楊進 王萌 孫成波 王昊 馮博 劉長卿

摘要：為提高牡蠣自動化加工水平，基于STM32單片機設(shè)計牡蠣重量分級控制系統(tǒng)。該控制系統(tǒng)由數(shù)據(jù)采集模塊、分級控制模塊、驅(qū)動模塊和人機交互模塊組成，以牡蠣重量為分級標準，稱重托盤重量和位置信息為主要控制條件，采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)（GA-BP）動態(tài)稱重模型和動態(tài)追蹤定位方式，準確獲得牡蠣重量和稱重托盤位置，使用觸摸屏進行人機交互，可實現(xiàn)稱重分級一體化。試驗結(jié)果表明，該控制系統(tǒng)的稱重誤差最大為0.8g，在最大運行速度下，分級準確率達到95%，較好地實現(xiàn)牡蠣快速稱重分級。

關(guān)鍵詞：牡蠣；重量分級；GA-BP算法；動態(tài)稱重；控制系統(tǒng)

中圖分類號：S226.5

文獻標識碼：A

文章編號：2095-5553 （2024） 05-0111-05

收稿日期：2022年9月29日? 修回日期：2023年2月17日*基金項目：廣東省重點領(lǐng)域研發(fā)計劃項目（2020B0202010009）

第一作者：楊進，男，1971年生，江蘇連云港人，碩士，副教授；研究方向為現(xiàn)代農(nóng)機裝備設(shè)計與制造。E-mail： lygyangjin@163.com

通訊作者：劉長卿，男，1993年生，江蘇連云港人，博士，講師；研究方向為農(nóng)業(yè)裝備電氣化。E-mail： lyg_lcq@163.com

Design of oyster weight grading machine control system based on STM32

Yang Jin1， Wang Meng1， Sun Chengbo2， Wang Hao3， Feng Bo4， Liu Changqing1

（1. School of Mechanical? Engineering， Jiangsu Ocean University， Lianyungang， 222005， China; 2. College of

fisheries， Guangdong Ocean University， Zhanjiang， 524000， China; 3. School of Naval Architecture & Ocean

Engineering， Jiangsu University of Science and Technology， Zhenjiang， 212000， China; 4. School of Ocean

Engineering， Jiangsu Ocean University， Lianyungang， 222005， China）

Abstract：

In order to improve the oyster automatic processing level， an oyster weight grading control system based on STM32 microcontroller was designed in this paper. The control system was comprised with varieties of functional modules， such as data acquisition module， grading control module， driver module and human-computer interaction module. Oyster weight was used as the grading standard， while the weight and position information of the weighing tray acted as the primary control conditions. The dynamic weighing model of genetic algorithm optimizing neural network （GA-BP） and dynamic tracking and positioning method were adopted to accurately obtain oyster weight and weighing tray position， and human-computer interaction was carried out by using touch screen， which could realize weighing and grading integration. The test results showed that the maximum weighing error of the control system was 0.8 g， and the grading accuracy reached 95% under the maximum operation speed， which could better realize the rapid weighing and grading of oysters.

Keywords：

oyster; weight grading; GA-BP algorithm; dynamic weighing; control system

0 引言

隨著我國居民生活水平的提高，牡蠣需求量日益增大。我國已經(jīng)成為世界上最大的牡蠣生產(chǎn)國和消費國，牡蠣養(yǎng)殖產(chǎn)業(yè)是中國沿海地區(qū)的主導產(chǎn)業(yè)［1， 2］。隨著牡蠣規(guī)?；B(yǎng)殖迅速崛起，其初加工設(shè)備需要更新?lián)Q代。我國牡蠣養(yǎng)殖以家庭漁場為主，呈現(xiàn)出“低”“小”“散”的特點，砍砸、分離、清洗、分級等初加工序仍以人工為主。另外，牡蠣具有離水快速死亡變質(zhì)的特點，傳統(tǒng)稱重分級方式耗時長，牡蠣死亡率高，大大降低消費者的食用口感和消費體驗感［3］。因此，開發(fā)基于動態(tài)稱重的牡蠣重量分級控制系統(tǒng)，減少牡蠣初加工時間，對提高牡蠣產(chǎn)品品質(zhì)，規(guī)范牡蠣市場，具有重大意義。

目前，許多學者針對重量分級進行研究，開發(fā)設(shè)計了一些重量分級設(shè)備和控制系統(tǒng)。王樹才［4］、周雨程［5］、吳曼琳［6］等提出了一種零速稱重方法，設(shè)計了6排雞蛋稱重、分級包裝設(shè)備，實現(xiàn)雞蛋精準分級包裝。劉建雄［7］、李銀平［8］、張靜靜［9］等設(shè)計了水果重量分選系統(tǒng)，并提出了自適應數(shù)字濾波和神經(jīng)網(wǎng)絡(luò)動態(tài)稱重方法，解決了動態(tài)稱重技術(shù)的稱重精度問題。張銀橋等基于PIC單片機設(shè)計了家禽在線自動稱重分級控制系統(tǒng)。年賀等［10］采用STM32設(shè)計了果蔬運輸車稱重系統(tǒng)，并利用防脈沖干擾平均濾波算法實現(xiàn)數(shù)字濾波。Zhao［11］、Feng［12］等在數(shù)字濾波的基礎(chǔ)上，先采用SVM和EWT對奶牛的活躍度進行分類，根據(jù)奶牛活躍度選擇合適的濾波方法，進一步提高奶牛動態(tài)稱重準確率。呂潛龍等［13］研究了一種翻盤式快遞自動化分揀裝置，實現(xiàn)雙側(cè)分揀。王志強等［14］設(shè)計了微量稱重機械結(jié)構(gòu)，并研究了微量稱重控制系統(tǒng)，引入神經(jīng)網(wǎng)絡(luò)，提高稱重精度。張安琪等［15］提出了一種草捆動態(tài)分離、識別方法，構(gòu)建了小型方捆機動態(tài)稱量系統(tǒng)，實現(xiàn)單草捆動態(tài)稱重。

根據(jù)以上研究得出，動態(tài)稱重是實現(xiàn)快速稱重最有效的方式之一，但關(guān)于牡蠣動態(tài)稱重分級相關(guān)研究較少。本文基于STM32設(shè)計牡蠣重量分級機的控制系統(tǒng)，融合數(shù)字濾波技術(shù)和GA-BP模型預測，改善神經(jīng)網(wǎng)絡(luò)算法缺陷，實現(xiàn)精準重量分級。用戶可通過人機交互界面，設(shè)定分級速度，智能監(jiān)控分級情況。

1 牡蠣重量分級系統(tǒng)總體結(jié)構(gòu)

1.1 牡蠣重量分級機結(jié)構(gòu)

牡蠣重量分級機結(jié)構(gòu)如圖1所示。

輸送裝置采用220V交流電機提供動力，擋板安裝在輸送裝置上方，并交錯固定于兩側(cè)；傳動裝置采用雙節(jié)距大滾子鏈條傳動，稱重托盤等距固定在鏈條的外鏈板上，在電機的帶動下循環(huán)轉(zhuǎn)動；稱重裝置由兩個稱重傳感器組建橋梁式稱重臺，固定在稱重托盤部分運動路徑中；分級裝置由接近傳感器、繼電器、電磁鐵、卸料臂等組成，接近傳感器安裝在稱重裝置前端，標記稱重托盤；電磁鐵根據(jù)分級等級數(shù)量，均安裝于分級口，卸料臂可在電磁鐵的帶動下，實現(xiàn)擺動?？刂葡到y(tǒng)包括STM32控制器、數(shù)據(jù)采集模塊、分級卸料模塊、人機交互模塊、驅(qū)動模塊等功能模塊，完成分級機工作過程控制和工作狀態(tài)監(jiān)測。

1.2 牡蠣分級機工作流程

牡蠣分級機采用動態(tài)稱重方式稱量牡蠣質(zhì)量，按照所需進行重量分級，其工作過程主要包括參數(shù)設(shè)定、稱量質(zhì)量、分級卸料3個步驟。操作人員可在觸摸屏顯示界面設(shè)定分級參數(shù)、分級速率等工作參數(shù)；清洗干凈的牡蠣經(jīng)過運輸帶運輸，勻速給輸送裝置供料，擋板調(diào)節(jié)一定角度，可改變牡蠣運動方向和位置，使牡蠣變成有序單排，下落至稱重托盤；牡蠣跟隨稱重托盤勻速前進，進入稱重裝置，稱量牡蠣重量，STM32對稱量結(jié)果進行處理；STM32按照系統(tǒng)設(shè)定的分級值，將牡蠣分為6個等級，當稱重托盤到達指定分級口，分級裝置推翻稱重托盤，牡蠣落入分級出口，流入收納筐中。

