ระบบปัญญาประดิษฐ์สำหรับการนับหลอดด้ายแนวนอนบนรถเข็นโดยใช้โมเดลตรวจจับวัตถุ
คำสำคัญ:
ปัญญาประดิษฐ์ (AI), การมองเห็นของเครื่อง, การตรวจจับวัตถุ, YOLOv7บทคัดย่อ
ในยุคที่อุตสาหกรรมการผลิตเปลี่ยนผ่านสู่ระบบอัตโนมัติและปัญญาประดิษฐ์ (AI) การนับหลอดด้ายบนรถเข็นในโรงงานสิ่งทอยังพึ่งพาแรงงานมนุษย์ซึ่งใช้เวลามากและมีโอกาสเกิดข้อผิดพลาด งานวิจัยนี้พัฒนาระบบตรวจนับหลอดด้ายอัตโนมัติด้วยเทคโนโลยี AI โดยใช้บอร์ด Nvidia Jetson Nano ร่วมกับอัลกอริธึม YOLOv7 สำหรับตรวจจับหลอดด้ายทั้งแบบเอียงองศาและแบบนอน การดำเนินงานเริ่มจากการเก็บภาพหลอดด้ายเพื่อฝึกโมเดล ผลการทดสอบแสดงประสิทธิภาพสูงสุดด้วยค่า Precision 99.99%, Recall 99.99% และ mAP@0.5 เท่ากับ 99.97% โดยระบบตรวจจับได้แม่นยำทั้งสองรูปแบบด้วย F1-score 100% เมื่อทดสอบในโรงงานจริง ระบบให้ค่า F1-score 100% ในทุกกรณี การเปรียบเทียบกับแรงงานมนุษย์พบว่า AI ใช้เวลาเฉลี่ยเพียง 505 มิลลิวินาทีต่อรอบ ขณะที่พนักงานใช้เวลา 4.28 วินาทีสำหรับหลอดแบบเอียง และ 50.4 วินาทีสำหรับหลอดแบบนอน แสดงให้เห็นว่าระบบ AI มีความเร็วและแม่นยำกว่าอย่างมีนัยสำคัญ เหมาะสำหรับการประยุกต์ใช้ในอุตสาหกรรมสิ่งทอเพื่อเพิ่มสมรรถนะและลดต้นทุนการผลิต
เอกสารอ้างอิง
Leng, J., Sha, W., Wang, B., Zheng, P., Zhuang, C., Liu, Q., Wuest, T., Mourtzis, D., & Wang, L. (2024). Unlocking the power of industrial artificial intelligence towards Industry 5.0: Insights, pathways, and challenges. Journal of Manufacturing Systems, vol. 73, pp. 349–363.
Sharma, M., Tomar, A., & Hazra, A. (2024). Edge computing for Industry 5.0: Fundamental, applications and research challenges. IEEE Internet of Things Journal, vol. 11(11), pp. 19070–19093.
Vyhmeister, E., and Castane, G. G. (2024, March). When Industry meets trustworthy AI: A systematic review of AI for Industry 5.0.
Martini, B., Bellisario, D., Coletti, P. (2024). Human-centered and sustainable artificial intelligence in Industry 5.0: Challenges and perspectives. Sustainability, vol. 16(13), pp. 1–24.
Wang, Z., and Yan, J. (2024). Deep learning–based assembly process action recognition and progress prediction facing human-centric intelligent manufacturing. Computers & Industrial Engineering, vol. 196, p. 109381.
Rame, I., Purwanto, P., & Sudarno, S. (2024). Industry 5.0 and sustainability: An overview of emerging trends and challenges for a green future. Innovation and Green Development. vol. 3(4), p. 100173.
Wang, C.-Y., Bochkovskiy, A., Liao, H.-Y. M. (2025). WongKinYiu /yolov7: Implementation of paper – YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors [Computer software]. GitHub.
Singh, R., and Gill, S. S. (2023). Edge AI: A survey. Journal of Information Security and Applications, vol. 70, p. 103308.
Bin Rashid, A., and Kausik, M. A. K. (2024). AI revolutionizing industries worldwide: A comprehensive overview of its diverse applications. Hybrid Advances, vol. 7, p. 100277.
Fosso-Wamba, S., and Guthrie, C. (2024). Artificial intelligence and Industry 4.0 and 5.0: A bibliometric study and research agenda. Procedia Computer Science, vol. 235, pp. 718–725.
López-González, C. I., Gómez-Silva, M. J., Besada-Portas, E., Pajares, G. (2024). Analyzing and interpreting convolutional neural networks using latent space topology. Neurocomputing, vol. 593, p. 127713.
Lakshmi Narayana, C., & Venkata Ramana, K. (2023). An efficient real-time weed detection technique using YOLOv7. International Journal of Advanced Computer Science and Applications, vol. 14(2), pp. 550-556.
Hu, J., Fan, C., Wang, Z., Ruan, J., Wu, S. (2023). Fruit detection and counting in apple orchards based on improved YOLOv7 and multi-object tracking methods. Sensors, vol. 23(13), p. 5931.
Tang, X., Ruan, C., Li, X., Li, B., Fu, C. (2024). MSC-YOLO: Improved YOLOv7 based on multi-scale spatial context for small object detection in UAV-view. Computers, Materials & Continua, vol. 79(1), pp. 983–1003.
Anjomshoae, S., Omeiza, D., Jiang, L. (2021). Context-based image explanations for deep neural networks. Image and Vision Computing, vol. 116, p. 104337.
Rouf, A., Iwahori, Y., Wu, Q., Wu, H., Yu, X., Wang, A. (2023). Real-time vehicle detection, tracking and counting system based on YOLOv7. Embedded Self Organizing Systems, vol.10(7), pp. 4-8.
Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2022). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv.
Bello, A.-W., & Oladipo, M. A. (2024). Mask YOLOv7-based drone vision system for automated cattle detection and counting. Artificial Intelligence and Applications. vol. 2(2), pp. 115-125.
Li, Z., Zhu, Y., Sui, S., Zhao, Y., Liu, P., Li, X. (2024). Real-time detection and counting of wheat ears based on improved YOLOv7. Computers and Electronics in Agriculture, vol. 218, p. 108544.
Vamshi, M., Marupaka, N., Nallamothu, S. C., Naureen, A. (2023). A deep learning approach – Monkey detection using YOLOv7. In Proceedings of the 2023 International Conference on Evolutionary Algorithms and Soft Computing Techniques (EASCT 2023). IEEE.
Chen, X., Li, Y., Zhang, Y., Wang, H., Liu, Z. (2023). An efficient method for monitoring birds based on object detection and multi-object tracking networks. Animals, vol. 13(10), p. 1713.
Yang, D., Miao, C., Liu, Y., Wang, Y., Zheng, Y. (2024). Improved foreign object tracking algorithm in coal for belt conveyor gangue selection robot with YOLOv7 and DeepSORT. Measurement, vol. 228, p. 114178.
Zhou, J., Yang, D., Song, T., Ye, Y., Zhang, X., & Song, Y. (2024). Improved YOLOv7 models based on modulated deformable convolution and Swin transformer for object detection in fisheye images. Image and Vision Computing, vol. 144, p. 104876.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารวิศวกรรมศาสตร์และการวิจัยเชิงนวัตกรรม
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
