机采棉残留地膜识别分拣系统设计开题报告

全文总字数：1947字

1. 研究目的与意义

棉花是重要的经济作物，是我国国计民生的重要物资，是仅次于粮食的第二大农作物，其产值占我国经济作物的50%以上，在国民经济的发展中具有重要地位。

而我国最大的棉花种植区，新疆棉区，由于采用地膜覆盖栽培技术，其产出的籽棉质量长期受到地膜等杂质的影响而较低。

这样混地膜的棉花，在纺织时会导致出现大量疵点，因此更无法想象将其用于医用棉签以及人民币的制作等对品质要求极高的邻域。

2. 国内外研究现状分析

常规的光电管检测，超声波检测等方法对于透明的地膜以及白色的物质无法做到有效识别。

坎杂等人[1]采用机械方法，运用网状滚筒和正压风力结合的分离设备，但其分离地膜的效果受籽棉进料速度的影响严重，分离效果较差，且工作效率极低，不能满足生产需要。

魏新华等人[2]针对籽棉表层多类难检杂质，包括纸屑、白发、丙纶丝和地膜等5种白色物质，采用可见光-近红外光谱技术（400~1000nm）和最小噪声分离（mnf）分析方法对含有杂质的籽棉图像进行研究，此系统主要针对有色杂质进行识别，对于透明地膜无法进行有效识别。

3. 研究的基本内容与计划

本设计采用python语言结合keras深度学习库，实现带有加权自编码器的神经网络，设计一个对于机械采收籽棉中地膜去除的智能系统。

通过探测传感器来采集到的光谱信息，来实现对于籽棉中杂质的自动检测、识别、分离剔除等功能。

系统硬件设计包括铺平开松机构设计，高光谱采集装置设计，除杂装置设计三大子系统的设计。

4. 研究创新点

本系统不仅使用了传统的自编码器（auto encoder， ae）对高维光谱数据进行降维，而且还使用皮尔逊相关系数（correlation coefficient）对不同谱段的光谱进行加权，从而将输入与输出的关联性作为先验知识引入模型中。

得到了堆叠式的加权自编码器（variable weighted stacked auto encoder,vw-sae），加快了模型的收敛速度，提升了编码器的编码品质。

同时本系统采用粒子群优化（particle swarm optimization，pso）后的极限学习机（extreme learning machine, elm）作为分类器，这在保证了分类的精度不损失的同时，进一步提高了算法的分类速度。