การฝึกอบรมระบบตรวจสอบด้วยภาพสำหรับไลน์ผลิตภัณฑ์ใหม่

ขอเริ่มต้นด้วยความจริงใจก่อน กล่าวคือ การเพิ่มไลน์ผลิตภัณฑ์ใหม่เป็นจุดสำคัญที่น่าพอใจ แต่ก็อาจนำมาซึ่งปัญหาที่น่าปวดหัวได้เช่นกัน ระบบตรวจสอบด้วยวิชันของคุณไม่รู้จักชิ้นส่วนใหม่เหล่านี้ และยังไม่ทราบด้วยว่าชิ้นส่วนใดถือว่าดีหรือไม่ดี คุณจึงจำเป็นต้องฝึกสอนระบบให้รู้จัก หากคุณดำเนินการฝึกสอนด้วยวิธีที่ไม่เหมาะสม คุณอาจพบกับปัญหาการปฏิเสธที่ผิดพลาด การไม่ตรวจจับข้อบกพร่อง และพนักงานปฏิบัติการที่รู้สึกหงุดหงิดอย่างมาก ข่าวดีก็คือ การฝึกอบรมระบบตรวจสอบด้วยวิชันสามารถทำได้อย่างรวดเร็วและไม่ยุ่งยากเลย หากคุณปฏิบัติตามขั้นตอนที่ถูกต้อง

การเตรียมการเริ่มต้นจากการเก็บตัวอย่าง

ก่อนที่คุณจะเริ่มใช้งานระบบ คุณต้องรวบรวมตัวอย่างต้นแบบของคุณเสียก่อน นี่คือขั้นตอนที่สำคัญที่สุด แต่กลับเป็นขั้นตอนที่ผู้คนมักเร่งรีบทำมากที่สุด อย่าเป็นคนแบบนั้น

คุณจำเป็นต้องมีตัวอย่างต้นแบบหลายประเภท โดยขั้นตอนแรก ให้เก็บตัวอย่างชิ้นส่วนที่ดีไว้ คุณจะต้องมีภาพถ่ายผลิตภัณฑ์ที่ตรงตามมาตรฐานคุณภาพของคุณมากกว่าเพียงไม่กี่ภาพ อาจต้องใช้ภาพจำนวนหลายสิบหรือแม้แต่หลายร้อยภาพ ยิ่งคุณมีภาพมากเท่าไร ระบบก็จะยิ่งเข้าใจลักษณะของสิ่งที่ยอมรับได้ได้ดีขึ้นเท่านั้น ทั้งนี้ ตัวอย่างชิ้นส่วนที่ดีเหล่านี้ควรครอบคลุมความแปรผันปกติที่คุณคาดว่าจะพบ เช่น ความแตกต่างเล็กน้อยของสี การเคลื่อนตำแหน่งเล็กน้อย หรือการเปลี่ยนแปลงพื้นผิวที่ไม่มากนัก หากคุณใช้เฉพาะตัวอย่างชิ้นส่วนที่สมบูรณ์แบบในการฝึกอบรม ระบบตรวจสอบด้วยวิสัยทัศน์จะปฏิเสธชิ้นส่วนทั้งหมดที่มีลักษณะต่างออกไปเพียงเล็กน้อย แม้ว่าชิ้นส่วนนั้นจะยังคงอยู่ในเกณฑ์ที่ใช้งานได้ดีอย่างสมบูรณ์ก็ตาม

ประการที่สอง รวบรวมชิ้นส่วนที่มีข้อบกพร่อง จัดทำรายการโดยละเอียดสำหรับแต่ละประเภทของข้อบกพร่องที่สำคัญต่อคุณ รายการนี้อาจรวมถึงรอยขีดข่วน รอยแตก ชิ้นส่วนหาย โทนสีผิด หรือฉลากเรียงตัวไม่ตรงตำแหน่ง ยิ่งคุณมีตัวอย่างข้อบกพร่องที่หลากหลายมากเท่าใด ระบบก็จะเรียนรู้ได้ดีขึ้นว่าควรตรวจหาอะไรเท่านั้น งานวิจัยชิ้นหนึ่งแสดงให้เห็นว่า โมเดลตรวจจับข้อบกพร่องที่ผ่านการฝึกเบื้องต้นมาแล้วสามารถปรับตัวให้เข้ากับผลิตภัณฑ์ใหม่ได้หลังจากได้รับตัวอย่างใหม่ในจำนวนปานกลางและผ่านการปรับแต่งเพิ่มเติม (fine-tuning) ด้วยปริมาณเล็กน้อย อย่างไรก็ตาม คำว่า “ปานกลาง” ไม่ได้หมายความว่า “น้อยที่สุด” ชุดข้อมูลที่มีคุณภาพต่ำจะยังคงให้ผลลัพธ์ที่แย่เช่นกัน ดังนั้นโปรดเตรียมตัวอย่างที่มีการกำหนดขอบเขตอย่างชัดเจน

