CN112129726B - 烟支梗丝均匀性的评价方法、系统、介质及设备 - Google Patents
烟支梗丝均匀性的评价方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112129726B CN112129726B CN202011011368.XA CN202011011368A CN112129726B CN 112129726 B CN112129726 B CN 112129726B CN 202011011368 A CN202011011368 A CN 202011011368A CN 112129726 B CN112129726 B CN 112129726B
- Authority
- CN
- China
- Prior art keywords
- cut
- stem
- cigarette
- uniformity
- cigarettes
- 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
- 241000208125 Nicotiana Species 0.000 title claims abstract description 91
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 74
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 140
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 238000002156 mixing Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims description 27
- 230000003595 spectral effect Effects 0.000 claims description 23
- 239000000779 smoke Substances 0.000 claims description 18
- 239000000843 powder Substances 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000011521 glass Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 241000748095 Hymenopappus filifolius Species 0.000 claims description 3
- 238000000227 grinding Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 13
- 238000002790 cross-validation Methods 0.000 description 11
- 238000002329 infrared spectrum Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009725 powder blending Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010298 pulverizing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011077 uniformity evaluation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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
本发明提供一种烟支梗丝均匀性的评价方法、系统、介质及设备，所述烟支梗丝均匀性的评价方法包括：获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例；将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果；对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析。本发明可以实现一支烟支中梗丝率的准确、快速测定及一批烟支之间梗丝分布均匀性的评价，能够客观、便捷地反映成品烟支的质量稳定性。
Description
技术领域
本发明属于烟支梗丝分析的技术领域，涉及一种梗丝率的光谱分析方法，特别是涉及一种烟支梗丝均匀性的评价方法、系统、介质及设备。
背景技术
目前，国内外关于梗丝掺配均匀性的测定和评价尚无统一标准。传统方法主要是人工挑选梗丝，计算质量分数标准偏差来表示掺配均匀性，该方法人力成本高，精度低且无法客观反映实际掺配均匀性。因此有必要建立更加准确、高效、友好、实用的梗丝掺配均匀性评价方法。
在现有技术中，针对梗丝掺配均匀性的评价方法，一方面较多使用的是化学指标法，所选用的梗丝和叶丝中含量差异较大的某些化学成分，如纤维素、总糖、钾和氯等，均用连续流动法测定其含量，耗时较长，便捷性有待提升。另一方面，利用叶丝和梗丝填充值和碎丝率的差异来测定烟丝梗丝率的方法存在灵敏度和准确度偏低的缺陷。而且，目前对梗丝掺配均匀性的研究对象多为掺配后的成品丝，对于烟支的研究较少，主要是受制于小样品量影响检测精度，尚未见对一支烟支中梗丝率精确预测的研究工作。
