粉碎機篩網破損在線自動識別裝置設計與試驗

張偉健，牛智有，劉 靜，劉梅英，唐 震

（1. 華中農業大學工學院，武漢 430070；2. 農業農村部長江中下游農業裝備重點實驗室，武漢 430070）

0 引言

在飼料生產過程中，原料粉碎是關鍵工序之一，是減小原料粒度以使飼料適合于動物喂養和消化的標準程序[1]。原料粉碎粒徑的大小是飼料產品的重要加工指標[2]，影響著飼料產品的質量，進而影響動物對飼料的攝入及其胃腸道的發育[3]。使用較小的飼料顆粒可以促進畜禽對飼料營養的吸收消化[4]。錘片式粉碎機與其他粉碎設備相比具有易于操作和能夠精細粉碎各種飼料原料的優勢，因此在飼料原料的粉碎工藝當中得到了廣泛應用[5-6]。錘片式粉碎機的篩網是易損部件，若磁選工序中未能將本應除去的金屬雜質或不能除去的硬質雜質如石塊等剔除，此類雜質進入粉碎機將受到粉碎機高速旋轉產生的離心作用和錘片打擊作用而沖擊篩網，造成篩網破損、粉碎粒度增大等生產問題，進而影響飼料的加工質量[7-9]。

由于篩網破損是飼料粉碎加工中常見的生產問題，目前，飼料廠一般配備專門的巡檢員每半小時從各料倉入倉前的溜管中取樣，通過人工感官或標準篩對樣本進行篩分識別是否有異常顆粒[10]，從而間接判定篩網是否破損。隨著飼料廠生產規模的不斷擴大，錘片式粉碎機的產能可高達35×103kg/h[11]，若取樣間隔達到或超過半小時，在此期間篩網發生破損則可能生產出17×103kg以上的不合格粉碎原料，從而影響產品質量或產生極大的經濟損失。人工識別粉碎機篩網破損容易造成人為的識別錯誤，效率低，難以滿足自動化生產要求，且容易出現漏檢，造成產品粒度不合格，時間成本和人力成本高。

隨著計算機技術和自動化技術的發展，飼料生產自動化和智能化成為必然趨勢。近年來，國內飼料生產智能化、自動化水平日益提高，飼料生產的智能化管理和自動化設備研發已成為未來發展的方向[12]。

機器視覺技術具有快速、無損的優勢[13-17]，已廣泛應用于農產品品質檢測與識別中，如陳進等[18]提出了一種基于機器視覺的聯合收割機水稻籽粒破碎在線監測方法；王石[19]使用機器學習的方法對大米的外觀品質進行檢測分類；王建宇[20]設計了基于卷積神經網絡的玉米籽粒精選樣機；Tu等[21]使用機器視覺的方法分選出優質的胡椒種子；Chen等[22]使用機器視覺對有色大米的質量進行檢測；Li等[23]使用工業相機采集圖像，采用一種多特征算法識別蒜瓣的姿態后調節蒜瓣的種植位置等等。在飼料產品檢測方面，無損檢測多應用于飼料營養組分的測定。現階段國內飼料廠未見可供自動檢測粉碎粒度和識別篩網破損的設備，粉碎機篩網破損自動識別檢測技術國內學者鮮有研究，何沖等[24]構建了一種基于線陣圖像與皮帶同步傳送相結合的掃描檢測裝置，通過顆粒粒度分析，用于粉碎機篩網破損檢測，但難以達到在線自動識別的要求。

為實現粉碎機篩網破損的在線自動識別，本文采用現代自動取樣技術結合機器視覺，開發了飼料原料自動取樣裝置并構建了粉碎機篩網破損在線自動識別系統，通過采集粉碎顆粒圖像，分別建立基于閾值法、K近鄰法（K-Nearest Neighbour，KNN）和徑向基函數支持向量機（Radial Basis Function Support Vector Machine，RBFSVM）的篩網破損識別模型，并對3種模型進行比較獲取最佳識別模型，旨在為實現粉碎機篩網破損在線自動識別提供一種新的方法和技術支撐。

