智慧應用 影音
科技產業報訂閱
event

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

系統架構流程

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。

 點擊圖片放大觀看

銘異科技自動化研發部經理姚正偉。

鑑微科技銷售總監蘇耘德。

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。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 3D影像 工業機器人