ใช้ฟีเจอร์ Quick Teach เพื่อเริ่มต้นอย่างรวดเร็ว

เมื่อคุณเตรียมชุดตัวอย่างของคุณเสร็จสมบูรณ์แล้ว ก็ถึงเวลาสอนระบบ คุณโชคดีมาก เพราะระบบตรวจสอบด้วยภาพสมัยใหม่เกือบทั้งหมดมีฟีเจอร์ในตัวที่เรียกว่า Quick Teach หรือ One Button Teach ซึ่งจะทำให้งานของคุณง่ายขึ้นมากเมื่อเพิ่มไลน์ผลิตภัณฑ์ใหม่

การเรียนรู้อย่างรวดเร็ว (Quick Teach) ทำงานโดยการถ่ายภาพอ้างอิงของชิ้นส่วนที่ไม่มีข้อบกพร่องเป็นตัวอย่าง จากนั้นระบบจะตั้งค่าพารามิเตอร์ต่างๆ โดยอัตโนมัติตามภาพนั้น ระบบจะวิเคราะห์ภาพอ้างอิง วัดลักษณะสำคัญต่างๆ และกำหนดค่าความคลาดเคลื่อนที่ยอมรับได้ คุณจึงไม่จำเป็นต้องป้อนตัวเลขด้วยตนเอง หรือคาดเดาตำแหน่งของเกณฑ์การตัดสินใจด้วยตนเอง ระบบจะดำเนินการส่วนที่ซับซ้อนทั้งหมดให้คุณ

วิธีนี้เหมาะอย่างยิ่งสำหรับการตรวจสอบชุดชิ้นส่วนจำนวนมากที่มีลักษณะเหมือนกันทั้งหมด เช่น หากคุณกำลังตรวจสอบชิ้นส่วนโลหะที่ผ่านกระบวนการตีขึ้นรูป (stamped metal parts) ที่เหมือนกันทุกชิ้น หรือชิ้นส่วนพลาสติกที่ผ่านกระบวนการขึ้นรูปด้วยแม่พิมพ์ (molded plastic components) การเรียนรู้อย่างรวดเร็ว (Quick Teach) จะสามารถดำเนินการตรวจสอบให้เสร็จสิ้นภายในไม่กี่นาที แทนที่จะใช้เวลาหลายชั่วโมง กล้องสมัยใหม่บางรุ่นสามารถลดระยะเวลาการตั้งค่าระบบจากหลายชั่วโมงลงเหลือเพียงไม่กี่นาที โดยการเรียนรู้โดยอัตโนมัติจากภาพตัวอย่างจำนวนไม่มาก ประเด็นสำคัญคือ คุณต้องมั่นใจว่าภาพอ้างอิงที่ใช้นั้นแสดงลักษณะที่แท้จริงของชิ้นส่วนที่คุณคาดว่าจะพบในการตรวจสอบแต่ละชุด

เปลี่ยนไปใช้การเรียนรู้แบบมาตรฐาน (Standard Teach) เมื่อชิ้นส่วนมีความแตกต่างกัน

การเรียนรู้อย่างรวดเร็ว (Quick Teach) มีข้อเสียอยู่ประการหนึ่ง กล่าวคือ หากชิ้นส่วนของท่านมีความแปรผันอย่างมากในด้านลักษณะภายนอก การเรียนรู้อย่างรวดเร็วจะมีแนวโน้มปฏิเสธชิ้นส่วนที่ดีจำนวนหนึ่งมากขึ้น ในกรณีเช่นนี้ ระบบจำเป็นต้องเรียนรู้จากชุดตัวอย่างชิ้นส่วนที่ดีหลายรอบ

