CN113030007A - 基于相似度学习算法快速检验烟用香精质量稳定性的方法 - Google Patents
基于相似度学习算法快速检验烟用香精质量稳定性的方法 Download PDFInfo
- Publication number
- CN113030007A CN113030007A CN202110184760.2A CN202110184760A CN113030007A CN 113030007 A CN113030007 A CN 113030007A CN 202110184760 A CN202110184760 A CN 202110184760A CN 113030007 A CN113030007 A CN 113030007A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- essence
- standard sample
- quality
- measured
- 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.)
- Granted
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 74
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 title claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 196
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims description 45
- 238000003908 quality control method Methods 0.000 claims description 35
- 239000002994 raw material Substances 0.000 claims description 15
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 239000000796 flavoring agent Substances 0.000 claims description 9
- 235000019634 flavors Nutrition 0.000 claims description 9
- 235000019504 cigarettes Nutrition 0.000 claims description 7
- 239000003205 fragrance Substances 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 239000007787 solid Substances 0.000 abstract description 5
- 238000010183 spectrum analysis Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000000686 essence Substances 0.000 description 62
- 238000012216 screening Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000002045 lasting effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 235000013599 spices Nutrition 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
- G01N21/3563—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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于相似度学习算法快速检验烟用香精质量稳定性的方法，包括：获得多个待测烟用香精样品和标准烟用香精的光谱，作为待测光谱和标样光谱；获得多个待测烟用香精样品与标样光谱之间的距离矩阵；依据距离矩阵获得多个待测烟用香精样品的综合质量与标准烟用香精之间的相似度，作为多个待测烟用香精样品的质量稳定度。本申请基于距离相似度和光谱分析方法从整体上判断固体香精的质量，依据香精光谱的特点进行计算，在标样光谱固定的情况下所得距离差不会随着样本的范围和数量的变化而变化，算法简便易行，所得质量参数数据数值恒定，克服已有近红外质量检测的缺陷，并且检验结果所反映的质量波动直观明了。
Description
技术领域
本发明涉及卷烟制造技术领域，更具体地，涉及一种基于相似度学习算法快速检验烟用香精质量稳定性的方法。
背景技术
