CN113804644A - 基于近红外光谱的烟叶烘烤过程化学指标预测方法 - Google Patents
基于近红外光谱的烟叶烘烤过程化学指标预测方法 Download PDFInfo
- Publication number
- CN113804644A CN113804644A CN202111098759.4A CN202111098759A CN113804644A CN 113804644 A CN113804644 A CN 113804644A CN 202111098759 A CN202111098759 A CN 202111098759A CN 113804644 A CN113804644 A CN 113804644A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- spectrum
- tobacco
- chemical
- near infrared
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 121
- 239000000126 substance Substances 0.000 title claims abstract description 87
- 230000008569 process Effects 0.000 title claims abstract description 81
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 29
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 179
- 235000000346 sugar Nutrition 0.000 claims abstract description 85
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 229920002472 Starch Polymers 0.000 claims abstract description 45
- 235000019698 starch Nutrition 0.000 claims abstract description 45
- 239000008107 starch Substances 0.000 claims abstract description 45
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 44
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 43
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 43
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 43
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 43
- 235000018102 proteins Nutrition 0.000 claims abstract description 42
- 239000000523 sample Substances 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 239000013307 optical fiber Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 210000003462 vein Anatomy 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000009977 dual effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010183 spectrum analysis Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000001035 drying Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 4
- 238000004383 yellowing Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 239000010432 diamond Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 150000008163 sugars Chemical class 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000021466 carotenoid Nutrition 0.000 description 2
- 150000001747 carotenoids Chemical class 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- 239000004382 Amylase Substances 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 229930002869 chlorophyll b Natural products 0.000 description 1
