的识别特征，分析单元133可辨识餐盒二维影像P11是否具有识别特征，以辨识出餐盒10的种类。以餐盒特征影像S1来说，餐盒特征影像S1的识别特征是餐盖的斜边17e，若分析单元133分析出餐盒二维影像P11具有斜边17e的特征，表示餐盒10的种类对应餐盒特征影像S1的种类。以餐盒特征影像S2来说，餐盒特征影像S2(例如是碗)的识别特征是弧边。若分析单元133分析出餐盒二维影像P11具有餐盒特征影像S2的斜边17e的特征，表示餐盒10的种类对应餐盒特征影像S2的种类。
[0051]此外，各餐盒特征影像的规格不同。以餐盒特征影像S1来说，餐盒特征影像S1是盒饭盒的影像，其只有五个餐格区域S11至S15，其中餐格区域S11至S15分别是餐盒10的五个饭菜餐格11至15(如图4所示)的影像。
[0052]此外，数据库134更储存有餐盒规格。例如，以餐盒特征影像S1来说，数据库134储存有饭菜餐格11至15的餐格面积和/或餐格容积。以餐盒特征影像S2来说，数据库134储存有碗的开口面积和/或容积。在分析单元133辨识出餐盒二维影像P11所属的种类时，即同时取得该餐盒种类的餐盒规格。
[0053]此外，分析单元133可透过以下方法加速辨识速度。如图5所示，分析单元133可降低餐盒二维影像P11的分辨率至少一次，然后再进行影像分析，以在低解析度下加速辨识速度。举例来说，图5的餐盒二维影像P11的分辨率可降低至原影像分辨率的四分之一，而获得餐盒二维影像P12。相较于分析餐盒二维影像P11而言，分析单元133分析餐盒二维影像P12的速度较快，因此可减少许多分析时间。相似地，餐盒二维影像P12的分辨率可降低至原影像分辨率的四分之一，而获得餐盒二维影像P13。相较于分析餐盒二维影像P12而言，分析单元133分析餐盒二维影像P13的速度较快，因此可减少更多分析时间。分析单元133可分析餐盒二维影像P11、P12及P13，而获得三个分析结果。这些分析结果可与图7的三个餐盒的二维影像P13、P22及P21的分析结果比对，以验证辨识是否正确。
[0054]图7表示图5的餐盒二维影像的分辨率变化的示意图。为了确认辨识是否正确，分析单元133可增加餐盒二维影像P13的分辨率至原影像分辨率的四倍，而获得餐盒二维影像P22 ;接着，分析单元133可分析餐盒二维影像P22，辨识餐盒10的种类。若餐盒二维影像P22的辨识结果与分析餐盒二维影像P12 (如图5所示)的辨识结果相同，表示辨识正确度很大。相似地，分析单元133可增加餐盒二维影像P22的分辨率至原影像分辨率的四倍，而获得餐盒二维影像P21 ;接着，分析单元133分析餐盒二维影像P21，以辨识餐盒10的种类。若餐盒二维影像P21的辨识结果与分析餐盒二维影像P11 (如图5所示)的辨识结果相同，表示辨识完全正确或至少有80%以上的可靠度。
[0055]在步骤S130中，分析单元133可从餐盒二维影像P11判断餐盒10的姿态。举例来说，分析单元133可从餐盒二维影像P11 (如图5所示)辨识出餐盒10的折线18 (如图5所示)的倾斜角度A1。依据餐盒10的姿态，可获得餐盒特征影像S1的多个餐格区域S11至S15(如图9所示)与餐盒二维影像P11的数个配餐内容二维影像P11至P15(如图9所不)的对应关系。
[0056]在步骤S140中，请参照图8和图9所示，图8表示图4的整个餐盒的餐盒二维影像的示意图，而图9表示图8的餐盒二维影像与图6的餐盒特征影像的相对关系图。如图8所示，在整个餐盒10经过识别区R(如图4所示)后，二维影像捕获设备131可获取到整个餐盒10的餐盒二维影像P3。分析单元133依据倾斜角度A1及餐盒二维影像P3与餐盒特征影像S1的形状差异，透过改变餐盒二维影像P3和/或餐盒特征影像S1的角度及大小，使餐盒二维影像P3 (如图9的实线所示)与餐盒特征影像S1 (如图9的虚线所示)在样本比对上相吻合。如此一来，如图9所示，分析单元133可获得餐盒二维影像P3的数个配餐内容二维影像P31至P35与餐盒特征影像S1的数个餐格区域S11至S15的相对关系，进而可获得配餐内容二维影像P31至P35个别的区域范围。以配餐内容二维影像P31举例来说，在餐格区域S11的界定下，可得知配餐内容二维影像P31的区域范围(由餐格区域311所围绕的范围)。
[0057]由上可知，本实施例中，分析单元133可不直接分析餐盒二维影像P3的餐格边界影像，而是透过餐盒特征影像P3与餐盒特征影像S1在轮廓特征上的吻合而获得这些配餐内容二维影像P31的区域范围。
[0058]在步骤S150中，由于已知各配餐内容二维影像P31的区域，分析单元133可获取餐盒二维影像P3的各配餐内容的二维影像P31至P35。这些配餐内容的二维影像P31至P35可分别储存成独立影像。这些独立影像可选择性地显示在显示面板140上，供操作员或营养师参考。
[0059]在步骤S160中，分析单元133分析各配餐内容的二维影像P31至P35，以获得各配餐内容的二维影像P31至P35的纹理特征及色彩特征。本实施例中，分析单元133可采用例如是色彩极坐标直方图方法(Color Polor Histogram)获得各配餐内容的二维影像P31至P35的色彩特征，而分析单元133可采用例如是局部二元模式傅立叶直方图((LocalBinary Pattern-Fourier Histogram, LBP-HF)获得各配餐内容二维影像 P31 至 P35 的纹理特征。
[0060]然后，在步骤S170中，分析单元133依据各配餐内容二维影像P31至P35的纹理特征及色彩特征，与数个集中饭菜二维影像进行比对，以辨识出配餐内容二维影像P31至P35的品种样式。
[0061]进一步地说，在步骤S110之前，二维影像捕获设备131可预先获取数个集中饭菜(图中未示出)的各集中饭菜二维影像PM1至PM5(集中饭菜二维影像PM1至PM5显示在图2中)，其中集中饭菜是配餐内容在分配前的集中型态。例如，配餐内容Ml的集中饭菜是数条鱼，而配餐内容M5的集中饭菜是一整锅(或说是数份)西红柿炒蛋。分析单元133可采用相似步骤S160的分析方法分析各集中饭菜二维影像PM1至PM5的纹理特征及色彩特征，并储存在数据库134中，以作为本发明实施例的品种样式辨识(步骤S170)的比对基础。
[0062]在步骤S170中，以配餐内容二维影像P31举例来说，分析单元133将配餐内容二维影像P31的纹理特征与数个集中饭菜二维影像的纹理特征进行比对，以辨识出配餐内容二维影像P31所对应的集中饭菜二维影像。并且，分析单元133将配餐内容二维影像P31的色彩特征与数个集中饭菜影像的色彩特征进行比对，以辨识出配餐内容二维影像P31所对应的集中饭菜二维影像。当配餐内容二维影像P31的纹理特征与色彩特征与同一个集中饭菜二维影像的纹理特征与色彩特征相似或相同时，方确定配餐内容二维影像P31属于该同一个集中饭菜二维影像，即鱼。其余的配餐内容二维影像P32至P35的品种样式分析类似配餐内容二维影像P31的品种样式分析，在此不再赘述。
[0063]在步骤S180中，如图10所示，其表示图4的餐盒沿方向10_10’的剖视图。三维影像捕获设备132可获取位于餐盒10内的配餐内容Ml至M5的菜肴品种样式的深度信息，如配餐内容Ml的菜肴品种样式的深度信息hll及配餐内容M2的菜肴品种样式的深度信息hl2。由于剖面只剖到配餐内容Ml及M2，因此图10仅表示配餐内容Ml的菜肴品种样式的深度信息hll及配餐内容M2的菜肴品种样式的深度信息hl2。
[0064]在步骤S190中，分析单元133可依据餐盒10的种类及菜肴品种样式的深度信息，计算配餐内容的份量。以配餐内容Ml举例来说，分析单元133可分析配餐内容二维影像P31(如图9所示)而获得配餐内容Ml的面积(本实施例中，系鱼的面积)并将配餐内容Ml的菜肴品种样式的深度信息hll (如图10所示)乘上配餐内容Ml的面积而获得配餐内容Ml的饭菜体积(VI)。由于已知餐