肖春燕，侯加林

(1.山東省棉花生產(chǎn)技術(shù)指導站，山東 濟南 250013；2.山東農(nóng)業(yè)大學機械與電子工程學院，山東 泰安 271018)

皮棉軋工質(zhì)量分級模型的建立

肖春燕1，侯加林2

(1.山東省棉花生產(chǎn)技術(shù)指導站，山東 濟南 250013；2.山東農(nóng)業(yè)大學機械與電子工程學院，山東 泰安 271018)

根據(jù)皮棉外觀形態(tài)粗糙程度、所含疵點種類及數(shù)量的多少，我國將皮棉軋工質(zhì)量分為好、中、差三個等級。目前我國皮棉軋工質(zhì)量的分級是由人工完成的，檢驗時，由工作人員手持樣本，與制作的國家等級實物標準對照，從而得出各樣本所屬的軋工質(zhì)量檔次。但該方法存在很多缺點，如：制作的等級實物標準樣本會隨著時間的推移發(fā)生改變，進而影響檢測結(jié)果；由于檢測人員的主觀性差異，不同的檢測人員在檢測同一個樣本時，可能會得出不同的結(jié)論。而軋工質(zhì)量層次直接影響著棉花生產(chǎn)的經(jīng)濟效益?；诖耍狙芯渴紫壤闷っ薷泄儋|(zhì)量分級儀對大量的白棉二級皮棉進行紋理提取，然后利用SPSS Modeler建模軟件建立皮棉紋理特征與軋工質(zhì)量的人工神經(jīng)網(wǎng)絡模型，經(jīng)專家人工分級驗證，該模型分級效果較好，準確性較高，利用此模型可以提高皮棉軋工質(zhì)量分級的效率和準確性。

棉花紋理；軋工質(zhì)量分級；SPSS Modeler；神經(jīng)網(wǎng)絡模型

棉花是我國最主要的經(jīng)濟作物，年均種植面積400萬公頃左右，年總產(chǎn)量600萬噸左右。我國有近2億人口從事棉花種植業(yè)及相關產(chǎn)業(yè)。棉花也是我國重要的戰(zhàn)略物資，關系到國計民生，并且涉及到農(nóng)業(yè)、紡織、服裝和國際貿(mào)易等多個行業(yè)。因此，棉花軋工質(zhì)量標準的制定對于其生產(chǎn)、貿(mào)易等都有著重大意義。新制定的棉花鋸齒細絨棉標準(GB1103-2012)對軋工質(zhì)量進行了規(guī)定：根據(jù)皮棉外觀形態(tài)粗糙度和所含疵點的多少，將皮棉分為好、中、差三檔[1-4]。

目前，軋工質(zhì)量分級主要由人工完成，以制作的國家等級實物標準為對照確定待檢樣品的軋工質(zhì)量等級。但這種分級方法缺陷很多：一是該方法受檢測人員水平和主觀性影響很大，同一樣本，不同的檢測人員往往結(jié)果不同；二是皮棉疵點種類繁多、形態(tài)復雜，即使經(jīng)驗豐富的檢測人員有時也可能無法準確把握所屬等級；三是國家實物標準樣本均由人工制作，很難保證其制作的一致性，而且標準樣本易在運輸過程中受損，且隨著時間的推移其表面外觀形態(tài)也會發(fā)生改變?？梢姡斯z驗分級方法很難實現(xiàn)對皮棉軋工質(zhì)量的準確分級。而軋工質(zhì)量分級情況直接影響著棉花的生產(chǎn)效益，軋工質(zhì)量每下降1～2個等級，每噸皮棉收益減少510～560元[5，6]。因此，研究皮棉分級的新技術(shù)、新方法和新儀器非常必要。

本研究選用白棉二級皮棉好、中、差三等各50份，利用皮棉感官質(zhì)量分級儀提取各等級皮棉的紋理特征參數(shù)，用SPSS Modeler軟件的神經(jīng)網(wǎng)絡模型建立皮棉紋理特征與軋工質(zhì)量等級的關系模型，并經(jīng)專家驗證模型的準確性，得到基于皮棉紋理特征的軋工質(zhì)量分級神經(jīng)網(wǎng)絡模型，可有效提高軋工質(zhì)量分級效果，減少人工檢驗誤差。

1 系統(tǒng)的總體設計

1.1硬件設備

本研究所用皮棉感官質(zhì)量分級儀[7]，由外接計算機、CCD工業(yè)相機、光源、鏡頭、箱體、支架和透光板組成，其結(jié)構(gòu)圖見圖1，實物圖見圖2。

1.箱體；2.支架；3.CCD工業(yè)相機；4.鏡頭；5.光源；6.亞克力透光板

圖2 棉花感官質(zhì)量分級儀實物圖

1.2皮棉紋理提取

紋理特征的提取程序采用C++語言在VS2010環(huán)境下開發(fā)，利用電腦的MFC界面將相機的攝像頭、提取紋理的相關程序等集合到一起，實現(xiàn)人機交流。

取已編號的皮棉樣本，放入置于支架下方的紙箱中，平鋪開來，并用亞克力透光板壓住；然后在MFC(microsoft foundation classes)操作界面中，點擊“打開文件”，系統(tǒng)開啟攝像頭獲取圖像，并將圖像顯示在左面的界面上，然后人工輸入棉花等級，和皮棉加工等級，此后系統(tǒng)開始提取皮棉的紋理特征，輸出皮棉樣本的紋理特征參數(shù)——能量、熵、慣性矩，至此，提取紋理特征的過程結(jié)束。界面如圖3所示。

圖3 MFC界面

1.3 SPSS Modeler建模

從Windows“開始”菜單的SPSS Inc程序組中選擇IBM SPSS Modeler，啟動程序，待屏幕上顯示主窗口(圖4)，即可根據(jù)需要進行建模。在數(shù)據(jù)挖掘過程中的每一個階段，均可通過IBM SPSS Modeler易于使用的界面來建模。建模算法(如預測、分類、細分和關聯(lián)檢測)可確保得到強大而準確的模型。模型結(jié)果可以方便地部署和讀入到數(shù)據(jù)庫IBM SPSS Statistics和各種其他應用程序中。

圖4 建模界面

2 皮棉軋工質(zhì)量分級系統(tǒng)應用試驗

2.1皮棉紋理特征提取

選用白棉二級作為試驗樣本，根據(jù)軋工質(zhì)量將其分為好、中、差三個級別。選取各級別各50份，每份50 g，分成5組，每組10份，并對各組樣本進行編號(表1)。

表1 各等級各組樣本編號情況

在相同試驗條件下，利用皮棉感官質(zhì)量分級儀完成對白棉二級各等級皮棉紋理特征的提取試驗，分別于2016年8月25日完成對第一組的試驗，2016年8月26日完成對第二組和第三組的試驗，2016年8月27日完成對第四組和第五組的試驗。因試驗數(shù)據(jù)較多，本文只列出第一組樣本的紋理特征數(shù)據(jù)(表2)，所有數(shù)據(jù)均精確到小數(shù)點后三位。

2.2神經(jīng)網(wǎng)絡模型建立

流工作區(qū)是SPSS Modeler窗口的最大區(qū)域，也是構(gòu)建和操縱數(shù)據(jù)流的位置。在界面的主工作區(qū)繪制所需要的數(shù)據(jù)操作圖來創(chuàng)建流，每個操作都用圖標或者節(jié)點表示。

建模流程如圖5所示。(1)導入存儲在Excel表中的樣本數(shù)據(jù)；(2)選擇類型節(jié)點，以能量、熵、慣性矩為輸入數(shù)據(jù)，以加工質(zhì)量為目標；(3)選擇分區(qū)節(jié)點，其中，訓練分區(qū)大小選擇為100份，測試分區(qū)大小為50份；(4)選擇神經(jīng)網(wǎng)絡節(jié)點，在字段頁面選擇預定義角色，從而按類型節(jié)點設置，然后在構(gòu)建選項中選擇構(gòu)建新模型；(5)設置完成后，點擊“表”即可得到運行結(jié)果，至此，模型生成。

表2 各等級皮棉紋理特征參數(shù)值

2.3模型分析

調(diào)節(jié)好模型參數(shù)，點擊“運行”，得到皮棉軋工質(zhì)量的神經(jīng)網(wǎng)絡模型分析結(jié)果，見圖6～圖10。

由圖6可知，能量、熵和慣性矩三個變量中，對皮棉軋工質(zhì)量影響最大的是慣性矩，所占比重為41%；其次是熵變量，所占比重為34%；對軋工質(zhì)量影響最小的是能量，所占比重為25%。三者所占比重之和為1，說明能量、熵和慣性矩三個變量與軋工質(zhì)量的相關性很強[8-10]。

圖5 神經(jīng)網(wǎng)絡模型建立流程

圖6 預測變量重要性

由圖7可知，所建模型對白棉二級“好、差”分類的預測準確率均為100%，對分類“中”的預測準確率為92.5%，總體百分比校正為97.5%，可以認為，這個模型的分檔效果相當好[11,12]。

圖7 軋工質(zhì)量分類百分比

由圖8和圖9可知：隱藏層1中的神經(jīng)元4個，神經(jīng)元個數(shù)相對較多，得出的模型也更加精確[13-15]；隱藏層2中的神經(jīng)元為2個。兩個隱藏層中的偏差都較小，模型準確度為97.5%，屬于“更佳”的范圍。

直觀模型表可以更加直觀地呈現(xiàn)本研究所建神經(jīng)網(wǎng)絡模型的分級效果，可據(jù)此直接判斷出軋工質(zhì)量的好壞。因數(shù)據(jù)較多，本文只截取了部分模型的分級結(jié)果(圖10)。

圖8 模型概要圖及準確度表

圖9 神經(jīng)元網(wǎng)絡

圖10直觀模型表

最終，由神經(jīng)網(wǎng)絡模型所得白棉二級各樣本的軋工質(zhì)量分級為：

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 驗證試驗

在不告知模型分級結(jié)果的前提下，請山東省纖維檢驗局、山東省魯棉集團的十位專家，分別用字母A～J指代，對試驗樣本的軋工質(zhì)量進行人工分級。匯總結(jié)果顯示，專家A和專家D認為序號42、44為等級差，而利用神經(jīng)網(wǎng)絡模型劃分的等級為中；專家E和F 認為序號42、44、46、47為等級差，而利用神經(jīng)網(wǎng)絡模型所得等級為中；專家B、C、G、H、I和J的分級結(jié)果與利用神經(jīng)網(wǎng)絡模型劃分的等級一致?？梢钥闯觯狙芯克ǖ纳窠?jīng)網(wǎng)絡模型具有很好的軋工質(zhì)量分級效果。

4 結(jié)論

本研究首先利用皮棉感官質(zhì)量分級儀對白棉二級好、中、差各等級的皮棉進行紋理提取，然后根據(jù)提取變量能量、熵和慣性矩的結(jié)果，選用人工神經(jīng)網(wǎng)絡模型，利用SPSS Modeler軟件建模，構(gòu)建了基于皮棉紋理特征的軋工質(zhì)量分級模型，經(jīng)專家驗證，該神經(jīng)網(wǎng)絡模型的分級準確性較高，可減少人工檢驗時因檢測人員主觀性造成的誤差。

該模型的建立，也為其余等級皮棉，如淡黃染棉一級、白棉一級等的分級模型的建立提供了借鑒。通過建立一系列皮棉分級神經(jīng)網(wǎng)絡模型，可大大減少人工檢驗時的誤差，從而提高我國棉花的經(jīng)濟效益。

[1] 熊宗偉. 我國棉花纖維質(zhì)量及顏色等級劃分研究[D]. 北京：中國農(nóng)業(yè)大學, 2005.

[2] 左飛. 數(shù)字圖像處理開發(fā)入門與編程實踐[M]. 北京：電子工業(yè)出版社, 2008：492-508.

[3] 徐立新. 基于顏色常量的圖像特征提取及其降維方法[J]. 計算機與工程, 2004, 40(10): 18-19.

[4] 劉曉民, 朱楓. 基于紋理的視覺伺服研究[J]. 儀器儀表學報, 2006, 27(6): 738-740.

[5] 陳果. 圖像閾值分割的Fisher準則函數(shù)法[J].儀器儀表學報, 2003, 24(6):564-571.

[6] 張亞秋, 吳文福, 王剛. 基于逐步改變閾值方法的玉米種子圖像分割[J]. 農(nóng)業(yè)工程學報, 2011, 27(7): 200-204.

[7] 陳光亭. 棉花軋工質(zhì)量分級儀器的研究[D]. 泰安：山東農(nóng)業(yè)大學，2014.

[8] 韓仲志, 楊錦忠. 基于籽粒RGB圖像獨立分量的玉米胚部特征檢測[J]. 農(nóng)業(yè)工程學報, 2010, 26(3): 222-226.

[9] 何東健, 耿楠, 張義寬.數(shù)字圖像處理[M].西安：西安電子科技大學出版社, 2004.

[10] 容觀澳. 計算機圖像處理[M].北京：清華大學出版社, 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

山東省科技發(fā)展計劃項目(2012GGB01084)

肖春燕(1968—)，女，山東菏澤人，高級農(nóng)藝師，主要從事棉花生產(chǎn)及棉花質(zhì)量方面的研究。E-mail：xiaochunyan100@sina.com

侯加林(1963—)，男，山東濰坊人，教授，主要從事農(nóng)業(yè)裝備、農(nóng)業(yè)信息技術(shù)的研究。E-mail: jlhou@sdau.edu.cn