基于机器视觉与机器学习的植物粉碎机智能监控系统

0 引言

植物粉碎机是实施植物类垃圾资源化利用关键的机具，其种类繁多、数量可观。传统植物粉碎机一般采用恒参数运行模式，对物料种类、运行状况、故障状态等缺乏识别能力，影响设备的使用效率。因此，需要设计出智能型的植物粉碎机监控系统。近年来，机器视觉和机器学习技术在工业智能化生产领域得到广泛应用。图像识别技术可以有效判别物料种类，而机器学习则可以快捷地对各种设备运行数据进行分析和检测，以实现对设备故障的预先诊断。基于此，研究结合机器视觉与机器学习算法，设计一套植物粉碎机智能监控系统，旨在识别物料与监控破碎过程的基础上，实现故障预警与运行参数的智能优化。研究结果表明，该系统增加了设备运行的安全性与可靠性，降低了维护费用，为农业机械智能化发展提供了新思路。

1植物粉碎机智能监控系统的功能需求

1.1物料识别与分选

系统通过机器视觉技术，进行物料种类分析（包括秸秆、树叶、树枝等）和物料比例的统计，以便针对不同种类物料调整粉碎参数，及时有效地保证不同类型物料的破碎加工质量。

1.2 破碎过程监控

系统实时监控破碎过程中的工作参数，包括破碎物料颗粒度、破碎不均匀度和物料加工速度等，通过对破碎后的结果照片进行分析，检查破碎的效果是否满足要求。若出现颗粒度过大、破碎效果不均的情况，系统则进行预警并记录异常情况。

1.3 故障预警

系统通过机器学习对设备的振动信号、温度、电流等多种数据进行收集，对设备的运转情况进行分析，并通过训练好的故障模型判断是否出现故障。

1.4参数智能优化

系统通过机器学习算法，结合当前粉碎的不同物料对设备运行关键参数（如设备的转速、压力等）进行智能调整和优化。对关键参数进行优化，可以提高设备运行效率，降低设备运行能耗。

1.5数据存储处理和图形显示

系统采集数据并进行存储管理，支持运行数据、故障数据和优化结果查询，同时将设备运行状态、物料识别和破碎效果、预测信息在可视化界面上实时展示，以便操作人员充分掌握设备运行状态。

1.6远程监控与维护

系统可进行远程监控与维护。操作人员可通过网络远程查看与控制设备状态，同时通过云分析进行设备的优化维护，实现无人化的设备管理和维护。

2机器视觉在植物粉碎机中的应用策略

2.1物料识别与分类策略

基于机器视觉的植物粉碎机进料识别与分拣系统通过在植物粉碎机的进料口装上工业相机，实时采集进料的图像数据信息，利用卷积神经网络等深度学习方法进行植物类型的识别。该系统可以实现对不同物料图像的纹理、色泽、几何形态等信息的提取，从而识别出不同的物料类别（如树叶、秸秆、树枝等），或者面对混合物料时，采用机器视觉的图像分割手段，将拍摄的图像进行不同区域的信息分割，从而测算物料类型占整体的百分比。该策略的关键在于提高识别物料的准确率，为下一步调整粉碎工艺提供信息基础。例如，若硬质物体（树枝）较多可适当提高转速，若软质物体（树叶）较多则可适当减小粉碎力度，从而减小粉碎机的损耗程度，降低能耗。

2.2 破碎效果的实时监控策略

在破碎作业时，操作者可通过机器视觉技术系统，对破碎后的颗粒进行监控，如监测破碎后的粒径大小、破碎均匀度等，以确定破碎程度是否达到理想状态。现实中，该系统可以通过图像分割算法把破碎的颗粒与背景隔离开，对颗粒进行分析处理。在筛分器将颗粒分离后，该系统通过颗粒尺寸算法计算颗粒的粒径分布，利用帧间动态检测方法对物料的流速、流率进行实时监测。物料流速过大、过小或均匀度不够等，可能是因为刀盘存在磨损或是人料量不均匀。该系统需要根据图像检测结果进行预警，及时通知操作工人调整运行参数。这种实时监控可以减少不良粉碎带来的生产效率损失，增加粉碎作业的稳定性和质量的可靠性。

