การยกระดับการตรวจสอบในอุตสาหกรรมด้วยเทคนิคการประมวลผลภาพโดยใช้ OpenCV
คำสำคัญ:
ระบบการมองเห็นของเครื่องจักร, การประกันคุณภาพ, การตรวจสอบอัตโนมัติบทคัดย่อ
การควบคุมคุณภาพในภาคการผลิตได้พัฒนาก้าวหน้าอย่างเห็นได้ชัดในช่วงที่ผ่านมา แม้ว่าการตรวจสอบด้วยวิธีดั้งเดิมโดยใช้แรงงานคนมักเผชิญกับข้อจำกัดด้านความแม่นยำ ความสม่ำเสมอ และต้นทุนที่สูง ด้วยเหตุนี้ เทคโนโลยีการประมวลผลภาพด้วย OpenCV ได้ถูกนำมาประยุกต์ใช้เพื่อเพิ่มประสิทธิภาพของการตรวจสอบอัตโนมัติ จากการศึกษาพบว่า การบูรณาการระบบที่ใช้ OpenCV เข้ากับสายการผลิตที่มีอยู่สามารถเพิ่มความแม่นยำในการตรวจจับข้อบกพร่องและลดระยะเวลาในการตรวจสอบได้อย่างมีนัยสำคัญ และช่วยลดระยะเวลาในการตรวจสอบเมื่อเทียบกับวิธีดั้งเดิม การทดสอบในอุตสาหกรรมอิเล็กทรอนิกส์ ยานยนต์ และสิ่งทอ แสดงให้เห็นว่าการประยุกต์ใช้อัลกอริทึมคอมพิวเตอร์วิทัศน์สำหรับการวัดขนาด การวิเคราะห์รูปร่าง และการตรวจสอบสี ช่วยให้การควบคุมคุณภาพมีความแม่นยำและสม่ำเสมอยิ่งขึ้น การใช้ OpenCV สามารถลดข้อผิดพลาดในการผลิต ปรับปรุงความแม่นยำของการตรวจสอบ และเพิ่มประสิทธิภาพของกระบวนการควบคุมคุณภาพได้อย่างมีนัยสำคัญ นอกจากนี้ ระบบยังสามารถทำงานได้ดีภายใต้สภาพแวดล้อมการผลิตที่หลากหลาย ส่งผลให้สามารถลดต้นทุนและเพิ่มความสามารถในการแข่งขันของอุตสาหกรรม อย่างไรก็ตาม ข้อจำกัดบางประการ เช่น ความไวต่อสภาพแสงและความซับซ้อนของรูปทรงผลิตภัณฑ์ ยังคงต้องได้รับการพัฒนาเพิ่มเติม แนวทางที่นำเสนอนี้ช่วยเป็นรากฐานสำคัญสำหรับการพัฒนาระบบตรวจสอบอัตโนมัติที่ทันสมัยและมีประสิทธิภาพสูงในภาคอุตสาหกรรม
เอกสารอ้างอิง
Abhigna, K. (2024). Integrating OpenCV and pandas for enhanced image filtering and color detection. International Journal of Scientific Research in Engineering and Management (IJSREM), 8(7), 1-5. https://doi.org/10.55041/ijsrem36213
Balakrishna, K., Tiwari, V., Deshpande, A. M., Patil, S., Garg, A. K., & Geetha, B. T. (2024). Computer vision for automated quality inspection in manufacturing. Conference: 2024 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI) (pp. 1-6). Chennai: IEEE
Bono, F. M., Radicioni, L., & Cinquemani, S. (2023). A novel approach for quality control of automated production lines working under highly inconsistent conditions. Engineering Applications of Artificial Intelligence, 128, 106149. https://doi.org/10.1016/j.engappai.2023.106149
Cervera, E. (2020). GPU-accelerated vision for robots: Improving system throughput using OpenCV and CUDA. IEEE Robotics & Automation Magazine, 27(2), 15-27. https://doi.org/10.1109/MRA.2020.2977601
Ciora, R. A., & Simion, C. M. (2014). Industrial applications of image processing. Acta Universitatis Cibiniensis. Technical Series, 64(1), 17-21. https://doi.org/10.2478/aucts-2014-0004
Guillen, G. (2019). Digital image processing with Python and OpenCV. New York: Springer.
Haggui, O., Tchalim, M. A., & Magnier, B. (2021). A comparison of OpenCV algorithms for human tracking with a moving perspective camera. In European Workshop on Visual Information Processing (pp. 1-6). Paris: IEEE.
Honzátko, D., Türetken, E., Bigdeli, S. A., Dunbar, L. A., & Fua, P. (2021). Defect segmentation for multi-illumination quality control systems. Machine Vision and Applications, 32(4), 1-15. https://doi.org/10.1007/s00138-021-01244-z
Islam, M. R., Zamil, M. Z. H., Rayed, M. E., Kabir, M. M., Mridha, M. F., Nishimura, S., & Shin, J. (2024). Deep learning and computer vision techniques for enhanced quality control in manufacturing processes. IEEE Access, 12, 121449-121479. https://doi.org/10.1109/ACCESS.2024.3453664
Ivanchenkova, L., & Stasiukova, K. (2019). Quality of products in the factory system of providing competitiveness of modern production. Ukrainian Journal of Applied Economics, 2, 67-75. https://doi.org/10.36887/2415-8453-2019-2-8
Jain, H., Harisinghani, K., Gangar, S., & Kambli, M., (2022). DoodSearch - OpenCV with image recognition. IEEE Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (IATMSI) (pp. 1-4). Gwalior: IEEE.
