烟草中痕量重金属检测技术研究

本文从样品处理和检测方法两方面,分别阐述了目前烟草痕量重金属检测技术的概况,并从各种检测方法的技术性和经济性角度进行分析比较,为建立统一的检测标准提供一定的借鉴。

分散液液微萃取/气相色谱-质谱法同时测定烟用添加剂中8种烷基苯类香味有害物

建立了超声溶剂提取和分散液液微萃取(DLLME)相结合的提取、净化前处理技术,采用气相色谱-质谱法分析了烟用添加剂中的黄樟素、侧柏酮、龙蒿脑、胡薄荷酮、甲基丁香酚、香豆素、6-甲基香豆素和7-甲氧基香豆素8种烷基苯类香味有害物。对分散液液微萃取溶剂及其体积、分散剂及其体积、萃取时间等条件进行了优化。在最佳实验条件下,8种有害物的线性范围为0.4～928μg/L(r2≥0.998 9),检出限为0.04～0.24μg/L,定量下限为0.13～0.80μg/L,富集倍数为140～208倍,方法的加标回收率为90%～100%,相对标准偏差为2.4%～6.7%。与行业推荐的测定方法相比,该方法具有灵敏度高、富集效果好、回收率高等优点。

基于深度学习技术的烟梗形态分类与识别

为解决打叶复烤中人工分选纯烟梗、梗头及梗含叶检测效率低、识别误差大等问题,基于深度学习方法建立了一种烟梗在线分类识别模型。首先,基于数字图像处理方法对采集到的烟梗图像进行目标提取,制作烟梗数据集;其次,根据烟梗图像特征对原始YOLOv3模型进行改进,构建新的网络结构;然后,使用制作好的烟梗数据对改进后YOLOv3模型进行训练,生成深度学习烟梗分类识别模型;最后,将模型加载于烟梗在线分类识别系统对其性能进行验证。结果表明:所建立模型在测试集上的表现良好,烟梗识别精确度达到95.01%,相比原始YOLOv3模型提高5.97百分点,召回率提高4.76百分点,且均优于SSD与Mask R-CNN等模型;针对不同复杂场景,模型抗干扰能力强,可有效识别出烟梗位置及类别,能够满足烟梗快速分类识别需求。该方法可为提高烟梗分类效率和识别精度提供支持。