ปัญญาประดิษฐ์กำลังปฏิวัติการควบคุมคุณภาพในอุตสาหกรรมอย่างไร
ปัญญาประดิษฐ์ (AI) ไม่ใช่เทคโนโลยีแห่งอนาคตอีกต่อไป แต่เป็นส่วนสำคัญของระบบประมวลผลภาพในอุตสาหกรรมสมัยใหม่ ตั้งแต่การควบคุมคุณภาพและการตรวจจับข้อบกพร่อง ไปจนถึงการรู้จำอักษรด้วยแสง (OCR): วิธีการที่ใช้ AI ช่วยให้สามารถแก้ไขงานด้านภาพที่ซับซ้อนได้อย่างน่าเชื่อถือ รวดเร็ว และอัตโนมัติ
แต่ใช้เทคโนโลยี AI ใดบ้าง และเทคโนโลยีเหล่านั้นแตกต่างกันอย่างไรในด้านฟังก์ชันการทำงานและขอบเขตการใช้งาน?
รากฐานของการวิเคราะห์ภาพที่ได้รับการสนับสนุนจาก AI ทุกรูปแบบ
ในระหว่าง การจำแนก ประเภท ภาพหรือส่วนของภาพจะถูกกำหนดให้กับคลาสที่กำหนดไว้ล่วงหน้าอย่างน้อยหนึ่งคลาส ปัญญาประดิษฐ์จึงสามารถจดจำ “สิ่งที่” ปรากฏให้เห็นในภาพได้ เช่น วัตถุเฉพาะ ประเภทของส่วนประกอบ หรือสภาวะความผิดปกติ
มีการแยกความแตกต่างระหว่างการจำแนก ประเภทแบบหลายคลาส และ การจำแนกประเภทแบบหลายป้ายกำกับ :
ในที่นี้ รูปภาพแต่ละรูปสามารถ กำหนดให้กับคลาสเดียวเท่านั้น
ตัวอย่าง:
ประเภทของสกรูนั้นแยกออกจากกันโดยสิ้นเชิง สกรูตัวหนึ่งไม่สามารถเป็นได้ทั้ง “ใช้ได้” และ “ใช้ไม่ได้” ในเวลาเดียวกัน
การจำแนกประเภทแบบนี้มักใช้ใน งาน ควบคุมคุณภาพ หรือการคัดแยกที่ต้องการการกำหนดอย่างชัดเจน
ในทางตรงกันข้าม ในการจำแนกประเภทแบบหลายป้ายกำกับ ภาพหนึ่งภาพสามารถอยู่ ในหลายคลาสพร้อมกันได้
ตัวอย่าง:
เนื่องจากลักษณะเหล่านี้ไม่ได้ขัดแย้งกัน วัตถุชิ้นหนึ่งจึงอาจแสดงข้อบกพร่องหลายประเภทพร้อมกันได้
วิธีนี้เหมาะอย่างยิ่งสำหรับการวิเคราะห์คุณภาพที่ซับซ้อน ซึ่ง จำเป็นต้องตรวจจับคุณลักษณะหรือข้อบกพร่องหลายอย่างพร้อมกัน
พิจารณาจากตำแหน่งที่ตั้งของวัตถุ ไม่ใช่แค่ว่าวัตถุเหล่านั้นคืออะไร
ในขณะที่การจำแนกประเภทประเมินภาพทั้งหมด การตรวจจับวัตถุ จะก้าวไปอีกขั้น: มันตรวจจับ วัตถุหลายชิ้นในภาพ ระบุตำแหน่งของวัตถุเหล่านั้น และกำหนดคลาสให้กับแต่ละวัตถุ
ตำแหน่งต่างๆ จะถูกอธิบายด้วย กรอบสี่เหลี่ยม ที่เรียกว่า “กรอบล้อมรอบ” แต่ละกรอบจะระบุ ตำแหน่งที่ตั้ง ของวัตถุและจัดอยู่ใน หมวดหมู่ใด
มีสองประเภท:
กรอบสี่เหลี่ยมที่ล้อมรอบวัตถุจะวางตัว ขนานกับแกนของภาพ วิธีนี้มีประสิทธิภาพในการคำนวณและเหมาะสมอย่างยิ่งสำหรับวัตถุมาตรฐานที่มีทิศทางชัดเจน
ในที่นี้ กรอบสี่เหลี่ยมที่ใช้กำหนดขอบเขตจะถูกปรับให้ เข้ากับทิศทางที่แท้จริง ของวัตถุ ซึ่งช่วยให้สามารถตรวจจับ วัตถุที่วางเอียงหรือหมุน ได้อย่างแม่นยำ นับเป็นข้อได้เปรียบที่สำคัญสำหรับแอปพลิเคชันที่มีตำแหน่งเปลี่ยนแปลงได้ เช่น ชิ้นส่วนบนสายพานลำเลียง
การจดจำวัตถุมีประโยชน์อย่างยิ่งสำหรับงานต่างๆ เช่น:
การวิเคราะห์ที่แม่นยำระดับพิกเซลเพื่อความถูกต้องสูงสุด
การแบ่งส่วนภาพ (Segmentation) เป็นขั้นตอนที่ละเอียดที่สุดของการวิเคราะห์ภาพด้วย AI ในขั้นตอนนี้ ไม่เพียงแต่จะจดจำวัตถุโดยรวมเท่านั้น แต่ แต่ละพิกเซล ในภาพยังได้รับการกำหนดคลาสอีกด้วย
ผลลัพธ์: การกำหนดขอบเขตของวัตถุ พื้นที่ และโซนความคลาดเคลื่อนได้อย่างแม่นยำ
ตัวอย่าง:
วิธีนี้มีประสิทธิภาพเป็นพิเศษเมื่อต้องการ ความแม่นยำในรายละเอียด เช่น ใน การตรวจสอบพื้นผิว การทดสอบรอยเชื่อม หรือ การควบคุมคุณภาพทางแสง ของสารเคลือบและฟิล์ม
เมื่อระบบประมวลผลภาพกลายเป็นระบบการอ่าน
นอกเหนือจากโมเดลที่ได้รับการยอมรับสำหรับการจำแนกประเภท การจดจำวัตถุ และการแบ่งส่วนแล้ว บริษัทต่างๆ ยังหันมาใช้ โมเดล AI ที่ได้รับการฝึกฝนเฉพาะด้านสำหรับการใช้งานแต่ละประเภท มากขึ้นเรื่อยๆ
ตัวอย่างหนึ่งคือ การรู้จำอักษรด้วยแสง (OCR) โดยใช้ การเรียนรู้เชิงลึก หรือเรียกสั้น ๆ ว่า Deep OCR
ในขณะที่ระบบ OCR แบบดั้งเดิมอาศัยแบบอักษรที่มีโครงสร้างชัดเจนและพื้นหลังที่เป็นมาตรฐานเดียวกัน แต่ Deep OCR ใช้ เครือข่ายประสาทเทียมเชิงลึก ที่ได้รับการฝึกฝนด้วย ภาพข้อความจริงจำนวนมาก ซึ่งทำให้ระบบสามารถ:
เทคโนโลยีนี้ถือเป็นก้าวสำคัญสำหรับการใช้งานในด้านต่างๆ เช่น:
AI ทำให้การประมวลผลภาพในภาคอุตสาหกรรมฉลาดขึ้น แม่นยำขึ้น และยืดหยุ่นมากขึ้น
การบูรณา การปัญญาประดิษฐ์ เข้ากับการประมวลผลภาพในอุตสาหกรรม ทำให้เกิดสถานการณ์การใช้งานใหม่ๆ อย่างที่ไม่เคยมีมาก่อน
กล้องอัจฉริยะและเซ็นเซอร์ตรวจจับภาพสมัยใหม่ ซึ่งได้รวมเอาอัลกอริธึมการประเมินผลที่ใช้ AI ไว้แล้ว ช่วยให้สามารถออกแบบกระบวนการต่างๆ ได้เร็วขึ้น น่าเชื่อถือมากขึ้น และปรับตัวได้ดียิ่งขึ้น
ชื่อตำแหน่ง