因此，如何提供一种烟支梗丝均匀性的评价方法、系统、介质及设备，以解决现有技术无法准确、快速地对单支烟的梗丝率进行测定并进一步对一批烟支之间梗丝分布均匀性作出评价等缺陷，成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种烟支梗丝均匀性的评价方法、系统、介质及设备，用于解决现有技术无法准确、快速地对单支烟的梗丝率进行测定并进一步对一批烟支之间梗丝分布均匀性作出评价的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种烟支梗丝均匀性的评价方法，所述烟支梗丝均匀性的评价方法包括：获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例；将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果；对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析。
于本发明的一实施例中，所述梗丝率预测模型的生成步骤包括：获取模拟烟的光谱数据；所述模拟烟为叶丝与梗丝掺配比例确定的模拟样品，所述模拟烟的梗丝率为已知量；对所述模拟烟的光谱数据进行预处理得到校正数据；利用偏最小二乘法，根据所述校正数据与对应已知的梗丝率建立所述梗丝率预测模型。
于本发明的一实施例中，所述对所述模拟烟的光谱数据进行预处理得到校正数据的步骤包括：通过标准正态变量变换对所述模拟烟的光谱数据进行背景消除；利用滤波器对所述模拟烟的光谱数据进行平滑处理，以消除高频噪音，保留所需的低频信息；消除所述模拟烟的光谱数据的基线漂移，以提高光谱数据的分辨率并获得清晰的光谱轮廓。
于本发明的一实施例中，所述梗丝率预测模型的生成步骤还包括：在所述梗丝率预测模型建立后，通过内部交叉验证和/或外部独立验证对所述梗丝率预测模型进行验证。
于本发明的一实施例中，通过所述内部交叉验证计算交叉验证标准误差，剔除异常的模拟样品，并选取交叉验证标准误差最小的为优化后的梗丝率预测模型；将验证集中多个样品的平均光谱代入所述梗丝率预测模型进行梗丝率预测，通过计算每个样品的梗丝率预测值来预测标准偏差和相对标准偏差，以验证所述梗丝率预测模型的精度和预测效果。
于本发明的一实施例中，所述对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析的步骤包括：对所述烟支样品组中的每支烟逐一进行梗丝率的评估；对所述烟支样品组中多支烟之间的梗丝率分布均匀性作出评价。
于本发明的一实施例中，所述对所述烟支样品组中多支烟之间的梗丝率分布均匀性作出评价的步骤包括：计算多支烟之间梗丝率的平均值、标准偏差和相对标准偏差；根据所述平均值、标准偏差和相对标准偏差分析多支烟在不同梗丝率范围内的分布状况。
本发明另一方面提供一种烟支梗丝均匀性的评价系统，所述烟支梗丝均匀性的评价系统包括：光谱数据获取模块，用于获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例；梗丝率预测模块，用于将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果；均匀性分析模块，用于对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析。
本发明又一方面提供一种介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的烟支梗丝均匀性的评价方法。
本发明最后一方面提供一种设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行所述的烟支梗丝均匀性的评价方法。
如上所述，本发明所述的烟支梗丝均匀性的评价方法、系统、介质及设备，具有以下有益效果：
本发明利用直径2cm的玻璃样品管进行近红外光谱采集并建立梗丝率预测模型，可以满足一支烟支的样品量要求，从而准确评价烟支梗丝分布的均匀性。采用偏最小二乘法拟合建模，以内部交叉验证和外部独立验证对模型精度和可靠性进行综合评价。本发明操作简单、无需化学试剂，无需外参物，实用性很强，适用于一支烟支中梗丝率的准确、快速测定及一批烟支之间梗丝分布均匀性的评价，能够客观、便捷地反映成品烟支的质量稳定性。由此填补了利用近红外光谱技术预测单支烟的梗丝率，并以此评价批量烟支梗丝分布均匀性的技术空白。
附图说明
图1显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的原理流程图。
图2显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的模型建立流程图。
图3显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的梗丝率分析流程图。
图4显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的烟支梗丝评价流程图。
图5显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的模型拟合效果图。
图6显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的模型验证结果图。
图7显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的批量烟支梗丝率分布图。
