发明内容
本发明克服了现有技术的不足,提供一种烤烟烟叶打叶复烤模块组配的方法的实施方式,以期望可以快速、准确地对烟叶进行分类和组配。
为解决上述的技术问题,本发明的一种实施方式采用以下技术方案:
一种烤烟烟叶打叶复烤模块组配的方法,它包括以下步骤:
(1)采用感官评吸的方法分类收集香气模块、烟气模块和口感模块的烟叶样品各50~100重量份作为建模样品;
(2)将所述香气模块、烟气模块和口感模块的烟叶样品分别制成60目的粉末,然后在近红外光谱仪上扫描,采集建模样品的近红外光谱图,先对所述近红外光谱图进行预处理得到建模样品的光谱数据矩阵A,再对建模样品的光谱数据矩阵A进行主成分运算,得到建模样品的主成分的得分矩阵R和载荷矩阵V,MATLAB语言如下:
奇异值分解:[U,S,V]=svd(A);
得分矩阵:R=U*S;
其中U是A的奇异向量,S是A的奇异值;
(3)利用建模样品的主成分得分矩阵R创建分组变量包括香气模块、烟气模块和口感模块三个类别的朴素贝叶斯分类模型,MATLAB语言如下:
nb=NaiveBayes.fit(R,class);
其中,nb为香气模块、烟气模块和口感模块的朴素贝叶斯分类器;class为分组变量;
(4)将待组配烟叶样品制成60目粉末,在近红外光谱仪上扫描,采集待组配烟叶样品的近红外光谱图,对待组配烟叶样品的近红外光谱图进行预处理得到待组配烟叶样品的光谱数据矩阵xi,然后用建模样品的载荷矩阵V对待组配烟叶样品的光谱数据矩阵xi进行主成分的分解运算,得到待组配烟叶样品的主成分得分矩阵Ti,计算如下:
Ti=V*xi;
(5)通过待组配烟叶样品的主成分得分矩阵Ti,利用建立的朴素贝叶斯分类模型,对待组配烟叶进行分类,MATLAB语言如下:
cpre=predict(nb,T);
其中,cpre为分类结果,T为Ti的集合;
(6)根据分类结果cpre,将香气模块类别的烟叶组配成香气模块,将烟气模块类别的烟叶组配成烟气模块,将口感模块类别的烟叶组配成口感模块。
本发明所述的烤烟烟叶打叶复烤模块组配的方法中,所述感官评吸方法将烟叶的特性分为香气质、香气量、杂气、浓度、劲头、细腻度、成团性、甜度、余味和刺激性,每个特性从最好到最次依次分为一至九个等级,每个等级对应的评吸分值为:
一级 |
二级 |
三级 |
四级 |
五级 |
六级 |
七级 |
八级 |
九级 |
9 |
8 |
7 |
6 |
5 |
4 |
3 |
2 |
1 |
所述香气质、香气量和杂气为烟叶的香气特性,所述香气特性得分之和不低于21分的烟叶样品为香气模块烟叶样品;
所述浓度、劲头、细腻度和成团性为烟叶的烟气特性,所述烟气特性得分之和不低于28分的烟叶样品为烟气模块烟叶样品;
所述甜度、余味和刺激性为烟叶的口感特性,所述口感特性特分之和不低于21份的烟叶样品为口感特性烟叶样品。
进一步的技术方案是:所述步骤(2)和(4)中,近红外光谱图的采集范围是12000~4000cm-1,分辨率为8cm-1,扫描次数为64次。
更进一步的技术方案是:所述步骤(2)和(4)中,近红外光谱的预处理方法为先用小波变换(Wavelet Transform,WT)处理近红外光谱,再用标准正态变量变换(Standardized Normal Variate,SNV)处理近红外光谱。
更进一步的技术方案是:所述步骤(2)中建模样品的光谱数据矩阵A所选择的谱区为4050~5800cm–1及6200~9300cm–1两段区域;所述步骤(4)中待组配烟叶样品的光谱数据矩阵xi所选择的谱区为4050~5800cm–1及6200~9300cm–1两段区域。
更进一步的技术方案是:所述步骤(3)和(5)中,建模样品的主成分得分矩阵R、待组配烟叶样品的主成分得分矩阵Ti为前5个主成分的得分矩阵。
在感官评吸建立建模样品时,对烟叶的各项特性指标进行评判,九个等级的具体区分如表1:
表1烟叶感官评吸评价表
与现有技术相比,本发明的有益效果之一是:采用本发明所述的打叶复烤模块组配方法,感官评吸方法仅需要在建模阶段使用,节省时间和人力,然后以建模样品的近红外光谱数据进行主成分运算建立朴素贝叶斯分类模型,再用该朴素贝叶斯分类模型和待组配烟叶样品的主成分得分对待组配烟叶进行分类,能够很快速、准确地对待组配烟叶进行分类组配,实现烟叶打叶复烤模块组配。
实施例1
会理地区模块打叶组配方法:
通过感官评吸,按香气模块、烟气模块和口感模块的建模要求分别收集香气模块的烟叶建模样品62份,烟气模块的烟叶建模样品70份,口感模块的烟叶建模样品54份,每份样品均为500g。将建模样品在烘箱内40℃下干燥2h,粉碎并过60目筛。在近红外光谱仪上扫描建模样品后得到建模样品的近红外光谱图,光谱采集范围12000~4000cm–1,分辨率8cm–1,扫描次数为64次。采用WT与SNV相结合的方法对光谱预处理,采用奇异值分解的方法对4050~5800cm–1及6200~9300cm–1两段区域内的光谱数据矩阵进行主成分运算,得到建模样品光谱的得分矩阵R186×1334和载荷矩阵V1334×186(矩阵的行表示样品数,列表示每个光谱的数据变量)。提取R186×1334的前五个主成分得分R186×5创建香气模块、烟气模块及口感模块的朴素贝叶斯分类模型。
对会理地区待组配的13个烟叶取样,每个样品500g,将样品在烘箱内40℃下干燥2h,粉碎并过60目筛,在近红外光谱仪上扫描样品后得到样品的近红外光谱图,光谱采集范围12000~4000cm–1,分辨率8cm–1,扫描次数为64次。采用WT与SNV相结合的方法对光谱预处理,在4050~5800cm–1及6200~9300cm–1两段谱区内,用建模样品光谱数据的载荷矩阵V1334×186对13个待组配烟叶样品的光谱分别进行主成分的分解运算,得到13个待组配烟叶样品的主成分得分T13×1334,提取T13×1334的前五个主成分得分T13×5,利用建立的朴素贝叶斯分类模型,对待组配烟叶进行分类,结果见表2。
表2会理地区待组配烟叶分类结果
根据分类结果,将序号为2、5、10、13的四个烟叶组配成香气模块,将序号为3、4、7、9、11的烟叶组配成烟气模块,将序号为1、6、8、12的烟叶组配成口感模块。
实施例2
攀枝花地区模块打叶组配方法:
通过感官评吸,按香气模块、烟气模块和口感模块的建模要求分别收集香气模块的烟叶建模样品52份,烟气模块的烟叶建模样品95份,口感模块的烟叶建模样品74份,每份样品均为500g。将建模样品在烘箱内40℃下干燥2h,粉碎并过60目筛。在近红外光谱仪上扫描建模样品后得到建模样品的近红外光谱图,光谱采集范围12000~4000cm–1,分辨率8cm–1,扫描次数为64次。采用WT与SNV相结合的方法对光谱预处理,采用奇异值分解的方法对4050~5800cm–1及6200~9300cm–1两段区域内的光谱数据矩阵进行主成分运算,得到建模样品光谱的得分矩阵R186×1334和载荷矩阵V1334×186(矩阵的行表示样品数,列表示每个光谱的数据变量)。提取R186×1334的前五个主成分得分R186×5创建香气模块、烟气模块及口感模块的朴素贝叶斯分类模型。
对攀枝花地区待组配的16个烟叶取样,每个样品500g,将样品在烘箱内40℃下干燥2h,粉碎并过60目筛,在近红外光谱仪上扫描样品后得到样品的近红外光谱图,光谱采集范围12000~4000cm–1,分辨率8cm–1,扫描次数为64次。采用WT与SNV相结合的方法对光谱预处理,在4050~5800cm–1及6200~9300cm–1两段谱区内,用建模样品光谱数据的载荷矩阵V1334×186对16个待组配烟叶样品的光谱分别进行主成分的分解运算,得到16个待组配烟叶样品的主成分得分T16×1334,提取T16×1334的前五个主成分得分T16×5,利用建立的朴素贝叶斯分类模型,对待组配烟叶进行分类,结果见表3。
表3攀枝花地区待组配烟叶分类结果
根据分类结果,将序号为1、3、5、7、15的四个烟叶组配成香气模块,将序号为10、11、12、13、16的烟叶组配成烟气模块,将序号为2、4、6、8、9、14的烟叶组配成口感模块。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外,对于本领域技术人员来说,其他的用途也将是明显的。