Статья посвящена решению задач разработки системы машинного зрения для автоматического контроля процесса маркировки шин после операции балансировки в ЗАО «Воронежский шинный завод». Разработана структура системы визуального контроля на базе контроллера SIMATIC S7-1500, модулей ввода/вывода SM 521, SM 522, панели оператора SIMATIC HMI TP1200 Comfort Panel и камеры машинного зрения AR0234. Выбор камеры AR0234 обусловлен не только её высоким разрешением и высокой частотой кадров, что позволяет фиксировать маркировочную точку на движущейся шине без смазывания изображения, но и спектральными характеристиками её КМОП-сенсора. Алгоритм функционирования системы контроля реализуется следующим образом. После завершения операции балансировки и нанесения маркировочной точки шина поступает в зону визуального контроля. Камера машинного зрения выполняет захват изображения поверхности шины в заданной области. Осуществляется предварительная фильтрация для подавления шумов и повышения контрастности изображения. Далее выполняется сегментация изображения с целью выделения области, которая соответствует маркировочной точке. Цветовое пространство RGB, традиционно используемое для представления изображений, объединяет информацию о цвете и яркости, что делает пороговую обработку чувствительной к перепадам освещенности. В отличие от RGB, пространство HSV разделяет цветовой тон, насыщенность и яркость, что позволяет выполнять сегментацию по цвету независимо от уровня освещения. В системе контроля предлагается преобразование пространства RGB в HSV. После преобразования каждого пикселя изображения в цветовое пространство HSV для выделения маркировочной точки применяется метод пороговой сегментации, основанный на сравнении цветовых характеристик пикселей с эталонными значениями, соответствующими типам маркировки. После выделения области изображения производится вычисление пространственного положения точки относительно принятой системы координат и определение ее цветовых характеристик. Результаты обработки изображения передаются в управляющий контроллер SIMATIC S7-1500, где выполняется их сопоставление с технологической информацией, полученной от балансировочного станка по протоколу PROFINET. Разработанная система машинного зрения позволяет минимизировать ошибки ручной проверки шин и повысить объективность контроля их качества.

1. Dik, Dzh.S. Tekhnologiya reрiny: recepturostroenie i ispytaniya [Rubber Technology: Formulation and Testing]. NOT, 2010. (in Russian).

2. Alekseev, M.V., et al. "Razrabotka i realizatsiya tsifrovoy sistemy upravleniya formatorom-vulkanizatorom [Development and implementation of a digital control system for a former-vulcanizer]." Vestnik VGUIt [Vestnik of VGUIt], vol. 86, no. 2, 2024, pp. 262–268. (in Russian).

3. Ikeda, Y., et al. Rubber Science: A Modern Approach. Springer, 2018.

4. Rogers, B. Tire Engineering: An Introduction. CRC Press, 2020.

5. Mark, J.E., et al. The Science and Technology of Rubber. 3rd ed., Academic Press, 2005.

6. Parker, D.W. Tire Design and Manufacturing. Wiley, 2018.

7. Kumar, A., and R. Singh. "Quality Control in Tire Manufacturing: A Review of Nondestructive Testing Methods." Journal of Materials Engineering and Performance, vol. 30, no. 8, 2021, pp. 5890–5905.

8. Müller, L., and K. Weber. "Statistical Process Control (SPC) in Tire Production: Case Study at a European Plant." International Journal of Quality & Reliability Management, vol. 39, no. 5, 2022, pp. 1234–1250.

9. Kork, P. Mashinnoe zrenie. Osnovy i algoritmy s primerami na MATLAB [Computer Vision. Fundamentals and Algorithms with MATLAB Examples]. Translated by V. Yatsenkov, DMK Press, 2023. (in Russian).

10. Vizilter, Yu.V., et al. Obrabotka i analiz tsifrovykh izobrazhenii s primerami na LabVIEW IMAQ Vision [Digital Image Processing and Analysis with LabVIEW IMAQ Vision Examples]. 2nd ed., DMK Press, 2023. (in Russian).

11. Bradski, G., and A. Kaehler. Learning OpenCV: Computer Vision with the OpenCV Library. O'Reilly Media, 2008.

12. Forsyth, D., and J. Ponce. Computer Vision: A Modern Approach. 2nd ed., Pearson, 2011.

13. Ronkin, M.V., and A.Yu. Dolganov. Glubokoe obuchenie sistem kompyuternogo zreniya [Deep Learning of Computer Vision Systems]. Ural University Press, 2025. (in Russian).

14. Satsyuk, A.V. Kompyuternoe zrenie. Praktika [Computer Vision. Practice]. Infra-Inzheneriya, 2025. (in Russian).

15. Learning OpenCV 4: Computer Vision with Python. Packt Publishing, 2025.

16. Berger, H. Automating with SIMATIC S7-1200/S7-1500 in TIA Portal: Programming with SCL and Graph. Wiley-VCH, 2020.

17. Schröder, D. SIMATIC S7="'1500 Advanced Programming and Diagnostics. Siemens AG, 2022.

18. WinCC Flexible 2005. Kompaktnaya Standartnaya Rasshirennaya. Rukovodstvo polzovatelya [WinCC Flexible 2005. Compact Standard Extended. User Manual]. Siemens AG, 2005. (in Russian).

19.

20.