La detección de las tasas de impurezas en el algodón puede reflejar el efecto de limpieza del equipo de eliminación de impurezas del algodón, lo cual desempeña un papel vital en la mejora de la calidad del algodón y los beneficios económicos. Por lo tanto, se están llevando a cabo varios estudios para mejorar la precisión de detección. La tecnología de procesamiento de imágenes se utiliza cada vez más en la detección de impurezas en el algodón, en la cual la tecnología de aprendizaje profundo basada en redes neuronales convolucionales ha mostrado excelentes resultados en clasificación de imágenes, segmentación, detección de objetivos, etc. Sin embargo, la mayoría de estas aplicaciones se centran en detectar fibras extrañas en la mota, lo cual tiene poca importancia para el ajuste de parámetros del equipo de eliminación de impurezas del algodón. Por esta razón, nuestro objetivo fue desarrollar un sistema de detección de impurezas para el algodón en semilla. En la segmentación de imágenes, proponemos un algoritmo de segmentación de fusión de múltiples canales para segmentar la imagen de algodón en semilla recogida por máquina. Recopilamos 1017 imágenes de algodón en semilla recogido por máquina como conjunto de datos para entrenar el modelo de detección y probamos y reconocimos 100 grupos de muestras, con una tasa de reconocimiento promedio del 94.1%. Finalmente, la imagen segmentada por el algoritmo de fusión de múltiples canales se introduce en el modelo de red YOLOv4 mejorado para la clasificación y reconocimiento, y el modelo V-W establecido calcula el contenido de todo tipo de impurezas. Los resultados experimentales muestran que se puede obtener de manera efectiva el contenido de impurezas en el algodón recogido por máquina, y la precisión de detección de la tasa de impurezas puede aumentar en un 5.6%.