一种烤烟香型和品质判定的智能评价方法技术领域
本发明涉及烤烟香型和品质判定的领域，特别是一种烤烟香型和品质判定的智能
评价方法。
背景技术
烟叶作为卷烟配方组成的主体，其质量优劣和风格特色直接决定了烟支的吸食特
性。在卷烟制品的加工过程中，需要不同部位、不同风格特色的烟叶原料构成相对稳定的叶
组配方，并通过辅料(烟用香精、香料)的调和作用，形成自身品牌特有的卷烟吸食特性。在
这一过程中，稳定的卷烟风格(吸食特性)，对抽烟者的生理满足和卷烟企业的稳定发展都
显得尤为重要，因此，对烟叶风格特色和质量的评价使用受到卷烟工业企业的广泛关注。
新鲜烟叶经过初烤、复烤加工和醇化的过程之后，形成卷烟制品加工所需要的烟
叶原料。烟叶的内在化学成分和致香物质成分含量直接决定其内在质量和香气风格特色，
进而影响烟叶原料在卷烟配方中的地位和使用。虽然，人们对烟叶中致香物质含量与烟叶
品质之间关系的研究已经取得了很大的进展，但目前对烟叶质量和香气风格的评价依然通
过烟叶评吸专家进行人工评吸计分评价。国内的烤烟烟叶风格从大的方面可分为清香型、
中间香型和浓香型等三种类型；而香韵可分为清甜香、正甜香和焦甜香等十余种；内在质量
通过香气质、香气量、刺激性、杂气、灰分等评吸指标进行打分计算。
由于烤烟烟叶所含化合物的多样性和复杂性以及人工评吸过程中受环境、状态和
主观意志等影响，在对烟叶内在质量和风格特色的评价上出现不同程度的偏差，甚至出现
同一样品不同评吸人员评价结果间香气类型的不同。目前，国内卷烟工业企业对烟叶质量
和风格特色的评价上尚未形成统一的评价标准，烟叶的评价标准多受自身企业卷烟风格特
色的影响。
综上所述，目前采用人工评吸评价烟叶质量和香气风格特色的方法，极易受环境
和个人因素等影响，给烟叶原料的评价和有效利用及工业企业卷烟质量和风格特色的稳定
带来了很大的影响，同时在一定程度上加大了对评吸人员自身健康带来的危害。
发明内容
本发明的目的在于提供一种烤烟香型和品质判定的智能评价方法，以克服现有技
术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种烤烟香型和品质判定的智能评价方
法，按照如下步骤实现：
步骤S1：运用GRRF方法筛选烟叶香气分类与香气得分的主成分因子，从致香物质
中筛选出了香气分类和香气得分的主成分因子；
步骤S2：采用在GRRF基础上运用SVM分类器的方法以及采用在GRRF基础上运用RF
分类器的方法建立烟叶香气风格判别模型；
步骤S3：运用10折交叉验证法分析采用上述两种方法的评价性能，其中，对于分类
的评价结果，采用正确率ACC以及受试者工作特征曲线作为评价标准；对于回归的评价结
果，采用皮尔逊相关系数和均方误差作为评价标准，确定烟叶香气风格判别模型；
步骤S4：通过确定的烟叶香气风格判断别模型，建立烟叶香气风格在线判别工具，
对待检测烟草的香型和品质进行评价。
在本发明一实施例中，在所述步骤S1，按照如下步骤实现所述运用GRRF方法筛选
烟叶香气分类与香气得分的主成分因子：
步骤S11：对样本集构建一个随机森林模型；
步骤S12：在随机森林构建完成后，GRRF对原始随机森林的所有节点进行再次遍
历，并计算变量重要性；对于每个变量Xi模型都给出相应的重要性分值，重要性分值根据以
下公式计算：
其中，k为森林中决策树数量，xi为第i个变量，v为树中使用xi分裂的节点，Gain
(Xi,V)是该节点的Gini不纯度的减小量；
步骤S13：对于Gain(Xi，V)，按如下方式处理：
其中，F代表在遍历节点时已经被选中的特征的集合，λ为被选入特征接受惩罚的
惩罚系数；λ越大惩罚力度越小，λ按照如下方式计算：
λ＝1-γ(1-imp’)；
其中，γ是GRRF需要唯一决定的参数，imp’是原始随机森林给出的重要性分数。
步骤S14：GRRF根据经上述步骤计算得出的每个变量的重要性分数，且将变量重要
性分数大于零的变量作为GRRF选取到的主成分因子。
在本发明一实施例中，在所述步骤S12中，对于所述节点v，从节点v到其左右两个
子节点，Gini不纯度减少量为:
Gain(xi,v)＝Gini(xi,v)-(wRGini(xi,vR)+wLGini(xi,vL))；
其中，R，L分别代表了所述节点v的左右两个子节点WR和WL为左右两个子节点Gini
不纯度减少量的权重值；
对于所述节点v，Gini不纯度按照如下方式计算：
其中，pc为所述节点v中类别c的概率，为所述类别c的样本数量除以当前节点v内
样本的总数。
在本发明一实施例中，在所述步骤S1中，从92种致香物质中筛选22种香气分类和
19种香气得分的主成分因子。
在本发明一实施例中，在采用在GRRF基础上运用SVM分类器的方法建立烟叶香气
风格判别模型过程中，寻找一最优分类超平面，使两类间相邻最近的样本点之间的边缘最
大化；在最大化边缘边界上的样本点被称为支持向量，边缘的中间切面为最优分类超平面；
被边缘误分的点，其权重将被降低，以减少其影响；当数据线性不可分时，通过核函数将数
据点映射到高维空间，使其线性可分。
在本发明一实施例中，在采用GRRF基础上运用RF分类器的方法构建烟叶香气风格
判别模型过程中，设置三个参数：森林中决策树的数量ntree、内部节点随机选择属性的个
数mtry及终节点的最小样本数nodesize；
按照如下过程建立烟叶香气风格判别模型：
(1)采用bootstrap抽样技术从原始数据集中抽取ntree个训练集；
(2)为每一个bootstrap训练集分别建立分类回归树，共产生ntree棵决策树，并构
成一片森林，这些决策树均不进行剪枝，也即为unpruned；在每棵树生长过程中，并不是选
择全部M个属性中的最优属性作为内部节点进行分支split，而是从随机选择的mtry≤M个
属性中选择最优属性进行分支；
(3)集合ntree棵决策树的预测结果，采用投票的方式决定新样本的类别。
在本发明一实施例中，采用PHP和R平台构建所述烟叶香气风格判别在线工具。
相较于现有技术，本发明具有以下有益效果：
(1)本发明在对烟叶香气类型和彰显程度的评价上，摆脱了因环境和人为主观因
素的影响，相比人工评吸结果更客观、准确。
(2)本发明的应用可为建立不同卷烟工业企业烟叶质量和风格特色评价的统一标
准提供理论依据和技术支撑。
(3)本发明对致香物质中影响烟叶香气风格特色的主成分因子的筛选，一定程度
上降低了检测成本。
(4)本发明进一步明晰了致香物质因子对香气风格特色的贡献度，为指导烤烟种
植和优化烟叶生产措施提供了有效参考，所建立的评价系统能够为建立统一的烟叶质量和
风格特色评价方法提供科学依据和技术支撑。
(5)该发明在对烟叶香气风格评价上，相比人工评吸来讲，避免了评吸人员过量抽
吸烟支对身体造成的伤害。
附图说明
图1为本发明中一种烤烟香型和品质判定的智能评价方法的刘流程图。
图2为本发明一实施例中烟叶香气风格评价系统主页面。
图3为本发明一实施例中DXY010样品人工评吸结果示意图。
图4为本发明一实施例中烟叶香气风格类型判别主成分物质含量的输入页面示意
图。
图5为本发明一实施例中烟叶样品香型风格的判别结果页面示意图。
图6为本发明一实施例中烟叶香气得分判别主成分物质含量的输入页面示意图。
