《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Rapid classification of oiliness grades in intact tobacco leaves with near-infrared spectroscopy
编辑推荐：
•基于近红外（NIR）反射光谱，实现完整烟叶油份等级的快速无损分级。•完整烟叶独立近红外反射光谱的最佳预处理方法是SG2-SNV。•使用PCA-RF模型在测试集上达到了最高的分类平衡准确率96.64%（95%置信区间为93.80–98.91%）。引言烟草是一种在100多个国家
- •
基于近红外（NIR）反射光谱，实现完整烟叶油份等级的快速无损分级。
- •
完整烟叶独立近红外反射光谱的最佳预处理方法是SG2-SNV。
- •
使用PCA-RF模型在测试集上达到了最高的分类平衡准确率96.64%（95%置信区间为93.80–98.91%）。
引言
烟草是一种在100多个国家种植的食用品作物，具有巨大的经济价值[1]。烤烟在烤房或专用设备等设施中进行加工，所得烟叶是卷烟生产的主要原料。油份是评估烤烟叶质量的关键因素。这些油性物质是柔软的、半液体或液体状物质，会影响叶片的外观，表现为油润或干燥的质感。油份含量较高的叶片通常更柔软、香气更浓郁，一般被认为品质更优。中国现行国家标准《烤烟》（GB2635-1992）将油份分为四个等级：油分多（油润光泽明显）、有油分（油润光泽较明显）、微有油分（油润光泽不明显）和无油分（无油润光泽）。传统上，烟叶油份含量的分级依赖专家感官评价。这种方法容易受到评价者主观差异和外部环境因素的影响，导致结果不一致、可靠性降低。此外，该方法效率低且耗时长，无法满足工业化生产需求。因此，需要一种适当的方法来快速、无损、可靠地对烤烟叶油份等级进行定性分级。
近红外（NIR）光谱技术因具有速度快、操作简便、成本低等优点而被广泛应用于烟草研究[2]、[3]、[4]。它捕获含氢键（如O—H、C—H和N—H键）的倍频和组合频吸收特征，揭示碳水化合物、酯类和醇类等有机化合物的光谱特性[5]、[6]。此外，近红外光谱技术还可与高光谱成像相结合，用于定量检测烟叶中的化学成分，如生物碱、碳水化合物和多酚等[7]。烤烟叶的油份含量与其内在化学成分密切相关。Hu等人采用综合二维气相色谱-飞行时间质谱（GC×GC-TOF MS）分析了不同油份含量烟叶中风味化合物的差异[8]。结果表明，油分相关的化合物——十六烷酸甲酯在高油烟样品中显著富集，提示其可作为评估烟叶油份含量的潜在关键指标。烤烟叶中油分相关化合物对近红外光谱的响应是油份等级分类的重要依据。Fu等人提出了一种基于近红外光谱的粉末状烤烟油份等级分类模型[9]。其结果表明，经过乘法散射校正（MSC）后，采用最小二乘支持向量机（LS-SVM）算法构建的模型表现最佳，四个等级的预测准确率均超过96.7%。尽管该模型展现了令人满意的分类能力，但其输入数据来源于粉末状而非完整的烤烟叶。这种方法不仅破坏了原始样品，而且样品制备耗时耗力，不适合现场质量检测。Lu等人采集了完整烤烟叶的漫反射光谱，并基于此数据建立了完整烟叶的无损等级鉴别定性模型[10]。Liu等人将采集的烤烟样品铺在传送带上，使用在线近红外光谱仪获取光谱数据，并据此开发了烟草质量实时分级方法[2]。
据我们所知，尚无研究探索基于完整烟叶近红外光谱的无损油份等级分类。本研究基于127片完整烤烟叶采集的近红外光谱数据，开发了定性分类模型，旨在实现油份等级的快速、无损、单点检测。该模型通过系统比较四种预处理方法、两种降维技术和三种机器学习算法最终确定。
章节摘要
烤烟叶
本研究共使用127片烤烟叶进行光谱数据采集。根据油份等级，样品被分为A-D四个类别，分别对应油分多（n=41）、有油分（n=22）、微有油分（n=30）和无油分（n=34）。油份等级由专业评价人员按照中国现行国家标准《烤烟》（GB 2635-1992）确定。
完整烤烟叶原始近红外反射光谱分析
从127片完整烤烟叶采集的原始近红外光谱见图3(a)。如图3(b)所示，各类别的平均光谱呈现出三个明显的吸收带：Band I（960-1100 nm）、Band II（1130-1300 nm）和Band III（1400-1600 nm）。
Band I中约1020 nm处的吸收特征较弱，对应C—H伸缩振动的三次泛频[22]。在Band II中，约1200 nm处的吸收特征对应C—H伸缩振动的二次泛频
结论
本研究基于近红外反射光谱开发了分类模型（PCA-RF），旨在实现完整烟叶油份等级的快速无损分级。通过系统比较，最终确定了该模型并取得了最佳性能，平衡准确率为96.64%（95%置信区间为93.80-98.91%）。所提出的方法减少了人工分级中的主观性和不确定性，提高了自动评估的可靠性。
作者贡献声明
本稿件由所有作者共同撰写。所有作者已批准本文最终版本。
利益冲突声明
作者声明不存在可能影响本文报告工作的已知财务利益冲突或个人关系。
致谢
本工作由国家自然科学基金委员会（NSFC）（12227901、U24A20510、U25A20497）和上海市科学技术委员会（24ZR1476300、22DZ2229004）资助。
Huifang Xue | Leiying Xie | Hailing Wang | Thomas Bocklitz | Shaowei Wang
