基于机器视觉的散料装车控制系统

王贵兰 徐小华

摘  要：随着图像传感器和图像处理技术的迅猛发展，机器视觉技术应用越来越广泛。把机器视觉技术应用于散料装车控制系统变为可能。本文通过对作业对象状态的图像采集，并对图像进行了分割、识别、特征提取和定位，从而形成了基于机器视觉的散料装车控制系统。

关键词：机器视觉;散料装车;图像处理

Study of Bulk Material Loading Control System Based on Machine Vision

Wang Guilan   Xu Xiaohua

（Xingtai Polytechnic College，Xingtai，Hebei，054035，China）

Abstract：With the rapid development of image sensor and image processing technology，machine vision technology is used more and more widely. It is possible to apply machine vision technology to bulk truck control system. In this paper，through image acquisition of working object state，image segmentation，recognition，feature extraction and positioning，a bulk truck control system based on machine vision is formed.

Keywords： machine  vision，bulk  material  loading，image processing， fuzzy-PID cascade control

散料裝车系统广泛应用于各个工程领域。其目的是在车厢里装尽可能的物料，目前主要由人工通过语音来控制实现，从而不但造成了人工装车作业容易受人工经验的影响造成物料装载质量不高，而且容易产生疲劳引起事故并且效率低下。

1.系统整体方案设计

本论文把机器视觉引入到散料装车控制系统中来，通过对视觉系统功能分析、硬件结构设计和图像检测算法方案的确定，经过调试可以发现一方面可以通过详细完整的卸料装车作业图像信息提高物料装载的质量，另一方面可提高作业效率、减少事故发生。

系统的整体方案设计主要从三个方面展开：视觉功能分析、硬件结构设计和图像检测算法方案。其中硬件结构设计由控制模块、视觉模块和执行模块三个部分组成;图像检测算法方案主要针对料门位置开度算法的研究和料堆轮廓的图像处理。三个方面全部完成后进行联机调试，根据调试结果再对方案进行调整修正直到达到目标要求。

2.视觉功能分析

散料装车作业希望物料在车厢尽可能的均匀分布，以便于能够多载料和车厢载荷分布均匀。散料装车系统的基本功能是料位检测，传统的检测都是靠人工凭经验观察确定并通过语音传递，其检测结果误差大，而利用机器视觉技术能够把一定范围内完好的料堆图像曲线从作业图像中检测出来，并实时得到的料堆自然堆放角。在卸料时，可以通过显示器实时观察真实位置与卸料门位置检测结果的误差，从而更容易发现卸料门开度的故障问题，因此卸料闸门开度是料位控制的重要环节。

3.硬件结构设计

散料装车机器视觉控制系统的硬件按照功能的不同可以分为视觉模块、控制模块和执行模块。视觉模块负责图像的采集与分析，包括光源、工业相机、图像处理的计算机及显示器。控制模块是图像处理的计算机的下位机，也就是PLC控制器及电源。执行模块包括卸料闸门电机和车辆驱动电机。

4.图像检测算法方案

4.1 料门位置（开度）算法研究

经过对多种具备旋转和光照鲁棒性的匹配方法研究，有两种方法比较适合于料门检测定位：基于尺度不变特征点的方法和基于圆投影变换的方法。由于散料装车作业图像中运动物料复杂，因此用图像灰度分布特征对卸料闸门位置进行模板匹配检测。在上述两种方法中，基于圆投影变换的方法具备旋转不变性且实时性的要求，并可经过对各圆环特征描述及提取方法的调整，使算法在鲁棒性与实时性之间进行适量的均衡，因此本文采用圆投影变换来研究卸料闸门位置匹配检测算法。

4.2 料堆轮廓检测算法的研究

由于料堆轮廓图像纹理特征描述复杂，提取特征时计算量大，因此料堆轮廓检测实质上就是图像分割问题。鉴于此，采用固定分块后再识别的方法即先将轮廓图像划分为固定大小的不重复的矩形子块，然后根据子块的纹理特征将所有子块识别为料堆或背景物。因为子块的纹理特征和类别属性都可以提前得到，所以本文采用了支持向量机分类器识别子块，并进行离线的模型训练。在分类器的识别过程中，大部分子块都能够正确的识别，但仍存在误识别的子块，也就是说误识别的周围子块大多被识别为背景物，而漏识别子块周围大多被识别为料堆。对于误识别和漏识别的子块，本文采用基于马尔科夫随机场图像分割理论来恢复。

5.实施效果

通过研究和试验得出以下结果：

（1）支持向量机的子块识别准确率达到94.8%;

（2）分割准确率达到98.5%;

（3）不重叠分块下较少马尔科夫随机场图像节点数以及仅对边缘位置子块进行标号更新，使算法具有较好的实时性，600×270像素图像下平均每帧检测速度为9.5ms。

通过以上数据可以看出，基于机器视觉的散料装车控制系统的性能相对于原有系统有了很大的提高。

参考文献

[1]  张弛，基于机器视觉的智能控制与图像识别问题研究，苏州理工大学，2009.4

[2]  王东慧，基于机器视觉的智能控制定位检测系统的研究，上海工程技术大学，2011.12

[3]  田明锐，基于机器视觉的散料装车控制系统研究，长安大学，2015.12

作者简介：王贵兰（1980-），女，河北邢台，汉族，讲师，硕士，研究方向：检测技术和电力电子技术。