Smart Factory Archives - Page 2 of 4 - บริษัท ฮันนี่คอร์ปอเรชั่น จำกัด

May192026 by contentNo Comments

Master Data Management (MDM) สำหรับอุตสาหกรรม: รากฐานข้อมูลแม่นยำสู่ Smart Factory

Article

Master Data Management (MDM) สำหรับอุตสาหกรรม: รากฐานข้อมูลแม่นยำที่ขับเคลื่อน Smart Factory หนึ่งในความท้าทายที่ซ่อนอยู่เบื้องหลังความล้มเหลวของโปรเจกต์ Digital Transformation ในโรงงานอุตสาหกรรมคือ “ข้อมูลที่ไม่สอดคล้องกัน” (Inconsistent Data) ตัวอย่างเช่น Material Code ของวัตถุดิบตัวเดียวกันมีชื่อต่างกันใน ERP (MAT-001), MES (RM-RAW-001) และ LIMS (SAMPLE_A1) ทำให้ระบบไม่สามารถเชื่อมโยงข้อมูลข้ามระบบได้ Master Data Management (MDM) คือวิธีการแก้ปัญหานี้โดยสร้าง “Single Source of Truth” หรือแหล่งข้อมูลหลักเพียงแหล่งเดียวที่ทุกระบบยอมรับร่วมกัน ในบริบท Smart Factory ที่ MES, SCADA, ERP, PLM (Product Lifecycle Management) และ IoT Platform ต้องแลกเปลี่ยนข้อมูลกันตลอดเวลา MDM ทำหน้าที่เป็น “Golden Record” — ข้อมูลหลักที่ถูกต้อง สมบูรณ์ และเป็นปัจจุบันที่สุด — ที่ทุกระบบต้องอ้างอิง Master Data ในโรงงานมีอะไรบ้าง? Master Data ในบริบทอุตสาหกรรมแบ่งเป็น 4 กลุ่มหลัก: Product Data: Bill of Material (BOM), Specification, Drawing Number, Revision, Material Code Asset Data: Equipment ID, Machine Model, Location, Maintenance Schedule, Spare Part List Supplier/Customer Data: Vendor Code, Customer ID, Contact, Certification Status Process Data: Operation Step, Routing, Standard Parameter (Temperature, Pressure, Speed), Quality Specification ปัญหาที่เกิดขึ้นเมื่อไม่มี MDM ในโรงงาน ปัญหา ตัวอย่างในโรงงาน ผลกระทบ Duplicate Data Equipment เครื่องเดียวกันถูกลงทะเบียน 3 รหัสใน 3 ระบบ OEE…

May192026 by contentNo Comments

Data Lake สำหรับโรงงานอุตสาหกรรม: จาก Data Silo สู่ Data-Driven Factory

Article

Data Lake สำหรับโรงงานอุตสาหกรรม: จาก Data Silo สู่ Data-Driven Factory ในโรงงานอุตสาหกรรมยุคใหม่ ข้อมูลถูกสร้างขึ้นจากหลากหลายแหล่ง — SCADA, PLC, Sensor IoT, MES, ERP, LIMS (Laboratory Information Management System) และอีกมากมาย ปัญหาคือข้อมูลเหล่านี้มักกระจัดกระจายอยู่ใน “Data Silo” แยกกัน ทำให้วิเคราะห์ข้ามระบบไม่ได้ Data Lake เป็นแนวทางสถาปัตยกรรมที่แก้ปัญหานี้โดยรวบรวมข้อมูลทุกประเภทไว้ในที่เดียว ทั้ง Structured, Semi-structured และ Unstructured ต่างจาก Data Warehouse ที่ต้องกำหนด Schema ล่วงหน้า (Schema-on-Write) Data Lake ใช้หลักการ Schema-on-Read คือเก็บข้อมูลดิบ (Raw Data) ก่อน แล้วค่อยกำหนดโครงสร้างตอนอ่านมาวิเคราะห์ ทำให้รองรับข้อมูลได้หลากหลายกว่าและเพิ่ม Source ใหม่ได้ง่ายกว่า สถาปัตยกรรม Data Lake สำหรับโรงงาน (Industrial Data Lake) Industrial Data Lake มีโครงสร้าง 4 ชั้นหลัก: Ingestion Layer: รับข้อมูลจากทุกแหล่ง — MQTT Broker (Sensor Data), OPC UA (PLC/SCADA), Database Connector (ERP/MES), File Upload (CAD, Report PDF) รองรับทั้ง Batch และ Real-time Streaming Storage Layer: เก็บข้อมูลใน Object Storage หรือ Hadoop Distributed File System (HDFS) แบ่งเป็น 3 Zone: Raw Zone (Bronze), Cleansed Zone (Silver), Curated Zone (Gold) Processing Layer: ใช้ Apache Spark หรือ Apache Flink ประมวลผลข้อมูลทั้ง Batch และ Stream ทำ ETL/ELT,…

