงอุตสาหกรรม ได้แก่ เพิ่มผลิตภาพ 15% ในภาคส่วนที่มีลำดับความสำคัญสูงภายในปี 2030 อัตราการนำ AI มาใช้ในภาคส่วนหลักไม่ต่ำกว่า 60% สำหรับบริษัทขนาดใหญ่ และไม่ต่ำกว่า 40% สำหรับ SME และโครงการนำร่อง AI ไม่น้อยกว่า 80 โครงการ (โดย 30% ในจำนวนนี้ขยายสู่การใช้งานจริง) เป็นต้น ทั้งหมดนี้เป็นเป้าหมายที่เสนอแนะ ไม่ใช่เป้าหมายที่รัฐบาลตัดสินใจแล้ว ในด้านการส่งเสริมการลงทุน จากบทวิเคราะห์ของ Alvarez & Marsal ที่เผยแพร่ใน Mondaq สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ได้ประกาศชุดมาตรการส่งเสริมการลงทุนใหม่เมื่อวันที่ 15 มกราคม 2026 เพื่อแทนที่มาตรการที่หมดอายุไปในปี 2025 โดยครอบคลุมการผลิตขั้นสูงและระบบอัตโนมัติด้วย และระบุว่ามาตรการจำนวนมากเปิดรับคำขอตั้งแต่วันทำการแรกของปี 2026 จนถึงวันทำการสุดท้ายของปี 2027 ส่วนรายละเอียดสิทธิประโยชน์แต่ละรายการ และโครงการของบริษัทท่านเข้าข่ายหรือไม่ โปรดตรวจสอบกับ BOI หรือผู้เชี่ยวชาญ

ฝั่งตลาด ผู้ผลิตอุปกรณ์ตรวจสอบก็เริ่มชูจุดเด่นเรื่อง AI OCR สำหรับการพิมพ์วันที่และล็อตมากขึ้น ในเดือนกรกฎาคม 2026 มีบทความสปอนเซอร์ของ Zebra Technologies (สหรัฐฯ) และในเดือนสิงหาคมมีใบปลิวของตัวแทนจำหน่ายของบริษัทเดียวกัน ที่นำเสนอการตรวจรหัสวันที่และรหัสล็อตสำหรับอาหาร เครื่องดื่ม เครื่องสำอาง และสินค้าอุปโภคบริโภค นอกจากนี้ ข่าวประชาสัมพันธ์ของบริษัทวิจัย Future Market Insights (กรกฎาคม 2026) คาดการณ์ว่าตลาดการตรวจสอบ OCR แบบอินไลน์สำหรับสายการบรรจุ จะเติบโตจาก 248 ล้านดอลลาร์สหรัฐในปี 2026 เป็น 661 ล้านดอลลาร์สหรัฐในปี 2036 (เฉลี่ยปีละ 10.3%) ทั้งนี้ควรอ่านอย่างระมัดระวัง เพราะเป็นการคาดการณ์ของบริษัทวิจัยที่ทำหน้าที่โฆษณารายงานแบบเสียเงินไปด้วย และไม่ได้แสดงนิยามของตลาดอย่างละเอียด

AI ตรวจสอบการพิมพ์คืออะไร: ความแตกต่างระหว่าง OCR, OCV, การตรวจคุณภาพการพิมพ์ และการตรวจสอบบาร์โค้ด

คำว่า “การตรวจสอบการพิมพ์” มักถูกใช้เรียกรวมระบบที่มีวัตถุประสงค์ต่างกัน สาเหตุส่วนใหญ่ที่ทำให้การหารือเรื่องการนำระบบมาใช้ไม่ตรงกัน ก็คือการไม่ได้แยกแยะเรื่องนี้ให้ชัด

OCR (Optical Character Recognition, การรู้จำอักขระด้วยแสง) คือฟังก์ชัน “อ่าน” ข้อความที่พิมพ์ ดึงสิ่งที่เขียนไว้ออกมาเป็นสตริงตัวอักษรและบันทึกไว้ แต่ OCR เพียงอย่างเดียวไม่อาจบอกได้ว่าผลที่อ่านได้นั้นถูกต้องหรือไม่

OCV (Optical Character Verification, การตรวจยืนยันอักขระด้วยแสง) คือฟังก์ชันตรวจว่าข้อความที่พิมพ์ตรงกับ “ข้อความที่ควรพิมพ์ (ค่าที่คาดหวัง)” หรือไม่ โดยมีเงื่อนไขว่าต้องมีค่าที่คาดหวังอยู่ในมือ อุบัติเหตุอย่างการตั้งค่าวันที่ผิด หรือรหัสล็อตของสินค้ารุ่นก่อนค้างอยู่ จะหยุดได้ด้วย OCV

การตรวจการมีอยู่และคุณภาพของการพิมพ์ ไม่ดูเนื้อหา แต่ดูว่ามีการพิมพ์หรือไม่ อยู่ในตำแหน่งที่กำหนดหรือไม่ จำนวนตัวอักษรครบหรือไม่ และมีการพิมพ์จางหรือขาดแหว่งหรือไม่

การตรวจสอบบาร์โค้ด คือการประเมินเป็นเกรดว่าโค้ด 1 มิติและ 2 มิติพิมพ์ออกมาด้วยคุณภาพตามมาตรฐานหรือไม่ ตัวอย่างเช่น ISO/IEC 15416:2025 เป็นมาตรฐานที่กำหนดวิธีวัดและประเมินคุณภาพการพิมพ์ของบาร์โค้ดแบบเชิงเส้น (1 มิติ) ไม่ใช่มาตรฐานคุณภาพของสตริงวันที่หรือล็อตที่คนอ่าน เรื่องเกรดของเครื่องตรวจสอบบาร์โค้ดและการทดสอบรับมอบ ได้อธิบายไว้อย่างละเอียดใน “การติดตั้งเครื่องตรวจสอบคุณภาพบาร์โค้ด | เกรดคุณภาพการพิมพ์ RFP และการทดสอบรับมอบสำหรับโรงงานไทย“

ในทางปฏิบัติ วิธีเหล่านี้จะถูกนำมาใช้ร่วมกันเป็นขั้น ๆ ผู้ผลิตเครื่องพิมพ์ Domino Printing Sciences อธิบายซอฟต์แวร์ของระบบวิชันของตนแบ่งเป็น 3 ระดับ ตามโบรชัวร์ของบริษัท (ฉบับปี 2025) R150 ตรวจการมีอยู่และตำแหน่ง R350 นับจำนวนตัวอักษรและตรวจสอบโค้ดที่เครื่องอ่านได้ และ R550 เทียบเนื้อหาด้วย OCR/OCV สิ่งที่อ่านได้จากการแบ่งระดับนี้คือ หากไม่ตรวจไปจนถึงการเทียบเนื้อหา ก็จะตรวจไม่พบกรณี “วันที่ผิดที่พิมพ์ออกมาอย่างสวยงาม”

อนึ่ง คำว่า AI-OCR ยังใช้กับงานอ่านเอกสารกระดาษเพื่อแปลงเป็นข้อมูลด้วย ในการนำ AI-OCR มาใช้กับเอกสาร ประเด็นหลักคือ “ความแม่นยำในการอ่าน” แต่ในการตรวจสอบการพิมพ์บนสายการบรรจุ วัตถุประสงค์หลักคือ “หยุดสิ่งที่ไม่ตรงกับค่าที่คาดหวัง” แม้จะเป็นการรู้จำตัวอักษรเหมือนกัน แต่แกนของการประเมินต่างกัน วิธีวัดความแม่นยำฝั่งเอกสารอธิบายไว้ใน “ความแม่นยำ AI-OCR: วิธีทำ PoC และตรวจรับเอกสารหลายภาษา“

อุบัติเหตุเกิดที่ไหน: ความผิดพลาดในการพิมพ์ 5 ประเภทและวิธีตรวจจับที่สอดคล้องกัน

เมื่อพิจารณาการตรวจสอบการพิมพ์ ขั้นแรกคือสำรวจให้ชัดว่า “ต้องการหยุดอุบัติเหตุแบบไหน” ส่วนคำถามว่าความผิดพลาดของฉลากนำไปสู่การเรียกคืนมากน้อยเพียงใดนั้น มีงานวิจัยในต่างประเทศอยู่บ้าง

บทความของ Food Business MEA (2023) ซึ่งแนะนำงานวิจัยที่วิเคราะห์การเรียกคืนอาหารที่เกี่ยวกับสารก่อภูมิแพ้และกลูเตน ในอาหารที่อยู่ภายใต้การกำกับของ FDA สหรัฐฯ (ปีงบประมาณ 2013 ถึง 2019 ข้อมูลจาก Recall Enterprise System ของ FDA) ระบุว่า ในการเรียกคืนที่เกี่ยวกับสารก่อภูมิแพ้ที่ร้ายแรงและทราบสาเหตุรากเหง้า ประมาณ 7 ใน 10 เกี่ยวข้องกับฉลาก และอาจป้องกันได้ 63.5% ด้วยการควบคุมเนื้อหาฉลากที่เหมาะสม และ 36.5% ด้วยการควบคุมการใช้งานฉลากที่เหมาะสม นี่คือตัวเลขของสหรัฐฯ และเป็นการเรียกคืนที่เกี่ยวกับการแสดงสารก่อภูมิแพ้ ไม่ใช่สัดส่วนของความผิดพลาดในการพิมพ์วันที่หรือล็อต อย่างไรก็ตาม มุมมองที่ว่าไม่เพียงเนื้อหาของฉลากเท่านั้น แต่การควบคุมการใช้งานก็เป็นเป้าหมายของการป้องกันการเรียกคืนด้วย เป็นประโยชน์ต่อการออกแบบการตรวจสอบการพิมพ์ที่ต้องควบคุมว่าจะใช้งานพิมพ์ใด

อีกงานหนึ่ง งานวิจัยของ Soon และ Wahab (Trends in Food Science & Technology, 2021) ระบุการเรียกคืนและการแจ้งเตือนอาหารที่เกี่ยวกับความผิดพลาดของฉลากได้ 2,470 กรณี ที่ออกโดย 5 หน่วยงาน ได้แก่ แคนาดา ออสเตรเลีย/นิวซีแลนด์ สหราชอาณาจักร และสหรัฐฯ (USDA FSIS และ FDA) ในช่วงปี 2011 ถึง 2020 ส่วนใหญ่เกี่ยวกับสารก่อภูมิแพ้ (2,301 กรณี) แต่ก็มี 36 กรณีที่เกิดจากวันควรบริโภคก่อนหรือวันหมดอายุที่ผิด แม้ “ความผิดพลาดในการบรรจุและการพิมพ์” จะถูกระบุเป็นปัจจัยหนึ่ง แต่สาเหตุรากเหง้าจำนวนมากถูกรายงานต่ำกว่าความจริงหรือไม่ทราบ จำนวนกรณีวันหมดอายุผิดอาจดูน้อย แต่เป็นตัวเลขที่ขึ้นกับแนวปฏิบัติในการรายงาน

