CN110967313A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110967313A CN110967313A CN201911271967.2A CN201911271967A CN110967313A CN 110967313 A CN110967313 A CN 110967313A CN 201911271967 A CN201911271967 A CN 201911271967A CN 110967313 A CN110967313 A CN 110967313A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- electronic cigarette
- tobacco tar
- infrared spectrum
- spectrum data
- 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 51
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 51
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 37
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 title claims abstract description 35
- 229960002715 nicotine Drugs 0.000 title claims abstract description 35
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000019505 tobacco product Nutrition 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
- G01N21/359—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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
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,采用近红外光谱仪采集获取训练集电子烟烟油光谱数据,建立烟油近红外光谱数据训练集,对光谱数据进行预处理,用分析计量仪器测量获取电子烟烟油的尼古丁含量,采用ELM算法,结合获取的尼古丁含量建立近红外光谱预测模型,获取待测量电子烟烟油的近红外光谱数据并进行预处理操作,然后用建立的近红外光谱预测模型,直接进行测量,得到电子烟烟油的尼古丁含量。本发明具有检测快速、样品损耗小、适用范围广、鉴别结果准确等优点。
Description
技术领域
本发明涉及利用近红外光谱检测电子烟烟油成分技术领域,具体涉及用于电子烟烟油中尼古丁含量检测的近红外光谱预测建模方法及其应用。
背景技术
电子烟作为新型烟草制品,其特点为在传递尼古丁的过程中不需要对烟草进行燃烧。尼古丁作为电子烟烟油中最主要的成分,其含量决定了电子烟烟油的风味口感及产品的安全性。一些国家和地区相继将电子烟烟油中尼古丁纳入监管范围。目前,电子烟烟油中尼古丁的检测方法大多参考卷烟烟草的检测方法,主要集中于气相色谱法和液相色谱法,但这些方法存在检测时间长、样品预处理繁琐、费用高等缺点。
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、造纸、食品、石油等领域有着广泛应用。如中国专利CN201710673351.2采用近红外光谱结合PSO-SVM测定烟叶中烟碱,中国CN201810480159.6将近红外方法结合PSO-SVR回归算法对烟油的理化指标包括相对密度、折光指数及pH进行测定,但由于烟油为液体,其状态及成分与烟叶差异较大,且尼古丁为烟油的化学成分而非理化指标,同时,现有技术采用的方法都是支持向量机算法建模,其缺点是容易在建模过程中出现过拟合,从而造成预测结果的精度不稳定,而且运算时间相对较慢。因此,有必要研究建立一种可快速准确检测电子烟烟油中尼古丁含量的预测模型及方法。
发明内容
本发明的目的是解决现有技术的不足,提供一种电子烟烟油尼古丁含量的近红外光谱预测建模方法,并利用所建立的预测模型快速检测电子烟烟油中的尼古丁含量。
本发明采取的技术方案如下:
电子烟烟油尼古丁含量的近红外光谱预测建模方法,包括如下步骤:
(1)选取具有代表性的多品种、多批次的电子烟烟油样本作为建模训练样本,利用近红外光谱仪采集训练集电子烟烟油光谱数据,获取训练集电子烟烟油的近红外光谱数据,建立烟油近红外光谱数据训练集,然后对原始光谱数据采用小波变换算法、Savitzky-Golay卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法中的一种或多种进行预处理;
(2)使用分析计量仪器测量获取电子烟烟油的尼古丁含量;
(3)采用ELM算法,结合步骤(2)中测量获取的尼古丁含量建立近红外光谱预测模型,包括以下步骤:
(a)确定隐含层神经元个数,随机设定输入层与隐含层的连接权值w和隐含层神经元的阈值b;
(b)选择一个无限可微的函数作为隐含层神经元的激活函数,进而计算隐含层输出矩阵H;
本发明所述方法建立的近红外光谱预测模型的应用,是利用近红外光谱仪采集待测电子烟油的近红外光谱数据,然后采用与建模时相同的光谱数据预处理算法对采集到的光谱数据进行处理,最后用建立的近红外光谱预测模型直接进行测量,得到电子烟烟油的尼古丁含量。
本发明以近红外光谱分析技术为基础,使用近红外光谱仪,结合极限学习机算法对电子烟烟油进行定量建模。与现有的烟油近红外建模方法相比,本发明针对烟油品种繁多的特点,通过采用近红外光谱结合ELM算法的较快的训练速度及较强的泛化能力,不仅能提高检测速度和检测结果的准确性,还增加了对不同电子烟烟油中尼古丁测定适用的广泛性,具有快速、样品损耗小、适用多种口味的电子烟烟油检测、鉴别结果准确等优点,对于电子烟烟油尼古丁含量控制和产品质量的稳定性具有普适和推广价值。
