一种基于化学组分特征谱图的再造烟叶智能感官评估模型

技术领域

本发明属于烟草技术领域，具体涉及一种基于化学组分特征谱图的再造烟叶感官质量数字化评价方法。

背景技术

再造烟叶作为传统卷烟和加热卷烟的重要原料组成，是影响卷烟产品感官质量的关键因素。再造烟叶作为原料进入卷烟配方前，需要对其感官质量进行评价，并依次对香气、烟气、杂气、刺激性、余味等指标项进行打分。传统的再造烟叶感官质量评价方式，主要依靠专家反复的品尝或评吸活动完成的。每次须组织9名以上(单数)感官评吸专家，按照感官质量检验标准对各个感官质量指标项进行评价打分，评价过程时间长、费用大。同时，受评吸专家的个人喜好、技术水平、身体状态等诸多因素影响，同一产品不同专家、甚至同一专家不同时期的品质感觉有时存在较大的差异，评价结果主观性强、评价不稳定，导致对再造烟叶质量的判定缺少公信力。总之，传统的再造烟叶感官质量评价方式，评吸工作量大、组织困难、周期长、效率低，且存在评价主观性强、质量判定结果公信力不足等问题，严重制约了再造烟叶质量管控工作，直接对卷烟产品的质量产生了不利影响。因此，烟草工业企业亟需一种客观、快速、高效、稳定的再造烟叶感官质量判定方法，满足企业对再造烟叶这一重要烟草原料进行品控的需要。

感官评估是一门通过人的感觉器官进行测量和解释产品中(或物理化学反应后的)某些化学成分对人体感官作用的科学。因此，产品内在化学成分的组成及含量在一定程度上决定着产品的感官质量，如烟草中的糖类、氮类、植物碱等化合物与感官品质的香气、烟气、口感等特性紧密相关。各行业的领域专家和研究学者试图利用统计分析算法和机器学习算法实现产品(原辅材料)质量的智能感官评估。然而，大部分研究方法和研究成果是基于化学成分指标参数来建立智能感官评估模型。受制于检测能力以及品质复杂性等多方面因素，利用化学成分指标表征感官品质存在信息不完备性，导致了智能感官评估模型在企业实际生产应用中存在一定的局限性。以水溶性糖为例，水溶性糖中包含葡萄糖、果糖、蔗糖、麦芽糖等多种单糖(还原性糖)和双糖(非还原性糖)类物质，其对再造烟叶品质影响关系各不相同；水溶性糖含量相同，但各种糖类物质含量的比例结构不同，将导致再造烟叶呈现出不同的感官品质。

近红外光谱分析技术主要是通过对含氢基团振动的倍频与合频吸收来反映有机化合物的分子组成以及含量信息，相对于传统检测方法承载了更为丰富的品质信息。烟草近红外光谱具有品质信息充分、光谱重现性好等特点，如风格特征、感官质量等，是感官品质信息的综合体现，相对于传统的检测技术是一种更为有效的质量检测和评价手段。因此，近年来研究人员开始采用近红外光谱数据构建智能感官评估模型，相对于传统的基于化学成分指标的感官评估模型，具有更高的模型准确度。

考虑到再造烟叶感官品质影响规律复杂以及影响因素繁多，如化学成分指标就包括了水溶性糖、总植物碱、总氮、硝酸盐、钾、氯、热水可溶物等多种化学物质，单一使用化学成分指标或近红外光谱数据，均难以全面表征再造烟叶品质信息。因此，单纯的基于化学成分指标或近红外光谱数据建立的智能感官评估模型，受制于信息的不完备性，难以得到理想的预测准确性。

为此提出本发明。

发明内容

为了解决上述技术问题，本发明提供一种基于化学组分特征谱图的再造烟叶感官质量数字化评价方法。本发明的方法充分考虑了再造烟叶感官品质的化学物质基础及化学成分指标间的协同影响作用，并借鉴卷积神经网络算法的思想，通过“谱段筛选-矩阵相乘-最大值池化”等步骤将化学成分指标信息与近红外光谱数据进行有机融合，构建能够充分表征再造烟叶感官品质的化学组分特征谱图，并在此基础上运用偏最小二乘回归算法构建信息更为充分、预测准确度更高的感官质量数字化评价方法，为企业提供客观、快速、高效、稳定的再造烟叶感官质量判定工具。

