3D視覺可測量物體三維座標資訊,包括物件高度與深度,因此較之傳統2D若將其運用在機器手臂上,可讓手臂的抓取動作更佳精準,省去需事先排列整齊的工序。但若當物件體積過小且形狀複雜,則需再進一步倚靠人工智慧(AI)的輔助。

機器手臂整合視覺的應用在製造現場相當普遍,除了常見的瑕疵檢測、上下料之外,包括塗裝、焊接、搬運等,只要當移動路徑屬於不規則、環境變異大的情況下,機器手臂無法再單純地僅靠指令進行定點移動,因此必須整合視覺讓手臂「長眼睛」,讓機器手臂可執行更複雜的移動。

機器視覺又可分為2D與3D,兩者差別在於前者只局限於X、Y方向的平面測量,而3D視覺則可取得Z方向的位置資訊,可進一步掌握物體的全貌。但相對因2D的侷限性造成功能有限,因此3D視覺在機器手臂的市場中更佔有優勢。

2D成像係透過一般工業相機即可輸出影像。但3D成像的過程更複雜、技術難度高。從光學結構來看,大致上又可分類為精度較低的立體視覺(Stereo Vision)、飛時測距(Time of Flight,TOF),以及精度較高的結構光(Structured Light),其較常應用於工業領域。

立體視覺是基於人眼視差的原理,優點是省電、成本低,但缺點是延遲性高、且不適合用於昏暗環境。除了運用於機器人,立體視覺目前也已大量應用於各種3D相機或AR/VR頭戴式裝置。

TOF的原理則是透過紅外線折返的時間計算物體之間的距離,其優點是掃描速度快、抗光干擾性佳,不過其準確度有限。而結構光對於深度的準確率極高,目前在人臉辨識或工業用AOI檢測等領域都有其應用。

雖然3D視覺可辨識更完整的物體資訊,但在部分複雜物件的辨識上,單靠3D視覺的精度與準度仍有進步空間。而自主研發3D視覺技術的所羅門則是將AI與3D視覺系統進一步整合,強化其辨識能力。

當工廠需綑綁散落的拉鍊,對人工作業來說,辨識拉鍊頭的方向並將之歸類綑綁很容易,但此簡單的動作對於機器手臂來說並不簡單。這部分就必須透過AI加以輔助,以判別拉鍊頭的方向是否一致,且即便3D視覺可辨識物件深度,但因拉鍊非常薄也會提高辨識難度,此時也必須倚靠AI的協助。

另一種情況則是,辨識極細小但外型卻不規則的物件。雖然3D視覺可辨識體積小的物體,但多只限於方正、圓形的外觀,若物體呈現不規則或複雜結構的外型,就會提高辨識難度,例如L型工件堆疊擺放時容易環環相扣,因此在此種情況下也必須考量整合AI來提高辨識的精準度。

目前市場上包括日本或歐洲的3D視覺廠商仍少有將AI技術整合至系統中,顯見其未來發展潛力大。不過3D視覺整合AI的技術含量並不低,因為3D視覺系統不僅是「看」一個動作如此簡單,必須考量從辨識到抓取整個過程,也就是包含機器手臂運動控制的部分,移動路徑的規畫要如何達到最佳化才能迅速抓取物件且不發生碰撞,除了準之外更要快。

 

Reference:  https://www.digitimes.com.tw/iot/article.asp?cat=158&id=0000533306_27623X3C162S4F5WUG96V

 

 

 

arrow
arrow
    全站熱搜
    創作者介紹
    創作者 BENEVO 的頭像
    BENEVO

    BENEVO台灣部落格 之 科技應用。創新與分享

    BENEVO 發表在 痞客邦 留言(0) 人氣()