CN109324016A - 一种复烤片烟香型风格的判定方法 - Google Patents
一种复烤片烟香型风格的判定方法 Download PDFInfo
- Publication number
- CN109324016A CN109324016A CN201811210097.3A CN201811210097A CN109324016A CN 109324016 A CN109324016 A CN 109324016A CN 201811210097 A CN201811210097 A CN 201811210097A CN 109324016 A CN109324016 A CN 109324016A
- Authority
- CN
- China
- Prior art keywords
- sample
- type
- samples
- tobacco
- flavor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 241000208125 Nicotiana Species 0.000 claims description 84
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 84
- 239000000796 flavoring agent Substances 0.000 claims description 48
- 235000019634 flavors Nutrition 0.000 claims description 45
- 239000003205 fragrance Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000002329 infrared spectrum Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000001134 F-test Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims 1
- 235000019504 cigarettes Nutrition 0.000 abstract description 8
- 239000000203 mixture Substances 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 2
- 239000002304 perfume Substances 0.000 abstract 2
- 238000013139 quantization Methods 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000391 smoking effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004468 VIS-NIR spectroscopy Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 235000019505 tobacco product Nutrition 0.000 description 2
- 101000596046 Homo sapiens Plastin-2 Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 102100035182 Plastin-2 Human genes 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种复烤片烟香型风格的判定方法，区别于其他方法的一个关键点在于，提出一种遴选具有明确香型风格的典型样本的方法，可以在不借助人工标定(专家评吸)的基础上确定建模样本。由典型样本为基础，通过特征提取筛选出真正能反映香型风格的光谱谱段。避免了由于样本自身香型不显著导致的后续光谱处理，特征提取等方法的不当应用；本发明建立了包含国内多个产区复烤片烟的香型模型，通过对片烟香型的量化，构建了片烟香型风格分布图，对卷烟配方，叶组维护等实际应用具有一定的指导意义。
Description
技术领域
本发明涉及卷烟配方及烟草制品评价技术领域。该方法适用于为复烤片烟，提供一种有效的片烟香型风格的判定方法。
背景技术
香型风格是表征烟叶及卷烟产品的重要指标，也是彰显工业企业品牌特色的重要指标。50-60年代，我国学者提出将国内烤烟分为浓香型、中间香型和清香型三大类。后来，有人把香型“细化”，将原来的三大香型细化为清香型、清偏中、中偏清、中间型、中偏浓、浓偏中和浓香型。然而，香型的判定主要靠感官评吸，受主观因素的影响较大，造成研究者们对不同产区香型的认定存在差异。受自然气候，栽培方式等的影响，同一产区不同年度间的烟叶风格也有波动。而卷烟产品的基本组成单元--复烤片烟，又经过模块配方、复烤，其组成较单料烟更为复杂，香型风格的彰显也更为复杂。因此需寻求一种脱离抽吸评价的，客观的判定技术，确定片烟的香型风格。
红外光谱因其快速、准确和无损而被广泛应用于工业领域。光谱多元校正技术能够有效地用于物质成分含量检测和在线过程监测。近红外光谱主要是对含氢基团振动的倍频和合频吸收，其中包含了大多数类型有机化合物的组成信息，与烟叶化学成分关联的信息非常丰富，因此利用近红外光谱对复烤片烟风格进行预测，可以客观的反映该年度各片烟的香型风格。施丰成等利用基于近红外光谱的PLS-DA算法判别烟叶产地，对四川、云南、重庆、福建4个产区单料烟分别建立产地判别模型，对各个产区内验证集样本预测精度大于93％。CN201610834599-申请公开一种基于近红外光谱特征的烟叶风格相似性分类方法，通过主成分分析法提取光谱特征，然后对所有的近红外光谱按行排列，获得数据矩阵，对其进行主成分分析，通过化学计量学方法计算出主成分的均值，确定分类线，建立该区域烟叶风格的PCA区分模型，为紧缺产区烟叶的替代提供科学依据；且其发明目的为可快速、准确的对烟叶的风格进行相似性鉴别，该方法简单、易于操作，环保无污染。
