機采籽棉收購環節含雜率快速檢測系統研制

萬 龍，龐宇杰，張若宇，江英蘭，張夢蕓，宋方丹，常金強，夏 彬

機采籽棉收購環節含雜率快速檢測系統研制

萬 龍1,2，龐宇杰1,2，張若宇1,2※，江英蘭1,2，張夢蕓1,2，宋方丹1,2，常金強1,2，夏 彬3

（1. 石河子大學機械電氣工程學院，石河子 832003；2. 農業農村部西北農業裝備重點實驗室，石河子 832003；3. 中華全國供銷合作總社鄭州棉麻工程技術設計研究所，鄭州 450004）

籽棉收購過程中含雜率檢測工序繁雜、勞動強度大、效率低，不利于籽棉的快速檢測分級，嚴重影響籽棉收購效率。該研究開發了一種適于收購環節的機采籽棉含雜率快速檢測系統。系統由驅動傳輸單元、壓棉單元、傳感單元、機器視覺系統、PLC控制系統組成。首先利用大雜清理機清除籽棉中的棉桿和鈴殼等大密度雜質（大雜），對去大雜后的籽棉進行稱量后送至機器視覺系統，采用RGB雙面成像方法獲取籽棉樣本圖像，分析計算圖像中的雜質面積，預測去除大雜的籽棉含雜率和小雜質量，最后結合計算的大雜質量預測籽棉樣本總含雜率。其中，RGB圖像處理中使用同態濾波、主成分分析（Principal Component Analysis，PCA）變換和局部自適應閾值方法提升圖像的可分割性；比較了線性回歸（Linear Regression，LR）和支持向量機回歸（Support Vector Regression，SVR）2種回歸模型的準確率，確定較優的回歸模型為LR，總含雜率決定系數2為0.95，均方根誤差RMSE為0.58%，最后利用100個籽棉樣品對系統性能進行驗證，實測值與預測值之間平均絕對誤差為0.36個百分點，單個樣本含雜率檢測程序處理時間為48.38 s。結果表明該系統具有較高的預測準確率和效率。

機器視覺；籽棉；含雜率；檢測系統

0 引 言

機采籽棉的含雜率是棉花質量的關鍵性指標[1]，2020年新疆棉花產量達516.1萬t，較2019年增長了3%，占全國棉花總產量的87.3%[2]，棉花產業已成為影響新疆經濟發展和社會穩定的重要因素。棉花收購過程中主要靠人工挑揀大雜，再使用鋸齒式衣分試軋機和棉花雜質分析機對籽棉進行雜質分離檢測含雜率[3]，工序繁雜、速度慢、耗時長，一個棉樣的檢測時間一般在20~30 min，不利于棉花的快速分級定等，嚴重影響棉花收購期間的生產銷售效率。

近年來，機器視覺技術發展迅速，廣泛應用于交通、農業、醫學、工業等領域[4-8]。隨著機器視覺技術理論和實踐越來越成熟，機器視覺在棉花雜質檢測方面也得到快速發展。楊文柱等[9-10]設計了包括棉花開松器、視覺采集子系統和棉層收集器3部分的棉花異性纖維視覺檢測系統，該檢測系統針對采集的皮棉圖像的特性，在經典大津Otus方法的基礎上提出了改進Otus圖像分割方法。張云等[11]利用開松機將待檢測的棉花進行處理，讓異性纖維呈現在籽棉表面，開松后的皮棉經過輸棉管道進入玻璃檢測通道，檢測通道的上下兩側線掃描相機對皮棉進行拍攝，最后由視覺處理系統進行圖像處理分析。闞道宏等[12]基于皮棉圖像正態分布特性，提出一種背景估計閾值BET方法；張馨等[13]采用改進的形態學邊緣檢測算子對高分辨率異性纖維圖像進行分割；Ji等[14]使用異性纖維圖像像素的RGB均值和方差作為閾值進行圖像分割。Jiang[15]等采集棉花和15種雜質在400~1000 nm波段下的高光譜圖像，對感興趣區域的平均光譜進行主成分分析降維，最后得到3個主成分用于雜質分類識別，經多元方差分析證明了主成分在雜質分類識別上的有效性。Zhang等[16]提取l6種雜質和棉花在短波近紅外波段700~1100 nm的平均光譜，經過線性判別分類識別算法，達到了95%以上的準確率，最后通過像素等級的判別，證明了高光譜成像對皮棉雜質檢測的有效性。目前國內外普遍使用大容量棉花纖維測試儀（High Volume Instrument，HVI）進行加工后皮棉的品質檢驗，該設備采用傳統彩色成像方法，可以實現對皮棉多種品質參數的快速檢測。

