AI + 3D机器视觉
1分钟让机器手臂开始夹取
2D与3D机器视觉差异与原理
2D机器视觉只能捕捉物体2维空间(X、Y)位置，3D机器视觉则额外取得Z轴的坐标信息，在制造领域不断进步至工业4.0的过程中，3D视觉整合机器手臂的应用成为主流并占优势。
2D成像透过工业相机可取得，但3D成像依光学结构可大致分为以下3类: 低精度的立体视觉(Stereo Vision)、飞时测距(Time of Flight，TOF)及高精度的结构光( Structured Light)。
2D成像透过工业相机可取得，但3D成像依光学结构可大致分为以下3类: 低精度的立体视觉(Stereo Vision)、飞时测距(Time of Flight，TOF)及高精度的结构光( Structured Light)。
立体视觉
(Stereo Vision)
模仿人类双眼运作的原理捕捉物体位置与结构，优点是省电、成本低，难题是易延迟且昏暗环境可能影响结果。 除了运用于机器人之外，也应用在新兴的AR + AI视觉检测与辨识系统。
飞时测距
(Time of Flight，TOF)
透过红外线折返时间计算物体之间的距离，优点是速度快又抗干扰，但精准度较差。
结构光
(Structured Light)
投射特殊光纹（通常是黑白相间且不同方向的条纹）至物体上，根据光纹变形情况算出物体表面结构，同时高精度取得Z轴深度位置，目前在人脸辨识或AOI自动光学检测等领域都有应用。
AI让机器手臂「看懂」物件
在部分复杂物体辨识上，单靠3D视觉的精度与准度仍有困难如: 复杂形状的半透明奶嘴位置辨识、小零件/高精度金属件机器手臂夹取。 若将AI与3D视觉系统进一步整合，能强化其辨识能力，使机器手臂以正确方向、位置取放物体。
再以外型不规则的极小工件机器手臂取放为例，虽3D视觉可辨识小的物体，但多只限于方正、圆形的外观，若不规则或复杂形状就经常辨识失败，例如ㄇ型金属件环堆叠时易交叠错位，此时就需要AI协助辨识并看懂物件。
半透明奶嘴应用
极小金属零件应用
