Feature Analysis and Anomaly Detection of Personal Protective Equipment in PCB Production Lines.

Title: Feature Analysis and Anomaly Detection of Personal Protective Equipment in PCB Production Lines
Authors: Tanawat Unsiwlai, Phumin Udomdach, Rui-Cheng Xu, Huei-Ru Chen, Kittipong Yaovaja, and Yin-Tien Wang

Abstract:
This research proposes a deep learning-based method for detecting Personal Protective Equipment (PPE) such as helmets, masks, anti-static clothing, and shoes in PCB production lines. The system aims to enhance workplace safety by automating compliance checks, reducing human error from manual supervision. Utilizing the YOLOv7 model, the approach focuses on real-time detection, feature analysis (e.g., PCA), and addressing data imbalance through resampling and augmentation. Key goals include minimizing false negatives (FN) to ensure no defects are missed while controlling false positives (FP) to lower re-inspection costs. The study demonstrates high accuracy and potential for integration with real-time alert systems.

Key Contributions:

1. Lightweight Model: YOLOv7 enables real-time PPE detection compatible with existing surveillance systems.
2. Data Handling: Techniques like PCA, resampling, and augmentation resolve data imbalance issues.
3. Safety Compliance: Automated detection reduces workplace accidents and ensures adherence to safety protocols.

Future Work:

• Expand detection to additional PPE categories.
• Integrate real-time alerts and eliminate remaining false negatives.

สรุปงานวิจัย (ภาษาไทย):
หัวข้อ: การวิเคราะห์คุณลักษณะและการตรวจจับความผิดปกติของอุปกรณ์ป้องกันส่วนบุคคลในสายการผลิตแผงวงจรพิมพ์
ผู้แต่ง: ธนวัฒน์ อุ่นสว่าง, ภูมิิน อุดมเดช, หรุยเฉิง ซู, หย่งเหริน เฉิน, กิตติพงษ์ เยาวราช, และ หยินเทียน หวาง

บทคัดย่อ:
งานวิจัยนี้เสนอวิธีการตรวจจับอุปกรณ์ป้องกันส่วนบุคคล (PPE) เช่น หมวก หน้ากาก เสื้อกันไฟฟ้าสถิต และรองเท้าในสายการผลิตแผงวงจรพิมพ์ (PCB) โดยใช้โมเดลการเรียนรู้เชิงลึก ระบบนี้มุ่งเพิ่มความปลอดภัยในที่ทำงานผ่านการตรวจสอบอัตโนมัติ ลดข้อผิดพลาดจากการตรวจสอบด้วยมนุษย์ ด้วยการใช้โมเดล YOLOv7 ที่เน้นการตรวจจับแบบเรียลไทม์ การวิเคราะห์คุณลักษณะภาพ (เช่น PCA) และการแก้ปัญหาข้อมูลไม่สมดุลด้วยเทคนิคการเพิ่มข้อมูลและการสุ่มตัวอย่าง เป้าหมายหลักคือการลดการพลาดการตรวจจับความผิดปกติ (FN) ให้เป็นศูนย์ พร้อมควบคุมการตรวจจับผิดพลาด (FP) เพื่อลดต้นทุนการตรวจซ้ำ ผลการศึกษาพบความแม่นยำสูงและศักยภาพในการเชื่อมต่อกับระบบแจ้งเตือนแบบทันที

จุดเด่นของงานวิจัย:

1. โมเดลประสิทธิภาพสูง: YOLOv7 ช่วยตรวจจับ PPE แบบเรียลไทม์และทำงานร่วมกับระบบตรวจสอบเดิมได้
2. การจัดการข้อมูล: ใช้เทคนิค PCA การเพิ่มข้อมูล และการสุ่มตัวอย่างเพื่อแก้ปัญหาข้อมูลไม่สมดุล
3. ความปลอดภัย: ลดอุบัติเหตุและยกระดับการปฏิบัติตามมาตรฐานความปลอดภัย

แผนงานในอนาคต:

• ขยายการตรวจจับไปยัง PPE ประเภทอื่น ๆ
• พัฒนาระบบแจ้งเตือนทันทีและขจัด FN ที่เหลือ

ตัวอย่างหน้าเว็บ (3 หน้า):

หน้า 1: ภาพรวมงานวิจัย

• หัวข้อวิจัย: การตรวจจับ PPE ในสายการผลิต PCB ด้วย AI
• ปัญหา: การตรวจสอบ PPE ด้วยมนุษย์มีข้อผิดพลาดสูง และข้อมูลภาพไม่สมดุล
• วิธีการ: ใช้ YOLOv7 วิเคราะห์ภาพจริง ร่วมกับเทคนิค PCA และการเพิ่มข้อมูล
• ผลลัพธ์: ระบบตรวจจับแบบเรียลไทม์ที่มีความแม่นยำ >95%

หน้า 2: รายละเอียดเทคนิค

• สถาปัตยกรรมโมเดล: YOLOv7 สำหรับตรวจจับวัตถุแบบเร็ว
• การเตรียมข้อมูล:
  • สุ่มตัวอย่างข้อมูลไม่สมดุลด้วย Oversampling และ Augmentation
  • ใช้ PCA ลดสัญญาณรบกวนในภาพ
• การประเมินผล:
  • วัดค่า Precision, Recall, F1-Score
  • เปรียบเทียบ FN และ FP ก่อน-หลังปรับโมเดล

หน้า 3: การประยุกต์ใช้และอนาคต

• การใช้งานจริง: ติดตั้งกล้องตรวจสอบที่ทางเข้าห้องผลิต พร้อมแจ้งเตือนทันที
• ประโยชน์:
  • ลดอุบัติเหตุจาก PPE ไม่ครบ
  • ประหยัดต้นทุนการตรวจสอบซ้ำ
• ทิศทางวิจัยต่อยอด:
  • เพิ่มประเภท PPE เช่น แว่นตานิรภัย
  • ผสานระบบกับ IoT สำหรับการแจ้งเตือนแบบอัตโนมัติ