通过烟叶特征外观指标预测分选烟叶工业适用性的方法

摘要

本发明公开了一种通过烟叶特征外观指标预测分选烟叶工业适用性的方法，包括的步骤有，取样；工业分选样品制备、分类样品比例测算及外观质量指标量化；工业分选样品感官评吸、指标量化及工业适用性判定；建立基于外观指标的烟叶工业适用性分类预测模型，确定特征外观指标及指标值；建立外观特征指标与其相应的重量比例拟合曲线；根据外观特征指标及拟合曲线，计算批次原料工业适用性量化预测值。本发明对指导烟叶原料量化的工业分选，提高烟叶原料工业适用性具有重要意义。

说明书

技术领域

本发明涉及一种基于工业需求的批次分选烟叶外观特征指标确定方法，特别是涉及一种通过烟叶特征外观指标预测分选烟叶工业适用性的方法，属于烟叶质量评价技术领域。

背景技术

烟叶工业分选目的是使烟叶质量特性更细化，品质界限更清晰，质量特征更明显。随着烟草工业企业大品牌、大市场的步伐加快，以工业企业原料需求为导向，开展烟叶工业分选是提升原料配方适用性和稳定性的必然选择。烟叶外观质量是内在质量的外在反映，目前大多数工业企业分选外观质量均按照GB 2635执行，包括颜色、成熟度、叶片结构、身份、油分、色度、残伤等诸多因素，分选过程需关注较多指标，对操作人员分级水平要求较高；目前也没有较为快速、准确根据批次烟叶外观质量预测工业适用性的方法。因此确定工业分选特征外观指标，建立一种科学、便捷的批次工业分选烟叶工业适用性预测方法，对于强化工业分选过程的针对性，提高选出烟叶的工业适用性，丰富烟叶质量评价体系具有重要的意义。

发明内容

本发明的主要目的在于，提供一种根据配方需求确定的工业分选烟叶特征外观指标方法，在分选过程中，针对性加强分选操作人员对特征外观指标的掌握，提升以工业适用性为导向的分选效果，进一步提高烟叶工业分选质量和效率。同时，提供一种通过烟叶特征外观指标预测分选烟叶工业适用性的方法，便于对整批烟叶原料工业适用性进行预测及量化。

为解决上述技术问题，本发明提供一种通过烟叶特征外观指标预测分选烟叶工业适用性的方法，其特征在于，具体包括如下步骤：

步骤SS1：取样；

步骤SS2：工业分选样品制备、分类样品比例测算及外观质量指标量化；

步骤SS3：工业分选样品感官评吸、指标量化及工业适用性判定；

步骤SS4：建立基于外观指标的烟叶工业适用性分类预测模型，确定特征外观指标及指标值；

步骤SS5：建立外观特征指标与其相应的重量比例拟合曲线；

步骤SS6：根据外观特征指标及拟合曲线，计算批次原料工业适用性量化预测值。

作为一种较佳的实施例，所述步骤SS1具体包括：采集初烤烟烟叶样品，取样包数按照到货总担数的0.5％以内确定；若批次样品不足1000担，则抽取3包，每包自中心向四周抽取样品若干处，每处取若干片烟叶。

作为一种较佳的实施例，所述步骤SS2具体包括：根据样品外观质量，进行再分组，并对各组样品外观指标进行量化，所述外观指标包括：颜色、成熟度、叶片结构、身份、油分、色度。

作为一种较佳的实施例，所述步骤SS3具体包括：对各分类样品进行感官工业评价，评价依据YC/T 530-2015《烤烟烟叶质量风格特色感官评价方法》相关要求执行，并对每类样品工业适用性进行定性评价，A代表工业适用性强，B代表工业适用性较强。

作为一种较佳的实施例，所述步骤SS4具体包括：构建各类样品工业适用性分类模型，给予信息增益率确定特征外观指标，所述分类模型输出结果包括筛选出的外观指标及指标值。

作为一种较佳的实施例，所述步骤SS4还包括：根据感官工业评价判定结果，结合工业分选类别，建立基于工业配方使用需求的工业分选样品分类决策树，每个外观分类样品在对应的外观指标分值之后，均有是否适合配方需求的判定，两者结合，建立决策树，筛选出符合配方需求的代表性外观指标及对应指标分值。

作为一种较佳的实施例，所述决策树的建立过程包括：

引入信息熵作为度量样本集合纯度的指标，信息熵的值越小，则样本集的纯度越高，其定义式为：

其中D为当前样本集合，p_k为当前样本集合中第k类样本所占的比例D^v为D中所有在属性a上取值为a^v的样本，根据式1计算出D^v的信息熵，再根据不同的分支节点所包含的样本数不同，给分支节点赋予权重|D^v|/|D|，样本越多的分支节点的影响越大，计算a属性的“信息增益”(information>

基于信息增益率进行类别划分，容易对取值数目较多的属性有所偏好，为减少偏好可能带来的不利影响，引入“增益率”来选择最优划分属性，增益率定义式为：

其中Ⅳ(a)称为属性a的“固有值”，属性a的可能取值数目越多，则固有值越大，其计算公式为：

为防止信息增益率对可能取值数目较少的属性有所偏好，划分属性时，使用启发式，先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的。

作为一种较佳的实施例，所述步骤SS5具体包括：根据外观质量量化要求，用N个逐渐递增的外观特征指标值为上限，计算小于该上限的烟叶重量比例即为累计重量比例，其中，N为正整数。

作为一种较佳的实施例，所述步骤SS5还包括：通过对外观指标特征值及累计比例的散点图，可知两者大致呈“S”型曲线关系，即待拟合的曲线方程的一般表达形式为G(x)＝b0+b1*EXP(b2+b3/x)，x为对应的外观特征指标累计上限值，G(x)为其对应的累计重量比例；其中b0、b1、b2、b3为方程参数，结合所述累计重量比例，对G(x)进行曲线拟合可以得到b0、b1、b2、b3，从而确定拟合曲线方程。

作为一种较佳的实施例，所述步骤SS6具体包括：根据确定的外观指标特征值及拟合的曲线方程，代入式IAE＝(1-G(x+0.5))/100中，计算出工业适用特征值,该值可视为特定地区、特定等级原料符合适宜特定工业配方需求的预测估计比例；IAE值越大，表明该批次样品符合工业需求的烟叶比例越大，工业适用性越好。

本发明所达到的有益效果：本发明提出一种根据配方需求确定的工业分选烟叶特征外观指标方法，在分选过程中，针对性加强分选操作人员对特征外观指标的掌握，提升以工业适用性为导向的分选效果，进一步提高烟叶工业分选质量和效率。同时，提供一种根据特征外观指标预测批次烟叶工业适用性的方法，便于对整批烟叶原料工业适用性进行预测及量化。

附图说明

图1是本发明的典型外观特征指标油分指标不同数值区间内的分布曲线图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

1)取样

选择某产区C2F等级为试验样品，取样包数按照到货总担数的0.1％确定(如大货样为20000担，则取样包数＝20000*0.1％，即选取20包取样)；每包自中心向四周抽取样品5-7处，每处取10～15片烟叶。本试验共抽取样品14kg。

2)样品外观工业分选

对试验C2F等级试验样品进行工业分选，根据《烤烟GB2635》相应等级的品级因素规定，对试验样品外观质量进行分类，并称重；依据外观评价指标进行外观质量评分，按照表1所示的外观评价指标及标准进行分值量化，其中，外观指标包括颜色、成熟度、身份、油分、叶片结构和色度。最终试验样品的分类及相应比例见表2。

表1

表2

3)样品感官工业评价

根据外观工业分选所确定的分类样品，按照YC/T 530-2015《烤烟烟叶质量风格特色感官评价方法》分别进行感官质量评价，并根据配方需求，获取相应工业适用性表征。部分样品感官评价结果见表3.

表3部分试验样品感官评价结果

4)构建分类模型

根据感官工业评价判定结果，结合工业分选类别，建立基于工业配方使用需求的工业分选样品分类决策树。每个外观分类样品在对应的外观指标分值之后，均有是否适合配方需求的判定，两者结合，建立决策树，筛选出符合配方需求的代表性外观指标及对应指标分值。

决策树的建立基于信息熵。“信息熵”(information entropy)是度量样本集合纯度最常用的一种指标，信息熵的值越小，则样本集的纯度越高，其定义式为：

其中D为当前样本集合，p_k为当前样本集合中第k类样本所占的比例

D^v为D中所有在属性a上取值为a^v的样本，根据式1计算出D^v的信息熵，再根据不同的分支节点所包含的样本数不同，给分支节点赋予权重|D^v|/|D|，样本越多的分支节点的影响越大，计算a属性的“信息增益”(information>

基于信息增益率进行类别划分，容易对取值数目较多的属性有所偏好，为减少偏好可能带来的不利影响，引入“增益率”(gain ratio)来选择最优划分属性，增益率定义式为：

其中Ⅳ(a)称为属性a的“固有值”(intrinsic value)，属性a的可能取值数目越多，则固有值越大，其计算公式为：

为防止信息增益率对可能取值数目较少的属性有所偏好，划分属性时，使用启发式，先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的。

决策树最终建立结果为；

最终筛选指标为油分，根据决策树结果可知，油分指标可作为区分烟叶符合配方需求程度判定的外观工业分选特征指标，结果显示，根据油分指标对是否符合配方需求进行判定，分类准确率可达83.7％，处于较为理想的水平。

5)拟合分布曲线

确定典型外观特征指标油分指标不同数值区间内的分布曲线。首先进行曲线估计，结果如图1所示。根据图形的变化趋势，并根据模型拟合结果，可知“S”形曲线能较好拟合油分不同分值的累计比例，如表4所示。

表4

表5 ANOVA

自变量为x。

由表5可知，具备方差齐次相等。直接采用“非线性”模型进行操作，结果如下表6所示：

表6迭代历史记录表

导数是通过数字计算的；其中，a：主迭代数在小数左侧显示，次迭代数在小数右侧显示；b：在20迭代之后停止运行，已找到最优解。

表7参数估计值

表8参数估计值的相关性

表9结果分析表

ANOVA′

由上述分析结果(即表7、表8、表9)可知：以使残差最小为原则，迭代20次后，方程参数已寻找到最优解，且此模型能解释96.7％的变异，拟合程度较好。

拟合曲线方程为：G(X)＝-30.143+52.168*exp(2.297-12.488/X)。

6)计算工业适用特征值

工业适用特征值(Industrial Applicable Eigenvalues),可视为特定地区、特定等级原料符合适宜特定工业配方需求的预测估计比例。IAE值越大，表明该批次样品符合工业需求A的烟叶比例越大，满足工业需求A的适用性越好。

IAE＝(100-G(x+0.5))/100

其中x为根据决策树筛选出的外观特征指标界限值，在本例中x＝6.5，G(x)为不同油分分值对应的累计比例拟合的曲线方程，本例中，预测选下比例为G(x+0.5)＝57，IAE＝0.43，即预测该批次原料满足工业适用性A的比例约为43％，与最终全等级工业分选结果45.44％差别不大，可作为判定某批次原料工业分选价值量化评价的参考指标。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。