เปลี่ยนวิธีคิดเรื่อง AOI จากเครื่องมือแยกส่วน สู่ระบบวิเคราะห์ที่เรียนรู้ได้
ในอดีต เครื่อง AOI (Automated Optical Inspection) มักถูกมองว่าเป็นเพียงจุดตรวจสอบคุณภาพท้ายไลน์ของ SMT ซึ่งทำหน้าที่จับผิดพลาดที่อาจหลุดจากกระบวนการประกอบ แต่ด้วยความก้าวหน้าของปัญญาประดิษฐ์ (AI) และเทคโนโลยี Deep Learning เราพบว่าการใช้ AOI นั้นสามารถกลายเป็นแหล่งข้อมูลชั้นเยี่ยมที่ช่วยบ่งชี้แนวโน้มความผิดปกติที่เกิดขึ้นได้ในเชิงลึก
ระบบ AOI ของ Yamaha ที่ใช้ AI ในการประมวลผลภาพ สามารถตรวจสอบตำแหน่ง ความหนา และรูปทรงของลายบัดกรีได้อย่างแม่นยำ อีกทั้งยังสามารถเรียนรู้จากประวัติของข้อผิดพลาด เพื่อเพิ่มความมั่นใจและลด false reject ที่เกิดจาก noise หรือความไม่แน่นอนของมนุษย์ ระบบสามารถแสดงผลเป็น heatmap และดัชนีความเชื่อมั่นที่ทำให้วิศวกรวิเคราะห์และแก้ปัญหาได้เร็วขึ้นอย่างมีระบบ
ที่สำคัญคือระบบไม่ได้ทำงานแค่ในรูปแบบ “pull” แบบเดิมอีกต่อไป แต่ทำงานในแบบ “push” กล่าวคือเมื่อพบความผิดปกติ ระบบจะผลักข้อมูลไปยังผู้รับผิดชอบโดยอัตโนมัติ พร้อมรายละเอียดที่พร้อมใช้งานทันทีในเชิง root cause analysis นี่คือสิ่งที่ทำให้เราเริ่มพิจารณา AI ว่าไม่ใช่แค่เครื่องมือเสริม แต่เป็นส่วนหนึ่งของโครงสร้างการวิเคราะห์ในโรงงานโดยสมบูรณ์
ปัญญาประดิษฐ์ในกระบวนการประกอบ PCB การประมวลผลแบบครบวงจรตั้งแต่ต้นทาง
AI ยังมีบทบาทสำคัญในกระบวนการประกอบ PCB ตั้งแต่การออกแบบวงจร (Design for Manufacturability) การจัดการบัดกรี ไปจนถึงการตรวจสอบขั้นสุดท้าย ความสามารถของ AI ในการจดจำภาพและวิเคราะห์คุณสมบัติของจุดบัดกรี ทำให้สามารถแยกแยะความผิดพลาด เช่น solder bridging, cold solder หรือ open joint ได้อย่างแม่นยำแม้ในลักษณะที่ซับซ้อนหรือไม่ชัดเจนด้วยตาเปล่า
เมื่อรวมเข้ากับ computer vision และระบบกล้อง 2D/3D AI สามารถทำงานร่วมกับ inline inspection ได้อย่างกลมกลืน และสามารถเรียนรู้จากข้อผิดพลาดเดิมเพื่อยกระดับมาตรฐานการประกอบได้โดยไม่ต้องอาศัยประสบการณ์มนุษย์เพียงอย่างเดียว
ในอีกมิติหนึ่ง การนำ AI มาช่วยในขั้นตอนการวางชิ้นส่วน ทำให้สามารถปรับค่าพารามิเตอร์ได้แบบ real-time ไม่ว่าจะเป็นแรงกด ความเร็ว หรือแม้กระทั่งลักษณะการพิมพ์ solder paste ซึ่งล้วนมีผลต่อคุณภาพของการบัดกรีขั้นสุดท้าย โดยเฉพาะในชิ้นส่วนที่มีขนาดเล็กลงและความซับซ้อนสูงขึ้นในปัจจุบัน
แนวทาง Yield Analysis แบบใหม่ของ Intel ‘Push Approach’ และการตรวจจับปัญหาเชิงรุก
สิ่งที่ Intel ดำเนินการในด้าน Yield Analysis ถือเป็นหนึ่งในตัวอย่างที่ชัดเจนของการเปลี่ยนผ่านจากกระบวนการตรวจสอบปลายทางแบบดั้งเดิม ไปสู่ระบบอัตโนมัติเต็มรูปแบบโดยใช้ AI เป็นแกนกลาง
ระบบตรวจจับ Gross Failure Area (GFA) ที่พัฒนาขึ้นโดย Intel ใช้เทคนิค machine learning และ deep learning ในการตรวจจับ pattern ความผิดปกติใน wafer ซึ่งแต่เดิมต้องอาศัยวิศวกรผู้มีประสบการณ์มากในการวิเคราะห์ภาพด้วยมือ ตอนนี้ AI สามารถวิเคราะห์ wafer ทุกแผ่นในทุก lot ได้ครบถ้วน พร้อมระบุ pattern ได้หลายจุดในแผ่นเดียว ซึ่งช่วยลดการพลาดในกรณีที่มีความผิดปกติเกิดขึ้นพร้อมกันหลายแบบ
ความน่าสนใจคือระบบนี้สามารถ “เรียนรู้” จาก pattern ใหม่ ๆ ที่ยังไม่เคยพบมาก่อน และเมื่อวิศวกรทำการวิเคราะห์ root cause แล้ว ระบบก็สามารถ retrain ตัวเองให้รู้จัก pattern นั้นในครั้งถัดไปได้ เท่ากับว่าเรามีระบบที่ยิ่งใช้งานก็ยิ่งฉลาดขึ้น
อีกทั้งระบบยังถูกรวมเข้ากับ Virtual Factory ของ Intel ซึ่งหมายความว่า หากมีการค้นพบ pattern ใหม่ที่โรงงานใดโรงงานหนึ่ง ระบบจะผลักข้อมูลนั้นไปยังโรงงานอื่นทั่วโลกทันทีโดยอัตโนมัติ ความรู้ไม่ต้องส่งผ่านผ่านการประชุมหรือเอกสารอีกต่อไป
การจัดตารางการผลิตใน SMT ด้วยข้อมูลจริงลด Changeover ด้วยความฉลาดจาก BOM
ในงานผลิต SMT ที่มีความหลากหลายของสินค้า (High-Mix Production) การเปลี่ยนผลิตภัณฑ์ระหว่าง batch เป็นสาเหตุหลักของการสูญเสียเวลาในสายการผลิต การต้องเปลี่ยน reel, ปรับ feeder และโหลดค่าการตั้งค่าใหม่ ล้วนใช้เวลาและแรงงานสูง
เอกสารวิจัยล่าสุดเสนอวิธีลดเวลา changeover โดยใช้ commonality ของ part number ใน BOM ของแต่ละผลิตภัณฑ์ AI วิเคราะห์ BOM ทั้งหมดและสร้าง Binary Matrix เพื่อดูว่าแต่ละสินค้ามี part อะไรร่วมกันบ้าง จากนั้นจึงวางลำดับการผลิตใหม่ให้สินค้าที่มีชิ้นส่วนร่วมกันมากที่สุดเรียงต่อกันเพื่อลดจำนวนครั้งในการเปลี่ยน reel
ผลการทดลองจริงในสาย SMT พบว่าสามารถลดเวลาการเปลี่ยนงานได้ถึง 29.4% เทียบกับลำดับการผลิตแบบสุ่ม ซึ่งเป็นตัวเลขที่มีนัยสำคัญในแง่การจัดการเวลาและต้นทุน แม้ในโรงงานที่ยังไม่ได้เชื่อมต่อกับระบบ MES ก็สามารถนำแนวทางนี้ไปใช้ได้โดยไม่ต้องลงทุนโครงสร้างใหม่ทั้งหมด
สายการผลิตอัจฉริยะเมื่อข้อมูลไม่ใช่เพียงแค่ภาพรวม แต่คือพื้นฐานของการควบคุม
ในอดีต การควบคุมคุณภาพในสายการผลิต SMT มักดำเนินไปในลักษณะของ ‘การจับผิด’ หรือ ‘ตรวจซ้ำ’ หลังสิ้นกระบวนการ ซึ่งมีจุดอ่อนที่สำคัญคือเราไม่สามารถคาดการณ์หรือแทรกแซงในระหว่างกระบวนการได้ทันท่วงที ทำให้บางครั้งเราสูญเสียแผงวงจรไปทั้งล็อตเพียงเพราะเครื่องมือบัดกรีเครื่องหนึ่งเริ่มมีปัญหาโดยไม่มีใครสังเกตเห็น