สำหรับประเทศไทย วารสารวิชาการของสำนักงานคณะกรรมการอาหารและยา (อย.) (2022) ได้ตีพิมพ์การวิเคราะห์กรณีที่อาหารซึ่งส่งออกจากไทยไปสหรัฐฯ ถูก FDA สหรัฐฯ ปฏิเสธการนำเข้า (2011 ถึง 2020) สาเหตุหลักของการปฏิเสธคือการปลอมปนและสุขอนามัย (adulteration) 70.2% และการแสดงฉลากอาหารที่ไม่ถูกต้องก็เป็นหนึ่งในเหตุผลของการปฏิเสธด้วย แต่บทคัดย่อไม่ได้แสดงจำนวนหรือสัดส่วนที่เกิดจากฉลาก นอกจากนี้ จากการค้นคว้าสำหรับบทความนี้ ไม่พบสถิติที่รวบรวมจำนวนการเรียกคืนที่เกิดจากการพิมพ์วันที่ภายในประเทศไทย

สิ่งที่สำคัญกว่าขนาดของตัวเลข คือวิธีที่หยุดได้จะแตกต่างกันตาม “รูปแบบ” ของอุบัติเหตุ ความผิดพลาดในการพิมพ์ที่เกิดขึ้นหน้างานแบ่งได้คร่าว ๆ เป็น 5 ประเภทต่อไปนี้

จากตารางจะเห็นว่า ① และ ⑤ อ่านได้ชัดเจน จึงหยุดไม่ได้ด้วยการตรวจการมีอยู่และคุณภาพ หรือด้วย OCR เพียงอย่างเดียว และเมื่อ ① เกิดขึ้นครั้งหนึ่ง ทุกชิ้นที่พิมพ์ตั้งแต่การเปลี่ยนรุ่นการผลิตครั้งนั้นจนถึงการเปลี่ยนรุ่นครั้งถัดไปจะมีความผิดพลาดเดียวกันทั้งหมด การพิมพ์จางหรือขาดแหว่งเป็นของเสียทีละชิ้น แต่การตั้งค่าผิดคือของเสียทั้งล็อต ลำดับความสำคัญของการตรวจสอบการพิมพ์จึงควรกำหนดโดยคำนึงถึงความแตกต่างนี้

ในการสำรวจ ถ้านำบันทึกสามชุดต่อไปนี้มาเทียบกัน จะจำกัดเป้าหมายให้แคบลงได้

• บันทึกการรับคืน การเรียกคืน และข้อร้องเรียนจากลูกค้า (ร้านค้าปลีกและผู้ค้าส่ง): ประเภทใด ไลน์ใด และหลุดรอดออกไปกี่ชิ้น
• บันทึกความผิดพลาดในการพิมพ์ที่พบจากการสุ่มตรวจท้ายไลน์: ประเภทใด พบหลังจากเกิดกี่ชั่วโมง และต้องแก้ไขกี่ชิ้น
• บันทึกการเปลี่ยนงานพิมพ์และการเปลี่ยนรุ่นของเครื่องพิมพ์: ใคร เมื่อไร ตั้งค่าอะไร

โรงงานจำนวนมากไม่มีบันทึกชุดที่สาม ในกรณีนั้น การสร้างกลไกที่บันทึกว่า “ใครตั้งค่าอะไร” ก่อนจะมีการตรวจสอบการพิมพ์ ก็ถือเป็นการปรับปรุงขั้นแรกในตัวเอง

เปรียบเทียบ OCR แบบการเรียนรู้เชิงลึกกับแบบลงทะเบียนฟอนต์

เมื่อเปรียบเทียบเครื่องตรวจสอบการพิมพ์ในโรงงาน ความแตกต่างใหญ่ของวิธีอยู่ที่การอ่านตัวอักษร OCR แบบดั้งเดิมอ่านโดยลงทะเบียนฟอนต์ที่ใช้พิมพ์ และสอนตัวอย่างทีละตัวอักษร (teaching) ส่วน OCR แบบการเรียนรู้เชิงลึก (deep learning) ใช้โมเดลที่เรียนรู้ล่วงหน้าจากภาพและฟอนต์จำนวนมาก เป็นเทคโนโลยีที่มุ่งตัดขั้นตอนการลงทะเบียนฟอนต์ออก

มาดูข้อกล่าวอ้างของแต่ละบริษัท ในใบปลิวสำหรับการตรวจวันที่และล็อต Zebra วางตำแหน่งว่า “OCR แบบดั้งเดิมมักต้องการการกำหนดฟอนต์ การสอนตัวอักษร และการตั้งค่าที่ซับซ้อน” และระบุว่า AI OCR ของตน (ซอฟต์แวร์ Aurora Focus ร่วมกับเซนเซอร์วิชันอัจฉริยะ NS42 หรือสแกนเนอร์อุตสาหกรรมแบบติดตั้งอยู่กับที่ FS42) เรียนรู้ล่วงหน้าแล้วด้วยภาพจริงและฟอนต์จำนวนมาก ตามข้อกล่าวอ้างของบริษัท สามารถตรวจวันที่และล็อตได้สูงสุด 900 ชิ้นต่อนาที อ่านแต่ละครั้งเร็วสุด 40 มิลลิวินาที รองรับบรรจุภัณฑ์ฟิล์มหด การสะท้อนแสงและแสงจ้า พื้นผิวโค้ง (เว้า) ตัวอักษรนูน และความแปรปรวนของคุณภาพการพิมพ์ และ “แม่นยำเกือบ 100%” ทั้งหมดนี้เป็นข้อกล่าวอ้างของผู้ขาย และไม่ได้แสดงเงื่อนไขของความแม่นยำ จึงต้องยืนยันด้วยผลิตภัณฑ์และงานพิมพ์ของบริษัทท่านเองในการทดสอบรับมอบ

KEYENCE กล่าวอ้างเกี่ยวกับ OCR ของเซนเซอร์วิชันที่มี AI ในตัวว่า ไม่ต้องตัดแยกตัวอักษร ไม่ต้องลงทะเบียนพจนานุกรม หรือปรับตั้งค่าอื่น ๆ AI ในตัวจะเลือกเครื่องมือตรวจที่เหมาะสมที่สุดภายใน 2 วินาที และอ่านได้อย่างเสถียรแม้ความเข้ม ความหนา หรือขนาดของตัวอักษรจะเปลี่ยนไป นอกจากนี้บริษัทยังระบุว่ารองรับ OCR/OCV สำหรับอาหารและเครื่องดื่มด้วยซีรีส์ VS และซีรีส์ CV-X และยกปัจจัยที่ขัดขวางการอ่าน ได้แก่ ความสามารถในการอ่านที่ลดลงจากความไม่เข้ากันของวิธีพิมพ์ หมึก และวัสดุ แสงสว่าง ฝุ่นและความชื้น รวมถึงความเร็วสูงและสินค้าหลายรุ่น

OCR แบบการเรียนรู้เชิงลึกอาจช่วยลดภาระในการเริ่มใช้งานได้มาก แต่มีข้อควรระวังหนึ่งข้อ ปัญหาในการตรวจสอบการพิมพ์ไม่ใช่ “อ่านไม่ได้” มากเท่ากับ “ตัดสินว่าตัวอักษรที่ผิดนั้นถูก” ตัวอย่างเช่น เมื่อ “8” กับ “3” “0” กับ “D” หรือ “1” กับ “7” พิมพ์จางจนมีรูปร่างคล้ายกัน ตัวอักษรที่เสียรูปจะถูกตัดสินผิดว่าตรงกับค่าที่คาดหวังหรือไม่ ประเด็นนี้ไม่ว่าจะใช้วิธีใด ต้องยืนยันด้วยการทดสอบที่ป้อนงานพิมพ์ซึ่งจงใจทำให้เสียรูปจนคล้ายตัวอักษรอื่น

หากเป็นโรงงานยา ความเคลื่อนไหวของ EU และ PIC/S ก็เป็นข้อมูลอ้างอิงได้ จากบทวิเคราะห์ของ GMP Insiders (2025) ร่าง Annex 22 (ปัญญาประดิษฐ์) ที่เพิ่มใหม่ใน EU GMP เสนอให้ในกรณีที่ใช้ได้ ต้องจัดการการทำนายที่มีความเชื่อมั่นต่ำเป็น “ยังไม่ตัดสิน (undecided)” ต้องอธิบายการตัดสินได้ และต้องแยกข้อมูลสำหรับการเรียนรู้กับข้อมูลสำหรับการทดสอบอย่างเคร่งครัด เป็นต้น จากบทความของ PharmaNow ณ วันที่ 12 สิงหาคม 2026 Annex 22 ยังเป็นร่างที่ยังไม่ได้รับการรับรองและยังไม่มีผลบังคับใช้ เมื่อนำมาปรับใช้กับการออกแบบการตรวจสอบการพิมพ์ ก็นำไปสู่แนวคิดที่ว่า “ชิ้นที่ไม่ใช่ทั้ง OK และ NG และมีความเชื่อมั่นต่ำ” ให้คัดออกเหมือน NG แล้วให้คนตรวจยืนยันซ้ำ

จะเอาค่าที่คาดหวังมาจากไหน: ส่งค่าจากศูนย์กลาง ERP/MES ไปยังเครื่องพิมพ์และกล้อง และการเปลี่ยนรุ่น

ประสิทธิผลของ OCV ขึ้นอยู่กับความถูกต้องของค่าที่คาดหวัง ในการทำงานที่ให้พนักงานป้อนค่าที่คาดหวังด้วยมือบนหน้าจอของเครื่องตรวจ หากป้อนค่าผิดแบบเดียวกับที่ป้อนในเครื่องพิมพ์ลงในเครื่องตรวจด้วย วันที่ผิดก็จะถูกตัดสินว่า “ถูกต้อง” ถ้าคนคนเดียวกันดูกระดาษแผ่นเดียวกันแล้วป้อนทั้งค่าตั้งการพิมพ์และค่าที่คาดหวังของการตรวจ การตรวจนั้นก็ไม่ใช่การยืนยันที่เป็นอิสระ

ดังนั้น โครงสร้างพื้นฐานที่ควรใช้คือ รับค่าที่คาดหวังโดยอัตโนมัติจากคำสั่งผลิตใน ERP หรือ MES แล้วส่งค่าเดียวกันไปยังเครื่องพิมพ์และกล้องพร้อมกัน โครงสร้างโดยทั่วไปสรุปไว้ในแผนภาพ

ภาพ: ตัวอย่างโครงสร้างระบบ AI ตรวจสอบการพิมพ์ ส่งค่าที่คาดหวัง (ข้อความที่ควรพิมพ์) ชุดเดียวกันจากคำสั่งผลิตใน ERP/MES ไปยังเครื่องพิมพ์และกล้อง นำผลการอ่านของกล้องไปเทียบกับค่าที่คาดหวังเพื่อตัดสินเป็น OK, NG หรืออ่านไม่ได้ (No-read) ชิ้นที่เป็น NG และอ่านไม่ได้จะถูกคัดออกด้วยอุปกรณ์คัดออก และยืนยันการคัดออกด้วยเซนเซอร์ยืนยันการคัดออก เมื่อ NG ต่อเนื่องกัน N ชิ้นให้หยุดไลน์ และเก็บบันทึกภาพ ผลการตัดสิน และค่าที่คาดหวัง

สิ่งที่ต้องกำหนดในการส่งต่อค่าที่คาดหวัง

• แหล่งที่มาของค่าที่คาดหวัง: จะประกอบรายการใดอย่างไร จากข้อมูลหลักรายการสินค้า (item master: จำนวนวันของอายุสินค้า รูปแบบ รหัสโรงงาน) และคำสั่งผลิต (วันผลิต ล็อต ไลน์) วันหมดอายุคำนวณจาก “วันผลิตบวกจำนวนวัน” ดังนั้นกฎการคำนวณก็เป็นส่วนหนึ่งของค่าที่คาดหวังด้วย
• ปลายทางการส่งและความพร้อมกัน: ค่าเดียวกันต้องเข้าเครื่องพิมพ์และกล้องในจังหวะเดียวกัน ไม่ให้เริ่มผลิตในสภาพที่อัปเดตเพียงฝั่งเดียว
• การเลือกงานพิมพ์ตอนเปลี่ยนรุ่น: พนักงานไม่ต้องป้อนค่า แต่เพียงเลือกหมายเลขคำสั่งผลิต (หรือสแกนบาร์โค้ด) ผู้ผลิตเครื่องพิมพ์บางรายระบุว่า เมื่อใช้ซอฟต์แวร์ส่งฉลากจากศูนย์กลาง จะจัดการงานพิมพ์และเลือกฉลากโดยอัตโนมัติจาก ERP/MES ที่มีอยู่ได้ (ข้อกล่าวอ้างของ Domino)
• การห้ามป้อนด้วยมือและขั้นตอนข้อยกเว้น: กำหนดผู้อนุมัติ การตรวจสอบโดยสองคน และวิธีบันทึก สำหรับกรณีที่จำเป็นต้องป้อนด้วยมือจริง ๆ เช่น ตอนระบบขัดข้อง
• ประวัติการเปลี่ยนแปลง: บันทึกว่าใคร เมื่อไร ตั้งค่าที่คาดหวังใด ให้กับงานพิมพ์ใด ข้อบกพร่องของ “การควบคุมการใช้งานฉลาก” ที่งานวิจัยด้านการเรียกคืนชี้ไว้ น่าจะครอบคลุมการควบคุมการตั้งค่าและการเปลี่ยนแปลงลักษณะนี้ด้วย
• การเปลี่ยนวัน: กำหนดวิธีจัดการวันผลิตเมื่อการผลิตคร่อมเที่ยงคืน และวิธีซิงก์เวลาในกรณีที่มีการพิมพ์เวลา

ล็อตและวันที่ที่พิมพ์ยังเป็นจุดเริ่มต้นของการตรวจสอบย้อนกลับด้วย กลไกที่รับค่าที่คาดหวังจากคำสั่งผลิตมีการไหลของข้อมูลเกือบเหมือนกับกลไกการค้นย้อนกลับล็อต การออกแบบระบบตรวจสอบย้อนกลับของโรงงานอาหารทั้งระบบ ได้เรียบเรียงไว้ใน “ระบบตรวจสอบย้อนกลับโรงงานอาหาร: RFP และแผนติดตั้ง 90 วัน“

ทำให้วันที่ที่คนอ่านตรงกับวันที่ในบาร์โค้ด

หากบรรจุภัณฑ์มีการพิมพ์บาร์โค้ดหรือโค้ด 2 มิติของ GS1 การตรวจว่าวันที่ที่คนอ่านกับวันที่ในโค้ดชี้ไปยังวันเดียวกันหรือไม่ ก็อาจเป็นเป้าหมายของการตรวจได้ ในชุดข้อมูลทางการของ GS1 ตัวระบุแอปพลิเคชัน (AI) (10) คือแบตช์/ล็อต (ตัวอักษรและตัวเลขสูงสุด 20 หลัก) (11) คือวันผลิต (13) คือวันบรรจุ (15) คือวันควรบริโภคก่อน (16) คือวันสิ้นสุดการขาย (17) คือวันหมดอายุหรือวันสิ้นสุดการใช้ และวันที่ทั้งหมดเป็น YYMMDD จำนวน 6 หลัก นอกจากนี้ AI ของวันที่ใช้โดยลำพังไม่ได้ ต้องใช้ร่วมกับ GTIN (AI (01)) เป็นต้น

ในทางกลับกัน ประกาศฉบับที่ 450 ของไทยกำหนดให้แสดงวันควรบริโภคก่อนหรือวันหมดอายุในรูปแบบเช่น “วัน/เดือน/ปี” (จะกล่าวถึงโดยละเอียดในหัวข้อ “ประเด็นเฉพาะของไทยและอาเซียน” ด้านล่าง) กล่าวคือ วันเดียวกันมีอยู่ในสองรูปแบบที่ต่างกัน คือ “วัน/เดือน/ปี” บนบรรจุภัณฑ์ และ “YYMMDD” ในโค้ด หากรับค่าที่คาดหวังจาก ERP/MES เป็นวันที่ชุดเดียว แล้วสร้างทั้งสองรูปแบบจากค่านั้นเพื่อนำไปเทียบ ก็จะตรวจพบความผิดพลาดในการแปลงรูปแบบได้ด้วย หากกำลังพิจารณาย้ายไปใช้โค้ด 2 มิติ “นำ GS1 Digital Link มาใช้ในไทย: ย้ายสู่ QR และตรวจรับ” ก็เป็นข้อมูลอ้างอิงได้

การออกแบบการถ่ายภาพ แสง และการคัดออก

เมื่อกำหนดการไหลของค่าที่คาดหวังได้แล้ว ขั้นต่อไปคือการออกแบบให้ “ถ่ายได้แน่นอนและคัดออกได้แน่นอน” ประสิทธิภาพของการตรวจสอบการพิมพ์มักถูกกำหนดที่จุดนี้ก่อนตัวโมเดลเสียอีก

ความเร็วไลน์และขนาดตัวอักษร

เริ่มจากตรวจความเร็วไลน์ (กี่ชิ้นต่อนาที หรือกี่ชิ้นต่อชั่วโมง) และเวลาประมวลผลที่ใช้ได้ต่อ 1 ชิ้น ความสามารถในการประมวลผลที่ผู้ขายแสดงเป็นค่าสูงสุด Domino ระบุว่ารุ่น OEM ของ R-Series ทำได้สูงสุด 60,000 ชิ้นต่อชั่วโมง (กล้อง 1 ตัว) และรุ่น i-Tech สูงสุด 90,000 ชิ้นต่อชั่วโมง (กล้อง 1 ถึง 2 ตัว) ส่วน Zebra ระบุสูงสุด 900 ชิ้นต่อนาที (เมื่อแปลงอย่างง่ายเท่ากับ 54,000 ชิ้นต่อชั่วโมง) และอ่านเร็วสุด 40 มิลลิวินาที ทั้งหมดเป็นข้อกล่าวอ้างของผู้ขาย ความเร็วจริงจะเปลี่ยนไปตามแสง มุมมองภาพ จำนวนตัวอักษร และเงื่อนไขการลำเลียง

ขนาดตัวอักษรก็เป็นเงื่อนไขตั้งต้นด้วย จากรายงาน GAIN ของ USDA ประกาศฉบับที่ 450 ของไทยกำหนดความสูงของตัวอักษรสำหรับข้อมูลบังคับ รวมถึงวันหมดอายุ ไว้ที่ไม่ต่ำกว่า 1mm สำหรับพื้นที่ฉลากไม่เกิน 100cm² และไม่ต่ำกว่า 1.5mm สำหรับพื้นที่ฉลากเกิน 100cm² การอ่านตัวอักษรสูง 1mm อย่างเสถียรต้องใช้ความละเอียดของกล้องและมุมมองภาพที่เหมาะสม หากขยายมุมมองภาพเพื่อรองรับการคลาดตำแหน่ง จำนวนพิกเซลต่อ 1 ตัวอักษรจะลดลง จุดนี้เป็นการได้อย่างเสียอย่าง จึงควรวัดความแปรปรวนของตำแหน่งการพิมพ์ก่อนแล้วจึงกำหนดมุมมองภาพ วิธีเลือกกล้องอธิบายไว้อย่างละเอียดใน “วิธีเลือกกล้องอุตสาหกรรมสำหรับโรงงานไทย: สเปกและ FAT/SAT“

แสงและพื้นผิวที่พิมพ์

พื้นผิวที่พิมพ์ของบรรจุภัณฑ์จำนวนมากมีเงื่อนไขที่ไม่เอื้อต่อการตรวจ เงื่อนไขที่อ่านยากตามที่เอกสารของ Zebra ยกไว้ ได้แก่ บรรจุภัณฑ์ฟิล์มหดและพื้นผิวไม่เรียบ บรรจุภัณฑ์สะท้อนแสงและแสงจ้า งานพิมพ์คุณภาพต่ำที่บิดเบี้ยวหรือไม่สม่ำเสมอ การเปลี่ยนแปลงของรูปทรงสินค้าหรือตำแหน่งโค้ด การเปลี่ยนแปลงของฟอนต์หรือสไตล์ตัวอักษร พื้นผิวเว้า และตัวอักษรนูน สำหรับฟิล์มเคลือบอะลูมิเนียม ขวดใส ก้นกระป๋อง หรือฝาโค้ง การจัดแสงเป็นตัวกำหนดว่าจะอ่านได้หรือไม่ วิธีเลือกแสงเรียบเรียงไว้ใน “เลือกแสงสำหรับ AI ตรวจสอบรูปลักษณ์: ชิ้นงานสะท้อนแสงถึง FAT และ SAT“