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…

May182026 by contentNo Comments

ERP-MES-SCADA Integration: ผสาน 3 ระบบหลักของ Smart Factory ให้ข้อมูลไหลไร้รอยต่อตาม ISA-95

Article

ERP-MES-SCADA Integration: ผสาน 3 ระบบหลักให้เป็นหนึ่งเดียวใน Smart Factory โรงงานอัจฉริยะสมัยใหม่ต้องการการไหลของข้อมูลที่ ไร้รอยต่อ จากชั้น Business Planning ลงไปจนถึงชั้น Shop Floor สามระบบหลักที่ต้องเชื่อมกันคือ ERP (Enterprise Resource Planning), MES (Manufacturing Execution System) และ SCADA (Supervisory Control and Data Acquisition) — เมื่อผสานสามระบบนี้เข้าด้วยกันอย่างถูกต้อง โรงงานจะสามารถตอบสนองต่อการเปลี่ยนแปลงของตลาดได้แบบ Real-time โครงสร้าง 3 ชั้นของ Smart Factory Layer ระบบ หน้าที่หลัก Data Granularity Level 4 — BusinessERPวางแผนผลิต, จัดซื้อ, บัญชี, คลังสินค้าDaily/Monthly Level 3 — OperationsMESจัดตารางผลิต, ติดตาม OEE, Genealogy, QualityMinute/Shift Level 1-2 — ControlSCADA/PLCควบคุมเครื่องจักร, อ่าน Sensor, Alarm, TrendMillisecond/Second Challenge ในการผสานระบบ ข้อมูลต่าง Granularity — ERP ทำงานระดับวัน/เดือน แต่ SCADA ทำงานระดับมิลลิวินาที จะ Aggregate อย่างไรให้ไม่สูญเสียความละเอียด? Protocol Mismatch — ERP ใช้ REST/SOAP API, MES ใช้ Message Queue, SCADA ใช้ OPC UA/Modbus — ต้องมี Middleware แปลง Protocol Data Model Alignment — รหัสสินค้า, รหัสเครื่องจักร, หน่วยวัด ต้อง Map ให้ตรงกันทั้ง 3 ระบบ Architecture สำหรับ Integration ยุคใหม่ แนวทางที่แนะนำคือ API Gateway + Message Bus: SCADA → MES — ใช้ OPC UA…

May182026 by contentNo Comments

Ethernet-APL: Single Pair Ethernet สำหรับ Process Automation — เชื่อม Field Instrument ด้วยความเร็ว 10 Mbps ในพื้นที่อันตราย

Article

Ethernet-APL: เครือข่ายอีเทอร์เน็ตใหม่เพื่อกระบวนการผลิต (Process Automation) ในอุตสาหกรรมกระบวนการ (Process Industry) เช่น ปิโตรเคมี, ยา, และอาหาร การสื่อสารระหว่าง Field Instrument กับ Control System มักใช้สัญญาณ 4-20mA หรือ HART ที่มีแบนด์วิดท์จำกัด Ethernet-APL (Advanced Physical Layer) คือมาตรฐานใหม่ตาม IEC 63171-6 ที่นำ Ethernet สาย 2 สาย (Single Pair Ethernet) เข้าสู่พื้นที่อันตราย (Hazardous Area) ได้โดยตรง — เปิดยุคใหม่ที่ Field Instrument สื่อสารด้วยความเร็วสูงสุด 10 Mbps สถาปัตยกรรม Ethernet-APL Ethernet-APL ใช้สถาปัตยกรรมแบบ Trunk-Spur: Trunk Cable — สายหลักความยาวสูงสุด 1,000 เมตร เชื่อมจาก Switch ไปยัง Field Switch Spur Cable — สายแยกความยาวสูงสุด 200 เมตร ต่อจาก Field Switch ไปยัง Instrument แต่ละตัว Power over Ethernet (PoDL) — จ่ายไฟและส่งข้อมูลผ่านสายเส้นเดียวกัน ลดการวางสายไฟแยก Intrinsically Safe — รองรับ Zone 0/1/2 (Ex i) สามารถติดตั้งในพื้นที่อันตรายได้ จุดเด่นสำคัญ: Ethernet-APL ส่งทั้ง ไฟฟ้า + ข้อมูล + Ethernet Protocol ผ่านสาย 2 เส้นเพียงเส้นเดียว ในระยะทางสูงสุด 1,200 เมตร — นี่คือ Evolution ที่สำคัญที่สุดของ Field Communication ในรอบ 30 ปี Ethernet-APL vs เทคโนโลยีเดิม Parameter 4-20mA HART Ethernet-APL Data Rate— (Analog)1.2 kbps10 Mbps จำนวน Data…

May172026 by contentNo Comments

Green Manufacturing: ยกระดับโรงงานสู่การผลิตสีเขียวด้วยเทคโนโลยี IoT และ Automation

Article

Green Manufacturing: ยกระดับโรงงานสู่การผลิตสีเขียวด้วยเทคโนโลยี IoT และ Automation ในยุคที่ Climate Change กลายเป็นประเด็นระดับโลก อุตสาหกรรมการผลิตซึ่งมีสัดส่วนการปล่อยก๊าซเรือนกระจกประมาณ 21% ของทั้งโลก (ตามข้อมูล IEA 2025) จำเป็นต้องเปลี่ยนผ่านสู่ Green Manufacturing อย่างหลีกเลี่ยงไม่ได้ แต่ Green Manufacturing ไม่ใช่แค่การลดการปล่อยก๊าซ ทว่าเป็นการปรับโครงสร้างกระบวนการผลิตทั้งระบบด้วยเทคโนโลยี IoT, AI และ Automation Green Manufacturing คืออะไร? ต่างจาก Greenwashing อย่างไร? Green Manufacturing คือแนวทางการผลิตที่ลดผลกระทบต่อสิ่งแวดล้อมอย่างเป็นระบบ ตั้งแต่การเลือกวัตถุดิบ กระบวนการผลิต การจัดการของเสีย ไปจนถึงการขนส่ง โดยอาศัย ข้อมูลเชิงลึก (Data-Driven) ในการตัดสินใจ ไม่ใช่แค่ปลูกต้นไม้หน้าโรงงานแล้วถ่ายรูปลง Social Media ความแตกต่างสำคัญคือ Green Manufacturing ต้องมี ตัวเลขที่วัดได้ (Measurable Metrics) ซึ่งต้องอาศัยระบบ IoT Monitoring ที่ติดตามข้อมูลแบบ Real-Time เสาหลัก 5 ด้านของ Green Manufacturing เสาหลัก เป้าหมาย เทคโนโลยีหลัก KPI ตัวอย่าง Energy Efficiency ลดการใช้พลังงานต่อหน่วยผลิต IoT Energy Meter, Smart Grid, VFD kWh/Unit ลด ≥15% Waste Minimization ลดของเสียและเพิ่ม Recycle Rate AI Quality Inspection, SPC, Digital Tracking Scrap Rate <2% Water Management ลดการใช้น้ำและเพิ่ม Water Reuse Flow Meter, pH Sensor, Water Treatment IoT Water Reuse ≥60% Emission Control ลด GHG Emission ทุก Scope Gas Analyzer, Stack Monitoring, Carbon Accounting Scope 1+2 ลด ≥20% Circular…

May132026 by contentNo Comments

Smart Flow Meter ในยุค Industrial IoT: เทคโนโลยีวัดการไหลอัจฉริยะที่ขับเคลื่อน Smart Factory

Article

Smart Flow Meter ในยุค Industrial IoT: จากเครื่องวัดธรรมดาสู่อุปกรณ์อัจฉริยะเชื่อมต่อได้ ในกระบวนการผลิตอุตสาหกรรม Flow Meter หรือเครื่องวัดอัตราการไหล เป็นหนึ่งในเครื่องมือวัด (Instrumentation) ที่สำคัญที่สุด ไม่ว่าจะเป็นการวัดการไหลของน้ำ ก๊าซ ไอน้ำ น้ำมัน หรือสารเคมี จากข้อมูลของ MarketsandMarkets ปี 2025 ตลาด Flow Meter ทั่วโลกมีมูลค่า 8.9 พันล้านดอลลาร์สหรัฐ และคาดว่าจะถึง 12.4 พันล้านดอลลาร์ภายในปี 2030 ประเภทของ Flow Meter ที่ใช้ในอุตสาหกรรม ประเภท หลักการ ของเหลว/ก๊าซ ความแม่นยำ ใช้มากใน Electromagnetic Faraday's Law ของเหลวนำไฟฟ้า ±0.2–0.5% ควบคุมกระบวนการ, น้ำเสีย Coriolis Coriolis Effect ของเหลว + ก๊าซ ±0.05–0.1% ปิโตรเคมี, อาหาร, ยา Ultrasonic Transit Time / Doppler ของเหลว + ก๊าซ ±0.5–1.0% น้ำมัน, ก๊าซธรรมชาติ, HVAC Vortex Von Kármán Effect ของเหลว + ก๊าซ + ไอน้ำ ±0.75–1.5% ไอน้ำ, ก๊าซอัด Thermal Mass Heat Transfer ก๊าซ ±1.0–1.5% ก๊าซธรรมชาติ, Argon, Compressed Air Differential Pressure (DP) Bernoulli's Principle ของเหลว + ก๊าซ + ไอน้ำ ±1.0–2.0% 通用 — ใช้ได้กับทุกอุตสาหกรรม Smart Flow Meter แตกต่างจาก Flow Meter แบบดั้งเดิมอย่างไร? Smart Flow Meter ในยุค IIoT ไม่ได้วัดแค่อัตราการไหลอย่างเดียว แต่มาพร้อมความสามารถที่เหนือกว่า: Multi-Variable Measurement: วัด Flow Rate, Temperature, Pressure, Density พร้อมกันในตัวเดียว…

May132026 by contentNo Comments

SIS (Safety Instrumented System): ระบบความปลอดภัยอัตโนมัติที่ปกป้องชีวิตและทรัพย์สินในโรงงานอุตสาหกรรม

Article

SIS (Safety Instrumented System): ระบบความปลอดภัยอัตโนมัติที่ปกป้องชีวิตและทรัพย์สินในโรงงานอุตสาหกรรม ในโรงงานอุตสาหกรรมที่มีความเสี่ยงสูง เช่น โรงกลั่นน้ำมัน โรงงานปิโตรเคมี โรงงานก๊าซ และโรงงานผลิตสารเคมี Safety Instrumented System (SIS) คือระบบความปลอดภัยชั้นสุดท้าย (Last Layer of Protection) ที่ทำงานเมื่อระบบควบคุมกระบวนการ (BPCS) ไม่สามารถควบคุมสถานการณ์ได้ ตามมาตรฐาน IEC 61511 ซึ่งเป็นมาตรฐานสากลสำหรับ SIS ในอุตสาหกรรมกระบวนการ SIS ประกอบด้วยอะไรบ้าง? SIS ทำงานในรูปแบบ Safety Instrumented Function (SIF) ซึ่งประกอบด้วย 3 องค์ประกอบหลัก: Sensor (Field Device): ตรวจจับสภาวะผิดปกติ เช่น Pressure Transmitter, Temperature Sensor, Level Switch, Flame Detector, Gas Detector Logic Solver: ประมวลผลสัญญาณจาก Sensor และตัดสินใจว่าต้องดำเนินการหรือไม่ มักใช้ Safety PLC (เช่น Siemens S7-400FH, Emerson DeltaV SIS, HIMA HIMax) ที่ผ่านการรับรอง SIL ตาม IEC 61508 Final Element: ดำเนินการป้องกัน เช่น Shutdown Valve (SDV), Blowdown Valve (BDV), Fire & Gas Deluge Valve, Pump Trip SIF Component ตัวอย่างอุปกรณ์ SIL Rating ที่รองรับ หมายเหตุ Sensor Pressure Transmitter SIL 2/3 SIL 2–3 ต้องเป็น SIL Certified จาก TÜV/Exida Logic Solver Safety PLC (HIMA, Siemens) SIL 3–4 Redundancy: 1oo2, 2oo3 Voting Final Element Shutdown Valve + Solenoid…

