一种籽棉残膜分选装置的制作方法

本实用新型涉及籽棉异纤识别分拣领域，特别涉及一种籽棉残膜分选装置。

背景技术：

我国是棉花生产和消费大国，而新疆是我国最大、最重要的棉花种植基地，但新疆采用大规模机械化种植棉花，在机械化采摘过程中不可避免地混入地膜，残留的地膜不仅数量多，且形状各异，颜色与棉花相差不大，所以很难清理。目前很多检测算法已被用来检测棉花中棉铃、棉壳、尼龙绳、布条等杂质，这些杂质能够通过彩色相机及黑白相机识别，但彩色相机与黑白相机却无法识别残留的透明地膜等杂质。残膜清理不彻底，就会严重影响纺织产品质量。因此需要探寻一种装置来识别并分类残留的透明地膜。

技术实现要素：

发明目的：针对现有技术中存在的不足，本实用新型提供一种籽棉残膜分选装置，能够快速准确地识别并分类籽棉与残膜。

技术方案：为了实现上述发明目的，本实用新型采用的技术方案为：

一种籽棉残膜分选装置，包括配棉箱、履带、穹顶卤素灯、高光谱成像仪、高速喷阀、工控机、驱动箱、抽风口、伺服电机与编码器和风机；在配棉箱的下方设履带，在履带的上方穹顶卤素灯和高光谱成像仪，高光谱成像仪与工控机相连；在履带的端部设高速喷阀，高速喷阀与驱动箱相连，在高速喷阀的下方设抽风口和风机；履带与伺服电机与编码器相连。

在所述配棉箱中装备有机械打手，能够将籽棉棉团开松，形成单个的籽棉，均匀地落在履带上，充分暴露掺杂在其中的残膜，便于高光谱成像仪采集图像。

所述高光谱成像仪采集籽棉流在1000nm~2500nm的反射高光谱图像，6nm为一谱段。

所述穹顶卤素灯为全光谱卤素灯，包含所要采集的光谱范围，穹顶保证籽棉棉流无阴影。

所述的工控机，装有采集卡与GPU，采集卡将高光谱成像仪采集的图像传输到工控机，GPU保证两个卷积神经网络的快速实现。

所述的履带为黑色橡胶履带，保证背景无反射光线，易于高光谱成像仪采集反射光谱图像。

所述的高速喷阀，工作压力为5公斤，每秒开关次数为50次。

有益效果：与现有技术相比，本实用新型首次提出将高光谱技术应用于籽棉残膜识别分拣领域。对于彩色相机和黑白相机无法识别的残留的透明地膜，本实用新型通过高光谱成像仪采集籽棉流不同谱段反射光谱的图像，进而识别并分类与籽棉具有不同光谱特性的残膜。

附图说明

图1是籽棉残膜分选装置的结构示意图；

图2是残膜识别分类算法示意图；

图3是残膜识别分类算法的第一个卷积神经网络结构图。

具体实施方式

下面结合附图对本实用新型作进一步详细说明。

如图1所示，本申请的籽棉残膜分选装置，主要结构包括配棉箱1、履带3、穹顶卤素灯4、高光谱成像仪5、高速喷阀6、工控机（含采集卡与GPU）7、驱动箱8、抽风口10、伺服电机与编码器11与风机12等。在履带3上方设配棉箱1和穹顶卤素灯4，穹顶卤素灯4为高光谱成像仪5提供光源，高光谱成像仪5与工控机7相连，高速喷阀6设在履带3的一端，并与驱动箱8相连；在高速喷阀6的下方设抽风口10与风机12，履带3由伺服电机与编码器11驱动。

在配棉箱1中装备有机械打手，能够将籽棉棉团开松，形成单个的籽棉，均匀地落在履带3上，充分暴露掺杂在其中的残膜，便于高光谱成像仪5采集图像。由于籽棉残膜的主要成分为聚乙烯（PE），但经过风化且长时间与土壤接触导致腐蚀，光谱范围有所变化，故高光谱成像仪5采集籽棉棉流在1000nm~2500nm的反射高光谱图像，6nm为一谱段。穹顶卤素灯4为全光谱卤素灯，包含所要采集的光谱范围，穹顶保证籽棉棉流无阴影。工控机7，装有采集卡与GPU，采集卡将高光谱成像仪采集的图像传输到工控机，GPU则保证了两个卷积神经网络的快速实现。履带3为黑色橡胶履带，保证背景无反射光线，易于高光谱成像仪采集反射光谱图像。高速喷阀6，工作压力为5公斤，每秒开关次数为50次。抽风口10与风机12，保证被喷出的残膜或含残膜的籽棉全部落入抽风口，位于籽棉底部的残膜由于风机产生的空气压力也能被吸入抽风口。

该籽棉残膜分选装置，工作时，待处理的籽棉由进棉口2进入配棉箱1，经过配棉箱1开松后的籽棉13落在履带3上，随后由高光谱成像仪5采集反射光谱图像，经采集卡将图像数据传送到工控机7进行处理，工控机处理完毕后，经过一定时间的延时，驱动箱8驱动高速喷阀6喷出残膜或含有残膜的籽棉到抽风口10，由风机12抽出。位于籽棉下方的残膜，高光谱成像仪无法拍摄，但由于残膜相对籽棉较轻，从履带上由于惯性落下时，风机产生的空气压力会将残膜吸入抽风口，其它籽棉9由于惯性则会落在指定位置，从而完成分选。

如图2所示，高光谱成像仪对籽棉流采图，将单一像素在1000nm~2500nm不同谱段上值的向量输入第一个卷积神经网络，输出该像素点为残膜的概率，全部像素处理完毕后，将得到的概率的二维向量反归一化为灰度图，输入到U-NET，最后得到籽棉与残膜的分割图像。

如图3所示，为籽棉残膜分选装置的残膜识别分类算法，采用的第一个卷积神经网络结构图（CNN），能够融合高维特征，且在处理未经预处理的光谱数据时具有较高的准确性。CNN输入为未经预处理的高光谱图像每个像素点在不同反射谱段上值的向量，网络仅包含一个卷积层，卷积层采用1×3的卷积核，步长为2，激活函数为ReLU。输出层使用softmax激活函数，它将预测值转化为非负值，并将它们归一化以获得该像素点为残膜的概率。全部像素处理完毕后，将得到的概率的二维向量反归一化为灰度图，作为第二个卷积神经网络的输入。

第二个卷积神经网络为U-NET，该网络只需要训练较少的样本即可获得良好的分类精度。网络由一条收缩路径和一条拓展路径组成，网络输入为反归一化后的灰度图，收缩路径与拓展路径各采用一个3×3的卷积核，每个卷积层都有一个ReLU激活函数，下采样采取步长为2，卷积核为2×2的最大池化操作；在下采样步骤中，将特征通道数量加倍。拓展路径中的每一步都包括对特征映射进行卷积核为2×2的上采样；在上采样步骤中，将特征通道数量减半，并与收缩路径中对应的裁剪的特征映射级联，最后输出为籽棉与残膜的分割图像。