การพัฒนาระบบต้นแบบแยกชิ้นงานขนาดเล็กอัตโนมัติโดยใช้เทคโนโลยีการประมวลผลภาพ
คำสำคัญ:
ระบบคัดแยกอัตโนมัติ, การประมวลผลภาพ, ปัญญาประดิษฐ์บทคัดย่อ
การประยุกต์ใช้เทคโนโลยีระบบอัตโนมัติและการประมวลผลภาพในกระบวนการผลิตขนาดเล็กมีบทบาทสำคัญเพิ่มขึ้นอย่างต่อเนื่อง เนื่องจากช่วยเพิ่มประสิทธิภาพ
การดำเนินงานและลดการพึ่งพาแรงงานมนุษย์ อย่างไรก็ตาม งานวิจัยที่ศึกษาผลของพารามิเตอร์สำคัญต่อความแม่นยำของระบบคัดแยกอัตโนมัติภายใต้สภาวะ
การทำงานยังมีอยู่จำกัด งานวิจัยนี้มีวัตถุประสงค์เพื่อออกแบบและพัฒนาระบบต้นแบบสำหรับการคัดแยกชิ้นงานขนาดเล็กแบบอัตโนมัติ โดยใช้กล้องอัจฉริยะ HuskyLens ซึ่งมีระบบปัญญาประดิษฐ์แบบฝังภายใน ร่วมกับบอร์ดควบคุม Arduino Uno ระบบสามารถตรวจจับ จำแนก และคัดแยกชิ้นงาน 3 ประเภท ได้แก่ น็อตตัวผู้ น็อตตัวเมีย และสกรู การประเมินประสิทธิภาพของระบบดำเนินการโดยศึกษาผลของระยะห่างระหว่างกล้องกับชิ้นงานในช่วง 40–80 มิลลิเมตร และความเร็วสายพานลำเลียงในช่วง 10–33 มิลลิเมตรต่อวินาที ผลการทดลองพบว่า ระยะห่างกล้อง 60 มิลลิเมตร และความเร็วสายพานลำเลียง 33 มิลลิเมตรต่อวินาที เป็นเงื่อนไขที่เหมาะสมที่สุด โดยให้ความถูกต้องในการคัดแยกชิ้นงานร้อยละ 100
ในทุกประเภท ผลการศึกษาชี้ให้เห็นว่าการกำหนดค่าพารามิเตอร์ที่เหมาะสมมีผลโดยตรงต่อความแม่นยำและความน่าเชื่อถือของระบบคัดแยกอัตโนมัติ ระบบต้นแบบที่พัฒนาขึ้นมีข้อดีด้านโครงสร้างที่เรียบง่าย ต้นทุนต่ำ และสามารถประยุกต์ใช้ได้
ทั้งในอุตสาหกรรมขนาดเล็กและขนาดกลาง ตลอดจนใช้เป็นสื่อการเรียนรู้เชิงปฏิบัติในรายวิชาด้านเมคาทรอนิกส์และระบบอัตโนมัติ เพื่อส่งเสริมทักษะการบูรณาการฮาร์ดแวร์และซอฟต์แวร์ในสภาพแวดล้อมจริง
เอกสารอ้างอิง
Al Hinai, R., Abdelhamied, F., & Al Hinai, S. (2019). Image processing based automatic color object sorting using PLC system. International Journal of Electrical and Electronics Research, 7(2), 50–62.
Asaduzzaman, M., & Biswas, T. (2023). Implementation of an object tracking system using Arduino and Huskylens camera. International Journal of Science and Research, 12(4), 1135–1139.
Bhuyan, M. K. (2020). Computer vision and image processing: Fundamentals and applications. CRC Press.
Dhanush, G., Khatri, N., Kumar, S., & Shukla, P. K. (2023). A comprehensive review of machine vision systems and artificial intelligence algorithms for the detection and harvesting of agricultural produce. Scientific African, 21, e01798. https://doi.org/10.1016/j.sciaf. 2023.e 01798.
Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Hao, Y., Pei, H., Lyu, Y., Yuan, Z., Rizzo, J.-R., Wang, Y., & Fang, Y. (2022). Understanding the Impact of Image Quality and Distance of Objects to Object Detection Performance.In 2023 IEEE/RSJ international conference on Intelligent Robots and Systems (IROS) (pp. 11436–11442). IEEE. https://doi.org/10.48550/arXiv.2209.08237
Kosiyanurak, K., Singsri, P., Seangsri, S., & Promput, S. (2023). Comparison of object detection technique for applications in ETAT automation training set. In 2023 7th International Conference on Information Technology (InCIT) (pp. 11–16). IEEE. doi: 10.1109/InCIT60207.2023. 10413141.
Liu, J.-A., Lin, W.-L., Hong, W.-C., Chen, L.-S., & Chen, T.-S. (2024). An Egg Sorting System Combining Egg Recognition Model and Smart Egg Tray. In: International Conference on Technologies and Applications of Artificial Intelligence. Springer Nature Singapore, Singapore, 105–115. https://doi.org/10.1007/978-981-97-1714-9_9.
Ma, J., Ding, Y., Cheng, J., Tan, Y., Gan, V., & Zhang, J. (2019). Analyzing the Leading Causes of Traffic Fatalities Using XGBoost and Grid-Based Analysis: A City Management Perspective. IEEE Access, PP, 1-1. doi:10.1109/ACCESS.2019.2946401
Okinda, C., Sun, Y., Nyalala, I., Korohou, T., Opiyo, S., Wang, J., & Shen, M. (2020). Egg volume estimation based on image processing and computer vision. Journal of Food Engineering, 283, 110041. doi:https://doi.org/10.1016/j.jfoodeng.2020.110041
Payakthong, S., Maithomklang, S. & Deewanichsakul, S. (2025). Development of a machine vision system for damage detection in hexagon nuts sorting machine. TEM Journal, 14(3), 1992–2002. doi:10.18421/TEM143-08
Powers, D. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation. Journal of Machine Learning Technologies, 2(1), 37-63.
Ren, Y., Zhu, C., & Xiao, S. (2018). Small Object Detection in Optical Remote Sensing Images via Modified Faster R-CNN. Applied Sciences, 8(5), 813. https://doi.org/10.3390/app8050813
Sonka, M., Hlavac, V., & Boyle, R. (2014). Image processing, analysis, and machine vision (4th ed.). Cengage Learning
Srinivasan, S., Manoharan, L., Arikesh, A., Rani, G. V., & Devi, R. S. (2024). Object identification robotic arm using image processing. In I. Thirunavukkarasu & R. Kumar (Eds.), Control and information sciences (Lecture Notes in Electrical Engineering, Vol. 1236, pp. 375–387). Springer. https://doi.org/10.1007/978-981-97-5866-1_27
Zhou, H., Wolfschlaeger, D., Florides, C., Werheid, J., Behnen, H., Woltersmann, J.-H., PintoT.C. Kemmerling M., Abdelrazeq A. & Schmitt R. H. (2025). Generative AI in industrial machine vision: a review. Journal of Intelligent Manufacturing, 37, 1-24. doi:10.1007/s10845-025-02604-6
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 สถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กองบรรณาธิการขอสงวนสิทธิ์ในการปรับปรุงแก้ไขตัวอักษรและค่าสะกดต่าง ๆ ที่ไม่ถูกต้อง และต้นฉบับที่ได้รับการตีพิมพ์ในวารสารเทคโนโลยีและนวัตกรรม ถือเป็นกรรมสิทธิ์ของสถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา และผลการพิจารณาคัดเลือกบทความตีพิมพ์ในวารสารให้ถือเป็นมติของกองบรรณาธิการเป็นที่สิ้นสุด
