CN110132880B - 一种基于近红外光谱的烟叶整体感官质量评价方法 - Google Patents
一种基于近红外光谱的烟叶整体感官质量评价方法 Download PDFInfo
- Publication number
- CN110132880B CN110132880B CN201910526527.0A CN201910526527A CN110132880B CN 110132880 B CN110132880 B CN 110132880B CN 201910526527 A CN201910526527 A CN 201910526527A CN 110132880 B CN110132880 B CN 110132880B
- Authority
- CN
- China
- Prior art keywords
- samples
- sensory quality
- model
- near infrared
- difference
- 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.)
- Active
Links
- 230000001953 sensory effect Effects 0.000 title claims abstract description 94
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 29
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 15
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000008520 organization Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 235000019505 tobacco product Nutrition 0.000 description 8
- 235000019504 cigarettes Nutrition 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 5
- 239000000779 smoke Substances 0.000 description 5
- 230000000391 smoking effect Effects 0.000 description 5
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000019658 bitter taste Nutrition 0.000 description 2
- 229960001948 caffeine Drugs 0.000 description 2
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 210000003928 nasal cavity Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- CWVRJTMFETXNAD-FWCWNIRPSA-N 3-O-Caffeoylquinic acid Natural products O[C@H]1[C@@H](O)C[C@@](O)(C(O)=O)C[C@H]1OC(=O)\C=C\C1=CC=C(O)C(O)=C1 CWVRJTMFETXNAD-FWCWNIRPSA-N 0.000 description 1
- PZIRUHCJZBGLDY-UHFFFAOYSA-N Caffeoylquinic acid Natural products CC(CCC(=O)C(C)C1C(=O)CC2C3CC(O)C4CC(O)CCC4(C)C3CCC12C)C(=O)O PZIRUHCJZBGLDY-UHFFFAOYSA-N 0.000 description 1
- 241000252254 Catostomidae Species 0.000 description 1
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- CWVRJTMFETXNAD-KLZCAUPSSA-N Neochlorogenin-saeure Natural products O[C@H]1C[C@@](O)(C[C@@H](OC(=O)C=Cc2ccc(O)c(O)c2)[C@@H]1O)C(=O)O CWVRJTMFETXNAD-KLZCAUPSSA-N 0.000 description 1
- 229930013930 alkaloid Natural products 0.000 description 1
- 150000003797 alkaloid derivatives Chemical class 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 caffeine) Chemical class 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- CWVRJTMFETXNAD-JUHZACGLSA-N chlorogenic acid Chemical compound O[C@@H]1[C@H](O)C[C@@](O)(C(O)=O)C[C@H]1OC(=O)\C=C\C1=CC=C(O)C(O)=C1 CWVRJTMFETXNAD-JUHZACGLSA-N 0.000 description 1
