CN106248617A - 基于近红外的烟叶焦油检测方法 - Google Patents
基于近红外的烟叶焦油检测方法 Download PDFInfo
- Publication number
- CN106248617A CN106248617A CN201610547179.1A CN201610547179A CN106248617A CN 106248617 A CN106248617 A CN 106248617A CN 201610547179 A CN201610547179 A CN 201610547179A CN 106248617 A CN106248617 A CN 106248617A
- Authority
- CN
- China
- Prior art keywords
- tar
- sample
- spectrum
- near infrared
- wavelength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 32
- 241000208125 Nicotiana Species 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 239000000779 smoke Substances 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000002790 cross-validation Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000002835 absorbance Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 239000011269 tar Substances 0.000 description 50
- 235000019504 cigarettes Nutrition 0.000 description 10
- 238000012360 testing method Methods 0.000 description 3
- 244000061176 Nicotiana tabacum Species 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 208000031872 Body Remains Diseases 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000019506 cigar Nutrition 0.000 description 1
- 239000011285 coke tar Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000000576 supplementary effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于近红外的烟叶焦油解析方法，包括如下步骤：步骤一：获取不同品种的成品烟丝样本，扫描烟丝样本的近红外光谱，获取近红外光谱信息；步骤二：将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据，并建立焦油模型；步骤三：设定校正集样本数量m组，通过光谱的差异性筛选检验集样本数量n组；步骤四：通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除；步骤五：使用一阶导数对光谱进行预处理；步骤六：使用遗传算法筛选光谱波长；步骤七：运用GAPLS(基于遗传算法的偏最小二乘法)对波长筛选后的光谱与对应的焦油数据进行建模，构建基于近红外光谱的焦油定量模型。本发明对焦油量的测定更加准确。
Description
技术领域
本发明涉及一种基于近红外的烟叶焦油解析方法，属于烟草工业领域。
背景技术
焦油是卷烟成品的一种重要致香物质，其是卷烟香气的重要组成部分之一；但是卷烟焦油在烟气的形成中也会对人体形成一定的危害，一般认为卷烟烟气中的有害成分主要集中在焦油中，国际上一般以焦油量的高低来评价卷烟的安全性，因此焦油检测在烟草成品的检测中起到非常重要而且必要的作用。
在传统的焦油检测中，一般采取抽烟机的检测形式；抽烟机检测一般耗时比较长，对卷烟质量的尤其是卷烟的安全性指标的评价比较滞后；更重要的是，在抽烟机的检测中，抽烟机的检测结果受卷烟滤嘴，卷烟滤纸等卷烟辅料的影响较大。
发明内容
本发明的目的在于提供一种基于近红外的烟叶焦油检测方法，以快速无损的检测和评价烟叶中的焦油量。
本发明采用了如下技术方案：
一种基于近红外的烟叶焦油解析方法，其特征在于，包括如下步骤：
步骤一：获取不同品种的成品烟丝样本，扫描烟丝样本的近红外光谱，获取近红外光谱信息；
步骤二：将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据，并建立焦油模型；
步骤三：设定校正集样本数量m组，通过光谱的差异性筛选检验集样本数量n组；
