CN115165795B - 一种基于光谱转换的烟草化学成分预测方法及装置 - Google Patents

Abstract

本发明提供了一种基于光谱转换的烟草化学成分预测方法及装置，属于烟草化学成分检测技术领域。本发明通过建立不同水分含量与校正参数之间的对应关系，在实际场景中，获取待测烟草的真实水分含量和第一近红外光谱，根据真实水分含量从预先获取的对应关系中提取出对应的校正参数。通过校正参数将第一近红外光谱转换为标准水分含量下的第二近红外光谱。将第二近红外光谱输入预先建立的近红外预测模型中，输出待测烟草中化学成分的含量。这样就能够在实际场景中快速测量，使工作效率提高；同时也无需提前建立多个对应不同水分含量的近红外预测模型，建模任务量减小，成本降低。

Description

一种基于光谱转换的烟草化学成分预测方法及装置

技术领域

本发明涉及一种基于光谱转换的烟草化学成分预测方法及装置，属于烟草化学成分检测技术领域。

背景技术

烟草的化学成分是决定烟草品质的内在因素。例如，在烟草品质评价和配方设计中必不可少的常规成分：总植物碱、还原糖、总糖、总氮、总钾等，用于反映烟草风格与质量、卷烟风格与质量的化学成分：烟草多酚、氨基酸、非挥发性有机酸、阴阳离子、Amadori化合物、茄尼醇、新植二烯等。通常采用化学分析方法来对这些化学成分进行测试，例如，连续流动法、离子色谱法、ICP-MS法、氨基酸分析仪法、液相色谱串联质谱法、重量法、高效液相色谱法和气相色谱法等。

近红外光谱分析技术作为一种快速多化学成分指标的无损检测技术，主要利用有机物中含有的C-H、N-H、O-H、C-C等化学键的振动，来检测多种烟草化学成分，如总植物碱、水溶性还原糖、总糖、总氮、钾、氯、部分多酚、部分有机酸等。对于不同的化学成分，需要建立不同的近红外预测模型，目前尚无能够同时测定烟草中69种化学成分的近红外光谱预测模型。

在近红外光谱分析时，由于水的O-H伸缩振动，其倍频峰和合频峰在近红外光谱中存在较强的吸收峰(约在6897cm^-1和5181cm^-1处)，导致近红外预测的准确性降低。为此，需要在实验室中将建模的样品的水分含量调整为与预测样品水分含量处于同一水分区间，从而降低水分对预测结果准确度的影响。

然而，在实际工作场景，如烟叶收购交割、复烤片烟、烟丝生产等，烟叶数量巨大，烟叶水分含量差异较大且范围较宽，若通过实验时建模预测的方法来测定烟草中的化学成分，不仅需要建立对应不同水分区间的近红外预测模型，建模任务量大，成本高，而且大批量的烟叶很难都在实验室中通过实验的方法预测，否则将带来巨大的成本，同时也会降低生产效率。通过上述分析可以看出，在实验室中通过调整水分含量来进行近红外预测不具有实际操作性，而实际工作场景中亟需一种能够快速测定批量烟叶中化学成分的方法，以降低生产成本，提高生产效率。

发明内容

本发明的目的在于提供一种基于光谱转换的烟草化学成分预测方法，用于解决在测定批量烟叶中化学成分的实际场景中成本高、效率低的问题；本发明的目的还在于提供一种基于光谱转换的烟草化学成分预测装置，用于在烟叶收购交割、醇化进度、烟丝生产等实际工作场景中对批量烟叶中的化学成分进行快速测定。

为了实现上述目的，本发明提供了一种基于光谱转换的烟草化学成分预测方法，包括如下步骤：

S1、获取待测烟草的第一近红外光谱；

S2、根据待测烟草的真实水分含量，从预先获取的不同水分含量与校正参数之间的对应关系，得到对应所述真实水分含量的校正参数；

S3、根据步骤S2得到的校正参数，对第一近红外光谱进行光谱转换，得到待测烟草在标准水分含量下的第二近红外光谱；

S4、将第二近红外光谱输入预先建立的近红外预测模型，输出待测烟草中化学成分的含量；所述近红外预测模型用于表示标准水分含量烟草的近红外光谱与对应标准水分含量烟草中化学成分含量的对应关系；

步骤S2中所述的不同水分含量与校正参数之间的对应关系通过如下过程获取：获取不同水分含量烟草样品的近红外光谱，选择其中一个水分含量烟草样品作为标准水分含量烟草样品，分别计算将其他各水分含量烟草样品的近红外光谱转换至标准水分含量烟草样品的近红外光谱的校正参数，进而根据水分含量及对应水分含量的校正参数，建立不同水分含量与校正参数之间的对应关系。

