专利名称：：水果形状的多尺度能量检测方法及装置的制作方法
技术领域：
：本发明涉及一种水果形状的多尺度能量检测方法及装置。
背景技术：
：水果形状是水果自动分级的一个重要指标，水果形状的描述是水果按形状分类的基础，一个好的形状描述子应具有如下3个性质①不变性对于两个相同的形状，不能其尺寸怎么缩放，在视场中如何平移以及旋转都应该有相同的描述；②唯一性对于两个不同的形状，应该有不同的描述；③稳定性同一个形状的微小变化，对应在描述中也只应是微小的变化。目前水果形状描述方法可分成两类①基于纵径比的水果形状描述方法采用水果纵径和横径的比值来描述果形，该方法比较粗糙，不能适应水果高精度分级要求，在唯一性和稳定性上不能满足要求；②基于频率域的水果形状描述方法这类方法主要对形状曲线利用傅立叶变换变换到频率域，然后提取前面分量大的系数作为分类特征。这类方法应用较广泛，但是由于傅立叶变换是用正弦和余弦函数作为基的，这类方法只具备全局刻画形状特征的能力，对形状的局部情况不能明确反映出来，不能很好的满足形状的稳定性要求，这样有噪声的情况下，会很容易造成水果分级失误。此外，在解决水果旋转性方面，目前的方法大多采取固定起始点，这样存在着许多局限性例如，选择果梗点为起点，在水果缺少果梗时就无能为力，或者选择最小半径为起点，在水果形状对称时就比较难以确定最小半径。
发明内容本发明的目的在于提供一种水果形状的多尺度能量检测方法及装置，将水果边缘曲线以多尺度能量分布的形式刻画出来，满足形状的3性质，解决了传统的起点选择方法的局限性通过重新采样降低噪声的影响，利用多尺度的方法很好地刻画形状局部特征，提高了形状分类的准确率。本发明解决其技术问题所采用的技术方案是一、水果形状的多尺度能量检测方法1)对水果图像进行边缘检测后，提取出边缘点；2)以水果图像形心为原点O，水平方向和垂直方向分别为X，Y轴，建立笛卡尔坐标系；3)选取水果边缘曲线最右边的点为初始点，对边缘按逆时针方向进行边缘跟踪，将边缘点的位置信息、当前点到初始点的弧长信息存入自定义结构Nodeinfo型数组中；structNodeinfo{intx；//当前点的横坐标inty；//当前点的纵坐标doubleDistance；//当前点到初始点的弧长}4)对边缘进行三次样条进行插值，等弧长间隔重采样256个点，得到新的边缘点；5)分别求出这256个新的边缘点到形心的规范化距离r(k)；6)定义一个在区间[1，256]均匀分布的随机变量k和与此随机变量对应的随机半径函数F(k)，在区间[1，256]改变随机变量k的值，当函数F(k)取得数学期望最大值时，k为边缘曲线起始点startP；以起始点startP为起始点调整F(k)；7)对F(k)进行双通道正交滤波，采用coiflets正交滤波器组分解后得到多个尺度上的系数{dk(j)}，每个尺度上的系数进行平方求和，得到关于各个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作为特征来对水果形状进行分类，分类方法采用应用较广泛的三层BP神经网络，输入层为7个神经元，隐含层为8个神经元，输出层为3个神经元，分类前先用样本对网络进行训练，然后用训练好的网络对水果进行分级。所述的在区间[1，256]均匀分布的随机变量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)所述的随机半径函数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>≤</mo><mi>k</mi><mo>≤</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><</mo><mi>k</mi><mo>≤</mo><mi>N</mi></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>其中m∈[1，256]，且m∈Z，N＝256(2)所述的通过计算随机半径函数F(k)数学期望最大值确定边缘曲线起始点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点作为曲线起点<br/>二、用于实现上述水果形状检测方法的装置包括接近开关，两个链轮，链式输送装置，分频器，光照箱，摄像机，图像采集卡，计算机及水果形状检测软件。两个链轮间装有链式输送装置，接近开关安装在一个链轮边缘侧，链式输送装置的上面链条下装有滚轮托板，上链条上装有光照箱，摄像机安装在光照箱内部上方，摄像机的输出信号通过电缆输入到图像采集卡的图像输入端；图像采集卡安装在计算机的插槽内；计算机上安装水果图像检测软件，分频器的一端接接近开关，分频器的另一端接图像采集卡。所述的链式输送装置包括链条，滚轮轴，滚轮，滚轮托板组成；滚轮轴穿过链条和滚轮，上装被测水果的滚轮对称地分布在链条的两侧。所述的分频器的分频倍数等于两个滚轮在链轮上相距的齿数。本发明具有的有益的效果是根据水果形状曲线的多尺度能量分布规律检测水果果形，能满足形状描述的3个要求，提高水果形状分级的精度。图1本发明的结构原理示意图；图2是图1的A处局部放大图；图3是图1的B向视图；图4是原始水果图像；图5是水果边缘曲线；图6是重采样后得到的256个边界点；图7是计算边界点到形心的距离示意图；图8是对图4进行果形描述时的起点位置；图9是对图4任意旋转一个角度新的用于果形描述时的起点位置；图10是二通道分解示意图；图11本发明的水果形状检测软件流程图。