基于近红外的烟叶焦油检测方法技术

技术编号:14265706 阅读:97 留言:0更新日期:2016-12-23 10:59
本发明专利技术提供一种基于近红外的烟叶焦油解析方法,包括如下步骤:步骤一:获取不同品种的成品烟丝样本,扫描烟丝样本的近红外光谱,获取近红外光谱信息;步骤二:将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据,并建立焦油模型;步骤三:设定校正集样本数量m组,通过光谱的差异性筛选检验集样本数量n组;步骤四:通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除;步骤五:使用一阶导数对光谱进行预处理;步骤六:使用遗传算法筛选光谱波长;步骤七:运用GAPLS(基于遗传算法的偏最小二乘法)对波长筛选后的光谱与对应的焦油数据进行建模,构建基于近红外光谱的焦油定量模型。本发明专利技术对焦油量的测定更加准确。

【技术实现步骤摘要】

本专利技术涉及一种基于近红外的烟叶焦油解析方法,属于烟草工业领域。
技术介绍
焦油是卷烟成品的一种重要致香物质,其是卷烟香气的重要组成部分之一;但是卷烟焦油在烟气的形成中也会对人体形成一定的危害,一般认为卷烟烟气中的有害成分主要集中在焦油中,国际上一般以焦油量的高低来评价卷烟的安全性,因此焦油检测在烟草成品的检测中起到非常重要而且必要的作用。在传统的焦油检测中,一般采取抽烟机的检测形式;抽烟机检测一般耗时比较长,对卷烟质量的尤其是卷烟的安全性指标的评价比较滞后;更重要的是,在抽烟机的检测中,抽烟机的检测结果受卷烟滤嘴,卷烟滤纸等卷烟辅料的影响较大。
技术实现思路
本专利技术的目的在于提供一种基于近红外的烟叶焦油检测方法,以快速无损的检测和评价烟叶中的焦油量。本专利技术采用了如下技术方案:一种基于近红外的烟叶焦油解析方法,其特征在于,包括如下步骤:步骤一:获取不同品种的成品烟丝样本,扫描烟丝样本的近红外光谱,获取近红外光谱信息;步骤二:将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据,并建立焦油模型;步骤三:设定校正集样本数量m组,通过光谱的差异性筛选检验集样本数量n组;步骤四:通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除;步骤五:使用一阶导数对光谱进行预处理;步骤六:使用遗传算法筛选光谱波长;步骤七:运用GAPLS(基于遗传算法的偏最小二乘法)对波长筛选后的光谱与对应的焦油数据进行建模,构建基于近红外光谱的焦油定量模型;PLS的算法如下:式中,X为校正子集组成的吸光度矩阵,Y为校正子集相对应的化学值矩阵,tk(n X 1)为X的第k个主因子的得分,pk(1X m)为X矩阵的第k个主因子的载荷;f为主因子数,即:T和U分别为X和Y矩阵的得分矩阵,P和Q分别为X和Y矩阵的载荷矩阵,EX和EY分别为X和Y的PLS拟合残差矩阵。进一步,本专利技术的基于近红外的烟叶焦油解析方法,还可以具有这样的特征:步骤七中,在校正过程中,最初是忽略残差矩阵E,求出中间的参数后,再返回求残差矩阵;具体过程如下:X=TPT,左边乘TT然后右乘P得:T=XP/(PTP);Y=UQT,左边乘UT然后两边同除以QT得:U=Y/QT;取浓度阵Y的某一列作为U的起始迭代值,以U代替T,计算W,方程为:X=UWT,其解为:WT=UTX/(UTU),W为吸光度阵X的权重向量;对权重归一化后求吸光度阵X的因子得分T,方程为:X=TWT,其解为:T=XW/WTW;以T代替U计算浓度阵Y的载荷Q值,其方程为:Y=TQT;其解为:QT=TTY/(TTT);对载荷Q归一化后求浓度阵Y的因子得分U,方程为:Y=UQT;其解为:U=YQ/QTQ;再以此U代替T返回最开始计算WT,由WT计算T1,如此反复迭代,若T已收敛(‖T1-T2‖≤10-6‖T1‖),T1为转入计算收敛后的T,否则返回继续求吸光度阵X的权重W;收敛后的T求吸光度阵X的载荷向量P,其方程为:X=TPT;其解为:PT=TTY/(TTT);对载荷P归一化后求标准化X的因子得分T=T‖P‖;标准化权重向量W=W‖P‖;计算T与U之间的内在关系B=UTT/(TTT);再计算残差阵EX=X-TPT;EY=Y-BTQT;最后以EX代替X,EY代替Y,返回最开始的步骤即求吸光度阵X的权重向量W,以此类推,求出X、Y的主因子的W、T、P、U、Q、B,最后通过交互检验法Q2h≤0.0975确定最佳主因子数f时迭代停止。