[王一丁,赵铭钦,付博,等.利用可见-近红外光谱鉴定不同香型风格烤烟的方法]公开了为实现对烤烟香型风格的快速判别，应用可见-近红外光谱技术对浓香型、中间香型、清香型3种烤烟样品进行光谱采集，获得烟叶内在化学成分的特征光谱信息。选取全波段特征光谱经均值归一化、Savitzky-Golay卷积平滑、多元散射校正和标准正态变换等优化预处理，采用主成分分析(PCA)对光谱数据进行聚类分析，并结合偏最小二乘判别分析(PLSDA)建立了3种香型风格烤烟定性判别模型。另外，施丰成，李东亮，冯广林等基于近红外光谱的PLS-DA算法判别烤烟烟叶产地[J].烟草科技。2013(4).王一丁，赵铭钦，付博等.利用可见-近红外光谱鉴定不同香型风格烤烟的方法[J].中国烟草科学,2015(6)均涉及到通过近红外光谱鉴定香型风格。
上述技术方案主要针对单料烟的产地、香型等进行分析，其研究数据中香型的判定靠专家评吸。根据多数原则，将样本的香型指定为清香、中间香和浓香中的一种。实际上，不同烟叶的香型并不独立，清香型烟叶也可能具有中间香或浓香的香韵。对复烤片烟而言，经过配方和打叶复烤，片烟的化学成分发生了一定的变化，构成更为复杂，大量的片烟不具有典型的香型风格，即便专家评价也存在工作量大和意见不一致等现象。
现有技术均依靠人工指定香型(标签)进行建模，均未考虑烟叶部分烟叶香型不典型的实际情况，也缺乏识别这些烟叶样本的方法。这些样本的使用，会导致建模不准确，达不到应用的效果。此外，现有技术的分析结果均为清香、中间香或浓香的一种，不能反映不同样本间香型的彰显差异性，不能满足收购评价，配方等实际业务需求。
发明内容
本发明提供一种复烤片烟香型风格的判定方法，区别于其他方法的一个关键点在于，提出一种遴选具有明确香型风格的典型样本的方法，可以在不借助人工标定(专家评吸)的基础上确定建模样本。由典型样本为基础，通过特征提取筛选出真正能反映香型风格的光谱谱段。避免了由于样本自身香型不显著导致的后续光谱处理，特征提取等方法的不当应用；本发明建立了包含国内多个产区复烤片烟的香型模型，通过对片烟香型的量化，构建了片烟香型风格分布图，对卷烟配方，叶组维护等实际应用具有一定的指导意义。
为了实现上述发明目的，本发明提供一种复烤片烟香型风格的判定方法，其具体的技术方案为：
一种复烤片烟香型风格的判定方法，包括如下步骤：
步骤1)提供K个复烤片烟样品，在近红外光谱仪上采集其样品光谱，并对采集的光谱进行平滑及求取一阶导数处理；
步骤2)对各片烟样本进行初次香型标定，香型标定的方式为：云南的烟叶标记为清香，产地为湖南、河南以及安徽的烟叶标记为浓香，其他烟叶标记为中间香；
步骤3)对片烟样本进行N次抽样，每次抽样中，对K个样品中每种香型的片烟中随机抽取相同百分比的样本，组成训练集，未抽中的样本作为测试集；每次抽样后，对训练集进行建模并标记测试集样本的预测结果；统计所有样本的作为预测集时的预测结果，遴选典型样本；
步骤4)利用典型样本及其对应的香型，进行光谱中的特征筛选；
步骤5)利用PLS2建立香型风格模型；
步骤6)对建模样本香型进行二次标定，并重新建模；
步骤7)采集待测样本的近红外光谱，利用步骤6)建立的模型对待测样本的近红外光谱进行预测，判定待测样本的香型风格。
作为优选，步骤3)中每次抽样的抽取比例为样本总数的70％-80％，每次抽取的样本中不同香型的样本占比与原有样本中的香型占比保持一致。
作为优选，步骤3)中的建模方法为线性判别分析方法，各个测试样本的标记方式为香型预测正确/错误。
作为优选，步骤3)中的统计方法为预测错误率p，p＝预测错误次数/作为测试样本的次数；步骤)中的典型样本遴选方式为p＝0的样本。
作为优选，步骤4)中的光谱特征选择方式为各个光谱波数点中三种香型的差异程度，其定义为：Sb/Sw；为同香型类内离散度矩阵，为不同香型类间离散度矩阵：
其中，
x：表示训练样本，使用列向量表示，
C：表示有C类样本，
μi：表示第i类训练样本的均值(i＝1,2,…,C)，
Sw：表示类内散度矩阵，
Sb：表示类间散度矩阵。
作为优选，步骤5)中的建模方法为偏最小二乘，其中，X为选择特征点后的光谱，Y为香型标签；其中，清香型为[1 0 0]，中间香型为[0 1 0]，浓香型为[0 0 1]；潜变量数由交叉验证误差与F检验确定，该数据中，模型潜变量数为6。
作为优选，步骤6)的香型二次标定是通过建模过程中训练样本的预测值来标定。
作为优选，步骤7)中待测样本的光谱与建模样本进行相同的预处理和特征选择。
本发明方法具有如下特点：1.运用分层抽样-分析-统计-建模-二次标定的方式，解决了复烤片烟样本香型风格不明确的问题；2.首先筛选出具有典型风格的样本，在此基础上进行相应的特征筛选和建模，现有方法中未发现这种方法；3.采用浓中清三种维度的方式表征片烟的香型风格，更具实用性；4.本发明无需借助专家提供评吸数据。
现有的方法对片烟香型风格的评价仅靠感官评价，在样本量大时耗时耗力较多。通过本发明方法，实现对配方中所用片烟的香型风格的分析与判定，为产品开发，配方维护提供参考方向。此外，对片烟加工质量评价，调剂烟评价，新产区拓展烟叶评价等提供参考意见。
附图说明
图1是本发明的技术路线图；
图2是实施例中所用片烟光谱；
图3是多次抽样下各个样本的预测错误率；
图4是基于典型样本和特征提取后的模型系数图；
图5是本发明计算得出的库存片烟的香型分布图。
具体实施方式
一种复烤片烟香型风格的判定方法，如图1所示，具体包括如下步骤：
步骤1)选取某企业库存片烟样本477个，取样后将样本按照烟草行业标准《YC/T31-1996烟草及烟草制品试样的制备和水分测定烘箱法》制备成粉末样本(将烟叶置于烘箱中，40℃下干燥4h，用旋风磨(FOSS)磨碎过40目筛)，密封平衡1d后进行光谱测量，训练集样本光谱图如图2所示；对步骤1)中的获取光谱进行平滑及求取一阶导数预处理，预处理方法是为了消除光谱中的散射及其它干扰；
步骤2)对各片烟样本进行初次香型标定，香型标定的方式为：云南的烟叶标记为清香，产地为湖南、河南以及安徽的烟叶标记为浓香，其他烟叶标记为中间香；对不同香型烟叶混合组成的片烟，其主要香型占比在90％以上的，标记为其主要香型，否则不做标记，不参与后续筛选，仅作预测。
步骤3)执行2000次抽样，每次在477个样品中随机抽取334个(70％)，每次抽取时保证样本中的部位比例与原始样本集一致，对334个样本及相应的香型进行LDA建模，记录剩余的143个样本预测结果；统计2000次抽样后所有样本的预测错误率(参考图3)，挑选出预测错误率为0的样本作为典型样本；
步骤4)对典型样本及对应的香型进行特征提取；光谱特征选择方式为各个光谱波数点中三种香型的差异程度，其定义为：Sb/Sw；为同香型类内离散度矩阵，为不同香型类间离散度矩阵：
其中，
x：表示训练样本，使用列向量表示，
C：表示有C类样本，
μi：表示第i类训练样本的均值(i＝1,2,…,C)，
Sw：表示类内散度矩阵，
Sb：表示类间散度矩阵。
步骤5)利用PLS2建立香型风格模型(参考图4)，建模方法为偏最小二乘，其中，X为选择特征点后的光谱，Y为香型标签。其中，清香型为[1 0 0]，中间香型为[0 1 0]，浓香型为[0 0 1]。潜变量数由交叉验证误差与F检验确定，该数据中，模型潜变量数为6；
通过采用三维标签表征香型，可以更具体的表征出不同样本间的香型差异，例如可以表征出一个典型清香样本和一个清香为主，略带中间香样本的差异。在现有技术中，两个样本均标记为清香，无法显示其差异。
步骤6)对建模样本香型进行二次标定，并重新建模；香型二次标定是通过建模过程中训练样本的预测值来标定。
二次标定的作用是去除原始建模样本中的部分专家意见不统一，香型不明确的样本，尽可能的使数据标签的精度提高，从而提高模型的可用性。
步骤7)对未知样本采用同样的方式获取光谱，利用步骤6)建立的模型对待测样本的近红外光谱进行预测，判定待测样本的香型风格；待测样本的光谱与建模样本进行相同的预处理和特征选择。
现有技术中样本香型的给定均通过经验或者人工给定，考虑到人评吸的稳定性，不同人间的评吸灵敏性及偏好等主观因素，使得后续分析中，一直含有主观因素的干扰，使得结果的可靠性和适用性不强。
本发明通过多次抽样遴选典型样本，代替人工标定的方式，且建模过程中无需人工调整参数，结果更为客观。以实施例中图5为例，山东(SD)烟叶在评价中，专家意见不统一，出现浓香，中间香以及中偏浓等意见。如果按现有方法，山东按某一香型进行标定和建模，其结果必然与其他专家不符，且难以解释。本发明中，山东烟叶被筛选为非典型烟叶，不参与建模。其预测结果中，山东烟叶属浓香型，但强度较湖南烟叶低，且全国范围内，山东烟叶与云南烟叶差异最大，与湖南，河南等浓香烟叶也有一定的差异。这些结果均得到多数专家的认可，既给出了香型，又反映了差异，更符合实际应用。
CN201610834599-申请公开一种基于近红外光谱特征的烟叶风格相似性分类方法，通过主成分分析法提取光谱特征，然后对所有的近红外光谱按行排列，获得数据矩阵，对其进行主成分分析，通过化学计量学方法计算出主成分的均值，确定分类线，建立该区域烟叶风格的PCA区分模型。该方法在建模之前未能甄别模型样本是否具有典型的香型特征，在模型结果中也未能表征同香型样本间的彰显差异性。
Claims (8)
1.一种复烤片烟香型风格的判定方法，包括如下步骤：
步骤1)提供K个复烤片烟样品，在近红外光谱仪上采集其样品光谱，并对采集的光谱进行平滑及求取一阶导数处理；
步骤2)对各片烟样本进行初次香型标定，香型标定的方式为：云南的烟叶标记为清香，产地为湖南、河南以及安徽的烟叶标记为浓香，其他烟叶标记为中间香；
步骤3)对片烟样本进行N次抽样，每次抽样中，对K个样品中每种香型的片烟中随机抽取相同百分比的样本，组成训练集，未抽中的样本作为测试集；每次抽样后，对训练集进行建模并标记测试集样本的预测结果；统计所有样本的作为预测集时的预测结果，遴选典型样本；
步骤4)利用典型样本及其对应的香型，进行光谱中的特征筛选；
步骤5)利用PLS2建立香型风格模型；
步骤6)对建模样本香型进行二次标定，并重新建模；
步骤7)采集待测样本的近红外光谱，利用步骤6)建立的模型对待测样本的近红外光谱进行预测，判定待测样本的香型风格。
2.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤3)中每次抽样的抽取比例为样本总数的70％-80％，每次抽取的样本中不同香型的样本占比与原有样本中的香型占比保持一致。
3.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤3)中的建模方法为线性判别分析方法，各个测试样本的标记方式为香型预测正确/错误。
4.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤3)中的统计方法为预测错误率p，p＝预测错误次数/作为测试样本的次数；典型样本遴选方式为p＝0的样本。
5.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤4)中的光谱特征选择方式为各个光谱波数点中三种香型的差异程度，其定义为：Sb/Sw；为同香型类内离散度矩阵，为不同香型类间离散度矩阵：
其中，
x：表示训练样本，使用列向量表示，
C：表示有C类样本，
μi：表示第i类训练样本的均值(i＝1,2,…,C)，
Sw：表示类内散度矩阵，
Sb：表示类间散度矩阵。
6.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤5)中的建模方法为偏最小二乘，其中，X为选择特征点后的光谱，Y为香型标签；其中，清香型为[100]，中间香型为[0 1 0]，浓香型为[0 0 1]；潜变量数由交叉验证误差与F检验确定。
7.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤6)的香型二次标定是通过建模过程中训练样本的预测值来标定。
8.如权利要求1所述的一种复烤片烟香型风格的判定方法，其特征在于：步骤6)中待测样本的光谱与建模样本进行相同的预处理和特征选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210097.3A CN109324016A (zh) | 2018-10-17 | 2018-10-17 | 一种复烤片烟香型风格的判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210097.3A CN109324016A (zh) | 2018-10-17 | 2018-10-17 | 一种复烤片烟香型风格的判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109324016A true CN109324016A (zh) | 2019-02-12 |
Family
ID=65262562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811210097.3A Pending CN109324016A (zh) | 2018-10-17 | 2018-10-17 | 一种复烤片烟香型风格的判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109324016A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132879A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
| CN110132880A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
| CN110736718A (zh) * | 2019-10-16 | 2020-01-31 | 浙江中烟工业有限责任公司 | 一种烤烟烟丝的产地及等级识别方法 |
| CN113627647A (zh) * | 2021-07-08 | 2021-11-09 | 广东省农业科学院作物研究所 | 基于深度学习的烟叶香型预测方法、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040055211A1 (en) * | 2000-05-25 | 2004-03-25 | Torbjorn Lestander | Single seed sortation |
| CN103226135A (zh) * | 2012-10-15 | 2013-07-31 | 红塔烟草(集团)有限责任公司 | 一种烤烟香型的检测判定方法 |
| CN104568823A (zh) * | 2015-01-07 | 2015-04-29 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
| CN106501208A (zh) * | 2016-09-20 | 2017-03-15 | 广西中烟工业有限责任公司 | 一种基于近红外光谱特征的烟叶风格相似性分类方法 |
| CN108181263A (zh) * | 2017-12-29 | 2018-06-19 | 浙江中烟工业有限责任公司 | 基于近红外光谱的烟叶部位特征提取及判别方法 |
-
2018
- 2018-10-17 CN CN201811210097.3A patent/CN109324016A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040055211A1 (en) * | 2000-05-25 | 2004-03-25 | Torbjorn Lestander | Single seed sortation |
| CN103226135A (zh) * | 2012-10-15 | 2013-07-31 | 红塔烟草(集团)有限责任公司 | 一种烤烟香型的检测判定方法 |
| CN104568823A (zh) * | 2015-01-07 | 2015-04-29 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
| CN106501208A (zh) * | 2016-09-20 | 2017-03-15 | 广西中烟工业有限责任公司 | 一种基于近红外光谱特征的烟叶风格相似性分类方法 |
| CN108181263A (zh) * | 2017-12-29 | 2018-06-19 | 浙江中烟工业有限责任公司 | 基于近红外光谱的烟叶部位特征提取及判别方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张建平 等: "烟草化学成分的近红外快速定量分析研究", 《烟草科技》 * |
| 张秋菊 等: "近红外光谱技术识别烤烟香气风格的研究", 《现代仪器与医疗》 * |
| 栾丽丽 等: "应用近红外光谱和多算法融合方法分析烤烟的香型风格特征", 《光谱学与光谱分析》 * |
| 王一丁 等: "利用可见-近红外光谱鉴定不同香型风格烤烟的方法", 《中国烟草科学》 * |
| 缪明明 等: "《不同风格特征烟叶化学成分研究》", 31 December 2016 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132879A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
| CN110132880A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
| CN110132880B (zh) * | 2019-06-18 | 2022-05-27 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
| CN110736718A (zh) * | 2019-10-16 | 2020-01-31 | 浙江中烟工业有限责任公司 | 一种烤烟烟丝的产地及等级识别方法 |
| CN113627647A (zh) * | 2021-07-08 | 2021-11-09 | 广东省农业科学院作物研究所 | 基于深度学习的烟叶香型预测方法、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109975238B (zh) | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 | |
| CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
| CN107796782B (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
| CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
| CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
| CN103217408B (zh) | 一种鉴别贵州两类不同香型烤烟的方法 | |
| CN103134850B (zh) | 一种基于特征香气的茶叶品质快速检测方法 | |
| CN109100321A (zh) | 一种卷烟叶组配方维护方法 | |
| Bi et al. | Quality evaluation of flue-cured tobacco by near infrared spectroscopy and spectral similarity method | |
| CN103487558A (zh) | 一种应用智能感官信号进行茶叶品质的模式识别分析过程中检测异常样本的方法 | |
| CN105891147A (zh) | 一种基于典型相关系数的近红外光谱信息提取方法 | |
| CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
| Voss et al. | E-nose Prototype to Monitoring the Growth and Maturation of Peaches in the Orchard | |
| CN107677638A (zh) | 一种基于近红外光谱技术的初烤把烟含梗率快速检测方法 | |
| CN111239316A (zh) | 一种基于烟气全化学成分色谱数据的卷烟感官质量分析方法 | |
| CN110132880B (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
| CN111257277B (zh) | 一种基于近红外光谱技术的烟叶相似度判定方法 | |
| CN110132879A (zh) | 一种基于近红外光谱的烤烟香韵鉴别方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN106770607A (zh) | 一种利用hs‐imr‐ms鉴别卷烟真伪的方法 | |
| Agnoletti et al. | The terroir of Brazilian Coffea canephora: Characterization of the chemical composition | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| CN102680427A (zh) | 一种应用近红外光谱分析技术鉴别卷烟表香质量的方法 | |
| Giokas et al. | Multivariate chemometric discrimination of cigarette tobacco blends based on the UV–Vis spectrum of their hydrophilic extracts | |
| CN110736718B (zh) | 一种烤烟烟丝的产地及等级识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |