机采籽棉收购环节含杂率快速检测系统研制

万 龙，庞宇杰，张若宇，江英兰，张梦芸，宋方丹，常金强，夏 彬

机采籽棉收购环节含杂率快速检测系统研制

万 龙1,2，庞宇杰1,2，张若宇1,2※，江英兰1,2，张梦芸1,2，宋方丹1,2，常金强1,2，夏 彬3

（1. 石河子大学机械电气工程学院，石河子 832003；2. 农业农村部西北农业装备重点实验室，石河子 832003；3. 中华全国供销合作总社郑州棉麻工程技术设计研究所，郑州 450004）

籽棉收购过程中含杂率检测工序繁杂、劳动强度大、效率低，不利于籽棉的快速检测分级，严重影响籽棉收购效率。该研究开发了一种适于收购环节的机采籽棉含杂率快速检测系统。系统由驱动传输单元、压棉单元、传感单元、机器视觉系统、PLC控制系统组成。首先利用大杂清理机清除籽棉中的棉杆和铃壳等大密度杂质（大杂），对去大杂后的籽棉进行称量后送至机器视觉系统，采用RGB双面成像方法获取籽棉样本图像，分析计算图像中的杂质面积，预测去除大杂的籽棉含杂率和小杂质量，最后结合计算的大杂质量预测籽棉样本总含杂率。其中，RGB图像处理中使用同态滤波、主成分分析（Principal Component Analysis，PCA）变换和局部自适应阈值方法提升图像的可分割性；比较了线性回归（Linear Regression，LR）和支持向量机回归（Support Vector Regression，SVR）2种回归模型的准确率，确定较优的回归模型为LR，总含杂率决定系数2为0.95，均方根误差RMSE为0.58%，最后利用100个籽棉样品对系统性能进行验证，实测值与预测值之间平均绝对误差为0.36个百分点，单个样本含杂率检测程序处理时间为48.38 s。结果表明该系统具有较高的预测准确率和效率。

机器视觉；籽棉；含杂率；检测系统

0 引 言

机采籽棉的含杂率是棉花质量的关键性指标[1]，2020年新疆棉花产量达516.1万t，较2019年增长了3%，占全国棉花总产量的87.3%[2]，棉花产业已成为影响新疆经济发展和社会稳定的重要因素。棉花收购过程中主要靠人工挑拣大杂，再使用锯齿式衣分试轧机和棉花杂质分析机对籽棉进行杂质分离检测含杂率[3]，工序繁杂、速度慢、耗时长，一个棉样的检测时间一般在20~30 min，不利于棉花的快速分级定等，严重影响棉花收购期间的生产销售效率。

近年来，机器视觉技术发展迅速，广泛应用于交通、农业、医学、工业等领域[4-8]。随着机器视觉技术理论和实践越来越成熟，机器视觉在棉花杂质检测方面也得到快速发展。杨文柱等[9-10]设计了包括棉花开松器、视觉采集子系统和棉层收集器3部分的棉花异性纤维视觉检测系统，该检测系统针对采集的皮棉图像的特性，在经典大津Otus方法的基础上提出了改进Otus图像分割方法。张云等[11]利用开松机将待检测的棉花进行处理，让异性纤维呈现在籽棉表面，开松后的皮棉经过输棉管道进入玻璃检测通道，检测通道的上下两侧线扫描相机对皮棉进行拍摄，最后由视觉处理系统进行图像处理分析。阚道宏等[12]基于皮棉图像正态分布特性，提出一种背景估计阈值BET方法；张馨等[13]采用改进的形态学边缘检测算子对高分辨率异性纤维图像进行分割；Ji等[14]使用异性纤维图像像素的RGB均值和方差作为阈值进行图像分割。Jiang[15]等采集棉花和15种杂质在400~1000 nm波段下的高光谱图像，对感兴趣区域的平均光谱进行主成分分析降维，最后得到3个主成分用于杂质分类识别，经多元方差分析证明了主成分在杂质分类识别上的有效性。Zhang等[16]提取l6种杂质和棉花在短波近红外波段700~1100 nm的平均光谱，经过线性判别分类识别算法，达到了95%以上的准确率，最后通过像素等级的判别，证明了高光谱成像对皮棉杂质检测的有效性。目前国内外普遍使用大容量棉花纤维测试仪（High Volume Instrument，HVI）进行加工后皮棉的品质检验，该设备采用传统彩色成像方法，可以实现对皮棉多种品质参数的快速检测。

