西門子KP700面板6AV21241GC01OAXO

西門子KP700面板6AV21241GC01OAXO

西門子KP700面板6AV21241GC01OAXO

上海西皇電氣設備有限公司竭誠為您服務

上海西皇電氣設備有限公司愿為您解答任何有關 SIEMENS 可編程控制器及變頻器的技術問題，并提供詳細的技術資料。公司還在某大型研究所內設有設施一流的培訓中心，定期舉辦 S7 － 200/300 及變頻器、全數字直流調速裝置的技術培訓班，為您盡快掌握 SIEMENS 自動化產品的使用提供便利。

1：作為西門子的分銷商，我們的客戶涉及鋼鐵、石油、化工、水處理、電力、建筑和食品等行業。我公司一貫保持良好的信譽，對客戶總是熱忱的提供服務，并且定期對客戶進行回訪，及時了解需求信息，以便及時調整銷售策略。

2：由于在客戶之中有很多系統成套商和工程商，所以經常有系統投標或整體成套的項目，客戶會對我們提出更高的要求，如系統配置、現場服務等，這就要求我們有更好的服務意識和技術水平，深入參與到實際的項目中，用我們的特長取得更好的業績。

3:作為一家工程商和成套商，在自動化領域里我們不僅占領相當部分的市場，并且在許多領域里作出了杰出的業績。具有獨立承包項目，完成交鑰匙工程的經驗和能力。并且獨立開發了鐵路運輸微機聯鎖控制系統和脫軌系統，在全國各地有一百多條線路成功的投入使用。

西門子SIMATIC S7-200系列PLC的特點、產品類型及編程軟件

1．S7-200系列PLC的特點：

是SIEMENS公司推出的一種小型PLC

（1）它結構緊湊

（2）擴展性良好

（3）指令功能強大

（4）價格低廉

成為當代各種小型控制工程的理想控制器。

2．S7-200PLC的產品：

（1）集成一定數字I/O點的CPU：CPU221、CPU 222、CPU 224、CPU 226、CPU 226XM

（2）擴展模塊：主要有

數字量擴展模塊：EM221、EM222、EM223

模擬量擴展模塊：EM231、EM 232、EM 235

通訊模塊：EM277、EM241等

其它模塊：特殊功能模塊

可以十分方便地組成不同規模的控制器。其控制規模可以從幾點到幾百點。S7-200PLC可以方便地組成PLC-PLC網絡和微機-PLC網絡，從而完成規模更大的工程。

3．S7-200的編程軟件：STEP7-Micro/WIN32。該編程軟件可以方便地在Windows環境下對PLC編程、調試、監控。使得PLC的編程更加方便、快捷。可以說，S7-200可以完美地滿足各種小規模控制系統的要求。

S7-200PLC中斷指令介紹

中斷指令有4條，包括開、關中斷指令，中斷連接、分離指令。指令格式如表1所示。

1. 開、關中斷指令

開中斷（ENI）指令全局性允許所有中斷事件。關中斷（DISI）指令全局性禁止所有中斷事件，中斷事件的每次出現均被排隊等候，直至使用全局開中斷指令重新啟用中斷。

PLC轉換到RUN（運行）模式時，中斷開始時被禁用，可以通過執行開中斷指令，允許所有中斷事件。執行關中斷指令會禁止處理中斷，但是現用中斷事件將繼續排隊等候。

2. 中斷連接、分離指令

中斷連接指令（ATCH）指令將中斷事件（EVNT）與中斷程序號碼（INT）相連接，并啟用中斷事件。

分離中斷（DTCH）指令取消某中斷事件（EVNT）與所有中斷程序之間的連接，并禁用該中斷事件。

注意：一個中斷事件只能連接一個中斷程序，但多個中斷事件可以調用一個中斷程序。

表1 中斷指令格式

24小時銷售技術服務熱線 ：18221546681   衛工    QQ：525698686

 提出了一種在單攝像頭條件下基于嵌入式系統的手勢識別方法。通過擬合手勢圖的外接多邊形，找出其所對應的手勢缺陷圖，并建立手勢與手勢缺陷圖的一一映射，利用手勢缺陷圖的特征來匹配和識別不同的手勢。算法還將手勢的跟蹤與識別有機地統一起來，通過預測下一幀中手勢出現的粗略位置大大降低識別步驟的計算量。該算法在實際應用的嵌入式平臺下，能快速、準確地實現手勢的識別，能夠滿足實時人機交互的要求。

　　手勢交互是人機交互領域近年來的研究熱點，特別是利用攝像頭來實現對手勢信息的非接觸性捕獲，并由計算機進行分析理解，然后完成交互任務，由于其自然和符合人自身行為習慣的交互方式而備受青睞。手勢的形態在交互過程中的變化以及周圍環境的干擾都會影響到手勢的識別和理解，因此手勢識別是計算機視覺和人機交互領域中的重要問題，如何將這種交互方式更好地在嵌入式系統中應用更是一個富有挑戰性的工作。

　　基于視覺的手勢識別過程通常分為四個步驟，即分割、表示、識別和應用。手勢識別算法的關鍵和難點是分割和識別兩個步驟，現有算法在這兩個步驟通常都有計算量大、時間復雜度高的特點，而嵌入式設備又受到資源和計算能力的限制，要能夠做到基于嵌入式系統的實時手勢交互，就有必要對傳統的手勢識別算法進行改進。

　　本文在單攝像頭條件下，在手勢跟蹤的相關工作基礎上，提出了一種基于手勢結構特征的手勢識別方法，使之滿足嵌入式系統中的人機交互對實時性、準確性及連續性的要求。本文使用了計算量小且性能高的Camshift 算法作為跟蹤算法，并將其跟蹤結果作為手勢識別的參考因子，這樣可以大大減少手勢識別的工作量； 手勢的識別則采用了手勢跟蹤結果與手勢形態結構特征相結合的處理方法。將手勢跟蹤的結果作為參考因子，可以除去圖像中與手勢無關的背景圖像，利用手勢形態結構特征使得手勢識別工作不是對手勢邊緣的每個點進行處理，轉而對手勢的外接多邊形進行處理。這兩種方法相結合不僅使識別工作的計算量大大降低，對手勢識別的精確度也有所提高，而且不需要對各種手勢進行訓練就可以完成識別工作，使得識別更加方便和簡潔。

　　1 相關工作

　　關于手勢識別的算法，國內外的研究人員已經提出了很多不同的解決方案。目前比較常用的有基于統計的HMM 模型、基于遺傳算法以及基于人工神經網絡的手勢識別等。基于統計的HMM 方法，其優點是利用先驗知識建立視覺特征之間的因果關系來處理視頻處理中固有的不確定性問題，不但能夠在每個時刻上對多個隨機變量所對應的不同特征之間的依存關系進行概率建模，而且考慮了各個時刻間的轉移概率，能夠很好地反映特征之間的時序關系。但是它需要維護一個具有一定規模的樣本庫，而且在使用HMM 進行手勢識別時計算量大。當然，樣本庫的規模越大其分布越接近實際情況，手勢識別的準確率就越高，而且還需要使用數據平滑的技術來擴大小概率的值。遺傳算法對圖像進行離散化處理，對圖像離散點進行控制，把圖像識別問題轉換為一系列離散點的組合優化問題； 但它不能夠及時利用網絡的反饋信息，搜索速度比較慢，所需訓練樣本大、訓練時間長。人工神經網絡通過把大量的簡單處理單元（ 神經元） 廣泛地連接起來構成一種復雜的信息處理網絡，它在不同程度和層次上模仿人腦神經系統的信息處理、存儲和檢索功能，需要的樣本少、效率高； 但是需要人的參與訓練，識別的正確率受主觀因素的影響。

　　總體來說，在人機交互系統中，手勢的跟蹤與識別應該滿足以下幾個要求：

　　a） 實時性好，避免對高維度特征矢量的計算，數據量大的數組處理以及復雜的搜索過程。

　　b） 足夠的魯棒性。不受識別對象旋轉、平移和比例改變以及攝像頭視角改變的影響。

　　c） 手勢跟蹤的連續性和自動初始化，能夠在跟蹤失敗后自動恢復跟蹤，盡量減少人的干預。

　　本文提出手勢識別和跟蹤方法不再追隨傳統的將識別的四個步驟孤立起來，而是將手勢跟蹤的結果與手勢的識別這兩個獨立的步驟聯系起來，將跟蹤得到的手勢預測的區域設為下一幀圖像識別的感興趣區域（ region of interesting,ROI） ; 基于Camshift 算法，根據前一幀手勢在圖像中的位置和顏色信息，對手勢在下一幀圖片所處的位置進行預測，主要是基于顏色的統計信息。它運算量小，不僅能很好地滿足嵌入式系統的需求，而且跟蹤和預測的效果也非常好。通過對ROI 區域進行手勢的分割和識別，可以排除背景圖像對手勢的部分干擾，識別過程的計算量也減小很多。由于每種手勢的邊線都有不同特征，這些不同的特征能很好地反映在手勢的外接多邊形上，因此，可以對不同手勢和外接多邊形建立一個一一映射的關系； 通過建立不同手勢的外接多邊形特征庫，對分割出來的手勢作多邊形擬合，只要將提取出來的多邊形與特征庫中的外接多邊形進行匹配就能判斷出手勢的類型。

　　本文提出的手勢識別方法主要包括三個部分：

　　a） 手勢分割。將手部區域從場景中分割出來，并對手部的區域和輪廓進行提取。這里的手部區域主要根據c） 跟蹤的結果提供。

　　b） 手勢圖像的外接多邊形擬合以及匹配部分。對a） 提取出來的手勢輪廓作多邊形擬合，分析多邊形的形狀特點，并在特征庫中查找與擬合的多邊形特征相符合的對象，再映射到具體的手勢。

　　c） 手勢跟蹤部分。根據顏色信息對手的區域進行定位，并對圖像進行空間轉換，利用統計原理對下一幀手可能出現的區域進行預測，并將預測的結果反饋給a） 的手勢分割部分。

　　手勢識別流程如圖1 所示。

　　2 手勢識別框架

　　手勢識別主要由靜態手勢的識別和手勢跟蹤兩部分的工作組成，手勢識別框架結構如圖2 所示。在本文提出的方法中，采用了將這兩部分的工作進行并行處理的方式，手勢識別的結果傳遞給跟蹤部分，作為跟蹤的對象，并且手勢跟蹤的預測結果反饋給識別部分，將為靜態手勢識別提供ROI 圖像區域。這樣不僅能有效地提高跟蹤的高效性，還能提高識別的準確性，將這兩個部分有效地統一起來。

　　2. 1 靜態手勢識別

　　通過靜態手勢的識別，使系統能夠對被跟蹤對象有一個基本的理解，為實現自動跟蹤初始化與跟蹤的自動恢復奠定了基礎。首先，手部區域需要從場景中分割出來。本文采用一種基于模糊集和模糊運算的方法進行手的區域和輪廓提取，通過對視頻流中空域和時域上的背景、運動、膚色等信息執行模糊運算，分割出精確的人手。

　　靜態手勢的識別是基于輪廓特征的識別，對分割出來的人手作邊緣檢測，得到手勢完整的輪廓邊緣。通過前面的模糊集合運算，能得到圖像的手勢分割的二值圖。兩個具有不同灰度值的相鄰區域之間總存在邊緣。邊緣是灰度值不連續的結果，這種不連續可利用求導方便地檢測出來。

　　這樣就能得到完整的輪廓邊緣。如圖3 所示，左邊為手部區域，右邊為手勢的輪廓。

　　接下來是對提取的手勢輪廓作外接多邊形擬合。KenjiOka 和Yoichi Sato 的指尖搜索方法是首先在一個較大的搜索窗口內掃描確定20 個候選指尖位置，然后再對匹配度最大的候選位置周圍的候選進行抑制，同時按一定規則去除位于指尖中間的部分候選。該方法由于需要對搜索區域進行多次逐像素的掃描，造成計算量較大，而且除去手勢中部候選位置的方法的魯棒性較差。文獻[5]給出了通過遍歷手勢輪廓的曲率來進行之間位置搜索的方法，通過對手勢按輪廓順序進行定長掃描的方法，可以找出指尖并做出輪廓線的外接多邊形。但是這種查找方式需要遍歷輪廓線的每個點，而且對每個點還需要作除法運算，這使得算法的計算量太大，而且在搜索指尖時，當受到光線變化使得輪廓線出現很多突起的邊緣時，使得識別工作出現困難。本文提出了一種查找外接邊的搜索方法，通過對手勢輪廓按輪廓點順序進行定長掃描，將手勢輪廓線的外接多邊形擬合出來，同時將滿足定義1 的手勢輪廓外接凸邊形缺陷結構設為手勢識別的判斷特征。

　　2. 1. 1 手勢缺陷圖

　　定義1 手勢缺陷圖是指由手勢輪廓線外接多邊形以及多邊形各條邊所對應的谷底（ depth point） 所組成的特征描述方程。谷底是指外接多邊形的邊與該邊所對應的輪廓線上距離邊最遠的輪廓點。定義手勢缺陷圖的數據結構如下：