รูปปกบทความ Computer Vision และ Machine Vision

1. 🎯 ตอนที่ 1: ไขความลับดวงตาจักรกล ให้ AI มองเห็นชิ้นงานที่คนมองไม่เห็น

สวัสดีครับน้องๆ วิศวกรสาย Automation และนักพัฒนา AI ทุกคน! ชงกาแฟแก้วโปรดแล้วมานั่งคุยกันครับ วันนี้พี่จะมาเปิดซีรีส์ใหม่ที่จะพาน้องๆ เจาะลึกโลกของ “ดวงตาปัญญาประดิษฐ์” แบบหมดเปลือก

เวลาเราพูดถึงการนำ AI มาใช้ในโรงงาน คำศัพท์สองคำที่มักจะได้ยินตีคู่กันมาตลอดคือ Computer Vision และ Machine Vision น้องๆ หลายคนอาจจะสงสัยว่า “เอ๊ะ… สองคำนี้มันเหมือนกันไหมพี่? แล้วถ้าผมจะเขียนโค้ดตรวจจับรอยร้าวบนชิ้นงาน ผมกำลังทำเรื่องอะไรอยู่?” วันนี้ในฐานะวิศวกร AI รุ่นพี่ พี่จะมาเล่าให้ฟังแบบเห็นภาพ พร้อมเจาะลึกว่าทำไมเทคโนโลยีนี้ถึงกลายเป็นฮีโร่กู้สถานการณ์ในสายพานการผลิตยุคใหม่ครับ!

2. 📖 เปิดฉาก (The Hook)

ลองจินตนาการถึงปัญหาคลาสสิกในโรงงานดูนะครับ… น้องมีพนักงานแผนกตรวจสอบคุณภาพ (QC) ที่ต้องยืนจ้องสายพานการผลิตที่มีชิ้นงานไหลผ่าน 30 ชิ้นต่อวินาที! หน้าที่ของเขาคือการหา “รอยขีดข่วนขนาด 1 มิลลิเมตร” บนผิวโลหะสะท้อนแสง

มนุษย์เราเก่งมากครับในช่วง 1 ชั่วโมงแรก แต่พอเข้าชั่วโมงที่ 4 ดวงตาเริ่มล้า สมองเริ่มเบลอ รอยขีดข่วนที่เคยเห็นก็เริ่มมองข้าม (Defect Leakage) พอพยายามแก้ปัญหาด้วยการเขียนโค้ดแบบ Rule-based ธรรมดา (เช่น ถ้าพิกเซลมืดเกินค่าที่กำหนดให้ถือเป็นรอย) โค้ดก็พังทันทีที่แสงแดดจากหน้าต่างส่องเข้ามากระทบชิ้นงาน!

นี่แหละครับคือความปวดหัวของการทำระบบตรวจสอบด้วยสายตา และเป็นจุดที่ Computer Vision ผสานพลังกับ Machine Vision ขี่ม้าขาวเข้ามาช่วยชีวิตพวกเรา!

3. 🧠 แก่นวิชา (Core Concepts)

เพื่อให้เข้าใจง่ายขึ้น พี่ขอแยกอธิบายสองคำนี้ให้ชัดเจนตามตำราทางวิศวกรรมนะครับ:

