Sanal Ayıklama Sistemi

Endüstriyel Otomasyon

Görüntü İşleme

TIA Portal

PLCSIM

PLC

FactoryIO

Python

Python programlama ile Factory IO ortamında nesnelerin renklerine göre PLCSIM-TIA Portal kullanarak sınıflandırma uygulaması

Yazar

İbrahim Çapar

Yayınlanma Tarihi

23 Aralık 2025

Değiştirilme Tarihi

12 Ocak 2026

1. Proje Künyesi

Kategori	Detay
Alan	Endüstriyel Otomasyon
Mimari & Metodoloji	Sanal Donanım Döngüsü (SIL), Görüntü İşleme, Snap7 Haberleşme
Teknolojiler	TIA Portal V20, PLCSIM V20, Factory I/O, Python
Uygulama Odağı	Nesne Sınıflandırma
Kaynak	GitHub’da İncele & Projeyi İndir (.zip)

Şekil 1: Sistemin Factory IO ortamında tam çalışma döngüsü örneği

2. Genel Bakış ve Problem Tanımı

2.1. Proje Amacı

Bu projenin amacı, Python ve Snap7 kütüphanesi kullanarak Factory IO ortamında sanal ayıklama sistemini PLC kontrolüyle gerçekleştirmektir.

2.2. Problem

Sanal PLC kullanarak Factory IO ortamında kurulan konveyör hattında nesnelerin renklerine göre sınıflandırma simülasyonu yapılırken şu sorunlarla karşılaşılmıştır:

Sanal PLC: Fiziksel bir PLC kullanmadan görüntü işlemeden gelen sonuca göre PLC kodunun Factory IO ortamıyla etkileşim kurması gerekmektedir.
Görüntü İşleme: Factory IO ortamında nesnelerin renklerine göre ayrılabilmesi için -vision sensör kullanmadan- görüntü işleme yapılması gerekmektedir.
Haberleşme: Görüntü işleme sonucuna göre işlem yapılabilmesi için görüntü işleme kodu ile PLC’nin haberleşmesi gerekmektedir.

2.3. Çözüm ve Yaklaşım

Belirtilen problemleri çözmek için python programlama ile PLCSIM programı kullanılmıştır.

Factory IO ortamıyla PLC’nin simüle edilebilmesi için PLCSIM V20 kullanılmıştır. Factory IO direkt olarak PLCSIM ile haberleşebilmektedir.
Nesnelerin renklerine göre ayrılabilmesi için vision sensör kullanmadan ayrım yapılabilmesi için görüntü olması gerekmektedir. Simülasyon ekranında görüntü anlık olarak python ile işlenip elde edilen sonuca göre PLC’ye çıkış yazılmıştır.
Görüntü işleme sonucunda elde edilen bilgi Snap7 kütüphanesi kullanılarak PLC ile haberleşmesi sağlanmıştır.

3. Sistem Mimarisi ve Tasarım

Bu projede PLC programı TIA Portal V20 kullanılarak Ladder (LD) diyagramı olarak hazırlanmıştır. Hazırlanan bu PLC programının Factory IO ile haberleşebilmesi için PLCSIM V20 kullanılmıştır. Factory IO ortamında konveyör, pusher ve diğer bileşenler senaryoya uygun yerleştirilmiştir. Factory IO ortamında görüntü işleme OpenCV kütüphanesi ile gerçekleştirilmiştir. Factory IO’da görüntü elde etmek için bir kamera bulunmadığından simülasyon ekranı tamamen bir görüntü olarak değerlendirilmiştir. Bu işlem mss kütüphanesi ile yapılmıştır. Oluşturulan python kodunun PLC ile haberleşmesini sağlamak için snap7 kütüphanesi kullanılmıştır. Program yapısında bulunan matris işlemleri için numpy, zaman işlemleri için time kütüphanesi kullanılmıştır.

3.1. Algoritma ve İşleyiş Mantığı

Sistem çalışmasını Factory IO ekranında gerçekleştirmektedir. Factory IO ortamında kurulan konveyör sistemi, Start butonuna basınca çalışmaya başlamaktadır. Herhangi bir anda Stop ve Acil Stop butonuna basılmasıyla sistem tamamen durmaktadır. Tekrar Start butonu basılması durumunda çalışmasına kaldığı yerden devam etmektedir. Kurulan sistemin başlangıç kısmında Mavi ve Yeşil ham madde konveyöre rastgele olarak koyulmaktadır. Birinci kontrol noktasında Mavi Hammadde görülmesi durumunda Pusher-1 aktif olarak Mavi Hammadde’yi ileri doğru ittirmektedir. İkinci kontrol noktasında Yeşil Hammadde görülmesi durumunda Pusher-2 aktif olarak Yeşil Hammadde ileri doğru itilmektedir. Hammaddeler sınıflandırınca sistem çalışmasını tamamlamaktadır.

3.2. Teknik Yaklaşım

Oluşturulan sistemin görüntü işleme ve PLC ile haberleşmesini sağlamak için Python programlama tercih edilmiştir. Böylelikle Snap7 kütüphanesi ile Siemens PLC arasında haberleşme kurulurken, aynı zamanda OpenCV ile de görüntü işleme gerçekleştirilmiştir. Factory IO ortamında kamera görüntüsü alınamadığı için, simülasyon ekranı kullanılmıştır. Oluşturulan sahnede, her iki noktaya gören bir bakış açısıyla görüntü sabitlenmiştir. Kontrolün yapılacağı noktalar ilgi alanı (Region of Interest - ROI) olarak koordinatları belirlenmiştir. Bu koordinatların programa girilmesiyle renk kontrolleri sadece bu noktada yapılmıştır.
Sistemde renkleri ayırt etmek için Hue,Saturation,Value (HSV) uzayı kullanılmıştır. Ayrım yapılacak renkler bu uzayda alt ve üst limitler şeklinde numpy array olarak tanımlanmıştır. Ekrandan alınan görüntüler BGR formatından HSV formatına dönüştürülmüştür. Belirlenen HSV aralığına giren pikseller beyaz, girmeyenler siyah yapılarak bir maske (binary image) elde edilmiştir. Daha sonra oluşturulan bu maske üzerindeki beyaz pikseller yani aralığa giren değerler sayılarak eşik değeri ile karşılaştırılmıştır. Eşik değeri aşılması durumunda da karşılaştırma sonucu ilgili değişken boolean veri tipinde true olmaktadır. Bu veri de Snap7 kütüphanesi aracılığıyla PLC’nin belirlen bitine yazılmıştır.

4. Uygulama ve Kod Detayları

Sistemin çalışmasını sağlayan Python kodu sade, yalın ve modüler bir şekilde yazılmıştır. Snap7 kütüphanesi ile PLCSIM arasındaki iletişimi NetToPLCSim uygulaması sağlamaktadır. PLCSIM sanal ortamda çalıştığı için bu program aracılığıyla IP adresi ve port üzerinden bağlantı kurabilmektedir.

4.1. Değişken ve Tanımlar

Programın sağlıklı işleyebilmesi için ön tanımlı değerlerin tanımlanması gerekmektedir. İlk olarak ayrım yapacağımız rengin HSV uzayındaki alt ve üst değerleri tanımlanmıştır. Daha sonrasında simülasyon ekranında renk kontrolünün yapılacağı bölgelerin (ROI) koordinatı belirlenerek tanımlanmıştır. Oluşturulan maske görüntüsünde (beyaz ve siyah piksellerden oluşan) hangi değerin üstünde olursa sonucu true olacağını belirlemek için bir eşik değeri (treshold) tanımlanmıştır. Simülasyon sürekli bir hareket olduğu için gecen_süre değişkeni ile de döngü çevrim süresi (Cycle Time) belirlenmiştir. Her 0.10 saniyede (100 ms) yani saniyede 10 döngü çalışması sağlanmıştır.

Ön Tanımlı Değerler

blue_low   = np.array([75,  30, 20])
blue_hıgh  = np.array([140, 255, 255])

green_low  = np.array([40,  80, 50])
green_hıgh = np.array([80,  255, 255])

roı_blue = {'top': 432, 'left': 692, 'width': 48, 'height': 44}
roı_green = {'top': 565, 'left': 1253, 'width': 50, 'height': 68}

px_threshold = 1200
gecen_sure = 0.10

4.2. Algoritma ve Kod Mantığı

Projenin ana yapısını OpenCV kütüphanesine ait görüntü işleme komutları ile bu komutların PLC’ye yazılmasını sağlayan Snap7 komutları oluşturmaktadır. PLC programlamada yazılan ladder diyagramında M50.0 ve M51.0 biti kullanılmıştır.

