烟草在线实时监测装置及其在烟草品质无损快速质控中的应用的制作方法

1.本发明属于烟草在线监测技术领域，具体涉及一种烟草在线实时监测装置及其在烟草品质无损快速质控中的应用。


背景技术：

2.随着生产力发展和社会的进步，对工农业产品进行在线质量控制是近年来生产一线提出的亟待解决的重要需求。有别于传统的离线检测技术，在线检测技术要求在生产线上架设检测仪器装置，在极短的时间内得到产品实时质量控制数据，对生产线上产品传送过程中的不确定因素的容错能力要求非常高。
3.烟草是一种重要的经济作物。长久以来，对烟草的质量控制一直是烟草生产企业提高产品质量的重要技术手段。随着烟草工业的发展，对烟草物料在线质量控制的需求日益凸显。其中，烟草物料异物精准识别、烟草物料高度起伏判断、烟草物料品质无损快速定量分析、同类烟草物料精准分级，上述四项技术需求成为当前烟草生产企业亟待解决的技术难题。


技术实现要素：

4.为了解决上述问题，本发明提供一种烟草在线实时监测装置及其在烟草品质无损快速质控中的应用。
5.本发明采用的技术方案为：一种烟草在线实时监测装置，包括控制系统、传动系统和光路系统，所述的控制系统与传动系统、光路系统电连接，传动系统用于对烟草样品进行稳定传送，包含传送带和步进电机，光路系统用于对烟草样品光谱数据的采集，包含环形罩、光源、凸透镜、光谱仪和吹扫部件，传送带上方设置光路系统，光路系统的上方设置控制系统，控制系统中设置有计算机系统和触摸屏。
6.所述的控制系统控制步进电机运行，带动传动带将烟草物料向上传送，所述的步进电机带动传送带的传送速度为1.2米/秒
‑
1.8米/秒，优选1.5米/秒。
7.控制系统用于控制装置的开启和关闭、控制光谱仪采集光谱数据、数据的存储与导出、模型植入与调用功能以及结果显示。
8.所述的传送带的上方设置环形罩，环形罩的侧面设置有卤钨灯和吹扫孔，环形罩的顶面设置凸透镜，凸透镜的上方设置近红外光谱仪。
9.所述的近红外光谱仪位于凸透镜上方的焦点处，吹扫孔有四个，分别位于卤钨灯的上下两侧。
10.所述的环形罩下口距离传送带的垂直距离为100mm，凸透镜采用近红外石英材料，直径80mm，焦距150mm，光谱仪波段范围为908 nm
ꢀ‑ꢀ
1676 nm；所述光谱仪积分时间0.08秒
ꢀ‑ꢀ
0.12秒，优选1.00秒，控制系统开启吹扫部件对所述光路系统进行吹扫清洁，所述吹扫气
流压强为0.3 mpa
ꢀ‑ꢀ
1.0 mpa，优选0.4 mpa
ꢀ‑ꢀ
0.7 mpa。
11.烟草在线实时监测装置实现烟草异物精准识别的应用，所述的烟草在线实时监测装置采集烟草和烟草生产中常见的异物光谱数据，常见异物包括枯枝、海绵、干草、植物叶片、纸张、头发、碎石，以烟草及各异物光谱数据为自变量，分别将烟草、枯枝、海绵、干草、植物叶片、纸张、头发、碎石赋参考值0、1、2、3、4、5、6、7，采用偏最小二乘回归结合全交互验证算法建立烟草异物精准识别偏最小二乘
‑
判别分析模型；所建烟草异物精准识别偏最小二乘
‑
判别分析模型因子数n
f = 6，校正数据预测值
‑
参考值回归方程y = 0.9987x 0.0051，校正相关系数r
c
= 0.9993，校正测定系数r
2c = 0.9987，校正均方根误差rmsec = 0.08，交互验证数据预测值
‑
参考值回归方程y = 0.9983x 0.0072，交互验证相关系数r
cv = 0.9992，交互验证测定系数r
2cv = 0.9985，交互验证均方根误差rmsecv = 0.09，分别以0.7、1.5、2.5、3.5、4.5、5.5、6.5为阈值，对烟草、枯枝、海绵、干草、植物叶片、纸张、头发、碎石的正确率分别为100 %、100 %、100 %、100 %、100 %、100 %、100 %、100 %。
12.烟草在线实时监测装置实现烟草物料高度起伏判断的应用，所述的烟草在线实时监测装置采集高于烟草物料基准高度0 mm、5.6 mm、11.2 mm、21.5 mm、32.6 mm、43.7 mm、53.9 mm的烟草物料光谱数据，以所述不同高度烟草物料光谱数据为自变量、以高于烟草物料基准高度数据为因变量，采用偏最小二乘回归结合全交互验证算法建立烟草物料高度起伏判断偏最小二乘
‑
判别分析模型；所建烟草物料高度起伏判断偏最小二乘
‑
判别分析模型因子数n
f
= 2，校正数据预测值
‑
参考值回归方程y = 0.9982x 0.0428，校正相关系数r
c = 0.9991，校正测定系数r
2c = 0.9982，校正均方根误差rmsec = 0.79，交互验证数据预测值
‑
参考值回归方程y = 0.9983x 0.0392，交互验证相关系数r
