收割機刀具磨損狀態監測系統的設計—基于圖像處理技術

楊德義，王平崗，吳東林

(1.漯河職業技術學院，河南 漯河 462300；2.漯河食品職業學院，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的發展，利用圖像處理技術解決問題逐漸成為一種普遍方式。生產生活中，各技術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、準確地發現機械中的磨損、疲勞裂紋，對提高作業效率、減少人員傷亡具有重要意義。收割機螺旋刀具出現磨損，會引發作業效率低和糧食浪費等問題。為了解決這類問題，基于圖像處理技術設計了一套收割機刀具磨損狀態監測系統。

1 圖像處理技術概述

圖像處理技術主要是利用計算機、CCD工業攝像頭、光源、傳感器及其他電子設備對需要處理的目標進行圖像采集、存儲、判斷和決策，結合對圖像的增強與分割，通過對目標物體特征值的提取和檢測，實現圖像數據庫的建立、模型的建立和匹配等復雜過程。收割機刀具磨損狀態監測系統的研究中，圖像處理方面主要包括圖像采集、特征分析、圖像轉換及圖像分割等步驟。若還存在噪聲，則應對其繼續分析，并采用區域面積統計法去除孤立噪聲，并通過區域形態學運算，對各連通區域進行有效標識，方便提取區域幾何特征。圖像處理技術流程圖如圖1所示。

圖1 圖像處理技術流程圖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作業效率低和糧食浪費等問題。出現磨損的原因有兩個：①動態后角不足產生毛坯的齒側與刀面摩擦；②植物枝渣等粘在螺旋刀的刀面，收割作業時擠壓刀面，這種情況也同時造成齒側拉毛或多肉。為了解決以上問題，提出了基于圖像處理技術對收割機刀具進行磨損狀態實時監測。收割機刀具磨損檢測流程如圖2所示。

1)收割機刀具預處理。收割機刀具圖像在拍攝過程中，可能會因為環境和CCD攝像頭參數等問題產生一定的噪聲，影響系統的處理與分析，降低磨損狀態的檢測精度。為了方便系統進行處理，一般需要對圖像進行濾波。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，對圖像進行高頻濾波，可以去除掉收割機刀具圖像中不必要的細節，使圖像更平滑，更易于系統進行識別處理。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行監測，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)的描述，對于目標圖像f(x,y)，位于點(x,y)處的(p,q)階矩定義為

(1)

目標圖像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。

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格化中心矩對圖像的平移、旋轉等7個不變矩進行計算和求解，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，并通過對參數的判斷和計算，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節。為了檢測更加精準，本文采用兩種邊緣裂紋檢測因子，利用兩種因子相互結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r與D2模板響應ρ相結合的結果。因為模板的形式可以根據需要進行調整，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，且可以根據物體大小及背景內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。

根據邊緣裂紋信息檢測到數據，可以掃描整個目標區域，計算邊界上的像素的數目。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 監測系統軟件硬件設計

3.1 系統硬件體系總體設計

收割機刀具磨損狀態監測系統主要負責整個系統的圖像采集、處理和對收割機的預警等控制。其硬件體系總體設計是實現刀具視頻圖像采集、圖像處理、磨損狀態計算與定級的基礎，是整個控制系統的載體。本文根據系統需求，采用模塊化的思想進行設計，主要包括嵌入式系統、圖像采集系統、通訊模塊及收割機控制系統等。系統硬件體系總體設計框架如圖6所示。

圖6 系統硬件體系總體設計框架圖Fig.6 The overall design framework diagram of system hardware system

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

3.2 系統軟件設計

收割機刀具磨損狀態監測系統軟件設計在Linux和ubuntu環境進行開發設計，軟件平臺移植是通過交叉開發工具在宿主機上，向硬件平臺移植Linux系統。另外，程序采用模塊化編程思想進行軟件的編寫開發。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，系統還包括應用層的軟件設計。主程序流程如圖8所示。

圖8 應用層主程序流程圖Fig.8 The main program flow chart of application layer

4 試驗結果與分析

為了驗證收割機刀具磨損狀態監測系統的可行性和正確性，進行了試驗。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判定系統的準確精度，同時記錄系統的計算時間，判斷系統的檢測速度。監測結果如表1所示。

表1 刀具磨損狀態監測系統監測結果Table 1 The monitoring result of tool wear condition monitoring system

從表1可以看出：在336次實際監測中，收割機刀具磨損狀態監測系統能夠準確采集收割機刀具信息，并能夠對圖像進行預處理和提取特征值，系統成功識別診斷的次數為312次，成功率高達92.86%，平均監測一次的時間為6.67s，系統準確性高，識別速度快，符合設計需求。

5 結論

針對收割機螺旋刀片使用一段時間后會出現磨損，引發作業效率低和糧食浪費等問題，本文提出了基于圖像處理技術的收割機刀具磨損狀態監測系統。系統采用刀具圖像預處理和特征提取等方法對磨損面積進行計算，從而判斷磨損程度。試驗結果表明：系統成功識別診斷刀具狀態的次數為312次，成功率高達92.86%，平均監測一次的時間為6.67s，準確性高，識別速度快。