Jin, Z., & Yang, H. (2024). Real time object tracking using deep learning and OpenCV. Applied and Computational Engineering, 35, 272-279. https://doi.org/10.54254/2755-2721/35/20230406
Khan, G., & Zabeeulla, Z., (2023). The smart application development in real time parallel applications with industrial automation. International Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE) (pp. 1-7). Ballar: IEEE.
Korta, J., Kohut, J., & Uhl, T. (2014). OpenCV based vision system for industrial robot-based assembly station: calibration and testing. Pomiary Automatyka Kontrola, 60, 35-38. https://bibliotekanauki.pl/articles/156732
Lin, C. Y., Rahman, M. A. A., & Maropoulos, P. (2022). Enhancing the quality inspection process in food manufacturing through automation. 2022 8th International Conference on Control, Decision and Information Technologies (CoDIT) (pp. 379-384). Istanbul: IEEE
Liu, K., Dai, P., Lee, V. C. S., Ng, J. K. Y., & Son, S. H. (2023). Future directions in industrial computer vision. London: Springer.
Majhi, R. K., & Waoo, A. A. (2024). Advances in computer vision: New horizons and ongoing challenges. Visual and Performing Arts Journal, 5(5), 45-52. https://doi.org/10.29121/shodhkosh.v5.i5.2024.1893
Marques, G., & Pitarma, R. (2021). Industrial informatics for quality assurance and real-time defect detection through computer vision. London: Springer.
Mishra, S., Verma, V., Akhtar, N., Chaturvedi, S., & Perwej, Y. (2022). An intelligent motion detection using OpenCV. International Journal of Scientific Research, 9(2), 156-163. https://doi.org/10.32628/IJSRSET22925
Mohan, C. G., Saber, T., & Nallathambi, P. J. (2024). Recognition of industrial spare parts using an optimized convolutional neural network model. Information, 15(12), 793. https://doi.org/10.3390/info15120793
OpenCV Team. (2024). About OpenCV. Retrieved from https://opencv.org/about/
Peddie, J., Akeley, K., Debevec, P., Fonseka, E., Mangan, M., & Raphael, M. (2016). A vision for computer vision: emerging technologies. SIGGRAPH ‘16: Special Interest Group on Computer Graphics and Interactive Techniques Conference (pp. 1-2). California: Association for Computing Machinery
Pineda-Perdomo, G. A., & Villatoro-Flores, H. F. (2023). Implementation of a computer vision system for fault and component analysis of computer PCBs. 2023 IEEE International Conference on Machine Learning and Applied Network Technologies (ICMLANT) (pp. 1–6). San Salvador: IEEE
Raileanu, S., Borangiu, T., Silisteanu, A., Anton, S., & Anton, F. D. (2020). Open source platform for vision guided robotic systems integrated in manufacturing. Journal of Control Engineering and Applied Informatics, 22(4), 3-14. https://bit.ly/4j2bQ8A
Rathod, J. M., & Salehi, H. S. (2020). Vision system with deep learning classifiers for automatic quality inspection. In Pattern Recognition and Tracking XXXI Vol. 11400 (pp. 22-29) (Online). USA: SPIE.
Reyna, M., Delgado, G., Akundi, A., Luna, S., & Chumacero, E. M. (2022). Product digital quality inspection using machine vision systems: A categorical review. 2022 17th Annual System of Systems Engineering Conference (SOSE) (pp. 37-42). New York: IEEE.
Sachan, V., Deb, P. S., Sharma, S., Thakur, H., & Dubey, G. K. (2020). Product Quality Inspector. 2020 9th International Conference System Modeling and Advancement in Research Trends (SMART) (pp. 212-215). Moradabad: IEEE
Saif, Y., Yusof, Y., Ahmed, M. I., Pathan, Z. K., Latif, K., & Kadir, A. Z. A. (2020). A framework to develop intelligent system for capturing product features using OpenCV. Journal of Technology and Operations Management, 15(2), 76-85. https://doi.org/10.32890/jtom2020.15.2.5
Shaikh, S., Hujare, D., & Yadav, S. (2022). Surface defect detection using convolutional neural network model architecture. Journal of Engineering Research and Sciences, 1(5), 134–144. https://doi.org/10.55708/js0105014
Stein, F. (2012). The challenge of putting vision algorithms into a car. Computer Vision and Pattern Recognition, 2012, 89–94. https://doi.org/10.1109/CVPRW.2012.6238900
Suarez, O. D., Carrobles, M. F., Enano, N. V., García, G. B., & Gracia, I. S. (2014). OpenCV essentials. Birmingham: Packt Publishing.
Tiuftiakov, N. Y., Kalinichev, A. V., Pokhvishcheva, N. V., & Peshkova, M. A. (2021). Digital color analysis for colorimetric signal processing. Sensors and Actuators B: Chemical, 343, 130274. https://doi.org/10.1016/j.snb.2021.130274
Varjovi, M. H., Talu, M. F., & Hanbay, K. (2022). Fabric defect detection using customized deep convolutional neural network for circular knitting fabrics. Türk Doğa ve Fen Dergisi, 11(3), 160–165. https://doi.org/10.46810/tdfd.1108264
Vishwakarma, S., Akash, C. & Yadav, D. (2015). Analysis of lane detection techniques using OpenCV. 2015 Annual IEEE India Conference (INDICON) (pp. 1-4). New Delhi: IEEE
Xiangyu, Z., & Weiting, C. (2013). OpenCV-based video target tracking algorithm. Journal of Image Processing, 27(3), 1245-1252. https://patents.google.com/patent/CN102915545A/en
Wei, Y., Zhao, Z., & Gu, K. (2024). The defect detection method for automotive parts based on improved single shot multibox betector using feature enhancement. 2024 2nd International Conference on Signal Processing and Intelligent Computing (SPIC) (pp. 891-895). Guangzhou, China: IEEE
