CN107101971A - 烟叶属性的处理方法、系统及电子设备 - Google Patents
烟叶属性的处理方法、系统及电子设备 Download PDFInfo
- Publication number
- CN107101971A CN107101971A CN201710363754.7A CN201710363754A CN107101971A CN 107101971 A CN107101971 A CN 107101971A CN 201710363754 A CN201710363754 A CN 201710363754A CN 107101971 A CN107101971 A CN 107101971A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- attribute
- leaf
- tobacco
- sample
- 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
- 241000208125 Nicotiana Species 0.000 title claims abstract description 339
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 339
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 64
- 238000007599 discharging Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 54
- 239000000126 substance Substances 0.000 claims description 36
- 239000000203 mixture Substances 0.000 claims description 31
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 20
- 229960002715 nicotine Drugs 0.000 claims description 20
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 claims description 20
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 235000019504 cigarettes Nutrition 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 229910052700 potassium Inorganic materials 0.000 claims description 4
- 239000011591 potassium Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012628 principal component regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 26
- 108090000623 proteins and genes Proteins 0.000 description 10
- 238000002329 infrared spectrum Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 241000921313 Phyllopodium Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000002699 waste material Substances 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
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)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提供一种烟叶属性的处理方法、系统、电子设备及可读存储介质，所述烟叶属性的处理方法包括以下步骤：获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。本发明通过多点采集样本光谱的方式得到模型预测结果要远远好于采用随机采集1点的烟叶光谱，且能更准确地预测烟叶产品的属性数据。
Description
技术领域
本发明属于烟叶分析技术领域，涉及一种处理方法和系统，特别是涉及一种烟叶属性的处理方法、系统及电子设备。
背景技术