- 229940074393 chlorogenic acid Drugs 0.000 description 1
- FFQSDFBBSXGVKF-KHSQJDLVSA-N chlorogenic acid Natural products O[C@@H]1C[C@](O)(C[C@@H](CC(=O)C=Cc2ccc(O)c(O)c2)[C@@H]1O)C(=O)O FFQSDFBBSXGVKF-KHSQJDLVSA-N 0.000 description 1
- 235000001368 chlorogenic acid Nutrition 0.000 description 1
- BMRSEYFENKXDIS-KLZCAUPSSA-N cis-3-O-p-coumaroylquinic acid Natural products O[C@H]1C[C@@](O)(C[C@@H](OC(=O)C=Cc2ccc(O)cc2)[C@@H]1O)C(=O)O BMRSEYFENKXDIS-KLZCAUPSSA-N 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
Images
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
- G01N21/3563—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (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烟叶整体感官质量评价方法,本发明利用近红外光谱对一个综合感官指标进行建模和预测,建模过程中,引入约束矩阵,即保持高得分样本与低的分样本在求解中的差异性,在约束求解的情况下,更容易发现异常的感官数据和调整模型,该模型的精度达到了实际工作所要求的精度;该模型的预测结果,对差异较大的样本有很好的区分度,更符合实际工作中的评价结果。
Description
技术领域
本发明属于烟草制品领域,具体涉及一种烟叶感官质量的评价方法,面向烟草与烟草制品产品生产过程质量控制,主要解决基于近红外光谱的烟草与烟草制品感官质量指标预测问题。
背景技术
目前,“评吸”不仅是确定烟草与烟草制品质量唯一切实可行的方法,而且也是确定烟草与烟草制品产品配方结构的基础,是开发新产品、保持既有产品风格和质量稳定的必要且决定性手段。对评吸人员而言,评吸鉴定则是一项极为艰苦、细致的工作,在评吸过程中思想要高度集中,全神贯注,要在短短几分钟内做出判断。依据现行行业标准YC/T138,卷烟内在品质感官评定一般采用“整体循环评吸法”:评吸员将烟气吸入口腔,通过喉部吞咽,然后再从鼻腔徐徐排出,在整个吸、吞、吐的过程中利用全部评吸感觉器官进行评价。由于感觉器官灵敏度及对各项指标捕捉程度不同、生理和心理状况不同、环境条件差异等因素的影响,导致评吸员之间评吸结果描述和判断的差异,感官评吸法有较大的主观性和局限性。寻求一种可以准确,客观的反映烟草制品内在质量的仪器和方法,因此,对卷烟烟叶种植及收购,卷烟生产及市场监管等相关企业及人员,都有重大意义。
Yc/T138-1998规定,评吸员在用感官评价烟草及烟草制品时采用全部评吸感觉器官进行评价。如当烟气被吸入口腔,通过喉部吞咽后再从鼻腔徐徐排出。由7个及以上的评吸员进行评价,并对试样进行打分和分档,包括光泽、谐调、香气、杂气、刺激性和余味。一般而言,烟叶整体感官指标是除光泽外的其他指标的综合评价,用以简洁的表征烟叶或卷烟的整体品质。
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。烟叶整体感官质量是一个表征烟叶品质的综合指标,与多种化学成分都有关系,因此利用近红外光谱可以用来表征烟叶整体感官质量。
将感官品质、理化特性相互结合的研究工作已有开展,杨宁等(专利申请号200510042472.4)公开了配方产品理化数据与感官指标相关性分析的方法。通过阶梯分析方法将产品理化数据和感官分数输入模型得到阶梯趋势图,最终获得某一感官指标与所有的理化指标的的相关性,从而实现生产现场的理化数据实测值与感官指标之间相关程度的测算。另外在三者相关性分析的基础上通过智能算法提出相应的感官特性预测模型,此类预测模型能够快速而准确地实时对产品品质指标进行判定,实现机械测定全部或部分代替感官评定检测。
张峰等(专利申请号201210344034.3)公开了一种基于近红外光谱信息的SIMCA辅助卷烟配方的方法,通过采集各类烟叶的近红外光谱,以待替代的烟叶样品为目标,计算目标烟叶与备选烟叶的马氏距离,最后通过感官评吸确定。该方法给出了光谱相似(马氏距离)与烟叶相似的实例,但对未知样本,仍不具备通过其光谱判断品质的目标。
梁淼等针对感官数据不足/不准确的问题,提出一种基于半监督自训练理念,提出半监督偏最小二乘方法优化模型。该方法的一个缺陷是通过模型预测结果修改原始的感官数据,这个过程在实际中需要人工通过感官评价时时核对,对应用不具有指导意义。
Ribeiro提出利用近红外光谱结合偏最小二乘法预测咖啡的品质。研究发现咖啡因与绿原酸与苦味相关,脂肪、蛋白质与醇厚度相关,而干净度和整体品质与多种物质相关。
基于近红外光谱的感官评价已经在咖啡、红酒等行业进行了初步的应用。然而,其预测对象往往是甜感或者苦度等具体的指标,这些指标与样本中的主要化学成分如还原糖和特定植物碱(例如咖啡因)等有很强的相关性,而对烟草整体感官品质建模尚未有报道。其原因如下:1.近红外光谱有几百甚至上千个波数点(变量),而受制于人的劳动强度,感官评价结果仅有数十个,因此,建模过程是求解一个高维小样本问题,理论上有非常多的解满足建模数据,但推广能力差。2.相比于分析化学指标,感官评价结果有一定的主观性,即同一评吸人员不同时间,状态下的评价得分有所差异;上述两个因素结合导致建模过程完全不可控,常规方法仅以误差最小为优化目标,而在这个优化目标下得到的结果不一定满足实际需求。
发明内容
针对上述技术问题,本发明的发明人通过深入研究感官评价数据信息,提取信息背后感官评价的客观部分,并转化为数学语言作为约束加入到模型的优化目标中,使得模型的解在满足感官评价客观规律的基础上,实现误差最。
具体地,本发明提供一种基于近红外光谱的烟叶整体感官质量评价方法,该方法包括如下步骤:
步骤1)测定光谱
选取多个片烟样本,采集所述多个片烟样本的近红外光谱,并对其进行预处理;
步骤2)异常光谱剔除
应用Hotelling T2方法,未发现异常光谱;
步骤3)感官评吸
组织评价小组对上述片烟样本进行整体感官质量评价并打分,以数字范围M-N分值作为感官整体感官质量的量化,N=M+A,M大于等于1,A=3-5,M分表示评吸员经验中整体感官质量得分最低的烟叶样本,随整体感官质量的提升,分值相应上升;
步骤4)构造约束矩阵
设定阈值t为整体感官质量评价中两样本具有显著差异的数值遍历建模样本中任意两样本感官评价值之差,若差异的绝对值大于给定阈值t,则保存两样本之差谱,以所有这样的差谱构造约束矩阵A,持续这个过程,直到遍历所有的两样本之差;
其中,xc1,…,xcn为遍历建模样本中任意两样本感官评价值之差大于给定阈值的两样本差谱;n为满足上述条件的差谱数量;yk为第k个样本对应的感官评价值;yl为第l个样本对应的感官评价值;t为给定的阈值;
步骤5)建立模型
其中,b为模型回归系数,X为光谱矩阵,样本数为k,光谱维数为m;
y为整体感官质量评分,A为约束矩阵,
l,u分别为回归系数b的下,上限约束,归一化后,其上下限约束分别为1与-1;
c为n*1的向量,n为矩阵A的行数,值为-t;
模型求解得到一组与光谱维数相同的向量b:b=[b1,b2,…,bm];
步骤6)模型优化
考虑步骤5)模型的训练误差,如果不满足要求,在建模样本中,分别剔除一个样本重新建模,如果某一次建模的训练误差满足要求或显著小于原模型误差,则将剔除的这个样本排除在模型之外;如所有模型都不满足要求,则剔除使模型误差下降最多的样本;并重复此过程。直到建模误差达到可接受程度;
步骤7)烟叶整体感官质量的预测
采集待评价样本的近红外光谱并对其进行预处理步骤,将其带入到步骤6)得到的模型中,给出整体感官质量的预测值;
yp=xtestb
其中,xtest是预测样本的光谱,b是模型回归系数,yp是预测得出的感官质量值。
在本发明一些实施例中,所述预处理方法为平滑及snv处理。
在本发明一些实施例中,所述的数字范围M-N分值为5~8,评价时保留一位小数点。
在本发明一些实施例中,设定具有显著差异的阈值t为0.3~0.5。
在本发明一些实施例中,所述片烟样本的数量不少于20个。
与现有技术相比,本发明具有以下有益效果:
本发明利用近红外光谱对一个综合感官指标进行建模和预测,建模过程中,引入约束矩阵,即保持高得分样本与低的分样本在求解中的差异性,在约束求解的情况下,更容易发现异常的感官数据和调整模型,该模型的精度达到了实际工作所要求的精度;该模型的预测结果,对差异较大的样本有很好的区分度,更符合实际工作中的评价结果。
附图说明
图1为本发明提供的训练数据建模结果;
图2为本发明提供的对比方法的训练数据建模结果;
图3为本发明用于计算烟叶整体品质的模型系数;
图4为本发明实施例提供的约束矩阵A。
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。
实施例1
一种基于近红外光谱的烟叶整体感官质量评价方法,该方法包括如下步骤:
(1)选取某企业库存片烟样本28个。取样后将样本等分为两份,一份切丝后放于密封塑料袋用于感官评价,另一份按照烟草行业标准《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后进行近红外光谱测量;
(2)对步骤(1)中的获取光谱进行平滑及snv处理。
(3)应用Hotelling T2方法,未发现异常光谱。
(4)对28个烟丝样本按企业感官评价标准组织评价小组,进行整体感官质量评价并打分,具体的样本编号以及具体的打分值如表1所示;
(5)感官评价的约束
