基于视觉注意机制的棉花污染物机器视觉检测算法*

李国辉,罗宏森,汤勉刚,母洪都,周 震

（四川师范大学 工学院,四川 成都 610101）

基于视觉注意机制的棉花污染物机器视觉检测算法*

李国辉,罗宏森,汤勉刚,母洪都,周 震

（四川师范大学 工学院,四川 成都 610101）

针对棉花中污染物这类大背景中的目标检测，模仿人类视觉注意机制，提出了一种检测算法：在预注意阶段，主相机获取全局图像，利用离散余弦变换和支持向量机提取和识别特征，确定目标所在的感兴趣区域；在注意阶段，对应感兴趣区域的从相机工作，获取该区域的局部图像，利用均值和方差方法识别污染物。实验表明，该算法能去除冗余数据，提高检测精确度。

视觉注意；棉花检测；机器视觉

棉花污染物尺寸小、种类多，其染色性能与棉花有很大差异，是影响棉纺织品品质的瓶颈问题[1]。当前主要采用人工剔除，但主观性强,劳动成本高,且检出率低[2]。

国内外学者研究利用机器视觉系统检测污染物[3-5]，目前采用灰度阈值法识别棉花图像较为主流[3-4]。由于目标在整幅图像中所占比例非常小，且与背景颜色相似，灰度直方图呈单峰特性[4]，分割前需辅以图像增强方法和预处理算法提高对比度，但与棉花颜色相近的污染物检出率仍很低[5]。

棉花污染物检测的难点之一在于：传统的视觉系统只能按照选定的相机像素和预设的速度采集图像，图像数据大部分用于表征背景，描述小目标的信息不足。而人类能够利用视觉注意机制:第一阶段即预注意阶段，以并行方式独立地进行自动检测或提取初级视觉特征，然后通过特征处理获得感兴趣区域；第二阶段即注意阶段，通过连续地转移视点，扫描显著图上的感兴趣区域，获取更高分辨率信息，详细地、高级地进行处理[6]，准确有效地解决大背景小目标检测问题。参考文献 [5,7-8]提出了一种具有视觉注意机制的主从式机器视觉系统，把传统的一次检测过程分为两次:首先找出感兴趣区域，剔除区域外的大部分冗余数据；然后再对可疑目标区域进一步处理。

本文提出该类系统的检测算法：在预注意阶段，主相机获取全局图像，利用离散余弦变换和支持向量机分别提取和识别特征，确定目标所在的感兴趣区域；在注意阶段，感兴趣区域正上方的从相机工作，获取该区域的局部图像，根据目标的先验特征对图像进行分割处理，利用均值和方差进行线性融合，识别污染物。

1 检测算法

新型系统由一台主相机和多台从相机串行构成，能根据目标和背景的分布，不规则地采样和处理图像，使目标对应的图像分辨率高、总体图像的数据量小。首先根据主相机粗略的全局图像大致判断目标所在区域，然后所在区域正上方的从相机获取高分辨率的目标区域的局部图像，继而处理这些图像、识别目标，其流程图如图1所示。

图1 具有注意机制的机器视觉检测算法流程图

1.1 预注意算法

快速有效的预注意算法是构建新一代系统在线检测的关键，它是人类视觉注意机制的模拟，具有信息压缩和信息识别两个基本阶段[8]。根据参考文献 [8]，对全局图像进行4×4分块， 采用 DCT和 SVM确定感兴趣区域的算法能获得较好的识别效果，其流程框图如图2所示。

全局图像4×4分块，因此可选取4个从相机(主从相机分辨率均为240×320)，感兴趣区域的分辨率提高了4倍。预注意算法处理结果如图3所示,全局图像与局部图像空间分辨率的对比如图4所示。

图2 预注视算法流程图

1.2 注意算法

在线图像处理的算法要求处理速度快，鲁棒性强，检测精确。均值和方差方法相对简洁，且容易结合检测规范、自上而下的先验知识，其算法流程如图5所示。

主要步骤如下：

(1)采用线性平滑滤波器对局部图像进行均值滤波。

(2)计算图像的均值 Mean，以 4×4像素分割图像，产生4 800个子图像。根据检测的最小污染物面积和成像面积,计算发现4×4像素既能反映目标的尺寸特征,又能识别最小污染物，保证目标的边缘完整，同时兼顾处理速度，能够获得良好的检测效果。

(3)对子图像提取均值和方差特征。均值分割阈值计算遵从：Aver=Mean-Auto。Aver指均值分割阈值，Auto指自动阈值法确定的阈值[5]，统计发现方差分割阈值Var=20为宜。

(4)计算子图像均值和Mean的差，如果该差的绝对值大于Aver，则该子图像含有污染物。计算完子图像后，合成一副与局部图像大小相同的均值分量图像。

(5)如果子图像方差大于方差阈值Var，则认为该子图像含有污染物。计算完子图像后，合成一副与局部图像大小相同的方差分量图像。

(6)将上述两个分量归一化后线性融合成一个二值图像。采用label命令标记二值图像，识别污染物。局部图像处理前后如图6所示。

2 实验及分析

算法由Matlab撰写，检测样本选取70幅棉花图像，主要污染物为叶子、包装带等，含有污染物共计197个，其中未含污染物的棉花图像共计5幅。各类算法检测的结果见表1。

表1 各类算法检测结果对比

其中新算法识别污染物191个，漏报6个，虚警23个。在线检测中大部分棉花图像并不带有污染物，对5幅无污染物图像统计，虚警数0。

新算法的优势在于：(1)注意机制去除了部分冗余的背景信息，提高了目标所在区域的分辨率；(2)考虑了检测规范。

提出了一种基于视觉注意机制的检测算法，并以棉花污染物检测作为实例验证，最后与其他算法进行了比较。它首先利用预注意算法确定目标可能所在的感兴趣区域，然后基于检测规范、目标的先验知识，利用均值和方差识别和定位目标。

算法仍有不足：注意机制与人类视觉存在一定差距，此外主从式串行系统中，预注意阶段感兴趣区域的确定关系到注意阶段目标识别的精度，今后应重点考虑并行式系统。

[1]王新龙,李娜.棉花中异性纤维专题综述[J].中国棉花加工,2002(5):29-30,48.

[2]GILLIAN N H.Non-wool contamination in carbonized wool[R].CSIRO,Report G73,Australia,1992.

[3]贾婷婷.数字图像处理在原棉异物识别应用中的研究[D].上海：东华大学,2007.

[4]杨文柱,李道亮,魏新华,等.棉花异性纤维图像分割方法[J].农业机械学报,2009,40(3):156-160,171.

[5]李国辉,苏真伟,夏心怡.基于不规则成像机器视觉的棉花白色异纤检测算法[J].农业机械学报,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]李国辉,苏真伟,晏开华,等.可疑目标区域的机器视觉检测算法[J].四川大学学报:工程科学版,2010,42(1):233-237.

A machine vision inspection algorithm for contamination in cotton based on visual attention mechanism

Li Guohui,Luo Hongsen,Tang Miangang,Mu Hongdu,Zhou Zhen
(School of Engineering,Sichuan Normal University,Chengdu 610101,China)

Simulating human visual attention mechanism,aiming at the real-time inspection for small target in a large background,such as contamination in cotton,an algorithm is proposed.In the re-attention stage,the host camera samples a global image,and locates the suspicious target region of interest in the image combining with discrete cosine transform (DCT)and support vector machine(SVM)for extracting and recognize of features;in the attention stage,the slave cameras sample the local images corresponding to the region respectively,and recognize the contamination in the local images through a method based on average and variance.The results indicated that the algorithm can be used for identification of target area in machine vision inspection,reduced the redundant data of the sampled images,and improved the accuracy of the machine vision system.

visual attention;cotton inspection;machine vision system

TP391

A

0258-7998(2012)03-0099-03

四川师范大学校级项目（10MSL07）;四川师范大学重点研究课题（2010年）

2011-11-17)

李国辉，男，1979年生，讲师，博士，主要研究方向：机器视觉系统研究。