一种原棉疵点及杂质检测与识别方法及系统与流程

本发明涉及纤维检测技术领域，尤其涉及一种原棉疵点及杂质检测与识别方法及系统。

背景技术

原棉有害疵点及杂质主要包括不孕籽、索丝、软籽表皮、带纤维籽屑、僵片、棉结以及化学纤维、丝、毛发、塑料绳、麻、有色纤维等。在我国，对于原棉杂质及疵点的剔除大多数的棉纺企业目前仍采用人工分拣的方式，需要依靠工人进行逐个的棉包拆分挑拣，不仅工作量繁重、耗时耗力、效率低下，且检出效果受人为因素影响颇大。一般来说，人工分拣原棉杂质疵点要求专门设置一个较大的场地，工人的数量与熟练程度要配合得当，这样就使得财力投入增加；而且工人因高强度的重复同一动作，其主观情绪会产生一定幅度的波动并出现不同程度的视觉疲劳；同时分拣后的棉花还需要再次打包才能投入纺纱环节使用，这一过程较为繁琐复杂。尤其是对于大型棉纺织企业来说，每天需分拣的棉花数不胜数，如此庞大的工作量更是使得人工分拣困难重重。

目前关于原棉异物检测方面的研究方法很多，采用的方法及技术手段主要包括光谱分析技术、紫外光照射检测、超声波技术、近红外成像技术、传感器技术、x光透射、机器视觉技术以及可见光ccd成像等。相对于人工视觉分拣来说，机器能够感知的范围更加宽广，不论是检测速度还是效果均较人工分拣迅速合理，在这方面欧美一些国家的技术就较为成熟完善，研制出了相关的原棉异物检测仪，例如瑞士jossisystem公司的异纤检出机visionshieldinspect4和magiceyem1、德国特吕次勒纺织有限公司的异物排除器securomatscfo、意大利loptex公司的光电超声波原棉除杂机single、tandem和h.p.三个系列，此外亚洲做的比较好的主要有印度普瑞美公司的异纤维清除机fibrei，中国经纬纺织机械有限公司的异性纤维分拣机jwf0011和异纤微尘分离机jwf1051。

超声波技术虽能识别各种异纤，但其检出速度较慢，而且无法检出面积较小的异性纤维；利用光学感应技术可识别出大小不同的异性纤维，但仅仅局限于有色杂质，对于透明的或是白色的异纤却无法识别；国外的机器视觉检测技术对纤细的原棉杂质和白色疵点的检测效果并不明显，不适合我国的棉花含杂情况。

在学术研究方面，金守峰等人利用高性能ccd摄像机在matlab图像处理技术的基础上完成实现了棉花异性纤维的检测和识别。计算机根据ccd摄像机采集到的原棉异纤原始图片提取相关参数，利用canny算法和双阈值结合的方法对原棉中的异纤进行边缘检测，并采用重心定位法获得原棉异纤的大致位置；tae等选取彩色ccd摄像机采集棉花杂质图片，根据8邻域算法，选择合适的阈值识别原棉中的植物性杂质，多为碎叶或种皮，并可计算杂质的数量及分布。虽然以上学者能大致对原棉杂质进行定位与数量统计，但是在原棉疵点及杂质的准确识别方面还需继续深入研究。

技术实现要素：

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种原棉疵点及杂质检测与识别方法及系统。

本发明解决上述技术问题的技术方案如下：一种原棉疵点及杂质检测与识别方法，包括以下步骤：

步骤1：照射样棉上下表面，采集照射后的样棉上下表面的彩色图像；

步骤2：对所述彩色图像进行预处理，得到灰度图像；

步骤3：对所述灰度图像进行图像处理，得到目标图像；

步骤4：提取所述目标图像的特征值，并将所述目标图像的特征值与预设数据库进行比对，得到疵点及杂质的识别结果并显示。

本发明的有益效果是：通过计算机对原棉图像的采集，对彩色图像进行预处理，对预处理后的灰度图像进行图像处理，获得清晰的目标图像，提取目标图像中的有效特征值对原棉所含疵点及杂质进行识别，对原棉疵点及杂质的检测和识别速度快，检测准确率高，能识别多种类型的原棉疵点及杂质，消除人工分拣的弊端，降低检测和识别成本。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步：所述步骤2中预处理的具体步骤为：