การเรียนรู้แบบมาตรฐาน (Standard Teach) ทำงานแตกต่างออกไป โดยแทนที่จะใช้ภาพอ้างอิงเพียงภาพเดียว ท่านจะนำชิ้นส่วนที่ดีทั้งชุดผ่านระบบ ระบบตรวจสอบด้วยภาพจะวิเคราะห์ชิ้นส่วนทั้งหมด วัดระดับความแปรผันตามธรรมชาติ และกำหนดขอบเขตความคลาดเคลื่อนให้ครอบคลุมช่วงของผลลัพธ์ที่ยอมรับได้ทั้งหมด ด้วยวิธีนี้ ระบบจะเรียนรู้ว่า 'ชิ้นส่วนที่ดี' ควรเป็นอย่างไรภายใต้เงื่อนไขการผลิตจริงของท่าน ไม่ใช่เพียงภายใต้สภาพแวดล้อมห้องปฏิบัติการที่สมบูรณ์แบบเท่านั้น

ไม่มีข้อจำกัดเกี่ยวกับจำนวนตัวอย่างที่คุณสามารถใช้ในระหว่างกระบวนการสอน (Teach) ยิ่งคุณแสดงชิ้นส่วนที่ดีให้ระบบเห็นมากเท่าใด ระบบก็จะเข้าใจได้ดีขึ้นว่าสิ่งใดถือว่ายอมรับได้เท่านั้น และนี่คือเคล็ดลับระดับมืออาชีพ: ในการสอนแบบมาตรฐาน (Standard Teach) ให้ใช้เฉพาะชิ้นส่วนที่ดีเท่านั้น หากคุณโดยไม่ตั้งใจรวมชิ้นส่วนที่เสียไว้ด้วย ระบบจะเรียนรู้ว่าข้อบกพร่องนั้นเป็นสิ่งที่ยอมรับได้ ซึ่งอาจทำให้เกิดปัญหาตามมาอย่างรุนแรง

ปรับแต่งด้วยตนเองเมื่อจำเป็น

บางครั้งการสอนโดยอัตโนมัติไม่เพียงพอ ชิ้นส่วนของคุณอาจมีลักษณะที่ซับซ้อนซึ่งระบบไม่สามารถจัดการได้อย่างมีประสิทธิภาพ ในกรณีเช่นนี้ คุณจำเป็นต้องปรับแต่งพารามิเตอร์ด้วยตนเอง

ระบบตรวจสอบด้วยภาพส่วนใหญ่จะอนุญาตให้คุณเข้าไปยังเครื่องมือต่าง ๆ และปรับแต่งการตั้งค่าด้วยตนเองได้ คุณสามารถปรับเปลี่ยนบริเวณที่สนใจ (Region of Interest) เปลี่ยนค่าเกณฑ์ความคลาดเคลื่อน (Tolerance Thresholds) และปรับแต่งตรรกะการผ่านหรือล้มเหลว (Pass or Fail Logic) อย่างละเอียด การดำเนินการด้วยวิธีนี้ใช้เวลามากกว่าและต้องอาศัยประสบการณ์บางประการ แต่จะให้การควบคุมที่แม่นยำที่สุด สำหรับงานที่ต้องการความแม่นยำสูงซึ่งแม้แต่ข้อผิดพลาดเล็กน้อยก็มีผลสำคัญ การปรับแต่งด้วยตนเองจึงคุ้มค่ากับความพยายามเพิ่มเติมที่ใช้ไป

หากคุณกำลังทำงานกับผลิตภัณฑ์ใหม่ที่มีความคล้ายคลึงกับผลิตภัณฑ์รุ่นเก่า คุณอาจประหยัดเวลาได้มากโดยใช้การตรวจสอบที่มีอยู่แล้วเป็นจุดเริ่มต้น การศึกษาหนึ่งเกี่ยวกับการถ่ายโอนการเรียนรู้ (transfer learning) แสดงให้เห็นว่า แบบจำลองที่ฝึกด้วยข้อมูลจากผลิตภัณฑ์รุ่นเก่าสามารถปรับใช้กับผลิตภัณฑ์รุ่นใหม่ได้ โดยใช้ข้อมูลการฝึกใหม่เพียงเล็กน้อย และยังคงรักษาความแม่นยำไว้ได้มากกว่า 98 เปอร์เซ็นต์ นั่นหมายความว่า คุณไม่จำเป็นต้องเริ่มต้นใหม่ทุกครั้ง แต่สามารถพัฒนาต่อยอดจากแบบจำลองที่มีอยู่แล้วได้

