หุ่นยนต์คูก้าคัดแยกฉลากโดยใช้อัลกอริทึม YOLO และบรรจุภัณฑ์ ในกระบวนการผลิตน้ำดื่มบรรจุขวด
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้ได้นำเทคโนโลยีการประมวลผลภาพด้วยวิธีการเรียนรู้เชิงลึกด้วยอัลกอลิทึม YOLO V5 (YOLOv5) ซึ่งเป็นอัลกอริทึมสำหรับตรวจจับวัตถุเวอร์ชันล่าสุดที่มีความแม่นยำและความเร็วสูง มาประยุกต์ใช้งานในกระบวนการผลิตน้ำดื่มบรรจุขวดเพื่อคัดแยกฉลากน้ำดื่มที่กำหนด โดยใช้หุ่นยนต์คูก้าเป็นผู้ช่วยคัดแยกและทำการบรรจุขวดน้ำดื่ม 9 ขวดต่อกล่อง โดยได้ทำการทดสอบเวลาในการบรรจุภัณฑ์ 2 กล่อง จำนวน 5 ครั้ง ระบบใช้เวลาเฉลี่ยในการดำเนินการทั้งสิ้น 6.288 นาที ที่ความเร็วสายพาน 3.54 เซ็นติเมตรต่อวินาที โดยใช้โครงข่ายประสาทเชิงลึกโดยใช้อัลกอลิทึม YOLOv5 สำหรับสร้างแบบจำลองในการรู้จำภาพจำนวน 1,333 รูป เพื่อจำแนกฉลากออกเป็น 3 กลุ่ม ได้แก่ กลุ่มที่1 มีฉลากที่ถูกต้องสมบูรณ์(Perfect) กลุ่มที่ 2 มีฉลากไม่สมบูรณ์(Damaged) กลุ่มที่ 3 ไม่มีฉลาก(Not Have) และทำการฝึกสอนจำนวน 500 รอบ จากแบบจำลองที่ได้พบว่ามีค่าสูญเสียเฉลี่ยอยู่ที่ 0.0056 และค่าความแม่นยำอยู่ที่ 0.9723 และทำการทดสอบขวดน้ำดื่มคละกลุ่มจำนวน 60 ขวด พบว่า หุ่นยนต์สามารถตรวจจับได้แม่นยำสูงสุดถึงร้อยละ 100
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความนี้เป็นลิขสิทธิ์ของวารสาร Engineering Transactions คณะวิศวกรรมศาสตร์และเทคโนโลยี มหาวิทยาลัยเทคโนโลยีมหานคร
เอกสารอ้างอิง
Charan, Allashyam, Chundu Karthik Chowdary, and Peddagowda Komal, "The Future of Machine Vision in Industries-A systematic review", IOP Conference Series: Materials Science and Engineering, Vol. 1224, No. 1, 2022.
B.Suechoey, N.Kulkana and M.Leelajindakrairerk, “Robot Control for Picking Up Objects using 2D Vision Camera”, SAU JORNAL OF SCIENCE & TECHNOLOGY, Vol.6, No.2, July– December 2020.
B.Tanut, N.Kamsuwan, “A Prototype Development of Marigold Classification by Image Processing”, Science and Technology Nakhon Sawan Rajabhat University Jornal, Vol.11, No.13, January-June 2019.
J.-a.Kim, J.-Y.Sung and S.-h.Park, “Comparison of Faster-RCNN, YOLO, and SSD for Real-Time Vehicle Type Recognition”, IEEE Internation Conference on Consumer Electronics-Asia (ICCE-Asia), pp.1-4, 2020.
P.Punyato and N.Sidahao, “Low-Cost Real-Time People Counting System Object Recognition Embedded Systems Raspberry Pi Tiny YOLO”, Engineering Transactions, Vol.22, No.2, pp.72-78, July-December 2019.
N. S. Punn, S. K. Sonbhadra, S. Agarwal and G. Rai, “Monitoring COVID-19 social distancing with person detection and tracking via fine-tuned YOLOv3 and Deepsort Techniques”, arXiv preprint arXiv:2005.01385, 2020.
Z.Cai and N.Vasconcelos, “Cascade R-CNN: High Quality Object Detection and Instance Segmentation”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.43, pp.1483-1498, 2021.