步骤21：采用加权平均值法对步骤1中的所述彩色图像进行灰度化处理，提取所述彩色图像的r、g、b三个通道分量，并对所述r、g、b三个通道分量进行加权平均，得到初始灰度图像gray(i,j)；

步骤22：采用直方图增强处理方法增强所述初始灰度图像gray(i,j)的对比度，得到中间灰度图像z(i,j)；

步骤23：采用中值滤波对所述中间灰度图像z(i,j)进行噪声去除处理，得到所述灰度图像。

上述进一步方案的有益效果是：采用加权平均值法对r、g、b三分量进行加权平均能得到较合理的灰度图像，采用直方图增强处理方法形成全局的直方图，增强灰度图像的局部对比度，使图像变清晰，凸显出目标图像的灰度级，方便了后续的图像处理。

进一步，所述步骤22具体为：

步骤221：对所述初始灰度图像gray(i,j)进行一次直方图均衡化处理，绘制灰度直方图；

步骤222：采用直方图规定化方法对所述灰度直方图进行修正，得到所述中间灰度图像z(i,j)。

上述进一步方案的有益效果是：采用直方图均衡化和直方图规定化方法形成全局的直方图，增强灰度图像的局部对比度，使图像变清晰，凸显出目标图像的灰度级，方便了后续的图像处理。

进一步，所述步骤3的具体步骤为：

步骤31：采用自适应阈值图像分割法所述灰度图像进行图像分割，得到分割灰度图像t(i,j)；

步骤32：采用边缘检测算子对所述分割灰度图像t(i,j)进行边缘检测，得到边缘灰度图像y(i,j)；

步骤33：采用腐蚀和膨胀操作对所述边缘灰度图像y(i,j)进行形态学处理，得到所述目标图像。

上述进一步方案的有益效果是：对图像进行对比度增强和改善、图像分割、边缘检测及目标图像的填充修补，可以保证获得清晰的原棉疵点及杂质的图像。

进一步：所述步骤31中采用基于meanshift算法的自适应阈值图像分割法。

上述进一步方案的有益效果是：meanshift算法的运动轨迹是一条趋向于收敛点的平滑路线，通过meanshift算法进行模点搜索、模点聚类和兼并小区域，对目标图像中不同的目标区域进行准确的分割，且图像分割的处理运算速度快，可以得到比较平滑清晰的图像，并且可以有效避免分割的结果过于细碎，保证得到较清晰的原棉疵点及杂质的目标图像。

进一步：所述步骤32具体步骤为：

步骤321：利用二维高斯滤波模板对所述分割灰度图像t(i,j)进行噪声去除处理，得到平滑图像；

步骤322：利用一阶差分偏导计算所述平滑图像的灰度在x、y方向的偏导数，得到所述平滑图像的灰度的梯度幅值和梯度方向；

步骤323：采用非极大值抑制法，对所述平滑图像的边缘点进行精确定位并细化边缘，得到非极大值抑制图像n(i,j)；

步骤324：利用双阈值算法检测所述非极大值抑制图像n(i,j)的边缘，得到所述边缘灰度图像y(i,j)。

上述进一步方案的有益效果是：采用高斯滤波、一阶差分偏导计算、非极大值抑制法以及双阈值算法的步骤进行边缘检测，运算速度快，不受方向性以及噪声的限制，精度高，除了增强边缘强度，还可以细化边缘，无需额外的细化边缘的操作，就可以得到较清晰精确的边缘灰度图像y(i,j)。

