李石頭，廖 付，何文苗，張立立，帖金鑫，李永生，郝賢偉，田雨農(nóng)，畢一鳴，吳繼忠，王 輝，徐清泉

浙江中煙工業(yè)有限責任公司技術(shù)中心，杭州市西湖區(qū)科海路118 號 310024

卷煙的品質(zhì)和風格特色是產(chǎn)品設(shè)計人員通過對不同產(chǎn)地、品種、等級的煙葉進行配比而形成的。在某種原料用完后，需通過單料煙評吸、配方評吸等環(huán)節(jié)來確定替代煙葉或替代配方。煙葉替代及配方工作強度大、主觀性強，主要依賴于配方人員的經(jīng)驗積累及評吸判斷。若能通過儀器檢測方法，利用客觀數(shù)據(jù)來輔助配方，對提高卷煙質(zhì)量穩(wěn)定性有重要意義[1-4]。

近年來，近紅外光譜檢測技術(shù)以其快速、無損和低成本等優(yōu)點，在農(nóng)業(yè)、化工、食品等行業(yè)有廣泛的應(yīng)用[5]。利用近紅外光譜結(jié)合化學計量學方法，可以實現(xiàn)煙葉常規(guī)化學[6]、部位[7]、產(chǎn)地[8]的識別及風格特征分析[9]。然而，無論是化學指標模型或者光譜投影，僅能從部分角度對煙葉進行評價，在輔助配方工作中時有發(fā)生計算結(jié)果與配方人員的感官評價不符且難以解釋的現(xiàn)象。相似度是一種從整體上刻畫兩個圖譜一致性的方法，在化學領(lǐng)域常用于利用中紅外光譜或氣質(zhì)聯(lián)用色譜對化合物進行鑒定。

近紅外光譜沒有顯著的特征峰，且圖譜受基線、散射、噪聲等影響，因而對近紅外光譜相似方面的研究鮮有報道。本研究中，提出一種基于近紅外光譜相似表征煙葉相似的煙葉替代方法，通過光譜預(yù)處理與光譜相似算法的結(jié)合，抑制光譜中干擾因素的影響，旨在建立基于光譜相似的片煙相似、片煙組合相似的卷煙配方維護技術(shù)。

1 材料與方法

1.1 試驗材料

2015—2017 年用于卷煙配方的復(fù)烤片煙，包括我國的云南、四川、河南、湖南、湖北、貴州、山東、廣西、福建以及巴西、津巴布韋等產(chǎn)區(qū)，共計400個（由浙江中煙工業(yè)有限責任公司技術(shù)中心提供）。

1.2 測定方法

片煙樣本取樣后在低于50 ℃下烘干4 h 左右，直到可以用手指捻碎為準。利用Foss Cyclotec 1093旋風磨（丹麥福斯公司）進行磨粉，樣本粉末過60目（孔徑250 μm）篩。取適量煙末放入樣品杯中，取一固定質(zhì)量砝碼放置在樣品上方，使其自然壓實后進行近紅外掃描。近紅外光譜由美國TheromFisher公司Antaris II型傅里葉變換近紅外光譜儀采集，采集范圍為10 000～4 000 cm-1，光譜分辨率為8 cm-1；掃描次數(shù)為72次。為避免散射的影響，近紅外光譜進行了Savitzky-Golay（SG）平滑和標準正態(tài)校正處理。

1.3 光譜相似度計算

1.3.1 光譜預(yù)處理

儀器采集的近紅外光譜受基線、散射等影響，需進行適當?shù)念A(yù)處理才可計算光譜相似度[10]。常用的預(yù)處理方法有導(dǎo)數(shù)法[11]、多元散射校正（Multiplicative Scatter Correction，MSC）[12]、標準正態(tài)變量校正（Standard Normal Variate Correction，SNV）[13]等算法。一階導(dǎo)數(shù)譜和二階導(dǎo)數(shù)譜是紅外光譜預(yù)處理中的常用方法。通過求一階導(dǎo)數(shù)可以消除光譜中的常數(shù)項差異，例如常數(shù)性基線；二階導(dǎo)數(shù)譜可以消除光譜的一次項差異。MSC 和SNV 方法是常用的散射校正算法。兩種方法均假定光譜中含有一個乘性和一個加性干擾項，通過全譜來估計校正參數(shù)。這類方法的缺點是光譜中由物質(zhì)含量變化導(dǎo)致的光譜形變同樣被引入到校正參數(shù)的估計中，致使參數(shù)估計不準確。為此，使用局部校正（Localized Standard Normal Variate Correction，LSNV）來估計校正參數(shù)，從而得到更靈活的模型和更好的校正效果[14]。局部校正模型可以表示為：

