沈 平，童德文，陳鄭盟，陳 煒，石三三，林萍萍，王福政，儲偉杰，張 佩

1.福建省煙草公司龍巖市公司，福建省龍巖市新羅區(qū)龍巖大道288號 364000

2.勤耕仁現(xiàn)代農(nóng)業(yè)科技發(fā)展（淮安）有限責(zé)任公司，江蘇省淮安市清江浦區(qū)曦園街67號 223001

3.南京南部新城生態(tài)農(nóng)林發(fā)展有限公司，南京市六合區(qū)馬鞍街道 211500

4.江蘇省氣象局，南京市建鄴區(qū)雙閘街道雨順路6號 210008

鮮煙葉成熟度是指大田煙葉生長達到適于烘烤工藝要求的程度［1-2］，直接影響烤后煙葉的外觀、評吸及香氣品質(zhì)；準確判斷鮮煙葉成熟度并開展適熟采收已成為煙葉生產(chǎn)過程中至關(guān)重要的環(huán)節(jié)［3-5］。目前煙葉生產(chǎn)中，鮮煙葉成熟度的判定主要通過煙農(nóng)肉眼識別及依據(jù)生產(chǎn)經(jīng)驗，但由于操作人員水平、經(jīng)驗差異較大，導(dǎo)致鮮煙葉成熟度人工判定的準確率和穩(wěn)定性較低。前人曾嘗試通過量化指標(biāo)來判定鮮煙葉成熟度，如通過煙株的莖葉夾角、葉片厚度等物理參數(shù)［1，4］，葉綠素含量（質(zhì)量分數(shù)）及相關(guān)的SPAD值［6］等作為鮮煙葉成熟度的量化指標(biāo)。但這些方法耗時耗力還易損傷煙葉，在大田生產(chǎn)中的應(yīng)用受到限制［7-9］。

隨著數(shù)字成像技術(shù)的日益成熟及高分辨率攝像設(shè)備的普及，利用數(shù)碼圖像對植物外觀表型性狀進行定性和定量描述的研究越來越多［10-12］。數(shù)碼圖像可記錄可見光波段的光譜信息，分辨率高、成本低，且該類圖像包含大量的植物形態(tài)結(jié)構(gòu)和顏色信息［13-14］。有研究通過數(shù)碼圖片來判定番茄［15］、李子［16］果實的成熟度。煙草種植標(biāo)準化程度高，煙葉成熟期集中，葉片較大且較平整，成熟過程中顏色變化特征明顯，這些特點使采用數(shù)碼圖像分析法對鮮煙葉成熟度進行自動化識別成為可能。使用RGB顏色模型參數(shù)作為輸入因子是最常用的數(shù)碼圖像分析法，HSV（Hue Saturation Value）顏色模型、Lab顏色模型也是通過RGB顏色模型的數(shù)據(jù)進行轉(zhuǎn)化得到的［17-19］。Chen等［20］研究發(fā)現(xiàn)，煙草鮮煙葉圖像RGB顏色模型色階為偏態(tài)分布，并揭示了RGB顏色模型偏態(tài)參數(shù)能夠準確量化葉色與SPAD值的關(guān)系，這為使用RGB顏色模型判定鮮煙葉成熟度提供了新路徑。

已有學(xué)者利用顏色模型來嘗試量化鮮煙葉成熟度［21-24］，但這些研究都集中在判定當(dāng)年生產(chǎn)的鮮煙葉熟度，而沒有對往年生產(chǎn)的煙葉成熟度進行驗證。為了能夠更準確地判定鮮煙葉成熟度，并嘗試對多年度生產(chǎn)的煙葉進行預(yù)測，將采收后的鮮煙葉片分為欠熟、成熟和過熟3類，并分別提取這3類葉片RGB圖像紅（Red，R）、綠（Green，G）、藍（Blue，B）3個顏色通道及灰度（Gray，Y）圖像的正態(tài)參數(shù)、偏態(tài)參數(shù)及葉色復(fù)合參數(shù)（R、G、B通道均值、HSV顏色模型參數(shù)、Lab顏色模型參數(shù)、葉面紋理參數(shù)）等參數(shù)作為自變量，運用多元逐步回歸及反向傳遞神經(jīng)網(wǎng)絡(luò)（BPNN）構(gòu)建葉色參數(shù)-鮮煙葉成熟度判定模型。同時比較不同參數(shù)體系、建模方式對鮮煙葉成熟度判定模型的擬合優(yōu)度及對不同年份間煙葉判定精準度的影響，篩選出最佳的鮮煙葉成熟度定量判定模型，以期為鮮煙葉成熟度的智能化準確判定提供依據(jù)。