ทริกเกอร์และการติดตามตำแหน่ง

กล้องทำงานตามทริกเกอร์ (เช่น เซนเซอร์โฟโตอิเล็กทริก) ที่กำหนดว่าจะถ่ายเมื่อชิ้นงานมาถึงตำแหน่งใด หากทริกเกอร์หลุด จะเกิดชิ้นงานที่ “ไม่ได้ถูกถ่าย” เพื่อไม่ให้ชิ้นงานที่ไม่ได้ถูกถ่ายผ่านไปเป็น OK ให้ออกแบบให้เทียบจำนวนทริกเกอร์กับจำนวนผลการตัดสิน และหยุดเมื่อไม่ตรงกัน นอกจากนี้ยังต้องมีกลไกติดตาม (tracking) ระยะทางจากตำแหน่งกล้องถึงอุปกรณ์คัดออก ด้วยเอ็นโค้ดเดอร์ของสายพานลำเลียงหรืออุปกรณ์อื่น เพื่อคัดออกชิ้นงานที่ถูกตัดสินว่า NG ชิ้นนั้นจริง ๆ

การคัดออกและการยืนยันการคัดออก

แม้จะตัดสินว่า NG แต่หากคัดออกไม่สำเร็จ ของเสียก็หลุดรอดออกไป นอกจากการเลือกอุปกรณ์คัดออก เช่น แบบเป่าลม แบบดัน หรือแบบเปิดให้ตก แล้ว ยังต้องกำหนดสิ่งต่อไปนี้

• การยืนยันการคัดออก: ใช้เซนเซอร์ยืนยันว่าชิ้นงานที่ควรถูกคัดออกได้ลงไปในถังรับของคัดออกจริง หากยืนยันไม่ได้ให้หยุดไลน์
• การจัดการถังรับของคัดออก: ติดกุญแจ ตรวจจับเมื่อเต็ม และบันทึกการเก็บและการจัดการ เพื่อไม่ให้ชิ้นงานที่ถูกคัดออกถูกนำกลับเข้าไลน์ด้วยมือ
• การหยุดไลน์เมื่อ NG ต่อเนื่อง: เมื่อ NG ต่อเนื่องกัน N ชิ้น มีความเป็นไปได้สูงว่าตั้งค่าผิดหรือเครื่องพิมพ์ขัดข้อง จึงให้หยุดไลน์แทนการคัดออกต่อไปเรื่อย ๆ การตั้งค่าผิดตามประเภท ① จะเป็น NG ทั้งหมดตั้งแต่ชิ้นแรก การหยุดที่จุดนี้จึงเป็นการรับมือที่เร็วที่สุด
• การจัดการชิ้นที่อ่านไม่ได้: ไม่ตัดสินชิ้นที่อ่านไม่ได้ว่าเป็น OK ให้คัดออกเหมือน NG หรือแยกลงถังอีกใบเพื่อให้คนตรวจยืนยันซ้ำ
• เมื่ออุปกรณ์ขัดข้อง: ติดตั้งอินเตอร์ล็อกเพื่อไม่ให้ไลน์เดินต่อเมื่อกล้องหรือตัวประมวลผลการตัดสินหยุดทำงาน

ในอีกด้านหนึ่ง หากตั้งเกณฑ์ NG เข้มเกินไป การคัดออกผิดพลาด (false reject คือการคัดชิ้นที่พิมพ์ถูกต้องออก) จะเพิ่มขึ้น การคัดออกผิดพลาดกลายเป็นต้นทุนการทิ้งและการแก้ไขงาน และยังเป็นเหตุให้หน้างานอยากปิดการตรวจ วิธีลดการคัดออกผิดพลาดและวิธีกำหนดเกณฑ์ในการตรวจรับ เขียนไว้อย่างละเอียดใน “ลดการคัดทิ้งผิดพลาดของ AI ตรวจสอบด้วยภาพ: เกณฑ์และการตรวจรับ“

ทางเลือกของผลิตภัณฑ์และวิธีการ

ในการเปรียบเทียบเครื่องตรวจสอบการพิมพ์ หากจัดระเบียบก่อนว่าจะเลือกระบบสายใด ก่อนจะไปดูชื่อผลิตภัณฑ์ การหารือจะเดินหน้าได้เร็วขึ้น เมื่อจัดระเบียบจากข้อมูลสาธารณะ ทางเลือกแบ่งได้กว้าง ๆ เป็นสี่แบบ ชื่อผลิตภัณฑ์และฟังก์ชันที่กล่าวถึงในที่นี้ล้วนเป็นข้อกล่าวอ้างในเอกสารสาธารณะของแต่ละบริษัท และไม่ได้เป็นการแนะนำผลิตภัณฑ์ใดเป็นการเฉพาะ

1. แบบกล้องอัจฉริยะ (เซนเซอร์และกล้องของผู้ผลิตด้านวิชันโดยเฉพาะ)

เป็นอุปกรณ์ที่รวมกล้อง แสง และฟังก์ชันการตัดสินไว้ในตัวเดียว ใช้ได้โดยไม่ขึ้นกับยี่ห้อเครื่องพิมพ์ AI OCR ของ Zebra (Aurora Focus กับ NS42/FS42) และเซนเซอร์วิชันที่มี AI ในตัวของ KEYENCE จัดอยู่ในสายนี้ เป็นโครงสร้างที่พิจารณาเป็นรายไลน์ได้ง่าย ในอีกด้านหนึ่ง การเชื่อมต่อเพื่อรับค่าที่คาดหวังจาก ERP/MES การยืนยันการคัดออก และการเก็บบันทึก อาจต้องสร้างแยกต่างหากเป็นระบบรอบข้าง

2. ระบบวิชันแบบ PC

เป็นโครงสร้างที่ต่อกล้องหลายตัวเข้ากับ PC หรือคอนโทรลเลอร์สำหรับประมวลผลภาพ ผลิตภัณฑ์ใดจัดอยู่ในโครงสร้างนี้ โปรดตรวจสอบจากเอกสารของแต่ละบริษัท จะถูกพิจารณาในกรณีที่ต้องการรวมการตรวจหลายอย่าง (การพิมพ์ การมีอยู่ของฉลาก ฝา ฯลฯ) ไว้ในเครื่องเดียว หรือเมื่อความเร็วไลน์สูง

3. ตัวเลือกการตรวจของผู้ผลิตเครื่องพิมพ์

เป็นสายที่ใช้เครื่องพิมพ์และระบบตรวจจากผู้ผลิตรายเดียวกัน Domino ระบุว่า R-Series เชื่อมต่อกับเครื่องพิมพ์ทุกรุ่นของบริษัท เลือกระดับได้ตั้งแต่การตรวจการมีอยู่และตำแหน่ง (R150) จนถึง OCR/OCV (R550) และเมื่อใช้ร่วมกับซอฟต์แวร์ส่งฉลากจากศูนย์กลาง จะจัดการงานพิมพ์และเลือกฉลากจาก ERP/MES ได้อัตโนมัติ นอกจากนี้ยังมีตัวอย่างที่ผู้ผลิตเครื่องพิมพ์และผู้ผลิตวิชันร่วมมือกัน จากบทความของ Food Processing (ออสเตรเลีย) ปี 2018 Markem-Imaje และ Cognex ร่วมมือกันตั้งแต่ปี 2015 ด้านการตรวจสอบโค้ดอัตโนมัติด้วยเครื่องพิมพ์และกล้อง และในปี 2018 ประกาศขยายความร่วมมือในชื่อ “Mark & Read” โดยอธิบายวัตถุประสงค์ว่าเพื่อลดการแก้ไขงานที่เกิดจากตัวอักษรหรือบาร์โค้ดที่ขาดหายหรืออ่านไม่ออก และลดการทิ้งที่เกิดจากการพิมพ์ข้อมูลผิด จุดแข็งคือเครื่องพิมพ์กับการจัดการงานพิมพ์เป็นหนึ่งเดียวกัน ความเหมาะสมจะแตกต่างกันไปตามว่าเครื่องพิมพ์ที่มีอยู่เป็นยี่ห้อเดียวกันหรือไม่

4. พัฒนาเองหรือให้ SIer สร้าง

เป็นวิธีที่ประกอบกล้องอุตสาหกรรมทั่วไป แสง และไลบรารี OCR แบบโอเพนซอร์สหรือที่มีจำหน่ายทั่วไปเข้าด้วยกัน สามารถสร้างการเชื่อมต่อค่าที่คาดหวัง การบันทึก และหน้าจอหลายภาษาได้ตรงตามความต้องการของบริษัท แต่ในอีกด้านหนึ่ง ต้องรับผิดชอบการเรียนรู้และการดูแลโมเดลการเรียนรู้เชิงลึก รวมถึงบันทึกการตรวจยืนยันทั้งหมดด้วยตนเอง ในสาขาที่เอกสารการตรวจยืนยันมีภาระหนักอย่างยา ภาระก็มักจะมาก

จะเลือกอย่างไร

แนวทางในการเลือกมีดังนี้

ไม่ว่าจะเป็นสายใด สิ่งที่สำคัญร่วมกันคือ ก่อนเลือกวิธีหรือผลิตภัณฑ์ ต้องกำหนดเองให้ชัดว่า “จะเอาค่าที่คาดหวังมาจากไหน จะคัด NG ออกอย่างไร และจะบันทึกอะไร” หากกำหนดเรื่องนี้ได้แล้ว ไม่ว่าผลิตภัณฑ์ใดก็เปรียบเทียบได้ด้วย RFP และการทดสอบรับมอบ

ผลการตัดสินและบันทึก: เก็บอะไรและเก็บกี่ปี

บันทึกของการตรวจสอบการพิมพ์มีไว้เพื่อแสดงย้อนหลังเมื่อเกิดอุบัติเหตุว่า “สินค้าชิ้นนั้นผ่านการตรวจหรือไม่” และ “ตอนนั้นค่าที่คาดหวังคืออะไร” สิ่งที่ควรเก็บจัดเป็น 5 กลุ่มได้ดังนี้

• ภาพ: ภาพของชิ้นที่เป็น NG และอ่านไม่ได้ทั้งหมด ส่วนภาพของชิ้นที่เป็น OK จะเก็บเป็นช่วง ๆ หรือทุกชิ้น (พิจารณาตามพื้นที่จัดเก็บ)
• ผลการตัดสิน: เวลา ไลน์ หมายเลขลำดับของชิ้นงาน OK/NG/อ่านไม่ได้ และค่าความเชื่อมั่น
• ค่าที่คาดหวัง: หมายเลขคำสั่งผลิตในขณะนั้น สตริงของค่าที่คาดหวัง และเวลาที่ส่งค่าที่คาดหวัง
• การดำเนินการของพนักงาน: การเลือกงานพิมพ์ การเปลี่ยนค่าเกณฑ์ การพักการตรวจชั่วคราว และผู้ที่ล็อกอิน
• การยืนยันการคัดออก: จำนวนชิ้นที่คัดออกและจำนวนที่ยืนยันได้ บันทึกการหยุดไลน์และการอนุมัติให้เดินไลน์ต่อ

ระยะเวลาการเก็บให้กำหนดจากอายุของสินค้า สัญญากับคู่ค้า และระเบียบภายในว่าด้วยบันทึกคุณภาพ ตามหลักทั่วไป หากเก็บไว้นานพอที่จะครอบคลุมอย่างน้อยช่วงที่สินค้าอยู่ในตลาด และช่วงที่อาจมีข้อร้องเรียนเข้ามา ก็จะใช้สอบสวนอุบัติเหตุได้ ส่วนจำนวนปีที่เฉพาะเจาะจง โปรดตรวจสอบจากข้อกำหนดของคู่ค้าและระเบียบของบริษัท

ในโรงงานยา หรือโรงงานที่อ้างอิงมาตรฐานยา การจัดการบันทึกอิเล็กทรอนิกส์จะเป็นประเด็น 21 CFR 11.10 ของสหรัฐฯ กำหนดให้ผู้ที่จัดการบันทึกอิเล็กทรอนิกส์ในระบบปิด ต้องมีการตรวจสอบความถูกต้องของระบบ (validation) มีหลักฐานการตรวจสอบ (audit trail) ที่ปลอดภัย สร้างโดยคอมพิวเตอร์ และมีตราเวลา และมีการตรวจสอบเชิงปฏิบัติการที่บังคับลำดับของขั้นตอนและเหตุการณ์ที่ได้รับอนุญาต เป็นต้น หากจัดการบันทึกการตัดสินและประวัติการเปลี่ยนการตั้งค่าของเครื่องตรวจสอบการพิมพ์เป็นบันทึกอิเล็กทรอนิกส์ มุมมองเหล่านี้ก็จะเกี่ยวข้อง ใน EU มีการเปิดรับความคิดเห็นต่อร่างแก้ไข Annex 11 (ระบบคอมพิวเตอร์) ของ GMP และร่าง Annex 22 (ปัญญาประดิษฐ์) ที่เพิ่มใหม่ ตั้งแต่วันที่ 7 กรกฎาคม ถึง 7 ตุลาคม 2025 และจากบทความของ PharmaNow มีความคิดเห็นส่งเข้ามาราว 1,300 รายการ ณ วันที่ 12 สิงหาคม 2026 Annex 22 ยังไม่ได้รับการรับรองและยังไม่มีผลบังคับใช้ และการส่งร่างสุดท้ายต่อคณะกรรมาธิการยุโรปถูกตั้งเป็นเป้าหมายในแผนงานไว้ที่ไตรมาสที่ 4 ปี 2026 (ไม่ใช่วันที่ที่กำหนดแน่นอนแล้ว) เนื่องจากยังไม่สามารถยืนยันช่วงเวลาที่จะนำมาใช้ในประเทศไทยได้ ในที่นี้จึงแนะนำไว้เพียงในฐานะ “ร่างที่ EU และ PIC/S กำลังจัดทำ”

สำหรับอาหาร แนวทางที่เป็นจริงได้คือจัดรายการบันทึกให้อยู่ในรูปที่อธิบายได้ในการตรวจประเมินของคู่ค้า ไม่ใช่เพียง “เครื่องตรวจให้ผล NG” แต่ต้องตอบได้จากบันทึกไปจนถึงว่า “ชิ้นงานที่เป็น NG ถูกคัดออกจริง และล็อตนั้นได้รับผลกระทบตั้งแต่ช่วงใดถึงช่วงใด”

การคำนวณจำลองต้นทุนและผลตอบแทน (ตัวเลขสมมติ)

ต่อจากนี้คือการคำนวณจำลองเพื่อพิจารณาความคุ้มค่าของการตรวจสอบการพิมพ์ด้วย AI จำนวนกรณี ราคาต่อหน่วย จำนวนเงิน และอัตราการตรวจจับด้านล่างทั้งหมด เป็นตัวเลขสมมติที่ตั้งขึ้นเพื่อบทความนี้ ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม ไม่ใช่ค่าจากการสำรวจ และไม่ใช่ราคาของผู้ผลิต โปรดแทนที่ด้วยตัวเลขของบริษัทท่านก่อนนำไปใช้

เงื่อนไขตั้งต้นของโรงงานจำลอง

โรงงานจำลองพิจารณาเฉพาะสายการบรรจุอาหาร 1 สาย (พิมพ์วันหมดอายุและล็อตด้วยเครื่องพิมพ์อิงค์เจ็ท) ไม่ใช่ทั้งโรงงาน สกุลเงินเป็นบาทไทย (THB) จำนวนกรณีเป็นค่าคาดหมายต่อปี จึงเป็นทศนิยมได้

ฐานอ้างอิง (baseline) มีเพียงชุดเดียว คือ “ปัจจุบัน หลุดถึงลูกค้า 2 กรณี และพบภายใน 20 กรณี” ① คืออุบัติเหตุที่เคยถูกพบที่ลูกค้า ② คืออุบัติเหตุที่เคยถูกพบจากการสุ่มตรวจภายใน ซึ่งเป็นกลุ่มอุบัติเหตุคนละกลุ่มกัน ไม่ได้นับอุบัติเหตุเดียวกันซ้ำทั้งสองฝั่ง ดังนั้นการรวม ① กับ ② จึงไม่ใช่การนับซ้ำ ตัวเลข 12,000 THB ใน ② คือส่วนต่างระหว่างค่าแก้ไขงานกรณีพบจากการสุ่มตรวจ (15,000 THB) กับค่าแก้ไขงานกรณีพบทันทีบนไลน์ (3,000 THB) ไม่ใช่ค่าแก้ไขงานภายในทั้งจำนวน และความเสียหายต่อการหลุดถึงลูกค้า 1 กรณีใน ① ก็ไม่ได้รวมค่าแก้ไขงานภายในไว้

ความเสียหายต่อการหลุดถึงลูกค้า 1 กรณีเปลี่ยนแปลงได้มากตามขนาดของอุบัติเหตุ ขึ้นกับว่าส่งของออกไปแล้วกี่วัน กี่หีบ และไปถึงร้านใดของคู่ค้ารายใด อาจมากกว่า 600,000 THB หลายเท่า หรือน้อยกว่าหลายเท่าก็ได้ โปรดตั้งค่าใหม่จากบันทึกอุบัติเหตุในอดีตของบริษัทท่าน

เมื่ออัตราการตรวจจับเปลี่ยน ระยะเวลาคืนทุนเปลี่ยนอย่างไร

อัตราการตรวจจับไม่ได้ตั้งไว้ในฐานะ “ค่าที่ AI ทำได้จริง” แต่เป็นค่าสมมติเพื่อดูว่าผลตอบแทนพึ่งพาเงื่อนไขนี้มากเพียงใด เราจะเปลี่ยนเฉพาะอัตราการตรวจจับ และตรึงเงื่อนไขอื่นไว้คงที่ในการคำนวณ

ภาพ: ความไวของการคำนวณจำลอง (ตัวเลขสมมติ) เมื่ออัตราการตรวจจับเป็น 40%, 60% และ 80% ระยะเวลาคืนทุนอย่างง่ายจะเป็นประมาณ 5.4 ปี 2.7 ปี และ 1.8 ปี ตามลำดับ และผลตอบแทนสุทธิต่อปีจะเป็น 276,000 THB, 564,000 THB และ 852,000 THB

เมื่ออัตราการตรวจจับลดจาก 80% เหลือ 40% ผลตอบแทนต่อปีจะลดลงครึ่งหนึ่ง แต่ค่าใช้จ่ายดำเนินงานต่อปี 300,000 THB ไม่เปลี่ยน ผลตอบแทนสุทธิต่อปีจึงหดจาก 852,000 THB เหลือ 276,000 THB หรือไม่ถึง 1 ใน 3 ของเดิม และระยะเวลาคืนทุนยืดจากประมาณ 1.8 ปีเป็นประมาณ 5.4 ปี ตราบใดที่ค่าใช้จ่ายดำเนินงานเกิดขึ้นคงที่ หากสมมติฐานอัตราการตรวจจับลดลง ผลตอบแทนสุทธิจะหดตัวในสัดส่วนที่มากกว่านั้น และการตัดสินใจลงทุนจะเปลี่ยนไปมาก ด้วยเหตุนี้ อย่าตั้งอัตราการตรวจจับจากตัวเลขในแคตตาล็อก แต่ให้วัดจริงด้วยผลิตภัณฑ์และงานพิมพ์ของบริษัทท่านใน PoC และ “การทดสอบด้วยงานพิมพ์ที่จงใจทำให้ผิด” แล้วนำมาแทนที่ในการคำนวณ

สิ่งที่ไม่ได้รวมไว้ในการคำนวณนี้

รายการต่อไปนี้ไม่ได้รวมไว้ในการคำนวณ เพราะหากรวมเข้าไปมักนำไปสู่การนับซ้ำหรือการประเมินสูงเกินจริง

