國立勤益科技大學 林忠潔
競賽題目: 亮面工件隨機夾取:基於增強式合成資料與深度學習點雲補全
參賽成員:林忠潔、劉慶禮、林思妮、劉恩承;指導老師:彭達仁教授、陳智榮教授
從不可能到突破:亮面工件隨機夾取的挑戰與轉折
本次獲獎的主題為「亮面工件隨機夾取:基於增強式合成資料與深度學習點雲補全」。這個題目看似是一個典型的智慧製造問題,但實際投入之後才發現,它背後所隱藏的困難程度,遠超出我們最初的想像。這個專題的起點,其實來自一個非常真實且迫切的產業需求。學校附近的一家手工具公司,長期以人工方式將亮面套筒逐一放置至工具箱指定位置。由於套筒外觀相似、表面高度反光,加上產線節奏緊湊,人工放置過程中偶爾會發生錯放情形。一旦有一顆套筒放錯格位,後續包裝與出貨檢驗流程便會被迫中斷,產線至少停工半小時以上進行全面檢查與重新確認。對企業而言,這不僅是效率問題,更是成本與交期壓力。據我們了解,該公司曾尋求大型自動化廠商協助,但始終未能有效解決,因此將這個「十幾年來都未能突破的問題」交給我們嘗試。
一開始接手時,其實壓力很大。因為這並不是一個單純的學術驗證題目,而是一個產線現場真正需要落地的解決方案。剛好我們團隊過去曾有一些視覺應用的基礎,也對當時興起的 NVIDIA Omniverse 平台有所接觸,因此開始思考:是否能利用合成資料與模擬環境,來彌補真實資料不足與標註困難的問題?
然而實際進入實驗階段後,成功率卻遠低於預期。早期版本的夾取成功率甚至不到理想門檻,我們一度懷疑是不是整個方向就錯了。當時團隊幾乎把所有重心都放在 3D 點雲處理上:點雲補全、姿態估計、配準優化、法向量分析......幾乎所有能想到的 3D 技術都嘗試過。但問題仍然反覆出現,夾爪下去不是滑動,就是姿態誤判。真正的轉折點,來自一次反覆檢討後的冷靜思考。我們開始反問自己:是不是把問題看得太複雜了?是不是一開始就假設「3D 才是核心」,卻忽略了資料來源的最上游?深入分析後我們發現,3D 點雲的品質,其實是被前端 2D segmentation 所決定的。當 2D 分割遮罩本身就破碎、不完整,對應到 3D 點雲自然也是殘缺的。換言之,問題的根源並不在 3D ,而是在 2D 。這個發現,整整個專題方向產生關鍵性的調整。我們開始把重心轉回 2D 感知強化,結合 Omniverse 建立大量高擬真合成資料,透過隨機光源、材質參數擾動與場景變化,進行強化式資料生成與訓練。同時再將穩定的 2D 遮罩對應回 3D 點雲,並輔以深度學習點雲補全模型,處理反光導致的局部缺失問題。這種「2D 主導、3D 補強」的策略,使整體系統架構更加穩定。
隨著資料量累積與模型優化,夾取成功率逐步提升,最終達到接近實務可用的水準。那一刻的成就感,並不是因為成功率的數字本身,而是因為我們真正理解了問題本質。這次經驗對我最大的收穫,並不只是技術突破,而是面對困難問題時的思考方式。當問題大到看似無法解決時,直覺會想要一次把它「整個攻克」。但實際上,真正有效的方法,是持續拆解問題,把它切成更小的模組,一層一層剝開。這也是指導老師在過程中反覆提醒我們的核心觀念:當你覺得問題太大,就繼續切,切到可以被解決為止。回頭看這段歷程,我深刻體會到,研究不只是技術能力的累積,更是邏輯思維與問題分析能力的磨練。真正困難的,往往不是模型調參,而是第一步——你是否知道該從哪裡開始。
最後特別感謝 TSPE 提供這樣一個舞台,整我們有機會將研究成果對外展示,也在更高標準的審視下驗證我們的方法與思考。競賽的價值不僅在於獎項本身,更在於它促使我們將研究從實驗室推向實務層面,重新檢視成果是否真正具備產業落地的能力。這樣的過程,對我們而言是一種肯定,也是一種鞭策。未來,我們也期許能持續深化研究,將智慧製造與數位孿生技術真正落實於產業現場。再次感謝 TSPE 的支持與鼓勵,整這段研究歷程得以被看見,也成為我們持續前進的重要動力。
張貼日期:2026/03/04