福建省龙岩金叶复烤有限责任公司 福建省龙岩市 364102
摘要:为了提高打叶复烤过程中原烟检测效率,满足卷烟工业需求,通过设计烟丝检测流程,开展不同波长预处理方法研究、不同波长选择方法研究及不同烟叶状态模型准确度研究等关键技术研究,建立了实验室近红外烟丝、烟末光谱混合模型。结果表明:烟丝、烟末混合模型可有效预测烟丝光谱,提升检测效率。
关键词:波长预处理、波长选择、实验室近红外模型
目前,现有实验室检测烟叶化学成分检测方法主要采用离线近红外烟末检测方法,具体流程为:取样、叶梗分离、进烤(2h)、研磨(先研磨3mm,再研磨60目、样品冷却(4h)、样品扫描(2min)、软件自动计算出样品化学成分值。该方法所需时间长、人员多。但是多家卷烟工业企业已对及时了解入库烟叶及选后烟叶化学成分提出了需求,现有检测方法无法其需求。对于如何快速构建原烟离线近红外模型,使模型应用在入库及检测线上,是目前急需解决的问题。对于这个问题一些文章指出采用烟丝建模检测方法【1-5】,但经验证烟丝建模检测方法检测精度较低,本文提出构建实验室烟丝、烟末混合模型,通过该方法可以大幅度提升检测精度和效率,满足检测需求。
1.1 材料与方法
1.1.1 材料
切丝机、60目研磨机、实验室近红外、慢速标准烘箱(2h)、原烟样品。
1.1.2 方法
设计一套离线近红外快速检测烟叶化学成分方法,具体流程为:取样、叶梗分离、切丝、样品检测。该流程中关键技术为建立光谱模型中不同波长预处理研究、不同波长提取技术研究及不同烟末状态准确度研究。
1.1.2.1不同波长预处理研究
采用MSC、SNV、DOSC、卷积平滑、一阶导等方法对光谱进行预处理,消除光谱因散射、漂移对模型所造成的影响,消除光谱之间差异性,提高模型稳健性。
1.1.2.2不同波长提取技术研究
采用全波长、SPA、UVE、CARS、GAPLS等方法提取有代表性的波长变量,降低模型预测误差,提高模型预测精度。
1.1.2.3不同烟叶状态模型准确度研究
采用偏最小二乘构建模型,并对比烟丝模型、烟丝和烟末混合模型预测烟丝效果,找出最佳模型。
2.结果与分析
2.1 不同预处理方法结果分析
采用420个样品作为校正集,利用偏最小二乘方法分别建立不同预处理方法的定量模型,30个样本作为验证集,用于模型外部验证,具体情况如下所示。
表1 不同预处理方法对模型外部验证影响
预处理方法 | 烟碱(%) | ||
预测绝对误差 | 预测相对偏差 | SEP | |
原始光谱 | 0.18 | 5.79 | 0.19 |
MSC | 0.15 | 6.06 | 0.19 |
SNV | 0.16 | 6.28 | 0.20 |
DOSC | 0.23 | 8.93 | 0.22 |
卷积求导 | 0.18 | 6.94 | 0.20 |
一阶导数 | 0.24 | 9.17 | 0.22 |
傅立叶变换 | 0.19 | 6.98 | 0.18 |
MSC+DOSC | 0.18 | 6.83 | 0.22 |
MSC+卷积求导 | 0.15 | 6.16 | 0.19 |
MSC+一阶导数 | 0.11 | 3.39 | 0.13 |
MSC+傅立叶变换 | 0.15 | 6.06 | 0.19 |
由表可知,与原始光谱相比,各预处理方法在一定程度上可以提高模型的预测能力,但散射校正+一阶导数结合可以得出最优结果,因此,在构建烟丝光谱模型过程中,统一采用散射校正+一阶导数的光谱预处理方法。
2.2 不同波长选择方法结果分析
采用420个样品作为校正集,预处理方法选择散射校正+一阶导数,利用偏最小二乘方法分别建立不同波长选择方法的定量模型,30个样本作为验证集,用于模型外部验证,具体情况如下所示。
表2 不同波长选择方法对模型外部验证影响
波长选择方法 | 烟碱(%) | ||
预测绝对误差 | 预测相对偏差 | SEP | |
全波长 | 0.26 | 11.31 | 0.33 |
SPA | 0.24 | 9.81 | 0.30 |
UVE | 0.25 | 10.33 | 0.31 |
CARS | 0.20 | 8.18 | 0.26 |
IPLS | 0.24 | 9.78 | 0.29 |
由表可知,与原始光谱相比,各波长选择方法在一定程度上可以提高模型的预测能力,但对于烟碱而言,采用CARS算法能达到最优预测结果。
2.3 不同烟叶状态模型准确度结果分析
采用偏最小二乘(波长预处理选择散射校正+一阶导数,波长选择方法烟碱选择CARS,总糖选择IPLS)构建光谱模型,具体情况如下所示。
表3 不同烟叶状态模型统计分析表
烟叶状态 | 烟碱(%) | |||
相关系数 | SECV | 预测绝对误差 | 预测相对偏差 | |
烟丝模型 | 0.8513 | 0.570 | 0.43 | 17.51 |
烟丝+烟末混合模型 | 0.9976 | 0.08 | 0.19 | 8.39 |
由表中可以看出,采用烟丝、烟末混合建模效果较好(表中相关系数越接近1、SECV值越小、预测绝对误差越小、平均相对偏差越小,效果越好),因此,建议采用烟丝、烟末光谱模型。
3.结论
通过建立烟丝、烟末光谱混合模型预测烟丝模型可有效提升检测效率,该模型可用于原烟及选后烟叶检测中,为选叶仓库混配及在线近红外模型快速维护提供保障。
【参考文献】
[1]谢有超,彭黔荣,杨敏,等. 基于烟丝近红外光谱的卷烟品牌识别方法[J]. 烟草科技,2021,54(3):72-77。
[2]李瑞丽,刘玉叶,李文伟,等. 利用近红外光谱技术快速检测配方烟丝掺配均匀性[J]. 食品与机械,2019,35(5):83-87. DOI:10.13652/j.issn.1003-5788
.2019.05.015。
[3]徐安传,胡巍耀,王超,等. 应用近红外技术直接检测烟丝常规化学成分的研究[J]. 激光与红外,2012,42(4):393-398. DOI:10.3969/j.issn.1001-5078.
2012.04.009.
[4]张晰祥,李军华,郑健. 近红外光谱仪对在线烟丝化学成分均质性运用[J]. 广州化工,2017,45(19):99-102. DOI:10.3969/j.issn.10019677.2017.19.033.
[5]吴丽君,张磊,段如敏,等. 不同形态烟叶近红外光谱转移模型研究[J]. 现代科学仪器,2019(4):75-79.
作者简介:徐小红(1988-12),女,汉族,籍贯:福建省龙岩市,当前职务:技术员,当前职称:工程师,学历:本科,研究方向:打叶配方