วันนี้ ระบบ AI ไม่เพียงแค่มาช่วยวิเคราะห์ภาพจาก AOI เท่านั้น แต่กำลังกลายเป็นศูนย์กลางของการประมวลผลข้อมูลที่เกิดขึ้นตลอดสายการผลิต โดยเฉพาะเมื่อข้อมูลเหล่านั้นมาจากทุกขั้นตอน ตั้งแต่พิมพ์ solder paste ไปจนถึง reflow oven หากเราสามารถรวบรวม วิเคราะห์ และนำมาใช้ตัดสินใจได้แบบ real-time ระบบจะไม่ใช่เพียงแค่ “สายการผลิต” อีกต่อไป แต่มันจะกลายเป็น “สิ่งมีชีวิต” ที่มีการรับรู้ ปรับตัว และตอบสนองในระดับของมันเอง
ผมมองว่า จุดเปลี่ยนที่สำคัญคือ “การเปลี่ยนข้อมูลจาก Passive เป็น Active” นั่นคือจากการเก็บข้อมูลไว้เฉย ๆ มาเป็นการให้ระบบเข้าใจและลงมือทำบางสิ่งได้เลย เช่น การแจ้งเตือนเมื่อเกิด pattern ใหม่ที่ไม่เคยพบมาก่อน การบันทึกว่าเหตุการณ์นี้เคยเกิดขึ้นที่ไลน์ไหน และถ่ายทอด pattern นั้นสู่โรงงานอื่นผ่าน Virtual Factory หรือแม้กระทั่งการปรับค่าการวางชิ้นส่วนโดยอัตโนมัติหากพบว่าสภาพของหัว pick-and-place เริ่มเปลี่ยนแปลง
ประสิทธิภาพที่แท้จริงเริ่มต้นจากการลดการตัดสินใจซ้ำซ้อน
ในหลายครั้ง ผมพบว่าสิ่งที่ทำให้การบริหารสาย SMT ซับซ้อนไม่ได้มาจากเครื่องจักร แต่เกิดจาก “ความไม่ชัดเจนในการตัดสินใจซ้ำซ้อน” เรามีทั้งฝ่ายวางแผน ฝ่ายผลิต ฝ่ายซ่อมบำรุง และฝ่ายคุณภาพ ต่างคนต่างมีชุดข้อมูลของตัวเอง และมักจะมีเวลากลับมาดูข้อมูลย้อนหลัง “เมื่อมีปัญหาแล้ว” มากกว่าดูเพื่อป้องกัน
ระบบ AI ที่ทำงานแบบ “push” ซึ่งตรวจจับความผิดปกติแล้วผลักไปยังผู้เชี่ยวชาญทันทีนั้น ทำให้ผมเห็นภาพของโรงงานที่เริ่ม “บูรณาการการตัดสินใจ” ได้ดีขึ้น ยกตัวอย่างระบบ Auto Crash ของ Intel ที่วิเคราะห์ GFA หรือ Gross Failure Area แบบอัตโนมัติ ซึ่งเดิมเคยต้องใช้วิศวกรผู้เชี่ยวชาญตรวจด้วยมือและใช้ประสบการณ์ล้วน ๆ
เมื่อ AI สามารถตรวจ pattern ได้หลากหลายและซ้อนกันใน wafer เดียว แล้วแจ้งเตือนผ่าน dashboard ไปยังผู้ดูแล ไม่เพียงแต่ลดเวลาการค้นหาสาเหตุ แต่ยังช่วยให้เราตัดสินใจได้เร็วขึ้นและแม่นยำกว่าเดิม เพราะเรามีทั้งภาพรวมและบริบท (context) พร้อมในจังหวะเวลาที่ต้องการ
ประเด็นของ “เวลาจริง” ไม่ได้หมายถึงแค่ความเร็ว แต่คือความเหมาะสมในการลงมือ
หนึ่งในคำที่มักใช้กันในระบบอัตโนมัติคือคำว่า “real-time” ซึ่งฟังดูน่าประทับใจ แต่ในมุมของการบริหารโรงงาน ผมอยากจะเสนอว่า real-time ที่มีความหมายจริง ๆ ควรเป็น “real-time decision” หรือการตัดสินใจที่เกิดขึ้นในเวลาที่เหมาะสม ไม่ใช่แค่เร็ว แต่ต้องมีน้ำหนักและนำไปสู่การลงมือที่ถูกต้อง
AI ที่เชื่อมต่อกับระบบข้อมูลของสาย SMT สามารถให้สิ่งนี้ได้ เช่น การตรวจพบว่าเครื่องพิมพ์ solder paste เริ่มเบี่ยงเบนจากค่าเป้าหมายโดยไม่ต้องรอให้เกิด defect ก่อน หรือการตรวจว่าหัววางชิ้นส่วนของไลน์ที่ 2 เริ่มมีค่า pick error สูงขึ้นกว่าปกติ ซึ่งสามารถกระตุ้นให้มีการ calibrate หรือเปลี่ยนหัวก่อนจะทำให้เกิดงานเสียจำนวนมาก