便携式近红外光谱仪采集样本的光谱，最为常见的一种是对样本扫描一个点光谱，该方法虽然可以大大提高工作效率，但是所扫描该点的光谱不能很好的反映该样本的整体信息。例如烟叶样本，烟叶的叶尖、叶腰和叶基三个部位的化学成分含量相差很大，关于烟叶叶尖至叶基的化学成分变化趋势现有技术中已做了详细的研究，结果表明大部分化学成分在近叶基处都有一明显拐点，之后其含量变化速度明显加快，如果只采集一个点的光谱，该点可能是烟叶三个部位中的任何一个部位，显然是不合理的，针对这个问题又会把烟叶按照叶尖、叶腰、叶基分成10个点，每个点采集一次光谱，然后计算平均值，该方法通过多个点采集烟叶的光谱可以很好的体现完整烟叶的信息，但是点位分的过多，影响采集效率，而且是单片烟叶的采集光谱，由于近红外光谱有一定的穿透能力，单片烟叶采集的光谱中可能会含有其他非烟叶信息，如实验台信息，实验室近红外光谱仪为了充分得到烟叶样本的光谱信息，通常会将烟叶进行烘干、粉碎等前处理，然后采集粉末状态下的烟叶光谱，该方法采集到的光谱信息虽然能够充分反映整个烟叶样本的信息，但是对烟叶样本进行烘干、粉碎等前处理需要花费大量的时间，降低了工作效率，而且需要对烟叶进行破坏，对烟叶造成大量的浪费，样本的近红外光谱采集是近红外光谱分析技术的关键步骤，如何采集样本的近红外光谱是近红外分析技术首先要解决的问题，并且利用所采集的近红外光谱更准确地预测烟叶的属性。
因此，如何提供一种烟叶属性的处理方法、系统及电子设备，以解决现有技术中如何采集样本的近红外光谱是近红外分析技术首要解决的问题，且因此导致无法更准准确地预测烟叶的属性等缺陷，实以成为本领域技术人员所亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种烟叶属性的处理方法、系统及电子设备，用于解决现有技术中如何采集样本的近红外光谱是近红外分析技术首要解决的问题，且因此导致无法更准准确地预测烟叶的属性的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种烟叶属性的处理方法，所述烟叶属性的处理方法包括以下步骤：获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
于本发明的一实施例中，所述烟叶属性的处理方法还包括验证所建立的烟叶属性预测模型；验证所建立的烟叶属性预测模型的步骤包括：通过第二烟叶样本的烟叶属性和光谱值来验证所述烟叶属性预测模型；其中，验证指标包括平均绝对误差和相关系数。
于本发明的一实施例中，所述烟叶属性包括烟叶的化学成分、烟叶的产地、烟叶的品质、和/或烟叶的部位。
于本发明的一实施例中，第一烟叶样本的化学成分是通过与每一化学成分相对应的预定化学成分检测方法来检测获取。
于本发明的一实施例中，所述化学成分包括烟碱、总糖、还原糖、氮、总氮、或钾；所述预定排列方式为：按照烟叶形状重叠排放；在采集光谱值时，分别采集置于顶部的烟叶的叶尖部、叶腰部、叶基部的光谱值，及将置于底部的烟叶的叶尖部、叶腰部、叶基部的光谱值；置于底部的烟叶的叶尖部、叶腰部、叶基部的光谱值是通过将置于底部的烟叶重新摆放于第一烟叶样本的顶部，采用光谱采集设备来采集；将置于顶部的烟叶的叶尖部的光谱值和置于底部的烟叶的叶尖部的光谱值平均，得到叶尖部的平均光谱值；置于顶部的烟叶的叶腰部的光谱值和置于底部的烟叶的叶腰部的光谱值平均，得到叶腰部的平均光谱值，置于顶部的烟叶的叶基部的光谱值和置于底部的烟叶的叶基部的光谱值平均，得到叶基部的平均光谱值；将叶尖部的平均光谱值，叶腰部的平均光谱值，叶基部的平均光谱值平均，得到第一烟叶样本的光谱值。
于本发明的一实施例中，所述烟叶属性预测模型包括烟叶属性定量预测模型和烟叶属性定性预测模型；其中，通过所述烟叶属性定量预测模型预测烟叶的化学成分；通过烟叶属性定性预测模型预测烟叶的化学成分等级、烟叶的品质、和/或烟叶的部位。
于本发明的一实施例中，所述烟叶属性定量预测模型的建立方法包括建立线性回归模型方法和建立非线性回归模型方法；其中，线性回归模型方法包括多元线性回归、主成分回归或偏最小二乘回归；非线性回归模型方法包括人工神经网络方法或支持向量机方法；所述烟叶属性定性预测模型的建立方法包括最小距离判别法、Bayes线性判别法、Fisher线性判别法、线性学习机方法、K最邻近法，势函数判别方法、SIMCA方法、人工神经网络方法或支持向量机方法。
本发明另一方面提供一种烟叶属性的处理系统，所述烟叶属性的处理系统包括：获取模块，获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；预测模块，用于根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
本发明又一方面提供一种电子设备，所述电子设备包括如权利要求8所述的烟叶属性的处理系统。
本发明最后一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述烟叶属性的处理方法的步骤。
如上所述，本发明的烟叶属性的处理方法、系统及电子设备，具有以下有益效果：
本发明所述的烟叶属性的处理方法、系统及电子设备通过多点采集样本光谱的方式得到模型预测结果要远远好于采用随机采集1点的烟叶光谱，且能更准确地预测烟叶产品的属性数据。
附图说明
图1显示为本发明的第一烟叶样本的平面示意图示意图。
图2显示为本发明的烟叶属性的处理方法于一实施例中的流程示意图。
图3显示为本发明的烟叶属性的处理系统于一实施例中的原理结构示意图。
图4显示为本发明的电子设备的原理结构示意图。
元件标号说明
3 烟叶属性的处理系统
31 获取模块
32 预测模块
33 验证模块
4 电子设备
S1～S3 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种烟叶属性的处理方法，所述烟叶属性的处理方法包括以下步骤：
获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；
根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
以下将结合图示对本实施例所提供的烟叶属性的处理方法进行详细描述。在本实施例中，所述第一烟叶样本由多片烟叶组成。且多片烟叶以预定排放方式排列。所述预定排放方式是指：
首先，按照烟叶形状重叠排放。在本实施例中，采用6片烟叶组成一个第一烟叶样本。将烟叶完全展开，并按照烟叶形状上下重叠在一起平铺于光谱采集设备的实验台上。光谱采集设备于本实施例中为近红外光谱仪。请参阅图1，显示为第一烟叶样本的平面示意图。如图1所示，所述第一烟叶样本包括6片烟叶，6片烟叶重叠在一起。通过近红外光谱仪采集烟叶1的叶尖部11、叶腰部12、叶基部13的光谱值。
接着，在采集光谱值时，分别采集置于顶部的烟叶的叶尖部、叶腰部、叶基部的光谱值，及将置于底部的烟叶的叶尖部、叶腰部、叶基部的光谱值；置于底部的烟叶的叶尖部、叶腰部、叶基部的光谱值是通过将置于底部的烟叶重新摆放于第一烟叶样本的顶部，采用光谱采集设备来采集。在本实施例中，由于并不知道近红外光对烟叶的穿透性，如果烟叶数量太少近红外会穿透烟叶检测到实验台的光谱，那么近红外光谱除了含有烟叶信息还含有实验台的信息，使得检测不准确。所以会尽量将多片烟叶叠在一起检测，然后再将底部的烟叶拿到上面再检测一次这样摆放烟叶的好处就是，如果近红外光的穿透能力有限，假如说它能穿透4片烟叶，那么第5、6、7片烟叶没有穿透，这样的话4片以下(底部)的烟叶检测不到，所以再将底部的烟叶拿到顶部重新采集光谱，目的是要将所有烟叶的近红外光谱都能采集到。
然后，将置于顶部的烟叶的叶尖部的光谱值和置于底部的烟叶的叶尖部的光谱值平均，得到叶尖部的平均光谱值；置于顶部的烟叶的叶腰部的光谱值和置于底部的烟叶的叶腰部的光谱值平均，得到叶腰部的平均光谱值，置于顶部的烟叶的叶基部的光谱值和置于底部的烟叶的叶基部的光谱值平均，得到叶基部的平均光谱值。
最后，将叶尖部的平均光谱值，叶腰部的平均光谱值，叶基部的平均光谱值平均，得到第一烟叶样本的光谱值。
在执行本实施例所述的烟叶属性的处理方法之前，还需采集第一烟叶样本的烟叶属性。在本实施例中，所述烟叶属性包括烟叶的化学成分、烟叶的产地、烟叶的品质、和/或烟叶的部位等。烟叶的化学成分包括烟碱、总糖、还原糖、氮、总氮、或钾等。第一烟叶样本的化学成分是通过与每一化学成分相对应的预定化学成分检测方法来检测获取。所述预定化学成分检测方法可以采用化学成分检测领域中检测每一种化学成分的经典化学检测方法。此处不再赘述如何检测各种化学成分的具体过程。
请参阅图2，显示为烟叶属性的处理方法于一实施例中的流程示意图。如图2所示，所述烟叶属性的处理方法具体包括以下几个步骤：
S21，获取第一烟叶样本的光谱值和烟叶属性。在本实施例中，获取烟叶属性中的烟碱的成分值。
S22，根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。所述烟叶属性预测模型包括烟叶属性定量预测模型和烟叶属性定性预测模型；其中，通过所述烟叶属性定量预测模型预测烟叶的化学成分；通过烟叶属性定性预测模型预测烟叶的化学成分等级、烟叶的品质、和/或烟叶的部位。
所述烟叶属性定量预测模型的建立方法包括建立线性回归模型方法和建立非线性回归模型方法；其中，线性回归模型方法包括多元线性回归、主成分回归或偏最小二乘回归；
非线性回归模型方法包括人工神经网络方法或支持向量机方法；
所述烟叶属性定性预测模型的建立方法包括最小距离判别法、Bayes线性判别法、Fisher线性判别法、线性学习机方法、K最邻近法，势函数判别方法、SIMCA方法、人工神经网络方法或支持向量机方法。
在本实施例中，利用偏最小二乘回归建立第一烟叶样本的烟碱和光谱值，一一对应的烟叶属性定量预测模型。以下将具体描述烟叶属性定量预测模型具体建立的过程。
第一步：对第一烟叶样本的光谱矩阵X和第一烟叶样本的烟碱矩阵Y进行分解，模型为：
其中，tk(n×1)为光谱矩阵X的第k个主因子的得分；pk(1×m)为光谱矩阵X的第k个主因子的载荷；uk(n×1)为烟碱矩阵Y的第k个主因子的得分；qk(1×m)为烟碱矩阵Y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。
第二步：将得分矩阵T和U做线性回归，模型为：
U＝TB
B＝(TTT)-1TTY
在预测时，根据光谱矩阵X的载荷矩阵P求出未知烟叶样本的光谱矩阵X未知的得分矩阵T未知；
未知烟叶样本的烟碱预测值为：
Y未知＝T未知BQ
S23，验证所建立的烟叶属性预测模型。在本实施例中，通过第二烟叶样本的烟叶属性和光谱值来验证所述烟叶属性预测模型；其中，验证指标包括平均绝对误差和相关系数。
在本实施例中，将烟叶近红外光谱和烟碱进行一一对应建立烟碱定量模型后，参见表1建模集和验证集样本情况。
表1：建模集和验证集样本情况
| 样本集 | 产地 | 等级 | 部位 | 数量 | 烟碱最小值 | 烟碱最大值 |
| 建模集 | 邓州 | C2FB2 | 上部烟 | 30 | 2.84 | 4.14 |
| 建模集 | 灵宝 | C2FA1 | 中部烟 | 30 | 1.75 | 3.12 |
| 建模集 | 洛宁 | X2FA1 | 下部烟 | 30 | 1.06 | 1.53 |
| 验证集 | 邓州 | C2FB2 | 上部烟 | 5 | 3.28 | 4.29 |
| 验证集 | 灵宝 | C2FA1 | 中部烟 | 5 | 2.28 | 2.75 |
| 验证集 | 洛宁 | X2FA1 | 下部烟 | 5 | 0.92 | 1.3 |
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述烟叶属性的处理方法的步骤。
本实施例所述的烟叶属性的处理方法通过6点采集样本光谱的方式得到模型预测结果要远远好于采用随机采集1点的烟叶光谱，且能更准确地预测烟叶产品的属性数据。
实施例二
本实施例提供一种烟叶属性的处理系统，所述烟叶属性的处理系统包括：
获取模块，获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；
预测模块，用于根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
以下将结合图示对本实施例提供的烟叶属性的处理系统进行详细描述。请参阅图3，显示为烟叶属性的处理系统于一实施例中的原理结构示意图。如图3所示，所述烟叶属性的处理系统3具体包括：获取模块31、预测模块32、及验证模块33。
所述获取模块31用于获取第一烟叶样本的光谱值和烟叶属性。其中，第一烟叶样本的光谱值是通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集。所述光谱采集设备于本实施例中采用近红外光谱仪。在本实施例中，所述烟叶属性包括烟叶的化学成分、烟叶的产地、烟叶的品质、和/或烟叶的部位等。烟叶的化学成分包括烟碱、总糖、还原糖、氮、总氮、或钾等。第一烟叶样本的化学成分是通过与每一化学成分相对应的预定化学成分检测方法来检测获取。所述预定化学成分检测方法可以采用化学成分检测领域中检测每一种化学成分的经典化学检测方法。此处不再赘述如何检测各种化学成分的具体过程。
与所述获取模块31连接的预测模块32用于根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。所述烟叶属性预测模型包括烟叶属性定量预测模型和烟叶属性定性预测模型；其中，通过所述烟叶属性定量预测模型预测烟叶的化学成分；通过烟叶属性定性预测模型预测烟叶的化学成分等级、烟叶的品质、和/或烟叶的部位。所述烟叶属性定量预测模型的建立方法包括建立线性回归模型方法和建立非线性回归模型方法；其中，线性回归模型方法包括多元线性回归、主成分回归或偏最小二乘回归；非线性回归模型方法包括人工神经网络方法或支持向量机方法；所述烟叶属性定性预测模型的建立方法包括最小距离判别法、Bayes线性判别法、Fisher线性判别法、线性学习机方法、K最邻近法，势函数判别方法、SIMCA方法、人工神经网络方法或支持向量机方法。
在本实施例中，所述预测模块32利用偏最小二乘回归建立第一烟叶样本的烟碱和光谱值，一一对应的烟叶属性定量预测模型。以下将具体描述所述预测模块32建立烟叶属性定量预测模型，以预测烟叶样本的烟碱的具体过程。
所述预测模块32用于对第一烟叶样本的光谱矩阵X和第一烟叶样本的烟碱矩阵Y进行分解，模型为：
其中，tk(n×1)为光谱矩阵X的第k个主因子的得分；pk(1×m)为光谱矩阵X的第k个主因子的载荷；uk(n×1)为烟碱矩阵Y的第k个主因子的得分；qk(1×m)为烟碱矩阵Y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。
所述预测模块32还用于将得分矩阵T和U做线性回归，模型为：
U＝TB
B＝(TTT)-1TTY
在预测时，根据光谱矩阵X的载荷矩阵P求出未知烟叶样本的光谱矩阵X未知的得分矩阵T未知；
未知烟叶样本的烟碱预测值为：
Y未知＝T未知BQ
本实施例还提供一种电子设备4，请参阅图4，显示为电子设备的原理结构示意图。如图4所示，所述电子设备4包括上述烟叶属性的处理系统3，且通过存储器和处理器来实现。存储器中存储有第一烟叶样本的光谱值和烟叶属性，及烟叶属性定量预测模型和定性预测模型。处理器根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
综上所述，本发明所述的烟叶属性的处理方法、系统及电子设备通过多点采集样本光谱的方式得到模型预测结果要远远好于采用随机采集1点的烟叶光谱，且能更准确地预测烟叶产品的属性数据。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种烟叶属性的处理方法，其特征在于，所述烟叶属性的处理方法包括以下步骤：
获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；
根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
2.根据权利要求1所述的烟叶属性的处理方法，其特征在于：所述烟叶属性的处理方法还包括验证所建立的烟叶属性预测模型；
验证所建立的烟叶属性预测模型的步骤包括：
通过第二烟叶样本的烟叶属性和光谱值来验证所述烟叶属性预测模型；其中，验证指标包括平均绝对误差和相关系数。
3.根据权利要求1所述的烟叶属性的处理方法，其特征在于：所述烟叶属性包括烟叶的化学成分、烟叶的产地、烟叶的品质、和/或烟叶的部位。
4.根据权利要求3所述的烟叶属性的处理方法，其特征在于：
第一烟叶样本的化学成分是通过与每一化学成分相对应的预定化学成分检测方法来检测获取。
5.根据权利要求3所述的烟叶属性的处理方法，其特征在于：
所述化学成分包括烟碱、总糖、还原糖、氮、总氮、或钾；
所述预定排列方式为：
按照烟叶形状重叠排放；
在采集光谱值时，分别采集置于顶部的烟叶的叶尖部、叶腰部、叶基部的光谱值，及将置于底部的烟叶的叶尖部、叶腰部、叶基部的光谱值；置于底部的烟叶的叶尖部、叶腰部、叶基部的光谱值是通过将置于底部的烟叶重新摆放于第一烟叶样本的顶部，采用光谱采集设备来采集；
将置于顶部的烟叶的叶尖部的光谱值和置于底部的烟叶的叶尖部的光谱值平均，得到叶尖部的平均光谱值；置于顶部的烟叶的叶腰部的光谱值和置于底部的烟叶的叶腰部的光谱值平均，得到叶腰部的平均光谱值，置于顶部的烟叶的叶基部的光谱值和置于底部的烟叶的叶基部的光谱值平均，得到叶基部的平均光谱值；
将叶尖部的平均光谱值，叶腰部的平均光谱值，叶基部的平均光谱值平均，得到第一烟叶样本的光谱值。
6.根据权利要求5所述的烟叶属性的处理方法，其特征在于：所述烟叶属性预测模型包括烟叶属性定量预测模型和烟叶属性定性预测模型；
其中，通过所述烟叶属性定量预测模型预测烟叶的化学成分；
通过烟叶属性定性预测模型预测烟叶的化学成分等级、烟叶的品质、和/或烟叶的部位。
7.根据权利要求5所述的烟叶属性的处理方法，其特征在于：
所述烟叶属性定量预测模型的建立方法包括建立线性回归模型方法和建立非线性回归模型方法；其中，线性回归模型方法包括多元线性回归、主成分回归或偏最小二乘回归；非线性回归模型方法包括人工神经网络方法或支持向量机方法；
所述烟叶属性定性预测模型的建立方法包括最小距离判别法、Bayes线性判别法、Fisher线性判别法、线性学习机方法、K最邻近法，势函数判别方法、SIMCA方法、人工神经网络方法或支持向量机方法。
8.一种烟叶属性的处理系统，其特征在于，所述烟叶属性的处理系统包括：
获取模块，获取第一烟叶样本的光谱值和烟叶属性；其中，第一烟叶样本的光谱值通过将第一烟叶样本中包含的多片烟叶以预定排放方式排列后，采用光谱采集设备来采集；
预测模块，用于根据第一烟叶样本的烟叶属性和光谱值，建立烟叶属性预测模型，并通过所建立的烟叶属性预测模型，来预测烟叶产品的烟叶属性。
9.一种电子设备，其特征在于，所述电子设备包括如权利要求8所述的烟叶属性的处理系统。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7所述烟叶属性的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710363754.7A CN107101971A (zh) | 2017-05-22 | 2017-05-22 | 烟叶属性的处理方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710363754.7A CN107101971A (zh) | 2017-05-22 | 2017-05-22 | 烟叶属性的处理方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107101971A true CN107101971A (zh) | 2017-08-29 |
Family
ID=59670294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710363754.7A Pending CN107101971A (zh) | 2017-05-22 | 2017-05-22 | 烟叶属性的处理方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107101971A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828272A (zh) * | 2006-03-30 | 2006-09-06 | 将军烟草集团有限公司 | 采用近红外光检测烟叶叶片化学成分的方法 |
| CN104020127A (zh) * | 2014-06-18 | 2014-09-03 | 山东烟草研究院有限公司 | 一种利用近红外光谱快速测量烟叶中无机元素的方法 |
