บทวิเคราะห์: Few-Shot Learning กับงานตรวจตำหนิ — เมื่อมีของเสียแค่ 30 ชิ้น ต้องเทรน AI ตรวจคุณภาพอย่างไร

คำถามที่ QA Manager ถามกันทุกโรงงาน: “จะเทรน AI ตรวจตำหนิได้อย่างไร ในเมื่อตัวอย่างของเสียมีแค่ 20-30 ชิ้นจากทั้งปี?” คำถามนี้เคยเป็นปมตายของ AI inspection เพราะ deep learning แบบ supervised ต้องการข้อมูลหลักพันถึงหมื่นภาพต่อ class แต่ปี 2025-2026 สนามวิจัย Few-Shot Learning (FSL) สำหรับงานตรวจตำหนิอุตสาหกรรมเปลี่ยนไปมาก — และตัวเลขที่ตีพิมพ์ล่าสุดบอกว่าอุปสรรค “ข้อมูลน้อย” กำลังถูกทลายทีละชั้น

บทวิเคราะห์นี้รวมตัวเลขจากงานวิจัย 5 ชิ้นล่าสุด เพื่อช่วยโรงงานไทยตัดสินใจว่า FSL พร้อมใช้จริงแค่ไหนในปี 2026 และควรเริ่มต้นจากกลยุทธ์ใด

ตัวเลขล่าสุดบอกอะไร

อ่านตารางนี้แบบมีมุม: ที่ 30-shot (รูปของเสีย 30 ใบ) ระบบรัน real-time ได้ 41.9 FPS พร้อม recall 93.6% — นั่นคือระดับที่ใช้หน้างานได้จริง ส่วนที่ 1-shot ผลยังแตกต่างกันตามความยากของ task (classification ทำได้ดีกว่า segmentation ชัดเจน)

4 เส้นทางเทคนิคที่งานวิจัยเดินกันจริง

1. Meta-Learning / Prototypical Network

แนวคิด: เทรนโมเดลให้ “เก่งการเรียนรู้ไว” โดยฝึกกับหลาย task จำนวนมาก แล้วให้สร้าง prototype ของ defect ใหม่จากตัวอย่างไม่กี่ใบ เป็นสายหลักที่ใช้มากที่สุด ผลงาน MF-GNN ต่อยอดด้วยการ fusion ข้อมูลภาพกับคำอธิบายตัวอักษร (multimodal) ทำให้หลาย crack type ใหม่ใช้ label ลดลงครึ่งหนึ่ง

2. Generative Augmentation

ใช้ generative model สร้างภาพ defect สังเคราะห์เสริมชุดข้อมูลน้อย — งานวิจัยที่ใช้ diffusion model แบบ dual adaptation สามารถสร้าง defect เหล็กความละเอียดสูงที่ train แล้วช่วยยก accuracy ได้จริง ข้อควรระวังคือภาพ synthetic ต้องผ่านการตรวจทานโดย QA มนุษย์ก่อนเข้า training set เพราะ artifact จากการ generate อาจสอนสิ่งที่ผิด

3. Attention & Feature Enhancement

เสริมพลัง backbone ด้วย attention module ที่โฟกัสจุดผิดปกติ — งาน Attention-guided FSL (2025) ใช้ Dual-Branch Attention แยก channel กับ spatial แล้วจับคู่ semantic ระหว่าง support set กับภาพที่ตรวจ ด้วย scaled dot-product attention แบบเดียวกับที่ใช้ใน transformer

4. Domain Adaptation ข้ามวัสดุ

งาน GEDT-OPT ใช้ optimal transport theory ถ่ายโอนความรู้ระหว่างผิวเหล็กกับอะลูมิเนียม ได้ 82% accuracy ใน 5-way 1-shot — หมายความว่าโรงงานที่ผลิตหลายวัสดุสามารถ reuse โมเดลร่วมกันได้บางส่วน

มุมมองของเรา: เริ่มที่ 30-shot ไม่ใช่ 1-shot

จากตัวเลขข้างต้น มุมมองเชิงปฏิบัติของ Honey Corporation คือ โรงงานไทยไม่ควรไล่ล่า 1-shot ในปีนี้ เหตุผลเชิงวิศวกรรมมีสามข้อ: หนึ่ง ผล 1-shot ยังแตกต่างกันมากระหว่าง dataset และงาน segmentation ที่ 42% mIoU ยังไม่พอใช้หน้างาน สอง การเก็บตัวอย่าง 30 ใบต่อ defect class ใหม่ทำได้จริงในกรอบ 1-2 ไตรมาส สาม ที่ 30-shot เทคโนโลยีให้ recall 93.6% real-time แล้ว — จุดคุ้มค่าลงทุนชัดเจนกว่า

ประสบการณ์จากงานติดตั้งระบบ IoT ของ Honey Corporation สอนเราว่า อุปสรรคใหญ่สุดของ AI inspection ในโรงงานไทยไม่ใช่ algorithm แต่คือ “การเก็บภาพ defect อย่างเป็นระบบตั้งแต่วันแรก” — ระบบ data pipeline ที่ดีทำให้โรงงานมีตัวอย่างคุณภาพพอสำหรับ few-shot ภายในไม่กี่เดือน โดยไม่ต้องรอ “big data” ตามที่หลายคนเข้าใจ

Key Takeaways

1. Few-Shot Learning ปี 2026 พร้อมใช้งานจริงที่ระดับ 30 ตัวอย่างต่อ class: recall 93.6%, real-time 41.9 FPS
2. 1-shot classification ทำได้ >92% บน dataset เหล็ก แต่ 1-shot segmentation ยังอยู่ที่ 42-68% mIoU — ยังไม่พอหน้างาน
3. 4 กลยุทธ์หลัก: meta-learning, generative augmentation, attention, domain adaptation — เลือกตามสภาพข้อมูลที่โรงงานมี
4. Generative augmentation ต้องมี human QA review เสมอ เพราะ artifact จากภาพ synthetic อาจทำให้โมเดลเรียนรู้ผิด
5. Domain adaptation ข้ามวัสดุ (เหล็ก → อะลูมิเนียม) ทำได้ 82% ใน 1-shot — ลดต้นทุนเมื่อผลิตหลายวัสดุ
6. ก้าวแรกที่คุ้มที่สุดไม่ใช่เทคนิค แต่คือระบบเก็บภาพ defect อย่างเป็นระบบตั้งแต่วันนี้