我国是棉花生产消费大国,而新疆作为我国主要产棉省份,其棉花的产量和质量对我国棉纺加工行业的健康发展起着关键作用。新疆大规模应用膜下滴灌技术,该方法能够节省灌溉用水,提升肥料利用率,提高棉花产量,然而在机械采收过程中大量的残留地膜会混入籽棉,如果不能及时处理,将会严重影响后续的棉花加工,降低棉纺织品的质量。地膜无色透明且无荧光效应,常规方法很难识别。本文为基于深度学习的籽棉地膜分拣系统研究,提出了一种堆叠自适应加权自动编码器和极限学习机结合的籽棉地膜识别算法。主要的研究内容和成果如下:1.设计了一套籽棉地膜分拣系统,包括籽棉开松装置、地膜检测装置和地膜剔除装置三部分。籽棉开松装置的作用是将棉团打散,方便后续检测识别。地膜检测装置由高光谱图像采集模块和籽棉地膜识别算法模块构成,作用是实现籽棉地膜的识别分类。地膜剔除装置的作用是及时将识别出的地膜剔除。2.归纳了高光谱图像处理中常用的降维和分类方法,采集籽棉地膜高光谱图像(1000-2500nm)样本,分析了光谱特征,预设了分类的类别数(4类:背景、背景上的地膜、籽棉、籽棉上的地膜)。阐述了自动编码器和极限学习机的基本原理,提出了一种自适应加权自动编码器算法,该算法为每个波段赋予不同的权重,抑制噪声的影响,保持高光谱数据的多通道优势,提取具有鲁棒性的特征。为了提高网络性能,级联多个自适应加权自编码器,构造出堆叠自适应加权自编码器提取数据特征,将编码器的最后一层隐含层神经元作为分类器的输入。分类器采用极限学习机,同时利用灰狼优化算法选择极限学习机的隐含层节点数和参数,提高分类精度。对高光谱图像中所有像元进行分类,每一个类别都可以得到相应的概率矩阵,利用形态学方法对每个类别的概率矩阵进行处理,消除部分误识别区域和噪声点,再按照所有类别中的最大概率决定像元的标签,最后对结果按照地膜非地膜两种类别合并为二值化图像,即为最终的分类结果图。经实验测试,本文提出的算法分类总体精度达到了95.58%。3.将算法集成到了分拣系统中,系统配置NVIDIA GTX1060 GPU,并由山东两家公司进行测试,在新疆投入生产。算法运行在Keras深度学习框架中,由NVIDIA并行计算平台CUDA和GPU加速库CUDNN实现。经过反复测试,在产量3t/h的时候,分拣系统的地膜选出率达到95%,满足设计要求,具有推广价值。