- NSMUHPMZFPKNMZ-VBYMZDBQSA-M chlorophyll b Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C=O)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 NSMUHPMZFPKNMZ-VBYMZDBQSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000007857 degradation product Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000004401 flow injection analysis Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000010986 on-line near-infrared spectroscopy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000001052 yellow pigment Substances 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，所述方法包括：获取烟叶烘烤过程中的烟叶光谱；将所述烟叶光谱输入到烟叶烘烤化学指标预测模型中，计算所述烟叶的化学指标值，所述化学指标值包括水分、叶绿素、淀粉、蛋白质、总糖和还原糖。本发明利用光谱分析和机器学习双技术实现对烟叶的近红外光谱快速定量建模，并应用所建模型实时在线准确预测烘烤过程烟叶的主要化学成分信息，从而为烟叶烘烤过程的精准监测与精细调节提供了一种过程分析方法。
Description
技术领域
本发明涉及一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，属于烟叶烘烤过程分析技术领域。
背景技术
烘烤过程是决定烟叶最终品质的重要环节，目前使用的三段式烘烤方法主要通过控制不同时段的温度和湿度来协调控制水分和物质转化，以达到烤黄、烤干、烤香的烘烤目标。
然而，目前烟叶集约性密集烘烤过程中仍存在技术瓶颈，具体表现在：(1)现有烘烤工艺调整重外观“黄鲜净”，轻内在“香气吃味”和“品质风格特色”。迄今为止整个烘烤调制技术处于以经验和试验为主的粗放性技术，无法有效揭示烟叶内部物质转化过程中的消长规律，缺乏有效诠释烘烤调制过程烟叶的外在和内在质量交互关系，不能形成有效的精准烘烤调制技术。(2)技术人员根据烟叶色泽与温湿度变化调整烘烤工艺的灵活性不足。烟叶烘烤过程变黄与干燥状态依旧是以人的眼和手等感官为基础进行主观判断，烘烤进程中的操作仍具有较强的主观性，再加上不同素质烟叶在烘烤过程中变黄与干燥的形态差异较大，技术人员根据烟叶烘烤过烟叶与水分变化调整烘烤工艺的灵活性欠缺，是导致密集烘烤损失的主要原因之一，烘烤中存在严重的工艺调整滞后现象。导致烘烤调制不能有效彰显原烟风格特性，不利于突显品牌卷烟产品创新，烘烤质量和等级处于中低端价值水平，不利于烤烟和卷烟行业以及烟农的经济效益提升。
发明内容
基于上述，本发明提供一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，建立了针对烟叶烘烤过程中关键化学指标的过程分析定量预测模型，可预测烟叶烘烤过程中的关键化学指标的变化趋势，为烟叶烘烤过程的精准调节提供依据，以克服现有技术的不足。
本发明的技术方案是：一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，所述方法包括：
获取烟叶烘烤过程中的烟叶光谱；
将所述烟叶光谱输入到烟叶烘烤化学指标预测模型中，计算所述烟叶的化学指标值，所述化学指标值包括水分、叶绿素、淀粉、蛋白质、总糖和还原糖。
可选的，根据烟叶烘烤过程中的已知烟叶样本的光谱及对应的烟叶的化学指标值建立所述烟叶烘烤化学指标预测模型，具体包括：
在烟叶烘烤过程中按预定时间间隔采集烟叶样本；
采集所述烟叶样本的光谱；
测定所述烟叶样本的化学指标值；
以所述光谱作为输入样本特征，以对应的所述化学指标值作为样本输出标签，通过数据拟合分别建立所述水分、叶绿素、淀粉、蛋白质、总糖和还原糖对应的所述烟叶烘烤化学指标预测模型。
可选的，所述烟叶烘烤化学指标预测模型为：
y＝X×β
其中，所述y为n×1的化学值，所述X为n个烟叶样本、p个变量组成的样本近红外光谱矩阵，所述β为回归系数向量，其中，对于不同的化学指标值有不同的β，p为水分、叶绿素、淀粉、蛋白质、总糖和还原糖等变量。建模的实质就是得到回归系数向量β，可用求得的回归系数向量β和未知样本光谱的Xnew对其化学值进行预测，预测值ypred＝Xnew×β。
可选的，在建立所述烟叶烘烤化学指标预测模型前，对采集的所述烟叶样本的光谱进行预处理，具体包括：
采用多项式平滑法对所述光谱进行平滑处理；
采用滤波法对所述光谱进行滤波处理；
使用竞争自适应重加权采样法对所述光谱进行特征波长选择；
使用交互验证选择最佳的光谱。
通过对烟叶样本光谱数据的预处理，可以减少光谱的高频随机噪音、基线飘移、样品信号背景、样品不均匀与光散射、共线性等各种干扰的影响，剔除无关冗余变量，简化后续建模处理运算过程，避免过度拟合，提高模型的预测能力，增强模型的可解释性。
可选的，采集烟叶光谱时，对于每个所述烟叶样本，以主脉为轴对称划分出左右两侧，每侧再由叶柄至叶尖划分为上中下3个部分，共计6个测量区，使用光纤探头式近红外光谱仪，在上述6个测量区分别采集一条近红外光谱，取这6个测量区的6条光谱的平均光谱作为该烟叶样本的光谱，其中，在采集时要避开叶脉。此种光谱采集方式采样点数少且能有效代表整片烟叶，不破坏烟叶、方便快速。
