高光譜成像的機采籽棉雜質分類檢測

　　要 機采籽棉雜質分類檢測為調整棉花清理機械加工參數和工序提供參考依據，對提升皮棉品質具有重要意義。但由于籽棉棉層分布不均勻，使得圖像檢測難度增大，使用傳統的檢測方法無法有效檢測各類雜質。采用高光譜成像方法對機采籽棉中的棉葉、棉枝、地膜和鈴殼(內外)五種雜質進行分類判別檢測。首先采集120個機采籽棉樣本的高光譜圖像，選取感興趣區域獲取平均光譜曲線。發現由于物質構成的差異，不同雜質體現出不同的吸收和反射特性，不同種類物質之間的光譜差異大于同類物質。對提取的平均光譜曲線進行主成分分析(PCA)，結果顯示棉花、殘膜和鈴殼外與其他三類相比，有較好的聚集性和可分性，但是棉葉、鈴殼內和棉枝三類相互疊加在一起，空間分布存在嚴重交叉重疊。以提取的平均光譜曲線為訓練樣本，選擇線性判別分析(LDA)、支持向量機(SVM)和神經網絡(ANN)三種分類判別算法，對算法參 數 進 行尋優，并建立機采籽棉雜質分類判別模型。其中，經過 LDA 模型降維后的樣本空間較PCA 表現出了更好的聚集性和可分性，采用正則化防止過擬合，得到訓練集準確率為86.4%，測試集準確率為86.2%;SVM 模型的參數尋優結果為C=105，g=0.1，其訓練集準確率為83.42%，測試集準確率為83.40%;ANN 模型參數尋優得到隱含層數和神經元個數分別為2和17，訓練集準確率為82.9%，測試集準確率為81.8%。對三種模型的分類效果和檢測用時進行比較，LDA 模 型 結 果 最 優。通過對高光譜圖像進行像素等級分類判別，結果顯示棉花識別效果較好，植物性雜質都被有效檢測，但是地膜和棉花存在誤識別，分類效果與雜質光譜的分類判別模型結果一致。因此，采用高光譜成像技術可以快速、無損的檢測和識別籽棉雜質，為棉花加工裝備提供反饋參數，對棉花加工機械化和智能化有重要意義。

　　關鍵詞 機采籽棉;雜質檢測;高光譜成像;分類判別

　　常金強; 張若宇; 龐宇杰; 張夢蕓; 扎亞， 光譜學與光譜分析 發表時間：2021-11-11

　　引 言

　　近年來棉花全程機械化生產比例增加，機采籽棉需要在后續加工過程中進行多道清理工藝，但是清理機械會對棉花纖維造成損失，降低加工所得皮棉的 品 質，影響最終產品價格和經濟效益。因此對棉花雜質進行 檢 測，并將雜質進行分類判別，為調整棉花清理機械加工參數和工序提供參考依據，對提升皮棉品質具有重要實際生產價值和意義。

　　由于皮棉中異纖含量對價格影響較大，國內的研究主要集中在異性纖維檢測[1-2]。張 志 峰 等[3]提出了一種基于改 進的自適應迭代閾值法皮棉疵點快速檢測方法;張林等[4]采用LED與線激光的雙光源一次成像方法，可以檢測出各種顏色的異 性 纖 維;張 成 梁 等[5-6]、王 昊 鵬 等[7]提取機采籽棉可見光圖像中雜質的顏色、形狀和紋理特 征，對各類植物雜質進行分類檢測;倪超等[8]采用深度學習方法對短波近紅外高光譜圖像中的地膜進行檢測。

　　國外的研究主要集中在植物性雜質的檢測，Wang等[9]采用基于自動視覺檢測系統的偽異性纖維檢測方法，提高了棉花中異性纖維 的 分 類 精 度。Fortier等[10]建立棉花中植物雜質的近紅外光譜庫，進行雜質光譜分類識別。Li等[11-15]基于高光譜成像技術，采 用 反 射、透射和熒光等成像方式，應用降維、特征波段選擇、分類判別算法等分析方 法，對 皮 棉中多種植物和異纖雜質進行檢測。

　　上述研究對象主要是皮棉，由于皮棉經過雜質清理和軋花去籽處理，雜 質 含 量 小，棉層均勻易于圖像中雜質的檢測;而機采籽棉中不僅含有較多雜質，且棉籽導致棉層不均勻，使得圖像檢測難度增大，使用傳統的檢測方法無法有效檢測各類雜質。

　　基于高光譜成像檢測技術，根據棉花和各類雜質的光譜特征，針對機采籽棉中存在的植物和殘膜雜質建立分類判別模型;并充分利用光譜圖像的空間信息，實現對機采籽棉各類雜質的像素等級分類判別，為棉花加工設備提供快速信息反饋。

　　1 實驗部分

　　1.1 樣本的制備

　　共取樣籽棉10kg，其中籽棉取自棉花加工企業，地 膜取自采收后的棉花地。將籽棉和雜質手動混合均勻，每 個 樣本(30±0.5)g，使用電子天平稱重(量 程 1000g，分 度 值0.01g)，共120個籽棉樣本。樣本中檢測的雜質有棉葉，棉枝，鈴殼(內和外)和地膜共5種雜質，如圖1所示。

　　1.2 高光譜成像系統和圖像采集

　　高光譜 圖 像 采 集 系 統如圖 2 所 示，由 成 像 光 譜 儀(ImspectralV10E-QE，Finland)、CCD 相 機 (C8484-05G，HamamatsuPhotonics，Japan)、鏡 頭、光 源(150 W 鹵 素 燈，China)、電動位移 平 臺(PSA200-11-X，Zolix)和 電 動 位 移 平臺控制器(CS300-1A，Zolix)、暗 箱、PC 計 算 機 等 組 成;在PC上用Spectral軟件進行圖像采集軟件控制。高 光 譜 成 像系統光譜范圍為360～1000nm，光 譜 分 辨 率 為2.7nm，采集的圖像有256個波段。

　　為保證視野 足 夠，調節鏡頭和樣本的間距為 25.5cm;為矯正速度不匹配帶來的空間畸變，使用一張打印有一個圓圈的 A4紙調試平臺的速度，轉 速 設 定 為940pulses·s-1;曝光時間為3.5ms。

　　將樣本置于內部大小為15cm×20cm×3cm 的樣本盒中，分布均勻，將樣本盒固定于移動平臺上進行圖像采集。樣本盒覆蓋有黑色背景紙，有利于后期掩膜去除背景以及后續處理。

　　為減少光源光強分布不均勻導致的圖像信息噪聲影響，使用的高光譜成像系統在采集圖像之前需要進行黑白校正。掃描聚四氟乙烯白板獲得白校正圖像;鏡頭擰上鏡頭蓋并關閉光源采集黑 校 正 圖 像，該圖像包含有相機暗電流噪聲信息。圖像采集后用軟件SpecView(V2.9.2.7)按式(1)進行校正Ia = I-IbIw -Ib(1)其中：I為 原 始 圖 像，Ib 為 黑 校 正 圖 像，Iw 為 白 校 正 圖 像，Ia 為獲取校正后的圖像。

　　1.3 機采籽棉數據分析和雜質多分類模型

　　使用 PCA(principalcomponentanalysis，PCA)對平均光譜數據進行分析，將成百個相互高度相關波段數據降維至少數個新的主成分變量上，用來代替原來數據的大部分信息，并通過繪制分布散點圖體現原光譜數據的分類識別可行性。

　　采用 LDA，SVM 和 ANN 三種有監督的分類判別分析方法建立機采籽棉雜質多分類判別模型。模型訓練的過程為：首先將提取的平均光譜數據按照7∶3的比例，隨機劃分為訓練集和測試集;然后根據不同模型的參數特點和數據特性，使用訓練集采 用5折 交 叉 驗 證，確定最佳的模型參數，并使用測試集對模型結果進行評估。

　　2 結果與討論

　　2.1 高光譜圖像光譜曲線數據提取與分析

　　2.1.1 平均光譜曲線提取與變化規律

　　經過黑白校正后的圖像，在可見至近紅外波段上，共 有256個波段。意味著在空間域上每個像素具有 256個 特 征，這些特征組成該像素對應的光譜曲線。因高光譜圖像中存在噪聲，單一像素對應的光譜曲線可能在噪聲的影響下，表 現出較大的變化。因為光譜成像儀的特 性，高光譜圖像在首尾的波段圖像 噪 聲 較 大，有 用 信 息 較 少，所以將這些波段剔除，即去除395nm 以前和970nm 以后的光譜圖像波段，將395～970nm 區間共226個光譜波段的數據作為后續分析數據。

