基于CNN增强多源特征融合的数字烟草配方阈值驱动风格控制研究

本研究针对烟草配方设计中经验方法与复杂混合系统间的脱节问题，开发了一种卷积神经网络（CNN）增强的多源特征融合框架。通过整合常规化学指标与热重分析（TGA）特征，结合蒙特卡洛采样生成304,800个混合配方数据集，实现了区域风格分类99.54%的准确率。研究发现混合配方中仅50.91%保持主源叶风格一致性，通过统一CNN框架将一致性提升至87.90%，并揭示了成分比例的非线性阈值效应（主源叶比例≥90%时风格主导性达99.91%）。该研究建立了基于阈值定义的概率风格调控策略，推动烟草工程从经验实践向预测性数字化转型。

　　

在烟草工业的智能制造转型过程中，如何定量表征不同产区的风格特征并系统优化混合配方一直是关键难题。当前方法主要依赖人工经验对形态和感官特性进行多源评估，但存在操作者依赖性差异大、计量基础不足等局限性。尽管分析仪器技术进步推动了数字风格剖析的新方法——从化学成分（如总糖和尼古丁浓度）的系统研究到近红外光谱的地理溯源，再到热重分析通过热解动力学模型与地理起源和等级关联——但当前研究范式仍存在三个关键局限：过度依赖单域数据而缺乏跨域特征协同框架；混合系统中小规模样本难以捕捉主次源叶间的层级影响网络；多数模型针对单等级烟叶，缺乏复杂混合配方中风格叠加和偏差效应的定量建模。

为了突破这些局限，吴迪等研究人员在《Biotechnology for Biofuels and Bioproducts》上发表了题为“From leaf to blend: CNN-enhanced multi-source feature fusion enables threshold-driven style control in digital tobacco formulation”的研究论文。该研究建立了一个预测性风格建模的计算框架，通过整合434个地理认证烟叶样本的常规化学指标与热重分析衍生特征，构建了涵盖烟草成分和热解特性的多元特征空间。采用蒙特卡洛采样方法通过地理来源比例的参数变化生成304,800个独特混合组合，有效缓解了传统实验设计的数据匮乏问题。

研究主要采用了以下关键技术方法：从中国八大产区（A-H）系统采集434份烟叶样本，涵盖上、中、下不同部位；使用NETZSCH STA 449 F3热分析仪进行热重分析（TG），在氮气氛围下以10K/min速率从298K加热至873K；通过连续流动分析仪（ALLIANCE-Futura）定量六种关键化学参数（总氮、总植物碱、氯化物、钾、水溶性总糖和还原糖）；采用三阶段特征工程范式从DTG曲线提取38维特征参数；构建CNN架构与随机森林（RF）、K近邻（KNN）、线性判别分析（LDA）和支持向量机（SVM）等传统机器学习模型进行对比验证。

Synergistic effects of multi-source data fusion and algorithm performance comparison

通过系统基准测试发现，将热重特征与化学指标结合后，CNN模型实现了93.08%的平均准确率，优于传统算法（SVM:92.16%，LDA:91.71%，RF:90.05%，KNN:74.87%），验证了热解动力学与化学成分之间的互补性相互作用。选择多源数据和CNN模型作为叶片区域风格评估模型，在434个烟叶样本上实现了99.54%的整体准确率。

Dominant style mechanism analysis in blended leaf formulations

研究发现，仅50.91%的混合配方保持与主源叶的风格一致性。通过构建基于CNN的比例回归模型，实现了82.17%的平均准确度，且预测误差保持在±10%以内，证实尽管存在混合相互作用，主源叶仍保持风格主导地位。

Development and validation of fusion style model

开发的统一CNN框架在434个烟叶样本上达到90.09%的区域风格预测准确率，对混合配方的风格预测与主源叶风格的一致性达到87.90%，显著优于单叶模型（50.91%）。研究还发现当主源叶比例≥40%时，平均风格一致性超过87.50%；当比例从90%降至30%时，一致性从99.91%非线性下降至67.90%。

Style modulation strategy in blended leaf formulations

对36,867个风格不匹配案例的分析显示，87.5%的错误发生在主次源区比例差在10%以内时，86.5%的错误涉及被误分类为次源区风格。据此提出了双路径调控框架：主源风格保留协议要求保持≥10%的比例优势，将风格偏差概率降至<5%；双源风格保留策略则将主次比例差限制在<10%以实现平衡整合。

Case study: modular blend design

通过案例应用验证了概率风格调控策略的实际效果。在面临产区D"特色烟叶1号"供应链限制时，成功开发出包含40%D区、30%B区、10%C区、10%F区和10%G区的模块化混合配方，该配方表现出产区D的特征风格概率峰值达0.999。分析验证显示模块化混合与烟叶1的热重分析（DTG）曲线归一化均方根误差（NRMSE）为2.6%，处于产区D烟叶自然变异范围（2.5-4.9%）内，化学分析显示关键成分偏差极小，感官评价确认风格高度相似且某些质量缺陷得到改善。

该研究建立的计算框架通过多源数据融合和深度学习架构优化，实现了烟叶和混合配方风格表征的重大突破。热重特征与化学指标的互补性在增强CNN架构处理下实现了前所未有的分类准确率（99.54%）。机制分析揭示了由成分阈值控制的层级风格继承规律，开发的融合模型成功弥合了单源材料与混合材料之间的表征差距，实现了90.09%的区域风格预测准确率和87.90的配方风格一致性。实践应用中，建立的10%成分差异阈值实现了预测性混合工程，通过案例成功证明了使用替代材料开发产区D风格等效物的可行性。这种模块化方法将稀缺地理来源的依赖性降低了60%，同时保持了热行为（2.6% NRMSE）和化学谱等效性。该框架的模块化架构显示出超越烟草系统的固有适应性，通过替换特定领域的特征提取器同时保留混合学习主干，这种方法在需要多源整合的农产品认证任务（如追踪茶叶品种和优化生物质配方）中展现出广阔前景。更重要的是，本研究开发的成分阈值范式可以为面临供应链不确定性的植物基行业提供可持续材料替代策略信息。