在烟草收购交割、加工等实际场景中，烟草数量大，并且不同烟草中的水分含量不同，难以通过实验的方法快速进行测量，若分别建立对应不同水分含量的近红外预测模型，建模任务量大，成本高。因此，本发明预先获取不同水分含量烟草样品的近红外光谱，选定其中一个水分含量烟草样品作为标准水分含量烟草样品，计算出将其他水分含量烟草样品的近红外光谱转换至标准水分含量时的校正参数，从而得到不同水分含量与校正参数之间的对应关系。在实际场景中，获取待测烟草的真实水分含量和第一近红外光谱，根据真实水分含量从预先获取的对应关系中提取出对应的校正参数。通过校正参数将真实水分含量下的第一近红外光谱转换为标准水分含量下的第二近红外光谱。将第二近红外光谱输入预先建立的近红外预测模型中，输出待测烟草中化学成分的含量。这样就无需在实验室中实时建立与真实水分含量对应的近红外预测模型，能够在实际场景中快速测量，使工作效率提高；同时也无需提前建立多个对应不同水分含量的近红外预测模型，建模任务量减小，成本降低。

进一步地，计算校正参数的方法为：分别将不同水分含量烟草样品的近红外光谱与标准水分含量烟草样品的近红外光谱首尾拼接，得到与其他不同水分含量对应的组合光谱；对各组合光谱分别进行主成分分析，得到与当前水分含量对应的第一子载荷矩阵以及与标准水分含量对应的第二子载荷矩阵，计算第一子载荷矩阵和第二子载荷矩阵的差异作为对应当前水分含量的校正参数。

不同水分含量烟草样品的近红外光谱不同，在选定标准水分含量烟草样品后，将不同当前水分含量烟草样品的近红外光谱与标准水分含量烟草样品的近红外光谱首尾拼接，得到组合光谱，然后对组合光谱进行主成分分析，得到与当前水分含量对应的子载荷矩阵和与标准水分含量对应的子载荷矩阵，计算这两个子载荷矩阵的差异作为校正参数。当待测烟草的真实水分含量与其中某个当前水分含量相同时，即可提取对应的校正参数，然后将第一近红外光谱校正为第二近红外光谱，能够降低烟草化学成分实时测量的工作量，提高工作效率。

进一步地，通过如下公式计算校正参数：

式中，K_{当前水分含量}表示与当前水分含量对应的校正参数，X_{当前水分含量}表示当前水分含量烟草样品的近红外光谱，表示与当前水分含量对应的第一子载荷矩阵，表示与标准水分含量对应的第二子载荷矩阵，(·)⁺表示矩阵的Moore-Penrose广义逆。

提供一组具体的公式以计算校正参数，计算简单，便于本发明的实施。

进一步地，所述不同水分含量与校正参数之间的对应关系建立时，选择水分含量最低的烟草样品作为标准水分含量烟草样品。

烟草样品中水的O-H化学键影响近红外预测的准确性，因此选择水分含量较低的烟草样品作为标准，提取建立近红外预测模型时，选择标准水分含量烟草样品，相较于采取较高水分含量烟草样品建立的近红外预测模型，准确度更高。

进一步地，根据第一近红外光谱得到待测烟草的真实水分含量。

通过烘箱法也可以得到真实水分含量，但对于批量待测烟草而言，检测时间长且成本高，不利于现场实施。由于烟草中水分子对不同波长的近红外辐射吸收情况不同，因此可以通过第一近红外光谱来得到真实水分含量，成本低，效率高。

本发明还提供一种基于光谱转换的烟草化学成分预测装置，包括处理器和存储器，处理器执行存储器中的指令实现上述的基于光谱转换的烟草化学成分预测方法。

通过程序和指令的方式，将基于光谱转换的烟草化学成分预测方法储存在存储器中，通过处理器读取存储器中的程序和指令，即可运用该方法，便于在实际场景中对烟草中化学成分进行测定，以对烟草的化学品质进行评价。

附图说明

图1为本发明方法实施例中基于光谱转换的烟草化学成分预测方法的流程框图；

图2为本发明装置实施例中基于光谱转换的烟草化学成分预测装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。

方法实施例：

本发明提供一种基于光谱转换的烟草化学成分预测方法，通过测量“标准”水分含量样品的近红外光谱，进而构造不同水分含量样品近红外光谱的转换关系，将不同水分含量样品的近红外光谱转换为“标准”水分含量下的近红外光谱，再采用根据“标准”水分含量样品建立的近红外预测模型进行预测，从而降低水分含量对近红外预测的影响，提高预测准确度，增强预测方法在实际工作场景下的适用能力。

本发明在实施前需要先获取不同水分含量烟草样品的近红外光谱，选定其中一个水分含量作为标准水分含量，计算出将其他不同水分含量烟草样品的近红外光谱转换至标准水分含量烟草样品的近红外光谱时的校正参数，从而建立不同水分含量与校正参数之间的对应关系。

根据实际情况，获取一组水分含量较高的烟草样品，通过温湿度控制，例如烘烤、晒干等方式，制作不同水分含量的烟草样品。本实施例中，制作水分含量分别为7.0％、9.0％、10.0％、11.0％和12.0％等不同水分含量的多个烟草样品，水分含量变化范围控制±0.4％，并选定最低水分含量为7.0％的烟草样品为标准水分含量烟草样品。

利用近红外光谱仪对不同水分含量烟草样品进行近红外光谱采集，得到对应不同水分含量烟草样品的近红外光谱。本实施例中，近红外光谱以矩阵的方式进行表示，与水分含量7.0％、9.0％、10.0％、11.0％和12.0％对应的近红外光谱分别表示为X_7％、X_9％、X_10％、X_11％和X_12％。然后，通过光谱空间转换，确定出将不同水分含量烟草样品的近红外光谱转换至标准水分含量烟草样品的近红外光谱的校正参数。

以近红外光谱X_9％转换至近红外光谱X_7％为例，对得到校正参数的过程进行说明。

将近红外光谱X_9％和近红外光谱X_7％首尾拼接在一起，得到组合光谱X，表示为：

X＝[X_7％X_9％]

对组合光谱X进行主成分分析，可以得到：

式中，T表示组合光谱的得分矩阵，表示组合光谱的载荷矩阵，表示载荷矩阵中对应水分含量为7.0％的烟草样品的子载荷矩阵，的列数与X_7％的列数相同，表示载荷矩阵中对应水分含量为9.0％的烟草样品的子载荷矩阵，的列数与X_9％的列数相同，E表示组合光谱的噪声部分。将载荷矩阵划分为子载荷矩阵时，根据对应水分含量烟草样品的数量及首尾拼接的方式进行划分。例如，将近红外光谱X_9％的首与近红外光谱X_7％的尾拼接在一起，并且9.0％水分含量样品为30组，7.0％水分含量烟草样品为30组，则将载荷矩阵的前30列划分为将载荷矩阵的后30列划分为

通过如下公式即可计算将X_9％转换至水分含量为7％时的校正参数K_9％：

式中，上表“+”表示Moore-Penrose广义逆。

通过如下推导过程说明校正参数K_9％能用于表示近红外光谱X_9％与近红外光谱X_7％之间差异的原因。根据比朗伯吸收定律，组合光谱X可以表示为：

式中，C表示样品组分的浓度矩阵，表示样品水分含量为7.0％时对应的纯光谱矩阵，表示样品水分含量为9.0％时对应的纯光谱矩阵。

联立公式(1)和公式(3)，得到：

式中，R＝(C^TC)^-1C^TT，R是满秩矩阵，可转化为单位矩阵。

两种水分含量烟草样品的近红外光谱之间的差异体现在纯光谱之间的差异，假设根据校正参数对近红外光谱X_9％进行光谱变换后的矩阵为X_9％to7％，则X_9％与X_9％to7％之间的差异通过如下公式表示：

式中，表示近红外光谱X_9％对应的化学成分的浓度矩阵的估计值。

将公式(5)代入公式(6)，得到X_9％进行光谱变换后的矩阵为X_9％to7％表示为：

因此，可以通过校正参数K_9％表示近红外光谱X_9％与近红外光谱X_7％之间差异。

当得到将不同水分含量烟草样品的近红外光谱转换至标准水分含量时的校正参数K_9％、K_10％、K_11％和K_12％，就可以建立不同水分含量与对应水分含量的校正参数之间的对应关系。

本发明在实施前还需要建立对应标准水分含量的近红外预测模型。首先，对于标准水分含量的烟草样品，通过K-S序贯算法(Kennard-Stone)进行筛选，得到一组较好的建模样品，以建立效果较好的近红外预测模型。利用近红外光谱仪采集建模样品的近红外光谱。

然后，根据国家相关标准或行业标准，利用连续流动法、离子色谱法、ICP-MS法、氨基酸分析仪法、液相色谱串联质谱法、重量法、高效液相色谱法和气相色谱法等现有的化学分析方法(均为本领域的技术人员所熟知的技术，此处不对这些方法的具体实施过程进行说明)，获取建模样品中化学成分的含量。

本实施例中，主要获取如下表1所示的建模样品中化学成分的含量，包括常规化学成分、阴阳离子、烟草多酚、多元酸和高级脂肪酸、氨基酸、Amadori化合物和二氯甲烷提取物、茄尼醇、新植二烯等共计69种化学成分。

表1建模样品中化学成分列表

接着，将建模样品的近红外光谱和化学成分含量作为训练集，采用最为常用的偏最小二乘PLS方法(Partial Least Squares)，建立用于表征近红外光谱和化学成分含量之间对应关系的近红外预测模型。通过方差解释率、交叉验证、主成分考察及长期的经验确定近红外预测模型的因子数。通过MSC-SG求导联合方法、变量选择等方法对近红外预测模型进行优化。采用均方根误差、决定系数和相对分析误差评价近红外预测模型的性能和稳定性。

如图1所示，本发明的基于光谱转换的烟草化学成分预测方法包括如下步骤：

S1、获取待测烟草的真实水分含量和第一近红外光谱。

由于烟草中水分子对1.94μm的近红外辐射有明显吸收，而对邻近的1.84μm的近红外辐射几乎不吸收，因此本实施例中，根据第一近红外光谱中对近红外辐射的吸收情况，可确定出待测烟草的真实水分含量。

S2、从预先获取的不同水分含量与校正参数之间的对应关系中，提取出对应真实水分含量的校正参数。

S3、根据步骤S2得到的校正参数，对第一近红外光谱进行光谱转换，将第一近红外光谱加上校正参数，从而得到待测烟草在标准水分含量下的第二近红外光谱。

S4、将第二近红外光谱输入预先建立的近红外预测模型，输出待测烟草中化学成分的含量。

S5、采用均方根误差评价待测烟草化学成分的近红外预测值。

本实施例中，待测烟草可以是烟叶收购交割环节中的初烤烟叶，也可以是烟草加工过程中的醇化片烟或加工完成的烟丝，对烟草所处的实际工作环境不做限定。

以醇化片烟为例，根据实际情况，需要制作水分含量分别为7.0％、9.0％、10.0％、11.0％和12.0％等系列水分含量的烟草样品，选定7.0％水分含量烟叶样品为标准水分含量烟叶样品，并计算对应的校正参数，建立不同水分含量与校正参数之间的对应关系。还建立对应7.0％水分含量烟叶样品的近红外预测模型。

在实际工作场景中，当获取到真实水分含量时，选择与真实水分含量对应的校正参数，并通过如下公式中对应的公式进行光谱转换。

X_9％to7％＝X_9％-K_9％

X_10％to7％＝X_10％-K_10％

X_11％to7％＝X_11％-K_11％

X_12％to7％＝X_12％-K_12％

例如，当真实水分含量为11％时，选择对应的校正参数，然后通过校正参数K_11％对第一近红外光谱X_11％进行校正，从而得到对应的第二近红外光谱X_11％to7％。将X_11％to7％输入近红外预测模型，输出真实水分含量为11.0％的待测醇化片烟在标准水分含量7.0％时的化学成分含量，然后通过RMSEP进行评价。此处的K_9％、K_10％、K_11％和K_12％为相对于标准水分含量7.0％的校正参数。

以初烤烟叶为例，根据实际情况，需要制作水分含量分别为6.0％、8.0％、9.0％、10.0％、11.0％和12.0％等系列水分含量的烟草样品，选定6.0％水分含量烟叶样品为标准水分含量烟叶样品，并计算对应的校正参数，建立不同水分含量与校正参数之间的对应关系。还建立对应6％水分含量烟叶样品的近红外预测模型。

在实际工作场景中，当获取到真实水分含量时，选择与真实水分含量对应的校正参数，并通过如下公式中对应的公式进行光谱转换。

X_8％to6％＝X_8％-K_8％

X_9％to6％＝X_9％-K_9％

X_10％to6％＝X_10％-K_10％

X_11％to6％＝X_11％-K_11％

X_12％to6％＝X_12％-K_12％

例如，当真实水分含量为10.0％时，选择对应的校正参数，然后通过校正参数对第一近红外光谱X_10％进行校正，从而得到对应的第二近红外光谱X_10％to7％。将X_10％to7％输入近红外预测模型，输出真实水分含量为10％的待测初烤烟叶在标准水分含量6.0％时的化学成分含量，然后通过RMSEP进行评价。此处的K_8％、K_9％、K_10％、K_11％和K_12％为相对于标准水分含量6.0％的校正参数。

采用本发明，能够在烟叶收购交割、醇化进度、工艺配方、卷烟产品质量等不同工作环节中对初烤烟叶、复烤片烟、醇化片烟、卷烟烟丝等进行化学成分预测。而且能够降低水分对近红外预测的影响，相比直接建立不同水分区间的近红外预测模型，成本更低，效率更高。

为了进一步说明本发明的效果，将上述方法应用到具体的实例中，以11％水分校正前后的预测为例，校正前后的预测结果比较如表2所示，其中均方根误差是预测值与真实值误差平方根的均值，越小越好；R²为决定系数，是将预测值跟只使用均值的情况相比能好多少，介于0和1之间，越大越好；RPD为相对分析误差，越大，说明预测越准确。

表2水分校正前后预测结果对比

从表2中可以看出，整体上来说，各成分校正后的预测结果比校正前都有一定的提升，虽然有些成分的指标没有校正前的好，但是整体的预测结果与真实的更加接近，说明本发明的校正方法能够提升各成分的预测精度。

装置实施例：

本发明的一种基于光谱转换的烟草化学成分预测装置如图2所示，包括存储器、处理器和内部总线，处理器、存储器之间通过内部总线完成相互间的数据和通信交互。处理器执行存储器中的指令实现方法实施例中基于光谱转换的烟草化学成分预测方法，关于该方法的实现，在方法实施例中已经介绍的清楚明白，此处不再赘述。

处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。存储器可为利用电能方式存储信息的各式存储器，例如RAM、ROM等；也可为利用磁能方式存储信息的各式存储器，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等；还可为利用光学方式存储信息的各式存储器，例如CD、DVD等；当然，还可为其他方式的存储器，例如量子存储器、石墨烯存储器等。

Claims (5)

1.一种基于光谱转换的烟草化学成分预测方法，其特征在于，包括如下步骤：

S1、获取待测烟草的第一近红外光谱；

S2、根据待测烟草的真实水分含量，分别将不同水分含量烟草样品的近红外光谱与标准水分含量烟草样品的近红外光谱首尾拼接，得到与其他不同水分含量对应的组合光谱；对各组合光谱分别进行主成分分析，得到与当前水分含量对应的第一子载荷矩阵以及与标准水分含量对应的第二子载荷矩阵，计算第一子载荷矩阵和第二子载荷矩阵的差异作为对应当前水分含量的校正参数；从预先获取的不同水分含量与校正参数之间的对应关系，得到对应所述真实水分含量的校正参数；

S3、根据步骤S2得到的校正参数，对第一近红外光谱进行光谱转换，得到待测烟草在标准水分含量下的第二近红外光谱；

S4、将第二近红外光谱输入预先建立的近红外预测模型，输出待测烟草中化学成分的含量；所述近红外预测模型用于表示标准水分含量烟草的近红外光谱与对应标准水分含量烟草中化学成分含量的对应关系；

步骤S2中所述的不同水分含量与校正参数之间的对应关系通过如下过程获取：获取不同水分含量烟草样品的近红外光谱，选择其中一个水分含量烟草样品作为标准水分含量烟草样品，分别计算将其他各水分含量烟草样品的近红外光谱转换至标准水分含量烟草样品的近红外光谱的校正参数，进而根据水分含量及对应水分含量的校正参数，建立不同水分含量与校正参数之间的对应关系。

2.根据权利要求1所述的基于光谱转换的烟草化学成分预测方法，其特征在于，通过如下公式计算校正参数：

式中，K_{当前水分含量}表示与当前水分含量对应的校正参数，X_{当前水分含量}表示当前水分含量烟草样品的近红外光谱，表示与当前水分含量对应的第一子载荷矩阵，表示与标准水分含量对应的第二子载荷矩阵，(·)⁺表示矩阵的Moore-Penrose广义逆。

3.根据权利要求1或2所述的基于光谱转换的烟草化学成分预测方法，其特征在于，所述不同水分含量与校正参数之间的对应关系建立时，选择水分含量最低的烟草样品作为标准水分含量烟草样品。

4.根据权利要求1所述的基于光谱转换的烟草化学成分预测方法，其特征在于，根据第一近红外光谱得到待测烟草的真实水分含量。

5.一种基于光谱转换的烟草化学成分预测装置，其特征在于，包括处理器和存储器，处理器执行存储器中的指令实现权利要求1-4任一项所述的基于光谱转换的烟草化学成分预测方法。