基于近红外光谱的烤烟烟叶自动分组方法

 目前烤烟烟叶收购过程主要依赖人工感官凭经验定级，不但费时费力，而且难以保证准确性和客观公正性。基于收购环节的烤烟烟叶自动分组研究大多采用常规图像处理方法，借助烟叶的反射图像，在可见光范围内研究以RGB(red-green-blue)或HIS(hue—intensity-saturation)颜色模型表述的烟叶光谱差异，再用各种算法归纳等级特征。由于此类方法仅考察了烟叶的颜色、纹理、形状等外部品质，难以将其内部品质信息与分组、分级相关联，而且获取的光谱特征参数较少，虽研究报道不少，但进展不大。

 近红外光谱(near-infrared spectroscopy)属于现代结构分析技术，具有不破坏样品化学结构、操作快速、简单和灵敏度高的特点，已被广泛地应用于农产品品质分析、食品品质检测、烟草行业[9m1等领域。李佛琳等利用反射光谱建立了量化判别鲜烟叶成熟度模型并作了验证；杜文等研究了烟叶的近红外光谱数据通过软独立模式分类识别不同烟叶的方法；刘剑君等将支持向量机与红外光谱分析技术结合，对烟叶分级进行了研究。但是采用近红外光谱技术对烤烟烟叶“收购品质”进行自动分组、分级无损检测的，目前尚无研究报道。
　　烟叶收购环节的质量控制按照“烤烟分级国家标准(42级)”(GB2635．1992)规定根据烟叶外观特征先分组、后分级，分组后在同一组内再将烟叶划分3~4级。由于副组烟叶特征较明显且收购中占比较少，故本研究着重于主组烟叶的划分。按部位和颜色主组烟叶划分为上部柠檬黄BL、上部桔黄BF、上部红棕BR、中部柠檬黄CL、中部桔黄CF、下部柠檬黄XL、下部桔黄XF等7组。本文应用近红外光谱分析技术开展对烤烟“整叶”的无损检测研究，并探讨了烤烟烟叶部位、颜色自动分组快速检测方法，对进一步开发烤烟烟叶自动化分级系统提供参考。
1　材料与方法
1．1仪器设备
　 试验使用光谱检测设备是Ocean Optics公司的NIR256．2．5光纤光谱仪，配套的QBIF600．VIS．BX白金级Y型分叉光导纤维探头，该仪器光谱采样间隔6 nnl，测定波长范围900～2 500 nnl。开机预热1 h后进行光谱扫描，采样方式是漫反射，采样软件是机器自带的SpectraSuite。分析软件采用ASD View Spec Pro，Unscramble V9和DPS(dataprocession system for practical statistics)。积分时间设置为250 mm，平滑度设置为9，平均次数为3，即对每个样点自动扫描3次取平均。

1．2样品来源与数据采集
　 选取2009年10月云南省烟草烟叶公司提供的已由专家人工定级的烟叶。为保证试验结果具有代表性，每组烟叶按l～4个等级随机选择30个样本，7组烟叶共210个样本。按颜色和部位分类建模试验中．每个样本数据使用两次。每组30个样本随机分成预测集(20个)和建模集(10个)．样本构成见表l。
 试验前首先刷2块玻璃对烟叶进行压制，以获得较好的平整性，扫描测定时．每片烟叶按图1所示，以主脉为轴对称划分上下2个大区域A和B，其中每个区域再由叶尖至叶柄均分为4个小区域，即为A1、A2、A3．A4、B1，B2，B3．B4共计8个。

 最后在暗室进行光谱扫描(暗室温度为18～22"C．相时湿度为22％～25％．以卤素灯为**光源)．每个小区域随机选取5个样点分别进行扫描(每点测3次后自动求平均)．点与点间隔不超过0.1～0.5 cm。光源与样品夹角45。、光纤探测器与样品垂直呈90。，探测器头部下端距离烟叶样品4 cm。由光纤视场局25。可计算出扫描覆盖范围的圆直径约为1.77 cm。将每张烟叶共计40个样点的反射光谱求平均值得到每个样水的平均光谱(见图2)。

1.3 光谱数据预处理

 近红外光谱由于包含了噪声、环境闪素、仪器响应、人为操作误差等各种干扰因素，再加上烟叶样本表面不均质特性，这些都对光的漫反射有一定影响。本文比较了MSC(多元散射校正)、SNV(标准正态变变量变换)、一阶导数和二阶导数等预处理方法对建模精度的影响。

　由于不同光谱范围对校正模型判别精度影响很大，本文就以下4个波段范围对建模精度的影响进行了比较：长波近红外外段1101～2395 nm、短波近红外874～1 101 nm，TQ软件推荐波段范围110I～2 588 nm，自选波段1101～2395 nm．
采用TQ Analys 的DA(discfiminanl analysis)法对烟叶部位、颜色分别进行判别分析研究。

2　结果与分析
2 1近红外光谱用于完整烟叶检测分析
　　近红外漫反射光谱分析虽不需要对样品做化学处理，但是用于完整烟叶检测时，由于烟叶自身叶面积跨度大的特点．光谱检测采样点的位置设定、采样点聚焦范围大小和烟叶表面平整度等因素可能影响检测结果。由此探索了同片烟叶不同测试区域的光谱特征及其差异、不同等级烟叶之问的光谱特征及其差异，明确了光谱采样点的代表性和应用于烤烟分级的可能性。

（1）对210个样本烟叶的近红外光谱数据进行分析，研究表明烤烟正组烟叶均质性． 一个烟叶样本的光谱特征与测定区域关系不大，其峰谷的波长特征相同。单点测定反射率误差范围介于2.38％～2.26％之间．区域反射误差率范围介于2.36％～2.77％之间。该结果说明，采用光谱手段研究正组烟叶的光谱特征，可以任意选取烟叶的测定区域。（2)同一等级烟叶内不同烟叶样品间的光谱曲线中．峰谷特征波长位置最具有一致性．反射率差异极不显著．（3)不同等级烟叶之间的光谱特征差异比一片烟叶不同测试区域差异大得多，不同等级烟叶在同一波长处的反射率也表现为等级差异显著性高于区域差异。

2 2 不同渡段封校正模型判别精度的影响
　　表2为不进行任何预处理，通过主成分分析选取8个主成分．在不同波段范围对210个样本分别建立部位、颜色校正模型的结果。

 从表2中可以看出，与其他3个区域相比，长波近红外区域模型判别精度**，对样本部位和颜色的正确分类率达98.10%和97.14%，这是因为烟草样本主要吸收峰都在长波近红外区域。

2．3　不同预处理方法对校正模型判别精度的影响
　 表3对光谱范围为1 101"-2 395 nm，使用8个主成分时，对比分析了判别分析法结合一阶微分光谱及二阶微分光谱，以及MSC和SNV平滑光谱所分别建立的部位、颜色判别模型分析结果。

 从表3可以看出，没有经过任何数据预处理，判别分析法建立校正模型就有较好的预测结果，颜色和部位的样本正确分类率分别达到98．10％和98．57％。

2.4　不同主成分因子对校正模型判别精度的影响

　　主成分因子数也是影响DA法效果的一个重要因素。如果选取的主成分因子数过少，将导致丢失较多有用的原始信息，拟合不充分；而主成分因子数太多，则会加进许多噪声，出现过度拟合现象，不能得到稳定的预测模型。所建模型的预测误差会显著增大。从表4和表5可见，当主因子数为12时，即可对烟叶部位和颜色进行准确判别分析。此时，提取12个主成分的贡献率分别已达全光谱贡献率的94．69％和94．72％，而对分析区域光谱(1101～2395 nm)的贡献率则分别达99．85％和99．83％，用210个样本用来建立校正模型时对烟叶部位、颜色分组的正确分类率为100％。之后，随着主成分数的增加，对分析区域的光谱累计贡献率增加非常缓慢，故选用12个主成分进行DA判别分析。

2．5定性判别模型的建立和验证分析
2．5．1校正模型的建立
　 在波段范围l 101～2 395 lllTI，不使用任何预处理方法，用12个主成分分别建立烟叶部位和颜色的定性判别模型。图3所示为原始光谱的上部B、中部C、下部X叶3类之间距离的判别分析图，图4所示为原始光谱的柠檬黄F、桔黄L、红棕R叶3类之间距离的判别分析图。3个不同部位、3种不同颜色的烟叶均可以得到较好的区分，说明采用原始光谱结合判别分析法可以较理想的实现不同部位、不同颜色烟叶的分类。

2．5．2模型验证分析
　 采用判别分析法对烟叶部位预测集的70个样本的原始光谱进行预测分析，有1个被误判，正确识别率达到98．57％。同样，采用判别分析法对烟叶颜色预测集的70个样本的原始光谱进行预测分析，有2个被误判，正确识别率达到97．14％。近红外原始光谱结合判别分析法可以较好地预测烟叶部位和颜色，正确分组率达97．86％。