  • Computer Vision (CV) คืออะไร? พูดง่ายๆ มันคือ “วิทยาศาสตร์ที่พยายามทำให้คอมพิวเตอร์เข้าใจโลกผ่านรูปภาพและวิดีโอ” ครับ เป้าหมายของ Computer Vision คือการสกัดข้อมูลระดับสูง (High-level understanding) ออกมาจากภาพดิจิทัล โดยเน้นไปที่การออกแบบซอฟต์แวร์ อัลกอริทึม และโมเดล Deep Learning เพื่อจำลองการทำงานของ “สมองและระบบประสาทตา” ของมนุษย์ เช่น การแยกแยะว่ารูปนี้คือหมาหรือแมว
  • Machine Vision (MV) คืออะไร? ในขณะที่ CV เน้นที่ซอฟต์แวร์ Machine Vision คือ “การนำวิทยาศาสตร์และวิศวกรรมการมองเห็นมาประยุกต์ใช้ในหน้างานจริง (Practical applications)” MV ไม่ได้มีแค่โค้ด AI แต่ครอบคลุมไปถึงการเซ็ตอัป ฮาร์ดแวร์ (Hardware) เช่น การเลือกเลนส์ (Lens), กล้องอุตสาหกรรม (Industrial Camera), และเทคนิคการจัดแสง (Lighting) เพื่อดึงเอา “ข้อมูลที่เป็นประโยชน์ (Signal)” ออกมาและกำจัด “สัญญาณรบกวน (Noise)” ทิ้งไป

จุดเด่นที่ทำให้เทคโนโลยีนี้เปลี่ยนโลกอุตสาหกรรม (Industry 4.0):

  • ไม่รู้จักเหน็ดเหนื่อย (Tireless): ระบบ Automated Visual Inspection สามารถตรวจสอบชิ้นงานที่ไหลผ่านสายพานได้ 10 ถึง 30 ชิ้นต่อวินาที โดยไม่กระพริบตาและรักษามาตรฐานคุณภาพได้สูงลิ่วตลอด 24 ชั่วโมง
  • สกัดข้อมูลเพื่อตัดสินใจ (Data for Decision Making): Machine Vision ในโรงงานไม่ได้ถูกสร้างมาเพื่อถ่ายรูปให้สวยงามเหมือนกล้อง iPhone นะครับ! แต่มันถ่ายภาพเพื่อสกัดฟีเจอร์ เอามาคำนวณขนาด (Dimension), อ่านตัวอักษร (OCR), หรือตัดสินใจว่าชิ้นงานนี้ “ผ่าน (Pass)” หรือ “ตก (Fail)” เพื่อสั่งให้แขนกลคัดทิ้งทันที
  • ครอบคลุมทุกวงจร (Versatility): นำไปใช้ได้ตั้งแต่การตรวจจับตำหนิ (Defect detection), การนำทางหุ่นยนต์ (Robot assembly), ไปจนถึงการตรวจเช็กสภาพเครื่องจักรล่วงหน้า (Predictive maintenance)
รูปประกอบความแตกต่างระหว่าง Computer Vision และ Machine Vision

4. 💻 ร่ายมนต์โค้ด (Show me the Code)

ถึงแม้ Machine Vision จะรวมเรื่องฮาร์ดแวร์ไว้ด้วย แต่หัวใจในการประมวลผลก็คือโค้ด Computer Vision อยู่ดีครับ ลองมาดูตัวอย่างโค้ด Python ด้วย OpenCV แบบง่ายๆ ที่เปรียบเสมือนจุดเริ่มต้นของการดึงภาพจากกล้องมาหา “ความผิดปกติ” กันครับ:

import cv2
import numpy as np

# 1. เชื่อมต่อกล้อง Machine Vision (ในที่นี้จำลองใช้กล้อง Webcam ธรรมดาไปก่อน)
cap = cv2.VideoCapture(0)

while True:
    # 2. ดึงภาพดิจิทัล (Digital Image) เข้ามาทีละเฟรม
    ret, frame = cap.read()
    if not ret:
        break
        
    # 3. แปลงภาพสีเป็นภาพขาวดำ (Grayscale) เพื่อลดภาระการคำนวณ
    # (เพราะการหา Defect ส่วนใหญ่มักดูที่ความสว่าง ไม่ใช่สี)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 4. ใช้เทคนิค Thresholding ง่ายๆ เพื่อหาจุดที่มืดผิดปกติ (จำลองรอยดำบนชิ้นงาน)
    # ถ้าพิกเซลไหนมืดกว่า 50 จะถูกปรับเป็นสีขาว (255) ส่วนที่เหลือเป็นสีดำ (0)
    _, thresh = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY_INV)
    
