部落格

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。

解決人工調機地獄，快速複製機器手臂的取放動作

背景與客戶需求 在自動化搬運車 (AMR) 結合機器手臂的應用中，系統通常會利用貼在多層物料架 (E-Rack) 各個槽位上的 TM Landmark 當作定位基準。工程師會以 Landmark 為基礎，教導機器手臂如何在該槽位精準地夾取或放置物料 (FOUP)。最好是只要教導機器手臂一個槽位的取放動作，就能直接套用到層架上的所有槽位。 面臨挑戰 現實往往比想像複雜，因為當機器手臂在不同位置上移動時，本身就會產生非線性的誤差。再加上每一個槽位上貼附的 Landmark，在實際位置或傾斜角度上，都很難做到百分之百的完美一致。 這些微小的偏差，會導致機器手臂移動到指定位置時產生物理偏移，嚴重時甚至會造成機器撞擊或干涉。為了彌補這些誤差，過去系統整合商只能純手工針對每一個槽位逐一微調修正，這是一個極度耗時且人力負擔極大的痛點。 解決方案 達明機器人推出了極具巧思的智能複製線 (Intelligent Cloning Workflow) 解決方案，工程師不需要再逐一微調，而是導入一個專屬的治具 (Jig)，上面同樣貼有 Landmark。工程師只需要在這個治具上，教導機器手臂建立一次完美的取放點動作即可。接著，機器手臂會利用內建的智慧視覺，分別拍下原本層架槽位上的標記以及治具上的標記。系統會自動換算出兩者之間的相對關係，讓取放點的座標直接跟著治具無縫轉移到下一個槽位，完全不需要人工重新教導。  成果與效益 這套方案能將機器手臂的取放誤差精準控制在極小的正負 1 毫米 (±1mm) 以內，且時間成本也大幅縮減。假設工廠有多達 100 個槽位，傳統人工微調每個槽位需要 10 分鐘，總共要耗費高達 1,000 分鐘。 採用智能複製線後，初次教導只要 10 分鐘，剩下 99 個槽位每個只需 1 分鐘讓機器拍照辨識。總部署時間從 1,000 分鐘暴降到只需 110 分鐘，一口氣節省了近 90% 的時間，同時也大幅降低了人為出錯的機率。 結論 智能複製線成功取代了過去耗時費力的人工調機作業。企業在面對同站點、多槽位的複雜任務時，終於能輕鬆實現動作的快速複製與精準部署。

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。

知名機車大廠鑄造自動化

背景與客戶需求 一家國際知名的機車製造大廠，在其鑄造製程的原料端面臨嚴峻挑戰。產線需要處理交錯堆疊高達 21 層、單塊重達 7 公斤且尺寸細長的鋁錠。客戶急需一套能結合自動化與 AI 視覺的解決方案，以取代傳統人力，解決高昂的人力成本並提升定位與取放的精準度。 面臨挑戰 高強度勞動與工傷風險： 頻繁搬運 7 公斤重物並需長期彎腰，導致人員職業傷害風險極高，且缺工問題嚴重。物理視野限制 (FOV)： 由於鋁錠尺寸過長，單一鏡頭的視野範圍 (FOV) 難以在近距離內一次涵蓋整支鋁錠。堆疊複雜度： 鋁錠採 21 層交錯堆疊，且表面反光，傳統視覺難以精確辨識深度與位置。成本考量： 客戶希望避免使用極其昂貴的 3D 相機系統，尋求更高性價比的解決方案。 解決方案 我們導入了具備高運算能力的 AI 視覺方案，成功以軟體實力突破硬體限制：AI Instance Segmentation (2D 取代 3D)： 捨棄昂貴的 3D 相機，改用 AI 實例分割技術。透過深度學習模型，在 2D 影像中即可精準辨識堆疊鋁錠的輪廓與層次，大幅降低硬體建置成本。獨家定位演算法： 針對 FOV 無法全覽長條鋁錠的問題，開發特殊演算法分別定位鋁錠的「上端」與「下端」特徵，再自動計算出中心座標，確保機器手臂能精準抓取重心。  成果與效益 產能效率大幅提升： 單一機械手臂即可支援四個棧板的作業範圍，搬運效率達到 100 條/小時。高性價比建置： 透過先進的 AI 演算法取代昂貴硬體，為客戶節省了可觀的設備投資成本。實現零工傷場域： 協作機器人取代人力進行重物搬運，徹底杜絕了員工因長期負重與彎腰而造成的職業傷害，實現人機協作的最佳安全典範。 結論 本案例成功證明了「AI 軟體技術」能有效彌補硬體物理限制。透過精準的演算法與高性價比的 2D 視覺方案，我們不僅解決了高難度的鋁錠取放問題，更協助客戶在鑄造製程中達成了產能效率與員工安全的雙贏局面。