AI Vision Inspection ในโรงงานไทย: 5 เคสจริงจากอุตสาหกรรมที่ต่างกัน

TL;DR

โรงงานไทยที่เปลี่ยนจาก QC คนเป็น AI vision inspection ในช่วง 2023-2026 รายงานผลตรงกันที่ defect escape rate ลด 60-92% และ throughput inspection สูงขึ้น 3-8 เท่า. งบลงทุนต่อ station ฿450K-8M ขึ้นกับความซับซ้อน ROI เฉลี่ย 11-18 เดือน สำหรับ line ผลิต > 50,000 ชิ้น/เดือน.

5 เคสจริงที่จะเล่าในบทความนี้:

1. โรงงาน PCB ที่นวนคร — Keyence IV3 + AI-X model ตรวจ solder joint, ลด rework 78%
2. Tier-1 ยานยนต์ที่อมตะนคร — Cognex In-Sight 3D + VisionPro DL ตรวจ casting defect, ROI 13 เดือน
3. โรงงานอาหาร frozen seafood ที่สมุทรสาคร — Sick V2D + hyperspectral camera คัดแยกสิ่งแปลกปลอม
4. โรงงานยาที่นวนคร — Antares Vision สแกน blister pack + serialization, ผ่าน FDA audit ครั้งแรก
5. EMS อิเล็กทรอนิกส์ที่ลำพูน — Sick Inspector P30 + custom AI ตรวจ connector pin

ทุกเคสใช้ระบบ inline (real-time) บน production line ไม่ใช่ offline lab inspection. ส่วนใหญ่ integrate กับ SCARA robot หรือ delta robot สำหรับ pick-and-place ของเสียออก.

ทำไมโรงงานไทยถึงเริ่มเปลี่ยน QC คนเป็น AI Vision Inspection?

ในช่วงปี 2023-2025 เราเห็นโรงงานไทยลงทุน AI vision inspection เพิ่มขึ้นชัดเจน — ตามข้อมูลจาก IFR World Robotics 2024 ไทยติด Top 10 ประเทศที่ติดตั้ง vision-equipped robot ใหม่สูงสุดในเอเชียตะวันออกเฉียงใต้ และตัวเลขจากกรมโรงงานอุตสาหกรรมบอกว่ามีการขอใบอนุญาต integrate ระบบ vision เข้ากับ line การผลิตเพิ่ม 47% YoY ในปี 2025.

เหตุผลหลัก 3 ข้อที่ดันให้โรงงานเปลี่ยน:

1. QC คนหายากและแพงขึ้นเรื่อย ๆ — ค่าจ้าง QC inspector ที่มีประสบการณ์ 2-3 ปี ในปริมณฑลกรุงเทพ ขึ้นจาก ฿15,000-18,000/เดือน (ปี 2020) เป็น ฿20,000-26,000/เดือน + OT (ปี 2026). ทีม QC 6-10 คน × 2 กะ = ฿280,000-450,000/เดือน — งบที่จ่าย AI vision station 1-2 ตัวคืนทุนภายในปี.

2. ลูกค้า OEM/Tier-1 บังคับ traceability 100% — โรงงานยานยนต์, อิเล็กทรอนิกส์ และยา ในไทยที่ส่งออกญี่ปุ่น/ยุโรป ต้องเก็บภาพ inspection ของทุก unit + ผูกกับ serial number เก็บ 7-10 ปี. QC คนทำไม่ได้ — AI vision ทำได้อัตโนมัติ.

3. Defect ที่คนมองไม่เห็นแต่ AI เห็น — microcrack ขนาด < 0.1mm, สีที่ผิด 1-2 ΔE, gloss/texture ที่ต่างเล็กน้อย — สายตาคนจับไม่ได้ consistent แต่ camera 12MP + deep learning จับได้แม่นกว่า 95%.

เคส 1: โรงงาน PCB ที่นวนคร — Keyence IV3 ตรวจ Solder Joint ลด Rework 78%

โรงงาน EMS ขนาดกลางที่นิคมนวนคร (พนักงาน 320 คน, ผลิต PCB assembly สำหรับลูกค้ายุโรปและสหรัฐ) — line SMT 2 line ผลิต PCB ขนาด 100x150mm จำนวน 65,000 ชิ้น/เดือน.

ปัญหาเดิม (2024):

• QC โดยคน 6 คน × 2 กะ ตรวจหลัง reflow oven (solder joint ~ 850 จุด/board)
• Defect escape rate (BGA, tombstone, cold solder ที่หลุดไปถึง functional test): 1.2-1.8%
• Rework cost ฿85,000-130,000/เดือน + ค่า claim จากลูกค้าเฉลี่ย ฿180,000/เดือน

โซลูชันที่ติดตั้ง (Q2 2025):

• Keyence IV3 series (กล้อง 5MP + ring light multi-angle) 2 station — หลัง paste printer และหลัง reflow
• AI-X learning model (40 ภาพ/defect class × 8 class) เทรนใน 3 วัน
• Integrate กับ SMT line ผ่าน PLC + ระบบ reject ด้วย linear actuator
• งบรวม: ฿1,850,000 (2 station + integration + 6 เดือน warranty)

ผลลัพธ์ 9 เดือนแรก:

• Defect escape rate ลดเหลือ 0.27% (ลด 78%)
• Rework cost ลด ฿95,000/เดือน + claim cost ลด ฿145,000/เดือน
• ลด QC คนจาก 6 → 2 (2 คนตรวจ visual final QC + monitor AI)
• ROI 11.8 เดือน (savings ฿185,000/เดือน ÷ ฿1.85M)

เคส 2: Tier-1 ยานยนต์ที่อมตะนคร — Cognex 3D + Deep Learning ตรวจ Casting Defect

โรงงาน Tier-1 supplier ของค่ายญี่ปุ่นที่อมตะนคร ชลบุรี ผลิต aluminum die-casting (housing transmission, gearbox cover) 18,000-22,000 ชิ้น/เดือน — workpiece น้ำหนัก 2.5-5.8kg, defect ที่ต้องจับคือ porosity, cold shut, flash, dimensional out-of-tol.

ปัญหาเดิม: QC 8 คน × 3 กะ ใช้ caliper + visual + magnifier — รับมือไม่ทันเวลา line peak, defect escape 2.1% (โดยเฉพาะ porosity ลึกที่ตามองไม่เห็น).

โซลูชันที่ติดตั้ง (Q4 2024):

• Cognex In-Sight 3D-L4000 (laser profiler 3D, accuracy 5μm) + In-Sight 2800 2D
• VisionPro Deep Learning model (Red-Analyze สำหรับ surface defect, Green-Classify สำหรับ sorting)
• FANUC LR Mate 200iD/7L 6-axis handling robot สำหรับ load/unload
• Reject conveyor + air-blow + bin sorting 3 ช่อง (good, rework, scrap)
• งบรวม: ฿4,250,000 (vision + FANUC robot + integration)

ผลลัพธ์ 14 เดือน:

• Defect escape rate ลดจาก 2.1% → 0.18% (ลด 91%)
• Throughput inspection ขึ้นจาก 240 ชิ้น/ชั่วโมง → 720 ชิ้น/ชั่วโมง (× 3)
• ลด QC คน 8 → 3, ลด rework cost ฿220,000/เดือน
• ผ่าน OEM audit ของลูกค้าญี่ปุ่นระดับ AA (จาก B เดิม)
• ROI 13.2 เดือน

เคส 3: โรงงาน Frozen Seafood ที่สมุทรสาคร — Hyperspectral Camera คัดสิ่งแปลกปลอม

โรงงาน frozen shrimp + breaded seafood ส่งออกญี่ปุ่น/EU ที่สมุทรสาคร — line ผลิต 12 ตัน/วัน, ปัญหาคือเศษเปลือก พลาสติก โลหะขนาดเล็ก ที่ X-ray เดิม (Anritsu) จับไม่ได้ถ้าเป็น low-density material.

โซลูชัน (Q3 2025):

• Sick V2D vision + Specim FX10 hyperspectral camera (400-1000nm) บน conveyor 600mm/s
• AI classification model (Halcon MVTec) ตรวจ 12 class สิ่งแปลกปลอม
• Delta robot ABB FlexPicker IRB 360 สำหรับ pick reject ออก (650 picks/min capability, ใช้จริง 180-220 picks/min)
• งบรวม: ฿6,800,000 (vision + hyperspectral + delta robot + IP69K stainless cell)

ผลลัพธ์:

• จับสิ่งแปลกปลอมที่ X-ray เดิมพลาด — เพิ่ม detection rate จาก 91% → 99.4%
• ลด recall risk (เคสปี 2023 มี recall 1 ครั้ง ค่าใช้จ่าย ฿4.2M)
• ผ่าน BRC Grade AA audit + ลูกค้าญี่ปุ่น JFS-C Level
• ROI 17 เดือน (ส่วนใหญ่จาก risk avoidance ไม่ใช่ labor savings ตรง ๆ)

เคส 4: โรงงานยาที่นวนคร — Antares Vision สแกน Blister Pack + FDA Audit

โรงงาน generic drug ที่นิคมนวนคร — line บรรจุ blister pack 80,000 unit/วัน. ลูกค้าส่งออกอเมริกาบังคับ FDA serialization (DSCSA) และ track-and-trace.

โซลูชัน: Antares Vision TS Inspect + Print&Check ระบบ — กล้อง 6 ตัวต่อ line ตรวจ:

• เม็ดยาครบ/ไม่ครบใน blister pocket
• Tablet broken/chipped
• Print quality บน foil (lot number, expiry, GS1 DataMatrix)
• Aggregation ตั้งแต่ unit → bundle → case → pallet

งบรวม: ฿7,500,000/line × 2 line = ฿15M.

ผลลัพธ์: ผ่าน FDA pre-approval audit ครั้งแรก (เดิมต้อง re-audit 2 รอบ), เปิดตลาดอเมริกาเพิ่มยอดส่งออก ฿85M/ปี. ROI < 12 เดือน (จาก revenue ใหม่ ไม่ใช่ cost saving).

เคส 5: EMS อิเล็กทรอนิกส์ที่ลำพูน — Sick Inspector P30 ตรวจ Connector Pin

โรงงาน EMS ที่ลำพูน ผลิต wire harness + connector สำหรับ HDD/SSD manufacturer — ตรวจ pin alignment, missing pin, bent pin บน connector 24-80 pin.

โซลูชัน:

• Sick Inspector P30 (multi-shot LED + 2MP camera) 4 station บน assembly line
• Custom AI model (PyTorch + ONNX deployed บน edge GPU)
• Integrate กับ SCARA robot MOTOMAN MPP3H สำหรับ reject handling
• งบ ฿2,400,000/line × 3 line = ฿7.2M

ผลลัพธ์: defect escape 0.04% (จากเดิม 0.5%), throughput +5x, ลูกค้าเพิ่มออเดอร์ 28% เพราะ FAI pass rate ดีขึ้น. ROI 14 เดือน.

ข้อผิดพลาดที่โรงงานไทยเจอบ่อยเมื่อติด AI Vision Inspection

1. Lighting ไม่ดีพอ — 70% ของปัญหา vision inspection มาจาก lighting ไม่ใช่ algorithm. ต้องลงทุน LED ring light + diffuser + polarizer ให้พอ ห้ามใช้แสงโรงงานปกติ.

2. ไม่มี image dataset เก็บไว้เทรน — โรงงานที่จะติด AI ควรเริ่มเก็บภาพ defect + good unit ตั้งแต่ก่อนซื้อระบบ 3-6 เดือน. ถ้าซื้อระบบมาแล้วค่อยเก็บ training data จะ delay deployment 2-4 เดือน.

3. ไม่ integrate กับ MES/ERP — ระบบ vision ที่ทำงานแบบ standalone (ไม่ส่งข้อมูลไป MES) จะเสีย traceability value ไป 70%. ต้องวางแผน integration ตั้งแต่ phase 1.

4. คิดว่า AI = ไม่ต้องดูแล — AI model ต้อง retrain ทุก 3-6 เดือน เมื่อมี product variant ใหม่หรือเปลี่ยน supplier วัตถุดิบ. ต้องมีคนใน plant ที่ดูแลได้ (ส่งทีม IT/QC ไปเทรน Cognex/Keyence/Sick certification).

5. Underspec กล้อง resolution — defect 50μm ต้องใช้กล้องอย่างน้อย 12MP + lens telecentric. ซื้อกล้อง 2MP ราคาถูกแล้วจะตรวจ defect เล็ก ๆ ไม่ได้ — ต้อง upgrade ทีหลังแพงกว่าเดิม 2 เท่า.

สรุป: ใครควรเริ่มลงทุน AI Vision Inspection ก่อน?

จาก 5 เคสจริง การลงทุน AI vision inspection คุ้มที่สุดเมื่อมีอย่างน้อย 2 ใน 3 เงื่อนไขนี้:

1. Volume > 50,000 unit/เดือน บน line ใด line หนึ่ง
2. Defect cost > ฿100,000/เดือน (rework + claim + scrap)
3. ลูกค้าบังคับ traceability หรืออยากเปิดตลาดส่งออกที่ต้องการ audit

ขั้นตอนที่แนะนำสำหรับโรงงานไทย:

1. เริ่มจาก POC 1 station บน line ที่ defect cost สูงสุด — ใช้งบ ฿450K-900K ทดสอบ 8-12 สัปดาห์
2. ขอ demo จาก Cognex, Keyence, Sick (มีออฟฟิศไทย) เปรียบเทียบ พร้อม ABB หรือ KUKA ถ้าต้องการ robot integration
3. เก็บ training image dataset อย่างน้อย 50 ใบ/class ก่อน go-live
4. วางแผน integration กับ MES/ERP ตั้งแต่ phase แรก
5. Scale ไป line อื่นเมื่อ ROI station แรก < 18 เดือน

ทุกเคสที่เราเก็บข้อมูล โรงงานเริ่มเล็ก แล้วขยายผลเสมอ — ไม่มีใครติดทุก line พร้อมกันรอบเดียว.