• ต้นทุนของการคัดออกผิดพลาด: ต้นทุนการทิ้ง การแก้ไขงาน และการหยุดไลน์ ที่เกิดจากการตัดสินงานพิมพ์ที่ถูกต้องว่าเป็น NG แล้วทิ้งหรือหยุดไลน์ หากการคัดออกผิดพลาดมาก ผลตอบแทนในที่นี้จะลดลง โปรดวัดอัตราการคัดออกผิดพลาดในการทดสอบรับมอบ แล้วหักส่วนนั้นออกก่อนตัดสินใจ
• การลดพนักงานสุ่มตรวจ: แม้จะเป็นการตรวจทุกชิ้น ก็ยังต้องใช้คนในการตรวจยืนยันตอนเริ่มเดินไลน์ การตรวจยืนยันซ้ำของชิ้น NG และการตรวจสอบงานพิมพ์ (job) ที่เลือกไว้ในเครื่องพิมพ์ ลดคนได้หรือไม่ให้ตัดสินหลังจากกำหนดวิธีการทำงานแล้ว
• ความเสียหายต่อแบรนด์: ความเชื่อมั่นของคู่ค้าที่ลดลงหรือผลกระทบต่อเงื่อนไขการค้า หากแปลงเป็นจำนวนเงินจะมีความไม่แน่นอนสูง และมักซ้อนทับกับความเสียหายใน ① จึงไม่ได้รวมไว้

กล่าวอีกนัยหนึ่ง การคำนวณนี้แสดงขอบเขตที่ตัดสินได้จาก “จำนวนอุบัติเหตุและความเสียหายต่อ 1 กรณี” เท่านั้น หากบริษัทของท่านมีบันทึกอุบัติเหตุไม่มากนัก การจัดทำบันทึกสามชุดที่กล่าวไว้ในหัวข้อ “อุบัติเหตุเกิดที่ไหน” เป็นอันดับแรก คือทางลัดที่ดีที่สุดในการอธิบายความคุ้มค่า

หัวข้อที่ควรเขียนใน RFP ของการตรวจสอบการพิมพ์ด้วย AI

ในการเปรียบเทียบเครื่องตรวจสอบการพิมพ์ หากเขียนใน RFP ว่า “จะหยุดอย่างไรและจะเก็บบันทึกอย่างไร” มากกว่า “อ่านอะไรได้บ้าง” คุณภาพของข้อเสนอที่ได้รับจะเทียบกันได้ ขอแนะนำให้ใส่อย่างน้อย 12 หัวข้อต่อไปนี้

เมื่อได้รับข้อเสนอ ให้ตรวจสอบทุกครั้งว่าตัวเลขความแม่นยำหรือความเร็วที่ผู้ขายแสดง “วัดภายใต้เงื่อนไขใด” ตัวเลขอย่าง “เกือบ 100%” หรือ “กี่ชิ้นต่อนาที” หากไม่ทราบเงื่อนไขก็เปรียบเทียบไม่ได้ หากผู้ขายไม่ให้เงื่อนไข ให้กำหนดเป็นเงื่อนไขของข้อเสนอว่าต้องวัดด้วยตัวอย่างของบริษัทท่าน

สิ่งที่ต้องตรวจใน FAT/SAT: การออกแบบการทดสอบด้วยงานพิมพ์ที่จงใจทำให้ผิด

สิ่งที่สำคัญที่สุดในการทดสอบรับมอบการตรวจสอบการพิมพ์ ไม่ใช่การป้อนงานพิมพ์ที่ถูกต้องแล้วยืนยันว่า “ผ่าน OK ทั้งหมด” แต่คือการป้อนงานพิมพ์ที่จงใจทำให้ผิด แล้วยืนยันว่าระบบหยุดได้แน่นอน คัดออกได้แน่นอน และมีบันทึกเหลืออยู่

สร้างรูปแบบการทดสอบ

ตัวอย่างของเสียสำหรับการทดสอบ ให้สร้างให้สอดคล้องกับประเภทที่เกิดขึ้นจริงหน้างาน รูปแบบที่เป็นตัวแทนสรุปไว้ในแผนภาพ

ภาพ: แผนภาพแนวคิดของเมทริกซ์การทดสอบ FAT/SAT แถวคืองานพิมพ์ที่จงใจสร้างขึ้นเพื่อการทดสอบ (วันที่ผิด ล็อตหรือรหัสไลน์ผิด ไม่มีการพิมพ์ พิมพ์จางหรือขาดแหว่ง หมึกซึมหรือพิมพ์ซ้อน ตำแหน่งคลาดเคลื่อนหรือพิมพ์ลงบนรอยซีล และงานพิมพ์ที่ถูกต้อง [กลุ่มควบคุม]) คอลัมน์คือรายการที่ต้องตรวจ (ผลที่คาดหวัง ตัดสินถูกต้องหรือไม่ ถูกคัดออกจากไลน์หรือไม่ ยืนยันการคัดออกได้หรือไม่ และเก็บภาพและล็อกไว้หรือไม่)

• วันที่ผิด: วันที่ที่คลาดจากค่าที่คาดหวังไป 1 วัน วันที่ที่สลับเดือนกับวัน และวันที่ที่ปีไม่ตรง ให้เปลี่ยนเฉพาะงานพิมพ์ในเครื่องพิมพ์ โดยคงค่าที่คาดหวังไว้ตามที่ถูกต้อง แล้วป้อนเข้าไป
• ล็อตหรือรหัสไลน์ผิด: ล็อตของรุ่นสินค้าก่อนหน้า รหัสของไลน์ข้างเคียง และล็อตที่ต่างกันเพียงตัวอักษรเดียว
• ไม่มีการพิมพ์: หยุดหมึก หรือสั่งให้ข้ามการพิมพ์
• พิมพ์จางหรือขาดแหว่ง: ไล่ระดับตั้งแต่อ่านไม่ได้บางส่วนจนถึงแทบอ่านไม่ได้ และรวมถึงกรณีที่ตัวอักษรเสียรูปจนคล้ายตัวอื่น (เช่น 8 กับ 3 หรือ 0 กับ D)
• หมึกซึมหรือพิมพ์ซ้อน: งานพิมพ์ที่ทับกันจากทริกเกอร์ซ้ำ และงานพิมพ์ที่หมึกซึมจนตัวอักษรหนา
• ตำแหน่งคลาดเคลื่อนหรือพิมพ์ลงบนรอยซีล: งานพิมพ์ที่ขอบมุมมองภาพ หรือคร่อมรอยซีลหรือรอยต่อ
• งานพิมพ์ที่ถูกต้อง (กลุ่มควบคุม): ชิ้นงานปกติสำหรับวัดการคัดออกผิดพลาด ให้ป้อนในจำนวนที่มากกว่าชิ้นของเสียมาก

5 รายการที่ต้องตรวจ

สำหรับแต่ละรูปแบบ ให้ตรวจ 5 รายการตามคอลัมน์ในแผนภาพ

1. ผลที่คาดหวัง: กำหนดและเขียนไว้ก่อนการทดสอบว่ารูปแบบนั้นควรได้ผลเป็น OK, NG หรืออ่านไม่ได้
2. ตัดสินถูกต้องหรือไม่: ผลที่คาดหวังกับผลการตัดสินจริงตรงกันหรือไม่
3. ถูกคัดออกจากไลน์หรือไม่: ชิ้นงานที่เป็น NG และอ่านไม่ได้ถูกคัดออกหรือไม่
4. ยืนยันการคัดออกได้หรือไม่: เซนเซอร์ยืนยันได้หรือไม่ว่าชิ้นงานที่คัดออกลงไปในถังรับของคัดออกแล้ว
5. เก็บภาพและล็อกไว้หรือไม่: ภาพ ผลการตัดสิน ค่าที่คาดหวัง และเวลา ถูกบันทึกไว้หรือไม่

แม้ตัดสินถูกต้อง แต่หากคัดออกไม่ได้ ของเสียก็หลุดรอดออกไป แม้คัดออกได้ แต่หากไม่มีบันทึก ก็ใช้สอบสวนอุบัติเหตุไม่ได้ ต้องครบทั้ง 5 คอลัมน์จึงจะถือว่าผ่าน

จำนวนชิ้นและวิธีวัด

ทดสอบที่ความเร็วไลน์จริง การทดสอบที่หยุดไลน์แล้วให้ดูทีละชิ้นจะไม่เห็นปัญหาของทริกเกอร์ การติดตามตำแหน่ง และจังหวะการคัดออก ให้สอดแทรกตัวอย่างของเสียแบบสุ่มเข้าไปในกระแสของชิ้นงานปกติ และบันทึกไว้ว่าใส่ไว้ที่ตำแหน่งใด แล้วสรุปผลแยกตามรูปแบบ ได้แก่ อัตราการตรวจหลุด (สัดส่วนของตัวอย่างทดสอบที่ควรเป็น NG แต่ถูกตัดสินเป็น OK) อัตราการคัดออกผิดพลาด (สัดส่วนของชิ้นงานปกติที่ถูกคัดออกเป็น NG หรืออ่านไม่ได้) อัตราการอ่านไม่ได้ และเวลาประมวลผลต่อ 1 ชิ้น

เรื่องจำนวนชิ้น ต้องเข้าใจไว้ว่า การ “ไม่มีการตรวจหลุดเลย” จากจำนวนชิ้นที่น้อย ไม่ได้พิสูจน์ว่าอัตราการตรวจหลุดต่ำเพียงพอ จะสะสมจำนวนชิ้นไปถึงเท่าใด ให้กำหนดจากความร้ายแรงของอุบัติเหตุและเวลาที่ใช้ทดสอบได้ แล้วตกลงไว้ตั้งแต่ขั้น RFP พร้อมกับเกณฑ์ผ่าน

การทดสอบการสลับรุ่นสินค้าและการเปลี่ยนรุ่นการผลิต (changeover)

หากวัตถุประสงค์หลักของการตรวจสอบการพิมพ์คือการหยุดการตั้งค่าผิดตามประเภท ① ก็ต้องนำการเปลี่ยนรุ่นการผลิตเข้ามาอยู่ในการทดสอบด้วย

• เมื่อสลับคำสั่งผลิต ค่าที่คาดหวังของเครื่องพิมพ์และกล้องเปลี่ยนพร้อมกันหรือไม่
• เมื่อเริ่มผลิตโดยที่เครื่องพิมพ์ยังใช้งานพิมพ์เก่าอยู่ ระบบให้ผล NG ตั้งแต่ชิ้นแรก และหยุดไลน์เมื่อ NG ต่อเนื่อง N ชิ้นหรือไม่
• เมื่อใช้ขั้นตอนข้อยกเว้นสำหรับการป้อนด้วยมือ มีการอนุมัติและบันทึกเหลืออยู่หรือไม่
• เมื่อคร่อมเวลาเที่ยงคืน (0 นาฬิกา) ค่าที่คาดหวังของวันผลิตและวันหมดอายุเปลี่ยนอย่างถูกต้องหรือไม่

การแบ่งหน้าที่ระหว่าง FAT และ SAT

แม้ผ่าน FAT แล้ว ก็ไม่ได้หมายความว่าจะได้ผลเดียวกันใน SAT เพราะแสงในโรงงาน การสั่นขณะลำเลียง และสภาพหมึกของเครื่องพิมพ์ จำลองได้เฉพาะที่หน้างานเท่านั้น ให้กำหนดเกณฑ์ผ่านของ SAT แยกจาก FAT

ประเด็นเฉพาะของไทยและอาเซียน

รูปแบบและภาษาบนฉลาก

จากรายงาน GAIN ของ USDA ประกาศฉบับที่ 450 ของไทยกำหนดว่า อาหารที่มีระยะเวลาจนถึงวันควรบริโภคก่อนหรือวันหมดอายุน้อยกว่า 90 วัน ให้แสดงวันควรบริโภคก่อนหรือวันหมดอายุในรูปแบบ “วัน/เดือน/ปี” และอาหารที่มีระยะเวลาเกิน 90 วัน ให้แสดงในรูปแบบ “วัน/เดือน/ปี” หรือ “เดือน/ปี” โดยแสดงคู่กับข้อความ “Best before” หรือ “Expired by” เดือนจะเป็นตัวเลขหรือตัวอักษรก็ได้ ฉลากต้องเป็นภาษาไทย และแสดงภาษาอังกฤษควบคู่ได้ อาหารบางประเภทอาจถูกกำหนดให้แสดงวันผลิตหรือวันหมดอายุตามประกาศเฉพาะ

สำหรับการตรวจสอบการพิมพ์ นี่หมายความว่าภายในโรงงานเดียวกัน อาจมีการแสดงวันควรบริโภคก่อน/วันหมดอายุหลายรูปแบบปะปนกัน ทั้งรุ่นที่เขียนเดือนเป็นตัวเลขและรุ่นที่เขียนเป็นตัวอักษร ข้อความภาษาไทยและข้อความภาษาอังกฤษ รุ่นที่เขียนถึงวันและรุ่นที่เขียนถึงเดือน ให้เก็บรูปแบบของค่าที่คาดหวังแยกตามรุ่นสินค้าไว้ในข้อมูลหลักรายการสินค้า และตรวจสอบตั้งแต่ขั้น RFP ว่าเครื่องตรวจจำเป็นต้องอ่านงานพิมพ์ที่มีอักษรไทยหรือไม่

ต้องระวังเรื่องศักราชด้วย ในไทยมีการใช้พุทธศักราช (พ.ศ.) และประกาศฉบับที่ 450 ก็ระบุเป็นพุทธศักราช เช่น “พ.ศ. 2567 (ค.ศ. 2024)” จะพิมพ์เป็นพุทธศักราชหรือคริสต์ศักราช ให้กำหนดตามข้อกำหนดฉลากของบริษัทและความต้องการของประเทศปลายทาง และรวมไว้ในรูปแบบของค่าที่คาดหวัง วันเดียวกันแต่ตัวเลขปีของพุทธศักราชกับคริสต์ศักราชไม่เหมือนกัน หากตรรกะที่สร้างค่าที่คาดหวังสับสนระหว่างสองระบบ ก็จะเกิดอุบัติเหตุแบบเดียวกับวันที่ผิดที่พิมพ์ออกมาอย่างสวยงาม

อนึ่ง จากรายงานของ USDA ร่างแก้ไขเพิ่มเติมประกาศฉบับที่ 450 (No.2) ได้ถูกแจ้งต่อ WTO เมื่อวันที่ 8 มกราคม 2026 โดยมีเนื้อหาเช่น การเพิ่มสารก่อภูมิแพ้ 4 ชนิด การแสดงฉลากแบบดิจิทัลโดยสมัครใจ และการให้สินค้าแบบรวมชุดแสดงวันหมดอายุที่เร็วที่สุด แต่ยังไม่ได้กำหนดวันที่รับรอง เนื่องจากข้อกำหนดด้านฉลากอาจเปลี่ยนไปจากการแก้ไขในอนาคต การออกแบบให้เปลี่ยนรูปแบบได้จากข้อมูลหลักรายการสินค้าจะช่วยให้รับมือได้ง่ายขึ้น สิ่งที่เขียนไว้ในที่นี้เป็นการแนะนำข้อมูลสาธารณะ ไม่ใช่คำแนะนำทางกฎหมาย การนำไปใช้กับผลิตภัณฑ์ของบริษัทท่าน โปรดตรวจสอบกับผู้เชี่ยวชาญหรือข้อมูลจาก อย.

ฉลากตามประเทศปลายทางการส่งออก

สินค้าส่งออกมีรูปแบบวันที่และข้อความแตกต่างกันไปตามประเทศปลายทาง หากรูปแบบ “วัน/เดือน/ปี” สำหรับในประเทศไทยต่างจากรูปแบบของประเทศปลายทาง ไลน์เดียวกันก็ต้องสลับงานพิมพ์ที่มีรูปแบบต่างกัน หากแยกรหัสรายการสินค้าตามประเทศปลายทาง และออกแบบให้สร้างค่าที่คาดหวังจากข้อมูลหลักรายการสินค้า การสลับประเทศปลายทางผิดก็จะหยุดได้ด้วย OCV

อากาศร้อนชื้นและหมึก

KEYENCE ยกแสง ฝุ่น และความชื้น เป็นปัจจัยที่ขัดขวางการอ่านของ OCR ในสภาพแวดล้อมที่ร้อนชื้น ต้องคาดการณ์ไว้เป็นเงื่อนไขของการตรวจด้วยว่า อาจเกิดหยดน้ำควบแน่นบนพื้นผิวบรรจุภัณฑ์ของสินค้าแช่เย็นหรือแช่แข็ง หรือหมึกแห้งช้าจนซึม จะอุ่นใจกว่าหากทดสอบทั้งในฤดูแล้งและฤดูฝน อย่างน้อยทำ SAT ภายใต้เงื่อนไขอุณหภูมิและความชื้นจริง และกำหนดวิธีทำงานให้ตรวจยืนยันซ้ำเมื่อเปลี่ยนฤดู สำหรับการเลือกวิธีพิมพ์เอง เช่น ประเด็นเมื่อใช้เลเซอร์สลัก อธิบายไว้ใน “เลือกเครื่องเลเซอร์มาร์กอุตสาหกรรมสำหรับโรงงานไทย: RFP และ FAT/SAT“

หน้าจอหลายภาษาและการฝึกอบรม

ในโรงงานที่พนักงานควบคุมเครื่องและช่างซ่อมบำรุงดูหน้าจอภาษาไทย ส่วนผู้บริหารดูหน้าจอภาษาญี่ปุ่นหรืออังกฤษ การออกแบบด้านภาษาจะมีผลต่อการทำงาน สิ่งสำคัญคือต้องเข้าใจได้จากหน้าจอภาษาไทยว่า เหตุใดจึง NG เหตุใดจึงอ่านไม่ได้ และเหตุใดไลน์จึงหยุด หากไม่เข้าใจสิ่งที่แสดง หน้างานจะอยากพักการตรวจชั่วคราวแล้วผลิตต่อ สิทธิ์ในการพักการตรวจและบันทึกการพักก็ต้องรวมอยู่ในการออกแบบหน้าจอด้วย

ระบบการสนับสนุน

เมื่อเครื่องตรวจสอบการพิมพ์หยุดทำงาน จะต้องตัดสินใจว่าจะหยุดไลน์ หรือปล่อยให้ผลิตต่อโดยไม่มีการตรวจ ให้ตรวจสอบว่ามีฐานบริการบำรุงรักษาในประเทศไทยหรือไม่ เวลาจนถึงการเข้าหน้างาน การสำรองอะไหล่ และการบำรุงรักษาระยะไกลได้หรือไม่ นอกจากนี้ ควรกำหนดก่อนนำระบบมาใช้ว่าเมื่อรุ่นสินค้าเพิ่มขึ้นใครจะเป็นผู้เพิ่มการตั้งค่า หากปล่อยให้ผู้ขายทำทั้งหมด จะเกิดเวลารอทุกครั้งที่เริ่มผลิตรุ่นสินค้าใหม่

คำถามที่พบบ่อย

OCR กับ OCV ต่างกันอย่างไร

OCR คือฟังก์ชันอ่านข้อความที่พิมพ์และบันทึกไว้ ส่วน OCV คือฟังก์ชันเทียบว่าข้อความที่อ่านได้ตรงกับค่าที่คาดหวัง (ข้อความที่ควรพิมพ์ที่ถูกต้อง) หรือไม่ อุบัติเหตุที่ตั้งค่าวันที่หรือล็อตผิดตอนเปลี่ยนรุ่นการผลิต แล้วเครื่องพิมพ์ออกมาอย่างสวยงามต่อเนื่อง จะผ่าน OCR ไปได้เพราะ “อ่านได้” อุบัติเหตุนี้หยุดได้ด้วย OCV ที่มีค่าที่คาดหวังเท่านั้น หากเป้าหมายของการตรวจรหัสล็อตหรือการพิมพ์วันหมดอายุคือการหยุดอุบัติเหตุ ให้พิจารณาโดยมี OCV เป็นพื้นฐาน ไม่ใช่ OCR เพียงอย่างเดียว

ระบบตรวจสอบวันหมดอายุบนบรรจุภัณฑ์ตรวจได้ทุกชิ้นหรือไม่

หากความเร็วไลน์และเงื่อนไขการถ่ายภาพเหมาะสม ก็สามารถจัดโครงสร้างให้ตรวจทุกชิ้นได้ ความสามารถในการประมวลผลที่ผู้ขายแสดงบางรายอยู่ในระดับหลายหมื่นชิ้นต่อชั่วโมง แต่นี่เป็นข้อกล่าวอ้างค่าสูงสุด โปรดวัดการตรวจหลุดและการคัดออกผิดพลาดที่ความเร็วไลน์จริง ภายใต้ผลิตภัณฑ์ พื้นผิวที่พิมพ์ แสง และเงื่อนไขการลำเลียงของบริษัทท่านก่อนตัดสินใจ แม้จะตรวจทุกชิ้นแล้ว หากไม่มีการยืนยันการคัดออกและการหยุดไลน์เมื่อ NG ต่อเนื่อง ก็ยังมีโอกาสที่ของเสียซึ่งควรถูกหยุดไว้จะหลุดออกไป

