汽車零部件無序料箱抓取 6D 位姿精準識別

汽車零部件生產領域對於自動化和精準度的要求日益嚴苛，微鏈道愛以其前沿的 AI 視覺技術和創新產品，為無序料箱抓取的 6D 位姿識別難題提供了有效的解決途徑。

在當今汽車製造業蓬勃發展的大背景下，汽車零部件的生產規模和複雜程度不斷提升。汽車零部件生產過程中，從無序擺放零部件的料箱裡精準抓取特定零部件，再進行後續裝配，是眾多汽車零部件廠商裝配產線的常見操作。某頭部汽車零部件廠商的裝配產線就面臨著這樣的需求，其產品涵蓋各類複雜形狀的汽車零部件，而檢測物件則是這些零部件在料箱中的 6D 位姿，包含位置和姿態資訊。精確識別這些資訊，對於實現自動化抓取和高效裝配至關重要。

痛點：為什麼難

傳統的抓取方式存在諸多量化困境。首先，漏檢率較高，約為 6%。這是因為傳統方法難以應對複雜形狀的零部件以及它們在料箱中無序擺放的情況。當零部件相互遮擋時，傳統檢測手段可能無法準確捕捉到被遮擋部分的特徵，從而導致部分零部件無法被準確識別和抓取，嚴重影響生產效率。其次，誤報率達到 8%。傳統技術在識別過程中，由於缺乏對零部件特徵的深入學習和理解，容易將一些類似的物體或背景干擾誤判為目標零部件，使得機械臂頻繁執行無效抓取動作。這不僅增加了能耗，還加速了裝置的損耗，提高了維護成本。

再者，人力成本居高不下。由於傳統抓取方式的可靠性較低，當出現抓取失敗的情況時，需要人工進行干預。人工干預不僅增加了人力成本，還降低了生產的自動化程度和效率。此外，換型時間長也是一個突出問題。每次更換零部件型別時，傳統方式需要花費約 30 分鐘進行重新除錯。這是因為傳統的除錯方法需要人工根據新的零部件特徵進行引數設定和校準，過程繁瑣且容易出錯。

技術原理

微鏈道愛採用先進的 AI 演算法和 3D 成像技術來解決這一難題。在演算法方面，運用深度學習演算法對大量的零部件影象資料進行訓練。深度學習演算法能夠讓模型學習零部件的特徵和不同姿態下的表現，透過卷積神經網路（CNN）提取影象的特徵資訊。CNN 具有強大的特徵提取能力，能夠從影象中提取出各種細節和紋理特徵。同時，結合迴圈神經網路（RNN）處理序列資料，RNN 可以處理具有時序關係的資料，更好地理解零部件的空間結構和位姿關係。這種結合使得模型能夠更準確地識別零部件的 6D 位姿，即使在複雜的環境中也能表現出色。

在成像方面，微鏈道愛自研的 3D 相機能夠快速、準確地獲取零部件的三維形貌資訊。其原理是透過結構光投影技術，將特定的圖案投射到零部件表面，相機捕捉反射回來的圖案變形情況。利用三角測量原理，根據圖案的變形和相機的位置資訊，計算出物體表面各點的三維座標，從而重建出零部件的三維模型。這種 3D 成像方式可以清晰地呈現零部件的細節和空間位置，為後續的 6D 位姿識別提供了精確的資料基礎。與傳統的 2D 成像技術相比，3D 成像能夠提供更多的空間資訊，更適合處理無序擺放和相互遮擋的零部件。

典型應用場景

• 複雜形狀零部件抓取：對於一些形狀複雜的汽車零部件，如發動機缸體、變速箱殼體等，傳統方法很難準確識別其位姿。微鏈道愛透過 3D 成像和 AI 演算法，能夠清晰地捕捉到這些零部件的細節特徵，準確計算其 6D 位姿，引導機械臂進行精準抓取。難點在於複雜形狀零部件的特徵提取和識別難度較大，需要演算法具備強大的學習和適應能力。
• 零部件相互遮擋抓取：在料箱中，零部件常常會相互遮擋。微鏈道愛利用 3D 成像技術獲取零部件的三維資訊，即使部分被遮擋，也能透過對未遮擋部分的分析和模型的學習，推斷出被遮擋部分的位置和姿態，實現精準抓取。難點在於如何準確地分析和推斷被遮擋部分的資訊，避免誤判。
• 塗膠工序引導：在汽車零部件的塗膠工序中，需要精確控制塗膠的位置和路徑。微鏈道愛透過 6D 位姿識別，能夠確定零部件的準確位置和姿態，為塗膠裝置提供精確的引導，確保塗膠質量。難點在於塗膠過程中可能會有膠水的飛濺和反光等干擾因素，影響識別的準確性。
• 裝配工序引導：在零部件的裝配過程中，需要將不同的零部件準確地安裝到指定位置。微鏈道愛可以實時識別零部件的 6D 位姿，引導機械臂將零部件精準地裝配到目標位置，提高裝配的效率和質量。難點在於裝配過程中可能會有微小的位置偏差和姿態變化，需要演算法能夠實時調整和糾正。

落地案例

某大型汽車零部件製造企業，在其多條裝配產線上面臨著無序料箱抓取的難題。該企業生產的汽車零部件種類繁多，形狀複雜，傳統的抓取方式導致生產效率低下，成本居高不下。微鏈道愛為其提供了 DaoAI 機器人視覺產品解決方案。在上線過程中，微鏈道愛技術團隊首先對企業的生產環境和零部件進行了詳細的調研和分析，根據實際情況對產品進行了定製化配置。然後進行了系統的安裝和除錯，對操作人員進行了培訓，確保系統能夠順利執行。

微鏈道愛技術的應用，讓汽車零部件生產的無序料箱抓取難題得到有效解決，顯著提升了生產效率和質量。

微鏈道愛上線前，該企業的漏檢率約為 6%，誤報率達到 8%，每次換型時間需要 30 分鐘。上線後，漏檢率降低到了<0.6%，大大提高了零部件的抓取成功率；誤報率降低了 -63%，減少了機械臂的無效動作，降低了能耗和裝置損耗；換型時間從 30 分鐘縮短到了 5 分鐘，提高了生產的靈活性和效率。

微鏈道愛解決方案與產品

微鏈道愛運用 DaoAI 機器人視覺產品來解決該場景問題。該產品具備 6D 位姿識別、無序料箱抓取（bin picking）、塗膠/裝配引導、腦·眼·體閉環等能力。在落地做法上，首先透過自研的 3D 相機對料箱中的零部件進行掃描，獲取其三維形貌資料。然後將資料傳輸到 DaoAI AI AOI 軟體系統，該系統基於視覺基礎模型的特徵認知，能夠快速、準確地識別出零部件的 6D 位姿。即使只有 1-20 張良品樣本，微鏈道愛也能透過 APDT 正樣本/少樣本學習技術進行高效學習和識別，同時利用語義誤報過濾功能減少誤報情況。最後，將識別結果反饋給機器人，引導其進行精準抓取。

量化成效：透過應用微鏈道愛解決方案，取得了顯著的成效。微鏈道愛的漏檢率從 6%降低到了<0.6%，大大提高了零部件的抓取成功率；誤報率降低了 -63%，減少了機械臂的無效動作，降低了能耗和裝置損耗；換型時間從 30 分鐘縮短到了 5 分鐘，提高了生產的靈活性和效率。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。