基于機器視覺與機器學習的植物粉碎機智能監控系統

0 引言

植物粉碎機是實施植物類垃圾資源化利用關鍵的機具，其種類繁多、數量可觀。傳統植物粉碎機一般采用恒參數運行模式，對物料種類、運行狀況、故障狀態等缺乏識別能力，影響設備的使用效率。因此，需要設計出智能型的植物粉碎機監控系統。近年來，機器視覺和機器學習技術在工業智能化生產領域得到廣泛應用。圖像識別技術可以有效判別物料種類，而機器學習則可以快捷地對各種設備運行數據進行分析和檢測，以實現對設備故障的預先診斷。基于此，研究結合機器視覺與機器學習算法，設計一套植物粉碎機智能監控系統，旨在識別物料與監控破碎過程的基礎上，實現故障預警與運行參數的智能優化。研究結果表明，該系統增加了設備運行的安全性與可靠性，降低了維護費用，為農業機械智能化發展提供了新思路。

1植物粉碎機智能監控系統的功能需求

1.1物料識別與分選

系統通過機器視覺技術，進行物料種類分析（包括秸稈、樹葉、樹枝等）和物料比例的統計，以便針對不同種類物料調整粉碎參數，及時有效地保證不同類型物料的破碎加工質量。

1.2 破碎過程監控

系統實時監控破碎過程中的工作參數，包括破碎物料顆粒度、破碎不均勻度和物料加工速度等，通過對破碎后的結果照片進行分析，檢查破碎的效果是否滿足要求。若出現顆粒度過大、破碎效果不均的情況，系統則進行預警并記錄異常情況。

1.3 故障預警

系統通過機器學習對設備的振動信號、溫度、電流等多種數據進行收集，對設備的運轉情況進行分析，并通過訓練好的故障模型判斷是否出現故障。

1.4參數智能優化

系統通過機器學習算法，結合當前粉碎的不同物料對設備運行關鍵參數（如設備的轉速、壓力等）進行智能調整和優化。對關鍵參數進行優化，可以提高設備運行效率，降低設備運行能耗。

1.5數據存儲處理和圖形顯示

系統采集數據并進行存儲管理，支持運行數據、故障數據和優化結果查詢，同時將設備運行狀態、物料識別和破碎效果、預測信息在可視化界面上實時展示，以便操作人員充分掌握設備運行狀態。

1.6遠程監控與維護

系統可進行遠程監控與維護。操作人員可通過網絡遠程查看與控制設備狀態，同時通過云分析進行設備的優化維護，實現無人化的設備管理和維護。

2機器視覺在植物粉碎機中的應用策略

2.1物料識別與分類策略

基于機器視覺的植物粉碎機進料識別與分揀系統通過在植物粉碎機的進料口裝上工業相機，實時采集進料的圖像數據信息，利用卷積神經網絡等深度學習方法進行植物類型的識別。該系統可以實現對不同物料圖像的紋理、色澤、幾何形態等信息的提取，從而識別出不同的物料類別（如樹葉、秸稈、樹枝等），或者面對混合物料時，采用機器視覺的圖像分割手段，將拍攝的圖像進行不同區域的信息分割，從而測算物料類型占整體的百分比。該策略的關鍵在于提高識別物料的準確率，為下一步調整粉碎工藝提供信息基礎。例如，若硬質物體（樹枝）較多可適當提高轉速，若軟質物體（樹葉）較多則可適當減小粉碎力度，從而減小粉碎機的損耗程度，降低能耗。

2.2 破碎效果的實時監控策略

在破碎作業時，操作者可通過機器視覺技術系統，對破碎后的顆粒進行監控，如監測破碎后的粒徑大小、破碎均勻度等，以確定破碎程度是否達到理想狀態。現實中，該系統可以通過圖像分割算法把破碎的顆粒與背景隔離開，對顆粒進行分析處理。在篩分器將顆粒分離后，該系統通過顆粒尺寸算法計算顆粒的粒徑分布，利用幀間動態檢測方法對物料的流速、流率進行實時監測。物料流速過大、過小或均勻度不夠等，可能是因為刀盤存在磨損或是人料量不均勻。該系統需要根據圖像檢測結果進行預警，及時通知操作工人調整運行參數。這種實時監控可以減少不良粉碎帶來的生產效率損失，增加粉碎作業的穩定性和質量的可靠性。

