CN112782115B - 一种基于近红外光谱检验卷烟感官特征一致性的方法 - Google Patents

Abstract

本发明公开了一种基于近红外光谱检验卷烟感官特征一致性的方法，其中，包括如下步骤：S1，在卷烟燃烧前，获取烟叶光谱；并根据该烟叶光谱及标准烟叶光谱得到烟叶马氏距离矩阵；S2，在卷烟燃烧时，获取烟气光谱；并根据该烟气光谱及标准烟气光谱得到烟气马氏距离矩阵；S3，将所述烟叶马氏距离矩阵与所述烟气马氏距离矩阵合并，并提取出卷烟马氏距离特征变量；S4，将卷烟马氏距离特征变量输入预先训练好的相似度回归预测模型，得出一个大于介于0到1之间的预测结果作为的一致性系数；S5，根据一致性系数的大小判断卷烟检验结果与该品牌卷烟标准感官特征的一致性。本发明能够反应出卷烟检验结果与感官特征的一致性。

Description

一种基于近红外光谱检验卷烟感官特征一致性的方法

技术领域

本发明涉及卷烟检测技术领域，特别是一种基于近红外光谱检验卷烟感官特征一致性的方法。

背景技术

在卷烟检测技术领域，通常是通过人的主观判断来进行评价。一般评价样本与其品牌的质量标准是否符合的最终检验方法是该样本的感官评吸结果。如果该样本的感官评价与该品牌标样一致和相似，就认为该样本的感官特征相似度高，反之则感官特征相似度低。

随着技术的不断发展，现有技术中开始出现通过各种指标的计算来评价卷烟的方案，但这些都无法替代感官评吸结果，其原因在于，这些指示的计算方式无法保证其结果与卷烟感官特征的一致性。

如何检测及评估与卷烟感官特征的一致性，是本领域亟待解决的重要问题之一。

发明内容

本发明的目的是提供一种基于近红外光谱检验卷烟感官特征一致性的方法，以解决现有技术中的不足，它能够检测出卷烟检验结果与感官特征的一致性。

本发明提供了一种基于近红外光谱检验卷烟感官特征一致性的方法，其中，包括如下步骤：

S1，在卷烟燃烧前，获取烟叶光谱；并根据该烟叶光谱及标准烟叶光谱得到烟叶马氏距离矩阵；

S2，在卷烟燃烧时，获取烟气光谱；并根据该烟气光谱及标准烟气光谱得到烟气马氏距离矩阵；

S3，将所述烟叶马氏距离矩阵与所述烟气马氏距离矩阵合并，并提取出卷烟马氏距离特征变量；

S4，将卷烟马氏距离特征变量输入预先训练好的相似度回归预测模型，得出一个大小介于0到1之间的预测结果，将该预测结果作为一致性系数；

S5，根据一致性系数的大小判断卷烟检验结果与该品牌卷烟标准感官特征的一致性。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

步骤S1中包括如下具体步骤，

S11，在卷烟燃烧前，获取烟叶光谱；

S12，对烟叶光谱进行分段截取；

S13，获取截取段的所述烟叶马氏距离矩阵。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

步骤S2中包括如下具体步骤，

S21，在卷烟燃烧时，获取烟气光谱；

S22，按与步骤S12中相同方法对烟气光谱进行分段截取；

S23，获取截取段的所述烟气马氏距离矩阵。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

在步骤S1和步骤S2中，所选用的卷烟为同一批次的卷烟。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

步骤S3包括如下具体步骤，

S31，对同批次的卷烟的烟叶马氏距离矩阵进行标准方差计算，得到第一标准方差；对同批次的卷烟的烟气马氏距离矩阵进行标准方差计算，得到第二标准方差；判断所述第一标准方差和所述第二标准方差是否均不满足条件，如果是，将该批次的卷烟重新分组，重复本步骤；如果否，取烟叶马氏距离矢量的平均值，作为烟叶关键马氏距离矢量，取烟气马氏距离矢量的平均值，作为烟气关键马氏距离矢量；

S32，将烟叶关键马氏距离矢量与烟气关键马氏距离矢量拼接，形成关键马氏距离矢量。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

