กรอบของการวิเคราะห์ระบบการวัดแบบข้อมูลนับของเทคนิคแมชชีนวิชั่นสำหรับการตรวจจับสิ่งแปลกปลอมบนหน้าหัวอ่านฮาร์ดดิสก์
Article Sidebar
Main Article Content
บทคัดย่อ
อุตสาหกรรมอิเล็กทรอนิกส์ของประเทศไทยเป็นอุตสาหกรรมที่มีศักยภาพสูง และมีความสำคัญต่อระบบเศรษฐกิจของไทยเป็นอย่างมาก เนื่องจากมีมูลค่าการส่งออกตั้งแต่ปี พ.ศ.2559 - 2562 โดยเฉลี่ยกว่า 3 หมื่นล้านเหรียญสหรัฐต่อปี ในอุตสาหกรรมอิเล็กทรอนิกส์พยายามพัฒนาเทคโนโลยีใหม่เพื่อช่วยในการควบคุมคุณภาพ โดยเฉพาะการตรวจสอบคุณภาพของชิ้นส่วนอิเล็กทรอนิกส์ที่มีขนาดเล็ก มีความพยายามเปลี่ยนวิธีการตรวจสอบโดยพนักงานเป็นการตรวจสอบด้วยระบบการประมวลผลภาพ หรือแมชชีนวีชั่นที่จะช่วยเพิ่มความแม่นยำ และความต่อเนื่องในการทำงานเพิ่มขึ้น แต่อย่างไรก็ตามการตรวจสอบด้วยระบบแมชชีนวีชั่นก็ยังมีข้อจำกัดในด้านความเชื่อมั่นในการประเมินค่าความคลาดเคลื่อนจากการตรวจสอบสำหรับการตัดสินใจในการจะนำระบบมาใช้งาน ดังนั้นการนำเสนอในเอกสารนี้จึงมีวัตถุประสงค์เพื่อกำหนดกรอบสำหรับการวิเคราะห์ประสิทธิภาพระบบแมชชีนวีชั่น ด้วยการวิเคราะห์ระบบการวัดแบบข้อมูลนับสำหรับชิ้นส่วนอิเล็กทรอนิกส์ กรอบการวิเคราะห์ระบบการวัดของงานวิจัยนี้มาจากการทบทวนวรรณกรรมที่เกี่ยวข้อง และนำเสนอเป็น 3 ส่วน คือส่วนแรกคือการตรวจสอบคุณภาพด้วยแมชชีนวิชั่น ส่วนที่สองเป็นขั้นตอนการพัฒนาระบบแมชชีนวิชั่น และการประเมินค่าความคลาดเคลื่อนจากการตรวจสอบ และส่วนสุดท้ายเป็นกรอบของการวิเคราะห์ระบบการวัดแบบข้อมูลนับสำหรับการวิเคราะห์ระบบแมชชีนวิชั่น
ผลของงานวิจัยนี้ นักวิชาการและผู้จัดการสามารถนำกรอบของการวิเคราะห์ระบบการวัดข้อมูลนับไปใช้เป็นแนวทางในการตรวจสอบความเชื่อมั่นของค่าความคลาดเคลื่อนจากการวัด และประเมินประสิทธิภาพสำหรับการทดสอบระบบแมชชีนวิชั่นต่อไป
Article Details
เนื้อหาและข่อมูลในบทความที่ลงตีพิมพ์ในวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วย หรือว่าร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม ถือเป็นลิขสิทธิ์ของวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม หากบุคคล หรือหน่วยงานใดต้องการนำทั้งหมด หรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อ หรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาต เป็นลายลักษณ์อักษรจากวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม เท่านั้น
References
[2] Malamas EN, Petrakis EGM, Zervakis M, Petit L, Legat JD. A survey on industrial vision systems, applications and tools. Image Vis Comput. 2003;12(2):171–88.
[3] Wu F, Zhang X. An inspection and classification method for chip solder joints using color grads and Boolean rules. Robot Comput Integr Manuf. 2014;30(5):517–26.
[4] Jeffrey Kuo CF, Peng KC, Wu HC, Wang CC. Automated inspection of micro-defect recognition system for color filter. Opt Lasers Eng. 2015;70:6–17.
[5] Cen YG, Zhao RZ, Cen LH, Cui LH, Miao ZJ, Wei Z. Defect inspection for TFT-LCD images based on the low-rank matrix reconstruction. Neurocomputing. 2015;149(C):1206–15.
[6] Down M, Czubak F, Gregory G, Stahley S, Benham D. Measurement System Analysis - MSA Fourth Edition [Internet]. Automotive Industry Action group: AIAG; 2010. 1–241 p. Available from: https://www.aiag.org/quality/automotive-core-tools/msa
[7] Tsai DM, Chen MC, Li WC, Chiu WY. A fast regularity measure for surface defect detection. Mach Vis Appl. 2012;23(5):869–86.
[8] Lin HD. Automated visual inspection of ripple defects using wavelet characteristic based multivariate statistical approach. Image Vis Comput. 2007;25(11):1785–801.
[9] Golnabi H, Asadpour A. Design and application of industrial machine vision systems. Robot Comput Integr Manuf. 2007;23(6):630–7.
[10] Demant C, Streicher-Abel B, Garnica C. Industrial Image Processing. 2nd ed. Industrial Image Processing. Springer-Verlag Berlin Heidelberg; 2013.
[11] Ravikumar S, Ramachandran KI, Sugumaran V. Machine learning approach for automated visual inspection of machine components. Expert Syst Appl. 2011;38(4):3260–6.
[12] Snyder WE, Qi H. Machine vision. Machine Vision. Cambridge University Press; 2010.
[13] Satorres S, Gomez J, Gamez J, Sanchez A. A Machine Vision for Automated Headlamp Lens Inspection. Vis Sensors Edge Detect. 2010;(August).
[14] Kunakornvong P, Sooraksa P. Machine vision for defect detection on the air bearing surface. In: Proceedings - 2016 IEEE International Symposium on Computer, Consumer and Control, IS3C 2016. IEEE; 2016. p. 37–40.
[15] กิติศักดิ์ พลอยพานิชเจริญ. การวิเคราะห์ระบบการวัด (MSA) : ประมวลผลด้วย MINITAB. กรุงเทพฯ: สมาคมส่งเสริมเทคโนโลยี (ไทย-ญี่ปุ่น); 2546.
[16] Wen S, Chen Z, Li C. Vision-based surface inspection system for bearing rollers using convolutional neural networks. Appl Sci. 2018;8(12):1–19.
[17] Y. Fasser and D. Brettner. Process Improvement in the Electronics Industry, Y. Fasser and D. Brettner, Wiley. Quality and Reliability Engineering. New York: John Wiley & Sons Inc.; 1992.
[18] Chryler Group LLC, Ford Motor Company, General Motors Corporation. Measurement system analysis 4th ed. Automotive Industrial Action Group(AIAG); 2010.