Quality Inspection Archives - บริษัท ฮันนี่คอร์ปอเรชั่น จำกัด

May202026 by contentNo Comments

Pick-and-Place Machine และ SMT Automation: ระบบอัตโนมัติความแม่นยำสูงในอุตสาหกรรมอิเล็กทรอนิกส์

Article

Pick-and-Place Machine คืออะไร? หัวใจของสายการผลิตอิเล็กทรอนิกส์ Pick-and-Place Machine หรือเครื่องจับวางอัตโนมัติ เป็นอุปกรณ์หลักในสายการผลิต SMT (Surface Mount Technology) ที่ทำหน้าที่จับ Component อิเล็กทรอนิกส์ขนาดเล็กจาก Tape/Tray แล้ววางลงบน PCB (Printed Circuit Board) ด้วยความแม่นยำระดับไมครอน เครื่องรุ่น High-Speed สามารถวาง Component ได้มากกว่า 100,000 CPH (Components Per Hour) ทำให้เป็นเครื่องจักรที่สำคัญที่สุดใน Electronics Manufacturing สถาปัตยกรรมและกลไกการทำงาน 1. Feeder System ระบบป้อน Component แบ่งเป็น 3 ประเภทหลัก: Tape Feeder: สำหรับ Component ขนาดเล็ก (0402, 0201) ห่อใน Tape ม้วน 8 mm – 56 mm มาตรฐาน EIA-481 Tray Feeder: สำหรับ IC ขนาดใหญ่ เช่น BGA, QFP ที่วางใน JEDEC Tray Stick Feeder: สำหรับ Component ทรงกระบอก เช่น Electrolytic Capacitor 2. Vision Alignment System ระบบกล้องความละเอียดสูง (≥5 Megapixel) ตรวจจับตำแหน่งและมุมของ Component ก่อนวาง มี Downward Camera สำหรับดู Component และ Upward Camera สำหรับดู PCB Landmark ความแม่นยำในการวางอยู่ที่ ±25 μm (0.025 mm) สำหรับเครื่องระดับ High-Accuracy 3. Placement Head และ Nozzle Placement Head คือแขนกลที่จับ Component ด้วย Vacuum Nozzle มีทั้งแบบ Single-Nozzle (สำหรับ Component ขนาดใหญ่) และ Multi-Nozzle Rotary Head (Gang…

May192026 by contentNo Comments

TinyML สำหรับอุปกรณ์ IoT: เมื่อ Machine Learning วิ่งบนไมโครคอนโทรลเลอร์ขนาดเพียงหลายสิบ KB

Article

TinyML คืออะไร? เมื่อ AI ลงไปอยู่บนไมโครคอนโทรลเลอร์ TinyML หรือ Tiny Machine Learning คือการนำโมเดล Machine Learning มาทำงานบนไมโครคอนโทรลเลอร์ขนาดเล็ก (Microcontroller Unit หรือ MCU) ที่มี RAM เพียง 32-512 KB และ Flash Memory ไม่เกิน 2 MB ต่างจาก AI แบบดั้งเดิมที่ต้องพึ่ง Cloud Server ด้วยกำลังประมวลผลหลาย TFLOPS TinyML ทำให้อุปกรณ์ IoT ราคาประหยัดสามารถ “คิดเองได้” โดยไม่ต้องเชื่อมต่อ Internet ในบริบทของโรงงานอุตสาหกรรม TinyML เปิดโอกาสให้ Sensor Node แต่ละจุดสามารถวิเคราะห์ข้อมูลได้แบบ Real-time ที่ตำแหน่งที่ตั้งจริง (Edge Inference) ลด Latency จากหลายร้อยมิลลิวินาที (ส่งขึ้น Cloud แล้วรอผล) เหลือเพียง 1-10 มิลลิวินาที ซึ่งเป็นความแตกต่างที่สำคัญต่อการตัดสินใจเชิงควบคุม สถาปัตยกรรม TinyML สำหรับ Industrial IoT ระบบ TinyML แบ่งเป็น 3 ชั้นหลัก: ชั้นฝึกอบรม (Training Phase): ฝึกโมเดลบน Cloud หรือเวิร์กสเตชันด้วย Dataset ขนาดใหญ่ ใช้เทคนิค Quantization และ Pruning ลดขนาดโมเดลให้พอดีกับ MCU ชั้นแปลงโมเดล (Model Optimization): ใช้ ML Framework สำหรับ Microcontrollers (เช่น TFLM, MCUNet) แปลงโมเดลจาก float32 เป็น int8 ลดขนาดลง 4 เท่าโดย Accuracy ลดลงไม่เกิน 2-3% ชั้นอนุมาน (Inference on Device): รันโมเดลบน MCU โดยตรง ตัวอย่างเช่น MCU ระดับ Cortex-M7 ที่มี RAM 1MB สามารถรัน CNN สำหรับ Anomaly Detection ที่ 50 MHz…

May122026 by contentNo Comments

Computer Vision ใน Quality Control: AI ตรวจสอบคุณภาพสินค้าแม่นยำกว่าดวงตามนุษย์ 10 เท่า

