PinPrint

Computer Vision ในงานอุตสาหกรรม: จาก CNN ถึง Vision Transformer สำหรับตรวจสอบคุณภาพการผลิต

ในโรงงานอัตโนมัติยุคใหม่ Computer Vision (CV) ได้กลายเป็นเซ็นเซอร์ที่ทรงพลังที่สุดสำหรับการตรวจสอบคุณภาพ (Quality Inspection) โดยเปลี่ยนกล้องอุตสาหกรรมธรรมดาให้กลายเป็น “ดวงตาอัจฉริยะ” ที่ตรวจจับตำหนิ (defect) ได้แม่นยำกว่าและเร็วกว่ามนุษย์หลายเท่า บทความนี้เจาะลึกสถาปัตยกรรม CV ตั้งแต่ CNN คลาสสิกไปจนถึง Vision Transformer ที่กำลังเป็นที่นิยมในปี 2026

Pipeline การตรวจสอบคุณภาพด้วย CV แบบเต็มรูปแบบ

ระบบ Industrial Computer Vision ที่สมบูรณ์ประกอบด้วย 5 ขั้นตอนหลัก:

  1. Image Acquisition — ใช้กล้องอุตสาหกรรมความละเอียดสูง (5–25 MP) พร้อมระบบแสงที่เหมาะสม เช่น Bright-Field, Dark-Field, หรือ Backlight Illumination เพื่อเน้นตำหนิให้เด่นชัด
  2. Preprocessing — ทำ Image Normalization, Noise Reduction, และ Data Augmentation (Rotation, Flip, Color Jitter) เพื่อเพิ่มความหลากหลายของข้อมูลฝึก
  3. Feature Extraction — สกัดคุณลักษณะด้วยโครงข่ายประสาทเทียม เช่น Convolutional Neural Network (CNN) หรือ Vision Transformer (ViT)
  4. Inference / Decision — จำแนกประเภทตำหนิ ระบุตำแหน่ง หรือแบ่งส่วนพื้นที่ที่มีปัญหา
  5. Post-processing & Action — กรองผลด้วย Non-Maximum Suppression (NMS) ส่งสัญญาณไปยัง PLC หรือ SCADA เพื่อคัดแยกชิ้นงาน

สถาปัตยกรรม CNN สำหรับงานอุตสาหกรรม

CNN ยังคงเป็นกระดูกสันหลังของระบบ CV ส่วนใหญ่ในโรงงาน เนื่องจากประสิทธิภาพที่พิสูจน์แล้วและความเสถียรในการ Deploy สถาปัตยกรรมยอดนิยมแบ่งตามงานดังนี้:

ประเภทงาน สถาปัตยกรรมที่นิยม ความแม่นยำ (mAP) ความเร็ว Inference
Image Classification ResNet-50, EfficientNet-B4 95–99% 2–8 ms
Object Detection YOLOv8, RT-DETR, Faster R-CNN 85–95% mAP@0.5 5–25 ms
Semantic Segmentation U-Net, DeepLabv3+ 88–96% IoU 15–40 ms
Anomaly Detection PatchCore, PaDiM, FastFlow 90–99% AUROC 10–30 ms

Vision Transformer (ViT): คลื่นลูกใหม่ของ Industrial Vision

ตั้งแต่ปี 2020 Vision Transformer ได้ปฏิวัติวงการ CV ด้วยกลไก Self-Attention ที่เรียนรู้ความสัมพันธ์ระหว่างพื้นที่ต่างๆ ในภาพได้ทั่วโลก (global context) ซึ่งต่างจาก CNN ที่มองเฉพาะพื้นที่ใกล้เคียง (local receptive field) ข้อได้เปรียบหลักของ ViT ในงานอุตสาหกรรมคือ:

