CN112042999B - 一种基于神经网络的挂灰烟识别的质量判定方法 - Google Patents
一种基于神经网络的挂灰烟识别的质量判定方法 Download PDFInfo
- Publication number
- CN112042999B CN112042999B CN202010864450.0A CN202010864450A CN112042999B CN 112042999 B CN112042999 B CN 112042999B CN 202010864450 A CN202010864450 A CN 202010864450A CN 112042999 B CN112042999 B CN 112042999B
- Authority
- CN
- China
- Prior art keywords
- grade
- browning
- tobacco
- tobacco leaves
- leaves
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/16—Classifying or aligning leaves
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (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
一种基于神经网络的挂灰烟识别的质量判定方法,包括如下步骤:建立烟叶褐变等级识别模型,对不同褐变等级的烟叶进行质量分析判定。首先依据烤烟烟叶出现的挂灰程度对烟叶进行褐变等级的分类,分为0级、1级、2级、3级、4级五个褐变等级;接着基于神经网络建立烟叶褐变等级识别模型,实现烟叶褐变等级的智能化识别,客观性强,误差小;然后对不同褐变等级的烟叶进行外观质量分析,化学成分分析,多酚含量分析,TSNAs含量分析和感官质量评价,明确不同褐变等级烟叶与其主要质量指标的相关性,对各个褐变等级的烟叶的可用性进行了量化,为客观评价各个褐变等级的烟叶提供了技术和理论支持,提升了烟农的效益,有效降低了烟叶的浪费。
Description
技术领域
本发明涉及一种质量判定方法,具体涉及一种基于神经网络识别的烟叶质量判定方法。
背景技术
烟叶挂灰是烟叶烘烤中常见的现象,是造成烘烤损失的主要因素之一。挂灰烟主要是由于烤烟烘烤过程“酶促棕色化反应”造成的,即多酚类物质在多酚氧化酶(PPO)的作用下被氧化成醌类物质,然后进一步和其他物质聚合成大分子深色物质。虽然原理已经被提出很多年,前人也通过改进农艺措施、烘烤工艺、添加褐变抑制剂等途径使烟叶褐变几率得到了一定的缓解,但酶促褐变引起的挂灰仍然是造成烟叶烘烤损失的主要原因,尤其是上部叶,其叶片较厚、酚类等内含物含量充足导致烤后烟叶挂灰现象较重。
烟叶挂灰后不仅影响外观质量,使烟叶商品等级下降,而且也导致烟叶内在化学成分含量不适宜、不协调,降低工业可用性,甚至丧失使用价值。目前烟叶外观质量是影响烟叶交售等级的主要因素,直接影响烟农利益。挂灰烟是烤坏烟叶比例最大的一类烟叶,也是影响上部烟叶交售等级最大的问题,目前生产上挂灰烟的收购中,挂灰程度轻重主要通过验级员的靠肉眼识别,主观性较强,误差较大,同时不同挂灰程度烟叶的可用性鲜有报道,缺乏客观数据和理论支撑,因而为后续生产保险起见,挂灰较轻的烟叶进行降级收购甚至不收。
发明内容
本发明提供了一种基于神经网络的挂灰烟识别的质量判定方法,用于解决上述背景技术中存在的不足。
一种基于神经网络的挂灰烟识别的质量判定方法,包括如下步骤:建立对烟叶褐变等级识别模型,对不同褐变等级的烟叶进行质量分析判定。
首先依据烤烟烟叶出现的挂灰程度对烟叶进行褐变等级的分类,依据烟叶的挂灰程度对烟叶进行分类,分为0级、1级、2级、3级、4级这五个褐变等级,具体见表1。
表1褐变等级说明
烟叶褐变等级识别模型的建立基于神经网络,是通过使用摄像机对不同褐变等级的烟叶样品进行图像采集,通过不断训练根据预测误差调整网络权值,使预测输出不断逼近期望的输出,从而实现烟叶褐变等级的智能化识别,客观性强,误差小。并且随着后期褐变等级烟叶的样本图像数量的增加,基于神经网络的烟叶褐变等级识别模型通过训练可进一步优化,误差会越来越小。
然后对不同褐变等级的烟叶进行外观质量分析,化学成分分析,多酚含量分析,TSNAs含量分析和感官质量评价,建立了烟叶褐变等级与还原糖、绿原酸、TSNAs含量的相关方程,明确不同褐变等级烟叶与其主要质量指标的相关性和不同褐变等级对烟叶可用性的影响,对各个褐变等级的烟叶的可用性进行了量化,为客观评价各个褐变等级的烟叶提供了技术和理论支持。
