На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
09 Сентября 2024

Программная реализация системы автоматической идентификации слябов

Software implementation of slabs automatic identification system
Статья опубликована в выпуске журнала № 4 за 2013 год. [ на стр. 182-186 ]
Аннотация:В работе описана структура программно-аппаратного комплекса для отслеживания движения заготовок между складом и основным производственным оборудованием цеха в рамках автоматического контроля продукции металлопрокатного комплекса. Отличительной особенностью этой системы является алгоритм автоматической идентификации маркировки слябов (крупногабаритных металлических блоков), который позволяет с большой точностью идентифицировать перемещаемый объект, тем самым освобождая работника крана от рутинной работы определения номера или кода сляба. Одним из логических блоков алгоритма является поэтапное автоматическое обнаружение маркера на изделии. В результате выполнения этапов обнаружения маркировки производится настройка положения поворотного устройства и трансфокатора видеокамеры для получения приближенного изображения высокого качества груза с маркировкой, его последующего анализа, поиска и распознавания маркировки. Приведены экспериментальные результаты, подтверждающие оперативность и достоверность методики.
Abstract:The structure of hardware and software complex (SALI) for slabs moving tracking between warehouse and main manufacture equipment is described in the article. It considers automatic metalrolled manufacture complex production monitoring. Distinctive feature of the system is algorithm of automatic slabs identification (bulky metal units) which allows identifying the moving object with high accuracy. It can make the workers of crane free from their routine of slab number or code identifying. One of the logic units of algorithm is automatic step-by-step product label identifying. The result of label detection steps is calibration of camera moving mechanism position and zoom for getting primary hi-res image of load with label, its analysis, label scanning and recognition. There are the results confirming efficiency and reliability of the method.
Авторы: Провоторов А.В. (gothicalex@mail.ru) - Муромский институт (филиал) Владимирского государственного университета им. Александра Григорьевича и Николая Григорьевича Столетовых (аспирант), г. Муром, Россия, Орлов А.А. (alexeyalexorlov@gmail.com) - уромский институт (филиал) Владимирского государственного университета им. Александра Григорьевича и Николая Григорьевича Столетовых, г. Муром, Россия, доктор технических наук
Ключевые слова: штрих-код, распознавание, локализация, методика, идентификация, кран, сляб
Keywords: barcode, identification, localization, technique, identification, crane, slab
Количество просмотров: 11030
Версия для печати
Выпуск в формате PDF (7.95Мб)
Скачать обложку в формате PDF (1.45Мб)

Размер шрифта:       Шрифт:

В современных условиях развития промышленности в России автоматизация процессов производства – одно из приоритетных направлений. Во многом это обусловлено сегодняшним экономическим курсом страны, направленным на модернизацию всех отраслей промышленности, поэтому совершенствование, улучшение, обновление объекта, приведение его в соответствие новым требованиям и нормам, техническим условиям, показателям качества является актуальной научно-технической проблемой [1].

В целях модернизации производства сейчас динамично развиваются системы технического зрения (СТЗ), позволяющие автоматически анализировать изображения промышленной продукции (идентифицируя ее по маркерам). Системы автоматической идентификации (САИ), использующие СТЗ, заменяют человека в опасных и вредных зонах производства, значительно уменьшают его рутинный труд в ситуациях, когда практически невозможно применение других существующих методов идентификации [2, 3].

Целью работы является разработка САИ маркировки (САИМ) для отслеживания движения заготовок между складом и основным производственным оборудованием цеха для автоматического контроля продукции металлопрокатного комплекса на промышленном предприятии.

Идентифицирующиеся заготовки представляют собой металлические слябы длиной от 4 до 7 метров и толщиной до 40 см с закрепленной на боковой стороне маркировкой. Слябы перемещаются с помощью промышленного крана с длиной троллея 32 метра таким образом, что закрепленный груз может находиться на расстоянии от 3 до 16 метров до ближайшей опоры и на высоте до 8 метров, что значительно затрудняет задачу распознавания маркера.

САИМ должна удовлетворять следующим требованиям:

–      отсутствие необходимости изменения техпроцесса;

–      автоматический поиск координат маркера (даже на движущейся продукции);

–      достоверная идентификация маркировки на большом расстоянии.

Выделим основные типы САИ, использующие СТЗ.

