基于視覺信息的自動化物品分類與分揀系統設計

劉文博

摘要：基于分揀線物品的視覺信息，以水果分揀為基礎，利用K最近鄰算法分類器對蘋果、橙子、檸檬三種水果進行物品識別分類，設計了一個采用PLC自動化生產線的物件識別與分揀系統。該系統主要由可編程邏輯控制器、電動機、變頻器、視覺傳感器和氣缸組成，最終實現對分揀線物品的自動分揀。該系統能夠極大提高物品分揀效率，具有廣泛的應用價值和實用領域。

關鍵詞：視覺信息；物品分類；自動分揀

一、前言

傳統的物品分揀流水線通常采用人工分揀的方式，但人為因素如情緒、疲勞和身體狀況等的影響導致分類效果差、分類效率低等問題。而且，隨著社會發展，用工成本不斷上升，給企業帶來不小的負擔[1-3]。隨著現代電子信息技術的發展，以工業自動化為代表的自動化分揀流水線應運而生，該系統廣泛應用于物流、快遞、零件制造和交通運輸等行業，成為當代工業自動化中不可或缺的重要組成部分。物件分揀即是從混雜在一條流水線上的各種物件中識別并篩選出特定分類的物品，將不同物品進行分離。分揀流水線自動系統能夠在眾多物件中識別并分揀出相應類別的物品，提高生產效率，并降低人工成本。因此，采用目前廣泛使用的PLC控制技術設計控制、識別和分揀系統對此應用具有高效的作用[4-5]。

二、系統總體功能設計

基于視覺信息的現代智能物料分揀系統主要由視覺、氣動和電氣三部分組成。 視覺部分主要由視覺傳感器模塊負責對待分揀物品進行圖像信息采集，并對采集的圖像數據進行處理以形成特征信息。氣動部分的主要作用是為氣動裝置提供動力來源，主要由氣體壓縮機、氣動減壓器、氣缸和氣壓指示等部件組成。電氣部分包括電源、變頻器、傳送帶、電機、電磁閥、磁性開關和繼電器模塊等組件，其全部工作過程由PLC總控，實現對物料分揀全過程的監控[6]。整體功能原理框圖如圖1所示。

本系統采用三菱FX2N-48MR作為可編程邏輯控制器。通過PLC主控制器的模擬量輸入輸出模塊，對三菱FR-E740變頻器的頻率信號進行采集和輸出，以實時監測當前流水線的運行速度。當料倉光電傳感器檢測到有物料時，系統啟動視覺傳感器模塊對待分揀物料進行圖像采集和特征提取。根據之前的訓練結果，系統利用所采集的物料對象的相關特征進行分類，并將分類結果傳輸給PLC輸入單元。一旦PLC輸入單元接收到視覺傳感器的分類信號，系統會啟動傳送帶運動到相應的落料口，并最終通過控制氣動裝置對物料進行分揀，將物料推入對應的物料收集容器中，如圖2所示。

三、K最近鄰算法分類器

K最近鄰算法（KNN）是一種常用于數據挖掘分類的技術方法之一。其主要原理是根據數據特征將不同數據進行坐標表示，對于具有類似數據特征的樣本，其坐標位置會大致相近，而當已知某一待分類樣本的數據特征表征之后，將其用坐標表示，它會在坐標軸上更靠近它所屬樣本區域，從而確定其所屬樣本。對于K最近鄰，其中的K表示在空間坐標中最靠近待分類物品的已知樣本標簽的附近K個近鄰樣本，也就表明，對于同屬一個樣本集中的每個樣本都可以用它鄰域內最接近它的K個鄰域樣本特征來表征。KNN算法的主要思想是首先根據待分類樣本的空間特征信息去選取與其最相鄰的K個已知類別標簽樣本，如果最相鄰的K個已知其分類標簽的樣本中主要都是某一類別樣本，則該待分類樣本也會屬于這個類別的概率更大，它的樣本特征也會更靠近其所屬的類別特征空間區域內。KNN算法在確定分類決策上都是依據最鄰近的K個已知類別的樣本來分類待分樣本最大概率所屬的樣本類別。KNN算法在類別決策時，主要根據其所屬坐標周圍有限的鄰近樣本，而不是靠判別類域的方法來確定所屬類別，因此，對于交叉或者存在重疊區域較多的類域待分樣本集而言，KNN算法較其他方法更能高效、準確地進行物品分類識別[7]，KNN 算法基本預測原理如圖3所示。

