基于深度學習的原棉雜質圖像分割與識別研究

鍵詞：原棉雜質，Canny算法，U-Net，圖像分割，圖像識別中圖分類號：TP391.41 文獻標志碼：A 文章編號：1674-9545（2025）03-0027-（06）DOI：10.19717/j. cnki. jjun. 2025.03.005

棉花，作為紡織品的重要原材料之一，雜質將會直接影響其品質。隨著機械化程度的日益提高，在采摘、貯存、運載過程中原棉易受多種異物污染，若不及時篩檢和剔除，極易引起原棉后續二次加工的紗線斷裂、布匹疵點增多和著色不均等問題[1]。隨著雜質種類和數量的增加，清除難度也隨之增加，進而影響棉花的質量等級，也影響后續的紡織品品質[2]。現有研究多數采用邊緣檢測、顏色提取或紋理分析等圖像處理技術作為原棉雜質圖像分割手段，如小波變換濾波、Canny 算法等[3-4]。但在面對復雜背景、低對比度雜質或微小目標時，仍易出現邊緣斷裂、區域漏分或誤分類等問題。在此基礎上，深度學習技術的引入為提升原棉雜質圖像處理精度帶來了新契機。卷積神經網絡具備強大的特征提取能力，能夠自動學習不同尺度、不同語義層次的圖像特征[5]。U-Net在邊緣分割和雜質識別中通過精細還原目標邊界與結構，提升了原棉圖像中雜質區域的定位精度與增強了多類別識別的完整性[6]因此，本研究構建了一種結合邊緣感知機制與多尺度特征融合策略的深度學習模型。該研究在模型結構和特征提取機制方面進行了有針對性的改進，為原棉雜質自動檢測提供了更具通用性和實用性的解決方案。

1結合邊緣感知機制與多尺度特征的圖像分割與識別模型

1.1用于邊緣檢測的改進Canny算法

為了在分割破籽、羽毛、塑料繩等大小差異明顯的雜質時表現更穩定，研究提出基于Canny的邊緣檢測算法。傳統Canny算法需手動設定高低雙閾值，因此，在圖像對比度變化大或噪聲干擾明顯的情況下，容易導致邊緣漏檢或偽邊緣增多[7]。最大類間方差法（Otsu's method，Otsu）基于圖像像素梯度分布自動計算出最優分割閾值，即通過最大化類間方差找到前景與背景的最佳分界點，從而動態生成低閾值，并通過經驗倍數設置高閾值[8-9]。這種數據驅動的閾值選擇方式消除了人工設參的主觀性，使Canny算法具備對不同圖像內容的適應能力[10]。基于Otsu的自適應Can-ny閾值公式如下：

σ_b²（t）=w₁（t）w₂（t）[μ₁（t）-μ₂（t）]²

式（1）中， χ_t 為候選閾值; σ_b²（t） 是類間方差，是Otsu選擇的評價函數。 w₁（t） 和 w₂（t） 分別代表灰度小于 χ_t 的像素點所占比例和灰度大于 χ_t 的像素比例，即前景和背景，二者相加為 1μ₁（t） 和μ₂（t） 分別為前景像素和背景像素的平均灰度值。Canny難以同時處理大小不一的雜質目標，尤其對小目標容易忽略、對大目標邊緣易不連貫。而多尺度卷積中的多尺度高斯平滑操作可以通過設置不同感受野的卷積核、使用特征金字塔結構或多分辨率輸入，能夠從局部紋理到全局輪廓提取圖像的多層次信息[1I-12]。多尺度高斯平滑公式如下：

式（2）中， 是二維高斯核在位置處的權重值，用于模糊處理。其中 σ 是標準差，通常選用多組 σ∈{1.0，2.0，3.0} 并行處理來保留大小不同的雜質邊緣。該研究在多尺度平滑處理和Otsu的基礎上，引入了非極大值抑制優化和形態學結構增強的后處理技術，最終改進Canny算法如圖1所示。

圖1改進Canny算法架構圖

由圖1可知，改進Canny算法在整體結構上針對傳統方法的局限性進行了多層次優化。首先，通過對圖像進行包括灰度化、對比度增強與降噪的預處理操作，配合多尺度高斯平滑濾波，有效提升了圖像的整體質量與抗噪能力，為后續邊緣提取奠定更穩定的基礎。隨后，算法對圖像進行梯度幅值與方向的計算，并進入非極大值抑制階段，通過在梯度方向上進行精確判斷，保留真實邊緣的局部極大值點。為了克服傳統Canny算法中閾值設定依賴經驗、泛化能力差的問題，引入Otsu最大類間方差法自動設定高低雙閾值，使閾值與圖像本身特性相適應，從而進一步提高邊緣響應的準確性和魯棒性。經過閾值處理和非極大值抑制后，可以得到初步邊緣圖。然而，由于原棉圖像中雜質形態復雜、邊界斷裂問題常見，為了增強邊緣結構的完整性和連貫性，需要進一步引入形態學閉運算對斷裂邊緣進行連接，同時通過開運算有效去除孤立噪聲和偽邊緣點。最終輸出的邊緣圖在保持細節結構的同時具有更強的連續性和準確性，為后續的特征提取和識別任務提供了可靠的基礎。