图中1、接近开关，2、链轮，3、链式输送装置，3.1、链条，3.2、滚轮轴，3.3、滚轮，3.4、滚轮托板，4、分频器，5、光照箱，6、摄像机，7、图像采集卡，8、计算机，9、水果形状检测软件，10、被测水果。具体实施例方式如图1、图2所示，本发明包括接近开关1，两个链轮2，链式输送装置3，分频器4，光照箱5，摄像机6，图像采集卡7，计算机8及水果形状检测软件9。两个链轮2间装有链式输送装置3，接近开关1安装在一个链轮2边缘侧，链式输送装置3的上面链条3.1下装有滚轮托板3.4，上链条3.1上装有光照箱5，摄像机6安装在光照箱5内部上方，摄像机6的输出信号通过电缆输入到图像采集卡7的图像输入端；图像采集卡7安装在计算机8的插槽内；计算机8上安装水果图像检测软件9，分频器4的一端接接近开关1，分频器4的另一端接图像采集卡7。如图2、图3所示，所述的链式输送装置3包括链条3.1，滚轮轴3.2，滚轮3.3，滚轮托板3.4组成；滚轮轴3.2穿过链条3.1和滚轮3.3，上装被测水果10的滚轮3.3对称地分布在链条3.1的两侧。所述的分频器4的分频倍数等于两个滚轮3.3在链轮2上相距的齿数。工作时，在外部动力机带动下，链轮2顺时针方向旋转，带动链式输送装置3作顺时针环绕运动，另一方面，当链轮的齿靠近、离开接近开关1时，接近开关1产生周期性的脉冲信号，经分频器4分频后产生同步脉冲信号，同步脉冲输入图像采集卡7，触发图像采集卡7采集图像。图1为采用上述机器视觉系统采集的一幅柑桔图像，对水果图像进行二值分割、滤波和边缘检测后，得到边缘曲线。水果形状检测软件按下述方法编制。对水果边缘曲线进行重采样、规范化、选择起点以及多尺度上能量提取。对水果图像进行边缘检测后，提取出边缘点，建立弧长与坐标的关系，进行三次样条进行插值，等弧长间隔重采样256个点，分别求出这256个点到形心的距离r(k)并规范化，定义一个在区间[1，256]均匀分布的随机变量k和与此随机变量对应的随机半径函数F(k)，求该函数的数学期望最大值，以确定水果边缘曲线起始点。对F(k)进行双通道正交滤波，采用coiflets正交滤波器组分解后得到多个尺度上的系数{dk(j)}，每个尺度上的系数进行平方求和，得到关于各个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作为特征来对水果形状进行分类，分类方法采用应用较广泛的三层BP神经网络，输入层为7个神经元，隐含层为8个神经元，输出层为3个神经元，分类前先用样本对网络进行训练，然后用训练好的网络对水果进行分级。具体的处理步骤如下①对图4所示的水果图像二值化、滤波和边缘检测后，得到水果边缘曲线；②以水果图像形心为原点O，水平方向和垂直方向分别为X，Y轴，建立笛卡尔坐标系(如图5)；选取水果边缘曲线最右边的点为初始点，对边缘按逆时针方向进行边缘跟踪，将边缘点的位置信息、当前点到初始点的弧长信息存入自定义结构Nodeinfo型数组中；structNodeinfo{intx；//当前点的横坐标inty；//当前点的纵坐标doubleDistance；//当前点到初始点的弧长}③以弧长为自变量，横坐标和纵坐标分别为弧长的因变量，用用公式(1)进行三次样条拟合；<math><mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>y</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>λ</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>a</mi><mi>j</mi></msub><msup><mi>λ</mi><mn>3</mn></msup><mo>+</mo><msub><mi>b</mi><mi>j</mi></msub><msup><mi>λ</mi><mn>2</mn></msup><mo>+</mo><msub><mi>c</mi><mi>j</mi></msub><mi>λ</mi><mo>+</mo><msub><mi>d</mi><mi>j</mi></msub></mtd></mtr><mtr><mtd><mi>y</mi><mrow><mo>(</mo><msub><mi>λ</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>λ</mi><mn>0</mn></msub><mo>+</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><mi>y</mi><mrow><mo>(</mo><msub><mi>λ</mi><mi>N</mi></msub><mo>-</mo><mn>0</mn><mo>)</mo></mrow><mo>,</mo><msup><mi>y</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>λ</mi><mn>0</mn></msub><mo>+</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>y</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>λ</mi><mi>N</mi></msub><mo>-</mo><mn>0</mn><mo>)</mo></mrow><mo>,</mo><msup><mi>y</mi><mrow><mo>′</mo><mo>′</mo></mrow></msup><mrow><mo>(</mo><msub><mi>λ</mi><mn>0</mn></msub><mo>+</mo><mn>0</mn><mo>)</mo></mrow><mo>=</mo><msup><mi>y</mi><mrow><mo>′</mo><mo>′</mo></mrow></msup><mrow><mo>(</mo><msub><mi>λ</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-弧长y-笛卡儿坐标系中X，Y坐标λj-第j个边缘点到初始点的弧长yj-第j个边缘点的坐标λN-最后一个边缘点到初始点的弧长y0-初始点的坐标λ0-初始点的弧长值为0aj，bj，cj，dj-第j个方程的系数④对拟合后的曲线按弧长进行256等份，得到长度为256的重采样后的坐标序列X[1…256]，Y[1…256]，重采样后的边缘点如图6所示；⑤利用式(2)得到边缘点到水果形心的半径序列如图7<math><mrow><msup><mi>r</mi><mo>′</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-边缘序列，k＝1，2，…256xk，yk-第k个边缘点的坐标r′(k)-半径序列，k＝1，2，…256⑥对步骤⑤得到半径序列r(k)由式(3)规范化<math><mrow><mi>r</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>r</mi><mo>′</mo></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>/</mo><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mn>256</mn></munderover><msup><mi>r</mi><mo>′</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定义一个取值范围在区间[1，256]上的随机变量k，并且该随机变量为均匀分布，则其概率密度为<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定义一个关于随机变量k的函数<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>≤</mo><mi>k</mi><mo>≤</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><</mo><mi>k</mi><mo>≤</mo><mi>N</mi></mtd></mtr></mtable></mfenced><mo>,</mo></mrow></math>其中m∈[1，256]，且m∈Z，N＝256(5)按下面的方法选择起点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点作为曲线起点<br/>运算完成后，startP即为起点。图8是对图4用本方法选择的起点；图9是图4中水果任意旋转一个角度后的图像后用本方法选择的起点，起点位置也旋转了相同角度，由此可见，采用本方法选择的起点位置与水果图像的摆放角度无关。⑨将m＝startP，代入(5)，调整F(k)；把F(k)当作一个输入信号，对其按图10所示的方法进行二通道分解，对F(k)进行双通道正交滤波，采用coiflets正交滤波器组分解后得到多个尺度上的系数{dk(j)}；对输入信号先进行高通滤波然后向下2采样得到第一个尺度上的细节系数，对输入信号进行低通滤波然后向下2采样得到的信号再作为输入信号递归进行直到信号分解到所需要的尺度J＝6。具体算法如下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-高通滤波器系数h0k-低通滤波器系数其值分别为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}将信号进行分解后就可按如下公式求得各个尺度上的能量分布<math><mrow><msub><mi>E</mi><mi>d</mi></msub><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</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>//细节能量；<math><mrow><msub><mi>E</mi><mi>a</mi></msub><mo>=</mo><munder><mi>Σ</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>//逼近能量水果形状就由这6个特征来描述{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}(6)⑩采用应用较广泛的三层BP神经网络，其结构设计为输入层为7个神经元，隐含层为8个神经元，输出层为3个神经元；让有经验的果农分别挑选果形好、轻微畸形、重度畸形的样本若干；分别输入本发明的机器视觉系统采集图像，对这些采集的图像按上述方法进行分析处理，得到一系列的特征值Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea；将这些特征值输入神经网络的输入层为7个神经元，并分别令对应的输出层的输出结果为[1，0，0]、、，分别表示果形好、轻度畸形、重度畸形，对神经网络系统进行训练；将训练过的神经网络权系数作为常量输入水果形状检测软件9；启动机器视觉系统进行水果形状检测。试验表明，结果正确率达到86％。权利要求1.一种水果形状的多尺度能量检测方法，其特征在于该方法的步骤如下1)对水果图像进行边缘检测后，提取出边缘点；2)以水果图像形心为原点O，水平方向和垂直方向分别为X，Y轴，建立笛卡尔坐标系；3)选取水果边缘曲线最右边的点为初始点，对边缘按逆时针方向进行边缘跟踪，将边缘点的位置信息、当前点到初始点的弧长信息存入自定义结构Nodeinfo型数组中；structNodeinfo{intx；//当前点的横坐标inty；//当前点的纵坐标doubleDistance；//当前点到初始点的弧长}4)对边缘进行三次样条进行插值，等弧长间隔重采样256个点，得到新的边缘点；5)分别求出这256个新的边缘点到形心的规范化距离r(k)；6)定义一个在区间[1，256]均匀分布的随机变量k和与此随机变量对应的随机半径函数F(k)，在区间[1，256]改变随机变量k的值，当函数F(k)取得数学期望最大值时，k为边缘曲线起始点startP；以起始点startP为起始点调整F(k)；7)对F(k)进行双通道正交滤波，采用coiflets正交滤波器组分解后得到多个尺度上的系数{dk(j)}，每个尺度上的系数进行平方求和，得到关于各个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作为特征来对水果形状进行分类，分类方法采用应用较广泛的三层BP神经网络，输入层为7个神经元，隐含层为8个神经元，输出层为3个神经元，分类前先用样本对网络进行训练，然后用训练好的网络对水果进行分级。2.根据权利要求1所述的一种水果形状的多尺度能量检测方法，其特征在于所述的在区间[1，256]均匀分布的随机变量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>≤</mo><mi>k</mi><mo>≤</mo><mn>256</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>3.根据权利要求1所述的一种水果形状的多尺度能量检测方法，其特征在于所述的随机半径函数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>≤</mo><mi>k</mi><mo>≤</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><</mo><mi>k</mi><mo>≤</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，根据权利要求1所述的一种水果形状的多尺度能量检测方法，其特征在于所述的通过计算随机半径函数F(k)数学期望最大值确定边缘曲线起始点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点作为曲线起点。<br/>5.用于权利要求1所述的一种水果形状的多尺度能量检测装置，其特征在于包括接近开关(1)，两个链轮(2)，链式输送装置(3)，分频器(4)，光照箱(5)，摄像机(6)，图像采集卡(7)，计算机(8)及水果形状检测软件(9)；两个链轮(2)间装有链式输送装置(3)，接近开关(1)安装在一个链轮(2)边缘侧，链式输送装置(3)的上面链条(3.1)下装有滚轮托板(3.4)，上链条(3.1)上装有光照箱(5)，摄像机(6)安装在光照箱(5)内部上方，摄像机(6)的输出信号通过电缆输入到图像采集卡(7)的图像输入端；图像采集卡(7)安装在计算机(8)的插槽内；计算机(8)上安装水果图像检测软件(9)，分频器(4)的一端接接近开关(1)，分频器(4)的另一端接图像采集卡(7)。6.根据权利要求5所述的一种水果形状的多尺度能量检测装置，其特征在于所述的链式输送装置(3)包括链条(3.1)，滚轮轴(3.2)，滚轮(3.3)，滚轮托板(3.4)组成；滚轮轴(3.2)穿过链条(3.1)和滚轮(3.3)，上装被测水果(10)的滚轮(3.3)对称地分布在链条(3.1)的两侧。7.根据权利要求5所述的一种水果形状的多尺度能量检测装置，其特征在于所述的分频器(4)的分频倍数等于两个滚轮(3.3)在链轮(2)上相距的齿数。全文摘要本发明公开了一种水果形状的多尺度能量检测方法及装置，对水果边缘曲线采用三次样条方法插值得到256个边缘点，计算这些点到形心的规范化距离r(k)，并确定相应的随机半径函数F(k)，计算F(k)的数学期望最大值以确定缘曲线起始点。对F(k)采用coiflets正交滤波器组处理得到能量分布向量E＝{Ed(1)，Ed(2)，Ed(3)，Ed(4)，Ed(5)，Ed(6)，Ea}，将向量E输入输入层、隐含层和输出层神经元数目分别为7、8和3的神经网络进行检测。检测装置包括接近开关，两个链轮，链式输送装置，分频器，光照箱，摄像机，图像采集卡，计算机及水果形状检测软件。本发明根据水果形状曲线的多尺度能量分布规律检测果形，满足形状描述的3个要求，提高形状分级的精度。文档编号G01B21/10GK1664502SQ200510049488公开日2005年9月7日申请日期2005年3月28日优先权日2005年3月28日发明者应义斌,桂江生,饶秀勤,蒋焕煜,徐惠荣申请人:浙江大学