1.     Системы регистрации железнодорожных составов («СМС-Автоматизация», «Штрих-М»). Как правило, используются две видеокамеры для идентификации нанесенной на вагон или цистерну маркировки. Обеспечивает высокую достоверность распознавания при низкой скорости движения состава и на расстоянии до 3 метров. На больших расстояниях достоверность распознавания заметно снижается [4, 5].

2.     Системы идентификации автомобильных номеров в потоке («Автоинспектор», «Кодос-ав­то», «CVS-авто»). Используемые методы распознавания позволяют достичь высокой достоверности при различных условиях: плохой освещенности, частичной загрязненности, плохих погодных условиях. Видеосканер закрепляется неподвижно в специальном месте, что позволяет проводить идентификацию только при пересечении объекта идентификации области зрения видеосканера и только на ограниченном расстоянии [6].

3.     Системы автоматической идентификации изделий (Sick/IVP, Omron), позволяющие в автоматическом режиме идентифицировать маркировку и другие параметры товара в процессе его перемещения по предприятию. Основным недостатком является возможность распознавания маркера только на небольшом расстоянии при непосредственном расположении объекта в области видимости неподвижного видеосканера [7–9].

Для решения поставленной задачи применение данной технологии автоматической идентификации не удовлетворяет всем поставленным требованиям, необходима разработка специальной СТЗ. С целью повышения достоверности и оперативности идентификации предлагается двухэтапная идентификация: грубое наведение видеокамеры на основе информации с позиционных датчиков и тонкое наведение на основе цифрового анализа изображения для локализации и распознавания маркера металлопрокатной заготовки (сляба).

Методика автоматического обнаружения маркировки

Первоочередной задачей САИМ является разработка методики автоматической локализации положения и распознавания маркера [10].

Разработанная методика состоит из следующих этапов:

–      грубое наведение: определение местоположения груза и наведение видеодатчика на центр маркировки, формирование детализированного снимка груза;

–      точное наведение: локализация области маркировки, распознавание маркировки.

Методику автоматического обнаружения можно представить в виде временной диаграммы (см. рис. 1).

Проектирование САИМ

Для реализации методики автоматического обнаружения разработана система автоматической идентификации маркировки, состоящая из следующих элементов: видеосканер, контроллер крана, модуль управления, сервер склада.

Видеосканер – это управляемый видеодатчик, элемент измерительной среды математической модели, состоящий из камеры – устройства захвата и передачи изображения; трансфокатора – оптической системы, которая дает возможность управлять масштабом изображения и фокусным расстоянием видеокамеры; поворотного устройства – механизма, позволяющего осуществлять наведение камеры по заданным параметрам.

Контроллер крана – это измерительное устройство (аппаратно-программный комплекс), предоставляющее в реальном времени информацию о текущем состоянии крана.

Модуль управления реализует методику автоматического обнаружения маркировки и обеспечивает анализ информации от измерительных устройств и формирование управляющих воздействий.

Модуль управления включает следующие элементы:

–      подсистема управления положением камеры, реализующая процесс наведения видеодатчика на область маркера (грубое наведение);

–      подсистема управления трансфокатором камеры, обеспечивающая процесс формирования детализированного снимка области груза (грубое наведение);

–      подсистема локализации маркировки, реализующая процесс обнаружения области маркера (точное наведение);

–      подсистема идентификации маркировки, предназначенная для анализа области маркера (точное наведение).

Сервер склада принимает результат распознавания маркировки и является составной частью АСУ ТП склада промышленной продукции металлопрокатного комплекса.

Подпись:  
Рис. 1. Временная диаграмма методики автоматического обнаружения маркировки: 
ПУ – поворотное устройство видеосканера, ТК – трансфокатор видеосканера, АСУ крана – контроллер крана, терми-нал 
машиниста – рабочее место машиниста крана, АСУТП – АСУ технологическими процессами склада слябов
Структурная схема системы автоматической идентификации маркировки представлена на рисунке 2.

Программная реализация САИ слябов

На основе спроектированной схемы системы была разработана программа на языке C# в среде Visual Studio.

Программный комплекс состоит из трех модулей.

1.     Модуль управления положением камеры, осуществляющий

–      включение/выключение видеосканеров;

–      получение информации о текущем положении камеры и поворотного устройства;

–      получение данных о положении груза от контроллера крана по протоколу OPC;

–      расчет положения груза и настроек положения поворотного устройства и трансфокатора камеры;

–      формирование управляющих команд на трансфокатор и поворотное устройство камеры на основе протокола PELCO-D;

–      включение/выключение прожекторов для подсветки области маркировки.

2. Модуль локализации маркировки, выполняющий

–      получение изображения с видеосканера;

–      расчет координат маркировки на изображении;

–      расчет положения поворотного устройства и трансфокатора камеры на основе координат положения маркировки на изображении;

–      обмен командами с модулем управления положением камеры.

3. Модуль распознавания маркировки, позволяющий

–      получать изображения с видеосканера;

–      подготавливать изображения;

–      распознавать маркировки, оценивать вероятности успешного распознавания;

–      формировать и отправлять данные о маркировке на сервер склада по протоколу OPC.

Для использования разработанного програм- много продукта необходимо следующее.

Аппаратное обеспечение:

–      процессор Intel Core i7 2,66 GHz (модель i7-920), системная шина (FSB) 1333 MHz, оперативная память 4 Гб (2´2 Гб) DDR3-10600 (1333 MHz), жесткий диск: интерфейс – SATAII (3 Gbit/s), 500 Гб или больше;

–      слоты расширения: PCI-Ex16 2.0 – для видеокарты, PCI-Ex16 или PCI-Ex4 – для платы видеозахвата (Matrox Solios GigE), PCI – для платы дискретного/аналогового ввода/вывода (Advantech PCI-1711), PCI или PCI-X – для интерфейсной платы RS-485 (Moxa CP-132UL);

–      мощность блока питания: минимум 500 Вт, наличие 4-фазного коннектора питания материнской платы 8-pin.

ПО: операционная система Microsoft Windows XP Professional SP3 x86 (32 bit) или Windows7 x86 (32 bit).

Прикладное ПО:

–      Matrox Imaging Library 9.0 для работы с изображениями;

-   Basler Pylon Driver SDK 2.1 (GigE Vision Performance Driver), драйвер видеокамеры;

Подпись:   

Рис. 3. Экспериментальный результат работы системы
–      Moxa ViewCom Utility V.1.0 для платы последовательных интерфейсов CP-132UL, обеспечивающей обмен командами с поворотным устройством и трансфокатором видеокамеры;

–      драйвер DLL (32 bit) платы ввода-вывода Advantech PCI-1711 для управления питанием видеосканеров и прожекторов;

–      Siemens Simatic NET SOFTNET-S7 Lean/ 2008 для обмена информацией с контроллером крана.

Экспериментальные результаты

Для проверки работоспособности разработанной системы автоматической идентификации маркировки был проведен ряд экспериментов (рис. 3) на складе слябов металлопрокатного комплекса СТАН-5000 Выксунского металлургического завода (г. Выкса, Нижегородская обл.).

Эксперименты проведены в сравнении с ручным методом идентификации маркировки при условиях, приведенных в таблице.

Метод

Количество экспериментов

Достоверность распознавания, %

Среднее время распознавания, сек.

Недостаточная видимость

Ручной метод обработки

150

86

25

Разрабатываемая система

150

96

12,9

Заранее неизвестное положение маркировки

Ручной метод обработки

150

72

30

Разрабатываемая система

150

98

14,9

Работа в технологических зонах с повышенной температурой

Ручной метод обработки

Невозможно по техническим условиям

-

-

Разрабатываемая система

150

98

13,9

Полученные результаты показали работоспособность системы при различных условиях. Время работы методики локализации в зависимости от условий эксперимента составляет до 15 секунд. Достоверность распознавания – в среднем 96 %.

Полученные результаты подтверждают достоверность описанной методики.

Таким образом, разработанная система автоматической идентификации маркировки, основанная на двухэтапном (грубом и тонком) наведении видеодатчика, позволяет достоверно локализовать и распознавать область маркера на изображении. Корректность работы системы была показана проведенными экспериментами.

Литература

1.     Провоторов А.В., Орлов А.А. Методика поэтапного обнаружения маркировки слябов // Современные проблемы науки и образования. 2012. № 6. С. 98.

2.     Forsyth D., Ponce J. Computer Vision: a Modern Approach. Prentice Hall, Englewood Cliffs, 2003.

3.     Chen I.-H., Wang S.J. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras. IEEE Int’l Conf. on Computer Vision Systems, 2006.

4.     Сырямкин В.И., Титов B.C., Якушенков Ю.Г. Системы технического зрения: справочник; [под общ. ред. В.И. Сырямкина, B.C. Титова]. Томск: МГП «РАСКО». 1993. 367 с.

5.     Стародубов Д.Н., Стулов Н.Н. Комплекс программ обработки и анализа изображения объектов в системах технического зрения // Программные продукты и системы. 2006. № 3. С. 17–20.

6.     Шапиро Л., Стокмап Дж. Компьютерное зрение; [пер. с англ.]. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.

7.     Клевалин В.А., Поливанов А.Ю. Цифровые методы распознавания в системах технического зрения промышленных роботов // Мехатроника. Автоматизация. Управление. 2008. № 5. С. 56.

8.     Aluze D., Merienne F., Dumont C., Gorria P. Vision sys­tem for defect imaging, detection, and characterization on a specu­lar surface of a 3D object. Image Vision Comput, 2008, vol. 20, pp. 569–580.

9.     Rosati G., Boschetti G., Biondi A., Rossi A. Real-time defect detection on highly reflective curved surfaces. Optics Lasers Eng, 2009, vol. 47, pp. 379–384.

10.  Провоторов А.В., Орлов А.А. Разработка методики и системы автоматической идентификации промышленной продукции на основе анализа изображений с управляемых видеодатчиков // Ползуновский вестн. Барнаул: РИЦ АлтГТУ, 2012. С. 67–69.

References

1.    Provotorov A.V., Orlov A.A. The technique of step-by-step slab label identifying. Sovremennye problemy nauki i obrazovaniya [Modern problems of science and education]. 2012, no. 6, p. 98 (in Russ.).

2.    Forsyth D., Ponce J. Computer Vision: A Modern Approach. Prentice Hall Publ., Englewood Cliffs, 2003.

3.    Chen I.-H., Wang S.J. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras. IEEE Int. conf. on computer vision systems, 2006.

4.    Syryamkin V.I., Titov V.S., Jakushenkov Yu.G. Sistemy tekhnicheskogo zreniya: spravochnik [Systems of technical vision: reference guide]. Tomsk, MGP “RASKO” Publ., 1993, 367 p.

5.    Starodubov D.N., Stulov N.N. Program complex for processing and analyzing object images in technical vision systems. Programmnye produkty i sistemy [Software & Systems]. 2006, no. 3, pp. 17–20 (in Russ.).

6.     Shapiro L.G., Stockman G.C. Computer Vision. Prentice Hall, 1st ed., 2001, 608 p.

7.     Klevalin V.A., Polivanov A.Yu. Digital methods for identifying industrial robots in technical vision systems. Mekha­tronika, Avtomatizatsiya, Upravlenie [Mechatronics, Automation, Control]. 2008, no. 5, p. 56 (in Russ.).

8.     Aluze D., Merienne F., Dumont C., Gorria P. Vision sys­tem for defect imaging, detection and characterization on a specular surface of a 3D object. Image Vision Computing. 2008, no. 20, pp. 569–580.

9.     Rosati G., Boschetti G., Biondi A., Rossi A. Real-time defect detection on highly reflective curved surfaces. Optics Lasers Engineering. 2009, no. 47, pp. 379–384.

10.  Provotorov A.V., Orlov A.A. Developing methods and system of industrial products automatic identification based on image analysis on operated video transmitters. Polzunovskiy vestnik [Polzunov bulletin]. Barnaul, RIC Altai St. Tech. Univ. Publ., 2012, pp. 67–69. Сырямкин В.И., Титов B.C., Якушенков Ю.Г. Системы технического зрения: справочник; [под общ. ред. В.И. Сырямкина, B.C. Титова]. Томск: МГП «РАСКО». 1993. 367 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=3682&lang=&lang=&like=1
Версия для печати
Выпуск в формате PDF (7.95Мб)
Скачать обложку в формате PDF (1.45Мб)
Статья опубликована в выпуске журнала № 4 за 2013 год. [ на стр. 182-186 ]

Возможно, Вас заинтересуют следующие статьи схожих тематик: