CN111539920B - 一种白酒酿造过程中糟醅质量的自动检测方法 - Google Patents

Abstract

本发明涉及白酒酿造领域和图像处理领域，其公开了一种白酒酿造过程中糟醅质量的自动检测方法，解决传统技术在白酒生产过程中对糟醅的检测和评价依赖人工经验，误差较大，且重现性较差的问题。该方法包括以下步骤：A、建立基于自适应模糊推理算法的糟醅质量评价模型；B、基于已知质量分级的糟醅样品和对应分级结果对糟醅质量评价模型进行训练；C、采用训练后的糟醅质量评价模型对待测糟醅进行检测。本发明适用于全自动化白酒酿造工艺中的配糟环节对糟醅质量的自动检测和评价。

Description

一种白酒酿造过程中糟醅质量的自动检测方法

技术领域

本发明涉及白酒酿造领域和图像处理领域，具体涉及一种白酒酿造过程中糟醅质量的自动检测方法，适用于全自动化白酒酿造工艺中的配糟环节对糟醅质量的自动检测和评价。

背景技术

我国是一个白酒生产大国，具有悠久的历史。传统的白酒生产方式主是采用人工操作，随着技术的进步，目前大型白酒厂已基本上实现了机械化，大幅度减轻了工人的劳动强度，提高了白酒生产效率。虽然少数大型白酒企业在拌料、发酵、蒸酒等局部环节实现了自动化，但还没有实现白酒生产的全流程自动化。全流程自动化的实施不仅能提高白酒产量、稳定白酒的品质、减低能耗和用工成本，而且还可以实施工艺优化技术、采用拷贝模式进行生产规模扩张等优势，使得白酒生产技术达到新的高度。目前，阻碍全流程自动化实施的主要原因是在一些关键生产环节，如：进入发酵池的原料配比确定、发酵前糟醅与糠壳配比、发酵后糟醅蒸酒时分段判别等，仍然依赖于人工经验和人工操作。

白酒生产工艺可以分为原粮糖化、比例配糟、入窖发酵、上甑蒸酒等生产环节。高粱进入生产线，煮熟并摊晾至合适的温度后，混入适量的大曲和糠壳，送入糖化箱内进行糖化，以达到分解原粮中淀粉、提高原粮利用率的目的。将糖化原粮、糠壳、大曲，以及出甑糟醅按照一定比例进行搅拌，再打入合适温度的量水，进行入窖发酵。出窖糟醅配以适量的糠壳后，利用装甑机械臂进行上甑，并用水蒸汽蒸馏取酒。蒸酒剩下的糟醅，一部分将用于下一次生产。其中，将经过发酵的糟醅或经过蒸酒的糟醅，与粮食、大曲、糠壳等其他物料混合的工艺称为配糟。糟醅的质量影响着与其他物料的配比比例，也影响着白酒的产量与质量，因此，在配糟环节对糟醅的质量进行检测十分必要。其中，糟醅的颜色、形态等外观指标以及含水量是对其评价分级的重要依据，而目前白酒生产线上对糟醅的检测和评价严重依赖于人工，需要现场的工艺人员观察糟醅的颜色、形态等特征，结合多年的人工经验来完成分级评价。这种方法有较大的主观性，分级结果的误差较大、重现性不好。

发明内容

本发明所要解决的技术问题是：提出一种白酒酿造过程中糟醅质量的自动检测方法，解决传统技术在白酒生产过程中对糟醅的检测和评价依赖人工经验，误差较大，且重现性较差的问题。

