摘要：利用高光譜（400～1 700 nm）成像技術掃描得到3個部位（上B、中C、下X）烤后煙葉的高光譜圖像，并提取其高光譜數(shù)據。采用相關性分析、主成分分析及方差分析研究了3個部位煙葉的高光譜特征，并構建5種識別煙葉部位的判別模型（SVM、KNN、RF、LightGBM和XGBoost）。結果表明，3個部位煙葉的光譜反射率為Cgt;Xgt;B（400～750 nm），Bgt;Cgt;X（750～1 400 nm），Cgt;B≈X（1 400～1 700 nm）。3個部位煙葉的高光譜數(shù)據存在較強相關性，總體上可見光以及近紅外波段在各自區(qū)域內相關性較強，而兩者之間相關性較弱。共提取得到7個特征值大于1的主成分，方差累計貢獻率接近1.00。3個部位煙葉的光譜反射率在450～550 nm和750～1 400 nm區(qū)域相互之間存在明顯差異，中部葉在550～850 nm和1 400～1 700 nm分別與上、下部葉具有明顯差異，上部葉在400～450 nm分別與中、下部葉差異明顯，下部葉在680 nm附近分別與上、中部葉差異顯著。SVM判別不同部位煙葉的表現(xiàn)最好，準確率、精確率、召回率和F1分數(shù)均達95%以上，LightGBM表現(xiàn)居中，各項指標在90%～95%，RF、KNN和XGBoost相對較差，各項指標在90%以下。

關鍵詞：高光譜特征； 烤后煙葉； 模型構建； 部位識別

中圖分類號：S512.1；S127" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0140-07

DOI：10.14088/j.cnki.issn0439-8114.2024.08.024 開放科學（資源服務）標識碼（OSID）：

Analysis of hyperspectral characteristics from different positions of flue-cured tobacco and construction of discriminating models

YAN Ding1， ZHANG Yi-zhi2， CHENG Sen1， CAI Xian-jie1， DONG Xiang-zhou3，

YANG Yue-zhang4， YUE Yao-wen3， WANG Da-bin 2， LIN Run-ying5

（1.Shanghai Tobacco Group Co.， Ltd.， Shanghai" 200082， China；2.Tobacco Research Institute of Chinese Academy of Agricultural Sciences， Qingdao 266101，Shandong， China；3.Anhui Wannan Tobacco Co.， Ltd.， Xuancheng" 242000，Anhui， China；4. Huahuan International Tobacco Co.， Ltd.， Chuzhou" 233121，Anhui， China；5. Longyan Branch of Fujian Tobacco Company， Longyan" 364000， Fujian， China）

Abstract： Hyperspectral images of three parts （upper B， middle C and lower X） of flue-cured tobacco leaves were obtained by scanning with hyperspectral imaging technique （400～1 700 nm）， and their hyperspectral data were extracted. The hyperspectral characteristics of the three parts of tobacco leaves were studied by correlation analysis， principal component analysis and variance analysis， and five discriminant models （SVM， KNN， RF， LightGBM and XGBoost） for identifying tobacco leaf parts were constructed. The results showed that the spectral reflectance of the three parts of tobacco leaves was Cgt;Xgt;B （400～750 nm）， Bgt;Cgt;X （750～1 400 nm）， and Cgt;B≈X （1 400～1 700 nm）. The hyperspectral data of the three parts of tobacco leaves had a strong correlation. In general， the correlation between the visible light and near-infrared bands was strong in their respective regions， while the correlation between the two was weak. A total of 7 principal components with eigenvalues greater than 1 were extracted， and the cumulative contribution rate of variance was close to 1.00. The spectral reflectance of the three parts of tobacco leaves was significantly different in 450～550 nm and 750～1 400 nm regions. The middle leaves had significant differences from the upper and lower leaves at 550～850 nm and 1 400～1 700 nm， respectively. The upper leaves had significant differences from the middle and lower leaves at 400～450 nm， respectively. The lower leaves had significant differences from the upper and middle leaves at around 680 nm. SVM performed best in distinguishing tobacco leaves in different parts， with accuracy， precision， recall and F1 scores all reaching above 95%， LightGBM performed in the middle， with various indicators between 90% and 95%， RF， KNN and XGBoost performed relatively poorly， with various indicators below 90%.

Key words： hyperspectral characteristics； flue-cured tobacco； model construction； position recognition

烤煙是中國經濟作物中重要的農產品，是生產卷煙的主要原料，也是中國出口的大宗農產品之一，其收購及交接過程主要依靠烤煙外觀質量進行判別?？緹熗庥^質量分類依據GB2635—1992《烤煙》中的標準［1］，該標準主要通過人的視覺和觸覺對煙葉進行分組分級，受外界環(huán)境溫濕度、人為感官的影響較大，進而導致烤煙收購分類不夠準確客觀［2-4］。

隨著圖像和光譜等技術的快速發(fā)展，其便捷快速、精度高、無損檢測等優(yōu)點被廣泛應用于農業(yè)、食品等領域［5-8］。已有研究表明，通過采集被測物體的反射信號獲取研究對象的特征信息能夠反映被測物的內部屬性，圖像信息可以表征物體大小、形狀和紋理等外觀特征［9-14］。李鑫等［15］利用高光譜成像技術完成了煙葉田間成熟度判別，于春霞等［16］利用近紅外光譜和SIMCA算法完成了煙葉部位相似性分析，張惠民等［17］、趙世民等［18］開展了基于圖像特征的煙葉分級方法研究。可見，利用光譜技術開展煙葉成熟度研究、利用圖像技術進行分級方面報道相對較多，但利用高光譜成像技術對煙葉部位分組判別研究還鮮見報道。因此，本研究利用高光譜成像技術研究不同部位烤后煙葉的光譜特征，在此基礎上構建并比較不同判別模型對煙葉部位的判別性能，最終為烤煙分組的智能化識別提供啟示和借鑒。

1 材料與方法

1.1 材料

所用的煙葉樣品來自山東省煙區(qū)，包括上部、中部和下部3個部位煙葉。

1.2 設備與儀器

所用的光譜成像系統(tǒng)包括2個波段的高光譜成像儀Specim FX10（400～1 000 nm，空間分辨率為8 μm×8 μm，光譜分辨率5.5 nm，波段數(shù)224個）和Specim FX17（900～1 700 nm，空間分辨率15 μm×" 15 μm，光譜分辨率8 nm，波段數(shù)224個）、鹵素燈光源、掃描平臺等。

1.3 高光譜圖像采集

分別將代表上部（B2F）、中部（C3F）以及下部（X2F）3個部位的典型煙葉樣品進行高光譜成像掃描，光譜掃描范圍為400～1 700 nm，共掃描樣品71份，其中B2F樣品28份，C3F樣品21份，X2F樣品22份，分別用B、C、X對以上3個部位樣品進行標注。

1.4 光譜數(shù)據提取

采用ENVI軟件提取整張葉片上所有像素點的光譜反射曲線，然后對其進行均值處理，最終得到代表不同煙葉樣品的平均光譜曲線。

1.5 模型構建與評價

1.5.1 數(shù)據集劃分 將3個部位（B、C、X）煙葉按照比例隨機劃分為訓練集和測試集，彼此之間數(shù)據不重疊（表1）。為提高模型泛化能力，采用5折交叉驗證的方法在訓練集中構建模型，而測試集則用于模型的性能評價。

1.5.2 模型介紹 采用支持向量機（SVM）、K近鄰（KNN）、隨機森林（RF）、LightGBM和XGBoost共5種模型，SVM是對數(shù)據進行二元分類的廣義線性分類器，具有稀疏性和穩(wěn)健性，通過引入核函數(shù)可實現(xiàn)非線性分類。KNN核心思想是如果一個樣本在特征空間中K個最相鄰的樣本中的大多數(shù)屬于某個類別，則該樣本也屬于這個類別。RF是一種基于決策樹的集成算法，對數(shù)據噪聲容忍度好，具有人工干預少、運算速度快等優(yōu)點。LightGBM是一個實現(xiàn)GBDT算法的框架，支持高效率的并行訓練，并且具有更快的訓練速度、更低的內存消耗、更好的準確率、支持分布式可以快速處理海量數(shù)據等優(yōu)點。XGBoost是基于Boosting框架的算法工具包，在并行計算效率、缺失值處理、預測性能方面都非常強大。

1.5.3 模型性能評價指標

1）混淆矩陣。表2為混淆矩陣，包括真正例（True positive，TP）、假正例（False positive，F(xiàn)N）、假反例（False negative，F(xiàn)N）、真反例（True negative，TN）4種情況。依據模型對測試集中每個樣本的預測情況，將其歸類到以上4個類別中。

2）準確率（Accuracy）。準確率表示TP和TN數(shù)量占訓練集總樣本個數(shù)的比例，計算式如下所示。

[Accuracy =TP+TNTP+TN+FP+FN] （1）

3）精確率（Precision）。精確率又叫查準率，表示預測結果為正例的樣本中實際為正樣本的比例，計算式如下所示。

[Precision=TPTP+FP] （2）

4）召回率（Recall）。召回率又被稱為查全率，表示預測結果為正樣本中實際正樣本數(shù)量占全部樣本中正樣本的比例，計算式如下所示。

[Recall=TPTP+FN] （3）

5）F1分數(shù)（F1 scores）。F1分數(shù)是綜合了精確率和召回率的判斷指標，F(xiàn)1分數(shù)的值為0～1，1最好，0最差，F(xiàn)1分數(shù)越高表明模型越穩(wěn)健，計算式如下所示。

[F1 scores=2×precision × recallprecision+ recall] （4）

6）加權平均（Weighted average）。

[Weighted average =i=1n Cwi×Pi] （5）

式中，[Cwi]為每個類別在整個類別的占比；[Pi]為第[i]個類別的精確率、召回率或F1分數(shù)。

1.6 數(shù)據分析軟件

使用ENVI軟件提取煙葉中的高光譜數(shù)據，使用 R語言進行數(shù)據分析，使用Python構建模型。

2 結果與分析

2.1 高光譜特征分析

圖1a展示了不同部位煙葉在400～1 700 nm的光譜反射曲線?？傮w上，從400 nm開始光譜反射率迅速下降，在450 nm左右處達到最低點，此時反射率在0.1附近，然后迅速上升，在780 nm處基本達到平臺，此后在780～1 300 nm處反射率雖有波動，但始終在0.6～0.7，在1 300～1 450 nm處光譜反射率有所下降，在1 450 nm附近時不同部位煙葉反射率為0.45～0.50，此后反射率有所上升，在1 700 nm處為0.50左右。圖1b展示了400～1 700 nm處各波長間的相關性矩陣，從整體上來看，在400～700 nm、850～1 500 nm以及1 500～1 700 nm 3個區(qū)域內各波段之間具有較強的正相關性；在400～750 nm與1 000～" " " 1 500 nm兩個區(qū)域間各波段的正相關性弱，其中，在400～750 nm與1 250～1 500 nm兩個區(qū)域之間的某些波段呈負相關性；在400～1 500 nm與1 500～1 700 nm兩個區(qū)域之間，有些波段正相關性較強，有些波段正相關性較弱；同樣地，在700～1 000 nm與400～700 nm兩個區(qū)域間，有些波段具有正相關性，有些波段相關性較弱。

由圖1b可知，不同部位煙葉的高光譜各波段之間存在多重共線性，因此對其進行主成分分析。如表3所示，共提取得到7個特征值大于1的主成分，其特征值分別為129.98、113.01、45.83、9.46、7.28、3.95、1.11，相應的方差貢獻率分別為0.42、0.36、0.15、0.03、0.02、0.01、0.01，方差累計貢獻率接近于1.00，具有很好的降維效果。

