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3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

«
»