ที่สำคัญคือ AI ไม่ได้เพียงแต่ตรวจพบ แต่สามารถจัดลำดับความสำคัญของปัญหาได้ด้วย เช่น ถ้าพบ pattern ที่ส่งผลต่อ yield สูงกว่า 5% ใน wafer ประเภทหนึ่ง ระบบสามารถแจ้งเตือนไปยังวิศวกรและผู้จัดการพร้อมแนบชุดข้อมูลเปรียบเทียบระหว่าง lot ก่อนหน้าและ lot ปัจจุบัน ทำให้ทีมงานสามารถประชุมกันโดยมีข้อมูลพร้อมทันทีภายในไม่กี่นาทีหลังปัญหาเกิด
SMT Scheduling Optimization ใช้ข้อมูลใน BOM เป็นกลยุทธ์ ไม่ใช่แค่รายการของ
การจัดตารางผลิตในสาย SMT มักถูกมองว่าเป็นงานของแผนกวางแผนการผลิต แต่เมื่อผมได้ศึกษาการทดลองที่เกิดขึ้นในงานวิจัยของ Quijano และทีมวิจัยในเม็กซิโก ผมพบว่านี่คือจุดที่ AI สามารถสร้าง impact อย่างมหาศาลต่อการทำงานจริง
จากการที่ระบบสามารถสร้าง Binary Matrix จาก BOM ของสินค้าต่าง ๆ แล้วใช้ common part number เพื่อวิเคราะห์หาความเหมือนในแต่ละคู่สินค้า ระบบสามารถเรียงลำดับการผลิตโดยอัตโนมัติให้สินค้าที่ใช้ reel เดียวกันถูกผลิตติดกัน เพื่อลดจำนวนครั้งในการเปลี่ยน feeder หรือเปลี่ยน setting ของเครื่องวางชิ้นส่วน
จากการทดลองจริง พบว่าสามารถลดเวลา changeover ได้มากกว่า 400 นาทีจากตารางเดิม คิดเป็นเวลาลดลงถึง 29% โดยไม่ต้องใช้ระบบ MES หรือลงทุนระบบควบคุมใหม่
ในมุมของผู้จัดการสายผลิต นี่ไม่ใช่แค่เรื่องการจัดลำดับเท่านั้น แต่คือการนำข้อมูล BOM ซึ่งเดิมเคยเป็นเพียงไฟล์ excel มาใช้เป็นเครื่องมือเชิงกลยุทธ์ในการลดต้นทุน เสริมความยืดหยุ่น และเพิ่มความสามารถในการส่งมอบตรงเวลา โดยเฉพาะในตลาดที่ลูกค้าสั่งหลากหลาย SKU และต้องการ lead time สั้น
จุดร่วมของความสำเร็จไม่ใช่แค่ AI แต่คือ การเปิดให้ระบบเรียนรู้และเชื่อมโยงกันได้
สิ่งที่ทุกระบบ AI ที่กล่าวมาข้างต้นมีร่วมกันคือแนวคิดของการ “เรียนรู้ร่วมกันในระบบ” ไม่ใช่ AI ตัวใดตัวหนึ่งทำงานได้ดีเพียงลำพัง แต่เป็นการเชื่อมโยงตั้งแต่ต้นสายยันปลายไลน์ ตั้งแต่ design file, BOM, parameter เครื่อง, AOI, ไปจนถึงข้อมูล yield analysis ที่นำกลับมาใช้ได้ใหม่ในรูปแบบ feedback loop
สำหรับโรงงานที่ต้องการวางรากฐานให้ไปถึงจุดนี้ สิ่งที่ควรเริ่มต้นไม่ใช่การซื้อ AI มาใช้แบบ stand-alone แต่คือการทำให้ระบบปัจจุบันสามารถสื่อสารกันได้ สร้างโครงสร้างข้อมูลให้มีมาตรฐาน แล้วจึงนำ AI เข้ามาเป็น layer เสริมที่เข้าใจ context และสื่อสารกับระบบที่มีอยู่ได้
AI ไม่ได้มาแทนคน แต่มาแทน “สิ่งที่คนทำซ้ำๆโดยไม่จำเป็น” เพื่อเปิดพื้นที่ให้เราตัดสินใจในเรื่องที่ซับซ้อนกว่า ผมเชื่อว่าแนวคิดนี้คือหัวใจของโรงงานในอนาคต