其中：xj為第j 個波段的原始光譜；xjcorr表示第j個波段校正后的光譜；aj、bj分別代表第j 個波段的校正參數(shù)，j=1，2，…，k，k表示光譜波段數(shù)。圖1展示了局部校正效果，其中，a1…a5表示加性校正參數(shù)，b1…b5表示乘性校正參數(shù)。

圖1 局部校正算法（LSNV）示意圖Fig.1 Schematic diagram of localized standard normal variate correction algorithm

1.3.2 光譜相似度算法

（1）光譜相關(guān)映射Spectral correlation measure（SCM）[15]

光譜相關(guān)映射表征光譜形態(tài)的相似性，以相關(guān)系數(shù)的形式計算兩條光譜的相似度。

其中：n為光譜變量數(shù)；xi，yi為兩條光譜第i波數(shù)的吸光度值，i=1，2，…，n為光譜平均值。

（2）歐幾里得距離Euclidean distance measure（EDM）[16]

歐幾里得距離直接計算了歐氏空間中兩條光譜幅值（吸光度）的差異。將光譜假定為歐氏空間中的向量，光譜相似性轉(zhuǎn)化為向量之間距離大小。

其中：n為光譜變量數(shù)；xi，yi為兩條光譜第i波數(shù)的吸光度值，i=1，2，…，n。

（3）光譜信息散度Spectral information divergence（SID）[17]

散度源自于信息測度理論，每個光譜向量均可以視為具有概率統(tǒng)計特性的信息源，兩條光譜的概率pi、qi可以描述為：

兩條光譜的相對熵為：

其中：n為光譜變量數(shù)；xi，yi為兩條光譜第i波數(shù)的吸光度值，i=1，2，…，n；X，Y表示兩條近紅外光譜。

最后，根據(jù)兩條光譜之間的相對熵可得到光譜的信息散度（SID）：

SCM表征了光譜形態(tài)的相似性，相關(guān)性越大，說明光譜獨立程度越弱，相似性越高；EDM 衡量了光譜間的距離差異，距離越小，則光譜之間相似性越高；SID 將光譜看作是概率分布，通過衡量光譜之間的互信息大小確定兩條光譜之間的相似程度，散度越小，光譜相似度越高。相關(guān)性、距離和散度是相似性度量的幾種不同的表現(xiàn)形式，通過研究，采用涵蓋3 種度量的方式表征相似度（Spectral similarity，SS）[18]，SS越小，相似性越高。

1.4 輔助配方

近紅外光譜主要是對含氫基團X-H（X=C、N、O）振動的倍頻和合頻的吸收光譜，其中包含了煙葉中大多數(shù)類型有機化合物的組成和結(jié)構(gòu)信息，而煙葉風格和品質(zhì)特點主要由這些化學物質(zhì)及其含量決定的。近紅外光譜作為煙葉中各有機物的一種表征形式，基本可以從整體上反映煙葉的綜合品質(zhì)；基于光譜的物質(zhì)基礎(chǔ)，再通過合理的樣本選擇、光譜處理、特征波數(shù)選擇以及相似度算法，達到以光譜相似來表征煙葉相似的目的。

利用光譜相似進行煙葉替代分為兩個步驟，對于由多個片煙組成的被替代目標，不是直接求解一個多片煙擬合光譜與目標光譜相似，而是針對目標中的每一個片煙，用光譜相似的方式確定若干個備選片煙，再通過擬合光譜的方式找出與目標最相似的組合。

這種方式的優(yōu)點在于遵循了配方中“相似替代”的常用原則。對于目標中的每個片煙，都以光譜相似的形式，約束了其候選樣本在化學、部位、香型等方面與目標片煙的差異程度，從而保障了目標葉組與替代葉組在煙葉“配伍性”等方面的接近程度，最大限度地避免了計算相似但感官評價不相似的問題。在第二步中，通過計算機可以根據(jù)各個片煙候選集模擬出大量配方，再以相似度為依據(jù)篩選出與目標煙葉組合最接近的替代煙葉組合。

1.5 評價方法

1.5.1 三點評吸方法（Triangular Test）[19]

由10位從事煙葉原料及配方工作的評吸人員組成評價小組（10人均為男性，均獲得國家煙草質(zhì)量監(jiān)督檢驗中心頒發(fā)的感官評吸證書，并具有5年以上卷煙感官評吸經(jīng)驗）。通過人工卷制煙支，選取單支質(zhì)量為（860±70）mg 的煙支在平衡箱（濕度（60±2）%、溫度（20.0±0.5）℃）內(nèi)平衡24 h，然后采用三點評吸的方法進行感官評價。

1.5.2 描述評價方法

評吸人員組成和煙支樣品制備方法同1.5.1。采用企業(yè)煙葉質(zhì)量感官評價方法，由評價小組采用定量打分和文字描述相結(jié)合的方法對香氣質(zhì)、香氣量、刺激性、余味、成團性、雜氣、柔和性等方面進行評價打分，評分范圍為0～10 分。在每個樣本評價結(jié)束后，以10人評價小組的平均值作為該樣本各指標的分值。

2 結(jié)果與分析

2.1 光譜相似與煙葉相似

首先考察在不同預(yù)處理方式下，光譜相似與煙葉相似間的關(guān)系。對庫存片煙進行相似度的計算，利用公式7，對任意一個片煙，計算其與庫存所有片煙的光譜相似度。然后將計算結(jié)果按相似度大小排序，統(tǒng)計與目標片煙最接近的片煙在產(chǎn)地、部位、化學等指標的相似程度。

從表1 中可以看出，在不進行任何預(yù)處理時，相似片煙與目標片煙的產(chǎn)地、部位符合度分別只有57.3%和52.3%，主要化學成分總糖和煙堿的相對偏差分別為6.1%和9.9%。幾項指標的差異性都高于人的感官差異閾值。經(jīng)過預(yù)處理后，得到的相似片煙與目標片煙在各項指標的一致性都有提升，其中，使用一階導(dǎo)數(shù)+局部校正LSNV 的預(yù)處理方法結(jié)果最好，產(chǎn)地與部位符合度分別達到82.0%和75.7%。經(jīng)分析發(fā)現(xiàn)，產(chǎn)地不匹配的樣本常分布于云南、四川、貴州交界處，部位不匹配的樣本常由C4F等級構(gòu)成，其相似片煙為下部模塊。在化學成分含量方面，所提出的方法計算的相似片煙與目標片煙差異最小，因此，經(jīng)過恰當?shù)念A(yù)處理和計算，光譜相似可以在產(chǎn)地、部位、常規(guī)化學等方面表征煙葉相似。

表1 不同預(yù)處理方法下光譜相似與煙葉相似的關(guān)系Tab.1 Relationship between spectral similarity and tobacco similarity under different pre-processing methods （%）

2.2 單一煙葉替代

將2.1 中的相似度計算應(yīng)用于煙葉替代過程中。對某季度二類卷煙牌號A 進行庫存測算后，確定7 個需要替代的片煙（配方占比為35%）。對于每一個目標片煙，分別計算庫存400個片煙與其的光譜相似度，按相似度大小進行排序，分別給出一定數(shù)量的片煙候選集合。

通過設(shè)定一個經(jīng)驗的相似度閾值，可以篩選出每個目標片煙所選出的相似片煙。由于云南、貴州等地片煙較多，經(jīng)驗表明，7 個備選片煙基本能滿足替代要求。因此在相似片煙多于7個時，僅選擇相似度最高的7個片煙作為候選。經(jīng)統(tǒng)計，與目標片煙產(chǎn)地相符的比例為52.9%，部位相符的比例為76.5%。對于產(chǎn)地不符的相似片煙，往往來自于目標產(chǎn)地的相鄰省份。相鄰省份有著相近地理及氣候，其煙葉在風格及品質(zhì)上較為接近。

表2 中根據(jù)光譜相似篩選出片煙ZW15TLS 的相似片煙為2017 年和2015 年的津巴布韋片煙。通過調(diào)查發(fā)現(xiàn)，2016年津巴布韋由于氣候異常，導(dǎo)致煙葉生產(chǎn)異常，煙堿偏高，香氣減弱，刺激增大。因此，在相似度篩選中，算法判定2016 年津巴布韋煙葉與目標煙葉不在相似范圍內(nèi)。對于相似度算法篩選出的跨產(chǎn)區(qū)（省份）煙葉，如GZ14CDE 的備選煙葉CQ14CAQ。通過查閱片煙配方發(fā)現(xiàn)，GZ14CDE 煙葉主要來自貴州省德江縣，CQ14CAQ煙葉主要來自重慶酉陽縣，兩個縣區(qū)相距僅150千米，在環(huán)境氣候等方面較為相似。