  • ตรวจจับตำหนิขนาดเล็ก ที่กระจายอยู่ทั่วชิ้นงานได้ดีกว่า เพราะเข้าใจบริบทของภาพทั้งหมด
  • Few-Shot Learning — ใช้ข้อมูลตัวอย่างน้อยลงเมื่อใช้ Pre-trained ViT ขนาดใหญ่
  • ความยืดหยุ่นสูง — สามารถปรับใช้กับหลายประเภทงานด้วยโมเดลพื้นฐานเดียว (Foundation Model)

ข้อควรพิจารณา: ViT ต้องการข้อมูลฝึกและพลังคอมพิวต์มากกว่า CNN อย่างมีนัยสำคัญ ในโรงงานที่มีข้อมูลจำกัด การใช้ Transfer Learning จาก ViT ที่ Pre-trained บน ImageNet หรือข้อมูลอุตสาหกรรมขนาดใหญ่ จึงเป็นแนวทางที่นิยมที่สุด

การเลือกโมเดล: CNN หรือ ViT?

การเลือกสถาปัตยกรรม CV สำหรับโรงงานไม่ใช่เรื่อง “อันไหนดีกว่า” แต่เป็นเรื่อง “อันไหนเหมาะกับสภาพแวดล้อมของเรา” ดังนี้:

เกณฑ์พิจารณา CNN เหมาะเมื่อ ViT เหมาะเมื่อ
ปริมาณข้อมูลฝึก น้อย (<1,000 ภาพ/คลาส) มาก (>10,000 ภาพ/คลาส) หรือมี Pre-trained
Latency ที่ต้องการ ต่ำกว่า 10 ms ยอมรับ 20–50 ms ได้
ประเภทตำหนิ รูปแบบคงที่ ซ้ำๆ หลากหลาย ซับซ้อน บริบทสำคัญ
ฮาร์ดแวร์ Edge Edge Device ทรัพยากรจำกัด Edge Server ทรัพยากรสูง

Deployment บน Edge Device

เมื่อ Train เสร็จ โมเดลต้องถูก Deploy ไปยัง Edge Device ที่ติดตั้งบนสายการผลิต กระบวนการทั่วไปคือ:

  1. Export โมเดลเป็นรูปแบบมาตรฐาน เช่น ONNX (Open Neural Network Exchange)
  2. ทำ Quantization จาก FP32 → INT8 เพื่อลดขนาดโมเดล 4 เท่าและเร่งความเร็ว 2–3 เท่า
  3. ใช้ Runtime เฉพาะฮาร์ดแวร์ เช่น TensorRT สำหรับ GPU หรือ OpenVINO สำหรับ CPU/VPU
  4. Optimize Batch Size และ Input Resolution ตามความเร็วสายการผลิต

Key Takeaways

  • CV คือเซ็นเซอร์แห่งอนาคต — กล้องอุตสาหกรรม + Deep Learning ตรวจจับตำหนิได้แม่นยำกว่ามนุษย์ และทำงาน 24/7 โดยไม่เหนื่อยล้า
  • CNN ยังคงเป็นทางเลือกหลัก สำหรับโรงงานที่ต้องการ Latency ต่ำและมีข้อมูลจำกัด โดยเฉพาะ YOLO สำหรับ Object Detection
  • ViT กำลังมาแรง ด้วยความสามารถในการเข้าใจบริบทภาพทั้งหมด แต่ต้องการข้อมูลและพลังคอมพิวต์มากกว่า
  • Quantization และ ONNX เป็นเทคนิคจำเป็นสำหรับ Deploy โมเดล CV บน Edge Device ให้ได้ความเร็วเรียลไทม์
  • การเลือกสถาปัตยกรรม ต้องคำนึงถึงปริมาณข้อมูล, Latency ที่ต้องการ, ประเภทตำหนิ, และฮาร์ดแวร์ที่มีร่วมกัน
  • Lighting สำคัญพอๆ กับโมเดล — ระบบแสงที่เหมาะสมสามารถเพิ่มความแม่นยำได้ 10–20% โดยไม่ต้องเปลี่ยนโมเดล
PinPrint