附图表说明
图1为本发明实施例所选取电子烟烟油的原始光谱图;
图2为图1经过预处理操作后的光谱图;
具体实施方式
以下将结合实施例对本发明做进一步详述,但本发明的保护范围并不限于所述内容。
电子烟烟油尼古丁含量的近红外光谱预测建模方法,包括如下步骤:
(1)选取具有代表性的多品种、多批次的电子烟烟油样本作为建模训练样本,利用近红外光谱仪采集训练集电子烟烟油光谱数据,获取训练集电子烟烟油的近红外光谱数据,建立烟油近红外光谱数据训练集,然后对原始光谱数据采用小波变换算法、Savitzky-Golay卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法中的一种或多种方法进行预处理。本实施例中利用近红外光谱仪进行光谱数据采集,其采集范围在波长1000nm-2500nm之间。对光谱数据的预处理包括消除基线漂移和去除光谱噪声。所述小波变换算法、Savitzky-Golay(SG)卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法均为本领域普通技术人员所熟知。以Norrisderivative平滑法为例,通过移动窗口多项式拟合的方法对数据进行平滑。在本实例中,选用窗口大小为5的一阶导数Norris derivative平滑算法对光谱数据进行预处理。其中图1为本实施例所选取电子烟烟油的原始光谱图,图2为图1经过预处理操作后的光谱图。
(2)使用气相色谱仪-氢火焰离子化检测器获取电子烟烟油的尼古丁含量,上述仪器或方法均为现有的化学分析仪器和方法,均为本领域普通技术人员所熟知的技术。
(3)利用近红外光谱所对应电子烟烟油尼古丁含量,结合机器学习建模算法(ELM算法)建立电子烟烟油尼古丁含量的近红外光谱回归预测模型。ELM算法为基于前馈神经网络(feedforward neuron network)的机器学习算法,其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整,学习过程仅需计算输出权重,训练速度非常快,需要人工干扰较少,对于异质的数据集泛化能力很强,本发明所采用的机器学习建模算法包括多元线性回归、最小二乘法、支持向量机算法、极限学习机算法中的一种或多种,以上建模方法均为本领域普通技术人员所熟知。在本实施例中,采用ELM算法进行模型建立,所采用的程序编写平台为Matlab2016b,其实现过程主要包括以下步骤:
(a)确定隐含层神经元个数,随机设定输入层与隐含层的连接权值w和隐含层神经元的阈值b;
(b)选择一个无限可微的函数作为隐含层神经元的激活函数,进而计算隐含层输出矩阵H;
采用本发明所述方法建立的近红外光谱预测模型,可以直接快速无损测量得到电子烟烟油的尼古丁含量,具体方法是利用近红外光谱仪采集待测电子烟油的近红外光谱数据,然后采用与建模时相同的光谱数据预处理算法对采集到的光谱数据进行处理,最后用建立的近红外光谱预测模型直接进行测量,得到电子烟烟油的尼古丁含量。
对本发明建立的预测模型及应用效果进行进一步验证,具体如下:
采集待测量电子烟烟油油,并用现行的化学分析方法检测分析尼古丁含量,对预测结果进行检验和验证。具体的预测结果如表1和图1、图2所示,实验结果显示,所建立的电子烟烟油尼古丁含量的近红外快速预测模型的相关系数(R2)为0.996,标准差为0.835;预测集标准差分别为0.742,检验结果表明本发明快速现场测量电子烟烟油的尼古丁含量是可行的。
表1为预测结果与实际测量结果对比
Claims (2)
1.电子烟烟油尼古丁含量的近红外光谱预测建模方法,其特征在于,包括如下步骤:
(1)选取具有代表性的多品种、多批次的电子烟烟油样本作为建模训练样本,利用近红外光谱仪采集训练集电子烟烟油光谱数据,获取训练集电子烟烟油的近红外光谱数据,建立烟油近红外光谱数据训练集,然后对原始光谱数据采用小波变换算法、Savitzky-Golay卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法中的一种或多种进行预处理;
(2)使用分析计量仪器测量获取电子烟烟油的尼古丁含量;
(3)采用ELM算法,结合步骤(2)中测量获取的尼古丁含量建立近红外光谱预测模型,包括以下步骤:
(a)确定隐含层神经元个数,随机设定输入层与隐含层的连接权值w和隐含层神经元的阈值b;
(b)选择一个无限可微的函数作为隐含层神经元的激活函数,进而计算隐含层输出矩阵H;
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,利用近红外光谱仪采集待测电子烟油的近红外光谱数据,然后采用与建模时相同的光谱数据预处理算法对采集到的光谱数据进行处理,最后用建立的近红外光谱预测模型直接进行测量,得到电子烟烟油的尼古丁含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271967.2A CN110967313A (zh) | 2019-12-12 | 2019-12-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271967.2A CN110967313A (zh) | 2019-12-12 | 2019-12-12 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110967313A true CN110967313A (zh) | 2020-04-07 |
Family
