粉碎機(jī)篩網(wǎng)破損在線自動(dòng)識(shí)別裝置設(shè)計(jì)與試驗(yàn)

張偉健，牛智有，劉 靜，劉梅英，唐 震

（1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 430070；2. 農(nóng)業(yè)農(nóng)村部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，武漢 430070）

0 引言

在飼料生產(chǎn)過(guò)程中，原料粉碎是關(guān)鍵工序之一，是減小原料粒度以使飼料適合于動(dòng)物喂養(yǎng)和消化的標(biāo)準(zhǔn)程序[1]。原料粉碎粒徑的大小是飼料產(chǎn)品的重要加工指標(biāo)[2]，影響著飼料產(chǎn)品的質(zhì)量，進(jìn)而影響動(dòng)物對(duì)飼料的攝入及其胃腸道的發(fā)育[3]。使用較小的飼料顆?？梢源龠M(jìn)畜禽對(duì)飼料營(yíng)養(yǎng)的吸收消化[4]。錘片式粉碎機(jī)與其他粉碎設(shè)備相比具有易于操作和能夠精細(xì)粉碎各種飼料原料的優(yōu)勢(shì)，因此在飼料原料的粉碎工藝當(dāng)中得到了廣泛應(yīng)用[5-6]。錘片式粉碎機(jī)的篩網(wǎng)是易損部件，若磁選工序中未能將本應(yīng)除去的金屬雜質(zhì)或不能除去的硬質(zhì)雜質(zhì)如石塊等剔除，此類雜質(zhì)進(jìn)入粉碎機(jī)將受到粉碎機(jī)高速旋轉(zhuǎn)產(chǎn)生的離心作用和錘片打擊作用而沖擊篩網(wǎng)，造成篩網(wǎng)破損、粉碎粒度增大等生產(chǎn)問(wèn)題，進(jìn)而影響飼料的加工質(zhì)量[7-9]。

由于篩網(wǎng)破損是飼料粉碎加工中常見(jiàn)的生產(chǎn)問(wèn)題，目前，飼料廠一般配備專門的巡檢員每半小時(shí)從各料倉(cāng)入倉(cāng)前的溜管中取樣，通過(guò)人工感官或標(biāo)準(zhǔn)篩對(duì)樣本進(jìn)行篩分識(shí)別是否有異常顆粒[10]，從而間接判定篩網(wǎng)是否破損。隨著飼料廠生產(chǎn)規(guī)模的不斷擴(kuò)大，錘片式粉碎機(jī)的產(chǎn)能可高達(dá)35×103kg/h[11]，若取樣間隔達(dá)到或超過(guò)半小時(shí)，在此期間篩網(wǎng)發(fā)生破損則可能生產(chǎn)出17×103kg以上的不合格粉碎原料，從而影響產(chǎn)品質(zhì)量或產(chǎn)生極大的經(jīng)濟(jì)損失。人工識(shí)別粉碎機(jī)篩網(wǎng)破損容易造成人為的識(shí)別錯(cuò)誤，效率低，難以滿足自動(dòng)化生產(chǎn)要求，且容易出現(xiàn)漏檢，造成產(chǎn)品粒度不合格，時(shí)間成本和人力成本高。

隨著計(jì)算機(jī)技術(shù)和自動(dòng)化技術(shù)的發(fā)展，飼料生產(chǎn)自動(dòng)化和智能化成為必然趨勢(shì)。近年來(lái)，國(guó)內(nèi)飼料生產(chǎn)智能化、自動(dòng)化水平日益提高，飼料生產(chǎn)的智能化管理和自動(dòng)化設(shè)備研發(fā)已成為未來(lái)發(fā)展的方向[12]。

機(jī)器視覺(jué)技術(shù)具有快速、無(wú)損的優(yōu)勢(shì)[13-17]，已廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)檢測(cè)與識(shí)別中，如陳進(jìn)等[18]提出了一種基于機(jī)器視覺(jué)的聯(lián)合收割機(jī)水稻籽粒破碎在線監(jiān)測(cè)方法；王石[19]使用機(jī)器學(xué)習(xí)的方法對(duì)大米的外觀品質(zhì)進(jìn)行檢測(cè)分類；王建宇[20]設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的玉米籽粒精選樣機(jī)；Tu等[21]使用機(jī)器視覺(jué)的方法分選出優(yōu)質(zhì)的胡椒種子；Chen等[22]使用機(jī)器視覺(jué)對(duì)有色大米的質(zhì)量進(jìn)行檢測(cè)；Li等[23]使用工業(yè)相機(jī)采集圖像，采用一種多特征算法識(shí)別蒜瓣的姿態(tài)后調(diào)節(jié)蒜瓣的種植位置等等。在飼料產(chǎn)品檢測(cè)方面，無(wú)損檢測(cè)多應(yīng)用于飼料營(yíng)養(yǎng)組分的測(cè)定?，F(xiàn)階段國(guó)內(nèi)飼料廠未見(jiàn)可供自動(dòng)檢測(cè)粉碎粒度和識(shí)別篩網(wǎng)破損的設(shè)備，粉碎機(jī)篩網(wǎng)破損自動(dòng)識(shí)別檢測(cè)技術(shù)國(guó)內(nèi)學(xué)者鮮有研究，何沖等[24]構(gòu)建了一種基于線陣圖像與皮帶同步傳送相結(jié)合的掃描檢測(cè)裝置，通過(guò)顆粒粒度分析，用于粉碎機(jī)篩網(wǎng)破損檢測(cè)，但難以達(dá)到在線自動(dòng)識(shí)別的要求。

為實(shí)現(xiàn)粉碎機(jī)篩網(wǎng)破損的在線自動(dòng)識(shí)別，本文采用現(xiàn)代自動(dòng)取樣技術(shù)結(jié)合機(jī)器視覺(jué)，開(kāi)發(fā)了飼料原料自動(dòng)取樣裝置并構(gòu)建了粉碎機(jī)篩網(wǎng)破損在線自動(dòng)識(shí)別系統(tǒng)，通過(guò)采集粉碎顆粒圖像，分別建立基于閾值法、K近鄰法（K-Nearest Neighbour，KNN）和徑向基函數(shù)支持向量機(jī)（Radial Basis Function Support Vector Machine，RBFSVM）的篩網(wǎng)破損識(shí)別模型，并對(duì)3種模型進(jìn)行比較獲取最佳識(shí)別模型，旨在為實(shí)現(xiàn)粉碎機(jī)篩網(wǎng)破損在線自動(dòng)識(shí)別提供一種新的方法和技術(shù)支撐。

1 篩網(wǎng)破損在線自動(dòng)識(shí)別裝置

本文設(shè)計(jì)的粉碎機(jī)篩網(wǎng)破損在線自動(dòng)識(shí)別裝置總體結(jié)構(gòu)如圖1所示，裝置與溜管相聯(lián)接，主要由取樣機(jī)構(gòu)、篩分機(jī)構(gòu)和圖像采集機(jī)構(gòu)等組成，在線監(jiān)測(cè)識(shí)別溜管中物料的狀況。取樣機(jī)構(gòu)（包括取樣盒、保護(hù)罩、氣缸和卸料斗）的功能是自動(dòng)采集溜管中的粉碎樣本；篩分機(jī)構(gòu)（包括篩網(wǎng)和振動(dòng)給料器）對(duì)采集到的樣本進(jìn)行篩分，剔除樣本中的細(xì)粉物料；圖像采集機(jī)構(gòu)（包括環(huán)形光源、相機(jī)和鏡頭、暗箱）的作用是采集被輸送至圖像采集區(qū)域的剔除細(xì)粉后顆粒樣本的圖像。

裝置的工作步驟：首先打開(kāi)控制單元總開(kāi)關(guān)，上位機(jī)控制軟件和PLC啟動(dòng)，取樣機(jī)構(gòu)從生產(chǎn)線溜管中取樣并送入篩分機(jī)構(gòu)，篩分機(jī)構(gòu)將樣本篩分后送至圖像采集區(qū)域，此時(shí)振動(dòng)給料器暫停動(dòng)作（目的是保證相機(jī)拍攝到靜止?fàn)顟B(tài)下清晰的樣本圖像），相機(jī)采集樣本圖像，圖像采集完成后，振動(dòng)給料器重新啟動(dòng)，樣本離開(kāi)圖像采集區(qū)域，同時(shí)上位機(jī)對(duì)樣本圖像進(jìn)行灰度化、去噪和二值化等預(yù)處理，提取圖像的特征參數(shù)并代入訓(xùn)練好的模型算法進(jìn)行篩網(wǎng)破損識(shí)別。如果判定篩網(wǎng)正常，粉碎機(jī)正常工作，如果判定篩網(wǎng)破損，則系統(tǒng)發(fā)出報(bào)警或粉碎機(jī)自動(dòng)停止工作，檢測(cè)識(shí)別結(jié)束，根據(jù)預(yù)設(shè)時(shí)間周期，裝置等待下次自動(dòng)重啟，再次檢測(cè)識(shí)別。裝置工作狀態(tài)示意圖如圖2所示。

2 關(guān)鍵結(jié)構(gòu)設(shè)計(jì)

2.1 取樣機(jī)構(gòu)

當(dāng)前的篩網(wǎng)破損識(shí)別取樣方法采用人工將取樣勺伸進(jìn)溜管中隨機(jī)取樣，因此開(kāi)發(fā)篩網(wǎng)破損在線識(shí)別裝置首先要解決的技術(shù)問(wèn)題是在線自動(dòng)取樣。本研究對(duì)工業(yè)上常用的自動(dòng)取樣裝置[25-26]進(jìn)行結(jié)構(gòu)改造，如圖3所示，取樣機(jī)構(gòu)主要由取樣盒、保護(hù)罩、卸料斗和氣缸等組成。取樣機(jī)構(gòu)的作用是自動(dòng)提取溜管中的粉碎物料樣本，提取的樣本通過(guò)卸料斗進(jìn)入篩分機(jī)構(gòu)。

溜管的直徑為250 mm，依據(jù)這一尺寸數(shù)據(jù)確定溜管上取樣口尺寸為100 mm×100 mm，與取樣口尺寸相匹配的取樣盒尺寸設(shè)計(jì)為167 mm×98 mm×98 mm。考慮到飼料加工車間有氣源動(dòng)力，選擇ESC32×90型氣缸實(shí)現(xiàn)取樣盒進(jìn)出溜管的取樣動(dòng)作。為保證溜管的密封性，取樣盒一端設(shè)計(jì)為在未取樣狀態(tài)下與溜管相切的曲面，達(dá)到封閉防塵的效果；取樣盒另一端面開(kāi)孔與氣缸活塞桿連接；取樣盒內(nèi)的斜面角度為60°，樣本可沿斜面下滑至取樣盒中；保護(hù)罩包覆取樣盒，與氣缸相連，并起到承托取樣盒的作用；卸料斗橫截面形狀為V形，下端開(kāi)口尺寸為100 mm×40 mm。保護(hù)罩與卸料斗間開(kāi)有卸料口，當(dāng)樣本從卸料口進(jìn)入卸料斗時(shí)，上寬下窄的結(jié)構(gòu)能夠控制樣本下落流量，可防止樣本在篩網(wǎng)上堆積。

氣缸將取樣盒推入溜管，溜管中下落的物料沿取樣盒斜面滑入取樣盒，飼料樣本自卸料口落至卸料斗，并通過(guò)卸料斗進(jìn)入篩分機(jī)構(gòu)。待樣本量達(dá)到要求后，氣缸活塞桿回縮拉回取樣盒，完成取樣。

2.2 篩分機(jī)構(gòu)

經(jīng)取樣機(jī)構(gòu)提取的飼料樣本在送至圖像采集機(jī)構(gòu)前還需經(jīng)過(guò)篩分機(jī)構(gòu)去除其中的細(xì)粉，可采用振動(dòng)給料器實(shí)現(xiàn)振動(dòng)和物料直線傳送[27]。篩分機(jī)構(gòu)的結(jié)構(gòu)如圖4所示，主要由振動(dòng)給料器、篩網(wǎng)和固定底座組成。篩分機(jī)構(gòu)的作用是將取樣機(jī)構(gòu)獲取的樣本進(jìn)行篩分，剔除樣本中的細(xì)粉，并將篩上物送至圖像采集區(qū)域。振動(dòng)給料器的料斗工作寬度為120 mm，傾角為5°。為方便安裝更換篩網(wǎng)，在料斗適當(dāng)部位加工篩網(wǎng)安裝槽。在料斗底部開(kāi)120 mm×10 mm的矩形開(kāi)口作為篩下物出口。篩下物細(xì)粉從出口排出，而篩上物在振動(dòng)給料器的振動(dòng)下分散并沿篩網(wǎng)斜面被送至圖像采集區(qū)域。

2.3 圖像采集機(jī)構(gòu)

圖像采集機(jī)構(gòu)主要由暗箱、相機(jī)、鏡頭、光源、云臺(tái)和連接件組成，如圖5所示。選用CGU2-500C型面陣工業(yè)相機(jī)（CGimagetech公司，最高分辨率2592像素× 1944像素）、配套鏡頭（CGimagetech公司，C口，成像尺寸1.27 cm）、環(huán)形LED光源（CGimagetech公司，白光，功率5 W）及云臺(tái)（貝欣QJ01，360°旋轉(zhuǎn)可調(diào)，承重5 kg）。

暗箱底座與支架采用螺紋連接固定，暗箱側(cè)面開(kāi)有縱向滑道，供云臺(tái)固定和相機(jī)與鏡頭的安裝高度調(diào)試；暗箱頂部開(kāi)有線孔，供相機(jī)和環(huán)形光源接線使用；暗箱的內(nèi)壁和圖像采集區(qū)域貼附有黑色毛面紙，使金屬表面的鏡面反射變?yōu)槁瓷洌鉀Q光反射干擾；相機(jī)固定在云臺(tái)上。環(huán)形光源與鏡頭同心固定在鏡頭外壁。

3 控制系統(tǒng)設(shè)計(jì)

控制系統(tǒng)使用的PLC型號(hào)為西門子S7-200 CPU226，使用Step7 Micro/win v4.0 SP9作為PLC的編程軟件，上位機(jī)操作系統(tǒng)為Windows 732位企業(yè)版?？刂葡到y(tǒng)硬件連接如圖6所示。

控制系統(tǒng)實(shí)現(xiàn)對(duì)自動(dòng)取樣、樣本篩分和圖像采集過(guò)程的控制，具體流程如圖7所示?？刂葡到y(tǒng)以PLC為核心，通過(guò)程序控制電磁閥的氣路切換，控制氣缸動(dòng)作實(shí)現(xiàn)自動(dòng)取樣；通過(guò)控制電磁繼電器的通斷控制振動(dòng)給料器實(shí)現(xiàn)樣本篩分；PLC輸出的高電平觸發(fā)工業(yè)相機(jī)，實(shí)現(xiàn)剔除細(xì)粉后顆粒樣本圖像的采集；最后通過(guò)RS-485電纜實(shí)現(xiàn)PLC與上位機(jī)的通信，通過(guò)USB電纜實(shí)現(xiàn)工業(yè)相機(jī)與上位機(jī)的數(shù)據(jù)傳輸，將采集到的圖像存儲(chǔ)至上位機(jī)并進(jìn)行相關(guān)處理。

4 篩網(wǎng)破損識(shí)別試驗(yàn)

4.1 試驗(yàn)材料與設(shè)備

為了驗(yàn)證本裝置的可行性，以飼料廠需要粉碎的玉米（武漢新希望飼料公司提供，含水率13.54%）作為試驗(yàn)材料；粉碎機(jī)為9FQ-320型錘片式粉碎機(jī)；篩網(wǎng)采用孔徑為1.0 和2.0 mm的沖孔篩網(wǎng)，人為破壞篩網(wǎng)，破損位置為篩網(wǎng)幾何中心。由于篩網(wǎng)破損是隨機(jī)發(fā)生的，破損孔大小不一，破損面積一般為3～50 cm2[11]，而篩網(wǎng)發(fā)生小面積破損對(duì)飼料粉碎粒度的影響很小，故本文設(shè)置篩網(wǎng)破損面積為28 cm2。

4.2 圖像采集與處理

圖像采集過(guò)程如圖8所示。采集孔徑1.0和2.0 mm篩網(wǎng)正常與破損狀態(tài)下的4種粉碎玉米圖像，每種圖像100張，共400張。將全部400張按圖像類別隨機(jī)分為用于識(shí)別模型建立的訓(xùn)練集圖像200張和作為測(cè)試模型效果的測(cè)試集圖像200張。由于錘片式粉碎機(jī)過(guò)粉碎現(xiàn)象明顯，無(wú)論篩網(wǎng)是否破損，粉碎樣本中小于篩孔孔徑的粉末和顆粒占比均較高，大顆粒較少，且由于受到振動(dòng)給料器的振動(dòng)作用，大顆粒較為分散，因此獲取的樣本圖像中未出現(xiàn)顆粒堆疊或粘連現(xiàn)象。

因本研究最終只需要提取樣本的幾何特征，故不考慮圖像顏色因素，由于隨機(jī)誤差影響，圖像有可能出現(xiàn)噪聲，因此對(duì)采集到的圖像做灰度化、去噪和二值化處理。

如圖9所示，首先對(duì)彩色圖像進(jìn)行灰度化處理，選擇平均值灰度處理作為圖像灰度化方法；選取中值濾波進(jìn)行圖像去噪，改變中值濾波核的大小，當(dāng)濾波核大小為5×5時(shí)，濾波操作可完全去除噪聲；樣本顆粒和背景區(qū)域的對(duì)比度很高，選用灰度直方圖法作為圖像二值化方法。

經(jīng)過(guò)以上圖像預(yù)處理后，二值圖像中顆粒已和背景完全分離，可以進(jìn)行顆粒特征參數(shù)提取。

4.3 顆粒特征參數(shù)提取

篩網(wǎng)破損出現(xiàn)的異常顆粒粒徑必然大于篩網(wǎng)孔徑。因此可以從顆粒的投影輪廓判斷粉碎機(jī)篩網(wǎng)是否破損。本文使用OpenCV提供的庫(kù)函數(shù)查找并繪制圖像中的顆粒投影的輪廓，調(diào)用庫(kù)函數(shù)求取顆粒的投影面積An，再將顆粒的投影面積等效為相同的圓面積，進(jìn)一步換算出等效投影圓直徑（下文簡(jiǎn)稱等效直徑），通過(guò)公式（1）將圖像中所有顆粒的等效直徑求取平均值。

式中Dm為樣本圖像中所有顆粒的平均等效直徑，mm，An為樣本圖像中第n個(gè)顆粒的投影面積，mm2。

顆粒的最小外接矩形貼近顆粒的實(shí)際輪廓，因此可以從顆粒的最小外接矩形特征判斷粉碎機(jī)篩網(wǎng)是否破損。圖像中每個(gè)顆粒的最小外接矩形面積同樣可由OpenCV提供的庫(kù)函數(shù)直接求得，再將同一張樣本圖像中所獲得的所有顆粒的最小外接矩形面積求平均值即可得到該樣本圖像的平均最小外接矩形面積Sm。

以平均等效直徑Dm和平均最小外接矩形面積Sm作為樣本圖像的特征參數(shù)，求出所有樣本圖像的Dm和Sm。

4.4 圖像標(biāo)定

由于OpenCV求取目標(biāo)面積的庫(kù)函數(shù)輸出的參數(shù)為像素點(diǎn)個(gè)數(shù)，因此需要將其轉(zhuǎn)化為實(shí)際輪廓面積或?qū)嶋H最小外接矩形面積。如圖11所示，采用傳統(tǒng)相機(jī)標(biāo)定法，放置大小為2 mm×2 mm、4 mm×4 mm、5 mm×5 mm、10 mm×10 mm和20 mm×20 mm的正方形標(biāo)定物[28]于圖像采集區(qū)域中，拍攝圖像并獲取各標(biāo)定物輪廓面積的像素點(diǎn)個(gè)數(shù)和最小外接矩形面積的像素點(diǎn)個(gè)數(shù)，確定標(biāo)定物的像素點(diǎn)個(gè)數(shù)和標(biāo)定物的實(shí)際面積間的比例系數(shù)。根據(jù)計(jì)算結(jié)果，繪制圖像處理所測(cè)標(biāo)定物的像素點(diǎn)個(gè)數(shù)和標(biāo)定物的實(shí)際面積比例系數(shù)的散點(diǎn)圖，并對(duì)二者做線性回歸。以x作為標(biāo)定物的實(shí)際面積，y作為標(biāo)定物在圖像中的像素點(diǎn)個(gè)數(shù)，得出標(biāo)定物像素個(gè)數(shù)與標(biāo)定物實(shí)際面積的關(guān)系為y=21.075x（R2=0.9999），標(biāo)定物的最小外接矩形像素個(gè)數(shù)與標(biāo)定物的實(shí)際面積的關(guān)系為y=21.815x（R2=1），線性回歸效果好，可采用所提方法將所測(cè)目標(biāo)的像素點(diǎn)個(gè)數(shù)轉(zhuǎn)換為目標(biāo)的實(shí)際面積。

4.5 數(shù)據(jù)處理

采用Excel 2010進(jìn)行數(shù)據(jù)記錄，SPSS 23.0作數(shù)據(jù)分析，使用Sklearn庫(kù)建立KNN模型，使用LIBSVM工具箱輔助建立RBFSVM模型，采用 Origin Pro 2020進(jìn)行繪圖。上位機(jī)CPU型號(hào)為AMD Ryzen 2200g，內(nèi)存16 G。

5 結(jié)果與分析

5.1 特征參數(shù)統(tǒng)計(jì)結(jié)果與分析

觀察試驗(yàn)中采集到的原始樣本圖像發(fā)現(xiàn)，使用正常篩網(wǎng)粉碎物料之后，樣本的圖像中仍出現(xiàn)大于篩網(wǎng)孔徑的大顆粒。這些大顆粒多為細(xì)長(zhǎng)顆粒和玉米種皮，細(xì)長(zhǎng)顆?？梢砸蕴囟ń嵌韧ㄟ^(guò)篩網(wǎng)，而玉米種皮容易發(fā)生形變，在未達(dá)到粉碎粒度要求之前即可能在振動(dòng)、擠壓等作用下通過(guò)篩孔排出。為了確認(rèn)這種使用正常篩網(wǎng)粉碎得到的樣本出現(xiàn)大于篩網(wǎng)孔徑顆粒的情況并非系統(tǒng)誤差所致，分別使用孔徑1.0 和2.0 mm的標(biāo)準(zhǔn)篩對(duì)樣本進(jìn)行篩分，發(fā)現(xiàn)2種標(biāo)準(zhǔn)篩均存在篩上物，從而證明使用正常篩網(wǎng)粉碎的物料也可能出現(xiàn)大于篩網(wǎng)孔徑的顆粒，并非系統(tǒng)誤差所致，大顆粒的出現(xiàn)與否不能直接作為篩網(wǎng)破損的判定依據(jù)，應(yīng)提取并分析顆粒特征參數(shù)，找到判定依據(jù)。

提取全部樣本圖像的平均等效直徑Dm和平均最小外接矩形面積Sm，并分別計(jì)算出它們的最大值、最小值和平均值，結(jié)果如表1所示。由表1可知，同一篩網(wǎng)孔徑下Dm和Sm的最大值、最小值和平均值在篩網(wǎng)正常和破損時(shí)有較大差異，由此推測(cè)這2個(gè)特征參數(shù)與篩網(wǎng)是否破損具有相關(guān)性。

表1 樣本圖像特征參數(shù)的統(tǒng)計(jì)學(xué)結(jié)果 Table 1 Statistical results of sample image feature parameters

為驗(yàn)證以上推測(cè)，分別對(duì)Dm以及Sm與篩網(wǎng)是否破損進(jìn)行Spearman相關(guān)性分析，結(jié)果如表2所示。由表2可知，2種篩網(wǎng)孔徑下，Dm和Sm均和篩網(wǎng)是否破損極顯著相關(guān)，證實(shí)了這2個(gè)特征參數(shù)與篩網(wǎng)是否破損具有相關(guān)性的推測(cè)。因此，本文采用Dm和Sm作為判定篩網(wǎng)破損的特征參數(shù)是合理的。

表2Dm和Sm與篩網(wǎng)是否破損的相關(guān)性分析 Table 2 Spearman correlation analysis between Dm and Sm and whether the screen is broken

5.2 篩網(wǎng)破損識(shí)別模型的建立

5.2.1 基于閾值法的篩網(wǎng)破損識(shí)別模型

數(shù)據(jù)集中的每張圖像都對(duì)應(yīng)唯一的Dm和Sm。求出同一孔徑下正常篩網(wǎng)訓(xùn)練集所有圖像的平均Dm，求出同一孔徑下破損篩網(wǎng)訓(xùn)練集所有圖像的平均Dm，再將這2個(gè)平均Dm求平均值作為識(shí)別篩網(wǎng)破損的閾值Da，再以同樣的方法提取訓(xùn)練集所有圖像的平均Sm并得到識(shí)別篩網(wǎng)破損的閾值Sa。

找出同一孔徑下正常篩網(wǎng)訓(xùn)練集中所有圖像的最大Dm，和同一孔徑下破損篩網(wǎng)訓(xùn)練集中所有圖像的最小Dm，將最大Dm和最小Dm求平均值作為識(shí)別篩網(wǎng)是否破損的閾值Db，再以同樣方法找到訓(xùn)練集所有圖像Sm的最值進(jìn)行計(jì)算，得到識(shí)別篩網(wǎng)破損的閾值Sb[24]。各閾值結(jié)果如表3所示。

表3 粉碎機(jī)篩網(wǎng)破損判定閾值 Table 3 Evaluation threshold of screen breakage of crusher

建立閾值法篩網(wǎng)破損識(shí)別模型。在Da、Sa、Db和Sb各自單獨(dú)作為識(shí)別閾值時(shí)，將測(cè)試集每張圖像的Dm與Da或Db比較，Sm與Sa或Sb比較，出現(xiàn)Dm＞Da、Dm＞Db、Sm＞Sa和Sm＞Sb這4種情況時(shí)均判定篩網(wǎng)破損，反之判定篩網(wǎng)正常（未破損），本研究在文獻(xiàn)[24]的基礎(chǔ)上，將多個(gè)參數(shù)結(jié)合共同作為篩網(wǎng)破損識(shí)別的判定依據(jù)，將Da和Sa或Db和Sb作為共同識(shí)別閾值，規(guī)定只有當(dāng)Dm＞Da且Sm＞Sa同時(shí)成立或Dm＞Db且Sm＞Sb同時(shí)成立時(shí)判定篩網(wǎng)破損，其他情況則判定篩網(wǎng)正常（未破損）。最后比較判定結(jié)果與實(shí)際情況，驗(yàn)證篩網(wǎng)破損識(shí)別的準(zhǔn)確性。

試驗(yàn)結(jié)果如表4所示。由表4可知，以Db、Sb單獨(dú)作為識(shí)別閾值和以Db和Sb共同作為識(shí)別閾值，分別比以Da、Sa單獨(dú)作為識(shí)別閾值和以Da和Sa共同作為識(shí)別閾值時(shí)測(cè)試集識(shí)別正確率要高，且2種孔徑下篩網(wǎng)破損的最優(yōu)識(shí)別結(jié)果均在Db和Sb共同作為識(shí)別閾值時(shí)出現(xiàn)，表明結(jié)合多個(gè)參數(shù)進(jìn)行篩網(wǎng)破損識(shí)別較單一閾值識(shí)別方法具有一定優(yōu)勢(shì)。在Db和Sb共同作為識(shí)別閾值時(shí)，孔徑1.0 和2.0 mm篩網(wǎng)的訓(xùn)練集識(shí)別正確率分別為92%和100%，測(cè)試集識(shí)別正確率分別為98%和93%，測(cè)試集運(yùn)行平均耗時(shí)0.01 s。

進(jìn)一步分析發(fā)現(xiàn)，采用閾值法模型的12次篩網(wǎng)破損識(shí)別中，有50%的訓(xùn)練集識(shí)別正確率低于測(cè)試集，究其原因，由于粉碎過(guò)程中顆粒通過(guò)篩網(wǎng)破損孔具有一定隨機(jī)性，造成從訓(xùn)練集和測(cè)試集中提取出的特征參數(shù)分布有一定差異，導(dǎo)致閾值法篩網(wǎng)破損識(shí)別模型具有不穩(wěn)定性。

表4 閾值法篩網(wǎng)破損識(shí)別結(jié)果 Table 4 Screen breakage identification results based on threshold method

5.2.2 基于KNN方法的篩網(wǎng)破損識(shí)別模型

由表1可知，篩網(wǎng)在正常和破損情況下同一特征參數(shù)有取值范圍重疊的部分，而K近鄰法（K-Nearest Neighbour，KNN）是一種具有類比思想的機(jī)器學(xué)習(xí)算法，通過(guò)計(jì)算給定樣本和已有樣本中最近的k個(gè)樣本的距離，確定給定樣本的類別歸屬[29]，適合本研究中的數(shù)據(jù)特點(diǎn)。將Dm和Sm作為KNN的輸入?yún)?shù)，通過(guò)優(yōu)化輸入?yún)?shù)個(gè)數(shù)和使用5折交叉驗(yàn)證法優(yōu)化k值，建立KNN分類模型，最后進(jìn)行模型測(cè)試。

如表5所示，當(dāng)同時(shí)輸入Dm和Sm時(shí)模型的測(cè)試集識(shí)別正確率均高于單獨(dú)輸入Dm或Sm。當(dāng)同時(shí)輸入Dm和Sm且k=3時(shí)，孔徑1.0 mm的篩網(wǎng)在訓(xùn)練集和測(cè)試集的識(shí)別正確率為96%和94%，孔徑2.0 mm的篩網(wǎng)在訓(xùn)練集和測(cè)試集的識(shí)別正確率均為96%，測(cè)試集運(yùn)行平均耗時(shí)0.39 s。結(jié)果表明，KNN分類模型的識(shí)別正確率高，相較閾值法模型， KNN分類模型不受訓(xùn)練集和測(cè)試集的特征參數(shù)分布的影響，可以穩(wěn)定地對(duì)待測(cè)樣本圖像進(jìn)行分類，從而識(shí)別篩網(wǎng)是否破損。

表5 基于KNN方法的篩網(wǎng)破損識(shí)別結(jié)果 Table 5 Identification results of screen breakage based on K-Nearest Neighbour(KNN) method

5.2.3 基于RBFSVM方法的篩網(wǎng)破損識(shí)別模型

支持向量機(jī)（Support Vector Machine，SVM）是一種有監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)算法，通過(guò)劃分給定樣本的最大邊距超平面將樣本二元分類[30]。就測(cè)試集在模型上的測(cè)試速度而言，KNN的測(cè)試過(guò)程需要依次計(jì)算每個(gè)訓(xùn)練樣本和測(cè)試樣本的距離，而SVM在訓(xùn)練完成后根據(jù)超平面函數(shù)直接判定預(yù)測(cè)點(diǎn)的標(biāo)簽，測(cè)試效率比KNN高，更符合在線識(shí)別的需求。本研究選取徑向基函數(shù)（Radial Basis Function，RBF）作為SVM的核函數(shù)，在分類學(xué)習(xí)過(guò)程中，將Dm和Sm作為輸入?yún)?shù)，采用5折交叉驗(yàn)證和網(wǎng)格搜索法優(yōu)化懲罰系數(shù)C和RBF核函數(shù)的gamma參數(shù)g，建立RBFSVM分類模型，最后進(jìn)行模型測(cè)試。

使用LIBSVM工具箱[31]尋找最優(yōu)的C和g參數(shù)對(duì)，設(shè)置交叉驗(yàn)證參數(shù)Kfold為5，C的網(wǎng)格搜索范圍為2-5～215，g的網(wǎng)格搜索范圍為2-15～23。在獲得最優(yōu)懲罰系數(shù)C和RBF核函數(shù)的gamma參數(shù)g后，將最優(yōu)參數(shù)對(duì)（C，g）代入模型后對(duì)測(cè)試集進(jìn)行測(cè)試。

如表6所示，當(dāng)同時(shí)輸入Dm和Sm時(shí)模型的測(cè)試集識(shí)別正確率均高于單獨(dú)輸入Dm或Sm，當(dāng)篩網(wǎng)孔徑為1.0 mm時(shí)，同時(shí)輸入Dm和Sm且最優(yōu)參數(shù)對(duì)（C，g）為（2-5，2-7）時(shí)，訓(xùn)練集和測(cè)試集的識(shí)別正確率分別為96%和89%；篩網(wǎng)孔徑為2.0 mm時(shí)，同時(shí)輸入Dm和Sm且最優(yōu)參數(shù)對(duì)（C，g）為（2，2-1）時(shí)，訓(xùn)練集和測(cè)試集的識(shí)別正確率分別為97%和91%，測(cè)試集運(yùn)行平均耗時(shí)0.33s。結(jié)果表明，RBFSVM分類模型識(shí)別正確率較高，模型同樣不受訓(xùn)練集和測(cè)試集的特征參數(shù)分布的影響，可以穩(wěn)定地對(duì)待測(cè)樣本圖像進(jìn)行分類，但比KNN分類模型的識(shí)別正確率低。

表6 基于RBFSVM方法的篩網(wǎng)破損識(shí)別結(jié)果 Table 6 Identification results of screen breakage based on Radial Basis Function Support Vector Machine method

分析比較3種篩網(wǎng)破損識(shí)別模型可知，3種識(shí)別模型對(duì)篩網(wǎng)破損的最優(yōu)測(cè)試集識(shí)別正確率均達(dá)到了89%以上?；陂撝捣ǖ暮Y網(wǎng)破損識(shí)別模型對(duì)孔徑1.0和2.0 mm篩網(wǎng)的最優(yōu)測(cè)試集識(shí)別正確率分別為98%和93%，測(cè)試集平均耗時(shí)0.01 s，但由于粉碎過(guò)程中顆粒通過(guò)篩網(wǎng)破損孔具有一定隨機(jī)性，造成從訓(xùn)練集和測(cè)試集中提取出的特征參數(shù)有一定差異，導(dǎo)致閾值法篩網(wǎng)破損識(shí)別模型具有不穩(wěn)定性；基于KNN的篩網(wǎng)破損識(shí)別模型對(duì)孔徑1.0 和2.0 mm的篩網(wǎng)的測(cè)試集最優(yōu)識(shí)別正確率分別為94%和96%，測(cè)試集平均耗時(shí)0.39 s；基于RBFSVM的篩網(wǎng)破識(shí)別模型對(duì)孔徑1.0 和2.0 mm的篩網(wǎng)的測(cè)試集最優(yōu)識(shí)別正確率分別為89%和91%，測(cè)試集平均耗時(shí)0.33 s。KNN模型和RBFSVM模型均較閾值法模型穩(wěn)定。由于KNN模型和RBFSVM模型的測(cè)試集平均耗時(shí)相近，在模型評(píng)價(jià)中可忽略模型運(yùn)算速度帶來(lái)的影響，KNN模型的篩網(wǎng)破損識(shí)別正確率比RBFSVM模型更高，因此最終選擇基于KNN方法的篩網(wǎng)破損識(shí)別模型作為本系統(tǒng)的篩網(wǎng)破損識(shí)別算法。

6 結(jié)論

本研究針對(duì)當(dāng)前飼料生產(chǎn)過(guò)程中主要依靠人工獲取飼料原料樣本、通過(guò)感官或標(biāo)準(zhǔn)篩識(shí)別樣本的粒度，從而判定粉碎機(jī)篩網(wǎng)是否破損這一方式帶來(lái)的弊端，設(shè)計(jì)了基于機(jī)器視覺(jué)的粉碎機(jī)篩網(wǎng)破損在線自動(dòng)識(shí)別系統(tǒng)，提出了一種識(shí)別粉碎機(jī)篩網(wǎng)是否破損的新的方法。

1）設(shè)計(jì)了粉碎機(jī)篩網(wǎng)破損在線自動(dòng)識(shí)別裝置，裝置主要由取樣機(jī)構(gòu)、篩分機(jī)構(gòu)和圖像采集機(jī)構(gòu)等組成。裝置工作時(shí)，取樣機(jī)構(gòu)從生產(chǎn)線溜管中取樣并送入篩分機(jī)構(gòu)，篩分機(jī)構(gòu)將樣本篩分后送至圖像采集區(qū)域，相機(jī)采集樣本圖像。

2）分析樣本圖像特點(diǎn)，經(jīng)圖像預(yù)處理后，提取每張樣本圖像中所有顆粒的平均等效直徑Dm和平均最小外接矩形面積Sm作為特征參數(shù)，并使用正方形標(biāo)定物確定圖像中顆粒像素點(diǎn)個(gè)數(shù)與顆粒真實(shí)面積間的關(guān)系。

3）以玉米為試驗(yàn)材料，分別采集孔徑1.0 和2.0 mm篩網(wǎng)正常與破損狀態(tài)下的4種粉碎后的玉米顆粒圖像，建立基于閾值法、KNN方法和RBFSVM方法的篩網(wǎng)破損識(shí)別模型。使用閾值法識(shí)別模型，當(dāng)采用Db和Sb共同作為識(shí)別閾值時(shí)識(shí)別效果最優(yōu)，孔徑1.0 和2.0 mm的篩網(wǎng)在測(cè)試集的識(shí)別正確率分別為98%和93%，測(cè)試集運(yùn)均耗時(shí)0.01 s，但模型具有不穩(wěn)定性；使用KNN識(shí)別模型，當(dāng)同時(shí)輸入平均等效直徑和平均最小外接矩形面積且臨近值個(gè)數(shù)k為3時(shí)識(shí)別效果最優(yōu)，孔徑1.0 和2.0 mm的篩網(wǎng)在測(cè)試集的識(shí)別正確率分別為94%和96%，測(cè)試集運(yùn)行平均耗時(shí)0.39 s；使用RBFSVM識(shí)別模型，當(dāng)同時(shí)輸入平均等效直徑和平均最小外接矩形面積且懲罰系數(shù)C和徑向基函數(shù)的gamma參數(shù)g組成的參數(shù)對(duì)（C，g）分別為（2-5，2-7）和（2，2-1）時(shí)識(shí)別效果最優(yōu)，孔徑1.0 和2.0 mm的篩網(wǎng)在測(cè)試集的識(shí)別正確率分別為89%和91%，測(cè)試集運(yùn)行平均耗時(shí)0.33 s。以測(cè)試集識(shí)別正確率和模型穩(wěn)定性作為模型的評(píng)價(jià)標(biāo)準(zhǔn)，在模型運(yùn)行速度不影響工作效率的情況下，最終選擇基于KNN方法的篩網(wǎng)破損識(shí)別模型作為本系統(tǒng)的篩網(wǎng)破損識(shí)別算法。