Prediction Model of Sensory Quality of Cigar Raw Materials Based on BP Neural Network

doi:10.11924/j.issn.1000-6850.casb2024-0036

Abstract

Abstract:

By establishing BP neural network model, the relationship between conventional chemical components and sensory quality of cigar raw materials was explored, in order to predict sensory quality of cigar raw materials quickly and accurately. With the content of conventional chemical components in cigar leaves from Sichuan, Hubei, Yunnan, Hunan and Nicaragua as input variables and the sensory quality indexes of cigar raw materials as output variables, BP neural network models with topological structure of 6-9-1 were constructed respectively to predict the sensory quality evaluation results of cigar raw materials. The results showed that in the samples tested, the contents of total sugar, reducing sugar, nicotine and chlorine in cigar leaves from four major producing areas in China were higher than those of Nicaraguan tobacco leaves. Nicaraguan tobacco leaves scored higher in aroma quality and volume of aroma, Sichuan tobacco leaves scored lower in irritation, Hubei cigar leaves scored higher in aftertaste, Yunnan tobacco leaves scored lower in impurity, and Hunan tobacco leaves scored higher in combustibility and gray. In this study, the statistical characteristics of conventional chemical components and sensory quality indexes of cigar tobacco samples were good, basically following normal distribution. The difference between the predicted value and the actual value of the BP neural network model was small, among which the correlation coefficients of aftertaste, irritation, gray and total score were all above 0.9. Among the errors of the predicted and actual values of the training set, verification set and test set, except the error interval of the total score was large, the error interval of the remaining most indexes was more than 85% within the range of 0-0.5. The prediction model of the sensory quality of cigar materials established by BP neural network has a good fitting effect, which can be used to predict the sensory quality of cigar materials based on conventional chemical components, and promote the innovative development of Chinese cigar.

Key words: cigar raw materials, conventional chemical composition, sensory quality, BP neural network model, prediction model

HOU Bingqing, WANG Shuoli, ZHANG Youjie, CAO Yang, SHI Xiangdong, DING Songshuang, LIU Bingyang, WANG Yihui. Prediction Model of Sensory Quality of Cigar Raw Materials Based on BP Neural Network[J]. Chinese Agricultural Science Bulletin, 2024, 40(27): 126-133.

Figures/Tables 7

References 27

[1]	刘利平, 王剑, 潘勇, 等. 国产高端雪茄烟原料定制化生产模式探讨[J]. 现代农业科技, 2022,9:186-189.
[2]	罗菊英, 乔保明, 任永建, 等. 湖北来凤雪茄烟区气候生态适宜性分析[J]. 作物研究, 2023, 37(3):251.
[3]	蔡斌, 耿召良, 高华军, 等. 国产雪茄原料生产技术研究现状[J]. 中国烟草学报, 2019, 25(6):110-119.
[4]	李爱军, 秦艳青, 代惠娟, 等. 国产雪茄烟叶科学发展刍议[J]. 中国烟草学报, 2012, 18(1):112-114.
[5]	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(Z1):49-52.
[6]	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.
[7]	李峥, 王建峰, 程小强, 等. 基于BP神经网络的烤烟外观质量预测模型[J]. 西南农业学报, 2019, 32(3):653-658.
[8]	路晓崇, 李昊, 苏家恩, 等. 基于烤烟颜色特征构建烤烟感官质量预测模型[J]. 河南农业大学学报, 2016, 50(4):500-505.
[9]	国家烟草专卖局. YC/T 161-2002,烟草及烟草制品总氮的测定连续流动法[S]. 北京: 中国标准出版社, 2002.
[10]	国家烟草专卖局.YC/T 159-2019,烟草及烟草制品水溶性糖的测定连续流动法[S]. 北京: 中国标准出版社, 2019.
[11]	国家烟草专卖局.YC/T 160-2002,烟草及烟草制品总植物碱的测定连续流动法[S]. 北京: 中国标准出版社, 2002.
[12]	国家烟草专卖局.YC/T 162-2011,烟草及烟草制品氯的测定连续流动法[S]. 北京: 中国标准出版社, 2011.
[13]	国家烟草专卖局.YC/T 217-2007,烟草及烟草制品钾的测定连续流动法[S]. 北京: 中国标准出版社, 2007.
[14]	冯斌, 毛建中, 胡晖. 基于BP神经网络的条带刚凸特征回弹预测[J]. 锻压技术, 2020, 45(3):20-26. doi: 10.13330/j.issn.1000-3940.2020.03.004
[15]	刘秀英, 余俊茹, 刘长秀, 等. 基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算[J]. 西北林学院学报, 2022(6):1-8.
[16]	谭仲夏, 秦西云. 灰色关联分析方法在烟草内在质量评价上的应用[J]. 安徽农业科学, 2006(5):924,971.
[17]	朱命阳. 种植密度对贵阳烤烟生理生态指标及其品质效应的影响研究[D]. 郑州: 河南农业大学, 2012.
[18]	吴丽君, 张鸽, 陈晓娜, 等. 云南雪茄烟叶人工发酵过程中化学成分与细菌群落变化及其相关性分析[J]. 中国烟草学报, 2023, 29(4):124.
[19]	耿召良, 高华军, 李方友, 等. 国内外部分雪茄烟叶主要化学成分比较及聚类分析[J]. 热带作物学报, 2023, 44(9):1840-1853. doi: 10.3969/j.issn.1000-2561.2023.09.012
[20]	闫克玉. 烟草化学[M]. 郑州: 郑州大学出版社, 2014.
[21]	李爱军, 秦艳青, 范静苑, 等. 四川省发展雪茄烟叶生产的优势分析及对策[J]. 安徽农业科学, 2013, 41(7):3188-3189,3228.
[22]	金敖熙. 雪茄烟生产技术[M]. 北京: 轻工业出版社,1982.
[23]	刘利平, 王剑, 施友志, 等. 来凤县雪茄烟叶矿质元素与感官质量的关系分析[J]. 湖北农业科学, 2022, 61(18):100-102,158.
[24]	李东亮. 数据处理方法及其在烟草质量评价中的应用[M]. 郑州: 郑州大学出版社, 2014.
[25]	邓羽翔, 罗诚, 李东亮, 等. 基于BP神经网络的烟叶醇化感官质量仿真预测[J]. 食品与机械, 2020, 36(3):161-165.
[26]	彭黔荣, 杨敏, 石炎福, 等. 烟草香味物质的样品前处理和分析方法研究进展[J]. 香料香精化妆品, 2003(5):22-26.
[27]	杜文, 谭新良, 易建华, 等. 用烟叶化学成分进行烟叶质量评价[J]. 中国烟草学报, 2007(3):25.

指标	权重	评分标度
指标	权重	1~3	4~6	7~9
香气质	0.18	差至较差	稍好至尚好	较好至好
香气量	0.16	少至微有	稍有至尚足	较充足至充足
余味	0.16	滞舌至尚舒适	尚舒适至较舒适	较舒适至舒适
杂气	0.10	较明显至明显	稍明显至尚明显	无至微显
甜润感	0.10	无至微显	稍显著至尚显著	较显著至显著
刺激性	0.12	大至较大	有至稍有	微有至无
燃烧性	0.10	差至较差	稍好至尚好	较好至好
灰色	0.08	黑至黑灰	灰至灰白	灰白至白

指标	权重	评分标度
指标	权重	1~3	4~6	7~9
香气质	0.18	差至较差	稍好至尚好	较好至好
香气量	0.16	少至微有	稍有至尚足	较充足至充足
余味	0.16	滞舌至尚舒适	尚舒适至较舒适	较舒适至舒适
杂气	0.10	较明显至明显	稍明显至尚明显	无至微显
甜润感	0.10	无至微显	稍显著至尚显著	较显著至显著
刺激性	0.12	大至较大	有至稍有	微有至无
燃烧性	0.10	差至较差	稍好至尚好	较好至好
灰色	0.08	黑至黑灰	灰至灰白	灰白至白

常规化学成分/%	四川	湖北	云南	湖南	尼加拉瓜
总氮	3.51±0.04 a	3.13±0.10 c	3.49±0.06 a	3.30±0.03 ab	3.39±0.09 ab
总糖	0.41±0.01 b	0.56±0.02 a	0.53±0.02 a	0.47±0.02 b	0.29±0.02 c
还原糖	0.25±0.01 ab	0.29±0.01 a	0.24±0.01 ab	0.23±0.01 b	0.09±0.01 c
烟碱	2.08±0.05 bc	2.54±0.27 b	3.58±0.16 a	3.76±0.19 a	1.86±0.14 c
氯	0.89±0.01 b	1.35±0.10 a	0.81±0.06 bc	0.81±0.04 bc	0.71±0.08 c
钾	3.72±0.05 c	5.02±0.17 a	4.17±0.06 b	3.41±0.14 d	4.29±0.07 b

常规化学成分/%	四川	湖北	云南	湖南	尼加拉瓜
总氮	3.51±0.04 a	3.13±0.10 c	3.49±0.06 a	3.30±0.03 ab	3.39±0.09 ab
总糖	0.41±0.01 b	0.56±0.02 a	0.53±0.02 a	0.47±0.02 b	0.29±0.02 c
还原糖	0.25±0.01 ab	0.29±0.01 a	0.24±0.01 ab	0.23±0.01 b	0.09±0.01 c
烟碱	2.08±0.05 bc	2.54±0.27 b	3.58±0.16 a	3.76±0.19 a	1.86±0.14 c
氯	0.89±0.01 b	1.35±0.10 a	0.81±0.06 bc	0.81±0.04 bc	0.71±0.08 c
钾	3.72±0.05 c	5.02±0.17 a	4.17±0.06 b	3.41±0.14 d	4.29±0.07 b

常规化学成分/%	样本数量	平均值/%	标准差	偏度	峰度	最小值	最大值
总氮	171	3.41	0.36	0.54	0.11	2.77	4.39
总糖	171	0.44	0.14	-0.14	0.77	0.13	0.74
还原糖	171	0.21	0.10	0.25	0.12	0.02	0.48
烟碱	171	2.97	1.31	0.58	0.76	0.97	5.81
氯	171	0.83	0.33	0.75	0.19	0.30	1.74
钾	171	3.89	0.75	-0.48	0.07	2.22	5.66