ควรเปรียบเทียบค่าใช้จ่ายของเครื่องตรวจสอบการพิมพ์อย่างไร

หากเปรียบเทียบเพียงราคาตัวเครื่องจะตัดสินใจผิดพลาด นอกจากกล้อง แสง และตัวประมวลผลการตัดสินแล้ว ให้รวมค่าอุปกรณ์คัดออกและการยืนยันการคัดออก การเชื่อมค่าที่คาดหวังกับ ERP/MES, PoC, การทดสอบรับมอบ การเพิ่มรุ่นสินค้าและการเรียนรู้ใหม่ และค่าบำรุงรักษา เข้าไปในการเปรียบเทียบด้วย ในการคำนวณจำลองของบทความนี้ได้ตั้งค่าใช้จ่ายเริ่มต้นและค่าใช้จ่ายดำเนินงานต่อปีไว้แบบสมมติ แต่จำนวนเงินจริงจะเปลี่ยนไปมากตามเงื่อนไขและขอบเขตของไลน์ หากจัดหัวข้อให้ตรงกันใน RFP แล้วขอใบเสนอราคา จะเปรียบเทียบได้ง่ายขึ้น

เครื่องตรวจสอบบาร์โค้ดกับเครื่องตรวจสอบการพิมพ์ต่างกันอย่างไร

เครื่องตรวจสอบบาร์โค้ดคืออุปกรณ์ที่ประเมินคุณภาพการพิมพ์ของโค้ด 1 มิติและ 2 มิติเป็นเกรดตามมาตรฐาน ตัวอย่างเช่น ISO/IEC 15416:2025 เป็นมาตรฐานที่กำหนดวิธีวัดคุณภาพการพิมพ์ของบาร์โค้ดแบบเชิงเส้น ไม่ได้ใช้วัดคุณภาพของสตริงวันที่หรือล็อตที่คนอ่าน เครื่องตรวจสอบการพิมพ์ตัดสินว่าสตริงวันที่หรือล็อตถูกต้องหรือไม่และอ่านได้หรือไม่ สำหรับบรรจุภัณฑ์ที่พิมพ์ทั้งสองอย่าง ให้พิจารณาออกแบบให้ตรวจด้วยว่าวันที่ในโค้ดตรงกับวันที่ที่คนอ่านหรือไม่

นำการตรวจสอบการพิมพ์ด้วย AI มาใช้โดยใช้เครื่องพิมพ์อิงค์เจ็ทเดิมได้หรือไม่

ในหลายกรณี สามารถพิจารณาโครงสร้างที่คงเครื่องพิมพ์เดิมไว้ แล้วติดตั้งกล้องและตัวประมวลผลการตัดสินเพิ่มภายหลังได้ ผลิตภัณฑ์ของผู้ผลิตด้านวิชันโดยเฉพาะโดยทั่วไปใช้ได้โดยไม่ขึ้นกับยี่ห้อเครื่องพิมพ์ อย่างไรก็ตาม การส่งค่าที่คาดหวังไปยังเครื่องพิมพ์และกล้องในจังหวะเดียวกัน ต้องตรวจสอบว่าเครื่องพิมพ์รองรับการเลือกงานพิมพ์หรือการรับค่าจากภายนอกหรือไม่ หากไม่รองรับ ให้ชดเชยด้วยขั้นตอนข้อยกเว้นสำหรับการป้อนด้วยมือและการตรวจสอบโดยสองคน หรือพิจารณาเปลี่ยนเครื่องพิมพ์ควบคู่กันไป

OCR แบบการเรียนรู้เชิงลึกทำให้ไม่ต้องลงทะเบียนฟอนต์ในหน้างานการผลิตหรือไม่

ผู้ขายแต่ละรายกล่าวอ้างว่า OCR แบบการเรียนรู้เชิงลึกสามารถข้ามการลงทะเบียนฟอนต์และการตัดแยกตัวอักษรได้ด้วยโมเดลที่เรียนรู้ล่วงหน้า อย่างไรก็ตาม การตั้งค่าแสง มุมมองภาพ พื้นที่อ่าน และรูปแบบของค่าที่คาดหวังยังคงต้องทำ นอกจากนี้ ต้องยืนยันด้วยการทดสอบที่ป้อนงานพิมพ์ซึ่งเสียรูปจนคล้ายตัวอื่น ว่าตัวอักษรที่เสียรูปจะไม่ถูกตัดสินผิดว่าตรงกับค่าที่คาดหวัง เช่นเดียวกับการนำ AI ตรวจสอบรูปลักษณ์มาใช้ การออกแบบการทดสอบรับมอบเป็นตัวชี้ขาดความสำเร็จ

สรุป

หากเริ่มนำการตรวจสอบการพิมพ์ด้วย AI มาใช้โดยเปรียบเทียบความแม่นยำของการจดจำตัวอักษร มักได้ระบบที่หยุดอุบัติเหตุหน้างานไม่ได้ ขั้นแรกให้สำรวจความผิดพลาดในการพิมพ์จากบันทึกสามชุด ได้แก่ การเรียกคืนและรับคืนจากลูกค้า การสุ่มตรวจภายใน และการเปลี่ยนรุ่นการผลิต แล้วกำหนดว่าต้องการหยุดประเภทใด หากต้องการหยุดวันที่ผิดที่พิมพ์ออกมาอย่างสวยงาม อย่าหยุดอยู่แค่การอ่าน (OCR) แต่ให้ทำไปจนถึงการเทียบกับค่าที่คาดหวัง (OCV) และรับค่าที่คาดหวังจากคำสั่งผลิตใน ERP/MES ไม่ใช่การป้อนด้วยมือ แล้วส่งค่าเดียวกันไปยังเครื่องพิมพ์และกล้อง แยก OK, NG และอ่านไม่ได้ออกจากกัน คัดชิ้นที่เป็น NG และอ่านไม่ได้ออกอย่างแน่นอน ใช้การยืนยันการคัดออก (reject confirmation) ตรวจว่าชิ้นงานออกจากไลน์จริง และหยุดไลน์เมื่อ NG ต่อเนื่อง เมื่อกำหนดลำดับเช่นนี้ ก็จะชัดเจนว่าควรซื้ออะไร และอะไรที่ต้องกำหนดเอง

ความคุ้มค่าเปลี่ยนแปลงอย่างมากตามสมมติฐานของอัตราการตรวจจับ ในการคำนวณจำลอง (ตัวเลขสมมติ) เพียงลดอัตราการตรวจจับจาก 80% เหลือ 40% ระยะเวลาคืนทุนก็ยืดจากประมาณ 1.8 ปีเป็นประมาณ 5.4 ปี ด้วยเหตุนี้ ในการทดสอบรับมอบจึงต้องจงใจสร้างวันที่ผิด ล็อตผิด ไม่มีการพิมพ์ พิมพ์จาง พิมพ์ซ้อน และตำแหน่งคลาดเคลื่อน แล้วป้อนเข้าไป เพื่อวัดว่าครบทั้ง 4 รายการ คือ การตัดสิน การคัดออก การยืนยันการคัดออก และการบันทึก ภายใต้เงื่อนไขการผลิตจริง ได้แก่ ความเร็วไลน์และการเปลี่ยนรุ่นการผลิตหรือไม่ ในขณะนี้ที่การปฏิบัติตามประกาศฉบับที่ 450 อย่างเต็มรูปแบบได้เริ่มขึ้นแล้ว ก็เป็นโอกาสที่ดีในการทบทวนงานพิมพ์และการไหลของค่าที่คาดหวังด้วย

TOMAS TECH ให้การสนับสนุนการสร้างระบบตรวจสอบการพิมพ์ให้เหมาะกับไลน์และอุปกรณ์ของโรงงานในประเทศไทย แม้ในขั้นที่ยังไม่ได้กำหนดวิธีหรือผลิตภัณฑ์ เช่น ขั้นที่กำลังสำรวจรายการที่พิมพ์ของไลน์เป้าหมายหรืออุบัติเหตุในอดีต ก็สามารถปรึกษาได้ ติดต่อได้ที่แบบฟอร์มนี้

แหล่งอ้างอิง

• USDA Foreign Agricultural Service: Labelling of Pre-Packaged Food Requirements (GAIN TH2026-0018, 3 กรกฎาคม 2026)
• Pattaya Mail: FTI warns Thailand food exports to fall 7.3% as energy crisis and global tensions bite (2 เมษายน 2026)
• The Nation Thailand: World Bank Flags AI Adoption Gap and El Niño Risks to Thailand’s Growth (6 ตุลาคม 2026)
• Macau Business: Thailand Puts Productivity at the Center of AI Transformation with National AI Roadmap (28 สิงหาคม 2026)
• Mondaq (Alvarez & Marsal): Thailand’s Renewed BOI Incentives (3 กุมภาพันธ์ 2026)
• วารสารอาหารและยา (วารสารวิชาการของ อย.): การปฏิเสธการนำเข้าอาหารไทยที่ส่งออกไปยังสหรัฐอเมริกา 2011 ถึง 2020 (31 ตุลาคม 2022)
• Graftek Imaging / Zebra Technologies: AI-Powered OCR for Date and Lot Code Inspection (สิงหาคม 2026)
• FoodProcessing.com (บทความสปอนเซอร์ของ Zebra): How AI-Powered Optical Character Recognition Transforms Date and Lot Code Inspection (24 กรกฎาคม 2026)
• KEYENCE: How Vision Systems Ensure Accurate OCR in Food and Beverage Manufacturing
• KEYENCE UK: Stable OCR with Built-in AI Vision Sensors
• Domino Printing Sciences: Code Verification — The R-Series (ฉบับปี 2025)
• Food Processing (ออสเตรเลีย): Markem-Imaje and Cognex develop advanced Mark & Read technology (6 มิถุนายน 2018)
• Food Business MEA: Study shows labeling errors contribute to most allergen recalls (11 เมษายน 2023)
• University of Central Lancashire: Soon & Wahab, Global food recalls and alerts associated with labelling errors and its contributory factors (2021)
• Legal Information Institute (Cornell): 21 CFR § 11.10 Controls for closed systems
• GMP Insiders: 2025 EU GMP Draft Updates — Chapter 4, Annex 11, and Annex 22 (7 กรกฎาคม 2025)
• PharmaNow: Annex 22 is not law yet — what to invest in (12 สิงหาคม 2026)
• EVS: ISO/IEC 15416:2025 (8 มกราคม 2025)
• GS1: GS1 Application Identifiers (JSON-LD dataset)
• 24-7 Press Release (Future Market Insights): Inline OCR Validation for Packaging Lines Market Set to Reach USD 661.0 Million by 2036 (3 กรกฎาคม 2026)