綜上所述，國內外學者通過機器視覺技術對棉花中雜質的檢測與分類做了大量研究，但在收購環節中對籽棉雜質含量的檢測還鮮有報道。由于籽棉未經過軋花和開清等加工工序，籽棉中存在大量雜質和棉籽，雜質質量分布不均，并且機采棉棉纖維纏繞嚴重，導致籽棉棉層較厚、雜質存在較大差異，不利于機器視覺檢測。針對以上問題，本文提出一種針對籽棉收購環節棉花雜質快速檢測方法，利用機器視覺[17-20]、自動控制[21-25]等技術，設計了一套收購環節籽棉含雜率檢測系統，包括硬件結構與軟件部分，并利用圖像處理算法對籽棉中的雜質進行分割，計算雜質面積百分比，通過線性回歸（Linear Regression，LR）和支持向量機回歸（Support Vector Regression，SVR）2種回歸模型進行預測，并結合大雜質量預測樣本總含雜率，為籽棉收購環節含雜率檢測設備的研發提供借鑒與技術參考。

1 系統結構與工作原理

1.1 總體結構

本文所研制的機器視覺籽棉含雜率檢測系統包括籽棉樣品盒、輸送單元、壓棉單元、光學檢測硬件部分以及籽棉圖像處理與含雜率分析軟件部分。整機結構如圖1所示。

1.2 工作原理

系統工作時，首先打開控制單元，人工將樣品籽棉放入大雜清理機中，去除籽棉中的大雜后，放入籽棉樣品盒，人工將籽棉樣品盒推送至傳輸單元上，光電開關Ⅰ檢測到樣品盒時，啟動輸送帶調速電機，待檢測的籽棉樣品經傳輸單元輸送至圖像采集單元。光電開關Ⅱ檢測到待壓棉的樣品盒到達壓棉位置時，輸送帶調速電機停止轉動，短暫延時后壓棉機構在電動推桿的帶動下向下壓棉，當壓棉玻璃板將籽棉表面壓實后，計算機軟件控制圖像采集單元自動完成籽棉雙面圖像的采集，同時利用同態濾波、PCA（Principal Component Analysis，PCA）變換和局部自適應閾值分割圖像處理方法完成對籽棉圖像處理，將樣本質量和大雜質量輸入軟件中，得到樣本的總含雜率，并將結果保存至計算機。處理完成后電動推桿縮回，壓棉機構復位，短暫延時后，輸送帶調速電機開始轉動，輸送帶再次啟動，籽棉樣品盒通過轉彎機輸送至滾筒輸送線上，等待下個籽棉樣品含雜率檢測。含雜率檢測系統主要結構和性能參數見表1。

表1 機采籽棉含雜率檢測系統主要結構和性能參數

2 系統硬件

2.1 輸送單元

輸送單元主要實現檢測過程中籽棉樣品的輸送，保證籽棉樣品輸送至壓棉單元和圖像采集單元。系統的驅動傳輸單元主要包括輸送帶、調速器、驅動電機、鏈條、鏈輪等組成。輸送帶采用黑色草坪花紋，單條輸送帶有效寬度為50 mm，厚5 mm，2條輸送帶并行，并且留有一定間隙，便于實現籽棉圖像的雙面采集；2條輸送帶的主動軸和從動軸速度相同，間距400 mm，電機功率120 W，輸送速度0.2 m/s，調速器可以改變驅動電機轉速，進而改變輸送帶運行速度；無動力滾筒輸送線采用鍍鋅不銹鋼，滾筒長500 mm，直徑38 mm，滾筒間距50 mm。在輸送單元進口和圖像采集處分別設有光電開關，控制驅動傳輸單元的啟停。

2.2 壓棉單元

經過大雜清理機后的籽棉呈現蓬松狀態，表面不平整，導致采集的籽棉圖像亮度不均，陰影較多，因此在進行圖像采集之前通過壓棉單元自動將籽棉進行壓實。由于籽棉樣本的選取要求雜質在樣本中分布均勻且棉絮的松散程度一致，在相機視野范圍內，盡可能大面積對樣本進行采集，并考慮樣本盒容量和系統結構確定棉樣成像面積。參考國家標準GB/T 6499—2012[26]和文獻[27]，單個樣本的質量為100 g皮棉，按照40%衣分率（棉花占的籽棉質量比），估算對應的籽棉質量為250 g。將通過大雜清理機處理后的250 g籽棉放入直徑400 mm、高190 mm的樣品盒。樣品盒為可拆卸式，圓筒罩與底板通過卡槽固定，便于更換與清理，高透明玻璃板通過螺栓螺母固定在底板上，可實現底層籽棉圖像的采集。壓棉單元主要由電動推桿、連接板、連接桿、高透明玻璃板等組成，電動推桿電源為DC24 V，推力250 N，速度48 mm/s，行程200 mm，當電動推桿達到最大行程時，樣品盒內籽棉厚度為35 mm，籽棉表面較為平整，滿足圖像采集要求。

2.3 圖像采集單元

圖像采集單元主要由USB攝像頭、光源、暗箱和PC機等組成?？紤]到圖像質量要求，選用無畸變USB攝像頭（HF867，綠視森林），分辨率為1920像素×1080像素。光源的主要功能是為圖像采集提供一個完整的、均勻的、強度足夠大及范圍足夠廣的照射范圍，保證籽棉樣品在檢測區域無死角、無暗影。光照暗箱的尺寸為長650 mm，寬580 mm，高1400 mm，避免環境光的影響，提高檢測準確性。為保證采集到亮度均勻的籽棉圖像，在輸送帶上下暗箱的側壁型材上安裝白色的LED燈條。壓棉與圖像采集單元結構如圖 2所示。

2.4 控制系統

為了提高自動化程度、降低檢測系統制造成本、協調完成自動檢測控制的任務，控制系統核心選用信捷PLC XC3-24R-E型，繼電器電源DC24 V，功率0.9 W，型號為MY4NJ，傳感器選用型號為BF-M12JG-30N1/L的激光對射傳感器，工作電壓24 V，光束直徑3 mm，感應距離30 m，輸出模式為NPN常開。整個系統的工作流程如圖3所示。

3 軟件系統

本文開發的軟件程序以PC為硬件平臺，開發環境為Windows10系統，OpenCV-Python為開發平臺。系統運行的主要步驟為：

1）在設置樣本參數模塊中輸入籽棉樣本編號、樣本總質量和大雜質量數據；

2）點擊“數據處理”按鈕，軟件會將采集到的籽棉圖像進行背景分割、同態濾波、PCA變換和局部自適應閾值分割等處理，得到二值圖像；

3）統計二值圖像中的雜質像素數量，計算雜質總像素占圖像總像素的百分比；

4）將提取的雜質面積百分比導入回歸模型，預測圖像樣本含雜率，得到小雜質量，結合樣本總質量和大雜質量，計算得到整個樣本的含雜率，并顯示結果；

5）點擊“保存”按鈕，保存二值圖像和含雜率檢測結果。

軟件操作界面如圖4所示。

4 圖像處理性能試驗驗證

稱取250 g去除大雜后的籽棉樣品放入樣本盒，樣本盒內籽棉的上方壓上透明亞克力板，保證棉樣表面平整，用一個長方形鐵框壓住上部的亞克力板，圖像采集完成后，將樣本盒反轉，采集另一面的籽棉圖像。采集完圖像后，將圖像采集用的250 g籽棉和剩余去除大雜后的籽棉分別根據石河子農業地方標準《DB N659001/T 005—2015機采籽棉含雜率檢驗方法》進行檢測，將測得的小雜質量和樣本總的含雜率作為真實值，與軟件分析值作對比。機采籽棉含雜率檢驗標準的步驟如下：

3）指標計算

4.1 圖像裁剪

由于采集的圖像會包含多余信息，所以需要對圖像進行裁剪，獲得感興趣區域，減少后續處理的數據量，剪裁后的圖像為1 250像素×930像素。

4.2 同態濾波增強

本研究中采用同態濾波方式進行圖像增強[28]，經過中心變換、傅氏變換、低通濾波、傅氏反變換、亮度均一化處理得到增強后的籽棉樣本圖像，圖像處理效果如圖6。由圖6可見，棉花部分的亮度比原圖像更加一致，棉花和雜質之間的對比度得到提升。

4.3 PCA變換

由于棉花中雜質種類較多，棉葉和棉枝呈現褐色、綠色和黃色等多種顏色，無法提取單一顏色通道的灰度圖像進行雜質分割，本文利用主成分分析圖像變換后的灰度圖像進行處理，PCA[29-30]變換后的樣本圖像如圖7所示，第一主成分灰度圖像中各類雜質和棉花的亮度差異明顯，適合用于圖像分割。

4.4 圖像分割

圖像增強完成后，需要對灰度圖像中的雜質進行閾值分割。本文使用局部自適應閾值分割的方法進行雜質分割。局部自適應閾值分割[31-32]的原理是針對圖像中的每一個像素，根據該像素周圍一定大小鄰域內的像素值分布來確定該像素對應的閾值，本文采用的區域大小為101×101 pixel，鄰域中閾值計算方法為高斯方法，分割后的圖像如圖8所示。

4.5 小雜含雜率回歸分析

圖像分割完成后，對圖像中小雜面積進行統計，并對同一樣本的上下兩面結果相加，除以總像素數量，得到每個樣本的小雜面積百分比。然后以樣本小雜面積百分比和小雜真實含雜率進行回歸分析，將150個樣本按照7∶3的比例劃分訓練集和測試集，建立線性回歸（Linear Regression，LR）和支持向量機回歸（Support Vector Regression，SVR）模型，如圖9和表2所示。

表2 小雜含雜率回歸分析

分析結果表明，LR模型決定系數2為0.65，均方根誤差為0.70%。SVR模型決定系數2為0.62，均方根誤差為0.72%。2相對較小的原因可能是由于樣本棉層中隱藏的雜質重量存在一定的差異。

4.6 樣本總含雜率回歸分析

檢測樣本總體含雜率，需要根據上述預測得到的小雜含雜率得到樣本中小雜的質量，再加入大雜后計算樣本總含雜率，并進行回歸分析，如圖10和表3所示。LR和SVR的總含雜率回歸分析預測結果基本一致，決定系數2為0.95，均方根誤差最小為0.58%。

表3 總含雜率回歸分析

5 籽棉含雜率檢測系統性能試驗

由于方形樣品盒在擺放籽棉樣品時，放樣時間多于圓形的籽棉樣品盒，為了更好地適用于籽棉收購環節，選用圓形樣品盒驗證檢測系統的準確性和可靠性，并將結果與石河子農業地方標準《DB N659001/T 005—2015機采籽棉含雜率檢驗方法》進行對比分析。

籽棉樣品：2019年在石河子市銀北棉業有限公司進行取樣，取樣數量100份，每份籽棉樣品重量為500 g。

試驗用儀器：MSQ-500機采籽棉清理機；XJ114型鋸齒籽棉衣分試軋機；YG042A型原棉雜質分析機；硬件開發環境為聯想YangTianR4900d，CPU為Intel（R） Core（TM）i3-4160@3.60GHz處理器，內存8 G，系統為Windows 10專業版64位。試驗用儀器均校驗合格且在檢定有效期。

