Computer Vision ในโลจิสติกส์ คืออะไร? ตรวจสินค้าด้วยภาพ AI

Computer Vision ในโลจิสติกส์ คืออะไร? ตรวจสินค้าด้วยภาพ AI

ในห่วงโซ่อุปทานทุกวันนี้ ข้อมูลส่วนใหญ่ที่ธุรกิจใช้ตัดสินใจมาจากระบบที่คนต้องป้อนเอง ไม่ว่าจะเป็นการสแกนบาร์โค้ด การนับสต็อก หรือการบันทึกสภาพสินค้าตอนรับเข้า แต่ความจริงที่เกิดขึ้นหน้างานมีรายละเอียดมากกว่านั้นมาก กล่องบุบ พาเลทเอียง ฉลากผิด หรือรถที่จอดผิดช่อง ล้วนเป็นสิ่งที่ "มองเห็นได้" แต่มักไม่ถูกบันทึกไว้ จนกลายเป็นข้อพิพาทและต้นทุนแฝงในภายหลัง

Computer Vision หรือ "คอมพิวเตอร์วิทัศน์" คือสาขาของ AI ที่ทำให้ระบบเข้าใจภาพและวิดีโอ โดยใช้กล้องเป็นเซนเซอร์ แล้วให้โมเดลแปลงสิ่งที่เห็นเป็นข้อมูลเชิงโครงสร้างที่ระบบ WMS และ TMS นำไปใช้ต่อได้ทันที บทความนี้อธิบายหลักการ กรณีใช้งานจริง แนวทางเริ่มต้น และข้อควรระวังสำหรับองค์กรที่กำลังพิจารณาเทคโนโลยีนี้

Computer Vision ในโลจิสติกส์ทำงานอย่างไร

หลักการพื้นฐานคือการเปลี่ยน "พิกเซล" ให้เป็น "ข้อมูลที่มีความหมาย" โดยทั่วไปประกอบด้วยขั้นตอนต่อไปนี้

การเก็บภาพ:
กล้องที่ติดตั้งตามจุดสำคัญ เช่น ประตูโหลดสินค้า สายพานคัดแยก ทางเดินในคลัง หรือกล้องบนรถยก รวมถึงกล้องบนโดรนและสมาร์ทโฟนของพนักงาน

การประมวลผลด้วยโมเดล:
โมเดลเรียนรู้ด้วยเทคนิคดีปเลิร์นนิง ทำหน้าที่ต่างกัน เช่น Object Detection ระบุว่าในภาพมีอะไรอยู่ตรงไหน, Classification จัดประเภทสิ่งที่เห็น, Segmentation แยกขอบเขตของวัตถุ และ OCR อ่านตัวอักษรบนฉลากหรือเอกสาร

การส่งผลลัพธ์เข้าระบบ:
ผลที่ได้ เช่น จำนวนกล่อง สภาพบรรจุภัณฑ์ หรือหมายเลขตู้คอนเทนเนอร์ จะถูกส่งต่อเข้าระบบปฏิบัติการเพื่อกระตุ้นเวิร์กโฟลว์ เช่น เปิดเคลมอัตโนมัติ หรือแจ้งเตือนหัวหน้ากะ

การประมวลผลอาจเกิดบนคลาวด์หรือบนอุปกรณ์หน้างาน (Edge) ขึ้นอยู่กับความเร็วในการตอบสนองที่ต้องการ งานที่ต้องตัดสินใจทันที เช่น หยุดสายพานเมื่อพบสิ่งผิดปกติ มักเหมาะกับการประมวลผลที่ปลายทางมากกว่า

กรณีใช้งานที่เห็นผลชัดเจน
การตรวจสอบสภาพสินค้าและบรรจุภัณฑ์

กล้องที่ประตูรับสินค้าสามารถตรวจจับกล่องบุบ ฉีกขาด เปียกชื้น หรือพาเลทที่พันฟิล์มไม่แน่น พร้อมบันทึกภาพหลักฐานประกอบเวลาและเลขที่เอกสารโดยอัตโนมัติ ข้อดีคือเมื่อเกิดข้อพิพาทกับผู้ขนส่งหรือซัพพลายเออร์ ธุรกิจมีหลักฐานที่ตรวจสอบย้อนหลังได้ แทนที่จะอาศัยความจำหรือภาพถ่ายที่ถ่ายตามสะดวก

การนับและตรวจสอบสต็อก

การนับสต็อกด้วยคนใช้เวลาและมักต้องหยุดการทำงานบางส่วน การใช้กล้องบนโดรนหรือรถยกสแกนชั้นวางช่วยให้ตรวจพบสินค้าผิดตำแหน่ง ชั้นว่าง หรือพาเลทที่ไม่ตรงกับระบบได้บ่อยขึ้น โดยไม่รบกวนการปฏิบัติงานปกติ จึงเปลี่ยนจากการนับเป็นรอบมาเป็นการตรวจสอบต่อเนื่อง

