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
留言列表
