基于可見短波近紅外高光譜圖像的梳棉雜質關鍵波長的優選

郭俊先，李雪蓮，黃 華，石 砦，劉 亞

(新疆農業大學機械交通學院,烏魯木齊　830052)

?

基于可見短波近紅外高光譜圖像的梳棉雜質關鍵波長的優選

郭俊先，李雪蓮，黃 華，石 砦，劉 亞

(新疆農業大學機械交通學院,烏魯木齊830052)

摘要：【目的】以梳棉中多種雜質為研究對象，分析可見短波近紅外梳棉高光譜圖像，確定雜質檢測中的關鍵或特征波長。【方法】提取高光譜圖像中雜質和棉花的像素光譜，以像素分類效果為指標，采用主成分分析、獨立于后端分類器的T檢驗準則的過濾器、特征選擇和分類器結合的包裝三種方法，確定雜質檢測的關鍵波長，使用早期研究確定的二次判別分析分類器和后處理方法，對比三種方法所選波長的雜質分割效果。【結果】當使用包裝方法選擇的波長集合，其雜質檢測好于主成分分析和過濾器方法。異性纖維總識別率為79.17%。其中，灰色丙綸絲、白色丙綸絲、黑色人發和黑色豬毛的識別率均超過了90%；透明地膜碎片、白色豬毛和透明丙綸絲識別較差。【結論】基于高光譜圖像和包裝法選擇的最優波長集合，能夠用于大部分普通雜質和異性纖維雜質的檢測。

關鍵詞：梳棉；高光譜圖像；雜質；波長選擇；檢測

0引 言

【研究意義】棉花雜質檢測在棉包定價、紡織清理和加工等環節是非常重要的步驟之一。研究棉花雜質快速準確檢測，以及雜質有效分揀，對于提高棉紡織品質量和經濟價值都具有十分重要的意義。【前人研究進展】早期國內外學者采用機器視覺技術、斷層X光攝影、紫外熒光成像等技術，能夠有效檢測棉花中主要植物性雜質(即普通雜質)，以及著色較深、面積較大和含有熒光物質的部分異性纖維，并藉此研發定型一些高精度的分揀設備和檢測定級儀器[1]。近10年，一些新的技術不斷被應用于棉花雜質，特別是異性纖維雜質快速檢測，包括光譜技術、激光成像、不規則成像等技術[2-5]。此外，為了更有效獲得一些雜質或異性纖維檢測的最佳波長，一些基于彩色圖像的諸如遺傳算法等[6-9]已經被用于該領域的研究。同時，高光譜成像技術由于其具有光譜和圖像雙重優點，逐漸開始應用于棉花異性纖維的高光譜圖像檢測[10-13]，開辟了另一個檢測異性纖維的研究領域。【本研究切入點】但是高光譜數據量大，只能用于慢速或離線的棉花等級評定，很難應用于在線快速檢測，需要從眾多波長中尋找數個關鍵性或特征波長，構建多光譜棉花雜質在線檢測系統。【擬解決的關鍵問題】研究基于可見短波近紅外波長高光譜成像系統，以梳棉中雜質為研究對象，采用三種不同的波長選擇方法，評價獲取最佳波長集合的雜質分割與檢測效果。

1材料與方法

1.1　材 料

實驗采用高光譜成像系統，該系統包括傳感光學模塊(Hyper-Spectral Camera高光譜相機)，光源模塊，采樣模塊，控制軟件，三維可調封閉式實驗箱。其中，關鍵部件是掃帚式線掃描成像光譜儀(ImSpector V10E, Spectral Imaging Ltd., Finland)，由V23-f/2.4 030603微調物鏡(Specim Ltd, Finland)、inter-line-transfer charge-coupled-device (IT-CCD)相機(C8484-05G, Hamamatsu Photonics, Japan)和棱鏡-光柵-棱鏡(PGP，prism-grating-prism)光學組件組成。詳見文獻[10]。移位臺速度為0.575 mm/s，鏡頭到梳棉表面的距離(即物距)為460 mm，采集曝光時間為14 ms。采集的原始高光譜圖像維數為1 344×800×956(像素×像素×波段)，原始波長范圍是422~982 nm。鑒于圖像兩端波長噪聲過大，分割原圖像為400×200×750(像素×像素×波段)的子圖像。