在卷烟的生产过程中，为了提高卷烟的燃吸品质，需要使用各种烟用香精。烟用香精是由多种香料和适量溶剂调和制成的混合物，受原料产地、加工工艺等多种因素影响，产品质量存在一定的波动性。因此，烟用香精，对改善烟草制品的质量有着重要的作用。
目前大多数卷烟生产企业主要通过基于主成分分析(Principal ComponentAnalysis，PCA)方法进行的光谱分析来评价烟用香精的质量，但是PCA分析法中的相关系数来自于所有参与计算的样本光谱的线性加和，相关系数会随着样本范围的改变而改变，并且绝大部分烟用香精的组成成分都非常复杂，因此针对其中某几种化学成分进行分析难以体现烟用香精的综合质量。另外，现有的烟用香精质量检测方法检测步骤烦琐，使用仪器较多。
发明内容
本发明的一个目的是提供一种基于相似度学习算法快速检验烟用香精质量稳定性的方法，基于距离相似度和光谱分析方法从整体上判断固体香精的质量，所使用的计算方法依据香精光谱的特点而定，在标样光谱固定的情况下所得距离差不会随着检测样本的范围和数量的变化而变化，因此根据本申请获得的质量分析结果有更持久的参考价值。依据香精光谱的特点进行计算，算法简便易行，所得质量参数数据数值恒定，克服已有近红外质量检测的缺陷，并且检验结果所反映的质量波动直观明了。
本申请提供了一种基于相似度学习算法快速检验烟用香精质量稳定性的方法，包括：获得多个待测烟用香精样品和标准烟用香精的光谱，作为待测光谱和标样光谱；获得多个待测烟用香精样品与标样光谱之间的距离矩阵；依据距离矩阵获得多个待测烟用香精样品的综合质量与标准烟用香精之间的相似度，作为多个待测烟用香精样品的质量稳定度。
优选地，获得多个待测烟用香精样品与标样光谱之间的距离矩阵，包括：计算每个待测光谱与标样光谱之间的第一夹角余弦距离；计算每个待测光谱与标样光谱之间的第一欧式距离方差；将所有待测光谱的第一夹角余弦距离和第一欧式距离方差组合，形成第一距离矩阵，作为多个待测烟用香精样品与标样光谱之间的距离矩阵。
优选地，计算待测光谱段与标样光谱之间的第一欧式距离方差，包括：计算每个待测光谱在每个波数上的光谱点与标样光谱在相同波数上的光谱点之间的第一欧式距离；将同一待测光谱上的所有光谱点对应的第一欧式距离的标准方差值作为待测光谱段与标样光谱之间的第一欧式距离方差。
优选地，依据距离矩阵生成质量控制图，并依据质量控制图获得多个待测烟用香精样品的综合质量与标准烟用香精之间的相似度；其中，质量控制图包括质量控制上限、质量控制下限以及多个待测烟用香精样品的综合质量评价值，其中，质量控制上限和质量控制下限为标准烟用香精的标准质量评价值。
优选地，基于霍奇斯-莱曼估计算法获得质量控制图的质量控制上限。
优选地，若标样光谱为多个，将待测光谱与所有标样光谱之间的夹角余弦距离的最小值作为待测光谱与标样光谱之间的第一夹角余弦距离。
优选地，将待测光谱与夹角余弦距离的最小值对应的标样光谱之间的欧式距离方差作为待测光谱与标样光谱之间的第一欧式距离方差。
优选地，还包括获得多个批次的待测烟用香精样品的质量稳定度，从而获得多个批次的质量波动性。
优选地，还包括获得待测烟用香精样品，包括：随机抽取香精原料；将所抽取的香精原料放入40℃低温烘干处理指定时间；将烘干的香精原料经粉碎机粉碎指定时间；选择指定孔径的筛网筛分粉碎的香精原料；将筛分后的香精原料装入样品检测密封袋中。
优选地，用于单体香原料、成品香精和模块香精稳定性的判断。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1为本申请提供的基于相似度学习算法快速检验烟用香精质量稳定性的方法的流程图。
图2为本申请提供的一个优选实施例的获得距离矩阵的流程图；
图3为本申请提供的另一个实施例的获得距离矩阵的流程图；
图4为本申请提供的依据夹角余弦距离和欧式距离方差筛除不合格光谱的流程图；
图5是按照图2所示的实施例获得的质量控制图示例；
图6是固体香精光谱示例。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
本申请提供了一种基于相似度学习算法快速检验烟用香精质量稳定性的方法，基于距离相似度和光谱分析方法从整体上判断固体香精的质量，在标样光谱固定的情况下不会随着检测样本的范围和数量的变化而变化，因此根据本申请获得的质量分析结果有更持久的参考价值。
本申请通过多个待测烟用香精样品的光谱与至少一个标准烟用香精的光谱的相似度实现质量稳定度的计算，需要说明的是，该多个待测烟用香精样品可以是一个批次的样品，也可以是多个批次的样品，每个批次的样品可以是指定采集时间采集的样品，也可以是指定采集地点采集的样品，也可以是在指定采集时间在指定采集地点采集的样品。
标准烟用香精的光谱作为标样光谱，标样光谱是完全按照检测标准准备的光谱，是所有待测光谱进行比较的对象，标样光谱是预先准备的。
待测烟用香精样品的光谱作为待测光谱，在质量检测时准备。如下是待测烟用香精样品的准备过程：