步骤S3还包括以下步骤，

S33，将关键马氏距离矢量，与权重矢量合成为一个新的一维变量；

S34，通过相关性最大化公式使所述一维变量与相应感官特征相似度的相关性最大化；

S35，将经过迭代计算得出的权重矢量部分值归零，对感官特征相似度的系数矢量进行OLS回归运算；得到回归运算后的权重矢量；

S36，将回归运算前后的权重矢量求均方差之和，以得到标识值；

S37，判断标识值是否小于等于0，如果是，从回归运算后的权重矢量中选取非0的值组成特征向量；如果否，更新权重矢量后，执行步骤S33。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

步骤S3还包括，S38，对特征向量进行嵌入式留一法交叉验证。

如上所述的基于近红外光谱检验卷烟感官特征一致性的方法，其中，可选的是，

步骤S5为，

根据一致性系数的大小判断卷烟检验结果与感官特征的一致性，其中，一致性系数值越大，卷烟检验结果与感官特征的一致性越好。

与现有技术相比，本发明通过马氏距离公式将烟叶及烟气的光谱与样本感官特征相似度结合起来，并将马氏距离公式中的协方差矩阵进行似然求逆，保证最终马氏距离在能够反映样本感官特征的同时，避免奇异矩阵无解。

同时，利用马氏距离公式对光谱进行分段截取，以避免淹没特征变量。

本发明利用烟叶光谱来表征燃烧前的化学物质，利用烟气光谱来反映卷烟在燃烧后的化学物质。由于燃烧前后的化学特征有较大差异，且燃烧前后的化学物质均会影响卷烟抽吸的效果，因此，本发明通过对烟叶马氏距离矩阵和烟气马氏距离矩阵进行合并，以得到能够全面反映感官特征的特征向量。

本发明通过对合并后的马氏距离矩阵进行相关性最大化的处理，并结合循环递归计算，得到能够充分体现卷烟在燃烧前后有效化学成份的特征向量。

附图说明

图1是本发明的整体步骤流程图；

图2是本发明步骤S1的具体步骤流程图；

图3是本发明步骤S2的具体步骤流程图；

图4是本发明步骤S3的具体步骤流程图；

具体实施方式

下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明的实施例：如图1到图4所示，本发明提出了一种基于近红外光谱检验卷烟感官特征一致性的方法，其特征在于：包括如下步骤：

S1，在卷烟燃烧前，获取烟叶光谱；并根据该烟叶光谱及标准烟叶光谱得到烟叶马氏距离矩阵。通过烟叶光谱，以便于获取能够表征烟叶燃烧前的化学特征对于感官特征的影响因素。

具体实施时，请参照图2，本步骤包括：

S11，在卷烟燃烧前，获取烟叶光谱。

S12，对烟叶光谱进行分段截取；

分段截取的方法:

1.将每条光谱每隔四点截取一段,如果光谱最后不足四点,则最后若干点单独作为一段。

2.所测马氏距离是被测光谱与样本组光谱在同波段之间的距离。

S13，获取截取段的所述烟叶马氏距离矩阵。

具体地，马氏距离公式如下：

其中x是一个矢量,在这里代表被测样品一段光谱，其中μ是标样光谱组平均后的矢量,而C是标样组的协方差矩阵。通过对C的计算，马氏距离由此将标样光谱之间的差异和相关性考虑进来，所以相比较于欧式距离等，马氏距离更能体现外部点与群体分布之间的关系。一般的马氏距离中,C必须是可逆矩阵，然而光谱中很多波段样本和标样是重合的或者平行的，因此这些波段的C是不可逆的。因此本项目的一个创新点即改进马氏距离，将原来的严格的矩阵求逆C^-1变为Moore-Penrose似然求逆，使最终马氏距离仍然能反映标样群之间的关系，同时避免奇异矩阵无解。