本发明通过烟叶褐变等级识别模型的建立和不同褐变等级烟叶的质量分析,提供了一种基于神经网络的挂灰烟识别的质量判定方法,对烟叶的收购有指导意义,大大降低了烟叶识别的误差,同时对于挂灰较轻的烟叶的可用性也提供了理论依据,提升了烟农的效益,有效降低了烟叶的浪费。
附图说明
图1为神经网络模型示意图。
图2为烟叶挂灰程度识别分类情况。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,以便于清楚的了解本发明,但它们不对本发明构成限定。
1.材料与方法
1.1试验材料
试验于2018年在恩施州利川市柏杨镇进行,品种为云烟87,土壤为砂壤土,有机质2.71%,pH为5.71,速效氮89.72mg/kg,有效磷66.45mg/kg,速效钾190.12mg/kg,施肥比例m(N)∶m(P2O5)∶m(K2O)=1∶1.5∶2.5,行距1.2m,株距0.55m。其他技术措施和田间管理按优质烟生产技术规程实施。选取14-16叶位的上部叶为供试材料。
1.2试验设计
由烤烟分级技术人员对烤后14-16叶位的上部烟叶按照0级、1级、2级、3级、4级这五个褐变等级进行分类。
使用CANON 60D数码相机对样品进行图像采集,相机用三脚架固定垂直于叶片上方1m处,叶片平展放在蓝色背景布上。共采集样本图像320份,结果为:0级80份,1级52份,2级61份,3级59份,4级68份。随机选取总样本的3/4作为训练集,共240份,余下1/4作为测试集,共80份。图像采集后以JPG格式导入计算机,并用Photoshop读取叶片区域的R、G、B值,在MATLAB中使用设计好的RGB转化HSV程序将叶片区域的RGB值转化为HSV值,存入Excel工作表待处理。
1.3测定项目及方法
每组褐变等级的烟叶随机选取5片烟叶混合,70℃烘干至恒重,剔除主脉和较粗的支脉,研磨粉碎过250μm筛保存。常规化学成分检测采用美国API公司生产的305D型连续流动分析仪参照行业标准测定;多酚含量参照行业标准测定,TSNAs含量采用液质联用测定。
1.4数据处理
采用Excel2016进行数据处理,采用SPSS21.0软件进行多层感知器神经网络分析,建立褐变等级判定模型。
2结果与分析
2.1基于神经网络的烟叶褐变等级识别模型训练
神经网络模型是一种前向多层反向传播学习算法,它根据预测误差调整网络权值,使预测输出不断逼近期望输出。取训练集240份图像的R、G、B、H、S、V值6个指标作为输入,烟叶的褐变程度0、1、2、3、4作为输出,对因变量与协变量进行标准化处理,系统自动分配样本数,建立输入层6个神经元、隐藏层4个神经元、输出层5个神经元的神经网络模型,如图1所示。将神经网络模型以XML文件保存。
2.2基于神经网络的烟叶褐变等级识别模型测试
运行XML文件对测试集80份不同挂灰程度烟叶进行验证,分类结果见图2,从图中可以看出分类效果较好。与原始结果进行比对,测试结果见表2,判定的整体准确率达92.46%,表明该判定模型的分类结果准确度高,稳定性好,重度挂灰判定准确率达100.0%,其余不同挂灰情况烟叶的判定准确率较高,无明显的轻判或重判现象。
表2神经网络模型检验结果
2.3不同褐变等级烟叶质量分析
2.3.1外观质量分析
表3为各个褐变等级烟叶的外观质量情况,从中可以看出随着挂灰程度的加重,成熟度、叶片结构、身份、油分变差;褐变等级1级的烟叶与0级烟叶相比颜色橘黄程度增加,色度增加;褐变等级达到3级后烟叶颜色、成熟度、身份、油分、色度等指标下降幅度较大,外观质量较差。
表3各个褐变等级烟叶的外观质量情况
级别 | 颜色 | 成熟度 | 叶片结构 | 身份 | 油分 | 色度 | 指数和 |
0 | 7.7 | 8.5 | 8.9 | 7.5 | 6.5 | 5.5 | 44.6 |
1 | 8.0 | 8.4 | 8.4 | 7.0 | 6.1 | 5.8 | 43.7 |
2 | 7.9 | 8.1 | 7.7 | 6.5 | 5.4 | 5.5 | 41.1 |
3 | 7.3 | 7.5 | 7.5 | 5.3 | 5.1 | 5.4 | 38.1 |
4 | 6.1 | 5.6 | 6.3 | 5.1 | 4.2 | 4.8 | 32.1 |
2.3.2常规化学成分含量分析
从表4可以看出,随着烟叶挂灰程度的增加,还原糖、总糖含量逐渐降低,4级重度挂灰烟叶与0级未挂灰烟叶相比还原糖含量显著降低,降幅达17.77%,褐变等级(x)与烤后烟叶还原糖含量(y1)呈负相关,y1=-0.1236x2-0.6047x+24.559(R2=0.9991),可见烟叶发生挂灰与糖类过度消耗有关;烟碱、氯离子含量逐渐增加,4级重度挂灰烟叶与0级未挂灰烟叶相比,烟碱含量显著增加,增幅达19.79%;糖碱比、氮碱比、钾氯比降低,内在化学成分的协调性变差。
表4烤后烟叶化学成分比较
2.3.3烟叶多酚含量分析