　　從每幅圖像中提取10條平均光譜曲線，共1200條光譜曲線，其中棉葉、殘膜、鈴殼外、鈴殼內、棉枝和棉花分別為457，173，88，193，63和226條。繪制機采籽棉中具有代表性的棉花和各類雜質的平均光譜曲線，如 圖3所 示：各 類 物質在430nm 處附近反射率均為最小，吸 收 最 強;棉 花 的 反射率較其他物質在大部分波段范圍高;殘膜整體上和棉花變化趨勢一致，但是數值比棉花低，驗證了從圖像上檢測殘膜的難度較大;鈴殼內的反射率在750nm 前低于棉花和殘膜，但是在750nm 后超過了棉花和殘膜;棉 葉、棉 枝 和 鈴 殼 外在趨勢和數值上都比較相似，但 是 棉 葉 在680nm 處 出 現 了吸收峰，此現象對應了葉綠素的吸收波 段。從630nm 開 始到近紅外波段范圍內，鈴殼外的反射率比棉葉和棉枝都高。

　　綜上所述，雖然棉花和各類雜質的光譜曲線趨勢相同，但還是體現出不同的吸收和反射特性。不同種類物質(棉花、化學纖維和植物)之間的差異大于同類物質之間的光譜差異，同種物質之間的差異不能通過單個波段進行判別，所以需要進行數據分析和建模。

　　2.1.2 機采籽棉光譜曲線 PCA 分析

　　對提取的平均光譜曲線進行PCA 變換，如圖4所示，前2個主成分的累計貢獻率達到了97.2%，前6個主成分的累計貢獻率達到了99.9%，能夠代表原始光譜數據的大部分信息。PCA 前兩個主成分的散點圖如圖5所示，6類物質光譜變換后的新變量分布于整個空間中。由 圖 可 知，棉 花、殘 膜和鈴殼外與其他三類相比，有較好的聚集性和可分性，但 是由于棉葉、鈴殼內和棉枝三類的物質組成(纖維素和木質素)相似性較高，光譜特征 相 似，導致相互疊加在一 起，空 間 分布存在嚴重交叉，無法有效區分類別。由于PCA 為無監督降維方法，無法有效利用分類信息，因此需要使用有監督的數據建模方法，對光譜分類數據進行學習擬合，實 現 對 雜 質 類別的準確識別。

　　2.2 機采籽棉雜質光譜多分類模型

　　2.2.1 線性判別分析(LDA)模型

　　線性判 別 分 析(lineardiscriminantanalysis，LDA)是 將原始數據投影到更低的維度上，減少特征之間的線性相關性導致的特征冗余問題。通 過 LDA 進 行 降 維，可 以 達 到 提 升分類準確率的目的。

　　與 PCA 中 的 分 布 相 比，圖6(a)中 棉 花、殘 膜 和 鈴 殼 外有更好的聚集性和可分性，表 明 有 監 督 的 LDA 模 型 降 維 方法變換后的數據具有更好的可分性;但 是 棉 葉、鈴 殼 內 和 棉枝這三類還是相互疊加在一起，空間分布存在嚴重交叉，無法有效區分 類 別。因此針對該三類重新進行了 LDA 降 維，見圖6(b)中的棉葉、鈴殼內和棉枝表現出了較高的可分性，驗證了 LDA 模型在機采籽棉多分類上的可行性。

　　因 LDA 易出現過擬合，因此在 LDA 模型構件中采用正則化防 止 過 擬 合，建 立 分 類 模 型，得到訓練集準確率為86.4%，測試集準確率為86.2%，其 差 值 較 小，未 出 現 過 擬合現象。

　　2.2.2 支持向量機(SVM)模型

　　支持向量機(supportvectormachine，SVM)廣 泛 應 用 于建立分類判別模型。在SVM 分類模型構建中采用 RBF徑向基函數構建了分類模型，對gamma(g)和cost(C)兩個參數進行 尋優，將Lg(g)和-Lg(c)參數區間設置為[0，10]。由圖7可知，在C=105、gamma=0.1時，交叉驗證集的準確率最高達到95.19%。根據最優參數模型得出訓練集準確率為83.42%，測試集準確率為83.40%，兩 者 差 值 較 小，未 出 現過擬合現象。

