3D影像搭配智能化路径生成 实践自动化弹性生产的第一步

监微科技销售总监苏耘德。

工业机器人应用在工厂制造的场景中，虽已行之有年，但近年来各项智能制造的技术不断演进，让工业机器人应用场域不断扩大。而3D影像技术与人工智能技术的成长，即是推动机器人市场持续扩大的主要原因之一。

过往工业机器人受限于逻辑程序以及2D影像技术的特性，往往只能做高重复性的动作，如果产线更换生产产品，势必需要工程人员重新编写机器手臂的控工艺序，才能执行新产品的制程，在现今走向少量多样的生产环境来说，这实在是非常不方便。

少量多样与混线生产 是自动化急待克服的痛点

现在透过3D影像加上AI程序开发的整合，机器手臂的应用再也不局限于重复性高的作业。而是可以透过实时3D影像撷取、分析与路径演算后，即可自动地将原本的制程，套用在新的产品上。

「这样的技术可广泛地应用不规则产品地加工、喷涂或组装作业上，大幅降低产线人力的需求，」铭异科技自动化研发部经理姚正伟表示。过往，传统产业要进行自动化的难度很高，因为这些产业不像电子业，有非常标准的生产规格且同一个产品可大量生产。传统产业产品的特徵满高比例都是少量多样甚至是混线生产。这样的生产环境要进行自动化，不是难以达到，就是成本很高或因为难以完全取代人力，而导致自动化导入的效益变低。

「自动化生产的比例偏低，不止是因为导入自动化的成本问题，更重要的是，自动化能否真的满足生产的需求」姚正伟表示，如果一个自动化专案的导入，必须三天两头就要工程人员去修改加工程序，对导入的企业来说，这根本就没达到自动化导入的初始目标。因此，在工业4.0浪潮之下，除了关注在生产信息的蒐集与最佳化之外，如何真正的解决产线问题，自动化生产的弹性适应能力，可能更是关键。

AOI的导入与应用，一直是让自动化设备更弹性的关键技术之一。但若是AOI只能提供2D的平面信息，在没有高度(Z轴)与角度(法矢量)的信息情况下，后面自动化制程(不论是机器手臂或其他方式)能提供的弹性空间也就有限。AOI必须能够提供一个产品的完整空间信息(XYZ轴向以及法矢量)，下一个制程，才能最大程度地执行生产作业。

取像与路径演算法 为关键核心技术

要实践弹性生产这个听起来很梦幻的概念，第一个关键技术就在于3D取像的稳定性与完整性。「要取得稳定且完整的3D影像，关键在于要有强大的光学设计能力与影像核心演算法在背后支撑，」监微科技销售总监苏耘德强调。

监微科技不但自行开发高精度的相位移结构光3D镜头模块，并透过专利的成像技术，让3D镜头在一次取像，都能取得细节完整且精准的3D点云数据。「这是速度与精度的竞赛，如果您的产品取像比别人久，你的产线效率就是比别人差」苏耘德表示。

除了优化取像的速度与精度之外，为了实践更多元的应用，在3D取像的同时，监微所开发的3D传感器产品，同时也能够提供2D影像，向下兼容传统检测需求。更进一步的，监微帮客户完成了3D与2D的座标映射(mapping)。这个让3D空间与2D平面位置对应的功能，对后续系统整合商在进行各项应用非常有帮助。毕竟在3D空间要进行各种路径程序的撰写，其复杂程度远高于2D平面，造成后续应用开发人员庞大的负担。

因此，这个功能可以大幅度地降低各种3D应用的开发复杂程度，让应用开发人员，先在熟悉的2D平面图上进行各种应用程序的开发，然后再快速地对应到3D空间座标中，取得一般2D  AOI中，没办法取得的高度与法矢量的信息即可。

在取得足够的3D信息后，第二个重要的关键就是，如何把3D信息适度地简化并转化为最佳化的加工路径。视3D镜头模块的精度不同，每次取像所回传的3D点云信息，可能从数十万点到数百万点都有可能。

「为了符合生产效率的要求，不可能让演算法直接计算原始的3D点云信息，」姚正伟表示。因此，取得3D影像的第一步即是简化3D点云的数据。但这一个动作隐藏很大的风险，因为若是过度地简化3D点云的数据，可能会导致后续演算法运算时，忽略了产品重要的表面特徵，而导致出现非预期的动作。但透过AI与大数据的分析学习后，只要正确地执行这个步骤，即可大幅度地降低后续路径演算法的作业负担。

最后就是将简化后的3D影像，根据加工的需求，动态地计算出路径点位。然后视下一个工站的需求，将点位信息，包含XYZ以及法矢量信息，传出给下一个工站。这个部分的动作，有几个重要的技术关键：一、 不同厂牌的机器手臂(或定制工作站)，接收加工点位的方式不同，「这个部分需要有高度弹性的界面程序，让各厂牌的机器手臂或各种设计的工站，都能使用转化后的点位信息」姚正伟强调，最后一个阶段，面对最大的问题就是后续制程的变异很大，程序的弹性就需要最大。

二、 座标信息还需要根据生产的需求，动态进行参数调整。由于最后实际要让机器手臂做工作站进行生产动作时，会视生产的需求不同，而有不同的路径间距、速度甚至是涵盖率等等的参数调整需求，这些都必须在设备的人机界面上让使用者能视需要进行微调。

举例来说，虽然整套架构都一样，但若是最后一站的应用是研磨和喷漆两种不同的应用。两者在最后路径输出时，就需要有全然不同的计算逻辑(但前面的影像处理逻辑是一样的)。研磨的路径，每一次路径涵盖的范围是固定的(因为研磨头的大小固定)；但喷漆的路径，如果Z轴高度不同，涵盖的面积就会改变，这就会增加演算法的难度。

影像的处理与运算，重视的是影像的完整性、速度等；路径信息的输出，重视的是演算法的弹性与适用范围。看似简单的3D取像，转换为机器手臂的加工路径演算法整合，其实涵盖了非常多不同的技术领域，也因此，才能做出过往做不到的更大的生产弹性。

3D影像搭配AI智能化路径 解决产业核心问题

在各种产业都已经逐步自动化的今天，要能够持续地提升生产效益与自动化程度，弹性自动化生产已经是最重要的下一步。虽然以现在的技术水平，距离真正完全取代人力的自动化时代或许还有点远，但3D影像搭配AI智能化路径，已经能让我们实现更全面的人机协同作业，大幅度地提升生产效益的同时，兼顾生产品质。