本发明解决上述技术问题采用的技术方案是：

一种白酒酿造过程中糟醅质量的自动检测方法，包括以下步骤：

A、建立基于自适应模糊推理算法的糟醅质量评价模型；

B、基于已知质量分级的糟醅样品和对应分级结果对糟醅质量评价模型进行训练；

C、采用训练后的糟醅质量评价模型对待测糟醅进行检测。

作为进一步优化，步骤A中，所述糟醅质量评价模型包括模糊化层、规则推理层、归一化层、反模糊化层和输出层。

作为进一步优化，步骤B具体包括：

B1、采集已知质量分级的糟醅样品图像；

B2、对所述糟醅样品图像进行预处理；

B3、对经过预处理后的糟醅样品图像提取颜色特征、纹理特征和其他特征；

B4、从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量；

B5、基于提取的颜色特征和对应糟醅样品的含水量，采用偏最小二乘回归分析建立颜色特征与糟醅含水量之间的关系，获得回归分析模型；

B6、基于糟醅样品图像提取的其他特征、选择的特征变量、对应糟醅样品的含水量以及以对应糟醅样品的分级结果对糟醅质量评价模型进行训练。

作为进一步优化，步骤B2中，所述预处理包括：

B21、采用双线性插值法对原图像进行缩小处理；

B22、采用Canny算子检测边缘并对图像进行锐化处理；

B23、采用基于统计特征的实时前景提取算法提取糟醅样品前景图像。

作为进一步优化，步骤B3中，所述提取颜色特征包括：

在HSV颜色空间模型下，提取糟醅样品前景图像的色相直方图、色相均值、色相方差、色相斜度、饱和度均值、饱和度方差、饱和度斜度、明度均值、明度方差、明度斜度这10个特征变量来表征糟醅的颜色特征信息。

作为进一步优化，步骤B3中，所述提取纹理特征包括：

在糟醅样品前景图像转化成灰度图后，提取基于灰度直方图统计矩的平均灰度级、方差、斜度、平坦度，基于灰度共生矩阵的灰度能量、灰度惯性矩、灰度相关性、灰度熵，基于图像自相关函数的粗细度、方向性这10个特征变量来表征糟醅的纹理特征。

作为进一步优化，步骤B3中，所述提取其他特征包括：

采用粒子群优化算法改进的最大类间方差法得到两个阈值并对糟醅样品前景图像进行分割后，分别得到粮、糟醅、糠壳的图像，再分别进行灰度化处理；对三种物料分别设定连通域的三个面积最小阈值，滤掉小于阈值的连通域，并统计剩下连通域的面积均值、面积方差，获得粮、糟醅和糠壳的面积均值和面积方差共计6个特征变量；

选取哈尔小波作为基函数对糟醅样品前景图像进行二维离散小波分解，提取二层分解后的水平方向高频子带和垂直方向高频子带，获得2个子带的惯性值作为特征变量。

作为进一步优化，步骤B4中，所述从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量，具体包括：

采用主成分分析法对提取的颜色特征和纹理特征进行分析，得到一组新的互不相关的变量，取累计方差贡献率大于95％的变量作为选择的特征变量。

作为进一步优化，步骤B6中，对糟醅质量评价模型进行训练时，使用最小二乘法+反向传播的混合算法，在前向传播中使用LSM调整后件参数，再在反向传播中用BP算法调整前件参数，两个步骤循环往复，直至达到误差标准或迭代次数达到上限为止，模型训练完成。

作为进一步优化，步骤C中，所述采用训练后的糟醅质量评价模型对待测糟醅进行检测，具体包括：

C1、采集待测糟醅的图像；

C2、对所述待测糟醅的图像进行预处理；

C3、对经过预处理后的糟醅样品图像提取颜色特征、纹理特征和其他特征；

C4、从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量；

C5、采用回归分析模型结合提取的颜色特征估算待测糟醅的含水量；

C6、将从待测糟醅图像中提取的其他特征、选择的特征变量、以及估算的含水量作为训练后的糟醅质量评价模型的输入，通过训练后的糟醅质量评价模型输出分级结果。

本发明的有益效果是：

(1)基于颜色特征和偏最小二乘回归分析的方法估算糟醅含水量，所需计算量较小，综合了速度和准确性，满足糟醅形态识别的要求。

(2)基于机器视觉结合自适应模糊推理算法对糟醅形态进行评价分级，一方面保证了系统的可解释性，充分利用了配糟经验；另一方面，保证了系统的可学习性，降低了错误知识经验带来的风险。

(3)采用图像预处理、根据糟醅图像设计指标、双向传播训练模型等方法，有效降低了运算量，提高了糟醅形态识别方法的实时性。

附图说明

图1为对糟醅质量评价模型进行训练的流程图；

图2为采用训练的糟醅质量评价模型进行检测的流程图。

具体实施方式

本发明旨在提出一种白酒酿造过程中糟醅质量的自动检测方法，解决传统技术在白酒生产过程中对糟醅的检测和评价依赖人工经验，误差较大，且重现性较差的问题。其核心思想是：通过采集待测糟醅的图像，并采用实时前景提取算法得到感兴趣的区域；接着，获取图像的颜色特征、纹理特征，用改进的最大类间方差法结合连通域滤波计算物料的大小指标，采用小波纹理分析计算均匀程度；通过偏最小二乘回归分析结合颜色特征估算糟醅的含水量，平衡了速度和准确性；在图像分析获得糟醅特征变量及估算的糟醅的含水量的基础上，采用自适应模糊推理算法对糟醅进行分级，同时保证了可解释性和可学习性，充分利用了生产和配糟经验，实现了对糟醅高效、准确的分级。

在具体实现上，本发明中的糟醅质量的自动检测的实现由硬件系统和图像识别算法两部分组成；其中硬件系统由摄像机、服务器和局域网交换机组成。摄像机选用海康威视的DS-2CD7A47FWD-LZS/ZJ，用于动态采集糟醅图像。服务器选用Dell Precision T7920，用于执行糟醅形态的图像识别算法。摄像机与服务器之间通过交换机连接，摄像机采用POE的方式，即一根网线中同时完成高速数据通信，接收交换机提供的电源。

下面重点介绍通过糟醅形态识别来检测糟醅质量进行分级的实现手段。

一、建立基于自适应模糊推理算法的糟醅质量评价模型；

模型分为模糊化层、规则推理层、归一化层、反模糊化层、输出层，每一层的构成和功能如下：

(1)模糊化层：负责计算输入的特征变量对于各个模糊子集的隶属度。其中，隶属度函数μ(x,θ₁)为钟型隶属度函数，参数θ₁由各个特征变量确定。模糊化层的输出如下式：

其中θ₁＝{a_1i,b_1i,c_1i,a_2i,b_2i,c_2i,…}，即为前件参数，可通过学习调节隶属度函数的范围和形状。

(2)规则推理层：这一层由给定的不同模糊子集，计算对分级结果的影响。考虑到可能有遗漏的经验，在本层增设冗余规则，供模型训练时挑选剔除。每一个节点对应一条模糊规则，负责获得每条模糊规则的激励强度，即规则中每个前提条件对应模糊子集的隶属度的乘积，如下式所示：

(3)归一化层：负责对激励强度进行归一化处理，把样本的输入统一在0-1之间，形成统计意义上的概率分布，得到各个规则输出的加权系数：

(4)反模糊化层：负责利用规则中的函数f(x,R,θ₂)，将模糊输出转化为精确输出。这一层得到各个特征变量评级的结果，其中θ₂＝{p,q,r}被称为后件参数，也是可学习的参数。

(5)输出层：负责对反模糊化层的输出进行求和，得到最终的评级结果。

二、基于已知质量分级的糟醅样品和对应分级结果对糟醅质量评价模型进行训练，实现流程如图1所示，包括以下步骤：

1、糟醅图像采集：

生产现场中用工业摄像机采集糟醅在传送带上的视频，需要从视频中截取出糟醅的图像进行处理。其中，视频格式为.mp4，分辨率为2560*1440，帧率为30fps；截取图像格式为.jpg，分辨率为2560*1440；

每隔n-1帧截取一帧图像并保存(这里n＝30，即每秒截取一帧)，图像分辨率为2560*1440，图像左上角为原点，一排2560个像素点为x轴方向，一列1440个像素点为y轴方向。

2、图像预处理：

(1)图像缩小处理：为了减小后续图像识别的计算量同时保证得到理想的结果，这里使用优化的双线性插值法对原图像进行缩小。

双线性插值法利用了原图中虚拟点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，首先在x方向上进行两次线性插值运算，然后在y方向上进行一次插值运算，计算公式如下：

式中P₁(x₁,y₁)，P₂(x₁,y₂)，P₃(x₂,y₁)，P₄(x₂,y₂)为原图中的四个像素点坐标，f(x,y)为目标图像中待求的对应像素点。在双线性插值的基础上对计算过程两步优化：

原图像和目标图像几何中心点对齐：

yuaX＝mubX×(yuaKuan÷muaKuan)+0.5(yuaKuan÷mubKuan-1)

yuaY＝(mubY+0.5)×(yuaGao÷dstGao)-0.5

式中，yua表示原图像，mub表示目标图像，Kuan为图像x轴方向长度，Gao为图像y轴方向长度。

浮点运算转换成整型运算：

考虑误差、范围和计算速度三个因素，选择浮点数的放大倍数为2048倍，利用左移11位就可以达到放大目的。经过缩小后得到的目标图像分辨率为1280*720。

(2)图像锐化处理：为了方便后续前景和背景分割，提高目标物料与图像背景的对比度，采用Canny算子检测边缘并对图像进行锐化，实现步骤如下：

①高斯平滑滤除噪声。

②用Sobel算子计算梯度幅值和方向，寻找图像的强度梯度。将卷积算子分别作用在x轴和y轴方向，再计算梯度幅值和方向，梯度方向选:45°方向。

③通过非极大值抑制寻找像素点局部非最大值，过滤非边缘像素，将模糊的边缘变清晰。

④选取双阈值，若边缘像素点梯度值大于高阈值，判断为强边缘点；处于两个阈值之间，判断为弱阈值点；低于低阈值的点被过滤掉。

⑤滞后边界跟踪，如果弱阈值点与强阈值点处于同一个连通域内，则认为点是真的边缘点，否则当成噪声点处理。

对原图中边缘点的像素值各个通道加上一个值，对边缘进行增强。

(3)前景提取：分离前景与背景，得到感兴趣的前景区域，除去背景(传送带)的干扰，采用基于统计特征的实时前景提取算法(RRBS，Real-time Robust BackgroundSubtraction)。

①计算背景模型均值；

分别计算亮度保真率的方差a_i，色度失真率的方差b_i，公式如下：

式中，α_i表示亮度保真率，CD_i表示色彩失真率，对两个变量进行归一化如下：

②比较得到像素分类：

式中，B表示背景像素点，Q表示前景像素点，Y表示阴影背景点，G表示高亮背景点，τ为分类阈值。

③对较暗前景进行修正：

在前景亮度比较小时，对分类的第一项进行修正：

即亮度保真率比较小时，把该像素点也当成前景处理。

④使用局部标准差迭代替代全局标准差，加快运算速度。

⑤根据与实验的效果，自适应像素分类的阈值。利用阈值分割出前景后，将背景替换为黑色。

3、图像特征提取和选择：

基于灰度直方图和灰度共生矩阵的纹理特征是重要的图像形态特征，这里对前景图灰度化处理，并且同时存储彩色图像和灰度化后的图像。

(1)颜色特征提取：

在HSV颜色空间模型下，根据糟醅的图像颜色特征，提取色相直方图、色相均值、色相方差、色相斜度、饱和度均值、饱和度方差、饱和度斜度、明度均值、明度方差、明度斜度这10个特征变量。

(2)纹理特征提取：

在糟醅样品前景图像转化成灰度图后，提取基于灰度直方图统计矩的平均灰度级、方差、斜度、平坦度，基于灰度共生矩阵的灰度能量、灰度惯性矩、灰度相关性、灰度熵，基于图像自相关函数的粗细度、方向性这10个特征变量来表征糟醅的纹理特征。

(3)特征选择：

采用主成分分析法对选取的颜色特征和纹理特征共20个变量分析，得到一组新的互不相关的变量，取累计方差贡献率大于95％的变量和对应的数据为后续分析所用，这些变量所包含的信息已经足够表达原始变量的信息。

(4)其他特征提取：

为了提高模型的可解释性，使分级结果更符合糟醅识别经验，选取粮、糠壳、糟醅的大小、分布均匀程度作为特征。

用粒子群优化算法改进的最大类间方差法对前景图像进行多阈值分割，具体步骤如下：

①对种群中各个粒子的速度和位置初始化；

②计算各个粒子目标函数值，找到存储的最佳位置和适应度，并将适应度最好的粒子位置作为整个种群的位置；

③更新初始位置，重新计算适应度，并与更新前的进行比较；

④选取最优位置作为粒子群优化算法搜索到的最优阈值；

⑤将得到的最优阈值作为最大类间方差法的分割阈值，实现前景图像的分割。

得到两个阈值并进行分割后，分别得到粮、糟醅、糠壳的图像，再分别进行灰度化处理。根据预实验的结果，对三种物料分别设定连通域的三个面积最小阈值，滤掉小于阈值的连通域，并统计剩下连通域的面积均值、面积方差作为特征变量，共有6个特征变量；

小波纹理分析得到分布均匀程度，选取哈尔小波作为基函数对彩色图像进行二维离散小波分解，提取二层分解后的水平方向高频子带GD2和垂直方向高频子带DG2，选取2个子带的惯性值K_1,2作为特征变量，计算公式如下：

式中，M(x,y)为归一化处理后的灰度梯度共生矩阵，K_g,K_f为规定的灰度、梯度级数，预设为16级。

4、建立含水量回归分析模型：

根据已知糟醅样本的含水量与提取的对应颜色特征，采用偏最小二乘回归分析建立颜色特征与糟醅含水量之间的关系，回归模型公式如下：

C＝Zβ+ε

式中，C为含水量，Z为颜色特征变量构成的矩阵，β为回归系数矩阵，ε为引入的残差矩阵。

5、对自适应模糊推理算法的糟醅质量评价模型进行训练：

基于糟醅样品图像提取的其他特征、选择的特征变量、对应糟醅样品的含水量以及以对应糟醅样品的分级结果对糟醅质量评价模型进行训练。

模型训练算法使用最小二乘法(LSM)+反向传播(BP)的混合算法，在前向传播中使用LSM调整后件参数，再在反向传播中用BP算法调整前件参数，两个步骤循环往复，直至达到误差标准或迭代次数达到上限为止，模型训练完成。

三、利用根据上述步骤获得稳定的糟醅质量评价模型，在检测待测糟醅质量时，流程如图2所示：

(1)采集待测糟醅的图像；

(2)对所述待测糟醅的图像进行预处理；

(3)对经过预处理后的糟醅样品图像提取颜色特征、纹理特征和其他特征；

(4)从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量；

(5)采用回归分析模型结合提取的颜色特征估算待测糟醅的含水量；

(6)将从待测糟醅图像中提取的其他特征、选择的特征变量、以及估算的含水量作为训练后的糟醅质量评价模型的输入，通过训练后的糟醅质量评价模型输出分级结果。

其中，步骤(1)、(2)、(3)、(4)的处理手段与上述基于已知质量分级的糟醅样品和对应分级结果对糟醅质量评价模型进行训练的过程中对糟醅样品的处理手段一致。

根据现有的糟醅评价经验标明，优质出窖糟醅的形态特征有肉食肥大、大颗粒、疏松适宜，颜色特征有鲜猪肝色、棕褐色、遇风不变色；劣质糟醅的形态特征是小颗粒、软腻、存在致密的小糟团或疙瘩，颜色特征有些黑、出窖时是黄褐色，遇风转为黑色、颜色不均匀。

为了获得更加准确的评价结果，根据颜色和形态特征，本发明把糟醅分为4个等级：

Ⅰ级为优质糟醅，形态为肉食肥大、疏松适宜，颜色为鲜猪肝色、遇风不变色，直接用来配糟可以在发酵和蒸酒环节得到较为理想的结果；

Ⅱ级为次优糟醅，形态上存在致密的小糟团，颜色不均匀，但整体为鲜猪肝色、遇风不变色，在配糟时需要对这种糟醅多加糠壳，减少糖化原粮用量，增加搅拌时间；

Ⅲ级为较差糟醅，形态有小颗粒、软腻，颜色现黑或遇风后转黑，对这种糟醅需要减少发酵时间，多加糖化原粮，提高打量水时的水温，减少打量水的时间；

Ⅳ级为劣质糟醅，形态上为小颗粒、软腻且有较多糟团，颜色不均匀、整体为黄褐色且遇风转为黑色，这种糟醅不能用于配糟，出现劣质糟醅时需要检查生产工艺中糖化原粮、打量水、上甑等环节，找到出现问题糟醅的原因。

Claims (8)

1.一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，包括以下步骤：

A、建立基于自适应模糊推理算法的糟醅质量评价模型；

B、基于已知质量分级的糟醅样品和对应分级结果对糟醅质量评价模型进行训练；

C、采用训练后的糟醅质量评价模型对待测糟醅进行检测；

步骤B具体包括：

B1、采集已知质量分级的糟醅样品图像；

B2、对所述糟醅样品图像进行预处理；

B3、对经过预处理后的糟醅样品图像提取颜色特征、纹理特征和其他特征；

B4、从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量；

B5、基于提取的颜色特征和对应糟醅样品的含水量，采用偏最小二乘回归分析建立颜色特征与糟醅含水量之间的关系，获得回归分析模型；

B6、基于糟醅样品图像提取的其他特征、选择的特征变量、对应糟醅样品的含水量以及以对应糟醅样品的分级结果对糟醅质量评价模型进行训练；

步骤B3中，所述提取其他特征包括：

采用粒子群优化算法改进的最大类间方差法得到两个阈值并对糟醅样品前景图像进行分割后，分别得到粮、糟醅、糠壳的图像，再分别进行灰度化处理；对三种物料分别设定连通域的三个面积最小阈值，滤掉小于阈值的连通域，并统计剩下连通域的面积均值、面积方差，获得粮、糟醅和糠壳的面积均值和面积方差共计6个特征变量；

选取哈尔小波作为基函数对糟醅样品前景图像进行二维离散小波分解，提取二层分解后的水平方向高频子带和垂直方向高频子带，获得2个子带的惯性值作为特征变量。

2.如权利要求1所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，

步骤A中，所述糟醅质量评价模型包括模糊化层、规则推理层、归一化层、反模糊化层和输出层。

3.如权利要求1所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，

步骤B2中，所述预处理包括：

B21、采用双线性插值法对原图像进行缩小处理；

B22、采用Canny算子检测边缘并对图像进行锐化处理；

B23、采用基于统计特征的实时前景提取算法提取糟醅样品前景图像。

4.如权利要求1所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，

步骤B3中，所述提取颜色特征包括：

在HSV颜色空间模型下，提取糟醅样品前景图像的色相直方图、色相均值、色相方差、色相斜度、饱和度均值、饱和度方差、饱和度斜度、明度均值、明度方差、明度斜度这10个特征变量来表征糟醅的颜色特征信息。

5.如权利要求1所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，

步骤B3中，所述提取纹理特征包括：

在糟醅样品前景图像转化成灰度图后，提取基于灰度直方图统计矩的平均灰度级、方差、斜度、平坦度，基于灰度共生矩阵的灰度能量、灰度惯性矩、灰度相关性、灰度熵，基于图像自相关函数的粗细度、方向性这10个特征变量来表征糟醅的纹理特征。

6.如权利要求1所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，

步骤B4中，所述从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量，具体包括：

采用主成分分析法对提取的颜色特征和纹理特征进行分析，得到一组新的互不相关的变量，取累计方差贡献率大于95％的变量作为选择的特征变量。

7.如权利要求1所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，

步骤B6中，对糟醅质量评价模型进行训练时，使用最小二乘法+反向传播的混合算法，在前向传播中使用LSM调整后件参数，再在反向传播中用BP算法调整前件参数，两个步骤循环往复，直至达到误差标准或迭代次数达到上限为止，模型训练完成。

8.如权利要求1-7任意一项所述的一种白酒酿造过程中糟醅质量的自动检测方法，其特征在于，步骤C中，所述采用训练后的糟醅质量评价模型对待测糟醅进行检测，具体包括：

C1、采集待测糟醅的图像；

C2、对所述待测糟醅的图像进行预处理；

C3、对经过预处理后的糟醅样品图像提取颜色特征、纹理特征和其他特征；

C4、从提取的颜色特征和纹理特征中进行特征选择，获得选择的特征变量；

C5、采用回归分析模型结合提取的颜色特征估算待测糟醅的含水量；

C6、将从待测糟醅图像中提取的其他特征、选择的特征变量、以及估算的含水量作为训练后的糟醅质量评价模型的输入，通过训练后的糟醅质量评价模型输出分级结果。

Images