全自動視覺量測模組

前言

尺寸精度量測與幾何精度誤差量測，是運用量測工具或者量測儀器設備進行檢測確認，以數值表示其尺寸是否符合要求的公差規格，常見量測工具設備有游標卡尺、分厘卡、檢具規、影像量測儀、二次元高度規、三次元座標量測儀（Coordinate Measuring Machine, CMM）等，不外乎皆須透過人力介入進行作業。另一方面，檢測的數據結果，包含紙本抄錄與電腦作業，其執行效率與熟練度則因人而異。

有鑑於此，本文提出一全自動視覺量測技術的解決方案，整合 CCD（Charge-coupled Device）視覺影像辨識模組、無線接觸式量測模組與運動控制平台，將 CCD 拍攝影像透過 RCNN（基於區域的卷積神經網路）模型進行多目標物件偵測識別，改善傳統影像辨識無法達到的多樣少量且規格相異的偵測目標，解決單一輪廓樣式，不同大小尺寸的物件辨識議題。另一方面，透過智慧科技及數位資訊的整合應用，改善長期依賴人力進行人工品檢作業，讓人力運用更為彈性。導入自動化程序設計，改變以往習知的作業模式，迫使企業與人才轉型精進，連帶提升整體作業效率與企業競爭力。

全自動視覺量測模組技術架構

本技術模組主要分成三個技術區塊：

1. 運動控制平台：由電腦數值控制系統做為中樞核心，並依據時序性流程控制進行上下游的溝通串聯。
2. 視覺影像辨識模組：運用 RCNN 模型框架進行被測物件的訓練，並透過 Python 將視覺影像之像素（pixel）轉化計算為控制平台的座標資訊，再回傳給運動控制平台。
3. 無線接觸式量測模組：整合 Renishaw 無線工件量測模組，透過巨集編程量測被測物件點與面的分布位置，再將點座標資訊蒐集，回傳運動控制平台進行幾何精度運算，最後生成完整的量測資訊報表。

一、運動控制平台

隨著智慧製造延伸應用與市場環境變化之需求，業者導入數值控制器過程中，不僅關注本身性能，對於是否能與第三方軟體整合，以及針對加值軟體的擴充裕度保持高度的關切。然而，迎合現今無人化、自動化、智慧化及自適化等產業製造趨勢，國產自主研發 PC-BASED 高階控制器具備開放性與擴充性基礎，導入全數位通訊界面（EtherCAT）建置開放式的架構平台，提供 Web API（Application Programming Interface）通訊應用之 SDK（Software Development Kit）範例檔，可快速橋接外部軟硬體，亦可與業者自行開發的加值軟體進行應用串接。

本研究運用龍門型三軸移動平台機構，搭載工研院自主研發之全數位 PC-BASED 運動控制平台。影像視覺軟體執行序整合於控制器平台內，影像視覺硬體模組進行被測物件的拍攝，並應用 Web API 通訊模式，透過路由設定的 URL（Uniform Resource Locator），進行控制訊號輸入與辨識結果輸出。此外，無線接觸式量測模組透過 PLC（Programmable Logic Controller）及 I/O（Input/Output）訊號點位與運動控制平台進行交握，同時可藉由控制器的 M 碼機能，控制量測模組的啟動及關閉，配合 CNC（Computer Numerical Control）程式指令的方式作動，使用單一巨集程式呼叫（G65 指令），對應其巨集變數位址之定義。

二、視覺影像辨識模組

前端影像資料建置過程中，要盡可能引入所有的變數，包含物件數量、位置、尺寸與比例、擺放角度、環境光源、背景內容與顏色等。後端處理影像時，還能進行旋轉、裁切、模糊化、亮度調整、雜訊添加等。當變化的情形越豐富，模型就能學到越穩定的辨識能力。其影像辨識核心，採用 ResNet 殘差網路的 R-CNN 架構。

R-CNN（Regions with CNN features）架構會從原始的輸入影像中，裁切出許多局部區域，作為大量的物件框提案，針對所有局部影像，卷積神經網路（CNN）負責從中提取物件特徵，從底層紋理開始，逐步辨識出完整形體，最終給出屬於各物件類別的評分，如此逐一處理每個提名的物件框。

此外，ResNet 作為 CNN 的一種變形，在模型結構中引入了資料傳遞的捷徑，解決深度模型訓練時的收斂速度緩慢問題，同時讓模型在固定結構下也能彈性選擇適當的複雜度，提高準確率至 95%。從整體架構來看，此模組能自動辨識物件，達成定位與分類的效果。另外，此架構內部還會對物件框進行分數篩選、位置精修等作法。模型針對影像中可能的物件，輸出其位置、範圍與信心程度三個項目後，再根據設定的條件進行篩選，最終通過的「候選者」將物件資訊會被輸出為 JSON 檔，辨識效果明顯提升。

DOI:10.30256/JIM.202603_(516).0015