具体地，在获得光谱之前，需要准备上述的多个待测烟用香精样品。具体地，对使用的香精原料随机抽取，然后将所抽取香精原料放入40℃低温烘干处理3小时，经粉碎机粉碎5分钟，随后选择指定孔径(如0.177mm(80目))的筛网筛分样品，最后将样品装入样品检测密封袋中待检。
图1为本申请提供的基于相似度学习算法快速检验烟用香精质量稳定性的方法的流程图。如图1所示，该方法包括如下步骤：
S110：获得多个待测烟用香精样品和标准烟用香精的光谱，作为待测光谱和标样光谱。
具体地，将待测香精粉末置于样品杯中，然后用光谱仪进行扫描。作为一个实施例，使用傅立叶近红外光谱仪(内置镀金漫反射积分球)进行光谱扫描。对于烟用香精的光谱扫描范围是4000～12500cm-1，分辨率是8cm-1。在温度23±1℃，湿度60.2％的环境下采集光谱数据，每个样品扫描64次。
扫描后对光谱做预处理。作为一个实施例，预处理包括将每个样品经多次扫描得到的光谱进行平均，以及一阶导数和平滑处理，获得待测光谱。
待测光谱共计L个，表示为T＝{t1,t2…tL}。标样光谱共计K个，表示为B＝{b1,b2…bK}。
S120：获得多个待测烟用香精样品与标样光谱之间的距离矩阵。作为一个实施例，本申请中，光谱和光谱段以矢量的形式表达。
作为一个实施例，采用如下步骤计算距离矩阵：
S310：计算每个待测光谱tl与标样光谱bk之间的第一夹角余弦距离Cl，其中l∈(1,2,3……L)。
具体地，采用如下公式计算第l个待测光谱与第k个标样光谱之间的夹角余弦距离Clk,k∈(1,2,3……K)
其中，tl表示第l个待测光谱，bk表示第k个标样光谱，tl′表示tl的转置，bk′表示bk的转置。
作为一个实施例，标样光谱只有一个。在该实施例里，用上述公式计算获得的夹角余弦距离作为待测光谱的第一夹角余弦距离，即Cl＝Clk。
作为另一个实施例，标样光谱包括多个，即对于同一待测光谱，根据上述公式计算获得了多个夹角余弦距离。在该实施例里，将待测光谱与所有标样光谱之间的夹角余弦距离的最小值作为待测光谱的第一夹角余弦距离，即
Cl＝min{Cl1,Cl2,Cl3…,ClK} (2)
将最小值对应的标样光谱作为筛选后的标样光谱，用于后的检测。假设筛选后的标样光谱为第k个标样光谱。
S320：计算每个待测光谱与筛选后的标样光谱之间的第一欧式距离方差Δlk。
具体地，计算第一欧式距离方差Δlk包括如下步骤：
S3201：计算每个待测光谱与S310所选标样光谱之间的第一欧式距离dlmk
具体地，采用如下公式计算第l个待测光谱对应光谱段上的第m个光谱点与在第k个标样光谱在相同波数上的光谱点之间的欧式距离dlmk
dlmk＝|tlm-bkm| (3)
其中，tlm表示第l个待测光谱上的第m个光谱点矢量，bkm表示第k个标样光谱上的第m个光谱点矢量，待测光谱上共有M个光谱点矢量。
S3202：同一待测光谱上的所有光谱点与筛选后的标样光谱上的对应光谱点之间的欧式距离形成第一欧式距离集合Dlk＝{dl1k,dl2k,dl3k…dlMk}
S3203：计算待测光谱与筛选后的标样光谱之间的第一欧式距离方差
采用如下公式计算待测光谱与筛选后的标样光谱之间的第一欧式距离方差Δlk
Δlk＝σ(Dlk) (4)
其中，σ(*)表示标准方差。
S330：将所有待测光谱的第一夹角余弦距离和第一欧式距离方差组合，形成第一距离矩阵
图2为本申请提供的一个优选实施例的获得距离矩阵的流程图，如图2所示，获得距离矩阵包括如下步骤：
S210：按照分段窗口将待测光谱和标样光谱分成数量相同的光谱段，形成待测光谱段和标样光谱段，其中分段窗口的尺寸为w个波数的长度。窗口大小依据光谱的总波数来确定，作为一个实施例，10<w<60。
由此，光谱被分成了n段光谱段，每个待测光谱tl包括n个待测光谱段，每个标样光谱包括n个标样光谱段，即tl＝{tl1,tl2,tl3,…tln},bk＝{bk1,bk2,bk3,…,bkn}，其中，l∈(1,2,3……L),k∈(1,2,3……K)。
S220：对于每个待测光谱段，计算每个待测光谱段tlj与对应的标样光谱段bkj之间的第二夹角余弦距离Clj，待测光谱段tlj与对应的标样光谱段bkj的波数相同。
具体地，采用如下公式计算第l个待测光谱的第j个待测光谱段与第k个标样光谱的第j个标样光谱段之间的夹角余弦距离Cljk
其中，tlj表示第l个待测光谱的第j个待测光谱段矢量，j∈(1,2……n)，bkj表示第k个标样光谱的第j个标样光谱段矢量，tlj′表示tlj的转置，bkj′表示bkj的转置。
作为一个实施例，标样光谱只有一个。在该实施例里，用上述公式计算获得的夹角余弦距离作为待测光谱在待测光谱段上的第二夹角余弦距离，即Clj＝Cljk。
作为另一个实施例，标样光谱包括多个，即对于同一待测光谱的同一光谱段，根据上述公式计算获得了多个夹角余弦距离。在该实施例里，将待测光谱段与所有标样光谱的对应光谱段之间的夹角余弦距离的最小值作为待测光谱在待测光谱段上的第二夹角余弦距离，即
Clj＝min{Clj1,Clj2,Clj3…,CljK} (6)
将最小值对应的标样光谱作为筛选后的标样光谱，用于后的检测。假设筛选后的标样光谱为第k个标样光谱。
S230：对于每个待测光谱段，计算每个待测光谱段与S220所选标样光谱对应的标样光谱段之间的第二欧式距离方差Δlj。
具体地，计算第二欧式距离方差Δlj包括如下步骤：
S2301：对于每个待测光谱，计算每个待测光谱段在每个波数上的光谱点与S220所选的标样光谱段在相同波数上的光谱点之间的第二欧式距离dljm
具体地，采用如下公式计算第l个待测光谱的第j个待测光谱段上的第m个波数上的光谱点与第k个标样光谱的第j个标样光谱段在第m个波数上的光谱点之间的欧式距离dljm
dljm＝|tljm-bkjm| (7)
其中，tljm表示第l个待测光谱的第j个待测光谱段上的第m个光谱点矢量，bkjm表示第k个标样光谱的第j个标样光谱段上的第m个光谱点矢量，待测光谱上共有w个光谱点矢量。
S2302：同一待测光谱段上的所有光谱点与筛选后的标样光谱段上的对应光谱点之间的欧式距离形成第二欧式距离集合Dlj＝{dlj1,dlj2,dlj3…dljw}
S2303：计算待测光谱段与筛选后的标样光谱段之间的第二欧式距离方差
采用如下公式计算第二欧式距离方差Δlj
Δlj＝σ(Dlj) (8)
S240：对于每个待测光谱段，将第二夹角余弦距离和第二欧式距离方差合并，形成合并距离Xlj＝Clj∪Δlj。
S250：将所有待测光谱在每个光谱段上的合并距离组合，形成第二距离矩阵
优选地，在S240-S250之间，还包括筛除不合格光谱段。
作为一个实施例，筛除不合格光谱段包括依据夹角余弦距离和欧式距离方差筛除不合格光谱段，包括：
S410：依据所有待测光谱在同一光谱段上的第二夹角余弦距离和第二欧式距离方差计算夹角余弦距离均值Cj和欧式距离方差均值Δj；
遍历所有的待测光谱，若待测光谱在某一光谱段上的第二夹角余弦距离Clj小于对应的夹角余弦距离均值
并且待测光谱在这一光谱段上的第二欧式距离方差Δlj大于对应的欧式距离方差均值
(S420)，则执行S430：将这一光谱段的计数器加一；
若这一光谱段的计数器的数值大于待测光谱的数量的一半L/2(S440)，则执行S450：将第一光谱段视为不合格光谱段，将所有待测光谱的第一光谱段剔除。
作为另一个实施例，筛除不合格光谱段包括判断第二光谱段是否反映有效化学成分，若否，则将所有待测光谱的第二光谱段剔除。
作为再一个实施例，筛除不合格光谱段包括判断第三光谱段是否易受环境噪音干扰，若是，则将所有待测光谱的第三光谱段剔除。
作为又一个实施例，筛除不合格光谱段包括根据长期的检测经验值筛除不合格的光谱段。
S130：依据距离矩阵获得多个待测烟用香精样品的综合质量与标准烟用香精之间的相似度，作为多个待测烟用香精样品的质量稳定度。
具体地，可以通过平均法、绝对中位差法、霍奇斯-莱曼(Hodges-Lehmann)估计算法等获得质量控制图，从而根据质量控制图综合评价多个待测烟用香精样品的综合质量与标准烟用香精之间的相似度。其中，质量控制图包括质量控制上限、质量控制下限以及多个待测烟用香精样品的综合质量评价值，其中，质量控制上限和质量控制下限为标准烟用香精的标准质量评价值。因此，质量控制图能够直观反映多个待测烟用香精样品的综合质量评价值与质量控制上限和质量控制下限之间的关系。
考虑到Hodges-Lehmann算法的下限值是固定常数0，仅需要对质量控制的上限进行计算和分析，因此，优选地，采用Hodges-Lehmann算法生成质量控制图。
作为一个实施例，所有的待测烟用香精样品作为一个批次，获得通过本申请的方法获得一个综合质量评价值。
作为另一个实施例，按照采集时间或采集地点将待测烟用香精样品分成多个批次，获得多个综合质量评价值，该多个综合质量评价值在质量控制图中形成了曲线。
图5是按照图2所示的优选实施例和Hodges-Lehmann算法获得的质量控制图示例。图中，多个批次的待测烟用香精样品的综合质量评价值形成了曲线，综合质量评价值的数值越小意味着待测烟用香精样品与标准烟用香精的相似度越高，超过质量控制上限的则视为异常(如图中标记有“×”的点)。本图示例的待测样品的检测结果与常规检测方法的人工检查结果一致。
本申请获得的有益效果如下：
1、本申请基于距离相似度和光谱分析方法从整体上判断固体香精的质量，在标样光谱固定的情况下所得距离差不会随着检测样本的范围和数量的变化而变化，因此根据本申请获得的质量分析结果有更持久的参考价值。
3、本申请使用夹角余弦距离进行质量分析，有利于观察待测光谱的光谱段的方向性是否与表扬光谱一致。
3、本申请通过质量控制图进行质量分析，使待测烟用香精样品的质量波动直观明了地得到展示。
4、相比较于现有的方法，本申请不需要事先建立数学模型以实现对某个化学成分的推导和预测，而是基于光谱从整体上的直接比较来判断烟用香精的化学成分是否是在合适的质量参数范围内。
虽然已经通过例子对本发明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，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于相似度学习算法快速检验烟用香精质量稳定性的方法，其特征在于，包括：