感官评价结果有一定的主观性,即同一评吸人员不同时间,状态下的评价得分有所差异。然而,人的感官评价也具有一定的规律,及人的对比评价的灵敏度远高于单个样本的评价。即,对于两个品质有一定差异的烟叶样本,评吸人员多次评价识别正确的概率极高,相反的,对于两个品质接近的烟叶样本,评吸人员多次评价结果会有反复。因此,通过评吸人员提供的多个样本的评吸结果,可以估算一个阈值,并在建模求解中增加约束,确保任意两个高于阈值的样本在求解中仍保留一定的差异性。
以整体感官质量评价中有两样本有显著差异的数值作为阈值t,对建模样本中任意两个样本,如果两样本差值大于该阈值,则保存两样本之差谱。以所有这样的差谱构造矩阵A。其实现方式是:构造一个空的差谱矩阵A,遍历建模样本中任意两样本感官评价值之差,若差异的绝对值大于给定阈值t,则将对应的两样本差谱保存到A中,持续这个过程,直到遍历所有的两样本之差;
其中,xc1,…,xcn为遍历建模样本中任意两样本感官评价值之差大于给定阈值的两样本差谱;n为满足上述条件的差谱数量;yk为第k个样本对应的感官评价值;yl为第l个样本对应的感官评价值;t为给定的阈值;
在本实施例中,训练集中4#YN1114CFR,5#YN2114CFN的感官得分值分别为7.2和6.8,得分值相差0.4.该差异在实际评价中被认为是显著差异,及不同评吸员,或同一评吸员在不同时间评价,都能对这两个样本的优劣做出准确评价。
(6)模型求解
其中,b为模型回归系数,X为光谱矩阵,样本数为k,光谱维数为m。y为整体感官质量评分,A为约束矩阵,每一行为大于整体感官质量阈值的两样本差谱(分值低的样本减去分值高的样本)。c为n*1的向量,n为矩阵A的行数,值为-t(由于将约束不等式改为小于等于,因此不等式两边都取负号)。l,u分别为回归系数b的下,上限约束,归一化后,其上下限约束分别为1与-1。
模型求解得到一组与光谱维数相同的向量b:
b=[b1,b2,…,bm];
(7)模型优化调整
建模数据中可能仍存在少量样本,其光谱正常,但整体感官质量评分异常。在步骤(5)的强约束条件中,异常样本会导致建模样本的模型训练误差偏大;考虑步骤(5)模型的训练误差,如果不满足要求,在建模样本中,分别剔除一个样本重新建模,如果某一次建模的训练误差满足要求或显著小于原模型误差,则将剔除的这个样本排除在模型之外。如所有模型都不满足要求,则剔除使模型误差下降最多的样本;并重复此过程;直到建模误差达到可接受程度;
由于本建模问题是高维小样本问题,及样本数量远小于样本维数,通过上述流程筛查,一定可以找到一组回归系数,使得建模集训练误差满足要求。
(8)模型预测
对训练样本的光谱带入到步骤(5)的模型中,给出整体感官质量的预测值;
yp=xtestb
其中,xtest是预测样本的光谱,b是模型系数,yp是预测得出的感官质量值。
具体地,如表1所示;建模结果参见图1。
本方法的建模方法带约束的最小二乘方法。
对比例
在对比例中,直接利用偏最小二乘进行求解,即未采用偏最小二乘回归的目标就是根据自变量X(光谱矩阵,每一行代表一个样本)来预测因变量Y(感官分值),并描述它们之间的共同结构。本文采用的是非线性迭代偏最小二乘算法(NIPALS:Nonlineariterative partial least square),该算法通过寻找单位权向量w和c,使得X和Y在其投影下得到的向量t=Xw和u=Y c之间的协方差最大;当求解出第一组投影权向量后,利用X和Y分别减去相应的得分,重复上述过程,直到满足一定的阈值条件,建模结果参见图2;
将训练样本的光谱带入到无约束偏最小二乘的模型中,给出整体感官质量的预测值,详见表1;
对比图1,图2可以看出,实施例1对评吸结果有差异的样本(得分高的样本与得分低的样本),能够在预测结果中保持其相对差异,而在对比例中,由于没有约束,不同得分样本的预测结果有‘趋同’的效果;即,再模型结果中并不能很好的反映出样本间的差异性。
示例性地,训练集中4#YN1114CFR,5#YN2114CFN的感官得分值分别为7.2和6.8;相差0.4.该差异在实际评价中被认为是显著差异,及不同评吸员,或同一评吸员在不同时间评价,都能对这两个样本的优劣做出准确评价;因此,我们在建模中,通过增加约束,使得该两个样本之间预测得分有一定的差异性(本例中阈值为0.3);相反,在未使用约束矩阵求解的方法中,两样本的预测得分分别为7.27和7.23,其结果不能体现出这两个样本间的感官差异,与实际不符,,因此由对比方法所建立的预测模型,不能被评价人员所接受。
表1训练集数据及建模结果比较
测试例
利用下一年度的29个样本作为测试数据。光谱及感官评吸值均以和训练数据相同的方式获得;分别用实施例1得到的模型和对比例得到的模型对这批数据进行预测;如表2所示,对比发现,实施例1的预测效果相比对比例有较大提升,可以有效的应用于实际的样品评价工作中;
具体而言,实施例1提供的模型预测值与真实值的差异大于0.3的只有YN8117CHX一个样本,而对比例提供的模型预测值有9个样本与真实值的差异大于0.3,进一步印证了实施例1提供的模型在整体感官质量与近红外光谱之间建立了更为有效的技术联系。
表2测试集数据及模型预测结果比较
Claims (5)
1.一种基于近红外光谱的烟叶整体感官质量评价方法,其特征在于,该方法包括如下步骤:
步骤1)测定光谱
选取多个片烟样本,采集所述多个片烟样本的近红外光谱,并对其进行预处理;
步骤2)异常光谱剔除
应用Hotelling T2方法,未发现异常光谱;
步骤3)感官评吸
组织评价小组对上述片烟样本进行整体感官质量评价并打分,以数字范围M~N分值作为整体感官质量的量化,N=M+A,M大于等于1,A=3~5,M分值表示评吸员根据经验所得的整体感官质量得分最低的片烟样本,随整体感官质量的提升,分值相应上升;
步骤4)构造约束矩阵
给定阈值t为整体感官质量评价中两样本具有显著差异的数值,遍历建模样本中任意两样本整体感官质量评价值之差,若差异的绝对值大于给定阈值t,则保存两样本之差谱,以所有这样的差谱构造约束矩阵A,持续这个过程,直到遍历所有的两样本之差;
其中,xc1,…,xcn为遍历建模样本中任意两样本整体感官质量评价值之差大于给定阈值的两样本差谱;n 为满足遍历建模样本中任意两样本整体感官质量评价值之差大于给定阈值的差谱数量;yk为第k个样本对应的整体感官质量评价值;yl为第l个样本对应的整体感官质量评价值;
步骤5)建立模型
其中,b为模型回归系数,X为k*m的光谱矩阵,样本数为k,光谱维数为m;
y为整体感官质量评分,A为约束矩阵,
l,u分别为模型回归系数b的下,上限约束,归一化后,其上下限约束分别为1与-1;
c为n*1的向量,n为矩阵A的行数,值为-t;
步骤6)模型优化
考虑步骤5)模型的训练误差,如果不满足要求,在建模样本中,分别剔除一个样本重新建模,如果某一次建模的训练误差满足要求或显著小于原模型误差,则将剔除的这个样本排除在模型之外;如果所有模型都不满足要求,则剔除使模型误差下降最多的样本;并重复此过程;直到建模误差达到可接受程度;
步骤7)烟叶整体感官质量的预测
采集待评价样本的近红外光谱并对其进行预处理步骤,将其带入到步骤6)得到的模型中,给出整体感官质量的预测值;
2.根据权利要求1所述的基于近红外光谱的烟叶整体感官质量评价方法,其特征在于,所述预处理为平滑及snv处理。
3.根据权利要求1所述的基于近红外光谱的烟叶整体感官质量评价方法,其特征在于,所述的数字范围M~N分值为5~8,评价时保留一位小数点。
4.根据权利要求3所述的基于近红外光谱的烟叶整体感官质量评价方法,其特征在于,给定阈值t为0.3~0.5。
5.根据权利要求1所述的基于近红外光谱的烟叶整体感官质量评价方法,其特征在于,所述片烟样本的数量不少于20个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526527.0A CN110132880B (zh) | 2019-06-18 | 2019-06-18 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526527.0A CN110132880B (zh) | 2019-06-18 | 2019-06-18 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132880A CN110132880A (zh) | 2019-08-16 |
CN110132880B true CN110132880B (zh) | 2022-05-27 |
Family
ID=67577686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910526527.0A Active CN110132880B (zh) | 2019-06-18 | 2019-06-18 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132880B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881323B (zh) * | 2021-01-14 | 2022-03-08 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
CN112749906A (zh) * | 2021-01-14 | 2021-05-04 | 云南中烟工业有限责任公司 | 卷烟主流烟气光谱数据的感官评价方法 |
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 |
CN114295579A (zh) * | 2021-12-28 | 2022-04-08 | 贵州中烟工业有限责任公司 | 一种基于近红外光谱的烟叶醇化判定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136111A (zh) * | 2011-04-26 | 2011-07-27 | 红云红河烟草(集团)有限责任公司 | 中式卷烟风格感官评价系统平台及其使用方法 |
CN102279246A (zh) * | 2011-06-30 | 2011-12-14 | 红云红河烟草(集团)有限责任公司 | 一种烟叶分切的判定方法 |
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 |
CN107796782A (zh) * | 2017-10-16 | 2018-03-13 | 云南中烟工业有限责任公司 | 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 |
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 CN201910526527.0A patent/CN110132880B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136111A (zh) * | 2011-04-26 | 2011-07-27 | 红云红河烟草(集团)有限责任公司 | 中式卷烟风格感官评价系统平台及其使用方法 |
CN102279246A (zh) * | 2011-06-30 | 2011-12-14 | 红云红河烟草(集团)有限责任公司 | 一种烟叶分切的判定方法 |
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 |
CN107796782A (zh) * | 2017-10-16 | 2018-03-13 | 云南中烟工业有限责任公司 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110132880A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132880B (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
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 | |
CN107796782B (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 | |
CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
US11100263B2 (en) | Method of predicting sugar content and acidity of fruit using multivariate statistical analysis of FT-IR spectrum data | |
Theanjumpol et al. | Non-destructive identification and estimation of granulation in ‘Sai Num Pung’tangerine fruit using near infrared spectroscopy and chemometrics | |
Zhang et al. | Predictions of acidity, soluble solids and firmness of pear using electronic nose technique | |
CN109100321A (zh) | 一种卷烟叶组配方维护方法 | |
CN109324015B (zh) | 基于光谱相似的烟叶替代方法 | |
CN104931430A (zh) | 一种复烤片烟自然醇化品质评价及模型构建方法 | |
CN105891147A (zh) | 一种基于典型相关系数的近红外光谱信息提取方法 | |
Voss et al. | E-nose Prototype to Monitoring the Growth and Maturation of Peaches in the Orchard | |
CN114088661B (zh) | 一种基于迁移学习和近红外光谱的烟叶烘烤过程化学成分在线预测方法 | |
CN106529584A (zh) | 一种烤烟香型和品质判定的智能评价方法 | |
CN110132879A (zh) | 一种基于近红外光谱的烤烟香韵鉴别方法 | |
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 | |
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 | |
CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
Polinar et al. | Near-infrared spectroscopy for non-destructive prediction of maturity and eating quality of ‘Carabao’mango (Mangifera indica L.) fruit | |
CN109781870B (zh) | 一种鉴别烤烟香型的方法 | |
CN108520276B (zh) | 一种烟叶原料内在感官质量的表征方法 | |
BOZHINOVA | Coefficients for determination of the leaf area in three Burley tobacco varieties | |
CN110736718B (zh) | 一种烤烟烟丝的产地及等级识别方法 | |
CN111543668B (zh) | 一种打叶复烤配方模块的设计方法 | |
Pronprasit et al. | Prediction of mango fruit quality from NIR spectroscopy using an ensemble classification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |