An Automation Conveyor Defective Workpiece Detection System Using Machine Learning

Abstract

This research aims to develop an automatic defective workpiece detection system on a Conveyor Belt using Machine Learning, integrating the YOLOv8 model for high-accuracy, real-time defect detections of bottle. The system identifies bottle defects such as missing caps, missing labels, then sends control signals via Arduino to a pneumatic rejector for automatic defected bottle removal. A dataset of 25,00 images was used as trained dataset, followed by data augmentation to increase diversity. The model was trained in Google Colab using a Tesla T4 GPU for 100 epochs. The trained model achieved 96.4% average accuracy. Real-time testing showed processing speeds of 30–38 FPS with average latency at 40 ms per frame, proving stable operation suitable for conveyor systems. 18 User satisfaction evaluation indicated a high satisfaction level (mean value at 4.59 from 5.00), particularly in cost-effectiveness and operational performance. The developed system is therefore considered to have high potential for practical application in industrial factories, with a total cost of only 46,450 baht, which is 7–10 times lower than commercial Vision Sensor systems. This research provides a practical solution for intelligent quality inspection and contributes to advancing Industry 4.0 manufacturing in Thailand.

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนา ระบบตรวจจับชิ้นงานเสียบนสายพานลำเลียงอัตโนมัติ โดยใช้เทคนิคการเรียนรู้ของเครื่องผ่านโมเดล YOLOv8 ซึ่งสามารถตรวจจับตำหนิของขวดได้อย่างแม่นยำและทำงานแบบ Real-time ระบบถูกออกแบบให้ตรวจจับขวดที่มีตำหนิ เช่น ไม่มีฝา ไม่มีฉลาก และ ไม่มีทั้งฝาและฉลาก เป็นต้น ส่งสัญญาณไปยัง Arduino เพื่อควบคุมกลไก Rejector ในการคัดแยกขวด ชิ้นงานเสีย ออกจากสายพานโดยอัตโนมัติ ข้อมูลที่ใช้ในการฝึกประกอบด้วยภาพรวม 25,00 ภาพ ที่ผ่านการทำการเพิ่มข้อมูล เพื่อเพิ่มความหลากหลาย โมเดลถูกฝึกใน Google Colab โดยใช้ GPU Tesla T4 จำนวน 100 Epoch และมีความแม่นยำเฉลี่ยสูงถึงร้อยละ 96.4 จากการประเมินด้วย Confusion Matrix การทดสอบในระบบจริงแสดงให้เห็นว่าสามารถทำงานได้ด้วยความเร็ว 30–38 FPS ที่ Latency เฉลี่ย 40 มิลลิวินาทีต่อเฟรม ซึ่งรองรับการทำงานของสายพานได้อย่างมีเสถียรภาพ ผลการประเมินความพึงพอใจของผู้ใช้งานจริง 18 คน พบว่าผู้ใช้งานมีความพึงพอใจในระดับสูงมาก (ค่าเฉลี่ย 4.59 จาก 5.00 คะแนน) โดยเฉพาะด้านความคุ้มค่าและประสิทธิภาพการทำงาน ระบบที่พัฒนาขึ้นจึงถือว่ามีศักยภาพสูงในการนำไปประยุกต์ใช้จริงในโรงงานอุตสาหกรรม ด้วยต้นทุนรวมเพียง 46,450 บาท ซึ่งต่ำกว่าระบบ Vision Sensor เชิงพาณิชย์กว่า 7–10 เท่า และสามารถสนับสนุนแนวทางการพัฒนาอุตสาหกรรมไทยสู่ยุค Industry 4.0 ได้อย่างมีประสิทธิภาพ