基于烤烟理化指标构建烤烟感官质量预测模型

常安然，张 耸，武劲草，魏登辉，王伟宁，范文思，廖红渠，于建军*

(1.河南农业大学 烟草学院，河南 郑州 450002;2.重庆市烟草公司 万州分公司，重庆 400400)

基于烤烟理化指标构建烤烟感官质量预测模型

常安然1，张 耸1，武劲草1，魏登辉1，王伟宁2，范文思1，廖红渠1，于建军1*

(1.河南农业大学 烟草学院，河南 郑州 450002;2.重庆市烟草公司 万州分公司，重庆 400400)

通过烤烟理化指标建立烤烟感官评价BP神经网络预测模型。以河南地区223个烤烟样本为研究对象，通过因子分析，筛选了12项烤烟理化指标作为网络输入变量、10项感官评价指标作为输出变量构建预测模型。结果表明：构建的10个网络预测模型目标值与预测值拟合度较好。各网络模型线性回归分析预测值和目标值均呈现极显著相关性。除劲头模型(R2=0.6839)外，其余各感官指标预测模型对样本的整体方差解释率均可达到70%以上。说明所构建的BP网络模型可以较好地对烤烟各感官指标得分进行预测评价。

烤烟；化学指标；物理指标；BP神经网络模型

烤烟的感官质量是烟叶质量评价的核心内容。目前，烟草感官质量评价的主要方式是评吸人员通过吸食借助感官对烟草及其制品进行品质鉴定[1]，而在人工评吸的过程中，不可避免地存在很大的主观性和随意性。影响烤烟感官质量的因素是复杂多样的，其中烤烟化学成分作为烤烟品质的物质基础，是决定烤烟感官质量的主要因素,而烤烟的物理特性是烤烟内在品质的宏观反映，同时也是卷烟原料配方设计重要工艺指标，因此将烤烟化学成分、物理特性与烤烟感官质量之间的关系进行研究具有重要意义[2-3]。现有研究大多利用相关性分析、回归分析、关联分析等传统数理统计的方法，对烟叶质量指标之间的关系进行定性分析，但无法直接给出烟叶评吸质量的预测及评价结果[4]。

BP神经网络作为一种有效的智能信息处理技术，具有良好的非线性逼近能力和对杂乱信息的综合处理能力，在样本预测中显示出一定的优越性[5]。利用BP神经网络,通过烤烟物理特性和化学指标建立烤烟感官预测模型，减少烤烟评吸过程中人为因素造成的主观差异，从而更为客观精准地量化烤烟感官质量。

1 材料与方法

1.1 试验材料

供试材料为2014年河南烟区南阳、漯河、驻马店、许昌、平顶山、洛阳、三门峡等7个地(市)33个县的X2F、C3F、B2F共计223个烟叶样品。

1.2 试验方法

烟叶各理化指标测定均依据相关标准进行[6]。烟叶感官质量评吸打分采用“九分制”评吸指标包括香气质、香气量、浓度、杂气、劲头、刺激性、余味、燃烧性、灰色，共9项指标评吸得分标准参照表1，感官评吸总分计算按照各评吸指标权重所得，具体计算方式如下：

总分=(0.25X1+0.25X2+0.05X3+0.1X4+0.03X5+0.1X6+0.15X7+0.05X8+0.02X9)×10

(1)

式中X1～X9依次表示香气质、香气量、浓度、杂气、劲头、刺激性、余味、燃烧性、灰色。

表1 单料烟评吸打分标准

1.3 河南烟叶样品的基本特征

对烤烟感官质量进行描述性统计，结果见表2。河南烟区烤烟样品感官质量各项评吸指标变异系数均小于10%，样本较为集中，且样本整体符合正态分布，达到统计分析要求。评吸样品中浓度、刺激性偏度系数大于0，为正向偏态峰；其余指标偏度系数均小于0，为负向偏态峰。香气量、杂气峰度系数小于0，呈现为平阔峰，数据分布较为分散；其余各指标峰度系数均大于0，呈现为尖峭峰，数据分布多集中在平均值附近。

表2 样本感官质量的描述性统计

对烤烟样品物理特性和常规化学成分进行描述统计，结果见表3。可以看出各理化指标变异系数均小于10%，样本数据相对稳定。总氮、含梗率和平衡含水率，变异系数相对较大；氯含量变异系数最小。烟碱、总糖、还原糖、淀粉、含梗率和单叶重峰度系数小于0，呈现为平阔峰，数据较为分散；其余各指标峰度系数均大于0，呈现为尖峭峰，数据较为集中，多在平均值附近。淀粉和含梗率偏度系数小于0，为负向偏态峰；其余各指标偏度系数均大于0，为正向偏态峰。

表3 样本物理特性和常规化学成分描述性统计

1.4 神经网络数据的处理与设计

对14项物理和化学指标进行因子分析，依据方差最大进行正交旋转，旋转后10项因子累计贡献率达到92%，解释总体方差92%。由表4可知，因子1主要反映含梗率和叶质重的影响；因子2主要反映总氮和总糖的影响；因子3主要反映钾含量的影响；因子4主要反映淀粉的影响；因子5主要反映了单叶重的影响；因子6主要反映填充值的影响；因子7主要反映烟叶氯元素的影响；因子8主要反映抗张强度的影响；因子9主要反映烟叶平衡含水率的影响；因子10主要反映烟碱的影响。根据上述分析，最终选择总氮、烟碱、总糖、淀粉、钾、氯、抗张强度、烟叶含梗率、单叶重、叶质重、填充值以及烟叶平衡含水率12项指标作为神经网络模型构建的输入变量。

采用Matlab 2014软件，以223个烟叶样品烟叶感官质量中香气质、香气量、杂气、刺激性、透发性、灰色、余味、浓度、劲头以及评吸总分共10个指标分别作为网络模型的输出值，共建立10个BP神经网络模型。由于网络的输入节点物理量各不相同，有的数值之间相差很大，无法进行综合评估，同时，为避免受激活函数s型函数值域范围的影响，发生小数值信息被大数值信息淹没的影响，采用式(2)对样本数据进行归一化处理，以提高神经网络的训练精度和训练速度。

(2)

式(2)中：a，b是常量；xi，分别是归一化前和归一化后的值；xmin，xmax是每组因子变量的最小值和最大值。

1) 两拖线阵水听器所在线阵的组合阵型变化，若线阵间距离变化过大，则不能很好地利用拖线阵水听器所接收的信号进行波束形成。

(3)

式(3)中：l为隐含层节点数，n为输入节点数，m为输出节点数；a为1～10之间的调节常数。

隐含层节点数设计参照式(3)多次训练试验确定，最终以节点数为11的隐含层节点数所构建的网络模型的拟合残差最小，因此建立网络拓扑结构为12-11-1的神经网络模型，网络训练在Matlab2014软件中进行。所建立的BP神经网络的Matlab程序代码如下：

P=1:2:100;

T=sin(P*0.1);

NodeNum=12;

TypeNum=1;

Epochs=1000;

TF1=’tansig’;TF2=’purelin’;

net=newff(minmax(P),[NodeNum TypeNum],{TF1 TF2},’trainlm’);

net.trainParam.epochs=Epochs;

net.trainParam.goal=le-8;

net.trainParam.min_grad=le-20;

net.trainParam.show=200;

net.trainParam.time=inf;

net=train(net,P,T);

代码中：P代表12个理化指标，T代表烟叶的感官质量指标。

表4 因子载荷矩阵

2 神经网络训练

利用223组数据进行神经网络模型构建，随机挑取其中183组数据作为训练样本，进行模型预测训练，剩余50组作为测试样本，用于模型检测。以训练完成后各感官质量指标的网络模型模拟值为纵坐标，以各感官质量指标的实际值为横坐标，建立统计回归分析图，图中的直线为y=x，表示模拟值与实际值完全相同时的结果(图1)[7-9]。回归分析结果表明，构建出的10个网络模型的预测值与目标值均呈现出极显著的相关性(P<0.0001)，除劲头模型外，各指标决定系数R2值都在0.7以上，其中香气量、杂气、燃烧性和灰色决定系数R2大于0.9，说明通过神经网络分析，各单项评吸得分的模型预测值与目标值非常接近，模型预测评吸指标准确性较高；劲头模型整体方差解释率为68.39%，略小于其他指标，说明影响烟气劲头的因素较为复杂，可进一步引入其他指标，提高预测模型的精准度。

图1 训练后网络模拟值与目标输出的统计回归分析

3 结论与讨论

试验统计分析表明，通过烤烟主要理化指标与烤烟香气质、香气量、浓度、杂气、劲头、刺激性、余味、燃烧性、灰色及评吸总分等单项感官指标经过模拟训练建立的拓扑结构为12-11-1的BP神经网络系统模型，结果有较高的预测准确度，具有研究意义和实用价值。

利用BP神经网络对烤烟香气质、杂气、燃烧性、灰色的预测效果最好；刺激性、评吸总分、劲头预测模型对样本的方差解释率稍低于其他指标，说明影响烤烟刺激性、评吸总分和劲头的因素相对更为复杂。例如有研究表明，烟叶的刺激性除与烟叶常规化学成分和物理特性关系密切外，还与烟叶中木质素、纤维素和果胶的含量有很大关系[10]；而烤烟劲头实际得分情况主要依据评吸人员的生理感受强度，较其余指标存在更为明显的主观性和随意性，这些因素都会对预测模型的构建产生影响[11-12]。

对烟叶原料进行感官评价的目的是为了确定烤烟烟叶整体质量的优劣，而影响烟叶品质的因素极为复杂，单纯的依靠常规化学成分和物理特性所构建的预测模型显然不能绝对精准地反映烟叶的感官品质[13-14]。在今后的研究中应扩大样品来源，结合更多的有效因素进行烤烟感官质量网络预测模型的探索建立，进一步提高模型的精准度，为烤烟感官质量评价提供更为客观准确的依据。

[1] 于建军.卷烟工艺学[M].北京:中国农业出版社,2009.

[2] 孙弋媛,徐宜民,申国明,等.湖北地方晒晾烟物理性状与其他质量评价指标的典型相关分析[J].中国农学通报,2014,30(12):316-320.

[3] 邵惠芳,赵昕宇,许自成,等.基于SOFM网络的烤烟感官质量聚类模式分析[J].中国烟草学报,2016,22(1):13-23.

[4] 邵惠芳,许自成,李东亮,等.基于BP神经网络建立烤烟感官质量的预测模型[J].中国烟草学报,2011,17(1):19-25.

[5] 傅荟璇,赵红.MATLAB神经网络应用设计[M].北京：机械工业出版社,2010.

[6] 于建军，宫长荣.烟草原料初加工[M].北京：中国农业出版社,2009.

[7] 李东亮.基于化学成分的烟草质量评价方法研究与应用[D].郑州：河南农业大学,2008.

[8] 潘文杰.基于人工神经网络技术的烤烟重金属积累特征研究[D].重庆：西南大学,2006.

[9] 林丽莉,冯天瑾,周文晖,等.基于神经-模糊方法的单料烟感官质量评价专家系统[J].青岛海洋大学学报:自然科学版,2001(6):931-936.

[10] 郭松.我国烤烟烟叶果胶、纤维素含量分布特点及对评吸品质的影响[D].郑州：河南农业大学,2011.

[11] 彭斌,金征宇,翁昔阳,等.碳酸钾对卷烟主流烟气焦油、烟碱、游离烟碱、pH值及劲头的影响[J].烟草科技,2007(7):8-10.

[12] 于川芳,卢斌斌,牟定荣,等.卷烟劲头与其烟丝、烟气主要化学成分的相关性[J].烟草科技,2006(9):34-37.

[13] 李广才,余玉梅,胡建军,等.湖南烤烟主要化学成分与评吸质量的非线性关系解析[J].中国烟草学报,2012,18(4):17-26.

[14] 闫克玉,王光耀,李春松.我国烤烟质量分析评价研究进展[J].郑州轻工业学院学报:自然科学版,2007,22(Z1):49-52.

(责任编辑：曾小军)

Establishment of Models for Predicting Sensory Quality of Flue-cured Tobacco Leaf Based on Physicochemical Indexes

CHANG An-ran1, ZHANG Song1, WU Jin-cao1, WEI Deng-hui1,WANG Wei-ning2, FAN Wen-si1, LIAO Hong-qu1, YU Jian-jun1*

(1. College of Tobacco Science, Henan Agricultural University, Zhengzhou 450002, China;2. Wanzhou Branch, Chongqing Tobacco Company, Chongqing 400400, China)

In this study, several BP neural network prediction models for the sensory quality evaluation of flue-cured tobacco leaves were built based on their physicochemical indexes. A total of 223 flue-cured tobacco samples in Henan province were taken as the research objects. Through factor analysis, 12 physicochemical indexes of these samples were screened out as the network input variables, 10 sensory quality evaluation indexes were used as the output variables, and some BP models were constructed. The results showed that the predicted values of the built 10 network forecasting models well fitted to the target values. The linear regression analysis indicated that there was an extremely significant correlation between the predicted value and the target value of each network model. Except for the model for the prediction of mildness (R2=0.6839), each sensory index prediction model could explain more than 70% of the total variance of the samples. The above results suggested that the constructed BP network models could be used to predict the scores of various sensory indexes of flue-cured tobacco.

Flue-cured tobacco; Chemical index; Physical index; BP neural network model

2016-07-12

河南省烟草公司资助项目“秸秆生物质炭对土壤——烤烟养分高效协同利用机制研究”(HYKJ201301)。

常安然(1991─)，女，河南南阳人，硕士研究生，研究方向：卷烟工艺。*通讯作者：于建军。

S572

A

1001-8581(2017)01-0075-05