1 Dakikada Bin Picking: AI ve 3D Görüş ile

Görüş Tabanlı Bin Picking’e Giriş

Otomatik endüstriyel süreçler giderek daha karmaşık hale geldikçe, hassas ve verimli nesne işleme ihtiyacı her zamankinden daha kritik hale geliyor. Geleneksel 2D görüş sistemleri, düzensiz şekiller veya yarı saydam malzemelerle başa çıkmakta genellikle zorlanır, bu da etkinliklerini sınırlayan bir faktördür. AI ve 3D görüş teknolojilerinin entegrasyonu, robotların nesne konumlandırması ve yönlendirmesini kapsamlı bir şekilde anlamalarını sağlar. Bu kombinasyon, robotik bin picking’i geliştirerek doğruluğu ve hızı artırır. Bu blog, gelişmiş 3D görüş tekniklerinin ve AI entegrasyonunun robotlara karmaşık picking ve malzeme taşıma görevlerini kolaylıkla yapabilme gücü sağladığını keşfedecektir.

2D vs 3D Makine Görüşü

2D makine görüşü, bir nesnenin düz, iki boyutlu bir görünümünü sağlar ve X ve Y eksenleri boyunca konumuna odaklanır. Diğer yandan, 3D makine görüşü, Z ekseninde derinlik ekleyerek nesnelerin daha kapsamlı, üç boyutlu bir anlayışını sunar. Endüstri 4.0’ın yükselmesiyle birlikte, 3D görüşün robotik sistemlerle entegrasyonu giderek daha popüler hale gelmiş ve üretim süreçlerinde önemli ilerlemeler sağlamıştır. 2D görüntüleme genellikle standart endüstriyel kameralarla yapılırken, 3D görüntüleme özel optik teknolojiler gerektirir. 3D veri elde etmek için yaygın olarak kullanılan teknikler arasında Aktif Stereo Görüşü, Time-of-Flight (TOF) ve Yapılandırılmış Işık yer almaktadır.
red icon representing stereo vision

Stereo Görüş

Stereo görüş, bir nesnenin konumunu ve üç boyutlu yapısını yakalayarak insan derinlik algısını taklit eder. Bu, düşük enerji tüketimi ve maliyet etkinliği gibi anahtar faydalar sunar, bu da onu endüstriyel uygulamalar için cazip bir seçenek haline getirir. Ancak, stereo görüş gecikmeler yaşayabilir ve düşük ışık ortamlarında etkinliği azalabilir. Robotikteki kullanımının yanı sıra, stereo görüş, gelişmiş görsel denetim ve nesne tanıma için AR + AI sistemlerine entegre edilmektedir.

Time-of-Flight

Time-of-Flight (TOF) teknolojisi, nesnelere olan mesafeyi, kızılötesi ışığın nesneye gidip geri dönmesi için geçen zamanı hesaplayarak ölçer. Bu yöntem, hızlı işleme hızları sunar ve parazitlere karşı dirençlidir, bu da onu dinamik ortamlarda uygun hale getirir. Ancak, TOF verimli olsa da, doğruluğu diğer 3D görüş teknolojilerine göre daha düşük olabilir.

Yapılandırılmış Işık

Yapılandırılmış ışık, nesnelere genellikle siyah-beyaz çizgilerden oluşan belirgin ışık desenleri projeksiyon yapar. Bu desenlerin nesnenin yüzeyiyle etkileşime girerken deformasyonu, sistemin nesnenin şekil haritasını çıkarmasına ve Z-eksenindeki derinlik bilgilerini doğru bir şekilde yakalamasına olanak tanır. Bu teknoloji, özellikle yüz tanıma ve kalite kontrol gibi uygulamalarda, özellikle üretimde Otomatik Optik İnceleme (AOI) sistemleriyle yaygın olarak kullanılır.

Yapay Zeka ile Robotik Nesne Tanımayı Geliştirme

3D görsellik değerli mekansal veriler sağlasa da, karmaşık veya düzensiz şekilli nesneleri tanımak için sadece buna güvenmek hala zorluklar oluşturabilir. Örneğin, 3D görsellik, yarı saydam nesneleri doğru bir şekilde tespit etmekte veya küçük, karmaşık metal parçalarını robotlarla hassas bir şekilde işlemekle zorluk yaşayabilir.

Yapay zeka ile 3D görsellik sistemlerinin entegrasyonu, robotların nesneleri daha yüksek hassasiyetle tanıma ve manipüle etme yeteneğini artırır. Bu kombinasyon, robotların düzensiz şekilli nesneleri etkin bir şekilde alıp yerleştirmelerini sağlar, doğru yönelim ve pozisyonlama sağlar.

Karmaşık şekillerin söz konusu olduğu durumlarda —örneğin, U şeklindeki metal parçaların istiflenmesi— sadece 3D görsellik nesneleri doğru şekilde hizalama ve yerleştirme konusunda yetersiz kalabilir. Yapay zeka, bu boşluğu doldurarak, sistemin nesnelerin gerçek şekillerini ve yönelimlerini anlamasını sağlar, böylece hassas bir şekilde işlenmesini temin eder.

60 Saniyede Bir Yapay Zeka Modeli Eğitmek

Derin öğrenme yapay zekâsını 3D görsellik teknolojisiyle entegre etmek, yalnızca nesne tanımayı değil, aynı zamanda etkili robotik işlemleri sağlamak için kavrama, yol planlama ve hareket kontrolü gibi süreçlerin sorunsuz bir şekilde koordine edilmesini gerektirir.

Solomon’un derin öğrenme yapay zekâsı, gelişmiş hareket planlama modülleriyle birleşerek robotların nesneleri tanıyıp etkileşimde bulunmayı sadece 60 saniye gibi kısa bir sürede öğrenmelerini sağlar. Bu, çöp toplama sisteminin, engellerden kaçınırken kavrama ve yerleştirme için en uygun yolu hızlı bir şekilde belirlemesine olanak tanır, böylece doğruluk ve verimlilik sağlanır.

Bu güçlü entegrasyon, karışık paletten çıkarma, kit oluşturma, paketleme ve rastgele kutu toplama gibi karmaşık görevler için pratik ve uygun maliyetli bir çözüm sunarak dinamik endüstriyel ortamlar için idealdir.
an ABB robot on an automated assembly line arm conducts a kitting task using Solomon AI and 3D vision technology