cv = 0.9991，交互验证测定系数r
2cv = 0.9982，交互验证均方根误差rmsecv = 0.80，分别以5、8、15、25、36、45为阈值，对高于烟草物料基准高度0 mm、5.6 mm、11.2 mm、21.5 mm、32.6 mm、43.7 mm、53.9 mm的烟草物料高度起伏正确率分别为100 %、100 %、100 %、100 %、100 %、100 %、100 %。
13.烟草在线实时监测装置实现烟草品质无损快速定量分析的应用，所述的烟草在线实时监测装置采集烟草物料在线光谱数据并同步在线取样，采用同样的方法分别获得烟草样品中总植物碱、总糖、还原糖、总氮、硝酸盐、总钾、氯的参考值，以烟草物料在线光谱数据为自变量，分别以在线同步取样烟草样品中总植物碱、总糖、还原糖、总氮、硝酸盐、总钾、氯参考值为因变量，采用偏最小二乘回归结合全交互验证算法建立烟草品质无损快速定量分析模型；所建总植物碱定量分析模型因子数n
f
= 10；校正数据预测值
‑
参考值回归方程y = 0.8885x 0.1146，校正相关系数r
c = 0.9426，校正测定系数r
2c
= 0.8885，校正均方根误差rmsec = 0.028；交互验证数据预测值
‑
参考值回归方程y = 0.8768x 0.1266，交互验证相关系数r
cv = 0.9306，交互验证测定系数r
2cv = 0.8668，交互验证均方根误差rmsecv = 0.031；模型rpd = 2.71。
14.所建总糖定量分析模型因子数n
f = 10；校正数据预测值
‑
参考值回归方程y = 0.7483x 2.4445，校正相关系数r
c = 0.8650，校正测定系数r
2c = 0.7483，校正均方根误差rmsec = 0.20；交互验证数据预测值
‑
参考值回归方程y = 0.7229x 2.6916，交互验证
相关系数r
cv
= 0.8399，交互验证测定系数r
2cv = 0.7070，交互验证均方根误差rmsecv = 0.22；模型rpd = 2.37。
15.所建还原糖定量分析模型因子数n
f = 10；校正数据预测值
‑
参考值回归方程y = 0.7874x 1.7250，校正相关系数r
c
= 0.8874，校正测定系数r
2c = 0.7874，校正均方根误差rmsec = 0.15；交互验证数据预测值
‑
参考值回归方程y = 0.7633x 1.9204，交互验证相关系数r
cv
= 0.8650，交互验证测定系数r
2cv
= 0.7497，交互验证均方根误差rmsecv = 0.16；模型rpd = 2.72。
16.所建总氮定量分析模型因子数n
f
= 10；校正数据预测值
‑
参考值回归方程y = 0.8374x 0.3002，校正相关系数r
c = 0.9151，校正测定系数r
2c
= 0.8374，校正均方根误差rmsec = 0.042；交互验证数据预测值
‑
参考值回归方程y = 0.8141x 0.3436，交互验证相关系数r
cv
= 0.8962，交互验证测定系数r
2cv = 0.8046，交互验证均方根误差rmsecv = 0.046；模型rpd = 2.37。
17.所建硝酸盐定量分析模型因子数n
f = 7；校正数据预测值
‑
参考值回归方程y = 0.7118x 0.0961，校正相关系数r
c
= 0.8437，校正测定系数r
2c = 0.7118，校正均方根误差rmsec = 0.012；交互验证数据预测值
‑
参考值回归方程y = 0.6964x 0.1012，交互验证相关系数r
cv = 0.8280，交互验证测定系数r
2cv = 0.6876，交互验证均方根误差rmsecv = 0.012；模型rpd = 2.28。
18.所建总钾定量分析模型因子数n
f
= 13；校正数据预测值
‑
参考值回归方程y = 0.8106x 0.4173，校正相关系数r
c = 0.9003，校正测定系数r
2c
= 0.8106，校正均方根误差rmsec = 0.038；交互验证数据预测值
‑
参考值回归方程y = 0.7774x 0.4903，交互验证相关系数r
cv = 0.8699，交互验证测定系数r
2cv
= 0.7599，交互验证均方根误差rmsecv = 0.044；模型rpd = 2.93。
19.所建氯定量分析模型因子数n
f = 15；校正数据预测值
‑
参考值回归方程y = 0.8683x 0.0832，校正相关系数r
c = 0.9318，校正测定系数r
2c = 0.8683，校正均方根误差rmsec = 0.015；交互验证数据预测值
‑
参考值回归方程y = 0.8367x 0.1032，交互验证相关系数r
cv = 0.8996，交互验证测定系数r
2cv = 0.8096，交互验证均方根误差rmsecv = 0.018；模型rpd = 3.05。
20.所述的烟草在线实时监测装置实现同类烟草精准分级功能的应用，采取计算光谱匹配值法实现同类烟草精准分级，对同类烟草样品的11个不同级别样品分别用所述的烟草在线实时监测装置做10次平行采集光谱数据，对所述同类同级别烟草样品的10次平行光谱数据计算平均数据，对所述平均数据先后做标准正态变量变换（standard normal variate, snv）和一阶5点导数数据预处理，再以经过所述数据预处理后的平均光谱为基准计算光谱匹配值；判别阈值（threshold）范围设定为0.99977
ꢀ‑ꢀ
0.99985，优选0.99979
ꢀ‑ꢀ
0.99982，进一步优选0.99980，以列为基准，除对角线smv值为1.0000——即同类同级别烟草样品自身和自身匹配值为1.0000——其他烟草样品的光谱匹配值皆小于所述阈值，说明其他样品皆存在差异，亦即其他同类烟草样品被识别为同类但不同级别烟草样品，从而实现同类烟草精准分级。
21.上述任一项在烟草品质无损快速质控中的应用。
22.近红外光谱属于分子振动光谱，主要来源于物质分子中含氢官能团的合频与倍频
吸收。现代近红外光谱分析技术集成了近红外光谱学理论、仪器精准微机电制造技术、化学计量学算法三大科技支柱，不仅在理论上具备产品在线质量控制的能力，而且从技术上能够实现对产品进行无损、快速、高效质量控制。
23.本发明所述的一种烟草在线实时监测装置及其在烟草品质无损快速质控中的应用，其装置基于近红外光谱分析技术，架设在烟草物料斜面传送生产线，通过近红外光谱仪采集斜面传送带上烟草物料的近红外光谱数据；经数学模型分析，在极短时间内实现烟草物料异物精准识别、烟草物料高度起伏判断、烟草物料品质无损快速定量分析、同类烟草物料精准分级，从而满足烟草物料在线质量控制的需求。
24.本发明的有益效果是：本发明所述的一种烟草在线实时监测装置及其在烟草品质无损快速质控中的应用，通过架设在烟草物料斜面传送生产线的近红外光谱仪器，结合数学模型分析，实现烟草物料异物精准识别、烟草物料高度起伏判断、烟草物料品质无损快速定量分析、同类烟草物料精准分级的功能，从而解决烟草物料在线质量控制的技术难题。
附图说明
25.图1为本发明所述烟草在线实时监测装置侧面示意图。
26.图2为本发明所述烟草在线实时监测装置光路系统侧面示意图。
27.图3位本发明所述烟草异物无损快速识别近红外光谱第2、第3主成分得分散点图。
28.图4为本发明所述烟草异物无损快速识别近红外光谱模型校正数据预测值
‑
参考值相关关系图。
29.图5为本发明所述烟草异物无损快速识别近红外光谱模型全交互验证数据预测值
‑
参考值相关关系图。
30.图6为本发明所述烟草物料高度无损快速识别近红外光谱第1、2主成分得分散点图。
31.图7为本发明所述烟草物料高度无损快速识别近红外光谱模型校正数据预测值
‑
参考值相关关系图。
32.图8为本发明所述烟草物料高度无损快速识别近红外光谱模型全交互验证数据预测值
‑
参考值相关关系图。
33.图9为本发明所述烟草品质（总植物碱）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
34.图10为本发明所述烟草品质（总植物碱）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
35.图11为本发明所述烟草品质（总糖）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
36.图12为本发明所述烟草品质（总糖）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
37.图13为本发明所述烟草品质（还原糖）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
38.图14为本发明所述烟草品质（还原糖）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
39.图15为本发明所述烟草品质（总氮）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
40.图16为本发明所述烟草品质（总氮）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
41.图17为本发明所述烟草品质（硝酸盐）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
42.图18为本发明所述烟草品质（硝酸盐）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
43.图19为本发明所述烟草品质（总钾）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
44.图20为本发明所述烟草品质（总钾）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
45.图21为本发明所述烟草品质（氯）近红外光谱定量分析模型校正数据预测值
‑
参考值相关关系图。
46.图22为本发明所述烟草品质（氯）近红外光谱定量分析模型全交互验证数据预测值
‑
参考值相关关系图。
47.其中：1 传送带，2 控制系统，3 触摸屏，4光路系统，5环形罩，6
‑
1、6
‑
2 卤钨灯，7 凸透镜，8 近红外光谱仪，9
‑
1、9
‑
2、9
‑
3、9
‑
4 吹扫孔；ls 光源发出光，lr 样品反射光，lf 凸透镜聚光，d 传动方向；h1 环形罩到传送带距离，h2 凸透镜焦距；其中，h1 = 100 mm，h2 = 150 mm，凸透镜（7）直径φ = 80mm。
具体实施方式
48.以下实施例用于说明本发明，但不用来限制本发明的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段，所用原料均为市售商品。
49.以下所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.在本发明的描述中，除非另有说明，术语“顶”、“底”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
51.需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在发明中的具体含义。
52.实施例1 烟草在线实时监测装置结合附图1和附图2对实施例1“烟草在线实时监测装置”加以说明。
53.烟草在线实时监测装置及其在烟草品质无损快速质控中的应用，包含以下结构并可实现以下功能：
（1）结构：包含控制系统2、传动系统、光路系统4；（2）功能：实现烟草异物精准识别、烟草物料高度起伏判断、烟草品质无损快速定量分析、同类烟草精准分级功能。
54.所述控制系统2用于控制装置开启和关闭、控制光谱仪采集光谱数据、数据存储与导出、模型植入与调用功能以及结果显示，包含计算机系统和触摸屏3，通过所述触摸屏3对装置加以控制；所述控制系统2和所述传动系统、光路系统4电连接。
55.所述传动系统用于对烟草样品进行稳定传送，包含传送带1和步进电机，由所述控制系统2控制步进电机运行，带动传送带1将烟草物料向上传送，所述步进电机带动所述传送带1的传送速度为1.2米/秒
ꢀ‑ꢀ
1.8米/秒，优选1.5米/秒。
56.传送带1上方设置光路系统4，光路系统4的上方设置控制系统2，控制系统2中设置有计算机系统和触摸屏3。
57.所述光路系统4用于对烟草样品光谱数据的采集，包含环形罩5、光源、凸透镜7、光谱仪、吹扫部件。所述的传送带1的上方设置环形罩5，环形罩5的侧面设置有卤钨灯6
‑
1、6
‑
2和吹扫孔9
‑
1、9
‑
2、9
‑
3、9
‑
4，环形罩5的顶面设置凸透镜7，凸透镜7的上方设置近红外光谱仪8。所述的吹扫部件为空气压缩机，空气压缩机通过管道与吹扫孔接通。
58.所述环形罩5下口距所述传送带1垂直距离100 mm；所述光源优选卤素钨灯；所述凸透镜采用近红外石英材料，直径80 mm、焦距150 mm；所述光谱仪位于所述凸透镜7上方焦点处，所述光谱仪优选近红外光谱仪；所述吹扫部件在所述卤钨灯6
‑
1、6
‑
2的上、下两侧分别设有2个进气孔9
‑
1、9
‑
2、9
‑
3、9
‑
4。
59.烟草物料经所述传送带1向上传送，经过所述光路系统4时被光源照射，反射光经所述凸透镜7汇聚到位于凸透镜焦点的光谱仪，所述光谱仪接收反射汇聚光并转为光谱数据，经由控制系统2记录并导出数据。所述光谱仪为近红外光谱仪8；所述光谱仪采用聚四氟乙烯白板作为光谱参比；所述光谱仪波段范围为908 nm
ꢀ‑ꢀ
1676 nm；所述光谱仪积分时间0.08秒
ꢀ‑ꢀ
0.12秒，优选1.00秒；采集光谱完成后，所述控制系统2开启吹扫部件对所述光路系统4进行吹扫清洁，所述吹扫气流压强为0.3 mpa
ꢀ‑ꢀ
1.0 mpa，优选0.4 mpa
ꢀ‑ꢀ
0.7 mpa。
60.实施例2 烟草异物精准识别结合附图3、附图4和附图5对实施例2“烟草异物精准识别”加以说明。
61.采用本发明所述烟草在线实时监测装置实现烟草异物精准识别。分别用本发明所述装置采集烟草和烟草生产中常见异物光谱数据。所述常见异物包含枯枝、海绵、干草、植物叶片、纸张、头发、碎石。以烟草及各异物光谱数据为自变量，分别将烟草、枯枝、海绵、干草、植物叶片、纸张、头发、碎石赋参考值0、1、2、3、4、5、6、7，采用偏最小二乘回归结合全交互验证算法建立烟草异物精准识别偏最小二乘
‑
判别分析模型。
62.所建烟草异物精准识别偏最小二乘
‑
判别分析模型的第2、第3主成分得分散点图如附图3所示。从附图3可见，第2、第3主成分得分散点图可以明确区分7种异物和烟草，说明所建烟草异物精准识别偏最小二乘
‑
判别分析模型对烟草中的异物具有很好的精准识别能力。
63.所建烟草异物精准识别偏最小二乘
‑
判别分析模型因子数n
f
= 6。所建烟草异物精准识别偏最小二乘
‑
判别分析模型的校正数据预测值
‑
参考值相关关系图如附图4所示，校正数据预测值
‑
参考值回归方程y = 0.9987x 0.0051，校正相关系数r
c
= 0.9993，校正测
0.028。所建总植物碱定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图10所示，交互验证数据预测值
‑
参考值回归方程y = 0.8768x 0.1266，交互验证相关系数r
cv = 0.9306，交互验证测定系数r
2cv
= 0.8668，交互验证均方根误差rmsecv = 0.031；模型rpd = 2.71。
73.所建总糖定量分析模型因子数n
f = 10。所建总糖定量分析模型的校正数据预测值
‑
参考值相关关系图如附图11所示，校正数据预测值
‑
参考值回归方程y = 0.7483x 2.4445，校正相关系数r
c = 0.8650，校正测定系数r
2c
= 0.7483，校正均方根误差rmsec = 0.20。所建总糖定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图12所示，交互验证数据预测值
‑
参考值回归方程y = 0.7229x 2.6916，交互验证相关系数r
cv
= 0.8399，交互验证测定系数r
2cv = 0.7070，交互验证均方根误差rmsecv = 0.22；模型rpd = 2.37。
74.所建还原糖定量分析模型因子数n
f
= 10。所建还原糖定量分析模型的校正数据预测值
‑
参考值相关关系图如附图13所示，校正数据预测值
‑
参考值回归方程y = 0.7874x 1.7250，校正相关系数r
c = 0.8874，校正测定系数r
2c = 0.7874，校正均方根误差rmsec = 0.15.所建还原糖定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图14所示，交互验证数据预测值
‑
参考值回归方程y = 0.7633x 1.9204，交互验证相关系数r
cv = 0.8650，交互验证测定系数r
2cv = 0.7497，交互验证均方根误差rmsecv = 0.16；模型rpd = 2.72。
75.所建总氮定量分析模型因子数n
f = 10。所建总氮定量分析模型的校正数据预测值
‑
参考值相关关系图如附图15所示，校正数据预测值
‑
参考值回归方程y = 0.8374x 0.3002，校正相关系数r
c = 0.9151，校正测定系数r
2c = 0.8374，校正均方根误差rmsec = 0.042。所建总氮定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图16所示，交互验证数据预测值
‑
参考值回归方程y = 0.8141x 0.3436，交互验证相关系数r
cv = 0.8962，交互验证测定系数r
2cv = 0.8046，交互验证均方根误差rmsecv = 0.046；模型rpd = 2.37。
76.所建硝酸盐定量分析模型因子数n
f
= 7。所建硝酸盐定量分析模型的校正数据预测值
‑
参考值相关关系图如附图17所示，校正数据预测值
‑
参考值回归方程y = 0.7118x 0.0961，校正相关系数r
c = 0.8437，校正测定系数r
2c = 0.7118，校正均方根误差rmsec = 0.012。所建硝酸盐定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图18所示，交互验证数据预测值
‑
参考值回归方程y = 0.6964x 0.1012，交互验证相关系数r
cv = 0.8280，交互验证测定系数r
2cv = 0.6876，交互验证均方根误差rmsecv = 0.012；模型rpd = 2.28。
77.所建总钾定量分析模型因子数n
f
= 13。所建总钾定量分析模型的校正数据预测值
‑
参考值相关关系图如附图19所示，校正数据预测值
‑
参考值回归方程y = 0.8106x 0.4173，校正相关系数r
c = 0.9003，校正测定系数r
2c
= 0.8106，校正均方根误差rmsec = 0.038。所建总钾定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图20所示，交互验证数据预测值
‑
参考值回归方程y = 0.7774x 0.4903，交互验证相关系数r
cv = 0.8699，交互验证测定系数r
2cv = 0.7599，交互验证均方根误差rmsecv = 0.044；模型rpd = 2.93。
78.所建氯定量分析模型因子数n
f = 15。所建氯定量分析模型的校正数据预测值
‑
参考值相关关系图如附图21所示，校正数据预测值
‑
参考值回归方程y = 0.8683x 0.0832，校正相关系数r
c
= 0.9318，校正测定系数r
2c
= 0.8683，校正均方根误差rmsec = 0.015。所建氯定量分析模型的交互验证数据预测值
‑
参考值相关关系图如附图22所示，交互验证数据预测值
‑
参考值回归方程y = 0.8367x 0.1032，交互验证相关系数r
cv = 0.8996，交互验证测定系数r
2cv = 0.8096，交互验证均方根误差rmsecv = 0.018；模型rpd = 3.05。
79.所建各模型的参数，包含：因子数（nf）、校正测定系数（determination coefficient of calibration, r2c）、校正均方根误差（root mean square error of calibration, rmsec）、校正回归方程（regression equation of calibration, rec）、校正回归系数（regression coefficient of calibration, rc）、交互验证测定系数（determination coefficient of cross validation, r2cv）、交互验证均方根误差（root mean square error of cross validation, rmsecv）、交互验证回归方程（regression equation of cross validation, recv）、交互验证回归系数（regression coefficient of cross validation, rcv）、相对于测性能（ratio performance deviation, rpd），如表1所示。从表1可见，所建各模型rpd值皆不小于2.30，说明所建各模型分别可用于烟草中总植物碱、总糖、还原糖、总氮、硝酸盐、总钾、氯的品质无损快速定量分析。
80.实施例5 同类烟草精准分级采用本发明所述烟草在线实时监测装置实现“同类烟草精准分级”功能。采用计算光谱匹配值（spectrum match value, smv）法实现同类烟草精准分级。对同类烟草样品的11个不同级别样品分别用本发明所述烟草在线实时监测装置做10次平行采集光谱数据，对所述同类同级别烟草样品的10次平行光谱数据计算平均数据，对所述平均数据先后做标准正态变量变换（standard normal variate, snv）和一阶5点导数数据预处理，再以经过所述数据预处理后的平均光谱为基准计算光谱匹配值，如表2所示。
81.判别阈值（threshold）范围设定为0.99977
ꢀ‑‑ꢀ
0.99985，优选0.99979
ꢀ‑‑ꢀ
0.99982，进一步优选0.99980。如表2所示，以列为基准，除对角线smv值为1.0000——即同类同级别烟草样品自身和自身匹配值为1.0000——其他烟草样品的光谱匹配值皆小于所述阈值，说明其他样品皆存在差异，亦即其他同类烟草样品被识别为同类但不同级别烟草样品，从而实现同类烟草精准分级。
82.虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之做一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。