S2，在卷烟燃烧时，获取烟气光谱；并根据该烟气光谱及标准烟气光谱得到烟气马氏距离矩阵。在步骤S1和步骤S2中，所选用的卷烟为同一批次的卷烟。

具体实施时，请参照图3，本步骤包括：

S21，在卷烟燃烧时，获取烟气光谱；

S22，按与步骤S12中相同方法对烟气光谱进行分段截取；

S23，获取截取段的所述烟气马氏距离矩阵。关于烟气马氏距离矩阵，其产生方法与步骤S13相同，在此不再赘述。

考虑整条光谱的差异程度，会将环境噪音和光源波动概括进去，因此本发明对光谱先进行分段计算的相似度。而是把光谱进行分段截取,然后用对这些截取的分段进行计算。目前根据实验测试分段采用每间隔四点取一段的方法。分段长度太长会丧失分段截取的意义,淹没特征变量；分段长度太短会使结果和欧式距离相似,丧失同组波段内光谱分布特点的信息。

S3，将所述烟叶马氏距离矩阵与所述烟气马氏距离矩阵合并，并提取出卷烟马氏距离特征变量；烟叶马氏距离矩阵和烟气马氏距离矩阵所反映的卷烟特征有很多不同的地方，烟叶光谱反映的是卷烟在燃烧前的化学物质，而烟气光谱反映的是卷烟在燃烧后的化学物质，因此有必要将烟叶马氏距离矩阵与烟气马氏距离矩阵合并起来观察。

具体地，请参照图4，本步骤包括如下步骤：

S31，对同批次的卷烟的烟叶马氏距离矩阵进行标准方差计算，得到第一标准方差；对同批次的卷烟的烟气马氏距离矩阵进行标准方差计算，得到第二标准方差；判断所述第一标准方差和所述第二标准方差是否均不满足条件，如果是，将该批次的卷烟重新分组，重复本步骤；如果否，取烟叶马氏距离矢量的平均值，作为烟叶关键马氏距离矢量，取烟气马氏距离矢量的平均值，作为烟气关键马氏距离矢量；S32，将烟叶关键马氏距离矢量与烟气关键马氏距离矢量拼接，形成关键马氏距离矢量。具体地，通常烟叶和烟气的光谱样本采集于同一个月份的批次，而且同一个批次选取不同组的卷烟多次扫描测量，但是在计算马氏距离矩阵的时候，由于是分开和各自的标样样本集来进行的比较，因此必须将经过处理的两个马氏矩阵图进行匹配。匹配前将各月份同批次的马氏矩阵先进行标准方差计算，当所测样本标准方差在一定范围内，则取其马氏距离矢量的平均值，如大于阈值，则分开作为新组，再次进行测评。烟叶和烟气的马氏距离矩阵经过该过程后得到所测批次的关键马氏距离矢量。烟叶和烟气马氏距离矩阵匹配的过程使用数据库技术，用数据库的选择查询语句和正则匹配法提取样本批次关键字的方式，将具有相同关键字的烟叶烟气马氏距离矢量进行拼接，并对拼接后的新马氏距离矢量检查并标记空值点。

具体实施时，由于烟叶和烟气合并后的马氏距离矩阵合并后仍然有数千个变量，因此必须用合适的算法进行特征选择。本发明中我们使用CCA与LASSO算法相结合的SRDA算法。具体地，S33，将关键马氏距离矢量，与权重矢量合成为一个新的一维变量。S34，通过相关性最大化公式使所述一维变量与相应感官特征相似度的相关性最大化；S35，将最大化后的一维变量中的部分值归零，同时，对感官特征相似度也作对应的归零处理；同时，对感官特征相似度的系数矢量进行OLS回归运算；得到回归运算后的权重矢量；S36，将回归运算前后的权重矢量求均方差之和，以得到标识值；S37，判断标识值是否小于等于0，如果是，从回归运算后的权重矢量中选取非0的值组成特征向量；如果否，更新权重矢量后，执行步骤S33。

步骤S33到步骤S37的主要作用是为了使光谱矩阵与所维护产品的感官特征之间经过计算有更高的相关性。本发明是对于有p＝1008个变量的马氏距离矩阵

我们把该矩阵与权重矢量A＝{a_k；k＝1，...，p}相结合,来形成一个新的一维变量υ＝{υ_i；i＝1，...，N},即:

在具体实施时，本步骤中，可以省略步骤S31和步骤S32，直接进行步骤S33，若如此，则直接将合并后的马氏距离矩阵作为步骤S33至S37中关键马氏距离矢量。

为了使υ和相应感官特征相似度之间的相关性得到最大化。进行下列计算，

这里

就是q＝1的感官特征相似度的矢量。X和/>

有相同的观测样本数。由于对于X来说变量数远大于样本数，因此我们进一步的利用LASSO结合岭回归法来使权重矢量A的某些值归零，同时我们对于输出的感官特征相似度也作相似的处理，我们将感官特征相似度乘以系数矢量β,使得

