張廣普 李崢 黃廣華 徐志強 鐘永健 趙程虹

摘? ? 要：量化研究烘烤變黃期煙葉顏色變化，實現烘烤變黃期葉片含水量的無損檢測。利用色差儀檢測‘K326中部葉不同變黃溫度（烤前32，34，36，38，40，42 ℃）下的葉片顏色參數（L*、a*、b*、C、H°），通過因子分析法對作為輸入變量的顏色參數進行篩選，分別構建不同溫度點的葉片含水量預測模型。網絡模型訓練結果表明：各溫度點葉片含水量預測模型的模擬值與目標值的回歸系數均達到顯著水平或極顯著水平，各網絡模型預測誤差在0～2.0范圍內的樣本占比達到88%以上，預測誤差在0～3.0范圍內的樣本占比均達到95%以上。構建的不同變黃溫度葉片含水量預測模型具有較高的準確性，在烘烤變黃期可利用BP神經網絡基于煙葉顏色參數進行葉片含水量的快速無損估測。

關鍵詞：烤煙;變黃期;BP神經網絡;顏色參數;葉片含水量;預測模型

中圖分類號：S572? ? ? ? ?文獻標識碼：A? ? ? ? ? DOI 編碼：10.3969/j.issn.1006-6500.2021.10.014

Prediction of Moisture Content of Tobacco Leaves in Yellowing Stage Based on Back Propagation Artificial Neural Network

ZHANG Guangpu， LI Zheng， HUANG Guanghua， XU Zhiqiang，ZHONG Yongjian， ZHAO Chenghong

（China Tobacco Zhejiang Industrial Co.， Ltd.， Hangzhou， Zhejiang 310024， China）

Abstract： Quantitative study on color change of flue cured tobacco leaves during yellowing period. Non-destructive testing of leaf moisture content during yellowing stage. The middle leaves of 'K326' were used as experimental materials. The leaf color parameters （L*，a*，b*，C，H°） were measured colorimeter under different yellowing temperatures （32，34，36，38，40，42℃）. The color parameters were screened by factor analysis. The prediction models of leaf moisture content at different temperature points were established. The network model training results showed that： the regression coefficients between the simulated value and the target value of each prediction model reached a significant level or extremely significant level. The proportion of samples with prediction error in the range of 0-2.0 was more than 88%. And the proportion of samples with prediction error in the range of 0-3.0 was more than 95%. The prediction model of leaf moisture content with different yellowing temperature had high accuracy. BP neural network could be used to estimate leaf moisture content rapidly and non-destructively based on tobacco color parameters during yellowing period.

Key words： flue-cured tobacco; yellowing stage; back propagation artificial neural network; color parameters; moisture content of tobacco leaves; Prediction model

變黃期是煙葉烘烤過程中的重要階段，煙葉在變黃階段發(fā)生的理化變化對其商品質量的形成具有決定性的作用。實際烘烤作業(yè)中，操作人員通常對煙葉的變黃程度和失水程度進行監(jiān)測和判斷，并調控煙葉所處溫、濕環(huán)境以促進變黃和失水達到協(xié)調的狀態(tài)[1-3]，為煙葉定色打下良好的基礎。變黃期煙葉顏色由青轉黃的變化較為明顯[2]，但對于煙葉失水程度的判斷則是基于葉片和主脈的形態(tài)變化進行分析[4-5]，存在較強的主觀性和隨意性。因此，研究變黃期煙葉含水量的準確測算方法對指導烘烤操作有重要意義。目前，對于煙葉水分測量的方法較多，例如：烘箱法[6]、低場核磁檢測法[7-8]、近紅外分析技術[9]等，但上述方法存在周期長、成本高的問題，無法滿足烘烤過程中快速實時監(jiān)測煙葉含水量的需求。有研究表明，烘烤過程中煙葉顏色與含水量的變化存在復雜的相關關系[10-12]，隨著色彩學科的不斷發(fā)展，顏色的量化研究在煙葉生產及相關研究中得以廣泛應用，例如：武圣江等[13]用顏色參數和失水速率等指標探究了不同烤煙品種不同成熟度上部葉的烘烤特性;李志剛等[14]分析了烘烤過程中顏色值與含水量的變化及相關關系;賀帆等[15]基于色度學通過回歸分析建立了烘烤過程水分預測模型，經檢測相對誤差達到18.25%，模型預測精準度略差。在含水量預測模型構建方法選擇的問題上，簡單的相關分析和回歸分析難以處理指標間非線性的變化關系。而BP神經網絡具有較強的自學習能力以及高度非線性的特點[16]，近年來在煙葉品質指標預測、自動分級等方面有所應用[17-18]。本研究基于煙葉正、背面顏色參數，利用BP神經網絡構建烘烤過程中預測不同變黃溫度點葉片含水量的模型，為處理煙葉烘烤變黃期顏色與水分的復雜關系提供解決思路，同時為煙葉烘烤逐步實現智能化提供一定理論依據。

1 材料和方法

1.1 試驗材料

供試烤煙品種為‘K326，2020年4月3號移栽，種植株行距50 cm×110 cm。試驗田土壤為紅壤，土壤有機質含量23.7 g·kg-1，土壤pH值偏酸性，有效磷和速效鉀含量分別為22.1，161.3 mg·kg-1，氯離子含量19.8 mg·kg-1。田間種植管理按照優(yōu)質烤煙生產技術規(guī)范進行。對中部葉（第10～12葉位）掛牌標記，待田間成熟度達到適熟標準后，選取株高、葉片顏色基本一致，且無病、蟲害的煙株一次性采收烘烤。供試烤房為普通燃煤式密集烤房，裝煙室為3層2路式，裝煙室規(guī)格為長×寬×高=8.0 m×2.8 m×3.4 m，裝煙量4 000～4 300 kg。

1.2 試驗方法

參照三段式烘烤工藝[2]，試驗結合烤房實際溫、濕度，將烘烤變黃期溫度等間距劃分為32（烤前），34，36，38，40，42 ℃等6個取樣溫度點。每個取樣溫度點選取大小、顏色基本一致的煙葉240片，進行顏色參數和葉片含水量的測定。為避免空隙影響后續(xù)烤房中煙葉顏色和水分的變化，取樣后采用麻袋片進行填補。

1.3 顏色參數和葉片含水量測定

顏色參數測定參照霍開玲等[19]方法進行。采用Color-Eye7000A型分光光譜儀（美國GretagMac-beth公司，光譜范圍360 nm～700 nm，測量孔徑1.5 cm），測量時避開支脈和病斑，每片煙葉于葉尖、葉中、葉基部各選取對稱的2個測量位點（圖1），葉片正面、背面共計檢測12個位點。檢測指標為亮度值L*、紅度值a*、黃度值b*、飽和度C、色相角H°。顏色參數為無損測量，測量后采用烘箱法[6]檢測葉片含水量，測量時用刀片將主脈和葉片剝離，通過稱重計算葉片含水量。

1.4 數據處理與分析

采用Matlab2014b軟件進行數據統(tǒng)計、數據處理、模型構建及樣本訓練，采用Excel2013軟件制作圖片。

2 結果與分析

2.1 烘烤變黃期煙葉顏色參數和含水量變化

烘烤變黃期不同取樣溫度點測量的烤煙樣品顏色參數和葉片含水量如表1所示。由表1可知，烘烤變黃期煙葉正、背面各項顏色參數變化規(guī)律基本一致，表現為：L*、a*、b*、C呈上升趨勢，H°則不斷下降，表明隨變黃期烘烤溫度的上升，煙葉顏色的亮度變高，綠色變淡，黃色變濃，顏色愈發(fā)飽和鮮亮，色相角H°在180°～90°的變化反映顏色逐漸由綠轉黃，檢測的煙葉H°變化介于103.1°～76.28°，表征了變黃期烤煙顏色變化規(guī)律。煙葉正面和背面顏色參數呈現一定的差異性，煙葉采收至烘烤變黃期結束的過程中，葉片正面的L*、H°兩項指標高于背面，a*、b*、C則低于背面。采收后鮮煙葉葉片含水量在80%左右，隨烘烤進行葉片失水速率逐漸加快，其中以38～42 ℃區(qū)間失水幅度最為明顯，表明變黃中后期葉片失水較快，變黃期葉片失水比例約為20%。

2.2 樣品顏色參數的因子分析

為加快網絡模型的收斂速度，實現最好的訓練效果，采用因子分析法對網絡模型的輸入變量進行篩選。因子分析采用主成分提取的方法，并進行方差極大正交旋轉，得到的因子旋轉矩陣如表2所示。由表可知，在累計貢獻率>90%的情況下共提取出5個主成分因子，其中，前3個因子的貢獻率較高，均達到20%以上，因子4和因子5的貢獻率較低，分別為13.058%，11.473%，5個主成分因子累計貢獻率為95.162%，表明提取的主成分可以描述樣本的顏色參數。從因子載荷系數來看，因子1主要反映了背面a*、b*、H°的影響，因子2主要反映正面b*、C的影響，因子3主要反映正面L*的影響，因子4主要反映背面C的影響，因子5主要反映正面a*、H°的影響。

2.3 結構設計與數據處理

BP神經網絡由輸入層、隱含層、輸出層，3層結構組成。本文構建的烘烤變黃期葉片含水量預測模型結構設計如圖2所示。根據因子分析結果，將葉片正面L*、a*、b*、C、H°以及背面a*、b*、C、H°等9項指標作為網絡的輸入節(jié)點，以32～42 ℃區(qū)間內6個取樣溫度點的葉片含水率分別作為輸出節(jié)點構建各溫度點的預測模型。隱含層的節(jié)點數量依據經驗公式（1）來確定取值范圍：

式中，q為隱含層節(jié)點數量;n為輸入層節(jié)點數量;m為輸出層節(jié)點數量;α為調節(jié)常數（α=1，2，……，10）。

實際訓練過程中，調節(jié)常數α的取值會影響輸出結果的準確性，表3反映了所有隱含層節(jié)點取值時神經網絡訓練誤差。由表3可知，隱含層節(jié)點數量在4～14范圍內，經網絡性能測試，隱含層節(jié)點數為11時模型擬合誤差最小，為3.87%，結合輸入節(jié)點及輸出節(jié)點個數，構建“輸入層-隱含層-輸出層”結構為“9-11-1”的BP神經網絡模型。

作為神經網絡輸入層的顏色參數指標之間具有不同的量綱和量綱單位，例如：烘烤前期煙葉a*值為負，其余顏色參數均為正，且明顯高于a*值;H°值反映顏色在色相環(huán)中存在的角度，其余顏色參數則采用數值的高低來反映顏色。同時，為避免輸入層數據數值差異較大引起的輸出飽和現象，為進一步加快網絡收斂速度、提升網絡訓練準確性，需要對輸入層顏色參數數據進行歸一化處理。由于采集的煙葉樣本數量有限，為避免后續(xù)新數據加入改變樣本數據的最大值和最小值，因此采用Matlab2014b軟件通過Z-score標準化函數進行數據處理。

2.4 網絡建立與訓練

基于BP神經網絡的烘烤變黃期葉片含水量預測通過MATLAB神經網絡工具箱提供的函數進行編程進而完成模型的構建及樣本的訓練，具體步驟如下：

（1）導入數據，將標準化處理后的數據導入MATLAB軟件中。

（2）函數設置，確定輸入層、隱含層、輸出層節(jié)點數后，使用newff函數初始化網絡，輸入層至隱含層使用Tan-Sigmoid飽和正切函數進行連接，隱含層至輸出層使用purelin線性轉換函數，網絡訓練函數為trainlm。

（3）參數設定，設置訓練步數為100，反復訓練次數為1 000，學習率為0.05，訓練目標誤差為0.005，其余參數使用系統(tǒng)默認值，設定參數的Matlab程序如下：

net. trainParam. Show =100;

net. trainParam. goal=0.005;

net. trainParam. Epochs=1 000;

net.trainParam.lr=0.05;

（4）樣本訓練，隨機選取每個取樣溫度點樣品數量的70%（168個）作為訓練集，剩余30%（72個）樣品作為驗證集以測試模型的精度，各集合樣本提取的程序如下：

net.divideFcn =‘dividerand;

net.divideMode =‘sample;

net.divideParam.trainRatio = 70/100;

net.divideParam.testRatio = 30/100;

2.5 樣本訓練結果與分析

基于煙葉正、背面顏色參數，使用BP神經網絡構建了烘烤變黃期不同溫度點葉片含水量預測模型。采用模型對樣本進行訓練和仿真，以訓練完成后各模型輸出的模擬值為縱坐標，以實際檢測的目標值為橫坐標，進行回歸分析，結果如圖3所示。圖中虛線函數為y=x，即表明輸出值與目標值數值完全一致。由圖3可知，不同變黃期溫度點葉片含水量的模擬值與目標值的擬合程度較高，大部分數據較為集中。從回歸系數來看，32，34 ℃預測模型達到顯著水平，36，38，40，42 ℃的預測模型達到了極顯著水平。表明各模型的模擬值與目標值較為接近，預測精準度較高。

為進一步驗證模型的精準性，分別對不同溫度點的168個訓練樣本和72個驗證樣本的預測值與輸出值的差異進行統(tǒng)計分析，得到歸屬于不同誤差區(qū)間的樣本比例。結果如表4所示，誤差絕對值區(qū)間在0～1.0范圍內的樣本比例均達到40%以上，誤差絕對值區(qū)間<2.0的樣本占比基本在90%以上，僅32 ℃模型的訓練樣本和34 ℃模型的驗證樣本占比低于90%，但也分別達到了88.92%， 89.70%，誤差絕對值區(qū)間<3.0的樣本占比均高于95%，表明構建的模型預測效果較好。

3 結論與討論

烘烤過程中對煙葉顏色變化的描述通常用變黃程度，對于煙葉干燥狀態(tài)則采用勾尖卷邊、卷筒等形態(tài)的變化來描述[2，20-21]。這種烘烤模式主要基于對煙葉變黃程度和形態(tài)變化的定性判斷，對技術水平的要求較高。CIELab顏色系統(tǒng)是國際照明委員會公布的一種包括人眼可見的所有色彩的顏色模式[22]，可以實現烘烤過程中煙葉表面顏色的量化研究。烘烤變黃期煙葉顏色參數變化的研究結果表明：a*值在38 ℃之前增幅較為緩慢，38～42 ℃顯著增長，結合5項顏色參數來看，隨烘烤變黃溫度上升，煙葉顏色愈發(fā)鮮亮飽和，綠色變淡，黃色逐漸凸顯，且變黃后期顏色變化較為明顯。由于煙葉為典型異面葉，葉片正、背面的細胞結構和生理生化特征存在較大差異[5]。因此，鮮煙葉葉面和葉背的顏色參數有明顯的不同，但各項顏色參數在烘烤變黃期間的變化規(guī)律基本一致。葉片含水率變化結果顯示，變黃期葉片失水速率逐漸加快，在38～42 ℃的溫度區(qū)間內失水幅度最為明顯，與顏色變化最明顯的時期相吻合。

在葉片含水率檢測方面，本研究采用的烘箱法具有成本低、結果準確的特點[23]，但在實際生產中由于檢測時效性差、需要損壞樣品[6]，不能用于烘烤實時監(jiān)測煙葉含水量。烘烤過程中煙葉顏色變化不僅是指導烘烤操作的重要依據，同時也是判斷煙葉失水程度的重要指標[24]。常規(guī)的線性分析方法無法處理煙葉顏色與葉片含水率之間的關系，本研究通過精密色差儀檢測煙葉顏色參數，并作為輸入變量，采用BP神經網絡模型對烘烤變黃期葉片含水率進行模擬預測，利用神經網絡具備的優(yōu)秀的復雜模式分類能力和多維函數映射能力[25]，快速高效地判斷葉片含水量，且實現了葉片含水量的無損檢測，滿足烘烤過程對水分檢測的需求。

本文對烘烤變黃期的溫度進行劃分，基于烤煙正、背面顏色參數，利用BP神經網絡對不同變黃溫度點的葉片含水率進行了預測。結果表明：各溫度點葉片含水率模型的預測值與實際檢測值的誤差在0～3.0區(qū)間內的樣本占比均達到95%以上，預測誤差在0～2.0區(qū)間內的樣本占比均達到88%以上，表明該網絡模型具有較好的預測穩(wěn)定性和準確性，為烘烤變黃期依據量化的顏色指標實現煙葉含水量的判斷提供了研究基礎，同時為煙葉烘烤的智能化研究提供了一定的支撐。本研究僅選用烤煙品種‘K326進行分析和測試，缺少對不同烤煙品種的比較分析，具有一定局限性。再者由于煙葉烘烤特性受生態(tài)條件、栽培措施等因素影響較大，導致年度間鮮煙葉素質存在一定波動，進而影響烘烤過程中煙葉顏色和水分的變化。因此，模型的普適性還有待于進一步擴大取樣范圍進行檢驗和完善。

參考文獻：

[1] 魏碩， 徐宸， 王松峰， 等. 預凋萎煙葉烘烤過程中水分遷移干燥及形態(tài)收縮特性[J]. 西北農林科技大學學報（自然科學版）， 2018， 46（6）： 39-47.

[2] 宮長榮. 煙草調制學[M]. 北京： 中國農業(yè)出版社， 2003： 1-7.

[3] 王傳義， 張忠鋒， 徐秀紅， 等. 煙葉烘烤特性研究進展[J]. 中國煙草科學， 2009， 30（1）： 38-41.

[4] 李崢， 邱坤， 方明， 等. 基于形態(tài)學和色度學的烘烤過程中煙葉水分含量變化的模型[J]. 江蘇農業(yè)科學， 2019， 47（19）： 209-214.

[5] 王濤， 賀帆， 詹軍， 等. 密集烘烤過程中基于色度學和形態(tài)學的烤煙外觀變化與化學成分關系[J]. 華中農業(yè)大學學報， 2012， 31（6）： 765-770.

[6] 劉惠民， 馬明. 煙草及煙草制品試樣的制備和水分的測定-烘箱法：YC/T 31-1996[S]. 北京： 中國標準出版社， 1996.

[7] 宋朝鵬， 魏碩， 賀帆， 等. 利用低場核磁共振分析烘烤過程煙葉水分遷移干燥特性[J]. 中國煙草學報， 2017， 23（4）： 50-55.

[8] 魏碩， 譚方利， 馬明， 等. 上部葉帶莖烘烤水分遷移及形態(tài)結構變化[J]. 河南農業(yè)大學學報， 2018， 52（2）： 187-192， 231.

[9] 尹旭， 徐其敏， 陳清， 等. 近紅外分析技術在片煙含水率快速檢測中的應用[J]. 中國農業(yè)信息， 2012， 31（17）： 88-89.

[10] 謝鵬飛， 鄧小華， 周清明， 等. 密集烘烤過程中煙葉顏色、形態(tài)和水分變化及相互關系[J]. 作物研究， 2012， 26（5）： 486-490.

[11] 郭朵朵. 基于機器視覺的煙草烘烤品質檢測及控制系統(tǒng)的設計[D]. 楊凌： 西北農林科技大學， 2017： 3-7.

[12] 段史江， 宋朝鵬， 馬力， 等. 基于圖像處理的烘烤過程中煙葉含水量檢測[J]. 西北農林科技大學學報（自然科學版）， 2012， 40（5）： 74-80.

[13] 武圣江， 莫靜靜， 婁元菲， 等. 不同烤煙品種不同成熟度上部葉烘烤特性研究[J]. 核農學報， 2020， 34（6）： 1337-1349.

[14] 李志剛， 王廷賢， 潘飛龍， 等. 烘烤中煙葉顏色值與水分的變化及相互關系[J]. 湖南文理學院學報（自然科學版）， 2020， 32（2）： 65-70， 95.

[15] 賀帆， 王濤， 樊士軍， 等. 基于色度學的密集烘烤過程中煙葉主要化學成分變化模型研究[J]. 西北農林科技大學學報（自然科學版）， 2014， 42（5）： 111-118.

[16] WANG R， JIANG J， PAN Y， et al. Prediction of impact sensitivity of nitro energetic compounds by neural network based on electrotopological-state indices[J]. Journal of Hazardous Materials， 2009， 166（1）： 155-186.

[17] 顧金梅， 吳雪梅， 龍曾宇， 等. 基于BP神經網絡的煙葉顏色自動分級研究[J]. 中國農機化學報， 2016， 23（4）： 110-114.

[18] 李崢， 王建峰， 程小強， 等. 基于BP神經網絡的烤煙外觀質量預測模型[J]. 西南農業(yè)學報， 2019， 32（3）： 653-658.

[19] 霍開玲， 宋朝鵬， 武圣江， 等. 不同成熟度煙葉烘烤中顏色值和色素含量的變化[J]. 中國農業(yè)科學， 2011， 44（10）： 2013-2021.

[20] 樊軍輝， 陳江華， 宋朝鵬， 等. 不同烤房烘烤過程中煙葉形態(tài)和物理特性的變化[J]. 西北農林科技大學學報（自然科學版）， 2010， 38（6）： 109-114.

[21] 夏春， 范寧波， 王彬， 等. 成熟度對云煙87上部煙葉烘烤中失水特性的影響[J]. 福建農林大學學報（自然科學版）， 2020， 49（2）： 159-166.

[22] HILL B， ROGER T H，VORHAGEN F W. Comparative analysis of the quantization of color spaces on the basis of the CIELAB color-difference formula[J]. ACM Transactions on Graphics， 1997， 16（2）： 109-154.

[23] 鄭利鋒， 劉茜， 吳金鳳， 等. 試樣參數對烘箱法煙葉含水率檢測結果的影響[J]. 煙草科技， 2013， 49（2）： 40-45.

[24] 李崢， 邱坤， 楊鵬， 等. 煙葉烘烤過程中水分遷移干燥特性研究進展[J]. 昆明學院學報， 2017， 39（6）： 37-41.

[25] OU G B，MURPHEY Y L. Multi-class pattern classification using neural networks[J]. Pattern Recognition， 2007， 40（1）： 4-18.