从表5可以看出,与0级未挂灰烟叶相比,烟叶适当褐变引发的轻微挂灰绿原酸、芸香苷等多酚含量增加;随着烤后烟叶挂灰程度的加重,绿原酸含量逐渐降低,莨菪亭含量逐渐升高,芸香苷含量呈先升高后降低,4级重度挂灰烟叶绿原酸、多酚总量显著降低。褐变等级(x)与烤后烟叶绿原酸含量(y2)呈一元二次关系,y2=-0.3457x2+0.9029x+10.085(R2=0.9896)。
表5不同挂灰程度烟叶多酚含量(mg/g)
级别 | 绿原酸 | 莨菪亭 | 芸香苷 | 多酚总量 |
0 | 10.05 | 0.19 | 11.28 | 21.52 |
1 | 10.68 | 0.15 | 12.11 | 22.94 |
2 | 10.60 | 0.19 | 12.44 | 23.23 |
3 | 9.52 | 0.21 | 12.06 | 21.79 |
4 | 8.23 | 0.24 | 11.71 | 20.18 |
2.3.4烟叶TSNA含量分析
从表6各个褐变等级烟叶TSNAs含量可以看出,随着挂灰程度的增加烟叶TSNAs含量逐渐增加,褐变等级(x)与烤后烟叶TSNAs含量(y3)呈正相关,y3=-1.3121x2+62.69x+435.76(R2=0.9974),烟叶发生挂灰后吸食安全性降低,4级重度挂灰烟叶与0级未挂灰烟叶相比,TSNAs总量增幅达53.84%。
表6不同挂灰程度烟叶TSNAs含量(ng/g)
级别 | NNN | NNK | NAT | NAB | TSNAs |
0 | 70.06 | 25.11 | 136.08 | 203.23 | 434.47 |
1 | 144.30 | 29.55 | 157.92 | 166.36 | 498.13 |
2 | 98.09 | 39.75 | 217.11 | 205.66 | 560.61 |
3 | 246.24 | 24.79 | 138.65 | 195.03 | 604.72 |
4 | 206.00 | 31.74 | 246.11 | 184.53 | 668.38 |
2.3.5烟叶感官质量分析
从表7可以看出,0级未挂灰烟叶、1级稍挂灰烟叶为一档,香气质感较清晰,烟气柔顺、蓬松感较好,余味较舒适,浓度劲头中等;与0级未挂灰烟叶相比,1级稍挂灰烟叶香气量有所增加,烟气稍柔顺,浓度劲头中等;随着挂灰程度的增加,烟叶感官质量逐渐降低,主要表现在香气质感和余味变差,杂气加重;2级轻度挂灰烟为二档,香气质感较好,杂气略重,余味稍欠舒适,烟气尚柔顺,浓度中等,劲头略偏大;挂灰达到褐变等级3级及以上程度,香气质感较差,香气量明显下降,杂气稍重,杂味较多,余味舒适性较差。
表7不同褐变等级烟叶感官质量评价
通过上述的不同褐变等级的烟叶质量分析数据可得出,烟叶挂灰不仅对烟叶的外观质量有影响,烟叶挂灰的程度对内在的质量也有较大影响。烟叶的褐变等级与还原糖、绿原酸、TSNAs含量存在线性回归关系,烟叶褐变等级升高,其还原糖含量呈降低趋势,烟碱、TSNAs等含氮代谢产物逐渐增加,化学成分协调性变差,感官评吸质量变差,烟叶总体质量和安全性变差。
综上,对于云烟87的上部烟叶,经烘烤后,0级未挂灰烟叶、1级稍挂灰烟叶为一档烟叶,2级轻度挂灰烟为二档烟叶,挂灰达到褐变等级3级及以上程度,则不建议进行收购进行后续烟叶生产。
本实施例基于神经网络建立了烟叶褐变等级识别模型,代替传统的肉眼鉴别,鉴别结果更客观准确,识别准确率为92.46%;建立了烟叶褐变等级与还原糖、绿原酸、TSNAs含量的回归方程以及对不同褐变等级烟叶进行感官质量评价,明确了不同褐变等级烟叶与其主要质量指标的相关性,为客观评价和使用不同程度挂灰烟叶提供了理论支撑。
Claims (1)
1.一种基于神经网络的挂灰烟识别的质量判定方法,其特征在于,包括如下步骤:
首选建立烟叶褐变等级识别模型对烟叶的褐变等级进行判断:
所述的烟叶褐变等级识别模型的建立是基于神经网络对烟叶挂灰程度的识别而建立的,通过使用摄像机对各个褐变等级的烟叶样品进行图像采集,通过不断训练根据预测误差调整网络权值,使预测输出不断逼近期望的输出,从而实现智能化识别;
所述的烟叶的褐变等级是依据烤烟烟叶出现的挂灰程度进行分类的,烟叶挂灰程度分为正常,其叶片干净鲜亮;稍挂灰,其叶片灰褐色斑点零星分布,光泽暗淡,面积占比≤10%;轻度挂灰,其叶片灰褐色斑点零星分布,10%<面积占比≤30%;中度挂灰,其叶片灰褐色斑点集块连片,30%<面积占比≤50%;重度挂灰,其叶片灰褐色斑点集块连片,面积占比>50%,共五类,相应的烟叶褐变等级分别设为0级、1级、2级、3级、4级;
接着对不同褐变等级的烟叶的内在化学成分进行分析:
所述的烟叶的褐变等级x与烤后烟叶还原糖含量y 1 呈负相关:y 1 = -0.1236x 2 -0.6047x + 24.559,其中R² = 0.9991,
