CN115349654A - 一种烟叶烘烤参数的标定方法 - Google Patents
一种烟叶烘烤参数的标定方法 Download PDFInfo
- Publication number
- CN115349654A CN115349654A CN202211017123.7A CN202211017123A CN115349654A CN 115349654 A CN115349654 A CN 115349654A CN 202211017123 A CN202211017123 A CN 202211017123A CN 115349654 A CN115349654 A CN 115349654A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- tobacco leaf
- baking
- calibrating
- curing
- 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 341
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 341
- 238000000034 method Methods 0.000 title claims abstract description 166
- 230000008569 process Effects 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000001228 spectrum Methods 0.000 claims description 52
- 230000003595 spectral effect Effects 0.000 claims description 36
- 210000003462 vein Anatomy 0.000 claims description 25
- 238000010238 partial least squares regression Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004383 yellowing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 210000002435 tendon Anatomy 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000011179 visual inspection Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/10—Roasting or cooling tobacco
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提出一种烟叶烘烤参数的标定方法，属于烟叶烘烤技术领域。该烟叶烘烤参数的标定方法，烟叶烘烤参数是依据烟叶产区和品种的进行标定；对待测烟叶进行烘烤，实时采集烟叶烘烤过程中的高光谱数据；依据所述高光谱数据，标定烘烤加工烟叶状态变化速率v；依据状态变化速率v预设或者控制该种烟叶实际烘烤过程烘烤参数。该烟叶烘烤参数的标定方法，采用烘烤加工烟叶状态变化指标作为待烘烤烟叶的标定依据，并以此作为预设烟叶烘烤参数，使得预设的烘烤参数更接近烟叶烘烤的最佳参数。
Description
技术领域
本发明涉及烟叶烘烤技术领域，具体是一种基于高光谱技术对烟叶烘烤参数进行标定的方法。
背景技术
密集式烤房烘烤是目前国内普遍采用的烟叶烘烤手段，具有温湿度控制较准确、烘烤效率高和节能环保等有点。目前密集式烤房的温湿度控制主要靠预设程序来控制。烘烤开始前，烘烤人员根据烟叶状态在烤房控制端输入烘烤曲线(干湿球温度曲线)。然而，在实际烘烤过程中，烘烤人员通过目测观察烟叶颜色和形态的变化，决定是否改动预设的烘烤曲线，若需要改动，则在烤房控制端重新调整烘烤曲线，达到改变烤房内温湿度的目的。
事实证明，现有技术中存在的问题是，烤房的温湿度控制的预设程序是在烘烤前依据烟叶状态和烘烤人员个人经验设定。然而，在烘烤的过程中，烟叶状态始终处于不断变化状态下，往往与预设程序所要获得烟叶状态存在较大的偏差。为解决这个问题，目前采用的方法是，在烘烤的过程中，依靠人工目测以及个人经验来判定当前的烟叶状态，并依据人工判定的结果来调节烤房烘烤参数。
申请人基于大量生产实践的研究认为，上述现有技术明显的缺陷是，烟叶烘烤参数的预设与烘烤参数调节是基于两种完全不同的判定标准，特别是建立于两种完全不相同的数据基础上。预设程序是依据烘烤前的烟叶状态和个人经验。而在烘烤的过程中，是依据烟叶的变化状态。两者无论是在标准上还是在数据上，都不存在特定的关联性。无法实现对烟叶烘烤过程精准的控制。并且，依靠人工目测以及个人经验来判定，并作为调节烘烤参数的方法，不仅效率低，而且目测和经验的结果往往偏差较大，大大地影响烟叶烘烤质量。
目前针对烟叶烘烤过程控制方法的研究主要集中在烤房温湿度的自动反馈化控制的现有技术，例如《江苏农业科学》2020.48(04)期222-229发表的《基于内循环除湿的密集烤房烘烤控制系统》，以及《昆明理工大学学报(自然科学版)》2019.44(05)期47-53发表的《全闭式热风循环密集烤房温度控制系统研究》，其控制策略以将烤房内温湿度稳定在预设的烘烤曲线附近为目的，忽略了随着烘烤过程的推进，烟叶状态改变导致的对烤房温湿度需求的改变。
因此，有必要将烟叶烘烤参数的标定与烟叶烘烤过程中对所使用的监控数据进行统一，有利于实现对烘烤过程的自动化控制。通过模型决策，自动调整烤房温湿度，使烟叶始终处于最佳的烘烤状态，从而提升烟叶烘烤质量。
发明内容
本发明的目的在于提供一种烟叶烘烤参数的标定方法，采用烘烤加工烟叶状态指标作为待烘烤烟叶的标定依据，并以此作为预设烟叶烘烤参数，使得预设的烘烤参数更接近实际烟叶烘烤时的最佳参数。
本发明的目的之二，在于提供一种烟叶烘烤参数的标定方法，采用烘烤加工烟叶状态指标，以及烟叶状态变化指标作为烘烤烟叶状态的标定数据，并以此作为实际烘烤过程中，自动监控烟叶烘烤参数调控的依据；有利于对实际烘烤过程的自动化控制，并使得烟叶烘烤参数最大限度地接近烟叶烘烤的最佳状态。
本发明的目的之三，在于提供一种烟叶烘烤参数的标定方法，采用与监控实际烘烤过程相同的数据类型，可以通过数据模型决策，自动调整烟叶烘烤参数进行调控，从而实现对实际烘烤过程的高效、且精准的控制，有利于使得烟叶始终处于最佳的烘烤状态。
本发明的目的之四，在于提供一种烟叶烘烤参数的标定方法，依据高光谱技术烟叶烘烤参数的标定方法，利用高光谱技术所具有的波段窄、信息丰富的特征，提高标定数据的精准度。
本发明的目的是这样实现的：
为达到上述目的，本发明提出一种烟叶烘烤参数的标定方法。所述的烟叶烘烤参数是依据烟叶产区和品种的进行标定；对待测烟叶进行烘烤，实时采集烟叶烘烤过程中的烟叶的高光谱信息；依据所述高光谱信息，标定烘烤烟叶的光谱特征数据；依据所述烟叶的光谱特征数据，预设或者控制该种烟叶实际烘烤过程的烘烤参数。
如上所述的烟叶烘烤参数的标定方法，其中，所述的标定烘烤加工烟叶的光谱特征数据由烟叶状态的光谱特征数据构成。
如上所述的烟叶烘烤参数的标定方法，其中，所述的标定烘烤加工烟叶的光谱特征数据由烟叶状态变化速率v的光谱特征数据构成。
如上所述的烟叶烘烤参数的标定方法，其中，所述的实时采集烟叶高光谱信息，在烟叶标定烘烤过程中，按设定的时间间隔△t采集的在时间t时刻的烟叶的高光谱信息。
如上所述的烟叶烘烤参数的标定方法，其中，所述的设定烟叶状态的数据采集的时间间隔△t＝30～90min。
如上所述的烟叶烘烤参数的标定方法，其中，所述的时间间隔△t较佳为≤60min。
如上所述的烟叶烘烤参数的标定方法，其中，所述的设定烟叶状态变化速率的数据采集的时间间隔△t＝0.1～10min。
如上所述的烟叶烘烤参数的标定方法，其中，所述的时间间隔△t最佳为1～5min。
如上所述的烟叶烘烤参数的标定方法，其中，依据所述的实时采集的烟叶的高光谱信息，是指烟叶状态指标的高光谱信息。
如上所述的烟叶烘烤参数的标定方法，其中，所述烟叶状态指标不得少于包括，烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的其中一种或者一种以上。
如上所述的烟叶烘烤参数的标定方法，其中，在标定所述烟叶状态变化速率v的光谱特征数据时，所选择的烟叶状态指标最佳为不得少于4种。
如上所述的烟叶烘烤参数的标定方法，其中，所述烟叶的光谱特征数据，采用如下方法标定：
S1：将烘烤过程中采集的高光谱信息按照时间顺序排列，并构建烟叶烘烤过程中的烟叶状态原始光谱矩阵A：
其中，m为采集次数；
S2：对原始光谱矩阵A进行预处理，得到预处理之后的光谱矩阵B：
其中，m为采集次数，x为高光谱数据维数；
S3：对预处理之后的光谱矩阵B的对所述烟叶变化状态指标进行特征波段提取；从光谱矩阵B中筛选出至少一个与烟叶状态指标相关性较强的特征波段，形成特征光谱矩阵C：
其中，m为采集次数；n为筛选后的高光谱特征波段数；
如上所述的烟叶烘烤参数的标定方法，其中，所述特征光谱矩阵C，构成所述标定烟叶状态指标的关联建模。
如上所述的烟叶烘烤参数的标定方法，其中，所述烟叶状态变化速率v，采用如下方法计算：
其中，△t为高光谱采集的时间间隔。
n为筛选后的高光谱特征波段数；
m为数据采集次数；
如上所述的烟叶烘烤参数的标定方法，其中，依据所述烟叶状态变化速率v，建立烟叶状态变化最佳速率矩阵V：
如上所述的烟叶烘烤参数的标定方法，其中，所述对原始光谱矩阵A进行预处理，使用一阶导数并结合9点平滑的方法。
如上所述的烟叶烘烤参数的标定方法，其中，所述对原始光谱矩阵A进行预处理，使用校正、平均、平滑、微分、归一化、降维等数据处理方法的其中任意一种，或两种以上方法的结合。
