RU2797495C1 - Method for using spectroscopic data to determine the organoleptic characteristics of mainstream cigarette smoke - Google Patents
Method for using spectroscopic data to determine the organoleptic characteristics of mainstream cigarette smoke Download PDFInfo
- Publication number
- RU2797495C1 RU2797495C1 RU2021133753A RU2021133753A RU2797495C1 RU 2797495 C1 RU2797495 C1 RU 2797495C1 RU 2021133753 A RU2021133753 A RU 2021133753A RU 2021133753 A RU2021133753 A RU 2021133753A RU 2797495 C1 RU2797495 C1 RU 2797495C1
- Authority
- RU
- Russia
- Prior art keywords
- spectroscopic data
- cigarette smoke
- mainstream
- mainstream cigarette
- surface layer
- Prior art date
Links
Images
Abstract
Description
Область техникиTechnical field
Настоящее изобретение относится к области технологий оценки качества табачной продукции, и, в частности, оно относится к способу органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока.The present invention relates to the field of technologies for assessing the quality of tobacco products, and in particular, it relates to a method for organoleptic assessment based on spectroscopic data of mainstream cigarette smoke.
Предпосылки изобретенияBackground of the invention
Сигареты являются специфическим потребительским товаром, в котором ключевые компоненты в дыме основного потока непосредственно влияют на качество курения и ощущения во рту от него, поэтому то, как эффективно установить релевантность компонентов дыма в отношении органолептической оценки для выполнения точной оценки изделия, становится существенной технической проблемой, требующей незамедлительного решения в табачной промышленности.Cigarettes are a specific consumer product in which key constituents in mainstream smoke directly affect smoking quality and mouthfeel, so how to effectively establish the relevance of smoke constituents in terms of organoleptic evaluation to perform an accurate product evaluation becomes a significant technical challenge. requiring an immediate solution in the tobacco industry.
Сегодня способы органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока основываются на экспертной оценке, то есть органолептическая оценка осуществляется путем курения специалистами сигарет с последующим выставлением им соответствующих оценок на основании поставленных баллов. Такие способы органолептической оценки зависят от сотрудников, и на выполняемую вручную оценку влияют факторы, связанные с самими выполняющими органолептическую оценку сотрудниками, а также внешняя среда, а это вносит в результаты оценки сигарет фактор неопределенности; в то же время способы экспертной оценки характеризуются такими проблемами, как существенные затраты времени и сил, сложность процесса, низкая эффективность, нестабильность результатов органолептической оценки и т. п. Следовательно, имеется острая необходимость в способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока.Today, organoleptic evaluation methods based on spectroscopic data of mainstream cigarette smoke are based on expert judgment, that is, organoleptic evaluation is carried out by smoking cigarettes by experts and then assigning them appropriate ratings based on the scores. Such sensory evaluation methods are employee dependent, and manual evaluation is influenced by factors related to the sensory evaluation employees themselves as well as the external environment, and this introduces an uncertainty factor into the results of cigarette evaluation; at the same time, expert evaluation methods are characterized by problems such as significant time and effort, process complexity, low efficiency, instability of sensory evaluation results, etc. Therefore, there is an urgent need for a sensory evaluation method based on spectroscopic data of mainstream cigarette smoke. .
Суть изобретенияThe essence of the invention
Цель настоящего изобретения заключается в предоставлении способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока, который решит вышеуказанные проблемы существующих технологий и обеспечит возможность улучшения эффективности, правильности и надежности органолептической оценки сигаретного дыма основного потока.It is an object of the present invention to provide a sensory evaluation method based on spectroscopic data of mainstream cigarette smoke that solves the above problems of existing technologies and enables the efficiency, correctness and reliability of sensory evaluation of mainstream cigarette smoke to be improved.
Согласно настоящему изобретению предложен способ органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока, который включает:According to the present invention, a method for organoleptic evaluation based on spectroscopic data of mainstream cigarette smoke is provided, which includes:
улучшение спектроскопических данных сигаретного дыма основного потока от нескольких сигарет;improving spectroscopic data of mainstream cigarette smoke from multiple cigarettes;
извлечение спектральных признаков поверхностного слоя из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты после улучшения данных;extracting surface layer spectral features from said mainstream cigarette spectroscopic data from each cigarette after data enhancement;
получение результатов касательно органолептических характеристик поверхностного слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя, и указанных спектральных признаков поверхностного слоя;obtaining results regarding sensory surface layer characteristics associated with all said mainstream cigarette smoke spectroscopic data based on said mainstream cigarette smoke spectroscopic data from each cigarette from which said surface layer spectral features were extracted and said surface layer spectral features;
извлечение пространственных признаков глубокого слоя из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя;extracting deep layer spatial features from said mainstream cigarette spectroscopic data from each cigarette from which said surface layer spectral features have been extracted;
получение результатов касательно органолептических характеристик глубокого слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные пространственные признаки глубокого слоя, и указанных пространственных признаков глубокого слоя;obtaining results regarding deep layer sensory characteristics associated with all said mainstream cigarette smoke spectroscopic data based on said mainstream cigarette smoke spectroscopic data from each cigarette from which said deep layer spatial features are extracted and said deep layer spatial features;
получение обобщенных результатов касательно органолептических характеристик, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя.obtaining summarized sensory characteristics results associated with all said mainstream cigarette smoke spectroscopic data based on said surface layer sensory characteristics results and said deep layer sensory characteristics results.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока указанные спектроскопические данные сигаретного дыма основного потока содержат данные спектра в среднем инфракрасном диапазоне.Preferably, in the above method of sensory evaluation based on mainstream cigarette smoke spectroscopic data, said mainstream cigarette smoke spectroscopic data comprises mid-infrared spectrum data.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока улучшение указанных спектроскопических данных сигаретного дыма основного потока от нескольких сигарет, в частности, включает:Preferably, in the above method of sensory evaluation based on spectroscopic data of mainstream cigarette smoke, the improvement of said spectroscopic data of mainstream cigarette smoke from several cigarettes, in particular, comprises:
выполнение горизонтального отражения спектроскопических данных сигаретного дыма основного потока от каждой сигареты;performing horizontal reflection of spectroscopic data of mainstream cigarette smoke from each cigarette;
выполнение случайной обрезки подвергнутых горизонтальному отражению спектроскопических данных сигаретного дыма основного потока от каждой сигареты;performing random cropping of the horizontally reflected spectroscopic mainstream cigarette smoke data from each cigarette;
обработку физических возмущений в отношении подвергнутых случайной обрезке спектроскопических данных сигаретного дыма основного потока от каждой сигареты;processing physical disturbances with respect to the randomly clipped spectroscopic data of mainstream cigarette smoke from each cigarette;
обработку возмущений компонентов в отношении подвергнутых обработке физических возмущений спектроскопических данных сигаретного дыма основного потока от каждой сигареты.processing component perturbations with respect to the physical perturbation processed mainstream cigarette smoke spectroscopic data from each cigarette.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока извлечение спектральных признаков поверхностного слоя из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты после улучшения данных, в частности, включает:Preferably, in the above method of sensory evaluation based on mainstream cigarette smoke spectroscopic data, extracting surface layer spectral features from said mainstream cigarette smoke spectroscopic data from each cigarette after data enhancement specifically comprises:
исключение точек данных касательно выбросов в спектроскопических данных сигаретного дыма основного потока от нескольких сигарет с помощью критерия Т-квадрата Хотеллинга для спектрального вектора с исключением аномальных данных в спектроскопических данных сигаретного дыма основного потока;eliminating data points regarding emissions in the spectroscopic data of mainstream cigarette smoke from several cigarettes using the Hotelling T-square test for the spectral vector, eliminating anomalous data in the spectroscopic data of mainstream cigarette smoke;
шумоподавление в отношении всех указанных спектроскопических данных сигаретного дыма основного потока после исключения аномальных данных, выполняемое с помощью по меньшей мере одного способа, в котором применяют дифференциал второго порядка, фильтр производных Карла Норриса, мультипликативную коррекцию рассеивания и вейвлет-преобразование.denoising all said mainstream cigarette smoke spectroscopic data after removing anomalous data by at least one method using a second order differential, a Carl Norris derivative filter, multiplicative scatter correction, and wavelet transform.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока получение результатов касательно органолептических характеристик поверхностного слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя, и указанных спектральных признаков поверхностного слоя, в частности, включает:Preferably, in the above sensory evaluation method, based on mainstream cigarette smoke spectroscopic data, obtaining results regarding sensory characteristics of the surface layer associated with all said mainstream cigarette smoke spectroscopic data, based on said mainstream cigarette smoke spectroscopic data from each cigarette from which said spectral features of the surface layer, and said spectral features of the surface layer, in particular, include:
введение всех указанных спектроскопических данных сигаретного дыма основного потока, из которых извлекли указанные спектральные признаки поверхностного слоя, в предварительно созданную первую модель органолептической классификации и получение результатов касательно органолептических характеристик поверхностного слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока.inserting all said mainstream cigarette smoke spectroscopic data from which said surface layer spectral features have been extracted into a pre-generated first sensory classification model and obtaining results regarding surface layer sensory characteristics associated with all said mainstream cigarette smoke spectroscopic data.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока указанную первую модель органолептической классификации создают на основании анализа главных компонентов в сочетании с машиной нелинейных опорных векторов, при этом способ создания указанной первой модели органолептической классификации, в частности, включает:Preferably, in the above method for sensory evaluation based on mainstream cigarette smoke spectroscopic data, said first sensory classification model is generated based on principal component analysis in combination with a non-linear support vector machine, wherein the method for generating said first sensory classification model specifically comprises:
выбор признаков в отношении всех указанных спектроскопических данных сигаретного дыма основного потока после шумоподавления, основанный на методе анализа главных компонентов, с извлечением пиков признаков в спектроскопических данных сигаретного дыма основного потока в отношении всех компонентов в дыме основного потока;selecting features with respect to all said spectroscopic data of the mainstream cigarette smoke after noise reduction based on a principal component analysis method, extracting feature peaks in the spectroscopic data of mainstream cigarette smoke with respect to all components in the mainstream smoke;
осуществление обучения в отношении всех указанных спектроскопических данных сигаретного дыма основного потока, подвергнутых извлечению пиков признаков, на основании алгоритма машины нелинейных опорных векторов с получением первой модели органолептической классификации.performing training on all of said mainstream cigarette smoke spectroscopic data subjected to feature peaking based on a non-linear support vector machine algorithm to obtain a first sensory classification model.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока извлечение пространственных признаков глубокого слоя из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя, в частности, включает:Preferably, in the above method of sensory evaluation based on spectroscopic data of mainstream cigarette smoke, extracting deep layer spatial features from said spectroscopic data of mainstream cigarette smoke from each cigarette from which said surface layer spectral features have been extracted, specifically comprises:
извлечение пространственных признаков глубокого слоя из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя, на основе глубоких остаточных сверточных нейронных сетей.extracting deep layer spatial features from said mainstream cigarette spectroscopic data from each cigarette from which said surface layer spectral features have been extracted based on deep residual convolutional neural networks.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока получение результатов касательно органолептических характеристик глубокого слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные пространственные признаки глубокого слоя, и указанных пространственных признаков глубокого слоя, в частности, включает:Preferably, in the above method of sensory evaluation based on mainstream cigarette smoke spectroscopic data, obtaining results regarding deep layer sensory characteristics associated with all said mainstream cigarette smoke spectroscopic data based on said mainstream cigarette smoke spectroscopic data from each cigarette from which said spatial features of the deep layer, and said spatial features of the deep layer, in particular, include:
введение путем занесения в стек нескольких указанных пространственных признаков глубокого слоя, извлеченных на основе указанных глубоких остаточных сверточных нейронных сетей, в машину опорных векторов с получением второй модели органолептической классификации;stacking a plurality of said deep layer spatial features derived from said deep residual convolutional neural networks into a support vector machine to obtain a second sensory classification model;
введение всех указанных спектроскопических данных сигаретного дыма основного потока, из которых извлекли указанные пространственные признаки глубокого слоя, в указанную вторую модель органолептической классификации, с получением результатов касательно органолептических характеристик глубокого слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока.inserting all said mainstream cigarette smoke spectroscopic data from which said deep layer spatial features have been extracted into said second sensory classification model to obtain results regarding deep layer sensory characteristics associated with all said mainstream cigarette smoke spectroscopic data.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока способ установки сетевых параметров указанных глубоких остаточных сверточных нейронных сетей, в частности, включает:Preferably, in the above method for sensory evaluation based on mainstream cigarette smoke spectroscopic data, the method for setting network parameters of said deep residual convolutional neural networks specifically includes:
получение первых оптимальных сетевых параметров с применением оптимальной ошибки классификации в качестве первой целевой функции в условиях набора фиксированных спектроскопических данных сигаретного дыма основного потока;obtaining first optimal network parameters using the optimal classification error as the first objective function under the fixed spectroscopic data set of mainstream cigarette smoke;
получение вторых оптимальных сетевых параметров с применением эффективности наиболее быстрого вычисления в качестве второй целевой функции;obtaining second optimal network parameters using the efficiency of the fastest calculation as the second objective function;
выбор точек выравнивания размеров ядра свертки для первого оптимального ядра свертки, соответствующего первым оптимальным сетевым параметрам, и для второго оптимального ядра свертки, соответствующего указанным вторым оптимальным сетевым параметрам, в качестве окончательных сетевых параметров указанных глубоких остаточных сверточных нейронных сетей.selecting alignment points for the size of the convolution kernel for the first optimal convolution kernel corresponding to the first optimal network parameters, and for the second optimal convolution kernel corresponding to the specified second optimal network parameters, as the final network parameters of the specified deep residual convolutional neural networks.
Предпочтительно в вышеуказанном способе органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока получение обобщенных результатов касательно органолептических характеристик, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя, в частности, включает:Preferably, in the above method of sensory evaluation based on the spectroscopic data of mainstream cigarette smoke, obtaining generalized results regarding sensory characteristics associated with all said spectroscopic data of mainstream cigarette smoke, based on said results regarding sensory characteristics of the surface layer and said results regarding sensory characteristics of the deep layer, in particular includes:
выполнение сравнения соответственно указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя с результатами экспертной оценки с получением коэффициента точности моделирования поверхностного слоя, соответствующего указанным результатам касательно органолептических характеристик поверхностного слоя, и коэффициента точности моделирования глубокого слоя, соответствующего указанным результатам касательно органолептических характеристик глубокого слоя;comparing, respectively, the specified results regarding the organoleptic characteristics of the surface layer and the specified results regarding the organoleptic characteristics of the deep layer with the results of expert judgment, obtaining a coefficient of modeling accuracy of the surface layer corresponding to the specified results regarding the organoleptic characteristics of the surface layer, and an accuracy coefficient of modeling the deep layer corresponding to the specified results regarding organoleptic characteristics of the deep layer;
установление удельного веса указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя на основании указанного коэффициента точности моделирования поверхностного слоя и указанного коэффициента точности моделирования глубокого слоя;weighting said surface layer sensory characteristics results and said deep layer sensory characteristics results based on said surface layer modeling accuracy factor and said deep layer modeling accuracy factor;
определение взвешенной суммы в отношении указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя с получением обобщенных результатов касательно органолептических характеристик.determining a weighted sum with respect to said results regarding organoleptic characteristics of the surface layer and said results regarding organoleptic characteristics of the deep layer to obtain generalized results regarding organoleptic characteristics.
С помощью способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока, предложенного согласно настоящему изобретению, за счет улучшения спектроскопических данных сигаретного дыма основного потока можно в условиях ограниченного количества образцов максимально улучшать модель спектральных признаков и пространственных признаков, содержащихся в сигаретном дыме основного потока, а также эффективно снижать требования к количеству обучающих образцов; извлечением спектральных признаков поверхностного слоя можно обеспечить информацию о направленности ключевых компонентов сложной системы для последующего глубокого обучения, что способствует повышению точности извлечения пространственных признаков, расположенных глубже; извлечение пространственных признаков глубокого слоя делает возможным очень быстрое обучение эффективному выражению глубоких признаков, основанное на данных обучения, и, следовательно, улучшение представления информации о признаках ненормальных образцов и нормальных образцов; согласно настоящему изобретению за счет извлечения по отдельности спектральных признаков и пространственных признаков с переходом от простого к сложному и за счет интеграции структуры спектрально-пространственной классификации обеспечивается автоматическое непосредственное получение результатов органолептической оценки сигаретного дыма основного потока и выполняется точная проверка на предмет неизвестных веществ в дыме основного потока.With the sensory evaluation method based on spectroscopic data of mainstream cigarette smoke according to the present invention, by improving the spectroscopic data of mainstream cigarette smoke, it is possible, under conditions of a limited number of samples, to maximize the model of spectral features and spatial features contained in mainstream cigarette smoke, and effectively reduce the requirements for the number of training samples; by extracting spectral features of the surface layer, it is possible to provide information about the directionality of key components of a complex system for subsequent deep learning, which helps to improve the accuracy of extracting spatial features located deeper; deep layer spatial feature extraction enables very fast learning to efficiently express deep features based on training data and hence improved representation of feature information of abnormal samples and normal samples; according to the present invention, by separately extracting spectral features and spatial features from simple to complex, and integrating the spectral-spatial classification structure, the results of the organoleptic evaluation of mainstream cigarette smoke are automatically obtained directly and an accurate check for unknown substances in the mainstream smoke is performed. flow.
Описание прилагаемых графических материаловDescription of attached graphics
Чтобы цели, технические решения и преимущества настоящего изобретения были более понятными, ниже настоящее изобретение будет описано более подробно со ссылкой на прилагаемые графические материалы, в которых:In order to make the objects, technical solutions and advantages of the present invention more clear, the present invention will be described in more detail below with reference to the accompanying drawings, in which:
на фиг. 1 представлена блок-схема варианта осуществления способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока согласно настоящему изобретению.in fig. 1 is a flowchart of an embodiment of a sensory evaluation method based on spectroscopic data of mainstream cigarette smoke according to the present invention.
Конкретные способы осуществленияSpecific Implementation Methods
Далее со ссылкой на прилагаемые графические материалы будут подробно описаны представленные в качестве примера варианты осуществления настоящего изобретения. Описание представленных в качестве примера вариантов осуществления предназначено только для объяснения и вовсе не служит каким-либо ограничением настоящего изобретения и его применения или использования. Настоящее изобретение может иметь очень много разных форм осуществления и не ограничивается вариантами осуществления, изложенными в этом документе. Эти варианты осуществления представлены для того, чтобы обеспечить исчерпывающее и полное понимание настоящего изобретения и чтобы полностью объяснить специалистам в данной области техники объем настоящего изобретения. Следует отметить, что если не указано иное, то относительные расположение элементов и порядок этапов, составляющие материалов, числовые выражения и численные значения, изложенные в этих вариантах осуществления, должны рассматриваться только как представленные в качестве примера и не являются ограничивающими.Hereinafter, with reference to the accompanying drawings, exemplary embodiments of the present invention will be described in detail. The description of the exemplary embodiments is for the purpose of explanation only and does not serve as any limitation of the present invention and its application or use. The present invention can take many different forms of implementation and is not limited to the embodiments set forth in this document. These embodiments are presented in order to provide a thorough and complete understanding of the present invention and to fully explain to those skilled in the art the scope of the present invention. It should be noted that, unless otherwise indicated, the relative arrangement of elements and order of steps, constituent materials, numerical expressions, and numerical values set forth in these embodiments are to be considered as exemplary only and are not limiting.
Слова «первый» и «второй», встречающиеся в этом раскрытии, а также подобные им слова вовсе не указывают на какую-либо последовательность, численность или важность и используются только для разграничения разных элементов. Слова «включать» или «содержать» и другие подобные им слова означают, что элемент, расположенный перед этими словами, включает в себя элемент, идущий после этих слов, и вовсе не исключают возможность того, что он также включает в себя другие элементы. Слова «над», «под» и т. п. используются только для обозначения относительного расположения, и после изменения абсолютного расположения описываемого объекта относительное расположение также может соответственно изменяться.The words "first" and "second" appearing in this disclosure, as well as words similar to them, do not at all indicate any sequence, number or importance and are used only to distinguish between different elements. The words "include" or "comprise" and other similar words mean that the element before these words includes the element after these words, and does not exclude the possibility that it also includes other elements. The words "above", "below", etc. are used only to indicate relative position, and after changing the absolute position of the described object, the relative position can also change accordingly.
В этом раскрытии, когда указано, что конкретный элемент расположен между первым элементом и вторым элементом, то между этим конкретным элементом и первым элементом или вторым элементом может быть промежуточный элемент, а также может не быть промежуточного элемента. Когда указано, что конкретный элемент соединен с другим элементом, то этот конкретный элемент может быть непосредственно соединен с указанным другим элементом, и тогда промежуточный элемент не используется, а также может не быть непосредственно соединен с указанным другим элементом, и тогда промежуточный элемент используется.In this disclosure, when it is indicated that a particular element is located between the first element and the second element, there may or may not be an intermediate element between that particular element and the first element or the second element. When a particular element is indicated to be connected to another element, then that particular element may be directly connected to said other element, in which case the intermediate element is not used, or it may not be directly connected to the specified other element, in which case the intermediate element is used.
Все термины (в том числе технические термины или научные термины), используемые в этом изобретении, имеют такое же значение, что и термины, понятные специалистам в области техники, к которой относится настоящее изобретение, если конкретно не указано иное. Также следует понимать, что термины, определение которых дано, например, в общих словарях, следует рассматривать как имеющие значение, соответствующее их значению в контексте связанных технологий, и они не должны рассматриваться в идеализированном или в высшей степени формализованном значении, если только подобное здесь ясно не определено.All terms (including technical terms or scientific terms) used in this invention have the same meaning as the terms understood by experts in the field of technology to which the present invention pertains, unless specifically indicated otherwise. It should also be understood that terms defined, for example, in general dictionaries, should be considered to have the meaning corresponding to their meaning in the context of related technologies, and they should not be considered in an idealized or highly formalized sense, unless such is clear here. undefined.