ใช้ปัญญาประดิษฐ์ (AI) สำหรับการตรวจสอบที่ซับซ้อน

ระบบการตรวจสอบด้วยภาพแบบดั้งเดิมอาศัยกฎที่กำหนดตายตัว เช่น รอยขีดข่วนยาวกว่า X มิลลิเมตรหรือไม่? สีอยู่นอกช่วง Y หรือไม่? วิธีนี้ใช้ได้ดีสำหรับการตรวจสอบที่เรียบง่าย แต่เมื่อข้อบกพร่องมีลักษณะไม่สม่ำเสมอ ไม่คงที่ หรือยากที่จะอธิบายด้วยกฎที่กำหนดตายตัว ระบบแบบดั้งเดิมมักประสบความยากลำบาก

การตรวจสอบด้วยภาพที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) เปลี่ยนแปลงกฎเกณฑ์ทั้งหมด แทนที่จะปฏิบัติตามชุดกฎที่กำหนดไว้ล่วงหน้า ระบบจะเรียนรู้จากตัวอย่างที่ให้ไว้ คุณเพียงแสดงภาพตัวอย่างที่ดีและไม่ดีจำนวนหลายร้อยหรือหลายพันภาพให้ระบบ และมันจะค้นหารูปแบบต่าง ๆ ด้วยตนเอง การตรวจสอบด้วยภาพที่ขับเคลื่อนด้วยปัญญาประดิษฐ์นี้มีประโยชน์อย่างยิ่งต่อผู้ผลิตที่ต้องการรักษาคุณภาพผลิตภัณฑ์และลดของเสียให้น้อยที่สุด นอกจากนี้ยังสามารถปรับตัวได้ดีมากเมื่อมีการเปลี่ยนแปลงผลิตภัณฑ์ บางแพลตฟอร์มรวมการเรียนรู้ด้วยปัญญาประดิษฐ์แบบมีผู้ควบคุม (supervised) และแบบไม่มีผู้ควบคุม (unsupervised) เข้ากับเครื่องมือที่ใช้กฎเป็นหลัก เพื่อลดผลบวกเท็จ (false positives) และป้องกันไม่ให้ผลิตภัณฑ์ที่มีข้อบกพร่องถึงมือลูกค้า

สิ่งที่ยอดเยี่ยมเกี่ยวกับระบบในปัจจุบันคือความเป็นมิตรต่อผู้ใช้ กล้องบางรุ่นในปัจจุบันมาพร้อมกับระบบปัญญาประดิษฐ์ (AI) แบบในตัว ซึ่งสามารถเรียนรู้โดยอัตโนมัติจากภาพตัวอย่างเพียงไม่กี่ภาพเท่านั้น ทำให้ไม่จำเป็นต้องปรับแต่งด้วยตนเองอย่างละเอียดและใช้เวลานาน อินเทอร์เฟซที่เป็นมิตรต่อผู้ใช้จะช่วยนำทางผู้ปฏิบัติงานผ่านทุกขั้นตอนของกระบวนการตั้งค่า ตั้งแต่การปรับแสงไปจนถึงการลงทะเบียนภาพอ้างอิง แม้แต่ผู้ปฏิบัติงานที่มีประสบการณ์ในการตรวจสอบด้วยภาพจำกัด ก็สามารถสร้างกระบวนการตรวจสอบที่มีความแข็งแกร่งได้

การทดสอบและการตรวจสอบความถูกต้องเป็นสิ่งจำเป็น

นี่คือจุดที่คนส่วนใหญ่เกิดข้อผิดพลาดร้ายแรง โดยพวกเขาฝึกอบรมระบบ ทำการทดสอบอย่างรวดเร็ว จากนั้นจึงนำไปใช้งานจริงทันที ซึ่งถือเป็นข้อผิดพลาดครั้งใหญ่มาก

ก่อนที่คุณจะให้ระบบตรวจสอบด้วยการมองเห็นทำงานโดยไม่มีผู้ควบคุม คุณจำเป็นต้องตรวจสอบและยืนยันความถูกต้องของระบบอย่างเหมาะสม ให้รันชุดตัวอย่างที่ทราบว่าดีและชุดตัวอย่างที่ทราบว่ามีข้อบกพร่องผ่านระบบ แล้วสังเกตว่าระบบสามารถตรวจจับข้อบกพร่องทั้งหมดได้หรือไม่ และสังเกตว่าระบบปฏิเสธชิ้นส่วนที่ดีโดยไม่จำเป็นหรือไม่ หากอัตราการปฏิเสธที่ผิดพลาด (False Reject Rate) สูงเกินไป ให้กลับไปปรับค่าความคลาดเคลื่อนที่ยอมรับได้ (tolerances) ของคุณ หากอัตราการไม่ตรวจพบข้อบกพร่อง (Miss Rate) สูงเกินไป ให้เพิ่มตัวอย่างข้อบกพร่องลงในชุดข้อมูลฝึกอบรมของคุณ