การอ่านฉลากและเอกสารด้วย OCR

OCR สมัยใหม่รวมกับโมเดลเข้าใจเอกสารสามารถอ่านใบกำกับสินค้า ฉลากขนส่ง หรือหมายเลขตู้คอนเทนเนอร์และป้ายทะเบียนรถ ที่เกต ท่าเรือ และลานจอด ช่วยลดเวลารอคิวและลดการคีย์ข้อมูลซ้ำ โดยเฉพาะในกรณีที่บาร์โค้ดเสียหายหรือไม่มีเลย

ความปลอดภัยในคลังสินค้า

กล้องสามารถตรวจจับการไม่สวมอุปกรณ์ป้องกัน คนเดินเข้าใกล้เขตรถยก หรือทางหนีไฟที่ถูกกีดขวาง แล้วแจ้งเตือนแบบเรียลไทม์ การใช้งานลักษณะนี้ต้องออกแบบอย่างรอบคอบเรื่องความเป็นส่วนตัวของพนักงาน ซึ่งจะกล่าวถึงในหัวข้อความเสี่ยงด้านล่าง

การคัดแยกและวัดขนาดพัสดุ

ระบบวัดมิติและน้ำหนักด้วยภาพช่วยคำนวณปริมาตรจริงของพัสดุเพื่อคิดค่าขนส่งได้แม่นยำ และช่วยให้การคัดแยกบนสายพานทำได้เร็วขึ้น โดยจำแนกพัสดุตามขนาดหรือปลายทาง

การตรวจสอบการโหลดและการยืนยันการส่งมอบ

ภาพจากการโหลดสินค้าขึ้นรถช่วยยืนยันว่าจำนวนและสภาพตรงกับใบสั่ง ส่วนปลายทาง ภาพหลักฐานการส่งมอบที่ผูกกับเวลาและพิกัดช่วยลดข้อโต้แย้งเรื่องสินค้าไม่ครบหรือชำรุดระหว่างทาง

ประโยชน์ทางธุรกิจ

ประโยชน์หลักไม่ได้อยู่ที่การแทนที่คน แต่อยู่ที่การเปลี่ยน "สิ่งที่ไม่เคยถูกวัด" ให้วัดได้ ได้แก่

ลดข้อผิดพลาดจากการตรวจนับและบันทึกด้วยมือ
ลดต้นทุนจากข้อพิพาทและเคลมที่ขาดหลักฐาน
เพิ่มความเร็วของกระบวนการรับ-ส่งสินค้า
เพิ่มทัศนวิสัยแบบต่อเนื่องแทนการสุ่มตรวจ
สร้างข้อมูลภาพที่ใช้ปรับปรุงกระบวนการและฝึกโมเดลต่อได้
วิธีเริ่มต้นอย่างเป็นระบบ

องค์กรที่ประสบความสำเร็จมักไม่เริ่มจากโครงการใหญ่ แต่เริ่มจากจุดเล็กที่วัดผลได้ ดังนี้

เลือกปัญหาที่มีมูลค่าชัดเจน:
เช่น ประตูรับสินค้าที่มีเคลมสูง หรือจุดคัดแยกที่เป็นคอขวด อย่าเริ่มจากเทคโนโลยีแล้วค่อยหางานให้

ประเมินคุณภาพภาพและสภาพแวดล้อม:
แสงสว่าง มุมกล้อง ฝุ่น และการเคลื่อนไหว ส่งผลต่อความแม่นยำโดยตรง หลายโครงการล้มเหลวเพราะการติดตั้งกล้องไม่เหมาะสม ไม่ใช่เพราะโมเดลไม่ดี

เริ่มจากโมเดลสำเร็จรูปหรือผู้ให้บริการ แล้วปรับแต่งด้วยข้อมูลจริง:
การฝึกโมเดลเองตั้งแต่ศูนย์ใช้ทั้งข้อมูลติดป้ายกำกับและทีมเฉพาะทาง ควรพิจารณาเมื่อกรณีใช้งานพิสูจน์คุณค่าแล้ว

กำหนดตัวชี้วัดก่อนเริ่ม:
เช่น ความแม่นยำ อัตราแจ้งเตือนผิด (False Positive) อัตราตรวจไม่พบ (False Negative) เวลาที่ประหยัดได้ และมูลค่าเคลมที่ลดลง

รันคู่ขนานกับกระบวนการเดิมก่อน:
ให้ระบบและคนทำงานพร้อมกันช่วงหนึ่งเพื่อเปรียบเทียบผล ก่อนปรับกระบวนการจริง