Технологии, способы и устройства, известные специалистам средней квалификации в соответствующих областях, могут быть подробно не рассмотрены, но в соответствующих случаях такие технологии, способы и устройства следует считать частью описания.Technologies, methods and devices known to those of ordinary skill in the relevant fields may not be discussed in detail, but in appropriate cases, such technologies, methods and devices should be considered part of the description.
Как показано на фиг. 1, способ органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока, представленный в вариантах осуществления, в процессе фактического выполнения, в частности, включает:As shown in FIG. 1, the sensory evaluation method based on spectroscopic data of mainstream cigarette smoke presented in the embodiments, during actual execution, specifically includes:
этап S1: улучшение спектроскопических данных сигаретного дыма основного потока от нескольких сигарет.step S1: improvement of spectroscopic data of mainstream cigarette smoke from several cigarettes.
При этом указанные спектроскопические данные сигаретного дыма основного потока содержат данные спектра в среднем инфракрасном диапазоне, полученные, в частности, двумерной ИК-спектроскопией с применением волновода в виде полого сердечника, при этом ИК-спектроскопия с применением волновода в виде полого сердечника используется в качестве технологии усиления инфракрасного излучения, и по сравнению с общепринятой ИК-спектроскопией технология на основе оптического волокна полого сердечника за счет высокого коэффициента отражения комбинированного слоя Ag/AgI обеспечивает то, что источник падающего света создает внутри оптического волокна полого сердечника многократное отражение и увеличивает оптический путь для взаимодействия света с веществом, что может с большей эффективностью повышать интенсивность поглощения инфракрасного излучения у проверяемой системы, в результате чего снижается предел обнаружения и повышается точность и правильность анализа.Wherein, said mainstream cigarette smoke spectroscopic data comprise mid-infrared spectrum data obtained, in particular, by two-dimensional hollow core waveguide IR spectroscopy, with hollow core waveguide IR spectroscopy being used as the technology. IR amplification, and compared to conventional IR spectroscopy, hollow core optical fiber technology, due to the high reflectance of the combined Ag/AgI layer, ensures that the incident light source creates multiple reflections inside the hollow core optical fiber and increases the optical path for interaction light with the substance, which can more effectively increase the intensity of absorption of infrared radiation in the system under test, resulting in a lower limit of detection and increase the accuracy and correctness of the analysis.
Улучшение спектроскопических данных сигаретного дыма основного потока может в отношении общей оптимизации снижать требования к количеству обучающих образцов, может улучшать модель пространства спектра компонентов, соответствующих дыму основного потока (например, при двумерной ИК-спектроскопии с применением волновода в виде полого сердечника), и эффективно снижает риск чрезмерной аппроксимации первой модели органолептической классификации и второй модели органолептической классификации (будут описаны ниже). Таким образом, можно в условиях ограниченного количества образцов максимально улучшить модель спектральных признаков и пространственных признаков, содержащихся в сигаретном дыме основного потока, что способствует углублению второй модели органолептической классификации в отношении имеющихся данных, а также эффективно снижает требования к количеству обучающих образцов.Improving the spectroscopic data of mainstream cigarette smoke can, in terms of overall optimization, reduce the requirement for the number of training samples, can improve the spectrum space model of the components corresponding to the mainstream smoke (for example, in two-dimensional IR spectroscopy using a hollow core waveguide), and effectively reduces the risk of overfitting the first sensory classification model and the second sensory classification model (to be described below). Thus, under the conditions of a limited number of samples, it is possible to maximize the model of spectral features and spatial features contained in mainstream cigarette smoke, which contributes to the deepening of the second organoleptic classification model in relation to the available data, and also effectively reduces the requirement for the number of training samples.
Кроме того, в одном варианте осуществления способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока согласно настоящему изобретению указанный этап S1, в частности, может включать:In addition, in one embodiment of the sensory evaluation method based on spectroscopic data of mainstream cigarette smoke according to the present invention, said step S1 may specifically include:
этап S11: выполнение горизонтального отражения спектроскопических данных сигаретного дыма основного потока от каждой сигареты.step S11: performing horizontal reflection of mainstream cigarette smoke spectroscopic data from each cigarette.
Этап S12: выполнение случайной обрезки подвергнутых горизонтальному отражению спектроскопических данных сигаретного дыма основного потока от каждой сигареты.Step S12: Performing random trimming of the horizontally reflected mainstream cigarette smoke spectroscopic data from each cigarette.
С учетом того, что во второй модели органолептической классификации требования в отношении объема данных, касающиеся части глубокого обучения, являются наиболее высокими, то есть в отношении признаков пространственного распределения в данных двумерной ИК-спектроскопии с применением волновода в виде полого сердечника, эти признаки можно рассматривать как информацию касательно изображения. Следовательно, согласно настоящему изобретению применяется традиционный способ улучшения изображения, в котором применяют горизонтальное отражение, случайную обрезку и другие операции, чтобы повысить эффективность и надежность второй модели органолептической классификации в отношении распознавания пространственного изображения.Considering that in the second sensory classification model, the data volume requirements for the deep learning part are the highest, i.e., for the spatial distribution features in the 2D hollow core IR data, these features can be considered as image information. Therefore, according to the present invention, a conventional image enhancement method is applied in which horizontal reflection, random cropping, and other operations are applied to improve the efficiency and reliability of the second sensory classification model in terms of spatial image recognition.
Этап S13: обработка физических возмущений в отношении подвергнутых случайной обрезке спектроскопических данных сигаретного дыма основного потока от каждой сигареты.Step S13: physical perturbation processing on randomly clipped mainstream cigarette spectroscopic data from each cigarette.
В процессе анализа двумерной ИК-спектроскопии реального образца с применением волновода в виде полого сердечника на информацию о двумерном спектре влияет не только информация о составе вещества, но также влияет его физическое состояние. Следовательно, путем изменения физического состояния образца эффективно получают больше информации для модели двумерной ИК-спектроскопии с применением волновода в виде полого сердечника, за счет чего повышаются правильность и эффективность глубокого обучения. Факторы физических возмущений в сигаретном дыме основного потока в основном включают влияние температуры, скорости ветра, давления, способов вытягивание и прочих разных физических факторов на информацию двумерной ИК-спектроскопии сигаретного дыма основного потока с применением волновода в виде полого сердечника.In the process of analyzing 2D IR spectroscopy of a real sample using a hollow core waveguide, information about the 2D spectrum is affected not only by information about the composition of the substance, but also by its physical state. Therefore, by changing the physical state of the sample, more information is effectively obtained for the 2D hollow core waveguide IR model, thereby improving the correctness and efficiency of deep learning. Physical perturbation factors in mainstream cigarette smoke mainly include the effect of temperature, wind speed, pressure, stretching methods, and other various physical factors on the 2D IR spectroscopy information of mainstream cigarette smoke using a hollow core waveguide.
Этап S14: обработка возмущений компонентов в отношении подвергнутых обработке физических возмущений спектроскопических данных сигаретного дыма основного потока от каждой сигареты.Step S14: component perturbation processing on physical perturbation processed mainstream cigarette smoke spectroscopic data from each cigarette.
В процессе выполнения на практике с помощью таких способов возмущения компонентов, как случайное добавление стандартных образцов, полученных по разным рецептам, изменения составов, полученных по рецепту, и т. п., можно установить изменения информации двумерной ИК-спектроскопии сигаретного дыма основного потока с применением волновода в виде полого сердечника в условиях разных возмущений компонентов.In practice, by means of component perturbation techniques such as random addition of reference standards from different recipes, changes in formulations from recipes, etc., it is possible to detect changes in information from 2D mainstream cigarette smoke IR spectroscopy using waveguide in the form of a hollow core under conditions of different perturbations of the components.
С помощью вышеуказанных разных способов улучшения данных можно улучшать информацию для модели сигнала двумерной ИК-спектроскопии реального образца с применением волновода в виде полого сердечника, а также повышать возможность распознавания по классу последующей двумерной ИК-спектроскопии с применением волновода в виде полого сердечника.With the above various data enhancement methods, it is possible to improve the information for the signal model of 2D IR spectroscopy of a real sample using a hollow core waveguide, as well as improve the recognition capability of the subsequent 2D IR spectroscopy using a hollow core waveguide.
Этап S2: из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты после улучшения данных извлекают спектральные признаки поверхностного слоя.Step S2: From said spectroscopic data of mainstream cigarette smoke from each cigarette, spectral features of the surface layer are extracted after data improvement.
При этом в одном варианте осуществления способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока согласно настоящему изобретению указанный этап S2, в частности, может включать:Meanwhile, in one embodiment of the sensory evaluation method based on mainstream cigarette smoke spectroscopic data according to the present invention, said step S2 may specifically include:
этап S21: с помощью критерия Т-квадрата Хотеллинга для спектрального вектора исключают точки данных касательно выбросов в спектроскопических данных сигаретного дыма основного потока от нескольких сигарет для исключения аномальных данных в спектроскопических данных сигаретного дыма основного потока.step S21: Using a Hotelling T-square test for the spectral vector, data points regarding emissions in the mainstream cigarette smoke spectroscopic data from multiple cigarettes are excluded to eliminate anomalous data in the mainstream cigarette smoke spectroscopic data.
Этап S22: шумоподавление в отношении всех указанных спектроскопических данных сигаретного дыма основного потока после исключения аномальных данных, выполняемое с помощью по меньшей мере одного способа, в котором применяют дифференциал второго порядка, фильтр производных Карла Норриса, мультипликативную коррекцию рассеивания (multiplicative scatter correction, MSC) и вейвлет-преобразование.Step S22: denoising all said mainstream cigarette smoke spectroscopic data after excluding anomalous data, performed by at least one method using second order differential, Carl Norris derivative filter, multiplicative scatter correction (MSC) and wavelet transform.
За счет шумоподавления могут снижать шумовые помехи, чтобы пики признаков в спектроскопических данных сигаретного дыма основного потока были еще более заметными, что способствует извлечению пиков признаков из фона в спектроскопических данных сигаретного дыма основного потока, и тем самым повышается отношение сигнал-шум. Кроме того, отбор данных и шумоподавление способствуют выполнению последующего способа анализа спектра для точного извлечения признаков данных исследуемого вещества.Noise interference can be reduced by noise reduction so that feature peaks in the mainstream cigarette smoke spectroscopic data are even more prominent, which helps to extract feature peaks from the background in the mainstream cigarette smoke spectroscopic data, thereby improving the signal-to-noise ratio. In addition, data sampling and noise reduction facilitates the subsequent spectrum analysis method to accurately extract the features of the analyte data.
Этап S3: получение результатов касательно органолептических характеристик поверхностного слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя, и указанных спектральных признаков поверхностного слоя.Step S3: Obtaining results regarding the organoleptic characteristics of the surface layer associated with all said spectroscopic data of mainstream cigarette smoke based on said spectroscopic data of mainstream cigarette smoke from each cigarette from which said spectral features of the surface layer were extracted and said spectral features of the surface layer .
Цель извлечения спектральных признаков поверхностного слоя заключается в извлечении спектральных признаков ключевых компонентов образца из сигнала комплексного и изменяющегося спектра (например, при двумерной ИК-спектроскопии с применением волновода в виде полого сердечника) и в осуществлении уменьшения размерности спектрального пространства. В частности, все указанные спектроскопические данные сигаретного дыма основного потока, из которых извлекли указанные спектральные признаки поверхностного слоя, вводят в предварительно созданную первую модель органолептической классификации и получают результаты касательно органолептических характеристик поверхностного слоя, связанные со всеми указанными спектроскопическими данными сигаретного дыма основного потока. Путем извлечения спектральных признаков поверхностного слоя можно обеспечить информацию о направленности ключевых компонентов сложной системы для последующего глубокого обучения, что способствует повышению точности извлечения пространственных признаков, расположенных глубже.The purpose of surface layer spectral feature extraction is to extract the spectral features of key sample components from a complex and varying spectrum signal (eg, 2D IR spectroscopy using a hollow core waveguide) and to perform spectral space dimensionality reduction. Specifically, all of said mainstream cigarette smoke spectroscopic data from which said surface layer spectral features have been extracted are entered into the pre-built first sensory classification model, and surface layer sensory characteristics results associated with all said mainstream cigarette smoke spectroscopic data are obtained. By extracting the spectral features of the surface layer, it is possible to provide information about the directionality of key components of a complex system for subsequent deep learning, which helps to improve the accuracy of extracting spatial features located deeper.
Кроме того, указанная первая модель органолептической классификации получена на основе анализа главных компонентов (Principal Component Analysis, PCA) в сочетании с машиной нелинейных опорных векторов (Support vector machine, SVM), и способ создания указанной первой модели органолептической классификации, в частности, включает:In addition, said first sensory classification model is obtained based on Principal Component Analysis (PCA) in combination with a non-linear support vector machine (SVM), and the method for generating said first sensory classification model specifically includes:
выбор признаков в отношении всех указанных спектроскопических данных сигаретного дыма основного потока после шумоподавления, основанный на методе анализа главных компонентов, с извлечением пиков признаков в спектроскопических данных сигаретного дыма основного потока в отношении всех компонентов в дыме основного потока;selecting features with respect to all said spectroscopic data of the mainstream cigarette smoke after noise reduction based on a principal component analysis method, extracting feature peaks in the spectroscopic data of mainstream cigarette smoke with respect to all components in the mainstream smoke;
осуществление обучения в отношении всех указанных спектроскопических данных сигаретного дыма основного потока, подвергнутых извлечению пиков признаков, на основании алгоритма машины нелинейных опорных векторов с получением первой модели органолептической классификации.performing training on all of said mainstream cigarette smoke spectroscopic data subjected to feature peaking based on a non-linear support vector machine algorithm to obtain a first sensory classification model.
По сравнению с машиной линейных опорных векторов, процесс классифицирования с применением машины нелинейных опорных векторов является относительно неопределенным, и нужно только ввести извлеченные пики признаков, чтобы могли быть самостоятельно созданы связи по различиям и связи по классификации.Compared with a LSVM, the classification process using a non-linear support vector machine is relatively uncertain, and it only needs to input the extracted feature peaks so that difference relationships and classification relationships can be generated independently.
Кроме того, результаты классифицирования согласно указанной первой модели органолептической классификации содержат по меньшей мере хорошие, средние и плохие. В настоящем изобретении результаты классифицирования согласно первой модели органолептической классификации являются хорошими, средними и плохими, и следует отметить, что согласно настоящему изобретению не предусмотрено конкретных ограничений в отношении оценки результатов классифицирования и количественных значений согласно первой модели органолептической классификации, и на основании определенных параметров и измененного удельного веса могут быть получены другие результаты классифицирования.In addition, the classification results according to said first organoleptic classification model contain at least good, average and poor. In the present invention, the classification results according to the first sensory classification model are good, average and poor, and it should be noted that according to the present invention, there are no specific restrictions on the evaluation of the classification results and quantitative values according to the first sensory classification model, and based on certain parameters and modified specific gravity, other classification results can be obtained.
Кроме того, в указанной первой модели органолептической классификации в процессе обучения на основании баллов экспертной органолептической оценки осуществляется контроль первых граничных значений классификации, выводимых для указанной первой модели органолептической классификации, и, таким образом, может осуществляться проверка и обновление первой модели органолептической классификации.In addition, in said first sensory classification model, in the learning process, on the basis of expert sensory evaluation scores, the first classification boundary values derived for said first sensory classification model are monitored, and thus the first sensory classification model can be checked and updated.
В одном варианте осуществления способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока согласно настоящему изобретению обучение указанной первой модели органолептической классификации осуществляется следующим способом обучения:In one embodiment of the sensory evaluation method based on mainstream cigarette smoke spectroscopic data according to the present invention, said first sensory classification model is trained by the following training method:
сначала в указанную первую модель органолептической классификации вводят набор данных обучения с указанными спектроскопическими данными сигаретного дыма основного потока. В частности, это может включать: исключение аномальных данных в оригинальном наборе данных обучения с указанными спектроскопическими данными сигаретного дыма основного потока; шумоподавление в отношении всех указанных спектроскопических данных сигаретного дыма основного потока в оригинальном наборе данных обучения, в котором исключены аномальные данные; введение всех указанных спектроскопических данных сигаретного дыма основного потока в оригинальном наборе данных обучения после шумоподавления в указанную первую модель органолептической классификации.first, a training data set with said mainstream cigarette smoke spectroscopic data is introduced into said first sensory classification model. In particular, this may include: eliminating anomalous data in the original training dataset with specified mainstream cigarette smoke spectroscopic data; denoising all specified mainstream cigarette smoke spectroscopic data in the original training dataset, in which anomalous data is excluded; inserting all of said mainstream cigarette smoke spectroscopic data in the original post-noise training dataset into said first sensory classification model.
Затем на основании указанных первых граничных значений классификации и указанных баллов экспертной органолептической оценки получают первую целевую функцию; градиент указанной первой целевой функции передают обратно в указанную первую модель органолептической классификации.Then, on the basis of the specified first boundary values of the classification and the specified points of the expert organoleptic evaluation, the first target function is obtained; the gradient of said first objective function is fed back to said first sensory classification model.
Наконец, если значение указанной первой целевой функции, полученной на основании указанных первых граничных значений классификации и указанных баллов экспертной органолептической оценки, достигает установленного значения, то обучение останавливают.Finally, if the value of said first objective function, obtained on the basis of said first classification boundary values and said expert sensory scores, reaches a predetermined value, then training is stopped.
Этап S4: извлечение пространственных признаков глубокого слоя из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя.Step S4: extracting deep layer spatial features from said mainstream cigarette spectroscopic data from each cigarette from which said surface layer spectral features have been extracted.
В частности, на основе глубоких остаточных сверточных нейронных сетей из указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные спектральные признаки поверхностного слоя, извлекают пространственные признаки глубокого слоя. Когда в сложной системе обнаруживается неизвестный помехообразующий объект, ранее имевшаяся информация о пространственной топологии ключевых компонентов будет в определенной степени искажаться, и глубокие остаточные сверточные нейронные сети с учетом этих изменений могут на основе данных обучения очень быстро научиться эффективному выражению глубоких признаков и, следовательно, улучшить представление информации о признаках ненормальных образцов и нормальных образцов.In particular, based on deep residual convolutional neural networks, from said spectroscopic data of mainstream cigarette smoke from each cigarette, from which said spectral features of the surface layer have been extracted, the spatial features of the deep layer are extracted. When an unknown interfering object is detected in a complex system, the previously available information about the spatial topology of key components will be distorted to a certain extent, and deep residual convolutional neural networks, taking into account these changes, can very quickly learn, based on training data, to effectively express deep features and, therefore, improve presentation of information about the signs of abnormal samples and normal samples.
Этап S5: получение результатов касательно органолептических характеристик глубокого слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных спектроскопических данных сигаретного дыма основного потока от каждой сигареты, из которых извлекли указанные пространственные признаки глубокого слоя, и указанных пространственных признаков глубокого слоя.Step S5: Obtaining results regarding deep layer sensory characteristics associated with all said mainstream cigarette smoke spectroscopic data based on said mainstream cigarette smoke spectroscopic data from each cigarette from which said deep layer spatial features have been extracted and said deep layer spatial features .
Цель извлечения пространственных признаков глубокого слоя заключается в использовании метода глубоких остаточных сверточных нейронных сетей для осуществления извлечения и улучшения пространственных признаков глубокого слоя инвариантным относительно переносов способом. При этом способ установки сетевых параметров указанных глубоких остаточных сверточных нейронных сетей, в частности, включает:The goal of deep layer spatial feature extraction is to use a deep residual convolutional neural network technique to perform deep layer spatial feature extraction and enhancement in a translation-invariant manner. Wherein, the method of setting the network parameters of said deep residual convolutional neural networks, in particular, includes:
получение первых оптимальных сетевых параметров с применением оптимальной ошибки классификации в качестве первой целевой функции в условиях набора фиксированных спектроскопических данных сигаретного дыма основного потока;obtaining first optimal network parameters using the optimal classification error as the first objective function under the fixed spectroscopic data set of mainstream cigarette smoke;
получение вторых оптимальных сетевых параметров с применением эффективности наиболее быстрого вычисления в качестве второй целевой функции;obtaining second optimal network parameters using the efficiency of the fastest calculation as the second objective function;
выбор точек выравнивания размеров ядра свертки для первого оптимального ядра свертки, соответствующего первым оптимальным сетевым параметрам, и для второго оптимального ядра свертки, соответствующего указанным вторым оптимальным сетевым параметрам, в качестве окончательных сетевых параметров указанных глубоких остаточных сверточных нейронных сетей.selecting alignment points for the size of the convolution kernel for the first optimal convolution kernel corresponding to the first optimal network parameters, and for the second optimal convolution kernel corresponding to the specified second optimal network parameters, as the final network parameters of the specified deep residual convolutional neural networks.
Кроме того, в одном варианте осуществления способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока согласно настоящему изобретению, указанный этап S5, в частности, может включать:In addition, in one embodiment of the sensory evaluation method based on spectroscopic data of mainstream cigarette smoke according to the present invention, said step S5 may specifically include:
этап S51: введение путем занесения в стек нескольких указанных пространственных признаков глубокого слоя, извлеченных на основе указанных глубоких остаточных сверточных нейронных сетей, в машину опорных векторов с получением второй модели органолептической классификации.step S51: stacking several of said deep layer spatial features derived from said deep residual convolutional neural networks into a support vector machine to obtain a second sensory classification model.
Кроме того, результаты классифицирования согласно указанной второй модели органолептической классификации представляют собой органолептические баллы. В настоящем изобретении результаты классифицирования согласно второй модели органолептической классификации представляют собой органолептические баллы, и следует отметить, что согласно настоящему изобретению не предусмотрено конкретных ограничений в отношении оценки результатов классифицирования и количественных значений согласно второй модели органолептической классификации, и на основании определенных параметров и измененного удельного веса могут быть получены другие результаты классифицирования.In addition, the classification results according to said second organoleptic classification model are organoleptic scores. In the present invention, the classification results according to the second organoleptic classification model are organoleptic scores, and it should be noted that according to the present invention, there are no specific restrictions on the evaluation of the classification results and quantitative values according to the second organoleptic classification model, and based on certain parameters and the changed specific gravity other classification results may be obtained.
Этап S52: введение всех указанных спектроскопических данных сигаретного дыма основного потока, из которых извлекли указанные пространственные признаки глубокого слоя, в указанную вторую модель органолептической классификации, с получением результатов касательно органолептических характеристик глубокого слоя, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока.Step S52: inserting all said mainstream cigarette smoke spectroscopic data from which said deep layer spatial features have been extracted into said second sensory classification model to obtain results regarding deep layer sensory characteristics associated with all said mainstream cigarette smoke spectroscopic data.
Согласно настоящему изобретению вводят стратегию глубокого обучения для моделирования процессов органолептических оценок, выполняемых разными экспертами. В случае конкретного осуществления настоящего изобретения в процессе глубокого обучения целевую задачу анализа органолептических данных отдельного дыма посредством дыма основного потока делят на несколько задач классификации согласно модели прогнозирования по разным удельным весам и параметрам, чтобы моделировать органолептические особенности у разных экспертов, и компоненты дыма основного потока от разных образцов сигарет рассматривают как задачу с несколькими метками на основе экспертных теоретических знаний, и согласно информации о баллах по экспертным меткам, полученной на основании оценки экспертов, корректируют информацию о контроле модели глубокого обучения. В процессе улучшения меток на основании взаимосвязи информации о баллах, полученной посредством второй модели органолептической классификации, и информации о баллах по экспертным меткам, полученной на основании оценки экспертов, улучшают полученные результаты глубокого обучения.According to the present invention, a deep learning strategy is introduced to model sensory evaluation processes performed by different experts. In the case of a specific implementation of the present invention, in a deep learning process, the task of analyzing the sensory data of an individual smoke by mainstream smoke is divided into several classification tasks according to a prediction model by different densities and parameters to model the sensory features of different experts, and mainstream smoke components from different samples of cigarettes are considered as a multi-label task based on expert theoretical knowledge, and according to the expert label score information obtained based on the expert assessment, the control information of the deep learning model is adjusted. In the label improvement process, based on the relationship of the score information obtained by the second sensory classification model and the expert label score information obtained based on the assessment of the experts, the obtained deep learning results are improved.
Кроме того, согласно настоящему изобретению также выбирают стандартные образцы сигарет с качествами, характеризующимися разной различающей способностью; собранную информацию двумерной ИК-спектроскопии образцов с применением волновода в виде полого сердечника используют в качестве ввода для второй модели органолептической классификации; в отношении сигаретного дыма основного потока проводят анализ с органолептической оценкой; и сравнивают результаты оценок экспертов с установлением эффективности второй модели органолептической классификации. Таким образом, за счет множества итераций и обновлений с помощью способа, заключающегося в частичном динамическом анализе части признаков, связанных с органолептической оценкой, можно с возможностью адаптации аппроксимировать целевую функцию и выполнять оценку качества и органолептический анализ сигаретного дыма основного потока на основе анализа признаков в данных двумерной ИК-спектроскопии с применением волновода в виде полого сердечника и их внутренних закономерностей в условиях невозможности создания модели точной оценки.In addition, according to the present invention, reference samples of cigarettes with qualities characterized by different discriminating power are also selected; the collected information of two-dimensional IR spectroscopy of samples using a hollow core waveguide is used as input for the second sensory classification model; in respect of mainstream cigarette smoke, an analysis is carried out with an organoleptic evaluation; and comparing the results of the experts' assessments with the establishment of the effectiveness of the second sensory classification model. Thus, through multiple iterations and updates, the method of partially dynamically analyzing a portion of the features associated with sensory evaluation can adaptively approximate an objective function and perform quality evaluation and sensory analysis of mainstream cigarette smoke based on feature analysis in the data. two-dimensional IR spectroscopy using a waveguide in the form of a hollow core and their internal regularities in the conditions of the impossibility of creating an accurate assessment model.
Этап S6: получение обобщенных результатов касательно органолептических характеристик, связанных со всеми указанными спектроскопическими данными сигаретного дыма основного потока, на основании указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя.Step S6: Generating summary sensory characteristics results associated with all said mainstream cigarette smoke spectroscopic data based on said surface layer sensory characteristics results and said deep layer sensory characteristics results.
При этом в одном варианте осуществления способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока согласно настоящему изобретению указанный этап S6, в частности, может включать:Meanwhile, in one embodiment of the sensory evaluation method based on mainstream cigarette smoke spectroscopic data according to the present invention, said step S6 may specifically include:
этап S61: выполняют сравнение соответственно указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя с результатами экспертной оценки с получением коэффициента точности моделирования поверхностного слоя, соответствующего указанным результатам касательно органолептических характеристик поверхностного слоя, и коэффициента точности моделирования глубокого слоя, соответствующего указанным результатам касательно органолептических характеристик глубокого слоя.step S61: comparing, respectively, said results regarding sensory characteristics of the surface layer and said results regarding sensory characteristics of the deep layer with the results of expert judgment to obtain a surface layer modeling accuracy ratio corresponding to the specified results regarding surface layer sensory characteristics and a deep layer simulation accuracy coefficient corresponding to the indicated results regarding the organoleptic characteristics of the deep layer.
этап S62: на основании указанного коэффициента точности моделирования поверхностного слоя и указанного коэффициента точности моделирования глубокого слоя устанавливают удельный вес указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя.Step S62: Based on said surface layer simulation accuracy ratio and said deep layer simulation accuracy ratio, weighting said results regarding sensory characteristics of the surface layer and said results regarding sensory characteristics of the deep layer are weighted.
этап S63: в отношении указанных результатов касательно органолептических характеристик поверхностного слоя и указанных результатов касательно органолептических характеристик глубокого слоя определяют взвешенную сумму с получением обобщенных результатов касательно органолептических характеристик.Step S63: With respect to said results regarding sensory characteristics of the surface layer and said results regarding sensory characteristics of the deep layer, a weighted sum is determined to obtain generalized results regarding sensory characteristics.
Тем, что на основании результатов касательно органолептических характеристик поверхностного слоя и результатов касательно органолептических характеристик глубокого слоя получают обобщенные результаты касательно органолептических характеристик, обеспечивается органическое сочетание свойств сети на основе спектральных признаков поверхностного слоя и сети на основе признаков глубокого слоя, чтобы они взаимно дополняли и взаимно корректировали друг друга, а также обеспечивалась исключительная извлекаемость спектральных признаков в больших данных.By generalizing the results of sensory characteristics from the results of surface layer sensory characteristics and the results of deep layer sensory characteristics, it is ensured that the properties of the network based on the spectral features of the surface layer and the network based on the features of the deep layer are organically combined so that they complement and mutually corrected each other, and also provided exceptional extractability of spectral features in big data.
С помощью способа органолептической оценки на основе спектроскопических данных сигаретного дыма основного потока, предложенного в вариантах осуществления настоящего изобретения, за счет улучшения спектроскопических данных сигаретного дыма основного потока можно в условиях ограниченного количества образцов максимально улучшать модель спектральных признаков и пространственных признаков, содержащихся в сигаретном дыме основного потока, а также эффективно снижать требования к количеству обучающих образцов; извлечением спектральных признаков поверхностного слоя можно обеспечить информацию о направленности ключевых компонентов сложной системы для последующего глубокого обучения, что способствует повышению точности извлечения пространственных признаков, расположенных глубже; извлечение пространственных признаков глубокого слоя делает возможным очень быстрое обучение эффективному выражению глубоких признаков, основанное на данных обучения, и, следовательно, улучшение представления информации о признаках ненормальных образцов и нормальных образцов; согласно настоящему изобретению за счет извлечения по отдельности спектральных признаков и пространственных признаков с переходом от простого к сложному и за счет интеграции структуры спектрально-пространственной классификации обеспечивается автоматическое непосредственное получение результатов органолептической оценки сигаретного дыма основного потока и выполняется точная проверка на предмет неизвестных веществ в дыме основного потока.With the spectroscopic evaluation method based on mainstream cigarette smoke spectroscopic data provided in embodiments of the present invention, by improving the spectroscopic data of mainstream cigarette smoke, it is possible, under conditions of a limited number of samples, to maximize the model of spectral features and spatial features contained in mainstream cigarette smoke. flow, and effectively reduce the requirements for the number of training samples; by extracting spectral features of the surface layer, it is possible to provide information about the directionality of key components of a complex system for subsequent deep learning, which helps to improve the accuracy of extracting spatial features located deeper; deep layer spatial feature extraction enables very fast learning to efficiently express deep features based on training data and hence improved representation of feature information of abnormal samples and normal samples; according to the present invention, by separately extracting spectral features and spatial features from simple to complex, and integrating the spectral-spatial classification structure, the results of the organoleptic evaluation of mainstream cigarette smoke are automatically obtained directly and an accurate check for unknown substances in the mainstream smoke is performed. flow.
Выше были подробно описаны варианты осуществления настоящего изобретения. Чтобы внимание было сосредоточено только на идее настоящего изобретения, в этом описании не представлены определенные подробности, известные в данной области техники. На основании приведенного выше описания специалисты в данной области техники смогут полностью понять, как реализовать техническое решение согласно настоящему изобретению.The embodiments of the present invention have been described in detail above. To focus only on the idea of the present invention, certain details known in the art are not presented in this description. Based on the above description, those skilled in the art will be able to fully understand how to implement the technical solution according to the present invention.
Несмотря на то, что в качестве примеров были подробно рассмотрены несколько конкретных вариантов осуществления настоящего изобретения, специалисты в данной области техники должны понимать, что вышеуказанные примеры представлены исключительно в целях описания и не предназначены для ограничения объема настоящего изобретения. Специалисты в данной области техники должны понимать, что без отклонения от объема и сути настоящего изобретения они могут вносить изменения в вышеуказанные варианты осуществления или заменять часть технических признаков эквивалентами. Объем настоящего изобретения определяется прилагаемой формулой изобретения.Although several specific embodiments of the present invention have been discussed in detail as examples, those skilled in the art should understand that the above examples are provided for purposes of description only and are not intended to limit the scope of the present invention. Specialists in the art should understand that without deviating from the scope and essence of the present invention, they may make changes to the above embodiments or replace part of the technical features with equivalents. The scope of the present invention is defined by the appended claims.
Claims (31)
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110050500.6 | 2021-01-14 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2797495C1 true RU2797495C1 (en) | 2023-06-06 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3460374A (en) * | 1967-01-04 | 1969-08-12 | Philip Morris Inc | Machine for test smoking cigarettes |
| SU447147A1 (en) * | 1972-07-12 | 1974-10-25 | Всесоюзный Научно-Исследовательский Институт Табака И Махорки Им.А.И.Микояна | The method of determining the smoking properties of tobacco |
| CN108414471A (en) * | 2018-01-10 | 2018-08-17 | 浙江中烟工业有限责任公司 | A method of sense organ characterization information is differentiated based near infrared spectrum and sensory evaluating smoking's mutual information |
| CN108801968A (en) * | 2018-06-05 | 2018-11-13 | 天津大学 | A kind of pipe tobacco total quality characteristic analysis method based on vacuum infrared spectrum |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3460374A (en) * | 1967-01-04 | 1969-08-12 | Philip Morris Inc | Machine for test smoking cigarettes |
| SU447147A1 (en) * | 1972-07-12 | 1974-10-25 | Всесоюзный Научно-Исследовательский Институт Табака И Махорки Им.А.И.Микояна | The method of determining the smoking properties of tobacco |
| CN108414471A (en) * | 2018-01-10 | 2018-08-17 | 浙江中烟工业有限责任公司 | A method of sense organ characterization information is differentiated based near infrared spectrum and sensory evaluating smoking's mutual information |
| CN108801968A (en) * | 2018-06-05 | 2018-11-13 | 天津大学 | A kind of pipe tobacco total quality characteristic analysis method based on vacuum infrared spectrum |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feilhauer et al. | Multi-method ensemble selection of spectral bands related to leaf biochemistry | |
| Zhang et al. | Wood defect detection method with PCA feature fusion and compressed sensing | |
| CN109034261A (en) | A kind of Near Infrared Spectroscopy Data Analysis based on support vector machines | |
| Ge et al. | Classification of oolong tea varieties based on hyperspectral imaging technology and BOSS‐LightGBM model | |
| CN109115692B (en) | Spectral data analysis method and device | |
| CN112098358B (en) | Near infrared spectrum parallel fusion quantitative detection method based on quaternion convolution neural network | |
| CN107655850A (en) | Non-linear modeling method and system based near infrared spectrum | |
| CN113030001B (en) | Fruit sugar degree detection method and system | |
| Cao et al. | Nondestructive determination of the total mold colony count in green tea by hyperspectral imaging technology | |
| Xu et al. | Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging | |
| CN113903407A (en) | Component identification method, component identification device, electronic equipment and storage medium | |
| Jiang et al. | Detecting total acid content quickly and accurately by combining hyperspectral imaging and an optimized algorithm method | |
| EP3961189B1 (en) | Cigarette mainstream smoke spectral data sensory evaluation method | |
| RU2797495C1 (en) | Method for using spectroscopic data to determine the organoleptic characteristics of mainstream cigarette smoke | |
| CN114062306B (en) | Near infrared spectrum data segmentation preprocessing method | |
| CN112881323B (en) | Quality evaluation method of cigarette mainstream smoke | |
| Hu et al. | An efficient model transfer approach to suppress biological variation in elastic modulus and firmness regression models using hyperspectral data | |
| CN114778457A (en) | Method and device for detecting aflatoxin B1 content in grains | |
| CN111222543A (en) | Substance identification method and apparatus, and computer-readable storage medium | |
| CN114813631B (en) | Wheat variety purity detection method and device and electronic equipment | |
| Xie et al. | Calibration transfer via filter learning | |
| CN114720436B (en) | Agricultural product quality parameter detection method and equipment based on fluorescence hyperspectral imaging | |
| Zhu et al. | Fabric defect detection using ACS-based thresholding and GA-based optimal Gabor filter | |
| CN113361610B (en) | Intelligent identification method and system for wine production place | |
| Zhu et al. | Online detection of blood‐spot eggs based on a novel method of spectral amplitude space conversion |