进一步：所述步骤4中的特征值包括所述目标图像的离心率和所述目标图像的面积周长比，所述预设数据库存储有包含疵点及杂质的离心率与所述疵点及杂质的面积周长比的关系表。

上述进一步方案的有益效果是：通过大量实验得知，不同疵点及杂质的离心率与面积周长比的相关性存在一定的规律，通过疵点及杂质的离心率与面积周长比一一对应的关系表，计算出目标图像的离心率以及面积周长比，并与关系表进行比对，可以得到疵点及杂质的识别结果。由于棉花疵点及杂质种类多，形态复杂，不同类型的疵点及杂质的特征不同，传统的对疵点及杂质的识别方式需要针对不同类型的疵点及杂质设定不同的识别方式，或采用不同的阈值来识别，而本发明的识别方式无需设定不同的识别方式或阈值，即可很好地识别出不同类型的疵点及杂质，检测与识别准确率高，速度快，实用性高。

为了解决本发明的技术问题，还提供了一种原棉疵点及杂质检测与识别系统，包括图像采集单元、图像处理单元、图像提取单元、识别单元和显示单元；

所述图像采集单元，用于对样棉上下表面进行照射，并采集照射后的所述样棉上下表面的彩色图像；

所述图像处理单元，用于将采集到的所述彩色图像进行预处理，得到灰度图像，还用于将所述灰度图像进行图像处理，得到目标图像；

所述提取单元，用于提取所述目标图像的特征值；

所述识别单元，用于将所述目标图像的特征值与数据库进行比对，获取疵点及杂质的识别结果；

所述显示单元，用于显示所述疵点及杂质的识别结果。

本发明的有益效果是：通过图像采集单元采集样棉表面的彩色图像，将采集到的图像发送至图像处理单元，经过处理后得到目标图像，并通过提取单元提取目标图像的特征值，由识别单元进行识别，最终由显示单元显示所得到的识别结果，完成对疵点的检测与识别，检测和识别速度快，检测准确率高，能识别多种类型的原棉疵点及杂质，消除人工分拣的弊端，降低检测和识别成本。

进一步，所述图像采集单元包括照射单元、透射单元和图像采集子单元；

所述照射单元用于照射所述样棉的上表面；

所述透射单元用于照射所述样棉的下表面；

所述图像采集子单元用于采集照射后的所述样棉的上表面和所述样棉的下表面的所述彩色图像；

上述进一步方案的有益效果是：通过照射单元产生不同波长的光对样棉的上表面进行照射，并通过透射单元作为补充光源，对样棉的下表面进行照射，保证样棉的所有部位都能被照射到，避免图像中出现阴影部分，再通过图像采集子单元采集照射到样棉上下表面的彩色图像，得到的彩色图像画面较完整、清晰。

进一步：所述图像处理单元包括灰度化单元、对比度增强单元、滤波单元、图像分割单元、边缘检测单元和形态学处理单元；

所述灰度化单元，用于采用加权平均值法对所述彩色图像进行灰度化，得到初始灰度图像gray(i,j)；

所述对比度增强处理单元，用于采用直方图增强处理方法对所述初始灰度图像gray(i,j)进行对比度处理增强，得到中间灰度图像z(i,j)；

所述滤波单元，用于采用中值滤波法对所述中间灰度图像z(i,j)进行噪声去除处理，得到所述灰度图像；

所述图像分割单元，用于采用meanshift算法对所述灰度图像进行图像分割，得到分割灰度图像t(i,j)；

所述边缘检测单元，用于采用边缘检测算子对所述分割灰度图像t(i,j)进行边缘检测，得到边缘灰度图像y(i,j)；

所述形态学处理单元，用于采用腐蚀和膨胀操作对所述边缘灰度图像y(i,j)进行填充修补，得到所述目标图像。

上述进一步方案的有益效果是：通过图像处理单元中的灰度化单元、对比度增强单元、滤波单元、图像分割单元、边缘检测单元和形态学处理单元，对图像进行灰度化、直方图增强处理、中值滤波、基于meanshift算法的图像分割、边缘检测和腐蚀膨胀操作等一系列处理，可以保证得到清晰平滑的目标图像，便于后续的识别工作，提高检测和识别精度。

附图说明

图1为本发明的一种原棉疵点及杂质检测与识别方法的流程示意图；

图2-1为本发明的一个实施例中采用3*3邻域平均滤波后的图像效果图；

图2-2为本发明的一个实施例中采用3*3邻域维纳滤波后的图像效果图；

图2-3为本发明的一个实施例中采用3*3邻域中值滤波后的图像效果图；

图3-1为本发明的一个实施例中采用7*7邻域平均滤波后的图像效果图；

图3-2为本发明的一个实施例中采用7*7邻域维纳滤波后的图像效果图；

图3-3为本发明的一个实施例中采用7*7邻域中值滤波后的图像效果图；

图4为本发明一种原棉疵点及杂质检测与识别系统的一个实施例的结构示意图。

附图中，各标号所代表的部件列表如下：

1、图像采集子单元，2、照射单元，3、透射单元，4、样品台，5、透光板，6、样棉，7、镜头，8、显示器，9、处理器，10、数据线。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

下面结合附图，对本发明进行说明。

实施例一、如图1所示，为本发明的一种原棉疵点及杂质检测与识别方法的流程示意图，包括以下步骤：

s1：照射样棉上下表面，采集照射后的所述样棉上下表面的彩色图像；

s2：对所述彩色图像进行预处理，得到灰度图像；

s3：对所述灰度图像进行图像处理，得到目标图像；

s4：提取所述目标图像的特征值，并将所述目标图像的特征值与预设数据库进行比对，得到疵点及杂质的识别结果并显示。

本实施例中通过计算机对原棉图像的采集，对所述彩色图像进行预处理，对预处理后的灰度图像进行图像处理，获得清晰的目标图像，提取所述目标图像的有效特征值对原棉所含疵点及杂质进行识别，对原棉疵点及杂质的检测和识别速度快，检测准确率高，能识别多种类型的原棉疵点及杂质，消除人工分拣的弊端，降低检测和识别成本。

优选地，所述s2中预处理的具体步骤为：

s21：采用加权平均值法对步骤1中的所述彩色图像进行灰度化处理，提取所述彩色图像的r、g、b三个通道的分量，并对所述r、g、b三个通道分量进行加权平均，得到初始灰度图像gray(i,j)，其中，所采用的加权平均公式为：

gray(i,j)＝0.3r(i,j)+0.59g(i,j)+0.11b(i,j)

其中，r(i,j)为所述彩色图像的r通道分量，g(i,j)为所述彩色图像的g通道分量，b(i,j)为所述彩色图像的b通道分量；

根据经验值，采用加权平均值法对r、g、b三分量进行加权平均能得到较合理的初始灰度图像gray(i,j)。

s22：采用直方图增强处理方法增强所述初始灰度图像gray(i,j)的整体对比度，得到中间灰度图像z(i,j)；

s23：采用中值滤波对所述中间灰度图像z(i,j)进行噪声去除处理，得到所述灰度图像。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，它将图像中每一像素点的灰度值用该点某邻域内所有像素点灰度值的中值来代替，让周围的像素值接近真实值，从而消除孤立的噪声点，而且中值滤波对图像的边缘有较好的保护作用，解决了多数线性滤波在去噪的同时模糊图像这一缺点，获得了较好的图像复原效果。

本实施例采用7*7邻域的二维模板，得到二维中值滤波输出图像，即为所述灰度图像：

f(i,j)＝med{z(i-k,j-l),(k,l∈w)}

其中，采用7*7邻域的二维模板是经过多次试验后的优化值，参见图2-1、2-2、2-3、3-1、3-2、3-3所示。在实验中分别采用了3*3邻域的二维模板和7*7邻域的二维模板，分别使用平均滤波、维纳滤波和中值滤波进行滤波实验，图2-1为采用3*3邻域平均滤波后的图像效果图，图2-2为采用3*3邻域维纳滤波后的图像效果图，图2-3为采用3*3邻域中值滤波后的图像效果图，图3-1为采用7*7邻域平均滤波后的图像效果图，图3-2为采用7*7邻域维纳滤波后的图像效果图，图3-3为采用7*7邻域中值滤波后的图像效果图。实验结果显示在3*3邻域内，平均滤波后图像仍存在噪声，而中值滤波的效果却很好，既消除了噪声，又平滑了图像；在7*7的邻域，平均滤波存在模糊了图像的现象，但中值滤波的效果却极佳；再对中值滤波的两个邻域做比较，可以很直观的看到，采用7*7邻域时，消噪和平滑的效果均较3*3邻域的要好，所以采用7*7邻域中值滤波对原棉图像进行去噪处理。

优选地，所述s22具体为：

s221：对所述初始灰度图像gray(i,j)进行一次直方图均衡化处理，得到均衡化后各像素的灰度值sk，对sk进行舍入处理，确定均衡化后的灰度级别，并计算对应每个sk的像素数目，绘制灰度直方图；其中，所述各像素的灰度值sk的公式为：

其中，rj为所述初始灰度图像gray(i,j)的灰度级，nj为各灰度级的像素数目，pr(rj)为均衡化后各灰度级的概率密度；

因为直方图均衡化处理之后，原来比较少像素的灰度会被分配到别的灰度去，像素相对集中，处理后灰度范围变大，对比度变大，清晰度变大，所以能有效增强图像。通过这种方法，亮度可以更好地在直方图上分布，可以用于增强局部的对比度而不影响整体的对比度。

s222：采用直方图规定化方法对所述灰度直方图进行修正，得到所述中间灰度图像z(i,j)；

对图像进行直方图规定化操作，以便能够有目的地对图像中的某些灰度级分布范围内的图像加以增强，原始图像的直方图和期望图像的直方图是已知的，pr(r)为本实施例中原始图像进行一次均衡化的灰度分布的概率密度函数，pz(z)为期望图像的灰度分布的概率密度函数，对s221中所得灰度直方图进行修正，使之具有pz(z)所表示的形状，具体实现如下：

s2221：将s221中的各灰度的公式写成函数积分函数形式：

s2222：对期望图像用s221中所述的直方图均衡化处理方法，得到变换函数：

其逆过程为：

z＝g^-1(u)

s2223：由于上述是对同一图像的均衡化，处理后的原始图像的概率密度函数及期望图像的概率密度函数是相等的，所以s＝u，且z＝g^-1(u)＝g^-1(t(r))，所得的各灰度的图像即为所述中间灰度图像z(i,j)。

优选地，s3的具体步骤为：

s31：采用自适应阈值图像分割法所述灰度图像进行图像分割，得到分割灰度图像t(i,j)；

s32：采用边缘检测算子对所述分割灰度图像t(i,j)进行边缘检测，得到边缘灰度图像y(i,j)；

s33：采用腐蚀和膨胀操作对所述边缘灰度图像y(i,j)进行形态学处理，得到所述目标图像。

对图像进行对比度增强和改善、图像分割、边缘检测及目标图像的填充修补，可以保证获得清晰的原棉疵点及杂质的图像。

所述s31中采用基于meanshift算法的自适应阈值图像分割法。

为获得较清晰的灰度图像，需要对图像进行分割处理。一副图像的特征点至少可以提取出五维(x，y，r，g，b)，包括二维坐标空间(x，y)空间和三维颜色空间(r，g，b)，而采用meanshift算法实际就是寻找这五维空间的模点，由于不同的点最后会收敛到不同的峰值，所以这些点就形成了一类，完成了图像分割的目的。meanshift算法具有独特的优点，其向量具有收敛性能，它的运动轨迹是一条趋向于极值点的平滑路线，在meanshift算法搜索模点(极值点)时，两个具有连续的向量间的夹角一般都不大于90°，能够促使其运动的稳定性增强，meanshift算法相对平稳的运动可促使图像分割的处理运算速度加快，得到图像描述和分析所需要的清晰稳定的目标区域信息。同时，meanshift算法不仅可以对不同的目标区域进行准确的分割，更重要的是这种算法可以有效避免分割的结果过于细碎，能够得到较为清晰的原棉疵点及杂质图像。具体实现步骤为现有技术，这里不再赘述。

优选地，所述s32具体步骤为：

s321：利用二维高斯滤波模板对所述分割灰度图像t(i,j)进行噪声去除处理，得到平滑图像；

由于自适应阈值分割后的图像边缘性不佳，而图像边缘通常包含着一些有关图像的特征值提取及目标识别的重要信息，因此需要增强图像边缘的强度。由于噪声也集中于高频信号，很容易被识别为伪边缘，因此首先应用高斯滤波去除噪声，降低伪边缘的识别。高斯滤波为现有技术，具体不再赘述。

s322：利用一阶差分偏导计算所述平滑图像的灰度在x、y方向的偏导数，得到所述平滑图像的灰度的梯度幅值和梯度方向：

其中，gx和gy分别为所述平滑图像的灰度在x和y方向上的偏导数；

s323：采用非极大值抑制法，对所述平滑图像的边缘点进行精确定位并细化边缘，得到非极大值抑制图像n(i,j)；

由于梯度幅值大致位于四个方向，分别代表水平、垂直和两个对角线(0°,45°,90°,135°)，将当前像素点的灰度的梯度幅值与其正负梯度方向上的像素点的灰度的梯度幅值进行比较，若当前像素点的梯度幅值最大，则保留其值，即为图像边缘点，否则抑制，将其灰度梯度值置0，即为图像背景。

s324：利用双阈值算法检测所述非极大值抑制图像n(i,j)的边缘，设高阈值为τ1，低阈值为τ2，将所述非极大值抑制图像n(i,j)中的像素点的梯度幅值与双阈值进行比较判定，获取所述边缘灰度图像y(i,j)。

具体比较判定方法如下：

将所述非极大值抑制图像n(i,j)中的像素点的梯度幅值与双阈值进行比较判定，则梯度幅值大于τ1的像素点为图像边缘(强边缘点)，梯度幅值小于τ2的像素点为图像背景，当所述非极大值抑制图像n(i,j)中像素介于τ1和τ2之间，则查看其邻接像素的梯度幅值是否存在大于τ1的像素点，若存在则为图像的弱边缘点，若不存在则为图像背景，从而得到具有定位精确的边缘的图像。累计直方图计算双阈值为现有技术，具体不再赘述。

优选地，所述步骤s324之后还包括：

s325：滞后边界跟踪，具体实现如下：

s3251：获得所有弱边缘点的8连通域图像；

s3252：采用广度优先算法或者深度优先算法对所述弱边缘点的8连通域图像进行搜索，若所述弱边缘点的8连通域图像中的一条连通的弱边缘存在一个像素点与强边缘点连通，则保留所述连通的弱边缘，否则抑制。

由于弱边缘点可能是真的边缘，也可能是噪声或颜色变化引起的，为得到精确的边缘，需要将噪声或颜色变化引起的弱边缘点抑制掉，通过滞后边界跟踪，可以获得边缘更为精确的边缘灰度图像y(i,j)。广度优先算法和深度优先算法为现有技术，具体不再赘述。

优选地，所述s4中的特征值包括所述目标图像的离心率和所述目标图像的面积周长比，所述预设数据库存储有包含疵点及杂质的离心率与对应的所述疵点及杂质的面积周长比的关系表。

所述关系表经过大量实验获得，具体参见表1：

表1疵点及杂质的离心率与面积/周长的关系表

离心率是数学上用以表述椭圆对与它同参考点的正圆的偏离程度，在几何学上的概念就被形象的表述为一条封闭的曲线段在其主轴方向上的高矮胖瘦程度，反映到图像学中即表示物体形状的扁圆状态，而利用目标图像的面积与周长做除法运算所得的数值存在一定的范围规律。通过大量实验得知，不同疵点及杂质的离心率与面积周长之比的相关性存在一定的规律，因此本实施例根据实验结果建立疵点及杂质的离心率与面积周长之比一一对应的关系表，计算目标图像的离心率以及面积与周长之比，并与关系表进行比对，可以得到疵点及杂质的识别结果。由于棉花疵点及杂质种类多，形态复杂，不同类型的疵点及杂质的特征不同，传统的对疵点及杂质的识别方式需要针对不同类型的疵点及杂质设定不同的识别方式，或采用不同的阈值来识别，而本实施例的识别方式无需设定不同的识别方式或阈值，即可很好地识别出不同类型的疵点及杂质，检测与识别准确率高，速度快，实用性高。

本实施例s3中对边缘灰度图像采用腐蚀操作，是为了消除边缘灰度图像中的边缘的毛刺，平滑图像的边界，而采用膨胀操作，是为了将边缘灰度图像中的边缘或者内部的坑填掉，平滑边界，因此采用腐蚀和膨胀操作，可以获得更加平滑的目标图像，其操作方法为现有技术，具体不再赘述。

实施例二、如图4所示，为本发明一种原棉疵点及杂质检测与识别系统的一个实施例的结构示意图，包括检测箱和终端；所述检测箱上端设有图像采集子单元1，所述图像采集子单元1用于采集照射后的样棉上下表面的彩色图像，所述检测箱中部设有照射单元2，所述透射单元照射单元2用于照射所述样棉的上表面，所述检测箱底部设有透射单元3，所述透射单元3用于照射所述样棉的下表面，所述检测箱的下部设有样品台5，所述样品台4上设有透光板5，样棉6放置在所述透光板5上；

所述终端包括显示器8和处理器9，所述处理器9用于对所述彩色图像进行预处理，得到灰度图像，所述处理器9还用于对所述灰度图像进行图像处理，得到目标图像，所述处理器9还用于提取所述目标图像的特征值，并将所述目标图像的特征值与预设数据库进行比对，获取疵点及杂质的识别结果；所述显示器8用于显示所述疵点及杂质的识别结果；

所述显示器8与所述处理器9电连接，所述图像采集子单元1通过数据线10与所述处理器9电连接，所述照射单元2和所述透射单元3均与所述处理器9电连接。

通过检测箱内的照射单元产生不同波长的光对样棉进行照射，并通过检测箱底部的透射单元作为补充光源，保证样棉的所有部位的都能被照射到，避免图像中出现阴影部分，再通过检测箱上部的图像采集子单元采集照射到样棉表面的彩色图像，通过数据线将采集到的彩色图像传输至终端，终端对图像进行处理分析后，获得目标图像所对应的疵点类型，从而实现对原棉疵点及杂质的检测与识别，检测和识别速度快，检测准确率高，能识别多种类型的原棉疵点及杂质，消除人工分拣的弊端，降低检测和识别成本。

优选地，所述图像采集子单元1为ccd摄像机，所述ccd摄像机上设有镜头。

采用ccd摄像机灵敏度高，体积小，寿命长，抗震动效果极佳，所采集到的图像畸变小、画面清晰。

优选地，所述照射单元2为两组led灯，所述两组led灯分别设置在所述检测箱中部的两侧。

两组led灯设置在样棉斜上方的两侧，以其光源能最大范围覆盖样棉为准，通过设置在检测箱中部两侧的两组led灯，保证led灯能最大限度地照射到样棉表面的所有部位，使得采集到的图像更全面。

优选地，所述透射单元3以所述透光板5的中轴线为基准线，平均分布设置在所述检测箱底部。

通过检测箱底部平均分布的透射单元对样棉的补充照射，以最大限度地覆盖到样棉表面的全部部位，避免所采集到的彩色图像中出现阴影部分。

本实施例中的原棉疵点及杂质检测与识别系统包括电源，所述图像采集子单元1、所述照射单元2、所述透射单元3、所述显示器8和所述处理器9均与所述电源电连接。通过电源为图像采集子单元、照射单元、透射单元、显示器和处理器持续供电。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。