步骤四：通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除；
步骤五：使用一阶导数对光谱进行预处理；
步骤六：使用遗传算法筛选光谱波长；
步骤七：运用GAPLS(基于遗传算法的偏最小二乘法)对波长筛选后的光谱与对应的焦油数据进行建模，构建基于近红外光谱的焦油定量模型；PLS的算法如下：
式中，X为校正子集组成的吸光度矩阵，Y为校正子集相对应的化学值矩阵，tk(n X1)为X的第k个主因子的得分，pk(1X m)为X矩阵的第k个主因子的载荷；f为主因子数，即：T和U分别为X和Y矩阵的得分矩阵，P和Q分别为X和Y矩阵的载荷矩阵，EX和EY分别为X和Y的PLS拟合残差矩阵。
进一步，本发明的基于近红外的烟叶焦油解析方法，还可以具有这样的特征：步骤七中，在校正过程中，最初是忽略残差矩阵E，求出中间的参数后，再返回求残差矩阵；具体过程如下：X＝TPT，左边乘TT然后右乘P得：T＝XP/(PTP)；Y＝UQT，左边乘UT然后两边同除以QT得：U＝Y/QT；取浓度阵Y的某一列作为U的起始迭代值，以U代替T，计算W，方程为：X＝UWT，其解为：WT＝UTX/(UTU)，W为吸光度阵X的权重向量；对权重归一化后求吸光度阵X的因子得分T，方程为：X＝TWT，其解为：T＝XW/WTW；以T代替U计算浓度阵Y的载荷Q值，其方程为：Y＝TQT；其解为：QT＝TTY/(TTT)；对载荷Q归一化后求浓度阵Y的因子得分U，方程为：Y＝UQT；其解为：U＝YQ/QTQ；再以此U代替T返回最开始计算WT，由WT计算T1，如此反复迭代，若T已收敛(‖T1-T2‖≤10-6‖T1‖)，T1为转入计算收敛后的T，否则返回继续求吸光度阵X的权重W；收敛后的T求吸光度阵X的载荷向量P，其方程为：X＝TPT；其解为：PT＝TTY/(TTT)；对载荷P归一化后求标准化X的因子得分T＝T‖P‖；标准化权重向量W＝W‖P‖；计算T与U之间的内在关系B＝UTT/(TTT)；再计算残差阵EX＝X-TPT；EY＝Y-BTQT；最后以EX代替X，EY代替Y，返回最开始的步骤即求吸光度阵X的权重向量W，以此类推，求出X、Y的主因子的W、T、P、U、Q、B，最后通过交互检验法Q2 h≤0.0975确定最佳主因子数f时迭代停止。
进一步，本发明的基于近红外的烟叶焦油解析方法，还可以具有这样的特征：步骤三中，首先将所有的焦油光谱组成一个光谱阵，选取前面m组为校正子集，剩下的n组为验证集样本。
进一步，本发明的基于近红外的烟叶焦油解析方法，还可以具有这样的特征，还包括：步骤八：对步骤七得到的模型进行外部验证。
进一步，本发明的基于近红外的烟叶焦油解析方法，还可以具有这样的特征：步骤四中，随机将焦油的验证集样本进行预测误差计算，正常焦油样本的预测误差较小，其均值在零附近，呈正态分布趋势，异常样本数据奇异的预测误差则较大，远离零点，以焦油预测样本的均值绝对值为X轴，标准差为Y轴作图，判断异常光谱和异常化学值焦油样本并进行剔除。
进一步，本发明的基于近红外的烟叶焦油解析方法，还可以具有这样的特征：步骤五中，使用一阶导数对光谱进行预处理的具体过程是：使用移动窗口对每个校正集的焦油样本移动平滑，过滤噪声。
进一步，本发明的基于近红外的烟叶焦油解析方法，还可以具有这样的特征：步骤六中，使用遗传算法筛选光谱波长包括如下步骤：①对焦油校正集样本的波长进行编码，形成二进制字符；②将校正集样本波长进行初始化，随机选择80％为初始种群；③选择近红外定量回归模型的预测标准偏差为适应度函数；④选择近红外焦油样本波长点适应度高的个体保留到下一代一起搜索新的波长点组，根据通过适应度函数的波长点出现的频率来选择建模的波长点；⑤用留一验证的方法通过验证集的预测标准偏差来确定波长点选择的数目以及主成分数。
发明的有益效果
本发明的基于近红外的烟叶焦油解析方法，将焦油量的化学值与近红外光谱联系起来，并建立焦油模型，然后通过步骤四到七的处理，使得通过近红外光谱对焦油量的测定更加准确。
附图说明
图1是近红外光谱图；
图2是化学值分布图；
图3是异常光谱分布图；
图4是一阶导数预处理图；
图5是波长选择图；
图6是根据图5中选择的波长点对应的光谱图；
图7是真实值与预测值对比图；
图8是真实值与绝对误差图；
图9是整体流程图。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
图9是本发明的基于近红外的烟叶焦油检测方法的流程图，如图9所示，本发明的基于近红外的烟叶焦油检测方法包括如下步骤：
1)在A卷烟厂获取具有代表性的75组不同品种的成品烟丝样本，通过磨粉后扫描得到近红外光谱，见附图1，获取与其相对应的近红外光谱信息。
2)将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据，见附图2，并建立焦油模型。
3)设定校正集样本数量60组，检验集样本数量15组。
具体过程：首先将所有的焦油光谱组成一个光谱阵，选取前面60组为校正子集，剩下的为验证集样本数，相对应的选取浓度阵对应的校正集和验证集。
