《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測試測量 > 設(shè)計應(yīng)用 > 基于視覺注意機制的棉花污染物機器視覺檢測算法
基于視覺注意機制的棉花污染物機器視覺檢測算法
來源：電子技術(shù)應(yīng)用2012年第3期
李國輝, 羅宏森, 湯勉剛, 母洪都, 周 震
四川師范大學 工學院, 四川 成都 610101
摘要： 針對棉花中污染物這類大背景中的目標檢測，模仿人類視覺注意機制,，提出了一種檢測算法：在預注意階段,，主相機獲取全局圖像，利用離散余弦變換和支持向量機提取和識別特征,，確定目標所在的感興趣區(qū)域；在注意階段,，對應(yīng)感興趣區(qū)域的從相機工作,，獲取該區(qū)域的局部圖像，利用均值和方差方法識別污染物,。實驗表明,，該算法能去除冗余數(shù)據(jù),，提高檢測精確度。
中圖分類號： TP391
文獻標識碼： A
文章編號： 0258-7998(2012)03-0099-03
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
Abstract： 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.
Key words : visual attention; cotton inspection; machine vision system

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

    國內(nèi)外學者研究利用機器視覺系統(tǒng)檢測污染物[3-5],，目前采用灰度閾值法識別棉花圖像較為主流[3-4],。由于目標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方法和預處理算法提高對比度，但與棉花顏色相近的污染物檢出率仍很低[5],。
    棉花污染物檢測的難點之一在于：傳統(tǒng)的視覺系統(tǒng)只能按照選定的相機像素和預設(shè)的速度采集圖像,，圖像數(shù)據(jù)大部分用于表征背景，描述小目標的信息不足,。而人類能夠利用視覺注意機制:第一階段即預注意階段,，以并行方式獨立地進行自動檢測或提取初級視覺特征，然后通過特征處理獲得感興趣區(qū)域,；第二階段即注意階段,，通過連續(xù)地轉(zhuǎn)移視點，掃描顯著圖上的感興趣區(qū)域,，獲取更高分辨率信息,，詳細地、高級地進行處理[6],，準確有效地解決大背景小目標檢測問題,。參考文獻[5,7-8]提出了一種具有視覺注意機制的主從式機器視覺系統(tǒng)，把傳統(tǒng)的一次檢測過程分為兩次: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),；然后再對可疑目標區(qū)域進一步處理。
    本文提出該類系統(tǒng)的檢測算法：在預注意階段,，主相機獲取全局圖像,，利用離散余弦變換和支持向量機分別提取和識別特征，確定目標所在的感興趣區(qū)域,；在注意階段,，感興趣區(qū)域正上方的從相機工作，獲取該區(qū)域的局部圖像,，根據(jù)目標的先驗特征對圖像進行分割處理,，利用均值和方差進行線性融合,，識別污染物。
1 檢測算法
    新型系統(tǒng)由一臺主相機和多臺從相機串行構(gòu)成,，能根據(jù)目標和背景的分布,，不規(guī)則地采樣和處理圖像，使目標對應(yīng)的圖像分辨率高,、總體圖像的數(shù)據(jù)量小,。首先根據(jù)主相機粗略的全局圖像大致判斷目標所在區(qū)域，然后所在區(qū)域正上方的從相機獲取高分辨率的目標區(qū)域的局部圖像,，繼而處理這些圖像,、識別目標，其流程圖如圖1所示,。

1.2 注意算法
    在線圖像處理的算法要求處理速度快,，魯棒性強，檢測精確,。均值和方差方法相對簡潔,，且容易結(jié)合檢測規(guī)范、自上而下的先驗知識,，其算法流程如圖5所示,。

 

 

    主要步驟如下：
　 (1)采用線性平滑濾波器對局部圖像進行均值濾波。
    (2)計算圖像的均值Mean,，以4×4像素分割圖像,，產(chǎn)生4 800個子圖像。根據(jù)檢測的最小污染物面積和成像面積,計算發(fā)現(xiàn)4×4像素既能反映目標的尺寸特征,又能識別最小污染物,，保證目標的邊緣完整,，同時兼顧處理速度，能夠獲得良好的檢測效果,。
    (3)對子圖像提取均值和方差特征,。均值分割閾值計算遵從：Aver=Mean-Auto。Aver指均值分割閾值,，Auto指自動閾值法確定的閾值[5],，統(tǒng)計發(fā)現(xiàn)方差分割閾值Var=20為宜。
    (4)計算子圖像均值和Mean的差,，如果該差的絕對值大于Aver,，則該子圖像含有污染物。計算完子圖像后,，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，則認為該子圖像含有污染物,。計算完子圖像后,，合成一副與局部圖像大小相同的方差分量圖像。
　(6)將上述兩個分量歸一化后線性融合成一個二值圖像,。采用label命令標記二值圖像,，識別污染物。局部圖像處理前后如圖6所示,。

2 實驗及分析
    算法由Matlab撰寫,，檢測樣本選取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197個，其中未含污染物的棉花圖像共計5幅,。各類算法檢測的結(jié)果見表1,。

    其中新算法識別污染物191個，漏報6個,，虛警23個,。在線檢測中大部分棉花圖像并不帶有污染物，對5幅無污染物圖像統(tǒng)計,，虛警數(shù)0,。
　新算法的優(yōu)勢在于：(1)注意機制去除了部分冗余的背景信息，提高了目標所在區(qū)域的分辨率,；(2)考慮了檢測規(guī)范,。
    提出了一種基于視覺注意機制的檢測算法，并以棉花污染物檢測作為實例驗證,，最后與其他算法進行了比較,。它首先利用預注意算法確定目標可能所在的感興趣區(qū)域，然后基于檢測規(guī)范,、目標的先驗知識,，利用均值和方差識別和定位目標。
　 算法仍有不足：注意機制與人類視覺存在一定差距,，此外主從式串行系統(tǒng)中,，預注意階段感興趣區(qū)域的確定關(guān)系到注意階段目標識別的精度，今后應(yīng)重點考慮并行式系統(tǒng),。
參考文獻
[1] 王新龍,李娜. 棉花中異性纖維專題綜述[J]. 中國棉花加工,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別應(yīng)用中的研究[D].上海：東華大學, 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)機械學報, 2009,40(3):156-160,171.
[5] 李國輝,蘇真?zhèn)?夏心怡. 基于不規(guī)則成像機器視覺的棉花白色異纖檢測算法[J]. 農(nóng)業(yè)機械學報, 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] 李國輝,蘇真?zhèn)?晏開華,等. 可疑目標區(qū)域的機器視覺檢測算法[J]. 四川大學學報: 工程科學版, 2010,42(1):
233-237.

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載。