刁 航，吳永明，楊宇虹，歐陽進(jìn)，李軍會(huì)，勞彩蓮，徐興陽*

1. 中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083 2. 云南省煙草公司昆明市公司，云南 昆明 650051 3. 云南省煙草農(nóng)業(yè)科學(xué)研究院，云南 昆明 650021

田間原位光譜的鮮煙葉成熟度判別模型的研究

刁 航1，吳永明2，楊宇虹3，歐陽進(jìn)2，李軍會(huì)1，勞彩蓮1，徐興陽2*

1. 中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083 2. 云南省煙草公司昆明市公司，云南 昆明 650051 3. 云南省煙草農(nóng)業(yè)科學(xué)研究院，云南 昆明 650021

在田間原位對(duì)煙葉成熟度進(jìn)行判別，能夠有效減少由于對(duì)成熟度判斷錯(cuò)誤而導(dǎo)致的煙葉損失率升高、質(zhì)量下降的問題，而傳統(tǒng)的人眼結(jié)合葉齡的田間成熟度判別方法缺少客觀性，因此提出采用光譜特征參數(shù)結(jié)合支持向量機(jī)的方法對(duì)田間原位煙葉成熟度進(jìn)行判別。以專家評(píng)定并在田間原位進(jìn)行測(cè)量的五個(gè)成熟度等級(jí)共351個(gè)煙葉反射光譜作為試驗(yàn)樣品，五個(gè)成熟度等級(jí)分別為M1，M2，M3，M4，M5。通過對(duì)反射光譜的分析發(fā)現(xiàn)，不同成熟度煙葉的光譜在可見光波段能夠得到區(qū)分，而在近紅外波段區(qū)分不明顯，因此在可見光波段進(jìn)行分析建模。分別采用可見光范圍內(nèi)的連續(xù)光譜(350～780 nm)、特征波段(496～719 nm)、光譜特征參數(shù)(綠峰幅值、綠峰位置、紅邊幅值、藍(lán)邊幅值、紅邊面積、藍(lán)邊面積、紅邊位置、藍(lán)邊位置)作為輸入變量，采用支持向量機(jī)方法(supportvector machine，SVM)建立煙葉成熟度判別模型。結(jié)果表明，應(yīng)用可見光光譜特征參數(shù)作為輸入變量所建立的模型的正確識(shí)別率達(dá)到98.85%，而應(yīng)用可見光連續(xù)譜、可見光特征波段作為輸入變量的正確識(shí)別率分別為90.80%和93.10%。因此使用可見光光譜特征參數(shù)建立支持向量機(jī)的鮮煙葉成熟度判別模型對(duì)田間原位煙葉成熟度進(jìn)行判別是可行的。

可見光譜； 光譜特征參數(shù)； 支持向量機(jī)； 煙葉； 成熟度

引 言

煙葉成熟度判別是生產(chǎn)優(yōu)質(zhì)煙葉的關(guān)鍵之一。通過準(zhǔn)確地掌握田間鮮煙葉的成熟度，并且選擇恰當(dāng)?shù)臅r(shí)機(jī)進(jìn)行采收，可以降低煙葉的田間損失率和烘烤損失率。目前國(guó)內(nèi)對(duì)于田間煙葉成熟度的判別一般采用行業(yè)專家的目測(cè)評(píng)定方法，主觀性較強(qiáng)，而且費(fèi)時(shí)費(fèi)力。因此，研發(fā)出一種客觀而又快速的煙葉成熟度判別方法將為煙草采收提供科學(xué)指導(dǎo)，以保證生產(chǎn)過程中的煙葉質(zhì)量。

光譜分析技術(shù)是依靠分子的振動(dòng)、轉(zhuǎn)動(dòng)以及能量躍遷，從而反應(yīng)官能團(tuán)以及整個(gè)分子特征的一種分析方法[1]。由于其快速、無損等特點(diǎn)，被廣泛應(yīng)用于農(nóng)產(chǎn)品檢測(cè)[2-3]、工業(yè)生產(chǎn)監(jiān)測(cè)[4-5]、食品分析[6-7]、煙草[8-10]等領(lǐng)域。植物葉片中的葉綠素、類胡蘿卜素等色素對(duì)可見光波段的紅光和藍(lán)紫光有特征吸收； 植物葉片的結(jié)構(gòu)，總糖、總氮、煙堿等生理生化組分和水分含量影響近紅外波段。研究表明，煙葉的成熟度不同，顏色、厚度等外觀特征以及葉綠素、類胡蘿卜素等色素含量也不同，所表現(xiàn)的反射光譜特征也不同。王建偉等研究發(fā)現(xiàn)不同煙葉成熟度的光譜在550～680 nm的波長(zhǎng)范圍內(nèi)能夠得到區(qū)分[9]； 余志虹等利用比值植被指數(shù)與葉綠素含量相關(guān)性高的特點(diǎn)，構(gòu)建了烤煙中部鮮煙葉成熟度監(jiān)測(cè)模型[10]。

為了更好地將光譜分析技術(shù)應(yīng)用于指導(dǎo)煙葉采收時(shí)的質(zhì)量控制，研究開發(fā)一種在田間原位進(jìn)行鮮煙葉成熟度判別的方法以田間測(cè)量為基礎(chǔ)，以煙草的鮮煙葉為研究對(duì)象，使用便攜式地物波譜儀結(jié)合支持向量機(jī)方法建立田間煙葉成熟度的光譜判別方法。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)與材料

試驗(yàn)于2014年在云南省昆明市石林縣上趙進(jìn)行，試驗(yàn)地肥力中等，試驗(yàn)品種為K326。樣品是由專家選出的、具有代表性的鮮煙葉。光譜采集時(shí)間從煙草下部葉生青時(shí)開始，直到上部葉的過熟葉片采集完畢后結(jié)束。鮮煙葉成熟度評(píng)判標(biāo)準(zhǔn)由煙葉成熟度評(píng)判專家結(jié)合生產(chǎn)經(jīng)驗(yàn)與文獻(xiàn)[11]給出，如表1所示。

表1 鮮煙葉成熟度等級(jí)標(biāo)準(zhǔn)

1.2 田間光譜采集

煙葉反射光譜的測(cè)量在大田環(huán)境中進(jìn)行。測(cè)量?jī)x器為ASD FieldSpec3便攜式地物波譜儀，波長(zhǎng)范圍是350～2 500 nm，分辨率3 nm@700 nm，10 nm@1 400 nm, 2 100 nm，接觸式葉片測(cè)量還需使用光譜儀配套的植被探頭和葉片夾持器。試驗(yàn)共采集351個(gè)鮮煙葉光譜，包含上部葉、中部葉、下部葉三個(gè)部位，其中M1等級(jí)70個(gè)，M2等級(jí)63個(gè)，M3等級(jí)73個(gè)，M4等級(jí)75個(gè)，M5等級(jí)70個(gè)，對(duì)每一個(gè)選定的葉片樣本，在葉面中部、中脈兩側(cè)各選取兩個(gè)點(diǎn)采集光譜，每個(gè)點(diǎn)重復(fù)采集三次。將每個(gè)煙葉樣本4個(gè)點(diǎn)所采集得到的12條光譜取平均值作為該煙葉樣本的反射光譜。

1.3 模型輸入變量的確定

如圖1(a)為鮮煙葉的原始反射光譜圖，為了更加方便觀察不同成熟度之間的光譜差異，圖1(b)展示了對(duì)原始光譜進(jìn)行歸一化處理并在每個(gè)成熟度下求取平均值的反射光譜圖，可以發(fā)現(xiàn)不同成熟度的光譜在可見光范圍內(nèi)(350～780 nm)可以得到區(qū)分，且存在成熟度等級(jí)越高光譜反射率越高的趨勢(shì)，這與不同成熟度時(shí)期的煙葉顏色變化規(guī)律相符，而煙葉成熟度在近紅外區(qū)域的區(qū)分卻不明顯。對(duì)區(qū)分明顯的可見區(qū)反射峰面積做方差分析如圖2，發(fā)現(xiàn)各成熟度之間有不同程度的重疊，不能直接使用峰面積作為判別依據(jù)。因此，通過對(duì)光譜的觀察分析，確定在可見光波段內(nèi)選取參數(shù)作為模型的輸入變量。

為了研究模型的輸入變量對(duì)建模結(jié)果的影響，我們選取三種用于建模的輸入變量，并對(duì)建模結(jié)果進(jìn)行對(duì)比。三種輸入變量分別為： 可見光連續(xù)譜、可見光特征波段和可見光光譜特征參數(shù)。下面分別介紹三種輸入變量。

(1)可見光連續(xù)譜是將可見光范圍內(nèi)(350～780 nm)的所有波長(zhǎng)點(diǎn)共431個(gè)作為模型的輸入變量。

(2)可見光特征波段的選取方法是在每個(gè)波長(zhǎng)下對(duì)兩兩成熟度之間的反射光譜樣本逐一使用方差分析的方法，選出均達(dá)到顯著水平(p<0.05)的光譜點(diǎn)作為輸入變量。

圖1 煙葉原始反射光譜圖、不同成熟度煙葉 的平均歸一化反射光譜圖

Fig.1 Original reflectance spectra(a)and Average- Normalized reflectance spectra at different maturity levels (b)of tobacco leaf

圖2 煙葉光譜可見區(qū)反射峰面積的箱線圖

(3)可見光光譜特征參數(shù)是光譜中用于表示顏色信息的參數(shù)。本文中選用一些可見光波段常用的光譜特征參數(shù)，分別有王建偉等提出的8個(gè)參數(shù)[9]： 綠峰幅值、綠峰位置(綠光范圍內(nèi)反射率的最大值以及最大反射率對(duì)應(yīng)的波長(zhǎng))、紅光吸收谷幅值、紅光吸收谷位置(紅光范圍內(nèi)反射率的最小值以及最小反射率對(duì)應(yīng)的波長(zhǎng))、紅邊幅值、藍(lán)邊幅值(光譜一階導(dǎo)數(shù)中紅邊與藍(lán)邊范圍內(nèi)的最大值)、紅邊面積、藍(lán)邊面積(光譜一階導(dǎo)數(shù)曲線在紅邊和藍(lán)邊范圍內(nèi)所圍成的面積)。以及在此基礎(chǔ)上增加的2個(gè)參數(shù)： 紅邊位置(紅邊幅值對(duì)應(yīng)的波長(zhǎng))和藍(lán)邊位置(藍(lán)邊幅值對(duì)應(yīng)的波長(zhǎng))，總共10個(gè)光譜特征參數(shù)。由于10個(gè)光譜特征參數(shù)與煙葉成熟度的相關(guān)程度不同，因此對(duì)這10個(gè)光譜特征參數(shù)使用方差分析的方法進(jìn)行篩選，選出對(duì)煙葉成熟度判別貢獻(xiàn)大的參數(shù)，方法為： 在每?jī)蓚€(gè)成熟度之間使用方差分析，選出兩兩組間差異均不低于顯著水平(p<0.05)的光譜特征參數(shù)，使用選出的光譜特征參數(shù)作為建模的輸入數(shù)據(jù)。最終在10個(gè)光譜特征參數(shù)中選出8個(gè)作為輸入變量，見表2。

表2 光譜特征參數(shù)的選擇

1.4 建模方法

支持向量機(jī)是目前應(yīng)用廣泛的一種可用于分類的模式識(shí)別方法，在解決小樣本以及高維模式識(shí)別中表現(xiàn)其優(yōu)勢(shì)，被前人用于解決分類問題[12-13]，因此被選擇來解決樣本數(shù)量小、維數(shù)相對(duì)較高的問題。支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論中的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小理論基礎(chǔ)上的，基本思想是： 將n維樣本空間映射到特征空間中，并在此高維特征空間中構(gòu)造最優(yōu)線性決策函數(shù)，即使得分類間隔最大的決策函數(shù)[14-15]。

使用可見光連續(xù)譜、可見光特征波段和篩選出來的光譜特征參數(shù)這三種變量作為支持向量機(jī)的輸入，建立煙葉成熟度判別模型，比較三種輸入變量所建模型差別，并最終確定煙葉成熟度判別方法?？梢姽馓卣鞴庾V的選取、光譜特征參數(shù)的選取、比對(duì)與支持向量機(jī)的建模、檢驗(yàn)使用Matlab R2012a軟件和臺(tái)灣大學(xué)林智仁教授的LIBSVM工具箱(http://www.csie.ntu.edu.tw/～cjlin/libsvm/)實(shí)現(xiàn)。

