在零部件製造行業，上料工序看似簡單，實則隱藏著諸多挑戰。尤其是對於那些散亂堆疊、表面光滑無特徵的零件，傳統的自動化方案往往難以奏效。微鏈道愛的 DaoAI 3D 視覺技術為這一難題提供了有效的解決方案。
在零部件製造行業的生產線上，料箱抓取是一個常見且重要的工序。零部件廠生產的金屬結構件等產品，通常以散料形式堆放在料箱中，等待進行上料操作。這些零件在料箱中呈現出散亂堆疊的狀態，它們的空間姿態隨機，有的相互遮擋，而且很多零件表面光滑反光，缺乏可供識別的紋理特徵。這種複雜的場景對自動化上料提出了極高的要求，傳統的方法難以滿足生產的高效性和準確性需求。
痛點：為什麼難
從零件的擺放狀態來看，它們在料箱中是無序的，姿態隨機且層層遮擋。這使得機器人很難直接定位到每一個零件的準確位置和姿態。據統計，在這種情況下，傳統自動化方案的抓取成功率可能低至 50%以下，這意味著機器人有一半的機率無法準確抓取到目標零件，嚴重影響了生產效率。
再從零件的表面特徵方面分析，許多金屬結構件表面光滑反光，缺乏明顯的紋理特徵。傳統的 2D 視覺技術主要依賴於零件的平面位置和紋理資訊來進行識別。然而，對於這些光滑無特徵的零件，2D 視覺只能給出平面位置，無法判斷零件的翻轉與傾斜。這就導致機器人在抓取過程中頻繁出現打滑、撞箱或空抓的情況，自動化方案多次擱淺。在一些生產線上，人工觀察零件姿態的誤差可能達到±10°，這進一步加劇了抓取的難度。
從生產節拍的角度來看，傳統的上料方式勞動強度大且節拍不穩定。人工彎腰挑揀零件不僅效率低下，而且長時間的重複勞動容易導致工人疲勞，生產節拍波動較大，可能在 10-20 秒/件之間，無法滿足大規模、高效率生產的需求。
技術原理
微鏈道愛的 DaoAI 3D 視覺技術採用了自研的 3D 相機，該相機能夠對整箱零件一次成像，生成高密度點雲。高密度點雲包含了零件豐富的三維資訊，為後續的準確識別和位姿估計提供了基礎。
在演算法層面，DaoAI World 世界模型驅動的演算法發揮了關鍵作用。該演算法直接估計每件零件的 6D 位姿，即三維位置和三維姿態。與傳統的 2D 視覺方法不同，它不依賴於零件的紋理特徵，而是基於三維形狀進行識別。即使在無明顯特徵點、強反光的工況下，也能透過對三維形狀的精確分析，穩定識別零件的姿態。
系統根據估計得到的 6D 位姿，規劃無碰撞抓取路徑與抓取順序。它會自動規避箱壁與相鄰零件，保護夾具與工件。機器人按照規劃好的路徑和順序，由表及裡逐層取件，實現真正的無序抓取。相比傳統方法，這種技術能夠更準確地定位零件，避免了因姿態判斷不準確而導致的抓取失敗。
典型應用場景
- 反光零件抓取：對於表面光滑反光的金屬零件，傳統視覺技術難以識別其特徵。DaoAI 3D 視覺透過生成高密度點雲，分析三維形狀，能夠準確估計零件的 6D 位姿，實現穩定抓取。難點在於要克服反光對成像的干擾，準確提取零件的形狀資訊。
- 遮擋零件抓取：當零件在料箱中相互遮擋時，傳統方法很難判斷被遮擋零件的姿態。DaoAI 技術可以透過對整體點雲的分析，識別出被遮擋零件的部分特徵，進而估計其 6D 位姿，規劃合理的抓取路徑。難點在於準確還原被遮擋部分的形狀和位置。
- 貼箱壁零件抓取：零件貼在箱壁上時，其姿態和位置的判斷較為複雜。DaoAI 系統能夠精確識別零件與箱壁的相對位置，規劃無碰撞的抓取路徑，確保安全抓取。難點在於要考慮箱壁對抓取操作的限制。
- 姿態複雜零件抓取：一些零件的姿態非常複雜，如傾斜、翻轉角度較大。DaoAI 的 6D 位姿估計演算法能夠準確捕捉這些複雜姿態，為機器人提供精確的抓取指導。難點在於對複雜姿態的準確建模和分析。
落地案例
某中型零部件廠，主要生產各類金屬結構件，在生產過程中面臨著無序料箱抓取的難題。該廠之前嘗試過多種傳統自動化方案，但都因抓取成功率低、節拍不穩定等問題而失敗，只能依靠人工進行上料操作。
在引入微鏈道愛的 DaoAI 3D 視覺技術後，專案團隊首先對工廠的生產環境和零件特點進行了詳細的調研和分析，根據實際情況對系統進行了定製化配置。經過一段時間的除錯和最佳化，系統成功上線。
上線前，該廠的抓取成功率不足 60%，生產節拍在 10-20 秒/件之間波動，人工勞動強度大且效率低下。上線後，抓取成功率達到了 99%以上，生產節拍穩定在 4-8 秒/件，實現了上料工序的無人化。
微鏈道愛解決方案與產品
微鏈道愛的 DaoAI 3D 視覺解決方案主要由自研 3D 相機和 DaoAI World 世界模型驅動的演算法組成。3D 相機能夠快速、準確地生成高密度點雲，為後續的處理提供豐富的資料。DaoAI World 演算法則利用這些點雲資料，實現對零件 6D 位姿的精確估計和無碰撞路徑規劃。
該解決方案具有高度的靈活性和適應性，能夠根據不同的生產場景和零件特點進行定製化配置。無論是反光、遮擋還是姿態複雜的零件，都能實現高效、準確的抓取。同時，系統的操作簡單便捷，易於維護和管理，能夠為企業節省大量的人力和物力成本。
量化成效
透過使用微鏈道愛的 DaoAI 3D 視覺技術，企業在多個方面取得了顯著的成效。在抓取成功率方面，從之前的不足 60%提升到了 99%以上，大大提高了生產的穩定性和可靠性。在生產節拍方面，從 10-20 秒/件縮短到了 4-8 秒/件，生產效率得到了大幅提升。此外，實現了上料工序的無人化，人工從重複彎腰挑揀中解放出來，降低了勞動強度，同時也減少了因人工操作帶來的誤差和不確定性，提高了產品質量。
常見問題
料箱抓取為什麼是產線難點？
料箱中的零件散亂堆疊、互相遮擋，且表面光滑無特徵。傳統 2D 視覺無法判斷零件翻轉與傾斜，機器人抓取易打滑、撞箱或空抓。這導致自動化方案難實施，人工操作勞動強度大且節拍不穩，所以料箱抓取成為產線難點。
DaoAI 3D 視覺如何解決料箱抓取問題？
DaoAI 自研 3D 相機生成高密度點雲，DaoAI World 世界模型驅動的演算法估計零件 6D 位姿。系統據此規劃無碰撞路徑與順序，實現無序抓取，即使在無明顯特徵點、強反光工況下也能穩定識別，成功率超 99%。
使用 DaoAI 3D 視覺上料有什麼效果？
使用該技術後，工序實現上料無人化，下游裝置不因空抓斷料，綜合節拍可控。人工從重複彎腰挑揀中解放，生產效率與穩定性提高，抓取成功率從不足 60%提升到 99%以上，節拍從 10-20 秒/件縮短到 4-8 秒/件。
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。