AI + 3D 機器視覺，
1分鐘讓機器手臂開始夾取

2D 與 3D 機器視覺差異與原理

2D 機器視覺只能捕捉物體 2 維空間 (X、Y) 位置，3D 機器視覺則額外取得 Z 軸的位置資訊，在製造領域不斷進步至工業4.0的過程中，3D 視覺整合機器手臂的應用成為主流並占優勢。

2D 成像透過工業相機可取得，但 3D 成像依光學結構可大致分為以下三類: 低精度的立體視覺 (Stereo Vision)、飛時測距 (Time of Flight，TOF) 及高精度的結構光 (Structured Light)。

立體視覺
(Stereo Vision)

模仿人類雙眼運作的原理捕捉物體位置與結構，優點是省電、成本低，難題是易延遲且昏暗環境可能影響結果。除了運用於機器人之外，也應用在新興的 AR + AI 視覺檢測與辨識系統。

飛時測距
(Time of Flight，TOF)

透過紅外線折返時間計算物體之間的距離，優點是速度快又抗干擾，但精準度較差。

結構光
(Structured Light)

將特殊光紋（通常是黑白相間且不同方向的條紋）投射在物體上，根據光紋變形情況算出物體表面結構，同時高精度取得 Z 軸深度位置，目前在人臉辨識或 AOI 自動光學檢測等領域都有應用。

AI 讓機器手臂「看懂」物件

在部分複雜物體辨識上，單靠 3D 視覺的精度與準度仍有困難如: 複雜形狀的半透明奶嘴位置辨識、小零件/高精度金屬件機器手臂夾取。若將 AI 與 3D 視覺系統進一步整合，能強化其辨識能力，使機器手臂以正確方向、位置取放物體。

再以外型不規則的極小工件機器手臂取放為例，雖 3D 視覺可辨識小的物體，但多只限於方正、圓形的外觀，若不規則或複雜形狀就經常辨識失敗，例如ㄇ型金屬件環堆疊時易交疊錯位，此時就需要 AI 協助辨識並看懂物件。

半透明奶嘴應用
極小金屬零件應用

1分鐘學習完畢的深度學習 AI

3D 機器視覺整合 AI 難度高，除了「看」以外，還要考量從辨識到抓取的過程、機器手臂路徑規劃及運動控制等部分。

結合深度學習 AI 與動作規劃模組 (Motion Planning) 的機器人夾取系統，最短 1 分鐘即可讓 AI 學習完畢，讓機器人規劃出最短，同時避免撞擊其他物體的路徑，以正確方向、位置等夾取，低成本、高效率滿足混合拆垛 (Mixed Depalletizing)、配料 (Kitting)、隨機取放 (Random Bin Picking) 等需求。

更多應用與資訊請點此連結。