基于化學(xué)成分和外觀鑒定的山東煙葉 感官評吸質(zhì)量研究

張艷艷，代 琛，趙百英，楊明峰，王麗麗，武 博，楊 杰，戴金鋒，張本強*

（1.中國煙草總公司 青州中等專業(yè)學(xué)校，山東 青州 262500；2.山東中煙工業(yè)有限責(zé)任公司 山東 濟南 250014；3.山東臨沂煙草有限公司，山東 臨沂 276001；4.山東濰坊煙草有限公司，山東 濰坊 262100）

【研究意義】煙葉外觀質(zhì)量在一定程度上代表煙葉的內(nèi)在質(zhì)量，通過外觀質(zhì)量判定煙葉質(zhì)量是目前煙葉生產(chǎn)、收購和使用過程中的最直接、最主要的手段。近年來，煙葉外觀質(zhì)量量化評價體系得以完善[1]，并被應(yīng)用到煙葉質(zhì)量評價之中[2-3]。【前人研究進展】前人對煙葉化學(xué)成分和感官質(zhì)量間的相關(guān)性有一定報道[4-8]。另一方面，煙葉的常規(guī)化學(xué)成分含量由于客觀性強，數(shù)據(jù)易得，在煙葉質(zhì)量的一致性評價中得到了較多的研究。徐澤桐等[9]基于烤煙化學(xué)成分與感官質(zhì)量兩個方面建立模型，對陜西煙區(qū)的煙葉質(zhì)量執(zhí)行了綜合評價。杜文等[10]采用化學(xué)成分指標對批次煙葉進行質(zhì)量一致性研究。杜詠梅等[11]進行了水溶性糖、煙堿、總氮3個指標與烤煙吃味品質(zhì)關(guān)系的研究。

【本研究切入點】由于煙葉的外觀特征和化學(xué)成分易受氣候、地域等諸多因素影響，故在不同煙區(qū)呈現(xiàn)一定的差異性[12]。目前，尚缺乏山東煙葉在外觀、成分和評吸質(zhì)量之前的相關(guān)性研究。【擬解決的關(guān)鍵問題】本研究基于2019年山東煙區(qū)臨沂、濰坊、日照3個產(chǎn)區(qū)各3個代表性站點的煙葉樣本，對于煙葉化學(xué)成分、外觀鑒定和煙葉質(zhì)量風(fēng)格感官評吸3個方面的特征進行了相關(guān)性分析，旨在探尋各因素之間的關(guān)聯(lián)性，以期為探索煙葉風(fēng)味特征、外觀特征和化學(xué)成分三者之間的關(guān)聯(lián)性提供理論依據(jù)，為后續(xù)山東煙區(qū)的煙葉智能分級體系的建立和發(fā)展奠定理論基礎(chǔ)。

1 材料和方法

1.1 試驗材料及儀器

取2019年山東煙區(qū)臨沂、濰坊、日照3個產(chǎn)區(qū)各3個代表性站點，每個站點取18個等級（X1F、X2F、X3F、X1L、X2L、X3L、C2F、C3F、C4F、C2L、C3L、C4L、B2F、B3F、B4F、B2L、B3L、B4L）煙葉樣品。儀器為近紅外光譜儀（丹麥Foss 2050）。

1.2 測定指標及方法

對各等級煙葉的成熟度、葉片結(jié)構(gòu)、身份、油分、色度進行量化打分，并對所取樣品進行常規(guī)化學(xué)成分測定和感官評吸。研究采用Excel2019對數(shù)據(jù)進行整理，采用pandas、Jupyter進行數(shù)據(jù)預(yù)處理，采用R對數(shù)據(jù)進行統(tǒng)計分析及可視化，采用Keras進行神經(jīng)網(wǎng)絡(luò)建模，采用Random Forest Regressor進行隨機森林建模。

