基于模糊控制的机器视觉自动纠偏系统

蒋文权 陈月

摘要：自动纠偏系统在带材卷取过程中非常重要，由于带材位置受到多因素影响，具有非线性、时变、和分布參数多等特点，要建立精确数学模型非常困难。因此为了保障带材在卷取过程中不跑偏，提高成材率，防止对设备造成损害，本文提出了一套切合实际的纠偏控制系统，采用视觉实时监测与模糊控制的方法，在实际设备运行过程中取得了较好的效果。由视觉传感器采集实时图像传输到计算机。计算机采用特定边缘检测算法得出卷材位置信息，将位置信息传输给PLC进行处理控制，消除位置偏差。

关键词：机器视觉；边缘检测；模糊控制

中图分类号：TP2 文献标志码：A 文章编号：1674-9324（2015）51-0221-03

一、研究背景

带材在卷取过程中，由于卷辊系统的制造偏差，带材的张力及带材的厚度不均匀等因素的影响，常常产生带材跑偏的现象。带材跑偏不仅会造成带材缺陷，减少成材率，甚至对设备造成损害。为了实现对带材跑偏的检测控制，目前多采用光电式传感器检测偏差。光电式纠偏系统存在精度低、响应时间长缺点，且工业现场环境往往比较复杂，光电式传感器环境适应性差、易受光的影响，应用场合有限。

而视觉传感器以其高灵敏度、高精度，抗电磁干扰，与工件无接触，获得偏移距离信息丰富等优点，受到广泛的关注。视觉传感的特点是提高生产的柔性和自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。因此，在现代自动化生产过程中，人们将视觉传感广泛地用于工况监视、成品检验和质量控制等领域。将视觉传感器获取的带材图像传输到计算机上进行处理分析，可以得到带材的位置及其他各种信息。通过对图像处理算法的优化，视觉纠偏系统可以灵活地应用于各类工业场合，并且完全可以满足工艺要求。

二、系统装置及工作原理

PLC作为中心控制器，使用模糊控制算法，根据偏差信号，给步进电机发送脉冲控制信号。步进电机带动卷材，纠正卷材位置偏差。视觉传感器实时监测卷材位置信息，将卷材的实时图像传输到计算机。计算机进行实时图像处理，运用特定边缘检测算法得出卷材边缘信息，并计算出卷材中心线位置和标准中心线比较，将中心线实时偏差信息传输给PLC进行下一步处理。

三、图像采集及处理算法

通过视觉传感器采集图像，传输到计算机。在计算机上对图像进行灰度变换，边缘检测等一系列处理工作。图像处理算法采用Visual C++编写。Visual C++是一个基于windows操作系统的可视化集成开发环境，是编程人员的首选。图像处理的最终目的就是实现边缘检测，及时发现带材的偏差。

边缘检测主要包括以下四个步骤：

1.图像滤波，边缘检测算法主要是基于图像亮度的一阶和二阶导数，但是导数的计算对噪声很敏感。基于工业现场的复杂环境，我们通过异常点检测的方法来改善与噪声有关的边缘检测器的性能；即是将每个像素和它周边的8个相邻像素的灰度平均值进行比较。如果该点与平均值的差距大于某个阈值，就被判定为噪声点并有8个邻近像素的灰度平均值替代。上述的8个邻近像素的灰度平均值利用下述脉冲响应数组和观察图像的卷积计算得到：

H=■1 1 11 0 11 1 1（1）

2.图像增强，增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域强度值有显著变化的点突出显示。图像的每个像素除以通过下列基本关系估算出的标准方差D（i，j）：

G（x，y）=■（2）

上式中的标准方差是通过每个像素在W2的邻域内计算得到的，其中W=2w+1。

G（x，y）=■∑■■∑■■F（m，n）-M（m，n）■■（3）

函数M（i，j）表示原始图像上点（i，j）处估算的均值，通过下式计算：

M（x，y）=■∑■■∑■■F（m，n）■（4）

增强后的图像G（i，j）和原始图像相比，在那些和邻域内像素相比偏差显著较大的像素点的幅度增加了，而在其他地方幅度则相对减少。

3.图像检测，在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘应该用某些方法来确定那些是边缘点。基于灰度直方图的边缘检测是一种最常用、最简单的边缘检测方法。对检测图像中目标的边缘效果很好，图像在暗区的像素较多，而其他像素的灰度分布比较平坦。最简单的边缘检测判据是梯度幅值阈值判据。该梯度垂直于边缘走向，由于边缘检测的对象是带材，将与带材边缘垂直的方向定为x轴的方向，只需计算行梯度即可。通过计算如下所示的对x求偏导数得到行梯度值：

G（x，y）=■（5）

然后扫描图像F（x，y）的每一行，进行上式所述运算得到的偏导数与阈值T进行比较得出符合要求的边缘点Gb（x，y）。

在以上过程中阈值T的选择将直接影响边缘检测的质量。由于直方图往往很粗糙，再加上噪声的影响更是参差不齐，这样就使得求图像极大、极小值变得困难。阈值的大小反映了边缘检测的灵敏度。对于含有噪声的图像，阈值的选择是未能检测到有效边缘点以及误把噪声引起的点归为边缘点的一个折衷。因此，可根据工业现场实际环境灵活选择阈值以达到理想的检测效果。

4.图像定位，检测出带材边缘后，还需要通过边缘线确定带材的位置。设带材中心线位置为：X=XO

其中XO=■∑■■Xb，标准中心线为X=Xz，则偏差：

E=XO-XZ（6）

四、模糊控制器设计

经过人们长期研究和实践形成的经典控制理论，对于解决线性定常系统的控制问题是很有效的。然而，经典控制理论对于非线性时变系统难以凑效。随着微机的发展和应用，自动控制理论和技术获得了飞跃的发展。基于状态变量描述的现代控制理论对于解决线性或非线性、定常或时变的多输入多输出系统问题，获得了广泛的应用。但是，无论采用经典控制理论还是现代控制理论设计一个控制系统，都需要事先知道被控对象（或生产过程）精确的数学模型，然后根据数学模型以及给定的性能指标，选择合适的控制规律，进行控制系统设计。然而，在许多情况下被控对象的精确数学模型很难建立。带材纠偏系统就是属于这类情况。我们通过模糊控制法解决这一问题以取得更为理想的控制效果。

1.确定模糊控制器的结构。在带材纠偏系统中，选择输入变量为带材位置误差E及误差的变化EC，输出变量为控制量u。

EC和u的模糊集均为

{NB，NM，NS，O，PS，PM，PB}

E的模糊集为

{NB，NM，NS，NO，PO，PS，PM，PB}

E和EC的论域均为

{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}

u的论域为

{-7，-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6，7，}

上述的误差模糊集选取八个元素，区分了NO和PO，主要是着眼于提高稳态精度。

2.建立模糊控制规则。模糊控制器运用模糊推理方法，将专家知识和经验直接描述为“IF...THEN...”语句所表达的一组过程控制规则和策略，对过程进行有效控制。模糊控制器由模糊化、控制规则推理和反模糊化三部分所组成。模糊化和反模糊化单元与过程单元直接相连，规则推理单元包含了专家知识和经验。模糊化单元的作用是将输入的精确量转换成模糊化量，其中输入量包括外界的参考输入、系统的输出或状态等。将处理过的输入量进行变换，使其变换到各自的论域范围中。不同于通常的0/1逻辑所描述的确定概念模式，模糊逻辑用介于[0，1]之间的一个真值来表达含义。引入隶属函数可将该区间内的数值转换为模糊的概念，比如“小”、“冷”、“多”等。将论域内 原来精确的输入量进行模糊化。例如，将“差距为2mm”转换为含糊的语义，为“差距适中”。借助隶属度函数使一定的偏差间隔同语义相对应，并描述某些物理量对过程的相关性。

根据系统误差及误差变化的趋势来消除误差的模糊控制规则如下述表格描述（或可由21条模糊条件语句描述）

控制规则推理是模糊控制的核心部分。在这里，专家知识和经验被转换为以“IF满足某条件，THEN可推出某结论”形式的模糊条件句来描述的过程控制策略。“IF”描述不确定的边界条件，模糊控制器的实现有几个关键步骤：根据输出计算偏差的变化率；根据输出和位置的设定值计算位置偏差；输入的模糊化；模糊关系的推理；测量结果的精确化。

3.确定模糊变量的赋值表。模糊变量误差E、误差变化EC及控制量u的模糊集和论域确定后，再对模糊变量赋值，如下表格所示。

确定模糊关系

由模糊控制规则的第一条可以计算出u1，即：

u1=e·[（NBE+NME）×PBu]·ec·[（NBEC+NMEC）×PBu]（7）

对于e及ec的隶属函数值对应于所量化的等级上取1，其余均取零，这样可以简化为：

u1=min{max[μNBE（i）；μNME（i）]；max[μNBEC（j）；μNMEC（j）]；μPBu（x）}（8）

式中，μNBE（i）、μNME（i）是模糊集合NBE和NME第i个元素的隶属度；μNBEC（j）、μNMEC（j）是模糊集合NBEC和NMEC第j个元素的隶属度。

同理可以分别求出u2～u21，则控制量为模糊集合u，表示为：

u=u1+u2+…+u21（9）

根据不同的i和j预先计算好控制量u，制成如下所示的控制表。当进行实时控制时，便于根据输出的信息，从中查询所需要的控制策略。

模糊控制器的实现过程是完成系统纠偏控制的一個重要方面。模糊控制器主要完成采样、标定、论域变换、数据转换、控制输出等。

4.实际效果。所设计的视觉纠偏系统已成功应用在实际设备的纠偏控制中，从运行曲线可以看出卷材位置偏差已控制在可接受的极小范围内。将模糊控制方法与PID控制法比较得出，当卷材张力在一定范围内时，两种控制方法控制效果都不错。但是当卷材张力过大时，PID算法控制的卷材位置出现明显的波动，而模糊控制法的效果还是很稳定。由此可以看出，基于模糊控制的视觉纠偏系统达到了理想效果。

参考文献：

[1]张少伟.基于机器视觉的边缘检测算法研究与应用[D].上海交通大学，2013.

[2]刘晓庆，艾武，余文勇，黄伟光，何路，闫光亚.基于直线电机的机器视觉高速纠偏系统[J].微电机，2010，10：85-88.

[3]钟飞，吴雪茹.基于线阵CCD的自动纠偏控制系统设计[J].包装学报，2011，（02）：14-16.

[4]张春雪.图像的边缘检测方法研究[D].江南大学，2011.

[5]张五一，赵强松，王东云.机器视觉的现状及发展趋势[J].中原工学院学报，2008，（01）：9-12+15

[6]龚爱平.基于嵌入式机器视觉的信息采集与处理技术研究[D].浙江大学，2013.

[7]王永富，柴天佑.自适应模糊控制理论的研究综述[J].控制工程，2006，（03）：193-198.

[8]李良峰.变论域模糊控制算法研究[D].电子科技大学，2008.

[9]胡包钢，应浩.模糊PID控制技术研究发展回顾及其面临的若干重要问题[J].自动化学报，2001，（04）：567-584.