專(zhuān)利名稱(chēng)：：水果形狀的多尺度能量檢測(cè)方法及裝置的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種水果形狀的多尺度能量檢測(cè)方法及裝置。
背景技術(shù)：
：水果形狀是水果自動(dòng)分級(jí)的一個(gè)重要指標(biāo)，水果形狀的描述是水果按形狀分類(lèi)的基礎(chǔ)，一個(gè)好的形狀描述子應(yīng)具有如下3個(gè)性質(zhì)①不變性對(duì)于兩個(gè)相同的形狀，不能其尺寸怎么縮放，在視場(chǎng)中如何平移以及旋轉(zhuǎn)都應(yīng)該有相同的描述；②唯一性對(duì)于兩個(gè)不同的形狀，應(yīng)該有不同的描述；③穩(wěn)定性同一個(gè)形狀的微小變化，對(duì)應(yīng)在描述中也只應(yīng)是微小的變化。目前水果形狀描述方法可分成兩類(lèi)①基于縱徑比的水果形狀描述方法采用水果縱徑和橫徑的比值來(lái)描述果形，該方法比較粗糙，不能適應(yīng)水果高精度分級(jí)要求，在唯一性和穩(wěn)定性上不能滿(mǎn)足要求；②基于頻率域的水果形狀描述方法這類(lèi)方法主要對(duì)形狀曲線(xiàn)利用傅立葉變換變換到頻率域，然后提取前面分量大的系數(shù)作為分類(lèi)特征。這類(lèi)方法應(yīng)用較廣泛，但是由于傅立葉變換是用正弦和余弦函數(shù)作為基的，這類(lèi)方法只具備全局刻畫(huà)形狀特征的能力，對(duì)形狀的局部情況不能明確反映出來(lái)，不能很好的滿(mǎn)足形狀的穩(wěn)定性要求，這樣有噪聲的情況下，會(huì)很容易造成水果分級(jí)失誤。此外，在解決水果旋轉(zhuǎn)性方面，目前的方法大多采取固定起始點(diǎn)，這樣存在著許多局限性例如，選擇果梗點(diǎn)為起點(diǎn)，在水果缺少果梗時(shí)就無(wú)能為力，或者選擇最小半徑為起點(diǎn)，在水果形狀對(duì)稱(chēng)時(shí)就比較難以確定最小半徑。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種水果形狀的多尺度能量檢測(cè)方法及裝置，將水果邊緣曲線(xiàn)以多尺度能量分布的形式刻畫(huà)出來(lái)，滿(mǎn)足形狀的3性質(zhì)，解決了傳統(tǒng)的起點(diǎn)選擇方法的局限性通過(guò)重新采樣降低噪聲的影響，利用多尺度的方法很好地刻畫(huà)形狀局部特征，提高了形狀分類(lèi)的準(zhǔn)確率。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是一、水果形狀的多尺度能量檢測(cè)方法1)對(duì)水果圖像進(jìn)行邊緣檢測(cè)后，提取出邊緣點(diǎn)；2)以水果圖像形心為原點(diǎn)O，水平方向和垂直方向分別為X，Y軸，建立笛卡爾坐標(biāo)系；3)選取水果邊緣曲線(xiàn)最右邊的點(diǎn)為初始點(diǎn)，對(duì)邊緣按逆時(shí)針?lè)较蜻M(jìn)行邊緣跟蹤，將邊緣點(diǎn)的位置信息、當(dāng)前點(diǎn)到初始點(diǎn)的弧長(zhǎng)信息存入自定義結(jié)構(gòu)Nodeinfo型數(shù)組中；structNodeinfo{intx；//當(dāng)前點(diǎn)的橫坐標(biāo)inty；//當(dāng)前點(diǎn)的縱坐標(biāo)doubleDistance；//當(dāng)前點(diǎn)到初始點(diǎn)的弧長(zhǎng)}4)對(duì)邊緣進(jìn)行三次樣條進(jìn)行插值，等弧長(zhǎng)間隔重采樣256個(gè)點(diǎn)，得到新的邊緣點(diǎn)；5)分別求出這256個(gè)新的邊緣點(diǎn)到形心的規(guī)范化距離r(k)；6)定義一個(gè)在區(qū)間[1，256]均勻分布的隨機(jī)變量k和與此隨機(jī)變量對(duì)應(yīng)的隨機(jī)半徑函數(shù)F(k)，在區(qū)間[1，256]改變隨機(jī)變量k的值，當(dāng)函數(shù)F(k)取得數(shù)學(xué)期望最大值時(shí)，k為邊緣曲線(xiàn)起始點(diǎn)startP；以起始點(diǎn)startP為起始點(diǎn)調(diào)整F(k)；7)對(duì)F(k)進(jìn)行雙通道正交濾波，采用coiflets正交濾波器組分解后得到多個(gè)尺度上的系數(shù){dk(j)}，每個(gè)尺度上的系數(shù)進(jìn)行平方求和，得到關(guān)于各個(gè)尺度上的能量分布向量E＝{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}，用向量E作為特征來(lái)對(duì)水果形狀進(jìn)行分類(lèi)，分類(lèi)方法采用應(yīng)用較廣泛的三層BP神經(jīng)網(wǎng)絡(luò)，輸入層為7個(gè)神經(jīng)元，隱含層為8個(gè)神經(jīng)元，輸出層為3個(gè)神經(jīng)元，分類(lèi)前先用樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)水果進(jìn)行分級(jí)。