JOURNAL OF LIGHT INDUSTRY

CN 41-1437/TS  ISSN 2096-1553

×
《轻工学报》严正声明

基于RFECV-RF-Boosting的烟叶感官质量预测研究

王龙鑫 ,  冯文宁 ,  崔扶芸 ,  刘波 ,  赵晖 ,  申玉军 ,  张渤海 ,  来苗

downloadPDF
王龙鑫, 冯文宁, 崔扶芸, 等. 基于RFECV-RF-Boosting的烟叶感官质量预测研究[J]. 轻工学报.
引用本文: 王龙鑫, 冯文宁, 崔扶芸, 等. 基于RFECV-RF-Boosting的烟叶感官质量预测研究[J]. 轻工学报.
shu
WANG Longxin, FENG Wenning, CUI Fuyun, et al. Sensory quality prediction of tobacco leaves based on RFECV-RF-Boosting[J]. Journal of Light Industry.
Citation: WANG Longxin, FENG Wenning, CUI Fuyun, et al. Sensory quality prediction of tobacco leaves based on RFECV-RF-Boosting[J]. Journal of Light Industry.
shu

基于RFECV-RF-Boosting的烟叶感官质量预测研究

  • 1. 河南农业大学 烟草学院, 河南 郑州 450002;

  • 2. 河北中烟工业有限责任公司 技术中心, 河北 石家庄 050051;

  • 3. 中国烟草总公司郑州烟草研究院, 河南 郑州 450001

    • 作者简介: 王龙鑫(2000—),男,河南省郑州市人,河南农业大学硕士研究生,主要研究方向为烟叶质量评价。E-mail:wlx17838722310@163.com;
    通讯作者: 冯文宁,fengwn@126.com

  • 基金项目: 河北中烟工业有限责任公司重点科技项目(HBZY2024A047)
    河南省自然科学基金项目(232300421257)

  • 中图分类号: TS411

Sensory quality prediction of tobacco leaves based on RFECV-RF-Boosting

  • 1. College of Tobacco Science, Henan Agricultural University, Zhengzhou 450002, China;

  • 2. Technology Center, China Tobacco Hebei Industrial Co., Ltd., Shijiazhuang 050051, China;

  • 3. Zhengzhou Tobacco Research Institute of CNTC, Zhengzhou 450001, China

    • Corresponding author: FENG Wenning, fengwn@126.com
  • Received Date: 2025-07-09
    Accepted Date: 2025-09-30
    Available Online: 2026-05-09

    CLC number: TS411

  • 摘要: 【目的】解决烟叶感官质量评价中存在的主观性强、数据获取困难等问题,实现基于数字化分析对烟叶感官质量的精准定量预测。【方法】以河南、湖南、云南和贵州4个典型风格产区的264份烟叶为研究对象,开展化学成分检测与感官质量评价,经化学指标间相关性分析剔除冗余后,采用基于随机森林的交叉验证递归特征消除方法(RFECV-RF)对各感官指标筛选最优特征子集,再分别采用极端梯度提升(XGBoost)、分类梯度提升(CatBoost)和轻量级梯度提升机(LightGBM)3种经典梯度提升(Boosting)算法,经五折交叉验证优化超参数后建立9项感官指标预测模型。【结果】1)化学指标相关性分析剔除总糖、糖碱比、钾氯比和棕榈酸4项化学成分指标,保留总糖、还原糖、烟碱等25项化学成分指标用于后续建模。2) RFECV-RF特征筛选选取各感官指标对应的最佳特征组,明确总氮、还原糖、钾和烟碱是影响烟叶感官质量的关键化学成分,其交叉验证的均方根误差(RMSE)均低于全特征集模型,有效降低模型复杂度,显著提升预测精度。3)最优算法下各感官指标决定系数(R2)为0.711 3~0.894 0,RMSE为0.084 5~0.140 4,平均绝对百分比误差(MAPE)为1.06%~1.70%,均取得了良好且稳定的预测效果。【结论】本文预测模型框架可实现烟叶感官质量高精度的量化预测,为卷烟产品数字化配方设计与品质控制提供了参考。
    Abstract: 【Objective】 To address the challenges of subjectivity and data acquisition difficulties in tobacco leaf sensory quality evaluation, and to achieve precise quantitative prediction of tobacco leaf sensory quality based on digital analysis. 【Methods】 A total of 264 tobacco leaf samples from four typical producing regions in China—Henan, Hunan, Yunnan, and Guizhou—were selected for chemical composition analysis and sensory quality evaluation. After removing redundant variables through correlation analysis of chemical indicators, RFECV-RF was used to select the optimal feature subsets for each sensory attribute. Three classic boosting algorithms—XGBoost, CatBoost, and LightGBM—were applied, with hyperparameters optimized using five-fold cross-validation within the Optuna framework to build prediction models for nine sensory attributes. 【Results】 1) Correlation analysis of chemical indices removed four chemical constituent indices, namely total sugar, sugar-to-nicotine ratio, potassium-to-chlorine ratio, and palmitic acid, and retained 25 chemical composition indices, including reducing sugar and nicotine, for subsequent modeling. 2) RFECV-RF feature selection identified the optimal feature subset for each sensory attribute, and further demonstrated that total nitrogen, reducing sugar, potassium, and nicotine were the key chemical constituents affecting tobacco leaf sensory quality. Except for “impact”, the root mean square error ( RMSE) obtained by cross-validation was lower than that of the full-feature model, indicating that feature selection effectively reduced model complexity and improved prediction accuracy. 3) Under the optimal algorithm, the coefficient of determination (R2) for the sensory attributes ranged from 0. 711 3 to 0. 894 0, the RMSE ranged from 0. 084 5 to 0. 140 4, and the mean absolute percentage error (MAPE) ranged from 1. 06% to 1. 70%, indicating good and stable predictive performance. 【Conclusion】 The prediction model framework enables high-precision quantification of tobacco leaf sensory quality. The research result provide aa reference for the digital formulation design and quality control of cigarette products.
    1. [1]

      王龙鑫 , 冯文宁 , 崔扶芸 , 刘波 , 赵晖 , 申玉军 , 张渤海 , 来苗 . 基于RFECV-RF-Boosting的烟叶感官质量预测研究. 轻工学报, doi: 10.12187/2026.03.010

    2. [2]

      张建栋 , 杨忠泮 , 吴恋恋 , 徐大勇 , 朱萍 , 张雯晶 , 堵劲松 . 基于高光谱成像及机器学习的烟叶糖料液施加量判别模型. 轻工学报, doi: 10.12187/2024.05.010

    3. [3]

      杨天卓 , 何晋 , 吴恋恋 , 戴永生 , 易斌 , 李华杰 , 张二强 , 堵劲松 . 基于高光谱成像的烟丝掺配比例检测研究. 轻工学报, doi: 10.12187/2025.03.013

    4. [4]

      邹华 , 潘圆 , 强海清 , 孟展 , 尹小丽 , 谷惠文 . 基于HPLC-DAD三维色谱指纹图谱的国产赤霞珠红葡萄酒产地识别研究. 轻工学报, doi: 10.12187/2026.03.002

    5. [5]

      王骏 , 蒋健 , 赵亮 , 徐建 , 胡安福 , 金一骁 , 丁宁 , 蔡铭 . 4种光源辐照对烟叶颜色及关键化学成分的影响. 轻工学报,

    6. [6]

      王骏 , 蒋健 , 赵亮 , 徐建 , 胡安福 , 金一骁 , 丁宁 , 蔡铭 . 4种光源辐照对烟叶颜色及关键化学成分的影响. 轻工学报, doi: 10.12187/2025.05.009

    7. [7]

      吴启贤 , 陈子杰 , 崔要强 , 伍锦鸣 , 赵谋明 , 任胜超 , 冯云子 . 不同产地烟叶碱提香料卷烟加香效果及化学成分差异分析. 轻工学报, doi: 10.12187/2025.01.012

    8. [8]

      卢晓波 , 徐海 , 朱俊召 , 张宇 , 谭健 , 高冠男 , 胡军华 , 林龙 . 基于机器视觉的加热卷烟烟支端部质量检测系统设计. 轻工学报,

    9. [9]

      卢晓波 , 徐海 , 朱俊召 , 张宇 , 谭健 , 高冠男 , 胡军华 , 林龙 . 基于机器视觉的加热卷烟烟支端部质量检测系统设计. 轻工学报, doi: 10.12187/2024.06.012

    10. [10]

      陈浩冉 , 冯文宁 , 刘伟 , 王刘胜 , 李欣燕 , 李媛媛 , 赵铭钦 . 基于GC-IMS与电子感官的不同产地百里香特征风味物质分析. 轻工学报, doi: 10.12187/2026.04.002

    11. [11]

      冯永新 , 崔英 , 李科都 , 张腾健 , 卢敏瑞 , 王芳 , 杨阳 , 李萌 . 打辊工艺对翠碧一号上部烟叶打叶质量和出片率的影响. 轻工学报, doi: 10.12187/2025.01.010

    12. [12]

      程传玲 , 杨淑萌 , 李洪涛 , 管仕栓 , 于存峰 , 黎桂豪 , 郑力文 , 张新龙 . 重加里料结合高温烘焙对山东低次烟叶理化特性及感官品质的影响. 轻工学报, doi: 10.12187/2026.02.007

    13. [13]

      张雷 , 马永帅 , 洪斌斌 , 熊开胜 , 徐大勇 , 堵劲松 , 李银华 , 邹泉 . 一种改进OSELM算法在片烟复烤过程水分在线检测中的应用. 轻工学报, doi: 10.12187/2025.03.011

    14. [14]

      刘又维 , 吴晓炯 , 张齐 , 斯勇 , 何晋 , 李辉 , 颜晓冬 . 不同特性烟丝应力松弛性能的特征规律研究. 轻工学报, doi: 10.12187/2026.02.013

    15. [15]

      务文涛 , 杨春强 , 崔凯 , 史清照 , 董振山 , 徐石磊 , 李炎强 , 张文娟 . 基于感官导向的苹果浓缩汁膜分离精加工产品开发. 轻工学报,

    16. [16]

      务文涛 , 杨春强 , 崔凯 , 史清照 , 董振山 , 徐石磊 , 李炎强 , 张文娟 . 基于感官导向的苹果浓缩汁膜分离精加工产品开发. 轻工学报, doi: 10.12187/2025.05.008

    17. [17]

      田然 , 宁玥 , 栾宏伟 , 步营 , 朱文慧 , 靳林溪 , 李学鹏 , 励建荣 . 定向酶解对杂色蛤蒸煮液风味特征及挥发性有机化合物的影响. 轻工学报, doi: 10.12187/2026.02.005

    18. [18]

      郑巧文 , 孙怡宁 , 邓玮亮 , 陈小乐 , 陈坤锥 , 覃威铭 , 申迎宾 , 张磊 . 喀什“新新2号”核桃油组成特征及其在HepG2细胞中调节脂质代谢与抗氧化活性评价. 轻工学报, doi: 10.12187/2026.03.004

    19. [19]

      申迎宾 , 邓玮亮 , 陈小乐 , 陈坤锥 , 李勇 , 张永 , 张磊 . 沙棘酚类化合物化学组成及其生物活性研究进展. 轻工学报, doi: 10.12187/2026.02.001

    20. [20]

      胡安福 , 金一骁 , 孙通 , 夏骏 , 许汇锋 , 陈玲红 , 王凯歌 , 蒋健 . 通风孔数对加热卷烟气溶胶逐口粒径及化学组分释放影响. 轻工学报, doi: 10.12187/2026.04.006

  • 加载中
WeChat 点击查看大图
计量
  • PDF下载量:  4
  • 文章访问数:  4633
  • 引证文献数: 0
文章相关
  • 通讯作者:  冯文宁, fengwn@126.com
  • 收稿日期:  2025-07-09
  • 修回日期:  2025-09-30
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索
王龙鑫, 冯文宁, 崔扶芸, 等. 基于RFECV-RF-Boosting的烟叶感官质量预测研究[J]. 轻工学报.
引用本文: 王龙鑫, 冯文宁, 崔扶芸, 等. 基于RFECV-RF-Boosting的烟叶感官质量预测研究[J]. 轻工学报.
shu
WANG Longxin, FENG Wenning, CUI Fuyun, et al. Sensory quality prediction of tobacco leaves based on RFECV-RF-Boosting[J]. Journal of Light Industry.
Citation: WANG Longxin, FENG Wenning, CUI Fuyun, et al. Sensory quality prediction of tobacco leaves based on RFECV-RF-Boosting[J]. Journal of Light Industry.
shu

基于RFECV-RF-Boosting的烟叶感官质量预测研究

    作者简介:王龙鑫(2000—),男,河南省郑州市人,河南农业大学硕士研究生,主要研究方向为烟叶质量评价。E-mail:wlx17838722310@163.com
    通讯作者: 冯文宁, fengwn@126.com
  • 1. 河南农业大学 烟草学院, 河南 郑州 450002;
  • 2. 河北中烟工业有限责任公司 技术中心, 河北 石家庄 050051;
  • 3. 中国烟草总公司郑州烟草研究院, 河南 郑州 450001
  • 收稿日期: 2025-07-09
  • 录用日期: 2025-09-30
  • 网络出版日期: 2026-05-09
基金项目:  河北中烟工业有限责任公司重点科技项目(HBZY2024A047)河南省自然科学基金项目(232300421257)

摘要: 【目的】解决烟叶感官质量评价中存在的主观性强、数据获取困难等问题,实现基于数字化分析对烟叶感官质量的精准定量预测。【方法】以河南、湖南、云南和贵州4个典型风格产区的264份烟叶为研究对象,开展化学成分检测与感官质量评价,经化学指标间相关性分析剔除冗余后,采用基于随机森林的交叉验证递归特征消除方法(RFECV-RF)对各感官指标筛选最优特征子集,再分别采用极端梯度提升(XGBoost)、分类梯度提升(CatBoost)和轻量级梯度提升机(LightGBM)3种经典梯度提升(Boosting)算法,经五折交叉验证优化超参数后建立9项感官指标预测模型。【结果】1)化学指标相关性分析剔除总糖、糖碱比、钾氯比和棕榈酸4项化学成分指标,保留总糖、还原糖、烟碱等25项化学成分指标用于后续建模。2) RFECV-RF特征筛选选取各感官指标对应的最佳特征组,明确总氮、还原糖、钾和烟碱是影响烟叶感官质量的关键化学成分,其交叉验证的均方根误差(RMSE)均低于全特征集模型,有效降低模型复杂度,显著提升预测精度。3)最优算法下各感官指标决定系数(R2)为0.711 3~0.894 0,RMSE为0.084 5~0.140 4,平均绝对百分比误差(MAPE)为1.06%~1.70%,均取得了良好且稳定的预测效果。【结论】本文预测模型框架可实现烟叶感官质量高精度的量化预测,为卷烟产品数字化配方设计与品质控制提供了参考。

English Abstract

相关文章 (20)

目录

/

返回文章

网站版权 © 轻工学报编辑部

地址：河南省郑州市科学大道136号邮编：450001

本系统由北京仁和汇智信息技术有限公司开发 技术支持： info@rhhz.net