【技术实现步骤摘要】
本专利技术涉及掺伪油茶籽鉴别，尤其涉及一种基于机器学习算法的掺伪茶油鉴别方法。
技术介绍
1、油茶籽油（即茶油）具有较高的营养功能价值和商品价格，但市场上油茶籽油掺伪销售的现象较普遍。常见的油茶籽油掺伪方式主要分为两种：一种是在油茶籽油中掺入其他种类低质低价食用油，另一种是将加工工艺较差的浸出油茶籽油掺入压榨油茶籽油中。掺伪油脂类别广泛、掺伪方式繁杂，准确快速地对掺伪食用植物油进行鉴别具有一定的难度。传统的油茶籽油掺伪鉴别方法主要依赖于脂肪酸组成来判断油脂类别，但这种单维度的识别方式存在较大误差，特别是在混合油脂的检测中存在瓶颈。如今发展出了一种基于机器学习算法的掺伪茶油鉴别方法，通过机器学习结合异常值检测和特征选择算法来提高数据质量，从而提高掺假山茶油的检测效果，但在使用过程中仍有一些问题存在导致茶油鉴别的结果不准确。
2、现有的掺伪茶油鉴别系统通过基于掺伪油茶籽油的脂肪酸、甘油三酯和挥发性成分等数据，利用机器学习算法构建掺伪鉴别模型，通过掺伪鉴别模型鉴别茶油是否掺假，实现掺伪茶油的鉴定功能。
3、例如公告号为：cn113884594b的专利技术专利公告的一种基于机器学习算法的掺伪茶油鉴别方法，包括：s1、通过冷榨方式获得油茶籽油；s2、对所述s1中获得的所述油茶籽油中所含脂肪酸及甘油三酯含量进行测量；s3、对其他种类掺伪油所含脂肪酸及甘油三酯含量进行测量；s4、设计掺伪油茶籽油油脂模型；s5、数据预处理及编程平台；s6、读入掺入各类植物油的掺伪油茶籽油数据，并按照其掺伪种类为其设置分类标签；s7、进行
4、例如公告号为：cn113884594b的专利技术专利公告的一种检测茶油掺伪的方法，包括：s1.茶油掺伪的掺伪种类鉴别：s11.建立掺伪种类模型；s12.鉴定掺伪种类；s2.茶油掺伪的掺混量的测定：s21.建立掺伪量模型；s22.测定掺伪量。
5、但本申请在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：
6、现有技术中，掺伪茶油鉴别过程涉及许多步骤，当步骤出现误差时会导致后续步骤受到影响，最终导致掺伪茶油鉴别的准确程度，存在掺伪茶油鉴别中分析数据不准确的问题。
技术实现思路
1、本申请实施例通过提供一种基于机器学习算法的掺伪茶油鉴别方法，解决了现有技术中掺伪茶油鉴别中分析数据不准确的问题，实现了根据准确的数据进行掺伪茶油鉴别。
2、本申请实施例提供了一种基于机器学习算法的掺伪茶油鉴别方法，包括以下步骤：获取csa制备偏差程度数据，根据csa制备偏差程度数据得到csa制备偏差程度评估指标并分析是否进行色敏传感器制备调整；在色敏传感器制备调整合格后获取反应前csa图像偏差程度数据，根据反应前csa图像偏差程度数据得到反应前csa图像偏差程度评估指标并分析是否进行反应前图像调整；在反应前图像调整合格后获取反应后csa图像偏差程度数据，根据反应后csa图像偏差程度数据得到反应后csa图像偏差程度评估指标并分析是否进行掺伪茶油鉴别；所述csa制备偏差程度数据包括：ph指示剂溶液浓度、溶液超声处理时长、naoh溶液使用量、csa通风时长、ph指示剂溶液浓度标准值、溶液超声处理时长标准值、naoh溶液使用量标准值和csa通风时长标准值；所述csa制备偏差程度评估指标用于量化csa制备的偏差程度。
3、进一步的，所述csa制备偏差程度评估指标的具体获取方法为：将ph指示剂溶液浓度与ph指示剂溶液浓度标准值进行差值运算的结果与ph指示剂溶液浓度标准值进行处理得到ph指示剂溶液浓度分数；将溶液超声处理时长与溶液超声处理时长标准值进行比值运算的结果进行处理得到处理时长分数；将naoh溶液使用量与naoh溶液使用量标准值之和与2倍的naoh溶液使用量标准值进行比值运算的结果进行处理得到使用量分数；将csa通风时长与csa通风时长标准值进行比值运算的结果进行处理得到通风时长分数；根据ph指示剂溶液浓度分数、处理时长分数、使用量分数和通风时长分数得到csa制备偏差程度评估指标。
4、进一步的，所述分析是否进行色敏传感器制备调整的具体过程为：将csa制备偏差程度评估指标与数据库中预设的csa制备偏差程度阈值进行比较；当csa制备偏差程度评估指标小于数据库中预设的csa制备偏差程度阈值时，不进行色敏传感器制备调整；当csa制备偏差程度评估指标不小于数据库中预设的csa制备偏差程度阈值时，提醒预设人员进行色敏传感器制备调整，当监测的csa制备偏差程度评估指标小于预设的csa制备偏差程度阈值时，停止色敏传感器制备调整；所述色敏传感器制备调整包括重新配置色敏传感器和调整配置设备。
5、进一步的，所述反应前csa图像偏差程度数据包括：色敏传感器制备调整合格的csa制备偏差程度评估指标、反应前csa光照强度、反应前设备镜头透光率、反应前csa图像信噪比、反应前csa图像色差、反应前csa光照强度参照值、反应前设备镜头透光率参照值、反应前csa图像信噪比参照值和反应前csa图像色差参照值；所述反应前csa图像偏差程度评估指标用于量化反应前csa图像的偏差程度。
6、进一步的，所述反应前csa图像偏差程度评估指标的具体获取方法为：通过对反应前csa光照强度与反应前csa光照强度参照值进行处理得到前光照强度分数；通过对反应前设备镜头透光率与反应前设备镜头透光率参照值进行处理得到前透光率分数；通过对反应前csa图像信噪比与反应前csa图像信噪比参照值进行处理得到前信噪比分数；通过对反应前csa图像色差与反应前csa图像色差参照值进行处理得到前色差分数；根据色敏传感器制备调整合格的csa制备偏差程度评估指标、前光照强度分数、前透光率分数、前信噪比分数和前色差分数得到反应前csa图像偏差程度评估指标。
7、进一步的，所述分析是否进行反应前图像调整的具体过程为：将反应前csa图像偏差程度评估指标与数据库中预设的反应前图像偏差阈值进行比较；当反应前csa图像偏差程度评估指标小于数据库中预设的反应前图像偏差阈值时，不进行反应前图像调整；当反应前csa图像偏差程度评估指标不小于数据库中预设的反应前图像偏差阈值时，进行反应前图像调整，所述反应前图像调整包括调整图像获取光照强度和调整镜头干净程度；当监测的反应前csa图像偏差程度评估指标小于数据库中预设的反应前图像偏差阈值时，停止反应前图像调整。
8、进一步的，所述反应后csa图像偏差程度数据包括：色敏传感器制备调整合格的csa制备偏差程度评估指标、反应前图像调整合格的反应前csa图像偏差程度评估指标、csa制备偏差程度阈值、本文档来自技高网...
【技术保护点】
1.一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述CSA制备偏差程度评估指标的具体获取方法为：
3.如权利要求2所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述分析是否进行色敏传感器制备调整的具体过程为：
4.如权利要求3所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述反应前CSA图像偏差程度数据包括：色敏传感器制备调整合格的CSA制备偏差程度评估指标、反应前CSA光照强度、反应前设备镜头透光率、反应前CSA图像信噪比、反应前CSA图像色差、反应前CSA光照强度参照值、反应前设备镜头透光率参照值、反应前CSA图像信噪比参照值和反应前CSA图像色差参照值；
5.如权利要求4所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述反应前CSA图像偏差程度评估指标的具体获取方法为：
6.如权利要求5所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述分析是否进行反应前图像调整的具体过程为：>
7.如权利要求1所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述反应后CSA图像偏差程度数据包括：色敏传感器制备调整合格的CSA制备偏差程度评估指标、反应前图像调整合格的反应前CSA图像偏差程度评估指标、CSA制备偏差程度阈值、反应前图像偏差阈值、环境数据和图像数据；
8.如权利要求7所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述反应后CSA图像偏差程度评估指标的具体获取方法为：
9.如权利要求8所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述反应后CSA图像偏差程度评估指标的具体限制表达式为：
...【技术特征摘要】
1.一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述csa制备偏差程度评估指标的具体获取方法为：
3.如权利要求2所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述分析是否进行色敏传感器制备调整的具体过程为：
4.如权利要求3所述一种基于机器学习算法的掺伪茶油鉴别方法，其特征在于，所述反应前csa图像偏差程度数据包括：色敏传感器制备调整合格的csa制备偏差程度评估指标、反应前csa光照强度、反应前设备镜头透光率、反应前csa图像信噪比、反应前csa图像色差、反应前csa光照强度参照值、反应前设备镜头透光率参照值、反应前csa图像信噪比参照值和反应前csa图像色差参照值；
5.如权利要求4所述一种基于机器学习算法的掺伪茶油...
【专利技术属性】
技术研发人员：李大鹏，江科，文韬，张乐，陈瑞东，龚中良，何洲，张湘鹏，林燕，赵壮壮，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。