所述的在區(qū)間[1，256]均勻分布的隨機(jī)變量k，<math><mrow><mi>f</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mi>k</mi><mn>255</mn></mfrac></mrow></math>1≤k≤256(1)所述的隨機(jī)半徑函數(shù)F(k)，<math><mrow><mi>F</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>m</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mi>N</mi><mo>+</mo><mn>1</mn><mo>-</mo><mi>m</mi><mo>,</mo></mtd></mtr><mtr><mtd><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>+</mo><mi>m</mi><mo>)</mo></mrow><mo>,</mo><mi>N</mi><mo>+</mo><mn>1</mn><mo>-</mo><mi>m</mi><mo>&lt;</mo><mi>k</mi><mo>&le;</mo><mi>N</mi></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>其中m∈[1，256]，且m∈Z，N＝256(2)所述的通過(guò)計(jì)算隨機(jī)半徑函數(shù)F(k)數(shù)學(xué)期望最大值確定邊緣曲線(xiàn)起始點(diǎn)startP的方法，for(m＝1；m＜＝256；m++)<!--SIPO<DPn="2">--><dpn="d2"/>{sum＝0；for(k＝1；k＜＝256；k++){sum＝sum+p(k)×F(k)}if(m＝＝1)temp＝sum；else{if(sum＞temp){temp＝sum；startP＝m；}}}//startP點(diǎn)作為曲線(xiàn)起點(diǎn)<br/>二、用于實(shí)現(xiàn)上述水果形狀檢測(cè)方法的裝置包括接近開(kāi)關(guān)，兩個(gè)鏈輪，鏈?zhǔn)捷斔脱b置，分頻器，光照箱，攝像機(jī)，圖像采集卡，計(jì)算機(jī)及水果形狀檢測(cè)軟件。兩個(gè)鏈輪間裝有鏈?zhǔn)捷斔脱b置，接近開(kāi)關(guān)安裝在一個(gè)鏈輪邊緣側(cè)，鏈?zhǔn)捷斔脱b置的上面鏈條下裝有滾輪托板，上鏈條上裝有光照箱，攝像機(jī)安裝在光照箱內(nèi)部上方，攝像機(jī)的輸出信號(hào)通過(guò)電纜輸入到圖像采集卡的圖像輸入端；圖像采集卡安裝在計(jì)算機(jī)的插槽內(nèi)；計(jì)算機(jī)上安裝水果圖像檢測(cè)軟件，分頻器的一端接接近開(kāi)關(guān)，分頻器的另一端接圖像采集卡。所述的鏈?zhǔn)捷斔脱b置包括鏈條，滾輪軸，滾輪，滾輪托板組成；滾輪軸穿過(guò)鏈條和滾輪，上裝被測(cè)水果的滾輪對(duì)稱(chēng)地分布在鏈條的兩側(cè)。所述的分頻器的分頻倍數(shù)等于兩個(gè)滾輪在鏈輪上相距的齒數(shù)。本發(fā)明具有的有益的效果是根據(jù)水果形狀曲線(xiàn)的多尺度能量分布規(guī)律檢測(cè)水果果形，能滿(mǎn)足形狀描述的3個(gè)要求，提高水果形狀分級(jí)的精度。圖1本發(fā)明的結(jié)構(gòu)原理示意圖；圖2是圖1的A處局部放大圖；圖3是圖1的B向視圖；圖4是原始水果圖像；圖5是水果邊緣曲線(xiàn)；圖6是重采樣后得到的256個(gè)邊界點(diǎn)；圖7是計(jì)算邊界點(diǎn)到形心的距離示意圖；圖8是對(duì)圖4進(jìn)行果形描述時(shí)的起點(diǎn)位置；圖9是對(duì)圖4任意旋轉(zhuǎn)一個(gè)角度新的用于果形描述時(shí)的起點(diǎn)位置；圖10是二通道分解示意圖；圖11本發(fā)明的水果形狀檢測(cè)軟件流程圖。圖中1、接近開(kāi)關(guān)，2、鏈輪，3、鏈?zhǔn)捷斔脱b置，3.1、鏈條，3.2、滾輪軸，3.3、滾輪，3.4、滾輪托板，4、分頻器，5、光照箱，6、攝像機(jī)，7、圖像采集卡，8、計(jì)算機(jī)，9、水果形狀檢測(cè)軟件，10、被測(cè)水果。具體實(shí)施例方式如圖1、圖2所示，本發(fā)明包括接近開(kāi)關(guān)1，兩個(gè)鏈輪2，鏈?zhǔn)捷斔脱b置3，分頻器4，光照箱5，攝像機(jī)6，圖像采集卡7，計(jì)算機(jī)8及水果形狀檢測(cè)軟件9。兩個(gè)鏈輪2間裝有鏈?zhǔn)捷斔脱b置3，接近開(kāi)關(guān)1安裝在一個(gè)鏈輪2邊緣側(cè)，鏈?zhǔn)捷斔脱b置3的上面鏈條3.1下裝有滾輪托板3.4，上鏈條3.1上裝有光照箱5，攝像機(jī)6安裝在光照箱5內(nèi)部上方，攝像機(jī)6的輸出信號(hào)通過(guò)電纜輸入到圖像采集卡7的圖像輸入端；圖像采集卡7安裝在計(jì)算機(jī)8的插槽內(nèi)；計(jì)算機(jī)8上安裝水果圖像檢測(cè)軟件9，分頻器4的一端接接近開(kāi)關(guān)1，分頻器4的另一端接圖像采集卡7。如圖2、圖3所示，所述的鏈?zhǔn)捷斔脱b置3包括鏈條3.1，滾輪軸3.2，滾輪3.3，滾輪托板3.4組成；滾輪軸3.2穿過(guò)鏈條3.1和滾輪3.3，上裝被測(cè)水果10的滾輪3.3對(duì)稱(chēng)地分布在鏈條3.1的兩側(cè)。所述的分頻器4的分頻倍數(shù)等于兩個(gè)滾輪3.3在鏈輪2上相距的齒數(shù)。工作時(shí)，在外部動(dòng)力機(jī)帶動(dòng)下，鏈輪2順時(shí)針?lè)较蛐D(zhuǎn)，帶動(dòng)鏈?zhǔn)捷斔脱b置3作順時(shí)針環(huán)繞運(yùn)動(dòng)，另一方面，當(dāng)鏈輪的齒靠近、離開(kāi)接近開(kāi)關(guān)1時(shí)，接近開(kāi)關(guān)1產(chǎn)生周期性的脈沖信號(hào)，經(jīng)分頻器4分頻后產(chǎn)生同步脈沖信號(hào)，同步脈沖輸入圖像采集卡7，觸發(fā)圖像采集卡7采集圖像。圖1為采用上述機(jī)器視覺(jué)系統(tǒng)采集的一幅柑桔圖像，對(duì)水果圖像進(jìn)行二值分割、濾波和邊緣檢測(cè)后，得到邊緣曲線(xiàn)。水果形狀檢測(cè)軟件按下述方法編制。對(duì)水果邊緣曲線(xiàn)進(jìn)行重采樣、規(guī)范化、選擇起點(diǎn)以及多尺度上能量提取。對(duì)水果圖像進(jìn)行邊緣檢測(cè)后，提取出邊緣點(diǎn)，建立弧長(zhǎng)與坐標(biāo)的關(guān)系，進(jìn)行三次樣條進(jìn)行插值，等弧長(zhǎng)間隔重采樣256個(gè)點(diǎn)，分別求出這256個(gè)點(diǎn)到形心的距離r(k)并規(guī)范化，定義一個(gè)在區(qū)間[1，256]均勻分布的隨機(jī)變量k和與此隨機(jī)變量對(duì)應(yīng)的隨機(jī)半徑函數(shù)F(k)，求該函數(shù)的數(shù)學(xué)期望最大值，以確定水果邊緣曲線(xiàn)起始點(diǎn)。對(duì)F(k)進(jìn)行雙通道正交濾波，采用coiflets正交濾波器組分解后得到多個(gè)尺度上的系數(shù){dk(j)}，每個(gè)尺度上的系數(shù)進(jìn)行平方求和，得到關(guān)于各個(gè)尺度上的能量分布向量E＝{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}，用向量E作為特征來(lái)對(duì)水果形狀進(jìn)行分類(lèi)，分類(lèi)方法采用應(yīng)用較廣泛的三層BP神經(jīng)網(wǎng)絡(luò)，輸入層為7個(gè)神經(jīng)元，隱含層為8個(gè)神經(jīng)元，輸出層為3個(gè)神經(jīng)元，分類(lèi)前先用樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)水果進(jìn)行分級(jí)。具體的處理步驟如下①對(duì)圖4所示的水果圖像二值化、濾波和邊緣檢測(cè)后，得到水果邊緣曲線(xiàn)；②以水果圖像形心為原點(diǎn)O，水平方向和垂直方向分別為X，Y軸，建立笛卡爾坐標(biāo)系(如圖5)；選取水果邊緣曲線(xiàn)最右邊的點(diǎn)為初始點(diǎn)，對(duì)邊緣按逆時(shí)針?lè)较蜻M(jìn)行邊緣跟蹤，將邊緣點(diǎn)的位置信息、當(dāng)前點(diǎn)到初始點(diǎn)的弧長(zhǎng)信息存入自定義結(jié)構(gòu)Nodeinfo型數(shù)組中；structNodeinfo{intx；//當(dāng)前點(diǎn)的橫坐標(biāo)inty；//當(dāng)前點(diǎn)的縱坐標(biāo)doubleDistance；//當(dāng)前點(diǎn)到初始點(diǎn)的弧長(zhǎng)}③以弧長(zhǎng)