[发明专利]一种基于高光谱成像与深度学习的籽棉残膜分选装置的残膜识别分类算法

说明书

本发明公开了一种基于高光谱成像与深度学习的籽棉残膜分选装置及算法，残膜分选装置包括配棉箱、高光谱成像仪、穹顶卤素灯、工控机、黑色橡胶履带、高速喷阀、抽风口与风机。待处理的籽棉由进棉口进入配棉箱进行开松，随后由高光谱成像仪采集反射光谱图，再经工控机进行图像处理，处理完毕后，经过一定时间的延时，驱动箱驱动高速喷阀喷出对应位置的残膜或含有残膜的籽棉到抽风口，由风机抽出，位于籽棉底部的残膜由于风机产生的空气压力也能被吸入抽风口,其他籽棉由于惯性则会落在指定位置，从而完成分选。本发明可以实现籽棉残膜的快速准确识别与分类，解决了困扰行业多年的残膜分拣技术难题。

技术领域

本发明涉及籽棉异纤识别分拣领域，特别涉及一种基于高光谱成像与深度学习的籽棉残膜分选装置及算法。

背景技术

我国是棉花生产和消费大国，而新疆是我国最大、最重要的棉花种植基地，但新疆采用大规模机械化种植棉花，在机械化采摘过程中不可避免地混入地膜，残留的地膜不仅数量多，且形状各异，颜色与棉花相差不大，所以很难清理。目前很多检测算法已被用来检测棉花中棉铃、棉壳、尼龙绳、布条等杂质，这些杂质能够通过彩色相机及黑白相机识别，但彩色相机与黑白相机却无法识别残留的透明地膜等杂质。残膜清理不彻底，就会严重影响纺织产品质量。因此需要探寻一种算法来识别并分类残留的透明地膜。

发明内容

发明目的：针对现有技术中存在的不足，本发明提供一种基于高光谱成像与深度学习的籽棉残膜分选装置，能够快速准确地识别并分类籽棉与残膜。本发明的另一目的是提供一种基于高光谱成像与深度学习的籽棉残膜分选装置的残膜识别分类算法。

技术方案：为了实现上述发明目的，本发明采用的技术方案为：

一种基于高光谱成像与深度学习的籽棉残膜分选装置，包括配棉箱、履带、穹顶卤素灯、高光谱成像仪、高速喷阀、工控机、驱动箱、抽风口、伺服电机与编码器和风机；在配棉箱的下方设履带，在履带的上方穹顶卤素灯和高光谱成像仪，高光谱成像仪与工控机相连；在履带的端部设高速喷阀，高速喷阀与驱动箱相连，在高速喷阀的下方设抽风口和风机；履带与伺服电机与编码器相连。

在所述配棉箱中装备有机械打手，能够将籽棉棉团开松，形成单个的籽棉，均匀地落在履带上，充分暴露掺杂在其中的残膜，便于高光谱成像仪采集图像。

所述高光谱成像仪采集籽棉流在1000nm~2500nm的反射高光谱图像，6nm为一谱段。

所述穹顶卤素灯为全光谱卤素灯，包含所要采集的光谱范围，穹顶保证籽棉棉流无阴影。

所述的工控机，装有采集卡与GPU，采集卡将高光谱成像仪采集的图像传输到工控机，GPU保证两个卷积神经网络的快速实现。

所述的履带为黑色橡胶履带，保证背景无反射光线，易于高光谱成像仪采集反射光谱图像。

所述的高速喷阀，工作压力为5公斤，每秒开关次数为50次。

所述的基于高光谱成像与深度学习的籽棉残膜分选装置的残膜识别分类算法，由深度学习中的两个卷积神经网络来实现；

第一个卷积神经网络（convolutional neural network，CNN），能够融合高维特征，且在处理未经预处理的光谱数据时具有较高的准确性；第一个卷积神经网络输入为未经预处理的高光谱图像每个像素点在不同反射谱段上值的向量，网络仅包含一个卷积层，卷积层采用1×3的卷积核，步长为2，激活函数为ReLU；输出层使用softmax激活函数，它将预测值转化为非负值，并将它们归一化以获得该像素点为残膜的概率；全部像素处理完毕后，将得到的概率的二维向量反归一化为灰度图，作为第二个卷积神经网络的输入；