本發(fā)明涉及食品分析領域以及計算機視覺領域，尤其涉及一種基于機器學習的食用油色度在線檢測方法及裝置。

背景技術：

1、純凈的油脂在液態(tài)時是無色的，固態(tài)時呈現(xiàn)白色，但常見的各種油料制得的油脂均帶有一定的色澤，它主要來自油料所含的油溶性色素，包括葉綠素、類胡蘿卜素、棉酚等，是油脂中各種色素的綜合體現(xiàn)，大豆油的現(xiàn)行國家標準雖然將色澤修改為非定量測定的描述性感官測定項，但其仍然是油脂生產(chǎn)監(jiān)控的重要質量指標之一。同時，色澤也是消費者選購食用油時的外觀依據(jù)，所以，加工企業(yè)需要在控制生產(chǎn)的情況下，優(yōu)化油脂脫色工藝，以此達到成品油色澤國家標準，生產(chǎn)消費者滿意認可的產(chǎn)品。因此，色澤的準確定量檢測在油脂的日常生產(chǎn)監(jiān)控就顯得非常重要。

2、羅維朋比色計(lovibond?colorimeter)已成為目前國際上通用的油脂顏色測量設備，也是gb1536-2004《菜籽油》和gb/t22460-2008《動植物油脂羅維朋色澤的測定》規(guī)定的油脂色澤檢驗用計量器具。目前羅維朋比色計已經(jīng)廣泛應用于食用油色度檢測中，但是使用羅維朋比色計需要操作者具有熟練的技巧才能獲得較為準確的測定結果，而隨著時間延長，羅維朋比色計也有可能逐漸“失準”，同時羅維朋比色計只能進行間斷性作業(yè)，需要搭建相關實驗室對食用油樣品進行采樣測量，每次測量周期長，需要較多的測量人員，對于生產(chǎn)過程無法實現(xiàn)實時監(jiān)測，在生產(chǎn)中無法及時對生產(chǎn)情況進行反饋。

3、因此，需要一種可以長期實時監(jiān)測食用油色度的方法反饋食用油的色度值，以便對生產(chǎn)過程進行實時監(jiān)測，方便生產(chǎn)方進行動態(tài)調整。同時降低對專業(yè)實驗室和檢測團隊的要求，為生產(chǎn)車間智能化提供新的解決方案。

技術實現(xiàn)思路

1、本發(fā)明目的在于針對現(xiàn)有技術的不足，提出一種基于機器學習的食用油色度在線檢測方法及裝置。

2、本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：一種基于機器學習的食用油色度在線檢測方法，該方法包括：

3、s1、收集不同色度食用油圖像和羅維朋紅值黃值數(shù)據(jù)，獲得食用油圖像和對應標簽；

4、s2、對圖像進行去噪和灰度化，將處理后的圖像進行canny邊緣檢測，獲得圖片中雜質的邊緣；

5、s3、獲取雜質邊緣信息后使用膨脹操作擴大邊緣信息，檢索出二值圖像中的最外層輪廓并保存輪廓外接矩形信息，根據(jù)輪廓外接矩形信息構建掩碼圖像；

6、s4、將rgb圖像轉化為hsv圖像，根據(jù)所述掩碼圖像進行去除噪聲區(qū)域影響；

7、s5、對掩碼操作后的hsv圖像和進行特征提取，對于紅值特征和黃值特征分別進行特征篩選；

8、s6、使用篩選后的特征，根據(jù)隨機森林建模構建紅值預測模型和黃值預測模型，測試準確率和穩(wěn)定性，獲得對應紅值和黃值預測模型最適合的特征數(shù)量；

9、s7、將圖像輸入訓練后的紅值預測模型和黃值預測模型，得到實時監(jiān)測結果。

10、進一步地，所述收集不同色度食用油圖像和羅維朋紅值黃值數(shù)據(jù)具體包括：

11、使用波長為570nm到590nm的黃色面光源作為穩(wěn)定光源，同時對食用油管道做封閉處理，獲取同樣光源下特征均勻的圖片數(shù)據(jù)。

12、進一步地，所述對圖像進行去噪中，定義一個5*5的卷積核作為二維高斯核，將高斯核與圖像進行卷積操作，將高斯核的每個元素與對應的圖像像素值相乘，并將結果求和；將求和結果除以高斯核的總和，以確保圖像的亮度不會發(fā)生變化；最后將卷積操作的結果賦值給原始圖像中對應的像素位置。

13、進一步地，所述canny邊緣檢測分為五個步驟，分別是高斯濾波、像素梯度計算、非極大值抑制、滯后閾值處理和孤立弱邊緣抑制；

14、所述像素梯度計算包括：計算x和y方向的像素梯度矩陣:

