基于機器視覺識別的預制構件生產模臺定位追蹤技術研究

趙育聽 （安徽建工北城工業有限公司，安徽 合肥 231100）

1 概述

在碳達峰、碳中和雙碳政策的背景下，裝配式建筑迎來了更好的發展勢頭。PC預制疊合板作為裝配式建材的重要組成部分，在裝配式建筑發展歷程中占據重要的作用。隨著智能制造和工業互聯網的強勢發展，PC預制構件工廠的智能化水平提升也成為了必須解決的問題。其中模臺在預制混凝土構件生產中起著重要的作用，混凝土構件的澆筑、振搗、趕平、養護、運輸等全生產過程中各道工序都離不開模臺的承載。因此模臺的定位環節對于生產線的順暢進行和節拍控制十分重要。目前常用的技術手段是采用RFID技術進行定位，但該方案存在電子標簽經過養護窯后容易失效、RFID閱讀器維護成本高等缺點，對于后期的管控和業務運營影響較大。為了解決上述問題，需要對預制構件生產模臺的定位追蹤進行技術研究。

2 系統的總體方案

2.1 整體設計階段

2.1.1 研究方法

鑒于運用RFID電子標簽進行模臺識別極易受混凝土構件生產線現場的金屬、高濕、粉塵等復雜環境因素干擾，導致穩定性和準確性不高，本方法擬采用基于機器視覺技術的識別方法進行數據采集。機器視覺技術是一門涉及人工智能、計算機科學、圖像處理、模式識別等諸多領域的交叉學科。機器視覺主要用計算機技術和工業相機模擬人類的視覺功能，從圖像中提取信息并進行處理應用。

本方法識別對象主要是針對模臺上的銘牌標簽，通過高清夜視攝像頭對銘牌標簽拍攝圖像進行數據采集。相對于RFID技術，機器視覺更適合預制工廠的工作環境，圖像信號的采集過程不受生產線現場環境中金屬和水汽等干擾因素的影響，圖像識別模塊中添加模糊復原模塊能夠大大降低模臺移動、振動以及現場粉塵等干擾因素的影響，工業相機的保護罩和LED補光燈的設置也有效剔除了車間燈光的干擾，使之能夠穩定獲取較高質量的模臺數字標識圖像，同時工作過程無需人工介入，速度快、效率高、準確率高、穩定性強，可以確保預制混凝土構件生產線的順暢進行，大大提高了生產效率。

基于機器視覺技術識別方法的PC構件生產數字化展示系統包括硬件和軟件兩部分，見圖1。

圖1 PC構件生產數字化展示系統整體設計方案

2.1.2 系統的硬件方案

基于人工智能的PC構件生產數字化展示系統硬件部分較為簡單，主要為在生產線更關鍵位置部署常規網絡監控攝像頭即可，硬件設計（部署）方案如圖2所示。

圖2 PC構件生產數字化展示系統硬件部署方案

2.1.3 系統的軟件方案

在軟件部分，考慮到銘牌標簽磨損，現場光線不穩定，攝像頭拍攝角度多和振動過程混凝土漿液濺出等情況，本方案利用人工智能技術進行模臺編號識別，在保證識別速度的同時，進一步提高了識別的準確率。同時，本系統還通過HTTP、OPCUA等數據通信標準，與工廠現有系統打通，將模臺的編號，模臺停留時間等信息及時上報，從而達到數字化展示的效果。

PC構件生產數字化展示系統的軟件部分由以下3個部分組成。

①標簽識別子系統：該子系統主要利用人工智能技術，針對攝像頭獲取的畫面進行標簽識別，同時針對攝像頭偏移進行檢測，當攝像頭偏移初始位置時，進行報警提醒。

硬件清單 表1

②后臺服務子系統：該子系統通過RTSP協議解析攝像頭中的畫面，提供給標簽識別子系統進行標簽識別，同時，獲取模臺編號以及對模臺停留時長進行統計分析。在得到以上信息后，將數據上報至用戶ERP系統。

③交互展示子系統：該子系統主要與后臺服務進行信息交互，從而在頁面上實時展示模臺的位置、標號、停留時長等信息。以及在攝像頭出現異常進行告警提醒。

圖3 PC構件生產數字化展示系統流程圖

2.1.3.1 標簽識別子系統

本系統中，圖像預處理子系統主要包括以下2個功能。

①智能標簽識別功能：該功能為本系統的核心功能，針對后臺服務子系統解碼出的圖片，采用人工智能算法進行標簽的定位與識別，相比于常規的機器視覺OCR文本識別方式，具體有穩定性高、檢測速度快、識別準確率高等特點。

②攝像頭偏移檢測功能：由于攝像頭未牢固固定，可能會存在攝像頭偏移的情況，從而無法拍攝到產線上的標簽，針對此情況，定時將攝像頭的畫面與初始畫面進行對比分析，如果存在偏移，則進行提示。

圖4 標簽識別結果樣例圖

2.1.3.2 后臺服務子系統

本系統中，后臺服務子系統主要包括以下7個功能。

①視頻流解碼功能：本方案中，包含19路安防監控攝像頭，視頻流格式為RTSP協議，本功能主要為多路視頻進行解碼操作，從而獲取攝像頭的實時畫面。

②攝像頭異常檢測功能：由于接入的攝像頭路數較多，且會存在網絡不穩定的情況，為了保證系統的可靠性，需要對攝像頭進行在線實時監測，當攝像頭離線時，進行異常提醒。

③多路視頻綜合調度功能：由于不同工位的攝像頭拍攝角度不同，在模臺運行過程中，標簽的可視時間不一致，因此為了滿足系統要求，節約硬件資源，需要對不同點位的視頻進行靈活解碼，以獲取不同頻率的圖像數據，同時還需要多路視頻識別出的標簽進行邏輯判斷，記錄模臺運動過程，從而實現模臺實時定位的功能。

④模臺信息獲取功能：在識別了模臺編號后，還需要與工廠現有的ERP系統進行交互，獲取模臺上模具信息。

⑤模臺停留時長統計功能：根據模臺進入工位的時間以及離開工位的時間，對模臺停留時長進行統計分析。

⑥標簽識別結果上報功能：針對模臺的實時位置，停留時長，模臺上模具信息等信息，與工廠現有系統打通，進行實時上報，以實現模臺信息數字化。

⑦異常信息警告上報功能：針對攝像頭離線、攝像頭視角偏移這兩種異常情況進行上報，將異常信息提交給交互展示子系統，用于異常信息告警。

2.1.3.3 交互展示子系統

交互展示子系統主要包括以下2個功能。

①模臺信息實時展示功能：根據后端服務子系統提供的模臺信息，進行可視化實時展示，展示內容包括：模臺編號、停留時間、模臺所在工位、當前時間等。

②異常信息提示功能：根據后端服務子系統提供的異常信息進行告警，告警內容包括：攝像頭斷開連接；攝像頭拍攝畫面偏移。

圖5 PC構件生產數字化展示系統交互頁面

3 關鍵技術

3.1 人工智能標簽識別算法

本方案中，關于缺陷檢測擬采用One-stage方式的目標檢測網絡來實現。擬采用的目標檢測網絡模型拓撲圖，如圖6所示。

圖6 目標檢測算法網絡結構圖

從圖6可以看出，網絡結構分為In?put、Backbone、Neck、Prediction 四個部分。

①Input。該部分包括的處理過程：Mosaic數據增強；自適應錨框計算；自適應圖片縮放。

②Backbone。該部分包含的結構：Focus結構（圖7），假設原始608*608*3的圖像輸入Focus結構，采用切片操作，先變成304*304*12的特征圖，再經過一次32個卷積核的卷積操作，最終變成304*304*32的特征圖；CSP結構（圖8），在目標檢測問題中，使用CSPNet作為Backbone帶來的提升比較大，可以有效增強CNN的學習能力，同時也降低了計算量。

圖7 Focus結構圖

圖8 CSP網絡結構圖

圖9 Neck網絡示意圖

③Neck結構。本算法中的Neck結構中，采用FPN+PAN的結構，加強網絡特征融合的能力。

④Prediction。在最后的輸出端，處理步驟為：

在目標檢測等領域，需要對預測邊框（pre BBox）與實際標注邊框（ground truth BBox）進行對比，計算損失。在該算法中，采用GIOU_Loss做Bounding box的損失函數。在目標檢測的后處理過程中，針對很多目標框的篩選，通常需要nms操作。因為CIOU_Loss中包含影響因子v，涉及groudtruth的信息，而測試推理時，是沒有groundtruth的。在本算法中采用加權nms的方式。

圖10 IoU與GIoU損失計算示例

4 結語

本研究基于機器視覺識別的預制構件生產模臺定位追蹤技術研究，通過機器視覺技術來對PC構件生產線模臺定位追蹤技術進行研究?？梢越档湍Ｅ_移動、振動和現場粉塵等干擾因素的影響，減少人工操作，提高預制構件生產效率、降低生產成本，提升企業競爭力和增強企業形象。