2.3关键部件状态的视觉检测策略

机器视觉技术还可以用于植物粉碎机重要部件的状态检测，如对刀片和筛网的磨损情况进行检测。系统对刀片和筛网进行定期图像采集，利用边缘检测算法分析刀片锋利度，利用纹理分析算法检测筛网上的裂缝或堵塞情况。在实际应用中，该系统需要在设备故障发生前主动发现问题，通过智能分析向维护者提供维护建议。例如，当检测到刀片磨损程度高于预设阈值时，智能系统向使用者发出更换刀片的提示，以防止刀片损坏引起的粉碎效率降低或设备损坏。对植物粉碎机的重要部件进行状态视觉监测，可延长设备使用时间并降低设备维护成本，实现对设备的智能化、精确定位维护。

3基于机器视觉与机器学习的植物粉碎机智能监控系统的设计

3.1智能监控系统的总体架构设计

植物粉碎机智能监控系统设计需要结合机器视觉和机器学习两种技术，系统整体包括数据采集层、数据处理层和数据执行层等3层结构。数据采集层利用工业摄像头和多种传感器实时采集物料图像和设备运行信息（如振动、温度、电流等）。工业摄像头具有高速采集且抗干扰能力强等优势，可实现动态物料流的监控；传感器应部署在整个设备的关键部位（如刀片、传动装置等）。数据处理层为系统核心，用于处理采集的信息，其中机器视觉层利用深度神经网络（如YOLO和MaskR-CNN等）进行物料识别和物料破碎效果评价，利用故障预测模型（如长短期记忆神经网络LSTM）和优化模型（如强化学习RL）等实现设备状态评估与设备参数的设置。系统借助边缘计算技术，将数据分析模型进行本地化部署，在本地完成数据的初步处理，缩短云分析时间间隔。数据执行层将分析结果转化为控制指令，指导设备实时调整运行参数，并且采用可视化控制界面将信息反馈至工作人员，经过反馈执行层系统数据和控制数据相互交融，实现系统的实时性[1]

3.2数据采集与模型集成平台的设计

系统应实现稳定可靠的多源传感器数据采集，并将振动信息、温度信息、电流信息、物料特性参数等实时、可靠地传送至集中控制系统。边缘计算下的实时监测系统，在设备边缘侧完成数据预处理（滤波、特征提取等），并将数据输送至云端，实现深度学习模型训练及模型优化。为实现数据采集与数据分析的有效衔接，研究采取微服务的方式搭建模型融合的算法库，将故障诊断模型、参数优化模型、监控可视化模块置于一个系统中。同时，平台采用模型更新算法，基于设备运行的真实数据对模型进行持续训练，以保障监控系统的可靠性[2]

3.3粉碎产物质量评估与智能反馈体系设计

机器视觉技术可用于对粉碎产物的质量分析，保证粉碎后的颗粒尺寸及均匀性达到不同使用要求。该系统基于高帧率相机及图像处理技术进行粉碎产物实时分析，并利用深度学习的分类算法判断粉碎结果。在粉碎物料排出口安装一台摄像机，进行物料图像采样，并运用图像分割、边缘检测等算法对粉碎后物料进行颗粒大小分布的计算，通过特征匹配法进行颗粒的形状特征分析，如长宽比、圆形度等，以保证产物质量符合预期要求[3]

在进行粉碎作业时，视觉系统可以利用以往的物料粉碎记录，结合机器学习算法（SVM或RF等机器学习算法），计算出当前物料的最佳粉碎条件，并对刀片转速、筛网尺寸及物料的流速等工艺参数进行优化。若发现粉碎后的颗粒过大或者粉碎粒径不一致，系统可相应调节刀片转速或变换物料的筛分形式等，使其得到理想的粉碎均匀性。机器视觉系统也可以对粉碎后的物料含水率或颜色进行测定，来判断是否需要进一步烘干及是否需要变化粉碎形式，进而提高物料的粉碎质量。此智能反馈系统能有效提高粉碎质量，避免不均质粉碎产生能源的损耗。物料粉碎机可根据不同的物料、不同的粉碎形式或不同的应用需求进行智能化调整，以适应不同的工作状态，实现物料粉碎的高效及稳定。在此基础上，该系统可通过大数据分析，找出不同季节、不同原材料粉碎效果的差异，并据此调整刀片类型或筛网规格，以提高适应性[4]。

4基于机器视觉与机器学习的植物粉碎机智能监控系统的实况

4.1机器视觉与机器学习技术的集成实现

基于机器视觉的物料分析模块主要对采集的物料图像进行分析，应用ResNet、EfficientNet等深层神经网络模型，实现物料种类、破碎尺寸及破碎均匀度的识别。另外，综合动态分析系统可以考虑物料流量的变化，从而识别进料异常情况。其中，机器学习模块是多模态数据融合的模型，基于视觉模型的图像分析结果及传感器获取的运行状态特征，实现对运行状态模型的综合。机器学习模块可以采用传统算法中的决策树、随机森林等方法，对特征进行提取，融合深层神经网络模型（如Trans-former），实现多模态数据融合。该系统采用以上方法实现两者的集成，将图像分析模型和时间序列模型集成在同一框架结构中，可支持图像和时序模型的交互处理；根据物料识别结果（如物料硬度），通过控制参数（如刀片转速）的实时反馈来调节设备运行状态；根据历史数据进行设备故障预判，实现基于视频分析的闭环智能控制，进而提高智能化水平[5]。

4.2机器视觉模型调整与智能优化

采用基于机器视觉的柔性进料优化控制方案能够提升植物粉碎机的工作效率和粉碎效果。该系统通过在进料口布置高速工业相机和传感器对物料的流量、形态和材质进行实时测量，并通过AI算法评估当前粉碎状态，从而实现柔性进料控制。例如，根据视觉系统测量出来物料密度、湿度和大小，实时调节粉碎机的进料速度，以防止粉碎机卡死或者高功率运行。借助视觉感知系统和反馈闭环控制策略，粉碎机能够在检测到进料故障的情况下自行控制进料传输带的转速，防止进料过载或者进料不足的现象发生，从而提高粉碎机进料的稳定性。该系统通过机器视觉中的目标跟踪算法（KCF，CSRT）持续监测进料位置的变化，并通过深度学习算法（YOLO，MaskR-CNN）对进料形状和成分进行判别。如果发现进料速度突然增加或存在杂物（如金属异物），该系统可利用自动进料装置调节进料量，并在必要时触发自动报警装置，从而避免设备受损。基于视觉感知的进料过程优化能够避免设备浪费能耗，并防止物料过多过重导致设备受损。

4.3智能监控系统的软硬件协同优化

系统选择适当的边缘计算处理设备实现视觉、学习机器人的实时计算任务分析，合理安排工业相机、感应器的布置，防止出现视觉盲区、数据延迟的问题。另外，考虑到恶劣条件下的使用情况，对设备采取了相应的保护措施，在粉尘、高温等环境下增加相应的保护设备。系统采用模块化的开发模式，保证各个功能模块（数据采集、视觉分析、机器学习、决策反馈）互不干涉又各司其职。系统利用ROS（机器人操作系统）或Kafka作为数据传输管道，以保证系统软件多线程处理超大规模数据的实时性。系统采用自学习、自更新算法来保证系统的在线更新及修正，使用联邦学习、迁移学习等机器学习算法来实现系统预测模型在不同运行状态的自我适应性。系统采用用户友好型的交互界面，实时动态展示所监测物品的识别结果、设备工作状态、设备故障状态和预测信息，方便现场操作人员从屏幕直接观察到设备状态，从而做出判断与决策。这样的软硬件协调优化设计在一定程度上保证了系统运行时的高效性[6]

5结束语

研究主要结合机器视觉和机器学习技术，对植物粉碎机在线监控的总体方案、关键技术组合及软硬件等方面进行了优化。研究从多方面介绍了基于机器视觉和机器学习技术的植物粉碎机智能监控系统的设计理念，该系统采用机器视觉系统实现了粉碎机在线物料分类，采用机器学习技术对机器振动、电机功率及环境变量进行数据分析，采用边缘计算及云平台实现低时延、高性能的实时控制与在线监控，可以使粉碎机在复杂环境下稳定运行，减少能耗及后期的维护成本。研究提到的智能监控系统设计可提高设备运行效率及产品品质，减少故障维修成本，可为智能制造相关研究设计提供借鉴。

参考文献：

[1]化云朋.基于机器视觉的物流分拣系统研发[D」.常州：常州大学，2022.

[2]王伯群，石昭宇，闫亚威，等.基于机器视觉的无人水果售卖系统[J].现代电子技术，2023，46（19）：75-82.

[3]秦鹏举，蒋周翔，苏瑞，等.基于机器学习与视觉的四足机器人步态精确监测方法[J].科学技术与工程，2024，24（12）：5037-5043.

[4]郭亨聪，黄玲，何斌.山区高速公路安全生产视频监控系统关键技术研究[J].湖南交通科技，2018，44（3）：27-29，152.

[5]魏星，翟钦，杨敏.机器视觉技术在智能制造工程实践平台的应用研究[J.装备制造技术，2023（7）：191-194.

[6]麻剑钧，刘晓慈，金龙新，等.基于机器视觉的农作物病害识别研究进展[J」.湖南农业科学，2023（9）：97-100.

（栏目编辑：刘静雅 刘敏 翟媛媛 张士依 王亦梁）