CN110967313A - 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 - Google Patents

电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 Download PDF

Info

Publication number
CN110967313A
CN110967313A CN201911271967.2A CN201911271967A CN110967313A CN 110967313 A CN110967313 A CN 110967313A CN 201911271967 A CN201911271967 A CN 201911271967A CN 110967313 A CN110967313 A CN 110967313A
Authority
CN
China
Prior art keywords
near infrared
electronic cigarette
tobacco tar
infrared spectrum
spectrum data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911271967.2A
Other languages
English (en)
Inventor
李菁菁
刘维涓
李明
李长昱
徐汉峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Tuobao Science & Technology Co ltd
Original Assignee
Yunnan Tuobao Science & Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunnan Tuobao Science & Technology Co ltd filed Critical Yunnan Tuobao Science & Technology Co ltd
Priority to CN201911271967.2A priority Critical patent/CN110967313A/zh
Publication of CN110967313A publication Critical patent/CN110967313A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用，采用近红外光谱仪采集获取训练集电子烟烟油光谱数据，建立烟油近红外光谱数据训练集，对光谱数据进行预处理，用分析计量仪器测量获取电子烟烟油的尼古丁含量，采用ELM算法，结合获取的尼古丁含量建立近红外光谱预测模型，获取待测量电子烟烟油的近红外光谱数据并进行预处理操作，然后用建立的近红外光谱预测模型，直接进行测量，得到电子烟烟油的尼古丁含量。本发明具有检测快速、样品损耗小、适用范围广、鉴别结果准确等优点。

Description

电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用
技术领域
本发明涉及利用近红外光谱检测电子烟烟油成分技术领域，具体涉及用于电子烟烟油中尼古丁含量检测的近红外光谱预测建模方法及其应用。
背景技术
电子烟作为新型烟草制品，其特点为在传递尼古丁的过程中不需要对烟草进行燃烧。尼古丁作为电子烟烟油中最主要的成分，其含量决定了电子烟烟油的风味口感及产品的安全性。一些国家和地区相继将电子烟烟油中尼古丁纳入监管范围。目前，电子烟烟油中尼古丁的检测方法大多参考卷烟烟草的检测方法，主要集中于气相色谱法和液相色谱法，但这些方法存在检测时间长、样品预处理繁琐、费用高等缺点。
近红外光谱分析技术具有简便、快速、前处理简单、对样品无破坏性无污染并可多组分同时测定等优点，在农业、造纸、食品、石油等领域有着广泛应用。如中国专利CN201710673351.2采用近红外光谱结合PSO-SVM测定烟叶中烟碱，中国CN201810480159.6将近红外方法结合PSO-SVR回归算法对烟油的理化指标包括相对密度、折光指数及pH进行测定，但由于烟油为液体，其状态及成分与烟叶差异较大，且尼古丁为烟油的化学成分而非理化指标，同时，现有技术采用的方法都是支持向量机算法建模，其缺点是容易在建模过程中出现过拟合，从而造成预测结果的精度不稳定，而且运算时间相对较慢。因此，有必要研究建立一种可快速准确检测电子烟烟油中尼古丁含量的预测模型及方法。
发明内容
本发明的目的是解决现有技术的不足，提供一种电子烟烟油尼古丁含量的近红外光谱预测建模方法，并利用所建立的预测模型快速检测电子烟烟油中的尼古丁含量。
本发明采取的技术方案如下：
电子烟烟油尼古丁含量的近红外光谱预测建模方法，包括如下步骤：
(1)选取具有代表性的多品种、多批次的电子烟烟油样本作为建模训练样本，利用近红外光谱仪采集训练集电子烟烟油光谱数据，获取训练集电子烟烟油的近红外光谱数据，建立烟油近红外光谱数据训练集，然后对原始光谱数据采用小波变换算法、Savitzky-Golay卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法中的一种或多种进行预处理；
(2)使用分析计量仪器测量获取电子烟烟油的尼古丁含量；
(3)采用ELM算法，结合步骤(2)中测量获取的尼古丁含量建立近红外光谱预测模型，包括以下步骤：
(a)确定隐含层神经元个数，随机设定输入层与隐含层的连接权值w和隐含层神经元的阈值b；
(b)选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H；
(c)计算输出层权值
Figure BDA0002314441800000021
H+为矩阵H的Moore-Penrose广义逆，
Figure BDA0002314441800000022
为输出权重，T为期望输出。
本发明所述方法建立的近红外光谱预测模型的应用，是利用近红外光谱仪采集待测电子烟油的近红外光谱数据，然后采用与建模时相同的光谱数据预处理算法对采集到的光谱数据进行处理，最后用建立的近红外光谱预测模型直接进行测量，得到电子烟烟油的尼古丁含量。
本发明以近红外光谱分析技术为基础，使用近红外光谱仪，结合极限学习机算法对电子烟烟油进行定量建模。与现有的烟油近红外建模方法相比，本发明针对烟油品种繁多的特点，通过采用近红外光谱结合ELM算法的较快的训练速度及较强的泛化能力，不仅能提高检测速度和检测结果的准确性，还增加了对不同电子烟烟油中尼古丁测定适用的广泛性，具有快速、样品损耗小、适用多种口味的电子烟烟油检测、鉴别结果准确等优点，对于电子烟烟油尼古丁含量控制和产品质量的稳定性具有普适和推广价值。
附图表说明
图1为本发明实施例所选取电子烟烟油的原始光谱图；
图2为图1经过预处理操作后的光谱图；
具体实施方式
以下将结合实施例对本发明做进一步详述，但本发明的保护范围并不限于所述内容。
电子烟烟油尼古丁含量的近红外光谱预测建模方法，包括如下步骤：
(1)选取具有代表性的多品种、多批次的电子烟烟油样本作为建模训练样本，利用近红外光谱仪采集训练集电子烟烟油光谱数据，获取训练集电子烟烟油的近红外光谱数据，建立烟油近红外光谱数据训练集，然后对原始光谱数据采用小波变换算法、Savitzky-Golay卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法中的一种或多种方法进行预处理。本实施例中利用近红外光谱仪进行光谱数据采集，其采集范围在波长1000nm-2500nm之间。对光谱数据的预处理包括消除基线漂移和去除光谱噪声。所述小波变换算法、Savitzky-Golay(SG)卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法均为本领域普通技术人员所熟知。以Norrisderivative平滑法为例，通过移动窗口多项式拟合的方法对数据进行平滑。在本实例中，选用窗口大小为5的一阶导数Norris derivative平滑算法对光谱数据进行预处理。其中图1为本实施例所选取电子烟烟油的原始光谱图，图2为图1经过预处理操作后的光谱图。
(2)使用气相色谱仪-氢火焰离子化检测器获取电子烟烟油的尼古丁含量，上述仪器或方法均为现有的化学分析仪器和方法，均为本领域普通技术人员所熟知的技术。
(3)利用近红外光谱所对应电子烟烟油尼古丁含量，结合机器学***台为Matlab2016b，其实现过程主要包括以下步骤：
(a)确定隐含层神经元个数，随机设定输入层与隐含层的连接权值w和隐含层神经元的阈值b；
(b)选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H；
(c)计算输出层权值
Figure BDA0002314441800000031
H+为矩阵H的Moore-Penrose广义逆，
Figure BDA0002314441800000032
为输出权重，T为期望输出。
采用本发明所述方法建立的近红外光谱预测模型，可以直接快速无损测量得到电子烟烟油的尼古丁含量，具体方法是利用近红外光谱仪采集待测电子烟油的近红外光谱数据，然后采用与建模时相同的光谱数据预处理算法对采集到的光谱数据进行处理，最后用建立的近红外光谱预测模型直接进行测量，得到电子烟烟油的尼古丁含量。
对本发明建立的预测模型及应用效果进行进一步验证，具体如下：
采集待测量电子烟烟油油，并用现行的化学分析方法检测分析尼古丁含量，对预测结果进行检验和验证。具体的预测结果如表1和图1、图2所示，实验结果显示，所建立的电子烟烟油尼古丁含量的近红外快速预测模型的相关系数(R2)为0.996，标准差为0.835；预测集标准差分别为0.742，检验结果表明本发明快速现场测量电子烟烟油的尼古丁含量是可行的。
表1为预测结果与实际测量结果对比
Figure BDA0002314441800000041

Claims (2)

1.电子烟烟油尼古丁含量的近红外光谱预测建模方法，其特征在于，包括如下步骤：
(1)选取具有代表性的多品种、多批次的电子烟烟油样本作为建模训练样本，利用近红外光谱仪采集训练集电子烟烟油光谱数据，获取训练集电子烟烟油的近红外光谱数据，建立烟油近红外光谱数据训练集，然后对原始光谱数据采用小波变换算法、Savitzky-Golay卷积平滑法、Norris derivative平滑算法、多元散射校正法、一阶导数法、二阶导数法中的一种或多种进行预处理；
(2)使用分析计量仪器测量获取电子烟烟油的尼古丁含量；
(3)采用ELM算法，结合步骤(2)中测量获取的尼古丁含量建立近红外光谱预测模型，包括以下步骤：
(a)确定隐含层神经元个数，随机设定输入层与隐含层的连接权值w和隐含层神经元的阈值b；
(b)选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H；
(c)计算输出层权值
Figure FDA0002314441790000011
H+为矩阵H的Moore-Penrose广义逆，
Figure FDA0002314441790000012
为输出权重，T为期望输出。
2.如权利要求1所述方法建立的近红外光谱预测模型的应用，其特征在于，利用近红外光谱仪采集待测电子烟油的近红外光谱数据，然后采用与建模时相同的光谱数据预处理算法对采集到的光谱数据进行处理，最后用建立的近红外光谱预测模型直接进行测量，得到电子烟烟油的尼古丁含量。
CN201911271967.2A 2019-12-12 2019-12-12 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 Pending CN110967313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911271967.2A CN110967313A (zh) 2019-12-12 2019-12-12 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911271967.2A CN110967313A (zh) 2019-12-12 2019-12-12 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用

Publications (1)

Publication Number Publication Date
CN110967313A true CN110967313A (zh) 2020-04-07

Family

ID=70033854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911271967.2A Pending CN110967313A (zh) 2019-12-12 2019-12-12 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用

Country Status (1)

Country Link
CN (1) CN110967313A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562235A (zh) * 2020-05-18 2020-08-21 迟衡 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法
CN111965139A (zh) * 2020-08-18 2020-11-20 山东金璋隆祥智能科技有限责任公司 一种酚咖麻敏胶囊中的盐麻含量的分析方法
WO2021248995A1 (zh) * 2020-06-08 2021-12-16 深圳市康泓威科技有限公司 电子雾化设备溶质剂量消耗的检测与控制方法及其电子雾化设备
CN114397269A (zh) * 2022-01-25 2022-04-26 湖北中烟工业有限责任公司 卷烟滤棒三醋酸甘油酯含量的测定方法
WO2023057739A1 (en) * 2021-10-06 2023-04-13 Nicoventures Trading Limited Quantification method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491784A (zh) * 2017-08-09 2017-12-19 云南瑞升烟草技术（集团）有限公司 基于深度学习算法的烟叶近红外光谱定量建模方法及应用
WO2018010352A1 (zh) * 2016-07-11 2018-01-18 上海创和亿电子科技发展有限公司 一种定性定量相结合的近红外定量模型构建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018010352A1 (zh) * 2016-07-11 2018-01-18 上海创和亿电子科技发展有限公司 一种定性定量相结合的近红外定量模型构建方法
CN107491784A (zh) * 2017-08-09 2017-12-19 云南瑞升烟草技术（集团）有限公司 基于深度学习算法的烟叶近红外光谱定量建模方法及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宾俊 等: "基于NIR 技术和ELM 的烤烟烟叶自动分级", 《中国烟草学报》 *
郭志明 等: "近红外光谱结合GA-LSSVR分析烟草尼古丁含量", 《激光与光电子学进展》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562235A (zh) * 2020-05-18 2020-08-21 迟衡 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法
WO2021248995A1 (zh) * 2020-06-08 2021-12-16 深圳市康泓威科技有限公司 电子雾化设备溶质剂量消耗的检测与控制方法及其电子雾化设备
CN111965139A (zh) * 2020-08-18 2020-11-20 山东金璋隆祥智能科技有限责任公司 一种酚咖麻敏胶囊中的盐麻含量的分析方法
WO2023057739A1 (en) * 2021-10-06 2023-04-13 Nicoventures Trading Limited Quantification method
CN114397269A (zh) * 2022-01-25 2022-04-26 湖北中烟工业有限责任公司 卷烟滤棒三醋酸甘油酯含量的测定方法
CN114397269B (zh) * 2022-01-25 2023-12-08 湖北中烟工业有限责任公司 卷烟滤棒三醋酸甘油酯含量的测定方法

Similar Documents

Publication Publication Date Title
CN110967313A (zh) 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用
CN102879353B (zh) 近红外检测花生中蛋白质组分含量的方法
CN107796782B (zh) 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法
CN105300923A (zh) 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法
CN105891147A (zh) 一种基于典型相关系数的近红外光谱信息提取方法
CN109115692B (zh) 一种光谱数据分析方法及装置
CN108318442B (zh) 一种适用于中药混悬体系的检测方法
CN114088661B (zh) 一种基于迁移学习和近红外光谱的烟叶烘烤过程化学成分在线预测方法
CN110672578A (zh) 针对煎炸油极性组分检测的模型通用性及稳定性验证方法
CN109283153B (zh) 一种酱油定量分析模型的建立方法
Zimmer et al. Rapid quantification of constituents in tobacco by NIR fiber‐optic probe
CN111141809B (zh) 一种基于非接触式电导信号的土壤养分离子含量检测方法
CN108120694B (zh) 用于晒红烟化学成分分析的多元校正方法及***
CN105259136A (zh) 近红外校正模型的无测点温度修正方法
CN112651173A (zh) 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化***
CN110186870B (zh) 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法
CN107884360B (zh) 一种卷烟纸助燃剂检测方法
Kaffka et al. PQS (polar qualification system) the new data reduction and product qualification method
CN111289451B (zh) 复杂光谱组分浓度定量计算的方法
CN110646371A (zh) 一种烟用香精香料含水量的测定方法
CN113607683A (zh) 一种近红外光谱定量分析的自动建模方法
CN114397269B (zh) 卷烟滤棒三醋酸甘油酯含量的测定方法
Macián et al. Application assessment of UV–vis and NIR spectroscopy for the quantification of fuel dilution problems on used engine oils
CN112861412A (zh) 基于近红外光谱主成分和神经网络的生物质挥发分含量测量与建模方法
CN110646373A (zh) 一种烟用香精香料糖分含量测定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407

RJ01 Rejection of invention patent application after publication