CN114088661A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114088661A CN114088661A CN202111370875.7A CN202111370875A CN114088661A CN 114088661 A CN114088661 A CN 114088661A CN 202111370875 A CN202111370875 A CN 202111370875A CN 114088661 A CN114088661 A CN 114088661A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- spectrum
- tobacco
- prediction
- baking process
- 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 141
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 138
- 230000008569 process Effects 0.000 title claims abstract description 73
- 239000000126 substance Substances 0.000 title claims abstract description 58
- 238000013526 transfer learning Methods 0.000 title claims abstract description 19
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 38
- 229920002472 Starch Polymers 0.000 claims abstract description 34
- 235000019698 starch Nutrition 0.000 claims abstract description 34
- 239000008107 starch Substances 0.000 claims abstract description 34
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 32
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 32
- 235000000346 sugar Nutrition 0.000 claims abstract description 32
- 238000013508 migration Methods 0.000 claims abstract description 27
- 230000005012 migration Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 239000000523 sample Substances 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004497 NIR spectroscopy Methods 0.000 claims description 11
- 239000013307 optical fiber Substances 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 239000004575 stone Substances 0.000 claims description 4
- 210000003462 vein Anatomy 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 238000004811 liquid chromatography Methods 0.000 description 2
- 238000002414 normal-phase solid-phase extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 238000004383 yellowing Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (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)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明属于烟叶烘烤过程分析技术领域，具体涉及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；包括如下步骤：获取烟叶烘烤过程中的烟叶光谱；获取所述烟叶的化学成分值，所述化学成分值包括水分、淀粉、蛋白质和总糖；将所述烟叶光谱和烟叶烘烤化学成分构建预测模型；利用迁移成分分析方法最小化训练集烟叶样本与待预测特征数据集之间的差异，采用偏最小二乘算法对迁移成分分析方法处理后的数据进行多次迭代训练烘烤过程烟叶化学成分预测模型；利用更新后的新模型对烟叶烘烤过程进行在线预测并评价预测结果；可预测烟叶烘烤过程中的关键化学成分的变化趋势，为烟叶烘烤过程的精准调节提供依据。
Description
技术领域
本发明属于烟叶烘烤过程分析技术领域，具体涉及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。
背景技术
烘烤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水分和物质转化，以达到烤黄、烤干、烤香的烘烤目标。近红外光谱作为一种绿色、无损、快速的过程分析技术，能够反映烟叶内部化学成分特征，已广泛应用于烟叶烘烤过程分析。
由于受环境、气候等因素的影响，不同年份的烟叶成分信息会有所差异，对应的光谱信息也会随之变化，使得所建基于近红外光谱技术的烟叶烘烤过程成分检测模型己不适用于新样本，若直接将所建模型用于新烟叶样本的预测，可能得到非常差的预测结果或者模型失效。而对每年度重新建立一个准确、稳定的模型则需要重新收集样本，测量数据，工作量大，周期长，成本高，不符合实际使用的要求。
鉴于此，本方法采用迁移成分分析学习模型训练样本和待测样本的公共迁移成分，尽量减小不同年度烟叶光谱差异即光谱数据的不同分布，然后在此基础上构建的更新模型能够提高烘烤过程烟叶化学成分的预测准确性，模型年份校准可以提升模型的适用性和使用时间，具有重要的实际意义和应用前景。
发明内容
本发明目的是克服以上的缺点，提供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，提高模型的预测精度和应用范围，操作简单，并具有较高的稳健性等优点。可预测烟叶烘烤过程中的关键化学成分的变化趋势，为烟叶烘烤过程的精准调节提供依据。
为解决上述的技术问题，本发明采用以下技术方案：
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，具体包括如下步骤：
(1)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并测定化学成分值，具体包括：
采集烟叶光谱时，对于每个所述烟叶样本，使用光纤探头式近红外光谱仪，在采集时要避开叶脉，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，不破坏烟叶、方便快速；
使用分光光度法、气相色谱-质谱法、液相色谱法、连续流动法、固相萃取法中的一种方法获取烟叶的主要化学成分信息，包括烟叶的水分、淀粉、蛋白质和总糖。
(2)在建立所述烟叶烘烤化学成分预测模型前，对采集的所述烟叶样本的光谱进行预处理和样本划分，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Kennard-Stone样本划分方法选择所有样本的80％作为训练集，剩下的20％作为验证集。
(3)以所述训练集光谱作为输入样本特征，以对应的所述训练集化学成分值作为样本输出标签，使用交互验证选择最佳的潜变量数，通过偏最小二乘方法分别建立所述水分、淀粉、蛋白质和总糖对应的所述烟叶烘烤化学成分预测模型。
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。
(4)使用光纤探头式近红外光谱仪，在新年份烟叶烘烤过程中，于烤房中在线采集光谱数据，参照步骤(1)进行光谱采集，参照步骤(2)进行光谱预处理。
(5)基于迁移成分分析进行光谱迁移并建立更新模型，具体包括：
计算所述的初始模型训练集与目标测试集光谱数据分布之间的MMD；
分别计算初始模型训练集与目标测试集光谱数据的残差rs和rt；
基于所述的初始模型训练集与目标测试集光谱数据残差，分别提取初始模型训练集与目标测试集光谱数据残差特征φs和φt；
基于迁移成分分析同时对初始模型训练集光谱残差特征φs和目标测试集光谱残差特征φt进行特征映射分别得到数据边缘分布的差异在误差范围内的处理后初始模型训练集光谱残差特征和处理后目标测试集光谱残差特征；
迁移成分分析方法，其核心思想是以最大平均值差异方法(MMD)为衡量准则，最小化领域之间的光谱数据分布的距离；采用基于特征表示的方法对光谱数据进行迁移，在初始模型训练集与目标测试集光谱之间寻找适当的共同描述，以实现最小化两个光谱数据领域之间的差异但同时不破坏光谱数据原有的特征属性。
根据所述得到的处理后初始模型训练集光谱残差特征和处理后目标测试集光谱残差特征，将初始模型训练集光谱进行迁移转换。
(6)建立光谱迁移后的更新模型，具体包括：
将迁移后的光谱与少量测试集光谱混合；
使用交互验证选择最佳的光谱；
利用偏最小二乘方法建立含水率、淀粉、蛋白质和总糖过程分析模型(更新模型)。
(7)基于更新模型实现对烟叶烘烤过程水分、淀粉、蛋白质和总糖含量的在线预测，具体包括：
根据步骤(1)在线获取烘烤过程烟叶近红外光谱；
根据步骤(2)对所述获取的在线光谱进行预处理；
将所述预处理后的光谱分别代入步骤(6)所述的水分、淀粉、蛋白质和总糖更新模型，分别计算获得所述烘烤过程烟叶内部的水分、淀粉、蛋白质和总糖含量值。
与现有技术相比，本发明有益效果：
本发明的目的是克服现有技术存在的缺点，提供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，其能够提高跨年份烟叶烘烤过程化学成分预测精度，操作简单，快速有效，并具有较高的稳健性等优点。
本发明的工作原理是：水分、淀粉、蛋白质和总糖作为烟叶烘烤中的关键化学成分可以用来指示烟叶烘烤的进程。基于近红外光谱技术在线采集信号，建立过程分析模型和方法，能够精准监测烟叶烘烤过程内部水分、淀粉、蛋白质和总糖的变化。由于不同年份之间存在很大的生态环境差异,这些差异会导致烟叶光谱数据的不同,使得某一年份采集的光谱数据所建立的模型不能直接用于预测另一年份采集的光谱数据。但是迁移成分分析可以通过学习两个年份烟叶样本光谱之间的公共迁移成分，使得初始模型训练样本和少量待测样本在投影后的子空间中分布差异减少，将建模年份采集的光谱迁移到新年份光谱上并重新建模，可以在很大程度的改善预测结果，提高模型的应用范围和预测准确率。
