Разработка блока отбраковки трудноотделимой примеси из зерна в сепараторе, использующем техническое зрение
Автор: Ямпилов С.С., Нехуров Н.А., Балданов В.Б.
Журнал: Вестник Восточно-Сибирского государственного университета технологий и управления @vestnik-esstu
Рубрика: Технологии, машины и оборудование для агропромышленного комплекса (технические науки)
Статья в выпуске: 3 (98), 2025 года.
Бесплатный доступ
Засоренность трудноотделимой сорной примесью, в особенности семенами татарской гречихи (Fagopyrum tataricum), значительно ухудшает как посевные, так и технологические свойства зерна. Семена татарской гречихи по своим физическим параметрам близки к семенам пшеницы, что существенно затрудняет их удаление с использованием традиционных методов очистки, таких как решетные сепараторы, пневмосепарирующие каналы, триеры и другие сепараторы. Очистка трудноотделимых примесей возможна за счет современных технологий, использующих техническое зрение. В статье представлены результаты разработки и демонстрации функционирования аппаратнопрограммного комплекса, предназначенного для автоматической сепарации трудноотделимых сорных примесей, в частности семян татарской гречихи, из зернового материала.
Сепарация семян, татарская гречиха, пшеница, техническое зрение, качество семян
Короткий адрес: https://sciup.org/142245674
IDR: 142245674 | УДК: 631.362 | DOI: 10.53980/24131997_2025_3_51
Текст научной статьи Разработка блока отбраковки трудноотделимой примеси из зерна в сепараторе, использующем техническое зрение
В настоящее время семена пшеницы в Республике Бурятия засорены трудноотделимым сорняком – татарской гречихой. Проблема усугубляется высокой плодовитостью сорняка (до 1500 семян с одного растения) и многолетней всхожестью его семян. Засоренность посевов татарской гречихой приводит к прямым экономическим потерям: например, при плотности произрастания 30 растений сорняка на квадратный метр урожайность пшеницы может снижаться примерно на 22 % [1]. В литературе имеются сведения о разработке фотосепараторов для очистки и сортирования зерна [2-5]. Разработаны оптико-электронные технические средства для распознавания, сортирования и очистки зерна различных сельскохозяйственных культур, однако нет сведений об очистке зерна от трудноотделимой примеси (татарской гречихи) [6-15].
Поэтому разработка технического устройства, которое позволяет четко очистить семена зерна от трудноотделимой примеси, – актуальна.
Цель исследования - разработка блока детекции для сепаратора с использованием технического зрения по очистке семян пшеницы от трудноотделимой сорной примеси (татарской гречихи).
Аппаратно-программная архитектура комплекса: разработанный комплекс (рис. 1) реализован по классической схеме «ведущий - ведомый» (персональный компьютер – микроконтроллер), что обеспечивает его гибкость и масштабируемость. Такой подход позволяет оптимально распределить вычислительную нагрузку: ресурсоемкие задачи по анализу изображений и применению нейросетевых моделей эффективно выполняются на персональном компьютере, в то время как задачи детерминированного управления исполнительными механизмами в режиме реального времени точно возложены на специализированный микроконтроллер.

Рисунок 1 – Общий вид экспериментального стенда сепаратора
Подсистема отбраковки : аппаратная реализация и обоснование выбора компонентов. Подсистема отбраковки является ключевым звеном, предназначенным для формирования воздушного импульса, обеспечивающего точную эжекцию (выдувание) идентифицированного объекта (трудноотделимой примеси). Ее надежность и быстродействие определяют общую эффективность сепаратора.
Ключевые компоненты подсистемы: источник сжатого воздуха. Поршневой масляный компрессор FUBAG AIR MASTER KIT с ресивером объемом 24 л и рабочим давлением 8 бар. Этот выбор обусловлен необходимостью обеспечения стабильного и достаточного давления для формирования мощных воздушных импульсов.
Исполнительный клапан: электропневматический распределитель Airtac 3V110-06-NC (3/2, нормально-закрытый). Его высокая скорость срабатывания и способность генерировать сильный воздушный поток критически важны для уверенной и быстрой отбраковки.
Силовой ключ: твердотельное реле (SSR).
Управляющий контроллер: плата Arduino Leonardo на базе микроконтроллера ATmega32U4. Особого внимания заслуживает выбор связки «клапан 220 VAC – SSR – контроллер 5 VDC». Использование мощного промышленного клапана Airtac с катушкой на 220 В продиктовано его высоким быстродействием и способностью создавать мощный воздушный поток, необходимый для уверенной эжекции нежелательных примесей. Для безопасного и надежного управления таким высоковольтным исполнительным механизмом от низковольтного микроконтроллера применяется твердотельное реле. SSR обеспечивает полную гальваническую развязку между силовой и управляющей цепями, демонстрирует высокое быстродействие (время срабатывания <1 мс) и практически полное отсутствие механического износа. Эти характеристики являются критически важными для систем, требующих высокой частоты и безупречной надежности срабатываний, что напрямую влияет на производительность и долговечность сепаратора.
Программная часть комплекса состоит из двух ключевых модулей, обеспечивающих его слаженное и эффективное функционирование.
Протокол связи и инициализация: связь с персональным компьютером осуществляется по последовательному порту на скорости 9600 бод. Для верификации соединения и обеспечения надежного старта перед началом работы реализован механизм «рукопожатия» PINGPONG.
Исполнение команды эжекции: основная функция контроллера заключается в точном формировании управляющего импульса. Он непрерывно ожидает поступления от ПК рабочей команды в строгом формате: "ACTUATE,DELAY_MS,NOZZLE_ID". Получив команду, микроконтроллер производит ее синтаксический разбор, извлекая необходимую длительность импульса (delayMs) и идентификатор форсунки (nozzleId).
Алгоритм основного управляющего программного обеспечения (detector_5.py). Этот модуль является центральным, интегрируя функции захвата частиц зернового материала и обработки видеопотока, нейросетевой детекции и высокоуровневого управления системой отбраковки. Общая логика работы наглядно представлена на блок-схеме (рис. 2).
Программа реализует следующий пошаговый алгоритм:
Инициализация: при запуске происходит загрузка предварительно обученной нейросетевой модели YOLO, инициализация видеозахвата с выбранной USB-камеры и установка соединения с контроллером Arduino по протоколу PING-PONG.
Основной цикл обработки: программа входит в непрерывный цикл, где на каждой итерации выполняется захват нового кадра из видеопотока.
Нейросетевая детекция: захваченный кадр передается на вход модели YOLO. Модель возвращает массив обнаруженных объектов, каждый из которых содержит координаты ограничительной рамки (bounding box), класс объекта («пшеница» или «татарская гречиха») и степень уверенности (confidence).
Трекинг и принятие решения: для стабильного отслеживания объектов между кадрами и присвоения им уникальных ID используется алгоритм CentroidTracker. Когда центроид объекта, классифицированного как «татарская гречиха», пересекает заранее заданную в настройках виртуальную «линию отбраковки», система фиксирует событие и инициирует процедуру эжекции.