各主成分在400～1 700 nm處各波長上載荷系數(shù)的變化曲線如圖2所示。對于PC1而言，載荷系數(shù)在400～600 nm處幾乎可忽略不計，此后迅速上升，在850 nm附近達到最高點，此時載荷系數(shù)接近1.0，隨后在850～1 350 nm處載荷系數(shù)變化不大，當 λgt;1 350 nm時，載荷系數(shù)開始迅速降低，在1 450 nm處達到最低點，此后隨著波長增加，載荷系數(shù)開始先增大后減小，最大值在0.30左右。對于PC2而言，在400 nm處載荷系數(shù)約為0.65，在450 nm處增加到0.85左右，隨后在450～500 nm處載荷系數(shù)變化不大，當λgt;500 nm時，載荷系數(shù)開始迅速上升，最高點達1.0左右，且在500～600 nm處變化不大，當λgt;600 nm時，載荷系數(shù)開始迅速降低，到1 000 nm附近達到最小值，此后在1 000～1 300 nm處載荷系數(shù)變化不大，當λgt;1 300 nm時，載荷系數(shù)迅速上升，最大值達0.35左右，此后隨著波長增加，載荷系數(shù)呈先減小后增大的趨勢，在1 700 nm附近時達0.45左右。對于PC3而言，在400～1 300 nm處載荷系數(shù)在0.20附近波動，當λgt;1 300 nm時，載荷系數(shù)急劇上升，在1 450 nm附近達到最大值，此時載荷系數(shù)約為0.95，在1 450～1 600 nm處載荷系數(shù)變化不大，當λgt;1 600 nm時，載荷系數(shù)開始下降，在1 700 nm處約為0.75。對于PC4而言，在400 nm處載荷系數(shù)約為0.70，此后隨著波長增加迅速下降，在500 nm附近達到最小值，在500～1 650 nm處載荷系數(shù)一直較小，當λgt;1 650 nm時，載荷系數(shù)開始增大，在1 700 nm處達0.30左右。對于PC5而言，在450～550 nm處，載荷系數(shù)呈先增加后降低的趨勢，在490 nm附近載荷系數(shù)達到最大值，約為0.55，在其他波段范圍內，載荷系數(shù)均很小。對于PC6而言，在700～900 nm處載荷系數(shù)相對較高，最大值約為0.20，在其他波段上，載荷系數(shù)均較小。對于PC7而言，在600～700 nm處載荷系數(shù)呈先迅速升高后降低的趨勢，最大值在0.30左右，在其他波段上載荷系數(shù)均較小。對于以上7個主成分，PC1主要代表750～1 400 nm處近紅外區(qū)域的光譜信息，PC2主要代表400～750 nm處可見光以及1 400～1 700 nm處近紅外區(qū)域的光譜信息，PC3代表1 400～1 700 nm處近紅外區(qū)域的光譜信息，PC4代表400～450 nm處以及1 700 nm附近的光譜信息，PC5代表450～550 nm處的光譜信息，PC6代表750～850 nm處的一部分光譜信息，PC7代表680 nm附近的光譜信息。

為比較不同部位煙葉高光譜的差異性，圖3展示了各主成分的箱線圖以及方差分析結果，PC1的得分均值為Bgt;Cgt;X，其中B與C之間存在顯著差異（Plt;0.05），B、C分別與X之間存在極顯著差異（Plt;0.01）；PC2的得分均值為Cgt;Xgt;B，C分別與B、X之間存在極顯著差異（Plt;0.01）；PC3的得分均值為Cgt;Bgt;X，C分別與B、X之間同樣差異極顯著（Plt;0.01）；PC4的得分均值為Cgt;Xgt;B，C、X分別與B之間均存在極顯著差異（Plt;0.01）；PC5的得分均值為Cgt;Xgt;B，三者之間均存在極顯著差異（Plt;0.01）；PC6的得分均值為Cgt;Bgt;X，C分別與B、X之間差異顯著（Plt;0.05）；PC7的得分均值為Cgt;Bgt;X，其中X分別與B、C之間差異極顯著（Plt;0.01）。

2.2 模型構建及評價

各模型對3個部位煙葉的判別準確率如圖4a所示，SVM準確率最高，為95%，LightGBM次之，約為91%，RF、KNN、XGBoost較差，約為86%。各模型對3個部位煙葉判別的混淆矩陣如圖4b至圖4f所示，對于SVM，除1個C被誤判為B外，其他樣品均判斷正確；對于RF和KNN，有2個X分別被誤判為B和C，1個C被誤判為X；對于LightGBM，1個X被誤判為B，1個C被誤判為X；對于XGBoost，1個B被誤判為X，1個C樣品被誤判為X，1個X被誤判為C。

各模型判別不同部位煙葉3項指標（精確率、召回率和F1分數(shù)）的變化情況如表4所示。對于上部葉而言，SVM、RF、KNN和LightGBM 4種模型的3項指標數(shù)值都一致，其中召回率為100%，F(xiàn)1分數(shù)為95%，精確率為90%，XGBoost的精確率為100%，召回率為89%，F(xiàn)1分數(shù)為94%。對于中部葉而言，SVM和LightGBM的3項指標數(shù)值一致，其中精確率為100%，召回率為80%，F(xiàn)1分數(shù)為89%；RF、KNN和XGBoost的3項指標相等，精確率、召回率和F1分數(shù)均為80%。對于下部葉而言，SVM的3項指標相等，精確率、召回率和F1分數(shù)均為100%，LightGBM的3項指標均為88%，RF和KNN的3項指標數(shù)值一致，精確率、召回率和F1分數(shù)分別為86%、75%和80%，XGBoost的3項指標分別為78%、88%和83%。

各模型判別3個部位煙葉3項指標的加權平均值如圖5所示。SVM的精確率、召回率和F1分數(shù)最高，均大于95%，LightGBM的精確率、召回率和F1分數(shù)居中，為90%～92%，而其余3種模型相對較差，3項指標數(shù)值均低于90%。

3 討論

綠色植物由于含有葉綠素、葉黃素等色素，在400～500 nm和600～700 nm處有較強的光譜吸收。與綠色植物的光譜曲線相比，不同部位烤后煙葉在400～500 nm處有較強的吸收，而在600～700 nm處的吸收峰消失，原因是烤后煙葉中葉綠素已被完全分解導致葉片在600～700 nm處無吸收能力，而400～500 nm處的吸收，則是由于烤后煙葉中的葉黃素以及新生成色素吸收導致。此外，在近紅外區(qū)域光譜曲線上的一些微弱吸收峰則是由于煙葉中含有的

-CH、-NH和-OH等含氫基團的倍頻與合頻振動吸收產生的。對于上、中、下3個部位煙葉的光譜反射率大小排序大致可分為3段，在400～750 nm處為Cgt;Xgt;B，在750～1 400 nm處為Bgt;Cgt;X，在1 400～1 700 nm處為Cgt;B≈X。相關性分析表明，可見光部分以及近紅外部分各自區(qū)域內的波段存在正相關性，而兩者之間則正相關性較弱，甚至某些波段呈負相關，說明兩個區(qū)域之間相對獨立，內在關聯(lián)性較小，而兩個區(qū)域內部各自波段之間相關性較強，存在多重共線性，具有很好的降維潛能?；诖?，本研究利用主成分分析對不同部位煙葉的高光譜數(shù)據進行降維，7個主成分的方差累計貢獻率接近1.00，表明以上7個主成分幾乎包含了原始數(shù)據的全部信息，意味著每個樣品的高光譜信息可由以上7個主成分的得分數(shù)據替代，從而大大簡化了不同部位煙葉高光譜特征分析的難度。

主成分載荷系數(shù)和方差分析結果表明，3個部位煙葉在450～550 nm、750～1 400 nm處相互之間差異明顯，中部葉在550～850 nm和1 400～1 700 nm處兩個波段的光譜分別與上部葉和下部葉之間存在顯著差異，而上部葉與下部葉之間則差異不顯著，上部葉光譜反射率在400～450 nm附近低于中部葉和下部葉，考慮到煙葉色素在該波段存在吸收峰，意味著上部葉具有更高的色素含量，從而使得葉片顏色較深，下部葉分別與上部葉、中部葉在680 nm處存在顯著差異，而上部葉與中部葉之間差異不顯著。

在5種判別模型中，SVM的表現(xiàn)最好，LightGBM居中，RF、KNN、XGBoost較差。通常而言，在進行人工煙葉部位分組時，相鄰部位煙葉容易發(fā)生誤判，而間隔部位的煙葉發(fā)生誤判的可能性較小。在本研究中，SVM中有1個中部葉樣品被誤判為上部葉，RF、KNN、LightGBM和XGBoost中分別有1個中部葉樣品被誤判為下部葉，RF、KNN和XGBoost中分別有1個下部葉樣品被誤判為中部葉，而所有模型在上部葉和下部葉之間沒有發(fā)生誤判。5種模型對上部葉的識別能力相當，SVM和LightGBM對中部葉的識別能力優(yōu)于其他3種模型，對于下部葉，SVM的識別能力明顯優(yōu)于其他4種模型。結合5種模型3項指標的加權平均值可以發(fā)現(xiàn)，SVM判別3個部位煙葉的綜合性能最好，LightGBM性能居中，而RF、KNN和XGBoost相對較差。

4 小結

本文探究了烤后煙葉不同部位的高光譜特征及判別模型性能?？竞鬅熑~的高光譜波段間存在較強的相關性，且3個部位煙葉的光譜反射率在不同波段范圍內存在明顯差異。在5種判別模型中，SVM性能最好，準確率、精確率、召回率和F1分數(shù)均在95%以上。本研究旨在為將來高光譜成像技術應用于煙葉部位分組乃至煙葉分級等方面提供先期理論和技術探索。

參考文獻：

［1］ GB2635—1992，烤煙［S］.

［2］ 李福元，李 敏.利用四級驗收模式來提高調撥煙葉純度的實踐與思考［J］.安徽農業(yè)科學，2021，49（20）：198-199，212.

［3］ 謝會雅，羅真華.株洲烤煙專業(yè)化分級散葉收購模式的實踐與建議［J］.湖南農業(yè)科學，2015（12）：100-102.

［4］ 林 志，曾惠宇.烤煙B2F混入C3F之原因及對策探析（英文）［J］.Agricultural science amp; technology，2015，16（10）：2084-2085，2090.

［5］ 黎瑞君，陳智虎，舒 田，等.基于無人機多光譜影像的佛手瓜葉片SPAD值估算模型［J］.湖北農業(yè)科學，2023，62（4）：180-185.

［6］ 陳智虎，舒 田，劉春艷，等.基于無人機高光譜影像的火龍果波段篩選研究［J］.湖北農業(yè)科學，2022，61（22）：158-162.

［7］ 陳 成，楊棟淏，李亞強，等.基于無人機遙感技術的玉米長勢監(jiān)測研究［J］.湖北農業(yè)科學，2022，61（20）：179-181，210.

［8］ 孟 露，張 捷，楊 甜，等.基于高光譜成像技術的番茄葉片葉綠素含量可視化分布研究［J］.湖北農業(yè)科學，2022，61（14）：171-177.

［9］ 陳玥瑤，夏靜靜，韋 蕓，等.近紅外光譜法無損檢測平谷產大桃品質方法研究［J］.分析化學，2023，51（3）：454-462.

［10］ 姜小剛，朱明旺，姚金良，等.基于近紅外光譜技術蘋果尺寸差異對糖度模型適用性的影響［J］.華中農業(yè)大學學報，2024，" " 43（1）：242-248.

［11］ 金誠謙，郭 榛，張 靜，等.大豆水分含量的高光譜無損檢測及可視化研究［J］.光譜學與光譜分析，2022，42（10）：3052-3057.

［12］ 尚 靜，馮樹南，譚 濤，等.基于高光譜成像的貴長獼猴桃硬度快速預測［J］.食品工業(yè)科技，2023，44（6）：345-350.

［13］ 李秀麗，陳 鎮(zhèn)，戢小梅，等.牡丹不同木質化程度枝條的紅外光譜分析［J］.湖北農業(yè)科學，2021，60（19）：75-80.

［14］ 吳延勇，史艷財，呂雪娟，等.不同產地馬鈴薯主要成分的近紅外無損測定模型［J］.湖北農業(yè)科學，2021，60（12）：128-130，134.

［15］ 李 鑫，湯衛(wèi)榮，張永輝，等.基于高光譜成像技術的煙葉田間成熟度判別模型［J］.煙草科技，2022，55（7）：17-24.

［16］ 于春霞，馬 翔，張曄暉，等.基于近紅外光譜和SIMCA算法的煙葉部位相似性分析［J］.光譜學與光譜分析，2011，31（4）：924-927.

［17］ 張惠民，韓力群，段正剛.基于圖像特征的煙葉分級［J］.武漢大學學報（信息科學版），2003（3）：359-362.

［18］ 趙世民，宋正雄，賀智濤，等.基于圖像特征的煙葉分級方法研究［J］.安徽農業(yè)科學，2018，46（28）：191-193，198.

基金項目：中國農業(yè)科學院科技創(chuàng)新工程項目（ASTIP-TRIC06）；上海煙草集團有限責任公司科技項目（K2021-1-033P）

作者簡介：閆 鼎（1983-），男，河南漯河人，工程師，碩士，主要從事烤煙煙葉原料研究工作，（電子信箱）yanding656@163.com；通信作者，

王大彬（1986-），男，助理研究員，博士，主要從事煙草化學成分光學分析，（電子信箱）wangdabin@caas.cn；通信作者，

林潤英（1971-），農藝師，主要從事煙葉生產及原料研究，（電子信箱）372644839@qq.com。