การเปลี่ยนสายการผลิตมักใช้เวลาครึ่งชั่วโมง ซึ่งเป็นปัญหาใหญ่สำหรับวิศวกร IE เมื่อพิจารณาการใช้ระบบตรวจสอบด้วยวิสัยทัศน์ AI ผู้ขายจะนำเสนอพารามิเตอร์จำนวนมากเกี่ยวกับเลนส์ ระบบแสง อัลกอริทึม และกำลังประมวลผล สิ่งใดที่ควรให้ความสำคัญจริงๆ ในความเป็นจริง จุดผิดพลาดในการเลือกซื้อระบบวิสัยทัศน์ AI สำหรับอุตสาหกรรมไม่ได้เกิดจากตัวเทคโนโลยีเอง แต่เกิดจากความไม่เข้าใจว่าควรจ่ายค่าอะไรไปกับการใช้งานนั้น
1. ชัดเจนว่าต้องการ "มองเห็น" หรือ "ตัดสิน"
ความเข้าใจผิดทั่วไปคือการมองว่าการเลือกระบบวิสัยทัศน์ AI คือเพียงการซื้อกล้องและแพ็กเกจซอฟต์แวร์ ปัญหาเกิดขึ้นเพราะบางสถานีต้องการเพียงยืนยันว่าวัสดุถูกวางถูกต้อง ในขณะที่บางสถานีต้องตัดสินว่าจุดบัดกรีมีข้อบกพร่องหรือไม่ งานแรกเกี่ยวข้องกับการจัดตำแหน่งและการเปรียบเทียบ ส่วนงานหลังต้องการการจดจำข้อบกพร่อง ซึ่งทั้งสองงานนี้ต้องการอัลกอริทึมและชุดตัวอย่างที่แตกต่างกันอย่างมหาศาล ขั้นตอนแรกในการเลือกไม่ใช่การถามถึงราคา แต่เป็นการจัดหมวดหมู่สถานีตามประเภทงาน ได้แก่ การตรวจจับการมีหรือไม่มี การวัดขนาด การรู้จำตัวอักษร หรือการจำแนกข้อบกพร่อง หลังจากการจัดหมวดหมู่แล้ว จะพบว่าเพียง 20% ถึง 30% ของสถานีที่ต้องการใช้ AI จริงๆ ส่วนที่เหลือสามารถรองรับได้ด้วยกฎของ Machine Vision แบบดั้งเดิม สมมติว่าโรงงานอิเล็กทรอนิกส์สมมติมีสถานีตรวจสอบ 20 แห่ง การนำ AI ไปติดตั้งแบบตาบอดในทุกระบบจะทำให้ต้นทุนกำลังประมวลผลและค่าใช้จ่ายในการแก้ไขบั๊กเพิ่มขึ้นเป็นสองเท่า ในขณะที่ประโยชน์ที่แท้จริงจะกระจุกตัวอยู่ที่เพียงห้าหรือหกสถานีเท่านั้น
2. สถาปัตยกรรมในการติดตั้งกำหนดต้นทุนการบำรุงรักษาในอนาคต
สถาปัตยกรรมในการติดตั้งเป็นประเด็นที่ถูกมองข้ามมากที่สุดในการเลือกซื้อระบบวิสัยทัศน์ AI มีสามแนวทางหลัก ได้แก่ การรันอัลกอริทึมบนเครื่องที่รวมอยู่ในอุปกรณ์ปลายทาง การทำ Inference แบบรวมศูนย์ผ่านกล่อง Edge หรือการจัดการการประมวลผลบนเซิร์ฟเวอร์กลาง แต่ละแนวทางมีความเหมาะสมเฉพาะสถานการณ์ สำหรับสถานการณ์ที่มีสายการผลิตกระจายตัวและมีรอบเวลาต่อจุดรวดเร็ว เครื่องที่รวมอยู่ในอุปกรณ์ปลายทางจะให้ผลการตอบสนองที่เสถียรกว่า สำหรับสถานการณ์ที่ต้องการการอัปเดตโมเดลแบบรวมศูนย์ข้ามหลายสายการผลิต การจัดการผ่านเซิร์ฟเวอร์ส่วนกลางจะมีประสิทธิภาพมากกว่า แนวทางการเลือกแบบบูรณาการระหว่างฮาร์ดแวร์และซอฟต์แวร์นี้จะช่วยขจัดข้อพิพาทในการเชื่อมต่อชั้นหนึ่งออกไป