ID=70033854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271967.2A Pending CN110967313A (zh) | 2019-12-12 | 2019-12-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110967313A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111965139A (zh) * | 2020-08-18 | 2020-11-20 | 山东金璋隆祥智能科技有限责任公司 | 一种酚咖麻敏胶囊中的盐麻含量的分析方法 |
WO2021248995A1 (zh) * | 2020-06-08 | 2021-12-16 | 深圳市康泓威科技有限公司 | 电子雾化设备溶质剂量消耗的检测与控制方法及其电子雾化设备 |
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 |
WO2023057739A1 (en) * | 2021-10-06 | 2023-04-13 | Nicoventures Trading Limited | Quantification method |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术(集团)有限公司 | 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 |
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
-
2019
- 2019-12-12 CN CN201911271967.2A patent/CN110967313A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术(集团)有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
宾俊 等: "基于NIR 技术和ELM 的烤烟烟叶自动分级", 《中国烟草学报》 * |
郭志明 等: "近红外光谱结合GA-LSSVR分析烟草尼古丁含量", 《激光与光电子学进展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021248995A1 (zh) * | 2020-06-08 | 2021-12-16 | 深圳市康泓威科技有限公司 | 电子雾化设备溶质剂量消耗的检测与控制方法及其电子雾化设备 |
CN111965139A (zh) * | 2020-08-18 | 2020-11-20 | 山东金璋隆祥智能科技有限责任公司 | 一种酚咖麻敏胶囊中的盐麻含量的分析方法 |
WO2023057739A1 (en) * | 2021-10-06 | 2023-04-13 | Nicoventures Trading Limited | Quantification method |
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 |
---|---|---|
CN110967313A (zh) | 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 | |
CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN105891147A (zh) | 一种基于典型相关系数的近红外光谱信息提取方法 | |
CN106248621A (zh) | 一种评价方法与系统 | |
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 | |
CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
CN109115692A (zh) | 一种光谱数据分析方法及装置 | |
CN108318442B (zh) | 一种适用于中药混悬体系的检测方法 | |
CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
Zimmer et al. | Rapid quantification of constituents in tobacco by NIR fiber‐optic probe | |
CN111141809B (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
CN104596980A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶热水可溶物的方法 | |
CN109358022A (zh) | 一种快速判别烟用爆珠类型的方法 | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN108120694B (zh) | 用于晒红烟化学成分分析的多元校正方法及系统 | |
CN105259136A (zh) | 近红外校正模型的无测点温度修正方法 | |
CN110186870B (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 | |
CN107884360B (zh) | 一种卷烟纸助燃剂检测方法 | |
Kaffka et al. | PQS (polar qualification system) the new data reduction and product qualification method | |
CN116484989A (zh) | 一种基于深度迁移学习的烟叶近红外多组分预测方法 | |
CN110646371A (zh) | 一种烟用香精香料含水量的测定方法 | |
CN114397269B (zh) | 卷烟滤棒三醋酸甘油酯含量的测定方法 |
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: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |