如何精准识别长绒棉中的难检异物？

新疆长绒棉因品质优良广泛应用于高端纺织品生产，但在机械采摘、加工过程中易混入塑料薄膜、棉铃壳、头发、聚丙烯纤维等异物。目前，我国长绒棉清洁主要依赖人工分拣，工人长期工作易视觉疲劳，导致检测准确性和一致性下降。传统异物识别技术多依赖RGB图像颜色特征或荧光反应，但白色、透明或与棉纤维颜色相近的异物（如塑料薄膜、白色包装绳）难以区分，无色透明且无荧光反应的塑料薄膜更是给分类带来挑战。那么，如何精准识别长绒棉中这些难检测的异物纤维，提升分拣效率与自动化水平呢？

聊城大学机械与汽车工程学院赵岭副教授等提出了一种基于高光谱成像与PCA-AlexNet模型的智能识别方法，为解决这一难题提供了新方案。相关文章已发表于《农业科学与工程前沿》（英文）（DOI: 10.15302/J-FASE-2025639）。

研究创新性地将高光谱成像技术与深度学习模型融合。高光谱成像能同时捕捉物体的空间和光谱信息，每个像素包含多个波段的反射率数据，形成连续的光谱曲线，可区分颜色相近的异物。研究团队首先通过主成分分析（PCA）对高光谱数据进行降维，为每种异物筛选出最优特征波段，减少数据冗余并缩短模型训练时间。随后，他们对经典的AlexNet卷积神经网络进行参数微调，利用筛选后的特征波段数据训练模型，最终确定最优模型为PCA-AlexNet-23。

实验结果显示，PCA-AlexNet-23模型在多类异物识别中表现优异：总体准确率达97.2%，平均准确率95.2%，Kappa系数93.1%，均优于支持向量机、人工神经网络、LDA-VGGNet等传统模型。在实际分拣测试中，异物去除率超过85%。该模型尤其擅长识别白色、透明或与棉纤维颜色相似的异物，解决了传统方法对这类纤维识别能力不足的问题。

PCA技术通过保留数据中最关键的特征信息，有效降低了高光谱数据的维度，避免了冗余信息干扰；而优化后的AlexNet模型则能自动提取光谱和空间联合特征，提升分类精度。相比3D卷积神经网络参数多、训练耗时的缺点，该模型采用2D卷积结构，在保证精度的同时减少了计算成本。

目前新疆长绒棉机械化采收和加工技术尚处于起步阶段，该方法为长绒棉异物的自动化分拣提供了核心技术支撑，有助于减少人工依赖，提高生产效率。未来，研究团队计划进一步扩大异物种类数据集，优化数据预处理技术，并探索多源数据融合方法，以持续提升高光谱多目标识别算法的性能，推动新疆长绒棉产业向高效、全自动机械化方向发展。