进一步,本专利技术的基于近红外的烟叶焦油解析方法,还可以具有这样的特征:步骤三中,首先将所有的焦油光谱组成一个光谱阵,选取前面m组为校正子集,剩下的n组为验证集样本。进一步,本专利技术的基于近红外的烟叶焦油解析方法,还可以具有这样的特征,还包括:步骤八:对步骤七得到的模型进行外部验证。进一步,本专利技术的基于近红外的烟叶焦油解析方法,还可以具有这样的特征:步骤四中,随机将焦油的验证集样本进行预测误差计算,正常焦油样本的预测误差较小,其均值在零附近,呈正态分布趋势,异常样本数据奇异的预测误差则较大,远离零点,以焦油预测样本的均值绝对值为X轴,标准差为Y轴作图,判断异常光谱和异常化学值焦油样本并进行剔除。进一步,本专利技术的基于近红外的烟叶焦油解析方法,还可以具有这样的特征:步骤五中,使用一阶导数对光谱进行预处理的具体过程是:使用移动窗口对每个校正集的焦油样本移动平滑,过滤噪声。进一步,本专利技术的基于近红外的烟叶焦油解析方法,还可以具有这样的特征:步骤六中,使用遗传算法筛选光谱波长包括如下步骤:①对焦油校正集样本的波长进行编码,形成二进制字符;②将校正集样本波长进行初始化,随机选择80%为初始种群;③选择近红外定量回归模型的预测标准偏差为适应度函数;④选择近红外焦油样本波长点适应度高的个体保留到下一代一起搜索新的波长点组,根据通过适应度函数的波长点出现的频率来选择建模的波长点;⑤用留一验证的方法通过验证集的预测标准偏差来确定波长点选择的数目以及主成分数。专利技术的有益效果本专利技术的基于近红外的烟叶焦油解析方法,将焦油量的化学值与近红外光谱联系起来,并建立焦油模型,然后通过步骤四到七的处理,使得通过近红外光谱对焦油量的测定更加准确。附图说明图1是近红外光谱图;图2是化学值分布图;图3是异常光谱分布图;图4是一阶导数预处理图;图5是波长选择图;图6是根据图5中选择的波长点对应的光谱图;图7是真实值与预测值对比图;图8是真实值与绝对误差图;图9是整体流程图。具体实施方式以下结合附图来说明本专利技术的具体实施方式。图9是本专利技术的基于近红外的烟叶焦油检测方法的流程图,如图9所示,本专利技术的基于近红外的烟叶焦油检测方法包括如下步骤:1)在A卷烟厂获取具有代表性的75组不同品种的成品烟丝样本,通过磨粉后扫描得到近红外光谱,见附图1,获取与其相对应的近红外光谱信息。2)将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据,见附图2,并建立焦油模型。3)设定校正集样本数量60组,检验集样本数量15组。具体过程:首先将所有的焦油光谱组成一个光谱阵,选取前面60组为校正子集,剩下的为验证集样本数,相对应的选取浓度阵对应的校正集和验证集。4)通过半重数采样法、蒙特卡洛交叉验证法,进行异常光谱分析和异常样本化学值分析,并剔除异常光谱和异常化学值样本;具体过程是:随机将焦油的验证集样本进行预测误差计算,正常焦油样本的预测误差一般较小,其均值在零附近,呈正态分布趋势,异常样本数据奇异的预测误差则一般较大,远离零点,但是焦油样本光谱奇异点预测误差分布的方差一般较大,即不同性质的样本具有不同的分布,以焦油预测样本的均值绝对值为X轴,标准差为Y轴作图,可以得到附图3所示的散点图,根据图可以判断出异常光谱和异常化学值焦油样本并进行剔除。5)利用一阶导数(SG)对光谱进行预处理,其具体过程:使用移动窗口宽度为13对每个校正集的焦油样本逐步移动平滑,过滤掉无用的噪声,保留有效的光谱信息,如附图4;6)利用遗传算法(GA)进行波长筛选;具体过程:①对焦油校正集样本的波长进行编码,形成二进制字符;②将校正集样本波长进行初始化,随机选择80%为初始种群;③选择近红外定量回归模型的预测标准偏差为适应度函数④选择近红外焦油样本波长点适应度高的个体保本文档来自技高网...
基于近红外的烟叶焦油检测方法

