基于近红外光谱的烟叶烘烤过程化学指标预测方法与流程

1.本发明涉及一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，属于烟叶烘烤过程分析技术领域。


背景技术：

2.烘烤过程是决定烟叶最终品质的重要环节，目前使用的三段式烘烤方法主要通过控制不同时段的温度和湿度来协调控制水分和物质转化，以达到烤黄、烤干、烤香的烘烤目标。
3.然而，目前烟叶集约性密集烘烤过程中仍存在技术瓶颈，具体表现在：(1)现有烘烤工艺调整重外观“黄鲜净”，轻内在“香气吃味”和“品质风格特色”。迄今为止整个烘烤调制技术处于以经验和试验为主的粗放性技术，无法有效揭示烟叶内部物质转化过程中的消长规律，缺乏有效诠释烘烤调制过程烟叶的外在和内在质量交互关系，不能形成有效的精准烘烤调制技术。(2)技术人员根据烟叶色泽与温湿度变化调整烘烤工艺的灵活性不足。烟叶烘烤过程变黄与干燥状态依旧是以人的眼和手等感官为基础进行主观判断，烘烤进程中的操作仍具有较强的主观性，再加上不同素质烟叶在烘烤过程中变黄与干燥的形态差异较大，技术人员根据烟叶烘烤过烟叶与水分变化调整烘烤工艺的灵活性欠缺，是导致密集烘烤损失的主要原因之一，烘烤中存在严重的工艺调整滞后现象。导致烘烤调制不能有效彰显原烟风格特性，不利于突显品牌卷烟产品创新，烘烤质量和等级处于中低端价值水平，不利于烤烟和卷烟行业以及烟农的经济效益提升。


技术实现要素：

4.基于上述，本发明提供一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，建立了针对烟叶烘烤过程中关键化学指标的过程分析定量预测模型，可预测烟叶烘烤过程中的关键化学指标的变化趋势，为烟叶烘烤过程的精准调节提供依据，以克服现有技术的不足。
5.本发明的技术方案是：一种基于近红外光谱的烟叶烘烤过程化学指标预测方法，所述方法包括：
6.获取烟叶烘烤过程中的烟叶光谱；
7.将所述烟叶光谱输入到烟叶烘烤化学指标预测模型中，计算所述烟叶的化学指标值，所述化学指标值包括水分、叶绿素、淀粉、蛋白质、总糖和还原糖。
8.可选的，根据烟叶烘烤过程中的已知烟叶样本的光谱及对应的烟叶的化学指标值建立所述烟叶烘烤化学指标预测模型，具体包括：
9.在烟叶烘烤过程中按预定时间间隔采集烟叶样本；
10.采集所述烟叶样本的光谱；
11.测定所述烟叶样本的化学指标值；
12.以所述光谱作为输入样本特征，以对应的所述化学指标值作为样本输出标签，通
过数据拟合分别建立所述水分、叶绿素、淀粉、蛋白质、总糖和还原糖对应的所述烟叶烘烤化学指标预测模型。
13.可选的，所述烟叶烘烤化学指标预测模型为：
14.y＝x
×
β
15.其中，所述y为n
×
1的化学值，所述x为n个烟叶样本、p个变量组成的样本近红外光谱矩阵，所述β为回归系数向量，其中，对于不同的化学指标值有不同的β，p为水分、叶绿素、淀粉、蛋白质、总糖和还原糖等变量。建模的实质就是得到回归系数向量β，可用求得的回归系数向量β和未知样本光谱的x
new
对其化学值进行预测，预测值y
pred
＝x
new
×
β。
16.可选的，在建立所述烟叶烘烤化学指标预测模型前，对采集的所述烟叶样本的光谱进行预处理，具体包括：
17.采用多项式平滑法对所述光谱进行平滑处理；
18.采用滤波法对所述光谱进行滤波处理；
19.使用竞争自适应重加权采样法对所述光谱进行特征波长选择；
20.使用交互验证选择最佳的光谱。
21.通过对烟叶样本光谱数据的预处理，可以减少光谱的高频随机噪音、基线飘移、样品信号背景、样品不均匀与光散射、共线性等各种干扰的影响，剔除无关冗余变量，简化后续建模处理运算过程，避免过度拟合，提高模型的预测能力，增强模型的可解释性。
22.可选的，采集烟叶光谱时，对于每个所述烟叶样本，以主脉为轴对称划分出左右两侧，每侧再由叶柄至叶尖划分为上中下3个部分，共计6个测量区，使用光纤探头式近红外光谱仪，在上述6个测量区分别采集一条近红外光谱，取这6个测量区的6条光谱的平均光谱作为该烟叶样本的光谱，其中，在采集时要避开叶脉。此种光谱采集方式采样点数少且能有效代表整片烟叶，不破坏烟叶、方便快速。
23.可选的，采集烟叶光谱时，光谱范围设定为900nm
–
1700nm，积分时间设定为10ms，扫描次数设定为32次，将光纤探头垂直紧贴烟叶叶面测量光谱，以获取稳定、平滑、准确的光谱信息。
