楊德義，王平崗，吳東林

(1.漯河職業(yè)技術(shù)學(xué)院，河南 漯河 462300；2.漯河食品職業(yè)學(xué)院，河南 漯河 462300)

0 引言

隨著計算機的大幅度普及和自動化控制技術(shù)的發(fā)展，利用圖像處理技術(shù)解決問題逐漸成為一種普遍方式。生產(chǎn)生活中，各技術(shù)類機械的零部件磨損問題日益突出，其帶來的裂紋、磨損給機器的正常使用埋下了隱患。因此，及時、準(zhǔn)確地發(fā)現(xiàn)機械中的磨損、疲勞裂紋，對提高作業(yè)效率、減少人員傷亡具有重要意義。收割機螺旋刀具出現(xiàn)磨損，會引發(fā)作業(yè)效率低和糧食浪費等問題。為了解決這類問題，基于圖像處理技術(shù)設(shè)計了一套收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)。

1 圖像處理技術(shù)概述

圖像處理技術(shù)主要是利用計算機、CCD工業(yè)攝像頭、光源、傳感器及其他電子設(shè)備對需要處理的目標(biāo)進(jìn)行圖像采集、存儲、判斷和決策，結(jié)合對圖像的增強與分割，通過對目標(biāo)物體特征值的提取和檢測，實現(xiàn)圖像數(shù)據(jù)庫的建立、模型的建立和匹配等復(fù)雜過程。收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)的研究中，圖像處理方面主要包括圖像采集、特征分析、圖像轉(zhuǎn)換及圖像分割等步驟。若還存在噪聲，則應(yīng)對其繼續(xù)分析，并采用區(qū)域面積統(tǒng)計法去除孤立噪聲，并通過區(qū)域形態(tài)學(xué)運算，對各連通區(qū)域進(jìn)行有效標(biāo)識，方便提取區(qū)域幾何特征。圖像處理技術(shù)流程圖如圖1所示。

圖1 圖像處理技術(shù)流程圖Fig.1 The flow chart of image processing technology

2 收割機刀具磨損檢測原理

2.1 刀具圖像處理

收割機工作一段時間，螺旋刀片上會出現(xiàn)不同程度的月牙洼磨損，使得收割機在正常工作過程中由于刀刃不再鋒利而出現(xiàn)作業(yè)效率低和糧食浪費等問題。出現(xiàn)磨損的原因有兩個：①動態(tài)后角不足產(chǎn)生毛坯的齒側(cè)與刀面摩擦；②植物枝渣等粘在螺旋刀的刀面，收割作業(yè)時擠壓刀面，這種情況也同時造成齒側(cè)拉毛或多肉。為了解決以上問題，提出了基于圖像處理技術(shù)對收割機刀具進(jìn)行磨損狀態(tài)實時監(jiān)測。收割機刀具磨損檢測流程如圖2所示。

1)收割機刀具預(yù)處理。收割機刀具圖像在拍攝過程中，可能會因為環(huán)境和CCD攝像頭參數(shù)等問題產(chǎn)生一定的噪聲，影響系統(tǒng)的處理與分析，降低磨損狀態(tài)的檢測精度。為了方便系統(tǒng)進(jìn)行處理，一般需要對圖像進(jìn)行濾波。圖像濾波一般有低通和高通兩種方法，高通與低通相反，其允許圖像高頻部分通過，而高頻部分一般為圖像的邊緣信息或噪聲。也就是說，對圖像進(jìn)行高頻濾波，可以去除掉收割機刀具圖像中不必要的細(xì)節(jié)，使圖像更平滑，更易于系統(tǒng)進(jìn)行識別處理。因此，本文采用高通濾波法。收割機刀具高通濾波對比如圖3所示。

圖2 收割機刀具磨損檢測流程圖Fig.2 The flow chart of cutting tool wear detection

圖3 刀具高通濾波前后對比Fig.3 The comparison of cutting tools before and after high-pass filtering

2)收割機刀具特征提取。視頻圖像會存在一定程度的視覺特征，而特征提取就是在刀具圖像中尋找具有特定信息的特征向量。特征提取的方法主要有顏色、紋理及形狀等方法。本文主要對刀具的磨損程度進(jìn)行監(jiān)測，測量刀具的形狀信息，因此采用形狀特征方法提取刀具特征信息。其中，采用Hu不變矩陣作為形狀特征(包括圓形度、傅里葉描述符、矩陣度等參數(shù))的描述，對于目標(biāo)圖像f(x,y)，位于點(x,y)處的(p,q)階矩定義為

(1)

目標(biāo)圖像f(x,y)在該處的中心矩定義為

(2)

其中， (xc,yc)為圖像重心坐標(biāo)。

歸一化中心矩定義為

(3)

Hu不變矩陣可以利用二階和三階規(guī)格化中心矩對圖像的平移、旋轉(zhuǎn)等7個不變矩進(jìn)行計算和求解，即

φ1=η20+η02

(4)

(5)

φ3=(η30-3η12)2+(3η21-η03)2

(6)

φ4=(η30+η12)2+(η21-η03)2

(7)

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-

3(η21+η03)2)]+(3η21-η03)(η21+η03)

[3(η12+η30)2-(η03+η21)2)]

(8)

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(9)

φ7=(3η12-η30)(η30+η12)[(η30+η12)2-

3(η21+η03)2]+(3η21-η30)(η21+

η03)[3(η12+η30)2-(η03+η21)2]

(10)

2.2 磨損面積計算

收割機刀具磨損面積計算主要是對刀具的磨損、裂紋特征點賦予參數(shù)，并通過對參數(shù)的判斷和計算，確定刀具的磨損面積，由此確定其是否磨損及確定磨損級別。本文采用邊緣檢測方法進(jìn)行收割機刀具磨損面積計算。

邊緣檢測方法主要是利用空域微分算子進(jìn)行的，將檢測模板與圖像信息卷積完成。由于邊緣的灰度值是斷續(xù)的，圖像的灰度值會不斷變化，顏色也會常常變化。物體表面的邊緣裂紋，就是所要檢測的重點環(huán)節(jié)。為了檢測更加精準(zhǔn)，本文采用兩種邊緣裂紋檢測因子，利用兩種因子相互結(jié)合作用的方法來獲取得邊緣裂紋點的集合。邊緣檢測及閾值分割流程圖如圖4所示。

圖4 邊緣檢測及閾值分割示意圖Fig.4 The schematic diagram of edge detection and threshold segmentation

其中，u1、u2和u3為視頻圖像的像素點，其計算方式如下：

D1算子為

r=min(r12,r13)

(11)

(12)

其中，ui表示第i塊模板區(qū)域的灰度均值。

D2算子為

(13)

(14)

ρ=min(ρ12,ρ23)

(15)

(16)

兩種算子綜合后得

(17)

其中，σ(x,y)是將D1模板響應(yīng)r與D2模板響應(yīng)ρ相結(jié)合的結(jié)果。因為模板的形式可以根據(jù)需要進(jìn)行調(diào)整，本文采用8×8分辨模板，采用適合的分辨窗口，可減少計算機的運行量，且可以根據(jù)物體大小及背景內(nèi)部的灰度變化大小來選擇比較合適的塊。邊緣裂紋信息檢測及閾值分割效果如圖5所示。

根據(jù)邊緣裂紋信息檢測到數(shù)據(jù)，可以掃描整個目標(biāo)區(qū)域，計算邊界上的像素的數(shù)目。計算公式為

(18)

圖5 邊緣裂紋信息檢測及閾值分割效果圖Fig.5 The edge crack information detection and threshold segmentation effect diagram

3 監(jiān)測系統(tǒng)軟件硬件設(shè)計

3.1 系統(tǒng)硬件體系總體設(shè)計

收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)主要負(fù)責(zé)整個系統(tǒng)的圖像采集、處理和對收割機的預(yù)警等控制。其硬件體系總體設(shè)計是實現(xiàn)刀具視頻圖像采集、圖像處理、磨損狀態(tài)計算與定級的基礎(chǔ)，是整個控制系統(tǒng)的載體。本文根據(jù)系統(tǒng)需求，采用模塊化的思想進(jìn)行設(shè)計，主要包括嵌入式系統(tǒng)、圖像采集系統(tǒng)、通訊模塊及收割機控制系統(tǒng)等。系統(tǒng)硬件體系總體設(shè)計框架如圖6所示。

圖6 系統(tǒng)硬件體系總體設(shè)計框架圖Fig.6 The overall design framework diagram of system hardware system

其中，嵌入式系統(tǒng)主要包括ARM處理器、視頻解碼器、RS232、存儲單元及外圍電路；圖像采集系統(tǒng)包括CCD工業(yè)攝像頭、鏡頭、電源控制器和照明光源等。

3.2 系統(tǒng)軟件設(shè)計

收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)軟件設(shè)計在Linux和ubuntu環(huán)境進(jìn)行開發(fā)設(shè)計，軟件平臺移植是通過交叉開發(fā)工具在宿主機上，向硬件平臺移植Linux系統(tǒng)。另外，程序采用模塊化編程思想進(jìn)行軟件的編寫開發(fā)。Linux移植流程如圖7所示。

圖7 Linux軟件平臺的移植流程Fig.7 The transplant process of Linux software platform

除了Linux的軟件移植以外，系統(tǒng)還包括應(yīng)用層的軟件設(shè)計。主程序流程如圖8所示。

圖8 應(yīng)用層主程序流程圖Fig.8 The main program flow chart of application layer

4 試驗結(jié)果與分析

為了驗證收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)的可行性和正確性，進(jìn)行了試驗。本試驗以水稻收割機螺旋刀片為被測對象，通過檢測刀具磨損次數(shù)判定系統(tǒng)的準(zhǔn)確精度，同時記錄系統(tǒng)的計算時間，判斷系統(tǒng)的檢測速度。監(jiān)測結(jié)果如表1所示。

表1 刀具磨損狀態(tài)監(jiān)測系統(tǒng)監(jiān)測結(jié)果Table 1 The monitoring result of tool wear condition monitoring system

從表1可以看出：在336次實際監(jiān)測中，收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)能夠準(zhǔn)確采集收割機刀具信息，并能夠?qū)D像進(jìn)行預(yù)處理和提取特征值，系統(tǒng)成功識別診斷的次數(shù)為312次，成功率高達(dá)92.86%，平均監(jiān)測一次的時間為6.67s，系統(tǒng)準(zhǔn)確性高，識別速度快，符合設(shè)計需求。

5 結(jié)論

針對收割機螺旋刀片使用一段時間后會出現(xiàn)磨損，引發(fā)作業(yè)效率低和糧食浪費等問題，本文提出了基于圖像處理技術(shù)的收割機刀具磨損狀態(tài)監(jiān)測系統(tǒng)。系統(tǒng)采用刀具圖像預(yù)處理和特征提取等方法對磨損面積進(jìn)行計算，從而判斷磨損程度。試驗結(jié)果表明：系統(tǒng)成功識別診斷刀具狀態(tài)的次數(shù)為312次，成功率高達(dá)92.86%，平均監(jiān)測一次的時間為6.67s，準(zhǔn)確性高，識別速度快。