攜手國銳自動化｜達明機器人 CNC 上下料實例，破解產線人力困境

安全氣囊紗線品質控管——AI 瑕疵檢測自動化

背景與客戶需求 一家在工業、運動及釣具領域享譽盛名的線捲製造龍頭企業，近期啟動了一項策略性計畫，旨在提升其安全氣囊紗線生產的品質管控。該計畫的核心目標是優化檢測流程，以滿足汽車零組件嚴苛的安全標準。其主要目標是實現「毛羽 (Fuzz)」檢測的自動化（即紗線捲上的纖維起毛或瑕疵）。該生產線要求在每 8 小時的班次中檢測約 650 捲線捲。由於確保高產能與良率至關重要，客戶希望從人工製程轉型為自動化 AI 解決方案，以確保瑕疵檢測的可靠性。 面臨挑戰 紗線捲的檢測具有獨特的視覺複雜性，使得傳統基於規則（Rule-based）的視覺系統難以應付：瑕疵型態多樣： 「毛羽」瑕疵的形態差異極大，需要一個具備彈性、能學習多種瑕疵形式的檢測系統。高視覺雜訊： 纏繞紗線的紋理會產生背景雜訊。若無先進處理技術，標準視覺系統容易將正常繞線誤判為實際瑕疵。景深與對焦問題： 由於相機是檢測圓柱體線捲的側面，位於弧度邊緣的瑕疵常顯得模糊或失焦，導致潛在的漏檢風險。標記歧義： 人工標註者與 AI 預測在瑕疵精確區域的認定上存在差異，難以建立「完美」的標準基準（Ground Truth）。 解決方案 為了應對上述挑戰，達明機器人運用 AI 技術結合高階視覺硬體進行了概念驗證（PoC）。 檢測架構包括：視覺硬體： Basler acA2500-14gm 相機，搭配 OPTART 25mm 定焦鏡頭與 CCS LDR2-50SW2-JD 光源。配置參數： 系統設定物距為 30 公分，捕捉線捲側面影像。機構策略： 為解決線捲弧度導致的失焦問題，評估結論建議必須導入旋轉機構，將瑕疵帶入焦平面以進行精確檢測。  AI 模型訓練 本專案利用 TM AI+ (版本 2.22.1700) 打造強健的瑕疵檢測模型。數據集構成： 訓練集包含 98 張影像以捕捉多樣化的瑕疵形狀，另保留 17 張影像用於測試。標籤標註： 團隊對數據集中的瑕疵 (NG) 進行標註，初始訓練涉及 59 個標註實例。持續優化： 由於瑕疵外觀變異大，初期驗證損失（Validation Loss）難以降低。團隊認定 「Auto AI Training」 為關鍵功能，能自動收集負樣本並強化模型對過失標（False Positive）的抵抗力。 成果與效益 在達明機器人實驗室環境下的評估證明了 AI 解決方案的可行性：有效檢測： TM AI 系統在受控的實驗室環境中成功偵測到瑕疵。解決過失標問題： 儘管紗線紋路複雜，AI 仍能分辨正常繞線與實際的毛羽瑕疵。釐清機構需求： 測試顯示靜態取像會因模糊導致漏檢（某一測試集中 59 個標籤中漏檢 3 個）。分析證實，導入旋轉機構確保瑕疵位於焦點內，即可解決漏檢問題。透過 Auto AI 實現擴展性： 針對變化無窮的毛羽形狀，團隊建議實施 Auto AI Training，持續精煉模型並減少人工與 AI 判斷之間的歧義。 結論 針對 此項評估證明，AI 檢測能克服安全氣囊紗線等複雜紋理上的細微瑕疵偵測難題。雖然環境因素（如燈光與對焦）至關重要，但透過 TM AI+ Trainer 與合適的機構設計相結合，可確保自動化品質控管流程的可靠性。藉由導入 Auto AI Training，系統具備了適應新瑕疵變異的未來擴展性，確保長期的品質一致性。