15、

16、

17、其中i為灰度圖像矩陣,gx為x方向像素梯度矩陣，gy為y方向像素梯度矩陣，*表示互相關運算，圖像的梯度強度矩陣gxy由下式即可計算獲得：

18、

19、所述非極大值像素梯度抑制為：將當前像素梯度強度與沿正負梯度方向上的相鄰像素的梯度強度進行比較，若其為極值，則保留該像素為邊緣；

20、所述閾值滯后處理和孤立弱邊緣抑制通過定義一個高閾值和一個低閾值，梯度強度低于低閾值的像素點被抑制，不作為邊緣點；高于高閾值的像素點被定義為強邊緣，保留為邊緣點；處于高低閾值之間的定義為弱邊緣；通過查看弱邊緣像素及其8個鄰域像素，根據(jù)其與強邊緣的連接情況來進行判斷，只要其中鄰域像素其中一個為強邊緣像素點，則該弱邊緣就可以保留為強邊緣，即真實邊緣點。

21、進一步地，所述s3具體包括：通過形態(tài)學操作中的膨脹操作進一步擴大邊緣信息，使在原圖像中不清晰和斷連的邊緣得以連接為整體，形成連通域；對于膨脹后的圖像，使用opencv中的findcontours算法檢索出二值圖像中的最外層的輪廓，保存其外接矩形的端點坐標及長寬信息。

22、通過遍歷保存的外接矩形的信息，在值為255的mask上對矩形進行繪畫填充0，遍歷完成后所有的矩形區(qū)域即為舍棄區(qū)，不參與后續(xù)的特征提取。

23、進一步地，所述特征提取為：使用開源的numpy包對圖片統(tǒng)計數(shù)據(jù)進行特征提取，包括各通道的中位數(shù)、均值、標準差、最大值、最小值、方差和峰度作為一張圖片數(shù)據(jù)的特征。

24、進一步地，所述特征篩選具體為：選擇多種特征篩選方法進行聯(lián)合篩選，包括通過pearson相關系數(shù)進行相關性分析，加入基于方差的特征選擇法，篩去整個數(shù)據(jù)集中方差變化小的特征，最后加入基于樹模型的特征選擇方法對模型非線性特征進行選擇。

25、進一步地，所述s6根據(jù)隨機森林建模構建紅值預測模型和黃值預測模型：

26、通過多個基礎的弱學習器進行投票獲得最終的結果，在回歸問題中則可以選擇其均值作為結果值，其弱學習器為決策樹模型；所述決策樹包括：若訓練數(shù)據(jù)集為d，決策樹為f(x)，首先選擇最優(yōu)切分變量j與切分點s，求解

27、

28、遍歷變量j,對固定的切分變量j掃描切分點s,選擇使上式達到最小值的對(j,s)；

29、用選定的對(j,s)劃分區(qū)域并決定相應的輸出值：

30、

31、其中,r1(j,s)＝{x∣x(j)≤s}，r2(j,s)＝{x∣x(j)>s}。

32、繼續(xù)對兩個子區(qū)域調用上述步驟，直至滿足停止條件；

33、將輸入空間劃分為m個區(qū)域r1，r2……rm生成決策樹

34、

35、其中i為指示函數(shù)，

36、在回歸問題中，到達最大深度則通過線性回歸對數(shù)據(jù)進行擬合生成回歸值。

37、另一方面，本發(fā)明說明書提供了一種基于機器學習的食用油色度在線檢測裝置，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執(zhí)行代碼，所述處理器執(zhí)行所述可執(zhí)行代碼時，實現(xiàn)所述的一種基于機器學習的食用油色度在線檢測方法。

38、另一方面，本發(fā)明說明書提供了一種計算機可讀存儲介質，其上存儲有程序，所述程序被處理器執(zhí)行時，實現(xiàn)所述的一種基于機器學習的食用油色度在線檢測方法。

39、本發(fā)明的有益效果：

40、本發(fā)明通過建立圖像數(shù)據(jù)的真實色度值的對應關系，并利用多種圖像處理和分析算法，提取關鍵特征，使用隨機森林算法進行建模，能夠實現(xiàn)對食用油色度的在線檢測，且檢測精度不會因為時間因素而降低。

41、本發(fā)明突破了一般的機理性建模的方法，直接從不同色度的圖片特征入手，使用圖像處理算法處理圖像，通過統(tǒng)計分析和相關性分析，選擇與食用油色度相關的主要特征，利用機器學習技術對多種特征進行建模，實現(xiàn)對食用油色度的自動化檢測，無需人工干預，提高了檢測效率和準確性。

42、通過部署機器學習模型，在檢測過程中對模型進行反饋機制的優(yōu)化和改進，可以提升色度檢測的性能和適應性，不斷優(yōu)化算法和模型的表現(xiàn)，實現(xiàn)對食用油色度的在線實時監(jiān)測，確保產(chǎn)品質量的穩(wěn)定性和一致性。

43、通過數(shù)據(jù)傳輸協(xié)議將數(shù)據(jù)傳輸至工廠數(shù)據(jù)平臺，實現(xiàn)遠程監(jiān)控和數(shù)據(jù)分析，可以進行遠程管理和，方便用戶進行數(shù)據(jù)統(tǒng)計和分析。