获得多个待测烟用香精样品和标准烟用香精的光谱，作为待测光谱和标样光谱；
获得所述多个待测烟用香精样品与所述标样光谱之间的距离矩阵；
依据所述距离矩阵获得所述多个待测烟用香精样品的综合质量与所述标准烟用香精之间的相似度，作为所述多个待测烟用香精样品的质量稳定度。
2.根据权利要求1所述的方法，其特征在于，获得所述多个待测烟用香精样品与所述标样光谱之间的距离矩阵，包括：
计算每个待测光谱与标样光谱之间的第一夹角余弦距离；
计算每个待测光谱与标样光谱之间的第一欧式距离方差；
将所有待测光谱的第一夹角余弦距离和第一欧式距离方差组合，形成第一距离矩阵，作为所述多个待测烟用香精样品与所述标样光谱之间的距离矩阵。
3.根据权利要求2所述的方法，其特征在于，计算待测光谱段与标样光谱之间的第一欧式距离方差，包括：
计算每个待测光谱在每个波数上的光谱点与标样光谱在相同波数上的光谱点之间的第一欧式距离；
将同一待测光谱上的所有光谱点对应的第一欧式距离的标准方差值作为待测光谱段与标样光谱之间的第一欧式距离方差。
4.根据权利要求2或3所述的方法，其特征在于，依据所述距离矩阵生成质量控制图，并依据所述质量控制图获得所述多个待测烟用香精样品的综合质量与所述标准烟用香精之间的相似度；
其中，所述质量控制图包括质量控制上限、质量控制下限以及所述多个待测烟用香精样品的综合质量评价值，其中，所述质量控制上限和所述质量控制下限为所述标准烟用香精的标准质量评价值。
5.根据权利要求4所述的方法，其特征在于，基于霍奇斯-莱曼估计算法获得所述质量控制图的质量控制上限。
6.根据权利要求3所述的方法，其特征在于，若所述标样光谱为多个，将所述待测光谱与所有标样光谱之间的夹角余弦距离的最小值作为所述待测光谱与标样光谱之间的第一夹角余弦距离。
7.根据权利要求6所述的方法，其特征在于，将所述待测光谱与夹角余弦距离的最小值对应的标样光谱之间的欧式距离方差作为所述待测光谱与标样光谱之间的第一欧式距离方差。
8.根据权利要求1所述的方法，其特征在于，还包括获得多个批次的待测烟用香精样品的质量稳定度，从而获得所述多个批次的质量波动性。
9.根据权利要求1所述的方法，其特征在于，还包括获得待测烟用香精样品，包括：
随机抽取香精原料；
将所抽取的香精原料放入40℃低温烘干处理指定时间；
将烘干的香精原料经粉碎机粉碎指定时间；
选择指定孔径的筛网筛分粉碎的香精原料；
将筛分后的香精原料装入样品检测密封袋中。
10.根据权利要求1所述的方法，其特征在于，所述方法用于单体香原料、成品香精或模块香精的稳定性判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110184760.2A CN113030007B (zh) | 2021-02-10 | 2021-02-10 | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110184760.2A CN113030007B (zh) | 2021-02-10 | 2021-02-10 | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113030007A true CN113030007A (zh) | 2021-06-25 |
| CN113030007B CN113030007B (zh) | 2023-04-18 |
Family
ID=76461311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110184760.2A Active CN113030007B (zh) | 2021-02-10 | 2021-02-10 | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113030007B (zh) |
Cited By (2)
| 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 |
| CN114925321A (zh) * | 2022-05-13 | 2022-08-19 | 北京科技大学 | 克服污染数据及不确定事件的新型稳健估计方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091282A (zh) * | 2013-02-06 | 2013-05-08 | 吉林烟草工业有限责任公司 | 一种烟用香精香料质量的检测方法 |
| US20160259792A1 (en) * | 2015-03-05 | 2016-09-08 | Bio-Rad Laboratories, Inc. | Optimized spectral matching and display |
| CN106404884A (zh) * | 2016-11-22 | 2017-02-15 | 云南中烟工业有限责任公司 | 一种利用hs‐imr‐ms快速评价挥发性烟用香精香料质量一致性的方法 |
| CN106483187A (zh) * | 2016-10-11 | 2017-03-08 | 王海燕 | 基于离子迁移谱和相似度的中药材与其易混伪品鉴别方法 |
| WO2017072320A1 (en) * | 2015-10-28 | 2017-05-04 | Ventana Medical Systems, Inc. | Methods and systems for analyzing tissue quality using mid-infrared spectroscopy |
| CN107402192A (zh) * | 2017-03-03 | 2017-11-28 | 广西中烟工业有限责任公司 | 一种快速分析香精香料质量稳定性的方法 |
| CN107784192A (zh) * | 2017-09-15 | 2018-03-09 | 山东大学 | 指纹图谱相似度计算方法、装置和样品质量评价系统 |
| CN108362662A (zh) * | 2018-02-12 | 2018-08-03 | 山东大学 | 近红外光谱相似度计算方法、装置和物质定性分析系统 |
| CN110887809A (zh) * | 2018-09-07 | 2020-03-17 | 湖南中烟工业有限责任公司 | 一种基于近红外光谱技术测定烟丝中梗含量的方法 |
| CN110887810A (zh) * | 2019-11-29 | 2020-03-17 | 朗天药业(湖北)有限公司 | 一种基于近红外光谱技术的血塞通滴丸质量一致性评价方法 |
-
2021
- 2021-02-10 CN CN202110184760.2A patent/CN113030007B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091282A (zh) * | 2013-02-06 | 2013-05-08 | 吉林烟草工业有限责任公司 | 一种烟用香精香料质量的检测方法 |
| US20160259792A1 (en) * | 2015-03-05 | 2016-09-08 | Bio-Rad Laboratories, Inc. | Optimized spectral matching and display |
| WO2017072320A1 (en) * | 2015-10-28 | 2017-05-04 | Ventana Medical Systems, Inc. | Methods and systems for analyzing tissue quality using mid-infrared spectroscopy |
| CN106483187A (zh) * | 2016-10-11 | 2017-03-08 | 王海燕 | 基于离子迁移谱和相似度的中药材与其易混伪品鉴别方法 |
| CN106404884A (zh) * | 2016-11-22 | 2017-02-15 | 云南中烟工业有限责任公司 | 一种利用hs‐imr‐ms快速评价挥发性烟用香精香料质量一致性的方法 |
| CN107402192A (zh) * | 2017-03-03 | 2017-11-28 | 广西中烟工业有限责任公司 | 一种快速分析香精香料质量稳定性的方法 |
| CN107784192A (zh) * | 2017-09-15 | 2018-03-09 | 山东大学 | 指纹图谱相似度计算方法、装置和样品质量评价系统 |
| CN108362662A (zh) * | 2018-02-12 | 2018-08-03 | 山东大学 | 近红外光谱相似度计算方法、装置和物质定性分析系统 |
| CN110887809A (zh) * | 2018-09-07 | 2020-03-17 | 湖南中烟工业有限责任公司 | 一种基于近红外光谱技术测定烟丝中梗含量的方法 |
| CN110887810A (zh) * | 2019-11-29 | 2020-03-17 | 朗天药业(湖北)有限公司 | 一种基于近红外光谱技术的血塞通滴丸质量一致性评价方法 |
Non-Patent Citations (5)
| Title |
|---|
| PEIPEI XIA ET AL: "Learning similarity with cosine similarity ensemble" * |
| YIMING BI ET AL: "Quality evaluation of flue-cured tobacco by near infrared spectroscopy and spectral similarity method", 《SPECTROCHIMICA ACTA PART A：MOLECULAR AND BIOMOLECULAR SPECTROSCOPY》 * |
| 刘昊等: "基于散射光谱的材质分类识别研究", 《长春理工大学学报(自然科学版)》 * |
| 叶亚军等: "基于FT-NIR技术的烟用香精香料品质控制技术研究", 《香料香精化妆品》 * |
| 李希强;王笛;陆舍铭;刘惠民;董学畅;缪明明;: "夹角余弦与欧式距离相结合建立烟用香精HPLC指纹图谱" * |
Cited By (2)
| 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 |
| CN114925321A (zh) * | 2022-05-13 | 2022-08-19 | 北京科技大学 | 克服污染数据及不确定事件的新型稳健估计方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113030007B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kiani et al. | A portable electronic nose as an expert system for aroma-based classification of saffron | |
| WO2018010352A1 (zh) | 一种定性定量相结合的近红外定量模型构建方法 | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| 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 | |
| CN113030007B (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
| Moscetti et al. | Near infrared spectroscopy is suitable for the classification of hazelnuts according to Protected Designation of Origin | |
| US20090305423A1 (en) | Methods for Monitoring Composition and Flavor Quality of Cheese Using a Rapid Spectroscopic Method | |
| Bi et al. | Quality evaluation of flue-cured tobacco by near infrared spectroscopy and spectral similarity method | |
| CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| CN108663334B (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
| Gao et al. | Differentiation of storage time of wheat seed based on near infrared hyperspectral imaging | |
| CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
| CN106970042B (zh) | 一种卡拉胶杂质、水分含量检测方法 | |
| Peng et al. | Rapid detection of adulteration of glutinous rice as raw material of Shaoxing Huangjiu (Chinese Rice Wine) by near infrared spectroscopy combined with chemometrics | |
| Zhang et al. | Analysis of moisture and total sugar content of Huizao based on surface images | |
| CN106124417A (zh) | 一种利用高光谱技术检测苹果涩味的回味的方法 | |
| CN107238557A (zh) | 一种利用近红外光谱法快速检测碳酸钙粒径分布的方法 | |
| CN113791049B (zh) | 一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法 | |
| CN113029980B (zh) | 烟草薄片感官质量稳定性快速无损测定方法 | |
| 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |