近紅外光譜煙葉數(shù)據(jù)預(yù)處理方法在煙葉分類機(jī)器學(xué)習(xí)中的應(yīng)用

摘要：對于卷煙工業(yè)企業(yè)而言，原料的選取非常關(guān)鍵。由于煙葉為農(nóng)產(chǎn)品，穩(wěn)定性不足，為了解決在判斷煙葉等級的過程中主觀因素影響大、穩(wěn)定性不高的問題，《模型集群分析—隨機(jī)森林方法在煙葉分類中的應(yīng)用》[1]一文提出思路，結(jié)合近紅外光譜數(shù)據(jù)與機(jī)器學(xué)習(xí)方法，探索如何對近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，以最有效的提高機(jī)器學(xué)習(xí)方法提高對煙葉進(jìn)行分類的準(zhǔn)確性。本文結(jié)合較為常用的機(jī)器學(xué)習(xí)算法以及近紅外光譜數(shù)據(jù)，探討數(shù)據(jù)預(yù)處理方法對于使用機(jī)器學(xué)習(xí)分類方法開展煙葉分類工作的影響，探討使用何種數(shù)據(jù)預(yù)處理方法對近紅外光譜的煙葉數(shù)據(jù)能夠產(chǎn)生最有效的結(jié)果，方便企業(yè)在后續(xù)使用這些數(shù)據(jù)進(jìn)行煙葉分類、煙葉選擇時，提升工作效率，最終企業(yè)能夠提升基于自身特色的煙葉選擇能力。

關(guān)鍵詞：近紅外光譜；煙葉分類；數(shù)據(jù)預(yù)處理；機(jī)器學(xué)習(xí)

中圖分類號：TB 文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.16723198.2025.16.073

0 引言

對于卷煙工業(yè)企業(yè)而言，原料是核心資源，煙葉的質(zhì)量在相當(dāng)程度上是決定企業(yè)發(fā)展，影響卷煙品牌獲得成功的關(guān)鍵要素之一。原料選得好不好、原料用得對不對直接影響卷煙產(chǎn)品的質(zhì)量好壞。按照行業(yè)對于卷煙品牌發(fā)展的思路，圍繞品牌配置資源將是煙草行業(yè)發(fā)展的主要方向。在此過程中，品牌配置的原料資源是關(guān)鍵之一。

1 研究背景與現(xiàn)狀

對于各工業(yè)企業(yè)而言，不斷追求獲得更多優(yōu)質(zhì)原料、提高原料的普遍質(zhì)量是所有煙草人的共同追求，但是從客觀上講，優(yōu)質(zhì)原料的數(shù)量有限，因此，對于原料的判斷和確定顯得非常重要。對于各個工業(yè)企業(yè)而言，為了適配不同品牌的原料需求，需要有其自己獨(dú)特的原料選擇和判斷方法，以提高原料選擇的精準(zhǔn)度。因此，選料方法成為各個工業(yè)企業(yè)在形成自身特色產(chǎn)品時所考慮的重要因素。對原料進(jìn)行分類和確定的效率，在各個品牌發(fā)展過程中，將發(fā)揮越來越重要的作用。

多年來，近紅外光譜分析技術(shù)在煙草行業(yè)被廣泛應(yīng)用在煙葉的主要化學(xué)成分、在線控制、葉組配方等分析中，由于其快速、無損的特點(diǎn)，可以有效地提高測定煙葉化學(xué)成分的速度，減少人力投入，提高生產(chǎn)力［29］。目前，在煙草行業(yè)中，煙葉等級劃分是評判煙葉質(zhì)量的主要手段，而分級判斷主要根據(jù)煙葉的外觀特征［10］。目前，我國在煙草行業(yè)內(nèi)部，對于怎么劃分和確定煙葉等級，是根據(jù)我國的煙葉等級的品質(zhì)規(guī)定來劃分的，主要是依賴于人工分級，而對標(biāo)準(zhǔn)的確定則更多是依賴于人的感官判斷，通過對照標(biāo)準(zhǔn)規(guī)定來對煙葉劃分等級。這種方式在相當(dāng)程度上依靠人的主觀判定，存在一定程度的不穩(wěn)定性，效率較低。同時，由于人的感官標(biāo)準(zhǔn)程度不一，受客觀因素影響存在波動，可復(fù)制性也有所欠缺。為此，《模型集群分析－隨機(jī)森林方法在煙葉分類中的應(yīng)用》已經(jīng)開始探討利用機(jī)器學(xué)習(xí)方法結(jié)合近紅外光譜的技術(shù)對煙葉等級進(jìn)行建模，通過模型集群分析－隨機(jī)森林（MPA-RF）方法，取得了較好的分類結(jié)果。在這個結(jié)果上，本項目進(jìn)行了數(shù)據(jù)和方法上的創(chuàng)新性研究，通過研究對近紅外光譜數(shù)據(jù)的處理，使得運(yùn)用近紅外光譜進(jìn)行煙葉等級分類的工作可以更加順暢。在經(jīng)過預(yù)處理程序后，對這些煙葉近紅外光譜數(shù)據(jù)使用多種機(jī)器學(xué)習(xí)方法進(jìn)行分類的準(zhǔn)確性有了明顯提升。這有利于企業(yè)開展基于自身特色的煙葉選擇工作，可以為工業(yè)企業(yè)構(gòu)建自己的獨(dú)特性提供幫助與支持，提高機(jī)器學(xué)習(xí)方法對于煙葉分類工作的準(zhǔn)確度。

2 試驗(yàn)材料和方法

2.1 項目步驟

首先，通過近紅外光譜儀進(jìn)行煙葉原料進(jìn)行光譜數(shù)據(jù)采集。然后整理各等級煙葉樣本的數(shù)據(jù)，通過對數(shù)據(jù)進(jìn)行預(yù)處理，整理出幾套經(jīng)過預(yù)處理的數(shù)據(jù)集。再對各套數(shù)據(jù)集進(jìn)行訓(xùn)練集和驗(yàn)證集的劃分，運(yùn)用SVM、決策樹以及隨機(jī)森林這3種較為常見的機(jī)器學(xué)習(xí)方法，對數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證。最后通過比對訓(xùn)練以及驗(yàn)證的結(jié)果，分析各種數(shù)據(jù)預(yù)處理的效果，探索對近紅外光譜數(shù)據(jù)最有效的數(shù)據(jù)預(yù)處理及機(jī)器學(xué)習(xí)方法。

2.2 數(shù)據(jù)集

選取國內(nèi)梅州五華地區(qū)煙葉的6種不同等級的初烤煙樣本（B1F，B2F，B3F，C2F，C3F，X2F，由廣東中煙工業(yè)有限責(zé)任公司提供），每片煙葉均勻取樣，對于每個取出來的煙都要進(jìn)行近紅外光譜掃描，每個點(diǎn)掃描1條光譜。對總共528個樣本進(jìn)行劃分，其中422個為訓(xùn)練集，106個為測試集。

2.3 機(jī)器學(xué)習(xí)方法

2.3.1 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）［11］是一種常用的分類工具，能夠結(jié)合統(tǒng)計學(xué)習(xí)優(yōu)化方法和核函數(shù)方法，通過最小化訓(xùn)練誤差和測試錯誤，找到最優(yōu)的分類超平面。常用的核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、sigmoid核函數(shù)和徑向基核函數(shù)（RBF核函數(shù)）［12］。

2.3.2 決策樹

決策樹是一種預(yù)測模型，通過構(gòu)建樹狀結(jié)構(gòu)，將對象屬性與對象值之間建立映射關(guān)系，用于分類和回歸分析［13］。

2.3.3 隨機(jī)森林

隨機(jī)森林（Random Forest，RF）是一種集成學(xué)習(xí)算法，通過Bootstrap方法生成多個決策樹模型，并對模型進(jìn)行投票，最終得出分類結(jié)果［1415］。

3 數(shù)據(jù)預(yù)處理

3.1 小波變換

小波變換（wavelet transform，WT）小波變換是一種信號時頻分析工具，能夠根據(jù)頻率動態(tài)調(diào)整分析窗口，適用于非平穩(wěn)信號的分析和局部特征提取。

3.2 歸一化及標(biāo)準(zhǔn)化

3.2.1 歸一化

是為了將數(shù)據(jù)映射到0～1之間，去掉量綱的過程，讓計算更加合理，不會因?yàn)榱烤V問題導(dǎo)致1米與100mm產(chǎn)生不同。

3.2.2 標(biāo)準(zhǔn)化

所取用的數(shù)據(jù)在經(jīng)過了標(biāo)準(zhǔn)化后能夠使得每個特征的平均值都為0，標(biāo)準(zhǔn)差變?yōu)?，可以被廣泛的使用在許多機(jī)器學(xué)習(xí)算法中（例如：支持向量機(jī)、邏輯回歸和類神經(jīng)網(wǎng)絡(luò)）。

從圖中可以看出，歸一化和標(biāo)準(zhǔn)化后大幅度弱化了差異性較小的光譜波段所展現(xiàn)出的差異性。

3.3 二階差分

當(dāng)間距相等時，用下一個數(shù)值，減去上一個數(shù)值，就叫“一階差分”，做兩次相同的動作，即再在一階差分的基礎(chǔ)上用后一個數(shù)值再減上一個數(shù)值一次，就叫“二階差分”。

當(dāng)自變量從x變到x+1時，函數(shù)y=y（x）一階差分的差分稱為二階差分。

Δ（Δy（x））=Δ（y（x+1）-y（x））=Δy（x+1）-Δy（x）

=（y（x+2）-y（x+1））-（y（x+1）-y（x））

=y（x+2）-2y（x+1）+y（x）

從圖示可以看出，通過二階差分，讓數(shù)據(jù)序列更平滑，同時可以消除數(shù)據(jù)中存在的噪聲，讓數(shù)據(jù)呈現(xiàn)極為規(guī)律的對稱形狀。

4 模型訓(xùn)練

使用SVM、決策樹以及隨機(jī)森林的方式分別對經(jīng)過預(yù)處理（4種方法）的數(shù)據(jù)進(jìn)行模型的訓(xùn)練，看最終訓(xùn)練結(jié)果并對結(jié)果進(jìn)行分析判斷。由于小波變換是我們?nèi)粘９ぷ髦袑浖t外光譜進(jìn)行預(yù)處理的一般方法，因此可以把其視為原始數(shù)據(jù)。

4.1 SVM

使用SVM對小波變換、標(biāo)準(zhǔn)化、歸一化以及二階差分的數(shù)據(jù)進(jìn)行分析，得出的結(jié)果分別是57.55%、54.37%、53.40%以及99.03%。明顯看出使用了二階差分的預(yù)處理對煙葉數(shù)據(jù)分類成效明顯，準(zhǔn)確性有了顯著提升。

由于SVM是較為常用的分類工具，因此可以作為其他分類的對照組進(jìn)行對比，以下的決策樹和隨機(jī)森林均會與SVM進(jìn)行比對。

4.2 決策樹

使用決策樹對小波變換、標(biāo)準(zhǔn)化、歸一化以及二階差分的數(shù)據(jù)進(jìn)行分析，得出的結(jié)果分別是46.23%、97.09%、52.43%以及99.03%。對于決策樹而言，標(biāo)準(zhǔn)化和二階差分的數(shù)據(jù)預(yù)處理均有不錯的表現(xiàn)。

4.3 隨機(jī)森林

使用隨機(jī)森林對小波變換、標(biāo)準(zhǔn)化、歸一化以及二階差分的數(shù)據(jù)進(jìn)行分析，得出的結(jié)果分別是53.77%、61.17%、56.31%以及98.06%。對于隨機(jī)森林而言，二階差分的數(shù)據(jù)預(yù)處理有不錯的表現(xiàn)。

4.4 分析比對

從上表可以看出，二階差分的數(shù)據(jù)預(yù)處理方法在SVM、決策樹以及隨機(jī)森林三種機(jī)器學(xué)習(xí)方法中均取得了比較好的結(jié)果，以決策樹為例分析經(jīng)過了二階差分優(yōu)化后的數(shù)據(jù)集，在使用機(jī)器學(xué)習(xí)模型訓(xùn)練后的測試集精準(zhǔn)度、召回率、準(zhǔn)確率都有了大幅度提升。

5 結(jié)束語

對于卷煙工業(yè)企業(yè)而言，原料是非常重要的一種資源，因此，原料的評判能力非常關(guān)鍵。準(zhǔn)確、高效地進(jìn)行原料等級的判斷，是很多卷煙工業(yè)企業(yè)未來或者是現(xiàn)在能夠進(jìn)行高質(zhì)量發(fā)展的重要能力之一。能夠快速、準(zhǔn)確地識別出符合企業(yè)特色的煙葉原料是企業(yè)能夠構(gòu)建自身競爭力的重要基礎(chǔ)工作。本次工作通過對目前常用的近紅外光譜外數(shù)據(jù)使用二階差分的數(shù)據(jù)預(yù)處理方法，使得不同的機(jī)器學(xué)習(xí)方法均實(shí)現(xiàn)了對梅州五華產(chǎn)區(qū)6種等級煙葉高達(dá)99%左右的分類準(zhǔn)確率?？梢詾橄码A段對全國產(chǎn)區(qū)、全等級煙葉進(jìn)行全面高效分類工作起到一定的參考，并為企業(yè)運(yùn)用人工智能技術(shù)在實(shí)際生產(chǎn)經(jīng)營中提供一定的實(shí)踐經(jīng)驗(yàn)。

主要參考文獻(xiàn)

［1］譚觀萍，賓俊，范偉，等.模型集群分析——隨機(jī)森林方法在煙葉分類中的應(yīng)用[J].江西農(nóng)業(yè)學(xué)報，2017，29（1）：6974.

[2]Shao Y N，He Y，Wang Y Y.A new approach to discriminatevarieties of tobacco using vis /near infrared spectra [J].European Food Ｒesearch and Technology，2007，224（5）：591596.

[3]Le J M，Chen Y，Ding Y.Nearinfrared spectroscopic prediction of composition of a series of petrochenical process streams for aromatics production[J].Guizhou Agric Sci，2005，33（3）：6263.

[4]Huang Z，Turner B J，Dury S J.Estimating foliage nitrogen concentration from HYMAP data using continum removal analysis[J].Ｒemote Sens Environ，2004，93（1）：1829.

[5]蔣錦峰，李莉，趙明月.應(yīng)用近紅外檢測技術(shù)快速測定煙葉主要化學(xué)成分[J].中國煙草學(xué)報，2006，12（2）：812.

[6]張雅娟，馬翔.近紅外漫反射線性加和光譜在煙葉復(fù)烤配方中的應(yīng)用[J].光譜學(xué)與光譜分析，2011，31（2）：390393.

[7]邵平，王鈞，王星麗，等.近紅外漫反射光譜技術(shù)快速無損識別靈芝和云芝提取物研究[J].核農(nóng)學(xué)報，2015，（3）：499505.

[8]孫通，吳宜青，許朋，等.近紅外光譜聯(lián)合CAＲSPLSLDA的山茶油檢測[J].核農(nóng)學(xué)報，2015，（5）：925931.

[9]李勇，魏益民，王鋒.影響近紅外光譜分析結(jié)果準(zhǔn)確性的因素[J].核農(nóng)學(xué)報，2005，（3）：236240.

[10]李紅梅.基于線性回歸和SVM 的煙葉質(zhì)量分析及等級預(yù)測模型[D].昆明：昆明理工大學(xué)，2013：89.

[11]Liang Y.The expand and application research of SVM classifier[J].Hunan University，2008，（9）：1728.

[12]Zheng H.The support vector machine method investigate[J].Northwestern University，2010，（6）：1016.

[13]曹賽玉.幾種決策概率模型在現(xiàn)實(shí)生活中的應(yīng)用.理論月刊，2006，（5）：9193.

[14]Breiman LＲandom forests [J].Machine Learning，2001，45（1）：532.

[15]Zhang G Y，Zhang C X，Zhang J S.Outofbag estimation of the optimal hyperparameter in subbag ensemble method[J].Communications in StatisticsSimulation and Computation，2010，39（10）：18771892.