卷烟表观燃烧性能质量状况分析

为了全面了解卷烟表观燃烧性能质量状况,对近年来代表性规格的卷烟产品进行了燃烧过程外观形貌和落头倾向测试,基于对测试结果数据的挖掘,从产品设计和原辅材料角度对表观燃烧性能进行了分析.结果表明:①所挑选的436个市售卷烟样品总体燃烧锥落头倾向1.58％,其中中支烟落头倾向最低,细支烟最高.烟支硬度大、卷烟纸透气度60 CU...     

卷烟主要物理指标质量监控样品的设计与应用

为解决卷烟主要物理指标质量监控样品无法检测通风率、无法重复使用等问题,设计了一种应用于卷烟综合测试台且可重复使用的监控样品。使用弹性材料作为包裹层、多孔材料作为填充层,实现监控样品的重复使用; 利用吸阻恒流管和通风率恒流管,实现卷烟吸阻和通风指标的模拟; 通过质量控制图实现检测过程监控,有效识别检测中的问题。对监控样品的性能和适用性进行评价,并对主要应用场景进行效果分析,结果表明:①实现了对卷烟质量、圆周、吸阻、硬度、长度、通风率等全部物理指标的模拟检测; ②监控样品的稳定性和均匀性显著优于卷烟,各项指标变异系数均明显低于卷烟样品,硬度的变异系数＜2%,其余指标的变异系数均＜1%,连续5年测试的吸阻极差为9 Pa,通风率极差为1.7%,其余指标平均值和标准偏差基本无变化,适用于不同型号的卷烟综合测试台; ③监控样品在卷烟物理指标实验室比对、检测过程监控、标准测量方法的重复性与再现性评价、测量审核4种质量控制活动中应用效果良好,能够保证测试结果的有效性与可比性。      

基于深度神经网络的卷烟燃烧锥落头检测和分类识别

为提高卷烟质量评价过程中燃烧锥落头倾向的判断效率和准确性,构建了卷烟燃烧锥落头检测和分类识别模型。测试了100种市售卷烟的燃烧锥落头倾向,对收集的卷烟燃烧锥图像进行缺陷剔除、分类标注以及特征增强或减弱等处理后分别建立落头检测数据集和落头分类识别数据集;选取ResNet、MobileNet和ViT（Vision Transformer）作为主干网络建立3个深度神经网络模型,利用燃烧锥落头图像对模型进行训练,并采用精确率（P）、召回率（R）、f1分数以及模型容量对模型表现进行评估。结果表明:①3个模型均能较好地进行落头检测（模型损失值L＜0.05,P＞99%,R＞99%）,但ViT模型在落头分类识别测试集上的损失值一直未能收敛,不适用于落头分类识别（P=86.05%,R=76.04%）;②基于f1分数和模型容量优选出的MobileNet模型具有准确度高、运算速度快等优势,对落头检测和落头分类识别的平均精确率分别为99.64%和89.50%。该方法可为研究卷烟表观燃烧性能提供支持。