Article

Computer Vision กำลังเปลี่ยนหน้าการตรวจสอบคุณภาพในโรงงาน ในอดีต การตรวจสอบคุณภาพ (Quality Control) ในโรงงานอุตสาหกรรมพึ่งพา ดวงตามนุษย์ เป็นหลัก ช่าง QC นั่งตรวจสินค้าทีละชิ้นบนสายพาน ซึ่งมีข้อจำกัดชัดเจน: ความเหนื่อยล้าจากการทำงานซ้ำๆ, ความแม่นยำลดลงหลัง 2-3 ชั่วโมง, และอัตราพลาด (False Negative) สูงถึง 20-30% ตามงานวิจัยจาก ASQ (American Society for Quality) Computer Vision (CV) ด้วยเทคโนโลยี Deep Learning กำลังเข้ามาแทนที่กระบวนการนี้ — ด้วยอัตราตรวจจับข้อบกพร่อง (Defect Detection) สูงถึง 99.5% และความเร็วในการตรวจที่ 100-1,000 ชิ้น/นาที ขึ้นอยู่กับประเภทสินค้า เทคโนโลยีหลักที่อยู่เบื้องหลัง AI Quality Control Convolutional Neural Network (CNN) สถาปัตยกรรม CNN เป็นหัวใจหลักของ Computer Vision สำหรับ Quality Control โดยเฉพาะโมเดลตระกูล: ResNet-50/101: สำหรับจำแนกประเภทข้อบกพร่อง (Classification) — เช่น รอยร้าว, รอยขีดข่วน, สีผิดเพี้ยน YOLOv8/v9: สำหรับ Object Detection แบบ Real-time — สามารถตรวจจับตำแหน่งข้อบกพร่องพร้อมกันหลายจุดในภาพเดียว U-Net / Mask R-CNN: สำหรับ Semantic Segmentation — ระบุขอบเขตข้อบกพร่องแบบ Pixel-level Vision Transformer (ViT): โมเดลยุคใหม่ที่ให้ความแม่นยำสูงขึ้น โดยเฉพาะกับข้อบกพร่องที่ซับซ้อน ฮาร์ดแวร์ที่จำเป็น ระบบ Computer Vision QC ที่สมบูรณ์ต้องประกอบด้วย: Industrial Camera: Area Scan (2-45 MP) สำหรับชิ้นงานนิ่ง หรือ Line Scan สำหรับสายพานเคลื่อนที่ต่อเนื่อง Lighting System: Backlight, Ring Light, Dome Light, Structured Light ขึ้นอยู่กับประเภทของข้อบกพร่องที่ต้องการตรวจจับ Edge GPU: NVIDIA Jetson AGX Orin (275 TOPS) สำหรับ…

May62026 by contentNo Comments

LiDAR ในอุตสาหกรรม: เทคโนโลยี 3D Scanning ที่เปลี่ยนโรงงานอัจฉริยะยุคใหม่

Article

LiDAR คืออะไร? เทคโนโลยีที่เปลี่ยนวิธีมองโลกอุตสาหกรรม LiDAR (Light Detection and Ranging) คือเทคโนโลยีการวัดระยะทางด้วยแสงเลเซอร์ โดยปล่อยพัลส์แสงออกไปและวัดเวลาที่แสงสะท้อนกลับมา เพื่อสร้างแผนที่ 3D Point Cloud ของสิ่งแวดล้อมรอบๆ ตัว ด้วยความละเอียดระดับเซนติเมตร ถึงมิลลิเมตร ในปี 2025 ตลาด LiDAR อุตสาหกรรมมีมูลค่ากว่า 2.1 พันล้านดอลลาร์สหรัฐ และคาดว่าจะเติบโตในอัตรา CAGR 18.5% จนถึงปี 2030 โดยภาคอุตสาหกรรมการผลิตและลอจิสติกส์เป็นกลุ่มที่นำ LiDAR ไปใช้งานมากที่สุด ประเภทของ LiDAR ที่ใช้ในอุตสาหกรรม LiDAR แบ่งออกเป็นหลายประเภทตามหลักการทำงาน แต่ละแบบเหมาะกับงานที่แตกต่างกัน: ประเภท LiDAR Range Resolution Frame Rate การใช้งานหลัก Mechanical Spinning 100-300m สูง (0.1°) 10-20 Hz การทำแผนที่ 3D, Outdoor Navigation Solid-State 20-200m กลาง-สูง 20-30 Hz AGV/AMR, ADAS, ในโรงงาน Flash LiDAR 10-100m สูงมาก 30-60 Hz Collision Avoidance, QC Inspection FMCW LiDAR 200-300m+ สูง + Doppler 10-30 Hz ความเร็วสูง, วัดความเร็ววัตถุ กรณีศึกษา: LiDAR ในโรงงานจริง 1. AGV/AMR Navigation ในโกดังอัตโนมัติ บริษัท Bosch ใช้ LiDAR Solid-State บน AMR กว่า 200 คันในโกดังประเทศเยอรมนี ระบบสามารถนำทางได้แม่นยำระดับ ±2cm โดยไม่ต้องใช้ magnetic strip หรือ QR code บนพื้น ลดต้นทุนการติดตั้งโครงสร้างพื้นฐานได้ถึง 60% 2. Quality Inspection ด้วย 3D Point Cloud ในอุตสาหกรรมยานยนต์ BMW ใช้ LiDAR ความละเอียดสูงตรวจสอบชิ้นส่วน Body Panel หลังการพิมพ์ ระบบสามารถตรวจจับรอยบุ๋ม (dent)…