АСУ сортировочной мехатронной станции

ВВЕДЕНИЕ 3
1. ОСНОВНОЙ РАЗДЕЛ 6
1.1 Технология машинного зрения 6
1.2 Описание технологического процесса 7
1.3 Выбор методов компьютерного зрения для решения задачи 10
1.4 Выбор и обучение нейросети 17
1.5 Выбор технических средств автоматизации 21
2. АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ 25
2.1 Функциональная схема автоматизации 25
3. Моделирование системы 29
3.1 Математическая модель 29
3.2 Исследование в MATLAB 31
3.3 Разработка программного обеспечения автоматизированной системы управления 33
3.4 Алгоритм работы системы управления и описание программного кода 38
3.5 Разработка человеко-машинного интерфейса 45
3.6 Программный код скрипта интерфейса на JavaScrip 51
ЗАКЛЮЧЕНИЕ 66
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 69
ПРИЛОЖЕНИЕ А 72
ПРИЛОЖЕНИЕ Б 89
ПРИЛОЖЕНИЕ В 90
ПРИЛОЖЕНИЕ Г 91
ПРИЛОЖЕНИЕ Д 92

Весь текст будет доступен после покупки

В условиях стремительного развития индустрии 4.0 и цифровой трансформации производственных процессов особое значение приобретают системы автоматизированного контроля и управления, основанные на современных технологиях искусственного интеллекта и машинного зрения. Особенно востребована автоматизация в отраслях, где требуется высокая точность, повторяемость и оперативность при контроле качества продукции, распознавании дефектов, классификации объектов и управлении технологическими линиями – таких как пищевая промышленность, фармацевтика, электроника и машиностроение. Традиционные методы ручного или механического контроля всё чаще уступают место интеллектуальным системам, способным не только фиксировать отклонения, но и принимать решения в реальном времени, снижая человеческий фактор и повышая экономическую эффективность.
Актуальность исследования обусловлена растущей потребностью в создании гибких, адаптивных и точных систем автоматического контроля, способных интегрироваться в существующие производственные цепочки без значительных капитальных вложений. Машинное зрение, как ключевая технология компьютерного зрения, позволяет решать задачи, недоступные для традиционных датчиков: распознавание сложных форм, анализ текстур, выявление микродефектов, классификация объектов по визуальным признакам. В сочетании с глубоким обучением и современными вычислительными платформами, машинное зрение становится основой для построения автономных и самообучающихся систем управления.
Целью настоящей работы является разработка и реализация автоматизированной системы управления на основе технологий машинного зрения и нейронных сетей для решения задачи автоматического контроля качества продукции в реальном времени.
Для достижения поставленной цели решаются следующие задачи:
1. Анализ современных технологий машинного зрения и их применения в промышленной автоматизации.
2. Описание технологического процесса, подлежащего автоматизации, с выделением ключевых этапов, требующих контроля.
3. Выбор оптимальных методов компьютерного зрения и алгоритмов обработки изображений для решения конкретной задачи контроля качества.
4. Подбор, настройка и обучение нейронной сети (в частности, сверточной нейросети CNN) на базе реальных данных для классификации дефектов.
5. Выбор технических средств автоматизации: камер, осветительных систем, вычислительных модулей и интерфейсов связи.
6. Разработка функциональной схемы автоматизированной системы управления.
7. Построение математической модели системы и её исследование с использованием среды MATLAB.
8. Разработка программного обеспечения системы управления, включая алгоритмы обработки изображений, логики управления и интерфейса взаимодействия с оператором.
9. Создание человеко-машинного интерфейса (HMI) на основе JavaScript для визуализации данных и управления системой.
10. Тестирование и верификация работоспособности разработанной системы в условиях, приближенных к промышленным.
Объектом исследования является технологический процесс автоматического контроля качества продукции с использованием систем машинного зрения.