附图说明
图1为根据本发明基于迁移学习的近红外光谱烟叶烘烤过程化学成分在线预测方法流程示意图。
图2为初始模型验证集烟叶烘烤过程(a)水分、(b)淀粉、(c)蛋白质和(d)总糖真实值与预测值的散点图。
图3为模型更新后的测试集烟叶烘烤过程(a)水分、(b)淀粉、(c)蛋白质和(d)总糖真实值与预测值的散点图。
图4为模型更新后的测试集烟叶水分均值-标准差随烘烤时间变化的折线图。
图5为模型更新后的测试集烟叶淀粉均值-标准差随烘烤时间变化的折线图。
图6为模型更新后的测试集烟叶蛋白质均值-标准差随烘烤时间变化的折线图。
图7为模型更新后的测试集烟叶总糖均值-标准差随烘烤时间变化的折线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
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，具体包括如下步骤：
(1)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并测定化学成分值，具体包括：
采集烟叶光谱时，对于每个所述烟叶样本，使用光纤探头式近红外光谱仪，在采集时要避开叶脉，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，不破坏烟叶、方便快速；
使用分光光度法、气相色谱-质谱法、液相色谱法、连续流动法、固相萃取法中的一种方法获取烟叶的主要化学成分信息，包括烟叶的水分、淀粉、蛋白质和总糖。
(2)在建立所述烟叶烘烤化学成分预测模型前，对采集的所述烟叶样本的光谱进行预处理和样本划分，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Kennard-Stone样本划分方法选择所有样本的80％作为训练集，剩下的20％作为验证集。
(3)以所述训练集光谱作为输入样本特征，以对应的所述训练集化学成分值作为样本输出标签，使用交互验证选择最佳的潜变量数，通过偏最小二乘方法分别建立所述水分、淀粉、蛋白质和总糖对应的所述烟叶烘烤化学成分预测模型。
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。
(4)使用光纤探头式近红外光谱仪，在新年份烟叶烘烤过程中，于烤房中在线采集光谱数据，参照步骤(1)进行光谱采集，参照步骤(2)进行光谱预处理。
(5)基于迁移成分分析进行光谱迁移并建立更新模型，具体包括：
计算所述的初始模型训练集与目标测试集光谱数据分布之间的MMD；
分别计算初始模型训练集与目标测试集光谱数据的残差rs和rt；
基于所述的初始模型训练集与目标测试集光谱数据残差，分别提取初始模型训练集与目标测试集光谱数据残差特征φs和φt；
基于迁移成分分析同时对初始模型训练集光谱残差特征φs和目标测试集光谱残差特征φt进行特征映射分别得到数据边缘分布的差异在误差范围内的处理后初始模型训练集光谱残差特征和处理后目标测试集光谱残差特征；
根据所述得到的处理后初始模型训练集光谱残差特征和处理后目标测试集光谱残差特征，将初始模型训练集光谱进行迁移转换。
(6)建立光谱迁移后的更新模型，具体包括：
将迁移后的光谱与少量测试集光谱混合；
使用交互验证选择最佳的光谱；
利用偏最小二乘方法建立含水率、淀粉、蛋白质和总糖过程分析模型(更新模型)。
(7)基于更新模型实现对烟叶烘烤过程水分、淀粉、蛋白质和总糖含量的在线预测，具体包括：
根据步骤(1)在线获取烘烤过程烟叶近红外光谱；
根据步骤(2)对所述获取的在线光谱进行预处理；
将所述预处理后的光谱分别代入步骤(6)所述的水分、淀粉、蛋白质和总糖更新模型，分别计算获得所述烘烤过程烟叶内部的水分、淀粉、蛋白质和总糖含量值。
具体实施例
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，具体包括如下步骤：
(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)采集样本并测量近红外光谱：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，将光纤探头垂直紧贴烟叶叶面测量光谱，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。
(3)测定烟叶样本的含水量：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。
(4)测定烟叶样本的淀粉、蛋白质和总糖含量：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含量(YC/T 216-2013)、蛋白质含量(YC/T 249-2008)和总糖含量(YC/T 159-2002)。
(5)建立烟叶烘烤过程化学成分预测模型(初始模型)：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；然后，使用Kennard-Stone样本划分方法选择所有样本的80％作为训练集，剩下的20％作为验证集，其次，使用交互验证选择最佳潜变量数，水分、淀粉、蛋白质和总糖选取的潜变量数分别是29、30、30和30；最后，使用偏最小二乘算法分别建立水分、淀粉、蛋白质和总糖多元校正过程分析模型，模型的性能参数见表1，烘烤过程烟叶验证样本(a)水分、(b)淀粉、(c)蛋白质和(d)总糖真实值与预测值的散点图见图2.
表1烟叶烘烤过程化学成分预测初始模型性能参数
(6)在线监测预测集(测试集)样本近红外光谱采集及预处理。使用光纤探头式近红外光谱仪，在新年度烟叶烘烤过程中，于烤房中在线采集光谱数据。参照步骤(5)进行光谱预处理。
(7)基于迁移成分分析进行光谱迁移并建立更新模型。使用迁移成分分析方法计算初始模型训练集与测试集光谱之间的公共迁移成分，然后将初始模型训练集光谱进行迁移转换，将迁移后的光谱与60个测试集光谱混合，参照步骤(5)方法建立含水率、淀粉、蛋白质和总糖过程分析模型(更新模型)。水分、淀粉、蛋白质和总糖更新模型的训练决定系数(R2)分别为0.916、0.892、0.842和0.829，校正均方根误差(RMSEC)分别为5.388％、2.479％、0.817％和2.47％。
(8)在线监测预测集(测试集)并实时预测。基于所述对水分、淀粉、蛋白质和总糖建立的烟叶烘烤化学成分预测初始模型和更新模型，对烟叶烘烤过程中的120个烟叶样本水分、淀粉、蛋白质和总糖进行在线预测，模型预测决定系数(Q2)、预测均方根误差(RMSEP)和相对分析误差(RPD)见表2。
表2烟叶烘烤过程化学成分预测模型更新前后对测试集的预测结果
由表2更新后的水分、淀粉、蛋白质和总糖模型对测试集的相对分析误差(RPD)比初始模型预测的RPD分别提高了302％、202％、147％和269％，RMSEP分别减少了85.7％、82.3％、71.5％和77.6％，预测准确性显著提高；由图3可知，更新后的模型对测试集的预测值与真实值的散点图更紧密的分布在拟合回归线的两侧；从图4、5、6、7可知，测试集烟叶样本水分、淀粉、蛋白质和总糖的真实值与预测值的平均值差异较小，标准偏差在可接受范围内，且总体趋势符合烟叶烘烤过程的变化，表明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是有效的。进而，随着跨年度烟叶样本对模型的不断更新，待预测烟叶样本水分、淀粉、蛋白质和总糖的预测精度将不断提高，亦更为接近实际的含量值。
表3烟叶模型更新后的测试样本水分、淀粉、蛋白质和总糖的真实值与预测值
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。
Claims (8)
1.一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，其特征在于：包括如下步骤：
获取烟叶烘烤过程中的烟叶光谱；
获取所述烟叶的化学成分值，所述化学成分值包括水分、淀粉、蛋白质和总糖；将所述烟叶光谱和烟叶烘烤化学成分构建预测模型；
利用迁移成分分析方法最小化训练集烟叶样本与待预测特征数据集之间的差异，采用偏最小二乘算法对迁移成分分析方法处理后的数据进行多次迭代训练烘烤过程烟叶化学成分预测模型；
利用更新后的新模型对烘烤过程烟叶化学成分进行在线预测并评价预测结果。
2.根据权利要求1所述的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，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成分值建立所述烟叶烘烤过程化学成分预测模型，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成分值；
以所述光谱作为输入样本特征，以对应的所述化学成分值作为样本输出标签，通过偏最小二乘方法分别建立所述水分、淀粉、蛋白质和总糖对应的所述烟叶烘烤化学成分预测模型。
3.根据权利要求2所述的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，其特征在于：在建立所述烟叶烘烤化学成分预测模型前，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Kennard-Stone样本划分方法选择所有样本的80％作为训练集，剩下的20％作为验证集；
使用交互验证选择最佳的光谱潜变量。
4.根据权利要求2所述的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，其特征在于：采集烟叶光谱时，对于每个所述烟叶样本分别采集一条近红外光谱，在采集时要避开叶脉，将光纤探头垂直紧贴烟叶叶面测量光谱。
5.根据权利要求1所述的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，其特征在于：所述迁移学习方法为迁移成分分析方法。
6.根据权利要求5所述的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，其特征在于：采用基于特征表示的方法对光谱数据进行迁移，在初始模型训练集与目标测试集光谱之间寻找适当的共同描述。
7.根据权利要求6所述的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，其特征在于：同时对初始模型训练集与目标测试集光谱残差特征进行特征映射，分别得到光谱数据边缘分布差异在误差范围内的处理后初始模型训练集光谱残差特征和处理后目标测试集光谱残差特征，基于所有处理后初始模型训练集光谱残差特征训练得到烘烤过程烟叶化学成分预测模型。
8.根据权利要求1所述的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，其特征在于：利用更新后的新模型对烟叶烘烤过程进行在线预测并评价预测结果，具体包括：
在线采集所述烘烤过程中待测烟叶样本的光谱并进行预处理；
测定所述烘烤过程中待测烟叶样本的化学成分值；
利用更新后的新模型对烘烤过程待测烟叶样本进行在线预测并评价预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370875.7A CN114088661B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111370875.7A CN114088661B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114088661A true CN114088661A (zh) | 2022-02-25 |
| CN114088661B CN114088661B (zh) | 2024-03-29 |
Family
ID=80301887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111370875.7A Active CN114088661B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114088661B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114371145A (zh) * | 2022-03-21 | 2022-04-19 | 武汉工程大学 | 奶油混合色素的检测方法、装置、电子设备及存储介质 |
| CN115349654A (zh) * | 2022-08-23 | 2022-11-18 | 中国烟草总公司郑州烟草研究院 | 一种烟叶烘烤参数的标定方法 |
| CN117809766A (zh) * | 2023-12-12 | 2024-04-02 | 山东临沂烟草有限公司 | 基于迁移学习的烟叶近红外光谱化学成分模型优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050037515A1 (en) * | 2001-04-23 | 2005-02-17 | Nicholson Jeremy Kirk | Methods for analysis of spectral data and their applications osteoporosis |
| CN102230888A (zh) * | 2011-06-16 | 2011-11-02 | 浙江大学 | 一种检测塑化剂含量的方法 |
| CN108960193A (zh) * | 2018-07-24 | 2018-12-07 | 中北大学 | 一种基于迁移学习的跨组分红外光谱模型移植方法 |
| CN112801300A (zh) * | 2021-01-27 | 2021-05-14 | 福建中烟工业有限责任公司 | 预测烟草样品香气量的方法、装置和计算机可读取介质 |
| CN113607669A (zh) * | 2021-07-30 | 2021-11-05 | 安徽农业大学 | 一种基于迁移学习的土壤养分光谱检测方法 |
-
2021
- 2021-11-18 CN CN202111370875.7A patent/CN114088661B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050037515A1 (en) * | 2001-04-23 | 2005-02-17 | Nicholson Jeremy Kirk | Methods for analysis of spectral data and their applications osteoporosis |
| CN102230888A (zh) * | 2011-06-16 | 2011-11-02 | 浙江大学 | 一种检测塑化剂含量的方法 |
| CN108960193A (zh) * | 2018-07-24 | 2018-12-07 | 中北大学 | 一种基于迁移学习的跨组分红外光谱模型移植方法 |
| CN112801300A (zh) * | 2021-01-27 | 2021-05-14 | 福建中烟工业有限责任公司 | 预测烟草样品香气量的方法、装置和计算机可读取介质 |
| CN113607669A (zh) * | 2021-07-30 | 2021-11-05 | 安徽农业大学 | 一种基于迁移学习的土壤养分光谱检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑文瑞;李绍稳;韩亚鲁;石胜群;朱先志;金秀;: "土壤速效磷近红外迁移学习预测方法研究", 分析测试学报, no. 10 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114371145A (zh) * | 2022-03-21 | 2022-04-19 | 武汉工程大学 | 奶油混合色素的检测方法、装置、电子设备及存储介质 |
| CN115349654A (zh) * | 2022-08-23 | 2022-11-18 | 中国烟草总公司郑州烟草研究院 | 一种烟叶烘烤参数的标定方法 |
| CN117809766A (zh) * | 2023-12-12 | 2024-04-02 | 山东临沂烟草有限公司 | 基于迁移学习的烟叶近红外光谱化学成分模型优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114088661B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
| CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
| CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN109540837B (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| 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 | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| CN110967313A (zh) | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 | |
| 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 | |
| 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 | |
| CN104596980A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶热水可溶物的方法 | |
| 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 | |
| CN110887809B (zh) | 一种基于近红外光谱技术测定烟丝中梗含量的方法 | |
| CN107991265A (zh) | 一种基于信息融合的小麦粉粉质参数快速检测方法 | |
| CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
| CN110186870B (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 | |
| CN117191739A (zh) | 一种校正水分干扰的近红外光谱定量检测的方法及系统 | |
| CN111141809A (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
| CN116662751A (zh) | 一种基于主成分分析与杠杆值法剔除异常样本的烟叶含水率检测方法 | |
| CN104596982A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶果胶的方法 | |
| CN113984708A (zh) | 一种化学指标检测模型的维护方法和装置 | |
| CN113340845A (zh) | 基于支持向量回归算法和太赫兹吸收光谱的大豆中蛋白质定量检测方法 | |
| CN104596974A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶填充值的方法 |
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 |