1 材料與方法

1.1 試驗材料

供試煙草品種為云煙87，于2018—2020年連續(xù)3年在福建省武平縣巖前鎮(zhèn)雙坊村（24°54′19″N，116°14′24″E）同一田塊種植，其中2018年于2月1日移栽，6月5日開始采收；2019年于2月1日移栽，6月4日開始采收；2020年于1月15日移栽，5月18日開始采收。栽培土壤為輕砂壤，前茬作物為水稻，土壤肥力中等，排水方便，大田管理按照當(dāng)?shù)貎?yōu)質(zhì)烤煙生產(chǎn)技術(shù)規(guī)范執(zhí)行［25］。在采收前1 d，選取相同田塊、生長正常、長勢一致，無病蟲害的100株煙掛牌標(biāo)識。取每株煙第6～10葉位（從上往下數(shù)）的葉片，并及時將收獲的鮮煙葉送入室內(nèi)立即進行成熟度分選（煙葉離體時間＜20 min）。

1.2 煙葉成熟度分選

由煙草行業(yè)執(zhí)證技師對完成圖像采集的鮮煙葉進行外觀成熟度判定，將鮮煙葉分為欠熟（UL，成熟度等級賦值為1）、成熟（RL，成熟度等級賦值為2）、過熟（OL，成熟度等級賦值為3）3類［2］，見表1。結(jié)合Shapiro-Wilk檢驗法［26］及中心極限原理［27］對相關(guān)分析和回歸模型前置條件的要求，以50個樣本為數(shù)據(jù)分析的下限值。選取2018年150片煙葉作為建模樣本（每個成熟度50片），選取3年（2018、2019和2020年）共225片煙葉作為預(yù)測樣本（每年75片，每年每個成熟度各25片）。

表1 不同成熟度中部鮮煙葉的外觀特征比較Tab.1 Appearance characteristics of middle tobacco leaves with different maturity levels

1.3 葉片RGB圖像采集

采用煙葉標(biāo)準化分級臺（圖1）進行圖像采集，臺面為長300 cm、寬200 cm、高80 cm，桌面底板顏色為灰白色（R∶G∶B=235∶235∶235）的啞光磨砂臺面。照明光源為2支20 W條狀白色LED燈管，色溫為5 000 K，燈管懸掛位置位于平臺1/4處和3/4處，以保證平臺臺面光線均勻。在距離平臺臺面100 cm處固定數(shù)碼相機，采用高分辨率照相機（CANON EOS-550D，日本佳能公司）進行圖像采集，原始數(shù)字圖像分辨率像素為3 840×5 120。將采集到的鮮煙葉表面灰塵和露水用吸水紙擦凈后，將樣品放入平臺中央進行拍照，以確保葉脈與桌面邊緣垂直。

圖1 鮮煙葉圖像采集方法及葉片數(shù)碼圖像示例Fig.1 Schematic diagram of image acquisition method of fresh tobacco leaf and samples of digital leaf images

1.4 鮮煙葉圖像信息參數(shù)提取

1.4.1 葉片圖像預(yù)處理

采用Adobe Photoshop CS軟件對煙葉樣品原始圖像進行切割，只保留鮮煙葉葉片部分，并將切割后的圖像保存為透明背景的png圖像格式，分辨率像素調(diào)整為1 000×1 330。

1.4.2 葉片圖像RGB顏色模型參數(shù)提取

參照Chen等［20］的方法，采用MATLAB軟件對葉片圖像葉色特征參數(shù)進行提取，得到葉色偏態(tài)參數(shù)，即紅（R）通道色階的均值（RMean）、中位數(shù)（RMedian）、眾 數(shù)（RMode）、偏 度（RSkewness）及 峰 度（RKurtosis）；綠（G）通道色階的均值（GMean）、中位數(shù)（GMedian）、眾 數(shù)（GMode）、偏 度（GSkewness）及 峰 度（GKurtosis）；藍（B）通道色階的均值（BMean）、中位數(shù)（BMedian）、眾 數(shù)（BMode）、偏 度（BSkewness）及 峰 度（BKurtosis）；灰度（Y）圖像色階的均值（YMean）、中位數(shù)（YMedian）、眾 數(shù)（YMode）、偏 度（YSkewness）及 峰 度（YKurtosis）。其中RMean、GMean、BMean和YMean構(gòu)成葉色正態(tài)參數(shù)。

1.4.3 葉色復(fù)合參數(shù)提取

①葉片圖像Lab顏色模型參數(shù)提取。參照楊超等［28］的方法，采用MATLAB先將目標(biāo)圖像RGB顏色模型轉(zhuǎn)換為Lab顏色模型，而后通過內(nèi)置函數(shù)計算圖像的亮度（L）、a通道值（a）及b通道值（b）。②葉片圖像HSV顏色模型參數(shù)提取。參照史飛龍等［21］和謝濱瑤等［24］的方法，采用MATLAB先將目標(biāo)圖像RGB顏色模型轉(zhuǎn)換為HSV顏色模型，而后通過內(nèi)置函數(shù)計算圖像的色調(diào)（H）、飽和度（S）和明度（V）。③葉片紋理參數(shù)提取。參照馮建輝等［29］、史飛龍等［21］和謝濱瑤等［24］的方法，采用MATLAB先將目標(biāo)圖像從RGB顏色模型轉(zhuǎn)換為HSV顏色模型再轉(zhuǎn)化為灰度圖像，然后通過Graycomatrix函數(shù)獲取灰度圖像的64位灰度共生矩陣，通過MATLAB內(nèi)置函數(shù)計算圖像的對比度（CON）、相關(guān)度（COR）、熵（ENT）、同質(zhì)性（HOM）和對角二階矩（ASM）。

綜 合R、G、B通 道 色 階 的 均 值（RMean、GMean、BMean），Lab顏色模型參數(shù)（L、a、b），HSV顏色模型參數(shù)（H、S、V）及葉片紋理參數(shù)（CON、COR、ENT、HOM、ASM）構(gòu)成葉色復(fù)合參數(shù)。

1.5 數(shù)據(jù)處理

1.5.1 方差分析

選取建模樣品（2018年產(chǎn)，150片），以鮮煙葉成熟度為分類因子，采用SPSS軟件對RGB顏色模型葉色偏態(tài)參數(shù)進行方差分析，采用最小顯著差數(shù)（LSD）法［30］進行多重比較。

1.5.2 相關(guān)分析

選取建模樣品（2018年產(chǎn)，150片），采用SPSS軟件對鮮煙葉成熟度分別與葉色特征參數(shù)進行皮爾森（Person）相關(guān)分析。

1.6 判定模型構(gòu)建及效果分析

1.6.1 回歸模型構(gòu)建

選取建模樣品（2018年，150片），采用SPSS軟件以鮮煙葉成熟度作為因變量，分別以葉色正態(tài)參數(shù)、葉色復(fù)合參數(shù)及葉色偏態(tài)參數(shù)作為自變量，采用基于最小二乘法的逐步回歸方法建立線性模型F1、F2和F3，見表2。并對備選回歸模型進行決定系數(shù)優(yōu)選、回歸模型及回歸系數(shù)的顯著性檢驗、回歸模型自變量共線性診斷［30］，最終確定最佳回歸模型。

1.6.2 反向傳遞神經(jīng)網(wǎng)絡(luò)（BPNN）模型構(gòu)建

BPNN模型拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層3層。選取建模樣品（2018年產(chǎn)，150片），以鮮煙葉成熟度為輸出層因子，分別采用葉色正態(tài)參數(shù)、葉色復(fù)合參數(shù)及葉色偏態(tài)參數(shù)作為輸入層因子構(gòu)建基于BPNN的鮮煙葉成熟度判定模型F4、F5和F6，見表2。

表2 鮮煙葉成熟度的判定模型結(jié)構(gòu)Tab.2 Structure of discrimination models for maturity of fresh tobacco leaves

采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱（Neural Network Toolbox）［31］構(gòu)建鮮煙葉成熟度的BPNN判定模型。其中，網(wǎng)絡(luò)中間層神經(jīng)元傳遞函數(shù)采用Logsig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)Purelin，訓(xùn)練函數(shù)采用Trainlm。將75%數(shù)據(jù)用于模型訓(xùn)練，15%數(shù)據(jù)用于預(yù)測驗證，15%數(shù)據(jù)用于模型測試。設(shè)置模型的收斂誤差為0.000 1，學(xué)習(xí)速率為0.05，最大訓(xùn)練輪數(shù)為1 000。

1.6.3 反向傳遞神經(jīng)網(wǎng)絡(luò)（BPNN）模型參數(shù)貢獻率

采用MATLAB中Neural Network Toolbox中的神經(jīng)網(wǎng)絡(luò)輸入層到隱含層權(quán)重提取函數(shù)獲取判定準確率最高的BPNN模型中每個輸入因子權(quán)重值，然后將這些因子在所有隱含層中的權(quán)重值取絕對值后相加，最后通過MATLAB歸一化函數(shù)Mapminmax求得每個輸入層因子在［0，1］中的歸一化值，該值即是每個輸入層因子對該BPNN模型的歸一化貢獻率。

1.6.4 模型判定準確度比較

運用模型F1～F6對全部建模樣品（225片）進行判定，并對其判定準確度進行計算，計算公式：

式中：DA為模型判定準確度，%；CN為模型準確判定成熟度的樣品數(shù)量，片；TN為模型判定的樣品總數(shù)量，片。

2 結(jié)果與分析

2.1 不同成熟度鮮煙葉葉色圖像RGB顏色模型偏態(tài)參數(shù)的差異分析

葉色偏態(tài)參數(shù)中，色階均值、中位數(shù)、眾數(shù)是反映葉色的深淺情況，偏度反映葉色的偏向性，峰度則是反映葉色分布的集中程度［20］。對3個不同鮮煙葉成熟度葉色RGB圖像的偏態(tài)參數(shù)進行LSD分析（表3）。R、G和B 3個通道及Y圖像色階的均值（RMean、GMean、BMean、YMean）、中位數(shù)（RMedian，GMedian，BMedian，YMedian）、眾數(shù)（RMode、GMode、BModes、YMode）均隨著成熟度的增加而提高，其中，不同鮮煙葉成熟度葉色圖像的R、G通道及Y圖像色階的均值（RMean、GMean、YMean）、中位數(shù)（RMedian、GMedian、YMedian）、眾數(shù)（RMode、GMode、YMode）間存在顯著差異（P＜0.05），而UL與RL葉片圖像的B通道色階的偏態(tài)參數(shù)（BMean、BMedian、BMode、BSkewness、BKurtosis）之間差異不顯著，OL、UL和RL間存在顯著差異；反映到葉色變化上，則與葉片從鮮綠轉(zhuǎn)為黃綠相間、最后變?yōu)辄S色的成熟過程相對應(yīng)（圖2）。在偏度方面，R、G通道及Y圖像色階的偏度（RSkewness、GSkewness、YSkewness）隨著成熟度的增加而顯著下降（P＜0.05），負偏態(tài)程度逐漸加深，色階分布逐漸傾向高值段，但B通道色階的偏度（BSkewness）表現(xiàn)則相反。而峰度方面，R、G通道及Y圖像色階的峰度（RKurtosis、GKurtosi、YKurtosis）隨著成熟度的增加呈現(xiàn)先下降后上升的趨勢，反映到葉色變化上，則與葉片從鮮綠色變成黃綠相間（葉色離散程度最高，峰度最?。詈笞?yōu)辄S色的成熟過程相對應(yīng)，其中UL和OL葉片圖像的R、G通道及Y圖像色階的峰度（RKurtosis、GKurtosis、YKurtosis）均無顯著差異，而成熟（RL）葉片圖像的峰度（RKurtosis、GKurtosis、YKurtosis）顯著低于UL及OL（P＜0.05）；B通道色階的峰度值（BKurtosis）隨著成熟度的增加呈現(xiàn)逐漸升高的趨勢，UL與RL之間差異不顯著，OL與UL、RL之間均存在顯著差異（P＜0.05）。

圖2 不同成熟度鮮煙葉葉色圖像色階累積頻次直方圖Fig.2 Histograms of color gradation cumulative frequency for tobacco leaves with 3 different maturity levels

表3 不同成熟度鮮煙葉葉色偏態(tài)參數(shù)的差異性①Tab.3 Differences of skewness parameters of leaf color for fresh tobacco leaves with different maturity levels

2.2 鮮煙葉成熟度與葉色特征參數(shù)的相關(guān)性

對鮮煙葉圖像葉色特征參數(shù)與成熟度進行相關(guān)分析，結(jié)果見表4。在RGB顏色模型中，R、G通道 和Y圖 像 的 均 值（RMean、GMean、YMean），中 位 數(shù)（RMedian、GMedian、YMedian），眾數(shù)（RMode、G Mode、YMode）這3類參數(shù)以及B通道5類參數(shù)（BMean、BMedian、BMode、BSkewness、BKurtosis）與煙葉成熟度呈極顯著正相關(guān)，說明這些參數(shù)隨著成熟度的增加而同步提高；R、G通道和Y圖像的偏度（RSkewness、GSkewness、YSkewness）則與成熟度呈極顯著負相關(guān)，說明偏度隨著成熟度的增加而同步降低；而R、G通道及Y圖像的峰度（RKurtosis、GKurtosis、YKurtosis）與成熟度的相關(guān)性不顯著。

表4 鮮煙葉成熟度與葉色特征參數(shù)的相關(guān)性①Tab.4 Correlations between leaf maturity and parameters of leaf color characteristics

在Lab顏色模型中，L、a、b 3個參數(shù)均與成熟度呈極顯著正相關(guān)，說明隨著成熟度的增加，葉片亮度值（L）逐漸提高，a通道值從綠色向紅色轉(zhuǎn)變，b通道值從藍色向黃色轉(zhuǎn)變。在HSV顏色模型中，色調(diào)（H）與成熟度呈極顯著負相關(guān)，說明隨著成熟度的增加，H值逐步減小，圖像從綠色調(diào)轉(zhuǎn)為黃色調(diào)；而圖像飽和度（S）及明度（V）間相關(guān)性不顯著。在葉片紋理參數(shù)中，除對比度（CON）與成熟度呈極顯著負相關(guān)外，其他4個參數(shù)均與成熟呈極顯著正相關(guān)，說明隨著成熟度的增加，對比度（CON）下降，葉面紋理溝紋變淺；熵（ENT）、對角二階矩（ASM）提高，葉面紋理變粗；相關(guān)度（COR）及同質(zhì)性（HOM）提高，葉面不同區(qū)域間紋理趨向一致，整體葉面變得更光滑。因此，與成熟度極顯著相關(guān)的葉色特征參數(shù)可作為構(gòu)建鮮煙葉成熟度模型的重要指標(biāo)。

2.3 鮮煙葉成熟度判定模型的構(gòu)建

采用葉色正態(tài)參數(shù)、葉色復(fù)合參數(shù)及葉色偏態(tài)參數(shù)，運用多元逐步回歸法構(gòu)建鮮煙葉成熟度判定模型，綜合考慮各方程的擬合優(yōu)度及共線性檢測結(jié)果，最終得到最優(yōu)回歸模型F1、F2、F3及其模型表達式，見表5。從表5中可以看出，模型F1自變量只有鮮煙葉葉片RGB圖像R通道色階的均值（RMean）1個，模型F2自變量由RGB圖像紅通道色階的均值（RMean）、葉片紋理的對比度（CON）及同質(zhì)性（HOM）構(gòu)成，模型F3自變量由鮮煙葉片RGB圖像R通道色階的均值（RMean）和B通道色階的偏度（BSkewness）構(gòu)成。HSV顏色模型參數(shù)及Lab顏色模型參數(shù)均未參與判定模型的構(gòu)建。

表5 鮮煙葉成熟度的判定模型Tab.5 Discrimination models for maturity of fresh tobacco leaves

結(jié)合模型的擬合結(jié)果（圖3）可看出，在BPNN模型的構(gòu)建中，經(jīng)過多次優(yōu)選后，發(fā)現(xiàn)輸入層的神經(jīng)元數(shù)（m）為4、輸出層的神經(jīng)元數(shù)（n）為1、常數(shù)（q）為1時，隱含層的神經(jīng)元數(shù)（Z）為4，此結(jié)構(gòu)下的基于葉片正態(tài)參數(shù)所構(gòu)建的模型F4的網(wǎng)絡(luò)收斂效果最佳，由此確定模型F4的最佳BPNN結(jié)構(gòu)為4-4-1；當(dāng)m=14、n=1、q=6時Z=10，基于葉片復(fù)合參數(shù)所構(gòu)建的F5模型BP網(wǎng)絡(luò)收斂效果最佳，由此確定模型F5的最佳BPNN結(jié)構(gòu)為14-10-1；當(dāng)m=20、n=1、q=3時Z=8，基于葉片偏態(tài)參數(shù)所構(gòu)建的模型F6的網(wǎng)絡(luò)收斂效果最佳，由此確定模型F6的最佳BPNN結(jié)構(gòu)為20-8-1。

圖3 不同輸入因子對鮮煙葉成熟度BPNN判定模型的擬合結(jié)果Fig.3 Fitting results of BPNN discrimination models with different input factors for maturity of fresh tobacco leaves

2.4 鮮煙葉成熟度判定模型準確度分析

應(yīng)用模型F1～F6分別對預(yù)測組2018、2019和2020年度的鮮煙葉成熟度進行判定，結(jié)果見表6?？傮w看來，采用葉片偏態(tài)參數(shù)且使用BPNN的模型F6總體判定準確度最優(yōu)。

表6 不同模型對不同成熟度鮮煙葉的判定準確度比較Tab.6 Comparison of discrimination accuracy between different models for maturity of fresh tobacco leaves

從參數(shù)體系來看，在回歸模型中，使用葉色偏態(tài)參數(shù)的模型F3較使用葉色正態(tài)參數(shù)的模型F1判定準確度提高19.49%，較使用葉色復(fù)合參數(shù)的模型F2下降3.15%；在BPNN模型中，使用葉色偏態(tài)參數(shù)的模型F6較使用葉色正態(tài)參數(shù)的模型F4判定準確度提高14.45%，較使用葉色復(fù)合參數(shù)的模型F5提高11.11%。

從建模方式來看，在相同參數(shù)體系下，采用BPNN法構(gòu)建的模型F4、F5和F6較使用多元逐步回歸法構(gòu)建的模型F1、F2和F3判定準確度分別提高115.60%、80.01%和106.51%。

從不同年份看，6個模型對2018、2019和2020年煙葉平均判定準確度為95.33%、45.34%和35.11%，與建模組年份一致，其平均判定準確度最高。在對2018年煙葉判定中，以F4表現(xiàn)最優(yōu)，準確度達100%，F(xiàn)2、F5和F6準確度均達到97.00%以上；在對2019年及2020年煙葉的判定中，均以F6表現(xiàn)最優(yōu)，準確度分別達到89.33%和66.67%。

2.5 葉色偏態(tài)參數(shù)對鮮煙葉成熟度判定模型貢獻率分析

從判定準確率最高的模型F6輸入因子歸一化貢獻率（圖4）來看，貢獻率排名前7（高于50%）的依 次 為RMedian、RMean、YMedian、RSkewness、GMode、YMode和YKurtosis。其中，正態(tài)分布參數(shù)（葉色均值）只有1個，而葉色偏態(tài)參數(shù)則有6個。葉色偏態(tài)參數(shù)在模型F6的主要因子中占比達85.71%。

圖4 模型F6中各參數(shù)的貢獻率Fig.4 Contribution rates of various parameters in F6 model

3 討論

已有研究發(fā)現(xiàn)，煙草鮮葉數(shù)碼圖像的RGB顏色模型色階分布遵循偏態(tài)分布［20］。本研究結(jié)果顯示，不同鮮煙葉成熟度葉色數(shù)碼圖像的RGB顏色模型色階分布也同樣遵循偏態(tài)分布，并由此得到了20個葉色偏態(tài)參數(shù)，極大地豐富了煙草葉片圖像的信息量，從深淺程度和分布偏向性、分布集中度3個方面系統(tǒng)和定量地描述了葉片葉色。不同鮮煙葉成熟度的煙草葉片肉眼可見葉色存在差異，通過方差分析發(fā)現(xiàn)，不同鮮煙葉成熟度的葉片葉色偏態(tài)參數(shù)大多存在顯著差異，且不同偏態(tài)參數(shù)的變化規(guī)律不同，其中反映葉色深淺的均值、中位數(shù)、眾數(shù)隨著成熟度的增加而同步提高；反映葉色偏向性的偏度與成熟度在R、G通道及Y圖像上存在顯著負相關(guān)；在B通道上存在顯著正相關(guān)。說明鮮煙葉色偏態(tài)參數(shù)可很好地表征成熟度的等級差異，且與鮮煙葉成熟過程中葉色的變化也存在一致的對應(yīng)關(guān)系。這為利用偏態(tài)參數(shù)構(gòu)建鮮煙葉成熟度判定模型奠定了基礎(chǔ)。

本研究中基于葉色正態(tài)參數(shù)、葉色復(fù)合參數(shù)（R、G、B通道色階的均值，HSV顏色模型參數(shù)，Lab顏色模型參數(shù)，葉面紋理參數(shù)）及葉色偏態(tài)參數(shù)等3套葉色特征參數(shù)，依次采用多元逐步回歸法和BPNN法構(gòu)建了鮮煙葉成熟度的判定模型。通過比較不同參數(shù)體系、不同建模方式下的6種模型的擬合效果及判定準確度發(fā)現(xiàn)，基于BPNN法構(gòu)建的模型F4、F5和F6較基于多元逐步回歸法構(gòu)建的模型F1、F2和F3擬合效果更優(yōu)且鮮煙葉成熟度判定準確度更高，其對同年度生產(chǎn)煙葉的成熟度判定準確度達100%、98.67%和97.33%，這可能是由于鮮煙葉成熟度與葉色特征參數(shù)不是線性關(guān)系所致。同時，在采用BPNN的建模方式下，采用偏態(tài)參數(shù)可提高模型對鮮煙葉成熟度判定的總體準確度，特別是在跨年度的煙葉成熟度判定上表現(xiàn)良好。進一步對模型F6的參數(shù)貢獻率分析后發(fā)現(xiàn)，葉色偏態(tài)參數(shù)在模型F6的主要因子中占比達到85.71%。這說明偏態(tài)參數(shù)極大地豐富了葉色信息，可更準確地描述葉片狀態(tài)，基于偏態(tài)參數(shù)構(gòu)建的鮮煙葉成熟度判定模型有了更多的葉色信息輸入，在保證對同年度鮮煙葉成熟度高判定準確度的同時，也明顯提高了對跨年度鮮煙葉成熟度的判定準確度，使本研究方法在大田推廣應(yīng)用中優(yōu)勢更明顯，無需每年重新建模、更新智能判定系統(tǒng)，尤其適用于丘陵山區(qū)以及分散種植的農(nóng)戶使用。

雖然引入圖像偏態(tài)參數(shù)可明顯提高模型對成熟度判定的準確度，但對鮮煙葉成熟度的跨年判定準確度，仍低于當(dāng)年所建模型，這可能是由于不同年份間氣象、生產(chǎn)環(huán)境條件及農(nóng)藝措施等方面存在差異所致，具體原因還有待進一步研究。

4 結(jié)論

①不同成熟度鮮煙葉葉片數(shù)碼圖像的RGB顏色模型色階分布遵循偏態(tài)分布。通過偏態(tài)分析得到的偏態(tài)參數(shù)可很好地表征不同成熟度鮮煙葉間的等級差異，且不同葉色信息參數(shù)隨著成熟度的提高呈現(xiàn)不同的變化規(guī)律；且不同葉色信息參數(shù)隨著成熟度的提高呈現(xiàn)不同的變化規(guī)律。

②葉色正態(tài)參數(shù)、葉色復(fù)合參數(shù)（R、G、B通道色階的均值，HSV顏色模型參數(shù)，Lab顏色模型參數(shù)，葉片紋理參數(shù)）及葉色偏態(tài)參數(shù)等葉色特征參數(shù)與鮮煙葉成熟度間存在顯著或極顯著相關(guān)，這些高度相關(guān)的葉色特征參數(shù)可作為構(gòu)建鮮煙葉成熟度模型的重要指標(biāo)。

③采用BPNN法構(gòu)建的鮮煙葉成熟度判定模型的擬合效果均優(yōu)于多元逐步回歸法。無論是多元逐步回歸法還是BPNN法，采用偏態(tài)參數(shù)可明顯提高對鮮煙葉成熟度的判定準確度，尤其是在鮮煙葉成熟度的跨年度預(yù)測方面，模型F6優(yōu)于其他模型。