基于高光谱成像与数据融合的烟草配方比例定量分析新方法

《Frontiers in Plant Science》:Quantitative analysis of tobacco blending proportions based on hyperspectral imaging and data fusion

【字体: 大 中 小 】 时间:2026年01月15日 来源:Frontiers in Plant Science 4.8

编辑推荐:

  本研究创新性地提出了一种结合可见-近红外(Vis-NIR)和近红外(NIR)高光谱成像技术的烟草配方比例定量分析方法。通过最小协方差行列式(MCD)异常检测和偏最小二乘回归(PLSR)建模,实现了烟草丝、梗丝、发酵梗丝和膨胀烟丝四种组分的高精度预测(最佳R2达0.8873)。该方法突破了传统化学分析的局限性,为烟草工业质量控制的数字化升级提供了可靠的技术方案。

  
1 引言
作为全球重要的经济作物,烟草在农业生产和工业制造中具有关键地位。烟草配方比例的准确检测是保障卷烟产品感官品质稳定性的核心环节。传统检测方法如色谱分析和显微观察存在耗时长、破坏样本、主观性强等局限性。高光谱成像技术(HSI)融合光谱分析与图像识别优势,能够同步获取目标物的光谱和空间分布数据,在农产品质量分级、异物识别等领域展现出显著价值。
2 材料与方法
2.1 实验材料
研究采用中国烟草四川工业有限公司提供的四类烟草组分(烟草丝60-100%、梗丝0-20%、发酵梗丝0-20%、膨胀烟丝0-20%),通过约束随机数算法配制30种不同比例的混合样品,每种样品重复扫描3次,最终获得90个样本数据集。
2.2 数据采集
采用可见-近红外高光谱成像系统(ImSpectorV10E,400-1000 nm)和近红外成像光谱仪(ImSpector N17E,900-1700 nm)分别采集光谱数据。通过黑白校正算法消除光源波动和传感器暗电流干扰,确保数据准确性。
2.3 分析方法
2.3.1 PLSR回归建模
采用偏最小二乘回归(PLSR)处理高维光谱数据,结合Savitzky-Golay平滑(SG)、标准正态变量变换(SNV)等预处理方法,并利用竞争性自适应重加权采样(CARS)筛选特征波长,优化模型性能。
2.3.2 异常值检测
通过主成分分析(PCA)降维后,采用最小协方差行列式(MCD)算法识别异常样本。结果显示Vis-NIR和NIR数据集分别剔除5个和6个异常样本,而融合光谱数据未发现明显异常。
3 结果与讨论
3.1 原始光谱建模结果
Vis-NIR光谱在650-700 nm处出现叶绿素吸收谷,NIR光谱在1450-1500 nm和1650-1700 nm分别呈现水分/纤维素和尼古丁的特征吸收峰。融合光谱模型对烟草丝的预测精度(R2=0.7727)显著优于单一光谱。
3.2 异常样本剔除后的定量分析
MCD异常剔除后,NIR模型对烟草丝的预测R2提升至0.8143。对于发酵梗丝和膨胀烟丝,融合光谱模型仍保持最优预测性能,印证了多光谱信息互补的优势。
3.3 光谱数据处理
通过CARS算法筛选特征波长发现:烟草丝的敏感波段集中于896-1018 nm,梗丝的关键区域为636-773 nm和892-951 nm。经过SG平滑和多元散射校正(MSC)等优化处理,融合光谱模型对烟草丝的预测R2进一步提升至0.8873,相对原始模型提升14.83%。
4 结论
研究证实Vis-NIR与NIR光谱的特征级融合能有效提升烟草配方比例的定量分析精度。该方法为烟草工业实现快速、无损的质量监控提供了创新技术路径,对复杂混合物的成分分析具有重要推广价值。未来研究需扩大样本多样性并优化实时检测方案,以推动该技术在工业生产中的实际应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号