皮棉轧工质量分级模型的建立

肖春燕，侯加林

(1.山东省棉花生产技术指导站，山东 济南 250013；2.山东农业大学机械与电子工程学院，山东 泰安 271018)

皮棉轧工质量分级模型的建立

肖春燕1，侯加林2

(1.山东省棉花生产技术指导站，山东 济南 250013；2.山东农业大学机械与电子工程学院，山东 泰安 271018)

根据皮棉外观形态粗糙程度、所含疵点种类及数量的多少，我国将皮棉轧工质量分为好、中、差三个等级。目前我国皮棉轧工质量的分级是由人工完成的，检验时，由工作人员手持样本，与制作的国家等级实物标准对照，从而得出各样本所属的轧工质量档次。但该方法存在很多缺点，如：制作的等级实物标准样本会随着时间的推移发生改变，进而影响检测结果；由于检测人员的主观性差异，不同的检测人员在检测同一个样本时，可能会得出不同的结论。而轧工质量层次直接影响着棉花生产的经济效益。基于此，本研究首先利用皮棉感官质量分级仪对大量的白棉二级皮棉进行纹理提取，然后利用SPSS Modeler建模软件建立皮棉纹理特征与轧工质量的人工神经网络模型，经专家人工分级验证，该模型分级效果较好，准确性较高，利用此模型可以提高皮棉轧工质量分级的效率和准确性。

棉花纹理；轧工质量分级；SPSS Modeler；神经网络模型

棉花是我国最主要的经济作物，年均种植面积400万公顷左右，年总产量600万吨左右。我国有近2亿人口从事棉花种植业及相关产业。棉花也是我国重要的战略物资，关系到国计民生，并且涉及到农业、纺织、服装和国际贸易等多个行业。因此，棉花轧工质量标准的制定对于其生产、贸易等都有着重大意义。新制定的棉花锯齿细绒棉标准(GB1103-2012)对轧工质量进行了规定：根据皮棉外观形态粗糙度和所含疵点的多少，将皮棉分为好、中、差三档[1-4]。

目前，轧工质量分级主要由人工完成，以制作的国家等级实物标准为对照确定待检样品的轧工质量等级。但这种分级方法缺陷很多：一是该方法受检测人员水平和主观性影响很大，同一样本，不同的检测人员往往结果不同；二是皮棉疵点种类繁多、形态复杂，即使经验丰富的检测人员有时也可能无法准确把握所属等级；三是国家实物标准样本均由人工制作，很难保证其制作的一致性，而且标准样本易在运输过程中受损，且随着时间的推移其表面外观形态也会发生改变。可见，人工检验分级方法很难实现对皮棉轧工质量的准确分级。而轧工质量分级情况直接影响着棉花的生产效益，轧工质量每下降1～2个等级，每吨皮棉收益减少510～560元[5，6]。因此，研究皮棉分级的新技术、新方法和新仪器非常必要。

本研究选用白棉二级皮棉好、中、差三等各50份，利用皮棉感官质量分级仪提取各等级皮棉的纹理特征参数，用SPSS Modeler软件的神经网络模型建立皮棉纹理特征与轧工质量等级的关系模型，并经专家验证模型的准确性，得到基于皮棉纹理特征的轧工质量分级神经网络模型，可有效提高轧工质量分级效果，减少人工检验误差。

1 系统的总体设计

1.1硬件设备

本研究所用皮棉感官质量分级仪[7]，由外接计算机、CCD工业相机、光源、镜头、箱体、支架和透光板组成，其结构图见图1，实物图见图2。

1.箱体；2.支架；3.CCD工业相机；4.镜头；5.光源；6.亚克力透光板

图2 棉花感官质量分级仪实物图

1.2皮棉纹理提取

纹理特征的提取程序采用C++语言在VS2010环境下开发，利用电脑的MFC界面将相机的摄像头、提取纹理的相关程序等集合到一起，实现人机交流。

取已编号的皮棉样本，放入置于支架下方的纸箱中，平铺开来，并用亚克力透光板压住；然后在MFC(microsoft foundation classes)操作界面中，点击“打开文件”，系统开启摄像头获取图像，并将图像显示在左面的界面上，然后人工输入棉花等级，和皮棉加工等级，此后系统开始提取皮棉的纹理特征，输出皮棉样本的纹理特征参数——能量、熵、惯性矩，至此，提取纹理特征的过程结束。界面如图3所示。

图3 MFC界面

1.3 SPSS Modeler建模

从Windows“开始”菜单的SPSS Inc程序组中选择IBM SPSS Modeler，启动程序，待屏幕上显示主窗口(图4)，即可根据需要进行建模。在数据挖掘过程中的每一个阶段，均可通过IBM SPSS Modeler易于使用的界面来建模。建模算法(如预测、分类、细分和关联检测)可确保得到强大而准确的模型。模型结果可以方便地部署和读入到数据库IBM SPSS Statistics和各种其他应用程序中。

图4 建模界面

2 皮棉轧工质量分级系统应用试验

2.1皮棉纹理特征提取

选用白棉二级作为试验样本，根据轧工质量将其分为好、中、差三个级别。选取各级别各50份，每份50 g，分成5组，每组10份，并对各组样本进行编号(表1)。

表1 各等级各组样本编号情况

在相同试验条件下，利用皮棉感官质量分级仪完成对白棉二级各等级皮棉纹理特征的提取试验，分别于2016年8月25日完成对第一组的试验，2016年8月26日完成对第二组和第三组的试验，2016年8月27日完成对第四组和第五组的试验。因试验数据较多，本文只列出第一组样本的纹理特征数据(表2)，所有数据均精确到小数点后三位。

2.2神经网络模型建立

流工作区是SPSS Modeler窗口的最大区域，也是构建和操纵数据流的位置。在界面的主工作区绘制所需要的数据操作图来创建流，每个操作都用图标或者节点表示。

建模流程如图5所示。(1)导入存储在Excel表中的样本数据；(2)选择类型节点，以能量、熵、惯性矩为输入数据，以加工质量为目标；(3)选择分区节点，其中，训练分区大小选择为100份，测试分区大小为50份；(4)选择神经网络节点，在字段页面选择预定义角色，从而按类型节点设置，然后在构建选项中选择构建新模型；(5)设置完成后，点击“表”即可得到运行结果，至此，模型生成。

表2 各等级皮棉纹理特征参数值

2.3模型分析

调节好模型参数，点击“运行”，得到皮棉轧工质量的神经网络模型分析结果，见图6～图10。

由图6可知，能量、熵和惯性矩三个变量中，对皮棉轧工质量影响最大的是惯性矩，所占比重为41%；其次是熵变量，所占比重为34%；对轧工质量影响最小的是能量，所占比重为25%。三者所占比重之和为1，说明能量、熵和惯性矩三个变量与轧工质量的相关性很强[8-10]。

图5 神经网络模型建立流程

图6 预测变量重要性

由图7可知，所建模型对白棉二级“好、差”分类的预测准确率均为100%，对分类“中”的预测准确率为92.5%，总体百分比校正为97.5%，可以认为，这个模型的分档效果相当好[11,12]。

图7 轧工质量分类百分比

由图8和图9可知：隐藏层1中的神经元4个，神经元个数相对较多，得出的模型也更加精确[13-15]；隐藏层2中的神经元为2个。两个隐藏层中的偏差都较小，模型准确度为97.5%，属于“更佳”的范围。

直观模型表可以更加直观地呈现本研究所建神经网络模型的分级效果，可据此直接判断出轧工质量的好坏。因数据较多，本文只截取了部分模型的分级结果(图10)。

图8 模型概要图及准确度表

图9 神经元网络

图10直观模型表

最终，由神经网络模型所得白棉二级各样本的轧工质量分级为：

好：1～10，31～40，61～70，91～100，121～130；

中：11～20，42，44，45～47，49～50，71～80，101～110，131～140；

差：21～30，41，43，48，51～60，81～90，111～120，141～150。

3 验证试验

在不告知模型分级结果的前提下，请山东省纤维检验局、山东省鲁棉集团的十位专家，分别用字母A～J指代，对试验样本的轧工质量进行人工分级。汇总结果显示，专家A和专家D认为序号42、44为等级差，而利用神经网络模型划分的等级为中；专家E和F 认为序号42、44、46、47为等级差，而利用神经网络模型所得等级为中；专家B、C、G、H、I和J的分级结果与利用神经网络模型划分的等级一致。可以看出，本研究所建的神经网络模型具有很好的轧工质量分级效果。

4 结论

本研究首先利用皮棉感官质量分级仪对白棉二级好、中、差各等级的皮棉进行纹理提取，然后根据提取变量能量、熵和惯性矩的结果，选用人工神经网络模型，利用SPSS Modeler软件建模，构建了基于皮棉纹理特征的轧工质量分级模型，经专家验证，该神经网络模型的分级准确性较高，可减少人工检验时因检测人员主观性造成的误差。

该模型的建立，也为其余等级皮棉，如淡黄染棉一级、白棉一级等的分级模型的建立提供了借鉴。通过建立一系列皮棉分级神经网络模型，可大大减少人工检验时的误差，从而提高我国棉花的经济效益。

[1] 熊宗伟. 我国棉花纤维质量及颜色等级划分研究[D]. 北京：中国农业大学, 2005.

[2] 左飞. 数字图像处理开发入门与编程实践[M]. 北京：电子工业出版社, 2008：492-508.

[3] 徐立新. 基于颜色常量的图像特征提取及其降维方法[J]. 计算机与工程, 2004, 40(10): 18-19.

[4] 刘晓民, 朱枫. 基于纹理的视觉伺服研究[J]. 仪器仪表学报, 2006, 27(6): 738-740.

[5] 陈果. 图像阈值分割的Fisher准则函数法[J].仪器仪表学报, 2003, 24(6):564-571.

[6] 张亚秋, 吴文福, 王刚. 基于逐步改变阈值方法的玉米种子图像分割[J]. 农业工程学报, 2011, 27(7): 200-204.

[7] 陈光亭. 棉花轧工质量分级仪器的研究[D]. 泰安：山东农业大学，2014.

[8] 韩仲志, 杨锦忠. 基于籽粒RGB图像独立分量的玉米胚部特征检测[J]. 农业工程学报, 2010, 26(3): 222-226.

[9] 何东健, 耿楠, 张义宽.数字图像处理[M].西安：西安电子科技大学出版社, 2004.

[10] 容观澳. 计算机图像处理[M].北京：清华大学出版社, 2000.

[11] Kaplan L M，Kuo C C J．Extending self-similarity for fractional Brownian motion[J]．IEEE Transactions on Signal Processing，1994，42(12)：3526-3530.

[12] Abadias M, Usall J, Oliveira M, et al. Efficacy of neutral electrolyzed water (NEW) for reducing microbial contamination on minimally-processed vegetables[J]. International Journal of Food Microbiology, 2008, 123(1): 151-158.

[13] Mirmehd M, Petrou M. Segmentation of color textures[J].IEEE Trans. Pattern Anal, Machine Intell., 2000,22(2):142-159.

[14] Sarkar N, Wolfe R R. Image processing for tomato grading[J]. Transactions of the ASAE，1990, 33: 564-572.

[15] Yue S H, Li P, Guo J D, et al. A statistical information based clustering approach in distance space[J]. Journal of Zhejiang University Science, 2005, 6(1):71-78.

BuildingofLintCottonGinningQualityGradingModel

Xiao Chunyan1, Hou Jialin2

(1.ShandongProvincialGuidanceStationofCottonProductionTechnology,Jinan250013,China; 2.InstituteofMechanicalandElectricalEngineering,ShandongAgriculturalUniversity,Taian271018,China)

The ginning quality is divided into 3 levels (good, middle, bad) in accordance with roughness of appearance and types and defect number of lint cotton. At present, the ginning quality grading of lint cotton is finished by manual work. During the test, the workers hand the samples and contrast the tested cotton with the national-level cotton material standard samples so as to obtain the ginning quality grade. But the method has many disadvantages, for example, the national-level cotton material standard samples may change with time flying, or different workers may obtain different conclusions due to subjective differences and so on. However the ginning quality grade can directly influence the cotton economic benefits. In this paper, the texture extraction test of second-level white cotton was carried out by lint cotton sensory quality grading instrument. Then the neural network model about lint cotton texture features with ginning quality was built with the IBM SPSS Modeler. After identifyed by experts, the model had better grading effect and higher accuracy. So the model could improve the efficiency and accuracy of ginning quality grading of lint cotton.

Cotton texture; Ginning quality grading; SPSS Modeler; Neural network model

S562.092

A

1001-4942(2017)10-0134-05

10.14083/j.issn.1001-4942.2017.10.029

2017-08-13

山东省科技发展计划项目(2012GGB01084)

肖春燕(1968—)，女，山东菏泽人，高级农艺师，主要从事棉花生产及棉花质量方面的研究。E-mail：xiaochunyan100@sina.com

侯加林(1963—)，男，山东潍坊人，教授，主要从事农业装备、农业信息技术的研究。E-mail: jlhou@sdau.edu.cn