　　2.2.3 人工神經網絡(ANN)模型

　　人工神經網絡(artificialneuralnetwork，ANN)是一種影響強、分類效果好的神經網絡分類算法，在解決非線性問題上具有較強能力。在 ANN 分類模型構建中，設 置 隱 含 層 層數區間為[1，10]，隱含層神經元個數區間為[1，18]，激 活函數選擇 Relu函數進行參數尋優。由圖8可知，在隱含層層數為2，隱含層神經元個數為17，交叉驗證集的準確率達到最高為73.92%。以尋優所得到的參數，建立 ANN 分類模型并輸出，訓練集準確率為82.9%，測試集準確率為81.8%，沒有發生過擬合。

　　2.3 模型效果比較

　　對上述的多分類模型準確率性能進行對 比，如 表 1 所示，結果顯示 LDA 模型的準確率高于 SVM 模型和 ANN 模型，訓練集和預測集的準確率達到了86.4%和86.2%。由于高光譜波段之間有較高的相關性，分類模型無法有效篩選信息，會引起誤差的產生。LDA 在分類前對光譜特征進行了降維，減少了特征之間的相關性，保留了大部分類間信息，因此在多分類問題中，相較于SVM 和 ANN 具有更好的效果。

　　三個模型預測效果如圖9所示。在 LDA 模 型 中，地 膜、鈴殼(內和外)和棉花的準確率較高，均高于90%;棉葉和棉枝 的 準 確 率 較 低，分 別 為 59.84% 和 77.08%，其 中 有26.77%的棉葉被識別為棉枝，9.72%的棉枝被識別為棉葉，9.72%的棉枝和8.66%的棉葉被識別為鈴殼內;與 LDA 模型相比較，SVM 模 型 和 ANN 模型的鈴殼內準確率有所降低，誤差類別分布一致但較高。分析認為這些識別錯誤的原因主要是棉葉、棉枝和鈴殼內的物質成分相似度高，導 致 在波段范圍內表現出光譜曲線相似的特點。

　　2.4 像素等級雜質分類判別

　　根據三種算法對120個高光譜圖像進行檢測分類，并將運行時間進行平均，得到每個模型檢測高光譜圖像所需運行時間。結果如表1所示，SVM，LDA 和 ANN 的 運 行 時 間 分別為73.65，1.86和2.58s，綜合 比 較，LDA 的 分 類 準 確 率較高且運行時間少，確定 LDA 分類模型為最優模型。

　　使用訓練的LDA 模型對高光譜圖像進行像素等級分類，分類效果如圖10所示。可看出棉花識別效果較好;部分棉葉和棉枝不能有效識別;地膜雖然被檢 測 出 來，但 因 地 膜 的 光譜曲線在大部分波段上和棉花相似，亮 度 較 棉 花 低，所 以 部分棉花中表面不平導致的亮度較低的區域被識別為地膜。上述分類效果與雜質光譜的分類判別模型結果一致。

　　3 結 論

　　(1)通過參數優化，建立了三種機采籽棉雜質分類判別模型。其中 LDA 的分 類 準 確 率 較 高，訓練集和測試集的準確率分別為86.4%和86.2%。由于棉葉和棉枝的物質成分相似，光譜曲線相似，導致棉葉和棉枝雜質的分類準確率較低。

　　(2)對于像素等級雜質檢測，該方法能夠識別大部分雜質，檢測效果明顯。LDA 算法需要的時間約為1.86s，少于ANN 的2.58s，且遠少于SVM 的73.65s，能夠滿足實際生產對于檢測的需求，因此 LDA 為最佳模型。

　　(3)在后續研究中可以基于該方法，增 加 樣 本 數 量，選擇覆蓋范圍更大的波段和加入紋理特征，提升棉葉和棉枝的檢測效果;并根據光譜圖像數據分析提取特征波段，開 發 多光譜成像檢測 系 統，實現更高效率的機采籽棉雜質實時檢測。