3. แหล่งข้อมูลสำคัญกว่าพารามิเตอร์ของอัลกอริทึม
ผู้ขายมักแสดงอัตราการจดจำที่สูงระหว่างการนำเสนอ แต่ประสิทธิภาพอาจลดลงเมื่อนำไปใช้งานในโรงผลิตของคุณ เหตุผลก็ง่ายๆ คือ การสาธิตใช้ตัวอย่างที่คัดสรรมาอย่างดี ในขณะที่สายการผลิตของคุณมีทั้งแสงสะท้อน คราบน้ำมัน และความแปรผันของวัตถุดิบในแต่ละล็อต ระหว่างการเลือกซื้อระบบวิสัยทัศน์ AI จำเป็นต้องถามว่าใครจะเป็นผู้ติดป้ายกำกับตัวอย่างที่ตัดสินผิดพลาดหลังจากโมเดลเริ่มทำงานจริง และมีการปรับปรุงโมเดลบ่อยเพียงใด วิธีที่เชื่อถือได้คือกำหนดให้ผู้ขายเปิดกระบวนการติดป้ายกำกับและการฝึกฝนใหม่ แทนที่จะให้วิศวกรเดินทางมาเพื่อทำการปรับแต่งทุกครั้ง สมมติว่ามีสาย SMT ที่ทำการตรวจจับชิ้นส่วนขาด หากหมายเลขวัสดุเปลี่ยนและสภาพแสงเปลี่ยนแปลง และระบบรองรับการปรับแต่งขั้นละเอียดด้วยภาพที่ถ่ายเก็บไว้ท้องถิ่นเพียงไม่กี่สิบภาพ ทีมสายการผลิตก็สามารถจัดการได้ด้วยตนเอง อย่างไรก็ตาม หากระบบจำเป็นต้องส่งหน่วยกลับไปยังผู้ขายเพื่อฝึกฝน เวลาหยุดรอกระบวนการดังกล่าวก็จะกลายเป็นต้นทุนแฝง
4. ความเข้ากันได้ของอินเทอร์เฟซต้องชี้แจงล่วงหน้า
การตรวจสอบด้วยวิสัยทัศน์ไม่ใช่เกาะที่โดดเดี่ยว ผลลัพธ์จากการตรวจสอบต้องนำไปสู่รายงาน SPC กระตุ้นสัญญาณ Andon และเชื่อมโยงกับ Work Order และผู้ปฏิบัติงานเฉพาะเจาะจง ระหว่างการเลือกซื้อระบบวิสัยทัศน์ AI ควรจัดทำรายการอินเทอร์เฟซที่ต้องการ: สามารถเชื่อมต่อกับระบบ ERP และ MES ที่มีอยู่ได้หรือไม่? ข้อมูลการตรวจสอบสามารถจัดเก็บตามรุ่นผลิตภัณฑ์ได้หรือไม่ หากผลลัพธ์การตัดสินจากการตรวจสอบด้วยวิสัยทัศน์ใช้เส้นทางข้อมูลเดียวกัน คุณภาพการติดตามย้อนกลับก็จะราบรื่น โดยไม่ต้องสร้างฐานข้อมูลแยกต่างหาก
5. การอัปเกรดฟรีต้องระบุไว้ในความคาดหวัง
โมเดล AI ไม่ใช่สินค้าที่ซื้อครั้งเดียวจบ เมื่อกระบวนการผลิตเปลี่ยนแปลง โมเดลก็ต้องได้รับการปรับตามไปด้วย ในการเจรจาต่อรองสัญญาสำหรับการเลือกซื้อระบบวิสัยทัศน์ AI ต้องชี้แจงโครงสร้างราคาสำหรับการปรับปรุงอัลกอริทึมและการอัปเกรดซอฟต์แวร์ในภายหลัง
คำแนะนำเชิงปฏิบัติสุดท้าย: อย่าเริ่มต้นการเลือกซื้อระบบวิสัยทัศน์ AI ด้วยการตรวจสอบใบพารามิเตอร์ทางเทคนิค แต่ให้เริ่มจากสถานีที่มีความปวดหัวที่สุดในโรงผลิตของคุณ นำชุดตัวอย่างจริงจำนวนหนึ่งให้ผู้ขายทดสอบหน้างาน ก่อนที่จะมีการหารือเรื่องสถาปัตยกรรมและอินเทอร์เฟซ ควรรอให้ผ่านการประเมินผลการทดสอบก่อน