1.一種基于機器學習的食用油色度在線檢測方法，其特征在于，該方法包括：
2.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，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：
3.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，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(yīng)的圖像像素值相乘，并將結(jié)果求和；將求和結(jié)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(jié)果賦值給原始圖像中對應(yīng)的像素位置。
4.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，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；
5.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，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；
6.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，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。
7.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，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(guān)系數(shù)進行相關(guān)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，基于樹模型的特征選擇方法中，將均方誤差作為相關(guān)性標準。
8.根據(jù)權(quán)利要求1所述的一種基于機器學習的食用油色度在線檢測方法，其特征在于，所述s6根據(jù)隨機森林建模構(gòu)建紅值預(yù)測模型和黃值預(yù)測模型：
9.一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，其特征在于，所述處理器執(zhí)行所述可執(zhí)行代碼時，實現(xiàn)如權(quán)利要求1-8中任一項所述的一種基于機器學習的食用油色度在線檢測方法。
10.一種計算機可讀存儲介質(zhì)，其上存儲有程序，其特征在于，所述程序被處理器執(zhí)行時，實現(xiàn)如權(quán)利要求1-8中任一項所述的一種基于機器學習的食用油色度在線檢測方法。