基于机器学习的烟叶自动分类研究.pdf

2024年第4期论文选粹

基于机器学习的烟叶自动分类研究

薛新

（上海景芃信息科技有限公司，上海市201102）

摘要针对传统烟叶分类方法依赖经验且缺乏一致性的问题，提出一种基于NIRS（近

红外光谱）技术的客观评级方法。通过对广东地区六种不同等级烟叶的光谱数据进行系统

采集和分析，对比决策树和随机森林两种机器学习模型的分类性能，着重分析数据预处理

和特征工程对模型性能的影响。

关键词AI（人工智能）；NIRS（近红外光谱）；机器学习；数据预处理；特征工程；决

策树；随机森林

杂数据集时

测和患者数据分析，证明了其在处理复

0引言

的高效性与准确性。在烟叶分类中，这些方法同样可

烟叶作为卷烟产业的基本原料，其品质直接影以显著减少人工评估的主观性，提高评级的一致性

响到最终产品的口感与质量。因此，烟叶的分类和评和效率。

级过程是卷烟生产中至关重要的一环。传统的烟叶尽管机器学习在许多领域已经展示了强大的能

分类方法是依赖经验丰富的工人通过观察和手感来力，但是如何处理数据并调优算法，并使其达到最优

进行，这不仅费时费力，而且常常受到主观判断的影化的效果，仍然是一个值得深入研究的问题。本研究

在通过详细的分析，为烟叶行业提供一种更为科

响，缺乏可重复性和稳定性。随着技术的发展，NIRS旨

（近红外光谱）技术因其快速、无损和可靠的特点被学和标准化的评估方法，实现精准分类和优质原料

引入到烟叶分类中，为提高分类准确性和效率提供的快速筛选，从而提升整个卷烟产业的生产效率和

了新的可能。产品质量。

NIRS技术利用物质吸收近红外光波段的特性

1烟叶NIRS数据采集

来获取样品的化学和物理信息，已被广泛应用于农

业、食品及医药行业中的物质分析与分类。然而，光本次研究选取了广东地区的6种不同等级的初

谱数据本身由于受到各种噪声的干扰以及设备的限烤烟样本，等级包括B1F、B2F、B3F、C2F、C3F和

制，往往需要通过有效的数据预处理来提高其对后X2F。每片烟叶从叶尖至叶柄均匀地各取3点进行

续机器学习模型的适应性和分类准确度。剪切并测量，每个点扫描得到1条光谱。具体光谱数

机器学习，尤其是决策树和随机森林算法，因出量如下：B1F%108条，B2F%84条，B3F%84条，C2F%66

色的分类性能和良好的解释性，已经成为处理此类条，C3F%78条，X2F%108条。总计528条光谱数据被

数据的有力工具。决策树通过构造一个树形结构来用于后续的分析。

模拟决策过程，而随机森林则通过构建多个决策树使用的仪器为MPA傅里叶变换近红外光谱仪

并进行集成学习以提高预测的准确性和稳定性