Определение качества табака дымовой сушки на основе спектроскопии комбинационного рассеяния света

Предложен метод быстрой идентификации качества табака дымовой сушки, основанный на спектроскопии комбинационного рассеяния света (КР). С учетом критических факторов качества (содержания табачного масла, мягкости и глянцевитости) четыре статистических метода — случайного леса, k-ближайших соседей, логистической регрессии и частичных наименьших квадратов — могут эффективно повысить точность определения качества. После анализа 149 образцов табака из нескольких районов Китая методом КР-спектроскопии выполнены сглаживание свертки Савицкого–Голея и коррекция множественного рассеяния. Функциональные группы проанализированы для выбора характерных пиков в качестве признаков для дискриминантного анализа. Показано, что КР-спектроскопия позволяет определить качество табака дымовой сушки с точностью >95%, в то время как метод частичных наименьших квадратов обеспечивает точность 100%. КР-спектроскопия является важным методом определения качества табака дымовой сушки. 

1. Y. Liu, J. Que, L. J. Yu, et al., Chin. Agric. Sci. Bull., 29, No. 22, 83–89 (2013).

2. Q. Bao, Y. Zhang, A. G. Wang, et al., Tobacco Sci. Technol., 48, No. 7, 14–19 (2015).

3. G. F. Li, Study on the Material Basis of Tobacco Oil, Zhengzhou University (2015).

4. H. L. Jiang, K. Peng, Y. Zhang, et al., Chin. Tobacco Sci., 40, No. 2, 80–86 (2019).

5. China Tobacco Production, Purchase and Marketing Corporation. Training Materials for Mational Standards of Flue-cured Tobacco Grading, Beijing, China Standards Press, 39–40 (2005).

6. W. T. Wang, H. Zhang, Y. Yuan, et al., AAPS Pharm. Sci. Tech., 19, No. 7, 2921–2928 (2018).

7. J. N. Chen, S. Ye, D. M. Dong, Laser J., 39, No. 9, 25–29 (2018).

8. B. Ranjan, Y. Saito, P. Verma, Appl. Phys. Express, 9, No. 3, 032401 (2016).

9. R. Galli, G. Pressse, C. Schnabel, et al., PloS One, 13, No. 2, 334 (2018).

10. Y. L. Jy, H. P. Jin, M. Hyoyoung, et al., Food Chem., 254, 109–114 (2018).

11. M. M. Hassan, M. Zareef, Y. Xu, et al., Food Chem., 344, 128652 (2020).

12. C. K. A. Nyamekye, J. M. Bobbitt, Q. Zhu, et al., Anal. Bioanal. Chem., 412, No. 24, 6009 (2020).

13. L. Zhang, Application of Raman Spectroscopy in Qualitative and Quantitative Analysis of Raw Materials and Products in Chemical Production, Shanghai: East China University of Science and Technology (2016).

14. R. E. Kast, S. C. Tucker, K. Killian, et al., Cancer Metastasis Rev., 33, No. 2–3, 673–693 (2014).

15. Q. Gao, Z. H. Zhang, F. Lu, Spectrosc. Spectr. Anal., 32, No. 12, 3258–3261 (2012).

16. Y. D. Wang, M. Q. Zhao, B. Fu, et al., Chin. Tobacco Sci., 36, No. 6, 88–93 (2015).

17. J. Bin, J. H. Zhou, W. Fan, et al., Acta Tabac. Sin., 23, No. 2, 60–68 (2017).

18. C. A. Marcelo, F. L. F. Soares, J. A. Ardila, C. Jailson et al., Anal. Methods, 11, No. 14, 1–10 (2019).

19. M. Y. Lu, K. Yang, P. F. Song, et al., Spectrosc. Spectr. Analysis, 38, No. 12, 3724–3728 (2018).

20. F. M. Tian, H. Y. Yu, F. Tan, et al., Oxidation Comm., 4, No. 2, 3273–3283 (2016).

21. Breiman Leo, Machine Learning, 45, 5–32 (2001).

22. L. Wang, M. Han, X. J. Li, et al., IEEE ACCESS, 9, 64606–64628 (2021).

23. H. W. Luo, X. B. Pan, Q. S. Wang, et al., IEEE 43rd Annual Computer Software and Applications Conference (COMPSAC), 916–917 (2019).

24. C. L. Lee, C. Y. Liong, et al., Analyst, 143, No. 15, 3526–3539 (2018).