為自變量，橫坐標(biāo)和縱坐標(biāo)分別為弧長(zhǎng)的因變量，用用公式(1)進(jìn)行三次樣條擬合；<math><mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>y</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>&lambda;</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>a</mi><mi>j</mi></msub><msup><mi>&lambda;</mi><mn>3</mn></msup><mo>+</mo><msub><mi>b</mi><mi>j</mi></msub><msup><mi>&lambda;</mi><mn>2</mn></msup><mo>+</mo><msub><mi>c</mi><mi>j</mi></msub><mi>&lambda;</mi><mo>+</mo><msub><mi>d</mi><mi>j</mi></msub></mtd></mtr><mtr><mtd><mi>y</mi><mrow><mo>(</mo><msub><mi>&lambda;</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>=</mo><msub><mi>y</mi><mi>j</mi></msub></mtd></mtr><mtr><mtd><mi>y</mi><mrow><mo>(</mo><msub><mi>&lambda;</mi><mn>0</mn></msub><mo>+</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><mi>y</mi><mrow><mo>(</mo><msub><mi>&lambda;</mi><mi>N</mi></msub><mo>-</mo><mn>0</mn><mo>)</mo></mrow><mo>,</mo><msup><mi>y</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><msub><mi>&lambda;</mi><mn>0</mn></msub><mo>+</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>y</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><msub><mi>&lambda;</mi><mi>N</mi></msub><mo>-</mo><mn>0</mn><mo>)</mo></mrow><mo>,</mo><msup><mi>y</mi><mrow><mo>&prime;</mo><mo>&prime;</mo></mrow></msup><mrow><mo>(</mo><msub><mi>&lambda;</mi><mn>0</mn></msub><mo>+</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>y</mi><mrow><mo>&prime;</mo><mo>&prime;</mo></mrow></msup><mrow><mo>(</mo><msub><mi>&lambda;</mi><mi>N</mi></msub><mo>-</mo><mn>0</mn><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>λ-弧長(zhǎng)y-笛卡兒坐標(biāo)系中X，Y坐標(biāo)λj-第j個(gè)邊緣點(diǎn)到初始點(diǎn)的弧長(zhǎng)yj-第j個(gè)邊緣點(diǎn)的坐標(biāo)λN-最后一個(gè)邊緣點(diǎn)到初始點(diǎn)的弧長(zhǎng)y0-初始點(diǎn)的坐標(biāo)λ0-初始點(diǎn)的弧長(zhǎng)值為0aj，bj，cj，dj-第j個(gè)方程的系數(shù)④對(duì)擬合后的曲線(xiàn)按弧長(zhǎng)進(jìn)行256等份，得到長(zhǎng)度為256的重采樣后的坐標(biāo)序列X[1…256]，Y[1…256]，重采樣后的邊緣點(diǎn)如圖6所示；⑤利用式(2)得到邊緣點(diǎn)到水果形心的半徑序列如圖7<math><mrow><msup><mi>r</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msqrt><msubsup><mi>x</mi><mi>k</mi><mn>2</mn></msubsup><mo>+</mo><msubsup><mi>y</mi><mi>k</mi><mn>2</mn></msubsup></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></math>其中k-邊緣序列，k＝1，2，…256xk，yk-第k個(gè)邊緣點(diǎn)的坐標(biāo)r′(k)-半徑序列，k＝1，2，…256⑥對(duì)步驟⑤得到半徑序列r(k)由式(3)規(guī)范化<math><mrow><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>r</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>/</mo><mrow><mo>(</mo><munderover><mi>&Sigma;</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mn>256</mn></munderover><msup><mi>r</mi><mo>&prime;</mo></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>/</mo><mn>256</mn><mo>)</mo></mrow></mrow></math><math><mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow></math>⑦定義一個(gè)取值范圍在區(qū)間[1，256]上的隨機(jī)變量k，并且該隨機(jī)變量為均勻分布，則其概率密度為<math><mrow><mi>f</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mi>k</mi><mn>255</mn></mfrac></mrow></math>1≤k≤256(4)⑧定義一個(gè)關(guān)于隨機(jī)變量k的函數(shù)<math><mrow><mi>F</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>m</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mi>N</mi><mo>+</mo><mn>1</mn><mo>-</mo><mi>m</mi><mo>,</mo></mtd></mtr><mtr><mtd><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>+</mo><mi>m</mi><mo>)</mo></mrow><mo>,</mo><mi>N</mi><mo>+</mo><mn>1</mn><mo>-</mo><mi>m</mi><mo>&lt;</mo><mi>k</mi><mo>&le;</mo><mi>N</mi></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>其中m∈[1，256]，且m∈Z，N＝256(5)按下面的方法選擇起點(diǎn)for(m＝1；m＜＝256；m++){sum＝0；for(k＝1；k＜＝256；k++){sum＝sum+p(k)×F(k)}if(m＝＝1)temp＝sum；<!--SIPO<DPn="6">--><dpn="d6"/>else{if(sum＞temp){temp＝sum；startP＝m；}}}//startP點(diǎn)作為曲線(xiàn)起點(diǎn)<br/>運(yùn)算完成后，startP即為起點(diǎn)。圖8是對(duì)圖4用本方法選擇的起點(diǎn)；圖9是圖4中水果任意旋轉(zhuǎn)一個(gè)角度后的圖像后用本方法選擇的起點(diǎn)，起點(diǎn)位置也旋轉(zhuǎn)了相同角度，由此可見(jiàn)，采用本方法選擇的起點(diǎn)位置與水果圖像的擺放角度無(wú)關(guān)。⑨將m＝startP，代入(5)，調(diào)整F(k)；把F(k)當(dāng)作一個(gè)輸入信號(hào)，對(duì)其按圖10所示的方法進(jìn)行二通道分解，對(duì)F(k)進(jìn)行雙通道正交濾波，采用coiflets正交濾波器組分解后得到多個(gè)尺度上的系數(shù){dk(j)}；對(duì)輸入信號(hào)先進(jìn)行高通濾波然后向下2采樣得到第一個(gè)尺度上的細(xì)節(jié)系數(shù)，對(duì)輸入信號(hào)進(jìn)行低通濾波然后向下2采樣得到的信號(hào)再作為輸入信號(hào)遞歸進(jìn)行直到信號(hào)分解到所需要的尺度J＝6。具體算法如下for(j＝0；j＜J；j++){<math><mrow><msubsup><mi>d</mi><mi>k</mi><mrow><mo>(</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>=</mo><msubsup><mi>F</mi><mi>k</mi><mi>j</mi></msubsup><mo>*</mo><msub><mi>h</mi><mrow><mn>1</mn><mi>k</mi></mrow></msub><mo>;</mo><msubsup><mrow><msubsup><mi>d</mi><mi>k</mi><mrow><mo>(</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>=</mo><mi>d</mi></mrow><mrow><mn>2</mn><mi>k</mi></mrow><mrow><mo>(</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>;</mo></mrow></math><math><mrow><msubsup><mi>F</mi><mi>k</mi><mrow><mo>(</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>=</mo><msubsup><mi>F</mi><mi>k</mi><mi>j</mi></msubsup><mo>*</mo><msub><mi>h</mi><mrow><mn>0</mn><mi>k</mi></mrow></msub><mo>;</mo><msubsup><mi>F</mi><mi>k</mi><mrow><mo>(</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>=</mo><msubsup><mi>F</mi><mrow><mn>2</mn><mi>k</mi></mrow><mrow><mo>(</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msubsup><mo>;</mo></mrow></math>}h1k-高通濾波器系數(shù)h0k-低通濾波器系數(shù)其值分別為h0k＝{-0.0007，-0.0018，0.0056，0.0237，-0.0594，-0.0765，0.4170，0.8127，0.3861，-0.0674，-0.0415，0.0164}，h1k＝{-0.0164，-0.0415，0.0674，0.3861，-0.8127，0.4170，0.0765，-0.0594，-0.0237，0.0056，0.0018，0.0007}將信號(hào)進(jìn)行分解后就可按如下公式求得各個(gè)尺度上的能量分布<math><mrow><msub><mi>E</mi><mi>d</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>&Sigma;</mi><mi>k</mi></munder><msup><mrow><mo>(</mo><msubsup><mi>d</mi><mi>k</mi><mi>j</mi></msubsup><mo>)</mo></mrow><mn>2</mn></msup></mrow></math>//細(xì)節(jié)能量；<math><mrow><msub><mi>E</mi><mi>a</mi></msub><mo>=</mo><munder><mi>&Sigma;</mi><mi>k</mi></munder><msup><mrow><mo>(</mo><msubsup><mi>F</mi><mi>k</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></msubsup><mo>)</mo></mrow><mn>2</mn></msup></mrow></math>//逼近能量水果形狀就由這6個(gè)特征來(lái)描述{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}(6)⑩采用應(yīng)用較廣泛的三層BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)設(shè)計(jì)為輸入層為7個(gè)神經(jīng)元，隱含層為8個(gè)神經(jīng)元，輸出層為3個(gè)神經(jīng)元；讓有經(jīng)驗(yàn)的果農(nóng)分別挑選果形好、輕微畸形、重度畸形的樣本若干；分別輸入本發(fā)明的機(jī)器視覺(jué)系統(tǒng)采集圖像，對(duì)這些采集的圖像按上述方法進(jìn)行分析處理，得到一系列的特征值Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea；將這些特征值輸入神經(jīng)網(wǎng)絡(luò)的輸入層為7個(gè)神經(jīng)元，并分別令對(duì)應(yīng)的輸出層的輸出結(jié)果為[1，0，0]、、，分別表示果形好、輕度畸形、重度畸形，對(duì)神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練；將訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)作為常量輸入水果形狀檢測(cè)軟件9；啟動(dòng)機(jī)器視覺(jué)系統(tǒng)進(jìn)行水果形狀檢測(cè)。試驗(yàn)表明，結(jié)果正確率達(dá)到86％。權(quán)利要求1.一種水果形狀的多尺度能量檢測(cè)方法，其特征在于該方法的步驟如下1)對(duì)水果圖像進(jìn)行邊緣檢測(cè)后，提取出邊緣點(diǎn)；2)以水果圖像形心為原點(diǎn)O，水平方向和垂直方向分別為X，Y軸，建立笛卡爾坐標(biāo)系；3)選取水果邊緣曲線(xiàn)最右邊的點(diǎn)為初始點(diǎn)，對(duì)邊緣按逆時(shí)針?lè)较蜻M(jìn)行邊緣跟蹤，將邊緣點(diǎn)的位置信息、當(dāng)前點(diǎn)到初始點(diǎn)的弧長(zhǎng)信息存入自定義結(jié)構(gòu)Nodeinfo型數(shù)組中；structNodeinfo{intx；//當(dāng)前點(diǎn)的橫坐標(biāo)inty；//當(dāng)前點(diǎn)的縱坐標(biāo)doubleDistance；//當(dāng)前點(diǎn)到初始點(diǎn)的弧長(zhǎng)}4)對(duì)邊緣進(jìn)行三次樣條進(jìn)行插值，等弧長(zhǎng)間隔重采樣256個(gè)點(diǎn)，得到新的邊緣點(diǎn)；5)分別求出這256個(gè)新的邊緣點(diǎn)到形心的規(guī)范化距離r(k)；6)定義一個(gè)在區(qū)間[1，256]均勻分布的隨機(jī)變量k和與此隨機(jī)變量對(duì)應(yīng)的隨機(jī)半徑函數(shù)F(k)，在區(qū)間[1，256]改變隨機(jī)變量k的值，當(dāng)函數(shù)F(k)取得數(shù)學(xué)期望最大值時(shí)，k為邊緣曲線(xiàn)起始點(diǎn)startP；以起始點(diǎn)startP為起始點(diǎn)調(diào)整F(k)；7)對(duì)F(k)進(jìn)行雙通道正交濾波，采用coiflets正交濾波器組分解后得到多個(gè)尺度上的系數(shù){dk(j)}，每個(gè)尺度上的系數(shù)進(jìn)行平方求和，得到關(guān)于各個(gè)尺度上的能量分布向量E＝{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}，用向量E作為特征來(lái)對(duì)水果形狀進(jìn)行分類(lèi)，分類(lèi)方法采用應(yīng)用較廣泛的三層BP神經(jīng)網(wǎng)絡(luò)，輸入層為7個(gè)神經(jīng)元，隱含層為8個(gè)神經(jīng)元，輸出層為3個(gè)神經(jīng)元，分類(lèi)前先用樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)水果進(jìn)行分級(jí)。2.根據(jù)權(quán)利要求1所述的一種水果形狀的多尺度能量檢測(cè)方法，其特征在于所述的在區(qū)間[1，256]均勻分布的隨機(jī)變量k，<math><mrow><mi>f</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mi>k</mi><mn>255</mn></mfrac><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mn>256</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>3.根據(jù)權(quán)利要求1所述的一種水果形狀的多尺度能量檢測(cè)方法，其特征在于所述的隨機(jī)半徑函數(shù)F(k)，<math><mrow><mi>F</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>m</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>,</mo><mn>1</mn><mo>&le;</mo><mi>k</mi><mo>&le;</mo><mi>N</mi><mo>+</mo><mn>1</mn><mo>-</mo><mi>m</mi><mo>,</mo></mtd></mtr><mtr><mtd><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>N</mi><mo>-</mo><mn>1</mn><mo>+</mo><mi>m</mi><mo>)</mo></mrow><mo>,</mo><mi>N</mi><mo>+</mo><mn>1</mn><mo>-</mo><mi>m</mi><mo>&lt;</mo><mi>k</mi><mo>&le;</mo><msup><mi>N</mi><mo>'</mo></msup></mtd></mtr></mtable></mfenced></mrow></math>其中m∈[1，256]，且m∈Z，N＝256(2)4，根據(jù)權(quán)利要求1所述的一種水果形狀的多尺度能量檢測(cè)方法，其特征在于所述的通過(guò)計(jì)算隨機(jī)半徑函數(shù)F(k)數(shù)學(xué)期望最大值確定邊緣曲線(xiàn)起始點(diǎn)startP的方法，for(m＝1；m＜＝256；m++)<br/>　　{<br/>　　sum＝0；<br/>　　for(k＝1；k＜＝256；k++)<br/>　　{<br/>　　sum＝sum+p(k)×F(k)<br/>　　}<br/>　　if(m＝＝1)<br/>　　temp＝sum；<br/>　　else<br/>　　{<br/>　　if(sum＞temp)<br/>　　{<br/>　　temp＝sum；<br/>　　startP＝m；<br/>　　}<br/>　　}<br/>}//startP點(diǎn)作為曲線(xiàn)起點(diǎn)。<br/>5.用于權(quán)利要求1所述的一種水果形狀的多尺度能量檢測(cè)裝置，其特征在于包括接近開(kāi)關(guān)(1)，兩個(gè)鏈輪(2)，鏈?zhǔn)捷斔脱b置(3)，分頻器(4)，光照箱(5)，攝像機(jī)(6)，圖像采集卡(7)，計(jì)算機(jī)(8)及水果形狀檢測(cè)軟件(9)；兩個(gè)鏈輪(2)間裝有鏈?zhǔn)捷斔脱b置(3)，接近開(kāi)關(guān)(1)安裝在一個(gè)鏈輪(2)邊緣側(cè)，鏈?zhǔn)捷斔脱b置(3)的上面鏈條(3.1)下裝有滾輪托板(3.4)，上鏈條(3.1)上裝有光照箱(5)，攝像機(jī)(6)安裝在光照箱(5)內(nèi)部上方，攝像機(jī)(6)的輸出信號(hào)通過(guò)電纜輸入到圖像采集卡(7)的圖像輸入端；圖像采集卡(7)安裝在計(jì)算機(jī)(8)的插槽內(nèi)；計(jì)算機(jī)(8)上安裝水果圖像檢測(cè)軟件(9)，分頻器(4)的一端接接近開(kāi)關(guān)(1)，分頻器(4)的另一端接圖像采集卡(7)。6.根據(jù)權(quán)利要求5所述的一種水果形狀的多尺度能量檢測(cè)裝置，其特征在于所述的鏈?zhǔn)捷斔脱b置(3)包括鏈條(3.1)，滾輪軸(3.2)，滾輪(3.3)，滾輪托板(3.4)組成；滾輪軸(3.2)穿過(guò)鏈條(3.1)和滾輪(3.3)，上裝被測(cè)水果(10)的滾輪(3.3)對(duì)稱(chēng)地分布在鏈條(3.1)的兩側(cè)。7.根據(jù)權(quán)利要求5所述的一種水果形狀的多尺度能量檢測(cè)裝置，其特征在于所述的分頻器(4)的分頻倍數(shù)等于兩個(gè)滾輪(3.3)在鏈輪(2)上相距的齒數(shù)。全文摘要本發(fā)明公開(kāi)了一種水果形狀的多尺度能量檢測(cè)方法及裝置，對(duì)水果邊緣曲線(xiàn)采用三次樣條方法插值得到256個(gè)邊緣點(diǎn)，計(jì)算這些點(diǎn)到形心的規(guī)范化距離r(k)，并確定相應(yīng)的隨機(jī)半徑函數(shù)F(k)，計(jì)算F(k)的數(shù)學(xué)期望最大值以確定緣曲線(xiàn)起始點(diǎn)。對(duì)F(k)采用coiflets正交濾波器組處理得到能量分布向量E＝{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}，將向量E輸入輸入層、隱含層和輸出層神經(jīng)元數(shù)目分別為7、8和3的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)。檢測(cè)裝置包括接近開(kāi)關(guān)，兩個(gè)鏈輪，鏈?zhǔn)捷斔脱b置，分頻器，光照箱，攝像機(jī)，圖像采集卡，計(jì)算機(jī)及水果形狀檢測(cè)軟件。本發(fā)明根據(jù)水果形狀曲線(xiàn)的多尺度能量分布規(guī)律檢測(cè)果形，滿(mǎn)足形狀描述的3個(gè)要求，提高形狀分級(jí)的精度。文檔編號(hào)G01B21/10GK1664502SQ200510049488公開(kāi)日2005年9月7日申請(qǐng)日期2005年3月28日優(yōu)先權(quán)日2005年3月28日發(fā)明者應(yīng)義斌,桂江生,饒秀勤,蔣煥煜,徐惠榮申請(qǐng)人:浙江大學(xué)