    # โชว์ภาพผลลัพธ์ให้ดู
    cv2.imshow('Machine Vision: Defect Inspection', thresh)
    
    # กด 'q' เพื่อออกจากลูปการทำงาน
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

คอมเมนต์: น้องๆ จะเห็นว่านี่คือสเต็ปพื้นฐานมาก (Image Preprocessing) ในหน้างานจริง ภาพขาวดำที่เราสกัดมานี้จะถูกส่งต่อไปให้โมเดล Deep Learning (เช่น CNN หรือ YOLO) เพื่อทำนายผลลัพธ์ว่ารอยสว่างๆ ที่โผล่มานั้นคือ “รอยร้าว” หรือแค่ “คราบน้ำ” ครับ!

5. 🛡️ เคล็ดลับจากคัมภีร์ลับ (Under the Hood / Pro-Tips)

พี่มีเคล็ดลับระดับโปรจากหน้างานจริงมาเตือนน้องๆ ครับ:

  • แสงคือพระเจ้า (Lighting is King): ในวงการ Machine Vision จำไว้นะครับว่า “All lights are not equal” (แสงแต่ละชนิดให้ผลไม่เหมือนกัน) ถ้าน้องพยายามใช้ Deep Learning สุดเทพอย่าง ResNet มาตรวจจับรอยขีดข่วนบนผิวเหล็กสะท้อนแสง โดยใช้แค่หลอดไฟนีออนธรรมดาในโรงงาน… โมเดลน้องจะพังไม่เป็นท่าครับ!
  • กฎของ Signal-to-Noise Ratio (SNR): การจัดแสงที่ดี (เช่น Dark Field หรือ Bright Field Lighting) จะช่วยดัน “Signal” (สิ่งที่น้องอยากเห็น เช่น รอยร้าว) ให้เด่นชัด และกด “Noise” (สิ่งกวนใจ เช่น แสงสะท้อนผิวโลหะ) ให้หายไป ถ้าจัดแสงดีจนภาพคลีนสุดๆ บางทีแค่อัลกอริทึมคณิตศาสตร์ธรรมดา ก็ตัดสินใจได้แม่นยำกว่า Deep Learning ซะอีกครับ!

6. 🏁 บทสรุป (To be continued…)

โดยสรุปแล้ว Computer Vision คือสมองที่คอยวิเคราะห์และทำความเข้าใจภาพ ส่วน Machine Vision คือร่างกายที่รวมเอาดวงตา (กล้อง/เลนส์), แสง, และสมอง (CV) เข้าด้วยกันเพื่อแก้ปัญหาในโลกอุตสาหกรรมอย่างเป็นรูปธรรม มันคือเทคโนโลยีที่เกิดมาเพื่อทำงานซ้ำๆ ด้วยความแม่นยำสูง ทลายขีดจำกัดความเหนื่อยล้าของมนุษย์ครับ

ในตอนต่อไป พี่จะพาน้องๆ ไปเจาะลึกวิวัฒนาการของมัน ว่าทำไมเราถึงต้องก้าวข้ามจากอัลกอริทึมคลาสสิก (Classical Image Processing) เข้าสู่ยุคของ Deep Learning และ Convolutional Neural Network (CNN) รอติดตามกันนะครับ รับรองว่าสนุกและได้เห็นภาพโครงข่ายประสาทเทียมแน่นอน!

ต้องการที่ปรึกษาด้านการพัฒนาระบบ AI Camera หรือ Machine Vision ให้กับโรงงานของคุณ? ทีมงาน WP Solution พร้อมให้บริการออกแบบและติดตั้งระบบแบบครบวงจร ดูรายละเอียดบริการของเราได้ที่: www.wpsolution2017.com หรือพูดคุยปรึกษาเบื้องต้นได้ที่ Line: wisit.p