1.2基于改進Canny算法的圖像分割與識別模型

改進后的Canny算法旨在實現邊緣檢測的自適應、連續性與抗噪性的統一，以更準確、穩定地提取原棉雜質在復雜背景下的完整邊緣結構。在構建圖像分割與識別模型中，研究對圖像預處理階段進行優化，在圖像預處理階段進行自適應灰度化優化。自適應灰度化公式如下：

式（3）中， 是輸出的灰度圖像中位置 的像素值; 是RGB三通道中第n 個通道在位置的像素值； b_n 是第 n 個通道的歸一化加權系數。在原棉圖像中，由于拍攝角度、棉層堆疊或背景干擾等因素的影響，圖像往往存在亮度不均或局部過曝問題。然而，同態濾波技術可以通過對圖像進行取對數、進行頻域高通濾波和指數還原等方式，壓制低頻光照噪聲，增強高頻紋理和輪廓特征[13]。同態濾波光照修正的具體表達式如式（4）所示：

式（4）中， 是原始圖像灰度值； 是圖像在頻域的表示； 是同態濾波； 是頻率域濾波結果； g（x，y） 是同態增強后的圖像。而在特征提取階段，離心率和面積-周長比的公式如下：

式（5）中， e 為離心率， a，b 分別為等效橢圓的長軸長度和短軸長度。 R 為形狀因子； P 為目標邊界的周長； A 為目標區域的面積。在紋理特征識別中，結合手工特征與深度特征的融合策略在于整合顏色、形狀等先驗知識與卷積神經網絡自動學習的高維語義信息[14]。熵公式如下：

式（6）中， P（i，j） 是灰度共生矩陣中像素灰度對 （i，j） 出現的概率； E 反映圖像紋理復雜程度。對比度和同質性公式為：

式（7）中， C 和 H 表示對比度和同質性。最終在改進Canny算法的基礎上研究引入輕量級卷積神經網絡。引入 的優勢在于其編碼-解碼結構結合跳躍連接機制，能夠同時保留原棉雜質的局部邊緣細節與全局語義信息，從而實現高精度的像素級分割[15]。研究構建了基于Canny 和 U- Net的原棉雜質圖像分割與識別模型（Canny-UN-et），該模型的運行流程如圖2所示。

在圖2中，原棉圖像首先在標準D65光源照明條件下，由高分辨率線陣CCD工業相機進行精確采集，確保圖像在色彩還原與結構細節上的準確性與一致性。采集后的圖像接著進入預處理階段，依次經過自適應灰度化處理。預處理完成后，圖像被輸入至改進Canny邊緣檢測模塊，通過多尺度高斯平滑、自適應Otsu閾值選取與非極大值抑制相結合的方法，實現對棉結、殼葉、破籽等原棉雜質邊界的準確分割，并有效提升弱邊緣檢測能力。隨后在初步邊緣圖上施加形態學開閉運算，連接斷裂邊界并剔除孤立點與誤檢區域，得到清晰、連貫的目標邊緣。在此基礎上，從目標區域中提取顏色、紋理與形狀等多維表征特征，并將融合特征圖輸入U-Net多類別雜質識別網絡中進行像素級分類。U-Net結構通過編碼器-解碼器框架及跳躍連接機制，有效整合全局語義信息與局部邊界細節，實現對多類雜質目標的精細識別與分類，為原棉雜質的智能化、高精度檢測提供了完整解決方案。

2Canny-UNet模型的性能驗證

2.1Canny-UNet模型的訓練評估指標

為了驗證研究所提出的Canny-Unet模型在原棉雜質圖像分割與識別任務中的有效性，實驗選用兩個公開權威數據集DeepWeeds數據集和Cot-tonWeedID15數據集。實驗在Ubuntu20.04操作系統下進行，使用Python3.8與PyTorch1.11深度學習框架實現模型構建與訓練，訓練及推理過程均在搭載英偉達GeForceRTX3090GPU24GB顯存、IntelCorei9-12900K處理器與128GBDDR5內存的工作站上完成，確保高分辨率圖像的高效處理。所有模型在輸入圖像尺寸為 512×512 時訓練50輪，優化器使用Adam，初始學習率設為1e-4，批量大小為16，采用余弦退火策略動態調整學習率；對比模型選用VGG19與輕量級的MobileNetv3，以全面驗證Canny-Unet在邊緣保留與精度、效率間的平衡表現。首先研究對召回率和損失率進行了驗證，結果如圖3所示。

圖3不同模型的召回率和損失率對比

由圖3（a）可知，隨著迭代次數的增加，三種模型的召回率均呈上升趨勢，其中Canny-UNet模型在訓練初期即可快速提升召回能力，在100次迭代內召回率突破 80% ；在迭代至500輪時，Canny-UNet的召回率穩定在 96.4% ，遠高于VGG19的 80.1% 和MobileNetv3的 64.8% ，顯示其在目標檢出覆蓋率方面具備更強的穩定性與敏感性，特別適用于細粒度、多類別原棉雜質的分割場景。在圖3（b）中，三種模型的損失率隨著迭代次數的增加而整體下降，其中Canny-UNet的收斂速度最快，經過400次迭代后損失率下降至2% 以下，最終達到了 1.6% 。相較之下，VGG19在同等條件下維持在 2.1% ，而MobileNetv3的損失波動較大，最低值為 3.1% 。研究對平均精度（Averageprecision，AP）、平均精度均值（Meanaverageprecision，mAP）和檢測耗時進行驗證，具體結果如表1所示。

表1不同特征提取的性能對比

在表1中， Canny-UNet 在所有類別上均取得了最高精度的表現，其中在莖稈和棉籽雜質的檢測中AP分別達到了 96.43% 和 94.41% ，相比VGG19提升了 3.79% 和 4.15% 。在較難識別的頭發絲類別上，Canny-UNet依然保持 90.78% 的AP。整體mAP方面，Canny-UNet達到 94.68% ，領先VGG19的 90.58% 和MobileNetv3的 85.75% 。此外，在檢測耗時方面，Canny-UNet平均僅需64毫秒，處理速度明顯優于VGG19和MobileNetv3的93毫秒和115毫秒，表明其在保證精度的同時兼顧了計算效率，適合部署于對精度與時效性均有要求的原棉雜質檢測系統中。

2.2Canny-UNet模型的檢測與識別性能評估

為了全面驗證Canny-UNet模型在原棉雜質圖像分割與識別任務中的有效性，本文設計對比實驗對三種模型的分類識別準確性進行驗證，實驗結果如圖4所示。

圖4（a）中，對破籽、不孕籽、軟籽表皮三類雜質的檢測概率比進行了對比分析，Canny一UNet模型在這三類目標上的識別效果明顯優于VGG19和MobileNetv3，其中破籽的檢測概率比達到 82.2% ，而VGG19和MobileNetv3分別為77.6% 和 61.2% ；在軟籽表皮類別上，Canny-UN-et的檢測率也比MobileNetv3更高，說明該模型對于形態較小、邊緣模糊的雜質具有更強的分割與定位能力。在圖4（b）中，盡管存在較復雜的優片、棉片和帶纖維棉結三類雜質識別任務，Canny-UNet依然表現出更高的檢測穩定性和準確率。特別是在帶纖維這類邊界細碎、結構復雜的目標上，Canny-UNet的檢測概率比為 78.9% ；而在漿片和棉片上，Canny-UNet的檢測能力同樣領先至少10個百分點。這說明該模型在面對不同尺寸、不同結構層次的原棉雜質時，具有更強的特征適應性與邊緣保持能力，能夠實現高一致性與高精度的多類目標識別。最后，研究選擇不同雜質的原棉圖像各500張，Canny-UNet模型的準確率如表2所示。

表2四種雜質的檢測結果對比

在表2中，Canny-UNet在所有類別上均表現出更優的檢測性能，其中在羽毛類雜質的檢測中識別數量為482，準確率高達 96.54% ，顯著優于VGG19的 92.14% 與MobileNetv3的 87.89% 。在塑料繩類別中，Canny-UNet準確率達到 93.27% ，識別數為466，分別比VGG19與MobileNetv3高出近 4% 與 7% ，表現出對條狀異物的強魯棒性。在殼葉類雜質檢測中，Canny-UNet準確率為94.31% ，同樣領先VGG19與MobileNetv3，說明該模型在結構復雜或邊緣不清晰目標識別方面更具優勢。而在棉結這一檢測難度較大的類別上，Canny-UNet仍保持 89.26% 的準確率，顯著高于VGG19的86. 14% 與MobileNetv3的 82.47% 。以上結果表明，Canny-UNet不僅在整體識別數量上保持較高水平，更在識別精度上體現出顯著提升，尤其適合應用于多類別、復雜形態雜質的精細檢測任務中。

3結論

隨著棉花機械采摘的普及和加工流程的自動化，原棉中混入的非棉雜質類型日益復雜。為了提升原棉雜質圖像分割完整性與多類別識別準確率，研究設計了基于改進Canny算法和U-Net的原棉雜質圖像分割與識別模型。實驗在原棉雜質圖像數據集上進行驗證，Canny-UNet在莖稈、棉籽雜質和頭發絲的檢測中AP達到了 96.43% 、94.41% 和 90.78% 。在檢測耗時方面，Canny-UNe為 64ms ，優于對比模型VGG19和MobileNetv3。并且，500張雜質圖像中，Canny-UNet模型的識別準確率塑料繩與殼葉類雜質的準確率分別為93.27% 和 94.31% 。研究表明，Canny-UNet模型能夠顯著增強原棉雜質圖像中細粒度結構的感知效果，是推動棉花雜質智能檢測技術標準化和規模化部署的有效路徑之一。但當前模型在實際部署中的運算效率仍需進一步優化，在面對光照變化大、棉層密集區域背景復雜的場景下仍存在一定誤檢現象。

參考文獻：

[1]吳友日，金肖克，馮建強，等.基于高光譜成像技術的棉花雜質檢測[J].現代紡織技術，2024（11） ：46.

[2]Ibrohim M，Shakhboz I，Navruza A.Theoretical features of the process cleaning zone between sectionsof raw cotton from weed impurities[J].American journal of multidisciplinary bulletin，2O24（5） ：83.

[3]郝錦虎，杜玉紅，王帥，等.基于小波變換和改進雙邊濾波的紅外圖像增強算法[J].紅外技術，2024（9） ：1051.

[4]王紫越，張翼，李星輝，等.基于圖像識別的高純度云母礦分選研究[J].礦產綜合利用，2024（3） ：81.

[5]梁回香，張立杰，景建平，等.基于多準則模型的棉纖維評價研究[J].棉紡織技術，2024（6）：8.

[6]韋龍星，寧萌，蔡禮揚，等.基于改進 _U-Net++ 的燕窩雜質檢測方法[J].包裝與食品機械，2024（3）：68.

[7]Selvakumar AA，Thangaraju P. Brain tumour edge detection using an enhanced canny edge detectionalgorithm[J]. International Journal of Computational Biology and Drug Design，2O24（2） ：167.

[8]張燕平，張卡，趙立科，等.量子多尺度融合的高分衛星影像建筑物變化檢測［J].測繪通報，2024（6） ：65.

[9]李澤宇，何萍，賀奇，等.高斯濾波增強技術融合最大類間方差法在醫學影像診斷中的應用研究[J].中國數字醫學，2024（5）：72.

[10]李雨軒，劉崢，冉磊.改進三維最大類間方差的SAR圖像海陸分割算法[J].雷達科學與技術，2024（4） ：416.

[11]王迪，潘金山，唐金輝.基于自監督約束的雙尺度真實圖像盲去噪算法[J].軟件學報，2023（6） ：2942.

[12]崔鵬，梁皓涵，王志強，等.正則化權值自適應的相對全變分圖像平滑[J].中國圖象圖形學報，2024（12） ：3578.

[13]張劍，高云，何棟.基于離散2-D小波多級分解的電容器外觀缺陷視覺檢測方法[J].電子器件，2024（5）：1255.

[14]李東亞，白濤，香慧敏，等.基于RoBERTa多特征融合的棉花病蟲害命名實體識別[J].河南農業科學，2024（2）：152.

[15]邵亞杰，湯秋香，崔建平，等.融合無人機光譜信息與紋理特征的棉花葉面積指數估測[J].農業機械學報，2023（6）：186.

Research on Segmentation and Recognition of Raw Cotton Impurities Based on Deep Learning

LI Mingjie'，WANG Guanling2 （1. School of Management Science and Engineering，Anhui University of Finance and Economics， Bengbu，Anhui 23300O；2. College of Electrical Engineering，Anhui Polytechnic University， Wuhu，Anhui 241000，China）

ABSTRACTTo solve the problems of insuffcient accuracy，edge breakage and recognition ambiguity in the imagesegmentation and recognition procesing technology ofraw coton impurities when dealing with complex backgrounds， diverse impurity formsor blurred details，aU - Netmodel integrating an improved edge guidance mechanism was studied and proposed.After5OO roundsof iterations，therecall rateofthe model proposed bytheresearch institutereached96.4% ，and the loss rate rapidly converged to 1.6% . In the analysis of the detection probability ratio of different impurities，the detection probability ratio of broken seeds reached 82.2% ，and that of fibrous seed shavings also reached 78.9% .The research results showed thatthe model proposed inthe studycould effctively improve the overallperformance of imagesegmentationandrecognitionofrawcoton impurities.This model wasofpositivesignificanceforpromoting the practicalapplicationandeficiencyoftheintellgentdetectionsystemforcottonimpurities，andalsoprovidedareferential technical path for the fine recognition task of small targets in agricultural visual scenarios.

KEY WORDS raw cotton impurities；canny algorithm；u-net；image segmentation；image recognition

（責任編輯 羅江龍）