CN110132879A - 一种基于近红外光谱的烤烟香韵鉴别方法 - Google Patents
一种基于近红外光谱的烤烟香韵鉴别方法 Download PDFInfo
- Publication number
- CN110132879A CN110132879A CN201910535375.0A CN201910535375A CN110132879A CN 110132879 A CN110132879 A CN 110132879A CN 201910535375 A CN201910535375 A CN 201910535375A CN 110132879 A CN110132879 A CN 110132879A
- Authority
- CN
- China
- Prior art keywords
- note
- sample
- flue
- cured tobacco
- sweet
- 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 71
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 71
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 27
- 238000012850 discrimination method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 235000009508 confectionery Nutrition 0.000 claims description 63
- 238000012360 testing method Methods 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 30
- 230000033764 rhythmic process Effects 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000001953 sensory effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000391 smoking effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002304 perfume Substances 0.000 claims 1
- 235000013599 spices Nutrition 0.000 claims 1
- 235000019504 cigarettes Nutrition 0.000 abstract description 13
- 239000000796 flavoring agent Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 235000019634 flavors Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 235000012907 honey Nutrition 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 235000012976 tarts Nutrition 0.000 description 1
- 235000019505 tobacco product Nutrition 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
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明的目的提供一种基于近红外光谱的烤烟香韵鉴别方法,本发明提供的方法通过典型的香韵鉴别结果与烤烟的近红外光谱数据结合,建立近红外光谱与烤烟样本香韵的数据相关,进一步通过抽样统计与多模型建模的方式,通过训练数据的不同,构造多模型预测,由训练样本的特点决定模型间的差异及其侧重,给出非典型香韵香烟的香韵预测概率。
Description
技术领域
本发明涉及烟草香韵鉴别领域,特别涉及一种基于近红外光谱的烤烟香韵鉴别方法。
背景技术
