[发明专利]预测烟草样品香气量的方法、装置和计算机可读取介质

说明书

本发明提供预测烟草样品香气量的方法、装置和计算机可读取介质。预测方法包括：(1)获取待测烟草样品的傅里叶近红外光谱数据；(2)利用训练好的机器学习模型预测待测烟草样品的香气量；其中，所述机器学习模型通过以下方法训练获得：(a1)获取样本数据，所述样本数据包括以下(i)和(ii)：(i)烟气量打分数据，其基于对烟草样品进行评吸获得；(ii)近红外光谱数据，其基于对烟草样品的烟末进行傅里叶变换近红外光谱分析获得；(a2)利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。

技术领域

本发明涉及光谱检测领域，具体涉及一种预测烟草样品香气量的方法、装置和计算机可读取介质。

背景技术

烟叶原料的感官质量对成品卷烟具有极为重要的影响。目前，工业企业判断不同烟叶原料感官质量的方式主要是通过感官评吸。但由于感观评吸人员每日所能评吸的数量有限，大批量样品的评吸需要花费很长的时间，严重影响烟叶原料的评价效率。

因此烟草工作者希望通过其他方式预测烟叶原料的感官质量，加快烟叶感官质量评价的速度。

卷烟的烟气香气量是YC/T 530-2015烤烟烟叶质量风格特色感官评价方法，烟气品质特征的一项重要指标。评分标度为5分，分为3档，0-1档为烟气少至微有，2-3档为烟气稍有至尚足，4-5档为烟气较充足至充足。

相关技术通过研究发现醛类成分、酮类成分、酯类成分等中性致香成分与烟气的香气量有明显相关性。近红外光属于电磁波，近红外光谱产生于分子振动，主要反映C-H、O-H、C＝O、N-H、S-H等化学键的信息，在烟草及烟草样品中用近红外光谱模型预测烟草中含C-H、N-H等化学键丰富的化合物含量。

发明内容

发明人认识到，根据烟草中的中性致香成分等化学成分与烟气的香气量有明显相关性原理，用近红外光谱技术预测烟气中香气量是可行的。基于此，本公开提供了预测烟草样品香气量的方法、装置和计算机可读取介质。

在一些方面，本公开提供一种预测烟草样品香气量的方法，包括：

(1)获取待测烟草样品的傅里叶近红外光谱数据；

(2)利用训练好的机器学习模型预测待测烟草样品的香气量。

其中，所述机器学习模型通过以下方法训练获得：

(a1)获取样本数据，所述样本数据包括以下(i)和(ii)：

(i)烟气量打分数据，其基于对烟草样品进行评吸获得；

(ii)近红外光谱数据，其基于对烟草样品的烟末进行傅里叶变换近红外光谱分析获得；

(a2)利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。

在一些实施方案中，步骤(a2)中，所述训练是指基于量子粒子群优化的半监督支持向量回归算法(QPSO-LSS3VR)对机器学习模型进行训练。

在一些实施方案中，其中，步骤(a2)中，所述训练包括：

-采用交叉验证方法，预留10～20％样本数据作测试样本；

-设置初始参数，执行基于量子粒子群优化的半监督支持向量回归算法，预估未标记样本；

-执行基于量子粒子群优化的半监督支持向量回归算法，获得最佳模型参数，建立光谱定量分析模型；

-将测试样本输入模型进行预测，评价模型性能。

在一些实施方案中，步骤(a2)还包括对光谱进行预处理的步骤，预处理的方法选自：一阶导数、二阶导数、矢量归一化、多元信号校正和光谱平滑中的一种或多种。