提高汽車產線製造效率：AI 驅動的 CNC 工具機上下料

背景與客戶需求 在步調極快的汽車製造業中，精準度與效率至關重要。近日，一家專注於移動技術、電氣化及自動駕駛解決方案的全球汽車零部件供應商與達明機器人（Techman Robot）攜手合作，旨在解決工廠產線上的關鍵瓶頸。其目標非常明確：將 CNC 工具機的軸承和齒輪上下料流程實現無縫自動化，同時確保嚴格的品質控制。 面臨挑戰 客戶需要一套可靠的自動化機械看護（Machine Tending）解決方案來處理原料和成品工件。然而，實際的製造環境帶來了數個複雜的技術難題： 非結構化儲存： 工件深嵌在堆疊的鋼盒內部，使傳統的自動化系統難以精確定位與抓取。惡劣的光學條件： 金屬軸承和齒輪表面通常覆蓋著切削油，造成高表面反射率，極易干擾傳統的視覺系統。製程驗證： 自動化系統需要具備認知能力，以完美區分未加工零件與已完成 CNC 製程的零件，從而避免代價高昂的加工錯誤。 解決方案 為了克服這些障礙，客戶導入了 TM AI 協作機器人，利用我們原生內建的視覺系統和先進的 AI 功能，將整個 CNC 上下料流程全面自動化。 此解決方案的核心實施項目包括： 先進的深度感知： 透過將內建的 EIH（手眼視覺）2D 視覺與距離感測器相結合，協作機器人即使在堆疊鋼盒的嚴苛局限空間內，也能精準導航並定位工件。強大的 AI 物件偵測： 協作機器人利用 AI 驅動的物件偵測技術來確保精準的定位與抓取。此技術徹底克服了由高反射率和重油污干擾所產生的視覺影響。智慧 AI 分類： 我們部署了 AI 分類模型，能即時將零件歸類為「未加工」或「已加工」。這確保了只有正確的原材料才會被送入 CNC 工具機，扮演著自動化品質把關者的角色。  成果與效益 透過導入這套智慧協作機器人解決方案，該汽車零部件供應商成功升級了其生產線。TM AI 協作機器人不僅將機械看護中重複性的體力工作自動化，還提供了確保正確加工所需的 AI 驅動認知檢測。 此特定應用在 2024 年已成功部署超過 100 台，該案例有力地證明了將 AI 視覺與協作機器人相結合，能如何有效解決現實世界中重工業製造所面臨的挑戰。

AI 視覺技術解決半導體業超音波設備的複雜 IC 瑕疵檢測難題

背景與客戶需求 一家領先的電子製造商在積體電路 (IC) 的封裝生產線上，面臨嚴峻的品質檢測瓶頸。該客戶原先使用超音波設備進行 IC 內部瑕疵檢測，但設備的「首件良率 (First Pass Yield, FPY)」僅約 50%。為了達到生產標準，作業人員必須進行大量的人工覆判，才能將 FPY 提升至 95%~98% 的目標。該客戶急需一套自動化且具備智慧功能的視覺解決方案，以取代高耗能的人工覆判流程，不僅要提升檢測準確度，更要減輕現場作業人員的負荷。 面臨挑戰 嚴格的面積檢測閾值： 檢測標準極為精確。單一氣泡面積不得超過 IC 總面積的 3%，且所有氣泡面積總和不得超過 IC 總面積的 5%。複雜的多層影像成像： 超音波掃描需評估兩層結構：第一層為 IC 氣泡，第二層則為錫焊層。「映射 (Mapping)」干擾： 錫焊層的反射影像（即「映射」）常會投射至 IC 層，系統必須具備足夠的智慧，能正確辨識並將這些反射排除於瑕疵之外，判定為良品。瑕疵形狀不規則： 氣泡的形狀隨機且多變，導致傳統規則式 (Rule-based) 的機器視覺難以精確計算其面積。 解決方案 為了克服上述挑戰，我們部署了 TM AI+ AOI Edge 解決方案，透過深度學習技術執行先進的影像分析與運算： AI 語義分割 (Semantic Segmentation) 系統採用 TM AI Segmentation 技術，取代傳統視覺演算法。此神經網路能精準界定晶片邊界與不規則的不良區域。透過提取這些像素級的區域，AI 可精確計算瑕疵佔晶片面積的百分比，嚴格執行 3% 與 5% 的規範。 無縫自動化工作流 超音波設備輸出原始影像後，透過網路由 TM AI Edge 即時擷取。在 TMflow 軟體中，系統會自動調整影像對比度，使不良特徵更加顯著，確保 AI 模型能即時做出高準確度的判斷。 自動化訓練與迭代 該解決方案整合了強大的伺服器端 AI Trainer。作業人員可針對邊緣案例（如複雜的映射反射）進行覆判，並透過Auto AI Training功能(自動收集圖片、訓練模型、部署模型)，讓AI系統持續學習，越用越精準。 執行成果與效益 高精密品質控管： TM AI 解決方案自動化執行了繁複的數學運算，確認氣泡總面積是否符合 5% 及 3% 的嚴格公差，有效消除人工判讀的主觀誤差。提升營運效率： AI 自動處理了超音波設備標記出的 50% 待確認零件，大幅降低人工覆判的人力需求，有效降低人事成本。持續優化循環： 在導入初期，雖然複雜的「映射」反射仍會標記供人工確認，但透過閉環反饋機制，AI 模型能持續從作業人員的判定中學習，使生產線隨著時間推移達到更高的自動化水準。 結論 本案例展示了將專業檢測設備與TM AI+ AOI Edge結合，如何成功轉化深陷瓶頸的品質控管流程。透過 AI 語義分割技術與持續性的機器學習，我們為客戶提供了一套高精準度、自動化且具備擴充性的解決方案，有效解決 IC 檢測的複雜課題。