李增盛，孟令峰，王松峰*，高峻，徐小洪，朱先洲，楊超，汪伯軍，王愛(ài)華，孟霖，劉自暢，杜海娜，劉浩，孫福山

農(nóng)藝與調(diào)制

基于圖像處理的煙葉烘烤階段判別模型優(yōu)選

李增盛1,2，孟令峰1，王松峰1*，高峻3，徐小洪4，朱先洲3，楊超4，汪伯軍4，王愛(ài)華1，孟霖1，劉自暢1，杜海娜1,2，劉浩1,2，孫福山1

1中國(guó)農(nóng)業(yè)科學(xué)院煙草研究所，農(nóng)業(yè)部煙草生物學(xué)與加工重點(diǎn)實(shí)驗(yàn)室，青島 266101；2中國(guó)農(nóng)業(yè)科學(xué)院研究生院，北京 100081；3四川省煙草公司涼山州公司，四川 西昌 615000；4重慶煙草科學(xué)研究所，重慶 400715

【】煙葉烘烤階段的自動(dòng)判別是建立智能化煙葉烘烤系統(tǒng)的重要環(huán)節(jié)。為實(shí)現(xiàn)烘烤階段的精確識(shí)別和操控，提升煙葉烘烤的精準(zhǔn)度。提取烘烤過(guò)程中整夾煙葉圖像的11種顏色特征和8種紋理特征，分別對(duì)顏色特征和紋理特征進(jìn)行變量聚類分析，以10為距離，將提取的顏色特征和紋理特征各分為2類。利用相關(guān)性分析篩選出每類特征中與烘烤階段相關(guān)性最強(qiáng)的1個(gè)特征組成特征子集（R/G、l*、灰度平均和慣性），作為模型輸入，分別利用基于遺傳算法的支持向量機(jī)（GA-SVM）、基于粒子群算法的反向傳播（PSO-BP）神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)（ELM）進(jìn)行煙葉烘烤階段的分類識(shí)別研究。以優(yōu)選后4個(gè)圖像特征作為模型輸入時(shí)，所建立的GA-SVM模型的測(cè)試集判別準(zhǔn)確率為93.27%，PSO-BP神經(jīng)網(wǎng)絡(luò)模型的測(cè)試集判別準(zhǔn)確率為89.35%，ELM模型的測(cè)試集判別準(zhǔn)確率為85.05%。基于遺傳算法的SVM模型烘烤階段識(shí)別效果優(yōu)于基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型，基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別效果優(yōu)于ELM模型。

烤煙；烘烤階段；圖像處理；特征模型；智能烘烤

目前密集烘烤過(guò)程中煙葉的變黃與干燥狀態(tài)主要依靠肉眼觀察和手觸摸為基礎(chǔ)進(jìn)行人為判斷，存在較強(qiáng)的主觀性，使得烘烤工藝執(zhí)行中存在超前或滯后現(xiàn)象[1-2]，因此實(shí)現(xiàn)煙葉烘烤階段自動(dòng)精確判別和操控，提升煙葉烘烤的精準(zhǔn)度是目前煙葉烘烤研究的重點(diǎn)。

近幾年機(jī)器視覺(jué)在農(nóng)業(yè)應(yīng)用上取得了良好成績(jī)[3]，在煙葉生產(chǎn)中的應(yīng)用大多集中在煙田病蟲(chóng)害診斷[4-7]、煙葉成熟度判別[8-10]、烤后煙的分級(jí)識(shí)別[11-13]以及煙葉復(fù)烤[14-16]等方面。前人對(duì)烘烤過(guò)程中煙葉的形態(tài)特征變化進(jìn)行了初步探索，段史江等[17]建立了烘烤過(guò)程中煙葉含水率的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和基于遺傳算法的LS-SVM預(yù)測(cè)模型，預(yù)測(cè)結(jié)果與實(shí)測(cè)值的相關(guān)系數(shù)分別為0.894和0.998；張麗英等[18]進(jìn)行了烘烤過(guò)程中煙葉葉綠素和類胡蘿卜素與煙葉顏色特征的逐步回歸分析，所建立的回歸方程決定系數(shù)2分別為0.9766和0.6325；郭朵朵[19]以烤煙葉片含水量、葉綠素和類胡蘿卜素3個(gè)指標(biāo)為因變量，以葉片顏色參數(shù)Lab、長(zhǎng)度收縮率和寬度收縮率為自變量，建立了3個(gè)線性回歸預(yù)測(cè)模型，決定系數(shù)2分別為0.899、0.733和0.713。但機(jī)器視覺(jué)技術(shù)在煙葉烘烤階段判別的應(yīng)用還鮮見(jiàn)報(bào)道。

目前常用的機(jī)器學(xué)習(xí)方法有支持向量機(jī)（SVM）、反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）和極限學(xué)習(xí)機(jī)（ELM）等。其中SVM是一種基于統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)最小風(fēng)險(xiǎn)原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，能夠較好地解決小樣本學(xué)習(xí)、非線性以及高維等實(shí)際問(wèn)題，在模式識(shí)別中得到廣泛應(yīng)用[20]；BP神經(jīng)網(wǎng)絡(luò)是一種多層前向神經(jīng)網(wǎng)絡(luò)，運(yùn)用誤差方向傳播算法[21]，具有分布式處理、自學(xué)習(xí)和自組織能力強(qiáng)等優(yōu)點(diǎn)[22]；ELM是一種用于單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，其隱含層節(jié)點(diǎn)的權(quán)重為隨機(jī)或人為給定，且不需要更新，學(xué)習(xí)過(guò)程僅計(jì)算輸出權(quán)重，具有泛化能力強(qiáng)、運(yùn)算時(shí)間短的特點(diǎn)[23]。本研究采用GA-SVM、PSO-BP神經(jīng)網(wǎng)絡(luò)和ELM三種模型對(duì)煙葉烘烤階段進(jìn)行判別比較，得出優(yōu)選模型，以期為圖像處理技術(shù)在煙葉智能烘烤中的應(yīng)用提供理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)于2020年在四川省涼山州西昌市中國(guó)農(nóng)業(yè)科學(xué)院西南試驗(yàn)基地進(jìn)行，選取肥力中等的試驗(yàn)田，供試烤煙品種為云煙87，行距1.2 m，株距0.5 m，按照優(yōu)質(zhì)煙生產(chǎn)技術(shù)規(guī)范進(jìn)行栽培。選取大田長(zhǎng)勢(shì)整齊、落黃一致的成熟煙葉。烘烤烤房為熱泵密集烤房，裝煙室規(guī)格長(zhǎng)寬高為8.0 m×2.7 m×3.5 m，裝煙3層2路，裝煙量為4000～4300 kg。圖像采集設(shè)備采用專用廣角耐高溫高清攝像頭和標(biāo)準(zhǔn)拍攝用光源。

