棉花污染物尺寸小、種類(lèi)多，其染色性能與棉花有很大差異，是影響棉紡織品品質(zhì)的瓶頸問(wèn)題[1]。當(dāng)前主要采用人工剔除，但主觀(guān)性強(qiáng),勞動(dòng)成本高,且檢出率低[2]。

    國(guó)內(nèi)外學(xué)者研究利用機(jī)器視覺(jué)系統(tǒng)檢測(cè)污染物[3-5]，目前采用灰度閾值法識(shí)別棉花圖像較為主流[3-4]。由于目標(biāo)在整幅圖像中所占比例非常小，且與背景顏色相似，灰度直方圖呈單峰特性[4]，分割前需輔以圖像增強(qiáng)方法和預(yù)處理算法提高對(duì)比度，但與棉花顏色相近的污染物檢出率仍很低[5]。
    棉花污染物檢測(cè)的難點(diǎn)之一在于：傳統(tǒng)的視覺(jué)系統(tǒng)只能按照選定的相機(jī)像素和預(yù)設(shè)的速度采集圖像，圖像數(shù)據(jù)大部分用于表征背景，描述小目標(biāo)的信息不足。而人類(lèi)能夠利用視覺(jué)注意機(jī)制:第一階段即預(yù)注意階段，以并行方式獨(dú)立地進(jìn)行自動(dòng)檢測(cè)或提取初級(jí)視覺(jué)特征，然后通過(guò)特征處理獲得感興趣區(qū)域；第二階段即注意階段，通過(guò)連續(xù)地轉(zhuǎn)移視點(diǎn)，掃描顯著圖上的感興趣區(qū)域，獲取更高分辨率信息，詳細(xì)地、高級(jí)地進(jìn)行處理[6]，準(zhǔn)確有效地解決大背景小目標(biāo)檢測(cè)問(wèn)題。參考文獻(xiàn)[5,7-8]提出了一種具有視覺(jué)注意機(jī)制的主從式機(jī)器視覺(jué)系統(tǒng)，把傳統(tǒng)的一次檢測(cè)過(guò)程分為兩次:首先找出感興趣區(qū)域，剔除區(qū)域外的大部分冗余數(shù)據(jù)；然后再對(duì)可疑目標(biāo)區(qū)域進(jìn)一步處理。
    本文提出該類(lèi)系統(tǒng)的檢測(cè)算法：在預(yù)注意階段，主相機(jī)獲取全局圖像，利用離散余弦變換和支持向量機(jī)分別提取和識(shí)別特征，確定目標(biāo)所在的感興趣區(qū)域；在注意階段，感興趣區(qū)域正上方的從相機(jī)工作，獲取該區(qū)域的局部圖像，根據(jù)目標(biāo)的先驗(yàn)特征對(duì)圖像進(jìn)行分割處理，利用均值和方差進(jìn)行線(xiàn)性融合，識(shí)別污染物。
1 檢測(cè)算法
    新型系統(tǒng)由一臺(tái)主相機(jī)和多臺(tái)從相機(jī)串行構(gòu)成，能根據(jù)目標(biāo)和背景的分布，不規(guī)則地采樣和處理圖像，使目標(biāo)對(duì)應(yīng)的圖像分辨率高、總體圖像的數(shù)據(jù)量小。首先根據(jù)主相機(jī)粗略的全局圖像大致判斷目標(biāo)所在區(qū)域，然后所在區(qū)域正上方的從相機(jī)獲取高分辨率的目標(biāo)區(qū)域的局部圖像，繼而處理這些圖像、識(shí)別目標(biāo)，其流程圖如圖1所示。

1.2 注意算法
    在線(xiàn)圖像處理的算法要求處理速度快，魯棒性強(qiáng)，檢測(cè)精確。均值和方差方法相對(duì)簡(jiǎn)潔，且容易結(jié)合檢測(cè)規(guī)范、自上而下的先驗(yàn)知識(shí)，其算法流程如圖5所示。

    主要步驟如下：
　 (1)采用線(xiàn)性平滑濾波器對(duì)局部圖像進(jìn)行均值濾波。
    (2)計(jì)算圖像的均值Mean，以4×4像素分割圖像，產(chǎn)生4 800個(gè)子圖像。根據(jù)檢測(cè)的最小污染物面積和成像面積,計(jì)算發(fā)現(xiàn)4×4像素既能反映目標(biāo)的尺寸特征,又能識(shí)別最小污染物，保證目標(biāo)的邊緣完整，同時(shí)兼顧處理速度，能夠獲得良好的檢測(cè)效果。
    (3)對(duì)子圖像提取均值和方差特征。均值分割閾值計(jì)算遵從：Aver=Mean-Auto。Aver指均值分割閾值，Auto指自動(dòng)閾值法確定的閾值[5]，統(tǒng)計(jì)發(fā)現(xiàn)方差分割閾值Var=20為宜。
    (4)計(jì)算子圖像均值和Mean的差，如果該差的絕對(duì)值大于A(yíng)ver，則該子圖像含有污染物。計(jì)算完子圖像后，合成一副與局部圖像大小相同的均值分量圖像。
　(5)如果子圖像方差大于方差閾值Var，則認(rèn)為該子圖像含有污染物。計(jì)算完子圖像后，合成一副與局部圖像大小相同的方差分量圖像。
　(6)將上述兩個(gè)分量歸一化后線(xiàn)性融合成一個(gè)二值圖像。采用label命令標(biāo)記二值圖像，識(shí)別污染物。局部圖像處理前后如圖6所示。

2 實(shí)驗(yàn)及分析
    算法由Matlab撰寫(xiě)，檢測(cè)樣本選取70幅棉花圖像，主要污染物為葉子、包裝帶等，含有污染物共計(jì)197個(gè)，其中未含污染物的棉花圖像共計(jì)5幅。各類(lèi)算法檢測(cè)的結(jié)果見(jiàn)表1。

    其中新算法識(shí)別污染物191個(gè)，漏報(bào)6個(gè)，虛警23個(gè)。在線(xiàn)檢測(cè)中大部分棉花圖像并不帶有污染物，對(duì)5幅無(wú)污染物圖像統(tǒng)計(jì)，虛警數(shù)0。
　新算法的優(yōu)勢(shì)在于：(1)注意機(jī)制去除了部分冗余的背景信息，提高了目標(biāo)所在區(qū)域的分辨率；(2)考慮了檢測(cè)規(guī)范。
    提出了一種基于視覺(jué)注意機(jī)制的檢測(cè)算法，并以棉花污染物檢測(cè)作為實(shí)例驗(yàn)證，最后與其他算法進(jìn)行了比較。它首先利用預(yù)注意算法確定目標(biāo)可能所在的感興趣區(qū)域，然后基于檢測(cè)規(guī)范、目標(biāo)的先驗(yàn)知識(shí)，利用均值和方差識(shí)別和定位目標(biāo)。
　 算法仍有不足：注意機(jī)制與人類(lèi)視覺(jué)存在一定差距，此外主從式串行系統(tǒng)中，預(yù)注意階段感興趣區(qū)域的確定關(guān)系到注意階段目標(biāo)識(shí)別的精度，今后應(yīng)重點(diǎn)考慮并行式系統(tǒng)。
參考文獻(xiàn)
[1] 王新龍,李娜. 棉花中異性纖維專(zhuān)題綜述[J]. 中國(guó)棉花加工,2002(5):29-30,48.
[2] GILLIAN N H. Non-wool contamination in carbonized wool[R]. CSIRO, Report G73, Australia, 1992.
[3] 賈婷婷. 數(shù)字圖像處理在原棉異物識(shí)別應(yīng)用中的研究[D].上海：東華大學(xué), 2007.
[4] 楊文柱,李道亮,魏新華,等. 棉花異性纖維圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009,40(3):156-160,171.
[5] 李國(guó)輝,蘇真?zhèn)?夏心怡. 基于不規(guī)則成像機(jī)器視覺(jué)的棉花白色異纖檢測(cè)算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010,41(5):
164-167.
[6] TREISMAN A, GELADE G. A feature-integration theory of attention [J]. Cognitive psychology, 1980,12(1):97-136.
[7] Su Zhenwei, Wang Jinwei, Huang Mingfei,et al. A machine vision system with an irregular imaging function[C]. Proceedings of the 5th International Symposium on Image and Signal Processing and Analysis, Istanbul,Turkey,2007:458-463.
[8] 李國(guó)輝,蘇真?zhèn)?晏開(kāi)華,等. 可疑目標(biāo)區(qū)域的機(jī)器視覺(jué)檢測(cè)算法[J]. 四川大學(xué)學(xué)報(bào): 工程科學(xué)版, 2010,42(1):
233-237.