所述的烟叶的褐变等级x与烤后烟叶绿原酸含量y 2呈一元二次关系,y 2= -0.3457x 2 +0.9029x + 10.085,其中R² = 0.9896,
所述的烟叶的褐变等级x与烤后烟叶TSNAs含量y 3 呈正相关,y 3 = -1.3121x 2 + 62.69x+ 435.76,其中R²= 0.9974;
所述的烟叶的内在化学成分还包括烟碱、氯、总糖、总氮、钾、糖碱比、氮碱比、两糖比、钾氯比、莨菪亭、芸香苷;
然后对不同褐变等级的烟叶进行包括质量特征和风格特征的感官质量评价,所述的质量特征包括香气质感、香气量、杂气度、刺激性、余味、燃烧性和灰色度,所述的风格特征包括浓度和劲头;
最后得出不同褐变等级的烟叶的质量判定结果:针对品种云烟87的上部烟叶,0级未挂灰烟叶、1级稍挂灰烟叶为一档烟叶;2级轻度挂灰烟为二档烟叶;挂灰达到褐变等级3级及以上程度,则不建议进行收购进行后续烟叶生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864450.0A CN112042999B (zh) | 2020-08-25 | 2020-08-25 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864450.0A CN112042999B (zh) | 2020-08-25 | 2020-08-25 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112042999A CN112042999A (zh) | 2020-12-08 |
CN112042999B true CN112042999B (zh) | 2022-11-29 |
Family
ID=73600848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864450.0A Active CN112042999B (zh) | 2020-08-25 | 2020-08-25 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112042999B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114766706B (zh) * | 2022-05-09 | 2023-09-12 | 北京天地数联科技有限公司 | 一种烟叶除杂与定级方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211B (zh) * | 2011-01-11 | 2014-10-22 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN107016413B (zh) * | 2017-03-31 | 2019-11-26 | 征图新视(江苏)科技股份有限公司 | 一种基于深度学习算法的烟叶在线分级方法 |
CN108805867A (zh) * | 2018-05-25 | 2018-11-13 | 北京百度网讯科技有限公司 | 用于输出烟叶等级信息的方法和装置 |
CN110415181B (zh) * | 2019-06-12 | 2023-07-14 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
-
2020
- 2020-08-25 CN CN202010864450.0A patent/CN112042999B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112042999A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A fully convolutional neural network-based regression approach for effective chemical composition analysis using near-infrared spectroscopy in cloud | |
Golic et al. | Robustness of calibration models based on near infrared spectroscopy for the in-line grading of stonefruit for total soluble solids content | |