1.2 圖像采集

如圖1所示，在烤房中層設(shè)置溫濕度傳感器，并在正對(duì)煙葉30 cm，上擋風(fēng)板高出煙夾10 cm的位置安裝配備標(biāo)準(zhǔn)光源的圖像采集設(shè)備（圖2），調(diào)整攝像頭的角度和高度，每隔5 min在線實(shí)時(shí)采集烘烤過(guò)程中的整夾煙葉圖像，上傳至服務(wù)器。

圖1 圖像采集裝置安裝示意圖

圖2 圖像采集裝置結(jié)構(gòu)圖

1.3 圖像預(yù)處理

煙葉圖像受背景、光照等因素影響產(chǎn)生噪聲，且烘烤過(guò)程中煙葉的顏色和形狀差異導(dǎo)致圖像質(zhì)量發(fā)生變化，需對(duì)采集圖像進(jìn)行改善處理，增強(qiáng)煙葉圖像的有效信息，提高圖像的辨識(shí)度。本研究分別采用均值濾波和中值濾波對(duì)采集圖像進(jìn)行去噪，結(jié)果表明使用中值濾波器能夠改善煙葉圖像的質(zhì)量。圖像分割是進(jìn)行圖像分析和理解的關(guān)鍵，由于本研究中圖像采集方式是通過(guò)在烤房中裝置攝像頭直接拍攝，拍攝環(huán)境背景相對(duì)復(fù)雜，干擾因素較多，所以使用MATLAB自帶的閾值分割程序進(jìn)行基于YCbCr顏色空間的圖像分割[24]，最后運(yùn)用合成運(yùn)算獲得與背景分割后的完整煙葉彩色圖像，同時(shí)對(duì)無(wú)法通過(guò)閾值分割去掉的部分背景進(jìn)行掩膜操作，只保留煙葉區(qū)域[25]。

1.4 圖像特征提取

煙葉失水皺縮程度和顏色變化情況是判別煙葉烘烤進(jìn)程的主要依據(jù)。煙葉的顏色變化可以用顏色特征來(lái)反應(yīng)，本研究在RGB顏色空間的基礎(chǔ)上提取了RGB的均值和基于R、G、B顏色矩陣的幾種組合特征2G-R-B、G/(R+G+B)、R/G和G-R[18]以及基于l*a*b*顏色空間的l*a*b*的均值和其特征組合a*/b*[26]共11個(gè)顏色特征；煙葉的皺縮程度可以用圖像的紋理特征展現(xiàn)，本研究提取了烘烤過(guò)程中整夾煙葉圖像基于灰度梯度共生矩陣的能量、灰度平均、梯度平均、相關(guān)度、灰度熵、梯度熵、慣性矩和逆差矩[27]共8個(gè)紋理特征。

（a）煙葉原始圖像(a) Original image of tobacco leaves（b）煙葉灰度圖像(b) Gray image of tobacco leaves（c）煙葉均值濾波圖像(c) Mean filtered image of tobacco leaves （d）煙葉中值濾波圖像(d) Median filtered image of tobacco leaves（e）煙葉閾值分割圖像(e) Threshold segmentation image of tobacco leaves（f）煙葉掩膜后彩色圖像(f) Color image of tobacco leaves after masking

1.5 數(shù)據(jù)處理與判別模型的建立

參考三段式烘烤工藝、五段五對(duì)應(yīng)烘烤工藝[28]和8點(diǎn)式烘烤工藝[29]的基礎(chǔ)上，從煙葉的變黃到干筋，將整個(gè)烘烤過(guò)程采集的圖像分成10個(gè)階段，即：常溫～36℃末（第1階段）、36℃末～38℃末（第2階段）、38℃末～40℃末（第3階段）、40℃末～42℃末（第4階段）、42℃末～45℃末（第5階段）、45℃末～47℃末（第6階段）、47℃末～50℃末（第7階段）、50℃末～54℃末（第8階段）、54℃末～60℃末（第9階段）、60℃末～65℃末（第10階段）。數(shù)據(jù)集共計(jì)2139個(gè)樣本，采用隔三選一法，將樣本集劃分為訓(xùn)練集和測(cè)試集，分別包含樣品數(shù)據(jù)組1604個(gè)和535個(gè)。

為保證模型訓(xùn)練的快速性、準(zhǔn)確性以及模型的泛化性，將上述提取的11個(gè)顏色特征和8個(gè)紋理特征分別進(jìn)行變量聚類，然后將煙葉圖像特征與煙葉烘烤階段進(jìn)行相關(guān)性分析，篩選出每類特征中與烘烤階段相關(guān)性最強(qiáng)的1個(gè)圖像特征作為訓(xùn)練樣本。選取不同圖像特征組合作為模型輸入，建立極限學(xué)習(xí)機(jī)（ELM）、基于遺傳算法的支持向量機(jī)（GA-SVM）和基于粒子群算法的反向傳播神經(jīng)網(wǎng)絡(luò)（PSO-BP）分類模型對(duì)煙葉烘烤階段進(jìn)行分類比較。數(shù)據(jù)處理軟件為SAS 9.4和MATLAB 2020a軟件。

SVM是一種監(jiān)督方式的機(jī)器學(xué)習(xí)算法，本文選用SVM核函數(shù)中不隨參數(shù)變化而變化的RBF核函數(shù)[30]，同時(shí)懲罰因子c和核函數(shù)中的參數(shù)g是影響支持向量機(jī)性能的兩個(gè)主要參數(shù)，其中c表示對(duì)誤差的寬容度，其參數(shù)的大小對(duì)最優(yōu)分類面的位置有很大影響，參數(shù)g隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布[31]。利用模擬自然界中適者生存的進(jìn)化現(xiàn)象的遺傳算法對(duì)支持向量機(jī)中c和g兩個(gè)參數(shù)進(jìn)行篩選尋優(yōu)[32-34]，以最高的交叉驗(yàn)證集判別準(zhǔn)確率為尋優(yōu)目標(biāo)，在遺傳算法中將種群數(shù)量設(shè)置為30，最大迭代次數(shù)為50，參數(shù)c和g從0.1～200進(jìn)行尋優(yōu)取值[35]。

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播的多層前向神經(jīng)網(wǎng)絡(luò)。本文以隱含層節(jié)點(diǎn)數(shù)目5為步長(zhǎng)，從0到60對(duì)BP隱含層節(jié)點(diǎn)數(shù)進(jìn)行尋優(yōu)。選取premnmx函數(shù)，將樣本數(shù)據(jù)進(jìn)行歸一化處理。設(shè)定訓(xùn)練誤差目標(biāo)為0.0001，終止訓(xùn)練步數(shù)為1000，另外，BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值運(yùn)用粒子群算法（PSO）進(jìn)行優(yōu)化，PSO中的種群大小設(shè)置為30，迭代次數(shù)設(shè)置為50，確保分類的精準(zhǔn)度。

ELM是一類用于單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。本研究中選用Sigmoid函數(shù)，以隱層神經(jīng)元數(shù)目20為步長(zhǎng)，交叉驗(yàn)證集判別準(zhǔn)確率最高為尋優(yōu)目標(biāo)進(jìn)行隱層神經(jīng)元數(shù)目尋優(yōu)，并用10折交叉法進(jìn)行驗(yàn)證。

2 結(jié)果

2.1 煙葉圖像特征優(yōu)選

2.1.1 煙葉圖像特征的聚類分析

利用SAS 9.4將提取的顏色特征和紋理特征分別進(jìn)行變量聚類分析，結(jié)果如圖4和圖5所示：

以10為距離，可以將提取的11個(gè)顏色特征值分為兩類，其中G/(R+G+B)、a*/b*、G-R、a*、2G-R-B、b*和R/G為一類；R、G、B和l*為一類。同樣以10 為距離將提取的8個(gè)紋理特征分為梯度熵、逆差矩、能量、灰度熵、梯度平均、灰度平均、相關(guān)和慣性2類。

圖4 顏色特征值的聚類分析

圖5 紋理特征值的聚類分析

2.1.2 煙葉圖像特征與烘烤階段的相關(guān)性分析

利用SAS 9.4將提取的各煙葉特征值作為待選變量，分別與主導(dǎo)變量烘烤階段進(jìn)行相關(guān)性分析，結(jié)果如表1所示，煙葉的顏色特征值與烘烤階段的相關(guān)性均達(dá)到顯著關(guān)系，類別1中7個(gè)顏色特征中R/G與烘烤階段的相關(guān)性最強(qiáng)，相關(guān)性系數(shù)達(dá)到0.903；類別2 中l(wèi)*與烘烤階段相關(guān)性系數(shù)的絕對(duì)值最大，為-0.857。煙葉的紋理特征值與烘烤階段的相關(guān)性均呈極顯著關(guān)系，類別1中相關(guān)性最強(qiáng)的紋理特征為灰度平均，與烘烤階段呈負(fù)相關(guān)；類別2中慣性的相關(guān)性系數(shù)為-0.859。因此，選用2個(gè)顏色特征R/G與l*和2個(gè)紋理特征灰度平均與慣性共4個(gè)煙葉圖像特征組成特征子集作為建立煙葉烘烤階段判別模型的輸入變量。

表1 煙葉圖像特征值與溫度階段的皮爾遜相關(guān)性

Tab.1 The Pearson Correlation of Tobacco Leaf Image Feature Value and Temperature Stage

注：**表示在0.01水平（雙側(cè)）上極顯著相關(guān)。

Note：** means extremely significant correlation at the 0.01 level (bilateral).

2.2 煙葉烘烤階段GA-SVM分類模型的建立結(jié)果

分別利用提取的全部19個(gè)圖像特征、與烘烤階段相關(guān)性系數(shù)的絕對(duì)值大于0.7的10個(gè)圖像特征和經(jīng)過(guò)聚類分析和相關(guān)性分析優(yōu)選出的4個(gè)顏色紋理特征子集作為GA-SVM模型的輸入變量進(jìn)行烘烤階段分類判別。其中，以優(yōu)選后的4個(gè)圖像特征作為模型輸入，其參數(shù)尋優(yōu)結(jié)果如圖6所示，尋出最優(yōu)的g和c分別為99.97和89.77。

上述3種輸入情況下建立的GA-SVM的分類結(jié)果如表2所示，當(dāng)選用全部19個(gè)圖像特征作為GA-SVM判別模型的輸入時(shí)，模型分類效果最佳，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為99.75%、96.63%和98.50%；當(dāng)選用相關(guān)性分析后10個(gè)圖像特征作模型的輸入時(shí)，模型效果次之，訓(xùn)練集的判別準(zhǔn)確率為99.38%，交叉驗(yàn)證集的判別準(zhǔn)確率為96.13%，測(cè)試集判別準(zhǔn)確率為97.57%，總體準(zhǔn)確率達(dá)到97.69%；當(dāng)選用優(yōu)選后的2個(gè)顏色特征和2個(gè)紋理特征作為模型輸入時(shí)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率為95.57%、91.58%和93.27%。

圖6 GA參數(shù)尋優(yōu)圖

以優(yōu)選后4個(gè)圖像特征作為模型輸入，GA-SVM測(cè)試集的烘烤階段分類情況如圖7所示，前4階段預(yù)測(cè)結(jié)果最優(yōu)，第5階段和第6階段次之，第7階段、第8階段、第9階段和第10階段表現(xiàn)略差。

表2 GA-SVM分類結(jié)果

Tab.2 GA-SVM classification results

注：（1）特征數(shù)目中，19為提取的全部圖像特征；10為與烘烤階段相關(guān)性系數(shù)的絕對(duì)值大于0.7的10個(gè)圖像特征；4為經(jīng)聚類分析和相關(guān)性分析后優(yōu)選出的4顏色紋理特征。（2）子集判別準(zhǔn)確率=子集機(jī)器識(shí)別正確的樣品數(shù)目/子集總樣品數(shù)量*100%。下同。

Note: (1)Regarding the number of features, 19 represents the number of all extracted image features; 10 represent the number of image features with the absolute value of correlation coefficient with the curing stage greater than 0.7; 4 are 4 represent the number of colors selected after cluster analysis and correlation analysis texture features. (2) Accuracy of subset discrimination = the number of samples correctly identified by the subset machine/the total number of samples in the subset*100% .The same below.