1 篩網破損在線自動識別裝置

本文設計的粉碎機篩網破損在線自動識別裝置總體結構如圖1所示，裝置與溜管相聯接，主要由取樣機構、篩分機構和圖像采集機構等組成，在線監測識別溜管中物料的狀況。取樣機構（包括取樣盒、保護罩、氣缸和卸料斗）的功能是自動采集溜管中的粉碎樣本；篩分機構（包括篩網和振動給料器）對采集到的樣本進行篩分，剔除樣本中的細粉物料；圖像采集機構（包括環形光源、相機和鏡頭、暗箱）的作用是采集被輸送至圖像采集區域的剔除細粉后顆粒樣本的圖像。

裝置的工作步驟：首先打開控制單元總開關，上位機控制軟件和PLC啟動，取樣機構從生產線溜管中取樣并送入篩分機構，篩分機構將樣本篩分后送至圖像采集區域，此時振動給料器暫停動作（目的是保證相機拍攝到靜止狀態下清晰的樣本圖像），相機采集樣本圖像，圖像采集完成后，振動給料器重新啟動，樣本離開圖像采集區域，同時上位機對樣本圖像進行灰度化、去噪和二值化等預處理，提取圖像的特征參數并代入訓練好的模型算法進行篩網破損識別。如果判定篩網正常，粉碎機正常工作，如果判定篩網破損，則系統發出報警或粉碎機自動停止工作，檢測識別結束，根據預設時間周期，裝置等待下次自動重啟，再次檢測識別。裝置工作狀態示意圖如圖2所示。

2 關鍵結構設計

2.1 取樣機構

當前的篩網破損識別取樣方法采用人工將取樣勺伸進溜管中隨機取樣，因此開發篩網破損在線識別裝置首先要解決的技術問題是在線自動取樣。本研究對工業上常用的自動取樣裝置[25-26]進行結構改造，如圖3所示，取樣機構主要由取樣盒、保護罩、卸料斗和氣缸等組成。取樣機構的作用是自動提取溜管中的粉碎物料樣本，提取的樣本通過卸料斗進入篩分機構。

溜管的直徑為250 mm，依據這一尺寸數據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計為167 mm×98 mm×98 mm。考慮到飼料加工車間有氣源動力，選擇ESC32×90型氣缸實現取樣盒進出溜管的取樣動作。為保證溜管的密封性，取樣盒一端設計為在未取樣狀態下與溜管相切的曲面，達到封閉防塵的效果；取樣盒另一端面開孔與氣缸活塞桿連接；取樣盒內的斜面角度為60°，樣本可沿斜面下滑至取樣盒中；保護罩包覆取樣盒，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，下端開口尺寸為100 mm×40 mm。保護罩與卸料斗間開有卸料口，當樣本從卸料口進入卸料斗時，上寬下窄的結構能夠控制樣本下落流量，可防止樣本在篩網上堆積。

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，并通過卸料斗進入篩分機構。待樣本量達到要求后，氣缸活塞桿回縮拉回取樣盒，完成取樣。

2.2 篩分機構

經取樣機構提取的飼料樣本在送至圖像采集機構前還需經過篩分機構去除其中的細粉，可采用振動給料器實現振動和物料直線傳送[27]。篩分機構的結構如圖4所示，主要由振動給料器、篩網和固定底座組成。篩分機構的作用是將取樣機構獲取的樣本進行篩分，剔除樣本中的細粉，并將篩上物送至圖像采集區域。振動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，在料斗適當部位加工篩網安裝槽。在料斗底部開120 mm×10 mm的矩形開口作為篩下物出口。篩下物細粉從出口排出，而篩上物在振動給料器的振動下分散并沿篩網斜面被送至圖像采集區域。

2.3 圖像采集機構

圖像采集機構主要由暗箱、相機、鏡頭、光源、云臺和連接件組成，如圖5所示。選用CGU2-500C型面陣工業相機（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）、環形LED光源（CGimagetech公司，白光，功率5 W）及云臺（貝欣QJ01，360°旋轉可調，承重5 kg）。