1.3 數(shù)據(jù)統(tǒng)計與分析

采用Excel2019對數(shù)據(jù)進行整理，采用pandas進行數(shù)據(jù)清洗，去掉空缺大于20%的列，然后去掉存在缺失值的行。采用R計算Spearman相關(guān)系數(shù)，并進行可視化。P＜0.05表示存在顯著相關(guān)性。相關(guān)性系數(shù)熱圖中僅顯示存在顯著相關(guān)性的點。

2 結(jié)果與分析

2.1 各測量指標特征分析

由表1可知，山東煙區(qū)煙葉各指標變異系數(shù)總體較大。在選取的39個定量特征中，除顏色、成熟度、燃燒性、灰分、干草香3個特征外，其余特征變異系數(shù)均在10%以上。其中，變異系數(shù)最小的為顏色和成熟度兩個外觀特征，其大小分別為2.034%和2.35%。變異系數(shù)最大的3個特征為鉀氯比、糖堿比和兩糖差，其大小分別為33.439%，34.433%和58.988%。在所有選取的特征中，約一半(19/39)偏度系數(shù)大于0，屬正偏峰；剩余約一半的特征屬負偏峰。各特征數(shù)據(jù)總體分布較為分散，除兩糖差、余味、燃燒性、淀粉百分比、烘焙香、鉀氯比、辛香、甜度8個特征外，其余特征峰度系數(shù)均小于0。

表1 各測量指標特征

2.2 化學(xué)成分與煙葉質(zhì)量風(fēng)格感官評吸相關(guān)性分析

由圖1可知，糖堿比和氯堿比與煙葉主要質(zhì)量風(fēng)格評吸指標間存在顯著負相關(guān)；兩糖差與烘焙香之間存在顯著正相關(guān)，但是與勁頭、焦香、典型香之間存在顯著負相關(guān)，與辛香、焦甜香、余味、雜氣、刺激性、蜜甜香之間無顯著關(guān)聯(lián)。

圖1 化學(xué)成分與煙葉質(zhì)量風(fēng)格感官評吸相關(guān)性分析

2.3 外觀特征與煙葉質(zhì)量風(fēng)格感官評吸相關(guān)性分析

由圖2可知，主要外觀特征評分值均與煙葉質(zhì)量風(fēng)格感官評吸總分間存在顯著正相關(guān)。其中，色度與香氣質(zhì)、香氣量、透發(fā)性、甜度間存在顯著正相關(guān)，與烘焙香、木香、干草香之間無顯著相關(guān)性。勁頭、濃度與葉片結(jié)構(gòu)間存在顯著負相關(guān)。

圖2 外觀特征與煙葉質(zhì)量風(fēng)格感官評吸相關(guān)性分析

2.4 煙葉化學(xué)成分與外觀特征相關(guān)性分析

由圖3可知，煙葉顏色評分與氯堿比和氯含量之間存在顯著負相關(guān)，與還原糖含量呈顯著正相關(guān)，與其他主要化學(xué)成分指標之間無顯著關(guān)聯(lián)。同時，色度、油分、身份、成熟度也與氯堿比呈顯著負相關(guān)。

圖3 煙葉化學(xué)成分與外觀特征相關(guān)性分析

2.5 基于Wide&Deep神經(jīng)網(wǎng)絡(luò)的煙葉品吸評分預(yù)測

2.5.1 數(shù)據(jù)預(yù)處理研究中，首先采用Excel對數(shù)據(jù)進行預(yù)處理，規(guī)范數(shù)據(jù)格式，分別整理出2020年及2019年煙葉的主要化學(xué)成分特征及品吸評分總分，并采用Pandas對數(shù)據(jù)進行簡單預(yù)分析。嘗試依據(jù)總分劃分等級，采用隨機森林算法訓(xùn)練分類器，但分類效果不理想。

針對2020年及2019年匯總并清洗后的246條記錄，按照3:1的比例隨機劃分訓(xùn)練集和測試機，并將訓(xùn)練集依據(jù)3:1的比例進一步隨機劃分為訓(xùn)練集和驗證集。

圖4 數(shù)據(jù)預(yù)分析散點圖矩陣

表2 數(shù)據(jù)總體特征分析

2.5.2 神經(jīng)網(wǎng)絡(luò)建模首先，嘗試采用keras建立三層BP神經(jīng)網(wǎng)絡(luò)，隱藏層包括30個神經(jīng)元，激勵函數(shù)選擇ReLU函數(shù)，迭代訓(xùn)練20次，訓(xùn)練出的模型擬合效果欠佳。

圖5 人工神經(jīng)網(wǎng)絡(luò)模型

采用keras重新建立Wide-Deep神經(jīng)網(wǎng)絡(luò)模型，該模型包括兩個隱藏層，這兩個隱藏層分別包含300個和30個神經(jīng)元，神經(jīng)元激勵函數(shù)為ReLU函數(shù)；為保證對離群點的魯棒性，損失函數(shù)選擇Huber Loss函數(shù)。在隱藏層之后將隱藏層輸出與輸入層進行合并，然后連接到輸出層。

使用訓(xùn)練集和驗證集對該模型進行50次迭代訓(xùn)練，損失函數(shù)最終收斂為5.2左右，收斂性良好。采用測試機對模型進行評估，最終損失值的均標準差約為5.38，說明模型泛化性良好。該模型依據(jù)煙葉的基本化學(xué)成分指標，能夠?qū)熑~的品吸評分總分進行較好的預(yù)測。

圖6 損失函數(shù)收斂情況

3 結(jié)論與討論

在山東煙區(qū)煙葉的18個煙葉等級、6個外觀特征、12個化學(xué)成分指標和21個煙葉質(zhì)量風(fēng)格感官評吸指標中，兩兩比較，共有741個指標對。其中，約54%的指標對（402/741）間呈顯著相關(guān)（P＜0.05），約44%的指標對（327/741）間呈極顯著相關(guān)（P＜0.01）。煙葉外觀特征可在一定程度上反應(yīng)化學(xué)成分，同時兩者與感官風(fēng)格特征關(guān)系較為密切，研究結(jié)果與陳健等[13]、蔡憲杰等[14]和郭文等[15]以C2F為對象在不同區(qū)域定性研究結(jié)果基本一致。這提示了使用煙葉外觀特征和主要化學(xué)成分含量預(yù)測山東煙葉質(zhì)量品質(zhì)的可行性。但本研究僅以2019年樣本數(shù)據(jù)為研究對象，不同年份山東煙葉外觀特征和化學(xué)成分含量與感官質(zhì)量的關(guān)系還有待進一步研究與驗證。

目前煙葉智能分級以開發(fā)圖像識別系統(tǒng)為主，系統(tǒng)指標多為煙葉的顏色、色度、破損度、葉行等多方面的外觀特征。經(jīng)試驗，部分系統(tǒng)可靠性已接近人工分級水平[16]。本文研究結(jié)果表明，在山東煙區(qū)煙葉主要化學(xué)成分含量、煙葉外觀特征與煙葉質(zhì)量風(fēng)格感官評吸分數(shù)共39個指標間，54%的指標對存在顯著相關(guān)性。研究首次利用寬深神經(jīng)網(wǎng)絡(luò)模型對煙葉品吸評分進行預(yù)測，結(jié)果表明能夠使用煙葉的基本化學(xué)成分指標對煙葉品吸品質(zhì)的評分進行預(yù)測，預(yù)測損失在5分左右。這為增加智能分級系統(tǒng)指標參數(shù)提供了有益參考。圍繞優(yōu)化智能分級系統(tǒng)以提高分級準確率和效果，如何選擇合適的指標參數(shù)以應(yīng)用于山東煙區(qū)煙葉智能分級將開展進一步研究。

受制于專家品吸打分的主觀性及樣本數(shù)量的限制，預(yù)測分數(shù)與專家的打分仍存在一定的差異，未來對此有待進一步研究。