4)通过半重数采样法、蒙特卡洛交叉验证法，进行异常光谱分析和异常样本化学值分析，并剔除异常光谱和异常化学值样本；具体过程是：随机将焦油的验证集样本进行预测误差计算，正常焦油样本的预测误差一般较小，其均值在零附近，呈正态分布趋势，异常样本数据奇异的预测误差则一般较大，远离零点，但是焦油样本光谱奇异点预测误差分布的方差一般较大，即不同性质的样本具有不同的分布，以焦油预测样本的均值绝对值为X轴，标准差为Y轴作图，可以得到附图3所示的散点图，根据图可以判断出异常光谱和异常化学值焦油样本并进行剔除。
5)利用一阶导数(SG)对光谱进行预处理，其具体过程：使用移动窗口宽度为13对每个校正集的焦油样本逐步移动平滑，过滤掉无用的噪声，保留有效的光谱信息，如附图4；
6)利用遗传算法(GA)进行波长筛选；具体过程：①对焦油校正集样本的波长进行编码，形成二进制字符；②将校正集样本波长进行初始化，随机选择80％为初始种群；③选择近红外定量回归模型的预测标准偏差为适应度函数④选择近红外焦油样本波长点适应度高的个体保留到下一代一起搜索新的波长点组，根据通过适应度函数的波长点出现的频率来选择建模的波长点；⑤用留一验证的方法通过验证集的预测标准偏差来确定波长点选择的数目以及主成分数。
图5中有三根横向的直线，自下而上，第一根直线代表选取合适的适应度函数，选择波长点数高于这个函数的波长点数保留到下一代一起搜索新的波长点组，第二根根据通过适应度函数的波长点出现的频率来选择建模的波长点，第三根用留一验证的方法通过验证集的预测标准偏差来确定波长点选择的数目。图6是根据选择的波长点数对应的光谱图。
7)运用GAPLS对波长筛选后的光谱与对应焦油数据进行建模；构建基于近红外光谱的焦油定量模型；见附图7、附图8；具体过程：用偏最小二乘法对校正集以及相对应的浓度集进行回归，采用10个最佳主因子进行建模，可以得到验证集的模型预测浓度，他们的平均绝对误差可以通过焦油标准值减去相对应模型预测浓度的绝对值，再求其平均值得到，平均相对误差可以通过平均绝对误差分别除以每个验证集的焦油标准值得到，相关系数可以通过焦油标准值和模型预测值得曲线拟合得到。
PLS的算法如下：
式中，X为校正子集组成的吸光度矩阵，Y为校正子集相对应的化学值矩阵，tk(n X1)为X的第k个主因子的得分，pk(1X m)为X矩阵的第k个主因子的载荷；f为主因子数，即：T和U分别为X和Y矩阵的得分矩阵，P和Q分别为X和Y矩阵的载荷矩阵，EX和EY分别为X和Y的PLS拟合残差矩阵。在校正过程中，最初是忽略残差矩阵E，求出中间的参数后，再返回求残差矩阵；具体过程如下：X＝TPT，左边乘TT然后右乘P得：T＝XP/(PTP)；Y＝UQT，左边乘UT然后两边同除以QT得：U＝Y/QT；取浓度阵Y的某一列作为U的起始迭代值，以U代替T，计算W，方程为：X＝UWT，其解为：WT＝UTX/(UTU)，W为吸光度阵X的权重向量；对权重归一化后求吸光度阵X的因子得分T，方程为：X＝TWT，其解为：T＝XW/WTW；以T代替U计算浓度阵Y的载荷Q值，其方程为：Y＝TQT；其解为：QT＝TTY/(TTT)；对载荷Q归一化后求浓度阵Y的因子得分U，方程为：Y＝UQT；其解为：U＝YQ/QTQ；再以此U代替T返回最开始计算WT，由WT计算T1，如此反复迭代，若T已收敛(‖T1-T2‖≤10-6‖T1‖)，T1为转入计算收敛后的T，否则返回继续求吸光度阵X的权重W；收敛后的T求吸光度阵X的载荷向量P，其方程为：X＝TPT；其解为：PT＝TTY/(TTT)；对载荷P归一化后求标准化X的因子得分T＝T‖P‖；标准化权重向量W＝W‖P‖；计算T与U之间的内在关系B＝UTT/(TTT)；再计算残差阵EX＝X-TPT；EY＝Y-BTQT；最后以EX代替X，EY代替Y，返回最开始的步骤即求吸光度阵X的权重向量W，以此类推，求出X、Y的主因子的W、T、P、U、Q、B，最后通过交互检验法Q2 h≤0.0975确定最佳主因子数f时迭代停止。
8)对模型进行外部验证；
表1模型的外部验证表：
9)其它化学计量学方法对比列表
表2本发明的方法与其它化学计量学方法的对比表
| 方法 | 绝对误差 | 相对误差 | 相关系数 |
| 1 | 1.410635714 | 0.128002044 | 0.73916234 |
| 2 | 1.204655766 | 0.10966455 | 0.719728449 |
| 3 | 0.841271889 | 0.077442141 | 0.68748614 |
| 4 | 0.844266667 | 0.080178015 | -0.478826121 |
| 5 | 0.674626928 | 0.064066657 | 0.633704814 |
| 6 | 1.452454613 | 0.135665914 | -0.313321007 |
Claims (7)
1.一种基于近红外的烟叶焦油解析方法，其特征在于，包括如下步骤：
步骤一：获取不同品种的成品烟丝样本，扫描烟丝样本的近红外光谱，获取近红外光谱信息；
步骤二：将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据，并建立焦油模型；
步骤三：设定校正集样本数量m组，通过光谱的差异性筛选检验集样本数量n组；