圖像采集過程，在棉網內一定深度(1~4 mm)隨機撒放多種雜質，采集高光譜圖像64幅，圖像剪切分割為251個子圖像，其中部分子圖像嚴重失真被去除。子圖像隨機3∶1劃分為訓練集和驗證集。

皮棉樣本和異性纖維由中國棉花機械成套裝備有限公司和新疆協力棉紡公司提供。在開松棉網內放置的雜質包括普通雜質(植物性雜質)、丙綸絲、毛發和透明地膜碎片等。表1

表1雜質樣本特征
Table 1 Characteristics of trashes in the cotton

雜質類型Typesoftrash顏色Color長度范圍Rangeoflength(mm)毛發Hair黑色和白色10~40丙綸絲Polypropylenefibers無色、淺灰色、透明3~35透明地膜碎片Transparentmulchingfilm透明-普通雜質Naturaltrashes普通雜質,即葉、莖桿、鈴殼、苞葉、籽皮等-

1.2　方 法

1.2.1數據分析軟件

數據的處理采用IDL和ENVI(Version 4.6.1, Research Systems Inc., Boulder, Colo.)和MATLAB 2008a(Version 7.6.0, the Math-Works, Natick, MA)軟件。

1.2.2數據處理

數據分析流程包括3個主要步驟：(1)高光譜圖像校正和像素光譜提取。在標準白板(聚四氟乙烯長方形白板)和關閉鏡頭蓋情況下，分別獲得標定白板反射光譜和暗電流反射光譜，采用校正方程[1]進行圖像校正。(2)光譜預處理。考慮高光譜成像系統的光譜分辨率為2.75 nm，光譜維以5個波長進行合并操作，光譜維從750個降為150個，每個波長量值圓整。(3)波長選擇和雜質識別。采用三種不同方法獲取關鍵波長集合；基于像素分類器，使用四種波長集合分割圖像，獲取二值圖像后采用后處理方法去除噪聲點完成雜質識別[11]。

1.2.2.1 波長選擇

(1)以原始波長圖像為研究對象，基于波長圖像轉換的貢獻率大小，確定最佳波長。

原始波長圖像采用主成分分析(PCA, Principle Component Analysis)轉換或波段比運算，計算每個波長圖像在PCA轉換或波段比運算中的最大貢獻率，使用轉換后的某主成分圖像或波段比圖像，進行雜質分割并評價分割效果，選擇最佳的主成分圖像或波段比圖像，確定貢獻率最大的若干個最佳的波長和波長集合。

(2)以像素為研究對象，基于像素分類與波長選擇方法獨立的過濾器(filter)方法，確定最佳波長。

根據獨立于分類器的指標J來評價所選擇的特征子集S，在所有可能的特征子集中搜索出使得J最大的特征子集作為最優特征子集。研究中采用T檢驗(T-test)標準評價特征子集對像素分類的效果。像素分類器基于早期研究確定為二次判別分析(QDA, Quadratic Discriminate Analysis)

(3)以像素為研究對象，基于特征選擇和分類器結合的包裝(Wrapper)方法，確定最佳波長。

將特征選擇和分類器結合在一起，在分類過程中表現優異的特征子集會被選中。選擇特征的順序包括兩種：第一種，自下而上：特征數從零逐步增加到d。另一種，自上而下：特征數從D開始逐步減少到d。研究采用自上而下的特征選擇順序，分類器采用QDA。

1.2.2.2 圖像分割和后處理

確定最佳波長集后，基于QDA分類器分類像素構造二值圖像。再采用面積線性判別分析分類二值圖像區域，剔除二值圖像中的偽目標和噪聲點。最后完成雜質的識別和檢測，詳見文獻[11]。

2結果與分析

2.1　不同波長選擇方法確定的最佳波長集合及像素分類效果

針對所有訓練集所有圖像，使用PCA、filter和Wrapper方法的所選擇的波長集合和像素分類效果2。對比四種波長集合結果表明：全波長構建分類器的像素分類效果最佳，但是運算成本最大，是其他波長集像素分類運算時間的幾十倍。三種波長選擇方法中，運算成本與使用的波長數有一定的相關性，結果最好的是Wrapper方法，像素分類誤判率與全特征結果相近，其次是采用PCA轉換后優選波長集合。因此，針對全部雜質與梳棉像素二次判別分析，選擇Wrapper方法確定關鍵波長，用于后續二值圖像的構建。表2

表2 不同特征選擇方法的QDA像素分類結果
Table 2 Pixel classification of QDA using different features for foreign materials.

雜質類型Typesoftrash特征選擇方法Featureselection波長(排序,僅羅列前10個波長)Wavelength像素誤判率Rateoffalsealarmsforpixels(%)運行時間Runningtime(s)普通雜質Naturaltrashes全特征全波長1.511.057204856788814537644767089222.70.334704674734767.080.235148985478608378786526994539191.870.35灰色丙綸絲Greypolypropylenefibers全特征全波長0.8273.136767229426997724647691.791.674884914854944824974794765002.642.044888525385038729106846268848781.092.82白色丙綸絲Whitepolypropylenefibers全特征全波長9.4461.3972045366473449168191344745969917.752.1547146847347939.430.9952385267971784370868168469981910.385.22透明丙綸絲Transparentpolypropylenefibers全特征全波長21.2769.2771745394869677544749446269935.061.9947046747347636.341.8354182545952979354480868169685223.496.26黑色毛發Blackhumanhair全特征全波長9.2735.4471744789645360594812.50.7752953250352651158532.010.784474504539485968758936386879079.992.29黑色豬毛Blackpighair全特征全波長9.7860.0671745360594877844746794017.221.5567964964668127.461.176969165448696767786295067466389.494.72白色豬毛Whitepighair全特征全波長27.2915.5471745061474969944750394545936.710.3847046747347640.230.8055575557085194864046787584986328.311.12透明地膜碎片Transparentmulchingfilm全特征全波長20.7363.7267945069676349494844745969933.262.0147046747347635.1811.5845650071151476959357378463779023.815.98

2.2　像素分類和雜質識別

使用二次判別分析構造的分類器，基于全波長和最優波長信息，驗證集雜質分割結果表明：(1)采用Wrapper方法獲得最優波長集合，可以分割出大部分雜質；(2)分割顏色較深的雜質，效果最佳，分割白色和透明雜質，效果最次。并產生了大量的誤判像素點；(3)使用二值圖像后處理辦法基本剔除了所有的噪聲點。顏色較深的雜質，基本能完成分割，白色和透明雜質，最終分割形成不完整區域，有空洞或部分分割。

結果表明，基于QDA判別分析，采用最佳波長集合，分類子圖像中像素點，構造分割二值圖像，隨后采用線性判別分析處理二值圖像，所有子圖像中異性纖維識別率為79.17%。其中，黑色人發和灰色丙綸絲識別達到100%，黑色豬毛識別為95.65%，白色丙綸絲的識別率達到90.36%，透明地膜碎片識別率為67.21%。白色豬毛和透明丙綸絲識別較差，但是白色豬毛和透明丙綸絲在QDA判別分析的二值圖像中體現了目標的形狀，通過其他處理方法適當提高這些雜質的識別率。圖1，表3

圖1典型子圖像QDA像素分類二值圖像及后處理圖像示意
Fig. 1Segmentation results of foreign materials using QDA pixels classification and post processing methods.
表3 基于最優波長集合驗證集的梳棉雜質識別結果
Table 3 Recognition results of foreign materials by optimal wavelengths

異性纖維類型Typesoftrash識別率/%Recognitionrate誤判數Numberoffalsealarms丙綸絲Polypropylenefibers80.3624灰色丙綸絲Greypolypropylenefibers1001白色丙綸絲Whitepolypropylenefibers90.3617透明丙綸絲Transparentpolypropylenefibers42.226毛發Hair8514黑色毛發Blackhumanhair1002黑色豬毛Blackpighair95.654白色豬毛Whitepighair42.108透明地膜碎片Transparentmulchingfilm67.2126總計Total79.1764

3 討 論

3.1從波長選擇角度分析，與分類器獨立的波長選擇方法filter和PCA，對比與分類器相結合的波長選擇方法Wrapper，所選波長集中于圖像信噪比高的450~540 nm波段。PCA和Wrapper方法所選波長存在一些重疊性，有部分波長處于短波近紅外區域，這與其他學者[14]所提出的波長段有一定的重合，反映出一些特定的雜質僅在該區域具有一定的指紋特征。像素分類器獨立的特征選擇方法，所選關鍵波長，用于像素分類效果較Wrapper方法所選波長要差很多。

3.2從分割和后處理的總體效果分析，針對色重的雜質，用Wrapper方法所選波長分割的效果，無論從運行時間和分割效果要好于最優波長集合，且分割后處理運算效果穩定，誤判數較少。透明丙綸絲、白色豬毛和透明地膜碎片采用最優波長集合，像素分割效果較差，容易受棉花光譜的影響較大，誤判數較高。盡管很多波長位于短波近紅外區域，但受到原始圖像在該波段信噪比不高的影響，使得誤判像素點較多，直接影響后處理方法的效果。

分析其原因：在此波長范圍內，棉網內雜質顏色是影響像素分類和雜質分割效果的主要因素。棉網內白色丙綸絲，或纖細的白色豬毛雜質，分析獲得的最佳波長，主要集中于成像信噪比高的短波長范圍，不是其特征吸收峰位置，不能很好的表達和用于雜質識別。實驗系統在波長840 nm后響應較差，光譜噪音較大，使一些好的特征峰不能很好表達，可能也是一個關鍵的問題。雜質目標誤判率隨著波長變量使用的減少而有所增加。使用全波長信息，誤判率要低于使用最佳波長集合，其核心問題仍然是雜質特征峰定位不準確。

3.3減少像素誤判率，提高雜質識別準確率，后續研究的重點包括：第一，針對透明丙綸絲和地膜碎片、纖細白色豬毛，采集800~2 400 nm的近紅外波長范圍內的梳棉高光譜圖像，找到梳棉與這類異性纖維光譜差異更大的特征波長。諸如早期學者提出的近紅外波長850 nm[15]、1 520 nm和1 720 nm[16]是檢測聚丙烯和聚乙烯等雜質的最佳波長。第二，雜質的檢測中，不僅針對難檢異性纖維，也針對梳棉普通雜質的檢測。如何統一優選波長用于后續多光譜在線分揀雜質設備的開發是新的研究問題。第三，使用其它性能更良好的分類器分類像素。例如，基于支持向量機的分類器，提高像素分類的效果等。第四，針對透明地膜碎片，也可以采用其他的檢測和分揀技術，一種是靜電方式，棉花和透明地膜碎片產生靜電不同，可以很快區分，另一種是空氣動力學方式，透明地膜碎片在風送過程中，迎風面大于棉花，利用篩網可以分揀部分較大一點碎片。

4結 論

在可見短波近紅外波長422~982 nm范圍，提取高光譜圖像中雜質和棉花像素點的光譜信息，采用與像素分類器結合的包裝方法選擇的最優波長集，可以有效識別棉網中的普通雜質、灰色丙綸絲和黑色毛發，能夠檢測白色丙綸絲，可以識別出部分白色豬毛、透明丙綸絲和透明地膜碎片，能夠為今后雜質多光譜成像技術在線或快速雜質檢測系統構建提供了一定的研究基礎。其異性纖維總識別率為79.17%。其中，黑色人發和灰色丙綸絲識別率達到100%，黑色豬毛識別率達為95.65%，白色丙綸絲的識別率達到90.36%，透明地膜碎片也有很大的提高，識別率為67.21%。白色豬毛和透明丙綸絲識別較差。

參考文獻(References)

[1]郭俊先，應義斌. 皮棉中雜質檢測技術與檢出裝備的研究進展[J].農業機械學報, 2008, 39(7): 107-113,106.

GUO Junxian, YING Yi-bin. (2008). Progress on detecting technique and sorter of raw cotton foreign matters [J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 39(7): 107-113, 106. (in Chinese)

[2] 李國輝，蘇真偉，夏心怡. 基于不規則成像機器視覺的棉花白色異纖檢測算法[J]. 農業機械學報，2010, 41(5): 164-167．

LI Guo-hui, SU Zhen-wei, XIA Xin-yi. (2014). Algorithm for inspection of white foreign fibers in cotton by machine vision with irregular imaging function [J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 41(5): 164-167. (in Chinese)

[3] 王思樂，范士勇，盧素魁，等. 基于視覺顯著圖的異性纖維彩色圖像分割方法[J]. 計算機工程與設計, 2013, 34(8): 2 783-2 787.

WANG Si-le, FAN Shi-yong, LU Su-kui, et al. (2013). Visual saliency map based color image segmentation for foreign fiber detection [J].ComputerEngineeringandDesign, 34(8): 2，783-2，787. (in Chinese)

[4] 劉鋒，蘇真偉，喬麗. 基于線激光截面成像的棉花白色異性纖維檢測方法[J]. 農業機械學報，2013, 44(3): 215-218, 256.

LIU Feng, SU Zhen-wei, QIAO Li. (2013). Linear laser detecting method of white foreign fibers in cotton based on sample cross- section imaging [J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 44(3): 215-218, 256. (in Chinese)

[5] 劉翔，何相呈，蘇真偉，等. 棉花中白色異性纖維的激光成像快速檢測方法[J]. 農業工程學報，2014, 30(15): 190-196.

LIU Xiang, HE Xiang-cheng, SU Zhen-wei, et al. (2014). Laser imaging method for fast detecting white foreign fibers in cotton [J].TransactionsoftheChineseSocietyforAgriculturalEngineering, 30(15): 190-196. (in Chinese)

[6] 楊文柱，李道亮，魏新華，等.基于光譜分析的棉花異性纖維最佳波段選擇方法[J]. 農業機械學報, 2009, 25(10): 186-192.

YANG Wen-zhu, LI Dao-liang, WEI Xin-hua, et al. (2009). Selection of optimal band for detecting foreign fibers in lint cotton using spectroscopic analysis [J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 25(10): 186-192. (in Chinese)

[7] 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(4): 173-178.

YANG Wen-zhu, LI Dao-liang, WEI Xin-hua, et al. (2010). Feature selection for cotton foreign fiber objectives based on improved genetic algorithm[J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 41(4): 173-178. (in Chinese)

[8] 王金星，李恒斌，王蕊，等. 基于BPSO的棉花異性纖維目標特征快速選擇方法[J]. 農業機械學報，2013, 44(2): 188-191.

WANG Jin-xing, LI Heng-bin, WANG Rui, et al. (2013). A fast feature selection for cotton foreign fiber objects based on BPSO [J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 44(2): 188-191. (in Chinese)

[9] 趙學華，李道亮，于合龍. 基于費舍爾評分與離散粒子群優化的棉花異性纖維在線檢測[J]. 農業工程學報，2014, 30(6): 107-115.

ZHAO Xue-hua, LI Dao-liang, YU He-long. (2014). Online detection for cotton foreign fiber based on fisher score and binary particle swarm optimization [J].TransactionsoftheChineseSocietyforAgriculturalEngineering, 30(6): 107-115. (in Chinese)

[10] 郭俊先，應義斌，成芳，等. 皮棉表面多類異性纖維的高光譜圖像檢測[J].農業工程學報，2010, 26(10): 355-360.

GUO Jun-xian YING Yi-bin, CHENG Fang, et al. (2010). Detection of foreign materials on the surface of ginned cotton by hyper-spectral imaging [J].TransactionsoftheChineseSocietyforAgriculturalEngineering, 26(10): 355-360. (in Chinese)

[11] 郭俊先，應義斌，饒秀勤，等. 梳棉內層雜質的高光譜圖像檢測[J].農業機械學報，2012, 43(12): 197-203.

