随着智能制造的快速发展,机器视觉在生产制造过程中的作用愈发重要,目前主流的PLC开发平台也开始增加视觉检测功能。机器视觉在PLC开发平台被封装成算法模块,开发人员可以在算法模块的基础上二次开发,具有开发周期短和易维护等优势。基于视觉平台对机器视觉算法模块的运行资源展开预测研究,可以优化工业生产调度,如预测机器视觉的执行时间能帮助PLC设置任务执行周期,预测机器视觉最小变量类型组能降低其运行空间等。本文致力于在视觉功能块框图(Functional Block Diagram,FBD)平台上研究和应用预测视觉FBD运行资源的框架,研究内容如下:(1)提出了一种通过视觉FBD相关特征预测其运行资源的框架。框架使用程序插桩来获取视觉FBD的运行时特征而非直接将输入参数作为特征。由于视觉FBD存在图像输入,框架使用卷积神经网络提取图像的内容特征,然后对特征进行筛选进一步完善特征工程,最后构建模型预测视觉FBD的运行资源。(2)根据上述框架构建了优化视觉FBD变量类型的方案,基于变量类型预测偏小会导致视觉FBD崩溃的现象,本文通过自定义损失函数来解决该问题,针对标签获取困难的问题,开发了专用的标签自动化获取程序。(3)根据框架构建了预测视觉FBD执行时间的方案,由于预测所需时间要远小于视觉FBD的执行时间,本文根据插桩特征的时间消耗筛选特征,然后重新插桩获取视觉FBD的执行时间,最后根据视觉FBD的执行时间设计了三套提取图像内容特征的方案。(4)本文在视觉FBD平台上设计并部署了优化视觉FBD变量类型的模块和预测视觉FBD执行时间的模块。通过实例证实两个模块的可行性。在实验部分,本文以PASCAL VOC数据集中的图片作为图片集,以Canny边缘检测作为研究对象进行实验。在优化视觉FBD变量类型的实验中,使用插桩特征结合图像内容特征作为输入,调整损失函数后的CNN作为模型,模型的正确率达到87.37%,偏小的变量类型只占1.28%。在预测视觉FBD执行时间的实验中,使用插桩特征结合图像内容特征作为输入,XGBoost作为模型,预测结果显示MAPE的值仅为2.09%。两个实验已经充分地达到预期并能符合实际应用。