图8显示为本发明的烟支梗丝均匀性的评价系统于一实施例中的结构原理图。
图9显示为本发明的设备于一实施例中的结构连接示意图。
元件标号说明
8 烟支梗丝均匀性的评价系统
81 光谱数据获取模块
82 梗丝率预测模块
83 均匀性分析模块
9 设备
91 处理器
92 存储器
93 通信接口
94 系统总线
S11～S13 步骤
S121～S124 步骤
S131～S132 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明所述的烟支梗丝均匀性的评价方法依据叶丝、梗丝在近红外光谱上的差异，掺配不同梗丝率的烟丝样品，建立烟丝样品梗丝率与近红外光谱的偏最小二乘PLS(Partial least squares regression，偏最小二乘回归)模型，本发明中也称模型。采集成品卷烟烟支样品的近红外光谱，代入经验证的偏最小二乘模型中进行梗丝率预测，实现单烟支中梗丝率的准确预测及批量烟支中梗丝分布均匀性的量化评价。
在建立偏最小二乘模型之前，需要进行不同梗丝率的烟支样品制备。具体包括：
(1)烟支样品试制。分别按某品牌成品制丝工艺全流程模拟生产叶丝和梗丝样品，主要包含加香加料工序，保证建模样品和成品烟支样品中的叶丝和梗丝完全一致，以减小模型误差。叶丝和梗丝样品分别生产10个批次。每批样品在卷烟机烟枪出口处取样，每份取样10kg，密封保存。
(2)烟末制备。将烟丝样品置于40℃烘箱内，排气烘烤2h，控制含水率在6％-10％之间。采用冷冻研磨机将样品粉碎成末，过40目筛，密封保存。
本发明的烟支制备步骤采用低温烘烤，冷冻研磨技术制备烟末样品，减少低沸点化合物的损失，同时减小了模型建立时的误差。
(3)烟末掺配。选择适宜的梗丝掺配比例范围，推荐在目标品牌工艺技术要求的梗丝比例±5％内进行掺配。每个掺配后的样品约为20g，将称量好的梗丝粉末和叶丝粉末放置在密闭容器中，充分摇晃至混合均匀，制成一个样品，并计算实际掺配比例。掺配比例每次递增0.10％，直至掺配完毕，每批次形成100个样品。10批次共1000个样品。
本发明的烟末掺配步骤实现了大批量不同梗丝率样品的掺配，共计1000个样品，可以尽量剔除异常数据，减小模型建立时的误差。
以下将结合图1至图9详细阐述本实施例的一种烟支梗丝均匀性的评价方法、系统、介质及设备的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本实施例的烟支梗丝均匀性的评价方法、系统、介质及设备。
请参阅图1，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的原理流程图。如图1所示，所述烟支梗丝均匀性的评价方法具体包括以下几个步骤：
S11，获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例。
具体地，随机抽取一盒卷烟，共20支卷烟；将卷烟纸剥落，每支烟的全部烟丝单独置于样品盒中，40℃烘烤2h；用玻璃研钵将烟丝充分粉碎成末，过40目筛；以进行近红外光谱采集和光谱预处理，每支烟平行测定5次。
S12，将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果。
请参阅图2，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的模型建立流程图。如图2所示，所述梗丝率预测模型的生成步骤包括：
S121，获取模拟烟的光谱数据；所述模拟烟为叶丝与梗丝掺配比例确定的模拟样品，所述模拟烟的梗丝率为已知量。
具体地，在恒温恒湿条件下进行近红外光谱采集。取与目标品牌单支烟重量接近的掺配好的烟末装入直径2cm的玻璃样品管中，压实样品置于光谱操作仪上扫描。每个样品重复装样、测定5次，以便利用其平均光谱进行建模，且每次扫描前均采集一次背景光谱。
S122，对所述模拟烟的光谱数据进行预处理得到校正数据。
所述预处理的方法包括：基线校正、归一化、多元校正、一阶或二阶导数、小波变换、去卷积等。在进行上述预处理后，进一步地作消除背景和消除噪音等光谱预处理。
在本实施例中，首先通过标准正态变量变换对所述模拟烟的光谱数据进行背景消除。具体地，用SNV(Standard Normal Variate transform，标准正态变量变换)消除样品不均匀带来的差异。
然后，利用滤波器对所述模拟烟的光谱数据进行平滑处理，以消除高频噪音，保留所需的低频信息。具体地，所述滤波器可以是Savitzky-Golay滤波器或其他可实现光谱数据平滑处理的滤波器。
最后，联合以二阶导数消除所述模拟烟的光谱数据的基线漂移，以提高光谱数据的分辨率并获得清晰的光谱轮廓。
S123，利用偏最小二乘法，根据所述校正数据与对应已知的梗丝率建立所述梗丝率预测模型。
具体地，应用偏最小二乘法，在近红外光谱仪匹配的分析软件中对各校正样品的近红外光谱进行预处理，并将处理后的光谱数据与相应梗丝率进行关联建立初始的梗丝率预测模型，并逐步优化模型，以达到最佳状态。
S124，在所述梗丝率预测模型建立后，通过内部交叉验证和/或外部独立验证对所述梗丝率预测模型进行验证。
在本实施例中，S124包括：
(1)通过所述内部交叉验证(Cross-Validation)计算交叉验证标准误差，剔除异常的模拟样品，并选取交叉验证标准误差最小的为优化后的梗丝率预测模型。
(2)将验证集中多个样品的平均光谱代入所述梗丝率预测模型进行梗丝率预测，通过计算每个样品的梗丝率预测值来预测标准偏差和相对标准偏差，以验证所述梗丝率预测模型的精度和预测效果。