圖3中，A為待分類樣本，在其領域內分布4個已知物品標簽的樣本B、C、D、E，并且根據歐氏距離LAB

對于本系統待分類水果樣本，采用的水果數據集由愛丁堡大學教授Iain Murray 所創[8]。在他的樣本集中，存在很多種類的橙子、檸檬和蘋果圖像，并把它們的相關數據記錄在表格中，然后由密歇根大學的一些學者將這些水果進行數據整理。在該數據集中，一共有59個水果和對應的的7個特征。

采用上述提到的KNN算法，將水果數據集中的70%作為訓練樣本，另外30%作為測試樣本，編寫了以下相關程序：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier（）

knn.fit（X_train， y_train）

print（'Accuracy of K-NN classifier on training set： {：.2f}'

.format（knn.score（X_train， y_train）））

print（'Accuracy of K-NN classifier on test set： {：.2f}'

.format（knn.score（X_test， y_test）））

最終經過測試，K最近鄰算法分類器在本測試集中的準確率為97%。當然，如果需要，也可以自己制作相應的樣本數據集，進行更多特征的提取，以提高水果樣本分類精度。

四、硬件結構

本系統從硬件連線上輸入主要涵蓋啟動停止相關按鈕、三個氣缸伸出縮回限位傳感器、落料口檢測光電傳感器及啟動三個推料傳感器接口，輸出主要包括驅動推料三個氣缸伸出接口以及控制變頻器停止、正轉、反轉和高中低速運轉的相關接口。基于三菱FX2N-48MR對其I/O口的地址分配見表1。

結合以上I/O口地址，最終線路的整體硬件連接如圖4所示。

總體硬件連接包括按鈕與PLC的連接，傳感器與PLC的連接、電磁閥與PLC的連接以及變頻器與PLC的連接四部分。

五、軟件設計

采用視覺信息的物料分揀系統主要工作流程如圖5所示，當按下開始按鈕后分揀系統開始工作。首先由料倉口的光纖傳感器判斷料倉此時是否有待分揀物料，當檢測到料倉有物料后，料倉氣缸會將待測物料推送至傳送帶上并啟動安裝在傳送帶出料口正上方的視覺傳感器對物料進行圖像采集并進行提取其相關圖像特征，然后將所采集的待分揀物品根據其對應特征利用KNN算法進行分類，分類完成后再將分類信號通過對應接口傳輸給PLC，PLC啟動分揀系統，通過傳送帶電機及變頻器將分好類的物料通過傳送帶和氣動裝置最終推入相應的物品容器中，相關流程所使用的PLC程序如圖6所示。

六、結語

本文研究了一種基于PLC控制平臺和視覺傳感器的水果分類系統。該系統利用視覺傳感器對水果進行分類測試，并通過受變頻器控制的傳送帶將其送至對應分類倉，最后利用氣缸將其推入容器。通過軟件編程，系統可以根據需求調整不同的物品，減少了人工分揀誤差，提高了運行效率和安全性。整個系統具有設備操作靈活、集成度高、抗干擾能力強等特點，通過PLC加變頻器的控制結合，大大簡化了系統的硬件接線。同時，由于PLC系統的可擴展特點，分揀系統也具有便捷改造不同應用的優勢，可以降低設備的不兼容性，使該分揀線控制系統具有較強的適應性和功能的可擴展性。

參考文獻

[1]袁苑，謝凱.基于機器視覺的智能物料分揀系統設計[J].工業控制計算機，2022，35（07）：44-45+48.

[2]凌雙明.智能視覺檢測系統在物料分揀中的應用研究[J].山西電子技術，2022（03）：77-80.

[3]王祥傲，郭建勇，蘇鵬，等.基于物聯網和PLC的物料分揀碼垛監控系統設計[J].衡水學院學報，2022，24（04）：11-16+28.

[4]廖耿斌.基于PLC的物料分揀遠程監制系統[J].電子制作，2022，30（19）：42-44+18.

[5]孟亞男，張振懷，孟凡超.基于PLC的給料分揀自控系統[J].化工自動化及儀表，2022，49（03）：351-353+361.

[6]趙悅，莫莉，張陽.基于西門子PLC和WINCC組態的物料分揀控制系統的設計與仿真[J].成都大學學報（自然科學版），2021，40（04）：384-389.

[7]孫泰屹，勾進，何雅琴.基于改進KNN模型的城市道路事故持續時間預測[J].武漢理工大學學報（交通科學與工程版），2023，47（06）：1030-1034.

[8]Iain Murray. Fruit_Data with Colors[DB/OL].Edinburgh. [2023-08-24].https：//github.com/susanli2016/Machine-Learning-with-Python/blob/master/fruit_data_with_colors.txt

作者單位：福建水利電力職業技術學院

■ 責任編輯：王穎振、楊惠娟