สร้างระบบตรวจจับความเสียหายแบบเรียลไทม์ด้วยกล้อง Line-Scan + AI (แนวทางนำไปใช้ได้หลายอุตสาหกรรม)

TL;DR

เหมาะกับการตรวจจับสิ่งที่เคลื่อนที่ เช่น ฟิล์ม กระดาษ สิ่งทอ ลวด ท่อ แผ่นเหล็ก ฯลฯ
เริ่มจากกำหนด: ระยะการมองเห็น (FOV), ขนาดตำหนิที่เล็กที่สุด, ความเร็วของสายพาน, ระยะทำงาน (WD)
เลือกเลนส์ให้ระยะทำงานและมุมมองครอบคลุมชิ้นงาน
ใช้ Encoder เพื่อล็อคอัตราส่วนพิกเซลให้เที่ยงตรง
Pipeline: กล้อง → ดึงภาพ → แบ่ง Tile → ปรับแต่ง → ตรวจจับ (CV/ML) → แจ้งเตือน/แสดงผล/เก็บข้อมูล
เริ่มที่ f-number ≈ f/5.6 เพื่อบาลานซ์ความลึกของภาพและความสว่าง

กรณีการใช้งานที่เหมาะสม

วัสดุที่เคลื่อนที่ต่อเนื่อง: ฟิล์ม แผ่นกระดาษ พลาสติก
ชิ้นงานยาว: ลวด สายไฟ ท่อ
พื้นที่เฉพาะ: รอยเย็บ ขอบ ชิ้นงานต่อเนื่อง
Line-scan camera เหมาะเมื่อคุณต้องการคุณภาพภาพสูงในแนวกว้างและต่อเนื่องในแนวยาว

วิธีเลือกเลนส์แบบเข้าใจง่าย

ใช้สูตรโดยประมาณ:

\text{Focal Length} \approx \frac{\text{Sensor Width} \times \text{Working Distance}}{\text{FOV}}

ใช้เลนส์ที่รองรับ C-mount และมี image circle ≥ sensor
ค่า f-number เริ่มที่ f/5.6, ปรับเป็น f/8 ถ้าชิ้นงานไม่เรียบ หรือเปิดเป็น f/4 ถ้าแสงน้อย
ตำหนิเล็กที่สุดควรมีอย่างน้อย 3–5 พิกเซล ในแต่ละมิติ

Encoder มีไว้ทำไม?

ช่วยให้ภาพมีอัตราส่วนพิกเซลคงที่ (ไม่ยืด ไม่หด)
ตรวจจับตำแหนิได้แม่นยำเป็นมิลลิเมตร
ระบบ AI ทำงานแม่นขึ้น เพราะไม่มีการบิดเบือนภาพ

ตัวอย่าง: ถ้าระบบกล้องของคุณให้ความละเอียด 0.15 mm/line ⇒ ต้องการ encoder ที่ให้ \~6.67 pulses/mm
เลือก encoder ที่กำหนดค่า PPR ได้ (เช่น Baumer หรือ SICK)

การจัดแสง (Lighting)

แสงทะลุ (backlight): ตรวจรู รอยขาด
แสงสว่างกระจาย (diffuse): ตรวจคราบ สี จุด
แสงเฉียงหรือ dark-field: ตรวจรอยขีด เส้นนูน
แนะนำให้ใช้ polarizer ตัดแสงสะท้อน และทำ flat-field correction

สถาปัตยกรรมระบบ (Mermaid.js)

flowchart TD
  A["Moving product/web"] --> B["Backlight / Top light"]
  B --> C["Line-scan camera"]
  D["Rotary encoder on roller"] -->|"A/B pulses"| C
  C --> E["NIC / Frame grabber"]
  E --> F["Acquisition service"]
  F --> G["Tile builder\n(256–512 lines + overlap)"]
  G --> H["Preprocess\n(flat-field, denoise, contrast)"]
  H --> I["Detection"]
  I --> J["Classical CV"]
  I --> K["ML model (ONNX/TensorRT)"]
  J --> L["Decision"]
  K --> L
  L --> M["PLC / Marker / Alarms"]
  L --> N["UI dashboard"]
  L --> O["Logs / Database"]

ซอฟต์แวร์ Workflow

ดึงภาพจากกล้องตามสัญญาณ encoder
สร้าง tile (รวม 256–512 lines ต่อชุด)
Flat-field correction + ปรับ contrast/denoise
วิเคราะห์ด้วย Computer Vision หรือ AI model (ONNX → TensorRT)
ส่งผล: แจ้งเตือน PLC, แสดง UI, เก็บในฐานข้อมูล

สิ่งที่ต้องเตรียม

กล้อง line-scan ความละเอียดสูง
เลนส์ C-mount ที่ครอบคลุมความกว้างชิ้นงาน
แสงสว่างตามประเภทตำหนิ
Encoder RS-422 (ติดที่ roller หรือใช้ measuring wheel)
คอมพิวเตอร์ + GPU (หากใช้ AI)
สาย LAN GigE, การ์ด frame grabber หรือ NIC ความเร็วสูง
ระบบ PLC หรือ interface แจ้งเตือน

สรุปค่าแนะนำ

สิ่งที่กำหนด	ค่าแนะนำ
ขนาดตำหนิ	≥ 3–5 พิกเซล
ค่า f-number	เริ่มที่ f/5.6
ความเร็ว belt	คำนวณเป็น lines/sec = belt_mm/s ÷ mm/line
exposure time	≈ 30% ของ mm/line ÷ belt speed
Encoder	RS-422, โปรแกรมค่า PPR ได้ หรือใช้ camera divider