自動化展後、製造業機器視覺選型 4 個決策關鍵 : 從 AI 視覺到條碼追溯完整解析

工廠工程師與生技廠採購走完展、老闆通常要求下週把預算送出來。展場記憶還在、但 proposal 的細節要寫進去、才會發現「哪台相機適合我這條產線」不是看展攤能決定的事。

這篇用工廠現場語言、拆解自動化展後製造業機器視覺選型的 4 個決策關鍵、給正在寫 proposal 的產線工程師與採購參考。

AI 視覺不是萬能 : Deep Learning 與 Edge Learning 場景分界

展場最多人擠的攤位、幾乎都跟 AI 視覺有關。回產線 propose 時、工程主管第一個問題常常是:「這個 AI 是雲端訓練還是相機本體?樣本要多少?上線要多久?」

答案取決於選了哪一條路線。AI 視覺不是單一技術、內部分兩條路線。

第一條是 Deep Learning (深度學習、用大量標註樣本訓練分類與檢測模型)

適合的場景是缺陷樣態多變、規則寫不完:布料瑕疵、複雜表面刮傷、印刷不良分類。技術特徵是要有 GPU 訓練環境、樣本數量通常從數百到數千不等、模型部署到相機或 PC 執行。

第二條是 Edge Learning (邊緣 AI 學習、相機本體訓練、樣本少、部署快)

適合的場景是樣態有限、要求快速上線、產線不想接雲端 : 組裝有無、方向判斷、位置存在。技術特徵是相機本體就能訓練、樣本數量通常從十幾到數十張就能跑、部署時程從展場看完到產線上線可以壓縮到數週。

🔍 選型分界很直接

📊 樣本量夠、缺陷樣態發散、走 Deep Learning

💡 樣本少、要相機本體跑、上線時程壓縮的、走 Edge Learning

展場 demo 常把兩者混講、回產線 propose 時要分清楚、才不會被工程主管質疑「這預算怎麼算」。

機械手臂視覺引導 : bin picking 從 demo 到產線的物理落差

第二個決策關鍵是 3D 視覺加機械手臂引導、也就是俗稱的 bin picking (散裝件抓取、機器手引導的經典難題)。

展場 demo 看起來都能抓、為什麼廠內試試就翻船? 答案在物理層面。

展場 demo 常見的散裝件是塑膠件、乾淨、單一 SKU。

實際產線的挑戰是三件事:金屬件反光 (3D 相機 point cloud 品質下降)、多 SKU 混料 (演算法要判斷抓哪一個)、疊件遮擋 (6DOF 位姿計算不完整)。

這三個變異在 demo 場都被特意規避。

Cognex 康耐視在 3D 產品線提供兩條路線

3D-A1000 屬於 area scan 面掃相機、適合中型工件抓取、bin picking 與散裝件應用。

3D-L 系列屬於 laser triangulation 線掃相機、適合精密件表面 profile 量測。

選型分界是「抓取」還是「量測」、兩者硬體光學設計不同、不能直接類比 spec 就選型。

Cognex 3D-A1000 產品規格詳見 https://www.vsk.com.tw/3d-laser/cognex-3d-a1000.html 。

🔍 propose bin picking 常見的預算漏項

📊 SI 整合工時 (機器手 SDK 對接)

💡 fail-safe 邏輯 (相機失聯時機器手要 safe stop)

🌐 產線 layout 改造 (視覺系統與 light curtain 整合)

業界通則是先做小規模 POC、拿實廠工件到 lab 測、包含金屬反光件、多 SKU 混料、疊件三種情境、確認 3D 品質穩定再進 propose。

POC 階段找對合作夥伴、能省下 production 才發現踩坑的成本 (通常會高一個 order of magnitude)。

條碼追溯與 MES 對接 : 進入智慧工廠的真正入口

第三個決策關鍵是很多人展場走過去卻沒停留的 : 條碼追溯與 MES 對接。

這反而是進智慧工廠、對接 ERP 與追溯系統的入口。

為什麼老闆聽到「智慧工廠」就想到 AI、想不到條碼?因為條碼看起來太基礎。

但實際上、產線的每一個工件、要能被工廠層級追溯、都需要一個唯一識別碼、而條碼是最普遍的載體。

Cognex DataMan 系列是工業條碼讀取器主流機型之一、涵蓋 1D / 2D 條碼、DPM 雷雕、DataMatrix 標籤、GS1 條碼。

DataMan 280 屬於定置型工業條碼讀取器、適合中低速產線;DataMan 380 屬於更高階、視野與解析度規格不同、適合大視野或高解析場景。

DPM 雷雕件、條碼品質驗證(ISO 15415)有另外的 DataMan 475V 桌上型驗證器、跟產線讀取器是不同定位。

條碼讀取的下一層是品質評等。

ISO 15415 是 2D 條碼品質國際標準、規範 8 項評等指標、A 到 F 分級、通過 A 或 B 級才符合下游客戶稽核要求。

汽車、醫療、製藥產業對條碼品質評等有法規或客戶稽核要求、DPM 雷雕件尤其容易在對比度、對稱性、格點偏移三項掉分、選型要事先評估。

條碼讀完的下一層是資料流。

DataMan 讀到的條碼要拋給 PLC、PLC 再拋給 MES、MES 再拋給 ERP 或追溯系統。

這條資料鏈斷任何一節、條碼追溯就只停在產線點檢層級、進不到工廠層級的追溯資料流。

🔍 條碼追溯完整架構三層

📊 第一層 : 條碼讀取(硬體 DataMan)

💡 第二層 : 品質評等(ISO 15415、A 到 F 分級)

🌐 第三層 : 資料流(EtherNet/IP 或 PROFINET 或 OPC UA 對接 PLC 與 MES)

通訊整合與 fail-safe : 驗收踩坑的預防

第四個決策關鍵是最容易被 propose 漏掉的:通訊整合與 fail-safe 邏輯。

工業通訊主流有三種。

EtherNet/IP 屬於北美與汽車產業主流、對應 Rockwell 系 PLC;PROFINET 屬於歐洲與汽車產業主流、對應 Siemens 系 PLC ; OPC UA 屬於製造業跨系統整合的通訊標準、對應 MES 與 IIoT 平台。

三種協定不是互斥、多數工廠會同時存在、視覺系統要能同時支援。

propose 時要先確認客戶 PLC 品牌與 MES 平台、對應通訊協定寫進 spec、避免驗收才發現漏做整合。

fail-safe 邏輯是機械手加視覺、產線 layout 要重新做 risk assessment 的核心。

任何機器手加視覺、視覺系統本身要有 fail-safe 邏輯。

三個基本要求:

📝 第一是相機通訊斷線時、機器手要立即進入 safe stop、而不是繼續執行上一個 pick 命令。這是 fail-safe 最基本要求。

📝 第二是視覺 confidence 低於 threshold 時、系統要有機制觸發人工介入、而不是強行執行。避免抓錯件卡機。

📝 第三是安全區域內有人員進入時、視覺整合系統要能即時通知控制器停線、跟 light curtain 或 laser scanner 邏輯整合。

這三點在 ISO 10218 工業機器人安全標準有具體規範。

ISO/TS 15066 對協作機器人(cobot)加視覺還有 power and force limiting 相關的額外要求。

這些通常是 PLC 邏輯工程師寫 ladder 時容易忘記的細節、稽核工程師會逐條 review。

propose 階段不寫進去、驗收階段會被工安工程師打回票。

結語 : 展場結束、選型才剛開始

自動化展 4 天走完、真正的教育窗口不是展場、是展後 3 個月。

工程師拿到 checklist 才寫得動 proposal、propose 才過關。四個決策關鍵重述:

🔍 一、AI 視覺分辨 Deep Learning 與 Edge Learning、樣本量與部署時程是分界

🔍 二、bin picking 認清 demo 與產線的物理落差、金屬反光、多 SKU 混料、疊件是三大變異

🔍 三、條碼追溯是完整三層架構(讀取、品質評等、資料流)、不是只有讀碼那一層

🔍 四、通訊與 fail-safe 要在 propose 階段就寫、避免驗收階段被工安打回票

展場流量帶回的、往往是「單點應用」的興趣 ; 產線 propose 要過關、需要「整條產線視覺架構」的圖。這個落差是展後 4 到 8 週業務團隊、工程師、SI 都會忙的原因。單點興趣要拆回架構層才能報預算。

Cognex 康耐視在台灣的機電自動化視覺方案完整介紹在 https://www.vsk.com.tw/solutions/automation.html 、包含各產業別對應的視覺架構參考。

展場記憶會過期、選型與整合細節不會。把 checklist 走完、是展後 3 個月最重要的工作。