2.3關鍵部件狀態的視覺檢測策略

機器視覺技術還可以用于植物粉碎機重要部件的狀態檢測，如對刀片和篩網的磨損情況進行檢測。系統對刀片和篩網進行定期圖像采集，利用邊緣檢測算法分析刀片鋒利度，利用紋理分析算法檢測篩網上的裂縫或堵塞情況。在實際應用中，該系統需要在設備故障發生前主動發現問題，通過智能分析向維護者提供維護建議。例如，當檢測到刀片磨損程度高于預設閾值時，智能系統向使用者發出更換刀片的提示，以防止刀片損壞引起的粉碎效率降低或設備損壞。對植物粉碎機的重要部件進行狀態視覺監測，可延長設備使用時間并降低設備維護成本，實現對設備的智能化、精確定位維護。

3基于機器視覺與機器學習的植物粉碎機智能監控系統的設計

3.1智能監控系統的總體架構設計

植物粉碎機智能監控系統設計需要結合機器視覺和機器學習兩種技術，系統整體包括數據采集層、數據處理層和數據執行層等3層結構。數據采集層利用工業攝像頭和多種傳感器實時采集物料圖像和設備運行信息（如振動、溫度、電流等）。工業攝像頭具有高速采集且抗干擾能力強等優勢，可實現動態物料流的監控；傳感器應部署在整個設備的關鍵部位（如刀片、傳動裝置等）。數據處理層為系統核心，用于處理采集的信息，其中機器視覺層利用深度神經網絡（如YOLO和MaskR-CNN等）進行物料識別和物料破碎效果評價，利用故障預測模型（如長短期記憶神經網絡LSTM）和優化模型（如強化學習RL）等實現設備狀態評估與設備參數的設置。系統借助邊緣計算技術，將數據分析模型進行本地化部署，在本地完成數據的初步處理，縮短云分析時間間隔。數據執行層將分析結果轉化為控制指令，指導設備實時調整運行參數，并且采用可視化控制界面將信息反饋至工作人員，經過反饋執行層系統數據和控制數據相互交融，實現系統的實時性[1]

3.2數據采集與模型集成平臺的設計

系統應實現穩定可靠的多源傳感器數據采集，并將振動信息、溫度信息、電流信息、物料特性參數等實時、可靠地傳送至集中控制系統。邊緣計算下的實時監測系統，在設備邊緣側完成數據預處理（濾波、特征提取等），并將數據輸送至云端，實現深度學習模型訓練及模型優化。為實現數據采集與數據分析的有效銜接，研究采取微服務的方式搭建模型融合的算法庫，將故障診斷模型、參數優化模型、監控可視化模塊置于一個系統中。同時，平臺采用模型更新算法，基于設備運行的真實數據對模型進行持續訓練，以保障監控系統的可靠性[2]

3.3粉碎產物質量評估與智能反饋體系設計

機器視覺技術可用于對粉碎產物的質量分析，保證粉碎后的顆粒尺寸及均勻性達到不同使用要求。該系統基于高幀率相機及圖像處理技術進行粉碎產物實時分析，并利用深度學習的分類算法判斷粉碎結果。在粉碎物料排出口安裝一臺攝像機，進行物料圖像采樣，并運用圖像分割、邊緣檢測等算法對粉碎后物料進行顆粒大小分布的計算，通過特征匹配法進行顆粒的形狀特征分析，如長寬比、圓形度等，以保證產物質量符合預期要求[3]

在進行粉碎作業時，視覺系統可以利用以往的物料粉碎記錄，結合機器學習算法（SVM或RF等機器學習算法），計算出當前物料的最佳粉碎條件，并對刀片轉速、篩網尺寸及物料的流速等工藝參數進行優化。若發現粉碎后的顆粒過大或者粉碎粒徑不一致，系統可相應調節刀片轉速或變換物料的篩分形式等，使其得到理想的粉碎均勻性。機器視覺系統也可以對粉碎后的物料含水率或顏色進行測定，來判斷是否需要進一步烘干及是否需要變化粉碎形式，進而提高物料的粉碎質量。此智能反饋系統能有效提高粉碎質量，避免不均質粉碎產生能源的損耗。物料粉碎機可根據不同的物料、不同的粉碎形式或不同的應用需求進行智能化調整，以適應不同的工作狀態，實現物料粉碎的高效及穩定。在此基礎上，該系統可通過大數據分析，找出不同季節、不同原材料粉碎效果的差異，并據此調整刀片類型或篩網規格，以提高適應性[4]。

4基于機器視覺與機器學習的植物粉碎機智能監控系統的實況

4.1機器視覺與機器學習技術的集成實現

基于機器視覺的物料分析模塊主要對采集的物料圖像進行分析，應用ResNet、EfficientNet等深層神經網絡模型，實現物料種類、破碎尺寸及破碎均勻度的識別。另外，綜合動態分析系統可以考慮物料流量的變化，從而識別進料異常情況。其中，機器學習模塊是多模態數據融合的模型，基于視覺模型的圖像分析結果及傳感器獲取的運行狀態特征，實現對運行狀態模型的綜合。機器學習模塊可以采用傳統算法中的決策樹、隨機森林等方法，對特征進行提取，融合深層神經網絡模型（如Trans-former），實現多模態數據融合。該系統采用以上方法實現兩者的集成，將圖像分析模型和時間序列模型集成在同一框架結構中，可支持圖像和時序模型的交互處理；根據物料識別結果（如物料硬度），通過控制參數（如刀片轉速）的實時反饋來調節設備運行狀態；根據歷史數據進行設備故障預判，實現基于視頻分析的閉環智能控制，進而提高智能化水平[5]。

4.2機器視覺模型調整與智能優化

采用基于機器視覺的柔性進料優化控制方案能夠提升植物粉碎機的工作效率和粉碎效果。該系統通過在進料口布置高速工業相機和傳感器對物料的流量、形態和材質進行實時測量，并通過AI算法評估當前粉碎狀態，從而實現柔性進料控制。例如，根據視覺系統測量出來物料密度、濕度和大小，實時調節粉碎機的進料速度，以防止粉碎機卡死或者高功率運行。借助視覺感知系統和反饋閉環控制策略，粉碎機能夠在檢測到進料故障的情況下自行控制進料傳輸帶的轉速，防止進料過載或者進料不足的現象發生，從而提高粉碎機進料的穩定性。該系統通過機器視覺中的目標跟蹤算法（KCF，CSRT）持續監測進料位置的變化，并通過深度學習算法（YOLO，MaskR-CNN）對進料形狀和成分進行判別。如果發現進料速度突然增加或存在雜物（如金屬異物），該系統可利用自動進料裝置調節進料量，并在必要時觸發自動報警裝置，從而避免設備受損。基于視覺感知的進料過程優化能夠避免設備浪費能耗，并防止物料過多過重導致設備受損。

4.3智能監控系統的軟硬件協同優化

系統選擇適當的邊緣計算處理設備實現視覺、學習機器人的實時計算任務分析，合理安排工業相機、感應器的布置，防止出現視覺盲區、數據延遲的問題。另外，考慮到惡劣條件下的使用情況，對設備采取了相應的保護措施，在粉塵、高溫等環境下增加相應的保護設備。系統采用模塊化的開發模式，保證各個功能模塊（數據采集、視覺分析、機器學習、決策反饋）互不干涉又各司其職。系統利用ROS（機器人操作系統）或Kafka作為數據傳輸管道，以保證系統軟件多線程處理超大規模數據的實時性。系統采用自學習、自更新算法來保證系統的在線更新及修正，使用聯邦學習、遷移學習等機器學習算法來實現系統預測模型在不同運行狀態的自我適應性。系統采用用戶友好型的交互界面，實時動態展示所監測物品的識別結果、設備工作狀態、設備故障狀態和預測信息，方便現場操作人員從屏幕直接觀察到設備狀態，從而做出判斷與決策。這樣的軟硬件協調優化設計在一定程度上保證了系統運行時的高效性[6]

5結束語

研究主要結合機器視覺和機器學習技術，對植物粉碎機在線監控的總體方案、關鍵技術組合及軟硬件等方面進行了優化。研究從多方面介紹了基于機器視覺和機器學習技術的植物粉碎機智能監控系統的設計理念，該系統采用機器視覺系統實現了粉碎機在線物料分類，采用機器學習技術對機器振動、電機功率及環境變量進行數據分析，采用邊緣計算及云平臺實現低時延、高性能的實時控制與在線監控，可以使粉碎機在復雜環境下穩定運行，減少能耗及后期的維護成本。研究提到的智能監控系統設計可提高設備運行效率及產品品質，減少故障維修成本，可為智能制造相關研究設計提供借鑒。

參考文獻：

[1]化云朋.基于機器視覺的物流分揀系統研發[D」.常州：常州大學，2022.

[2]王伯群，石昭宇，閆亞威，等.基于機器視覺的無人水果售賣系統[J].現代電子技術，2023，46（19）：75-82.

[3]秦鵬舉，蔣周翔，蘇瑞，等.基于機器學習與視覺的四足機器人步態精確監測方法[J].科學技術與工程，2024，24（12）：5037-5043.

[4]郭亨聰，黃玲，何斌.山區高速公路安全生產視頻監控系統關鍵技術研究[J].湖南交通科技，2018，44（3）：27-29，152.

[5]魏星，翟欽，楊敏.機器視覺技術在智能制造工程實踐平臺的應用研究[J.裝備制造技術，2023（7）：191-194.

[6]麻劍鈞，劉曉慈，金龍新，等.基于機器視覺的農作物病害識別研究進展[J」.湖南農業科學，2023（9）：97-100.

（欄目編輯：劉靜雅 劉敏 翟媛媛 張士依 王亦梁）