本發(fā)明涉及煙草異物檢測
技術(shù)領(lǐng)域：
，特別是指一種基于機(jī)器視覺的煙草切絲后異物在線檢測方法。
背景技術(shù)：
：針對卷煙加工過程中進(jìn)行切絲操作時或者操作之前，異物去除仍然會有殘余，而且在切絲的過程中也容易重新混入異物，使得最終生產(chǎn)得到的煙絲中包含異物。而一旦卷煙中含異物，便會影響口感，這樣帶有異物的卷煙進(jìn)入市場，便升級為嚴(yán)重的質(zhì)量問題。目前，常見的手段均是采用人工篩選方式對煙絲中的細(xì)小異物進(jìn)行篩選，不但工作量巨大，需要投入的人力成本高，而且篩選的效果和效率不高。因此，在實(shí)現(xiàn)本申請的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中煙草異物檢測的效率和準(zhǔn)確性都難以達(dá)到工業(yè)化生產(chǎn)的需求。技術(shù)實(shí)現(xiàn)要素：有鑒于此，本發(fā)明的目的在于提出一種基于機(jī)器視覺的煙草切絲后異物在線檢測方法，能夠提高切絲后的煙草異物檢測的效率和準(zhǔn)確性?；谏鲜瞿康谋景l(fā)明提供的一種基于機(jī)器視覺的煙草切絲后異物在線檢測方法，包括：獲取待檢測煙絲的彩色圖像；對所述待檢測煙絲的彩色圖像進(jìn)行濾波處理和對比度增強(qiáng)處理；通過特征提取算法從處理后的彩色圖像中，提取出待檢測煙絲的色彩空間統(tǒng)計(jì)特征；針對待檢測煙絲的色彩空間統(tǒng)計(jì)特征，采用預(yù)設(shè)的多個色彩空間分類器進(jìn)行聯(lián)合檢測；其中，不同的色彩空間分類器用于檢測不同特征的異物；對每個色彩空間分類器的檢測結(jié)果進(jìn)行統(tǒng)計(jì)判斷，將檢測結(jié)果中對應(yīng)連通域面積小于預(yù)設(shè)面積閾值的連通域刪除；對所述多個色彩空間分類器的統(tǒng)計(jì)判斷輸出結(jié)果做或運(yùn)算，得到像素級檢測結(jié)果；針對上述像素級檢測結(jié)果，采用多個預(yù)設(shè)的異物鑒別器并行的方式進(jìn)行鑒別，用于排除不滿足異物特征的圖像區(qū)域；對上述異物鑒別器鑒別后的圖像數(shù)據(jù)進(jìn)行融合處理，得到最終檢測結(jié)果。可選的，所述濾波處理采用總變分法進(jìn)行濾波處理?？蛇x的，所述對比度增強(qiáng)處理采用去相關(guān)拉伸算法進(jìn)行對比度增強(qiáng)處理?？蛇x的，所述去相關(guān)拉伸算法包括：依次計(jì)算待檢測煙絲的彩色圖像對應(yīng)的均值向量、協(xié)方差矩陣、標(biāo)準(zhǔn)差矩陣；基于上述統(tǒng)計(jì)量，計(jì)算得到彩色圖像的相關(guān)矩陣；對所述相關(guān)矩陣做特征值分解，得到特征向量矩陣和特征值矩陣；基于特征向量矩陣和特征值矩陣，得到變換矩陣；根據(jù)變換矩陣和均值向量，計(jì)算得到去相關(guān)拉伸結(jié)果；其中，變換矩陣對應(yīng)的計(jì)算公式為：t＝sigma*v*s*v′*inv(sigma)；sigma為標(biāo)準(zhǔn)差矩陣，v為特征向量矩陣，λ為特征值矩陣，s為伸縮系數(shù)矩陣；v′為特征向量矩陣v的轉(zhuǎn)置矩陣，inv(sigma)為標(biāo)準(zhǔn)差矩陣sigma的逆矩陣；去相關(guān)拉伸對應(yīng)的計(jì)算公式為：b＝m+t*(a-m)；其中，m為彩色圖像對應(yīng)的均值向量，a為去相關(guān)拉伸之前的彩色圖像數(shù)據(jù)；b為去相關(guān)拉伸之后的彩色圖像數(shù)據(jù)。可選的，所述待檢測煙絲的色彩空間統(tǒng)計(jì)特征包括：待檢測煙絲的彩色圖像對應(yīng)rgb色彩空間中三個通道矩陣之間的兩兩相互比值以及三個通道的縱向標(biāo)準(zhǔn)差；待檢測煙絲的彩色圖像對應(yīng)lab色彩空間的a通道和b通道以及l(fā)、a、b三個通道之間的兩兩相互比值?？蛇x的，所述異物鑒別器包括棕色異物鑒別器、黃色異物鑒別器、黑色異物鑒別器，這三類鑒別器的目標(biāo)是根據(jù)異物特征消除誤報(bào)，保留正確的異物檢測信息；所述異物鑒別器還包括針對生產(chǎn)線中指定的可不定義為異物的非煙物質(zhì)特殊設(shè)計(jì)的異物鑒別器，這類鑒別器的目標(biāo)是根據(jù)異物特征濾除有關(guān)該非煙物質(zhì)的檢測結(jié)果。可選的，所述異物特征包括連通域面積大小、連通域的長度、連通域的寬度、連通域的長寬比、色彩空間的方差?？蛇x的，所述色彩空間分類器的參數(shù)根據(jù)neyman-pearson準(zhǔn)則進(jìn)行訓(xùn)練，依據(jù)零假設(shè)檢驗(yàn)理論進(jìn)行檢驗(yàn)，訓(xùn)練得到分類準(zhǔn)確的分類器?？蛇x的，所述色彩空間分類器的參數(shù)的訓(xùn)練方法包括：獲取無異物的煙絲彩色圖像；對上述無異物煙絲的彩色圖像進(jìn)行濾波處理和對比度增強(qiáng)處理；通過特征提取算法從處理后的彩色圖像中提取出無異物煙絲的色彩空間統(tǒng)計(jì)特征；基于不同的檢測需求，對不同色彩空間分類器的參數(shù)進(jìn)行訓(xùn)練，得到每個色彩空間分類器對應(yīng)的檢測閾值和最小檢測面積；其中，所述檢測閾值用于判斷是否存在對應(yīng)特征的異物，所述最小檢測面積用于設(shè)定預(yù)設(shè)面積閾值。可選的，所述對不同色彩空間分類器的參數(shù)進(jìn)行訓(xùn)練的步驟還包括：計(jì)算色彩空間統(tǒng)計(jì)特征的直方圖概率密度分布；基于預(yù)設(shè)的概率密度分布閾值，在直方圖概率密度分布中搜索符合預(yù)設(shè)的概率密度分布閾值的臨界點(diǎn)；基于所述臨界點(diǎn)得到檢測閾值；針對色彩空間統(tǒng)計(jì)特征采用檢測閾值做二值化分割，并且根據(jù)分割結(jié)果計(jì)算得到多個連通域面積；選取連通域面積最大值，并且與預(yù)設(shè)的調(diào)節(jié)參數(shù)相加得到最小檢測面積?？蛇x的，所述檢測閾值為符合預(yù)設(shè)的概率密度分布閾值的臨界點(diǎn)對應(yīng)的左側(cè)閾值、右側(cè)閾值中的一個；且所述檢測閾值采用單閾值或者雙閾值。從上面所述可以看出，本發(fā)明提供的基于機(jī)器視覺的煙草切絲后異物在線檢測方法通過對待檢測煙絲的彩色圖像進(jìn)行濾波和對比度增強(qiáng)的預(yù)處理，然后通過特征提取算法提取出待檢測煙絲的色彩空間統(tǒng)計(jì)特征，進(jìn)而通過提取的統(tǒng)計(jì)特征與預(yù)設(shè)的適用于各種類型異物檢測的分類器進(jìn)行檢測和統(tǒng)計(jì)判斷，最后通過數(shù)據(jù)融合得到準(zhǔn)確的異物檢測結(jié)果。此外，通過采用異物鑒別器，使得本申請所述方法不僅能夠識別與煙絲色彩差別大的異物，而且對于棕色、黃色、透明等傳統(tǒng)方法難以區(qū)分的異物，也能保證良好的檢測效果。因此，本申請所述基于機(jī)器視覺的煙草切絲后異物在線檢測方法能大幅提高切絲后的煙草異物檢測的效率和準(zhǔn)確性。附圖說明圖1為本發(fā)明提供的基于機(jī)器視覺的煙草切絲后異物在線檢測方法的一個實(shí)施例的流程示意圖；圖2為本發(fā)明提供的單閾值分類器示意圖；圖3為本發(fā)明提供的雙閾值分類器示意圖。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。需要說明的是，本發(fā)明實(shí)施例中所有使用“第一”和“第二”的表述均是為了區(qū)分兩個相同名稱非相同的實(shí)體或者非相同的參量，可見“第一”“第二”僅為了表述的方便，不應(yīng)理解為對本發(fā)明實(shí)施例的限定，后續(xù)實(shí)施例對此不再一一說明。針對于當(dāng)前煙草異物檢測領(lǐng)域中檢測效率較低的問題，本申請針對煙草切絲后煙絲中混雜的異物，提供一種基于機(jī)器視覺的異物在線檢測方法?？蛇x的，本申請所述方法適用于煙草生產(chǎn)線上皮帶輸送或者風(fēng)力輸送的煙絲中異物在線檢測。也即通過機(jī)器檢測代替人工能夠大大降低人力物力損耗，而且通過對檢測方案的改進(jìn)能夠提高檢測的效率和準(zhǔn)確性。參照圖1所示，為本發(fā)明提供的基于機(jī)器視覺的煙草切絲后異物在線檢測方法的一個實(shí)施例的流程示意圖。所述基于機(jī)器視覺的煙草切絲后異物在線檢測方法包括：步驟101，獲取待檢測煙絲的彩色圖像；其中，通過在煙絲傳送帶或者風(fēng)力輸送管道側(cè)面安裝一個或者多個線陣攝像機(jī)，然后通過這些攝像機(jī)攝取煙絲的彩色圖像。這些彩色圖像一般是由攝像機(jī)經(jīng)由圖像采集卡傳送到計(jì)算機(jī)中。當(dāng)計(jì)算機(jī)獲取到這些彩色圖像后，將其存放于計(jì)算機(jī)內(nèi)存中的預(yù)處理隊(duì)列或者緩存隊(duì)列中，等待后續(xù)的檢測處理過程。步驟102，對所述待檢測煙絲的彩色圖像進(jìn)行濾波處理和對比度增強(qiáng)處理；其中濾波處理的目的是過濾不需要的圖像數(shù)據(jù)，使圖像數(shù)據(jù)更有利于識別并最終提高異物檢測的精度。合理的濾波處理對檢測效果有明顯的影響，能夠有效消除噪聲干擾，一般來說濾波處理是檢測過程中的必備步驟。而如果不執(zhí)行對比度增強(qiáng)處理，部分異物的檢出率會有所下降?？蛇x的，所述濾波處理采用總變分法進(jìn)行濾波處理，能夠獲取較優(yōu)的綜合濾波效果。當(dāng)然，如果考慮到檢測速率或者算法運(yùn)行速度，也可以采用一些簡化的方法對圖像進(jìn)行濾波，例如采用均值濾波?？蛇x的，所述對比度增強(qiáng)處理采用去相關(guān)拉伸算法進(jìn)行對比度增強(qiáng)處理。進(jìn)一步，在本申請一些可選的實(shí)施例中，所述去相關(guān)拉伸算法包括如下步驟：依次計(jì)算待檢測煙絲的彩色圖像a對應(yīng)的均值向量、協(xié)方差矩陣(cov)、標(biāo)準(zhǔn)差矩陣(sigma)；首先，基于上述統(tǒng)計(jì)量，計(jì)算得到彩色圖像的相關(guān)矩陣(corr)；其次，對所述相關(guān)矩陣做特征值分解，得到特征向量矩陣(v)和特征值矩陣(λ)；再次，基于特征向量矩陣和特征值矩陣，計(jì)算得到變換矩陣；最后，根據(jù)變換矩陣和均值向量，計(jì)算得到去相關(guān)拉伸結(jié)果；其中，變換矩陣對應(yīng)的計(jì)算公式為：t＝sigma*v*s*v′*inv(sigma)；sigma為標(biāo)準(zhǔn)差矩陣，v為特征向量矩陣，λ為特征值矩陣，s為伸縮系數(shù)矩陣；v′為特征向量矩陣v的轉(zhuǎn)置矩陣，inv(sigma)為標(biāo)準(zhǔn)差矩陣sigma的逆矩陣。去相關(guān)拉伸對應(yīng)的計(jì)算公式為：b＝m+t*(a-m)；其中，m為彩色圖像對應(yīng)的均值向量，a為去相關(guān)拉伸之前的彩色圖像數(shù)據(jù)；b為去相關(guān)拉伸之后的彩色圖像數(shù)據(jù)。步驟103，通過特征提取算法從處理后的彩色圖像中提取出待檢測煙絲的色彩空間統(tǒng)計(jì)特征；其中，所述特征提取算法用于根據(jù)目標(biāo)物的需要，從一個包含較多元素的材料中提取出所需要的特征數(shù)據(jù)，例如：根據(jù)待檢測煙絲的彩色圖像提取出能夠反映對應(yīng)物品特征的數(shù)據(jù)。所述待檢測煙絲的色彩空間統(tǒng)計(jì)特征即為能夠反映圖像中是否具有某類物品的一列特征數(shù)據(jù)。在本申請一些可選的實(shí)施例中，所述待檢測煙絲的色彩空間統(tǒng)計(jì)特征包括：待檢測煙絲的彩色圖像對應(yīng)rgb色彩空間中三個通道矩陣之間的兩兩相互比值以及三個通道的縱向標(biāo)準(zhǔn)差；待檢測煙絲的彩色圖像對應(yīng)lab色彩空間的a通道和b通道以及l(fā)、a、b三個通道之間的兩兩相互比值。這里所述的兩兩比值是指每兩個參數(shù)均得到一個比值數(shù)據(jù)。這樣，通過提取兩種色彩空間對應(yīng)的特征數(shù)據(jù)能夠使檢測更為準(zhǔn)確、可靠。當(dāng)然，還可以根據(jù)需要選用更多類型的色彩空間進(jìn)行組合使用。步驟104，針對待檢測煙絲的色彩空間統(tǒng)計(jì)特征，采用預(yù)設(shè)的多個色彩空間分類器進(jìn)行聯(lián)合檢測；其中，不同的色彩空間分類器用于檢測不同特征的異物；其中，所述多個色彩空間分類器并行執(zhí)行，互不干涉。也即，針對煙絲中可能出現(xiàn)的異物，分別執(zhí)行與步驟103中提取出的色彩空間統(tǒng)計(jì)特征對應(yīng)的分類器進(jìn)行分類識別。在本申請一些可選的實(shí)施例中，所述色彩空間分類器包括的種類參見表1所示。表1不同類型的色彩空間分類器分類器主要檢出異物p1檢測粉色、白色、青色、藍(lán)色異物p2檢測綠色、白色異物p3檢測棕黑色異物p4檢測橘黃色異物p5檢測藍(lán)色、青色、深棕黑色異物p6檢測青色、白色異物p7檢測暗紅色異物p8檢測橘黃色異物p9檢測綠色異物p10檢測藍(lán)色異物p11檢測黃色硬紙板異物、金黃色異物p12檢測白色、青色、黃白色異物p13檢測金黃色、橘黃色、一般黃色異物p14檢測黑色異物p15檢測透明色、亮色異物進(jìn)一步可選的，所述色彩空間分類器可以采用二分器，二分器可以采用單閾值分類，也可以為了獲得更精確的檢測輸出而采用雙閾值分類。每一個分類器的參數(shù)采用色彩空間分類器參數(shù)訓(xùn)練獲得的檢測閾值。步驟105，對每個色彩空間分類器的檢測結(jié)果進(jìn)行統(tǒng)計(jì)判斷，將檢測結(jié)果中對應(yīng)連通域面積小于預(yù)設(shè)面積閾值的連通域刪除；也即，對每個分類器的檢測結(jié)果分別進(jìn)行統(tǒng)計(jì)判斷，主要的步驟是對檢測結(jié)果依據(jù)連通域面積進(jìn)行過濾，大于或者等于預(yù)設(shè)的面積閾值的連通域保留，小于預(yù)設(shè)面積閾值的連通域刪除。可選的，所述預(yù)設(shè)面積閾值采用色彩空間分類器參數(shù)訓(xùn)練時獲得的最小檢測面積。步驟106，對步驟105中多個色彩空間分類器對應(yīng)的統(tǒng)計(jì)判斷輸出結(jié)果ui做或運(yùn)算，得到像素級檢測結(jié)果在本申請一些可選的實(shí)施例中，i的取值范圍是從1到15，相應(yīng)的imax為15。步驟107，針對上述像素級檢測結(jié)果，采用多個預(yù)設(shè)的異物鑒別器并行的方式進(jìn)行鑒別，用于排除不滿足異物特征對應(yīng)的圖像區(qū)域；因?yàn)樽厣ⅫS色、黑色這三類顏色的異物與正常煙絲的色彩特征較為接近，像素級檢測結(jié)果中會包含很多與這三種色彩相近的誤報(bào)，也即會將這三類顏色的煙絲誤報(bào)為異物，所以必須分別針對這三類檢出結(jié)果設(shè)計(jì)對應(yīng)的異物鑒別器，針對像素級檢測結(jié)果進(jìn)行二次決策，消除誤報(bào)，保留正確的異物檢測信息?？蛇x的，二次決策算法為采用多個異物鑒別器并行的方式消除誤報(bào)，例如棕色異物鑒別器、黃色異物鑒別器、黑色異物鑒別器。根據(jù)連通域面積大小、連通域的長度、連通域的寬度、連通域的長寬比、色彩空間的方差等異物特征統(tǒng)計(jì)量，對檢測結(jié)果過濾，消除誤報(bào)。過濾的具體方法是：去除面積小于min_area的連通域，去除連通域長度小于min_length的區(qū)域，去除連通域?qū)挾刃∮趍in_width的區(qū)域，去除連通域的長寬比小于min_ratio的區(qū)域，去除rgb色彩空間的方差不屬于黃色或者棕色色彩空間的區(qū)域。進(jìn)一步，針對生產(chǎn)線中指定的可不定義為異物的非煙物質(zhì)，例如刀泥，可增加為該非煙物質(zhì)特殊設(shè)計(jì)的異物鑒別器，濾除有關(guān)該非煙物質(zhì)的檢測結(jié)果?？蛇x的，所述異物鑒別器包括棕色異物鑒別器、黃色異物鑒別器、黑色異物鑒別器，這三類鑒別器的目標(biāo)是根據(jù)異物特征消除誤報(bào)，保留正確的異物檢測信息；所述異物鑒別器還包括針對生產(chǎn)線中指定的可不定義為異物的非煙物質(zhì)特殊設(shè)計(jì)的異物鑒別器，這類鑒別器的目標(biāo)是根據(jù)異物特征濾除有關(guān)該非煙物質(zhì)的檢測結(jié)果。所述異物特征包括連通域面積大小、連通域的長度、連通域的寬度、連通域的長寬比、色彩空間的方差。步驟108，對上述異物鑒別器鑒別后的圖像數(shù)據(jù)進(jìn)行融合處理，得到最終檢測結(jié)果。也即，如果最終檢測結(jié)果中發(fā)現(xiàn)有異物，就發(fā)出異物告警信號并輸出異物在圖像中的位置信息，然后繼續(xù)下一幀圖像的檢測處理。如果最終檢測結(jié)果中沒有發(fā)現(xiàn)異物，就直接繼續(xù)下一幀圖像的檢測處理。由上述實(shí)施例可知，本申請?zhí)峁┑幕跈C(jī)器視覺的煙草切絲后異物在線檢測方法通過對待檢測煙絲的彩色圖像進(jìn)行濾波和對比度增強(qiáng)的預(yù)處理，然后通過特征提取算法提取出待檢測煙絲的色彩空間統(tǒng)計(jì)特征，進(jìn)而通過提取的統(tǒng)計(jì)特征與預(yù)設(shè)的適用于各種類型異物檢測的分類器進(jìn)行檢測和統(tǒng)計(jì)判斷，最后通過數(shù)據(jù)融合得到準(zhǔn)確的異物檢測結(jié)果。此外，通過采用異物鑒別器，使得本申請所述方法不僅能夠識別與煙絲色彩差別大的異物，而且對于棕色、黃色、透明等傳統(tǒng)方法難以區(qū)分的異物，也能保證良好的檢測效果。因此，本申請所述基于機(jī)器視覺的煙草切絲后異物在線檢測方法能大幅提高切絲后的煙草異物檢測的效率和準(zhǔn)確性。在本申請一些可選的實(shí)施例中，雖然上述的分類器功能較為直接和簡便，實(shí)現(xiàn)起來也不難，但是其分類結(jié)果對最終的檢測結(jié)果還是有較大影響的。因此，本申請?zhí)岢鲆环N色彩空間分類器參數(shù)訓(xùn)練方法，該方法的理論基礎(chǔ)是根據(jù)neyman-pearson準(zhǔn)則并且依據(jù)零假設(shè)檢驗(yàn)。所述色彩空間分類器參數(shù)訓(xùn)練方法的步驟如下：獲取無異物的煙絲彩色圖像；對上述無異物煙絲的彩色圖像進(jìn)行濾波處理和對比度增強(qiáng)處理；其中，該參數(shù)訓(xùn)練過程中的濾波處理和對比度增強(qiáng)處理的算法與步驟102中的算法相同。通過與步驟103相同的特征提取算法從處理后的彩色圖像中提取出無異物煙絲的色彩空間統(tǒng)計(jì)特征；基于不同的檢測需求，對不同色彩空間分類器的參數(shù)進(jìn)行訓(xùn)練，得到每個色彩空間分類器對應(yīng)的檢測閾值和最小檢測面積；其中，所述檢測閾值用于判斷是否存在對應(yīng)特征的異物，所述最小檢測面積用于設(shè)定預(yù)設(shè)面積閾值。進(jìn)一步，所述對不同色彩空間分類器的參數(shù)進(jìn)行訓(xùn)練的步驟還包括：計(jì)算色彩空間統(tǒng)計(jì)特征的直方圖概率密度分布；具體的，針對色彩空間分類器pi的輸入ai，也即色彩空間分類器參數(shù)訓(xùn)練方法計(jì)算得到的色彩空間統(tǒng)計(jì)特征，計(jì)算其直方圖統(tǒng)計(jì)，得到直方圖概率密度分布pip。基于預(yù)設(shè)的概率密度分布閾值p，在直方圖概率密度分布pip中搜索符合預(yù)設(shè)的概率密度分布閾值p的臨界點(diǎn)；在本申請一些可選的實(shí)施例中，p是將正常煙絲樣本錯誤檢測為異物的概率。基于所述臨界點(diǎn)得到檢測閾值th；可選的，臨界點(diǎn)對應(yīng)左側(cè)閾值、右側(cè)閾值中的一個。也即，可以采用單閾值或者雙閾值，而單閾值和雙閾值都可以選擇左側(cè)閾值或者右側(cè)閾值。進(jìn)一步，單閾值情況下的右側(cè)閾值的定義：單閾值情況下的左側(cè)閾值的定義：雙閾值情況下，即th＝[th1,th2]，對應(yīng)的右側(cè)閾值的定義：針對色彩空間統(tǒng)計(jì)特征采用閾值th1做二值化分割，得到二值矩陣res1，則th2＝mean(ai(res1))+std(ai(res1))，其中ai(res1)是分類器pi的輸入ai與掩模res1相乘后的結(jié)果，mean(ai(res1))表示ai(res1)的均值，std(ai(res1))表示ai(res1)的方差。th2的計(jì)算也可以采用ai(res1)的其他數(shù)學(xué)統(tǒng)計(jì)運(yùn)算得到，例如th2＝mean(ai(res1))+2*std(ai(res1))，也能得到與本申請實(shí)例相似的雙閾值檢測效果。雙閾值情況下，即th＝[th1,th2]，對應(yīng)的左側(cè)閾值的定義：針對色彩空間統(tǒng)計(jì)特征采用閾值th1做二值化分割，得到二值矩陣res1，則th2＝mean(ai(res1))-std(ai(res1))，其中ai(res1)是分類器pi的輸入ai與掩模res1相乘后的結(jié)果，mean(ai(res1))表示ai(res1)的均值，std(ai(res1))表示ai(res1)的方差。th2的計(jì)算也可以采用ai(res1)的其他數(shù)學(xué)統(tǒng)計(jì)運(yùn)算得到，例如th2＝mean(ai(res1))-2*std(ai(res1))，也能得到與本申請實(shí)例相似的雙閾值檢測效果。針對色彩空間統(tǒng)計(jì)特征采用檢測閾值做二值化分割，并且根據(jù)分割結(jié)果計(jì)算得到多個連通域面積；選取連通域面積最大值，與預(yù)設(shè)的調(diào)節(jié)參數(shù)相加得到最小檢測面積。也即，針對分類器pi的輸入ai采用檢測閾值th做二值化分割，對二值化結(jié)果做連通域面積計(jì)算，查找連通域面積的最大值，將該最大值加一個數(shù)值較小的預(yù)設(shè)值后作為分類器pi的最小檢測面積minarea。由上述實(shí)施例可知，所述色彩空間分類器參數(shù)訓(xùn)練方法先由特征提取算法提取出無異物的煙絲彩色圖像的色彩空間統(tǒng)計(jì)特征，然后針對色彩空間統(tǒng)計(jì)特征進(jìn)行零假設(shè)檢驗(yàn)，自動獲得煙絲色彩空間分類器的參數(shù)。所述色彩空間分類器參數(shù)訓(xùn)練方法能夠快速獲得正常煙絲色彩空間對應(yīng)的檢測參數(shù)，訓(xùn)練時間不超過10秒鐘?？舍槍γ颗鸁熃z快速建立新的檢測模型，無需傳統(tǒng)的煙絲牌號管理工作。參照圖2和圖3所示，分別為本發(fā)明提供的單閾值和雙閾值分類器示意圖。在一些可選的實(shí)施例中，本申請所述基于機(jī)器視覺的煙草切絲后異物在線檢測方法的異物綜合檢出率達(dá)到90％以上。需要說明的是，本申請實(shí)施例雖然均采用煙絲作為目標(biāo)檢測物，但是本申請所對應(yīng)的方法并不限于煙絲的檢測，還可以應(yīng)用于與煙絲具有近似特征的產(chǎn)品的異物檢測中。所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上任何實(shí)施例的討論僅為示例性的，并非旨在暗示本公開的范圍(包括權(quán)利要求)被限于這些例子；在本發(fā)明的思路下，以上實(shí)施例或者不同實(shí)施例中的技術(shù)特征之間也可以進(jìn)行組合，步驟可以以任意順序?qū)崿F(xiàn)，并存在如上所述的本發(fā)明的不同方面的許多其它變化，為了簡明它們沒有在細(xì)節(jié)中提供。另外，為簡化說明和討論，并且為了不會使本發(fā)明難以理解，在所提供的附圖中可以示出或可以不示出與集成電路(ic)芯片和其它部件的公知的電源/接地連接。此外，可以以框圖的形式示出裝置，以便避免使本發(fā)明難以理解，并且這也考慮了以下事實(shí)，即關(guān)于這些框圖裝置的實(shí)施方式的細(xì)節(jié)是高度取決于將要實(shí)施本發(fā)明的平臺的(即，這些細(xì)節(jié)應(yīng)當(dāng)完全處于本領(lǐng)域技術(shù)人員的理解范圍內(nèi))。在闡述了具體細(xì)節(jié)(例如，電路)以描述本發(fā)明的示例性實(shí)施例的情況下，對本領(lǐng)域技術(shù)人員來說顯而易見的是，可以在沒有這些具體細(xì)節(jié)的情況下或者這些具體細(xì)節(jié)有變化的情況下實(shí)施本發(fā)明。因此，這些描述應(yīng)被認(rèn)為是說明性的而不是限制性的。盡管已經(jīng)結(jié)合了本發(fā)明的具體實(shí)施例對本發(fā)明進(jìn)行了描述，但是根據(jù)前面的描述，這些實(shí)施例的很多替換、修改和變型對本領(lǐng)域普通技術(shù)人員來說將是顯而易見的。例如，其它農(nóng)產(chǎn)品的異物檢測可以使用所討論的實(shí)施例。本發(fā)明的實(shí)施例旨在涵蓋落入所附權(quán)利要求的寬泛范圍之內(nèi)的所有這樣的替換、修改和變型。因此，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何省略、修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12