將制備的100份籽棉樣品先后放入MSQ-500機采籽棉試軋清理機，分別記錄每份樣品去除大雜后籽棉質量，并從中稱取250 g去除大雜后的籽棉樣品用機采籽棉含雜率快速檢測系統檢測含雜率，如圖11所示，圖像采集完成后將籽棉放入總樣品袋，按照機采籽棉含雜率檢驗方法進行含雜率測試。

采用本文系統對含雜率進行檢測評估，并統計單個樣本主要環節所占用的時間，其中大雜清理機去除大雜的平均耗時為50 s，平均每份樣本上下兩面圖像的平均處理時間為48.38 s，其中圖像背景分割、同態濾波、PCA變換和自適應閾值分割程序的執行時間分別為6.88，35.44，5.38和0.68 s。單個樣品的檢測時間小于3 min。

將本系統的預測結果與按檢驗標準檢測的結果對比分析，如圖12所示，實測值與預測值之間的平均絕對誤差為0.36個百分點，結果表明該方法具有較高的預測準確率和較快的檢測速度，滿足實際生產的需要。

6 結 論

1）針對收購環節中籽棉含雜率檢測效率低、工序繁雜等問題，本研究基于機器視覺技術研發了收購環節籽棉含雜率檢測系統，包括輸送單元、壓棉單元、傳感單元、圖像采集單元和控制系統單元，保證籽棉樣品到達壓棉和圖像采集單元處進行檢測。

2）提出先利用大雜清理機去除籽棉中的大雜，避免了檢測中尺寸較大雜質對較小雜質的遮擋問題，同時針對去除大雜后籽棉RGB圖像的特性，利用局部自適應閾值方法實現對圖像中的雜質進行精確分割。

3）本文所設計的收購環節機采籽棉含雜率快速檢測系統檢測速度快。系統驗證結果顯示，實測值與預測值之間的平均絕對誤差為0.36個百分點，平均每個籽棉樣本程序處理時間為48.38 s，單個樣品的檢測時間小于3 min。驗證了RGB雙面成像在快速檢測機采籽棉含雜率中的可行性，該系統為籽棉收購環節含雜率檢測提供了新途徑。

[1]武建設，陳學庚. 新疆兵團棉花生產機械化發展現狀問題及對策[J]. 農業工程學報，2015，31(18)：5-10. Wu Jianshe, Chen Xuegeng. Present situation, problems and countermeasures of cotton production mechanization development in Xinjiang Production and Construction Corps[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 5-10. (in Chinese with English abstract)

[2]曉婷. 國家統計局：2020年全國棉花產量持平略增[J]. 中國纖檢，2021(1)：97.

[3]田昊. 基于圖像處理的機采棉雜質檢測技術研究[D]. 石河子：石河子大學，2014. Tian Hao. Research on Detection Technique of Machine-Picked Cotton Trash Based on Image Processing[D]. Shihezi: Shihezi University, 2014. (in Chinese with English abstract)

[4]王福娟. 機器視覺技術在農產品分級分選中的應用[J]. 農機化研究，2011，33(5)：249-252. Wang Fujuan. Application of computer vision technique in farm produce classification and selection[J]. Journal of Agricultural Mechanization Research, 2011, 33(5): 249-252. (in Chinese with English abstract)

[5]李理，殷國富，劉柯岐. 田間果蔬采摘機器人視覺傳感器設計與試驗[J]. 農業機械學報，2010，41(5)：152-157，136. Li Li, Yin Guofu, Liu Keqi. Design and experiments of vision sensor for harvest robots in field[J]. Transactions of The Chinese Society for Agricultural Machinery, 2010, 41(5): 152-157, 136. (in Chinese with English abstract)

[6]徐洋，朱治潮，盛曉偉，等. 基于機器視覺的鞋面特征點自動識別改進方法[J]. 紡織學報，2019，40(3)：168-174. Xu Yang, Zhu Zhichao, Sheng Xiaowei, et al. Improvement recognition method of vamp's feature points based on machine vision[J]. Journal of Textile Research，2019，40(3): 168-174. (in Chinese with English abstract)

[7]景軍鋒，郭根. 基于機器視覺的絲餅毛羽檢測[J]. 紡織學報，2019，40(1)：147-152. Jing Junfeng, Guo Gen. Yarn packages hairiness detection based on machine vision[J]. Journal of Textile Research, 2019, 40(1): 147-152. (in Chinese with English abstract)

[8]田富洋，王冉冉，劉莫塵，等. 基于神經網絡的奶牛發情行為辨識與預測研究[J]. 農業機械學報，2013，44(S1)：277-281. Tian Fuyang, Wang Ranran, Liu Mochen, et al. Oestrus detection and prediction in dairy cows based on neural networks[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(S1): 277-281. (in Chinese with English abstract)

[9]Yang W, Li D, Zhu L, et al. A new approach for image processing in foreign fiber detection[J]. Computers and Electronics in Agriculture, 2009, 68(1): 68-77.

[10]楊文柱，李道亮，魏新華，等. 基于改進遺傳算法的棉花異性纖維目標特征選擇[J]. 農業機械學報，2010，41(0)：173-178. Yang Wenzhu, Li Daoliang, Wei Xinhua, et al. Feature selection for cotton foreign fiber objects based on improved geneticalgorithm[J]. Transactions of the ChineseSociety for Agricultural Machinery, 2010, 41(4): 173-178. (in Chinese with English abstract)

[11]張云，許江淳，王志偉，等. 基于機器視覺的棉花異性纖維檢測技術優化研究[J]. 中國農機化學報，2018，39(9)：61-65. Zhang Yun, Xu Jiangchun, Wang Zhiwei, et al. Optimization of cotton heterosexual detection technology based on machine vision[J]. Journal of Chinese Agricultural Mechanization, 2018, 39(9): 61-65. (in Chinese with English abstract)

[12]闞道宏，李道亮，楊文柱，等. 棉花異性纖維圖像在線分割方法[J]. 農業工程學報，2010，26(S2)：11-15. Kan Daohong, Li Daoliang, Yang Wenzhu, et al. Cotton image segmentation method for online foreign fiber inspection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(S2): 11-15. (in Chinese with English abstract)

[13]張馨，李道亮，楊文柱，等. 高分辨率棉花異性纖維彩色圖像的快速分割方法[J]. 農業機械學報，2011，42(1)：159-164. Zhang Xin, Li Daoliang, Yang Wenzhu, et al. Fast segmentation of high-resolution color images of cotton foreign fibers[J]. Transactions of the CSAM, 2011, 42(1): 159-164. (in Chinese with English abstract)

[14]Ji R, Li D, Chen L, et al. Classification and identification of foreign fibers in cotton on the basis of a support vector machine[J]. Mathematical & Computer Modelling, 2010, 51(11-12): 1433-1437.

[15]Jiang Y, Li C. Detection and discrimination of cotton foreign matter using push-broom based hyperspectral imaging: System design and capability[J]. Plos One. 2015, 10(3)：e0121969.

[16]Zhang R, Li C, Zhang M, et al. Shortwave infrared hyperspectral reflectance imaging for cotton foreign matter classification[J]. Computers and Electronics in Agriculture. 2016, 127: 260-270.

[17]魏文松，邢瑤瑤，李永玉，等. 適于餐廳與家庭的葉菜外部品質在線檢測與分級系統[J]. 農業工程學報，2018，34(5)：264-273. Wei Wensong, Xing Yaoyao, Li Yongyu, et al. Online detection and classification system of external quality of leaf for dining hall and family[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 264-273. (in Chinese with English abstract)

[18]王風云，封文杰，鄭紀業，等. 基于機器視覺的雙孢蘑菇在線自動分級系統設計與試驗[J]. 農業工程學報，2018，34(7)：256-263. Wang Fengyun, Feng Wenjie, Zheng Jiye, et. al. Design and experiment of automatic sorting and grading system based on machine vision for white Agaricus bisporus[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(7): 256-263. (in Chinese with English abstract)

[19]張志強，牛智有，趙思明，等. 基于機器視覺技術的淡水魚質量分級[J]. 農業工程學報，2011，27(2)：350-354. Zhang Zhiqiang, Niu Zhiyou, Zhao Siming, et al. Weight grading of freshwater fish based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(2): 350-354. (in Chinese with English abstract)

[20]孫宏偉，彭彥昆，林琬. 便攜式生鮮豬肉多品質參數同時檢測裝置研發[J]. 農業工程學報，2015，31(20)：268-273. Sun Hongwei, Peng Yankun, Lin Wan. Development of a portable device for simultaneous detection on muti-quality attributes of fresh pork[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(20): 268-273. (in Chinese with English Abstract)

[21]王寧，李江全，任玲，等. 基于三菱觸摸屏的整排穴盤苗輸送控制系統設計[J]. 農機化研究，2020，42(9)：50-57. Wang Ning, Li Jiangquan, Ren Ling, et al. Design of whole row plug seedling delivery control system based on mitsubishi touch screen[J]. Journal of Agricultural Mechanization Research, 2020, 42(9): 50-57. (in Chinese with English abstract)

[22]熊利榮，于陽，王樹才. 帶有觸覺系統的家禽屠宰凈膛機械手的設計[J]. 華中農業大學學報，2016，35(6)：142-146. Xiong Lirong, Yu Yang, Wang Shucai. Designing intelligent manipulator with haptic system for poultry slaughtering and evisceration[J]. Journal of Huazhong Agricultural University, 2016, 35(6): 142-146. (in Chinese with English abstract)

[23]楊傳華，方憲法，楊學軍，等. 基于PLC 的蔬菜缽苗移栽機自動輸送裝置[J]. 農業機械學報，2013，44(S1)：19-23. Yang Chuanhua, Fang Xianfa, Yang Xuejun, et al. Automatic delivery mechanism of potted-seedling for vegetable transplanter based on PLC[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(S1): 19-23. (in Chinese with English abstract)

[24]張麗芬. 大蒜種植機械蒜瓣方向識別與系統設計：基于PLC控制技術[J]. 農機化研究，2017，39(8)：228-230. Zhang Lifen. Planting garlic cloves machine PLC control technology and system design: Based on the direction identification[J]. Journal of Agricultural Mechanization Research, 2017, 39(8): 228-230. (in Chinese with English abstract)

[25]侯加林，黃圣海，牛子孺，等. 雙鴨嘴式大蒜正頭裝置調頭機理分析與試驗[J]. 農業機械學報，2018，49(11)：87-96. Hou Jialin, Huang Shenghai, Niu Ziru, et al. Mechanism analysis and test of adjusting garlics upwards using two duckbill devices[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(11): 87-96. (in Chinese with English abstract)

[26]中國國家標準化管理委員會.GB/T 6499—2012原棉含雜率試驗方法[S]. 北京：中國標準出版社，2012.

[27]龐宇杰. 基于機器視覺的籽棉含雜率檢測方法研究[D]. 石河子：石河子大學，2020. Pang Yujie. Research on the Detection Method of the Impurity Vontent of Machine-Harvested Seed Cotton Based on Machine Vision[D]. Shihezi: Shihezi University, 2020. (in Chinese with English abstract)

[28]賈永紅. 數字圖像處理[M]. 武漢：武漢大學出版社，2015.

[29]郭明軍，李偉光，楊期江，等. 基于 SVD 原理的 PCA 特征頻率提取算法及其應用[J]. 華南理工大學學報：自然科學版，2020，48(1)：1-9. Guo Mingjun, Li Weiguang, Yang Qijiang, et al. PCA feature frequency extraction algorithm based on SVD principle and its application[J]. Journal of South China University of Technology: Natural Science Edition, 2020, 48(1): 1-9. (in Chinese with English abstract)

[30]劉雙印，黃建德，徐龍琴，等. 基于 PCA-SVR-ARMA的獅頭鵝養殖禽舍氣溫組合預測模型[J]. 農業工程學報， 2020，36(11)：225-233. Liu Shuangyin, Huang Jiande, Xu Longqin, et al. Combined model for prediction of air temperature in poultry house for lion-head goose breeding based on PCA-SVR-ARMA[J]. Transactions of the Chinese Society of Agricultural Engineering (Transaction of the CSAE), 2020, 36(11): 225-233. (in Chinese with English abstract)

