一种针对高含杂量原棉的高效异纤清除装置以及清除方法与流程

1.本发明涉及棉花异纤清楚领域，尤其涉及一种针对高含杂量原棉的高效异纤清除装置以及清除方法。


背景技术：

2.在棉纺行业的生产过程中，原棉中的夹杂的异纤会引起纱线断头、布匹瑕疵、染色不均等问题，严重影响产品质量。因此棉花异纤清除机正越来越多的应用于前纺的生产流程中，以去除原棉中的异纤。
3.异纤机的工作原理是整机嵌入生产线中，经充分开松后的棉花由进棉管道导入，在异纤机体内进行检测除杂，出口管道将清洁棉花送入后续工序。
4.受限于工作原理和生产线环境的限制，异纤机工作时，被清除的异纤会带出很多棉花。这些杂棉就是高含杂量的原棉，其中有用棉花纤维含量远高于异纤。经实验统计，杂棉中异纤重量平均占比仅约0.6％。
5.棉纺厂对于这种高含杂量原棉的处理一般有如下几种：直接倒入抓棉机复用、人工挑拣后复用、低价卖给其它厂家。这些处理方法都有其固有缺点。直接倒入抓棉机复用会使异纤一直存在于产线中，并被逐渐撕碎混纺入纱线，影响产品质量。人工挑拣劳动强度大，工作环境恶劣，效率低，增加生产成本。而其它购买这种杂棉进行生产的棉纺厂采用这种原材料也只能生产低质产品。
6.为针对此类含杂量高的杂棉，我们提出了一种针对高含杂量原棉的高效异纤清除装置以及清除方法,来解决上述问题。


技术实现要素：

7.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种针对高含杂量原棉的高效异纤清除装置以及清除方法。
8.为了实现上述目的，本发明采用了如下技术方案：
9.一种针对高含杂量原棉的高效异纤清除装置，包括开松装置，所述开松装置的上方进口处安装有前端储棉箱，所述前端储棉箱与开松装置之间设置有棉花输送装置，所述前端储棉箱的顶部设置有上料装置，所述开松装置的出口处设置有棉流通道，所述棉流通道靠近开松装置的一端两侧对称设置有拍摄组件，所述拍摄组件一侧的棉流通道上安装有对应设置在棉流通道两侧的杂棉收集组件和喷阀组件，所述杂棉收集组件的末端安装有集棉箱，所述棉流通道的末端通过管道连接安装有负压风机组件，所述棉流通道靠近负压风机组件的一端通过管道连接有末端储棉箱。
10.优选的，所述开松装置内设置有由电机驱动的拍打组件和开松辊。
11.优选的，所述末端储棉箱的一侧安装有控制组件。
12.优选的，所述控制组件包括电控箱和显示器。
13.优选的，所述拍摄组件包括光源和成像传感装置。
14.优选的，所述上料装置为上料斗、上料袋或履带上料中的一种。
15.一种针对高含杂量原棉的高效异纤清除方法，包括以下步骤：
16.步骤一：人工将异纤机击出的杂棉倒入上料装置中并存放在前端储棉箱中；
17.步骤二：棉花输送装置将前端储棉箱中的杂棉输送至开松装置中，开松装置中的打手组件和开松辊对杂棉进行开松，开松完成的杂棉进入棉流通道；
18.步骤三：棉流通道在负压风机组件的作用下产生负压气流带动杂棉在棉流通道内朝向末端储棉箱缓慢移动；
19.步骤四：杂棉在经过拍摄组件时通过图像检测算法进行检测；
20.步骤五：图像检测算法检测出杂棉中的杂质位置，在杂棉经过喷发组件时将杂质击向杂棉收集组件；
21.步骤六：剔除杂质的棉流进入末端储棉箱暂存，等待后续加工。
22.优选的，所述图像检测算法具体为：拍摄组件拍摄棉流图像，并输入相邻的两帧图像；通过特征提取网络提取两帧图像之间的特征图并通过匹配网络进行特征匹配；使用上采样网络将压缩后的特征图放大到原始图像输入分辨率；使用两者的预标记位置信息约束训练。
23.优选的，所述约束训练在传统目标检测损失函数基础上修改为矩形框面积交叠损失，其中，传统目标检测损失函数定义为：
[0024][0025]
其中b代表预测得到的目标矩形框个数，代表当前是否包含图像预定义的目标，如果包含即为1，否则为0。另外xi，yi，wi，hi表示当前目标预测得到的坐标信息为图像预定义真值坐标信息。
[0026]
所述矩形框面积交叠损失具体计算方法如下：
[0027]
a、定义真值坐标信息为分别代表矩形框起始横坐标，纵坐标，矩形框宽度，矩形框高度；本次预测坐标信息xi，yi，wi，hi；
[0028]
b、对于预测的矩形框中每个位置的像素点，分别计算坐标面积信息：
[0029]
x＝(xi xi wi)*(yi yi hi)
[0030][0031][0032][0033]
i＝ih*iw[0034][0035][0036]
c、根据坐标的面积信息，定义交叠面积损失函数：
[0037][0038]
d、使用新损失函数训练多尺度异纤检测网络；
[0039]
e、当网络训练在验证机达到90％以上准确率时即可停止训练，并保存模型用于推理端部署。
[0040]
本发明的有益效果为：
[0041]
1、开松装置在开松过程不伤棉花，保持棉花纤维的质量；开松精细，使棉花与杂质充分分离，所开松棉团大小能达到0.01g；不伤异纤，避免异纤被撕碎后混入棉花；
[0042]
2、棉流通道厚度小，棉层薄，使异纤暴露充分，利于检测，整机成本低，占地小；
[0043]
3、使用本装置则能回收利用被前一步工艺异纤机误击出来的杂棉，使棉纺厂适当提高异纤机打击比例，提高产品质量；
[0044]
4、本装置独立运行，不处于前纺生产线中，不存在制约和影响棉流的工序和机械，通道中棉流稳定，整机安装与调试简单；
[0045]
5、棉流稳定，对相机及电子板卡要求低，成像传感装置、喷阀组件配合异纤清除算法能够高速且精准的剔除杂质，比传统异纤机清除精准度提升30倍，降低损耗；
[0046]
6、喷阀采用高频电磁阀，每小时可打击10万次；密集布置，最高密度达50厘米50个阀；打击精度高，带出的棉花极少，对异纤的清除效率95％以上，实验测试异纤能占喷阀击出杂物总重20％以上；
[0047]
7、负压风机能根据生产产量、棉花质量要求以及打击效率，在一定范围内调节棉流速度。
附图说明
[0048]
图1为本发明异纤清除装置的结构示意图；
[0049]
图2为本发明约束训练网络的框架图。
具体实施方式
[0050]
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。
[0051]
参照图1，一种针对高含杂量原棉的高效异纤清除装置，包括开松装置4，开松装置4内设置有由电机驱动的拍打组件和开松辊，开松装置4的上方进口处安装有前端储棉箱2，前端储棉箱2与开松装置4之间设置有棉花输送装置3，前端储棉箱2的顶部设置有上料装置1，上料装置1为上料斗、上料袋或履带上料中的一种，开松装置4的出口处设置有棉流通道5，棉流通道5靠近开松装置4的一端两侧对称设置有拍摄组件6，拍摄组件6包括光源和成像传感装置，拍摄组件6一侧的棉流通道5上安装有对应设置在棉流通道5两侧的杂棉收集组件8和喷阀组件7，杂棉收集组件8的末端安装有集棉箱12，棉流通道5的末端通过管道连接安装有负压风机组件9，棉流通道5靠近负压风机组件9的一端通过管道连接有末端储棉箱10，末端储棉箱10的一侧安装有控制组件11，控制组件11包括电控箱和显示器。
[0052]
本装置在使用时，由人工将异纤机击出的杂棉倒入上料装置1，存入前端储棉箱2，杂棉经棉花输送装置3被送入开松装置4，棉花输送装置3通过调节电机速度来控制喂料速
度，开松装置4内含打手、开送辊等零部件，经由电机带动，对棉花进行开松，随后被开松好的棉花会被送入棉流通道5中，棉流通道5末端由负压风机组件9提供动力，使棉花在通道中形成棉流，棉流通道5两侧安装拍摄组件6进行图像检测，然后异纤经由喷阀组件7击出，杂质被带走进入杂棉收集组件8，最后干净棉花被送入末端储棉箱10，异纤检测和清除过程不伤及棉花纤维，有效能提升棉纺生产的效率，减小劳动强度，降低生产成本，并减少原材料浪费。
[0053]
参照图2，一种针对高含杂量原棉的高效异纤清除方法，包括以下步骤：
[0054]
步骤一：人工将异纤机击出的杂棉倒入上料装置1中并存放在前端储棉箱2中；
[0055]
步骤二：棉花输送装置3将前端储棉箱2中的杂棉输送至开松装置4中，开松装置4中的打手组件和开松辊对杂棉进行开松，开松完成的杂棉进入棉流通道5；
[0056]
步骤三：棉流通道5在负压风机组件9的作用下产生负压气流带动杂棉在棉流通道5内朝向末端储棉箱10缓慢移动；
[0057]
步骤四：杂棉在经过拍摄组件6时通过图像检测算法进行检测；
[0058]
步骤五：图像检测算法检测出杂棉中的杂质位置，在杂棉经过喷发组件7时将杂质击向杂棉收集组件8；
[0059]
步骤六：剔除杂质的棉流进入末端储棉箱10暂存，等待后续加工。
[0060]
参照图2，图像检测算法的具体网络结构如图2所示，图像检测算法具体为：拍摄组件6拍摄棉流图像，并输入相邻的两帧图像；通过特征提取网络提取两帧图像之间的特征图并通过匹配网络进行特征匹配；使用上采样网络将压缩后的特征图放大到原始图像输入分辨率；使用两者的预标记位置信息约束训练。
[0061]
其中低阶特征提取器主要用于异纤边缘、纹理、色彩分布特性等特征的提取，结构设计较为简单，为保证推理端计算效率，网络参数需要满足2的幂级数。本发明设计三个阶段的低级特征提取器，核数目分别为32，64，128，256，表1为低阶特征提取网络结构。
[0062]
表1低阶特征提取网络结构
[0063][0064]
网络后续部分由4个残差模块组成，每一个残差模块分别对应不同的尺度检测，同时也融合了上一个模块的所有特征，进一步增强异纤小目标检测能力。每个残差模块由两组串联卷积组成，结构如表2所示：
[0065][0066]
剩下的卷积部分用于上采样处理，卷积核大小均为3，步长为1，填充为1，带最大池化层用于下采样。反卷积部分均使用卷积核大小4，步长为2，填充为1的上采样操作，使特征融合阶段的特征参数保持一致。
[0067]
相对于经典的基于卷积神经网络目标检测方法，本发明由于输入图像分辨率的固定，不需要设计太多锚框，在各尺度上保持1～2倍分辨率的锚框即可，此方法可以进一步减少运算时间。
[0068]
所述约束训练在传统目标检测损失函数基础上修改为矩形框面积交叠损失，其中，传统目标检测损失函数定义为：
[0069][0070]
其中b代表预测得到的目标矩形框个数，代表当前是否包含图像预定义的目标，如果包含即为1，否则为0。另外xi，yi，wi，hi表示当前目标预测得到的坐标信息为图像预定义真值坐标信息。
[0071]
所述矩形框面积交叠损失具体计算方法如下：
[0072]
a、定义真值坐标信息为分别代表矩形框起始横坐标，纵坐标，矩形框宽度，矩形框高度；本次预测坐标信息xi，yi，wi，hi；
[0073]
b、对于预测的矩形框中每个位置的像素点，分别计算坐标面积信息：
[0074]
x＝(xi xi wi)*(yi yi hi)
[0075][0076][0077][0078]
i＝ih*iw[0079][0080][0081]
c、根据坐标的面积信息，定义交叠面积损失函数：
[0082][0083]
d、使用新损失函数训练多尺度异纤检测网络；
[0084]
e、当网络训练在验证机达到90％以上准确率时即可停止训练，并保存模型用于推理端部署。
[0085]
网络训练中结合本发明采集的图像特征，使用随机亮度、随机旋转以及随机翻转等数据增广方法，增加样本多样性。由于色彩特性主要用于区分异纤图像与非异纤图像，网络训练中不使用任何色彩方面的增广方法，避免网络训练进入不可收敛状态。为了提高异纤目标检测的实时能力，本发明中网络可以更改为深度可分离卷积，参数量降低为正常卷积的1/4，同时计算效率提高120％，性能下降约为1.4％，仍能满足本发明装置现场使用需求。
[0086]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0087]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0088]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。