具体地，按照烟支样品试制、烟末制备和烟末掺配的方法另行制作100个验证集样品，每个样品重复装样、测定5次，取其平均光谱代入建立好的模型预测梗丝率。分别计算每个样品预测值的预测标准差和预测平均相对偏差，用来验证模型的精度和预测效果。
S13，对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析。
在本实施例中，S13包括：
(1)对所述烟支样品组中的每支烟逐一进行梗丝率的评估。
(2)对所述烟支样品组中多支烟之间的梗丝率分布均匀性作出评价。
请参阅图3，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的梗丝率分析流程图。如图3所示，S13中的步骤(2)包括：
S131，计算多支烟之间梗丝率的平均值、标准偏差和相对标准偏差。
S132，根据所述平均值、标准偏差和相对标准偏差分析多支烟在不同梗丝率范围内的分布状况。
请参阅图4，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的烟支梗丝评价流程图。如图4所示，分别进行10批次某品牌叶丝试制、取样和10批次同品牌梗丝试制、取样。在烟末制备过程中，将叶丝和梗丝按梯度进行掺配。将掺配好的烟末依次进行光谱采集预处理和梗丝率建模模型的验证。在实际的梗丝率预测时，同样需进行烟支样品制备，将待测烟支制成烟末样品，对烟末样品进行光谱采集预处理，将采集的光谱数据输入模型中预测梗丝率，根据输出的梗丝率预测结果进行烟支梗丝分布均匀性的评价。
于本发明的一具体实施例中，结合图4至图7，所述烟支梗丝均匀性的评价方法的实现需要的仪器与试剂如下：Antaris II傅里叶变换近红外光谱仪(美国Thermo Fisher公司)，配套Operation Results操作软件和TQ Analyst数据分析软件；烘箱(美国Thermo公司)；冷冻研磨机(美国SPEX公司)；XS204电子天平(0.0001g，瑞士Mettler公司)。其中，近红外光谱仪工作参数为：光谱范围12000-3800cm-1，波数精度0.1cm-1，分辨率8cm-1，扫描次数64次。
首先，按A品牌成品制丝工艺全流程模拟生产叶丝和梗丝样品，并进行烟末制备和烟末掺配。在烟末掺配时，需选择适宜的梗丝掺配比例范围，本实施例在A品牌工艺技术要求的梗丝比例17％±5％内进行掺配。将样品掺配进行列表管理，形成表1。表1中给出了一个批次中100个样品理论掺配信息与实际掺配信息的对照情况。
表1第n批次样品掺配数据记录表
基于上述烟末掺配样品进行光谱采集，并将预处理后的光谱数据与相应梗丝率进行关联建立初始的梗丝率预测模型，进而逐步优化模型，达到最佳状态。请参阅图5，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的模型拟合效果图。如图5所示，梗丝率的数值均位于拟合中心线附近，其中，7factors used表示利用7个因素，横坐标Actual为梗丝率实际值，纵坐标Calculated为梗丝率计算值，RMSEC(Root Mean Squared Error ofCalibration，校正标准差)为0.434，相关系数Corr.coeff.为0.9869。
然后，以内部交叉验证(Cross-Validation)和外部独立验证对初始建立的梗丝率预测模型进行考察验证。
请参阅图6，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的模型验证结果图。如图6所示，通过内部交叉验证逐步剔除异常样品，选取交叉验证标准误差最小值的对应的模型作为优化后的梗丝率预测模型，在另行制作的100个验证集样品中，每个样品重复装样、测定5次，取其平均光谱代入建立好的模型预测梗丝率。分别计算每个样品预测值的预测标准偏差和预测相对标准偏差，用来验证模型的精度和预测效果，交叉验证结果如图6所示，在图6的交叉验证结果中，7factors used表示利用7个因素，横坐标Actual为梗丝率实际值，纵坐标Calculated为梗丝率计算值，RMSECV(Root Mean Squared Error ofCross Validation，交叉验证标准误差)为0.478，相关系数Corr.coeff.为0.9842。由图5和图6中标准差数据和相关系数可以看出，对模型进行交叉验证后的结果与模型刚开始建立后的拟合结果相差不大，基本一致，因此，可判定该模型为稳定可用的梗丝率预测模型。
基于建立好的梗丝率预测模型，对20支卷烟的梗丝率进行预测。并计算20支烟之间梗丝率分布比例的相对标准偏差，将待测的烟支样品的梗丝率进行列表管理，形成表2。经验证，梗丝率预测的标准偏差0.56％在±1.5％以内，RSD(relative standarddeviation，相对标准偏差)3.19％在±10％以内。
表2烟支样品梗丝率预测结果表
由表2中20支烟支的梗丝率分析可知，梗丝率呈现明显的正态分布，极差为表2中：最大值18.61％-最小值16.2％＝2.41％，将烟支样品的梗丝率分布进行列表管理，形成表3。在表3中，该结果能够客观反映该组样品的梗丝分布均匀程度，对于掌握和控制卷烟产品质量稳定性具有非常重要的现实意义。
表3烟支样品梗丝率分布
请参阅图7，显示为本发明的烟支梗丝均匀性的评价方法于一实施例中的批量烟支梗丝率分布图。如图7所示，显示了与表3数据对应的梗丝率分布的条形统计图。在20支烟中，梗丝率范围在16.20％-16.68％的烟支数为1，16.68％-17.16％的烟支数为3，17.16％-17.65％的烟支数为5，17.65％-18.13％的烟支数为8，18.13％-18.61的烟支数为3。
利用本发明所述的烟支梗丝均匀性的评价方法样品制备简单，模型精度高且预测准确度高，能够准确、客观预测单支烟的梗丝率，实现烟支梗丝分布均匀性的快速评价。
本发明所述的烟支梗丝均匀性的评价方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本实施例提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述烟支梗丝均匀性的评价方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的计算机可读存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的计算机存储介质。
以下将结合图示对本实施例所提供的烟支梗丝均匀性的评价系统进行详细描述。需要说明的是，应理解以下系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：某一模块可以为单独设立的处理元件，也可以集成在下述系统的某一个芯片中实现。此外，某一模块也可以以程序代码的形式存储于下述系统的存储器中，由下述系统的某一个处理元件调用并执行以下某一模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以下各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
以下这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个数字信号处理器(Digital Signal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以下某个模块通过处理元件调用程序代码的形式实现时，该处理元件可以是通用处理器，如中央处理器(Central ProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
请参阅图8，显示为本发明的烟支梗丝均匀性的评价系统于一实施例中的结构原理图。如图8所示，所述烟支梗丝均匀性的评价系统8包括：光谱数据获取模块81、梗丝率预测模块82和均匀性分析模块83。
所述光谱数据获取模块81用于获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例。
所述梗丝率预测模块82用于将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果。
在本实施例中，所述梗丝率预测模块82具体用于梗丝率预测模型的生成。获取模拟烟的光谱数据；所述模拟烟为叶丝与梗丝掺配比例确定的模拟样品，所述模拟烟的梗丝率为已知量；对所述模拟烟的光谱数据进行预处理得到校正数据；利用偏最小二乘法，根据所述校正数据与对应已知的梗丝率建立所述梗丝率预测模型。在所述梗丝率预测模型建立后，通过内部交叉验证和/或外部独立验证对所述梗丝率预测模型进行验证。
所述均匀性分析模块83用于对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析。
在本实施例中，所述均匀性分析模块83具体用于对所述烟支样品组中的每支烟逐一进行梗丝率的评估；以及对所述烟支样品组中多支烟之间的梗丝率分布均匀性作出评价。
本发明所述的烟支梗丝均匀性的评价系统可以实现本发明所述的烟支梗丝均匀性的评价方法，但本发明所述的烟支梗丝均匀性的评价方法的实现装置包括但不限于本实施例列举的烟支梗丝均匀性的评价系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
请参阅图9，显示为本发明的设备于一实施例中的结构连接示意图。如图9所示，本实施例提供一种设备9，所述设备9包括：处理器91、存储器92、通信接口93或/和系统总线94；存储器92和通信接口93通过系统总线94与处理器91连接并完成相互间的通信，存储器92用于存储计算机程序，通信接口93用于和其他设备进行通信，处理器91用于运行计算机程序，使所述设备9执行所述烟支梗丝均匀性的评价方法的各个步骤。
上述提到的系统总线94可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。通信接口93用于实现数据库访问设备与其他设备(如客户端、读写库和只读库)之间的通信。存储器92可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
上述的处理器91可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Alication SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明所述烟支梗丝均匀性的评价方法、系统、介质及设备利用直径2cm的玻璃样品管进行近红外光谱采集并建立梗丝率预测模型，可以满足一支烟支的样品量要求，从而准确评价烟支梗丝分布的均匀性。采用偏最小二乘法拟合建模，以内部交叉验证和外部独立验证对模型精度和可靠性进行综合评价。本发明操作简单、无需化学试剂，无需外参物，实用性很强，适用于一支烟支中梗丝率的准确、快速测定及一批烟支之间梗丝分布均匀性的评价，能够客观、便捷地反映成品烟支的质量稳定性。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种烟支梗丝均匀性的评价方法，其特征在于，所述烟支梗丝均匀性的评价方法包括：
获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例；
将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果；
对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析；
其中，所述梗丝率预测模型的生成步骤包括：获取单支模拟烟的光谱数据；所述单支模拟烟为叶丝与梗丝掺配比例确定的模拟样品，所述单支模拟烟的梗丝率为已知量；
其中，获取单支模拟烟的光谱数据包括：
按照目标品牌成品制丝工艺全流程模拟生产叶丝和梗丝样品，包括加香加料工序；
确定梗丝掺配范围，通过低温烘烤、冷冻研磨制备烟末并在所述梗丝掺配范围内进行掺配以获得模拟烟样品；
通过直径2cm的玻璃样品采集并获取所述模拟烟样品中单支模拟烟的光谱数据。
2.根据权利要求1所述的烟支梗丝均匀性的评价方法，其特征在于，所述梗丝率预测模型的生成步骤还包括：
对所述模拟烟的光谱数据进行预处理得到校正数据；
利用偏最小二乘法，根据所述校正数据与对应已知的梗丝率建立所述梗丝率预测模型。
3.根据权利要求2所述的烟支梗丝均匀性的评价方法，其特征在于，所述对所述模拟烟的光谱数据进行预处理得到校正数据的步骤包括：
通过标准正态变量变换对所述模拟烟的光谱数据进行背景消除；
利用滤波器对所述模拟烟的光谱数据进行平滑处理，以消除高频噪音，保留所需的低频信息；
消除所述模拟烟的光谱数据的基线漂移，以提高光谱数据的分辨率并获得清晰的光谱轮廓。
4.根据权利要求2所述的烟支梗丝均匀性的评价方法，其特征在于，所述梗丝率预测模型的生成步骤还包括：
在所述梗丝率预测模型建立后，通过内部交叉验证和/或外部独立验证对所述梗丝率预测模型进行验证。
5.根据权利要求4所述的烟支梗丝均匀性的评价方法，其特征在于：
通过所述内部交叉验证计算交叉验证标准误差，剔除异常的模拟样品，并选取交叉验证标准误差最小的为优化后的梗丝率预测模型；
将验证集中多个样品的平均光谱代入所述梗丝率预测模型进行梗丝率预测，通过计算每个样品的梗丝率预测值来预测标准偏差和相对标准偏差，以验证所述梗丝率预测模型的精度和预测效果。
6.根据权利要求1所述的烟支梗丝均匀性的评价方法，其特征在于，所述对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析的步骤包括：
对所述烟支样品组中的每支烟逐一进行梗丝率的评估；
对所述烟支样品组中多支烟之间的梗丝率分布均匀性作出评价。
7.根据权利要求6所述的烟支梗丝均匀性的评价方法，其特征在于，所述对所述烟支样品组中多支烟之间的梗丝率分布均匀性作出评价的步骤包括：
计算多支烟之间梗丝率的平均值、标准偏差和相对标准偏差；
根据所述平均值、标准偏差和相对标准偏差分析多支烟在不同梗丝率范围内的分布状况。
8.一种烟支梗丝均匀性的评价系统，其特征在于，所述烟支梗丝均匀性的评价系统包括：
光谱数据获取模块，用于获取单支烟的光谱数据；所述光谱数据用于表征单支烟的叶丝与梗丝的掺配比例；
梗丝率预测模块，用于将所述光谱数据输入至梗丝率预测模型中确定该烟支的梗丝率预测结果；
均匀性分析模块，用于对烟支样品组中多支烟的梗丝率预测结果进行均匀性分析；
梗丝率预测模型建立模块，用于获取单支模拟烟的光谱数据；所述单支模拟烟为叶丝与梗丝掺配比例确定的模拟样品，所述单支模拟烟的梗丝率为已知量；其中，获取单支模拟烟的光谱数据包括：
按照目标品牌成品制丝工艺全流程模拟生产叶丝和梗丝样品，包括加香加料工序；
确定梗丝掺配范围，通过低温烘烤、冷冻研磨制备烟末并在所述梗丝掺配范围内进行掺配以获得模拟烟样品；
通过直径2cm的玻璃样品采集并获取所述模拟烟样品中单支模拟烟的光谱数据。
9.一种介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的烟支梗丝均匀性的评价方法。
10.一种设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1至7中任一项所述的烟支梗丝均匀性的评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011011368.XA CN112129726B (zh) | 2020-09-23 | 2020-09-23 | 烟支梗丝均匀性的评价方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011011368.XA CN112129726B (zh) | 2020-09-23 | 2020-09-23 | 烟支梗丝均匀性的评价方法、系统、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112129726A CN112129726A (zh) | 2020-12-25 |
| CN112129726B true CN112129726B (zh) | 2023-04-25 |
Family
ID=73839219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011011368.XA Active CN112129726B (zh) | 2020-09-23 | 2020-09-23 | 烟支梗丝均匀性的评价方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112129726B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112683730A (zh) * | 2021-01-22 | 2021-04-20 | 江苏中烟工业有限责任公司 | 基于理论密度值的箱内片烟密度预测模型建立方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101581648B (zh) * | 2009-06-19 | 2010-12-01 | 中国烟草总公司郑州烟草研究院 | 一种测定配方烟丝中薄片丝掺用比例的方法 |
| CN103344572A (zh) * | 2013-06-24 | 2013-10-09 | 云南烟草科学研究院 | 一种梗丝、再造烟丝在卷烟中掺配均匀性的评价方法 |
| CN105467025B (zh) * | 2015-11-17 | 2017-07-21 | 湖南中烟工业有限责任公司 | 一种低温卷烟烟气成分分析方法 |
| CN111610276A (zh) * | 2020-06-09 | 2020-09-01 | 甘肃烟草工业有限责任公司 | 一种基于烟草特征性成分的烟支原料掺兑比例分布测定方法 |
-
2020
- 2020-09-23 CN CN202011011368.XA patent/CN112129726B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112129726A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
| CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
| CN103808688B (zh) | 近红外光谱法快速无损检测成品药物的质量一致性 | |
| CN108732127B (zh) | 一种检测烟丝中各组分掺配比例的方法 | |
| CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
| CN107677638A (zh) | 一种基于近红外光谱技术的初烤把烟含梗率快速检测方法 | |
| Wang et al. | Quantitative analysis of fat content in rice by near‐infrared spectroscopy technique | |
| CN112129726B (zh) | 烟支梗丝均匀性的评价方法、系统、介质及设备 | |
| CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
| CN114624142B (zh) | 基于热解动力学参数的烟叶总糖、还原糖定量分析方法 | |
| 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 | |
| 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 | |
| CN109540837B (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| 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 | |
| CN105699239A (zh) | 采用近红外光谱模型分析烟草、烟草制品保润性能的方法 | |
| 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 | |
| CN106706554A (zh) | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 | |
| CN105787518B (zh) | 一种基于零空间投影的近红外光谱预处理方法 | |
| CN110887809B (zh) | 一种基于近红外光谱技术测定烟丝中梗含量的方法 | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| Lebot | Near infrared spectroscopy for quality evaluation of root crops: practical constraints, preliminary studies and future prospects | |
| Kuai et al. | Prediction model of the key components for lodging resistance in rapeseed stalk using near‐infrared reflectance spectroscopy (NIRS) | |
| Namakula et al. | Predicting starch content of cassava with near infrared spectroscopy in Ugandan cassava germplasm | |
| CN107258149B (zh) | 一种基于近红外光谱的棉花种子发芽率测定方法及系统 |
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 |