步骤四：通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除；
步骤五：使用一阶导数对光谱进行预处理；
步骤六：使用遗传算法筛选光谱波长；
步骤七：运用基于遗传算法的偏最小二乘法GAPLS对波长筛选后的光谱与对应的焦油数据进行建模，构建基于近红外光谱的焦油定量模型；PLS的算法如下：
式中，X为校正子集组成的吸光度矩阵，Y为校正子集相对应的化学值矩阵，tk(n X 1)为X的第k个主因子的得分，pk(1 X m)为X矩阵的第k个主因子的载荷；f为主因子数，即：T和U分别为X和Y矩阵的得分矩阵，P和Q分别为X和Y矩阵的载荷矩阵，EX和EY分别为X和Y的PLS拟合残差矩阵。
2.如权利要求1所述的基于近红外的烟叶焦油解析方法，其特征在于：
步骤七中，在校正过程中，最初是忽略残差矩阵E，求出中间的参数后，再返回求残差矩阵；具体过程如下：X＝TPT，左边乘TT然后右乘P得：T＝XP/(PTP)；Y＝UQT，左边乘UT然后两边同除以QT得：U＝Y/QT；取浓度阵Y的某一列作为U的起始迭代值，以U代替T，计算W，方程为：X＝UWT，其解为：WT＝UTX/(UTU)，W为吸光度阵X的权重向量；对权重归一化后求吸光度阵X的因子得分T，方程为：X＝TWT，其解为：T＝XW/WTW；以T代替U计算浓度阵Y的载荷Q值，其方程为：Y＝TQT；其解为：QT＝TTY/(TTT)；对载荷Q归一化后求浓度阵Y的因子得分U，方程为：Y＝UQT；其解为：U＝YQ/QTQ；再以此U代替T返回最开始计算WT，由WT计算T1，如此反复迭代，若T已收敛(||T1-T2||≤10-6||T1||)，T1为转入计算收敛后的T，否则返回继续求吸光度阵X的权重W；收敛后的T求吸光度阵X的载荷向量P，其方程为：X＝TPT；其解为：PT＝TTY/(TTT)；对载荷P归一化后求标准化X的因子得分T＝T||P||；标准化权重向量W＝W||P||；计算T与U之间的内在关系B＝UTT/(TTT)；再计算残差阵EX＝X-TPT；EY＝Y-BTQT；最后以EX代替X，EY代替Y，返回最开始的步骤即求吸光度阵X的权重向量W，以此类推，求出X、Y的主因子的W、T、P、U、Q、B，最后通过交互检验法Q2 h≤0.0975确定最佳主因子数f时迭代停止。
3.如权利要求1所述的烟叶焦油解析方法，其特征在于：
步骤三中，首先将所有的焦油光谱组成一个光谱阵，选取前面m组为校正子集，剩下的n组为验证集样本。
4.如权利要求1所述的烟叶焦油解析方法，其特征在于，还包括：
步骤八：对步骤七得到的模型进行外部验证。
5.如权利要求1所述的烟叶焦油解析方法，其特征在于：
步骤四中，随机将焦油的验证集样本进行预测误差计算，正常焦油样本的预测误差较小，其均值在零附近，呈正态分布趋势，异常样本数据奇异的预测误差则较大，远离零点，以焦油预测样本的均值绝对值为X轴，标准差为Y轴作图，判断异常光谱和异常化学值焦油样本并进行剔除。
6.如权利要求1所述的烟叶焦油解析方法，其特征在于：
步骤五中，使用一阶导数对光谱进行预处理的具体过程是：使用移动窗口对每个校正集的焦油样本移动平滑，过滤噪声。
7.如权利要求1所述的烟叶焦油解析方法，其特征在于：
步骤六中，使用遗传算法筛选光谱波长包括如下步骤：①对焦油校正集样本的波长进行编码，形成二进制字符；②将校正集样本波长进行初始化，随机选择80％为初始种群；③选择近红外定量回归模型的预测标准偏差为适应度函数；④选择近红外焦油样本波长点适应度高的个体保留到下一代一起搜索新的波长点组，根据通过适应度函数的波长点出现的频率来选择建模的波长点；⑤用留一验证的方法通过验证集的预测标准偏差来确定波长点选择的数目以及主成分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610547179.1A CN106248617A (zh) | 2016-07-12 | 2016-07-12 | 基于近红外的烟叶焦油检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610547179.1A CN106248617A (zh) | 2016-07-12 | 2016-07-12 | 基于近红外的烟叶焦油检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106248617A true CN106248617A (zh) | 2016-12-21 |
Family
ID=57613242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610547179.1A Pending CN106248617A (zh) | 2016-07-12 | 2016-07-12 | 基于近红外的烟叶焦油检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106248617A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645809A (zh) * | 2018-06-27 | 2018-10-12 | 广西民族大学 | 一种近红外光谱技术快速识别松脂来源树种的方法 |