เชื่อมต่อกับระบบปฏิบัติการ:
ผลลัพธ์ที่อยู่แค่บนหน้าจอแดชบอร์ดสร้างมูลค่าน้อย ควรเชื่อมกับ WMS, TMS หรือระบบเคลมเพื่อให้เกิดการดำเนินการต่อโดยอัตโนมัติ

ความเสี่ยงและข้อควรระวัง
ความเป็นส่วนตัวและกฎหมายคุ้มครองข้อมูล

กล้องในพื้นที่ทำงานย่อมบันทึกภาพบุคคลด้วย องค์กรในไทยต้องคำนึงถึงพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ได้แก่ การแจ้งวัตถุประสงค์ให้ชัดเจน เก็บเท่าที่จำเป็น กำหนดระยะเวลาเก็บรักษา และจำกัดสิทธิการเข้าถึง แนวทางที่ดีคือออกแบบให้ระบบมุ่งตรวจจับ "วัตถุและเหตุการณ์" มากกว่าติดตามตัวบุคคล และพิจารณาเทคนิคปิดบังใบหน้าเมื่อไม่จำเป็นต้องระบุตัวตน

ความแม่นยำที่ไม่คงที่

โมเดลที่ทำงานได้ดีในสภาพทดสอบอาจแม่นยำลดลงเมื่อเจอบรรจุภัณฑ์รูปแบบใหม่ ฤดูกาลที่แสงต่างไป หรือกล้องที่สกปรก จึงต้องมีการเฝ้าติดตามประสิทธิภาพ (Monitoring) และกระบวนการปรับโมเดลเป็นระยะ

ความเชื่อใจที่มากเกินไป

ผลจากระบบควรสนับสนุนการตัดสินใจ โดยเฉพาะกรณีที่มีผลทางการเงินหรือผลต่อพนักงาน ควรมีขั้นตอนให้คนทบทวนเมื่อระบบมีความมั่นใจต่ำ

ต้นทุนแฝง

นอกจากค่ากล้องและซอฟต์แวร์ ยังมีค่าติดตั้ง เครือข่าย พื้นที่จัดเก็บภาพ การติดป้ายกำกับข้อมูล และการดูแลระบบ ควรประเมินต้นทุนรวมตลอดอายุการใช้งาน ไม่ใช่เฉพาะราคาเริ่มต้น

การยอมรับของพนักงานหน้างาน

หากพนักงานรู้สึกว่ากล้องมีไว้จับผิด ความร่วมมือจะลดลงและระบบอาจถูกหลีกเลี่ยง การสื่อสารว่าเทคโนโลยีนี้ช่วยลดงานซ้ำซ้อนและปกป้องพนักงานจากข้อกล่าวหาที่ไม่เป็นธรรมช่วยให้การนำไปใช้ราบรื่นขึ้น

แนวโน้มที่น่าจับตา

เทคโนโลยีด้านภาพกำลังพัฒนาไปสู่โมเดลที่เข้าใจทั้งภาพและภาษาร่วมกัน (Vision-Language Models) ทำให้ผู้ใช้สามารถถามระบบด้วยภาษาธรรมชาติ เช่น "พาเลทไหนที่ฟิล์มหุ้มฉีกขาด" โดยไม่ต้องฝึกโมเดลเฉพาะทางทุกครั้ง ขณะเดียวกันการประมวลผลบนอุปกรณ์ปลายทางที่เร็วและประหยัดพลังงานขึ้น ทำให้การติดตั้งในวงกว้างคุ้มค่าขึ้น และการผสานข้อมูลภาพเข้ากับ AI ที่ลงมือทำงานได้เอง จะทำให้ภาพจากกล้องกลายเป็นตัวกระตุ้นการตัดสินใจและกระบวนการอัตโนมัติมากขึ้นในอนาคต

สรุป

Computer Vision ช่วยให้โลจิสติกส์เห็นสิ่งที่เคยมองข้ามและเปลี่ยนให้เป็นข้อมูลที่ใช้บริหารจัดการได้ ตั้งแต่การตรวจสภาพสินค้า การนับสต็อก การอ่านเอกสาร ไปจนถึงความปลอดภัยในคลัง จุดเริ่มต้นที่ดีคือเลือกปัญหาที่มีมูลค่าชัดเจน ทดลองในขอบเขตเล็ก วัดผลด้วยตัวชี้วัดที่กำหนดไว้ล่วงหน้า และเชื่อมผลลัพธ์เข้ากับระบบปฏิบัติการจริง พร้อมทั้งดูแลเรื่องความเป็นส่วนตัวและการยอมรับของพนักงานควบคู่กันไป องค์กรที่ทำได้อย่างรอบคอบจะได้ทั้งความแม่นยำ ความเร็ว และหลักฐานที่น่าเชื่อถือในการดำเนินงานประจำวัน