图7为本发明一实施例中烟叶样品香气得分的判别结果页面示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供一种烤烟香型和品质判定的智能评价方法，按照如下步骤实现：
步骤S1：运用GRRF(Guided Regularized Random Forest，即有引导的正则化随机
森林)方法筛选烟叶香气分类与香气得分的主成分因子，从92种致香物质中筛选出了22种
香气分类和19种香气得分的主成分因子；
步骤S2：用GRRF+SVM(支持向量机)和GRRF+RF(随机森林)的方法建立烟叶香气风
格判别模型；
步骤S3：运用10折交叉验证(10 fold Cross-validation)法分析2种方法的评价
性能，其中，对于分类的评价结果，采用正确率ACC(Accuracy)以及受试者工作特征曲线
(ROC)作为评价标准；对于回归的评价结果，采用皮尔逊相关系数(PCC)和均方误差(MSE)作
为评价标准，确定烟叶香气风格判别模型；在本实施例中，确定了采用GRRF+SVM建立烟叶香
气风格判别模型；
步骤S4：使用PHP和R平台构建了烟叶香气风格判别在线工具，对待检测烟草的香
型和品质进行评价。
进一步的，在本实施例中，运用GRRF方法筛选烟叶香气分类与香气得分的主成分
因子过程中，还包括如下步骤：
步骤S11：在使用GRRF前首先对样本集构建一个随机森林模型。
步骤S12：在随机森林构建完成后，GRRF会对原始随机森林的所有节点进行再次遍
历并计算变量重要性。对于每个变量Xi模型都给出了相应的重要性分值，重要性分值根据
以下公式计算：
其中，k为森林中决策树数量，xi为第i个变量，v为树中使用xi分裂的节点，Gain
(Xi,V)是该节点的Gini不纯度的减小量。
进一步的，对于节点v来说，从节点v到其左右两个子节点，Gini不纯度减少量为：
Gain(xi,v)＝Gini(xi,v)-(wRGini(xi,vR)+wLGini(xi,vL))；
其中，R，L分别代表了v的左右两个子节点WR和WL为左右两个子节点Gini不纯度减
少量的权重值。
对于节点v来说，Gini不纯度按照如下方式计算：
其中，pc为节点v中类别c的概率，为类别c的样本数量除以当前节点v内样本的总
数。
步骤S13：对于Gain(Xi,V)，还要按如下方式来处理：
其中，F代表在遍历节点时已经被选中的特征的集合。当某个特征被选入时需要接
受一定程度的惩罚，惩罚的大小由系数λ决定，λ越大惩罚力度越小，λ按照如下方式计算：
λ＝1-γ(1-imp’)；
其中，γ是GRRF需要唯一决定的参数，依据实验结果，γ＝0.1时，选取的特征使模
型维持着较好的正确率。其中imp’是原始随机森林给出的重要性分数。
步骤S14：最终GRRF也会依据上述原理给出每个变量的的重要性分数，那些变量重
要性分数大于零的变量就是GRRF选取到的主成分。
进一步的，在本实施例中，在GRRF基础上运用RF(随机森林)分类器构建香气风格
判别模型，在此过程中需要设置三个主要的参数：森林中决策树的数量ntree、内部节点随
机选择属性的个数mtry及终节点的最小样本数nodesize。其基本思想是：
一是采用bootstrap抽样技术从原始数据集中抽取ntree个训练集；
二是为每一个bootstrap训练集分别建立分类回归树，共产生ntree棵决策树构成
一片“森林”，这些决策树均不进行剪枝(unpruned)。在每棵树生长过程中，并不是选择全部
M个属性中的最优属性作为内部节点进行分支(split)，而是从随机选择的mtry≤M个属性
中选择最优属性进行分支；
三是集合ntree棵决策树的预测结果，采用投票(voting)的方式决定新样本的类
别。
进一步的，在本实施例中，在GRRF基础上运用MVB(支持向量机)分类器构建香气风
格判别模型，基本思想是寻找一个最优分类超平面(separating hyperplane)，使两类间相
邻最近的样本点之间的边缘(margin)最大化。在最大化边缘边界上的样本点被称为支持向
量(support vectors)，边缘的中间切面为最优分类超平面。被边缘误分的点，其权重将被
降低，以减少其影响。当数据线性不可分时，通过核函数将数据点映射到高维空间，使其线
性可分。
进一步的，在本实施例中，基于GRRF+SVM建立烟叶香气风格判别模型，采用PHP和R
平台构建了烟叶香气风格判别在线工具。如图2所示，在烟叶香气风格评价系统主页面顶部
提供选择操作项，包括：综合品质评价、香型评价、使用向导、功能介绍以及数据下载。
如图3所示，下面以DXY010(玉溪市新平县新化乡镇海外村)的样品为例，介绍烟草
品质在线评价系统的使用及所构建模型评价的准确性。
首先，选择烟叶香气风格评价系统主页面中香型评价菜单，如图4所示。然后，按照
弹出菜单输入框提示，输入DXY010样品的决定香气类型的22种致香物质含量检测结果后，
点击提交数据。结果如图5所示：得到DXY010样本的香气类型为“清香型”。得到DXY010烟叶
样品的香气风格类型结果之后，如需进一步获取该烟叶样品的香气得分情况，请点击“继
续”，将出现烟草香气得分主成分物质含量输入页面，如图6所示。然后，按照弹出菜单输入
框提示，输入DXY010样品的决定香气得分的19种致香物质含量检测结果后，点击“提交数
据”。结果如图7所示：得到DXY010样本的香气得分为“4.4”。
在本实施例中，表1为筛选获得的22种香气分类的主成分因子，表2为筛选获得的
19种香气得分的主成分因子。
表1
序号
物质名称
序号
物质名称
X1
1-戊烯-3-酮
X40
β-大马酮
X3
3-甲基-1-丁醇
X43
香叶基丙酮
X4
吡啶
X49
巨豆三烯酮B
X5
3-甲基-2-丁烯醛
X55
肉豆蔻酸
X9
糠醇
X63
棕榈酸
X10
2-环戊烯-1，4-二酮
X7８
辛酸
X14
糠酸
X８0
草酸
X29
1-(3-吡啶基)-乙酮
X83
苹果酸
X31
氧化异佛尔酮
X84
柠檬酸
X36
2，3-二氢苯并呋喃
X89
硬脂酸
X3８
2-甲氧基-4-乙烯基苯酚
X91
莨菪亭
表2
序号
物质名称
序号
物质名称
X1
1-戊烯-3-酮
X54
肉豆蔻酸甲酯
X8
糠醛
X60
邻苯二甲酸二丁酯
X9
糠醇
X65
寸拜醇
X15
苯甲醛
X66
亚麻酸甲酯
X20
4-吡啶甲醛
X74
戊酸
X30
苯乙醇
X80
草酸
X40
β-大马酮
X８9
硬脂酸
X43
香叶基丙酮
X90
绿原酸
X44
β-紫罗兰酮
X91
莨菪亭
X47
二氢猕猴桃内酯
根据上述结果可看出，烤烟香型和品质判定的智能评价系统对烟叶香气风格类型
和香气得分的判定与图3中人工评吸结果基本一致，人工评吸结果为4.5，两者差值为0.1，
在误差允许范围之内。表明该系统能够客观、准确的判定烟叶的香气风格类型和香气得分，
可以作为卷烟原料配方中对烟叶原料进行香气风格类型和香气得分的判定。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作
用未超出本发明技术方案的范围时，均属于本发明的保护范围。