β＝|u'u|^-1|u'Y|；

其中，Y为

通过对β运用OLS回归法进行计算的过程我们得到了一个新的权重矢量A,使之与旧的权重矢量A相减，计算其均方差之和，可以得到一个标识值CRT,如果CRT大于0，则将新得到的权重矢量A代入上述循环递归计算，直到CRT小于等于0。

最终的马氏距离矩阵

的特征变量从已更新的非零的权重矢量A中选择出来。

S4，将卷烟马氏距离特征变量输入预先训练好的相似度回归预测模型，得出预测结果；具体地，所述卷烟马氏距离特征变量可以是一个，也可以是多个同时输入，即，可以是一次预测一个卷烟马氏距离特征变量对应的结果，也可以是一次预测多个卷烟马氏距离特征变量对应的结果。当输入仅为一个卷烟马氏距离特征变量时，输出结果为一个介于[0,1]之间的值，如果卷烟马氏距离特征变量为多个时，输出结棍为多个介于[0,1]之间的值。需要特别指出的是，此处所指每个卷烟马氏距离特征变量，并不仅仅只是一个变量值，而是而多个变量构成的，用于表征马氏距离矩阵在一个维度上的特征的一系列变量所构成。

具体地，相似度回归预测模型，可以由如下方式获得。

给定样本容量{x_i,y_i}，i＝1，2…n，其中x_i为样本输入，y_i为目标输出，n为样本个数。对于非线性样本，需要将样本点利用非线性函数φ映射到高维空间，再在高维空间进行线性回归，从而取得在原空间上线性回归的效果。估计函数f为：

式中：w为权重向量，b为常数。系数w和b可用极小化目标函数来估计，目标函数如下：

式中：c为惩罚因子，ε为不敏感损失函数。为确定系数w和b，需引入松弛变量ξ_i和

将上式变为：

其约束条件为：

以上是有约束的规划问题，关键在于利用拉格朗日乘子法将有约束的非线性规划问题转化为Wolfe对偶问题，并求出相应Lagrange参数，最终得到非线性预测模型的表达式为：

式中：α_i和

为Lagrange乘子；K(x_i,x)为核函数。本发明K(x_i,x)采用径向基核函数，表达式如下：

式中：γ为核函数参数。

步骤S3还包括，S38，对特征向量进行留一法交叉验证。

为了使经过SRDA算法选择的特征具有泛化性。为了使选择的特征更有普适性和进一步减少过拟合的风险，本方法使用了嵌入式交叉验证法来进一步优化特征选择结果。将MahalD矩阵留取一行作为测试在外面，剩下的矩阵再进行留一法特征提取，将每个样本的相似特征被选择超过10次的留取,而没有被选择超过10次的则舍弃,并用提取的特征来进一步训练模型和预测。

S5，根据一致性系数的大小判断卷烟检验结果与该品牌卷烟标准感官特征的一致性。根据一致性系数的大小判断卷烟检验结果与感官特征的一致性，其中，一致性系数值越大，卷烟检验结果与感官特征的一致性越好。

在模型进行训练时，也可以通过以下方式来验证预测结果的一致性。其中，参照值为训练样本通过人工评价得到的值。

将预测结果与参照值比较，以判断预测结果与参照值的一致性。

步骤S5包括如下步骤，

S51，将预测结果与参照值作差后，求其均方根，得出预测结果相比于参照值的均方根误差；

我们对于计算结果统计的主要指标是RMSE(Root Mean Squared Error)均方根误差。

其中v是被预测的矢量而y则是人类评吸结果,也就是由人类测得的感官特征相似度。

S52，通过该均方根误差的大小，来判断预测结果与卷烟感官特征的一致性。在具体实践中，该均方根误差越小越好。

在一试验中，在相同SVM参数下，由SRDA算法进行特征选择后的马氏距离矩阵SVM预测结果RMSE为0.12显著小于未经SRDA算法特征选择后的预测均方根误差0.22。说明本发明方法由SRDA算法进行特征选择后的马氏距离矩阵SVM预测结果，相比于示经未经SRDA算法特征选择后的预测结果，卷烟样本感官特征相似度与人工评吸结果一致性更好。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (5)

1.一种基于近红外光谱检验卷烟感官特征一致性的方法，其特征在于：包括如下步骤：

S1，在卷烟燃烧前，获取烟叶光谱；并根据该烟叶光谱及标准烟叶光谱得到烟叶马氏距离矩阵；

S2，在卷烟燃烧时，获取烟气光谱；并根据该烟气光谱及标准烟气光谱得到烟气马氏距离矩阵；

其中，在步骤S1和步骤S2中，所选用的卷烟为同一批次的卷烟；S3，将所述烟叶马氏距离矩阵与所述烟气马氏距离矩阵合并，并提取出卷烟马氏距离特征变量；其中，用数据库的选择查询语句和正则匹配法提取样本批次关键字的方式，将具有相同关键字的烟叶关键马氏距离矢量与烟气关键马氏距离矢量进行拼接,并对拼接后的新马氏距离矢量检查并标记空值点；

步骤S3包括如下具体步骤，

S31，对同批次的卷烟的烟叶马氏距离矩阵进行标准方差计算，得到第一标准方差；对同批次的卷烟的烟气马氏距离矩阵进行标准方差计算，得到第二标准方差；判断所述第一标准方差和所述第二标准方差是否均不满足条件，如果是，将该批次的卷烟重新分组，重复本步骤；如果否，取烟叶马氏距离矢量的平均值，作为烟叶关键马氏距离矢量，取烟气马氏距离矢量的平均值，作为烟气关键马氏距离矢量；

S32，将烟叶关键马氏距离矢量与烟气关键马氏距离矢量拼接，形成关键马氏距离矢量；匹配前将各月份同批次的马氏矩阵先进行标准方差计算，当所测样本标准方差在一定范围内，则取其马氏距离矢量的平均值，如大于阈值，则分开作为新组，再次进行测评；

其中，在数据库中，自动对拼接后的新马氏距离矢量检查并标记空值点，该检查过程包括如下几个步骤：

S33，将关键马氏距离矢量，与权重矢量合成为一个新的一维变量；

S34，通过相关性最大化公式使所述一维变量与相应感官特征相似度的相关性最大化；

S35，将经过迭代计算得出的权重矢量部分值归零，对感官特征相似度的系数矢量进行OLS回归运算；得到回归运算后的权重矢量；

S36，将回归运算前后的权重矢量求均方差之和，以得到标识值；

S37，判断标识值是否小于等于0，如果是，从回归运算后的权重矢量中选取非0的值组成特征向量；如果否，更新权重矢量后，执行步骤S33；

S4，将卷烟马氏距离特征变量输入预先训练好的相似度回归预测模型，得出一个大小介于0到1之间的预测结果，将该预测结果作为一致性系数；

S5，根据一致性系数的大小判断卷烟检验结果与该品牌卷烟标准感官特征的一致性。

2.根据权利要求1所述的基于近红外光谱检验卷烟感官特征一致性的方法，其特征在于：

步骤S1中包括如下具体步骤，

S11，在卷烟燃烧前，获取烟叶光谱；

S12，对烟叶光谱进行分段截取；

S13，获取截取段的所述烟叶马氏距离矩阵。

3.根据权利要求2所述的基于近红外光谱检验卷烟感官特征一致性的方法，其特征在于：

步骤S2中包括如下具体步骤，

S21，在卷烟燃烧时，获取烟气光谱；

S22，按与步骤S12中相同方法对烟气光谱进行分段截取；

S23，获取截取段的所述烟气马氏距离矩阵。

4.根据权利要求1所述的基于近红外光谱检验卷烟感官特征一致性的方法，其特征在于：

步骤S3还包括，S38，对特征向量进行嵌入式留一法交叉验证。

5.根据权利要求1所述的基于近红外光谱检验卷烟感官特征一致性的方法，其特征在于：步骤S5为，

根据一致性系数的大小判断卷烟检验结果与感官特征的一致性，其中，一致性系数值越大，卷烟检验结果与感官特征的一致性越好。

Images