สู่ระบบโรงงานที่คิด วิเคราะห์ และตัดสินใจได้เองในระดับโครงสร้าง
เรากำลังเข้าสู่ยุคที่ระบบโรงงานไม่ได้แค่ทำตามคำสั่ง แต่สามารถมองเห็นปัญหา ตีความ และตัดสินใจตอบสนองต่อสถานการณ์ได้เองในระดับหนึ่ง ความเปลี่ยนแปลงนี้ไม่ได้อยู่ในแผนกวิจัยหรือ prototype อีกต่อไป แต่เกิดขึ้นแล้วในไลน์ผลิตจริงของบริษัทชั้นนำ
สำหรับโรงงานที่ต้องการก้าวสู่ Industry 4.0 อย่างแท้จริง จุดเริ่มต้นไม่ใช่การเปลี่ยนเครื่องจักรทุกชิ้นให้ทันสมัยที่สุด แต่คือการเปลี่ยน “วิธีคิด” ต่อข้อมูล ต่อกระบวนการ และต่อบทบาทของมนุษย์ในสายการผลิต ระบบอัตโนมัติไม่จำเป็นต้องมาแทนคน แต่ควรมาเสริมให้คนใช้ศักยภาพของตนได้ดียิ่งขึ้น
และ AI ก็ไม่ใช่แค่ buzzword หากเราเข้าใจมันอย่างเป็นระบบและเลือกใช้ให้ตรงจุด นี่คือกุญแจที่ทำให้โรงงานในไทยสามารถแข่งขันได้อย่างยั่งยืนในเวทีโลก.
Glossary คำศัพท์เฉพาะในสายการผลิต
AI (Artificial Intelligence)
ปัญญาประดิษฐ์ หมายถึงระบบที่สามารถประมวลผลข้อมูล เลียนแบบการคิด การเรียนรู้ และการตัดสินใจของมนุษย์ได้ในระดับหนึ่ง เช่น การจดจำภาพ วิเคราะห์ข้อผิดพลาด และปรับปรุงตัวเองจากข้อมูลย้อนหลัง
SMT (Surface-Mount Technology)
เทคโนโลยีการติดตั้งชิ้นส่วนอิเล็กทรอนิกส์ลงบนพื้นผิวของแผงวงจรพิมพ์ (PCB) โดยไม่ต้องใช้รูทะลุ ช่วยให้สามารถผลิตแผงที่มีขนาดเล็กและความหนาแน่นสูงได้
PCB (Printed Circuit Board)
แผงวงจรพิมพ์ที่ใช้เป็นฐานในการติดตั้งชิ้นส่วนอิเล็กทรอนิกส์ มักประกอบด้วยแผ่นฟอยล์ทองแดงและวัสดุฉนวน ใช้ในอุปกรณ์อิเล็กทรอนิกส์แทบทุกชนิด
AOI (Automated Optical Inspection)
การตรวจสอบด้วยภาพแบบอัตโนมัติ โดยใช้กล้องถ่ายภาพแผงวงจรแล้ววิเคราะห์ด้วยซอฟต์แวร์เพื่อค้นหาข้อผิดพลาด เช่น บัดกรีขาด ลายวงจรขาด หรือชิ้นส่วนเบี้ยว
GFA (Gross Failure Area)
พื้นที่บนแผงวงจรหรือ wafer ที่มีลักษณะความเสียหายชัดเจนผิดปกติจากรูปแบบปกติ เช่น การวางผิดจุด การขาดของเส้นวงจร หรือเกิด defect ที่เป็นลักษณะเฉพาะของปัญหาภายในไลน์ผลิต
Yield Analysis
การวิเคราะห์อัตราส่วนของชิ้นงานที่ผลิตได้สำเร็จ (Good) ต่อจำนวนทั้งหมดที่ผลิตออกมา ใช้เพื่อประเมินคุณภาพและประสิทธิภาพของกระบวนการผลิต
Pattern Recognition
การเรียนรู้และจดจำรูปแบบของความผิดปกติ เช่น รอยตำหนิ จุดบัดกรีไม่สมบูรณ์ หรือสัญญาณของปัญหาเฉพาะในเครื่องจักรแต่ละชนิด
Push Approach
แนวทางที่ระบบผลักข้อมูลเชิงวิเคราะห์ออกไปให้กับผู้ใช้แบบอัตโนมัติเมื่อพบสิ่งผิดปกติ ตรงข้ามกับ Pull Approach ที่ผู้ใช้ต้องดึงข้อมูลเอง
Virtual Factory
แนวคิดการเชื่อมโยงข้อมูลและการเรียนรู้จากหลายโรงงานเข้าด้วยกัน เพื่อให้สามารถแบ่งปัน pattern, ปัญหา และแนวทางแก้ไขได้อย่างรวดเร็วโดยไม่ต้องสื่อสารแบบ manual
Binary Matrix
ตารางที่แสดงข้อมูลในรูปแบบเลข 0 และ 1 ใช้เพื่อระบุว่าในสินค้าชนิดหนึ่งมีหรือไม่มีชิ้นส่วน (Part Number) ใดบ้าง โดยใช้ในการวิเคราะห์ความซ้ำกันของ BOM เพื่อวางแผนลำดับการผลิต
Commonality (SMD Reel Commonality)
การใช้ชิ้นส่วนประเภทเดียวกัน (SMD Reel) ซ้ำในหลายสินค้า ช่วยลดจำนวนการเปลี่ยน reel หรือ feeder และลดเวลา changeover ในสาย SMT
Changeover Time
เวลาที่ใช้ในการเปลี่ยนสายการผลิตจากผลิตภัณฑ์หนึ่งไปยังอีกผลิตภัณฑ์หนึ่ง ซึ่งรวมถึงการเปลี่ยนชิ้นส่วน, ปรับตั้งค่าเครื่องจักร และโหลดข้อมูลใหม่
Deep Learning
สาขาย่อยของ AI ที่ใช้โครงข่ายประสาทเทียมหลายชั้นเพื่อวิเคราะห์ข้อมูลที่ซับซ้อน เช่น การตรวจจับภาพ defect หรือการจำแนกรูปแบบที่มนุษย์ไม่สามารถมองเห็นได้ง่าย
MLOps (Machine Learning Operations)
ระบบหรือกระบวนการที่ใช้ในการจัดการวงจรชีวิตของโมเดล AI ตั้งแต่การพัฒนา ทดสอบ ไปจนถึงการ deploy ใช้งานจริงในสภาพแวดล้อมของโรงงาน
Root Cause Analysis
กระบวนการวิเคราะห์หาสาเหตุที่แท้จริงของปัญหาในกระบวนการผลิต เพื่อให้สามารถแก้ไขได้ที่ต้นตอ แทนที่จะจัดการแค่ปลายเหตุหรืออาการ
Confidence Score / Confidence Index
ค่าความมั่นใจที่ AI ประเมินว่าข้อมูลหรือ pattern ที่ตรวจพบนั้น “เป็นข้อผิดพลาดจริง” หรือไม่ ยิ่งค่าสูง แปลว่า AI มั่นใจมากว่า defect ที่ตรวจเจอคือจริง
แหล่งอ้างอิง
- https://www.intel.com/content/www/us/en/it-management/intel-it-best-practices/transforming-manufacturing-yield-analysis.html
- https://colab.ws/articles/10.3390%2Fdata10020016
- https://core-emt.com/blog/smt-news-1/the-future-of-ai-in-aoi-smarter-faster-aoi-inspections-within-smt-lines-130
- https://suntronicinc.com/blog/the-role-of-ai-in-pcb-manufacturing-and-assembly-analyzed/
- https://eu.connect.panasonic.com/gb/en/blog/revolutionizing-surface-mount-technology-ai
บทความที่น่าสนใจ
- Cleanroom กับมาตรฐาน ISO 14644 หัวใจสำคัญของ Advanced Packaging และเซมิคอนดักเตอร์ไทย
- 2.5D/3D-IC และ Chiplet การประกอบชิปสมัยใหม่ กับบททดสอบใหม่ของ EMS ไทย
- Advanced Packaging & Electronics Supply Chain บทบาทใหม่ของประเทศไทยในสนามแข่งขันโลก
- จาก Mass Production สู่การแข่งกันในระดับ Substrate และชิ้นส่วนระดับนาโน
- SiC และ GaN วัสดุเปลี่ยนโลกพลังงาน พลิกอนาคต EV และ Data Center
- Substrate และ HDI หัวใจของการผลิตอุตสาหกรรมยุค AI และ 5G
