基于機(jī)器視覺(jué)的磷復(fù)肥造粒粒度檢測(cè)研究*

于 杰，張 翼，王紫越，楊丙喬 ，張紅金，周文乾，王 剛，鄭山河

(1.武漢工程大學(xué) 資源與安全工程學(xué)院，湖北 武漢 430074;2.江西新洋豐股份有限公司，江西 九江 332207)

0 引言

磷復(fù)肥因其溶解性好、肥效高[1]，是肥料中的重要分支，其生產(chǎn)工藝流程為：原料混合、造粒、干燥、篩分、冷卻等[2-3]。其中，造粒工藝影響產(chǎn)品的粒徑、表面的光滑度，而產(chǎn)品的粒徑又間接影響生產(chǎn)，粒徑過(guò)大或過(guò)小均會(huì)增加生產(chǎn)成本，且消耗額外的能源，增加環(huán)境負(fù)擔(dān)。

一般的粒度檢測(cè)方法為篩分，但該方法只能粗略估計(jì)顆粒的粒度范圍，且篩分機(jī)械工作時(shí)會(huì)產(chǎn)生振動(dòng)，使得作業(yè)現(xiàn)場(chǎng)有較多的粉塵和較大的噪聲。隨著科學(xué)技術(shù)的發(fā)展，工廠的生產(chǎn)趨向自動(dòng)化、智能化[4-6]，其中機(jī)器視覺(jué)技術(shù)因其計(jì)算速度快和非接觸等特性[7-8]，能夠滿足工廠生產(chǎn)要求，得到了越來(lái)越廣泛的應(yīng)用，如特征參數(shù)檢測(cè)、智能控制、目標(biāo)定位等[9]。因此，本文開(kāi)展了磷復(fù)肥造粒粒度的機(jī)器視覺(jué)檢測(cè)研究，內(nèi)容包括檢測(cè)系統(tǒng)設(shè)計(jì)、圖像處理算法及最終檢測(cè)結(jié)果分析。

1 造粒特征分析

造粒工藝可分為轉(zhuǎn)鼓造粒、塔式造粒、盤(pán)式造粒等。

轉(zhuǎn)鼓造粒是先用破碎機(jī)將磷復(fù)肥產(chǎn)品破碎至合適細(xì)度，然后送入滾筒造粒機(jī)中，增加水蒸氣輔助造粒，使原料在滾動(dòng)過(guò)程中粒徑逐步增大[10]，形成合適粒徑的顆粒后再干燥、冷卻、篩分。

塔式造粒則將原料熔融后加入粉末狀的混合物料，經(jīng)由高塔噴灑冷卻形成顆粒[11-14]。該方法造粒產(chǎn)品的成品率高，且顆粒表面光滑，不易結(jié)塊，但對(duì)原料的配方設(shè)計(jì)有一定的要求[12]。

盤(pán)式造粒與轉(zhuǎn)鼓造粒類(lèi)似，濕物料經(jīng)擠壓而成型，該方式造粒產(chǎn)品的質(zhì)量與物料潮濕度、轉(zhuǎn)盤(pán)轉(zhuǎn)速等有關(guān)。

對(duì)于不同配方和不同造粒工藝，都需要對(duì)產(chǎn)品顆粒進(jìn)行篩分，保留合適粒度的產(chǎn)品包裝成為最終成品，并將偏小顆粒返回再加工，偏大顆粒則需要破碎。

2 圖像采集

2.1 硬件系統(tǒng)

目前機(jī)器視覺(jué)圖像采集系統(tǒng)主要由圖像采集部分、傳輸部分和處理器組成。

圖像采集部分一般由帶CCD或CMOS圖像傳感器的相機(jī)與鏡頭組合而成，其中CCD相機(jī)因其采用單點(diǎn)輸出，信號(hào)輸出的一致性較好，利于獲得高質(zhì)量圖像，且數(shù)字信號(hào)可以有效避免傳輸過(guò)程中的衰減和外界干擾[15-16]，因此拍攝實(shí)時(shí)運(yùn)動(dòng)的物體時(shí)表現(xiàn)更好；而CMOS相機(jī)成本較低，功耗較低，集成度高，且為線陣輸出，速度較快，拍攝靜態(tài)物體時(shí)可獲得相對(duì)較好的圖像。

傳輸部分一般采用圖像采集卡將圖像信號(hào)傳輸至處理器，并以數(shù)據(jù)文件的形式保存，便于后續(xù)對(duì)圖像進(jìn)行計(jì)算處理。

處理器有CPU(一般指計(jì)算機(jī))、DSP(數(shù)字信號(hào)處理)器件等，當(dāng)處理器接收到有效的數(shù)字圖像信號(hào)時(shí)，對(duì)圖像進(jìn)行處理，使其在保留特征參數(shù)的前提下盡量清晰。

此外，為確保圖像清晰、特征明顯，還需添加光源，一般來(lái)說(shuō)，優(yōu)良的光照布局環(huán)境是機(jī)器視覺(jué)系統(tǒng)高效工作的必要條件。目前工業(yè)應(yīng)用較多的光源有鹵光燈、熒光燈和LED燈[16]，其中，鹵光燈光照強(qiáng)，熒光燈可較好地還原目標(biāo)物體的色彩，但二者使用壽命短，需經(jīng)常更換。目前在機(jī)器視覺(jué)領(lǐng)域中，LED燈的使用占主導(dǎo)地位，其壽命長(zhǎng)、性?xún)r(jià)比高。除光源種類(lèi)外，還應(yīng)考慮光源形狀及光源與相機(jī)擺放的相對(duì)位置。光源有環(huán)形、條形等，常根據(jù)實(shí)際拍攝物體的形狀選擇。光源相對(duì)于相機(jī)有3種擺放方式：暗視野照明、明視野照明和背光照明。對(duì)于不同種類(lèi)的表面特征，應(yīng)當(dāng)通過(guò)實(shí)驗(yàn)確定光源的最佳擺放位置及擺放方式[17]。

2.2 軟件系統(tǒng)

開(kāi)發(fā)環(huán)境的搭建與硬件系統(tǒng)的選擇有關(guān)，若由計(jì)算機(jī)作為處理器，可以選擇簡(jiǎn)單的圖像化編程，如LabVIEW，若不能滿足要求，則可用C++或Python語(yǔ)言與OpenCV庫(kù)編寫(xiě)圖像采集及處理程序。

另外，還可利用FPGA(現(xiàn)場(chǎng)可編程門(mén)陣列)驅(qū)動(dòng)工業(yè)相機(jī)的圖像傳感器完成圖像的采集，然后由DSP進(jìn)行圖像的識(shí)別和處理，或直接通過(guò)FPGA控制圖像的采集，同時(shí)完成圖像的處理。這兩種方式的程序編寫(xiě)均需要硬件描述語(yǔ)言，目前采用的主要是VHDL與Verilog HDL。

3 圖像處理

為了更完整、高效地提取圖像中顆粒的尺寸信息，需對(duì)圖像進(jìn)行預(yù)處理，然后提取輪廓信息，最終經(jīng)過(guò)相關(guān)計(jì)算得到實(shí)際顆粒尺寸。圖像處理的算法流程如圖1所示。

圖1 圖像處理算法流程

3.1 圖像預(yù)處理

由于工廠環(huán)境及相關(guān)器件的影響，使得數(shù)字圖像在傳輸過(guò)程中易受設(shè)備及外部環(huán)境噪聲影響，直接對(duì)圖像進(jìn)行特征提取有較大難度，且所得數(shù)據(jù)不準(zhǔn)確，因此需要對(duì)圖像進(jìn)行預(yù)處理。工業(yè)相機(jī)所得顆粒原圖如圖2所示。

圖2 顆粒群原圖

對(duì)于上述現(xiàn)象，通常進(jìn)行降噪處理。目前常用的降噪方式主要是濾波，通過(guò)對(duì)圖像進(jìn)行適當(dāng)?shù)哪：幚恚跍p弱噪聲影響的同時(shí)，盡可能保留邊緣信息。具體方法有中值濾波、均值濾波及高斯濾波等。

中值濾波是將某一個(gè)像素點(diǎn)的值用鄰域像素點(diǎn)的中值代替，以達(dá)到濾波的目的，這種方法對(duì)于減弱椒鹽噪聲的影響有較好的效果。均值濾波則是取某一區(qū)域像素值的平均值，該方法可能會(huì)模糊圖像中顆粒的邊緣輪廓，不利于后續(xù)計(jì)算。高斯濾波依據(jù)距離加權(quán)平均，取某一模糊半徑內(nèi)的像素點(diǎn)，使距離越遠(yuǎn)的像素點(diǎn)的權(quán)重越小，進(jìn)而計(jì)算加權(quán)平均值。

本文采用高斯濾波，并根據(jù)實(shí)際情況設(shè)置高斯內(nèi)核大小及標(biāo)準(zhǔn)差，算法如下：

void GaussianBlur(InputArray src,OutputArray dst, Size ksize,double sigmaX,double sigmaY= 0,int borderType= BORDER_DEFAULT )。

3.2 輪廓提取

一般認(rèn)為圖像像素值變化幅度最大的地方為邊緣[18]，根據(jù)該原理可對(duì)圖像進(jìn)行邊緣提取，由于磷復(fù)肥造粒配方多樣，產(chǎn)品特征不完全一致，如顏色、形狀、表面粗糙度等，因此本文采用Canny算子對(duì)邊緣進(jìn)行檢測(cè)，能夠更精確地采集細(xì)微邊緣，其結(jié)果如圖3所示。

圖3 邊緣檢測(cè)結(jié)果

為減少計(jì)算量，提高程序運(yùn)行速度，Canny算法所處理的圖像若為彩色圖像，一般需要先進(jìn)行灰度化處理，本系統(tǒng)采用黑白相機(jī)，因此無(wú)需灰度化。由于圖像經(jīng)過(guò)了高斯濾波，對(duì)邊緣有一定的模糊，因此還需對(duì)圖像進(jìn)行增強(qiáng)處理，凸顯某一范圍內(nèi)灰度值的顯著變化，以此在一定程度上中和濾波影響。

此外，Canny算法中的一個(gè)重要步驟是對(duì)梯度幅值進(jìn)行非極大值抑制[19]，由于工業(yè)相機(jī)所得圖像邊界模糊，幾乎沒(méi)有像素值的突變，因此需要計(jì)算尋找某一領(lǐng)域內(nèi)梯度的幅值和方向。非極大值抑制則是將該區(qū)域內(nèi)像素點(diǎn)的所有非極大值設(shè)置為0，以此逼近人眼習(xí)慣，細(xì)化邊緣。

最后提取輪廓，但根據(jù)實(shí)際應(yīng)用結(jié)果，該方法會(huì)包含許多非理想邊緣，Canny算法提供的解決方式是雙閾值處理：設(shè)置高閾值，剔除非理想邊緣；設(shè)置低閾值，減少高閾值對(duì)輪廓產(chǎn)生的不能閉合的影響。代碼實(shí)現(xiàn)如下：

void CvCanny(const CvArr* image, CvArr* edges, double threshold1, double threshold2, int aperture_size=3)。

對(duì)比圖2和圖3可看出，輪廓提取質(zhì)量較高，幾乎無(wú)遺漏顆粒，且邊緣形狀合理，因此在該圖像基礎(chǔ)上可提取輪廓，作為計(jì)算前的最終結(jié)果。

3.3 數(shù)值計(jì)算

本文中圖像處理所得輪廓為不規(guī)則形狀，且存在黏結(jié)顆粒，該數(shù)據(jù)不能直接利用，因此結(jié)合篩分原理在圖像上作一最小外接矩形。理論上應(yīng)將矩形的短邊標(biāo)記為顆粒的直徑，但就實(shí)際應(yīng)用而言，由于光照條件等影響，顆粒存在陰影面，導(dǎo)致圖像輪廓短邊偏短，所以長(zhǎng)邊更準(zhǔn)確；且正常生產(chǎn)的情況下，磷復(fù)肥顆粒多為球形，因此，最終采用長(zhǎng)邊尺寸作為顆粒的測(cè)量直徑。

根據(jù)工業(yè)生產(chǎn)習(xí)慣，將顆粒尺寸分為3個(gè)粒級(jí)：偏小顆粒、合格顆粒和偏大顆粒。經(jīng)長(zhǎng)時(shí)間觀察，從3個(gè)粒級(jí)分別所占的百分比來(lái)看，測(cè)量結(jié)果與生產(chǎn)結(jié)果吻合度高。

此外，為便于后續(xù)工作的開(kāi)展和系統(tǒng)異常檢測(cè)，還計(jì)算了顆粒個(gè)數(shù)及其平均粒度。其中顆粒個(gè)數(shù)為0時(shí)，表示圖像中無(wú)有效顆粒，應(yīng)觀察下料是否異常；顆粒個(gè)數(shù)過(guò)多時(shí)則表示產(chǎn)品多，應(yīng)適當(dāng)加大水蒸氣的量及其他藥劑量[3]；而平均粒度的計(jì)算能夠較好地反映顆粒粒度變化的總體情況。

4 現(xiàn)場(chǎng)應(yīng)用

將基于上述算法的顆粒粒徑采集軟件用于江西新洋豐股份有限公司造粒車(chē)間的1號(hào)生產(chǎn)線上，根據(jù)平均粒徑和成品粒徑的合理占比實(shí)時(shí)控制造粒蒸汽閥門(mén)開(kāi)度，取得了較好的粒度在線分析效果。

5 結(jié)論

本文基于機(jī)器視覺(jué)技術(shù)，對(duì)磷復(fù)肥造粒檢測(cè)結(jié)果進(jìn)行分析，并根據(jù)造粒特征確定采用硬件設(shè)備采集圖像，編寫(xiě)了處理程序，其運(yùn)行時(shí)能夠準(zhǔn)確識(shí)別顆粒輪廓并計(jì)算，計(jì)算結(jié)果與實(shí)際生產(chǎn)結(jié)果吻合，還計(jì)算了平均粒度與每張圖片的顆粒個(gè)數(shù)，為后續(xù)研究奠定了基礎(chǔ)。