May132026 by contentNo Comments

Collaborative Robots (Cobots): หุ่นยนต์ทำงานร่วมกับมนุษย์ในโรงงานอัจฉริยะยุค Industry 4.0

Article

Collaborative Robots (Cobots) คืออะไร? หุ่นยนต์รุ่นใหม่ที่ทำงานเคียงข้างมนุษย์ ในยุคที่ Industry 4.0 เข้ามาเปลี่ยนแปลงโฉมหน้าของโรงงานอุตสาหกรรม Collaborative Robots หรือ Cobots กลายเป็นหนึ่งในเทคโนโลยีที่เติบโตเร็วที่สุด ตามรายงานของ International Federation of Robotics (IFR) ปี 2025 ตลาด Cobots ทั่วโลกมีมูลค่าเกิน 2.4 พันล้านดอลลาร์สหรัฐ และคาดว่าจะเติบโตในอัตรา CAGR 32% จนถึงปี 2030 ความแตกต่างระหว่าง Industrial Robot แบบดั้งเดิมกับ Cobot หุ่นยนต์อุตสาหกรรมแบบดั้งเดิม (Traditional Industrial Robot) ต้องทำงานในกรง (Cage) แยกจากคนงาน เนื่องจากมีกำลังและความเร็วสูง อันตรายหากมีมนุษย์อยู่ใกล้ ในขณะที่ Cobot ถูกออกแบบมาให้ทำงานร่วมกับมนุษย์ได้โดยตรง โดยมีระบบความปลอดภัยในตัว คุณสมบัติ Industrial Robot Collaborative Robot (Cobot) พื้นที่ทำงาน ต้องมีกรง/รั้วกั้น ทำงานร่วมกับคนได้เลย น้ำหนักบรรทุก 10–2,300 kg 3–35 kg ความเร็ว สูงมาก (1–5 m/s) จำกัดที่ 250 mm/s (ตาม ISO/TS 15066) การติดตั้ง ใช้เวลาหลายวัน–หลายสัปดาห์ Plug-and-play ภายในไม่กี่ชั่วโมง ราคาเฉลี่ย $50,000–$500,000+ $15,000–$80,000 การเขียนโปรแกรม ต้องมีวิศวกร Robot Programmer Hand Guiding / Blockly / Python เทคโนโลยีความปลอดภัยที่ทำให้ Cobot ทำงานร่วมกับมนุษย์ได้ Cobot ต้องผ่านมาตรฐาน ISO 10218-1:2024 และ ISO/TS 15066:2016 ซึ่งกำหนดข้อกำหนดด้านความปลอดภัยสำหรับหุ่นยนต์ที่ทำงานร่วมกับมนุษย์ โดยมีระบบความปลอดภัยหลัก 4 ประเภท: Power and Force Limiting (PFL): จำกัดแรงกระแทกไม่เกินค่าที่ปลอดภัยต่อร่างกายมนุษย์ ตามตาราง Biomechanical Limits ใน ISO/TS 15066 เช่น แรงกระแทกที่มือไม่เกิน 140 N Safety-Rated Monitored Stop: หุ่นยนต์หยุดทันทีเมื่อมนุษย์เข้ามาในโซนทำงาน และกลับมาทำงานต่อเมื่อมนุษย์ออกไป Hand Guiding: มนุษย์สามารถจับแขนหุ่นยนต์สอนงานได้โดยตรง (Lead-Through…

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…