[發(fā)明專利]一種基于近紅外光譜的煙葉整體感官質(zhì)量評價方法

有效

• 申請?zhí)枺?/td>: 201910526527.0
• 申請日: 2019-06-18
• 公開（公告）號: CN110132880B
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計(jì)）人: 畢一鳴;田雨農(nóng);郝賢偉;廖付;李石頭;張立立;李永生;何文苗;帖金鑫;吳繼忠;王輝;劉建華
• 申請（專利權(quán)）人: 浙江中煙工業(yè)有限責(zé)任公司
• 主分類號: G01N21/3563
• 分類號: G01N21/3563;G01N21/359;G06F30/20
• 代理公司: 杭州豐禾專利事務(wù)所有限公司 33214
• 代理人: 王靜

1.一種基于近紅外光譜的煙葉整體感官質(zhì)量評價方法，其特征在于，該方法包括如下步驟：

步驟1）測定光譜

選取多個片煙樣本，采集所述多個片煙樣本的近紅外光譜，并對其進(jìn)行預(yù)處理；

步驟2）異常光譜剔除

應(yīng)用Hotelling T2方法，未發(fā)現(xiàn)異常光譜；

步驟3）感官評吸

組織評價小組對上述片煙樣本進(jìn)行整體感官質(zhì)量評價并打分，以數(shù)字范圍M~N分值作為整體感官質(zhì)量的量化，N=M+A，M大于等于1，A=3~5，M分值表示評吸員根據(jù)經(jīng)驗(yàn)所得的整體感官質(zhì)量得分最低的片煙樣本，隨整體感官質(zhì)量的提升，分值相應(yīng)上升；

步驟4）構(gòu)造約束矩陣

給定閾值t為整體感官質(zhì)量評價中兩樣本具有顯著差異的數(shù)值，遍歷建模樣本中任意兩樣本整體感官質(zhì)量評價值之差，若差異的絕對值大于給定閾值t，則保存兩樣本之差譜，以所有這樣的差譜構(gòu)造約束矩陣A，持續(xù)這個過程，直到遍歷所有的兩樣本之差；

其中，xc₁,…,xc_n為遍歷建模樣本中任意兩樣本整體感官質(zhì)量評價值之差大于給定閾值的兩樣本差譜；n 為滿足遍歷建模樣本中任意兩樣本整體感官質(zhì)量評價值之差大于給定閾值的差譜數(shù)量；y_k為第k個樣本對應(yīng)的整體感官質(zhì)量評價值；y_l為第l個樣本對應(yīng)的整體感官質(zhì)量評價值；

步驟5）建立模型

（1）

其中，b為模型回歸系數(shù)，X為k*m的光譜矩陣，樣本數(shù)為k，光譜維數(shù)為m；

y為整體感官質(zhì)量評分，A為約束矩陣，

l，u分別為模型回歸系數(shù)b的下，上限約束，歸一化后，其上下限約束分別為1與-1；

c為n*1的向量，n為矩陣A的行數(shù)，值為-t；

模型求解，得到一組與光譜維數(shù)相同的模型回歸系數(shù)b: ；

步驟6）模型優(yōu)化

考慮步驟5）模型的訓(xùn)練誤差，如果不滿足要求，在建模樣本中，分別剔除一個樣本重新建模，如果某一次建模的訓(xùn)練誤差滿足要求或顯著小于原模型誤差，則將剔除的這個樣本排除在模型之外；如果所有模型都不滿足要求，則剔除使模型誤差下降最多的樣本；并重復(fù)此過程；直到建模誤差達(dá)到可接受程度；

步驟7）煙葉整體感官質(zhì)量的預(yù)測

采集待評價樣本的近紅外光譜并對其進(jìn)行預(yù)處理步驟，將其帶入到步驟6）得到的模型中，給出整體感官質(zhì)量的預(yù)測值；

其中，是待評價樣本的近紅外光譜，b是模型回歸系數(shù)，是整體感官質(zhì)量的預(yù)測值。

2.根據(jù)權(quán)利要求1所述的基于近紅外光譜的煙葉整體感官質(zhì)量評價方法，其特征在于，所述預(yù)處理為平滑及snv處理。

3.根據(jù)權(quán)利要求1所述的基于近紅外光譜的煙葉整體感官質(zhì)量評價方法，其特征在于，所述的數(shù)字范圍M~N分值為5~8，評價時保留一位小數(shù)點(diǎn)。

4.根據(jù)權(quán)利要求3所述的基于近紅外光譜的煙葉整體感官質(zhì)量評價方法，其特征在于，給定閾值t為0.3~0.5。

5.根據(jù)權(quán)利要求1所述的基于近紅外光譜的煙葉整體感官質(zhì)量評價方法，其特征在于，所述片煙樣本的數(shù)量不少于20個。