摘要" 鮮煙葉成熟度判別是生產(chǎn)優(yōu)質(zhì)煙葉的關(guān)鍵環(huán)節(jié)之一，也直接影響后續(xù)煙葉環(huán)節(jié)的烘烤質(zhì)量?；跈C(jī)器視覺方法，使用StackingClassifier集成學(xué)習(xí)策略，建立了成桿鮮煙葉成熟度判別模型，使用外測(cè)樣本進(jìn)行兩個(gè)批次的成桿鮮煙葉成熟度等級(jí)判別。結(jié)果表明，所建立的模型在兩個(gè)批次樣品中的判別準(zhǔn)確率均在94%以上；在成桿鮮煙葉主體成熟度檔次比例的預(yù)測(cè)上，預(yù)測(cè)比例與真實(shí)比例的平均絕對(duì)誤差為6%。該方法實(shí)現(xiàn)了批量化的煙葉成熟度預(yù)測(cè)，為烤房煙葉成熟度的精準(zhǔn)把控提供了參考。

關(guān)鍵詞" 烤煙；成熟度識(shí)別；烤房；機(jī)器視覺；智能化烘烤

中圖分類號(hào)" TP391.41;TS452 """文獻(xiàn)標(biāo)識(shí)碼" A """文章編號(hào)" 1007-7731（2024）24-0106-04

DOI號(hào)" 10.16377/j.cnki.issn1007-7731.2024.24.023

Research on maturity recognition of fresh tobacco leaf bundles in baking chambers based on machine vision

YU Xi1 LI Hongming1 DAI En1 SUN Wusan1 ZHU Faliang1 ZHAO Wenjun1 LI Yueping1

WANG Jiaxu1 HU Huixin2

（1Kunming Branch of Yunnan Tobacco Company， Kunming 650051， China;

2Shanghai Chuangheyi Electronic Technology Development Co.， Ltd.， Shanghai 200082， China）

Abstract" The identification of tobacco leaf maturity is one of the key links to produce high-quality tobacco leaves， and also directly affects the curing quality of subsequent tobacco leaves. Based on machine vision method and StackingClassifier integrated learning strategy， the maturity discrimination model of fresh tobacco leaves was established， and the maturity level of two batches of fresh tobacco leaves was determined by external test samples. The results showed that the accuracy of the model was above 94% in two batches of samples. The average absolute error between the predicted proportion and the real proportion was 6%. This method realized the prediction of the maturity of bulk tobacco leaves and provide a reference for the accurate control of the maturity of tobacco leaves in baking chambers.

Keywords" flue-cured tobacco; maturity recognition; baking chambers; machine vision; intelligent baking

煙葉成熟度判別是生產(chǎn)優(yōu)質(zhì)煙葉的關(guān)鍵環(huán)節(jié)之一，成熟度反映了煙葉內(nèi)化學(xué)成分含量與比例的變化程度，是保證和提高烤煙品質(zhì)的前提[1]。準(zhