收割机刀具磨损状态监测系统的设计—基于图像处理技术

杨德义，王平岗，吴东林

(1.漯河职业技术学院，河南 漯河 462300；2.漯河食品职业学院，河南 漯河 462300)

0 引言

随着计算机的大幅度普及和自动化控制技术的发展，利用图像处理技术解决问题逐渐成为一种普遍方式。生产生活中，各技术类机械的零部件磨损问题日益突出，其带来的裂纹、磨损给机器的正常使用埋下了隐患。因此，及时、准确地发现机械中的磨损、疲劳裂纹，对提高作业效率、减少人员伤亡具有重要意义。收割机螺旋刀具出现磨损，会引发作业效率低和粮食浪费等问题。为了解决这类问题，基于图像处理技术设计了一套收割机刀具磨损状态监测系统。

1 图像处理技术概述

图像处理技术主要是利用计算机、CCD工业摄像头、光源、传感器及其他电子设备对需要处理的目标进行图像采集、存储、判断和决策，结合对图像的增强与分割，通过对目标物体特征值的提取和检测，实现图像数据库的建立、模型的建立和匹配等复杂过程。收割机刀具磨损状态监测系统的研究中，图像处理方面主要包括图像采集、特征分析、图像转换及图像分割等步骤。若还存在噪声，则应对其继续分析，并采用区域面积统计法去除孤立噪声，并通过区域形态学运算，对各连通区域进行有效标识，方便提取区域几何特征。图像处理技术流程图如图1所示。

图1 图像处理技术流程图Fig.1 The flow chart of image processing technology

2 收割机刀具磨损检测原理

2.1 刀具图像处理

收割机工作一段时间，螺旋刀片上会出现不同程度的月牙洼磨损，使得收割机在正常工作过程中由于刀刃不再锋利而出现作业效率低和粮食浪费等问题。出现磨损的原因有两个：①动态后角不足产生毛坯的齿侧与刀面摩擦；②植物枝渣等粘在螺旋刀的刀面，收割作业时挤压刀面，这种情况也同时造成齿侧拉毛或多肉。为了解决以上问题，提出了基于图像处理技术对收割机刀具进行磨损状态实时监测。收割机刀具磨损检测流程如图2所示。

1)收割机刀具预处理。收割机刀具图像在拍摄过程中，可能会因为环境和CCD摄像头参数等问题产生一定的噪声，影响系统的处理与分析，降低磨损状态的检测精度。为了方便系统进行处理，一般需要对图像进行滤波。图像滤波一般有低通和高通两种方法，高通与低通相反，其允许图像高频部分通过，而高频部分一般为图像的边缘信息或噪声。也就是说，对图像进行高频滤波，可以去除掉收割机刀具图像中不必要的细节，使图像更平滑，更易于系统进行识别处理。因此，本文采用高通滤波法。收割机刀具高通滤波对比如图3所示。

图2 收割机刀具磨损检测流程图Fig.2 The flow chart of cutting tool wear detection

图3 刀具高通滤波前后对比Fig.3 The comparison of cutting tools before and after high-pass filtering

2)收割机刀具特征提取。视频图像会存在一定程度的视觉特征，而特征提取就是在刀具图像中寻找具有特定信息的特征向量。特征提取的方法主要有颜色、纹理及形状等方法。本文主要对刀具的磨损程度进行监测，测量刀具的形状信息，因此采用形状特征方法提取刀具特征信息。其中，采用Hu不变矩阵作为形状特征(包括圆形度、傅里叶描述符、矩阵度等参数)的描述，对于目标图像f(x,y)，位于点(x,y)处的(p,q)阶矩定义为

(1)

目标图像f(x,y)在该处的中心矩定义为

(2)

其中， (xc,yc)为图像重心坐标。

归一化中心矩定义为

(3)

Hu不变矩阵可以利用二阶和三阶规格化中心矩对图像的平移、旋转等7个不变矩进行计算和求解，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 磨损面积计算

收割机刀具磨损面积计算主要是对刀具的磨损、裂纹特征点赋予参数，并通过对参数的判断和计算，确定刀具的磨损面积，由此确定其是否磨损及确定磨损级别。本文采用边缘检测方法进行收割机刀具磨损面积计算。

边缘检测方法主要是利用空域微分算子进行的，将检测模板与图像信息卷积完成。由于边缘的灰度值是断续的，图像的灰度值会不断变化，颜色也会常常变化。物体表面的边缘裂纹，就是所要检测的重点环节。为了检测更加精准，本文采用两种边缘裂纹检测因子，利用两种因子相互结合作用的方法来获取得边缘裂纹点的集合。边缘检测及阈值分割流程图如图4所示。

图4 边缘检测及阈值分割示意图Fig.4 The schematic diagram of edge detection and threshold segmentation

其中，u1、u2和u3为视频图像的像素点，其计算方式如下：

D1算子为

r=min(r12,r13)

(11)

(12)

其中，ui表示第i块模板区域的灰度均值。

D2算子为

(13)

(14)

ρ=min(ρ12,ρ23)

(15)

(16)

两种算子综合后得

(17)

其中，σ(x,y)是将D1模板响应r与D2模板响应ρ相结合的结果。因为模板的形式可以根据需要进行调整，本文采用8×8分辨模板，采用适合的分辨窗口，可减少计算机的运行量，且可以根据物体大小及背景内部的灰度变化大小来选择比较合适的块。边缘裂纹信息检测及阈值分割效果如图5所示。

根据边缘裂纹信息检测到数据，可以扫描整个目标区域，计算边界上的像素的数目。计算公式为

(18)

图5 边缘裂纹信息检测及阈值分割效果图Fig.5 The edge crack information detection and threshold segmentation effect diagram

3 监测系统软件硬件设计

3.1 系统硬件体系总体设计

收割机刀具磨损状态监测系统主要负责整个系统的图像采集、处理和对收割机的预警等控制。其硬件体系总体设计是实现刀具视频图像采集、图像处理、磨损状态计算与定级的基础，是整个控制系统的载体。本文根据系统需求，采用模块化的思想进行设计，主要包括嵌入式系统、图像采集系统、通讯模块及收割机控制系统等。系统硬件体系总体设计框架如图6所示。

图6 系统硬件体系总体设计框架图Fig.6 The overall design framework diagram of system hardware system

其中，嵌入式系统主要包括ARM处理器、视频解码器、RS232、存储单元及外围电路；图像采集系统包括CCD工业摄像头、镜头、电源控制器和照明光源等。

3.2 系统软件设计

收割机刀具磨损状态监测系统软件设计在Linux和ubuntu环境进行开发设计，软件平台移植是通过交叉开发工具在宿主机上，向硬件平台移植Linux系统。另外，程序采用模块化编程思想进行软件的编写开发。Linux移植流程如图7所示。

图7 Linux软件平台的移植流程Fig.7 The transplant process of Linux software platform

除了Linux的软件移植以外，系统还包括应用层的软件设计。主程序流程如图8所示。

图8 应用层主程序流程图Fig.8 The main program flow chart of application layer

4 试验结果与分析

为了验证收割机刀具磨损状态监测系统的可行性和正确性，进行了试验。本试验以水稻收割机螺旋刀片为被测对象，通过检测刀具磨损次数判定系统的准确精度，同时记录系统的计算时间，判断系统的检测速度。监测结果如表1所示。

表1 刀具磨损状态监测系统监测结果Table 1 The monitoring result of tool wear condition monitoring system

从表1可以看出：在336次实际监测中，收割机刀具磨损状态监测系统能够准确采集收割机刀具信息，并能够对图像进行预处理和提取特征值，系统成功识别诊断的次数为312次，成功率高达92.86%，平均监测一次的时间为6.67s，系统准确性高，识别速度快，符合设计需求。

5 结论

针对收割机螺旋刀片使用一段时间后会出现磨损，引发作业效率低和粮食浪费等问题，本文提出了基于图像处理技术的收割机刀具磨损状态监测系统。系统采用刀具图像预处理和特征提取等方法对磨损面积进行计算，从而判断磨损程度。试验结果表明：系统成功识别诊断刀具状态的次数为312次，成功率高达92.86%，平均监测一次的时间为6.67s，准确性高，识别速度快。