解除固定固定关闭

中国区总部
Beckhoff Automation (Shanghai) Co., Ltd.

市北智汇园4号楼
静安区汶水路 299 弄 9-10 号
上海, 200072, 中国

+86 21 6631 2666
info@beckhoff.com.cn
www.beckhoff.com.cn/zh-cn/

2022年6月28日

通过 TwinCAT 控制系统实时集成机器视觉

现如今,当人们谈到运动控制时,自然会认为它是一个全集成解决方案,必须完全集成运动控制的配置、编程和诊断等一切功能。而到目前为止,图像处理在这方面一直仍需要使用专用硬件、独立的相机配置程序、独立的开发环境和专用编程语言、完全脱离于 PLC 的诊断,并且由于独立系统需要专用接口会产生额外的时间延迟。TwinCAT Vision 让整个局面都发生了变化。现在,图像处理已完全集成到开发环境和 Runtime 中,并且可以使用与 PLC 环境中运动轴的相同方式进行配置和编程

用 TwinCAT Vision 配置相机与配置轴一样简单,也就是说,只需扫描一下网络,就可以找到所有连接的相机。此外,来自多家不同制造商的 GigE 视觉相机总是可以通过 TwinCAT Engineering 以相同的方式进行配置。助手能够轻松设置和校准相机。所有配置数据都存储在 TwinCAT 项目中,并在 PLC 启动时传输给相机。

无需专业人员即可高效实施

包括图像采集到最终评估在内的所有图像处理功能都在 PLC 中编程。也可以选择使用 C++ 和 MATLAB®/Simulink® 进行编程。所有的算法(目前大约有 800 种)都可以作为一个随时可用的功能库提供。这种高度集成可以显著减少培训时间,因为用户不必学习新的编程语言,这同时也可以降低开发成本。它让图像处理成为设备控制应用的正常部分,无需专业人员进行编程和维护。

有了 TwinCAT 的开放式控制方案,用户可以选择通过 ADS 导出图像,也可以完全访问原始图像数据,从而轻松集成用户专用的扩展和图像处理算法。实时执行图像分析可以减少 PLC 与传统图像处理系统之间耗时的通信需求。所有一切都在相同的实时环境中运行,通过相同的任务执行,从而自动保证同步处理、缩短响应时间和高确定性行为。这对于视觉和运动控制的结合以及产品追溯和废品剔除来说尤为重要。

中间结果可以随时在开发环境或 TwinCAT HMI 中显示,以便设置视觉应用的参数并进行维护。图像也可以选择用大家所熟悉的图像格式保存。其特点是 TwinCAT Vision 和 TwinCAT Scope 可以相结合。在这个示波软件中,变量的时间序列可以与 TwinCAT Vision 中相应的图像实时直接结合。这样可以提供一个相机查看设备,同时查看相关的模拟量或数字量值,从而显著简化设备诊断工作。

TwinCAT 从一开始就支持使用开放式接口连接第三方设备。现在,这也适用于连接视觉相机。通过实施一个经过认证的实时驱动程序支持国际 GigE Vision 标准。有了这个驱动程序,就可以集成不同制造商和不同类型的专用相机,包括线扫描相机、热像仪、偏振相机和 SWIR 相机。通过基于工业以太网的解决方案(如 GigE Vision),倍福工业 PC 和嵌入式控制器可以用来直接连接一台或多台相机。目前市场上已经有这方面所需的以太网接口,支持从 1 Gbit/s 到 2.5 Gbit/s 以及最高 10 Gbit/s 的传输速率。TwinCAT Vision 几乎可以在所有硬件平台上使用;多核和众核计算机中的所有内核都可以用于图像处理。除了划分任务并分配给不同的内核之外,TwinCAT Vision 还具有创建作业任务并将其分配给视觉任务池的选项。然后,系统将自动为支持并行处理的函数启用多核加速功能,这样可以加快运算速度。

因此,倍福将计算尽可能地集中在一台工业 PC 上的理念也适用于图像处理。集中控制方法的优点包括:只需一个开发环境即可完成所有工作,完全同步性,简单的中央诊断以及减少所需的组件数量。

应用范围广泛

工业图像处理(机器视觉)行业应用领域非常广泛。典型的任务包括物体检测、位置和方向识别、一维码和二维码识别、长度、距离、直径或角度测量以及机器人的抓取点规范。TwinCAT Vision 功能库中的功能专为满足这些需求进行了优化,因此可以满足工业领域对坚固性、可靠性和稳定性的高要求。倍福不断致力于产品的进一步开发,以不断提高产品性能和可用性。例如,倍福最近为 TwinCAT HMI 开发了视觉专用控件,它以封装形式提供很多功能,配置简单,可以帮助用户节省时间,并且可以用最佳方式将图像处理任务集成到 HMI 中。另一个新兴趋势就是机器学习的应用不断增长,为此,倍福会将 TwinCAT Vision 和 TwinCAT Machine Learning 更加紧密地结合在一起。届时,将有可能首次在图像数据上应用 Machine Learning 软件。

更多信息