采用深度学习方法对棉花中的异性纤维进行分类识别。首先建立异性纤维数据集,针对异性纤维尺寸和形状多样性的特点,采用基于Faster RCNN的目标识别框架,以RseNet-50代替原始的VGG16作为异性纤维分类模型的特征提取网络,并采用k-means++聚类算法对候选框生成尺寸进行改进;然后对模型进行训练,实现棉花中异性纤维的分类和定位。训练后的模型在验证集上的准确率达到94.24%,精度为98.16%,召回率为95.93%,精确率和召回率的调和平均数(F1分数)为0.970。对比改进前、后模型对异性纤维的识别效果,改进后的模型在小尺寸、大长宽比和密集出现的情况具有更好的识别效果,相对于原始模型,其准确率、精度、召回率和F1分数分别提高了3.21%、0.90%、2.51%和0.017。

在基于机器视觉的原棉异纤维检测系统中，选择能满足检测系统的光源和照明方案是提高系统检测率和检出率的关键，使检测对象尽可能多地显现出特征信息。选用单芯片InGaN(蓝)/YAG荧光粉型白光LED作为照明光源，采用理论计算和非成像光学设计的方法对LED阵列的光照度分布进行了研究，并根据原棉异纤维检测系统对光源光照度的具体要求，设计出了LED正方形阵列和三角形阵列两种排列方式，并利用TracePro软件对两种阵列形式进行仿真。通过比较两种阵列形式光照度分布的结果，最终选用高光照度且均匀性好的LED三角形阵列作为原棉异纤维检测系统的照明光源，满足了机器视觉成像的要求。