การใช้วิธีการพิสูจน์แนวคิด (Proof of Concept) จะให้ผลดีในกรณีนี้ ให้เริ่มต้นด้วยจุดตรวจสอบที่สำคัญจุดเดียวบนสายการผลิตใหม่ของคุณ แทนที่จะพยายามทำให้ทุกอย่างเป็นอัตโนมัติพร้อมกันทั้งหมด รวบรวมชุดข้อมูลมาตรฐาน (Golden Dataset) ที่ประกอบด้วยตัวอย่างที่ดีและตัวอย่างที่มีข้อบกพร่อง ทดสอบความเป็นไปได้ จากนั้นจึงขยายขอบเขตการใช้งานเท่านั้น การดำเนินขั้นตอนนี้อย่างถูกต้องจะช่วยประหยัดค่าใช้จ่ายของคุณได้มากในระยะยาว

วางแผนสำหรับการปรับปรุงอย่างต่อเนื่อง

การฝึกอบรมระบบตรวจสอบด้วยการมองเห็นไม่ใช่เหตุการณ์ที่เกิดเพียงครั้งเดียว ผลิตภัณฑ์ของคุณจะเปลี่ยนแปลง ซัพพลายเออร์ของคุณจะเปลี่ยนแปลง สภาพแวดล้อมในการผลิตของคุณจะเปลี่ยนแปลง ดังนั้น ระบบการตรวจสอบของคุณจึงจำเป็นต้องปรับตัวตามการเปลี่ยนแปลงเหล่านั้น

สร้างกระบวนการสำหรับการฝึกอบรมอย่างต่อเนื่อง ทุกครั้งที่คุณพบข้อบกพร่องรูปแบบใหม่ที่ระบบของคุณไม่สามารถตรวจจับได้ ให้นำภาพเหล่านั้นไปเพิ่มลงในชุดข้อมูลการฝึกอบรมและทำการฝึกโมเดลใหม่ ทุกครั้งที่คุณเปลี่ยนการออกแบบผลิตภัณฑ์ ให้อัปเดตรูปภาพอ้างอิงของคุณ ระบบขั้นสูงบางระบบมีความสามารถในการเรียนรู้อย่างต่อเนื่อง (continuous learning) ซึ่งสามารถปรับตัวเข้ากับความแปรผันของผลิตภัณฑ์ได้ตามกาลเวลา ยิ่งคุณฝึกอบรมระบบของคุณมากเท่าไร ระบบก็จะยิ่งฉลาดขึ้นเท่านั้น

ผู้ผลิตที่ดำเนินการตามหลักการเหล่านี้อย่างถูกต้องจะเห็นผลลัพธ์ที่เป็นรูปธรรมจริง AI สำหรับการตรวจสอบด้วยวิชัน (AI vision inspection) ช่วยให้ตรวจจับข้อบกพร่องได้ตั้งแต่ระยะแรก วิเคราะห์หาสาเหตุหลักได้รวดเร็วขึ้น และให้ข้อมูลเชิงลึกที่นำไปปฏิบัติได้แบบเรียลไทม์ ซึ่งส่งผลให้ประสิทธิภาพเพิ่มขึ้นและลดของเสียลง YIHUI ออกแบบอุปกรณ์การตรวจสอบด้วยวิชันโดยคำนึงถึงหลักการฝึกอบรมเหล่านี้ เพื่อช่วยผู้ผลิตในอุตสาหกรรมเครื่องจักร อุตสาหกรรมอิเล็กทรอนิกส์ อุตสาหกรรมการบินและอวกาศ รวมถึงอุตสาหกรรมยานยนต์ ให้สามารถนำไลน์การผลิตผลิตภัณฑ์ใหม่ขึ้นปฏิบัติงานได้เร็วขึ้น ท้ายที่สุดแล้ว ระบบการตรวจสอบด้วยวิชันจะมีประสิทธิภาพดีเพียงใดนั้น ขึ้นอยู่กับคุณภาพของการฝึกอบรมที่คุณมอบให้กับระบบ หากคุณดำเนินการอย่างถูกต้อง ระบบจะปกป้องแบรนด์ของคุณได้นานหลายปี