CN112801300A - 预测烟草样品香气量的方法、装置和计算机可读取介质 - Google Patents
预测烟草样品香气量的方法、装置和计算机可读取介质 Download PDFInfo
- Publication number
- CN112801300A CN112801300A CN202110109467.XA CN202110109467A CN112801300A CN 112801300 A CN112801300 A CN 112801300A CN 202110109467 A CN202110109467 A CN 202110109467A CN 112801300 A CN112801300 A CN 112801300A
- Authority
- CN
- China
- Prior art keywords
- sample
- tobacco
- data
- near infrared
- spectrum
- 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 75
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 22
- 239000000779 smoke Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 239000000428 dust Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 30
- 235000019504 cigarettes Nutrition 0.000 claims description 29
- 239000003205 fragrance Substances 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 10
- 239000000843 powder Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000391 smoking effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004477 FT-NIR spectroscopy Methods 0.000 claims description 2
- 235000019506 cigar Nutrition 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 11
- 230000001953 sensory effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 150000001299 aldehydes Chemical class 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供预测烟草样品香气量的方法、装置和计算机可读取介质。预测方法包括：(1)获取待测烟草样品的傅里叶近红外光谱数据；(2)利用训练好的机器学习模型预测待测烟草样品的香气量；其中，所述机器学习模型通过以下方法训练获得：(a1)获取样本数据，所述样本数据包括以下(i)和(ii)：(i)烟气量打分数据，其基于对烟草样品进行评吸获得；(ii)近红外光谱数据，其基于对烟草样品的烟末进行傅里叶变换近红外光谱分析获得；(a2)利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。
Description
技术领域
本发明涉及光谱检测领域，具体涉及一种预测烟草样品香气量的方法、装置和计算机可读取介质。
背景技术
烟叶原料的感官质量对成品卷烟具有极为重要的影响。目前，工业企业判断不同烟叶原料感官质量的方式主要是通过感官评吸。但由于感观评吸人员每日所能评吸的数量有限，大批量样品的评吸需要花费很长的时间，严重影响烟叶原料的评价效率。
因此烟草工作者希望通过其他方式预测烟叶原料的感官质量，加快烟叶感官质量评价的速度。
卷烟的烟气香气量是YC/T 530-2015烤烟烟叶质量风格特色感官评价方法，烟气品质特征的一项重要指标。评分标度为5分，分为3档，0-1档为烟气少至微有，2-3档为烟气稍有至尚足，4-5档为烟气较充足至充足。
相关技术通过研究发现醛类成分、酮类成分、酯类成分等中性致香成分与烟气的香气量有明显相关性。近红外光属于电磁波，近红外光谱产生于分子振动，主要反映C-H、O-H、C＝O、N-H、S-H等化学键的信息，在烟草及烟草样品中用近红外光谱模型预测烟草中含C-H、N-H等化学键丰富的化合物含量。
发明内容
发明人认识到，根据烟草中的中性致香成分等化学成分与烟气的香气量有明显相关性原理，用近红外光谱技术预测烟气中香气量是可行的。基于此，本公开提供了预测烟草样品香气量的方法、装置和计算机可读取介质。
在一些方面，本公开提供一种预测烟草样品香气量的方法，包括：
(1)获取待测烟草样品的傅里叶近红外光谱数据；
(2)利用训练好的机器学习模型预测待测烟草样品的香气量。
其中，所述机器学习模型通过以下方法训练获得：
(a1)获取样本数据，所述样本数据包括以下(i)和(ii)：
(i)烟气量打分数据，其基于对烟草样品进行评吸获得；