CN107862456B (zh) | 一种批次烟叶质量综合评价的方法 | |
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 | |
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 | |
CN111160425A (zh) | 一种基于神经网络的烤烟舒适性分类评价方法 | |
CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
Nadafzadeh et al. | Development of computer vision system to predict peroxidase and polyphenol oxidase enzymes to evaluate the process of banana peel browning using genetic programming modeling | |
CN112042999B (zh) | 一种基于神经网络的挂灰烟识别的质量判定方法 | |
Nesakumar et al. | Analysis of moisture content in beetroot using fourier transform infrared spectroscopy and by principal component analysis | |
CN109409579A (zh) | Bp人工神经网络预测原料加工适宜性的方法 | |
CH708057A2 (de) | Nahinfrarot-Verfahren zur Bestimmung von Inhaltsstoffen der Lotuswurzel. | |
CN110263969B (zh) | 一种货架期苹果品质动态预测系统及预测方法 | |
CN110308111B (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
DE202020101510U1 (de) | System zum Beurteilen des Lebensmittelgeschmacks auf der Basis von Gas | |
Longobardi et al. | Characterization of the geographical and varietal origin of wheat and bread by means of nuclear magnetic resonance (NMR), isotope ratio mass spectrometry (IRMS) methods and chemometrics: a review | |
Otero et al. | Explaining coffee price differentials in terms of chemical markers: Evidence from a pairwise approach | |
CN114563532B (zh) | 一种烟叶醇化特性及质量一致性分析方法 | |
CN115293444A (zh) | 一种库存烟叶原料健康指数的表征方法 | |
Phuangsombut et al. | Combination of visible reflectance and acoustic response to improve non‐destructive assessment of maturity and indirect prediction of internal quality of red‐fleshed pomelo | |
CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
Azis et al. | Classification of dried chilli quality using image processing | |
Øvrum et al. | Inequality in health versus inequality in lifestyle choices | |
Wesolek et al. | Mathematical approach for sampling plan performance assessment for aflatoxin B1 in pistachios | |
CN111208071B (zh) | 一种基于比色板判定片烟原料颜色及质量的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |