文/李晓慧 曹仲庆 陈智勇 孙居娟 黄鹏羽 高万昌 王宇昊 张志峰

新的棉花质量检测标准GB 1103.1—2012中定义了轧工质量：籽棉经过加工后，皮棉外观形态粗糙及所含疵点种类的程度。轧工质量指标分成好、中、差3个级别，分别用P1、P2、P3表示。在影响棉花质量的诸多指标参数中，棉花轧工质量这一指标是目前仪器化公证检验工作中唯一依靠人工感官的指标。根据新国标的分档条件制作的实物标准是人工判定的主要依据。但技术人员人工进行轧工质量的等级判定，容易受人为因素影响，检测效率较低，人工成本较高[1]。

国内外学者提出了多种方法进行轧工质量等级的检测，张志峰等人提出基于光电检测技术的皮棉疵点快速检测方法的研究，检测准确率在87%到96%之间[2]。陈光亭使用了基于数字图像处理的棉花轧工质量分级识别算法，其识别准确率达92%[3]。肖春燕提出一种基于BP神经网络的皮棉轧工质量分级模型，总体分级准确率为97.5%[4]。几年来，由于卷积神经网络在分类识别领域的卓越表现和工业领域的大范围应用，逐渐成为主流的识别模型[5-6]。Laila Azizah等人使用卷积神经网络对山竹果表面质量进行了分类，平均准确率达到了97%，个别类比分类准确率达到了100%。Jing J F等人则是使用了卷积神经网络对纺织部的缺陷和疵点进行了检测，其检测准确率为97.31%。

本文首先配置了适用于深度学习的计算机硬件，制作用于训练的数据集，研究通过深度学习技术对棉花轧工质量进行快速准确的识别检测，搭建有效区分棉花质量等级的机器视觉系统，从而取代现有的人工检测的方法，提高检测效率，降低检测成本。……