[31]杜磊，李立輕，汪軍，等. 幾種基于圖像自適應閾值分割的織物疵點檢測方法比較[J]. 紡織學報，2014，35(6)：56-61. Du Lei, Li Liqing, Wang Jun, et al. Comparison of several fabric defect detection methods based on image adaptive threshold segmentation[J]. Journal of Textile Research, 2014, 35(6): 56-61. (in Chinese with English abstract)

[32]劉紀紅，王鋮媛. 一種基于自適應閾值的圖像二值化算法[C]//2009中國控制與決策會議論文集(3). 沈陽：《控制與決策》編輯委員會，2009：3958-3962.

Rapid measurement system for the impurity rate of machine-picked seed cotton in acquisition

Wan Long1,2, Pang Yujie1,2, Zhang Ruoyu1,2※, Jiang Yinglan1,2, Zhang Mengyun1,2, Song Fangdan1,2, Chang Jinqiang1,2, Xia Bin3

(1.,,832003,; 2.,,832003,; 3.,450004,)

Impurity separation test is widely used to detect the impurity rate of seed cotton in purchasing, due mainly to the fact that some foreign matter can be picked manually. However, the average consuming time for a cotton sample test is 20-30 minutes. A new testing procedure is, therefore, necessary to rapidly detect the impurities rate, and thereby to classify the seed cotton for high production efficiency. In this study, an intelligent measurement system was developed using machine vision to detect the impurity rate of machine-picked seed cotton in acquisition. The whole system consisted of a drive transmission unit, a cotton pressing unit, a sensor unit, a machine vision system, and a control system. A cleaning machine for large impurities was utilized to mechanically remove the cotton stems and hulls from the 500 g sample of seed cotton. The cotton sample without large impurities was weighed, and then transported into the machine vision system. The surface of seed cotton was automatically compacted by the pressing unit, aiming to reduce the influences of uneven brightness and shadows in subsequent image acquisition. The RGB double-sided imaging was selected to acquire the image of seed cotton. The homomorphic filtering and Principal Component Analysis (PCA) were selected to preprocess the collected RGB images. A local adaptive threshold was then utilized to segment the preprocessed images into the impurities and cotton. After that, the segmented regions of impurities were calculated to predict the weight of small impurities. The total weight of impurities was equal to the predicted value of small impurities and the measured value of large impurities. The rate of small impurities was the ratio of predicted value to the sample weight without large impurities. The final impurity rate was achieved for the total weight of impurities in the total 500 g sample of seed cotton. Linear Regression (LR) and support vector regression (SVR) models were used to compare the predicted accuracy. The LR achieved a better performance, where the determination coefficient2for the final impurities rate was 0.95, and the root-mean-square error was 0.58%. The mean absolute error of the final impurity rate was 0.36 percentage points of 100 extra testing samples. The processing time was 48.38 s for a single detection of sample impurity rate. The findings can provide a sound reference to the measuring equipment for the impurity rate of machine-picked seed cotton during the acquisition process.

computer vision; seed cotton; impurities rate; measurement system

萬龍，龐宇杰，張若宇，等.機采籽棉收購環節含雜率快速檢測系統研制[J]. 農業工程學報，2021，37(6)：182-189.doi：10.11975/j.issn.1002-6819.2021.06.022 http://www.tcsae.org

Wan Long, Pang Yujie, Zhang Ruoyu, et al. Rapid measurement system for the impurity rate of machine-picked seed cotton in acquisition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 182-189. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.022 http://www.tcsae.org

2020-12-10

2021-03-12

國家重點研發計劃（2018YFD0700403）；兵團重點領域科技攻關計劃（2020AB006）

萬龍，研究方向為智能農業裝備。Email：973012286@qq.com

張若宇，教授，博士生導師，研究方向為農產品智能檢測技術與裝備。Email：ry248@163.com

10.11975/j.issn.1002-6819.2021.06.022

TP391.4

A

1002-6819(2021)-06-0182-08