| CN104132904A (zh) * | 2014-07-04 | 2014-11-05 | 郑州轻工业学院 | 一种测定烟叶燃烧性的方法 |
| CN106568899A (zh) * | 2016-11-01 | 2017-04-19 | 王华勤 | 一种烟叶组分的判断方法 |
-
2017
- 2017-05-22 CN CN201710363754.7A patent/CN107101971A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828272A (zh) * | 2006-03-30 | 2006-09-06 | 将军烟草集团有限公司 | 采用近红外光检测烟叶叶片化学成分的方法 |
| CN104020127A (zh) * | 2014-06-18 | 2014-09-03 | 山东烟草研究院有限公司 | 一种利用近红外光谱快速测量烟叶中无机元素的方法 |
| CN104132904A (zh) * | 2014-07-04 | 2014-11-05 | 郑州轻工业学院 | 一种测定烟叶燃烧性的方法 |
| CN106568899A (zh) * | 2016-11-01 | 2017-04-19 | 王华勤 | 一种烟叶组分的判断方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Awasthi et al. | Green supplier development program selection using NGT and VIKOR under fuzzy environment | |
| CN105630743B (zh) | 一种光谱波数的选择方法 | |
| CN101564199B (zh) | 均质化生产控制型打叶复烤方法 | |
| CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
| CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
| CN104062258B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
| CN107655850A (zh) | 基于近红外光谱的非线性建模方法及系统 | |
| CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
| CN107220505A (zh) | 儿童发育能力评估方法及装置 | |
| CN106706552A (zh) | 基于多信息融合的小麦品质检测方法 | |
| CN108304853A (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
| CN108229566A (zh) | 一种层次性分类方法及装置 | |
| CN106991577A (zh) | 一种确定目标用户的方法及装置 | |
| CN104331613B (zh) | 多个类型的通信设备抗干扰能力的评价方法 | |
| CN108875118A (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
| Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
| CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
| CN105975973A (zh) | 一种用于森林生物量的遥感影像特征选择方法和装置 | |
| CN108229011A (zh) | 一种页岩岩相发育主控因素判断方法、设备及存储设备 | |
| Rodrigues et al. | The miniJPAS survey quasar selection–II. Machine learning classification with photometric measurements and uncertainties | |
| CN108344701A (zh) | 基于高光谱技术的石蜡等级定性分类与定量回归方法 | |
| CN107101971A (zh) | 烟叶属性的处理方法、系统及电子设备 | |
| Räty et al. | Fusing diameter distributions predicted by an area-based approach and individual-tree detection in coniferous-dominated forests | |
| Li et al. | Early identification of breakthrough research from sleeping beauties using machine learning | |
| KR101556560B1 (ko) | 스마트 그리드 사업 전략 평가 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170829 |