引言

配方煙絲是葉絲、梗絲、膨脹絲、薄片絲等組分按配方比例均勻摻配后得到的產(chǎn)品。梗絲、膨脹絲、薄片絲的摻配，對(duì)降低卷煙成本、降焦減害、改善感官質(zhì)量有重要意義。因此，快速準(zhǔn)確地測(cè)定各組分在產(chǎn)品中的比例，對(duì)于保持產(chǎn)品質(zhì)量、考查各組分的配方設(shè)計(jì)目標(biāo)值、穩(wěn)定煙絲混合工藝質(zhì)量及同質(zhì)化生產(chǎn)具有重大意義。目前，有關(guān)各組分比例測(cè)定的研究已有較多報(bào)道，林慧等利用膨脹絲在無(wú)水乙酮中的漂浮率遠(yuǎn)高于其他組分，提出一種基于乙酮比重法的膨脹絲組分比例測(cè)定方法；李斌等通過(guò)建立煙絲梗絲含量與熱解曲線突變溫度區(qū)間的擬合模型，實(shí)現(xiàn)了煙絲中梗絲含量的預(yù)測(cè)；胡立中等利用近紅外光譜技術(shù)，建立了梗絲、薄片絲在煙絲中比例的預(yù)測(cè)模型。但這些技術(shù)都存在對(duì)測(cè)試樣品具有破壞性、測(cè)試周期長(zhǎng)、時(shí)效性差等不足。因此，研究一種快速、無(wú)損、準(zhǔn)確的配方煙絲組分判別方法極其重要。

高光譜成像技術(shù)（HSI）結(jié)合了傳統(tǒng)計(jì)算機(jī)視覺(jué)與光譜分析技術(shù)的特點(diǎn)，將傳統(tǒng)二維成像技術(shù)和光譜技術(shù)有機(jī)結(jié)合，可以同時(shí)獲取樣品的詳細(xì)光譜信息和圖像信息。目前近紅外高光譜技術(shù)在食品安全和質(zhì)量無(wú)損檢測(cè)領(lǐng)域的研究逐年增多。趙冬娥等利用主成分分析法提取3種類別垃圾的參考光譜，使用光譜角度填圖法和Fisher判別方法，實(shí)現(xiàn)了紙質(zhì)、塑料、木質(zhì)垃圾的準(zhǔn)確分類，分類準(zhǔn)確度可達(dá)99%。馮朝麗等通過(guò)提取全波段感興趣區(qū)域的玉米平均相對(duì)反射光強(qiáng)作為分類特征，結(jié)合偏最小二乘判別（PLS－DA）分類模型實(shí)現(xiàn)了玉米品種的分類。李江波等基于高光譜成像技術(shù)，結(jié)合主成分分析法和波段比算法對(duì)潰瘍果進(jìn)行分類識(shí)別，準(zhǔn)確率可達(dá)95.4%。

本研究擬通過(guò)近紅外高光譜成像技術(shù)進(jìn)行配方煙絲組分判別的可行性考察，探索建立面對(duì)像素的配方煙絲4種組分的支持向量機(jī)判別模型及結(jié)果可視化，并建立面對(duì)樣本的配方煙絲4種組分支持向量機(jī)和K近鄰定性判別模型，以期為后續(xù)利用判別結(jié)果進(jìn)行組分比例測(cè)定提供支撐。

實(shí)驗(yàn)部分

2.1 實(shí)驗(yàn)材料與檢測(cè)系統(tǒng)

實(shí)驗(yàn)研究對(duì)象為某品牌某一批次產(chǎn)品的配方煙絲組分（葉絲、梗絲、薄片絲、膨脹絲），于摻配生產(chǎn)線上獲取。在進(jìn)行高光譜數(shù)據(jù)采集前，將煙絲樣品平攤放置于托盤(pán)內(nèi)，置于70%環(huán)境濕度，25℃環(huán)境溫度的恒溫恒濕室內(nèi)平衡48h，以降低水分對(duì)近紅外光譜的影響。

（1）面對(duì)像素的煙絲組分判別實(shí)驗(yàn)：每次取樣40g，作為1個(gè)樣本，均勻平鋪在35cm×20cm內(nèi)徑的托盤(pán)內(nèi)，厚度大于5mm。建模集樣品A1~D1分別為40g的葉絲、梗絲、薄片絲和膨脹絲。預(yù)測(cè)集樣品A2：32g葉絲8g梗絲，樣品B2：32g葉絲8g薄片絲，樣品C2：32g葉絲8g膨脹絲。分別于光譜通道的首、中、尾部選取一通道合成紅綠藍(lán)三通道合成圖（Red－green－blue，RGB），因以第1、第100、第204通道（分別代表1000.07、1541.55、2178.77nm）合成的RGB圖對(duì)4種組分有很好的辨識(shí)力，所以選取此三通道合成的RGB圖展示樣品。圖1為建模樣品的RGB圖。

圖1 建模樣本的RGB圖

（2）面對(duì)樣本的煙絲組分判別實(shí)驗(yàn)：每次取樣10g，作為1個(gè)樣本，置于120mm內(nèi)徑的培養(yǎng)皿內(nèi)，厚度大于5mm。每種組分樣本數(shù)均為100，共計(jì)400個(gè)樣品。圖2給出了4種組分樣品的RGB圖。按照3∶1的比例劃分建模集和測(cè)試集，建模集和預(yù)測(cè)集的樣本數(shù)分別為300個(gè)和100個(gè)。

圖2 4種配方煙絲組分的RGB圖

本實(shí)驗(yàn)的高光譜數(shù)據(jù)由圖3所示的高光譜成像系統(tǒng)獲取。整個(gè)系統(tǒng)由成像鏡頭、高光譜相機(jī)、電動(dòng)載物臺(tái)、4個(gè)50W的鹵素?zé)艉陀?jì)算機(jī)等組件構(gòu)成。

2.2 數(shù)據(jù)采集及預(yù)處理

2.2.1 圖像采集與校正

將樣品放置在電動(dòng)載物臺(tái)上，使電動(dòng)載物臺(tái)以1.2cm/s的速度帶動(dòng)樣本經(jīng)過(guò)相機(jī)視場(chǎng)進(jìn)行線陣掃描，完成整個(gè)煙絲樣本的數(shù)據(jù)采集。選定的載物臺(tái)移動(dòng)速度應(yīng)保證提供橫軸和縱軸相等的空間分辨率，并避免圖像尺寸失真且需適合設(shè)定的相機(jī)曝光時(shí)間。圖像采集過(guò)程由系統(tǒng)配有的SpecView軟件控制。為了校正來(lái)自相機(jī)暗電流的原始圖像I，提高信噪比，在與樣品圖像采集相同的系統(tǒng)參數(shù)下，首先掃描反射率為99%的標(biāo)準(zhǔn)白色校正板得到全白的標(biāo)定圖像W；然后通過(guò)內(nèi)置的黑板得到全黑的標(biāo)定圖像B。最后根據(jù)公式（1）計(jì)算得到校正后的圖像R。

2.2.2 感興趣區(qū)的選取及光譜數(shù)據(jù)的提取

主成分分析（PCA）是高光譜數(shù)據(jù)常用的一種高維數(shù)據(jù)降維方法，可將高維數(shù)據(jù)線性變換到一個(gè)新的坐標(biāo)系統(tǒng)，以增強(qiáng)信息含量、降低噪聲。基于此，對(duì)獲取的校正后圖像進(jìn)行PCA，選取第一主成分圖像作為感興趣區(qū)選取對(duì)象，再通過(guò)直方圖閾值的方式選取感興趣區(qū)（ROI）。

提取樣本ROI所有像素點(diǎn)光譜數(shù)據(jù)作為面對(duì)像素的組分判別研究數(shù)據(jù)，以興趣區(qū)內(nèi)所有點(diǎn)的像素平均光譜作為面對(duì)光譜的組分判別研究數(shù)據(jù)。獲取的光譜波長(zhǎng)范圍為1000~2500nm，對(duì)此區(qū)域光譜數(shù)據(jù)的穩(wěn)定性進(jìn)行分析，其中2200nm之后的數(shù)據(jù)噪聲較大，先行剔除。選取1000~2200nm范圍內(nèi)的數(shù)據(jù)進(jìn)行后續(xù)分析，獲取的數(shù)據(jù)有217個(gè)光譜維度。研究中所有的高光譜數(shù)據(jù)采集、校正均基于SpecView軟件平臺(tái)，感興趣區(qū)的選取、光譜數(shù)據(jù)的提取及后續(xù)的數(shù)據(jù)預(yù)處理、特征波長(zhǎng)選擇、分類模型的建立均基于Python3.7軟件。

2.3 特征波長(zhǎng)提取方法

連續(xù)投影算法（SPA）是一種有效的前向循環(huán)特征波長(zhǎng)提取方法，在光譜分析領(lǐng)域得到了廣泛應(yīng)用。SPA能夠從光譜信息中充分尋找含有最低限度冗余信息的波長(zhǎng)組合，以代表樣品最大信息量。

二階導(dǎo)數(shù)法（SD）通過(guò)數(shù)學(xué)模擬，計(jì)算不同波段下的二階導(dǎo)數(shù)值。由于二階導(dǎo)數(shù)光譜具有更加尖銳、明顯的波峰和波谷，而波峰波谷往往對(duì)應(yīng)著某類化學(xué)物質(zhì)，且不同物質(zhì)在此位置的差異也會(huì)更明顯，因此通過(guò)對(duì)二階導(dǎo)數(shù)光譜的波形進(jìn)行分析，能迅速確定光譜變化明顯的波長(zhǎng)位置，選擇的特征波長(zhǎng)具有很好的可解釋性。

3、結(jié)果與討論

3.1 面對(duì)像素的分析及分類

為了可視化配方煙絲4種組分間的差異性，對(duì)4種組分建模集樣品A1、B1、C1、D1（分別代表葉絲、梗絲、薄片絲、膨脹絲）的點(diǎn)光譜數(shù)據(jù)進(jìn)行主成分分析。從4個(gè)樣品中共提取402,368個(gè)點(diǎn)光譜數(shù)據(jù)，對(duì)其進(jìn)行二階導(dǎo)數(shù)和11點(diǎn)0階薩維茨基－戈萊平滑（SG）濾波處理，將得到的數(shù)據(jù)作為后續(xù)分析光譜數(shù)據(jù)。主成分分析得到的分?jǐn)?shù)通?？娠@示樣品的內(nèi)在信息，獲取的前5個(gè)主成分（PCs）的累積方差貢獻(xiàn)率達(dá)95.21%，解釋了大多數(shù)的光譜變量。圖4A為4種組分樣品點(diǎn)光譜數(shù)據(jù)在前3個(gè)主成分下的3D主成分得分分布圖。由圖可知，盡管不同組分間的得分分布相互重疊，但同一組分內(nèi)的分布更加集中，形成不同的區(qū)域。因此，雖然可以獲得較為直觀的分類結(jié)果，但建立面對(duì)像素的4種組分的同時(shí)判別模型較難實(shí)現(xiàn)，需要進(jìn)行更深入的研究。為簡(jiǎn)化模型，考察了實(shí)際應(yīng)用中最常見(jiàn)的葉絲中摻配某一組分的情況，即葉絲與梗絲、葉絲與薄片絲、葉絲與膨脹絲的判別，其光譜數(shù)據(jù)得分圖見(jiàn)圖4B~D。由得分分布可知，葉絲與梗絲、葉絲與薄片絲面對(duì)像素的判別可行性很高，葉絲與膨脹絲則可行性較低。

?

圖4 面對(duì)像素?cái)?shù)據(jù)在主成分上的3D主成分得分圖

基于以上研究，以建模集樣品的點(diǎn)光譜數(shù)據(jù)建立葉絲與梗絲、葉絲與膨脹絲、葉絲與薄片絲的支持向量機(jī)（SVM）判別模型，并用建立的模型來(lái)判別預(yù)測(cè)樣本A2、B2、C2中的煙絲分布情況。圖5為實(shí)際分布與分類結(jié)果圖，對(duì)比可知，葉絲與梗絲（圖A1、A2）、葉絲與薄片絲（圖B1、B2）雖然在葉絲的邊緣區(qū)域存在少量誤分情況，但整體上很好地完成了葉絲與梗絲、葉絲與薄片絲的判別任務(wù)。而葉絲與膨脹絲的實(shí)際分布圖（圖C1）和分類分布圖（圖C2）顯示：兩者的誤分情況較前兩種判別結(jié)果明顯增多，建立的SVM模型判別率較低。綜上可知，建立的葉絲與梗絲、葉絲與薄片絲的SVM分類模型很好地完成了組分判別任務(wù)，葉絲與膨脹絲的SVM分類效果不佳，該結(jié)果也驗(yàn)證了基于3D主成分得分分布圖得出的結(jié)論，即基于點(diǎn)像素?cái)?shù)據(jù)進(jìn)行葉絲與梗絲、葉絲與薄片絲的組分判別較易實(shí)現(xiàn)，通過(guò)后續(xù)的模型優(yōu)化，可以得到更加可靠穩(wěn)健的判別模型；而基于點(diǎn)像素?cái)?shù)據(jù)進(jìn)行葉絲與膨脹絲的組分判別較難實(shí)現(xiàn)，需要深入的研究。

圖5 預(yù)測(cè)樣本中的實(shí)際分布（A1、B1、C1）與分類結(jié)果（A2、B2、C2）的對(duì)比圖

3.2 面對(duì)樣品的分析及分類

在面對(duì)樣本的研究中，分析及分類的數(shù)據(jù)為樣品的平均光譜。

3.2.1 不同配方煙絲組分的原始光譜及二階導(dǎo)數(shù)光譜特征

圖6為不同配方煙絲組分的平均光譜圖，不同組分的煙絲樣品有著相似的光譜模式，在1190、1470、1940nm處均存在明顯吸收峰；不同組分的煙絲樣品在某些波段上的反射率存在著較為明顯的差異，證實(shí)了基于近紅外高光譜技術(shù)進(jìn)行組分判別的可行性。

圖6 梗絲、葉絲、薄片絲、膨脹絲樣本的平均光譜曲線

雖然4種組分的平均原始光譜數(shù)據(jù)呈現(xiàn)出較好的可分性，但因樣品不均勻及光譜數(shù)據(jù)基線偏移帶來(lái)的誤差，導(dǎo)致建立的模型不穩(wěn)定。本研究擬通過(guò)結(jié)合濾波的二階導(dǎo)數(shù)對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。該方法能在一定程度上消除樣品表面不均勻及光譜數(shù)據(jù)基線偏移帶來(lái)的影響，同時(shí)可將原始光譜的擴(kuò)展最大值分解為許多尖銳而不重疊的峰，獲得更多隱藏在原始光譜中的重要光譜細(xì)節(jié)和光譜特征主要變化的定位點(diǎn)，從而使得光譜的解釋比原始光譜更容易。圖7為4種組分預(yù)處理后得到的二階導(dǎo)數(shù)光譜。由圖可知，相對(duì)于原始光譜，二階導(dǎo)數(shù)光譜具有更加尖銳、明顯的吸收峰和吸收谷，便于確定吸收峰和吸收谷位置對(duì)應(yīng)的波長(zhǎng)。二階導(dǎo)數(shù)光譜的對(duì)應(yīng)波峰和波谷位置與原始光譜不完全一致，而是分布在原始光譜波峰波谷所在區(qū)間內(nèi)，說(shuō)明二階導(dǎo)數(shù)光譜可以揭示隱藏在原始光譜內(nèi)的光譜細(xì)節(jié)，從而更準(zhǔn)確地提取對(duì)配方煙絲的組分判別最有效的特征波長(zhǎng)。

3.2.2 不同方法提取特征波長(zhǎng)比較

采用特征波長(zhǎng)可降低高光譜數(shù)據(jù)的高維性，并使分類的判別模型更加可靠。分別通過(guò)連續(xù)投影算法和二階導(dǎo)數(shù)法獲取特征波長(zhǎng)。

（1）連續(xù)投影算法在連續(xù)投影算法中，將數(shù)據(jù)分為建模集和驗(yàn)證集，通過(guò)建模集選取特征波長(zhǎng)建立多元回歸模型，計(jì)算預(yù)測(cè)集的均方根誤差（RMSE），選取含最小RMSE的特征波長(zhǎng)組合。本研究中，設(shè)定的波段數(shù)目范圍為4~10，當(dāng)選取的波長(zhǎng)數(shù)為6時(shí)，達(dá)到最小的RMSE（0.07261）。選取的6個(gè)特征波長(zhǎng)為1408、1608、1658、2013、2084、2151nm。

（2）二階導(dǎo)數(shù)法選取二階導(dǎo)數(shù)光譜上對(duì)煙絲組分分類有較強(qiáng)判別力的波峰波谷（1391、1441、1880、1913nm）位置作為特征波長(zhǎng)。

圖7梗絲、葉絲、薄片絲、膨脹絲樣本的平均二階導(dǎo)數(shù)光譜曲線

3.2.3 配方煙絲4種組分的判別模型

基于二階導(dǎo)數(shù)光譜全波段數(shù)據(jù)及不同特征提取方法提取的特征波長(zhǎng)，建立K近鄰（KNN）和SVM模型，其組分判別模型結(jié)果如表1所示。以訓(xùn)練集十折內(nèi)部交叉驗(yàn)證得到的平均判別正確率和測(cè)試集判別正確率對(duì)判別模型進(jìn)行評(píng)估?；诙A導(dǎo)數(shù)光譜全波段數(shù)據(jù)建立的兩種判別模型的訓(xùn)練集和測(cè)試集的正確判別率均為100%，表明利用二階導(dǎo)數(shù)光譜可以很好地執(zhí)行配方煙絲中4種組分的判別任務(wù)；以SPA算法選出的特征波長(zhǎng)建立的KNN和SVM判別模型，測(cè)試集準(zhǔn)確率達(dá)到90%，訓(xùn)練集準(zhǔn)確率達(dá)到100%。以二階導(dǎo)數(shù)法選取的特征波長(zhǎng)建立的KNN和SVM模型，訓(xùn)練集準(zhǔn)確率達(dá)到95%以上，測(cè)試集準(zhǔn)確率達(dá)到86.97%。建立的模型都較好地完成了組分判別的任務(wù)，且降低了模型的復(fù)雜度和工業(yè)應(yīng)用成本；SVM模型可以避免KNN模型的過(guò)擬合現(xiàn)象，后續(xù)選取SVM模型作為本研究的最佳分類器。

表1基于二階導(dǎo)數(shù)光譜數(shù)據(jù)及特征波長(zhǎng)對(duì)配方煙絲4種組分的判別結(jié)果

3.2.4 最佳波段選擇

在上述研究中，利用特征波長(zhǎng)提取算法篩選出了對(duì)配方煙絲4種組分具有較高判別力的特征波長(zhǎng)組合，應(yīng)用中可采用多光譜儀器進(jìn)行數(shù)據(jù)的獲取。為了進(jìn)一步探究降低工業(yè)應(yīng)用成本的可行性，嘗試在上述選取的特征波長(zhǎng)組合中挑選出具有高判別力的特征波長(zhǎng)，建立單波長(zhǎng)的判別模型。將二階導(dǎo)數(shù)法和SPA法提取出的各特征波長(zhǎng)結(jié)合SVM建立單變量模型，每個(gè)單波長(zhǎng)在測(cè)試集上的準(zhǔn)確率如圖8所示?？梢钥闯?，大部分特征波長(zhǎng)的判別效果較好，其中1441、1608、1658、1880、2151nm的組分判別準(zhǔn)確率均達(dá)到90%以上，證實(shí)了基于單波長(zhǎng)進(jìn)行面對(duì)樣本的配方煙絲組分判別的可行性，同時(shí)也為配方煙絲4種組分檢測(cè)儀器的開(kāi)發(fā)提供了理論支持。

?

?

?

圖8 基于單一特征波長(zhǎng)的組分判別率

4、結(jié)論

本研究利用近紅外高光譜成像技術(shù)開(kāi)展了面對(duì)像素、面對(duì)樣本的配方煙絲4種組分（葉絲、梗絲、薄片絲、膨脹絲）的判別研究，采用二階導(dǎo)數(shù)法結(jié)合薩維茨基-戈萊平滑濾波對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。在面對(duì)像素的組分判別研究中，通過(guò)點(diǎn)像素的主成分分析，證實(shí)了基于此技術(shù)對(duì)葉絲與梗絲、葉絲與薄片絲進(jìn)行組分判別的可行性，以前5主成分?jǐn)?shù)據(jù)建立的支持向量機(jī)判別模型的可視化結(jié)果證明了這一點(diǎn)。在面對(duì)樣本的組分判別研究中，通過(guò)二階導(dǎo)數(shù)光譜建立的支持向量機(jī)和K近鄰模型都達(dá)到了100%的組分判別率，為降低工業(yè)應(yīng)用成本，通過(guò)二階導(dǎo)數(shù)法和連續(xù)投影算法篩選出特征波長(zhǎng)，建立的特征波長(zhǎng)組合和單波長(zhǎng)的支持向量機(jī)模型的判別正確率達(dá)86.97%。

歡迎關(guān)注公眾號(hào)：萊森光學(xué)，了解更多光譜知識(shí)。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。