石河子大学机械电气工程学院/农业农村部西北农业装备重点实验室, 新疆 石河子 832003
棉花杂质在轧棉过程中对棉纤维造成损伤, 导致成品纺织品出现瑕疵。 因此, 杂质的检测和分类在棉花生产过程及质量检验中至关重要。 地膜是我国机采棉中特有的杂质。 该研究将包括地膜碎片等12种常见棉花杂质放置于两层皮棉层之间, 采用推扫式高光谱成像系统在透射模式下对杂质与皮棉混合样本进行图像采集, 在400~1 000 nm范围内利用光谱信息识别嵌在皮棉层中的12种杂质。 首先对高光谱图像进行平场校正, 对边缘噪声进行裁剪； 选择500 nm处灰度图像进行人工感兴趣区域（ROIs）提取, 从ROIs提取皮棉和杂质平均透射光谱并进行标准化； 使用典型判别分析（CDA）对皮棉和杂质光谱进行处理并利用前三个典型变量绘制散点图, 观察散点分组情况, 采用多变量方差分析（MANOVA）对前三个典型变量评估每两种杂质之间的差异。 然后使用区间随机蛙跳（iRF）方法提取特征波段, 采用支持向量机（SVM）分类器, 分别对全波段及特征波段的透射光谱进行杂质和皮棉13个类别的分类研究, 对比分析两次分类的准确率。 结果表明, 全波段的各类杂质和皮棉的平均分类准确率为84.4%, 该方法对棉花内层杂质的检测与分类是可行的, 包括与皮棉外观相近的地膜、 塑料包装和纸的分类效果较好。 在提取12个特征波段后, 4种具有相似外观和相似化学成分的杂质（裂茎、 茎皮、 棉铃壳、 棕叶）分类准确率较低但都超过73%； 棉籽、 绿叶、 纸片、 塑料包装、 地膜、 皮棉的分类准确率均超过90%； 各类杂质和皮棉的平均分类准确率为86.2%； 与全波段光谱的分类结果相比, 特征波段光谱的平均分类准确率提高1.8%。 该研究结果可为棉花内层杂质检测研究提供理论依据, 并对高光谱透射成像技术的应用有较好的指导作用。
棉花杂质分类 高光谱成像 透射 随机蛙跳 特征波长提取 Foreign matter classification Hyperspectral imaging Transmittance images Interval Random Frog Feature selection 光谱学与光谱分析
2023, 43(10): 3230
石河子大学机械电气工程学院/农业农村部西北农业装备重点实验室, 新疆 石河子 832003
机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据, 对提升皮棉品质具有重要意义。 但由于籽棉棉层分布不均匀, 使得图像检测难度增大, 使用传统的检测方法无法有效检测各类杂质。 采用高光谱成像方法对机采籽棉中的棉叶、 棉枝、 地膜和铃壳(内外)五种杂质进行分类判别检测。 首先采集120个机采籽棉样本的高光谱图像, 选取感兴趣区域获取平均光谱曲线。 发现由于物质构成的差异, 不同杂质体现出不同的吸收和反射特性, 不同种类物质之间的光谱差异大于同类物质。 对提取的平均光谱曲线进行主成分分析(PCA), 结果显示棉花、 残膜和铃壳外与其他三类相比, 有较好的聚集性和可分性, 但是棉叶、 铃壳内和棉枝三类相互叠加在一起, 空间分布存在严重交叉重叠。 以提取的平均光谱曲线为训练样本, 选择线性判别分析(LDA)、 支持向量机(SVM)和神经网络(ANN)三种分类判别算法, 对算法参数进行寻优, 并建立机采籽棉杂质分类判别模型。 其中, 经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性, 采用正则化防止过拟合, 得到训练集准确率为86.4%, 测试集准确率为86.2%; SVM模型的参数寻优结果为C=105, g=0.1, 其训练集准确率为83.42%, 测试集准确率为83.40%; ANN模型参数寻优得到隐含层数和神经元个数分别为2和17, 训练集准确率为82.9%, 测试集准确率为81.8%。 对三种模型的分类效果和检测用时进行比较, LDA模型结果最优。 通过对高光谱图像进行像素等级分类判别, 结果显示棉花识别效果较好, 植物性杂质都被有效检测, 但是地膜和棉花存在误识别, 分类效果与杂质光谱的分类判别模型结果一致。 因此, 采用高光谱成像技术可以快速、 无损的检测和识别籽棉杂质, 为棉花加工装备提供反馈参数, 对棉花加工机械化和智能化有重要意义。
机采籽棉 杂质检测 高光谱成像 分类判别 Seed cotton Impurities detection Hyperspectral imaging Classification 光谱学与光谱分析
2021, 41(11): 3552
