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。

相關文章

  • 對於工業 AI人工智慧 的 4 個常見誤解

    此時此刻我們正在人類科技發展以爆炸性速度成長的奇異點上，大家都在猜測AI的能耐到底有多大，未來是否真的會發展到人類完全無法理解的水準，當有人興奮、有人驚慌的同時，更多的是全球許多領先企業及製造業，已經搶先將AI人工智慧投入工廠及生產線，生怕慢對手一步便會錯失良機。

  • 所羅門觀點：以終為始，達成目標不是夢

    「以終為始，就是做正確事的習慣，在行動前務必把目標想清楚」、「沒有明天的目標，那今天的行動，多半是重複昨天的事。」以上的文字，是我閱讀商業周刊的文章後，在讀書會上與同仁分享的精華。
  • AOI與AI差異

    AI與AOI差異在哪？優缺點與應用有那些？

    訂單從過往「少樣多量」變成如今「多樣少量」的彈性生產，待測物件尺寸、外型、材質等複雜度隨之提高，甚至出現定義不明的瑕疵，而傳統AOI需先定義瑕疵樣本，並以設定好的參數做為判斷基準，無法靈活快速做出判斷，導致漏檢率大幅增加，在此情況下，AI崛起讓機器視覺開始進化，其「擬人化」技術便成為新解方。

  • 為什麼一定要讓AOI結合AI?

    應用AOI檢測最多的PCB產業，往往會因為保證產品良率而調高AOI參數，設定成相當嚴格，此舉會導致AO相當敏感，便會產生過殺(Over Kill)的現象，但是透過AI軟體，可以藉由經驗法則來學習判斷，可以因應外在變化而達成自我調整，進一步有效判斷未曾看過的瑕疵集成像。