24.本发明的工作原理是：烤黄、烤干、烤香的过程本质是烟叶在烘烤过程中发生了物理和化学变化，若能选取关键物理和化学指示指标，基于光谱技术在线采集信号，建立过程分析模型和方法，则有望精准监测烟叶烘烤过程、辅助烘烤参数的精细调节、最终实现智能化烘烤、促进现代烟草烘烤工艺和技术的发展。经申请人研究发现，水分、叶绿素、淀粉、蛋白质、总糖和还原糖可以作为烟叶烘烤中的关键化学指标值。由于水分是烟叶烘烤过程中含量变化最显著的化学指标，烘烤实质就是对烟叶中水分的合理分配，干燥速率、干燥时间和干燥程度等都对烟叶品质的形成有重要影响。颜色变化也很直观，烟叶颜色变化的实质是叶绿素的降解和类胡萝卜素等黄色素含量的增加，烟叶中叶绿素、类胡萝卜素及其降解产物是烟叶重要的致香物质，直接影响和决定着烟叶的品质。烟叶在烘烤过程中碳水化合物含量的变化也是十分显著的，主要是淀粉在淀粉酶的作用下大量的分解，同时，糖类也在酶的作用下进行呼吸消耗，但淀粉产生的糖量大大超过了呼吸消耗的糖量。淀粉在烘烤过程中需要尽可能分解为糖类物质，协调烟叶糖碱比，提高卷烟香吃味。蛋白质是烟草主要的营养物质之一，降低烟叶中的蛋白质含量，有利于生产较安全的卷烟产品。因此，选择水分、叶绿素、淀粉、蛋白质和烟碱作为烟叶烘烤进程的关键指标。
25.本发明的有益效果是：本发明基于在线近红外光谱技术，通过建立烟叶烘烤化学指标预测模型，可以在线、实时预测烘烤过程中六种关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)，参照建立的六种关键化学指标的变化规律，精准调节烘烤过程。本发明利用光谱分析和机器学习双技术实现对烟叶的近红外光谱快速定量建模，并应用所建模型实时在线准确预测烘烤过程烟叶的主要化学成分信息，从而为烟叶烘烤过程的精准监测与精细调节提供了一种过程分析方法。
附图说明
26.图1为上部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)的模型自预测和测试集预测结果；
27.图2为上部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)含量的变化趋势；
28.图3为中部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)的模型自预测和测试集预测结果；
29.图4为中部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)含量的变化趋势；
30.图5为下部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)的模型自预测和测试集预测结果；
31.图6为下部烟叶烘烤过程中水分(左上)、叶绿素(右上)、淀粉(左中)、蛋白质(右中)、总糖(左下)和还原糖(右下)含量的变化趋势。
具体实施方式
32.本发明实施例中的技术方案，总体思路如下：
33.获取烟叶烘烤过程中的烟叶光谱；
34.将所述烟叶光谱输入到烟叶烘烤化学指标预测模型中，计算所述烟叶的化学指标值，所述化学指标值包括水分、叶绿素、淀粉、蛋白质、总糖和还原糖。
35.其中，所述烟叶烘烤化学指标预测模型的构建方法是，根据烟叶烘烤过程中的已知烟叶样本的光谱及对应的烟叶的化学指标值建立所述烟叶烘烤化学指标预测模型，具体包括：
36.在烟叶烘烤过程中按预定时间间隔采集烟叶样本；
37.采集所述烟叶样本的光谱；
38.测定所述烟叶样本的化学指标值；
39.以所述光谱作为输入样本特征，以对应的所述化学指标值作为样本输出标签，通过数据拟合分别建立所述水分、叶绿素、淀粉、蛋白质、总糖和还原糖对应的所述烟叶烘烤化学指标预测模型。
40.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
41.实施例一
42.(1)选用烤烟品种云烟87，对烤前烟叶进行初步筛选，挑选大小、形状、成熟度较一致的上部完整无病虫害烟叶进行烘烤试验。
43.(2)采集训练集并测量红外光谱：在烘烤过程中间隔8小时采样，每次采取50片烟叶样本。使用光纤探头式近红外光谱仪，光谱范围设定为900nm
‑
1700nm，积分时间设定为10ms，扫描次数设定为32次，将光纤探头垂直紧贴烟叶叶面测量光谱。对于每个烟叶样本，以主脉为轴对称划分出左右两侧，每侧再由叶柄至叶尖划分为上中下3个部分，共计6个测量区，在上述6个测量区(避开叶脉)分别采集一条近红外光谱，取这6条光谱的平均光谱作为该烟叶样本的光谱。
44.(3)测定训练集中的叶绿素浓度：对于每个烟叶样本，使用打孔器(直径6mm)在上述6个测量区近红外光谱采样位置分别取样，将取下的6个圆孔小样集合起来，用5ml乙醇(95％)溶液萃取24小时。在测样前将萃取管摇三次以摇匀溶液，以95％乙醇溶液为空白，使用紫外分光光度计分别在665nm和649nm波长处测定吸光度，根据arnon公式计算萃取液的叶绿素a、b的浓度。由于烘烤过程中的水分含量变化很大，最后换算并且使用以单位叶面积所含质量表示的浓度。
45.(4)测定训练集中的含水量：用小刀将烟叶的一级主脉(烟梗)去掉，仅保留叶片，置于天平中称重；然后立即放入烟叶烘干箱中快速杀青(20min)，以保证烟叶化学成分变化不大。杀青后，50℃烘干至恒重，再次称重。前后两次重量之差即为含水量。
46.(5)测定训练集中的淀粉、蛋白质、总糖和还原糖：按照国家标准方法，将烘干后的样品用粉碎机粉碎，采用流动注射分析仪，测定烟叶样本中的淀粉(yc/t216
‑
2013)、蛋白质(yc/t249
‑
2008)、总糖和还原糖(yc/t159
‑
2002)。
47.表1上部烟叶训练样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
48.49.[0050][0051]
(6)基于训练集建立烟叶烘烤化学指标预测模型：首先，使用多项式平滑法对光谱进行平滑处理，再使用norris滤波法消除由于烟叶样品分布不均匀的影响；其次，使用竞争自适应重加权釆样法(cars)对烟叶近红外光谱数据进行特征波长选择；然后，使用交互验证选择最佳潜变量数，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立模型时，选取的潜变量数分别是15、16、20、15、17和20；最后，使用偏最小二乘算法，对水分、叶绿素、淀粉、蛋白质、总糖和还原糖分别建立多元校正过程分析模型，如图1黑色空心圆点所示，模型的决定系数(r2)分别为0.979、0.816、0.917、0.836、0.863和0.913，校正均方根误差(rmsec)分别为3.48、0.86、1.78、0.924、1.40和1.25。
[0052]
(7)基于训练集建立关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)在烘烤过程中的变化规律，如图2所示。
[0053]
(8)在线监测预测集(测试集)并实时预测。使用光纤探头式近红外光谱仪，在烟叶烘烤过程中，于烤房中在线采集光谱数据。基于上述对水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立的烟叶烘烤化学指标预测模型，实时预测这些物理化学指标，如图1黑色实心菱形点所示，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖进行在线预测时，预测均方根误差(rmsep)分别为3.23、0.75、1.30、0.837、1.33和1.31。
[0054]
表2上部烟叶测试样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
[0055]
[0056][0057]
(9)通过在线监测的近红外光谱数据和建立的烟叶烘烤化学指标预测模型实时预测六种关键物理化学指标的数值，参照图2建立的六种关键物理化学指标的变化规律，精准调节烘烤过程。
[0058]
实施例二
[0059]
(1)选用烤烟品种云烟87，对烤前烟叶进行初步筛选，挑选大小、形状、成熟度较一致的中部完整无病虫害烟叶进行烘烤试验。
[0060]
(2)采集训练集并测量红外光谱：与实施例1的第(2)步相同。
[0061]
(3)测定训练集中的叶绿素浓度：与实施例1的第(3)步相同。
[0062]
(4)测定训练集中的含水量：与实施例1的第(4)步相同。
[0063]
(5)测定训练集中的淀粉、蛋白质、总糖和还原糖：与实施例1的第(5)步相同。
[0064]
表3中部烟叶训练样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
[0065]
[0066]
[0067][0068]
(6)基于训练集建立烟叶烘烤化学指标预测模型：首先，使用多项式平滑法对光谱进行平滑处理，再使用norris滤波法消除由于烟叶样品分布不均匀的影响；其次，使用竞争自适应重加权釆样法(cars)对烟叶近红外光谱数据进行特征波长选择；然后，使用交互验证选择最佳潜变量数，对中部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立模型时，选取的潜变量数分别是18、13、20、15、20和20；最后，使用偏最小二乘算法，对水分、叶绿素、淀粉、蛋白质、总糖和还原糖分别建立烟叶烘烤化学指标预测模型，如图3黑色空心圆点所示，模型的决定系数(r2)分别为0.978、0.857、0.865、0.873、0.945和0.833，校正均方根误差(rmsec)分别为4.13、1.91、2.02、0.650、2.05和1.40。
[0069]
(7)基于训练集建立关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)在烘烤过程中的变化规律，如图4所示。
[0070]
(8)在线监测预测集(测试集)并实时预测。使用光纤探头式近红外光谱仪，在烟叶烘烤过程中，于烤房中在线采集光谱数据。基于上述对水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立的烟叶烘烤化学指标预测模型，实时预测这些物理化学指标，如图3黑色实心菱形点所示，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖进行在线预测时，预测均方根误差(rmsep)分别为4.42、1.87、2.05、0.574、2.19和1.20。
[0071]
表4中部烟叶测试样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100
组)
[0072]
[0073][0074]
(9)通过在线监测的近红外光谱数据和建立的烟叶烘烤化学指标预测模型实时预测六种关键物理化学指标的数值，参照图4建立的六种关键物理化学指标的变化规律，精准调节烘烤过程。
[0075]
实施例3
[0076]
(1)选用烤烟品种云烟87，对烤前烟叶进行初步筛选，挑选大小、形状、成熟度较一
致的下部完整无病虫害烟叶进行烘烤试验。
[0077]
(2)采集训练集并测量红外光谱：与实施例1的第(2)步相同。
[0078]
(3)测定训练集中的叶绿素浓度：与实施例1的第(3)步相同。
[0079]
(4)测定训练集中的含水量：与实施例1的第(4)步相同。
[0080]
(5)测定训练集中的淀粉、蛋白质、总糖和还原糖：与实施例1的第(5)步相同。
[0081]
表5下部烟叶训练样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
[0082]
[0083]
[0084][0085]
(6)基于训练集建立烟叶烘烤化学指标预测模型：首先，使用多项式平滑法对光谱进行平滑处理，再使用norris滤波法消除由于烟叶样品分布不均匀的影响；其次，使用竞争自适应重加权釆样法(cars)对烟叶近红外光谱数据进行特征波长选择；然后，使用交互验证选择最佳潜变量数，对中部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立模型时，选取的潜变量数分别是16、7、20、15、19和14；最后，使用偏最小二乘算法，对水分、叶绿素、淀粉、蛋白质、总糖和还原糖分别建立烟叶烘烤化学指标预测模型，如图5黑色空心圆点所示，模型的决定系数(r2)分别为0.972、0.824、0.891、0.828、0.889和0.818，校正均方根误差(rmsec)分别为3.80、0.32、0.46、0.409、1.46和0.96。
[0086]
(7)基于训练集建立关键物理化学指标(水分、叶绿素、淀粉、蛋白质、总糖和还原糖)在烘烤过程中的变化规律，如图6所示。
[0087]
(8)在线监测预测集(测试集)并实时预测。使用光纤探头式近红外光谱仪，在烟叶烘烤过程中，于烤房中在线采集光谱数据。基于上述对水分、叶绿素、淀粉、蛋白质、总糖和还原糖建立的烟叶烘烤化学指标预测模型，实时预测这些物理化学指标，如图5黑色实心菱形点所示，对上部烟叶烘烤过程中的水分、叶绿素、淀粉、蛋白质、总糖和还原糖进行在线预
测时，预测均方根误差(rmsep)分别为5.22、0.34、0.35、0.387、1.68和0.68。
[0088]
表6下部烟叶测试样本水分、叶绿素、淀粉、蛋白质、总糖和还原糖数据表(节选100组)
[0089]
[0090][0091]
(9)通过在线监测的近红外光谱数据和建立的烟叶烘烤化学指标预测模型实时预测六种关键物理化学指标的数值，参照图6建立的六种关键物理化学指标的变化规律，辅助烘烤人员判断、调节烘烤过程。
[0092]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。