【參展人員】洪菘崴、衛一申、吳翊嘉
【合作與展出單位】盛筑自動化機械有限公司、台灣安川電機股份有限公司、工業技術研究院、國立勤益科技大學
【展出核心項目】AI 路徑自動生成塗膠系統（結合Yaskawa GP4 機械手臂、LMI Gocator 2140 3D 感測器與SmartGroove 軟體系統）

一、 展出背景與傳統塗膠製程瓶頸
在車燈與工業零組件點膠與塗膠自動化領域，傳統產業長期高度依賴工程師進行「人工示教（Manual Teaching）」與撰寫固定的機器人軌跡程式。面對高雜訊、非結構化環境及複雜的3D工件邊界，傳統經驗導向的作法面臨以下三大關鍵瓶頸：
示教過程冗長耗時： 每一個新產品或微幅改款工件，皆需要工程師逐點重新教導與微調機器人軌跡，導致產品換線時的停機時間極長、換線與新產品導入（NPI）成本居高不下。
塗膠品質受人為影響且難以一致： 複雜幾何曲面（如車燈溝槽）的人工示教姿態法向量難以維持精準一致，不同人員的操作品質差異顯著，極易產生溢膠、斷膠或膠線偏移等品質缺陷。
對環境與工件變動的容忍度極低： 傳統系統缺乏即時感知與自我修正機制，工件存在夾持定位誤差、治具微小偏移、熱變形或光線反射變化時，固定的塗膠路徑即會失準，造成高不良率。

二、 AI Scan-to-Path 系統四大核心技術架構
本計畫展出之「AI Scan-to-Path 自動化塗膠系統」打破傳統經驗導向，改採數據驅動模式。系統建立完整的「感知、理解、規劃、執行」閉環，實現免示教的智慧化生產：
1.感知(Perception/眼)：3D 雷射點雲掃描— 驅動LMI Gocator 2140 進行全視角3D 幾何資訊擷取與點雲重建，獲取工件表面之2D/3D 高精度影像資訊，有效克服車燈表面高反光與複雜背景干擾。
2.理解(Comprehension/腦)：AI 語意分割— 採用深度學習（Deep Learning）進行像素級（Pixel-wise Classification）分類。相較於傳統物件偵測框（Bounding Box）無法處理不規則形狀，語意分割能精確切割邊界、標記溝槽區域與工作表面，完整保留車燈縫隙的細長幾何輪廓。
3.規劃(Planning/轉化)：輪廓提取與最適姿態演算— 將AI 分割產生的Mask 轉化為幾何線條，擷取邊界輪廓（Contour）與中心線（Skeleton），並進行線條平滑化與等距取樣。系統依據表面法向量自動計算3D 最適姿態策略（相對垂直與噴嘴角度/距離）及時間參數化（精算速度與加速度），確保平滑連續且防碰撞。
4.執行(Execution/手)：座標轉換與手臂連動— 透過嚴密的相機標定與手眼標定（Hand-Eye Calibration），完成3D 視覺至機械手臂（Yaskawa GP4）座標系的精準轉換。路徑自動下發至手臂平滑執行連續點膠運動，吸收到治具的微小偏移，完成全自動閉環。