暗箱底座與支架采用螺紋連接固定，暗箱側面開有縱向滑道，供云臺固定和相機與鏡頭的安裝高度調試；暗箱頂部開有線孔，供相機和環形光源接線使用；暗箱的內壁和圖像采集區域貼附有黑色毛面紙，使金屬表面的鏡面反射變為漫反射，解決光反射干擾；相機固定在云臺上。環形光源與鏡頭同心固定在鏡頭外壁。

3 控制系統設計

控制系統使用的PLC型號為西門子S7-200 CPU226，使用Step7 Micro/win v4.0 SP9作為PLC的編程軟件，上位機操作系統為Windows 732位企業版。控制系統硬件連接如圖6所示。

控制系統實現對自動取樣、樣本篩分和圖像采集過程的控制，具體流程如圖7所示。控制系統以PLC為核心，通過程序控制電磁閥的氣路切換，控制氣缸動作實現自動取樣；通過控制電磁繼電器的通斷控制振動給料器實現樣本篩分；PLC輸出的高電平觸發工業相機，實現剔除細粉后顆粒樣本圖像的采集；最后通過RS-485電纜實現PLC與上位機的通信，通過USB電纜實現工業相機與上位機的數據傳輸，將采集到的圖像存儲至上位機并進行相關處理。

4 篩網破損識別試驗

4.1 試驗材料與設備

為了驗證本裝置的可行性，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%）作為試驗材料；粉碎機為9FQ-320型錘片式粉碎機；篩網采用孔徑為1.0 和2.0 mm的沖孔篩網，人為破壞篩網，破損位置為篩網幾何中心。由于篩網破損是隨機發生的，破損孔大小不一，破損面積一般為3～50 cm2[11]，而篩網發生小面積破損對飼料粉碎粒度的影響很小，故本文設置篩網破損面積為28 cm2。

4.2 圖像采集與處理

圖像采集過程如圖8所示。采集孔徑1.0和2.0 mm篩網正常與破損狀態下的4種粉碎玉米圖像，每種圖像100張，共400張。將全部400張按圖像類別隨機分為用于識別模型建立的訓練集圖像200張和作為測試模型效果的測試集圖像200張。由于錘片式粉碎機過粉碎現象明顯，無論篩網是否破損，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，且由于受到振動給料器的振動作用，大顆粒較為分散，因此獲取的樣本圖像中未出現顆粒堆疊或粘連現象。

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，由于隨機誤差影響，圖像有可能出現噪聲，因此對采集到的圖像做灰度化、去噪和二值化處理。

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

經過以上圖像預處理后，二值圖像中顆粒已和背景完全分離，可以進行顆粒特征參數提取。

4.3 顆粒特征參數提取

篩網破損出現的異常顆粒粒徑必然大于篩網孔徑。因此可以從顆粒的投影輪廓判斷粉碎機篩網是否破損。本文使用OpenCV提供的庫函數查找并繪制圖像中的顆粒投影的輪廓，調用庫函數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，進一步換算出等效投影圓直徑（下文簡稱等效直徑），通過公式（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個顆粒的投影面積，mm2。

顆粒的最小外接矩形貼近顆粒的實際輪廓，因此可以從顆粒的最小外接矩形特征判斷粉碎機篩網是否破損。圖像中每個顆粒的最小外接矩形面積同樣可由OpenCV提供的庫函數直接求得，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，求出所有樣本圖像的Dm和Sm。

4.4 圖像標定

由于OpenCV求取目標面積的庫函數輸出的參數為像素點個數，因此需要將其轉化為實際輪廓面積或實際最小外接矩形面積。如圖11所示，采用傳統相機標定法，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的正方形標定物[28]于圖像采集區域中，拍攝圖像并獲取各標定物輪廓面積的像素點個數和最小外接矩形面積的像素點個數，確定標定物的像素點個數和標定物的實際面積間的比例系數。根據計算結果，繪制圖像處理所測標定物的像素點個數和標定物的實際面積比例系數的散點圖，并對二者做線性回歸。以x作為標定物的實際面積，y作為標定物在圖像中的像素點個數，得出標定物像素個數與標定物實際面積的關系為y=21.075x（R2=0.9999），標定物的最小外接矩形像素個數與標定物的實際面積的關系為y=21.815x（R2=1），線性回歸效果好，可采用所提方法將所測目標的像素點個數轉換為目標的實際面積。

4.5 數據處理

采用Excel 2010進行數據記錄，SPSS 23.0作數據分析，使用Sklearn庫建立KNN模型，使用LIBSVM工具箱輔助建立RBFSVM模型，采用 Origin Pro 2020進行繪圖。上位機CPU型號為AMD Ryzen 2200g，內存16 G。

5 結果與分析

5.1 特征參數統計結果與分析

觀察試驗中采集到的原始樣本圖像發現，使用正常篩網粉碎物料之后，樣本的圖像中仍出現大于篩網孔徑的大顆粒。這些大顆粒多為細長顆粒和玉米種皮，細長顆粒可以以特定角度通過篩網，而玉米種皮容易發生形變，在未達到粉碎粒度要求之前即可能在振動、擠壓等作用下通過篩孔排出。為了確認這種使用正常篩網粉碎得到的樣本出現大于篩網孔徑顆粒的情況并非系統誤差所致，分別使用孔徑1.0 和2.0 mm的標準篩對樣本進行篩分，發現2種標準篩均存在篩上物，從而證明使用正常篩網粉碎的物料也可能出現大于篩網孔徑的顆粒，并非系統誤差所致，大顆粒的出現與否不能直接作為篩網破損的判定依據，應提取并分析顆粒特征參數，找到判定依據。

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，并分別計算出它們的最大值、最小值和平均值，結果如表1所示。由表1可知，同一篩網孔徑下Dm和Sm的最大值、最小值和平均值在篩網正常和破損時有較大差異，由此推測這2個特征參數與篩網是否破損具有相關性。

表1 樣本圖像特征參數的統計學結果 Table 1 Statistical results of sample image feature parameters

為驗證以上推測，分別對Dm以及Sm與篩網是否破損進行Spearman相關性分析，結果如表2所示。由表2可知，2種篩網孔徑下，Dm和Sm均和篩網是否破損極顯著相關，證實了這2個特征參數與篩網是否破損具有相關性的推測。因此，本文采用Dm和Sm作為判定篩網破損的特征參數是合理的。

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

5.2 篩網破損識別模型的建立

5.2.1 基于閾值法的篩網破損識別模型

數據集中的每張圖像都對應唯一的Dm和Sm。求出同一孔徑下正常篩網訓練集所有圖像的平均Dm，求出同一孔徑下破損篩網訓練集所有圖像的平均Dm，再將這2個平均Dm求平均值作為識別篩網破損的閾值Da，再以同樣的方法提取訓練集所有圖像的平均Sm并得到識別篩網破損的閾值Sa。

找出同一孔徑下正常篩網訓練集中所有圖像的最大Dm，和同一孔徑下破損篩網訓練集中所有圖像的最小Dm，將最大Dm和最小Dm求平均值作為識別篩網是否破損的閾值Db，再以同樣方法找到訓練集所有圖像Sm的最值進行計算，得到識別篩網破損的閾值Sb[24]。各閾值結果如表3所示。

表3 粉碎機篩網破損判定閾值 Table 3 Evaluation threshold of screen breakage of crusher

建立閾值法篩網破損識別模型。在Da、Sa、Db和Sb各自單獨作為識別閾值時，將測試集每張圖像的Dm與Da或Db比較，Sm與Sa或Sb比較，出現Dm＞Da、Dm＞Db、Sm＞Sa和Sm＞Sb這4種情況時均判定篩網破損，反之判定篩網正常（未破損），本研究在文獻[24]的基礎上，將多個參數結合共同作為篩網破損識別的判定依據，將Da和Sa或Db和Sb作為共同識別閾值，規定只有當Dm＞Da且Sm＞Sa同時成立或Dm＞Db且Sm＞Sb同時成立時判定篩網破損，其他情況則判定篩網正常（未破損）。最后比較判定結果與實際情況，驗證篩網破損識別的準確性。

試驗結果如表4所示。由表4可知，以Db、Sb單獨作為識別閾值和以Db和Sb共同作為識別閾值，分別比以Da、Sa單獨作為識別閾值和以Da和Sa共同作為識別閾值時測試集識別正確率要高，且2種孔徑下篩網破損的最優識別結果均在Db和Sb共同作為識別閾值時出現，表明結合多個參數進行篩網破損識別較單一閾值識別方法具有一定優勢。在Db和Sb共同作為識別閾值時，孔徑1.0 和2.0 mm篩網的訓練集識別正確率分別為92%和100%，測試集識別正確率分別為98%和93%，測試集運行平均耗時0.01 s。

進一步分析發現，采用閾值法模型的12次篩網破損識別中，有50%的訓練集識別正確率低于測試集，究其原因，由于粉碎過程中顆粒通過篩網破損孔具有一定隨機性，造成從訓練集和測試集中提取出的特征參數分布有一定差異，導致閾值法篩網破損識別模型具有不穩定性。

表4 閾值法篩網破損識別結果 Table 4 Screen breakage identification results based on threshold method

5.2.2 基于KNN方法的篩網破損識別模型

由表1可知，篩網在正常和破損情況下同一特征參數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器學習算法，通過計算給定樣本和已有樣本中最近的k個樣本的距離，確定給定樣本的類別歸屬[29]，適合本研究中的數據特點。將Dm和Sm作為KNN的輸入參數，通過優化輸入參數個數和使用5折交叉驗證法優化k值，建立KNN分類模型，最后進行模型測試。

如表5所示，當同時輸入Dm和Sm時模型的測試集識別正確率均高于單獨輸入Dm或Sm。當同時輸入Dm和Sm且k=3時，孔徑1.0 mm的篩網在訓練集和測試集的識別正確率為96%和94%，孔徑2.0 mm的篩網在訓練集和測試集的識別正確率均為96%，測試集運行平均耗時0.39 s。結果表明，KNN分類模型的識別正確率高，相較閾值法模型， KNN分類模型不受訓練集和測試集的特征參數分布的影響，可以穩定地對待測樣本圖像進行分類，從而識別篩網是否破損。

表5 基于KNN方法的篩網破損識別結果 Table 5 Identification results of screen breakage based on K-Nearest Neighbour(KNN) method

5.2.3 基于RBFSVM方法的篩網破損識別模型

支持向量機（Support Vector Machine，SVM）是一種有監督學習的機器學習算法，通過劃分給定樣本的最大邊距超平面將樣本二元分類[30]。就測試集在模型上的測試速度而言，KNN的測試過程需要依次計算每個訓練樣本和測試樣本的距離，而SVM在訓練完成后根據超平面函數直接判定預測點的標簽，測試效率比KNN高，更符合在線識別的需求。本研究選取徑向基函數（Radial Basis Function，RBF）作為SVM的核函數，在分類學習過程中，將Dm和Sm作為輸入參數，采用5折交叉驗證和網格搜索法優化懲罰系數C和RBF核函數的gamma參數g，建立RBFSVM分類模型，最后進行模型測試。

使用LIBSVM工具箱[31]尋找最優的C和g參數對，設置交叉驗證參數Kfold為5，C的網格搜索范圍為2-5～215，g的網格搜索范圍為2-15～23。在獲得最優懲罰系數C和RBF核函數的gamma參數g后，將最優參數對（C，g）代入模型后對測試集進行測試。

如表6所示，當同時輸入Dm和Sm時模型的測試集識別正確率均高于單獨輸入Dm或Sm，當篩網孔徑為1.0 mm時，同時輸入Dm和Sm且最優參數對（C，g）為（2-5，2-7）時，訓練集和測試集的識別正確率分別為96%和89%；篩網孔徑為2.0 mm時，同時輸入Dm和Sm且最優參數對（C，g）為（2，2-1）時，訓練集和測試集的識別正確率分別為97%和91%，測試集運行平均耗時0.33s。結果表明，RBFSVM分類模型識別正確率較高，模型同樣不受訓練集和測試集的特征參數分布的影響，可以穩定地對待測樣本圖像進行分類，但比KNN分類模型的識別正確率低。

表6 基于RBFSVM方法的篩網破損識別結果 Table 6 Identification results of screen breakage based on Radial Basis Function Support Vector Machine method

分析比較3種篩網破損識別模型可知，3種識別模型對篩網破損的最優測試集識別正確率均達到了89%以上。基于閾值法的篩網破損識別模型對孔徑1.0和2.0 mm篩網的最優測試集識別正確率分別為98%和93%，測試集平均耗時0.01 s，但由于粉碎過程中顆粒通過篩網破損孔具有一定隨機性，造成從訓練集和測試集中提取出的特征參數有一定差異，導致閾值法篩網破損識別模型具有不穩定性；基于KNN的篩網破損識別模型對孔徑1.0 和2.0 mm的篩網的測試集最優識別正確率分別為94%和96%，測試集平均耗時0.39 s；基于RBFSVM的篩網破識別模型對孔徑1.0 和2.0 mm的篩網的測試集最優識別正確率分別為89%和91%，測試集平均耗時0.33 s。KNN模型和RBFSVM模型均較閾值法模型穩定。由于KNN模型和RBFSVM模型的測試集平均耗時相近，在模型評價中可忽略模型運算速度帶來的影響，KNN模型的篩網破損識別正確率比RBFSVM模型更高，因此最終選擇基于KNN方法的篩網破損識別模型作為本系統的篩網破損識別算法。

6 結論

本研究針對當前飼料生產過程中主要依靠人工獲取飼料原料樣本、通過感官或標準篩識別樣本的粒度，從而判定粉碎機篩網是否破損這一方式帶來的弊端，設計了基于機器視覺的粉碎機篩網破損在線自動識別系統，提出了一種識別粉碎機篩網是否破損的新的方法。

1）設計了粉碎機篩網破損在線自動識別裝置，裝置主要由取樣機構、篩分機構和圖像采集機構等組成。裝置工作時，取樣機構從生產線溜管中取樣并送入篩分機構，篩分機構將樣本篩分后送至圖像采集區域，相機采集樣本圖像。

2）分析樣本圖像特點，經圖像預處理后，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，并使用正方形標定物確定圖像中顆粒像素點個數與顆粒真實面積間的關系。

3）以玉米為試驗材料，分別采集孔徑1.0 和2.0 mm篩網正常與破損狀態下的4種粉碎后的玉米顆粒圖像，建立基于閾值法、KNN方法和RBFSVM方法的篩網破損識別模型。使用閾值法識別模型，當采用Db和Sb共同作為識別閾值時識別效果最優，孔徑1.0 和2.0 mm的篩網在測試集的識別正確率分別為98%和93%，測試集運均耗時0.01 s，但模型具有不穩定性；使用KNN識別模型，當同時輸入平均等效直徑和平均最小外接矩形面積且臨近值個數k為3時識別效果最優，孔徑1.0 和2.0 mm的篩網在測試集的識別正確率分別為94%和96%，測試集運行平均耗時0.39 s；使用RBFSVM識別模型，當同時輸入平均等效直徑和平均最小外接矩形面積且懲罰系數C和徑向基函數的gamma參數g組成的參數對（C，g）分別為（2-5，2-7）和（2，2-1）時識別效果最優，孔徑1.0 和2.0 mm的篩網在測試集的識別正確率分別為89%和91%，測試集運行平均耗時0.33 s。以測試集識別正確率和模型穩定性作為模型的評價標準，在模型運行速度不影響工作效率的情況下，最終選擇基于KNN方法的篩網破損識別模型作為本系統的篩網破損識別算法。