TM亂物瑕疵檢測

本專題研究結合機械手臂、亂物夾取技術及 AI 瑕疵檢測技術，針對金屬物件進行瑕疵檢測與分類。整體研究分為三個主要部分：

1. 物件瑕疵檢測
   我們採用預訓練的深度學習模型 YOLO v8，通過轉移學習訓練模型以適應特定需求，並進行數據檢測與分析，實現高效瑕疵辨識。
2. 機械手臂亂物夾取
   使用 TM5-900 協作機械手臂搭配 C2100-400 雙目結構光 3D 視覺模組，實現對亂序金屬物件的精準夾取。3D 結構光技術可快速識別金屬物件在三維空間中的位置與姿態，進一步導引六軸協作機械手臂進行取放操作。
3. 多鏡頭通訊與分類
   為實現資料傳輸與多角度檢測，我們搭建了多台攝影機，結合 ROS2 作業系統，實現鏡頭與機械手臂間的數據交互。系統通過多角度影像進行瑕疵等級辨識，根據瑕疵分類物件，完成進料檢驗（Incoming Quality Control, IQC）與成品出廠檢驗（Outgoing Quality Control, OQC）。

本系統整合了深度學習、3D 視覺、以及多模態通訊技術，實現了高效的金屬物件瑕疵檢測與分類，能有效應用於生產線的自動化檢測與分類流程。