Весь текст будет доступен после покупки

. ОСНОВНОЙ РАЗДЕЛ
1.1 Технология машинного зрения
Машинное зрение – это область искусственного интеллекта, посвященная разработке систем и алгоритмов, позволяющих компьютерам анализировать и понимать изображения и видео. Машинное зрение обеспечивает способность видеть, распознавать образы, выявлять образцы и принимать автоматизированные решения на основе визуальных данных.
Существует множество свойств, которые могут быть определены при помощи технологии машинного зрения: размер; положение; цвет; текст; расчет расстояний, геометрических измерений; выделение объектов (связанных и отдельных). На основе распознавания и классификации система машинного зрения способствует принятию решений для автоматизированного управления системой.
Машинное зрение активно применяется в промышленности, особенно в контексте автономных роботов и систем визуальной проверки и измерений. В данном контексте технология датчиков изображения и теория управления объединяются с обработкой видеопотока. Программное и аппаратное обеспечение используются для регулирования действий роботов и обработки данных в реальном времени.
Процесс обработки видеопотока состоит из следующих этапов:
Первый этап – предварительная обработка изображения, которая включает несколько важных шагов. Во-первых, осуществляется улучшение качества изображения, включая операции повышения четкости, улучшения контраста и подавления шумов для получения чистого визуального материала Дополнительно проводится нормализация яркости и цветового баланса с целью стандартизации изображений. Во-вторых, применяется фильтрация, в рамках которой используются различные фильтры для выделения конкретных особенностей или для подавления нежелательных элементов на изображении. Этот этап направлен на подготовку изображения для более высокоуровневой обработки.
В конечном этапе процесса обработки изображения, система извлекает характеристики объектов из обработанного кадра или видеопотока. Этот этап включает определение ключевых точек интереса, где могут находиться предопределенные объекты для распознавания. Также происходит извлечение областей изображения и определение их особенностей с использованием математических методов, таких как определение контура или цвета. Эти признаки играют важную роль в последующей обработке данных.
На более высоком уровне обработки система включает классификацию объектов, что означает определение категории или класса объекта на изображении. Также проводится сегментация, которая разделяет изображение на различные элементы для локализации и идентификации объектов.
Информация, полученная от камеры, может использоваться для управления технологическими процессами и производственной деятельностью. Например, в системе, интегрированной с сортировочной станцией, камера активируется при обнаружении объекта, захватывая кадр и производя его анализ. Компьютерное зрение может быть настроено на распознавание различных характеристик объекта, таких как его расположение, цвет, размеры, форма определение его скелета.
После обработки объекта камерой программа определяет дальнейшие действия, как поступить с объектом. Объект может быть отсортирован и отправлен на другую производственную линию, или отправлен дальше по ленте для дополнительных операций сборки, если это требуется. Таким образом, система машинного зрения предоставляет более детализированную информацию об объекте по сравнению с простым датчиком присутствия, что позволяет более точно и гибко управлять производственными процессами.

Весь текст будет доступен после покупки

1) Ultralytics. Train YOLOv5 on Custom Data [Электронный ресурс] // Docs Ultralytics. – URL: https://docs.ultralytics.com/ yolov5/tutorials/ train_custom_data/
2) Encord. The train, validation, test split model [Электронный ресурс] // Encord Blog. – URL: https://encord.com/blog/train-val-test-split/
3) Сапунов Г. Распознавание образов с помощью искусственного интеллекта [Электронный ресурс] / Grigory Sapunov // Habr. – 2023. – URL: https://habr.com/ru/articles/709432/
4) Javatpoint. Computer Vision Techniques [Электронный ресурс] // Javatpoint. – URL: https://www.javatpoint.com/computer-vision-techniques
5) IBM. What is a neural network? [Электронный ресурс] // IBM. – 2024. – URL: https://www.ibm.com/topics/neural-networks
6) Алиев А.Г. Введение в нейросети: что, зачем и как? [Электронный ресурс] // Habr. – 2024. – URL: https://habr.com/ru/articles/805209/
7) Сапунов Г. Введение в архитектуры нейронных сетей [Электронный ресурс] // Habr. – 2023. – URL: https://habr.com/ru/companies/oleg-bunin/articles/340184/
8) Investopedia. What Is a Neural Network? [Электронный ресурс] // Investopedia. – 2024. – URL: https://www.investopedia.com/terms/n/ neuralnetwork.asp
9) GeeksforGeeks. Introduction to Recurrent Neural Network [Электронный ресурс] // GeeksforGeeks. – 2025. – URL: https://www.geeksforgeeks.org/ introduction-to-recurrent-neural-network/
10) SuperAnnotate. Image segmentation detailed overview [Электронный ресурс] // SuperAnnotate Blog. – 2023. – URL: https://www.superannotate.com/ blog/image-segmentation-for-machine-learning
11) Roboflow. Roboflow Docs [Электронный ресурс] // Roboflow. – URL: https://docs.roboflow.com/

Весь текст будет доступен после покупки