(ii)近红外光谱数据，其基于对烟草样品的烟末进行傅里叶变换近红外光谱分析获得；
(a2)利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。
在一些实施方案中，步骤(a2)中，所述训练是指基于量子粒子群优化的半监督支持向量回归算法(QPSO-LSS3VR)对机器学习模型进行训练。
在一些实施方案中，其中，步骤(a2)中，所述训练包括：
-采用交叉验证方法，预留10～20％样本数据作测试样本；
-设置初始参数，执行基于量子粒子群优化的半监督支持向量回归算法，预估未标记样本；
-执行基于量子粒子群优化的半监督支持向量回归算法，获得最佳模型参数，建立光谱定量分析模型；
-将测试样本输入模型进行预测，评价模型性能。
在一些实施方案中，步骤(a2)还包括对光谱进行预处理的步骤，预处理的方法选自：一阶导数、二阶导数、矢量归一化、多元信号校正和光谱平滑中的一种或多种。
在一些实施方案中，步骤(a2)中，所述对光谱进行预处理的方法包括以下一项或多项：
-采用多元信号修正(MSC)消除样品不均匀带来的差异；
-采用一阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；和
-采用段长为9、间隔为5的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息。
在一些实施方案中，项(ii)中，对烟草样品的烟末进行傅里叶变换近红外光谱分析的步骤包括：
-将烟草样品中的烟草粉碎制成烟末样品；
-通过傅里叶变换近红外光谱仪的积分球光谱漫反射采集方式，采集样品光谱波数范围10000～3800cm-1，扫描烟末样品采集其近红外光谱图。
在一些实施方案中，傅里叶变换近红外光谱仪参数设置包括以下一项或多项：
-扫描间隔设置为3～5cm-1；
-样品和参比的扫描次数设置为60-70次；
-分辨率设置为6～10cm-1。
在一些实施方案中，所述量子粒子群优化的半监督支持向量回归算法按如下方法设计：
a)采用TQ软件对样本光谱进行降维处理，将高维数据映射到低维空间，以实现距离度量；
b)计算未标记样本集合N中的样本ni，与已标记样本集合M中的样本mj的距离d(ni，mj)。
c)根据KNN算法求解每个未标记样本ni的k个有标记近邻的集合了M’。
d)取M’中所有已标记样本的平均值，预估未标记样本ni的初始估计值为：Tn＝Tl×(1+rand(0,1))
其中，Tl表示集合中已标记样本平均值。
e)对选入训练的未标记样本，将标记值由模型当前给出的检测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。
在一些实施方案中，烟草样品选自卷烟烟草、烟斗烟草或雪茄烟草。
在一些实施方案中，烟草样品是烟叶或烟丝。
在一些实施方案中，烟草样品是烤烟。
在一些实施方案中，香气量是《YC/T 530-2015烤烟烟叶质量风格特色感官评价方法》中规定的香气量。
在一些方面，本公开提供一种烟草样品香气量预测装置，包括：
存储器；和
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行上述任一项所述的预测烟草样品香气量的方法。
在一些方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的预测烟草样品香气量的方法。
在一些实施方案中，最小二乘支持向量机(Least squares support vectormachines，LS-SVM)是一种机器学习方法。文献Suykens,Johan A K.Least squaressupport vector machines[J].International Journal of Circuit Theory&Applications,2002,27(6):605-615.的全部内容在此引用。
在一些实施方案中，量子粒子群优化的半监督支持向量回归算法(QPSO-LSS3VR)是本领域已知的。文献基于半监督和迁移学习的近红外光谱建模方法研究[D].中国海洋大学,2012.的全部内容在此引用。
术语说明
傅里叶变换红外光谱仪(Fourier Transform Infrared Spectrometer，简写为FTIR Spectrometer),简称为傅里叶红外光谱仪。傅里叶变换红外光谱仪主要由迈克尔逊干涉仪和计算机组成。迈克尔逊干涉仪的主要功能是使光源发出的光分为两束后形成一定的光程差，再使之复合以产生干涉，所得到的干涉图函数包含了光源的全部频率和强度信息。用计算机将干涉图函数进行傅里叶变换，就可计算出原来光源的强度按频率的分布。
除非特别说明，本公开中“近红外光谱”均指“傅里叶近红外光谱”。
有益效果
本公开方法首次采样机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模，并基于训练好的机器学习模型有效预测了待测卷烟样品的香气量。
本公开方法采用特定的光谱采集参数，特定的光谱预处理参数、特定的QPSO-LSS3VR算法参数以及特定的定量模型建立参数，获得了最佳效果。
附图说明
图1示出一些烟末样品的近红外光谱图；
图2示出一些烟末样品的二阶微分并平滑后的近红外光谱图；
图3示出一些烟末样品的近红外光谱的三维空间投影图；
图4示出一些实施例的预测卷烟香气量的方法的流程图；
图5示出一些实施例的训练机器学习模型的方法的流程图；
图6出一些实施例的卷烟香气量预测装置示意图；
图7出又一些实施例卷烟香气量预测装置示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。
下面将结合实施例1对本发明的实施方案进行详细描述
实施例1
1.样本数据的获取
提供15种单料烟丝样品(不同产地、品种或位置)，编号1～15。每一种单料烟丝样品分为两部分，一部分卷成卷烟用于评吸，一部分磨成粉末用于近红外光谱分析。
1.1香气量数据的获取
评吸前将单料卷烟从盒包中取出，置于温度(22±1)℃和相对湿度(60±2)％的环境下调节含水率48h。按照YC/T 530-2015，请7位评吸员评价卷烟烟气香气量，采用5分制。将7为评委的分数取平均值作为该单料卷烟的香气量得分数据。
1.2近红外光谱数据的获取
光谱采集：将烟丝样品用研磨机磨粉，过40目以上筛后，制成烟末样品。通过傅里叶变换近红外光谱仪的积分球光谱漫反射采集方式，采集样品光谱波数范围10000～3800cm-1，扫描间隔4cm-1，样品和参比均使用60－70次扫描，分辨率为8cm-1，扫描烟末样品采集其近红外光谱图；
光谱预处理：图1示出一些烟末样品的近红外光谱图。如图1所示，近红外光谱图会受到样品扫描点不同及仪器稳定性的影响而出现噪音及基线漂移。采用矢量归一化、一阶导数、二阶导数、多元信号校正和光谱平滑方法中的一种或多种的组合对近红外谱图进行预处理；
实施例1中将卷烟烟末样品光谱采用如下方法获得理想的结果：
-采用附加散射校正(MSC)的光程矫正方法，消除样品不均匀带来的差异；
-采用二阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；
-采用段长为5、间隔为3的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息；
图2示出一些烟末样品的二阶微分并平滑后的近红外光谱图。
2训练机器学习模型
2.1QPSO-LSS3VR算法设计：
a.所有近红外光谱数据(作为样本数据)采用TQ软件进行降维处理，将高维数据映射到低维空间，便于实现距离度量(图3为样品三维空间投影图)；
b.计算未标记样本集合N中的样本ni，与已标记样本集合M中的样本mj的距离d(ni，mj)。
c.根据KNN算法求解每个未标记样本ni的k个有标记近邻的集合了M’。
d.取M’中所有已标记样本的平均值，预估未标记样本ni，的初始估计值为：Tn＝Tl×(1+rand(0,1))
其中，Tl表示集合中已标记样本平均值。
e.对选入训练的未标记样本，将标记值由模型当前给出的预测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。
2.2建立定量模型：
选取120个已评吸打分后的样品卷烟烟丝粉末，扫描光谱后，将光谱数据经预处理后，采用交叉验证方法，预留15个样本作测试样本；设置初始参数：迭代次数M＝100，初始化群体个体数目N＝25，p＝0.6，搜索范围为：α＝[0，100]，γ[0，1000]，λ＝[0，1000]。执行QPSO-LSS3VR算法，预估未标记样本，模型预测性能选用预测均方根误差RMSEC和决定系数R2进行评价；经运算，α＝[0，3.7]，γ[0，115]，λ＝[0，41.5]时为最优；根据优化参数建立光谱定量分析模型，模型结果：RMSEC＝0.101，R2＝0.9767；
将测试样本输入模型进行预测，结果如下(表1)：
表1
从以上结果可见，应用傅里叶变换近红外光谱技术,将光谱与卷烟烟气香气量的打分结果进行拟合，采用基于量子粒子群优化的半监督支持向量回归算法，建立的近红外数据模型，该方法预测的准确性很好，在建模样品较少的情况下，能够很好地快速预测烤烟烟气香气量，为卷烟工业企业判断不同烟叶原料感官质量提供参考。
图4示出一些实施例的预测卷烟香气量的方法的流程图。如图4所示，预测卷烟香气量的方法包括：
S11获取待测卷烟样品的傅里叶近红外光谱数据；
S12使用训练好的机器学习模型预测待测卷烟样品的香气量。
图5示出一些实施例的训练机器学习模型的方法。如图5所示，预测机器学习模型的方法包括：
S21获取样本数据，所述样本数据包括以下(i)和(ii)：
(i)烟气量打分数据，其基于对卷烟样品进行评吸获得
(ii)近红外光谱数据，其基于对卷烟样品的烟末进行傅里叶变换近红外光谱分析获得；
S22利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。
图6出本公开的卷烟香气量预测装置的另一些实施例的框图。
如图6所示，该实施例的卷烟香气量预测装置7包括：存储器71以及耦接至该存储器71的处理器72，处理器72被配置为基于存储在存储器71中的指令，执行本公开中任意一个实施例中的卷烟香气量预测方法。
其中，存储器71例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图7示出本公开的卷烟香气量预测装置的又一些实施例的框图。
如图7所示，该实施例的卷烟香气量预测装置8包括：存储器810以及耦接至该存储器810的处理器820，处理器820被配置为基于存储在存储器810中的指令，执行前述任意一个实施例中的卷烟香气量预测方法。