如上所述的烟叶烘烤参数的标定方法，其中，所述的特征光谱矩阵C是从光谱矩阵B中筛选出的至少一个与烟叶变化状态指标关联性较强的特征波段构成。
如上所述的烟叶烘烤参数的标定方法，其中，所述的特征光谱矩阵C分别对应至少一个烟叶变化状态指标。
如上所述的烟叶烘烤参数的标定方法，其中，将所述的预处理后的光谱矩阵B与所述的烟叶变化指标通过偏最小二乘法回归(PLS)处理后，形成所述的特征光谱矩阵C；
如上所述的烟叶烘烤参数的标定方法，其中，所述的烟叶实际烘烤过程烘烤参数为对烟叶的烘烤过程阶段的判断。
如上所述的烟叶烘烤参数的标定方法，其中，所述的烟叶实际烘烤过程至少包括烟叶烘烤过程为变黄期、定色期、干筋期。
如上所述的烟叶烘烤参数的标定方法，其中，所述的烟叶实际烘烤过程烘烤参数控制至少包括烘烤烟叶的温度和湿度。
本发明的技术效果显著的。首先，本发明采用烘烤加工烟叶状态指标作为待烘烤烟叶的标定依据，并以此作为预设烟叶烘烤参数。从而克服了现有技术中采用依据烟叶的烘烤前的状态和烘烤人员个人经验设定的缺陷。使得预设的烘烤参数更接近实际烟叶烘烤时的最佳参数。
进而，在本发明采用烘烤加工烟叶状态指标，以及烟叶状态变化指标作为烘烤烟叶参数的标定依据。作为实际烘烤过程中监控烟叶烘烤参数调控的依据，从而克服了现有技术中依靠人工目测以及个人经验来对烟叶的烘烤过程进行监控，并依据人工判定的结果来调节烤房烘烤参数的缺陷。从而实现了对实际烘烤过程的自动化监控和控制，并确保烟叶烘烤参数最大限度地接近烟叶烘烤的最佳状态。
本发明克服了现有技术中烘烤过程参数的预设和监控数据不相同的缺陷。采用了标定与监控实际烘烤过程相同的数据类型。实现了烟叶烘烤过程中数据模型决策，自动调整烟叶烘烤参数进行调控。大大地提高了对实际烘烤过程控制的效率和精准度。有利于确保烟叶始终处于最佳的烘烤状态。
特别是，在本发明中，采用了高光谱技术烟叶烘烤参数的标定方法，利用高光谱技术所具有的波段窄信息丰富的特征，使得本发明方法标定的数据具有精准高，数据丰富的特点。
附图说明
图1A显示了本发明实施例1的烟叶含水率的PLS提取特征波段的碎石图。
图1B显示了本发明实施例1的烟叶含水率的PLS提取特征波段结果。
图2A显示了本发明实施例2的叶片颜色的PLS提取特征波段的碎石图。
图2B显示了本发明实施例2的叶片颜色的PLS提取特征波段结果。
图3A显示了本发明实施例3的PLS提取特征波段的碎石图。
图3B显示了本发明实施例3的PLS提取特征波段结果。
图4本发明实施例1的光谱特征数据标定方法的流程图。
图5本发明实施例2的光谱特征数据标定方法的流程图。
在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并不是具体限定本发明各部件的形状和比例尺寸。本领域的技术人员在本发明的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。
具体实施方式
本发明提供了一种烟叶烘烤参数的标定方法，所述的烟叶烘烤参数是依据烟叶产区和品种的进行标定；对待测烟叶进行烘烤，实时采集烟叶烘烤过程中的烟叶的高光谱信息；依据所述高光谱信息，标定烘烤加工烟叶的光谱特征数据；依据所述烟叶的光谱特征数据，预设或者控制该种烟叶实际烘烤过程的烘烤参数。
由于本发明采用了烘烤加工烟叶状态指标作为待烘烤烟叶的标定依据，并以此作为预设烟叶烘烤参数，从而克服了现有技术中采用依据烟叶的烘烤前的状态和烘烤人员个人经验设定的缺陷。使得预设的烘烤参数更接近实际烟叶烘烤时的最佳参数。并且，本发明采用的烟叶状态指标还可以作为实际烘烤过程中监控烟叶烘烤参数调控的依据。从而可以克服现有技术中依靠人工目测以及个人经验来对烟叶的烘烤过程进行监控，并依据人工判定的结果来调节烤房烘烤参数的缺陷。从而实现了对实际烘烤过程的自动化监控和控制，并确保烟叶烘烤参数最大限度地接近烟叶烘烤的最佳状态。
在本发明的一个可实施方式中，所述的标定烘烤加工烟叶的光谱特征数据由烟叶状态的光谱特征数据构成。
在本发明的另一个可实施方式中，所述的标定烘烤加工烟叶的光谱特征数据由烟叶状态变化速率v的光谱特征数据构成。
在本发明的一种可实施方式中，所述实时采集烟叶高光谱数据，在烟叶烘烤过程中，按设定的时间间隔△t采集的在时间t时刻的烟叶的高光谱数据。
本发明一个可实施方式中，所述的设定烟叶状态的数据采集的时间间隔△t＝30～90min。本发明中，时间间隔△t可以依据计算设备的运算能力，或者生产实际对数据量的需求进行选择。在本发明的一个较佳的实施方式中，所述的时间间隔△选择为≤60min。按本实施例时间间隔△t所采集的数据可以用于烟叶烘烤过程阶段的判断。
在另一个可实施方式中，所述的设定烟叶状态变化速率的数据采集的时间间隔△t＝0.1～10min。其中，所述的时间间隔△t最佳为1～5min。按本实施例时间间隔△t所采集的数据适用于烟叶实际烘烤过程中对烘烤参数控制。
在本发明的一个可实施方式中，依据所述的实时采集的烟叶的高光谱信息，是指烟叶状态指标的高光谱信息。所述烟叶状态指标不得少于包括，烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的其中一种或者一种以上。
在本发明的一个具体的实施方式中，在标定所述烟叶状态变化速率v的光谱特征数据时，所选择的烟叶状态指标最佳为不得少于4种。
大量的生产实践证明，发明中的7项烟叶状态指标基本上可以表达烘烤状态下的烟叶状态。因此无需采用通过高光谱技术采集的所有的庞大的信息，有利于减轻计算机对信息数据处理和算计的压力和强度，从而加快了数据反馈的速度。
在本发明的一个可实施方式中，
所述烟叶的光谱特征数据，采用如下方法标定，如图4所示：
S1：将烘烤过程中采集的高光谱信息按照时间顺序排列，并构建烟叶烘烤过程中的烟叶状态原始光谱矩阵A：
其中，m为采集次数；
S2：对原始光谱矩阵A进行预处理，得到预处理之后的光谱矩阵B：
其中，m为采集次数，n为高光谱数据维数；
S3：对预处理之后的光谱矩阵B的对所述烟叶变化状态指标进行特征波段提取；从光谱矩阵B中筛选出至少一个与烟叶变化指标相关性较强的特征波段，形成烟叶的特征光谱矩阵C：
其中，m为采集次数；n为筛选后的高光谱特征波段数；
本发明中，所述特征光谱矩阵C，构成所述标定烟叶状态指标的关联建模。
本发明一个可实施方式中，所述计算烟叶状态变化速率v，由如下方法获得：
其中，△t为高光谱采集的时间间隔，单位min。
n为筛选后的高光谱特征波段数；
m为数据采集次数；
依据所述烟叶状态变化速率v，建立烟叶状态变化最佳速率矩阵V：
在本实施方式中，通过统计学原理所建立的烟叶状态变化最佳速率矩阵V，首先是作为烟叶烘烤过程参数标定的重要的依据。从而建立了对实际的烟叶烘烤过程的监控建立重要的依据，提供了可以量化的数据标准。
在本发明的一个可实施方式中，对原始光谱矩阵A进行预处理，是使用一阶导数并结合9点平滑的方法。
而在本发明的一些具体实施方式中，对原始光谱矩阵A进行预处理，还可以使用校正、平均、平滑、微分、归一化、降维中任意一种常规的数据处理方法，或两种以上方法的结合。
由于本发明所涉及的烟叶烘烤加工，通常情况下，每次烘烤所需时间约102～170小时。如果按间隔时间△t为0.5～5min进行采集数据，所要采集的数据是相当庞大的。因此有必要通过一些数据分析方法对原始光谱矩阵A预处理，有利于从庞大的数据中获得所述各种烟叶状态随时间变化的状态及其变化程度的最具有关联性的数据。
在本发明的一个实施方式中，所述的特征光谱矩阵C是从光谱矩阵B中筛选出的至少一个与烟叶变化状态指标关联性较强的特征波段构成。并且，所述的每个特征光谱矩阵C分别对应至少一个烟叶变化状态指标，以作为建立烟叶变化状态关联数据的基础。
本发明的标定方法，可以选择标定全部的烟叶变化指标，也可以依据设备的处理能力，或者实际烘烤的要求选择对部分的烟叶变化指标进行标定。
其中一个具体的可实施方式，将所述的预处理后的光谱矩阵B与所述的烟叶变化指标通过偏最小二乘法回归(PLS)处理后，形成所述的特征光谱矩阵C。并通过采用PLS数学优化技术处理，获得的最佳特征光谱矩阵C。
本发明中，所述的烟叶实际烘烤过程烘烤参数为对烟叶的烘烤过程阶段的判断。其中，所述的烟叶实际烘烤过程至少包括烟叶烘烤过程为变黄期、定色期、干筋期。
本发明中，所述的烟叶实际烘烤过程烘烤参数控制至少包括烘烤烟叶的温度和湿度。
而本发明以烟叶状态指标或者烟叶状态指标作为实际烘烤过程中，监控烟叶烘烤参数调控的依据，可以实际烘烤过程最大限度地接近烟叶烘烤的最佳状态。
而本发明提供的一种烟叶烘烤参数的标定方法，采用了与监控烘烤过程相同的数据类型，可以通过数据模型决策，自动调整烟叶烘烤参数进行调控，从而实现对实际烘烤过程的高效、且精准的控制，使烟叶始终处于最佳的烘烤状态。
下面将结合的本发明的具体实施例进一步说明本发明。
实施例1：
在本实施例，是对烟叶为翠碧1号中部烟叶，产地福建三明的烟叶状态的标定方法。
(1)对该批次烟叶样品进行烘烤；设定采集烟叶高光谱信息时间间隔△t＝60min。并对每次采集到的高光谱信息采集的时刻t添加时间。设定的数据采集时刻t时间标签分别分：第1h、第2h……第mh(其中m为数据采集时间标签顺序)。
(2)标定每个时刻t的烟叶状态的光谱特征数据：
S1：将高光谱信息按照时间顺序排列，并构建烟叶烘烤过程中的原始光谱矩阵A：
其中，m为数据采集次数，本例中m＝160，
n为高光谱数据维数(下同)，本例中n＝2100。
S2：对原始光谱矩阵A进行预处理，本例中使用一阶导数并结合9点平滑的方法，得到预处理之后的光谱矩阵B：
S3：通过对预处理之后的光谱矩阵B进行烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率等指标的特征波段提取。
具体方法为：将预处理后的光谱矩阵B与上述指标进行偏最小二乘法回归(PLS)，从光谱矩阵B中筛选出与上述指标相关性较强的特征波段，从而形成特征光谱矩阵C1、C2、C3……C7，分别对应烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率7项指标。
下面以本实施例中的以烟叶含水率和叶片颜色2项指标的标定进行详细的说明。通过对烟叶含水率、叶片颜色的PLS提取特征波段，其结果如图1A、图1B和图2A和科2B所示，其中烟叶含水率筛选出2个特征波段，烟叶颜色筛选出5个特征波段，最终形成烟叶含水率特征波段矩阵C1和烟叶颜色特征波段矩阵C2：
采用同样的方法，最终形成烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的特征波段矩阵的建立。
本实施例1中，通过对本次烘烤各时刻t数据通过上述标定方法，获得如下标定结果：本次烘烤共需耗时至少160h：其中1-100h标定为变黄期，101-135h标定为定色期，136-160h为标定干筋期。其中0-33h为变黄前期，34-66h为变黄中期，67-100h为变黄末期；101-112h为定色前期，113-124h标定为定色中期，125-135h标定为定色末期；136-144h标定为干筋前期，145-153h标定为干筋中期，153-160h标定为干筋末期。
在本实施例1中，通过统计学原理所获得每个烟叶状态指标的特征波段矩阵C1～C7，构成了对烟叶烘烤过程阶段进行判断的量化的关联数模。可以依据关联数模C1～C7预设实际烘烤过程中判断的依据，同时又作为对实际烘烤过程中判断烘烤过程阶段进行判断的量化依据。
实施例2
在本实施例，在本实施例中，是另一种对待加工的烟叶为翠碧1号中部烟叶，产地福建三明的烟叶状态变化速率的标定方法。
首先，需果说明的是，本发明的标定方法至少是依据烟叶的产区和品种进行标定。在其他产区和品种上首次使用该发明所述的方法时也应做此项标定，非首次应用时，可使用首次应用时的标定，也可以重新标定。
(1)本实施例2中，可以与实施例1同时采用相同的烘烤过程。
烘烤过程中，实时采集烟叶高光谱数据。在本实施例2中，所述的时间间隔△t＝1min。(本发明中的时间间隔△t的设定可根据计算机算力进行调整，在算力允许的情况内，时间间隔△t越短越好)。直至该次烘烤结束，共用时172h，即10320min。
(2)标定每个时刻t的烟叶状态变化速率的光谱特征数据，如图5所示
S1：将每个数据采集时刻t和高光谱信息按照时间顺序排列，并构建烟叶烘烤过程中的烟叶状态原始光谱矩阵A：
其中，m为本次烘烤的数据采集次数，其值取决于烘烤总时长和数据采集间隔，本实施例2中m＝10320(172*60)，
x为高光谱数据维数，本例中x＝2100。
S2：对原始光谱矩阵A进行预处理，本实施例中使用一阶导数并结合9点平滑的方法进行预处理，得到预处理之后的光谱矩阵B：
其中，m＝10320，x为高光谱数据维数，x＝2100。
S3：对预处理之后的光谱矩阵B进行烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率等指标的特征波段提取。硬件设备条件满足要求的情况下选择全指标为最佳。实际操作过程中，可根据硬件设备，可以采用缩减个别指标的。
S4：具体方法为：将预处理后的光谱矩阵B与上述指标进行偏最小二乘法回归(PLS)，PLS提取特征波段结果，如图3A和图3B所示。从光谱矩阵B中筛选出10个与上述指标相关性较强的特征波段，形成特征光谱矩阵C：
其中，本实施例中m＝1～10320；
筛选后的高光谱特征波段数n＝10。
在本实施例中，选择全指标，应当获取C1～C10个特征光谱矩阵，每个特征光谱矩阵对应一个烟叶变化状态指标。
S5：计算烟叶状态变化速率v，利用如下公式：
其中，采样时间间隔△t＝1min。
S6：依据计算烟叶状态变化速率v，形成烟叶状态变化最佳速率矩阵V：
其中，筛选后的高光谱特征波段数n＝10。
在本实施例2中，通过统计学原理所获得的烟叶状态变化最佳速率矩阵V，构成一个对烟叶烘烤过程参数量化比较的关联数摸作为标定的结果。可以依据关联数模V1～V10预设实际烘烤过程中烘烤参数。同时又作为对实际烘烤过程中，监控烘烤过程进行量化比较的数据依据。
实施例3
本实施例3的标定方法与实施例2基本相同，其中一个区别是对数据采集时间的间隔△t不同。其区别二是在全项指标中去除烟叶颜色均匀性和烟叶形态2项指标，选择5项指标进行标定。
本实施例3中，△t取值分别为，0.5、1、5、10、20min。试验证明，采样时间间隔△t越小，烟叶变化状态判断准确率越高。以△t分别为0.5、1、5min为例时的烟叶状态判断准确率达到90％以上，可以满足对生产过程中对参数控制要求。采样时间间隔△t越小，烟叶状态变化速率变异系数越小，说明烘烤条件的控制越准确，当时间间隔△t为0.5、1、5min的烟叶状态变化速率变异系数均在5％以下，基本上可以满足较为严格的控制要求。本实施例3中，当△t取值分别10、20min的情况下，其控制准确度下降的幅度较大，不再适用于对烘烤条件的控制精度要求较高的情况。
在本发明中采样时间间隔△t对反馈控制时间的影响不大。但是，当△t的取值为0.5min的采样时间间隔下，反馈控制时间占到了采样间隔的50％以上，因此密集的采样间隔△t会增大对反馈控制时间。因此结合烟叶状态判断准确率和反馈控制时间的两个角度考量，采样时间间隔△t＝1～5min为最佳。本实施例的试验数据列表如表1
表1
实施例4
本实施例4的标定方法与实施例2基本相同。其区别在于对烟叶状态指标数量进行了调整。在实施例2选择了全7项指标进行标定。在本实施例4中，从烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率等7项指标，去除了主脉颜色、烟叶颜色均匀性和烟叶形态3项指标，保留了其余的4项指标进行了试验，试验结果参见表2。
试验数据表明，将烟叶状态指标从7个缩减到5个后，均方根误差RMSE从0.2037增加到了0.2154，特征波段从10个缩减到7个，由于误差的略微增大和特征波段数的减少，导致烟叶状态判断准确率从97.8％下降到了90.5％。在选用5个烟叶状态指标的情况下，烟叶状态变化速率变异系数为3.7％，可以接受，同时反馈控制时间13.2s也处于可接受范围内，因此缩减烟叶状态指标个数为5个后，依然能满足本发明的控制要求，在硬件条件受限的情况下，可以考虑将烟叶状态指标缩减为5个。
从附图3A和附图3B可以看出，当烟叶状态指标从7个缩减到4个后，均方根误差RMSE从0.2037增加到了0.2418，特征波段从10个缩减到了5个，由于误差的增大和特征波段数的减少，导致烟叶状态判断准确率从97.8％下降到了77.9％。在生产实践中，当选用4个烟叶状态指标的情况下，虽然烟叶状态变化速率变异系数5.4％可以满足烟叶状态判断准确率最基本要求，同时反馈控制时间缩短到了10.7s。但是，由于烟叶状态判断准确率大幅下降，因此缩减烟叶状态指标个数为4个后，已经不能满足对烟叶烘烤条件控制精度的要求，因此烟叶状态指标个数不得小于4个。
表2
针对上述各实施方式的详细解释，其目的仅在于对本发明进行解释，以便于能够更好地理解本发明，但是，这些描述不能以任何理由解释成是对本发明的限制，特别是，在不同的实施方式中描述的各个特征也可以相互任意组合，从而组成其他实施方式，除了有明确相反的描述，这些特征应被理解为能够应用于任何一个实施方式中，而并不仅局限于所描述的实施方式。
Claims (23)
1.一种烟叶烘烤参数的标定方法，其特征在于，所述的烟叶烘烤参数是依据烟叶产区和品种的进行标定；对待测烟叶进行烘烤，实时采集烟叶烘烤过程中的烟叶的高光谱信息；依据所述高光谱信息，标定烘烤烟叶的光谱特征数据；依据所述烟叶的光谱特征数据，预设或者控制该种烟叶实际烘烤过程的烘烤参数。
2.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，所述的标定烘烤加工烟叶的光谱特征数据由烟叶状态的光谱特征数据构成。
3.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，所述的标定烘烤加工烟叶的光谱特征数据由烟叶状态变化速率v的光谱特征数据构成。
4.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，所述的实时采集烟叶高光谱信息，在烟叶标定烘烤过程中，按设定的时间间隔Δt采集的在时间t时刻的烟叶的高光谱信息。
5.如权利要求2或4的烟叶烘烤参数的标定方法，其特征在于，所述的设定烟叶状态的数据采集的时间间隔Δt＝30～90min。
6.如权利要求5的烟叶烘烤参数的标定方法，其特征在于，所述的时间间隔Δt较佳为≤60min。
7.如权利要求3或4的烟叶烘烤参数的标定方法，其特征在于，所述的设定烟叶状态变化速率的数据采集的时间间隔Δt＝0.1～10min。
8.如权利要求7的烟叶烘烤参数的标定方法，其特征在于，所述的时间间隔Δt最佳为1～5min。
9.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，依据所述的实时采集的烟叶的高光谱信息，是指烟叶状态指标的高光谱信息。
10.如权利要求9的烟叶烘烤参数的标定方法，其特征在于，所述烟叶状态指标不得少于包括，烟叶含水率、叶片颜色、主脉颜色、烟叶颜色均匀性、主脉形态、烟叶形态、主脉含水率的其中一种或者一种以上。
11.如权利要求3或10的烟叶烘烤参数的标定方法，其特征在于，在标定所述烟叶状态变化速率v的光谱特征数据时，所选择的烟叶状态指标最佳为不得少于4种。
12.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，所述烟叶的光谱特征数据，采用如下方法标定：
S1：将烘烤过程中采集的高光谱信息按照时间顺序排列，并构建烟叶烘烤过程中的烟叶状态原始光谱矩阵A：
其中，m为采集次数；
S2：对原始光谱矩阵A进行预处理，得到预处理之后的光谱矩阵B：
其中，m为采集次数，x为高光谱数据维数；
S3：对预处理之后的光谱矩阵B的对所述烟叶变化状态指标进行特征波段提取；从光谱矩阵B中筛选出至少一个与烟叶状态指标相关性较强的特征波段，形成特征光谱矩阵C：
其中，m为采集次数；n为筛选后的高光谱特征波段数。
13.如权利要求11的烟叶烘烤参数的标定方法，其特征在于，所述特征光谱矩阵C，构成所述标定烟叶状态指标的关联建模。
14.如权利要求3或11的烟叶烘烤参数的标定方法，其特征在于，所述烟叶状态变化速率v，采用如下方法计算：
其中，Δt为高光谱采集的时间间隔；
n为筛选后的高光谱特征波段数；
m为数据采集次数。
15.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，依据所述烟叶状态变化速率v，建立烟叶状态变化最佳速率矩阵V：
16.如权利要求12的烟叶烘烤参数的标定方法，其特征在于，所述对原始光谱矩阵A进行预处理，使用一阶导数并结合9点平滑的方法。
17.如权利要求12的烟叶烘烤参数的标定方法，其特征在于，所述对原始光谱矩阵A进行预处理，使用校正、平均、平滑、微分、归一化、降维等数据处理方法的其中任意一种，或两种以上方法的结合。
18.如权利要求12的烟叶烘烤参数的标定方法，其特征在于，所述的特征光谱矩阵C是从光谱矩阵B中筛选出的至少一个与烟叶变化状态指标关联性较强的特征波段构成。
19.如权利要求5或12或14的烟叶烘烤参数的标定方法，其特征在于，所述的特征光谱矩阵C分别对应至少一个烟叶变化状态指标。
20.如权利要求5或12或14的烟叶烘烤参数的标定方法，其特征在于，将所述的预处理后的光谱矩阵B与所述的烟叶变化指标通过偏最小二乘法回归(PLS)处理后，形成所述的特征光谱矩阵C。
21.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，所述的烟叶实际烘烤过程烘烤参数为对烟叶的烘烤过程阶段的判断。
22.如权利要求21的烟叶烘烤参数的标定方法，其特征在于，所述的烟叶实际烘烤过程至少包括烟叶烘烤过程为变黄期、定色期、干筋期。
23.如权利要求1的烟叶烘烤参数的标定方法，其特征在于，所述的烟叶实际烘烤过程烘烤参数控制至少包括烘烤烟叶的温度和湿度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211017123.7A CN115349654A (zh) | 2022-08-23 | 2022-08-23 | 一种烟叶烘烤参数的标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211017123.7A CN115349654A (zh) | 2022-08-23 | 2022-08-23 | 一种烟叶烘烤参数的标定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115349654A true CN115349654A (zh) | 2022-11-18 |
Family
ID=84002849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211017123.7A Pending CN115349654A (zh) | 2022-08-23 | 2022-08-23 | 一种烟叶烘烤参数的标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115349654A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110071807A1 (en) * | 2008-05-28 | 2011-03-24 | Philippe Hubert | Analysing spectral data for the selection of a calibration model |
| CN109645540A (zh) * | 2018-11-19 | 2019-04-19 | 武汉华喻燃能工程技术有限公司 | 一种基于物联网的烤房远程控制系统 |
| CN113002816A (zh) * | 2021-02-23 | 2021-06-22 | 湖北省烟草科学研究院 | 一种烤烟烘烤工艺智能控制方法 |
| CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
| 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 |
| CN114331979A (zh) * | 2021-12-16 | 2022-04-12 | 华南农业大学 | 一种烟叶烘烤的智能决策方法和系统 |
| CN114868948A (zh) * | 2022-06-14 | 2022-08-09 | 云南省烟草公司楚雄州公司 | 一种烟叶智能化烘烤动态管理方法 |
| CN114913100A (zh) * | 2022-05-16 | 2022-08-16 | 中国烟草总公司四川省公司 | 一种基于图像分析的烟叶烘烤程度检测方法 |
-
2022
- 2022-08-23 CN CN202211017123.7A patent/CN115349654A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110071807A1 (en) * | 2008-05-28 | 2011-03-24 | Philippe Hubert | Analysing spectral data for the selection of a calibration model |
| CN109645540A (zh) * | 2018-11-19 | 2019-04-19 | 武汉华喻燃能工程技术有限公司 | 一种基于物联网的烤房远程控制系统 |
| CN113002816A (zh) * | 2021-02-23 | 2021-06-22 | 湖北省烟草科学研究院 | 一种烤烟烘烤工艺智能控制方法 |
| CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
| 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 |
| CN114331979A (zh) * | 2021-12-16 | 2022-04-12 | 华南农业大学 | 一种烟叶烘烤的智能决策方法和系统 |
| CN114913100A (zh) * | 2022-05-16 | 2022-08-16 | 中国烟草总公司四川省公司 | 一种基于图像分析的烟叶烘烤程度检测方法 |
| CN114868948A (zh) * | 2022-06-14 | 2022-08-09 | 云南省烟草公司楚雄州公司 | 一种烟叶智能化烘烤动态管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104914720B (zh) | 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法 | |
| CN113002816B (zh) | 一种烤烟烘烤工艺智能控制方法 | |
| CN103393211B (zh) | 可在线检测和控制打叶风分质量的打叶去梗工艺 | |
| CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| CN112414967B (zh) | 一种快速实时检测蒲黄炭炮制的近红外质控方法 | |
| CN114403487A (zh) | 一种松散回潮的加水控制方法 | |
| CN114304699A (zh) | 一种烟叶初烤青黄比例提取方法 | |
| Wang et al. | Intelligent tobacco flue-curing method based on leaf texture feature analysis | |
| CN113358647B (zh) | 一种烟草烘烤数据预测监控模型建立方法 | |
| CN115349654A (zh) | 一种烟叶烘烤参数的标定方法 | |
| CN109146270B (zh) | 一种蔬菜秧苗壮苗指数的建立方法 | |
| CN109212095B (zh) | 一种快速评价甜叶菊综合质量的方法 | |
| CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
| CN115290579A (zh) | 一种烟叶烘烤过程阶段的判断方法 | |
| CN107704690B (zh) | 一种对茶叶杀青摊放的影响参数进行优化的方法 | |
| CN112348064B (zh) | 白术叶面积无损估算系统 | |
| CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
| CN115281361A (zh) | 一种烟叶烘烤过程的控制方法 | |
| CN113455696A (zh) | 一种通过烟叶类胡萝卜素降解率判断醇化进程的方法 | |
| CN113796557A (zh) | 一种烟叶动态控湿烘烤控制方法和控制系统 | |
| CN113017137B (zh) | 一种烟梗的增压蒸梗出口温度的控制方法及系统 | |
| CN116028834B (zh) | 一种基于XGBoost算法的小麦赤霉病预测方法 | |
| CN117765300A (zh) | 一种烟叶烘烤过程淀粉和水分含量的预测方法和装置 | |
| CN117368146B (zh) | 一种菌丝体蛋白含量的快速检测方法 | |
| CN118350213A (zh) | 一种基于大豆籽粒近红外光谱测定豆浆稳定系数的方法 |
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 |