Görüntü İşleme

        img_b = np.array(scr.grab(roı_blue))[:, :, :3]
        img_g = np.array(scr.grab(roı_green))[:, :, :3]

        hsv_b = cv2.cvtColor(img_b, cv2.COLOR_BGR2HSV)
        hsv_g = cv2.cvtColor(img_g, cv2.COLOR_BGR2HSV)

        blue_mask  = cv2.inRange(hsv_b, blue_low, blue_hıgh)
        green_mask = cv2.inRange(hsv_g, green_low, green_hıgh)

        blue_px  = cv2.countNonZero(blue_mask)
        green_px = cv2.countNonZero(green_mask)

Karar Mekanizması

        blue  = blue_px  > px_threshold
        green = green_px > px_threshold

PLC'ye veri yazma

        byte_blue = bytearray(plc.mb_read(50, 1))
        util.set_bool(byte_blue, 0, 0, blue)
        plc.mb_write(50, 1, byte_blue)
        
        byte_green = bytearray(plc.mb_read(51, 1))
        util.set_bool(byte_green, 0, 0, green)
        plc.mb_write(51, 1, byte_green)

5. Karşılaşılan Teknik Zorluklar ve Çözüm Süreçleri

5.1. Ekrandan Görüntü Alma

Problem: Konveyörde bulunan ürünlerin renklere göre sınıflandırılması için görüntü elde edilmesi gerekmektedir.

Çözüm: mss kütüphanesi kullanılarak simülasyon ekranı canlı görüntü olarak kullanılmış bu ekran üzerinden görüntüye yapılan işlemler sonucunda değer elde edilmiştir.

5.2. ROI Belirleme

Problem: Elde edilen görüntüye ilgili görüntü işlemi yapılarak sonuç üretilmesi gerekmektedir. Ancak mss kütüphanesi ile bütün ekran görüntü olarak kullanılmaktadır.

Çözüm: İlgi alanı (ROI) kavramı kullanılarak, görüntünün alınması istenilen bölge önceden tanımlanmıştır. Bunun için Factory IO ortamında bütün sahneyi gören sabit bir noktada kamera açısı oluşturulmuştur. ROI koordinatı yine aynı kütüphane kullanılarak görüntünün alınacağı bölgenin ekranda nereye karşılık geldiği bulunmuştur.

ROI Belirleme

import cv2
import mss
import numpy as np

with mss.mss() as sct:
    screenshot = np.array(sct.grab(sct.monitors[1]))
    img = cv2.cvtColor(screenshot, cv2.COLOR_BGRA2BGR)

roi = cv2.selectROI("ROI Sec (Enter = Onay, Esc = Iptal)", img, False)
cv2.destroyAllWindows()

x, y, w, h = roi
print(f'screen_area = {{"top": {y}, "left": {x}, "width": {w}, "height": {h}}}')

6. Sonuç

Bu projede hiçbir fiziksel donanım gereksinimi duymadan bir görüntü işleme algoritması çalıştırılmıştır. Sistemin çalışması Python programlamaya dayanmaktadır. OpenCV ve Snap7 kütüphaneleri ile tamamen simülasyon ortamında gerekli haberleşme ve veri yazma komutları kullanılarak gerçek senaryoya uygun renk tespitine göre sınıflandırma çalışması yapılmıştır.

Proje Çıktıları:

Sanal Devreye Alma: Projede gerçek donanım kullanılmadan PLCSIM, Factory IO ve NetToPLCSim uygulamaları aracılığıyla ilgili haberleşme ayarları yapılarak nesneleri renklerine göre sınıflandırma simülasyon çalışması yapılmıştır.
Modülerlik: Hazırlanan kod modüler bir yapıda yönetilebilir bir şekilde hazırlanmıştır. Renk tespiti HSV uzayında ön tanımlı değer olarak belirlenmiş, veri yazma noktasında util.set_bool komutu ile sadece PLC’nin ilgili bitine veri yazılmıştır. Görüntü sadece ekranda belirlenen koordinatta (ROI) işlenmiştir. Böylelikle renk değişimi, farklı bir noktada görüntü işleme ve PLC’nin istenilen başka bitlerine de veri yazma işlemleri kolaylıkla yapılabilmektedir.

7. Referanslar ve Kaynakça

Proje sürecinde yararlanılan teknik dokümanlar ve araçlar aşağıdadır:

Dokümantasyon: OpenCV | Snap7 | mss | time
GitHub Deposu: unusual-data/virtual-sorting
Doğrudan İndir İndir (.zip)

İbrahim Çapar :: 23 Aralık 2025