论文部分内容阅读
棉花在种植、采摘、存储、运输、生产等过程中经常会掺入一些杂质,其中既包括植物性杂质,即伪异性纤维,如棉花叶、梗、草叶、棉籽壳等,也包括危害性杂质和异性纤维,如丙纶丝、塑料布、地膜等,其中异性纤维数量较少,但对棉花品级及棉纺织产品质量的影响很大,属于必须严格剔除的范畴。棉花经过多道清理和开松流程,混入的异性纤维被打碎,与皮棉中大量存在的伪异性纤维混在一起,难以区分,为解决棉花异性纤维在线检测难题,提高异性纤维识别精度,减少误识别,本文提出一种基于机器视觉的棉花伪异性纤维识别方法,主要研究工作如下：[1]棉花伪异性纤维图像分割前算法研究。针对基于风力输棉和机器视觉检测二代平台的图像,提出基于变分Retinex的图像增强算法,并与直方图均衡化、基于Wavelet的直方图正规化、同态滤波、单尺度Retinex和多尺度Retinex等算法进行比较。针对基于自动视觉检测一代平台的图像,提出拉普拉斯边缘锐化和改进中值滤波结合的图像增强算法。[2]棉花伪异性纤维图像分割算法研究。为区分检测图像中的伪异性纤维目标和棉花背景,提出一种图像分块和分割算法,该算法首先将图像划分成36个分块,然后根据每个分块的灰度直方图判断是否存在伪异纤,若判断为真,则使用Otsu’s阈值法对该分块进行分割,并使用形态学闭运算对该分块进行分割后处理,若判断为假,则直接将该分块设置为空白背景,最后将各分块合并,获得分割后棉花杂质图像。[3]棉花伪异性纤维特征提取算法研究。为了检测和识别皮棉中的异性纤维和伪异性纤维,提取伪异纤的5个颜色特征,7个形状特征和9个纹理特征。计算伪异纤基于HSV和Lab色彩空间的10个颜色特征,4个具有旋转不变性的纹理特征,即基于统一化局部二进制模式的直方图傅里叶(Local Binary Pattern Histogram Fourier features, LBP-HF)的统计特征：fvl均值、fvl标准差、fv2均值和fv2标准差。[4]棉花伪异性纤维和异性纤维分类算法研究。为区分棉花伪异性纤维和异性纤维,分析伪异纤对异纤检测的影响,将伪异纤目标特征和异纤相应特征进行融合,分别使用反向传播(Back Propagation, BP)(?)经网络、线性核函数支持向量机和径向基核函数支持向量机分类器对整个棉花杂质特征集进行分类识别。[5]棉花伪异性纤维聚类算法研究。分别使用基于样本距离的简单K均值聚类方法和基于概率的最大期望聚类方法对伪异纤的15个颜色特征、7个形状特征和13个纹理特征进行聚类,并通过支持向量机进行分类验证。[6]棉花异性纤维和伪异性纤维检测一代平台及二代平台的设计与实现。基于自动视觉检测一代平台的硬件系统包括：喂棉器、棉层生成器、棉层输出器、图像采集装置、棉层收集器和工控机6个部分；基于风力输棉和机器视觉检测二代平台的硬件系统包括：风机、皮棉开松机、皮棉输送通道、皮棉检测通道、图像采集装置、棉花收集箱和工控机。一代平台和二代平台的软件系统包括：参数设置、图像采集、图像处理、图像分析和报告生成5个模块。通过实验平台验证,该研究提出的基于机器视觉棉花伪异性纤维在线识别方法是正确和有效的。