存储器810例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
卷烟香气量预测装置8还可以包括输入输出接口830、网络接口840、存储接口850等。这些接口830、840、850以及存储器810和处理器820之间例如可以通过总线860连接。其中，输入输出接口830为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口840为各种联网设备提供连接接口。存储接口850为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
至此，已经详细描述了根据本公开的卷烟香气量预测方法、卷烟香气量预测装置和计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (11)
1.一种预测烟草样品香气量的方法，包括：
(1)获取待测烟草样品的傅里叶近红外光谱数据；
(2)利用训练好的机器学习模型预测待测烟草样品的香气量；
其中，所述机器学习模型通过以下方法训练获得：
(a1)获取样本数据，所述样本数据包括以下(i)和(ii)：
(i)烟气量打分数据，其基于对烟草样品进行评吸获得
(ii)近红外光谱数据，其基于对烟草样品的烟末进行傅里叶变换近红外光谱分析获得；
(a2)利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。
2.根据权利要求1所述的方法，其中，步骤(a2)中，所述训练是指基于量子粒子群优化的半监督支持向量回归算法(QPSO-LSS3VR)对机器学习模型进行训练。
3.根据权利要求2所述的方法，其中，步骤(a2)中，所述训练包括：
-采用交叉验证方法，预留10～20％样本数据作测试样本；
-设置初始参数，执行基于量子粒子群优化的半监督支持向量回归算法，预估未标记样本；
-执行基于量子粒子群优化的半监督支持向量回归算法，获得最佳模型参数，建立光谱定量分析模型；
-将测试样本输入模型进行预测，评价模型性能。
4.根据权利要求3所述的方法，其中，步骤(a2)还包括对光谱进行预处理的步骤，预处理的方法选自：一阶导数、二阶导数、矢量归一化、多元信号校正和光谱平滑中的一种或多种。
5.根据权利要求4所述的方法，其中，步骤(a2)中，所述对光谱进行预处理的方法包括以下一项或多项：
-采用多元信号修正(MSC)消除样品不均匀带来的差异；
-采用一阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；和
-采用段长为9、间隔为5的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息。
6.根据权利要求2所述的方法，项(ii)中，对烟草样品的烟末进行傅里叶变换近红外光谱分析的步骤包括：
-将烟草样品中的烟草粉碎制成烟末样品；
-通过傅里叶变换近红外光谱仪的积分球光谱漫反射采集方式，采集样品光谱波数范围10000～3800cm-1，扫描烟末样品采集其近红外光谱图。
7.根据权利要求6所述的方法，傅里叶变换近红外光谱仪参数设置包括以下一项或多项：
-扫描间隔设置为3～5cm-1；
-样品和参比的扫描次数设置为60-70次；
-分辨率设置为6～10cm-1。
8.根据权利要求2所述的方法，所述量子粒子群优化的半监督支持向量回归算法按如下方法设计：
a)采用TQ软件对样本光谱进行降维处理，将高维数据映射到低维空间，以实现距离度量；
b)计算未标记样本集合N中的样本ni，与已标记样本集合M中的样本mj的距离d(ni，mj)。
c)根据KNN算法求解每个未标记样本ni的k个有标记近邻的集合了M’。
d)取M’中所有已标记样本的平均值，预估未标记样本ni的初始估计值为：Tn＝Tl×(1+rand(0,1))
其中，Tl表示集合中已标记样本平均值。
e)对选入训练的未标记样本，将标记值由模型当前给出的检测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。
9.根据权利要求1所述的方法，所述烟草样品选自卷烟烟草、烟斗烟草或雪茄烟草。
10.一种烟草样品香气量预测装置，包括：
存储器；和
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行权利要求1-8任一项所述的预测烟草样品香气量的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述的预测烟草样品香气量的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110109467.XA CN112801300A (zh) | 2021-01-27 | 2021-01-27 | 预测烟草样品香气量的方法、装置和计算机可读取介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110109467.XA CN112801300A (zh) | 2021-01-27 | 2021-01-27 | 预测烟草样品香气量的方法、装置和计算机可读取介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801300A true CN112801300A (zh) | 2021-05-14 |