本发明的技术方案如下：

一种再造烟叶感官质量数字化评价方法，包括如下步骤：

(1)制备再造烟叶样品；

(2)采集步骤(1)再造烟叶样品的近红外光谱并对近红外光谱进行预处理；

(3)构建化学光谱特征向量f

(4)对再造烟叶化学成分流动分析检测，构建化学成分特征向量f

(5)构建化学组分特征谱图B

(6)构建感官质量数字化评价模型，根据该模型即得到再造烟叶感官质量数字化评价结果。

优选地，步骤(1)按照标准YC/T31制备再造烟叶样品。

优选地，步骤(2)使用布鲁克MPA近红外光谱仪采集再造烟叶样品的近红外光谱，光谱扫描范围为4000-12000cm

优选地，步骤(3)化学光谱特征向量f

(31)按照近红外光谱含氢基团C-H、O-H、N-H、S-H、P-H振动的倍频和合频吸收波长范围，分别筛选以下化学成分的特征谱段：

水溶性糖的特征谱段λ

总植物碱的特征谱段λ

总氮的特征谱段λ

钾的特征谱段λ

氯的特征谱段λ

硝酸盐的特征谱段λ

热水可溶物的特征谱段λ

(32)上述特征谱段求并集后得到汇总谱段，定义再造烟叶化学光谱特征向量f

优选地，步骤(4)对再造烟叶化学成分流动分析检测，构建化学成分特征向量f

优选地，步骤(5)构建化学组分特征谱图B

优选地，步骤(6)构建的感官质量数字化评价模型的步骤为：将再造烟叶化学组分特征谱图B

本发明的有益效果：

1、相对于传统的感官评吸方法，本发明的再造烟叶感官质量数字化评价方法，为企业提供了客观、快速、高效、稳定的再造烟叶感官质量判定工具，解决了感官评吸主观性强、评价不稳定、结果缺乏公信力等问题。

2、传统的组织感官评吸大约需要几天时间。本发明的再造烟叶感官质量数字化评价方法基于近红外光谱快速检测能力(约1分钟/样品)，调用模型可实现多指标同时评价，周期短、效率高、成本低，能够满足企业进行大规模质量评价的需要，提高企业对再造烟叶质量进行品控的水平。

3、本发明的再造烟叶感官质量数字化评价方法，通过“谱段筛选-矩阵相乘-最大值池化”等步骤将化学成分指标信息与近红外光谱数据进行有机融合，构建了能够充分表征再造烟叶感官品质的化学组分特征谱图，从而既涵盖了化学成分的含量信息，又包含了化学成分的组成比例结构信息；在此基础上构建的感官质量数字化评价模型，得到的模型相对于传统的建模方法，品质信息更为充分、预测准确度更高。

附图说明

图1为本发明的再造烟叶感官质量数字化评价方法主要步骤示意图。

图2为本发明的再造烟叶感官质量数字化评价方法计算值与实际评吸值的拟合程度。

具体实施方式

为了使本发明的目的、技术方案更加清晰，结合以下实施例进行详细说明，实施例旨在说明本发明的内容，而不是对本发明保护范围的进一步限定。实施的过程、条件、试剂、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。各实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。除非另有说明，本说明书中使用的全部专业术语和科学用语的含义均与本发明所属技术领域的技术人员一般理解的含义相同。但如有冲突，以包含定义的本说明书为准。

实施例：本实例基于化学组分特征谱图的再造烟叶感官质量数字化评价方法，主要步骤如图1所示；具体步骤如下：

步骤(1)，样品制备：按照YC/T31制备再造烟叶样品；

步骤(2)，近红外光谱采集及光谱预处理：使用布鲁克MPA多功能傅里叶变换近红外光谱仪采集再造烟叶样品的光谱数据，光谱扫描范围4000-12000cm

步骤(3)，构建化学光谱特征向量f

水溶性糖的特征谱段λ

总植物碱的特征谱段λ

总氮的特征谱段λ

钾的特征谱段λ

氯的特征谱段λ

硝酸盐的特征谱段λ

热水可溶物的特征谱段λ

表1再造烟叶化学分子官能团与波长范围对应关系

上述特征谱段求并集后得到汇总谱段：(I)4300-4900cm

表2再造烟叶样品的化学光谱特征向量f

步骤(4)，化学成分流动分析检测构建化学成分特征向量f

表3再造烟叶化学成分数据f

步骤(5)，构建化学组分特征谱图B

表4化学组分特征转换矩阵A

表5再造烟叶化学组分特征谱图B

步骤(6)，再造烟叶化学组分特征谱图B

其中，K为模型回归系数矩阵，见表6所示；Y为感官质量数字化评价结果(保留2位小数)，见表7所示。

表6各感官质量指标项的模型回归系数矩阵K(节选)

表7再造烟叶样品感官质量数字化评价数值

为验证本发明评价方法的有效性，随机筛选不同产品型号再造烟叶样品共计200个，组织9名感官评吸专家，对样品进行感官评吸打分并取平均值，作为样品的实际评吸值。分别采用均方根误差(见表8)和散点图拟合方法(见图2)，对比本发明评价方法计算值与实际评吸值的符合程度。从图2和表8可以看出，200个再造烟叶样品感官质量指标项的计算值与实际评吸值的均方根误差均低于5.00％，且本发明评价方法计算值与实际评吸值的相关系数(R)在0.85-0.91之间，总体趋势几乎保持线性一致；表明本发明的感官质量数字化评价方法，其评价准确度总体上达到了感官评吸专家的专业水平，能够有效满足再造烟叶质量评价业务需要，在一定程度上可以起到替代评吸专家的作用。

表8本发明的方法计算值与实际评吸值的均方根误差

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。