皮棉軋工質(zhì)量分級(jí)模型的建立

肖春燕，侯加林

(1.山東省棉花生產(chǎn)技術(shù)指導(dǎo)站，山東 濟(jì)南 250013；2.山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，山東 泰安 271018)

皮棉軋工質(zhì)量分級(jí)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(dǎo)站，山東 濟(jì)南 250013；2.山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，山東 泰安 271018)

根據(jù)皮棉外觀形態(tài)粗糙程度、所含疵點(diǎn)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(gè)等級(jí)。目前我國皮棉軋工質(zhì)量的分級(jí)是由人工完成的，檢驗(yàn)時(shí)，由工作人員手持樣本，與制作的國家等級(jí)實(shí)物標(biāo)準(zhǔn)對(duì)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(diǎn)，如：制作的等級(jí)實(shí)物標(biāo)準(zhǔn)樣本會(huì)隨著時(shí)間的推移發(fā)生改變，進(jìn)而影響檢測(cè)結(jié)果；由于檢測(cè)人員的主觀性差異，不同的檢測(cè)人員在檢測(cè)同一個(gè)樣本時(shí)，可能會(huì)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(jì)效益?；诖?，本研究首先利用皮棉感官質(zhì)量分級(jí)儀對(duì)大量的白棉二級(jí)皮棉進(jìn)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(luò)模型，經(jīng)專家人工分級(jí)驗(yàn)證，該模型分級(jí)效果較好，準(zhǔn)確性較高，利用此模型可以提高皮棉軋工質(zhì)量分級(jí)的效率和準(zhǔn)確性。

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

棉花是我國最主要的經(jīng)濟(jì)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(guān)產(chǎn)業(yè)。棉花也是我國重要的戰(zhàn)略物資，關(guān)系到國計(jì)民生，并且涉及到農(nóng)業(yè)、紡織、服裝和國際貿(mào)易等多個(gè)行業(yè)。因此，棉花軋工質(zhì)量標(biāo)準(zhǔn)的制定對(duì)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(xì)絨棉標(biāo)準(zhǔn)(GB1103-2012)對(duì)軋工質(zhì)量進(jìn)行了規(guī)定：根據(jù)皮棉外觀形態(tài)粗糙度和所含疵點(diǎn)的多少，將皮棉分為好、中、差三檔[1-4]。

目前，軋工質(zhì)量分級(jí)主要由人工完成，以制作的國家等級(jí)實(shí)物標(biāo)準(zhǔn)為對(duì)照確定待檢樣品的軋工質(zhì)量等級(jí)。但這種分級(jí)方法缺陷很多：一是該方法受檢測(cè)人員水平和主觀性影響很大，同一樣本，不同的檢測(cè)人員往往結(jié)果不同；二是皮棉疵點(diǎn)種類繁多、形態(tài)復(fù)雜，即使經(jīng)驗(yàn)豐富的檢測(cè)人員有時(shí)也可能無法準(zhǔn)確把握所屬等級(jí)；三是國家實(shí)物標(biāo)準(zhǔn)樣本均由人工制作，很難保證其制作的一致性，而且標(biāo)準(zhǔn)樣本易在運(yùn)輸過程中受損，且隨著時(shí)間的推移其表面外觀形態(tài)也會(huì)發(fā)生改變。可見，人工檢驗(yàn)分級(jí)方法很難實(shí)現(xiàn)對(duì)皮棉軋工質(zhì)量的準(zhǔn)確分級(jí)。而軋工質(zhì)量分級(jí)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(gè)等級(jí)，每噸皮棉收益減少510～560元[5，6]。因此，研究皮棉分級(jí)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(jí)皮棉好、中、差三等各50份，利用皮棉感官質(zhì)量分級(jí)儀提取各等級(jí)皮棉的紋理特征參數(shù)，用SPSS Modeler軟件的神經(jīng)網(wǎng)絡(luò)模型建立皮棉紋理特征與軋工質(zhì)量等級(jí)的關(guān)系模型，并經(jīng)專家驗(yàn)證模型的準(zhǔn)確性，得到基于皮棉紋理特征的軋工質(zhì)量分級(jí)神經(jīng)網(wǎng)絡(luò)模型，可有效提高軋工質(zhì)量分級(jí)效果，減少人工檢驗(yàn)誤差。

1 系統(tǒng)的總體設(shè)計(jì)

1.1硬件設(shè)備

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

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

圖2 棉花感官質(zhì)量分級(jí)儀實(shí)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(jī)的攝像頭、提取紋理的相關(guān)程序等集合到一起，實(shí)現(xiàn)人機(jī)交流。

取已編號(hào)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?。蝗缓笤贛FC(microsoft foundation classes)操作界面中，點(diǎn)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(jí)，和皮棉加工等級(jí)，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(dòng)程序，待屏幕上顯示主窗口(圖4)，即可根據(jù)需要進(jìn)行建模。在數(shù)據(jù)挖掘過程中的每一個(gè)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(yù)測(cè)、分類、細(xì)分和關(guān)聯(lián)檢測(cè))可確保得到強(qiáng)大而準(zhǔn)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(yīng)用程序中。

圖4 建模界面

2 皮棉軋工質(zhì)量分級(jí)系統(tǒng)應(yīng)用試驗(yàn)

2.1皮棉紋理特征提取

選用白棉二級(jí)作為試驗(yàn)樣本，根據(jù)軋工質(zhì)量將其分為好、中、差三個(gè)級(jí)別。選取各級(jí)別各50份，每份50 g，分成5組，每組10份，并對(duì)各組樣本進(jìn)行編號(hào)(表1)。

表1 各等級(jí)各組樣本編號(hào)情況

在相同試驗(yàn)條件下，利用皮棉感官質(zhì)量分級(jí)儀完成對(duì)白棉二級(jí)各等級(jí)皮棉紋理特征的提取試驗(yàn)，分別于2016年8月25日完成對(duì)第一組的試驗(yàn)，2016年8月26日完成對(duì)第二組和第三組的試驗(yàn)，2016年8月27日完成對(duì)第四組和第五組的試驗(yàn)。因試驗(yàn)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(diǎn)后三位。

2.2神經(jīng)網(wǎng)絡(luò)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(gè)操作都用圖標(biāo)或者節(jié)點(diǎn)表示。

建模流程如圖5所示。(1)導(dǎo)入存儲(chǔ)在Excel表中的樣本數(shù)據(jù)；(2)選擇類型節(jié)點(diǎn)，以能量、熵、慣性矩為輸入數(shù)據(jù)，以加工質(zhì)量為目標(biāo)；(3)選擇分區(qū)節(jié)點(diǎn)，其中，訓(xùn)練分區(qū)大小選擇為100份，測(cè)試分區(qū)大小為50份；(4)選擇神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)，在字段頁面選擇預(yù)定義角色，從而按類型節(jié)點(diǎn)設(shè)置，然后在構(gòu)建選項(xiàng)中選擇構(gòu)建新模型；(5)設(shè)置完成后，點(diǎn)擊“表”即可得到運(yùn)行結(jié)果，至此，模型生成。

表2 各等級(jí)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(diǎn)擊“運(yùn)行”，得到皮棉軋工質(zhì)量的神經(jīng)網(wǎng)絡(luò)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(gè)變量中，對(duì)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(duì)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(gè)變量與軋工質(zhì)量的相關(guān)性很強(qiáng)[8-10]。

圖5 神經(jīng)網(wǎng)絡(luò)模型建立流程

圖6 預(yù)測(cè)變量重要性

由圖7可知，所建模型對(duì)白棉二級(jí)“好、差”分類的預(yù)測(cè)準(zhǔn)確率均為100%，對(duì)分類“中”的預(yù)測(cè)準(zhǔn)確率為92.5%，總體百分比校正為97.5%，可以認(rèn)為，這個(gè)模型的分檔效果相當(dāng)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(gè)，神經(jīng)元個(gè)數(shù)相對(duì)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(gè)。兩個(gè)隱藏層中的偏差都較小，模型準(zhǔn)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(luò)模型的分級(jí)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(jí)結(jié)果(圖10)。

圖8 模型概要圖及準(zhǔn)確度表

圖9 神經(jīng)元網(wǎng)絡(luò)

圖10直觀模型表

最終，由神經(jīng)網(wǎng)絡(luò)模型所得白棉二級(jí)各樣本的軋工質(zhì)量分級(jí)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(yàn)證試驗(yàn)

在不告知模型分級(jí)結(jié)果的前提下，請(qǐng)山東省纖維檢驗(yàn)局、山東省魯棉集團(tuán)的十位專家，分別用字母A～J指代，對(duì)試驗(yàn)樣本的軋工質(zhì)量進(jìn)行人工分級(jí)。匯總結(jié)果顯示，專家A和專家D認(rèn)為序號(hào)42、44為等級(jí)差，而利用神經(jīng)網(wǎng)絡(luò)模型劃分的等級(jí)為中；專家E和F 認(rèn)為序號(hào)42、44、46、47為等級(jí)差，而利用神經(jīng)網(wǎng)絡(luò)模型所得等級(jí)為中；專家B、C、G、H、I和J的分級(jí)結(jié)果與利用神經(jīng)網(wǎng)絡(luò)模型劃分的等級(jí)一致?？梢钥闯觯狙芯克ǖ纳窠?jīng)網(wǎng)絡(luò)模型具有很好的軋工質(zhì)量分級(jí)效果。

4 結(jié)論

本研究首先利用皮棉感官質(zhì)量分級(jí)儀對(duì)白棉二級(jí)好、中、差各等級(jí)的皮棉進(jìn)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(luò)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(jí)模型，經(jīng)專家驗(yàn)證，該神經(jīng)網(wǎng)絡(luò)模型的分級(jí)準(zhǔn)確性較高，可減少人工檢驗(yàn)時(shí)因檢測(cè)人員主觀性造成的誤差。

該模型的建立，也為其余等級(jí)皮棉，如淡黃染棉一級(jí)、白棉一級(jí)等的分級(jí)模型的建立提供了借鑒。通過建立一系列皮棉分級(jí)神經(jīng)網(wǎng)絡(luò)模型，可大大減少人工檢驗(yàn)時(shí)的誤差，從而提高我國棉花的經(jīng)濟(jì)效益。

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

[2] 左飛. 數(shù)字圖像處理開發(fā)入門與編程實(shí)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(jì)算機(jī)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(xué)報(bào), 2006, 27(6): 738-740.

[5] 陳果. 圖像閾值分割的Fisher準(zhǔn)則函數(shù)法[J].儀器儀表學(xué)報(bào), 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(xué)報(bào), 2011, 27(7): 200-204.

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

[8] 韓仲志, 楊錦忠. 基于籽粒RGB圖像獨(dú)立分量的玉米胚部特征檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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(xué)出版社, 2004.

[10] 容觀澳. 計(jì)算機(jī)圖像處理[M].北京：清華大學(xué)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(jì)劃項(xiàng)目(2012GGB01084)

肖春燕(1968—)，女，山東菏澤人，高級(jí)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