表2 目標片煙及篩選出的相似片煙①Tab.2 Target strips and selected similar strips

在單一煙葉替代實際應(yīng)用中，配方人員對光譜相似篩選出的煙葉還會進行驗證，如表2 中YN16CDC 篩選出的第一相似片煙為GX17XBI，通過評吸發(fā)現(xiàn)，除勁頭和煙氣濃度外，在香氣量和香氣質(zhì)等方面，兩個樣本均有一定的差異，在配方人員的建議下，將GX17XBI刪除。這種通過光譜相似篩選片煙，然后經(jīng)過配方專家調(diào)整確認，刪除不恰當?shù)耐扑]目標的形式，可為下一步通過片煙組合模擬配方提供客觀合理的片煙原料。

2.3 模擬配方及篩選

實驗中，對表2中的相似片煙按目標片煙在卷煙配方中的使用比例進行模擬，在形成多個模擬配方后，按公式7計算模擬片煙組合與目標片煙組合間的相似程度并排序。實驗發(fā)現(xiàn)，單一片煙中相似度排序第一的候選片煙在片煙組合中并沒有出現(xiàn)在最接近的替代組合中。需替代的目標煙葉組合及篩選出的替代煙葉組合見表3。從結(jié)果看，除ZW15TLS 出現(xiàn)了多個候選外，其他片煙的候選基本確定且產(chǎn)地、部位與目標較為接近。其中，CQ14CAQ 替代GZ14CDE 的原因已在2.2 節(jié)中進行了分析，而SC16CDE 主要構(gòu)成為四川涼山煙葉，其備選的YN16CHA 主要構(gòu)成為云南煙葉，GZ17CEQ 主要構(gòu)成為貴州畢節(jié)煙葉。目標及備選煙葉產(chǎn)區(qū)相鄰，且都呈現(xiàn)清香型風格。

各個替代煙葉組合和目標煙葉組合的主要化學成分差異見表4。由表4可知，目標煙葉組合與替代煙葉組合的主要化學成分均較為接近，在總糖、煙堿、鉀、氯等指標上基本相同，僅在還原糖上略有差異。

表3 目標煙葉組合及篩選出的替代煙葉組合Tab.3 Target blended tobacco and selected substituted combination

表4 目標煙葉組合及篩選出的替代煙葉組合的主要化學成分差異Tab.4 Differences in main chemical components between target blended tobacco and selected substituted combination （%）

2.4 感官評價

根據(jù)2.3節(jié)分析，綜合考慮相似度排序及化學差異，選取了近紅外模擬配方中與目標接近的1號和2號模擬樣本，分別與目標樣本進行三點評價。三點評價中的原假設(shè)為：不可能根據(jù)特性強度來區(qū)別這兩個樣本。在這種情況下正確識別出單個樣本的概率為P=1/3。備擇假設(shè)：可以根據(jù)特性強度來區(qū)別這兩個樣本。在這種情況下正確識別出單個樣本的概率為P＞1/3。在兩組實驗中，正確識別出兩個相同樣本的人數(shù)均為3 人，利用二項式模型計算p 值為0.701，遠大于0.05。因此，接受原假設(shè)，認為評吸小組無法識別2個樣本間的差異。

對目標組合及兩個替代組合進行感官評價，結(jié)果見表5。評價結(jié)果表明：1號、2號樣本與目標樣本相比，感官質(zhì)量基本保持一致，個別指標略有變化，相比目標樣本，1 號樣本在香氣質(zhì)、香氣量上略有提升，柔和性略欠；2號樣本在香氣量上略欠，但成團性和柔和性較好。兩個樣本的差異均在感官質(zhì)量管控范圍內(nèi)，這個結(jié)果也與三點評價的結(jié)果相符。

表5 目標樣本和模擬樣本感官評價分析結(jié)果Tab.5 Sensory evaluation results of target samples and simulation samples

3 結(jié)論

①提出了一種基于近紅外光譜的煙葉替代方法。通過局部校正預(yù)處理及集成光譜相似度算法，排除了光譜中的基線、散射等干擾因素，實現(xiàn)了從光譜相似到煙葉相似的轉(zhuǎn)化。目標煙葉與相似煙葉的產(chǎn)地、部位符合度分別為82.0%、75.7%，總糖、煙堿等主要化學成分的平均差異小于5%。②基于上述算法，提出一種片煙相似+組合相似的卷煙配方維護方法，所選擇的替代配方在化學、感官方面與原配方無顯著差異。