综上所述，国内外学者通过机器视觉技术对棉花中杂质的检测与分类做了大量研究，但在收购环节中对籽棉杂质含量的检测还鲜有报道。由于籽棉未经过轧花和开清等加工工序，籽棉中存在大量杂质和棉籽，杂质质量分布不均，并且机采棉棉纤维缠绕严重，导致籽棉棉层较厚、杂质存在较大差异，不利于机器视觉检测。针对以上问题，本文提出一种针对籽棉收购环节棉花杂质快速检测方法，利用机器视觉[17-20]、自动控制[21-25]等技术，设计了一套收购环节籽棉含杂率检测系统，包括硬件结构与软件部分，并利用图像处理算法对籽棉中的杂质进行分割，计算杂质面积百分比，通过线性回归（Linear Regression，LR）和支持向量机回归（Support Vector Regression，SVR）2种回归模型进行预测，并结合大杂质量预测样本总含杂率，为籽棉收购环节含杂率检测设备的研发提供借鉴与技术参考。

1 系统结构与工作原理

1.1 总体结构

本文所研制的机器视觉籽棉含杂率检测系统包括籽棉样品盒、输送单元、压棉单元、光学检测硬件部分以及籽棉图像处理与含杂率分析软件部分。整机结构如图1所示。

1.2 工作原理

系统工作时，首先打开控制单元，人工将样品籽棉放入大杂清理机中，去除籽棉中的大杂后，放入籽棉样品盒，人工将籽棉样品盒推送至传输单元上，光电开关Ⅰ检测到样品盒时，启动输送带调速电机，待检测的籽棉样品经传输单元输送至图像采集单元。光电开关Ⅱ检测到待压棉的样品盒到达压棉位置时，输送带调速电机停止转动，短暂延时后压棉机构在电动推杆的带动下向下压棉，当压棉玻璃板将籽棉表面压实后，计算机软件控制图像采集单元自动完成籽棉双面图像的采集，同时利用同态滤波、PCA（Principal Component Analysis，PCA）变换和局部自适应阈值分割图像处理方法完成对籽棉图像处理，将样本质量和大杂质量输入软件中，得到样本的总含杂率，并将结果保存至计算机。处理完成后电动推杆缩回，压棉机构复位，短暂延时后，输送带调速电机开始转动，输送带再次启动，籽棉样品盒通过转弯机输送至滚筒输送线上，等待下个籽棉样品含杂率检测。含杂率检测系统主要结构和性能参数见表1。

表1 机采籽棉含杂率检测系统主要结构和性能参数

2 系统硬件

2.1 输送单元

输送单元主要实现检测过程中籽棉样品的输送，保证籽棉样品输送至压棉单元和图像采集单元。系统的驱动传输单元主要包括输送带、调速器、驱动电机、链条、链轮等组成。输送带采用黑色草坪花纹，单条输送带有效宽度为50 mm，厚5 mm，2条输送带并行，并且留有一定间隙，便于实现籽棉图像的双面采集；2条输送带的主动轴和从动轴速度相同，间距400 mm，电机功率120 W，输送速度0.2 m/s，调速器可以改变驱动电机转速，进而改变输送带运行速度；无动力滚筒输送线采用镀锌不锈钢，滚筒长500 mm，直径38 mm，滚筒间距50 mm。在输送单元进口和图像采集处分别设有光电开关，控制驱动传输单元的启停。

2.2 压棉单元

经过大杂清理机后的籽棉呈现蓬松状态，表面不平整，导致采集的籽棉图像亮度不均，阴影较多，因此在进行图像采集之前通过压棉单元自动将籽棉进行压实。由于籽棉样本的选取要求杂质在样本中分布均匀且棉絮的松散程度一致，在相机视野范围内，尽可能大面积对样本进行采集，并考虑样本盒容量和系统结构确定棉样成像面积。参考国家标准GB/T 6499—2012[26]和文献[27]，单个样本的质量为100 g皮棉，按照40%衣分率（棉花占的籽棉质量比），估算对应的籽棉质量为250 g。将通过大杂清理机处理后的250 g籽棉放入直径400 mm、高190 mm的样品盒。样品盒为可拆卸式，圆筒罩与底板通过卡槽固定，便于更换与清理，高透明玻璃板通过螺栓螺母固定在底板上，可实现底层籽棉图像的采集。压棉单元主要由电动推杆、连接板、连接杆、高透明玻璃板等组成，电动推杆电源为DC24 V，推力250 N，速度48 mm/s，行程200 mm，当电动推杆达到最大行程时，样品盒内籽棉厚度为35 mm，籽棉表面较为平整，满足图像采集要求。

