PCB AOI STATION
0%

กำลังโหลด CAD ของเครื่องจริง

PCB AOIRMUTT · 2026Training dashboard
AOI-1 STATION

PCB AOI Station — See every part

RMUTT · AUTOMATED OPTICAL INSPECTION

สถานีตรวจชิ้นส่วนบนแผ่น PCB อัตโนมัติ กล้อง 4K บนแกน XY วิ่งไปทุกจุดของบอร์ด แล้วให้ AI ที่เทรนเองเทียบกับบอร์ดต้นแบบ บอกผลผ่าน/ไม่ผ่านของทุกชิ้น

สำรวจขั้นตอน 3D
mAP50 · ตรวจจับชิ้นส่วน
98.8%
ชนิดชิ้นส่วน
11
บน Jetson
13 FPS
SCROLL

01 — THE IDEA

แทนที่จะให้คนนั่งไล่ดูชิ้นส่วนทีละตัว สถานีนี้เลื่อนกล้องไปทุกจุดที่สอนไว้ ถ่ายภาพ แล้วให้โมเดลที่รู้จักชิ้นส่วน 11 ชนิดตรวจว่าทุกชิ้นอยู่ครบ อยู่ถูกที่ และถูกชนิด

02 — THE MACHINE

เครื่องแบบ gantry: บอร์ดวางนิ่งอยู่บนฐาน กล้องเป็นฝ่ายเคลื่อนไปหา ภาพจึงไม่สั่นจากการขยับชิ้นงาน

  1. 01 · CAMERA HEADหัวกล้อง 4K

    รับภาพ 3840×2160 พิกเซล ค่าตั้งต้นปัจจุบันครอปกลางเป็น 2160×2160 แบบ 1:1 หัวกล้องมองลงบอร์ดและเลื่อนซ้าย-ขวาบนแกน X

  2. 02 · X GANTRYคานแกน X

    คานขวางพาหัวกล้องทั้งชุดเลื่อนหน้า-หลังไปตามราง Y ขับด้วยสเต็ปมอเตอร์ 512 สเต็ปต่อมิลลิเมตร

  3. 03 · Y RAILSรางแกน Y

    สองรางขนานยึดกับโครง ทำให้กล้องไปได้ทุกตำแหน่งบนบอร์ด และกลับมาที่ HOME ได้ซ้ำทุกครั้ง

  4. 04 · BASEฐานวางบอร์ด

    บอร์ดวางนิ่งอยู่กับที่ กล้องเป็นฝ่ายเคลื่อน ภาพจึงไม่สั่นจากการขยับชิ้นงาน

ไปดูการสแกน

03 — THE SCAN

ภาพจำลองเส้นทาง 6 จุด · เลื่อนเพื่อดูแต่ละขั้น

INSPECTION POINT1/6ผ่านแล้ว 0 จุด
  1. MOVEเคลื่อนไปจุดตรวจ

    Arduino Nano ขับแกน X/Y ไปยังพิกัดที่สอนไว้ ส่งสถานะกลับทุก 0.25 วินาที

  2. SETTLEรอภาพนิ่ง

    เทียบภาพเฟรมต่อเฟรม จนกว่าการสั่นจะหยุดจริง แล้วจึงถ่าย

  3. CAPTUREถ่ายหลายเฟรม

    ถ่าย 10 เฟรมต่อจุด ชิ้นที่เจอซ้ำตามเกณฑ์จึงนับว่ามีอยู่จริง

  4. VERDICTเทียบกับต้นแบบ

    จับคู่ทุกชิ้นกับบอร์ดต้นแบบ ตำแหน่งตรงและชนิดตรง = ผ่าน ขาดหรือผิดชนิด = ไม่ผ่าน

ข้ามไปดูผลตรวจจริง

04 — THE BRAIN

คอมพิวเตอร์ AI ขนาดฝ่ามือในเครื่องตรวจ AI ตรวจแต่ละภาพบนบอร์ดนี้ใน 72.6 ms (13.4 FPS) วัดจากเครื่องจริง

67TOPS
พลัง AI (INT8)
1024CUDA
คอร์ GPU Ampere
8GB
LPDDR5 102 GB/s
7–25W
กินไฟ
  1. 01 · MODULEOrin Nano 8GB โมดูลประมวลผล

    GPU สถาปัตยกรรม Ampere 1024 CUDA cores และ 32 Tensor cores กับ CPU Arm Cortex-A78AE 6 คอร์ 1.7 GHz และหน่วยความจำ 8 GB ที่ใช้ร่วมกันทั้ง CPU และ GPU

  2. 02 · COOLINGฮีทซิงก์และพัดลม

    เครื่องตรวจตั้งโหมดพลังงานไว้ที่ MAXN_SUPER ให้ GPU ทำงานเต็มที่ พัดลมปรับรอบตามอุณหภูมิเอง

  3. 03 · I/Oพอร์ตบนบอร์ด carrier

    USB 3.2 Type-A 4 ช่อง (ใช้ต่อกล้องและ Arduino) Gigabit Ethernet, DisplayPort 1.2 และ USB-C ส่วนเครือข่ายไร้สายมีโมดูล Wi-Fi ติดมาบนบอร์ด

  4. 04 · EXPANSIONขยายต่อได้อีก

    ขา GPIO 40 ขา ช่องกล้อง MIPI CSI-2 2 ช่อง และช่อง M.2 สำหรับ SSD แบบ NVMe โปรแกรมของเราติดตั้งบน JetPack 7 กับ CUDA 13

06 — THE MODEL

เราเทรนโมเดลทั้งหมด 25 รอบ ลองทั้งรุ่นเล็กไปจนถึงรุ่นใหญ่ ทั้งภาพ 640 และ 1280 px และชุดข้อมูลหลายแบบ จนได้รุ่นที่แม่นพอและเร็วพอสำหรับเครื่องจริง

รอบการเทรน
epoch รวม
ชั่วโมงบน GPU
กรอบชิ้นส่วนที่ติดป้ายไว้
MAIN MODEL

YOLO26m @ 640 px

  • Epochs60 (ดีที่สุด 46)
  • เวลาเทรน2.2 ชม.
  • ขนาดไฟล์44.1 MB
  • ชนิดชิ้นส่วน11

รุ่นใหญ่ที่ 1280 px ทำ validation ได้สูงกว่าเล็กน้อย แต่รุ่น m ที่ 640 px เร็วพอให้ Jetson ตรวจทุกจุดได้ทันเวลา เราจึงเลือกรุ่นนี้

HELD-OUT TEST SET

ชุดทดสอบที่โมเดลไม่เคยเห็น

mAP50
mAP50-95
Precision
Recall
F1

mAP วัดคุณภาพการตรวจจับและระบุชนิดชิ้นส่วนบนชุดทดสอบ ไม่ใช่อัตราตัดสิน PASS/FAIL ของสถานีทั้งระบบ ซึ่งยังขึ้นกับการจับคู่ตำแหน่งและเกณฑ์เทียบกับบอร์ดต้นแบบ

DATASET

ภาพจริงจากบอร์ดจริง

344ภาพจริงสำหรับเทรน
×3
1,032หลัง augmentation
train
1,032 ภาพ · 33,843 กรอบ
valid
43 ภาพ · 1,293 กรอบ
test
43 ภาพ · 1,372 กรอบ
LEARNING CURVE · MAIN MODEL

เรียนรู้จนนิ่งใน 46 epoch

406080100115304560best · epoch 46
mAP50mAP50-95บนชุด validation ระหว่างเทรน · แกนนอน = epoch
EVERY RUN

25 รอบของการทดลอง

  1. YOLO26l · 128098.3
  2. YOLO26l · 128097.9
  3. ★ YOLO26m · 64097.2
  4. YOLO26m · 64097.1
  5. YOLO26x · 64096.8
  6. YOLO26m · 64096.6
  7. YOLO26l · 128094.0
  8. YOLO26x · 128093.6
  9. YOLO26l · 64093.3
  10. YOLO26l · 128093.1
  11. YOLO26m · 64092.9
  12. YOLO26l · 64092.6
  13. YOLO26l · 64092.2
  14. YOLO26l · 64089.0
  15. YOLO26s · 64087.7
  16. YOLO26l · 64083.0
  17. YOLO26l · 64082.4
  18. YOLO26m · 64079.2
  19. best · 64076.8
  20. YOLO26m · 64076.1
  21. YOLO26n · 64072.7
  22. YOLO26n · 64072.3
  23. last · 64071.6
  24. last · 64068.8
  25. YOLO26l · 64041.9
mAP50 สูงสุดบนชุด validation ของแต่ละรอบ · แต่ละรอบใช้ชุดข้อมูลต่างกัน จึงใช้ดูพัฒนาการ ไม่ใช่เทียบกันตรงๆ ★ = โมเดลที่ใช้จริง
PER CLASS · TEST SET

แม่นทุกชนิดชิ้นส่วน

  • buzzer99.597.1
  • potentiometer99.599.5
  • switch99.598.7
  • display99.597.9
  • led99.597.9
  • connector99.496.7
  • transistor99.491.0
  • resistor99.188.4
  • ic99.097.2
  • capacitor98.796.0
  • clock93.793.7
AP50AP50-95ชุดทดสอบ 43 ภาพ · 1,372 ชิ้น ที่โมเดลไม่เคยเห็น
SPEED
NVIDIA Jetson Orin NanoCUDA · 13.4 FPS
72.6 ms
Apple Silicon (Mac)Metal (MPS) · 38.1 FPS
26.4 ms
เวลาต่อภาพ (ค่ากลาง) ที่ 640 px บน 114 ภาพจริงจากสถานี

07 — THE VERDICT

ภาพจริงจากจุดตรวจที่ 1 ของการสแกนบนสถานี: โมเดลเจอ 54 กรอบใน 10 เฟรม ระบบนำไปเทียบกับ 47 ชิ้นของบอร์ดต้นแบบ ทุกชิ้นอยู่ครบ ถูกที่ ถูกชนิด จึงผ่าน

  • OK ตำแหน่งและชนิดตรงกับต้นแบบ 0
  • MISSING ไม่พบชิ้นที่ควรมี 0
  • WRONG มีชิ้นอยู่ แต่ผิดชนิด 0
ภาพจริงจากจุดตรวจที่ 1 ของการสแกนบนสถานี
ล็อกเป้า จุดตรวจที่ 1ตรวจพบ 0 กรอบเทียบต้นแบบ 0/47 ชิ้น PASS · ยืนยัน 47/47 ชิ้น · 10 เฟรม

08 — THE STACK

01แม่นและพิสูจน์ได้

ทุกตัวเลขมาจากชุดทดสอบที่โมเดลไม่เคยเห็น

02ทำงานในเครื่อง

AI อยู่ในสถานี ใช้ได้แม้ไม่มีอินเทอร์เน็ต

03ย้อนดูได้ทุกบอร์ด

ภาพ ผล และเลขบอร์ดของทุกจุดถูกเก็บไว้

04สร้างได้ในงบจำกัด

ฮาร์ดแวร์หาซื้อง่าย ความแม่นมาจากซอฟต์แวร์

AIตรวจจับชิ้นส่วน

YOLO26 · Ultralytics

ตระกูล YOLO รุ่นล่าสุด ออกแบบมาเพื่ออุปกรณ์ edge รองรับการทำงานแบบ end-to-end เราเลือกรุ่น m ที่ 640 px เพราะแม่นเกือบเท่ารุ่นใหญ่ แต่เร็วพอให้ Jetson ตรวจได้จริง

AIรันโมเดลบนเครื่อง

PyTorch · CUDA 13

AI ทำงานบน Jetson Orin Nano ภายในสถานี ไม่ต้องส่งภาพขึ้นคลาวด์ ไม่ช้าเพราะเน็ต และภาพของบอร์ดไม่ออกจากโรงงาน

AIเครื่องเทรน

Apple Silicon · MPS

เทรนทั้ง 25 รอบบน Mac ด้วย GPU ในตัวผ่าน Metal ไม่ต้องเช่าเครื่องเทรน

Visionกล้องและภาพ

OpenCV

จับภาพ 4K รอภาพนิ่ง ชดเชยบอร์ดที่วางเอียง และคำนวณความคลาดเคลื่อนของรางจากแผ่น speckle

Stationหัวใจของสถานี

FastAPI · Python

คุมกล้อง สเตจ และ AI ไปพร้อมกัน ส่งความคืบหน้าทุกเฟรมแบบสดผ่าน WebSocket และทดสอบอัตโนมัติไว้กว่า 260 กรณี

Stationประวัติย้อนหลัง

SQLite

เก็บทุกรอบสแกน ทุกจุด และเลขบอร์ด ค้นย้อนหลังได้ ส่งออก CSV และพิมพ์รายงานได้

Machineขับแกน XY

Arduino Nano · AccelStepper

โปรโตคอลของเราเอง: HOME แบบแตะ limit หลายครั้งเพื่อความแม่น มี heartbeat และปุ่ม STOP ที่ตัดทุกคำสั่งได้ทันที

Machineมอเตอร์ราคาประหยัด

28BYJ-48 · ULN2003

สเต็ปมอเตอร์ที่หาซื้อง่ายและราคาถูก ทำให้สร้างสถานีได้ในงบนักศึกษา แล้วใช้ซอฟต์แวร์ชดเชยความแม่นยำ

Interfaceหน้าจอผู้ใช้

Next.js 16 · React 19

เปิดจาก iPad มือถือ หรือคอมได้ทันทีโดยไม่ต้องติดตั้งโปรแกรม มีโหมดผู้ใช้งานที่เหลือแค่ เลือกบอร์ด → กดเริ่ม → อ่านผล

InterfaceDigital twin

three.js

โมเดล 3D จาก CAD จริงของเครื่อง ขยับตามตำแหน่งสเตจแบบสด เห็นว่ากล้องกำลังมองตรงไหนของบอร์ด

Interfaceผู้ช่วย AI

Gemini · Edge TTS

ถามข้อมูลสถานีหรือเนื้อหาในเล่มได้เป็นภาษาไทย และอ่านคำตอบออกเสียงได้

Interfaceเข้าใช้จากที่อื่น

Tailscale

เปิดสถานีจากนอกเครือข่ายได้อย่างปลอดภัย คนนอกต้องมีสิทธิ์ควบคุมก่อนจึงสั่งเครื่องหรือใช้ AI ได้

RMUTT PCB AOI PROJECT

Training dashboard Source on GitHub Model on Hugging Face