Рисунок 2 – Блок-схема алгоритма детекции брака и управления отбраковкой

Маппинг и формирование команды: для определения конкретного эжектора, который должен сработать, используется горизонтальная координата (X) центра обнаруженного объекта. Рабочая зона в кадре логически разделена на N вертикальных секторов, каждый из которых соответствует одной из форсунок. На основе X-координаты вычисляется nozzle_id целевого эжектора. После этого формируется строковая команда "ACTUATE,DELAY_MS,NOZZLE_ID", где DELAY_MS - это калибровочный параметр, задаваемый в настройках, определяющий длительность воздушного импульса.
Асинхронная отправка команды: для предотвращения блокировки основного цикла обработки видео и «зависания» интерфейса отправка команды на Arduino выполняется в отдельном вычислительном потоке (threading.Thread). Это позволяет программе немедленно перейти к анализу следующего кадра, пока микроконтроллер аппаратно отрабатывает команду эжек-ции, обеспечивая непрерывность процесса.
Визуализация: результаты детекции (рамки, классы, уверенность), линия отбраковки и зоны ответственности форсунок отрисовываются поверх исходного видеокадра, который выводится в окне интерфейса для визуального контроля оператором.
Результаты исследования и их обсуждения
В ходе лабораторных испытаний программный модуль продемонстрировал способность обрабатывать видеопоток со скоростью примерно 25 кадров в секунду, при этом задержка на обработку одного кадра составляла около 40 миллисекунд. Система стабильно идентифицировала и выделяла семена татарской гречихи, корректно формируя дискретные коор- динатные сигналы, которые в перспективе могут быть использованы для управления исполнительными механизмами сепарационного оборудования.

Рисунок 3 – Примеры работы алгоритма детекции на изображениях.
Зелеными рамками выделены семена пшеницы, красными – семена татарской гречихи.
Над каждой рамкой указан класс и вероятность детекции. Справа – информационная панель с ID и координатами центров обнаруженных семян татарской гречихи
Обсуждение и перспективы развития
Представленный аппаратно-программный комплекс является действующим прототипом, убедительно демонстрирующим жизнеспособность выбранной архитектуры. Выбранная архитектура «ПК + микроконтроллер» представляет собой удачный компромисс между производительностью и стоимостью. Она позволяет эффективно использовать всю мощь современных GPU для нейросетевой детекции, одновременно делегируя задачи точного временного контроля недорогому и надежному специализированному контроллеру.
Разработанный аппаратно-программный комплекс отличается от всех существующих тем, что для повышения производительности сепаратора используется переход от блокирующей функции delay() к неблокирующей системе управления на основе аппаратных таймеров и прерываний. Использование функции millis() для отслеживания времени позволит микроконтроллеру одновременно управлять состоянием нескольких эжекторов и непрерывно опрашивать последовательный порт. Это является обязательным условием для создания высокопроизводительной промышленной системы.
Оптимизация программного обеспечения: дальнейшая работа над ПО на ПК может включать оптимизацию конвейера обработки изображений (препроцессинг, инференс, постпроцессинг) для увеличения общей пропускной способности системы (кадров/с).
Механическое совершенствование: конструкция лотка для подачи материала, системы освещения и оптимальное расположение эжекторов также являются важными направлениями для исследований. Цель – достижение более равномерного потока частиц и минимизация окклюзий (перекрытий объектов), что напрямую влияет на точность и эффективность отбраковки.
Заключение
В рамках данной работы был разработан и всесторонне описан аппаратно-программный комплекс для автоматической сепарации зерна от трудноотделимой примеси. Предложенная архитектура, сочетающая высокопроизводительную нейросетевую детекцию (распознава- ние) на персональном компьютере и прецизионное управление исполнительными механизмами на микроконтроллере, убедительно доказала свою работоспособность в качестве прототипа.