2.3 图像采集单元

图像采集单元主要由USB摄像头、光源、暗箱和PC机等组成。考虑到图像质量要求，选用无畸变USB摄像头（HF867，绿视森林），分辨率为1920像素×1080像素。光源的主要功能是为图像采集提供一个完整的、均匀的、强度足够大及范围足够广的照射范围，保证籽棉样品在检测区域无死角、无暗影。光照暗箱的尺寸为长650 mm，宽580 mm，高1400 mm，避免环境光的影响，提高检测准确性。为保证采集到亮度均匀的籽棉图像，在输送带上下暗箱的侧壁型材上安装白色的LED灯条。压棉与图像采集单元结构如图 2所示。

2.4 控制系统

为了提高自动化程度、降低检测系统制造成本、协调完成自动检测控制的任务，控制系统核心选用信捷PLC XC3-24R-E型，继电器电源DC24 V，功率0.9 W，型号为MY4NJ，传感器选用型号为BF-M12JG-30N1/L的激光对射传感器，工作电压24 V，光束直径3 mm，感应距离30 m，输出模式为NPN常开。整个系统的工作流程如图3所示。

3 软件系统

本文开发的软件程序以PC为硬件平台，开发环境为Windows10系统，OpenCV-Python为开发平台。系统运行的主要步骤为：

1）在设置样本参数模块中输入籽棉样本编号、样本总质量和大杂质量数据；

2）点击“数据处理”按钮，软件会将采集到的籽棉图像进行背景分割、同态滤波、PCA变换和局部自适应阈值分割等处理，得到二值图像；

3）统计二值图像中的杂质像素数量，计算杂质总像素占图像总像素的百分比；

4）将提取的杂质面积百分比导入回归模型，预测图像样本含杂率，得到小杂质量，结合样本总质量和大杂质量，计算得到整个样本的含杂率，并显示结果；

5）点击“保存”按钮，保存二值图像和含杂率检测结果。

软件操作界面如图4所示。

4 图像处理性能试验验证

称取250 g去除大杂后的籽棉样品放入样本盒，样本盒内籽棉的上方压上透明亚克力板，保证棉样表面平整，用一个长方形铁框压住上部的亚克力板，图像采集完成后，将样本盒反转，采集另一面的籽棉图像。采集完图像后，将图像采集用的250 g籽棉和剩余去除大杂后的籽棉分别根据石河子农业地方标准《DB N659001/T 005—2015机采籽棉含杂率检验方法》进行检测，将测得的小杂质量和样本总的含杂率作为真实值，与软件分析值作对比。机采籽棉含杂率检验标准的步骤如下：

3）指标计算

4.1 图像裁剪

由于采集的图像会包含多余信息，所以需要对图像进行裁剪，获得感兴趣区域，减少后续处理的数据量，剪裁后的图像为1 250像素×930像素。

4.2 同态滤波增强

本研究中采用同态滤波方式进行图像增强[28]，经过中心变换、傅氏变换、低通滤波、傅氏反变换、亮度均一化处理得到增强后的籽棉样本图像，图像处理效果如图6。由图6可见，棉花部分的亮度比原图像更加一致，棉花和杂质之间的对比度得到提升。

4.3 PCA变换

由于棉花中杂质种类较多，棉叶和棉枝呈现褐色、绿色和黄色等多种颜色，无法提取单一颜色通道的灰度图像进行杂质分割，本文利用主成分分析图像变换后的灰度图像进行处理，PCA[29-30]变换后的样本图像如图7所示，第一主成分灰度图像中各类杂质和棉花的亮度差异明显，适合用于图像分割。

4.4 图像分割

图像增强完成后，需要对灰度图像中的杂质进行阈值分割。本文使用局部自适应阈值分割的方法进行杂质分割。局部自适应阈值分割[31-32]的原理是针对图像中的每一个像素，根据该像素周围一定大小邻域内的像素值分布来确定该像素对应的阈值，本文采用的区域大小为101×101 pixel，邻域中阈值计算方法为高斯方法，分割后的图像如图8所示。

4.5 小杂含杂率回归分析

图像分割完成后，对图像中小杂面积进行统计，并对同一样本的上下两面结果相加，除以总像素数量，得到每个样本的小杂面积百分比。然后以样本小杂面积百分比和小杂真实含杂率进行回归分析，将150个样本按照7∶3的比例划分训练集和测试集，建立线性回归（Linear Regression，LR）和支持向量机回归（Support Vector Regression，SVR）模型，如图9和表2所示。

表2 小杂含杂率回归分析

分析结果表明，LR模型决定系数2为0.65，均方根误差为0.70%。SVR模型决定系数2为0.62，均方根误差为0.72%。2相对较小的原因可能是由于样本棉层中隐藏的杂质重量存在一定的差异。

4.6 样本总含杂率回归分析

检测样本总体含杂率，需要根据上述预测得到的小杂含杂率得到样本中小杂的质量，再加入大杂后计算样本总含杂率，并进行回归分析，如图10和表3所示。LR和SVR的总含杂率回归分析预测结果基本一致，决定系数2为0.95，均方根误差最小为0.58%。

表3 总含杂率回归分析

5 籽棉含杂率检测系统性能试验

由于方形样品盒在摆放籽棉样品时，放样时间多于圆形的籽棉样品盒，为了更好地适用于籽棉收购环节，选用圆形样品盒验证检测系统的准确性和可靠性，并将结果与石河子农业地方标准《DB N659001/T 005—2015机采籽棉含杂率检验方法》进行对比分析。

籽棉样品：2019年在石河子市银北棉业有限公司进行取样，取样数量100份，每份籽棉样品重量为500 g。

试验用仪器：MSQ-500机采籽棉清理机；XJ114型锯齿籽棉衣分试轧机；YG042A型原棉杂质分析机；硬件开发环境为联想YangTianR4900d，CPU为Intel（R） Core（TM）i3-4160@3.60GHz处理器，内存8 G，系统为Windows 10专业版64位。试验用仪器均校验合格且在检定有效期。

将制备的100份籽棉样品先后放入MSQ-500机采籽棉试轧清理机，分别记录每份样品去除大杂后籽棉质量，并从中称取250 g去除大杂后的籽棉样品用机采籽棉含杂率快速检测系统检测含杂率，如图11所示，图像采集完成后将籽棉放入总样品袋，按照机采籽棉含杂率检验方法进行含杂率测试。

采用本文系统对含杂率进行检测评估，并统计单个样本主要环节所占用的时间，其中大杂清理机去除大杂的平均耗时为50 s，平均每份样本上下两面图像的平均处理时间为48.38 s，其中图像背景分割、同态滤波、PCA变换和自适应阈值分割程序的执行时间分别为6.88，35.44，5.38和0.68 s。单个样品的检测时间小于3 min。

将本系统的预测结果与按检验标准检测的结果对比分析，如图12所示，实测值与预测值之间的平均绝对误差为0.36个百分点，结果表明该方法具有较高的预测准确率和较快的检测速度，满足实际生产的需要。

6 结 论

1）针对收购环节中籽棉含杂率检测效率低、工序繁杂等问题，本研究基于机器视觉技术研发了收购环节籽棉含杂率检测系统，包括输送单元、压棉单元、传感单元、图像采集单元和控制系统单元，保证籽棉样品到达压棉和图像采集单元处进行检测。

2）提出先利用大杂清理机去除籽棉中的大杂，避免了检测中尺寸较大杂质对较小杂质的遮挡问题，同时针对去除大杂后籽棉RGB图像的特性，利用局部自适应阈值方法实现对图像中的杂质进行精确分割。

3）本文所设计的收购环节机采籽棉含杂率快速检测系统检测速度快。系统验证结果显示，实测值与预测值之间的平均绝对误差为0.36个百分点，平均每个籽棉样本程序处理时间为48.38 s，单个样品的检测时间小于3 min。验证了RGB双面成像在快速检测机采籽棉含杂率中的可行性，该系统为籽棉收购环节含杂率检测提供了新途径。

[1]武建设，陈学庚. 新疆兵团棉花生产机械化发展现状问题及对策[J]. 农业工程学报，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]晓婷. 国家统计局：2020年全国棉花产量持平略增[J]. 中国纤检，2021(1)：97.

[3]田昊. 基于图像处理的机采棉杂质检测技术研究[D]. 石河子：石河子大学，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. 机器视觉技术在农产品分级分选中的应用[J]. 农机化研究，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，殷国富，刘柯岐. 田间果蔬采摘机器人视觉传感器设计与试验[J]. 农业机械学报，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，盛晓伟，等. 基于机器视觉的鞋面特征点自动识别改进方法[J]. 纺织学报，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]景军锋，郭根. 基于机器视觉的丝饼毛羽检测[J]. 纺织学报，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，刘莫尘，等. 基于神经网络的奶牛发情行为辨识与预测研究[J]. 农业机械学报，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]杨文柱，李道亮，魏新华，等. 基于改进遗传算法的棉花异性纤维目标特征选择[J]. 农业机械学报，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]张云，许江淳，王志伟，等. 基于机器视觉的棉花异性纤维检测技术优化研究[J]. 中国农机化学报，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]阚道宏，李道亮，杨文柱，等. 棉花异性纤维图像在线分割方法[J]. 农业工程学报，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]张馨，李道亮，杨文柱，等. 高分辨率棉花异性纤维彩色图像的快速分割方法[J]. 农业机械学报，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，邢瑶瑶，李永玉，等. 适于餐厅与家庭的叶菜外部品质在线检测与分级系统[J]. 农业工程学报，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]王风云，封文杰，郑纪业，等. 基于机器视觉的双孢蘑菇在线自动分级系统设计与试验[J]. 农业工程学报，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]张志强，牛智有，赵思明，等. 基于机器视觉技术的淡水鱼质量分级[J]. 农业工程学报，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]孙宏伟，彭彦昆，林琬. 便携式生鲜猪肉多品质参数同时检测装置研发[J]. 农业工程学报，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]王宁，李江全，任玲，等. 基于三菱触摸屏的整排穴盘苗输送控制系统设计[J]. 农机化研究，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]熊利荣，于阳，王树才. 带有触觉系统的家禽屠宰净膛机械手的设计[J]. 华中农业大学学报，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]杨传华，方宪法，杨学军，等. 基于PLC 的蔬菜钵苗移栽机自动输送装置[J]. 农业机械学报，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]张丽芬. 大蒜种植机械蒜瓣方向识别与系统设计：基于PLC控制技术[J]. 农机化研究，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，黄圣海，牛子孺，等. 双鸭嘴式大蒜正头装置调头机理分析与试验[J]. 农业机械学报，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]中国国家标准化管理委员会.GB/T 6499—2012原棉含杂率试验方法[S]. 北京：中国标准出版社，2012.

[27]庞宇杰. 基于机器视觉的籽棉含杂率检测方法研究[D]. 石河子：石河子大学，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]贾永红. 数字图像处理[M]. 武汉：武汉大学出版社，2015.

[29]郭明军，李伟光，杨期江，等. 基于 SVD 原理的 PCA 特征频率提取算法及其应用[J]. 华南理工大学学报：自然科学版，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]刘双印，黄建德，徐龙琴，等. 基于 PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型[J]. 农业工程学报， 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，李立轻，汪军，等. 几种基于图像自适应阈值分割的织物疵点检测方法比较[J]. 纺织学报，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]刘纪红，王铖媛. 一种基于自适应阈值的图像二值化算法[C]//2009中国控制与决策会议论文集(3). 沈阳：《控制与决策》编辑委员会，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

万龙，庞宇杰，张若宇，等.机采籽棉收购环节含杂率快速检测系统研制[J]. 农业工程学报，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

国家重点研发计划（2018YFD0700403）；兵团重点领域科技攻关计划（2020AB006）

万龙，研究方向为智能农业装备。Email：973012286@qq.com

张若宇，教授，博士生导师，研究方向为农产品智能检测技术与装备。Email：ry248@163.com

10.11975/j.issn.1002-6819.2021.06.022

TP391.4

A

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