機器視覺與機器手臂是工廠自動化領域中兩大代表性技術，經(jīng)過長年發(fā)展，應用已臻成熟，近年來智慧化浪潮襲全球制造業(yè)，工業(yè)物聯(lián)網(wǎng)與AI被快速導入至生產(chǎn)系統(tǒng)中，機器視覺與機器手臂成為制造智慧化的先期應用。

#機器視覺#

機器視覺是目前制造智慧化發(fā)展最快的領域。

機器視覺在制造業(yè)的應用包括量測、辨識、定位、檢查，這4大項目中又以檢查的應用最高，也就是AOI(Automated Optical Inspection；自動化學檢測)。檢測是產(chǎn)線中確保產(chǎn)品品質的重要環(huán)節(jié)，過去以人工視檢為主，由于在產(chǎn)線中，人眼還是最具智慧判斷能力，因此即便現(xiàn)在自動化程度已高，多數(shù)傳統(tǒng)制造業(yè)的產(chǎn)線還是以視檢為檢測主流。

不過人眼終究有其極限，除了正確率與效率會因長時間作業(yè)而遞減外，速度較快、小體積產(chǎn)品與細小瑕疵的檢測，人眼都無能為力，此外視檢也會因作業(yè)人員對良品的定義不同，導致出貨產(chǎn)品品質標準不一，因此現(xiàn)在高度自動化產(chǎn)線中，視檢已然被AOI取代。

AOI所使用的機器視覺架構包括光源、鏡頭與視覺處理軟體，透過鏡頭快速拾取物件影像，再由后端的視覺處理軟體判斷物件品質。機器視覺發(fā)展已久，無論是影像感測器或通訊標準都已成熟，在高度自動化系統(tǒng)中，應用也相當普及，不過就如前文所敘，在智慧化趨勢下，機器視覺已開始改變。

機器視覺AI化系統(tǒng)商須掌握軟硬兩端技術?

近年來機器視覺的最大演進是結合AI。過去AOI與自動化系統(tǒng)深度結合，其架構完全嵌合在高速、大量的制造系統(tǒng)中，而為了配合高速生產(chǎn)，架構中的所有軟硬體條件都因應單一產(chǎn)品調整至最佳化，由于產(chǎn)品種類少，并不要求彈性。不過近年來受消費性市場影響，制造業(yè)少量多樣生產(chǎn)的比例開始提升，彈性成為智慧制造系統(tǒng)的設計重點，在此情況中，AI適時崛起，讓機器視覺開始進化。

AI提升了機器視覺的彈性與效率，除了維持機器視覺的高速判別外，透過深度學習演算法，AOI設備可自主學習對產(chǎn)品的檢測標準，并快速復制到其他產(chǎn)線，讓整廠制造系統(tǒng)的良品標準一致，同時簡化了設備上線使用時的設定難度。

設定難度的簡化加上高彈性應用特色，讓廠商將機器視覺的設置觸角延伸到產(chǎn)線的更前端。一般檢測都是在產(chǎn)線的最末端，而到此環(huán)節(jié)的瑕疵品處理，不是淘汰丟棄就是送回前端改善，無論哪一種方式都會耗費大量資源。

現(xiàn)在有制造商將機器視覺設置在產(chǎn)線中各環(huán)節(jié)，一旦發(fā)現(xiàn)瑕疵，就立即通知該站工作人員改善，如此就可避免后續(xù)工作站繼續(xù)加工已有瑕疵的產(chǎn)品，造成時間與物料資源的浪費。

雖然機器視覺與AI的結合可帶來極佳成效，不過要實際導入，仍需克服重重困難?，F(xiàn)在AI的主流演算法是機器學習，在多數(shù)應用中則再深入使用機器學習(Machine Learning)的分支–深度學習(Deep Learning)，不管是機器學習或深度學習，要上線使用前，都必須先建立訓練模型(Training)，讓數(shù)據(jù)先再訓練模型中跑過，再將結果下載到終端使用，而現(xiàn)在實際導入會遇到兩大問題，一是訓練模式與現(xiàn)場設備的匹配問題，二是導入應用后發(fā)現(xiàn)與訓練模式的成效有落差。

制造現(xiàn)場的狀況復雜，訓練端所完成的模式必須要與現(xiàn)場端的設備匹配，AI才能發(fā)揮預期效能，不過這點目前看來有其困難，多數(shù)智慧制造的POC(Proof of Concept；概念性驗證)受阻的原因也在此。另一個問題則是訓練模式的效能未能如預期發(fā)生在現(xiàn)場設備上，會造成此狀況的原因在于系統(tǒng)廠商對AI軟硬體軟硬體的掌握度不足。

AI視覺加上機器手臂制造系統(tǒng)彈性更佳?

機器視覺除了作為AOI檢測外，與機器手臂整合，讓系統(tǒng)有眼(機器視覺)、有手(機器手臂)、有腦(AI)，將可大幅提升產(chǎn)線彈性，目前多數(shù)系統(tǒng)廠商也朝此方向走。與機器視覺整合的大多是關節(jié)型機器手臂，透過建置于作業(yè)區(qū)域與手臂上的工業(yè)相機，判斷出物件位置，再引導手臂調整角度與路徑完成動作。

這類型整合視覺與手臂的系統(tǒng)，大多用在對高彈性有需求的產(chǎn)線系統(tǒng)中，不過在導入前的設定較為復雜，而且運作時必須運算攝影機所傳回的影像數(shù)據(jù)，動作難與現(xiàn)行機器手臂相比，在速度提升前，在現(xiàn)場應用仍受局限。

觀察智慧制造的發(fā)展現(xiàn)況，視覺檢測目前是應用最快的一環(huán)，這與AI在其他領域的發(fā)展一致，影像識別占了現(xiàn)在AI所有應用的70%以上。主因在于AI視覺檢測可立即在制造系統(tǒng)上看出成效，相較于現(xiàn)在常見的另一智慧制造趨勢–設備預診，其效益浮現(xiàn)則須一段時間，因此制造業(yè)者對前者的導入意愿相對較高，至于機器視覺與機器手臂的整合，雖然運算速度與現(xiàn)場應用仍有提升空間，但現(xiàn)已有多數(shù)廠商投入，施努卡覺得上述問題將可陸續(xù)解決，未來發(fā)展值得期待。