[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

摘要

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。

主权项

1.一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，所述的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（1）、履带（3）、穹顶卤素灯（4）、高光谱成像仪（5）、高速喷阀（6）、工控机（7）、驱动箱（8）、抽风口（10）、伺服电机与编码器（11）和风机（12）；在配棉箱（1）的下方设履带（3），在履带（3）的上方穹顶卤素灯（4）和高光谱成像仪（5），高光谱成像仪（5）与工控机（7）相连；在履带（3）的端部设高速喷阀（6），高速喷阀（6）与驱动箱（8）相连，在高速喷阀（6）的下方设抽风口（10）和风机（12）；履带（3）与伺服电机与编码器（11）相连；其特征在于：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输入为高光谱图像单一像素在不同谱段上值的向量，输出为该像素是残膜的概率，全部像素处理完毕后生成概率的二维向量，反归一化为灰度图像，作为第二个卷积神经网络的输入；第二个卷积神经网络为U‑NET，输入为上述灰度图像，输出为籽棉与残膜的分割图像；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；第二个卷积神经网络为U‑NET，网络由一条收缩路径和一条拓展路径组成，网络输入为反归一化后的灰度图，收缩路径与拓展路径各采用一个3×3的卷积核，每个卷积层都有一个ReLU激活函数，下采样采取步长为2，卷积核为2×2的最大池化操作；在下采样步骤中，将特征通道数量加倍；拓展路径中的每一步都包括对特征映射进行卷积核为2×2的上采样；在上采样步骤中，将特征通道数量减半，并与收缩路径中对应的裁剪的特征映射级联，最后输出为籽棉与残膜的分割图像。