2 結(jié)果與討論

2.1 煙葉部位對(duì)成熟度判別的影響

使用的351個(gè)不同成熟度的鮮煙葉光譜樣本來自上部葉、中部葉、下部葉三個(gè)部位，因此需要判斷不同部位的煙葉是否會(huì)對(duì)成熟度判別產(chǎn)生影響。對(duì)可見光連續(xù)波段的光譜進(jìn)行主成分分析，查看樣本的空間分布情況。不同成熟度光譜的第一、第二維主成分空間分布如圖3所示。

由圖3可見，三個(gè)部位在同一成熟度下無明顯區(qū)別的分布在一起，不能得到區(qū)分。五個(gè)成熟度下光譜的第一和第二主成分貢獻(xiàn)率總和分別為97.59%，98.66%，99.34%，96.36%，96.40%，前兩個(gè)主成分的貢獻(xiàn)率很高，可以很好表達(dá)光譜的信息。因此，在成熟度判別時(shí)，可以排除部位因素的影響，合并三個(gè)部位的樣本進(jìn)行建模。

圖3 不同部位可見光波段煙葉光譜的主成分分析得分圖

2.2 應(yīng)用可見光連續(xù)譜作為輸入建立模型

對(duì)351個(gè)五個(gè)不同成熟度的鮮煙葉樣本按照3∶1的比例隨機(jī)劃分建模集和檢驗(yàn)集，然后使用支持向量機(jī)方法建立成熟度判別模型。支持向量機(jī)核函數(shù)選擇高斯函數(shù)RBF，對(duì)于高斯核函數(shù)的參數(shù)g和懲罰參數(shù)c的選擇，選用網(wǎng)格搜索法以及K折交叉驗(yàn)證(K=10)，K折交叉驗(yàn)證能夠有效的避免過學(xué)習(xí)以及欠學(xué)習(xí)的發(fā)生。

將可見光連續(xù)譜(350～780 nm)共431個(gè)波長(zhǎng)點(diǎn)作為支持向量機(jī)的輸入，建立成熟度判別模型，模型的懲罰參數(shù)c和高斯核函數(shù)參數(shù)g分別為9.190和0.109，模型的建模集正確識(shí)別率和檢驗(yàn)集正確識(shí)別率如表3所示。由表3可知，使用可見光連續(xù)譜作為輸入變量建立的支持向量機(jī)模型中，建模集的正確識(shí)別率為96.97%，檢驗(yàn)集正確識(shí)別率為90.80%。模型輸入變量過多，建模速度比較慢，模型正確率有待提高。造成正確率不高的可能原因： 光譜中包含冗余的信息，將可見光連續(xù)譜不加篩選的作為輸入變量，其中所包含的冗余信息也參與建模，影響模型質(zhì)量，導(dǎo)致模型正確率下降，為此在下面兩節(jié)中，使用篩選、處理過的光譜數(shù)據(jù)進(jìn)行建模。

2.3 應(yīng)用可見光特征波段作為輸入建立模型

使用1.3中介紹的方法，對(duì)可見光連續(xù)譜進(jìn)行特征波長(zhǎng)提取，提取了496～719 nm，共224個(gè)波長(zhǎng)點(diǎn)作為可見光特征波段。將特征波段的光譜作為支持向量機(jī)的輸入變量進(jìn)行成熟度判別建模，模型的懲罰參數(shù)c和高斯核函數(shù)參數(shù)g分別為27.858和0.574，模型的建模集正確識(shí)別率和檢驗(yàn)集正確識(shí)別率如表3所示。由表3可知，使用可見光特征波段作為輸入變量建立的模型中，建模集正確識(shí)別率為98.11%，檢驗(yàn)集正確識(shí)別率為93.10%。相較使用可見光連續(xù)譜作為輸入變量的模型正確識(shí)別率有所提升，輸入變量個(gè)數(shù)減少到224個(gè)，可以看出使用篩選過后的特征光譜能夠減少光譜中的冗余信息，提高模型質(zhì)量和模型的正確識(shí)別率，但依然存在模型輸入變量多、建模時(shí)間長(zhǎng)的問題。

2.4 應(yīng)用光譜特征參數(shù)作為輸入建立模型

將可見光光譜特征參數(shù)共8個(gè)變量作為支持向量機(jī)的輸入，建立成熟度判別模型，模型的懲罰參數(shù)c和高斯核函數(shù)參數(shù)g分別為3.031和5.278，模型的建模集正確識(shí)別率和檢驗(yàn)集正確識(shí)別率如表3所示?？梢姽夤庾V特征參數(shù)主要是表達(dá)顏色信息的參數(shù)，可以將數(shù)量大的光譜信息融合成幾個(gè)具有代表性的特征變量，進(jìn)一步減少了光譜中的冗余信息，同時(shí)也減少了建模所需要的輸入變量個(gè)數(shù)。由表3可知，模型的建模集正確識(shí)別率為99.24%，檢驗(yàn)集正確識(shí)別率為98.85%，優(yōu)于使用可見光連續(xù)譜和可見光特征波段作為輸入變量的建模結(jié)果。同時(shí)由于輸入變量數(shù)明顯下降，建模所需要的時(shí)間也明顯縮短。因此，應(yīng)用光譜特征參數(shù)作為輸入變量建立模型有利于建模時(shí)間的縮短和煙葉成熟度判別模型識(shí)別效果的提高。

表3 三種輸入變量的煙葉成熟度判別模型的性能比較

進(jìn)一步對(duì)光譜特征參數(shù)作為輸入變量的模型中發(fā)生誤判的樣本進(jìn)行分析，建模集中M2的正確識(shí)別率為97.87%，M4的正確識(shí)別率為98.21%，其余三個(gè)成熟度的正確識(shí)別率為100%，誤判中，M2被誤判為M1，M4被誤判為M5； 檢驗(yàn)集中M5的正確識(shí)別率為94.44%，其余四個(gè)成熟度的正確識(shí)別率為100%，誤判中，M5被誤判為M4。誤判均發(fā)生在相鄰兩個(gè)成熟度之間，即若M2發(fā)生誤判，只會(huì)被誤判為M1或者M(jìn)3，而不會(huì)被誤判為M4和M5，不存在越級(jí)誤判的情況。

3 結(jié) 論

建立了一種基于光譜技術(shù)的田間原位煙葉成熟度判別方法。實(shí)驗(yàn)結(jié)果表明，應(yīng)用可見光光譜特征參數(shù)作為支持向量機(jī)輸入變量的模型，其建模集和檢驗(yàn)集的正確識(shí)別率均達(dá)到98%以上，并且通過分析證明部位因素對(duì)煙葉成熟度判別沒有影響，模型可用于煙草的各部位。說明使用光譜特征參數(shù)結(jié)合支持向量機(jī)的方法進(jìn)行田間原位煙葉成熟度判別是可行的。本方法具有快速、無損等特點(diǎn)，能夠減少由于人為判斷的主觀性差異產(chǎn)生的失誤，為煙葉成熟度判別提供了一種更加客觀的方法。在此研究基礎(chǔ)上，為提高模型的穩(wěn)定性和普適性，還需要在后續(xù)工作中繼續(xù)增加不同年份的樣本、樣本數(shù)量以及煙草的品種來對(duì)模型進(jìn)行修正。

[1] YAN Yan-lu, ZHAO Long-lian, HAN Dong-hai, et al(嚴(yán)衍祿，趙龍蓮，韓東海，等). Foundation and Application of NIR Spectra Analysis(近紅外光譜分析基礎(chǔ)與應(yīng)用). Beijing: China Light Industry Press(北京： 中國(guó)輕工業(yè)出版社), 2005. 13.

[2] WANG Ren-hong, SONG Xiao-yu, LI Zhen-hai, et al(王仁紅，宋曉宇，李振海，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2014, 30(19): 191.

[3] QIAO Hong-bo, SHI Yue, SI Hai-ping, et al(喬紅波，師 越，司海平，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2014, 30(20): 172.

[4] Cruz M V, Sarraguca M C, Freitas F, et al. Journal of Biotechnology, 2015, 194: 1.

[5] Wu Yongjiang, Jin Ye, Li Yerui, et al. Vibrational Spectroscopy, 2012, 58: 109.

[6] Laroussi-Mezghani S, Vanloot P, Molinet J, et al. Food Chemistry, 2015, 173: 122.

[7] Arana V A, Medina J, Alarcon R, et al. Food Chemistry, 2015, 175: 500.

[8] TIAN Kuang-da, QIU Kai-xian, LIU Zu-hong, et al(田曠達(dá)，邱凱賢，劉祖紅，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(12): 3262.

[9] WANG Jian-wei, ZHANG Yan-ling, LI Hai-jiang, et al(王建偉，張艷玲，李海江，等). Tobacco Science & Technoligy(煙草科技), 2013, (5): 64.

[10] YU Zhi-hong, CHEN Jian-jun, Lü Yong-hua, et al(余志虹，陳建軍，呂永華，等). Tobacco Science & Technoligy(煙草科技), 2013, 2: 77.

[11] YANG Shu-xun(楊樹勛). Chinese Tobacco Science(中國(guó)煙草科學(xué)), 2003, 24(4): 34.

[12] Wang Y, Yang M, Wei G, et al. Sensors and Actuators B: Chemical, 2014, 193: 723.

[13] Devos O, Downey G, Duponchel L. Food Chemistry, 2014, 148: 124.

[14] Burges C J C. Data Mining and Knowledge Discovery, 1998, 2(2): 121.

[15] Fu JuiHsi, Lee SingLing. Expert Systems with Applications, 2012, 39(3): 3127.

(Received Mar. 12, 2015; accepted Jul. 5, 2015)

*Corresponding author

Study on the Determination of the Maturity Level of Tobacco Leaf Based on In-Situ Spectral Measurement

DIAO Hang1，WU Yong-ming2，YANG Yu-hong3，OUYANG Jin2，LI Jun-hui1，LAO Cai-lian1，XU Xing-yang2*

1. Key Laboratory of Modern Precision Agriculture System Integration, Ministry of Education, China Agricultural University, Beijing 100083, China 2. Yunnan Tobacco Company Kunming Branch, Kunming 650051, China 3. Yunnan Academy of Tobacco Agricultural Sciences, Kunming 650021, China

Discriminating the maturity levels of tobacco leaf with in-situ measurement can effectively reduce loss rate and quality decline due to misjudgment of the maturity levels of tobacco leaf. In the meantime, the regular way we use to determine the maturity levels of tobacco, which is depend on tobacco leaf age and judgment of tobacco grower, lacks of objectivity. So this paper proposed a method to identify maturity levels of tobacco leaf by using spectral feature parameters combined with the method of support vector machine (SVM). In this paper, a total of 351 tobacco leaf samples collected in 5 maturity levels including immature (M1), unripe (M2), mature (M3), ripe (M4), and mellow (M5) determined by experts were scanned by field spectroscope(ASD FieldSpec3) with in-situ measurement for getting their reflectance spectrum. Through spectral analysis we found that the spectrum of tobacco leaf with different levels of maturity can be distinguished in visible band but not easily be distinguished in near-infrared band, so we use the tobacco leaf spectrum in visible band as the sensitive bands to analyze and model. To find the most suitable input variables for modeling, we use continuous spectrum (350～780 nm), feature band (496～719 nm) and spectral feature parameters (the reflectance of green peak, location of green peak, first order differential value of red-edge and blue-edge, red-edge and blue-edge area, location of red-edge and blue-edge) in visible region as the input variables, and using these three kinds of input variables in the method of SVM to establish a discriminant model for identifying maturity levels of tobacco leaf. The result shows that, the model using spectral feature parameters gains the accuracy rate of 98.85%. While the accuracy rates of other two models were 90.80% and 93.10%, respectively. The conclusion was drawn that using spectral feature parameters in visible spectrum as the input variables in SVM can improve the model performance. It is feasible to use this method to identify maturity level of tobacco leaf with in-situ measurement.

Visible spectrum; Spectral feature parameters; SVM; Tobacco; Maturity level

2015-03-12，

2015-07-05

國(guó)家自然科學(xué)基金項(xiàng)目(61144012)和中國(guó)煙草總公司云南省公司項(xiàng)目(2013YN17)資助

刁 航，1990年生，中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院碩士研究生 e-mail： diaohang1027@163.com *通訊聯(lián)系人 e-mail： yy_xxy@sina.com

S132

A

10.3964/j.issn.1000-0593(2016)06-1826-05