一种单料烟产区及部位识别方法、替代方法及系统技术方案

本发明专利技术公开了一种单料烟产区及部位识别方法、替代方法及系统，其中产区及部位识别方法包括：将单料烟划分为多个品类并设置类标；构建训练集；基于训练集中近红外光谱构建近红外光谱矩阵并进行标准化处理，计算标准化近红外光谱矩阵X的协方差矩阵：计算协方差矩阵的特征值及特征向量并进行排序，取前k个特征值对应的特征向量组成降维矩阵W；将X*W及对应类标做为训练数据进行线性判别分析分类训练，得到单料烟产区及部位识别模型；基于单料烟产区及部位识别模型对待预测单料烟的产区及烟叶部位等级进行预测。可预测包含单料烟产区和烟叶部位等级信息的类标，实现单料烟产区及部位的准确识别，从而达到配方叶组中单料烟的准确、高效替代。高效替代。高效替代。

【技术实现步骤摘要】
一种单料烟产区及部位识别方法、替代方法及系统


[0001]本专利技术涉及卷烟及卷烟在制品质量检测
，尤其涉及一种单料烟产区及部位识别 方法、替代方法及系统。

技术介绍

[0002]在卷烟的研发和生产维护过程中，需要根据库存烟叶情况，随时调整不同单料烟在某一 规格卷烟中的用量，有时候需要对库存较少的单料进行替代。而目前卷烟配方维护人员主要 采用感官评吸的方式进行替代烟叶原料的选择，这不仅要求配方维护人员具有较高的感官评 吸水平，也间接带来了较大的工作量和配方维护成本。但随着分析检测技术及计算机智能算 法的发展，人们可以通过运用不同的分析检测手段及算法提取单料烟中具有共性和异性特征 的数据，实现烟叶分级、卷烟配方维护以及烟气成分指标预测等。
[0003]近红外光谱技术因其具有快速、准确和无损的特点，被广泛应用于工业领域。近红外光 谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，记录的主要是 含氢基团X－H(X＝C、N、O)振动的倍频和合频吸收。不同团(如甲基、亚甲基，苯环等) 或同一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，近红外光谱具有丰富 的结构和组成信息，非常适合用于碳氢有机物质的组成与性质测量。
[0004]专利CN109975238A公开了“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
”ꢀ
以烟叶的近红外光谱信息为对象，公开了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，通过一种局部校正的光谱预处理方法及集成的光谱相似度算法，排除了光谱中的基 线、散射等干扰因素，实现从光谱相似到烟叶相似的转化，实现辅助卷烟叶组配方维护过程 中的烟叶替代的方法。但该方法仅从烟叶光谱的相似度出发寻找替代烟叶，而忽视了不同产 区烟叶本身所具有的风格差异性，利用这种方法在实际应用中将很难满足配方维护人员的需 求。
[0005]因此，亟需一种利用烟叶的近红外光谱图，实现快速、客观地判定不同单料烟的香型产 区和部位的技术方案，以达到配方叶组中单料烟的准确、高效替代。

技术实现思路

[0006]本专利技术提供了一种单料烟产区及部位识别方法、替代方法及系统，其目的在于利用烟叶 的近红外光谱图，实现快速、客观地判定不同单料烟的香型产区和部位，并达到配方叶组中 单料烟的准确、高效替代。
[0007]第一方面，提供了一种单料烟产区及部位识别方法，包括：
[0008]将单料烟根据产区、烟叶部位等级划分为多个品类，每个品类对应设置有包含产区及烟 叶部位等级信息的类标；
[0009]获取若干包含各个品类的单料烟的近红外光谱及对应类标作为训练集；
[0010]基于训练集中的近红外光谱构建维度为n
×
p的近红外光谱矩阵，其中n为近红外光谱总 数，p为近红外光谱维度；
[0011]将近红外光谱矩阵进行标准化处理，得到标准化近红外光谱矩阵X；
[0012]计算标准化近红外光谱矩阵的协方差矩阵：
[0013]计算协方差矩阵的特征值及对应的特征向量；
[0014]将特征值及对应的特征向量进行递减排序，取前k个特征值对应的特征向量组成维度为p
ꢀ×
k的降维矩阵W，k为预设值；
[0015]将trainX＝X*W做为训练数据，并将对应的类标一起作为参数调用Matlab的 ClassificationDiscriminant.fit函数，进行线性判别分析分类训练，得到单料烟产区及部位识别 模型F；
[0016]基于单料烟产区及部位识别模型F对待预测单料烟的产区及烟叶部位等级进行预测：获 取待预测单料烟的近红外光谱并进行标注化处理得到testX，调用Matlab的predict函数，得 到预测类标。
[0017]进一步地，所述计算标准化近红外光谱矩阵的协方差矩阵过程包括：
[0018]计算标准化近红外光谱矩阵的均值向量：
[0019][0020]其中，x
i
表示标准化近红外光谱矩阵的第i行构成的向量；
[0021]通过下式计算得到标准化近红外光谱矩阵的协方差矩阵S：
[0022][0023]进一步地，所述将近红外光谱矩阵进行标准化处理，得到标准化近红外光谱矩阵X，过 程包括：
[0024]将近红外光谱矩阵进行Z
‑
Score标准化，其每一元素标准化为：
[0025][0026]其中，为第j个变量的标准差，表示第j个变量的平均值，其中变量 为吸光度，x
ij
表示近红外光谱矩阵的第i行第j列的元素。
[0027]进一步地，所述类标包括整数部分和小数部分；整数部分表示单料烟的产区；小数部分 取值范围为1
‑
3，分别对应烟叶部位等级分为上部叶、中部叶和下部叶。
[0028]进一步地，单料烟的近红外光谱通过近红外光谱仪采集得到，该近红外光谱仪的光谱范 围为：[12800cm
‑1，3600cm
‑1]或[780nm，2778nm]；扫描速度的范围为：[1轮/秒，64轮/ 秒]，每轮扫描次数范围为：[1，128]，分辨率范围为：[2cm
‑1，64cm
‑1]，总采集数据点数范 围为：[1，2592]。
[0029]进一步地，单料烟的形态包括把烟、片烟或烟粉。
[0030]第二方面，提供了一种单料烟产区及部位识别系统，包括至少一个处理器和至少一个存 储器，所述存储器内存储有计算机程序，该计算机程序被所述处理器加载时执行如上所述的 单料烟产区及部位识别方法。
[0031]第三方面，提供了一种单料烟替代方法，包括：
[0032]构建单料烟数据信息库，其包括单料烟的产区、烟叶部位等级、类标及对应的近红外光 谱；
[0033]采用如上所述的单料烟产区及部位识别方法预测出拟替代单料烟的类标C；
[0034]在单料烟数据信息库中，将类标为C的每一个单料烟的近红外光谱矩阵分别与拟替代单 料烟的近红外光谱矩阵进行欧式距离计算；
[0035]将欧式距离按从小到大进行排序，去前Z位作为数据库中供拟替代单料烟的候选替代单 料烟，其中Z为预设值。
[0036]进一步地，所述欧式距离d
i
计算公式如下：
[0037][0038]其中，testX表示拟替代单料烟的近红外光谱矩阵，X
i
表示单料烟数据信息库中类标为C 的单料烟的近红外光谱矩阵。
[0039]第四方面，提供了一种单料烟替代系统，包括至少一个处理器和至少一个存储器，所述 存储器内存储有计算机程序，该计算机程序被所述处理器加载时执行如上所述的单料烟替代 方法。
[0040]有益效果
[0041]本专利技术提出了一种单料烟产区及部位识别方法、替代方法及系统，基于不同产区和部位 的烟叶由于存在一定的化学成分组成差异，这使得它们所对应的近红外光谱图也各不相同的 特点，再结合了线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种单料烟产区及部位识别方法，其特征在于，包括：将单料烟根据产区、烟叶部位等级划分为多个品类，每个品类对应设置有包含产区及烟叶部位等级信息的类标；获取若干包含各个品类的单料烟的近红外光谱及对应类标作为训练集；基于训练集中的近红外光谱构建维度为n
×
p的近红外光谱矩阵，其中n为近红外光谱总数，p为近红外光谱维度；将近红外光谱矩阵进行标准化处理，得到标准化近红外光谱矩阵X；计算标准化近红外光谱矩阵的协方差矩阵：计算协方差矩阵的特征值及对应的特征向量；将特征值及对应的特征向量进行递减排序，取前k个特征值对应的特征向量组成维度为p
×
k的降维矩阵W；将trainX＝X*W做为训练数据，并将对应的类标一起作为参数调用Matlab的ClassificationDiscriminant.fit函数，进行线性判别分析分类训练，得到单料烟产区及部位识别模型F；基于单料烟产区及部位识别模型F对待预测单料烟的产区及烟叶部位等级进行预测：获取待预测单料烟的近红外光谱并进行标注化处理得到testX，调用Matlab的predict函数，得到预测类标。2.根据权利要求1所述的单料烟产区及部位识别方法，其特征在于，所述计算标准化近红外光谱矩阵的协方差矩阵过程包括：计算标准化近红外光谱矩阵的均值向量：其中，x
i
表示标准化近红外光谱矩阵的第i行构成的向量；通过下式计算得到标准化近红外光谱矩阵的协方差矩阵S：3.根据权利要求1所述的单料烟产区及部位识别方法，其特征在于，所述将近红外光谱矩阵进行标准化处理，得到标准化近红外光谱矩阵X，过程包括：将近红外光谱矩阵进行Z
‑
Score标准化，其每一元素标准化为：其中，为第j个变量的标准差，表示第j个变量的平均值，其中变量为吸光度，x
ij
表示近红外光谱矩阵的第i行第j列的元素。4.根据权利要求1所述的单料烟产区及部位识别方法，其特征在于，所述类标包括整数部分和...

【专利技术属性】
技术研发人员：蔡佳校，孔波，伍毅子，庹苏行，马畛，李燕春，卢红兵，杨华武，刘金云，钟科军，
申请(专利权)人：湖南中烟工业有限责任公司，
类型：发明
国别省市：