CN113019993B - 一种籽棉的杂质分类识别方法及系统 - Google Patents

Abstract

本发明涉及一种籽棉的杂质分类识别方法及系统，该方法包括：获取机采籽棉含杂图像形成的数据集；构建籽棉杂质分类识别模型并确定籽棉杂质分类识别模型的损失函数；籽棉杂质分类识别模型为YOLO v4网络模型，损失函数包括边界框回归损失函数、边界框置信度损失函数和目标分类损失函数；基于损失函数，以darknet53作为架构，采用数据集对籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型；获取待识别的籽棉含杂图像；将待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像；将分割后的杂质图像输入训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。本发明可以实现对籽棉的杂质进行分类识别，同时识别准确度高。

Description

一种籽棉的杂质分类识别方法及系统

技术领域

本发明涉及棉花杂质识别领域，特别是涉及一种籽棉的杂质分类识别方法及系统。

背景技术

中国棉花传统的手摘收获方式严重制约着采棉效率和经济效益，随着机械化收获比例的逐年增加，机采棉加工工艺逐步发展起来，棉花中混入的杂质也随之增多，如机采籽棉中存在的铃壳、僵瓣、棉枝、棉叶、尘杂等天然性杂质。如果不及时检出并反馈，无法优化棉花加工生产线上各设备的工作参数，会严重影响纺织品的质量，从而影响产业效益和出口。

目前对于棉花杂质的研究多针对皮棉，皮棉经过了多级清杂和梳理，杂质含量低，图像背景较为单一，检测时皮棉层薄，不存在杂质遮挡问题，因此，针对皮棉的杂质研究并不适用于籽棉，不能指导棉花加工过程。

发明内容

本发明的目的是提供一种籽棉的杂质分类识别方法及系统，以实现籽棉的杂质分类，指导棉花加工过程。

为实现上述目的，本发明提供了如下方案：

一种籽棉的杂质分类识别方法，包括：

获取机采籽棉含杂图像形成的数据集；

构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数；所述籽棉杂质分类识别模型为YOLO v4网络模型，所述损失函数包括边界框回归损失函数、边界框置信度损失函数和目标分类损失函数；

基于所述损失函数，以darknet53作为架构，采用所述数据集对所述籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型；

获取待识别的籽棉含杂图像；

将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像；

将所述分割后的杂质图像输入所述训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。

可选的，所述构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数，具体包括：

构建YOLO v4网络架构的籽棉杂质分类识别模型；

确定所述籽棉杂质分类识别模型的损失函数，所述损失函数为：

Loss＝bbox loss+confidence loss+class loss

式中，Loss为籽棉杂质分类识别模型的损失函数，bbox loss为边界框回归损失函数，confidence loss为边界框置信度损失函数，class loss为目标分类损失函数。

可选的，所述基于所述损失函数，以darknet53作为架构，采用所述数据集对所述籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型，具体包括：

将所述数据集划分为训练集和测试集；

将所述训练集输入所述籽棉杂质分类识别模型进行训练，得到训练权重；

采用所述训练权重对所述测试集进行测试；

当所述测试集测试通过时，获取新的机采籽棉含杂图像；所述新的机采籽棉含杂图像包括棉枝、铃壳、叶屑、不孕籽和杂草两两交错遮盖的图像；

利用当前训练后的籽棉杂质分类识别模型对所述新的机采籽棉含杂图像进行分类识别；

判断新的机采籽棉含杂图像的分类识别结果的正确率是否达到正确率阈值；

若新的机采籽棉含杂图像的分类识别结果的正确率未达到正确率阈值，利用K-mean++算法进行锚框的聚类，更新锚框的尺寸，返回“将所述训练集输入所述籽棉杂质分类识别模型进行训练，得到训练权重”步骤，继续对所述籽棉杂质分类识别模型进行训练；

若新的机采籽棉含杂图像的分类识别结果的正确率达到正确率阈值，将当前的训练权重确定为最佳训练权重，得到训练好的籽棉杂质分类识别模型。

可选的，所述将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像，具体包括：

将所述待识别的籽棉含杂图像从RGB通道分别转换至HSV颜色通道和Lab颜色通道；

从所述HSV颜色通道分割所述待识别的籽棉含杂图像中的第一色系杂质；

从所述Lab颜色通道分割所述待识别的籽棉含杂图像中的第二色系杂质；所述第二色系的颜色浅于所述第一色系；

将所述第一色系杂质和所述第二色系杂质合并，得到分割后的杂质图像。

本发明还提供一种籽棉的杂质分类识别系统，包括：

数据集获取模块，用于获取机采籽棉含杂图像形成的数据集；

籽棉杂质分类识别模型构建模块，用于构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数；所述籽棉杂质分类识别模型为YOLO v4网络模型，所述损失函数包括边界框回归损失函数、边界框置信度损失函数和目标分类损失函数；

训练模块，用于基于所述损失函数，以darknet53作为架构，采用所述数据集对所述籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型；

待识别的籽棉含杂图像获取模块，用于获取待识别的籽棉含杂图像；

杂质分割模块，用于将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像；

分类识别模块，用于将所述分割后的杂质图像输入所述训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。

可选的，所述籽棉杂质分类识别模型构建模块，具体包括：

籽棉杂质分类识别模型构建单元，用于构建YOLO v4网络架构的籽棉杂质分类识别模型；

损失函数确定单元，用于确定所述籽棉杂质分类识别模型的损失函数，所述损失函数为：

Loss＝bbox loss+confidence loss+class loss

式中，Loss为籽棉杂质分类识别模型的损失函数，bbox loss为边界框回归损失函数，confiPence loss为边界框置信度损失函数，class loss为目标分类损失函数。

可选的，所述训练模块，具体包括：

数据集划分单元，用于将所述数据集划分为训练集和测试集；

训练单元，用于将所述训练集输入所述籽棉杂质分类识别模型进行训练，得到训练权重；

测试单元，用于采用所述训练权重对所述测试集进行测试；

图像获取单元，用于当所述测试集测试通过时，获取新的机采籽棉含杂图像；所述新的机采籽棉含杂图像包括棉枝、铃壳、叶屑、不孕籽和杂草两两交错遮盖的图像；

分类识别单元，用于利用当前训练后的籽棉杂质分类识别模型对所述新的机采籽棉含杂图像进行分类识别；

正确率判断单元，用于判断新的机采籽棉含杂图像的分类识别结果的正确率是否达到正确率阈值；

锚框更新单元，用于当新的机采籽棉含杂图像的分类识别结果的正确率未达到正确率阈值时，利用K-mean++算法进行锚框的聚类，更新锚框的尺寸，返回所述训练单元，继续对所述籽棉杂质分类识别模型进行训练；

最佳训练权重确定单元，用于当新的机采籽棉含杂图像的分类识别结果的正确率达到正确率阈值时，将当前的训练权重确定为最佳训练权重，得到训练好的籽棉杂质分类识别模型。

可选的，所述杂质分割模块，具体包括：

颜色通道转换单元，用于将所述待识别的籽棉含杂图像从RGB通道分别转换至HSV颜色通道和Lab颜色通道；

第一色系杂质分割单元，用于从所述HSV颜色通道分割所述待识别的籽棉含杂图像中的第一色系杂质；

第二色系杂质分割单元，用于从所述Lab颜色通道分割所述待识别的籽棉含杂图像中的第二色系杂质；所述第二色系的颜色浅于所述第一色系；

杂质合并单元，用于将所述第一色系杂质和所述第二色系杂质合并，得到分割后的杂质图像。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明针对机采籽棉过程中，对混在籽棉中的杂质进行分类和识别。通过将数据集输入到改进损失函数的YOLO v4神经网络进行训练，以提高识别速度和识别准确度。进一步的，本发明并将机采籽棉含杂照片进行图像处理，去除籽棉背景，分割出杂质照片，进而可以去除机采籽棉背景对分类识别的影响，将分割后的杂质照片输入训练后的神经网络模型中，对杂质进行分类识别，可以提高检测精度，同时检测速度会更快，也可以读取视频数据，对机采籽棉杂质进行动态检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明籽棉的杂质分类识别方法的流程示意图；

图2为本发明具体实施例的流程示意图；

图3为本发明具体实施例中对新的机采籽棉含杂图像的分类识别结果；

图4为本发明具体实施例中利用训练好的籽棉杂质分类识别模型对新采集的机采籽棉含杂图像的分类识别结果；

图5为待识别的籽棉含杂图像；

图6为对待识别的籽棉含杂图像分割后的杂质图像；

图7为待识别的籽棉含杂图像的分类识别结果；

图8为本发明籽棉的杂质分类识别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明籽棉的杂质分类识别方法的流程示意图。如图1所示，本发明籽棉的杂质分类识别方法包括以下步骤：

步骤100：获取机采籽棉含杂图像形成的数据集。本发明通过采集机采籽棉含杂图像样本，并选取不同角度、不同光照、杂质类型丰富的机采籽棉含杂图像，进行标注制作数据集，标注的类别标签包括：棉枝、铃壳、叶屑、不孕籽、杂草。

步骤200：构建籽棉杂质分类识别模型并确定籽棉杂质分类识别模型的损失函数。籽棉杂质分类识别模型为YOLO v4网络架构的神经网络模型，损失函数为：

Loss＝bbox loss+confidence loss+class loss

式中，Loss为籽棉杂质分类识别模型的损失函数，bbox loss为边界框回归损失函数，confiPence loss为边界框置信度损失函数，class loss为目标分类损失函数。

步骤300：基于损失函数，以darknet53作为架构，采用数据集对籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型。具体过程如下：

(1)将数据集划分为训练集和测试集，并输入训练集训练构建的籽棉杂质分类识别模型，得到训练权重；

(2)利用得到的训练权重对测试集进行测试；

(3)若测试通过，采集新的机采籽棉含杂图像，包括：棉枝、铃壳、叶屑、不孕籽、杂草两两交错遮盖的图像，进行杂质分类识别，并进行标注。

(4)利用当前训练权重对应的籽棉杂质分类识别模型对新的机采籽棉含杂图像进行分类识别。分析籽棉杂质分类识别模型的分类识别结果是否满足需求，训练后的模型对新采集的机采籽棉含杂图像识别分类正确率达90％即为满足需求，否则，为不满足需求。

(5)若不满足，则用K-mean++算法进行锚框的聚类，首先获取数据标记过程中标记的目标边框的宽和高，然后将相近的目标边框尺寸归为一类(即聚类)，将全部数据分为多类，得到多个边框尺寸，即为聚类结果。将聚类结果输入籽棉杂质分类识别模型，返回步骤(1)再次进行训练.

(6)若满足，则将当前的训练权重确定为最佳训练权重，训练完成。

步骤400：获取待识别的籽棉含杂图像。

步骤500：将待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像。具体过程为：将待识别的籽棉含杂图像从RGB通道转换颜色通道至HSV和Lab，从HSV通道分割机采籽棉含杂图像中的深色杂质，从Lab通道分割机采籽棉含杂图像中的浅色杂质，合并HSV通道和Lab通道分割的杂质，得到分割后的杂质图像。后续将分割后的杂质图像输入训练好的籽棉杂质分类识别模型进行杂质分类识别，可以大大提高分类识别的准确度和速度。

步骤600：将分割后的杂质图像输入训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。分类识别结果中对所有的杂质进行标注，且不同的杂质类型采用不同的标注框标注。

下面提供一个具体实施例进一步说明本发明的上述方案。

图2为本发明具体实施例的流程示意图，如图2所示，包括以下步骤：

1)通过固定高清相机对机采籽棉含杂照片进行采集，并选取不同角度、不同光照、杂质类型丰富的机采籽棉含杂图像形成数据集。具体过程如下：

对数据集中的机采籽棉含杂图像按序号重新命名。

统计机采籽棉含杂照片中杂质的类型，并制作类别标签，类别标签包括：棉枝、铃壳、叶屑、不孕籽、杂草。

通过图片标注工具对图片进行数据标注，所标注的信息包括目标边框的位置信息和类别信息，并按照比例8：2将数据集划分成训练集和测试集。

将训练集进行数据增强来生成更多训练样本，增强过程为：调整曝光量、旋转角度、调整饱和度和调整色调。

2)确定YOLO v4网络(籽棉杂质分类识别模型)的损失函数，并设置网络训练参数。

本发明改进后的损失函数如下式所示：

其中，损失函数Loss由边界框回归损失函数、边界框置信度损失函数和目标分类损失函数组成，B表示每个网格产生的候选框anchorbox的个数；I^object为判断候选框是否负责这个物体；CE表示交叉熵损失函数；CB_focal表示改进后的Focal损失函数；p₀、q₀分别表示真实边界框置信度的概率分布和预测边界框置信度的概率分布；p(c)，q(c)分别表示真实目标分类的概率分布和预测目标分类的概率分布；C为类的数量。

损失函数Loss以(1-CIOU)直接作为边界框回归损失函数代替原来的均方差和损失函数。bbox loss如下式所示：

其中，CIOU如下式所示：

其中，v和α如下式所示：

式中，A代表预测框；B代表真实框；R₁，R₂分别代表预测框中心和真实框中心；L为R₁和R₂间的欧式距离；c代表预测框和真值框的最小闭包区域的对角线距离；α是用于平衡比例的参数；v是用来衡量anchor框和目标框之间的比例一致性的参数；w^gt，h^gt分别表示真实框的宽和高；w，h分别表示预测框的宽和高。

损失函数Loss用改进后的以交叉熵损失为基础的Focal损失函数作为边界框置信度损失函数。

Focal损失函数如式：

FL(P_t)＝-α_t(1-P_t)^γln(P_t)

γ为聚焦参数，是一个大于0的超参数；α_t为平衡参数，也是一个超参数，用来控制正负样本对总损失的权重，平衡多类别样本数量；P_t为标签预测概率。

在原始的focal损失函数中，参数α_t和γ一般由人为规定，很难更好的处理高度不平衡的数据。因此引用函数

来替代α_t：

N代表的是所假设的整个空间的体积，因此是β一个超参数。取决于假设的样本空间大小。n代表某一类样本的数量。

类别均衡后的Focal损失函数如式：

代表第i类标签预测概率；n_y代表第y类样本的数量；C为类的数量。

设置网络训练的参数包括：设置.cfg文件，将训练的像素设置为320×320，batch和subdivisions分别设为16和64，根据检测杂质的种类设置迭代次数为10000次，设置学习率的衰减为迭代8000次和9000次，采用policy更新方式，对卷积层的fileters进行修改，网络层激活函数采用mish函数。

3)输入训练集训练YOLO v4网络，得到最佳训练权重。具体过程如下：

输入训练集进行训练YOLO v4网络，得到训练权重；

利用得到的训练权重对测试集进行测试；

采集新的机采籽棉含杂图像，包括：棉枝、铃壳、叶屑、不孕籽、杂草两两交错遮盖的图像。利用当前训练权重对应的YOLO v4网络对新的机采籽棉含杂图像进行分类识别，分类识别结果如图3所示，图中不同杂质采用不同颜色的边界框进行框选，并在边界框左上角用文字进行说明为何种杂质。分析实验结果是否满足需求，训练后的模型对新采集的机采籽棉含杂图像识别分类正确率达90％即为满足需求，否则，为不满足需求。

若不满足，则用K-mean++算法进行锚框的聚类，聚类得到9种锚框尺寸大小分别为：(12，16)，(19，36)，(40，28)，(36，75)，(76，55)，(72，146)，(142，110)，(192，243)，(459，401)将聚类结果输入YOLO v4网络再次进行训练，直至满足，得到最佳训练权重。用最佳模型(即训练好的模型)检测的结果如图4所示，图中不同杂质采用不同颜色的边界框进行框选，并在边界框左上角用文字进行说明为何种杂质。可以看出之前因遮挡未能检测出的棉枝利用最佳模型可以被检测出来。

4)输入机采籽棉含杂照片进行杂质分割，输出分割后的杂质照片。具体过程如下：

输入机采籽棉含杂图像，如图5所示。

对输入照片进行预处理，即对图像进行中值滤波处理去除噪声。

进行杂质区域分割：将机采籽棉含杂图像从RGB通道转换颜色通道至HSV和Lab，从HSV通道分割机采籽棉含杂图像中的深色杂质，从Lab通道分割机采籽棉含杂图像中的浅色杂质，合并HSV通道和Lab通道分割的杂质。

输出机采籽棉含杂图像中所有杂质，如图6所示。

5)将分割后的杂质照片输入改进的机采籽棉杂质分类识别神经网络检测模型，得到检测结果，如图7所示，图中不同杂质采用不同颜色的边界框进行框选，并在边界框左上角用文字进行说明为何种杂质。

基于上述方案，本发明还提供一种籽棉的杂质分类识别系统，图8为本发明籽棉的杂质分类识别系统的结构示意图。如图8所示，本发明籽棉的杂质分类识别系统包括：

数据集获取模块801，用于获取机采籽棉含杂图像形成的数据集。

籽棉杂质分类识别模型构建模块802，用于构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数；所述籽棉杂质分类识别模型为YOLO v4网络模型，所述损失函数包括边界框回归损失函数、边界框置信度损失函数和目标分类损失函数。

训练模块803，用于基于所述损失函数，以darknet53作为架构，采用所述数据集对所述籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型。

待识别的籽棉含杂图像获取模块804，用于获取待识别的籽棉含杂图像。

杂质分割模块805，用于将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像。

分类识别模块806，用于将所述分割后的杂质图像输入所述训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。

作为具体实施例，本发明的籽棉的杂质分类识别系统中，所述籽棉杂质分类识别模型构建模块802，具体包括：

籽棉杂质分类识别模型构建单元，用于构建YOLO v4网络架构的籽棉杂质分类识别模型。

损失函数确定单元，用于确定所述籽棉杂质分类识别模型的损失函数，所述损失函数为：

Loss＝bbox loss+confidence loss+class loss

式中，Loss为籽棉杂质分类识别模型的损失函数，bbox loss为边界框回归损失函数，confidence loss为边界框置信度损失函数，class loss为目标分类损失函数。

作为具体实施例，本发明的籽棉的杂质分类识别系统中，所述训练模块803，具体包括：

数据集划分单元，用于将所述数据集划分为训练集和测试集。

训练单元，用于将所述训练集输入所述籽棉杂质分类识别模型进行训练，得到训练权重。

测试单元，用于采用所述训练权重对所述测试集进行测试。

图像获取单元，用于当所述测试集测试通过时，获取新的机采籽棉含杂图像；所述新的机采籽棉含杂图像包括棉枝、铃壳、叶屑、不孕籽和杂草两两交错遮盖的图像。

分类识别单元，用于利用当前训练后的籽棉杂质分类识别模型对所述新的机采籽棉含杂图像进行分类识别。

正确率判断单元，用于判断新的机采籽棉含杂图像的分类识别结果的正确率是否达到正确率阈值。

锚框更新单元，用于当新的机采籽棉含杂图像的分类识别结果的正确率未达到正确率阈值时，利用K-mean++算法进行锚框的聚类，更新锚框的尺寸，返回所述训练单元，继续对所述籽棉杂质分类识别模型进行训练。

最佳训练权重确定单元，用于当新的机采籽棉含杂图像的分类识别结果的正确率达到正确率阈值时，将当前的训练权重确定为最佳训练权重，得到训练好的籽棉杂质分类识别模型。

作为具体实施例，本发明的籽棉的杂质分类识别系统中，所述杂质分割模块805，具体包括：

颜色通道转换单元，用于将所述待识别的籽棉含杂图像从RGB通道分别转换至HSV颜色通道和Lab颜色通道。

第一色系杂质分割单元，用于从所述HSV颜色通道分割所述待识别的籽棉含杂图像中的第一色系杂质。

第二色系杂质分割单元，用于从所述Lab颜色通道分割所述待识别的籽棉含杂图像中的第二色系杂质；所述第二色系的颜色浅于所述第一色系。

杂质合并单元，用于将所述第一色系杂质和所述第二色系杂质合并，得到分割后的杂质图像。

本发明针对机采籽棉过程中，对混在籽棉中的杂质进行分类和识别。通过采集机采籽棉含杂照片，并进行标注杂质类型，生成数据集，再将数据集输入到改进损失函数的YOLO v4神经网络进行训练，通过k-mean++算法不断优化锚框尺寸，生成符合要求的权重文件。并将机采籽棉含杂照片进行图像处理，去除籽棉背景，分割出杂质照片，将分割后的杂质照片输入训练后的模板，对杂质进行分类识别。本发明以解决现有方法对机采籽棉杂质分类识别速度慢、分类特征不全面、识别不准确等问题。通过对机采籽棉杂质进行分割进而可以去除机采籽棉背景对分类识别的影响，提高检测精度，同时检测速度会更快，也可以读取视频数据，对机采籽棉杂质进行动态检测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种籽棉的杂质分类识别方法，其特征在于，包括：

获取机采籽棉含杂图像形成的数据集；

构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数；所述籽棉杂质分类识别模型为YOLO v4网络模型，所述损失函数包括边界框回归损失函数、边界框置信度损失函数和目标分类损失函数；

基于所述损失函数，以darknet53作为架构，采用所述数据集对所述籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型；具体包括：

(1)将数据集划分为训练集和测试集，并输入训练集训练构建的籽棉杂质分类识别模型，得到训练权重；

(2)利用得到的训练权重对测试集进行测试；

(3)若测试通过，采集新的机采籽棉含杂图像，包括：棉枝、铃壳、叶屑、不孕籽、杂草两两交错遮盖的图像，进行杂质分类识别，并进行标注；

(4)利用当前训练权重对应的籽棉杂质分类识别模型对新的机采籽棉含杂图像进行分类识别；分析籽棉杂质分类识别模型的分类识别结果是否满足需求，训练后的模型对新采集的机采籽棉含杂图像识别分类正确率达90％即为满足需求，否则，为不满足需求；

(5)若不满足，则用K-mean++算法进行锚框的聚类，首先获取数据标记过程中标记的目标边框的宽和高，然后将相近的目标边框尺寸归为一类，将全部数据分为多类，得到多个边框尺寸，即为聚类结果；将聚类结果输入籽棉杂质分类识别模型，返回步骤(1)再次进行训练；

(6)若满足，则将当前的训练权重确定为最佳训练权重，训练完成；

获取待识别的籽棉含杂图像；

将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像；

将所述分割后的杂质图像输入所述训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。

2.根据权利要求1所述的籽棉的杂质分类识别方法，其特征在于，所述构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数，具体包括：

构建YOLO v4网络架构的籽棉杂质分类识别模型；

确定所述籽棉杂质分类识别模型的损失函数，所述损失函数为：

Loss＝bbox loss+confidence loss+class loss

式中，Loss为籽棉杂质分类识别模型的损失函数，bbox loss为边界框回归损失函数，confidence loss为边界框置信度损失函数，class loss为目标分类损失函数。

3.根据权利要求1所述的籽棉的杂质分类识别方法，其特征在于，所述将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像，具体包括：

将所述待识别的籽棉含杂图像从RGB通道分别转换至HSV颜色通道和Lab颜色通道；

从所述HSV颜色通道分割所述待识别的籽棉含杂图像中的第一色系杂质；

从所述Lab颜色通道分割所述待识别的籽棉含杂图像中的第二色系杂质；所述第二色系的颜色浅于所述第一色系；

将所述第一色系杂质和所述第二色系杂质合并，得到分割后的杂质图像。

4.一种籽棉的杂质分类识别系统，其特征在于，包括：

数据集获取模块，用于获取机采籽棉含杂图像形成的数据集；

籽棉杂质分类识别模型构建模块，用于构建籽棉杂质分类识别模型并确定所述籽棉杂质分类识别模型的损失函数；所述籽棉杂质分类识别模型为YOLO v4网络模型，所述损失函数包括边界框回归损失函数、边界框置信度损失函数和目标分类损失函数；

训练模块，用于基于所述损失函数，以darknet53作为架构，采用所述数据集对所述籽棉杂质分类识别模型进行训练，得到训练好的籽棉杂质分类识别模型；具体包括：

数据集划分单元，用于将所述数据集划分为训练集和测试集；

训练单元，用于将所述训练集输入所述籽棉杂质分类识别模型进行训练，得到训练权重；

测试单元，用于采用所述训练权重对所述测试集进行测试；

图像获取单元，用于当所述测试集测试通过时，获取新的机采籽棉含杂图像；所述新的机采籽棉含杂图像包括棉枝、铃壳、叶屑、不孕籽和杂草两两交错遮盖的图像；

分类识别单元，用于利用当前训练后的籽棉杂质分类识别模型对所述新的机采籽棉含杂图像进行分类识别；

正确率判断单元，用于判断新的机采籽棉含杂图像的分类识别结果的正确率是否达到正确率阈值；

锚框更新单元，用于当新的机采籽棉含杂图像的分类识别结果的正确率未达到正确率阈值时，利用K-mean++算法进行锚框的聚类，更新锚框的尺寸，返回所述训练单元，继续对所述籽棉杂质分类识别模型进行训练；

最佳训练权重确定单元，用于当新的机采籽棉含杂图像的分类识别结果的正确率达到正确率阈值时，将当前的训练权重确定为最佳训练权重，得到训练好的籽棉杂质分类识别模型；

待识别的籽棉含杂图像获取模块，用于获取待识别的籽棉含杂图像；

杂质分割模块，用于将所述待识别的籽棉含杂图像进行杂质分割，输出分割后的杂质图像；

分类识别模块，用于将所述分割后的杂质图像输入所述训练好的籽棉杂质分类识别模型，输出杂质的分类识别结果。

5.根据权利要求4所述的籽棉的杂质分类识别系统，其特征在于，所述籽棉杂质分类识别模型构建模块，具体包括：

籽棉杂质分类识别模型构建单元，用于构建YOLO v4网络架构的籽棉杂质分类识别模型；

损失函数确定单元，用于确定所述籽棉杂质分类识别模型的损失函数，所述损失函数为：

Loss＝bbox loss+confidence loss+class loss

式中，Loss为籽棉杂质分类识别模型的损失函数，bbox loss为边界框回归损失函数，confidence loss为边界框置信度损失函数，class loss为目标分类损失函数。

6.根据权利要求4所述的籽棉的杂质分类识别系统，其特征在于，所述杂质分割模块，具体包括：

颜色通道转换单元，用于将所述待识别的籽棉含杂图像从RGB通道分别转换至HSV颜色通道和Lab颜色通道；

第一色系杂质分割单元，用于从所述HSV颜色通道分割所述待识别的籽棉含杂图像中的第一色系杂质；

第二色系杂质分割单元，用于从所述Lab颜色通道分割所述待识别的籽棉含杂图像中的第二色系杂质；所述第二色系的颜色浅于所述第一色系；

杂质合并单元，用于将所述第一色系杂质和所述第二色系杂质合并，得到分割后的杂质图像。

Images