3D影像搭配智慧化路徑生成 實踐自動化彈性生產的第一步

鑑微科技銷售總監蘇耘德。

工業機器人應用在工廠製造的場景中，雖已行之有年，但近年來各項智慧製造的技術不斷演進，讓工業機器人應用場域不斷擴大。而3D影像技術與人工智慧技術的成長，即是推動機器人市場持續擴大的主要原因之一。

過往工業機器人受限於邏輯程式以及2D影像技術的特性，往往只能做高重複性的動作，如果產線更換生產產品，勢必需要工程人員重新編寫機器手臂的控制程式，才能執行新產品的製程，在現今走向少量多樣的生產環境來說，這實在是非常不方便。

少量多樣與混線生產 是自動化急待克服的痛點

現在透過3D影像加上AI程式開發的整合，機器手臂的應用再也不侷限於重複性高的作業。而是可以透過即時3D影像擷取、分析與路徑演算後，即可自動地將原本的製程，套用在新的產品上。

「這樣的技術可廣泛地應用不規則產品地加工、噴塗或組裝作業上，大幅降低產線人力的需求，」銘異科技自動化研發部經理姚正偉表示。過往，傳統產業要進行自動化的難度很高，因為這些產業不像電子業，有非常標準的生產規格且同一個產品可大量生產。傳統產業產品的特徵滿高比例都是少量多樣甚至是混線生產。這樣的生產環境要進行自動化，不是難以達到，就是成本很高或因為難以完全取代人力，而導致自動化導入的效益變低。

「自動化生產的比例偏低，不止是因為導入自動化的成本問題，更重要的是，自動化能否真的滿足生產的需求」姚正偉表示，如果一個自動化專案的導入，必須三天兩頭就要工程人員去修改加工程式，對導入的企業來說，這根本就沒達到自動化導入的初始目標。因此，在工業4.0浪潮之下，除了關注在生產資訊的蒐集與最佳化之外，如何真正的解決產線問題，自動化生產的彈性適應能力，可能更是關鍵。

AOI的導入與應用，一直是讓自動化設備更彈性的關鍵技術之一。但若是AOI只能提供2D的平面資訊，在沒有高度(Z軸)與角度(法向量)的資訊情況下，後面自動化製程(不論是機器手臂或其他方式)能提供的彈性空間也就有限。AOI必須能夠提供一個產品的完整空間資訊(XYZ軸向以及法向量)，下一個製程，才能最大程度地執行生產作業。

取像與路徑演算法 為關鍵核心技術

要實踐彈性生產這個聽起來很夢幻的概念，第一個關鍵技術就在於3D取像的穩定性與完整性。「要取得穩定且完整的3D影像，關鍵在於要有強大的光學設計能力與影像核心演算法在背後支撐，」鑑微科技銷售總監蘇耘德強調。

鑑微科技不但自行開發高精度的相位移結構光3D相機模組，並透過專利的成像技術，讓3D相機在一次取像，都能取得細節完整且精準的3D點雲資料。「這是速度與精度的競賽，如果您的產品取像比別人久，你的產線效率就是比別人差」蘇耘德表示。

除了優化取像的速度與精度之外，為了實踐更多元的應用，在3D取像的同時，鑑微所開發的3D感測器產品，同時也能夠提供2D影像，向下相容傳統檢測需求。更進一步的，鑑微幫客戶完成了3D與2D的座標映射(mapping)。這個讓3D空間與2D平面位置對應的功能，對後續系統整合商在進行各項應用非常有幫助。畢竟在3D空間要進行各種路徑程式的撰寫，其複雜程度遠高於2D平面，造成後續應用開發人員龐大的負擔。

因此，這個功能可以大幅度地降低各種3D應用的開發複雜程度，讓應用開發人員，先在熟悉的2D平面圖上進行各種應用程式的開發，然後再快速地對應到3D空間座標中，取得一般2D  AOI中，沒辦法取得的高度與法向量的資訊即可。

在取得足夠的3D資訊後，第二個重要的關鍵就是，如何把3D資訊適度地簡化並轉化為最佳化的加工路徑。視3D相機模組的精度不同，每次取像所回傳的3D點雲資訊，可能從數十萬點到數百萬點都有可能。

「為了符合生產效率的要求，不可能讓演算法直接計算原始的3D點雲資訊，」姚正偉表示。因此，取得3D影像的第一步即是簡化3D點雲的資料。但這一個動作隱藏很大的風險，因為若是過度地簡化3D點雲的資料，可能會導致後續演算法運算時，忽略了產品重要的表面特徵，而導致出現非預期的動作。但透過AI與大數據的分析學習後，只要正確地執行這個步驟，即可大幅度地降低後續路徑演算法的作業負擔。

最後就是將簡化後的3D影像，根據加工的需求，動態地計算出路徑點位。然後視下一個工站的需求，將點位資訊，包含XYZ以及法向量資訊，傳出給下一個工站。這個部分的動作，有幾個重要的技術關鍵：一、 不同廠牌的機器手臂(或客製工作站)，接收加工點位的方式不同，「這個部分需要有高度彈性的介面程式，讓各廠牌的機器手臂或各種設計的工站，都能使用轉化後的點位資訊」姚正偉強調，最後一個階段，面對最大的問題就是後續製程的變異很大，程式的彈性就需要最大。

二、 座標資訊還需要根據生產的需求，動態進行參數調整。由於最後實際要讓機器手臂做工作站進行生產動作時，會視生產的需求不同，而有不同的路徑間距、速度甚至是涵蓋率等等的參數調整需求，這些都必須在設備的人機界面上讓使用者能視需要進行微調。

舉例來說，雖然整套架構都一樣，但若是最後一站的應用是研磨和噴漆兩種不同的應用。兩者在最後路徑輸出時，就需要有全然不同的計算邏輯(但前面的影像處理邏輯是一樣的)。研磨的路徑，每一次路徑涵蓋的範圍是固定的(因為研磨頭的大小固定)；但噴漆的路徑，如果Z軸高度不同，涵蓋的面積就會改變，這就會增加演算法的難度。

影像的處理與運算，重視的是影像的完整性、速度等；路徑資訊的輸出，重視的是演算法的彈性與適用範圍。看似簡單的3D取像，轉換為機器手臂的加工路徑演算法整合，其實涵蓋了非常多不同的技術領域，也因此，才能做出過往做不到的更大的生產彈性。

3D影像搭配AI智慧化路徑 解決產業核心問題

在各種產業都已經逐步自動化的今天，要能夠持續地提升生產效益與自動化程度，彈性自動化生產已經是最重要的下一步。雖然以現在的技術水平，距離真正完全取代人力的自動化時代或許還有點遠，但3D影像搭配AI智慧化路徑，已經能讓我們實現更全面的人機協同作業，大幅度地提升生產效益的同時，兼顧生產品質。