烤煙熱分析圖譜的香型判定模型構(gòu)建

張同琢，王 樂，梅吉帆，王安然，喬學(xué)義*，王 兵，李巧靈，李 斌

1.中國(guó)煙草總公司鄭州煙草研究院，鄭州高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)楓楊街2 號(hào) 450001

2.河南農(nóng)業(yè)大學(xué)煙草學(xué)院 國(guó)家煙草栽培生理生化研究基地，鄭州市金水區(qū)農(nóng)業(yè)路63 號(hào) 450002

3.福建中煙工業(yè)有限責(zé)任公司技術(shù)中心，福建省廈門市集美區(qū)濱水路298 號(hào) 361022

烤煙煙葉香型是烤煙煙葉燃吸過(guò)程中煙氣所呈現(xiàn)出的整體香氣格調(diào)，在中式烤煙型卷煙產(chǎn)品質(zhì)量風(fēng)格特征構(gòu)成中發(fā)揮著重要作用。在日常的卷煙產(chǎn)品開發(fā)和配方維護(hù)過(guò)程中，經(jīng)常需要根據(jù)產(chǎn)品設(shè)計(jì)的目標(biāo)以及特征，通過(guò)感官評(píng)吸的方式，從不同產(chǎn)地不同等級(jí)煙葉中篩選出符合配方需求的不同香型煙葉。然而，由于受人體嗅味覺疲勞、評(píng)吸環(huán)境、心理等諸多因素影響，評(píng)吸員不得不將每日的樣品評(píng)吸數(shù)量控制在一定范圍之內(nèi)［1］，以提高評(píng)吸結(jié)果的準(zhǔn)確性。當(dāng)煙葉樣品數(shù)量較多時(shí)，目標(biāo)香型煙葉的篩選需要較長(zhǎng)的時(shí)間才能完成，人力、物力成本相對(duì)較高。

為了建立更為高效的煙葉香型判定方法，申欽鵬等［2-6］嘗試從煙葉化學(xué)成分與香型關(guān)系的角度建立香型評(píng)判模型，并開展了大量的數(shù)據(jù)分析和基礎(chǔ)算法研究工作，例如：基于114 種化學(xué)指標(biāo)的Bayes 香型定量判別模型；基于煙葉香味成分的隨機(jī)森林算法；基于致香成分的線性判別法和高斯混合模型等。與感官評(píng)價(jià)相比，基于化學(xué)成分的煙葉香型判定方法避免了人的生理、心理等主觀因素對(duì)檢測(cè)結(jié)果的影響，縮短了香型判定時(shí)間，但為了提高判定結(jié)果的準(zhǔn)確率，仍需以大量的化學(xué)指標(biāo)檢測(cè)數(shù)據(jù)為基礎(chǔ)，人力、物力成本依然較高。

熱重分析法是研究樣品質(zhì)量隨溫度變化的方法，具有靈敏度高、重復(fù)性好、可自動(dòng)化進(jìn)樣等優(yōu)點(diǎn)［7］。Baker［8］研究認(rèn)為絕大部分的煙氣都是在熱解/蒸餾區(qū)域產(chǎn)生，而煙葉香型本質(zhì)上是熱解煙氣作用于人體嗅味覺器官的特征體現(xiàn)，不同煙葉香型的差異與其熱解特性密切相關(guān)。李巧靈等［9-10］采用熱重分析法考察了不同產(chǎn)地、年份、部位烤煙煙葉熱解差異性，發(fā)現(xiàn)產(chǎn)地對(duì)煙葉熱解差異性存在顯著影響。因此，采用熱重分析的方法研究全國(guó)煙葉熱解特征，并基于煙葉熱分析圖譜的差異性和機(jī)器學(xué)習(xí)方法構(gòu)建香型判別模型，旨在進(jìn)一步提高煙葉香型判定的效率，降低評(píng)判過(guò)程成本，為煙葉香型判定技術(shù)的拓展提供依據(jù)。

1 材料與方法

1.1 煙葉樣品和儀器

選擇全國(guó)104 個(gè)縣烤煙煙葉作為試驗(yàn)樣品（表1），煙葉年份2014 年，等級(jí)C3F。所有煙葉樣品香型均由全國(guó)評(píng)煙委員會(huì)、全國(guó)卷煙調(diào)香技術(shù)委員會(huì)委員組成的評(píng)吸專家組進(jìn)行了鑒定。

TA Discovery 熱重分析儀（美國(guó)TA 公司）；FW100 高速萬(wàn)能粉碎機(jī)（天津泰斯特儀器有限公司）；標(biāo)準(zhǔn)篩（紹興市上虞寶成儀器設(shè)備有限公司）。

表1 試驗(yàn)煙葉樣品信息Tab.1 Information of tobacco leaf samples used in the study

1.2 熱分析圖譜的獲取

將煙葉樣品放置在溫度（22±1）℃、相對(duì)濕度（60±2）%的恒溫恒濕箱中平衡48 h 后，經(jīng)高速粉碎機(jī)粉碎，過(guò)60 目（250 μm）篩。稱?。?0.0±0.5）mg 煙粉進(jìn)行熱重試驗(yàn)，設(shè)置熱重分析儀反應(yīng)區(qū)吹掃氣（氮?dú)猓┝髁繛?0 mL/min，天平保護(hù)氣（氮?dú)猓┝髁繛?0 mL/min；將樣品以10 ℃/min 的速率由40 ℃升至105 ℃，并保持30 min 以脫出樣品中的水分，再以10 ℃/min 的升溫速率升溫至800 ℃。試驗(yàn)過(guò)程中，每個(gè)樣品每分鐘記錄120 個(gè)數(shù)據(jù)點(diǎn)，選取105～800 ℃區(qū)間的熱分析圖譜（DTG 曲線）數(shù)據(jù)進(jìn)行計(jì)算分析。

對(duì)數(shù)據(jù)按溫度進(jìn)行插值運(yùn)算，得到同一溫度下不同煙葉樣品的熱分析圖譜。插值的溫度范圍為105.1～800.0 ℃，間隔0.1 ℃，每個(gè)樣品共得到6 950 個(gè)數(shù)據(jù)點(diǎn)。

1.3 香型判別模型的構(gòu)建與驗(yàn)證

對(duì)于分類問題而言，相比其他分類方法，支持向量機(jī)（Support Vector Machine，SVM）具有速度快、樣本需求量小等優(yōu)點(diǎn)［11-13］，因此選擇支持向量機(jī)構(gòu)建香型判別模型，其核函數(shù)類型選擇高斯核函數(shù)。懲罰因子C 和核函數(shù)參數(shù)g 的值對(duì)支持向量機(jī)的分類結(jié)果有重要影響。遺傳算法［14］具有不依賴于梯度信息或其他輔助知識(shí)，只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)的特點(diǎn)，因此采用遺傳算法來(lái)尋找支持向量機(jī)的最優(yōu)參數(shù)。利用遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化時(shí)，首先對(duì)分類器參數(shù)（懲罰因子C 和核函數(shù)參數(shù)g）進(jìn)行編碼，然后通過(guò)隨機(jī)選擇、交叉和變異等步驟尋找最優(yōu)參數(shù)值，提高支持向量機(jī)的精度和效率。

香型判別模型構(gòu)建與驗(yàn)證的具體流程見圖1。本研究中涉及的算法均在MATLAB 軟件中實(shí)現(xiàn)，支持向量機(jī)基于LIBSVM 工具箱實(shí)現(xiàn)［11］。

圖1 香型判別模型構(gòu)建與驗(yàn)證流程圖Fig.1 A flow chart to illustrate the construction and verification of flavor type discrimination model

2 結(jié)果與分析

2.1 不同香型烤煙煙葉熱分析圖譜

八大香型烤煙煙葉樣品熱分析圖譜見圖2。由圖2 可以看出，在105～400 ℃的溫度范圍內(nèi)，隨著熱解溫度升高，烤煙煙葉質(zhì)量損失速率均較大；當(dāng)溫度高于400 ℃后，煙葉質(zhì)量損失速率迅速減小。對(duì)八大香型烤煙煙葉樣品熱分析圖譜進(jìn)行比較可以看出，在150～400 ℃區(qū)間，不同香型煙葉熱解特性差異明顯，說(shuō)明通過(guò)熱解特性的差異來(lái)判定煙葉香型可行。

由圖3 可知，同一香型各產(chǎn)地?zé)熑~樣品的熱解特性也存在差異，且與不同香型間的熱解特性相比，在150～400 ℃區(qū)間，香型內(nèi)與香型間煙葉樣品質(zhì)量損失標(biāo)準(zhǔn)偏差均較大，許多香型內(nèi)的標(biāo)準(zhǔn)偏差已經(jīng)大于香型間的標(biāo)準(zhǔn)偏差。因此，直接基于整個(gè)溫度區(qū)間的熱解特性差異判定煙葉香型存在一定難度，需對(duì)溫度進(jìn)行篩選。

2.2 不同香型烤煙煙葉熱解特征溫度

通過(guò)逐一比較每種香型煙葉與其他所有香型煙葉熱解特性差異，得到八種香型煙葉特征溫度。具體篩選、計(jì)算過(guò)程如下：計(jì)算某一香型煙葉樣品某一溫度下的質(zhì)量損失速率標(biāo)準(zhǔn)偏差S1與其余所有樣品的標(biāo)準(zhǔn)偏差S2，并計(jì)算該香型煙葉樣品在該溫度下的質(zhì)量損失速率均值μ1與其余所有樣品的均值μ2，取兩個(gè)均值之差的絕對(duì)值μ=|μ1-μ2|，取兩個(gè)標(biāo)準(zhǔn)偏差中最大的標(biāo)準(zhǔn)偏差S=max（S1，S2），計(jì)算μ/S 特征值。比較某一香型煙葉在不同溫度下的μ/S 特征值，為了獲取最有利于分類結(jié)果的差異特性，將最大的μ/S 特征值對(duì)應(yīng)的溫度作為該香型煙葉相對(duì)于其他所有香型的熱解特征溫度。

圖2 八大香型烤煙煙葉樣品熱分析圖譜Fig.2 Thermal analysis spectra from flue-cured tobacco of eight flavor types

圖3 八大香型內(nèi)及香型間標(biāo)準(zhǔn)偏差Fig.3 Standard deviations within and among the eight flavor types

八種香型烤煙煙葉μ/S 特征圖見圖4。由圖4可知，在不同熱解溫度條件下，同一香型煙葉樣品計(jì)算得到的μ/S 特征值波動(dòng)較大；不同香型相比較，μ/S 特征值差異明顯。因此選擇每種香型最大值對(duì)應(yīng)的溫度作為該香型特征溫度。計(jì)算后得到的Ⅰ～Ⅷ香型煙葉特征溫度分別為368.3、763.4、613.0、517.2、611.2、652.6、336.1、383.5 ℃。

圖4 八大香型烤煙煙葉μ/S 特征圖Fig.4 μ/S Characteristic figures of flue-cured tobacco leaves of eight flavor types

2.3 烤煙煙葉香型判別模型的建立

從104 個(gè)煙葉樣品中隨機(jī)抽取92 個(gè)樣品作為訓(xùn)練集，將訓(xùn)練集煙葉樣品的八種香型特征溫度對(duì)應(yīng)的質(zhì)量損失速率進(jìn)行歸一化處理后，輸入到支持向量機(jī)模型中，采用遺傳算法對(duì)模型進(jìn)行優(yōu)化。遺傳算法的參數(shù)為：種群的規(guī)模選擇50，交配概率選擇0.8，變異概率選擇0.017 5，進(jìn)化代數(shù)選擇300。將GA-SVM 算法運(yùn)行5 次，得到懲罰因子C 和核函數(shù)參數(shù)g 平均值（表2）。由表2 可知，訓(xùn)練集平均正確率為76.8%，波動(dòng)較??；懲罰因子C的平均值為87.1；g 的平均值為893.4。

通過(guò)懲罰因子C 和核函數(shù)參數(shù)g 等支持向量機(jī)參數(shù)計(jì)算得到的香型判別函數(shù)如下：

表2 GA-SVM 模型參數(shù)Tab.2 Parameters of the GA-SVM model

2.4 烤煙煙葉香型判別模型的驗(yàn)證

將104 個(gè)煙葉樣品中除訓(xùn)練集外的12 個(gè)樣品作為測(cè)試集進(jìn)行模型驗(yàn)證，將測(cè)試集煙葉樣品的特征溫度對(duì)應(yīng)的質(zhì)量損失速率輸入香型判別函數(shù)中進(jìn)行判別，并與感官評(píng)吸結(jié)果進(jìn)行對(duì)比驗(yàn)證，所有測(cè)試樣品的香型判定函數(shù)預(yù)測(cè)結(jié)果見圖5。由圖5 可以看出，12 個(gè)測(cè)試樣本中，10 個(gè)預(yù)測(cè)正確，正確率達(dá)到83.3%。測(cè)試集的準(zhǔn)確率高于訓(xùn)練集，這是因?yàn)闇y(cè)試集樣本數(shù)量較少，而有的香型種植區(qū)域面積較小，樣品數(shù)量較少，因此有些香型的樣品不太適合作為測(cè)試集。另外本方法是基于八大香型的判定，之前的方法均是基于傳統(tǒng)三大香型的判定，當(dāng)香型數(shù)量增加后，位于香型分布區(qū)過(guò)渡地帶特征不明顯的煙葉樣品數(shù)量增多，增加了模型測(cè)試時(shí)的香型判定難度，因此需要較多的訓(xùn)練樣本來(lái)建立模型。

圖5 烤煙煙葉香型判別模型驗(yàn)證結(jié)果Fig.5 Validation results of discriminant model for flavor types of flue-cured tobacco leaves

3 結(jié)論

通過(guò)采用熱重分析儀測(cè)定不同香型烤煙煙葉熱分析圖譜，提取八大香型的熱解特征溫度，依據(jù)遺傳算法改進(jìn)的支持向量機(jī)構(gòu)建香型判別模型，并測(cè)試模型準(zhǔn)確率，結(jié)果表明：①八大香型烤煙煙葉熱分析圖譜在150～400 ℃區(qū)間存在明顯差異；②Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ、Ⅶ、Ⅷ香型熱解特征溫度分 別 為368.3、763.4、613.0、517.2、611.2、652.6、336.1、383.5 ℃；③GA-SVM 方法構(gòu)建的香型判別模型對(duì)烤煙煙葉香型判定準(zhǔn)確率為83.3%。