1.3 牡蠣分級機控制方案

牡蠣重量分級機控制系統(tǒng)結(jié)構(gòu)如圖2所示。

控制系統(tǒng)以STM32F103ZET6單片機為控制器，協(xié)同數(shù)據(jù)采集模塊、分級卸料模塊、驅(qū)動模塊、人機交互模塊實現(xiàn)牡蠣重量獲取、牡蠣分級和工作人員觀察與操控等功能。數(shù)據(jù)采集模塊通過稱重傳感器和A/D轉(zhuǎn)換器獲得牡蠣質(zhì)量信息，通過SPI通信協(xié)議與STM32進行信號傳輸，根據(jù)控制設(shè)定策略判定牡蠣分級等級。分級卸料模塊采用接近傳感器獲取稱重托盤位置信息，實時定位托盤位置，通過繼電器觸發(fā)，控制相應電磁鐵發(fā)生動作，實現(xiàn)牡蠣卸料。驅(qū)動模塊采用光電編碼器檢測電機運行速度，通過變頻器閉環(huán)控制精準調(diào)控電機速度。人機交互模塊采用串口顯示屏，在Labview環(huán)境下開發(fā)軟件，實現(xiàn)觸摸屏與STM32數(shù)據(jù)雙向、高效傳輸，人機交互模塊還具有數(shù)據(jù)導出功能，方便數(shù)據(jù)分析。

2 控制系統(tǒng)硬件設(shè)計

數(shù)據(jù)采集模塊采用2個稱重傳感器作為重量采集器，獲取牡蠣質(zhì)量信息。采用24位∑-Δ型數(shù)模轉(zhuǎn)換器AD7190將模擬信號轉(zhuǎn)換為數(shù)字信號，通過SPI通訊傳輸給STM32。稱重傳感器型號為GJBLS-I，量程為10kg，靈敏度為2mV/V，最小分度值為0.1g，激勵電壓為5V，輸出電壓范圍為-10～10mV。AD7190分辨率為24bit，擁有2個差分輸入通道、4個偽差分輸入通道，輸出數(shù)據(jù)速率為4.7～4.8kHz。

稱重傳感器與接線盒連接，將兩個稱重信號進行平均，輸出一個結(jié)果。AD7190有4個模擬輸入引腳，選用AIN1、AIN2引腳配置成二路差分輸入模式，AIN1、AIN2引腳分別與接線盒信號輸出端連接，數(shù)據(jù)采集模塊連接電路如圖3所示。接近傳感器信號值由0變成1時，AD7190開始采集數(shù)據(jù)，設(shè)定采集個數(shù)為80。

分級卸料模塊采用電感式接近傳感器作為稱重托盤定位信號。采用固態(tài)繼電器控制電磁鐵動作，使稱重托盤傾斜，實現(xiàn)卸料。光電傳感器型號為歐姆龍E6B2-CW6Z6C，分辨率為100脈沖/旋轉(zhuǎn)；接近傳感器型號為德西力CDJ10-I1A12A型NPN，感應距離為8mm，響應頻率為400Hz。固態(tài)繼電器型號為CDG1-1DD10A型固態(tài)繼電器，直流控制方式。繼電器輸入控制信號引腳分別與STM32的BP10、BP11、BP12、BP13、BP14、BP15引腳連接。

驅(qū)動模塊采用90L-4型交流電機傳動，功率為1.5kW，轉(zhuǎn)速為1400r/min，減速比10∶1，通過PID控制算法精準調(diào)控電機速度。采用WB620變頻器調(diào)節(jié)電機速度，通過USART1接口與STM32通訊。

人機交互界面選用WEINVIEW TK系列觸摸屏，串口屏4.3寸，工作電壓24VDC，使用USART2與STM32信息交互，將屏幕的TXD、RXD引腳與STM32的PD5、PD6引腳連接。

3 控制系統(tǒng)軟件設(shè)計

3.1 控制流程

為保證分級過程合理有序，需要對牡蠣分級機控制程序流程進行規(guī)劃設(shè)計。設(shè)備通電后，控制系統(tǒng)進入初始化狀態(tài)。操作人員通過觸摸屏設(shè)定分級速度，開啟設(shè)備，空載運行20s左右，使設(shè)備運行速度保持穩(wěn)定。設(shè)備開啟去皮工作，稱重傳感器采集稱重托盤數(shù)據(jù)，多次循環(huán)后，確定空載稱重托盤質(zhì)量M1。觸摸屏終端接收開始稱重指令，接近傳感器檢測托盤是否到達指定位置，開始進行稱重。達到采樣數(shù)后，STM32對數(shù)據(jù)進行處理，獲得負載稱重托盤質(zhì)量M2，輸出結(jié)果M2-M1，并判斷分級等級，對稱重托盤動態(tài)定位。當稱重托盤到達指定位置，STM32將賦予繼電器高電平，電磁鐵工作，使稱重托盤傾斜，完成卸料，并清空追蹤信息。在稱重狀態(tài)下，檢測出稱重托盤處于空載狀態(tài)，不統(tǒng)計其稱重結(jié)果和稱重個數(shù)?？刂葡到y(tǒng)流程如圖4所示。

3.2 動態(tài)定位方法

為實現(xiàn)牡蠣的自動分級，分級控制系統(tǒng)必須實時檢測、連續(xù)跟蹤稱重托盤的動態(tài)位置。如圖5所示，稱重臺與第一分級口之間間隔m個稱重托盤，兩個分級口之間相距n個稱重托盤，即稱重臺與每個分級口的距離是固定的。稱重臺前端安裝一個接近傳感器，每前進一個稱重托盤，計數(shù)復位一次，將值傳遞給下一位。

工作原理：

從稱重臺位置開始，按照運動方向?qū)ΨQ重托盤進行編號，依次記作name1，name2，name3，…稱量的牡蠣等級分別為gi（i=1，2，3，…），則

name1=gi×m+n

name2=gi-1×m+n-1

……

namei=g1×m+n-i

當namei=g1×m+n-i=0時，稱重托盤到達指定分級口，電磁鐵信號置1，稱重托盤翻轉(zhuǎn)，完成分級動作，并清除稱重托盤信息。分級控制軟件利用兩個稱重托盤之間觸發(fā)的時間間隔來計算是否存在失步錯誤，若存在，則立刻發(fā)出警告，同時令機器停止運行。

3.3 GA-BP動態(tài)稱重算法

數(shù)據(jù)采集模塊采用動態(tài)稱重技術(shù)對牡蠣重量信號進行采樣。動態(tài)稱重過程中，存在裝置本身和外界環(huán)境造成不可避免的干擾。目前，動態(tài)稱重算法多采用數(shù)字濾波來降低干擾信號的影響，但精度仍需要改進。

本系統(tǒng)先采用滑動濾波算法對采樣信號進行降噪處理，再通過GA-BP動態(tài)稱重算法建立輸入與輸出之間的非線性函數(shù)關(guān)系。連續(xù)采集80個數(shù)據(jù)點，對數(shù)據(jù)點進行滑動濾波處理，滑動窗口為6，把處理后的數(shù)據(jù)點進行10%對稱截尾，求取中段數(shù)據(jù)的均值、中間值、最大值與最小值。將其值與稱重速度作為神經(jīng)網(wǎng)絡(luò)的輸入層，采用GA算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，得到預測重量，GA-BP動態(tài)稱重算法流程如圖6所示。

4 試驗與分析

4.1 稱重誤差試驗

本次試驗采用電子秤稱量50個牡蠣樣本的靜態(tài)重量，并采用NI 9201數(shù)據(jù)采集卡進行動態(tài)數(shù)據(jù)采集，設(shè)定采樣頻率為800Hz，采樣數(shù)為80。分級速度為0.2m/s、0.4m/s、0.6m/s，每種速度各采集6次。試驗共得到900組數(shù)據(jù)，其中800組為訓練集，剩余100組為測試集。GA-BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)，5個輸入層，1個輸出層， 5個隱含層，GA-BP神經(jīng)網(wǎng)絡(luò)參數(shù)如表1所示。

GA-BP神經(jīng)網(wǎng)絡(luò)測試集的誤差如圖7所示。由測試集結(jié)果來看，采用GA-BP神經(jīng)網(wǎng)絡(luò)，預測的牡蠣重量誤差在±1g以內(nèi)。

隨機挑選10個牡蠣在分級機上進行稱量，統(tǒng)計其測量值與實際值之間的誤差，如表2所示。由表2中可得，測量重量與實際重量之間最大誤差為0.8g。

4.2 分級準確率試驗

本研究在連云港贛榆區(qū)乳山牡蠣養(yǎng)殖基地進行控制系統(tǒng)的性能試驗，試驗設(shè)備如圖8所示。試驗選用200個乳山牡蠣，單個牡蠣重量為50～350g，對牡蠣進行靜態(tài)重量稱量，將牡蠣分為S、M、L、XL、2XL、3XL六種等級。采用牡蠣重量分級機進行動態(tài)分級，觀測在最大分級速度下各等級分級的準確性，其結(jié)果如表3所示。

試驗中， M等級中出現(xiàn)1個錯誤牡蠣，落入S等級中；L等級出現(xiàn)2個錯誤牡蠣，落入M等級中；XL等級中出現(xiàn)2個錯誤牡蠣，1個落入L等級，一個落入2XL等級；2XL等級中出現(xiàn)2個錯誤，落入XL等級中；3XL等級中出現(xiàn)1個錯誤牡蠣，落入2XL等級中。一共有8個牡蠣出現(xiàn)錯誤分級，分級準確率到達95%。

5 結(jié)論

1） 本文基于STM32設(shè)計牡蠣重量分級控制系統(tǒng)，對單個牡蠣進行動態(tài)稱重分級，并采用滑動濾波算法對稱重信號進行預處理，再使用GA-BP動態(tài)稱重算法預測牡蠣質(zhì)量，稱重誤差可控制在±1g以內(nèi)，在系統(tǒng)要求范圍之內(nèi)。

2）? 系統(tǒng)通過觸摸屏可設(shè)定分級參數(shù)，實現(xiàn)自由更改分級等級，提高設(shè)備的靈活性，并可以實時觀察牡蠣分級情況，總體分級質(zhì)量、數(shù)量等。

3） 經(jīng)過試驗結(jié)果表明，牡蠣重量分級機的分級準確率達到95%，系統(tǒng)的硬件設(shè)備和控制程序可很好地完成分級工作，實現(xiàn)自動化牡蠣稱重分級工作。

參 考 文 獻

［1］ 張紅智， 張樹成， 王波， 等. 中國與世界牡蠣產(chǎn)業(yè)比較研究［J］. 中國漁業(yè)經(jīng)濟， 2022， 40（1）： 53-62.

Zhang Hongzhi， Zhang Shucheng， Wang Bo， et al. Comparative research on oyster industry between China and the world ［J］. Chinese Fisheries Economics， 2022， 40（1）： 53-62.

［2］ 中國牡蠣產(chǎn)業(yè)發(fā)展報告［J］. 中國水產(chǎn)， 2021（6）： 20-31.

Report on the development of Chinas oyster industry ［J］. China Fisheries， 2021（6）： 20-31.

［3］ 徐雯雯， 鄭富強， 于成松， 等. 乳山牡蠣產(chǎn)業(yè)發(fā)展報告［J］. 中國水產(chǎn)， 2021（12）： 65-70.

Xu Wenwen， Zhang Fuqiang， Yu Chengsong， et al. Report on the development of Rushan oyster industry ［J］. China Fisheries， 2021（12）： 65-70.

［4］ 王樹才， 吳曼琳， 吳闖. 雞蛋電子稱量分級包裝生產(chǎn)線自動控制系統(tǒng)設(shè)計與試驗［J］. 農(nóng)業(yè)工程學報， 2017， 33（3）： 265-271.

Wang Shucai， Wu Manlin， Wu Chuang. Design and test of automatic control system for egg electronic weighing and grading packaging production line ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（3）： 265-271.

［5］ 周雨程. 雞蛋分級包裝生產(chǎn)線運動分析及機械設(shè)計［D］. 武漢： 華中農(nóng)業(yè)大學， 2016.

Zhou Yucheng. Research on motion analysis and mechanical design of egg grading packaging production line ［D］. Wuhan： Huazhong Agricultural University， 2016.

［6］ 吳曼琳. 雞蛋分級包裝生產(chǎn)線自動控制系統(tǒng)的設(shè)計與試驗［D］. 武漢： 華中農(nóng)業(yè)大學， 2017.

Wu Manlin. The design and test of control system for egg grading and packaging production line ［D］. Wuhan： Huazhong Agricultural University， 2017.

［7］ 劉建雄. 基于數(shù)字濾波與BP神經(jīng)網(wǎng)絡(luò)的稱重分選方法研究［D］. 武漢： 華中農(nóng)業(yè)大學， 2018.

Liu Jianxiong. Research on weighing method based on digital filtering and BP neural network ［D］. Wuhan： Huazhong Agricultural University， 2018.

［8］ 李銀平. 基于STM32的動態(tài)稱重分選系統(tǒng)的研發(fā)與實現(xiàn)［D］. 重慶： 重慶大學， 2016.

Li Yinping. Development and implementation of dynamic weighing sorting system based on STM32［D］. Chongqing： Chongqing University， 2016.

［9］ 張靜靜， 劉智豪， 萬宏強. 水果重量分級控制系統(tǒng)設(shè)計與分析［J］. 西安工業(yè)大學學報， 2022， 42（3）： 253-257， 275.

Zhang Jingjing， Liu Zhihao， Wan Hongqiang. Design and analysis of fruit weight grading control system ［J］. Journal of Xian Technological University， 2022， 42（3）： 253-257，275.

［10］ 年賀， 肖志剛， 索雪松， 等. 基于STM32的設(shè)施農(nóng)業(yè)果蔬運輸車稱重系統(tǒng)設(shè)計［J］. 河北農(nóng)業(yè)大學學報， 2022， 45（1）： 121-126.

Nian He， Xiao Zhigang， Suo Xuesong， et al. Design of weighing system of fruit and vegetable transporter for facility agriculture based on STM32 ［J］. Journal of Hebei Agricultural University. 2022， 45（1）： 121-126.

［11］ Zhao W， Luo J， Li S， et al. Design of dynamic calf weighing system based on moving-IIR filter algorithm ［J］. Journal of Electrical Engineering & Technology， 2021， 16： 1059-1069.

［12］ Feng N， Kang X， Han H， et al. Research on a dynamic algorithm for cow weighing based on an SVM and empirical wavelet transform ［J］. Sensors， 2020， 20（18）： 5363.

［13］ 呂潛龍， 阮學云. 一種翻盤式快遞自動分揀裝置的設(shè)計［J］. 安徽理工大學學報（自然科學版）， 2021， 41（1）： 62-67.

Lü Qianlong， Ruan Xueyun. Design of a flip-disk typed automatic sorting device for express delivery ［J］. Journal of Anhui University of Science and Technology （Natural Science Edition）. 2021， 41 （1）： 62-67.

［14］ 王志強， 戴澤軍， 項錦波， 等. 絮狀粉末制品微量高精度稱重系統(tǒng)設(shè)計與試驗［J］. 機電工程， 2022， 39（3）：330-336.

Wang Zhiqiang， Dai Zejun， Xiang Jinbo， et al. Micro high precision weighing system for flocculent powder products ［J］. Journal of Mechanical & Electrical Engineering. 2022， 39 （3）： 330-336.

［15］ 張安琪， 孟志軍， 陳立平， 等. 小型方捆機草捆動態(tài)稱量系統(tǒng)設(shè)計與試驗［J］. 農(nóng)業(yè)機械學報， 2020， 51（10）： 170-175， 185.

Zhang Anqi， Meng Zhijun， Chen Liping， et al. Design and experiment of dynamic weighing system for small square baler ［J］. Transactions of the Chinese Society for Agricultural Machinery. 2020， 51 （10）： 170-175， 185.