GUO Jun-xian, YIN Yin-bin, RAO Xiu-qin, et al. (2012). Detection of trashes in combed cotton using hyper- spectral images [J].TransactionsoftheChineseSocietyforAgriculturalMachinery, 43(12): 197-203. (in Chinese)

[12] Guo, J., Ying, Y., Li, J., Rao, X., Kang, Y., & Shi, Z. (2012). Detection of foreign materials on surface of ginned cotton by hyper-spectral imaging.TransactionsoftheChineseSocietyofAgriculturalEngineering, 28(21)：126-134.

[13] Wei, X., Wu, S., Xu, L., Shen, B., & Li, M. (2014). Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction.TransactionsoftheChineseSocietyofAgriculturalEngineering, 30(9)：243-248.

[14] 郟東耀，丁天懷. 利用纖維紅外吸收特性的皮棉雜質檢測新方法[J]. 紅外與毫米波學報，2005, 24(2): 147-150.

JIA Dong-yao, DING Tian-huai. (2005). Novel method of detecting foreign fibers in lint by fiber's infrared absorption characteristics [J].JournalofInfraredandMillimeterWaves, 24(2): 147-150. (in Chinese)

[15] 郟東耀，丁天懷. 棉花中異性纖維的多光譜檢測[J]. 清華大學學報(自然科學版)，2005, 45(2): 193-196.

JIA Dong-yao, DING Tian-huai. (2005). Detecting foreign fibers in cotton using a multi-spectral technique [J].JournalofTsinghuaUniversity(ScienceandTechnology), 45(2): 193-196. (in Chinese)

[16] Bhmer, S., Budzier, H., Krause, V., Gerlach, G., Pusch, T., & Cherif, C. (2006). Two channels NIR camera system to detect foreign matter in raw cotton.ProceedingsofQUIRT,Padova,Italy.

Fund project:Supported by Supported by the Natural Science Fund Projects of Science and Technology Department of Xinjiang Uygur Autonomous Region "Analysis of Absorption Spectrum of Cotton Trashes by Using Spectroscopy and Spectral Imaging"(2014211A033)

Wavelengths Selection of Trashes Detection in Combed

Cotton Using Hyper-spectral Imaging at Visible and Short-wave

Near Infrared Wavelength Range

GUO Jun-xian, LI Xue-lian, HUAN Hua, SHI Zhai, LIU Ya

(MechanicalandTrafficCollege,XinjiangAgriculturalUniversity，Urumuqi830052,China)

Abstract：【Objective】 This research focuses on the wavelength selection for detecting trashes in the cotton by using hyper-spectral imaging at Visible and Short-wave Near Infrared Wavelength Range.【Method】The pixel spectra was obtained from the original hyper-spectral image firstly. And then key wavelengths related to trashes' detection were selected by using principle component analysis, filter and wrapper methods with pixel's classifier based on quadratically discriminant analysis. Finally, the pixel classifier was combined based on quadratic discriminant analysis for constructing binary images and the post-processing method of binary images, which were determined by early research, the best method for key wavelengths from abovementioned three methods was selected by comparing segmentation results for trashes.【Result】The results indicated that the detection rate of trashes using key wavelengths information selecting by wrapper was better than filter and principle component analysis methods. The total detection rate of foreign materials was up to 79.17% while using wrapper wavelength selection. The detection rates for gray polypropylene fiber, white polypropylene fiber, black human hair, and black pig hair were over 90% respectively, while the detection rate of transparent mulching film, transparent polypropylene fiber, and white pig hair were lower than others, respectively.【Conclusion】 The results indicated that the key wavelengths selected from hyper-spectral image using wrapper could detect most impurities and trashes in the cotton. And the study will provide theoretical basis for impurities on line sorting using multi-spectral imaging.

Key words:cotton carding; hyper-spectral imaging; trashes; wavelengths selection; detection

作者簡介:郭俊先(1975-)，男，新疆巴里坤人，副教授，博士，研究方向為農產品品質快速無損檢測,(E-mail)junxianguo@163.com

基金項目:新疆維吾爾自治區科技廳基金項目，“皮棉雜質光譜圖像的吸收光譜分析研究”(2014211A033)

收稿日期：2015-10-21

中圖分類號：TS101.3；TP181；S562

文獻標識碼：A

文章編號：1001-4330(2016)02-0352-07

doi:10.6048/j.issn.1001-4330.2016.02.023