可选的，采集烟叶光谱时，光谱范围设定为900nm–1700nm，积分时间设定为10ms，扫描次数设定为32次，将光纤探头垂直紧贴烟叶叶面测量光谱，以获取稳定、平滑、准确的光谱信息。
本发明的工作原理是：烤黄、烤干、烤香的过程本质是烟叶在烘烤过程中发生了物理和化学变化，若能选取关键物理和化学指示指标，基于光谱技术在线采集信号，建立过程分析模型和方法，则有望精准监测烟叶烘烤过程、辅助烘烤参数的精细调节、最终实现智能化烘烤、促进现代烟草烘烤工艺和技术的发展。经申请人研究发现，水分、叶绿素、淀粉、蛋白质、总糖和还原糖可以作为烟叶烘烤中的关键化学指标值。由于水分是烟叶烘烤过程中含量变化最显著的化学指标，烘烤实质就是对烟叶中水分的合理分配，干燥速率、干燥时间和干燥程度等都对烟叶品质的形成有重要影响。颜色变化也很直观，烟叶颜色变化的实质是叶绿素的降解和类胡萝卜素等黄色素含量的增加，烟叶中叶绿素、类胡萝卜素及其降解产物是烟叶重要的致香物质，直接影响和决定着烟叶的品质。烟叶在烘烤过程中碳水化合物含量的变化也是十分显著的，主要是淀粉在淀粉酶的作用下大量的分解，同时，糖类也在酶的作用下进行呼吸消耗，但淀粉产生的糖量大大超过了呼吸消耗的糖量。淀粉在烘烤过程中需要尽可能分解为糖类物质，协调烟叶糖碱比，提高卷烟香吃味。蛋白质是烟草主要的营养物质之一，降低烟叶中的蛋白质含量，有利于生产较安全的卷烟产品。因此，选择水分、叶绿素、淀粉、蛋白质和烟碱作为烟叶烘烤进程的关键指标。
本发明的有益效果是：本发明基于在线近红外光谱技术，通过建立烟叶烘烤化学指标预测模型，可以在线、实时预测烘烤过程中六种关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)，参照建立的六种关键化学指标的变化规律，精准调节烘烤过程。本发明利用光谱分析和机器学习双技术实现对烟叶的近红外光谱快速定量建模，并应用所建模型实时在线准确预测烘烤过程烟叶的主要化学成分信息，从而为烟叶烘烤过程的精准监测与精细调节提供了一种过程分析方法。
附图说明
图1为上部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)的模型自预测和测试集预测结果；
图2为上部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)含量的变化趋势；
图3为中部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)的模型自预测和测试集预测结果；
图4为中部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)含量的变化趋势；
图5为下部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)的模型自预测和测试集预测结果；
图6为下部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)含量的变化趋势。
具体实施方式
本发明实施例中的技术方案，总体思路如下：
获取烟叶烘烤过程中的烟叶光谱；
将所述烟叶光谱输入到烟叶烘烤化学指标预测模型中，计算所述烟叶的化学指标值，所述化学指标值包括水分、叶绿素、淀粉、蛋白质、总糖和还原糖。
其中，所述烟叶烘烤化学指标预测模型的构建方法是，根据烟叶烘烤过程中的已知烟叶样本的光谱及对应的烟叶的化学指标值建立所述烟叶烘烤化学指标预测模型，具体包括：
在烟叶烘烤过程中按预定时间间隔采集烟叶样本；
采集所述烟叶样本的光谱；
测定所述烟叶样本的化学指标值；
以所述光谱作为输入样本特征，以对应的所述化学指标值作为样本输出标签，通过数据拟合分别建立所述水分、叶绿素、淀粉、蛋白质、总糖和还原糖对应的所述烟叶烘烤化学指标预测模型。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
实施例一
(1)选用烤烟品种云烟87，对烤前烟叶进行初步筛选，挑选大小、形状、成熟度较一致的上部完整无病虫害烟叶进行烘烤试验。
(2)采集训练集并测量红外光谱：在烘烤过程中间隔8小时采样，每次采取50片烟叶样本。使用光纤探头式近红外光谱仪，光谱范围设定为900nm-1700nm，积分时间设定为10ms，扫描次数设定为32次，将光纤探头垂直紧贴烟叶叶面测量光谱。对于每个烟叶样本，以主脉为轴对称划分出左右两侧，每侧再由叶柄至叶尖划分为上中下3个部分，共计6个测量区，在上述6个测量区(避开叶脉)分别采集一条近红外光谱，取这6条光谱的平均光谱作为该烟叶样本的光谱。
(3)测定训练集中的叶绿素浓度：对于每个烟叶样本，使用打孔器(直径6mm)在上述6个测量区近红外光谱采样位置分别取样，将取下的6个圆孔小样集合起来，用5mL乙醇(95％)溶液萃取24小时。在测样前将萃取管摇三次以摇匀溶液，以95％乙醇溶液为空白，使用紫外分光光度计分别在665nm和649nm波长处测定吸光度，根据Arnon公式计算萃取液的叶绿素a、b的浓度。由于烘烤过程中的水分含量变化很大，最后换算并且使用以单位叶面积所含质量表示的浓度。
(4)测定训练集中的含水量：用小刀将烟叶的一级主脉(烟梗)去掉，仅保留叶片，置于天平中称重；然后立即放入烟叶烘干箱中快速杀青(20min)，以保证烟叶化学成分变化不大。杀青后，50℃烘干至恒重，再次称重。前后两次重量之差即为含水量。
(5)测定训练集中的淀粉、蛋白质、总糖和还原糖：按照国家标准方法，将烘干后的样品用粉碎机粉碎，采用流动注射分析仪，测定烟叶样本中的淀粉(YC/T216-2013)、蛋白质(YC/T249-2008)、总糖和还原糖(YC/T159-2002)。
表1上部烟叶训练样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
(6)基于训练集建立烟叶烘烤化学指标预测模型：首先，使用多项式平滑法对光谱进行平滑处理，再使用Norris滤波法消除由于烟叶样品分布不均匀的影响；其次，使用竞争自适应重加权釆样法(CARS)对烟叶近红外光谱数据进行特征波长选择；然后，使用交互验证选择最佳潜变量数，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立模型时，选取的潜变量数分别是15、16、20、15、17和20；最后，使用偏最小二乘算法，对水分、叶绿素、淀粉、蛋白质、总糖和还原糖分别建立多元校正过程分析模型，如图1黑色空心圆点所示，模型的决定系数(R2)分别为0.979、0.816、0.917、0.836、0.863和0.913，校正均方根误差(RMSEC)分别为3.48、0.86、1.78、0.924、1.40和1.25。
(7)基于训练集建立关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)在烘烤过程中的变化规律，如图2所示。
(8)在线监测预测集(测试集)并实时预测。使用光纤探头式近红外光谱仪，在烟叶烘烤过程中，于烤房中在线采集光谱数据。基于上述对水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立的烟叶烘烤化学指标预测模型，实时预测这些物理化学指标，如图1黑色实心菱形点所示，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖进行在线预测时，预测均方根误差(RMSEP)分别为3.23、0.75、1.30、0.837、1.33和1.31。
表2上部烟叶测试样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
(9)通过在线监测的近红外光谱数据和建立的烟叶烘烤化学指标预测模型实时预测六种关键物理化学指标的数值，参照图2建立的六种关键物理化学指标的变化规律，精准调节烘烤过程。
实施例二
(1)选用烤烟品种云烟87，对烤前烟叶进行初步筛选，挑选大小、形状、成熟度较一致的中部完整无病虫害烟叶进行烘烤试验。
(2)采集训练集并测量红外光谱：与实施例1的第(2)步相同。
(3)测定训练集中的叶绿素浓度：与实施例1的第(3)步相同。
(4)测定训练集中的含水量：与实施例1的第(4)步相同。
(5)测定训练集中的淀粉、蛋白质、总糖和还原糖：与实施例1的第(5)步相同。
表3中部烟叶训练样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
(6)基于训练集建立烟叶烘烤化学指标预测模型：首先，使用多项式平滑法对光谱进行平滑处理，再使用Norris滤波法消除由于烟叶样品分布不均匀的影响；其次，使用竞争自适应重加权釆样法(CARS)对烟叶近红外光谱数据进行特征波长选择；然后，使用交互验证选择最佳潜变量数，对中部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立模型时，选取的潜变量数分别是18、13、20、15、20和20；最后，使用偏最小二乘算法，对水分、叶绿素、淀粉、蛋白质、总糖和还原糖分别建立烟叶烘烤化学指标预测模型，如图3黑色空心圆点所示，模型的决定系数(R2)分别为0.978、0.857、0.865、0.873、0.945和0.833，校正均方根误差(RMSEC)分别为4.13、1.91、2.02、0.650、2.05和1.40。
(7)基于训练集建立关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)在烘烤过程中的变化规律，如图4所示。
(8)在线监测预测集(测试集)并实时预测。使用光纤探头式近红外光谱仪，在烟叶烘烤过程中，于烤房中在线采集光谱数据。基于上述对水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立的烟叶烘烤化学指标预测模型，实时预测这些物理化学指标，如图3黑色实心菱形点所示，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖进行在线预测时，预测均方根误差(RMSEP)分别为4.42、1.87、2.05、0.574、2.19和1.20。
表4中部烟叶测试样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
(9)通过在线监测的近红外光谱数据和建立的烟叶烘烤化学指标预测模型实时预测六种关键物理化学指标的数值，参照图4建立的六种关键物理化学指标的变化规律，精准调节烘烤过程。
实施例3
(1)选用烤烟品种云烟87，对烤前烟叶进行初步筛选，挑选大小、形状、成熟度较一致的下部完整无病虫害烟叶进行烘烤试验。
(2)采集训练集并测量红外光谱：与实施例1的第(2)步相同。
(3)测定训练集中的叶绿素浓度：与实施例1的第(3)步相同。
(4)测定训练集中的含水量：与实施例1的第(4)步相同。
(5)测定训练集中的淀粉、蛋白质、总糖和还原糖：与实施例1的第(5)步相同。
表5下部烟叶训练样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
(6)基于训练集建立烟叶烘烤化学指标预测模型：首先，使用多项式平滑法对光谱进行平滑处理，再使用Norris滤波法消除由于烟叶样品分布不均匀的影响；其次，使用竞争自适应重加权釆样法(CARS)对烟叶近红外光谱数据进行特征波长选择；然后，使用交互验证选择最佳潜变量数，对中部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立模型时，选取的潜变量数分别是16、7、20、15、19和14；最后，使用偏最小二乘算法，对水分、叶绿素、淀粉、蛋白质、总糖和还原糖分别建立烟叶烘烤化学指标预测模型，如图5黑色空心圆点所示，模型的决定系数(R2)分别为0.972、0.824、0.891、0.828、0.889和0.818，校正均方根误差(RMSEC)分别为3.80、0.32、0.46、0.409、1.46和0.96。
(7)基于训练集建立关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)在烘烤过程中的变化规律，如图6所示。
(8)在线监测预测集(测试集)并实时预测。使用光纤探头式近红外光谱仪，在烟叶烘烤过程中，于烤房中在线采集光谱数据。基于上述对水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立的烟叶烘烤化学指标预测模型，实时预测这些物理化学指标，如图5黑色实心菱形点所示，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖进行在线预测时，预测均方根误差(RMSEP)分别为5.22、0.34、0.35、0.387、1.68和0.68。
表6下部烟叶测试样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
(9)通过在线监测的近红外光谱数据和建立的烟叶烘烤化学指标预测模型实时预测六种关键物理化学指标的数值，参照图6建立的六种关键物理化学指标的变化规律，辅助烘烤人员判断、调节烘烤过程。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，其特征在于，所述方法包括：
获取烟叶烘烤过程中的烟叶光谱；
将所述烟叶光谱输入到烟叶烘烤化学指标预测模型中，计算所述烟叶的化学指标值，所述化学指标值包括水分、叶绿素、淀粉、蛋白质、总糖和还原糖。
2.根据权利要求1所述的基于近红外光谱的烟叶烘烤过程化学指标预测方法，其特征在于，根据烟叶烘烤过程中的已知烟叶样本的光谱及对应的烟叶的化学指标值建立所述烟叶烘烤化学指标预测模型，具体包括：
在烟叶烘烤过程中按预定时间间隔采集烟叶样本；
采集所述烟叶样本的光谱；
测定所述烟叶样本的化学指标值；
以所述光谱作为输入样本特征，以对应的所述化学指标值作为样本输出标签，通过数据拟合分别建立所述水分、叶绿素、淀粉、蛋白质、总糖和还原糖对应的所述烟叶烘烤化学指标预测模型。
3.根据权利要求2所述的基于近红外光谱的烟叶烘烤过程化学指标预测方法，其特征在于，所述烟叶烘烤化学指标预测模型为：
y＝X×β
其中，所述y为n×1的化学值，所述X为n个烟叶样本、p个变量组成的样本近红外光谱矩阵，所述β为回归系数向量，其中，对于不同的化学指标值有不同的β。
4.根据权利要求2所述的基于近红外光谱的烟叶烘烤过程化学指标预测方法，其特征在于，在建立所述烟叶烘烤化学指标预测模型前，对采集的所述烟叶样本的光谱进行预处理，具体包括：
采用多项式平滑法对所述光谱进行平滑处理；
采用滤波法对所述光谱进行滤波处理；
使用竞争自适应重加权采样法对所述光谱进行特征波长选择；
使用交互验证选择最佳的光谱潜变量。
5.根据权利要求2所述的基于近红外光谱的烟叶烘烤过程化学指标预测方法，其特征在于，采集烟叶光谱时，对于每个所述烟叶样本，以主脉为轴对称划分出左右两侧，每侧再由叶柄至叶尖划分为上中下3个部分，共计6个测量区，使用光纤探头式近红外光谱仪，在上述6个测量区分别采集一条近红外光谱，取这6个测量区的6条光谱的平均光谱作为该烟叶样本的光谱，其中，在采集时要避开叶脉。
6.根据权利要求5所述的基于近红外光谱的烟叶烘烤过程化学指标预测方法，其特征在于，采集烟叶光谱时，光谱范围设定为900nm–1700nm，积分时间设定为10ms，扫描次数设定为32次，将光纤探头垂直紧贴烟叶叶面测量光谱。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111098759.4A CN113804644A (zh) | 2021-09-18 | 2021-09-18 | 基于近红外光谱的烟叶烘烤过程化学指标预测方法 |
| ZA2022/08014A ZA202208014B (en) | 2021-09-18 | 2022-07-19 | Near infrared spectrum-based method for predicting chemical indexes in tobacco leaf flue-curing process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111098759.4A CN113804644A (zh) | 2021-09-18 | 2021-09-18 | 基于近红外光谱的烟叶烘烤过程化学指标预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113804644A true CN113804644A (zh) | 2021-12-17 |
Family
ID=78939846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111098759.4A Pending CN113804644A (zh) | 2021-09-18 | 2021-09-18 | 基于近红外光谱的烟叶烘烤过程化学指标预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113804644A (zh) |
| ZA (1) | ZA202208014B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290579A (zh) * | 2022-08-23 | 2022-11-04 | 中国烟草总公司郑州烟草研究院 | 一种烟叶烘烤过程阶段的判断方法 |
| CN115281361A (zh) * | 2022-08-23 | 2022-11-04 | 中国烟草总公司郑州烟草研究院 | 一种烟叶烘烤过程的控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828271A (zh) * | 2006-03-30 | 2006-09-06 | 将军烟草集团有限公司 | 采用近红外光检测片烟化学成分的方法 |
| CN1828272A (zh) * | 2006-03-30 | 2006-09-06 | 将军烟草集团有限公司 | 采用近红外光检测烟叶叶片化学成分的方法 |
| CN101564199A (zh) * | 2009-05-27 | 2009-10-28 | 天昌国际烟草有限公司 | 均值化生产控制型打叶复烤新方法 |
| CN101710073A (zh) * | 2009-12-10 | 2010-05-19 | 云南瑞升烟草技术（集团）有限公司 | 利用近红外光谱检测造纸法再造烟叶物化指标的方法 |
| CN102511922A (zh) * | 2011-12-23 | 2012-06-27 | 上海烟草集团有限责任公司 | 一种基于化学成分的打叶复烤产品均匀性系统调控方法及其应用 |
| CN103120361A (zh) * | 2012-10-16 | 2013-05-29 | 红塔烟草(集团)有限责任公司 | 一种基于化学成分分布规律的烟叶分切方法 |
| CN106418635A (zh) * | 2015-08-12 | 2017-02-22 | 福建武夷烟叶有限公司 | 降低打叶复烤烟碱变异系数的设备及工艺 |
| CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术（集团）有限公司 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
| 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 |
-
2021
- 2021-09-18 CN CN202111098759.4A patent/CN113804644A/zh active Pending
-
2022
- 2022-07-19 ZA ZA2022/08014A patent/ZA202208014B/en unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828271A (zh) * | 2006-03-30 | 2006-09-06 | 将军烟草集团有限公司 | 采用近红外光检测片烟化学成分的方法 |
| CN1828272A (zh) * | 2006-03-30 | 2006-09-06 | 将军烟草集团有限公司 | 采用近红外光检测烟叶叶片化学成分的方法 |
| CN101564199A (zh) * | 2009-05-27 | 2009-10-28 | 天昌国际烟草有限公司 | 均值化生产控制型打叶复烤新方法 |
| CN101710073A (zh) * | 2009-12-10 | 2010-05-19 | 云南瑞升烟草技术（集团）有限公司 | 利用近红外光谱检测造纸法再造烟叶物化指标的方法 |
| CN102511922A (zh) * | 2011-12-23 | 2012-06-27 | 上海烟草集团有限责任公司 | 一种基于化学成分的打叶复烤产品均匀性系统调控方法及其应用 |
| CN103120361A (zh) * | 2012-10-16 | 2013-05-29 | 红塔烟草(集团)有限责任公司 | 一种基于化学成分分布规律的烟叶分切方法 |
| CN106418635A (zh) * | 2015-08-12 | 2017-02-22 | 福建武夷烟叶有限公司 | 降低打叶复烤烟碱变异系数的设备及工艺 |
| CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术（集团）有限公司 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
| 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 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290579A (zh) * | 2022-08-23 | 2022-11-04 | 中国烟草总公司郑州烟草研究院 | 一种烟叶烘烤过程阶段的判断方法 |
| CN115281361A (zh) * | 2022-08-23 | 2022-11-04 | 中国烟草总公司郑州烟草研究院 | 一种烟叶烘烤过程的控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202208014B (en) | 2022-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teye et al. | Estimating cocoa bean parameters by FT-NIRS and chemometrics analysis | |
| 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 | |
| Slaughter | Nondestructive determination of internal quality in peaches and nectarines | |
| CN113804644A (zh) | 基于近红外光谱的烟叶烘烤过程化学指标预测方法 | |
| Gómez et al. | Non-destructive measurement of acidity, soluble solids and firmness of Satsuma mandarin using Vis/NIR-spectroscopy techniques | |
| Flores et al. | Feasibility in NIRS instruments for predicting internal quality in intact tomato | |
| CN107860740A (zh) | 一种基于近红外光谱技术的红茶发酵品质的评价方法 | |
| Ferrer-Gallego et al. | Evaluation of sensory parameters of grapes using near infrared spectroscopy | |
| CN106568738A (zh) | 一种近红外光谱快速判定不同质量等级茶鲜叶的方法 | |
| CN110132880B (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
| Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
| 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 | |
| Torres et al. | Fast and accurate quality assessment of Raf tomatoes using NIRS technology | |
| Ali et al. | Prediction of total soluble solids and pH in banana using near infrared spectroscopy | |
| 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 | |
| Melado-Herreros et al. | Postharvest ripeness assessment of ‘Hass’ avocado based on development of a new ripening index and Vis-NIR spectroscopy | |
| Sohn et al. | Near‐infrared spectroscopy for determination of protein and amylose in rice flour through use of derivatives | |
| Tarkosova et al. | Determination of carbohydrate content in bananas during ripening and storage by near infrared spectroscopy | |
| CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
| Wang et al. | Development of near‐infrared online grading device for long jujube | |
| Mat et al. | Prediction of sugarcane quality parameters using visible-shortwave near infrared spectroradiometer | |
| Kamal et al. | Comparison of principal component and partial least square regression method in NIRS data analysis for cocoa bean quality assessment | |
| Taira et al. | Development of a nondestructive measurement system for mango fruit using near infrared spectroscopy | |
| Gao et al. | SSC and pH prediction and maturity classification of grapes based on hyperspectral imaging | |
| Huxsoll et al. | Near infrared analysis potential for grading raisin quality and moisture |
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 |