Family
ID=75812079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110109467.XA Pending CN112801300A (zh) | 2021-01-27 | 2021-01-27 | 预测烟草样品香气量的方法、装置和计算机可读取介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801300A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484272A (zh) * | 2021-07-08 | 2021-10-08 | 云南中烟工业有限责任公司 | 基于近红外光谱采用相似度分析技术快速预测新鲜烟叶中油分的方法 |
| CN113627647A (zh) * | 2021-07-08 | 2021-11-09 | 广东省农业科学院作物研究所 | 基于深度学习的烟叶香型预测方法、电子设备和存储介质 |
| CN114088661A (zh) * | 2021-11-18 | 2022-02-25 | 云南省烟草农业科学研究院 | 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 |
| 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 |
| CN115436314A (zh) * | 2022-05-26 | 2022-12-06 | 北京科技大学 | 一种判断陶器烧成温度的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419207A (zh) * | 2008-10-27 | 2009-04-29 | 川渝中烟工业公司 | 烤烟烟气主要指标的预测方法 |
| 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 |
| CN109115692A (zh) * | 2018-07-04 | 2019-01-01 | 北京格致同德科技有限公司 | 一种光谱数据分析方法及装置 |
| US20200268252A1 (en) * | 2019-02-27 | 2020-08-27 | Deep Smart Light Limited | Noninvasive, multispectral-fluorescence characterization of biological tissues with machine/deep learning |
| CN111860639A (zh) * | 2020-07-17 | 2020-10-30 | 中国农业科学院烟草研究所 | 一种量化烤烟烟叶烘烤特性的判定系统及判定方法 |
-
2021
- 2021-01-27 CN CN202110109467.XA patent/CN112801300A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419207A (zh) * | 2008-10-27 | 2009-04-29 | 川渝中烟工业公司 | 烤烟烟气主要指标的预测方法 |
| 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 |
| CN109115692A (zh) * | 2018-07-04 | 2019-01-01 | 北京格致同德科技有限公司 | 一种光谱数据分析方法及装置 |
| US20200268252A1 (en) * | 2019-02-27 | 2020-08-27 | Deep Smart Light Limited | Noninvasive, multispectral-fluorescence characterization of biological tissues with machine/deep learning |
| CN111860639A (zh) * | 2020-07-17 | 2020-10-30 | 中国农业科学院烟草研究所 | 一种量化烤烟烟叶烘烤特性的判定系统及判定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贺英: "《基于半监督和迁移学习的近红外光谱建模方法研究》" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484272A (zh) * | 2021-07-08 | 2021-10-08 | 云南中烟工业有限责任公司 | 基于近红外光谱采用相似度分析技术快速预测新鲜烟叶中油分的方法 |
| CN113627647A (zh) * | 2021-07-08 | 2021-11-09 | 广东省农业科学院作物研究所 | 基于深度学习的烟叶香型预测方法、电子设备和存储介质 |
| CN114088661A (zh) * | 2021-11-18 | 2022-02-25 | 云南省烟草农业科学研究院 | 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 |
| CN114088661B (zh) * | 2021-11-18 | 2024-03-29 | 云南省烟草农业科学研究院 | 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 |
| 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 |
| CN115436314A (zh) * | 2022-05-26 | 2022-12-06 | 北京科技大学 | 一种判断陶器烧成温度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801300A (zh) | 预测烟草样品香气量的方法、装置和计算机可读取介质 | |
| US11946807B2 (en) | Hyperspectral imaging system for monitoring agricultural products during processing and manufacturing | |
| Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
| CN109324015B (zh) | 基于光谱相似的烟叶替代方法 | |
| 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 | |
| CN111257277B (zh) | 一种基于近红外光谱技术的烟叶相似度判定方法 | |
| CN113237836A (zh) | 一种基于高光谱图像的烤烟叶水分含量估测方法 | |
| Turgut et al. | Estimation of the sensory properties of black tea samples using non-destructive near-infrared spectroscopy sensors | |
| CN116735527B (zh) | 一种近红外光谱优化方法、装置、系统以及存储介质 | |
| CN102680427A (zh) | 一种应用近红外光谱分析技术鉴别卷烟表香质量的方法 | |
| Foca et al. | Minimisation of instrumental noise in the acquisition of FT-NIR spectra of bread wheat using experimental design and signal processing techniques | |
| CN102706811A (zh) | 一种应用近红外光谱分析技术鉴别卷烟糖料质量的方法 | |
| CN105787518A (zh) | 一种基于零空间投影的近红外光谱预处理方法 | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| WO2019004003A1 (ja) | 葉たばこ中骨の膨こう性の推定方法 | |
| CN113984708A (zh) | 一种化学指标检测模型的维护方法和装置 | |
| Jing-Jing et al. | Adaptive variable re-weighting and shrinking approach for variable selection in multivariate calibration for near-infrared spectroscopy | |
| CN112179870A (zh) | 基于近红外光谱和opls-da的卷烟分类识别模型的构建方法 | |
| CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
| Aguiar et al. | Soil characterization by near-infrared spectroscopy and principal component analysis | |
| CN113655072B (zh) | 检测样品表面污染物的方法、装置和计算机可读取介质 | |
| Weindorf et al. | Advanced modeling of soil biological properties using visible near infrared diffuse reflectance spectroscopy | |
| Castillo et al. | Analysis of alkaloids and reducing sugars in processed and unprocessed tobacco leaves using a handheld near infrared spectrometer | |
| Wang et al. | Evaluation of Flavor Type of Tobacco Blending Module: A Prediction Model Based on Near‐Infrared Spectrum | |
| CN113484272B (zh) | 基于近红外光谱采用相似度分析技术快速预测新鲜烟叶中油分的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |