隨著具身智慧專屬影片模型的開源，機器人視覺技術迎來新的發展機遇。微鏈道愛 DaoAI 3D 機器人視覺在汽車零部件行業的無序料箱抓取場景中發揮著重要作用，為行業帶來了顯著的變革。
在當今汽車製造業蓬勃發展的大環境下，汽車零部件的生產和供應至關重要。某頭部汽車零部件供應商在其產線的上料工序中，面臨著對各種形狀和尺寸的汽車零部件進行抓取和上料的任務。這些零部件被無序放置在料箱中，檢測物件涵蓋發動機缸體、變速箱齒輪等多種關鍵零部件。汽車零部件的多樣性和複雜性，以及無序放置的狀態，給傳統的抓取和檢測技術帶來了巨大挑戰。傳統技術難以準確識別和抓取這些零部件，導致生產效率低下，人力成本增加。
痛點：為什麼難
從量化維度來看，傳統的視覺系統在無序料箱抓取中存在諸多問題。漏檢率高達 5%，這意味著每 100 個零部件中就有 5 個可能被漏檢，需要進行頻繁的人工複檢，極大地增加了人力成本。誤報率達到 10%，這會導致機器人進行不必要的抓取動作，影響生產節拍，降低生產效率。而且，當更換不同型別的零部件時，換型時間長達 30 分鐘，嚴重影響了產線的靈活性和響應速度。
造成這些問題的根因在於，汽車零部件形狀各異、尺寸不同，無序放置在料箱中會相互遮擋，傳統視覺系統難以獲取完整的零部件資訊。同時，傳統系統缺乏有效的特徵提取和泛化能力，無法準確識別不同視角和姿態下的零部件。此外，傳統系統的演算法和硬體機制不夠先進，無法快速適應不同型別零部件的換型需求。
技術原理
DaoAI 3D 機器人視覺採用自研的 3D 相機進行成像。該相機利用結構光原理，透過投射特定的光圖案到物體表面，然後根據反射光的變形來獲取物體的三維資訊。這種成像方式能夠為後續處理提供基礎資料，準確呈現物體的三維形貌。在 6D 位姿估計方面，運用深度學習演算法，對大量的零部件樣本進行訓練。深度學習模型具有強大的特徵提取和泛化能力，能夠學習到不同視角和姿態下零部件的特徵，從而準確識別出零部件在無序狀態下的 6D 位姿，為後續的抓取操作提供精確的位置和姿態資訊。
與傳統方法相比，傳統視覺系統往往只能獲取二維資訊，難以處理零部件的三維特徵和複雜姿態。而 DaoAI 3D 機器人視覺的結構光成像和深度學習演算法相結合，能夠有效解決這些問題。結構光成像提供了準確的三維資訊，深度學習演算法則能夠對這些資訊進行高效處理和分析，大大提高了檢測和抓取的準確性。此外，該系統還採用了腦·眼·體閉環技術，視覺系統與機器人控制系統緊密協作，實現高效的抓取操作。同時，亞毫米手眼協調保證了機器人抓取的高精度，減少誤差。
典型應用場景
- 發動機缸體抓取：發動機缸體體積較大、形狀複雜，在料箱中無序放置時容易相互遮擋。DaoAI 3D 機器人視覺透過 3D 相機獲取缸體的三維資訊，利用深度學習演算法準確識別其 6D 位姿，引導機器人進行抓取。難點在於缸體表面的紋理和形狀變化較大，需要演算法具有較強的泛化能力。
- 變速箱齒輪抓取：變速箱齒輪尺寸較小，且有很多細小的齒形結構。傳統視覺系統難以準確識別這些齒形結構和齒輪的姿態。DaoAI 3D 機器人視覺的結構光成像能夠清晰地獲取齒輪的三維形貌，深度學習演算法可以精確估計其 6D 位姿，實現準確抓取。難點在於齒形結構的細節檢測和微小尺寸的精確識別。
- 塗膠工序引導：在汽車零部件的塗膠工序中，需要準確控制塗膠的位置和厚度。DaoAI 3D 機器人視覺可以透過 6D 位姿估計確定零部件的精確位置和姿態，引導塗膠裝置進行精確塗膠。難點在於塗膠過程中的動態變化和對塗膠精度的高要求。
- 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裝配在一起。DaoAI 3D 機器人視覺可以實時檢測零部件的位置和姿態，為機器人提供精確的裝配引導。難點在於多個零部件之間的配合精度和裝配過程中的動態調整。
- 上下料工序：在產線的上下料工序中，需要快速、準確地抓取和放置零部件。DaoAI 3D 機器人視覺可以快速識別料箱中零部件的位置和姿態，引導機器人進行高效的上下料操作。難點在於高頻率的操作和對機器人動作速度的要求。
落地案例
某大型汽車零部件供應商，其生產規模較大，產線對零部件的抓取和上料效率要求極高。在引入微鏈道愛 DaoAI 3D 機器人視覺之前，該供應商面臨著上述提到的高漏檢率、高誤報率和長換型時間等問題。在上線過程中，微鏈道愛技術團隊首先對產線進行了詳細的調研和分析，確定了系統的安裝位置和引數設定。然後，使用自研的 3D 相機對料箱中的零部件進行掃描和建模，利用深度學習演算法進行 6D 位姿估計的訓練。經過一段時間的除錯和最佳化，系統正式上線執行。
DaoAI 3D 機器人視覺的應用，為汽車零部件行業的生產帶來了顯著的提升，有效解決了無序料箱抓取的難題。
微鏈道愛解決方案與產品
以 DaoAI 3D 機器人視覺為核心，該解決方案具備無序料箱抓取、6D 位姿估計、塗膠/裝配/上下料引導等能力。在落地過程中，首先使用自研的 3D 相機對料箱中的零部件進行掃描，快速獲取其 3D 資訊。然後，利用深度學習演算法進行 6D 位姿估計，確定零部件的精確位置和姿態。接著，透過腦·眼·體閉環技術，將視覺資訊傳遞給機器人控制系統，引導機械臂進行準確的抓取和上料操作。同時，配套的 DaoAI AI AOI 軟體系統可對抓取的零部件進行質量檢測，確保產品質量。
量化成效：使用 DaoAI 3D 機器人視覺後，零部件的檢出率提高到 99.2%，漏檢率降低至 <0.8%，大大減少了人工複檢的工作量。誤報率降低了 -60%，有效提高了生產節拍。換型時間從原來的 30 分鐘縮短至 5min，顯著提升了產線的靈活性和響應速度。
常見問題
微鏈道愛 DaoAI 3D 機器人視覺能解決汽車零部件行業哪些痛點？
微鏈道愛 DaoAI 3D 機器人視覺可解決汽車零部件行業無序料箱抓取難題。原漏檢率 5%、誤報率 10%，使用後檢出率達 99.2%、誤報率降 60%，還將換型時間從 30 分鐘縮至 5 分鐘，有效提升生產效率和產線靈活性。
DaoAI 3D 機器人視覺的技術原理是什麼？
DaoAI 3D 機器人視覺採用自研 3D 相機成像，利用結構光原理獲物體三維資訊。6D 位姿估計運用深度學習演算法，對大量樣本訓練，結合腦·眼·體閉環與亞毫米手眼協調保障操作，提高檢測和抓取準確性。
微鏈道愛針對汽車零部件無序料箱抓取的解決方案是什麼？
以 DaoAI 3D 機器人視覺為核心，用自研 3D 相機掃描獲 3D 資訊，經深度學習演算法進行 6D 位姿估計，透過腦·眼·體閉環引導機械臂抓取，配套軟體系統進行質量檢測。
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。