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]。

    國內外學者研究利用機器視覺系統檢測污染物[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：傳統的視覺系統只能按照選定的相機像素和預設的速度采集圖像，圖像數據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域；第二階段即注意階段，通過連續地轉移視點，掃描顯著圖上的感興趣區域，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，把傳統的一次檢測過程分為兩次:首先找出感興趣區域，剔除區域外的大部分冗余數據；然后再對可疑目標區域進一步處理。
    本文提出該類系統的檢測算法：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域；在注意階段，感興趣區域正上方的從相機工作，獲取該區域的局部圖像，根據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
    新型系統由一臺主相機和多臺從相機串行構成，能根據目標和背景的分布，不規則地采樣和處理圖像，使目標對應的圖像分辨率高、總體圖像的數據量小。首先根據主相機粗略的全局圖像大致判斷目標所在區域，然后所在區域正上方的從相機獲取高分辨率的目標區域的局部圖像，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，且容易結合檢測規范、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，產生4 800個子圖像。根據檢測的最小污染物面積和成像面積,計算發現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]，統計發現方差分割閾值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幅無污染物圖像統計，虛警數0。
　新算法的優勢在于：(1)注意機制去除了部分冗余的背景信息，提高了目標所在區域的分辨率；(2)考慮了檢測規范。
    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域，然后基于檢測規范、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中，預注意階段感興趣區域的確定關系到注意階段目標識別的精度，今后應重點考慮并行式系統。
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. 數字圖像處理在原棉異物識別應用中的研究[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]. 農業機械學報, 2009,40(3):156-160,171.
[5] 李國輝,蘇真偉,夏心怡. 基于不規則成像機器視覺的棉花白色異纖檢測算法[J]. 農業機械學報, 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,蘇真偉,晏開華,等. 可疑目標區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.