烟叶复烤在线近红外模型的建立和应用

胡 涌， 彭海根， 刘 伟， 曹 君， 夏 凡， 付正义， 刘 洋，鲁 平， 肖景元， 姚源黔， 杜鸿武， 黄 沙

(1. 贵州烟叶复烤有限责任公司，贵州 贵阳 550005; 2. 四川威斯派克科技有限公司，四川 成都 610041)

0 引 言

烟叶水分检测贯穿于烟叶初烤、复烤、卷烟加工以及贮藏等烟草生产加工全部环节，是一项关键质量指标。YCT146——2010《烟叶 打叶复烤 工艺规范》[1]规定复烤成品烟叶制品的含水率为11%～13%，含水率的高低对后续烟叶加工、运输和贮存有直接影响。打叶复烤企业常规烟叶水分检测方式主要分为实验室检测和在线检测，其中实验室检测主要使用标准烘箱或布拉本德快速烘箱干燥法，虽然两种检测方法稳定性好且精度高，但是检测周期都较长，不能满足烟叶复烤生产快速检测的需求。微波水分仪在烟叶复烤过程中可以实时检测烟叶水分，但方法稳定性和准确性难以满足烟叶生产需求，主要用于生产过程中烟叶水分预判和指导。

近红外光谱分析技术作为一种方便、快捷、客观准确的检测技术[2]，已经广泛应用于烟叶中主要成分（如总糖、还原糖、烟碱、总氮等物质含量）的检测[3-8]，且应用近红外检测时，1～2 min便可以给出检测结果，非常适合打叶复烤快速检测的要求。应用近红外光谱分析技术时，主要难点为校正模型的建立、优化和后期模型维护。本文将贵州烟叶复烤有限责任公司下属6个复烤厂相关数据进行有效整合和提取，建立具有良好稳健性和准确性且满足烟叶复烤生产需求的近红外校正模型，实现快速、准确检测成品烟叶水分，缩短检测时间，实现生产过程中的烟叶复烤过程水分检测实时监控，提高产品质量，满足烟叶生产和客户个性化需求。

1 材料与方法

1.1 仪器和材料

Antaris II傅里叶变换近红外光谱仪（美国Thermo Fisher公司）；Mettler AT-200电子天平(美国Mettler-Teledo公司)；101-2A型电热鼓风干燥箱（北京中兴伟业仪器公司）。

1.2 样品收集和制备

烟叶样品由贵州复烤集团下属6个复烤厂按照统一要求进行收集并提供，样品涵盖各复烤厂生产周期的全部等级、产地范围。使用烟叶粉碎机进行粉碎，要求粒度≤3 mm，随后放入密封袋备用，共收集样品2 661个。

1.3 光谱采集

各复烤厂都拥有相同型号Antaris II傅里叶变换近红外光谱仪，且都按照统一要求和仪器参数扫描样品光谱。仪器参数设置：1）光谱扫描范围为：10 000 ～4 000 cm–1；2）分辨率：8 cm–1；3）光谱扫描次数：64次；4）光谱采集方式：积分球漫反射采集，参比采用仪器内置背景。测量过程中，温度、湿度等环境条件尽量保持一致。样品光谱图如图1所示。

图1 样品近红外光谱图

1.4 烘箱水分测定

样品收集，制备并采集光谱之后，各复烤厂按统一要求测定样品水分值，且距光谱采集时间不超过48 h。样品水分按标准烘箱干燥法进行测定，每个样品平行测定两次，以两次平行测定的平均值作为测定结果，精确至0.01%，两次平行测定结果绝对值之差大于0.10%的样品进行剔除并按要求重新测定，烘箱水分参考值统计结果和分布直方图分别见表1和图2。

表1 水分参考值统计结果

2 结果与分析

2.1 K-S方法挑选样品

表1和图2显示，样品烘箱水分值分布范围为9%～13%，但主要集中在11%～12%之间，且样品水分值呈高斯分布。若这些样品不加选择直接参加校正模型的建立，预测时极有可能产生回归预测结果趋向中心值现象[9]，且样品光谱库数据过于庞大，不利于今后模型的更新和维护。本文采用K-S方法挑选模型验证集和校正集：1）首先剔除异常光谱样品，针对全部水分值范围，应用K-S方法挑选模型验证集，数量为100个；2）针对11%～12%水分值分布范围，应用K-S方法挑选一定数量样品作为校正集；3）其他范围的样品全部作为校正集参与建模；4）模型校正集数量共为900个。

图2 样品频数分布直方图

K-S方法[10]基于变量之间的欧氏距离，在特征空间中均匀选取样本，把所有的样本都看作校正集和验证集候选样本，并从中依次挑选样本进入校正集和验证集，本文中是将光谱作为特征变量。

采用K-S方法挑选后，校正集和验证集的烘箱水分值统计结果和分布直方图分别如表2和图3所示。

图3显示，K-S方法挑选后校正集水分值分布情况得到改善，且实验发现，经过K-S方法挑选后的校正集和验证集同样覆盖了贵州复烤集团下属复烤厂实际生产中复烤成品烟叶水分分布、产地和等级分布范围，即方法不仅能有效改善样品分布情况，且能保持建模样品代表性，起到有效压缩光谱数据库的作用。

2.2 建立烟叶近红外水分模型

分别结合K-S方法挑选前后的校正集，建立不同厂家的成品烟叶近红外水分模型。结合成品烟叶光谱数据的特点，应用化学计量学方法，采用PLS建模方法，结合不同光谱预处理方法，如矢量归一化、导数、多元散射校正等，同时优选不同的近红外谱区来建立水分模型，结合相关的模型评价参数，采用验证集验证方式，建立混合成品烟叶近红外水分模型。详细的建模参数见表3。

表2 K-S挑选后校正集和验证集水分值统计结果

图3 K-S方法挑选后样品频数分布直方图

图4和图5分别是采用K-S方法挑选前模型校正集和验证集烘箱水分参考值与预测值散点图。

图6是采用K-S方法挑选样品前，模型交叉验证过程中主因子与RMSECV的变化趋势图。

图7和图8分别是样品经过K-S方法挑选后模型校正集和验证集烘箱水分参考值与预测值散点图。

图9是采用K-S方法挑选建模后，模型交叉验证过程中主成分数与RMSECV的变化趋势图。

表3 成品烟叶水分模型参数

图4 K-S方法挑选前模型校正集参考值与预测值散点图

图5 K-S方法挑选前模型验证集参考值与预测值散点图

图6 K-S方法挑选前模型交互验证主因子数与RMSECV变化趋势图

上述结果显示，应用K-S方法挑选校正集后建立的混合成品烟叶近红外水分模型，预测偏差RMSEP由原来的0.36变为0.34，交叉验证时R2由原来的0.73变为0.84，即模型相关性得到改善。

通常评价一种分析方法的误差采用重复性和再现性指标。在应用近红外光谱分析技术检测成品烟叶水分时，虽然近红外分析方法与常规分析方法不属于同种方法，在定义上，再现性并不适用这两种方法之间的比较，但根据RMSECV和RMSEP与常规分析方法再现性误差的比较，可以基本判断所建立的近红外光谱分析模型是否可行或满足实际工作的需要。在烟叶复烤中采用标准烘箱法测定烟叶水分值，方法只规定2次测量之间所允许的误差为0.1%，即重复性要求，而没有规定方法再现性误差要求，通常再现性误差是重复性误差的3～6倍[11]，表3显示近红外方法RMSECV和RMSEP均与常规方法的再现性相当，进一步说明近红外方法模型预测结果与实际值一致。

图7 K-S方法挑选后模型校正集参考值与预测值散点图

图8 K-S方法挑选后模型验证集参考值与预测值散点图

图9 K-S方法挑选后模型交互验证主因子数与RMSECV变化趋势图

为了进一步验证模型的准确度和稳定性，分别从贵州复烤集团下属6个复烤厂各随机挑选5个样品，共30个样品，验证得到平均绝对偏差为0.24%，RMSEP为0.27。

3 结束语

通过本文的研究得出如下结论：

1）在应用近红外分析方法建模过程中，当样品分布比较集中，呈高斯分布时，可以应用K-S方法挑选集中样品，方法能有效改善样品分布情况，且能保持建模样品仍然具有代表性，同时方法还能达到压缩建模光谱数据库的作用。

2）对比应用K-S方法挑选前后的校正集建立统一成品烟叶近红外水分模型，模型绝对系数R2由原来的0.73变为0.84，模型相关性得到改善。应用K-S方法挑选后校正集建立的成品烟叶近红外水分模型RMSECV、RMSEP分别为0.33、0.34，均与常规方法的再现性相当，方法准确度和检测效率满足烟叶复烤生产需求。

3）针对烟叶复烤企业集团化的形式，应用近红外分析技术时，可以结合K-S方法进行样品挑选后再建立统一近红外模型，模型建模数据得到有效压缩，有助于企业后期近红外模型管理和维护，具有明显作用，方法可以推广到其他集团化企业的近红外检测过程。

4）模型在实际应用过程中，预测各复烤厂随机挑选的样品，近红外模型预测值和参考值平均绝对偏差为0.24%，RMSEP=0.27，总体来看近红外模型预测和标准烘箱测量差异较小，即所建立校正模型具有实用价值，可以预测复烤烟叶水分值含量。