| CN109409350A (zh) * | 2018-10-23 | 2019-03-01 | 桂林理工大学 | 一种基于pca建模反馈式载荷加权的波长选择方法 |
| CN109612961A (zh) * | 2018-12-13 | 2019-04-12 | 温州大学 | 海岸环境微塑料的开集识别方法 |
| CN110575965A (zh) * | 2019-09-30 | 2019-12-17 | 中国计量大学 | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 |
| CN110632024A (zh) * | 2019-10-29 | 2019-12-31 | 五邑大学 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
| CN111466869A (zh) * | 2020-04-10 | 2020-07-31 | 中南大学湘雅二医院 | 一种近红外光无创测量人眼房水组分浓度的方法及系统 |
| CN113065095A (zh) * | 2021-03-31 | 2021-07-02 | 三峡大学 | 一种基于紫外光谱的水中氮含量检测算法 |
| CN114062303A (zh) * | 2020-07-31 | 2022-02-18 | 上海烟草集团有限责任公司 | 烟叶均匀性的监控方法、系统、介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN102313712A (zh) * | 2011-05-30 | 2012-01-11 | 中国农业大学 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
| CN104697955A (zh) * | 2015-03-30 | 2015-06-10 | 吉林烟草工业有限责任公司 | 一种卷烟烟气指标预测方法及系统 |
| CN105628646A (zh) * | 2015-12-30 | 2016-06-01 | 山东中烟工业有限责任公司 | 一种卷烟在线焦油预测及预警方法 |
| CN105740898A (zh) * | 2016-01-29 | 2016-07-06 | 广西中烟工业有限责任公司 | 一种利用光谱特征向量结合主成分分析建立分类模型的方法 |
-
2016
- 2016-07-12 CN CN201610547179.1A patent/CN106248617A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313712A (zh) * | 2011-05-30 | 2012-01-11 | 中国农业大学 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN104697955A (zh) * | 2015-03-30 | 2015-06-10 | 吉林烟草工业有限责任公司 | 一种卷烟烟气指标预测方法及系统 |
| CN105628646A (zh) * | 2015-12-30 | 2016-06-01 | 山东中烟工业有限责任公司 | 一种卷烟在线焦油预测及预警方法 |
| CN105740898A (zh) * | 2016-01-29 | 2016-07-06 | 广西中烟工业有限责任公司 | 一种利用光谱特征向量结合主成分分析建立分类模型的方法 |
Non-Patent Citations (6)
| Title |
|---|
| 付秋娟 等: ""NIR 法预测原烟卷烟主流烟气中的焦油和烟碱"", 《红外技术》 * |
| 何智慧 等: ""卷烟焦油的傅立叶变换近红外测定技术"", 《湖南文理学院学报》 * |
| 刘翠玲 等: "《近红外光谱技术在食品品质检测方法中的研究》", 31 January 2016, 北京：机械工业出版社 * |
| 孙长海 等: "《药物计算光度分析》", 31 March 2008, 哈尔滨：黑龙江科学技术出版社 * |
| 赵杰文 等: "《茶叶质量与安全检测技术及分析方法》", 31 March 2011, 北京：中国轻工业出版社 * |
| 赵雪岑 等: ""基于近红外光谱技术的成品卷烟定量分析"", 《现代电子技术》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645809A (zh) * | 2018-06-27 | 2018-10-12 | 广西民族大学 | 一种近红外光谱技术快速识别松脂来源树种的方法 |
| CN109409350A (zh) * | 2018-10-23 | 2019-03-01 | 桂林理工大学 | 一种基于pca建模反馈式载荷加权的波长选择方法 |
| CN109612961A (zh) * | 2018-12-13 | 2019-04-12 | 温州大学 | 海岸环境微塑料的开集识别方法 |
| CN109612961B (zh) * | 2018-12-13 | 2021-06-25 | 温州大学 | 海岸环境微塑料的开集识别方法 |
| CN110575965A (zh) * | 2019-09-30 | 2019-12-17 | 中国计量大学 | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 |
| CN110575965B (zh) * | 2019-09-30 | 2021-06-01 | 中国计量大学 | 一种近红外光谱鉴别的蚕蛹雌雄筛选方法 |
| CN110632024A (zh) * | 2019-10-29 | 2019-12-31 | 五邑大学 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
| CN111466869A (zh) * | 2020-04-10 | 2020-07-31 | 中南大学湘雅二医院 | 一种近红外光无创测量人眼房水组分浓度的方法及系统 |
| CN114062303A (zh) * | 2020-07-31 | 2022-02-18 | 上海烟草集团有限责任公司 | 烟叶均匀性的监控方法、系统、介质及设备 |
| CN114062303B (zh) * | 2020-07-31 | 2023-11-24 | 上海烟草集团有限责任公司 | 烟叶均匀性的监控方法、系统、介质及设备 |
| CN113065095A (zh) * | 2021-03-31 | 2021-07-02 | 三峡大学 | 一种基于紫外光谱的水中氮含量检测算法 |
| CN113065095B (zh) * | 2021-03-31 | 2023-09-19 | 三峡大学 | 一种基于紫外光谱的水中氮含量检测算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106248617A (zh) | 基于近红外的烟叶焦油检测方法 | |
| US20180259445A1 (en) | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy | |
| CN105630743B (zh) | 一种光谱波数的选择方法 | |
| CN107543801B (zh) | 基于高光谱的芒果冲击损伤后硬度预测方法 | |
| CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
| CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
| CN105891147A (zh) | 一种基于典型相关系数的近红外光谱信息提取方法 | |
| CN113190967B (zh) | 一种基于多目标筛选的细支卷烟材料组配方法 | |
| CN102866127A (zh) | 一种基于近红外光谱信息的simca辅助卷烟配方的方法 | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN107563448B (zh) | 基于近红外光谱分析的样本空间聚类划分法 | |
| CN107655850A (zh) | 基于近红外光谱的非线性建模方法及系统 | |
| CN110132880B (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
| CN106644983A (zh) | 一种基于pls‑vip‑aco算法的光谱波长选择方法 | |
| CN111239316A (zh) | 一种基于烟气全化学成分色谱数据的卷烟感官质量分析方法 | |
| CN107389601B (zh) | 基于高光谱的芒果冲击损伤后可滴定酸含量预测方法 | |
| CN104897608B (zh) | 一种基于近红外光谱技术的乌龙茶品质鉴定方法 | |
| CN106485049B (zh) | 一种基于蒙特卡洛交叉验证的nirs异常样本的检测方法 | |
| CN102680427A (zh) | 一种应用近红外光谱分析技术鉴别卷烟表香质量的方法 | |
| CN110658162B (zh) | 一种由三维荧光光谱预测岩屑萃取液中原油浓度的方法 | |
| CN114002204B (zh) | 一种基于光谱抖动的激光诱导击穿光谱分析方法 | |
| CN101866368A (zh) | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 | |
| CN111543668B (zh) | 一种打叶复烤配方模块的设计方法 | |
| CN110736718B (zh) | 一种烤烟烟丝的产地及等级识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161221 |
|
| WD01 | Invention patent application deemed withdrawn after publication |