【技术保护点】
一种基于近红外的烟叶焦油解析方法,其特征在于,包括如下步骤:步骤一:获取不同品种的成品烟丝样本,扫描烟丝样本的近红外光谱,获取近红外光谱信息;步骤二:将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据,并建立焦油模型;步骤三:设定校正集样本数量m组,通过光谱的差异性筛选检验集样本数量n组;步骤四:通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除;步骤五:使用一阶导数对光谱进行预处理;步骤六:使用遗传算法筛选光谱波长;步骤七:运用基于遗传算法的偏最小二乘法GAPLS对波长筛选后的光谱与对应的焦油数据进行建模,构建基于近红外光谱的焦油定量模型;PLS的算法如下:式中,X为校正子集组成的吸光度矩阵,Y为校正子集相对应的化学值矩阵,tk(n X 1)为X的第k个主因子的得分,pk(1 X m)为X矩阵的第k个主因子的载荷;f为主因子数,即:T和U分别为X和Y矩阵的得分矩阵,P和Q分别为X和Y矩阵的载荷矩阵,EX和EY分别为X和Y的PLS拟合残差矩阵。

【技术特征摘要】
1.一种基于近红外的烟叶焦油解析方法,其特征在于,包括如下步骤:步骤一:获取不同品种的成品烟丝样本,扫描烟丝样本的近红外光谱,获取近红外光谱信息;步骤二:将对应的近红外光谱信息关联到抽烟机给出的焦油标准值数据,并建立焦油模型;步骤三:设定校正集样本数量m组,通过光谱的差异性筛选检验集样本数量n组;步骤四:通过半重数采样法、蒙特卡洛交叉验证进行异常样本的剔除;步骤五:使用一阶导数对光谱进行预处理;步骤六:使用遗传算法筛选光谱波长;步骤七:运用基于遗传算法的偏最小二乘法GAPLS对波长筛选后的光谱与对应的焦油数据进行建模,构建基于近红外光谱的焦油定量模型;PLS的算法如下:式中,X为校正子集组成的吸光度矩阵,Y为校正子集相对应的化学值矩阵,tk(n X 1)为X的第k个主因子的得分,pk(1 X m)为X矩阵的第k个主因子的载荷;f为主因子数,即:T和U分别为X和Y矩阵的得分矩阵,P和Q分别为X和Y矩阵的载荷矩阵,EX和EY分别为X和Y的PLS拟合残差矩阵。2.如权利要求1所述的基于近红外的烟叶焦油解析方法,其特征在于:步骤七中,在校正过程中,最初是忽略残差矩阵E,求出中间的参数后,再返回求残差矩阵;具体过程如下:X=TPT,左边乘TT然后右乘P得:T=XP/(PTP);Y=UQT,左边乘UT然后两边同除以QT得:U=Y/QT;取浓度阵Y的某一列作为U的起始迭代值,以U代替T,计算W,方程为:X=UWT,其解为:WT=UTX/(UTU),W为吸光度阵X的权重向量;对权重归一化后求吸光度阵X的因子得分T,方程为:X=TWT,其解为:T=XW/WTW;以T代替U计算浓度阵Y的载荷Q值,其方程为:Y=TQT;其解为:QT=TTY/(TTT);对载荷Q归一化后求浓度阵Y的因子得分U,方程为:Y=UQT;其解为:U=YQ/QTQ;再以此U代替T返回最开始计算WT,由WT计算T1,如此反复迭代,若T已收敛(||T1-T2||≤10-6||T1||),T1为转入计算收...

【专利技术属性】
技术研发人员:江沉薛庆逾石超
申请(专利权)人:上海创和亿电子科技发展有限公司
类型:发明
国别省市:上海;31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1