香韵是表征烟叶及卷烟产品的重要指标,也是彰显工业企业品牌特色的重要指标;50-60年代,我国学者提出将国内烤烟分为浓香型、中间香型和清香型三大类。此后,各香型风格的烟叶比例成为中式卷烟配方的重要指标,同时,也是烟叶产区质量评价的重要指标。2000年后,国内烟草工业企业开始进行‘中式卷烟’的研发与探索,其中,从国内烟区烤烟香型的基础上,通过以清甜香,蜜(醇)甜香,焦甜香为支撑的中式卷烟风格,与欧美,日本等卷烟产品在风格上予以区分。在实际中,大多产区的烤烟烟叶呈现出多种香韵风格,其对评价人员的要求较高,且样本繁多工作量大,不适用于工业生产中各类原料的香韵判断。因此,拟通过理化检验的方式,替代人的感官评价,作为烤烟香韵的评价方法。
针对感官评价的研究,目前已有通过理化数据结合感官评价结果,通过构建数学模型进行评价的方法,例如四川省农业科学院农产品加工研究所关于快速检测豆瓣酱风味、等级及产品溯源的方法(专利公告号为CN 104316660 B),云南中烟工业有限责任公司基于味觉活力值的烟气酸味指数评价模型建立方法等(专利公告号为CN 104267153 B)。
红外光谱因其快速、准确和无损而被广泛应用于化工、食品、制药等行业。光谱多元校正技术能够有效地用于物质成分含量检测和在线过程监测。近红外光谱主要是对含氢基团振动的倍频和合频吸收,其中包含了大多数类型有机化合物的组成信息,与烟叶化学成分关联的信息非常丰富。施丰成等利用基于近红外光谱的PLS-DA算法判别烟叶产地,对四川、云南、重庆、福建4个产区单料烟分别建立产地判别模型,对各个产区内验证集样本预测精度大于93%(施丰成,李东亮,冯广林,等.基于近红外光谱的PLS-DA算法判别烤烟烟叶产地[J].烟草科技,2013(4).)。王一丁等对烤烟全波段光谱特征信息进行预处理,建立的烤烟香型风格PLS-DA定性判别模型,识别正确率达100%(王一丁,赵铭钦,付博,等.利用可见-近红外光谱鉴定不同香型风格烤烟的方法[J].中国烟草科学,2015(6).);王雪丽等研究了浓香型烟叶风格特征与品质特征之间的联系,运用灰色关联度分析、偏相关分析和逐步回归分析等方法分析了感官评价中的香韵指标与烟叶香气质量及香型之间的关系;(王雪丽,赵铭钦,任伟,等.浓香型产区烤烟香韵与香气质量及香型关系研究[J].中国烟草科学,2014(3):95-98.)。
香韵的判定主要靠感官评吸,受自然气候,栽培方式等的影响,同一产区不同年度间的烟叶质量也有波动,增加了评价难度;目前的研究中,以香韵为起点,对烤烟质量的各个指标进行研究的报道很多,香韵的确定离不开人的感官评价,对一些典型产区的烟叶,如云南玉溪,贵州遵义,湖南桂阳等,其香韵特点单一且彰显,例如玉溪为清甜香韵,遵义为蜜甜香韵,桂阳为焦甜香韵;而对于国内大多数非典型产区,其香韵的彰显程度相对较低,香韵评价中会出现多个评价人员评价结果不一致的现象;此外,在现有的卷烟生产中,常使用多种烟叶进行配方,不可避免会发生多种香韵烟叶组合,此时,香韵之间的区分度过小的情况下,评吸人员无法鉴别出特定香韵类别,则不可避免会影响卷烟烟组的组配过程,无法准确获得目标的香韵类型,这些均是亟待解决的技术问题。
发明内容
由于全国烟叶地域分布广泛,很多烟叶样本的香韵并不典型,通常的分类方法只有一个模型,输出一个结果;这对典型香韵的样本有效,但对非典型样本或多种香韵混合的样本,则无法正确表达;因为无论输出哪一类(哪一种香韵),都与实际不符;基于以上技术问题,本发明提供一种基于近红外光谱的烤烟香韵鉴别方法,该方法将典型的香韵鉴别结果与烤烟的近红外光谱数据结合,建立近红外光谱与烤烟样本香韵的数据相关,并对标定数据进行抽样,通过对建模数据的调整模拟不同专家的评吸偏好,每次抽样建模给出一个评价结果;通过多次抽样,在统计意义下给出一种概率统计的鉴别结果,而非现有的单一模型给出鉴别结果;其最终结果为该样本的各主要香韵占比;这种鉴别方式与实际应用中的鉴别方式相近,更具实用性。
具体地,本发明采用以下技术方案:
一种基于近红外光谱的烤烟香韵鉴别方法,该方法包括如下步骤:
步骤1)取多个烤烟样本,专家评吸小组对上述烤烟样本进行香韵评价;
步骤2)针对步骤1)获得评价结果,保留单一香韵彰显且评吸小组意见一致的K个样本;
步骤3)分别采集K个烤烟样本的近红外光谱,并对其进行预处理;
步骤4)对K个烤烟样本进行N次分层抽样,及保证抽样的每种香韵的抽取比例与原数据中的比例相同,抽样样本作为训练集;每次抽样后,对训练集进行LDA建模,建模具体步骤为:
计算类间散度矩阵
其中,C表示烤烟香韵类别数,μi表示第i类的样本光谱均值(i=1,2,,,,C),T代表矩阵转置;
计算类内散度矩阵:
表示第i类中的第j个样本,Mi表示第i类训练样本的数目;
使用拉格朗日乘子法最终获得w;
步骤5)采集待鉴别的测试样本的光谱并进行预处理,通过y=xtestw将测试样本在所有的训练模型中进行训练建模,统计其预测结果,其中,xtest是测试样本的光谱,y是预测的香韵类别;
步骤6)若测试样本在所有的训练模型中得到的香韵类别预测一致,则香韵类别为预测香韵类别,若测试样本在所有的训练模型中得到的香韵类别预测不一致,则计算其各香韵预测比例。
作为优选,所述烤烟香韵的类别为3种,C=3,所述的3种香韵类别为清甜香韵、蜜甜香韵以及焦甜香韵,所述K个样本由多个清甜香韵、蜜甜香韵以及焦甜香韵烤烟样本组成。
作为优选,所述的评吸小组为7-11位具有烟叶感官评价职业认定的评价人员组成。
作为优选,所述的评吸小组意见一致指多于三分之二的评吸员香韵评价意见统一。
作为优选,光谱预处理为平滑+标准正态校正(snv)处理。
作为优选,步骤5)中每次抽样的抽取比例为样本总数的70%-80%,且抽样次数N与样本数相关,要保证平均每个样本在测试集中的次数大于50次。
作为优选,所述步骤6)算其各香韵预测比例,具体步骤为计算各香韵的预测次数除以总预测次数;
其中,Pi为第i个样本的评价结果;Nq表示作为测试样本时预测为清甜香韵的次数,Nz表示作为测试样本时预测为蜜(醇)甜香韵的次数,Nn表示作为测试样本时预测为焦甜香韵的次数。
与现有技术相比,本发明具有以下有益效果:
本发明提供的方法通过典型的香韵鉴别结果与烤烟的近红外光谱数据结合,建立近红外光谱与烤烟样本香韵的数据相关,进一步通过抽样统计与多模型建模的方式,通过训练数据的不同,构造多模型预测,由训练样本的特点决定模型间的差异及其侧重,给出非典型香韵香烟的香韵预测概率。
另外,通过本发明提供的模型,可以更好地解决多种香韵烤烟配方组配时的香韵鉴别问题,为烤烟配方组配提供香韵参考。
最后,本发明摒弃现有的采用评吸人员对非典型香韵烤烟的鉴别方法,采用科学有效的技术手段对非典型香韵进行有效的科学鉴别;且经过对比,本发明的预测结果与评吸人员的统计学评价结果符合,有效减少了评吸次数。
附图说明
图1为经过预处理后的烤烟样本的近红外光谱;
图2为多次抽样的LDA模型准确率。
具体实施方式
以下结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此限制本发明的保护范围。
以下所述的“分层抽样”是指类型抽样法,它是从一个可以分成不同子总体的总体中,按规定的比例从不同层中随机抽取样品的方法。其实现方法是,在现有的每一类中单独进行无放回随机抽样,保持抽样比例一致。抽样完毕后,将各类抽出的样本合并为抽样集合,剩余样本合并为剩余样本集合。分层抽样法可以保障抽样中每一类占该类样本总数的比例均相同。“评吸小组意见一致”是指多于三分之二的评吸员香韵评价意见统一。
本实施例提供一种基于近红外光谱的烤烟香韵鉴别方法,具体包括如下步骤:
(1)选取某企业烤烟样本355个,以9人评价小组对样本进行评价,并筛选出121个香韵典型突出且评吸小组意见一致的样本,其中,清甜香韵样本41个,蜜甜香韵样本55个,焦甜香韵样本25个;
(2)将选出的样本按照烟草行业标准《YC/T 31-1996烟草及烟草制品试样的制备和水分测定烘箱法》制备成粉末样本(将烟叶置于烘箱中,40℃下干燥4h,用旋风磨(FOSS)磨碎过40目筛),密封平衡1d后,在近红外光谱仪上采集其样品光谱;
(3)对步骤2)中的获取光谱进行平滑及snv处理,预处理后的光谱图如图1所示。
(4)执行5000次分层抽样,每次抽取70%的样本进行LDA(线性判别分析方法)建模,具体地对抽取样本及相应的香型进行LDA建模,且对剩余样本预测结果进行记录;
所述的LDA建模具体步骤为:
计算类间散度矩阵其中,C表示香韵类别数(本实施例中是指3类,分别为清甜香韵、蜜甜香韵以及焦甜香韵),μ代表所有样本的光谱均值,μi表示第i类的样本光谱均值(i=1,2,3),T代表矩阵转置;
计算类内散度矩阵:
表示第i类中的第j个样本的光谱,Mi表示第i类训练样本的数目;
使用拉格朗日乘子法,可将上述优化目标转化为求解特征值和特征向量问题:从而解出w;根据w,可以对任意测试样本(光谱),给出其香韵类别;具体地,通过y=xtestw得以实施,其中,xtest是测试样本的光谱,y是预测的香韵类别。
在上述预测过程中,5000次抽样的模型准确率见图2,此处的准确率是指模型训练集预测结果与香韵标签符合的样本数除以总样本数;考虑到部分样本的香型复杂性,建模结果正确率在60%-80%浮动,符合人的感官评价结果。
(5)统计5000次抽样后所有样本的预测情况,按y=xtestw给出香韵,其中,xtest是测试样本的光谱,y是预测的香韵类别。
(6)对预测样本,分别带入到5000个所建模型中进行预测,并以预测结果中各香韵出现的比例作为其最终的香韵表征方式;
香韵预测比例,具体步骤为计算各香韵的预测次数除以总预测次数;
其中,Pi为第i个样本的评价结果;Nq表示作为测试样本时预测为清甜香韵的次数,Nz表示作为测试样本时预测为蜜(醇)甜香韵的次数,Nn表示作为测试样本时预测为焦甜香韵的次数。
本方法通过训练样本的改变,模拟实际评价中评吸人员的变动,输出多模型预测结果;对于典型样本,以极大的概率确定为某一香韵,对非典型样本,其不同香韵间均有体现,并通过概率体现其占比或权重。
示例性地,本发明的发明人挑以企业自己实际使用中出现的有代表性的6个样本进行预测;6个样本代码分别为,GX0114CAX,YN1114CFR与HA1114XBI,CQ0114XAK,FJ0114BBI,SC0115XDP;
组成9人评价小组对上述6个样本进行专业评吸,评吸结果为:GX0114CAX,YN1114CFR与HA1114XBI分别为典型的清甜香韵,蜜甜香韵和焦甜香韵样本;CQ0114XAK,FJ0114BBI,SC0115XDP则为感官评价意见不统一且单一香韵不突出的样本。
针对以上问题,在近红外光谱仪上采集上述6个样本的光谱,然后分别将其6个样本的光谱带入到上述得到的5000个所建模型中进行预测,预测结果如表1所示,GX0114CAX,YN1114CFR与HA1114XBI分别鉴别为清甜香韵,蜜甜香韵和焦甜香韵的概率均大于95%,与技术人员评吸结果一致;而CQ0114XAK主要表征为蜜甜香韵,其次为清甜香韵;FJ0114BBI主要表征为焦甜香韵,其次为蜜甜香韵;SC0115XDP三种香韵均有体现;该预测结果与实际评价较为吻合。
表1
样本代码 | 清甜香韵 | 蜜甜香韵 | 焦甜香韵 |
CQ0114XAK | 42% | 58% | 0% |
清甜香韵 | 蜜甜香韵 | 焦甜香韵 | |
GX0114CAX | 1% | 96% | 3% |
清甜香韵 | 蜜甜香韵 | 焦甜香韵 | |
YN1114CFR | 100% | 0% | 0% |
清甜香韵 | 蜜甜香韵 | 焦甜香韵 | |
HA1114XBI | 0% | 5% | 95% |
清甜香韵 | 蜜甜香韵 | 焦甜香韵 | |
FJ0114BBI | 2% | 41% | 57% |
清甜香韵 | 蜜甜香韵 | 焦甜香韵 | |
SC0115XDP | 24% | 45% | 31% |
Claims (7)
1.一种基于近红外光谱的烤烟香韵鉴别方法,其特征在于:该方法包括如下步骤:
步骤1)取多个烤烟样本,专家评吸小组对上述烤烟样本进行香韵评价;
步骤2)针对步骤1)获得评价结果,保留单一香韵彰显且评吸小组意见一致的K个样本;
步骤3)分别采集K个烤烟样本的近红外光谱,并对其进行预处理;
步骤4)对K个烤烟样本进行N次分层抽样,及保证抽样的每种香韵的抽取比例与原数据中的比例相同,抽样样本作为训练集;每次抽样后,对训练集进行LDA建模,建模具体步骤为:
计算类间散度矩阵
其中,C表示烤烟香韵类别数,μi表示第i类的样本光谱均值(i=1,2,,,,C),T代表矩阵转置;
计算类内散度矩阵:
表示第i类中的第j个样本,Mi表示第i类训练样本的数目;
使用拉格朗日乘子法最终获得w;
步骤5)采集待鉴别的测试样本的光谱并进行预处理,通过y=xtestw将测试样本在所有的训练模型中进行训练建模,统计其预测结果,其中,xtest是测试样本的光谱,y是预测的香韵类别;
步骤6)若测试样本在所有的训练模型中得到的香韵类别预测一致,则香韵类别为预测香韵类别,若测试样本在所有的训练模型中得到的香韵类别预测不一致,则计算其各香韵预测比例。
2.根据权利要求1基于近红外光谱的烤烟香韵鉴别方法,其特征在于:所述烤烟香韵的类别为3种,C=3,所述的3种香韵类别为清甜香韵、蜜甜香韵以及焦甜香韵,所述K个样本由多个清甜香韵、蜜甜香韵以及焦甜香韵烤烟样本组成。
3.根据权利要求2所述的基于近红外光谱的烤烟香韵鉴别方法,其特征在于:所述的评吸小组为7-11位具有烟叶感官评价职业认定的评价人员组成。
4.根据权利要求3所述的基于近红外光谱的烤烟香韵鉴别方法,其特征在于:所述的评吸小组意见一致指多于三分之二的评吸员香韵评价意见统一。
5.根据权利要求1所述的基于近红外光谱的烤烟香韵鉴别方法,其特征在于:光谱预处理为平滑+标准正态校正(snv)处理。
6.根据权利要求1所述的基于近红外光谱的烤烟香韵鉴别方法,其特征在于:步骤5)中每次抽样的抽取比例为样本总数的70%-80%,且抽样次数N与样本数相关,要保证平均每个样本在测试集中的次数大于50次。
7.根据权利要求1所述的基于近红外光谱的烤烟香韵鉴别方法,其特征在于:
所述步骤6)算其各香韵预测比例,具体步骤为计算各香韵的预测次数除以总预测次数;
其中,Pi为第i个样本的评价结果,Nq表示作为测试样本时预测为清甜香韵的次数,Nz表示作为测试样本时预测为蜜甜香韵的次数,Nn表示作为测试样本时预测为焦甜香韵的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535375.0A CN110132879A (zh) | 2019-06-18 | 2019-06-18 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535375.0A CN110132879A (zh) | 2019-06-18 | 2019-06-18 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110132879A true CN110132879A (zh) | 2019-08-16 |
Family
ID=67578804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910535375.0A Pending CN110132879A (zh) | 2019-06-18 | 2019-06-18 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132879A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736718A (zh) * | 2019-10-16 | 2020-01-31 | 浙江中烟工业有限责任公司 | 一种烤烟烟丝的产地及等级识别方法 |
CN111666992A (zh) * | 2020-05-28 | 2020-09-15 | 浙江中烟工业有限责任公司 | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 |
CN112914143A (zh) * | 2021-03-06 | 2021-06-08 | 中国烟草总公司郑州烟草研究院 | 一种彰显烟叶香型风格的烟片复烤温度设定方法 |
CN113326473A (zh) * | 2021-05-31 | 2021-08-31 | 浙江中烟工业有限责任公司 | 一种卷烟叶组配方维护方法及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414472A (zh) * | 2018-01-25 | 2018-08-17 | 宜宾学院 | 纯羊毛制品识别的近红外光谱方法 |
CN109324016A (zh) * | 2018-10-17 | 2019-02-12 | 浙江中烟工业有限责任公司 | 一种复烤片烟香型风格的判定方法 |
-
2019
- 2019-06-18 CN CN201910535375.0A patent/CN110132879A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414472A (zh) * | 2018-01-25 | 2018-08-17 | 宜宾学院 | 纯羊毛制品识别的近红外光谱方法 |
CN109324016A (zh) * | 2018-10-17 | 2019-02-12 | 浙江中烟工业有限责任公司 | 一种复烤片烟香型风格的判定方法 |
Non-Patent Citations (2)
Title |
---|
NINE-DAYS: ""LDA原理解析"", 《CSDN HTTPS://BLOG.CSDN.NET/U011808673/ARTICLE/DETAILS/82497195》 * |
张秋菊 等: ""近红外光谱技术识别烤烟香气风格的研究"", 《检验检测》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736718A (zh) * | 2019-10-16 | 2020-01-31 | 浙江中烟工业有限责任公司 | 一种烤烟烟丝的产地及等级识别方法 |
CN110736718B (zh) * | 2019-10-16 | 2022-07-19 | 浙江中烟工业有限责任公司 | 一种烤烟烟丝的产地及等级识别方法 |
CN111666992A (zh) * | 2020-05-28 | 2020-09-15 | 浙江中烟工业有限责任公司 | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 |
CN111666992B (zh) * | 2020-05-28 | 2023-04-18 | 浙江中烟工业有限责任公司 | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 |
CN112914143A (zh) * | 2021-03-06 | 2021-06-08 | 中国烟草总公司郑州烟草研究院 | 一种彰显烟叶香型风格的烟片复烤温度设定方法 |
CN113326473A (zh) * | 2021-05-31 | 2021-08-31 | 浙江中烟工业有限责任公司 | 一种卷烟叶组配方维护方法及存储介质 |
CN113326473B (zh) * | 2021-05-31 | 2024-04-30 | 浙江中烟工业有限责任公司 | 一种卷烟叶组配方维护方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132879A (zh) | 一种基于近红外光谱的烤烟香韵鉴别方法 | |
CN105630743B (zh) | 一种光谱波数的选择方法 | |
CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
CN109100321A (zh) | 一种卷烟叶组配方维护方法 | |
CN105445421B (zh) | 一种通过外观指标预测片烟醇化过程中感官质量的方法 | |
CN109975238B (zh) | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 | |
CN106501470A (zh) | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 | |
CN103217408B (zh) | 一种鉴别贵州两类不同香型烤烟的方法 | |
CN101419209A (zh) | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 | |
CN102222164A (zh) | 一种食品感官质量评价方法及系统 | |
CN105092789B (zh) | 一种片烟醇化过程中烟叶风格特征变化趋势分析方法 | |
CN107796782A (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
CN110132880B (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
CN102692488A (zh) | 基于电子鼻技术的金华火腿分级与鉴别方法 | |
CN108414471B (zh) | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 | |
CN106529584A (zh) | 一种烤烟香型和品质判定的智能评价方法 | |
CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
CN105956364A (zh) | 一种基于特征化学成分的烟叶判别分组方法 | |
CN102937575A (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN110990782B (zh) | 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法 | |
CN114720582B (zh) | 一种不同陈化年份老香黄的综合评价方法 | |
CN111642782A (zh) | 一种基于卷烟配方需求的烟叶原料功效定位方法 | |
CN106645530B (zh) | 一种基于烟叶致香成分的多模型评价烟叶原料相似度的方法 |
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 |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |