【技術實現步驟摘要】
本專利技術涉及化學計量學與分子光譜分析的，更具體地，涉及一種煙葉區位檢測識別方法。
技術介紹
1、煙葉的物理特性，如含水率、厚度和寬度，對打葉風分工藝參數有顯著影響。這意味著，通過對不同區位(葉尖、葉中、葉基)的煙葉進行細致的風分，可以根據其物理特性調整打葉機的轉速和風分風速，從而優化復烤過程。
2、每片煙葉的三個不同區位在化學成分的分布上存在顯著差異，這些差異對煙葉的品質和加工效果有重要影響。通過對煙葉葉尖、葉中、葉基部分進行精確的打葉風分檢測，可以根據煙葉的物理特性和化學成分優化復烤過程，提高煙葉的出葉率和品質，實現煙葉資源的有效利用。這一過程不僅涉及到物理特性的考量，還包括化學成分的分析和感官品質的評估，是復烤廠提高煙葉質量和優化生產過程的關鍵環節。
3、現有的復烤生產過程打葉風工序一般采取圖像法檢測煙葉的葉片結構(大片、中片、小片、碎片)，從而控制葉片結構，并未對各個分風口打葉的煙葉進行區位(葉尖、葉中、葉基)識別，無法為分類復烤提供數據支撐。
4、現有技術公開了一種打葉復烤在線片煙葉片結構自動檢測裝置及控制方法，自動檢測裝置可以在生產過程中實時截取打葉機組各風分器出口的葉片，通過可見光和x射線兩套成像裝置進行在線煙葉成像，進行圖像分析處理，檢測葉片結構數據并建立數據模型，依據模型實時調整生產參數，指導生產的運行。雖然該方案檢測風分口處的葉片結構，但是并未對煙葉進行區別識別，無法進行細致風分，無法保證煙葉復烤品質。
技術實現思路
1、本專
2、為解決上述技術問題，本專利技術采用的技術方案是：
3、提供一種煙葉區位檢測識別方法，包括以下步驟：
4、s1：收集待加工批次原煙樣品n個，將待加工批次原煙樣品平均劃分為葉尖、葉中、葉基三個區位，每個區位分別p個樣品，每個樣品取y片；
5、s2：將y片相同的樣品疊加，分別掃描每個區位的樣品光譜，掃描葉尖區位的樣品光譜x1＝{x11、x12、……、x1p}，掃描葉中區位的樣品光譜x2＝{x21、x22、……、x2p}，掃描葉基區位的樣品光譜x3＝{x31、x32、……、x3p}，按區位分別保存光譜；
6、s3：對步驟s2中的三個區位樣品光譜進行預處理；
7、s4：結合遺傳算法和模糊k均值算法對預處理后的光譜進行分類，將葉尖、葉中、葉基三個區位光譜劃分成三個分類模型，分別為l葉尖、l葉中、l葉基；
8、s5：采集打葉風分工序各風分口的樣品光譜；
9、s6：將步驟s5中各個風分口的樣品光譜投影到步驟s4的分類模型中進行預測，統計每個風分口的每個樣品分別對應的區位，確定每個風分口的打葉偏向區位。
10、本專利技術的煙葉區位檢測識別方法，收集待加工批次原煙樣品并平均劃分為葉尖、葉中、葉基三個區位，分別掃描每個區位的樣品光譜，對樣品光譜進行預處理后，結合遺傳算法和模糊k均值算法將三個區位光譜劃分成三個分類模型，采集各個風分口處的樣品光譜，投影到分類模型中進行預測，判斷每個風分口的打葉偏向區位，可對后續打葉風分進行精細控制，提高煙葉復烤品質，且可有效分離不同品質的煙葉，進而提升煙葉原來的模塊化和均質化水平，實現精細化管理。
11、優選地，步驟s2和步驟s5中，采用手持式近紅外儀對樣品掃描光譜。
12、優選地，步驟s2采集的葉尖、葉中、葉基三個區位光譜有飄移現象，但是由于手持式近紅外儀采取直接結帖煙葉表面的掃描方式，且外部環境保持相對穩定，采集的光譜復雜程度低，因此步驟s3中采用一階導數的預處理方法來提高光譜的精度。
13、優選地，步驟s4中，對預處理后的光譜進行分類的過程包括：
14、s401：定義適應度函數，設置交叉概率、種群大小、迭代次數b、變異概率、分類數k、加權指數a和收斂門限ε；x＝{x11，x12，……，x1p,x21，x22，……，x2p,x31，x32，……，x3p}
15、s402：從n個樣品中任意選擇m個樣品作為初始分類的隸屬度矩陣b(0)，并計算m個樣品的中心點y初始；初始分類的隸屬度矩陣b(0)中的樣品的隸屬度aij滿足條件：
16、
17、式中，k表示分類數，i為k其中的一類，aij表示第i類第j個樣品對第i類的隸屬度；
18、s403：計算剩下的每個樣品到m個樣品初始分類中心的距離，并將距離最近的歸于一類，總共分為k類；
19、s404：計算k類樣品的適應度；
20、s405：計算每一類樣品中的均值作為新的中心點yi，進行選擇、交叉、變異后，計算剩下每個樣品與中心點的距離，根據最小誤差函數q重新劃分到k類中；
21、s406：根據迭代次數b、分類中心yi、隸屬度矩陣b(0)，求得b次迭代后的隸屬度矩陣b(b)和分類中心yib；
22、s407：根據求得的分類中心yib和隸屬度aij，求隸屬度矩陣b(b+1)；
23、s408：若max{|b(b)-b(b+1)|}≤ε，則停止迭代，輸出隸屬度矩陣b(b+1)及對應的分類中心yib，進入步驟s409；若否，返回步驟s402；
24、s409：在得到的隸屬度矩陣b(b+1)，令每列中最大元素為1，其余為0，得到最佳樣本為最終的模糊k均值3類分類模型，分別為l葉尖、l葉中、l葉基。
25、優選地，步驟s405中，誤差函數計算公式：
26、
27、式中，k表示分類數；n表示總的樣品數量；aij表示第i類第j個樣品對第i類的隸屬度；a表示加權指數；xij表示第i類第j個樣品光譜；yi表示第i類的分類中心；‖xij-yi‖表示樣品xij與分類中心yi之間的歐氏距離；q表示樣品xij與分類中心yi的帶權距離平方和；
28、最佳分類是使得誤差函數q最小，因此需要得到最佳分類，需要最佳的隸屬度aij和分類中心yi；
29、當a>1且xij≠yi時，迭代計算出隸屬度aij和分類中心yi：
30、
31、優選地，步驟s4中，將三個區位樣品光譜x1、x2、x3預處理后投影到空間中，可觀察三個區位的分布區別。
32、優選地，分別計算葉尖、葉中、葉基三個區位的分類中心，每個樣品對應一個誤差函數，將誤差函數投影到二維平面，每個區位的樣品形成橢圓形的分布，即置信橢圓區間，通過構建和應用置信橢圓模型進行葉尖、葉中、葉基分類。
33、優選地，步驟s5中，采集打葉風分工序各風分口的樣品光譜的方法為：待打葉復烤生產穩定生產后，在打葉風分口處進行截面取樣，每個風分口取f個樣品，將每個樣品均勻平鋪，用手持式近紅外儀對每個樣品掃描光本文檔來自技高網...
【技術保護點】
1.一種煙葉區位檢測識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的煙葉區位檢測識別方法，其特征在于，步驟S2和步驟S5中，采用手持式近紅外儀對樣品掃描光譜。
3.根據權利要求2所述的煙葉區位檢測識別方法，其特征在于，步驟S2采集的葉尖、葉中、葉基三個區位光譜有飄移現象，但是由于手持式近紅外儀采取直接結帖煙葉表面的掃描方式，且外部環境保持相對穩定，采集的光譜復雜程度低，因此步驟S3中采用一階導數的預處理方法來提高光譜的精度。
4.根據權利要求1所述的煙葉區位檢測識別方法，其特征在于，步驟S4中，對預處理后的光譜進行分類的過程包括：
5.根據權利要求4所述的煙葉區位檢測識別方法，其特征在于，步驟S405中，誤差函數計算公式：
6.根據權利要求5所述的煙葉區位檢測識別方法，其特征在于，步驟S4中，將三個區位樣品光譜X1、X2、X3預處理后投影到空間中，可觀察三個區位的分布區別。
7.根據權利要求6所述的煙葉區位檢測識別方法，其特征在于，分別計算葉尖、葉中、葉基三個區位的分類中心，每個樣品對應一個誤差
8.根據權利要求1至7任一項所述的煙葉區位檢測識別方法，其特征在于，步驟S5中，采集打葉風分工序各風分口的樣品光譜的方法為：待打葉復烤生產穩定生產后，在打葉風分口處進行截面取樣，每個風分口取F個樣品，將每個樣品均勻平鋪，用手持式近紅外儀對每個樣品掃描光譜。
9.根據權利要求8所述的煙葉區位檢測識別方法，其特征在于，在打葉風分口處進行截面取樣時，每次取2.7kg～3.3kg。
10.根據權利要求8所述的煙葉區位檢測識別方法，其特征在于，對F個樣品分別掃描Z次，以Z次光譜的平均光譜作為樣品光譜，則分別從每個風分口獲取F條光譜。
...【技術特征摘要】
1.一種煙葉區位檢測識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的煙葉區位檢測識別方法，其特征在于，步驟s2和步驟s5中，采用手持式近紅外儀對樣品掃描光譜。
3.根據權利要求2所述的煙葉區位檢測識別方法，其特征在于，步驟s2采集的葉尖、葉中、葉基三個區位光譜有飄移現象，但是由于手持式近紅外儀采取直接結帖煙葉表面的掃描方式，且外部環境保持相對穩定，采集的光譜復雜程度低，因此步驟s3中采用一階導數的預處理方法來提高光譜的精度。
4.根據權利要求1所述的煙葉區位檢測識別方法，其特征在于，步驟s4中，對預處理后的光譜進行分類的過程包括：
5.根據權利要求4所述的煙葉區位檢測識別方法，其特征在于，步驟s405中，誤差函數計算公式：
6.根據權利要求5所述的煙葉區位檢測識別方法，其特征在于，步驟s4中，將三個區位樣品光譜x1、x2、x3預處理后投影到空間中，可觀察三個區位...
【專利技術屬性】
技術研發人員：林云，翟生，任潔馨，
申請(專利權)人：廣東中煙工業有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。