圖7 GA-SVM測(cè)試集的實(shí)際分類和預(yù)測(cè)圖

2.3 PSO-BP神經(jīng)網(wǎng)絡(luò)模型建立結(jié)果分析

分別利用提取的全部19個(gè)圖像特征、與烘烤階段相關(guān)性系數(shù)的絕對(duì)值大于0.7的10個(gè)圖像特征和經(jīng)過(guò)聚類分析和相關(guān)性分析優(yōu)選出的4個(gè)顏色紋理特征作為PSO-BP模型的輸入變量進(jìn)行分類判別時(shí)，首先以隱含層節(jié)點(diǎn)數(shù)目5為步長(zhǎng)，從0到60對(duì)BP隱含層節(jié)點(diǎn)數(shù)進(jìn)行尋優(yōu)，在上述3種輸入情況下，建立尋優(yōu)后BP模型的隱含層節(jié)點(diǎn)數(shù)分別為35、40和50，其中以優(yōu)選后4個(gè)圖像特征作為輸入構(gòu)建模型時(shí)，其尋優(yōu)結(jié)果如圖8所示。

在上述3種輸入情況下，所建立的PSO-BP模型結(jié)果如表3所示。當(dāng)選用相關(guān)分析后10個(gè)圖像特征作為PSO-BP神經(jīng)網(wǎng)絡(luò)判別模型的輸入時(shí)，模型分類效果最佳，模型的訓(xùn)練集判別準(zhǔn)確率、交叉驗(yàn)證集的判別準(zhǔn)確率和測(cè)試集的判別準(zhǔn)確率分別為97.57%、95.63%和95.70%；當(dāng)選用全部19個(gè)圖像特征作為模型輸入時(shí)，模型效果次之，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為96.38%、97.19%和95.14%。當(dāng)選用優(yōu)選后的2個(gè)顏色特征和2個(gè)紋理特征作為模型輸入時(shí)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為91.14%、87.54%和89.35%。

圖8 BP隱含層節(jié)點(diǎn)數(shù)尋優(yōu)圖

表3 PSO- BP模型分類結(jié)果

Tab.3 Classification results of PSO-BP model

以優(yōu)選后4個(gè)圖像特征作為模型輸入，PSO-BP神經(jīng)網(wǎng)絡(luò)測(cè)試集的烘烤階段分類情況如圖9所示，前4階段表現(xiàn)最優(yōu)，第5階段和第6階段次之，第7階段、第8階段、第9階段和第10階段表現(xiàn)略差。

圖9 PSO-BP測(cè)試集的實(shí)際分類和預(yù)測(cè)圖

2.4 ELM模型建立結(jié)果分析

分別利用提取的全部19個(gè)圖像特征、與烘烤階段相關(guān)性系數(shù)的絕對(duì)值大于0.7的10個(gè)圖像特征和經(jīng)過(guò)聚類分析和相關(guān)性分析優(yōu)選出的4個(gè)顏色紋理特征子集作為ELM模型的輸入變量進(jìn)行分類判別，均以隱層神經(jīng)元數(shù)目20為步長(zhǎng)，以最高的交叉驗(yàn)證集判別準(zhǔn)確率為尋優(yōu)目標(biāo)進(jìn)行隱層神經(jīng)元數(shù)目尋優(yōu)。在上述3種輸入情況下，建立尋優(yōu)后的ELM模型的隱層神經(jīng)元數(shù)目分別為200、220和220，其中以優(yōu)選后4個(gè)圖像特征作為輸入構(gòu)建模型，尋優(yōu)結(jié)果如圖10所示。

在上述3種輸入情況下，所建立的尋優(yōu)后ELM模型結(jié)果如表4所示，在ELM模型中當(dāng)選用全部19個(gè)圖像特征作為判別模型的輸入時(shí)，模型分類效果最佳，訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為94.26%、92.56%和94.21%；當(dāng)選用與烘烤階段相關(guān)性較高10個(gè)圖像特征作模型的輸入時(shí)，模型效果次之，訓(xùn)練集的判別準(zhǔn)確率為92.76%，交叉驗(yàn)證集的判別準(zhǔn)確率為91.06%，測(cè)試集判別準(zhǔn)確率為91.96%。當(dāng)選用優(yōu)選后的2個(gè)顏色特征以及2個(gè)紋理特征作為模型輸入時(shí)，模型的訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集的判別準(zhǔn)確率分別為85.40%、82.53%和85.05%。以優(yōu)選后4個(gè)圖像特征作為模型輸入，ELM測(cè)試集的烘烤階段分類情況如圖11所示，前4階段預(yù)測(cè)效果最優(yōu)，第5階段和第6階段次之，第7階段、第8階段、第9階段和第10階段表現(xiàn)略差。

圖10 ELM隱層神經(jīng)元數(shù)目尋優(yōu)圖

表4 ELM模型分類結(jié)果

Tab.4 ELM model classification results

圖11 ELM測(cè)試集的實(shí)際分類和預(yù)測(cè)圖

2.5 以優(yōu)選后特征作為模型輸入時(shí)不同算法的烘烤階段識(shí)別結(jié)果對(duì)比

以選用優(yōu)選后4個(gè)圖像特征作模型輸入，不同算法的烘烤階段識(shí)別情況對(duì)比如表5和圖12所示，3種分類模型前4階段的識(shí)別錯(cuò)誤率較低，均在10%以下；第5階段和第6階段次之，第7階段、第8階段、第9階段和第10階段誤識(shí)率較高。這主要是由于本研究設(shè)計(jì)的前4個(gè)階段為煙葉烘烤的變黃期，第5～6階段為煙葉烘烤的主要定色時(shí)期，第7～10階段為煙葉烘烤的定色后期和干筋期。在烘烤過(guò)程中，煙葉外觀特征的顯著變化都集中在變黃期和定色前期[36-38]，識(shí)別出的圖像的顏色紋理特征參數(shù)的大幅變化也主要反映在變黃期和定色前期，導(dǎo)致定色后期和干筋期的模型誤識(shí)率相對(duì)偏高。

表5 3種模型各個(gè)烘烤階段識(shí)別結(jié)果

Tab.5 Recognition results of the three models at curing stage

注：（1）n：對(duì)應(yīng)階段識(shí)別錯(cuò)誤的樣本個(gè)數(shù)（個(gè)）；N：對(duì)應(yīng)階段樣本總數(shù)（個(gè)）；P：誤識(shí)率。（2）誤識(shí)率=階段識(shí)別錯(cuò)誤的樣本個(gè)數(shù)/對(duì)應(yīng)階段樣本總數(shù)*100%。

3 討論

目前密集烘烤過(guò)程煙葉的變黃與干燥狀態(tài)依舊需要依靠人眼和手等感官為基礎(chǔ)進(jìn)行人為判斷，存在較強(qiáng)的主觀性和盲目性[39]。烘烤過(guò)程中煙葉顏色、形態(tài)特征的變化是指導(dǎo)烘烤操作的重要依據(jù)，圖像處理技術(shù)可以將煙葉圖像的顏色形態(tài)等外觀特征進(jìn)行量化[40-42]。本研究利用廣角耐高溫高清攝像頭實(shí)時(shí)采集烘烤過(guò)程中煙葉變化圖像，通過(guò)圖像識(shí)別技術(shù)提取整夾煙葉圖像的11個(gè)顏色特征和8個(gè)紋理特征，分別選用全部19個(gè)圖像特征、與烘烤階段相關(guān)性系數(shù)的絕對(duì)值大于0.7的10個(gè)圖像特征和經(jīng)過(guò)聚類分析和相關(guān)性分析優(yōu)選出的4個(gè)顏色紋理特征作為GA-SVM、PSO-BP神經(jīng)網(wǎng)絡(luò)和ELM分類模型的輸入，開(kāi)展煙葉烘烤階段的模型預(yù)測(cè)，結(jié)果表明，GA-SVM的烘烤階段識(shí)別準(zhǔn)確率均達(dá)到90%以上，PSO-BP神經(jīng)網(wǎng)絡(luò)的判別準(zhǔn)確率在90%左右，ELM模型判別準(zhǔn)確率在85%以上。為保證模型訓(xùn)練的快速性、準(zhǔn)確性以及泛化性，選用優(yōu)選后2個(gè)顏色特征和2個(gè)紋理特征作為預(yù)測(cè)模型輸入，所建立的3種判別模型測(cè)試集預(yù)測(cè)精確度分別為93.27%、89.35%和85.05%。3種分類模型均表現(xiàn)為前4階段的識(shí)別錯(cuò)誤率較低，第5階段和第6階段次之，第7階段到第10階段誤識(shí)率較高，其中前4階段為煙葉烘烤的主要變黃期，關(guān)系到煙葉顏色的變化情況，直接影響烤煙質(zhì)量，是智能烘烤自動(dòng)控制的關(guān)鍵階段；第5～6階段為煙葉烘烤的主要定色時(shí)期，起到固定煙葉顏色的作用，對(duì)烤煙質(zhì)量影響較大；第7～10階段為煙葉烘烤過(guò)程中的定色后期和干筋期，此時(shí)煙葉烘烤的主要目的是使煙筋失水干燥，屬于智能烘烤自動(dòng)控制的次要階段，因此雖然后4階段判別效果略差，但對(duì)烤煙質(zhì)量的影響較小。本研究結(jié)果表明，基于遺傳算法的SVM模型烘烤階段識(shí)別效果優(yōu)于基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型，基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別效果優(yōu)于ELM模型。原因在于BP神經(jīng)網(wǎng)絡(luò)和ELM 這一類神經(jīng)網(wǎng)絡(luò)識(shí)別方法，是采用非線性函數(shù)形成的超平面在輸入空間內(nèi)進(jìn)行分割，而各烘烤階段顏色紋理特征的空間分布是較為接近的，尤其是相鄰的兩個(gè)烘烤階段之間，因此難以達(dá)到十分精確的識(shí)別，這也是誤識(shí)別大概率出現(xiàn)在相鄰烘烤階段的原因。而SVM利用核函數(shù)代替高維空間的映射，將原始數(shù)據(jù)映射到一個(gè)更高維的數(shù)據(jù)空間，使得原本線性不可分的問(wèn)題轉(zhuǎn)化為高維空間中線性可分的樣本，降低了構(gòu)造最優(yōu)分類超平面的難度，可以顯著提高識(shí)別精度[43-44]。

4 結(jié)論

本研究表明圖像處理技術(shù)能有效地量化烘烤過(guò)程中煙葉顏色及表面皺縮、卷曲、光滑程度等物理形態(tài)特征的變化，對(duì)于判斷烘烤過(guò)程、指導(dǎo)烘烤操作具有實(shí)際意義。所建立的3類烘烤階段預(yù)測(cè)模型表現(xiàn)為基于遺傳算法的SVM模型烘烤階段識(shí)別效果優(yōu)于基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型，基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別效果優(yōu)于ELM模型。各個(gè)模型的建立情況均表現(xiàn)為前6個(gè)階段識(shí)別精度較好，第7到第10階段的識(shí)別精度相對(duì)較差，這為后續(xù)研究提供了方向，可以單獨(dú)尋找干筋期特征，建立獨(dú)立的分類判別模型。

[1] 段史江，朱紅根，傅宗仁，等. 烤煙密集烘烤智能控制技術(shù)研究進(jìn)展[J]. 江西農(nóng)業(yè)學(xué)報(bào),，2013, 25(2): 107-109.

DUAN Shijiang, ZHU Honggen, FU Zongren, et al. Research Progress in Intelligent Control Technology of Tobacco Bulk Curing [J]. Acta Agriculturae Jiangxi, 2013, 25(2): 107-109.

[2] 賀帆，王濤，武圣江，等. 密集烘烤烤煙不同品種煙葉質(zhì)地和顏色變化[J]. 核農(nóng)學(xué)報(bào)，2014, 28(9): 1647-1655.

HE Fan, WANG Tao, WU Shengjiang, et al. Study on the Change of Texture and Color of Different Flue-cured Tobacco Varieties during the Bulk-curing [J]. Journal of Nuclear Agricultural Sciences, 2014, 28(9): 1647-1655.

[3] 李東洋，謝琳. 基于計(jì)算機(jī)視覺(jué)的農(nóng)業(yè)自動(dòng)化技術(shù)研究[J]. 農(nóng)村實(shí)用技術(shù)，2020, (12): 19-20.

LI Dongyang, XIE Lin. Research on Agricultural Automation Technology Based on Computer Vision [J]. Rural Practical Technology, 2020, (12): 19-20.

[4] 張紅濤，朱洋，譚聯(lián)，等. 基于FA-SVM技術(shù)的煙草早期病害識(shí)別[J]. 河南農(nóng)業(yè)科學(xué)，2020, 49(8): 156-161.

ZHANG Hongtao, ZHU Yang, TAN Lian, et al. The Recognition of Early Tobacco Disease Based on FA-SVM Technology [J]. Henan Agricultural Sciences, 2020, 49(8): 156-161.

[5] 朱洋，許帥濤，李藝嘉，等. 基于機(jī)器學(xué)習(xí)的煙草蛙眼病赤星病識(shí)別[J]. 糧食科技與經(jīng)濟(jì), 2019, 44(5): 114-116.

ZHU Yang, XU Shuaitao, LI Yijia, et al. Recognition of Tobacco Frog Eye Alternaria Based on Machine Learning [J]. Technology and Equipment, 2019, 44(5): 114-116.

[6] 馬俊紅，劉冬梅，李永亮，等. 煙草病蟲(chóng)藥害智能識(shí)別基準(zhǔn)數(shù)據(jù)集構(gòu)建及三維注意力模型設(shè)計(jì)[J]. 中國(guó)煙草學(xué)報(bào)，2021, 27(05): 52-60.

MA Junhong, LIU Dongmei, LI Yongliang, et al. Construction of benchmark data set for intelligent identification of tobacco pests, diseases, phytotoxicity and design of three dimensional attention model [J]. Acta Tabacaria Sinica, 2021, 27(05): 52-60.

[7] 張文靜，孫秀朋，喬永亮，等. 基于InceptionV3的煙草病害識(shí)別[J]. 中國(guó)煙草學(xué)報(bào)，2021, 27(05): 61-70.

ZHANG Wenjing, SUN Xiupeng, QIAO Yongliang, et al. Tobacco disease identification based on InceptionV3 [J]. Acta Tabacaria Sinica, 2021, 27(05): 61-70.

[8] 謝濱瑤，祝詩(shī)平，黃華. 基于BPNN和SVM的煙葉成熟度鑒別模型[J]. 中國(guó)煙草學(xué)報(bào)，2019, 25(1): 45-50.

XIE Binyao, ZHU Shiping, HUANG Hua. Model for identification of tobacco leaf maturity based on BPNN and SVM [J]. Acta Tabacaria Sinica, 2019, 25(1): 45-50.

[9] 謝濱瑤. 基于圖像處理的煙葉成熟度鑒別方法[D]. 重慶：西南大學(xué)，2020.

XIE Binyao. Identification methods of tobacco maturity based on image processing [D]. Chongqing: Southwest University, 2020.

[10] Qiang W, Si H P, Lei X, et al. Design of a tobacco leaf maturity degree detection device based on image processing technology[C]// International Workshop on Materials. 2016.

[11] 劉東來(lái). 基于機(jī)器視覺(jué)的煙葉分級(jí)關(guān)鍵技術(shù)分析[J]. 農(nóng)業(yè)技術(shù)與裝備，2020, (11): 18-19, 22.

LIU Donglai. Analysis of Key Technologies of Tobacco Leaf Classification Based on Machine Vision [J]. Agricultural Technology & Equipment, 2020, (11): 18-19, 22.

[12] 鄧晨曦. 基于機(jī)器視覺(jué)的煙葉自動(dòng)分級(jí)方法研究[J]. 科技創(chuàng)新導(dǎo)報(bào)，2020, 17(12): 39-40.

DENG Chenxi. Research on automatic classification of tobacco leaves based on machine vision [J]. Science and Technology Innovation Herald, 2020, 17(12): 39-40.

[13] Zhang F, Zhang X. Classification and Quality Evaluation of Tobacco Leaves Based on Image Processing and Fuzzy Comprehensive Evaluation [J]. Sensors, 2011, 11(3): 2369-2384.

[14] 崔云月，管一弘，孫娜，等. BP神經(jīng)網(wǎng)絡(luò)在煙梗長(zhǎng)短梗率檢測(cè)中的應(yīng)用[J]. 軟件導(dǎo)刊，2021, 20(2): 63-67.

CUI Yunyue, GUAN Yihong, SUN Na, et al. The Application of BP Neural Network in the Determination of the Stalk Length and Stem Rate [J]. Software Guide, 2021, 20(2): 63-67.

[15] 李陽(yáng)萱. 煙草異物圖像檢測(cè)技術(shù)研究及仿真[D]. 綿陽(yáng)：西南科技大學(xué)，2018.

LI Yangxuan. Research and Simulation on Image Recognition of Tobacco Impurities [D]. Mianyang: Southwest University of Science and Technology, 2018.

[16] 高鐵功，蔣太耕，甘建軍. 煙草異物智能剔除系統(tǒng)中相機(jī)優(yōu)化系統(tǒng)的研究[J]. 科技創(chuàng)新導(dǎo)報(bào), 2019, 16(27): 83, 85.

GAO Tiegong, JIANG Taigeng, GAN Jianjun. Research on the camera optimization system in the intelligent removal system of tobacco foreign matter [J]. Science and Technology Innovation Herald, 2019, 16(27): 83, 85.

[17] 段史江，宋朝鵬，馬力，等. 基于圖像處理的烘烤過(guò)程中煙葉含水量檢測(cè)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2012, 40(5): 74-80.

DUAN Shijiang, SONG Zhaopeng, MA Li, et al. Prediction of tobacco leaf’s water contents during bulk curing process based on image processing technique [J]. Journal of Northwest A & F University (Natural Science Edition), 2012, 40(5): 74-80.

[18] 張麗英，鮮興明，楊杰，等. 烘烤過(guò)程中煙葉顏色特征參數(shù)與色素含量的關(guān)系[J]. 煙草科技，2013, (08): 85-90.

ZHANG Liying, XIAN Xingming, YANG Jie, et al. Relationship Between Pigment Concentration and Color Attributive Parameters of Tobacco Leaves During Flue-curing [J]. Tobacco Science & Technology, 2013, (08): 85-90.

[19] 郭朵朵. 基于機(jī)器視覺(jué)的煙草烘烤品質(zhì)檢測(cè)及控制系統(tǒng)的設(shè)計(jì)[D].楊凌：西北農(nóng)林科技大學(xué)，2017.

GUO Duoduo. Detection of tobacco baking quality and design of control system based on machine vision [D]. Yangling: Northwest A & F University, 2017.

[20] 張淑雅，趙一鳴，李均利. 基于SVM的圖像分類算法與實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與應(yīng)用，2007, 43(25): 40-42, 48.

ZHANG Shuya, ZHAO Yiming, LI Junli. Algorithm and implementation of image classification based on SVM [J]. Computer Engineering and Applications, 2007, 43(25): 40-42, 48.

[21] 顧金梅，吳雪梅，龍?jiān)?，? 基于BP神經(jīng)網(wǎng)絡(luò)的煙葉顏色自動(dòng)分級(jí)研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2016, 37(4): 110-114.

GU Jinmei, WU Xuemei, LONG Zengyu, et al. Automatic classification research on tobacco leaf color based on BP neural network[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(4): 110-114.

[22] 韓永貴，高陽(yáng)，韓磊，等. 基于模糊規(guī)則的人工神經(jīng)網(wǎng)絡(luò)模擬新疆楊蒸騰耗水[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2020, 31(05): 1525-1534.

HAN Yonggui, GAO Yang, HAN Lei, et al. Modeling water consumption of Populus bolleana by artificial neural network based on fuzzy rules [J]. Chinese Journal of Applied Ecology, 2020, 31(05): 1525-1534.

[23] 王錦亞，李振業(yè)，倪超. 基于機(jī)器視覺(jué)的實(shí)木地板在線分色識(shí)別算法[J/OL]. 林業(yè)工程學(xué)報(bào)，2021, 6(5): 135-139.

WANG Jinya, LI Zhenye, NI Chao. Machine vision algorithms of online color recognition and classification for solid wood flooring products [J]. Journal of Forestry Engineering, 2021, 6(5): 135-139.

[24] 付云鳳. 基于閾值的圖像分割研究[D]. 重慶：重慶大學(xué)，2013.

FU Yunfeng. The Study of Image Segmentation Based on Thresholds [D]. Chongqing: Chongqing University, 2013.

[25] 謝旭. 基于機(jī)器視覺(jué)的水稻品種識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 哈爾濱：黑龍江大學(xué)，2019.

XIE Xu. Design and implementation of rice variety recognition system based on machine vision[D]. Harbin: Heilongjiang University, 2019.

[26] 李波，張仲文，章程，等. 淺談不同顏色模型在煙葉顏色數(shù)字化中的運(yùn)用[J]. 天津農(nóng)業(yè)科學(xué)，2021, 27(07): 48-51.

LI Bo, ZHANG Zhongwen, ZHANG Cheng, et al. Application of Different Color Models in Tobacco Color Digitization[J]. Tianjin Agricultural Sciences, 2021, 27(07): 48-51.

[27] 陳琪. 溫室植物病害監(jiān)測(cè)和識(shí)別系統(tǒng)研究[D]. 天津：天津科技大學(xué)，2019.

CHEN Qi. Research on Diseases Monitoring And Recognition System of Greenhouse Plant[D].Tianjin: Tianjin University of Science & Technology, 2019.

[28] 孫福山，王松峰, 王愛(ài)華, 等. 五段五對(duì)應(yīng)煙葉烤香密集烘烤精準(zhǔn)工藝: CN102599624A[P]. 2012-07-25.

SUN Fushan, WANG Songfeng, WANG Aihua, et al. Five segments of five correspond to the precise process of intensive roasting of tobacco leaves: CN102599624A[P]. 2012-07-25.

[29] 徐秀紅，王傳義，劉昌寶，等. “8點(diǎn)式精準(zhǔn)密集烘烤工藝”的創(chuàng)新集成與應(yīng)用[J]. 中國(guó)煙草科學(xué)，2012, 33(5): 68-73.

XU Xiuhong, WANG Chuanyi, LIU Changbao, et al. Foundation and Application of Eight-point Curing Technology [J]. Chinese Tobacco Science, 2012, 33(5): 68-73.

[30] 楊倩，高曉陽(yáng)，武季玲，等. 基于顏色和紋理特征的大麥主要病害識(shí)別研究[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013, 18(5): 129-135.

YANG Qian, GAO Xiaoyang, WU Jiling, et al. Research on the identification of major barley diseases based on color and texture features[J]. Journal of China Agricultural University, 2013, 18(5): 129-135.

[31] 汪世義，陶亮，王華彬. 支持向量機(jī)和遺傳算法的人臉識(shí)別方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2009, 45(12): 164-166, 232.

WANG Shiyi, TAO Liang, WANG Huabin. Face recognition based on Support Vector Machine and Genetic Algorithm. Computer Engineering and Applications[J], 2009, 45(12): 164-166, 232.

[32] 朱超巖，姚曉東. 基于遺傳算法優(yōu)化的支持向量機(jī)在變壓器故障診斷中應(yīng)用[J]. 儀表技術(shù)，2019, (3): 21-23, 32.

ZHU Chaoyan, YAO Xiaodong. Application of the Support Vector Machine in the Fault Diagnosis on the Transformer Based on the Optimal Genetic Algorithm [J]. Instrumentation Technology, 2019, (3): 21-23, 32.

[33] 馬創(chuàng)，王堯，李林峰. 基于遺傳算法與支持向量機(jī)的水質(zhì)預(yù)測(cè)模型[J]. 重慶大學(xué)學(xué)報(bào)，2021, 44(07): 108-114.

MA Chuang, WANG Yao, LI Linfeng. A water quality prediction model based on genetic algorithm and SVM [J]. Journal of Chongqing University, 2021, 44(07): 108-114.

[34] 楊旭，紀(jì)玉波，田雪. 基于遺傳算法的SVM參數(shù)選取[J]. 遼寧石油化工大學(xué)學(xué)報(bào)，2004, 24(1): 54-58.

YANG Xu, JI Yubo, TIAN Xue. Parameters Selection of SVM Based on Genetic Algorithm [J]. Journal of Liaoning Petrochemical University, 2004, 24(1): 54-58.

[35] 孟令峰，朱榮光，白宗秀，等. 基于手機(jī)圖像的不同貯藏時(shí)間下冷卻羊肉的部位判別[J]. 食品科學(xué)，2020, 41(23): 21-26.

MENG Lingfeng, ZHU Rongguang, BAI Zongxiu, et al. Discrimination of Chilled Lamb from Different Carcass Parts at Different Storage Times Based on Mobile Phone Images [J]. Food Science, 2020, 41(23): 21-26.

[36] 王愛(ài)華，王松峰，孫福山，等. 變黃期階梯升溫烘烤工藝對(duì)多酚類及相關(guān)物質(zhì)的影響[J]. 中國(guó)煙草科學(xué)，2016, 37(2): 59-64.

WANG Aihua, WANG Songfeng, SUN Fushan, et al. Effects of the Step-temperature Yellowing Curing Technology on Polyphenol and Related Substance in Tobacco Leaves [J]. Chinese Tobacco Science, 2016, 37(2): 59-64.

[37] 趙應(yīng)虎，王濤，何艷輝，等. 烘烤過(guò)程中烤煙外觀與內(nèi)在質(zhì)量變化研究進(jìn)展[J]. 作物研究，2013, 27(6): 700-704.

ZHAO Yinghu, WANG Tao, HE Yanhui, et al. Research Advance in Changes of Appearance Characteristics and Internal Quality of Flue-cured Tobacco during Curing [J]. Crop Research, 2013, 27(6): 700-704.

[38] 詹軍，周芳芳，張曉龍，等. 密集烤房與普通烤房烘烤過(guò)程中環(huán)境和煙葉顏色的變化[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015, 49(1): 17-21.

ZHAN Jun, ZHOU Fangfang, ZHANG Xiaolong, et al. Changes of curing environment and color of tobacco leaves in bulk curing barn and traditional flue-curing barn during curing process [J]. Journal of Henan Agricultural University, 2015, 49(1): 17-21.

[39] 段史江. 圖像處理技術(shù)在烤煙烘烤過(guò)程中的應(yīng)用研究[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2012.

DUAN Shijiang. Research on Application of Image Processing Technology during Curing Process of Flue-Cured Tobacco [D]. Zhengzhou: Henan Agricultural University, 2012.

[40] 莊珍珍. 基于機(jī)器視覺(jué)的煙葉自動(dòng)分級(jí)方法研究[D]. 重慶：西南大學(xué)，2016.

ZHUANG Zhenzhen. Method for Automatic Grading of Tobacco Based on Machine Vision [D]. Chongqing: Southwest University, 2016.

[41] 莊珍珍，祝詩(shī)平，孫雪劍，等. 基于機(jī)器視覺(jué)的煙葉自動(dòng)分組方法[J]. 西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016, 41(4): 122-129.

ZHUANG Zhenzhen, ZHU Shiping, SUN Xuejian, et al. On Method of Tobacco Automatic Grouping Based on Machine Vision [J]. Journal of Southwest Normal University (Natural Science Edition), 2016, 41(4): 122-129.

[42] Yin Y, Xiao Y, Yu H. An image selection method for tobacco leave grading based on image information[J]. Engineering in Agriculture Environment & Food, 2015, 8(3):148-154.

[43] 宋彥，謝漢壘，寧井銘，等. 基于機(jī)器視覺(jué)形狀特征參數(shù)的祁門(mén)紅茶等級(jí)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(23): 279-286.

SONG Yan, XIE Hanlei, NING Jingming, et al. Grading Keemun black tea based on shape feature parameters of machine vision [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(23): 279-286.

[44] 胡勇. 基于圖像處理的試紙識(shí)別技術(shù)研究[D]. 廈門(mén)：廈門(mén)理工學(xué)院，2018.

HU Yong. Research on Paper Testing Technology Based on Image Processing [D]. Xiamen: Xiamen University of Technology, 2018.

Selection of optimum discriminant model in tobacco curing stage based on image processing

LI Zengsheng1,2, MENG Lingfeng1, WANG Songfeng1*, GAO Jun3, XU Xiaohong4, ZHU Xianzhou3, YANG Chao4, WANG Bojun4, WANG Aihua1, MENG Lin1, LIU Zichang1, DU Haina1,2, LIU Hao1,2, SUN Fushan1

1 Institute of Tobacco Research of CAAS, Key Laboratory of Tobacco Biology and Processing, Ministry of Agriculture, Qingdao 266101, China; 2 Graduate School of Chinese Academy of Agricultural Sciences, Beijing 100081, China; 3 Liangshan Tobacco Company of Sichuan Province, Xichang, Sichuan 615000, China; 4 Chongqing Tobacco Science Research Institute, Chongqing 400715, China

The automatic discrimination in the tobacco curing stage is an important link for the establishment of an intelligent tobacco leaf curing system. This study aims to realize the accurate identification and control in the curing stage and improve the accuracy of tobacco curing.In this study,11 color features and 8 texture features of the complete tobacco leaf images during the curing process were extracted, then variable cluster analysis of the color features and texture features was carried out, and finally the extracted color feature values and texture features were divided into two categories with a distance of 10. Correlation analysis was performed to filter out one feature the strongest correlation with the curing stage from each categorize of feature to form a feature subset (R/G, l*, gray average and inertia), which was used as model input. Then support vector machine based on genetic algorithm (GA-SVM), the particle swarm algorithm back propagation (PSO-BP) neural network and the extreme learning machine (ELM) were used for classification and recognition in the tobacco curing stage.By using the selected four image features as model inputs, the test set discrimination accuracy rates of the established GA-SVM model, the PSO-BP neural network model and the ELM modelwere 93.27%, 89.35%, and 85.05%, respectively.The SVM model based on the genetic algorithm in the curing stage has the best recognition, followed by the BP neural network model based on the particle swarm algorithm, and the ELM model ranking last.

flue-cured tobacco; curing stage; image processing; feature model; smart curing

. Email：wangsongfeng@caas.cn

李增盛，孟令峰，王松峰，等.基于圖像處理的煙葉烘烤階段判別模型優(yōu)選[J]. 中國(guó)煙草學(xué)報(bào)，2022，28（2）.LI Zengsheng, MENG Lingfeng, WANG Songfeng, et al. Selection of optimum discriminant model in tobacco curing stage based on image processing[J]. Acta Tabacaria Sinica, 2022,28(2).doi:10.16472/j.chinatobacco. 2021.178

中國(guó)農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程（ASTIP-TRIC03）；中國(guó)煙草總公司重點(diǎn)項(xiàng)目“基于圖像精準(zhǔn)識(shí)別的煙葉智能烘烤關(guān)鍵技術(shù)研究與應(yīng)用”（110202102007）；中國(guó)煙草總公司四川省公司科技重點(diǎn)項(xiàng)目“物聯(lián)網(wǎng)+烤煙圖像識(shí)別智能烘烤研究與應(yīng)用”（SCYC202012）；中國(guó)煙草總公司重慶市公司科技項(xiàng)目“烤煙圖像識(shí)別智能烘烤技術(shù)研究與應(yīng)用”（B20202NY1335）

李增盛（1996—），研究生，主要研究方向?yàn)闊煵葜悄芎婵炯夹g(shù)，Tel：0532-88702076，Email：1349466902@qq.com

王松峰（1979—），副研究員，主要研究方向?yàn)闊煵葜悄芎婵炯夹g(shù)和設(shè)備，Tel：0532-88701009，Email：wangsongfeng@caas.cn

2021-09-14；

2022-02-11