CN107491784A - 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 - Google Patents
基于深度学习算法的烟叶近红外光谱定量建模方法及应用 Download PDFInfo
- Publication number
- CN107491784A CN107491784A CN201710673351.2A CN201710673351A CN107491784A CN 107491784 A CN107491784 A CN 107491784A CN 201710673351 A CN201710673351 A CN 201710673351A CN 107491784 A CN107491784 A CN 107491784A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- near infrared
- information
- spectrum
- infrared spectrum
- 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 63
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 62
- 239000000203 mixture Substances 0.000 claims abstract description 17
- 239000000126 substance Substances 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 230000001373 regressive effect Effects 0.000 claims abstract description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 16
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 claims description 7
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 7
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 7
- 239000000460 chlorine Substances 0.000 claims description 7
- 229910052801 chlorine Inorganic materials 0.000 claims description 7
- 229960002715 nicotine Drugs 0.000 claims description 7
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 claims description 7
- 239000011591 potassium Substances 0.000 claims description 7
- 229910052700 potassium Inorganic materials 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 3
- 238000004811 liquid chromatography Methods 0.000 claims description 3
- 238000002414 normal-phase solid-phase extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010183 spectrum analysis Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000011002 quantification Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Manufacture Of Tobacco Products (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
基于深度学习的烟叶近红外光谱定量建模方法,利用近红外光谱仪进行光谱信息采集,获取烟叶的近红外光谱信息,并对光谱数据进行预处理,获取烟叶的主要化学成分信息,使用稀疏特征学习方法对烟叶近红外光谱数据应用K‑SVD算法创建过完备字典,利用OMP算法计算得到光谱的稀疏表示系数;采用PSO‑SVM学习算法,结合稀疏表示系数和化学成分信息建立近红外光谱回归预测模型。本发明利用光谱分析和机器学习双技术,并联合模式识别中的支持向量机算法实现对烟叶的近红外光谱快速定量建模,并应用所建模型准确预测烟叶的主要化学成分信息。
Description
技术领域
本发明属于利用近红外光谱分析烟叶化学成分技术领域,具体涉及一种用于烟叶化学成分分析预测的近红外光谱定量建模方法及其应用。
背景技术
近红外光谱分析技术具有简便、快速、前处理简单、对样品无破坏性无污染并可多组分同时测定等优点,在农业、石油、烟草等领域有着广泛应用。近红外光谱方法主要利用有机物中含有C-H、N-H、O-H、C-C等化学键的振动,而烟叶中含有的总糖、总氮、还原糖、烟碱、叶绿素等化学成分均具有丰富含氢基团,因此可通过现代化学计量学的手段,挖掘烟叶光谱中蕴含的关键特征。近红外光谱的信息量极其丰富,烟叶中几乎0.1%以上含量的有机组分的化学和物理信息在近红外光谱中都有体现,因此应用近红外光谱对烟叶品质特性进行分析、评价都非常合适。
烟叶的近红外光谱本身存在着信号强度弱、谱带宽、谱峰相互重叠、干扰、无法直接从光谱中提取出有用信息等缺点,必须依赖性能良好的定性、定量分析模型才能够对产品质量进行定性、定量分析,所以烟叶的近红外光谱建模是烟叶近红外光谱分析技术的核心。尽管目前已有的近红外光谱建模方法在多数情况下能够满足基本的应用需求,但在实际应用中已有的方法有时会存在精度不高的缺点,而且目前仍然没有一种方法能够在所有的应用中取得最优的结果,必须根据具体对象选取合适的方法,因此为了进一步提高烟叶的近红外光谱分析精度和完善烟叶近红外光谱建模方法,仍有必要对烟叶的近红外光谱新型建模方法进行改进和优化。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它通过模仿人脑的机制来解释数据,已被广泛应用于图像处理、语音处理、自然语言处理等多个领域。
烟叶的近红外光谱数据包含大量冗余信息,因此有必要对其进行简约处理,实现烟叶近红外光谱内容的非线性表示,提高光谱表示能力。作为深度学习模型之一的稀疏表示算法是一种无监督学习方法,它通过寻找一组“超完备”基向量来更高效地表示样本数据,实现对烟叶近红外光谱数据的降维处理,提高压缩效率,从而提高烟叶近红外光谱的定量建模效率。
发明内容
本发明的目的是解决现有技术的不足,提供一种利用光谱分析和机器学习双技术,并联合模式识别中的支持向量机算法实现对烟叶的近红外光谱快速定量建模,并应用所建模型准确预测烟叶的主要化学成分信息。
为了实现上述目的,本发明采取的技术方案如下。
基于深度学习的烟叶近红外光谱定量建模方法,具体包括如下步骤:
(1)利用近红外光谱仪进行光谱信息采集,获取烟叶的近红外光谱信息,并用小波变换算法、Savitzky-Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种或几种方法方法对光谱数据进行预处理;
(2)使用分光光度法、气相色谱-质谱法、液相色谱法、连续流动法、固相萃取法中的一种方法获取烟叶的主要化学成分信息,包括但不限于烟叶的总糖、还原糖、总氮、烟碱、钾和氯;
(3)使用稀疏特征学习方法对经步骤(1)预处理后的烟叶近红外光谱数据应用K-SVD算法创建过完备字典,利用OMP算法计算得到光谱的稀疏表示系数;
(4)采用PSO-SVM学习算法,结合步骤(3)得到的稀疏表示系数和步骤(2)获取的化学成分信息建立近红外光谱回归预测模型。
本发明方法建立的近红外光谱预测模型的应用,是获取待测试烟叶的近红外光谱信息,采用上述步骤(1)和(3)的方法对光谱数据进行预处理操作,并计算得到烟叶的稀疏表示系数;结合步骤(4)建立的回归预测模型,预测烟叶的主要化学成分信息,包括但不限于烟叶的总糖、还原糖、总氮、烟碱、钾和氯。
本发明的有益效果在于,本发明以近红外光谱分析技术为基础,结合机器学习和模式识别技术进行建模。与现有的烟叶近红外定量建模方法相比,本发明针对烟叶近红外光谱数据量大且冗余多的特点,通过使用深度学习中的稀疏表示算法对烟叶的近红外光谱进行降维处理,通过计算光谱数据的稀疏表示系数对光谱数据进行简约,从而大大提高了烟叶近红外光谱的定量建模效率。
附图说明
图1为本发明的原理框图;
图2为本发明中实例所选取烟叶的原始光谱图;
图3为图2经过预处理操作后的光谱图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于所述内容。
基于深度学习的烟叶近红外光谱定量建模方法,如图1所示,包括以下步骤:
①获取烟叶的近红外光谱信息,并对光谱数据进行预处理操作。本实施例中利用现有的近红外光谱仪进行光谱信息采集,其采集范围在波长1000nm-2500nm之间或其中任意部分。对光谱信息的预处理包括消除基线漂移和去除光谱噪声;光谱信息预处理方法包括小波变换算法、SG卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的任意一种或几种,上述方法均为本领域普通技术人员所熟知。以SG卷积平滑法为例,它通过移动窗口多项式拟合的方法对数据进行平滑。设窗口宽度为2w+1,多项式的阶为n,SG平滑方法可以描述如下:用窗口i-w到i+w内的数据(i>w并且i≤p-w)拟合多项式参数,用拟合参数计算第i个点的拟合值;增加i移动窗口计算每个点的拟合值,即可实现SG平滑。计算时,对确定的窗口宽度和多项式阶,使用的参数是相同的,所以SG平滑计算速度较快。在本实例中,选用二阶导数Savitzky-Golay(SG)卷积算法和多元散射校正对光谱数据进行预处理。其中图2为本例所选取烟叶的原始光谱图,图3为图2经过预处理操作后的光谱图。
(2)使用分光光度、气相色谱-质谱法、液相色谱法、连续流动法、固相萃取法中的一种方法获取烟叶的总糖、还原糖、总氮、烟碱、钾和氯等主要化学成分信息,上述方法均为现有的化学分析方法,均为本领域普通技术人员所熟知的技术。
(3)使用稀疏特征学习方法对经步骤(1)预处理后的烟叶近红外光谱数据应用K-SVD算法创建过完备字典,利用OMP算法计算得到光谱的稀疏表示系数。其中K-SVD是一个用于稀疏表示的字典学习算法,是一个迭代算法,是K-Means算法的泛化。对于问题K-SVD的算法流程如下:(a)固定字典D,利用追踪算法求得(近似)最优的系数矩阵X;(b)每次更新一个列dk(用SVD求解),固定字典D的其它所有的列,计算新的列及其相对应系数,使得问题(a)最小化;(c)重复(a)和(b)的过程直到收敛。OMP算法的本质思想是以贪婪迭代的方法选择过完备字典的列,使得在每次迭代的过程中所选择的列与当前冗余向量最大程度的相关,从原始信号向量中减去相关部分并反复迭代,只到迭代次数达到稀疏度K,停止迭代,在本实施例中所选用的稀疏度为10。本发明所采用的程序编写平台为Matlab2016b,所采用的K-SVD算法和MOD算法为MichaelElad教授在其互联网个人主页上免费共享的matlab工具包。
(4)利用对稀疏系数和此光谱所对应烟叶的总糖、还原糖、总氮、烟碱、钾和氯等化学成分信息,结合PSO-SVM算法建立烟叶此六种化学成分的近红外光谱回归预测模型。SVM方法具有处理非线性能力强和分类准确的优点,被广泛地应用于统计分类和回归分析等领域中。其主要是通过一个非线性映射p,把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间),使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。PSO算法是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质,但它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作,它通过追随当前搜索到的最优值来寻找全局最优。而本发明所使用的PSO-SVM算法,是通过使用PSO算法来寻求SVM算法进行回归预测时的最优参数。在本实例中,SVM的核函数选用RBF核函数,算法的实现过程主要包括以下步骤:(a)初始化粒子群中每个粒子的速度和位置,并设定SVM惩罚参数c和核参数δ的搜索范围;(b)计算每个粒子的适应度值f(xi);(c)将计算得到的适应度值f(xi)与自身的最优适应度值f(pibest)进行比较,若f(xi)<f(pibest),则调整粒子的当前位置作为该粒子的最优位置,即f(pibest)=f(xi);(d)将每个粒子的适应度值f(xi)与粒子群的最优适应度值f(pgbest)进行比较,若f(xi)<f(pgbest),则将粒子的当前位置作为所有粒子的最优位置;(e)根据步骤(c)和(d)更新粒子的速度和位置;(f)判断是否得到最佳适应度值,若达到则输出最优参数;若未达到,则返回步骤(b)重复上述过程。(g)利用得到的最优参数组合建立SVM回归模型并进行回归预测。本发明所采用的程序编写平台为Matlab2016b,所采用的SVM算法为台湾大学林智仁教授在其互联网个人主页上免费共享的libsvm工具包。
本发明方法建立的近红外光谱预测模型的应用方法,是获取待测试烟叶的近红外光谱信息,采用上述步骤(1)和(3)的方法对光谱数据进行预处理操作,并计算得到烟叶的稀疏表示系数;结合步骤(4)建立的回归预测模型,预测烟叶的主要化学成分信息。同时使用化学分析方法采集待预测烟叶的化学成分信息,对预测结果进行检验和验证。实验结果显示,烟叶中总糖、还原糖、总氮、烟碱、钾和氯的预测模型的相关系数(R2)分别为0.9755,0.9442,0.9408,0.9556,0.9856,0.9751,预测集标准差(RMSEP)分别为0.1850,0.2408,0.2382,0.2056,0.1256,0.1832,实验结果表明本发明预测烟叶主要化学成分的含量是可行的。
Claims (2)
1.基于深度学习的烟叶近红外光谱定量建模方法,其特征在于,具体包括如下步骤:
(1)利用近红外光谱仪进行光谱信息采集,获取烟叶的近红外光谱信息,并用小波变换算法、Savitzky-Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种或几种方法对光谱数据进行预处理;
(2)使用分光光度法、气相色谱-质谱法、液相色谱法、连续流动法、固相萃取法中的一种方法获取烟叶的主要化学成分信息,包括但不限于烟叶的总糖、还原糖、总氮、烟碱、钾和氯;
(3)使用稀疏特征学习方法对经步骤(1)预处理后的烟叶近红外光谱数据应用K-SVD算法创建过完备字典,利用OMP算法计算得到光谱的稀疏表示系数;
(4)采用PSO-SVM学习算法,结合步骤(3)得到的稀疏表示系数和步骤(2)获取的化学成分信息建立近红外光谱回归预测模型。
2.如权利要求1所述方法建立的近红外光谱预测模型的应用,其特征在于,获取待测试烟叶的近红外光谱信息,采用上述步骤(1)和(3)的方法对光谱数据进行预处理操作,并计算得到烟叶的稀疏表示系数;结合步骤(4)建立的回归预测模型,预测烟叶的主要化学成分信息,包括但不限于烟叶的总糖、还原糖、总氮、烟碱、钾和氯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710673351.2A CN107491784A (zh) | 2017-08-09 | 2017-08-09 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710673351.2A CN107491784A (zh) | 2017-08-09 | 2017-08-09 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107491784A true CN107491784A (zh) | 2017-12-19 |
Family
ID=60644127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710673351.2A Pending CN107491784A (zh) | 2017-08-09 | 2017-08-09 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491784A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108693139A (zh) * | 2018-05-18 | 2018-10-23 | 云南拓宝科技有限公司 | 电子烟油理化指标的近红外光谱预测模型建立方法及应用 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN109374574A (zh) * | 2018-12-20 | 2019-02-22 | 中国烟草总公司郑州烟草研究院 | 一种利用近红外光谱信息鉴别烤烟烟叶蜡质感的方法 |
CN110059613A (zh) * | 2019-04-16 | 2019-07-26 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
CN110346445A (zh) * | 2019-07-05 | 2019-10-18 | 云南腾辉科技开发有限公司 | 一种基于气体分析质谱及近红外光谱分析烟叶霉变的方法 |
CN110567888A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 |
CN110967313A (zh) * | 2019-12-12 | 2020-04-07 | 云南拓宝科技有限公司 | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 |
CN111562235A (zh) * | 2020-05-18 | 2020-08-21 | 迟衡 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
CN112098358A (zh) * | 2020-09-07 | 2020-12-18 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 |
CN112540971A (zh) * | 2020-12-11 | 2021-03-23 | 云南中烟工业有限责任公司 | 一种基于烟叶特征的全信息在线采集系统及方法 |
CN112697724A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 基于无人机高光谱田间烟叶氧化钾含量预测方法及系统 |
CN112697746A (zh) * | 2020-10-11 | 2021-04-23 | 浙大宁波理工学院 | 一种基于光谱信息的红薯粉明矾含量检测方法 |
CN112697725A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 |
CN113804644A (zh) * | 2021-09-18 | 2021-12-17 | 贵州省烟草科学研究院 | 基于近红外光谱的烟叶烘烤过程化学指标预测方法 |
CN114397269A (zh) * | 2022-01-25 | 2022-04-26 | 湖北中烟工业有限责任公司 | 卷烟滤棒三醋酸甘油酯含量的测定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012128281A1 (ja) * | 2011-03-22 | 2012-09-27 | 日本たばこ産業株式会社 | 見掛密度測定方法 |
CN104713846A (zh) * | 2015-02-03 | 2015-06-17 | 贵州省烟草科学研究院 | 一种利用近红外光谱快速检测烟草淀粉含量的建模方法 |
-
2017
- 2017-08-09 CN CN201710673351.2A patent/CN107491784A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012128281A1 (ja) * | 2011-03-22 | 2012-09-27 | 日本たばこ産業株式会社 | 見掛密度測定方法 |
CN104713846A (zh) * | 2015-02-03 | 2015-06-17 | 贵州省烟草科学研究院 | 一种利用近红外光谱快速检测烟草淀粉含量的建模方法 |
Non-Patent Citations (3)
Title |
---|
王儒敬等: "基于深度稀疏学习的土壤近红外光谱分析预测模型", 《发光学报》 * |
申钦鹏等: "近红外光谱定量分析技术在烟草和烟气化学成分分析中的研究进展", 《广东农业科学》 * |
秦玉华: "烟叶通用近红外定量模型稳健性研巧", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN108693139A (zh) * | 2018-05-18 | 2018-10-23 | 云南拓宝科技有限公司 | 电子烟油理化指标的近红外光谱预测模型建立方法及应用 |
CN109374574A (zh) * | 2018-12-20 | 2019-02-22 | 中国烟草总公司郑州烟草研究院 | 一种利用近红外光谱信息鉴别烤烟烟叶蜡质感的方法 |
CN110059613B (zh) * | 2019-04-16 | 2021-08-10 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
CN110059613A (zh) * | 2019-04-16 | 2019-07-26 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
CN110346445A (zh) * | 2019-07-05 | 2019-10-18 | 云南腾辉科技开发有限公司 | 一种基于气体分析质谱及近红外光谱分析烟叶霉变的方法 |
CN110567888A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 |
CN110967313A (zh) * | 2019-12-12 | 2020-04-07 | 云南拓宝科技有限公司 | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 |
CN111562235A (zh) * | 2020-05-18 | 2020-08-21 | 迟衡 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
CN112098358A (zh) * | 2020-09-07 | 2020-12-18 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 |
CN112098358B (zh) * | 2020-09-07 | 2021-12-17 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量检测方法 |
CN112697746A (zh) * | 2020-10-11 | 2021-04-23 | 浙大宁波理工学院 | 一种基于光谱信息的红薯粉明矾含量检测方法 |
CN112697724A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 基于无人机高光谱田间烟叶氧化钾含量预测方法及系统 |
CN112697725A (zh) * | 2020-12-09 | 2021-04-23 | 云南省烟草农业科学研究院 | 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 |
CN112540971A (zh) * | 2020-12-11 | 2021-03-23 | 云南中烟工业有限责任公司 | 一种基于烟叶特征的全信息在线采集系统及方法 |
CN112540971B (zh) * | 2020-12-11 | 2023-06-09 | 云南中烟工业有限责任公司 | 一种基于烟叶特征的全信息在线采集系统及方法 |
CN113804644A (zh) * | 2021-09-18 | 2021-12-17 | 贵州省烟草科学研究院 | 基于近红外光谱的烟叶烘烤过程化学指标预测方法 |
CN114397269A (zh) * | 2022-01-25 | 2022-04-26 | 湖北中烟工业有限责任公司 | 卷烟滤棒三醋酸甘油酯含量的测定方法 |
CN114397269B (zh) * | 2022-01-25 | 2023-12-08 | 湖北中烟工业有限责任公司 | 卷烟滤棒三醋酸甘油酯含量的测定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491784A (zh) | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 | |
Ng et al. | The influence of training sample size on the accuracy of deep learning models for the prediction of soil properties with near-infrared spectroscopy data | |
Yang et al. | Deep learning for vibrational spectral analysis: Recent progress and a practical guide | |
CN109493287A (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
CN108399201B (zh) | 一种基于循环神经网络的Web用户访问路径预测方法 | |
Tian et al. | Weighted SPXY method for calibration set selection for composition analysis based on near-infrared spectroscopy | |
Zhang et al. | Classification modeling method for near‐infrared spectroscopy of tobacco based on multimodal convolution neural networks | |
CN107179291B (zh) | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 | |
CN110334881A (zh) | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 | |
Chen et al. | Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyperspectral data | |
CN111127146A (zh) | 基于卷积神经网络与降噪自编码器的信息推荐方法及系统 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN110503156A (zh) | 一种基于最小相关系数的多变量校正特征波长选择方法 | |
CN108693139A (zh) | 电子烟油理化指标的近红外光谱预测模型建立方法及应用 | |
Chang et al. | Detection of sugar content in food based on the electrochemical method with the assistance of partial least square method and deep learning | |
Prilianti et al. | Deep chemometrics for nondestructive photosynthetic pigments prediction using leaf reflectance spectra | |
Shao et al. | A new approach to discriminate varieties of tobacco using vis/near infrared spectra | |
Omondiagbe et al. | Soil texture prediction with automated deep convolutional neural networks and population-based learning | |
Li et al. | Soil carbon content prediction using multi-source data feature fusion of deep learning based on spectral and hyperspectral images | |
Yu et al. | LSCA-net: A lightweight spectral convolution attention network for hyperspectral image processing | |
Wang et al. | Estimation of soil organic matter by in situ Vis-NIR spectroscopy using an automatically optimized hybrid model of convolutional neural network and long short-term memory network | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
Bi et al. | Apple internal quality fusion prediction by multi-pattern recognition technology and evidence theory | |
CN113125377B (zh) | 一种基于近红外光谱检测柴油性质的方法及装置 | |
Lacerda et al. | Feature selection by genetic algorithm in nonlinear taper model |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171219 |
|
WD01 | Invention patent application deemed withdrawn after publication |