收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于高光谱成像技术的棉花杂质检测方法的研究

郭俊先  
【摘要】:棉花是重要的经济作物,是纺织工业的重要原料。棉花杂质不仅影响棉花定级和定价,同时影响棉花轧花和纺纱效果,以及最终棉纺织品的质量。国内外学者采用机器视觉技术、断层X光摄影和紫外荧光成像等技术,能够有效检测棉花中着色较深、面积较大和含有荧光物质的部分杂质。但是,针对棉花表面纤细、浅色、白色和透明杂质,以及棉花内部的常见杂质,检测效果不佳。 本研究基于高光谱成像分析系统,以梳棉表面一些难检的异性纤维,梳棉内部不同深度的常见杂质为研究对象,分别采用高光谱图像中不同信息,建立杂质检测的方法和算法,并以分割后二值图像进行杂质重量预测和分类分析。研究主要内容包括三部分:(1)针对梳棉表面难检杂质,采用主成分分析(PCA, Principle component analysis)、独立成分分析(ICA, Independent component analysis)、双波段比分析和波长合并方法,提取高光谱图像的最佳分割图像,以较优的预处理和分割方法获得二值图像;获取高光谱图像中杂质和梳棉像素光谱,选择较优的判别函数,采用判别分析(DA, Discriminant analysis)方法分类像素获得二值图像;对比基于线性判别分析(LDA, Linear discriminant analysis)、面积过滤器、形态学处理、面积过滤器和形态学的组合方法剔除二值图像中伪目标的效果,建立梳棉表面单类杂质检测算法;使用最佳分割波长图像,采用灰度平均和小波融合两种方法,建立梳棉表面多类杂质检测算法;采集相同空间分辨率的RGB图像作为对照,比较高光谱图像检测杂质的效果。(2)针对梳棉内部不同深度的常见杂质,使用像素分类方法和二值图像后处理方法,建立梳棉内层杂质的检测算法;对比过滤(filter)和包装(wrapper)特征选择等方法,确定杂质像素分割的最佳波长集合。(3)针对高光谱图像杂质分割二值图像区域的相关特征,采用偏最小二乘(PLS,Partial least square)回归和多元线性回归(MLR, Multiple linear regression)方法预测分析杂质重量,采用DA分析方法分类多种异性纤维;采集梳棉高分辨率近红外漫反射光谱信息,分析PLS预测普通杂质含量的效果。 本研究的目的是评价高光谱成像技术检测梳棉表面一些难检杂质和梳棉内层常见杂质的可行性,为高光谱成像技术应用于棉花杂质检测设备开发提供依据。采用波长选择方法,分析获得像素分类的最佳波长集合,为多光谱成像技术在线分拣棉花杂质的滤波片选择奠定研究基础。 研究结果和结论如下: 1)针对梳棉表面一些难检杂质的检测,结果表明: ①在波长460-900 nm范围内,高光谱图像中波长图像适合于灰色、白色的条状或块状异性纤维的检测,主成分图像适合黑色和白色的纤细异性纤维检测,独立成分图像适合灰色、白色和透明的异性纤维检测。采用Sobel算子边界提取和形态学处理分割上述图像,结合LDA的二值图像后处理方法,验证集异性纤维识别率为79.51%。 ②采用wrapper波长选择方法确定像素分类最佳波长集,基于二次判别分析(QDA,Quadratic discriminant analysis)分类高光谱图像中空间像素点,构造杂质分割二值图像,使用LDA判定二值图像中区域属性,剔除伪目标区域,异性纤维总识别率为79.17%。其中黑色人发和灰色丙纶丝识别率达到100%,黑色猪毛识别率达为95.65%,白色丙纶丝的识别率达到90.36%,透明地膜碎片识别率为67.21%。 ③单类杂质分割的最佳波长图像做灰度平均可以检测多类难检杂质,训练集和验证集中杂质识别率分别为84.09%和75.86%。针对黑色毛发、灰色和白色丙纶丝等多类异性纤维,验证集中识别率为100%,白色猪毛不能识别。 ④使用相同的图像分割和后处理方法,黑色毛发的高光谱图像和RGB图像识别率分别是97.10%和81.48%。高光谱图像可以检测出44.44%的白色猪毛,RGB图像不能检测白色猪毛。 综上可知,高光谱图像可以有效检测梳棉表面的黑色毛发、灰色丙纶丝和白色丙纶丝,能够检测部分透明丙纶丝和地膜碎片;基于像素分类杂质分割方法,杂质总体检测效果好于基于图像信息的结果;采用相同的图像分割和处理方法,高光谱图像检测黑色和白色毛发的结果好于同分辨率RGB图像。 2)针对棉网内层一定深度放置的多种杂质检测,结果表明: ①采用QDA分类高光谱图像中空间像素点,构造杂质分割二值图像,结合面积过滤器和形态学组合方法处理二值图像,采用全波长信息,在深度为1-2 mm、3-4 mm和5-6 mm的棉网内,杂质识别率分别为87.8%、79.5%和82.6%,其中,普通杂质识别率分别为95.5%、80.7%和82.6%。采用包装法选择的最优波长集合,三种深度的杂质识别率分别为66.6%、57.5%和72.8%。 ②采用全波长信息,在深度为1-2 mm和3-4 mm棉网内,异性纤维的识别率分别为81.9%和60.6%。使用最优波长集合,异性纤维的识别率分别为77.1%和49.3%。彩色丙纶丝、有色线和有色布块的检测效果最佳,黑色毛发检测效果居中,灰色、白色丙纶丝检测效果不佳。 综上可知,高光谱图像可以检测棉网内1-6mm深度的普通杂质、彩色丙纶丝、有色线和有色布块,能够检测部分黑色毛发和灰色丙纶丝。普通杂质的检测效果最佳。 3)分类杂质和预测杂质重量的结果表明: ①基于高光谱图像分割后二值图像的杂质区域特征,采用PLS预测多类丙纶丝重量的相关系数r值为0.729;基于马氏距离的DA分类丙纶丝、毛发和地膜碎片三种异性纤维,总正确率为86.10%。高光谱图像可以有效区分大类杂质。 ②采用棉花高分辨率近红外光谱信息,使用一阶微分光谱预处理,3个主成分的PLS预测普通杂质含量效果最好,相关系数r为0.9059,校正均方根误差为0.440,预测均方根误差为0.823。结合近红外漫反射技术和化学计量学分析方法,可以用于棉花杂质含量预测。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 郭俊先;应义斌;饶秀勤;李俊伟;亢银霞;石砦;;梳棉内层杂质高光谱图像检测[J];农业机械学报;2012年12期
2 陈守满;;高光谱图像与农产品品质无损检测研究进展[J];安康学院学报;2011年06期
3 李江波;苏忆楠;饶秀勤;;基于高光谱成像及神经网络技术检测玉米含水率[J];包装与食品机械;2010年06期
4 孙梅;付妍;徐冉冉;赵勇;陈兴海;;基于高光谱成像技术的水果品质无损检测[J];食品科学技术学报;2013年02期
5 赵明富;李成成;汤斌;罗彬彬;周慧;田霞;邹雪;王博思;;基于高光谱成像技术的微量血迹检测研究[J];激光杂志;2017年05期
6 张伟;潘磊庆;林红英;;基于高光谱图像检测禽蛋新鲜度的研究[J];南京晓庄学院学报;2015年06期
7 高俊峰;张初;谢传奇;朱逢乐;郭振豪;何勇;;应用近红外高光谱成像技术预测甘蔗可溶性固形物含量[J];光谱学与光谱分析;2015年08期
8 于宏威;王强;刘丽;石爱民;胡晖;刘红芝;;粮油品质安全高光谱成像检测技术的研究进展[J];光谱学与光谱分析;2016年11期
9 张保华;李江波;樊书祥;黄文倩;张驰;王庆艳;肖广东;;高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J];光谱学与光谱分析;2014年10期
10 李江波;饶秀勤;应义斌;;农产品外部品质无损检测中高光谱成像技术的应用研究进展[J];光谱学与光谱分析;2011年08期
11 刘长虹;夏青;;高光谱成像在肉品品质及安全检测方面的应用[J];合肥工业大学学报(自然科学版);2016年04期
12 邹小波;李志华;石吉勇;黄晓玮;;高光谱成像技术检测肴肉新鲜度[J];食品科学;2014年08期
13 刘燕德;邓清;;高光谱成像技术在水果无损检测中的应用[J];农机化研究;2015年07期
14 王龙;邱园园;李小波;;基于高光谱成像技术的牛羊肉品质无损检测研究进展[J];新疆农垦科技;2015年06期
15 彭彦颖;孙旭东;刘燕德;;果蔬品质高光谱成像无损检测研究进展[J];激光与红外;2010年06期
中国重要会议论文全文数据库 前10条
1 马德敏;孙凡;金星;舒嵘;王建宇;;机载高光谱图像质量定量化评价方法的研究[A];成像光谱技术与应用研讨会论文集[C];2004年
2 成诚;;高光谱成像技术在公安业务中的应用展望[A];2017年光学技术研讨会暨交叉学科论坛论文集[C];2017年
3 陶斐斐;李永玉;王伟;彭彦昆;;基于高光谱成像技术快速无损伤评价猪肉新鲜度[A];中国食品科学技术学会第八届年会暨第六届东西方食品业高层论坛论文摘要集[C];2011年
4 柏财勋;李建欣;沈燕;;基于双折射偏振干涉的高光谱成像方法[A];第十六届全国光学测试学术交流会摘要集[C];2016年
5 刘德芳;孟鑫;李建欣;;基于色散剪切干涉的高光谱成像方法[A];第十五届全国光学测试学术交流会论文摘要集[C];2014年
6 颜昌翔;;星载高光谱成像及数据应用[A];第十届全国光电技术学术交流会论文集[C];2012年
7 杨暄;亓洪兴;刘敏;王义坤;刘毓博;汪磊;;机载摆扫式宽幅高光谱成像技术研究[A];2016年红外、遥感技术与应用研讨会暨交叉学科论坛论文集[C];2016年
8 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集(下册)[C];2008年
9 何宝琨;;使用曲面棱镜的高光谱成像系统设计[A];中国空间科学学会空间探测专业委员会第二十六届全国空间探测学术研讨会会议论文集[C];2013年
10 卢云龙;刘志刚;;高光谱图像目标探测现状研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
中国博士学位论文全文数据库 前10条
1 郭俊先;基于高光谱成像技术的棉花杂质检测方法的研究[D];浙江大学;2011年
2 王彩玲;干涉高光谱成像中的信息提取技术[D];中国科学院研究生院(西安光学精密机械研究所);2011年
3 郭辉;牛肉主要品质参数无损光学检测装置的研究[D];中国农业大学;2014年
4 王鹏冲;声光调制型可见光高光谱成像技术研究[D];哈尔滨工业大学;2017年
5 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
6 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
7 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
8 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
9 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
10 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
中国硕士学位论文全文数据库 前10条
1 高海龙;基于透射和反射高光谱成像技术的马铃薯缺陷检测方法研究[D];华中农业大学;2014年
2 顾敏;基于高光谱成像的西兰花农药残留无损检测方法研究[D];浙江理工大学;2018年
3 张巍;基于高光谱成像技术的蓝莓内部品质检测方法的研究[D];沈阳农业大学;2016年
4 库静;不同高光谱成像方式的马铃薯内外部品质检测方法研究[D];华中农业大学;2016年
5 王莉;基于高光谱图像技术对不同品种牛肉的识别及其品质的差异性分析研究[D];宁夏大学;2018年
6 刘昱微;微波加热牛肉品质的高光谱成像无损检测方法研究[D];华南理工大学;2018年
7 崔腾飞;基于高光谱成像技术的羊肉品种判别实时检测系统的研究[D];宁夏大学;2018年
8 韩浩然;基于高光谱成像的水果轻微机械损伤无损检测的研究[D];云南师范大学;2018年
9 汪磊;光机扫描型大视场高光谱成像技术研究[D];中国科学院大学(中国科学院上海技术物理研究所);2017年
10 叶丹丹;基于高光谱成像技术的损伤马铃薯的识别与损伤程度的分类[D];黑龙江大学;2018年
中国重要报纸全文数据库 前10条
1 本报记者 付毅飞;“珠海一号”,为何能拍出太空大片[N];科技日报;2017年
2 安卫平;训练容不得半点水分和杂质[N];解放军报;2018年
3 庞鲁豪 葫芦岛支队;对党忠诚 不掺杂质[N];人民武警报;2015年
4 谢沐风 上海市食品药品检验所;勿以杂质论英雄[N];医药经济报;2015年
5 新疆供销技校 石玉红;如何做好棉花杂质的估验工作[N];新疆科技报(汉);2006年
6 国家食品药品监管总局药品审评中心 张哲峰;仿制药杂质研究与控制的基本思路与策略[N];中国医药报;2014年
7 湖北省襄阳市粮食局 陈凡 江峰;打破杂质1%瓶颈疏通托市收购梗阻[N];粮油市场报;2014年
8 记者 王菲;我区棉花异性纤维有望“一扫清”[N];新疆科技报(汉);2010年
9 记者 齐中熙;我国将加强棉花质量监管[N];新华每日电讯;2001年
10 记者 霍然;喀克两地联手拒收异性纤维棉[N];喀什日报(汉);2006年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978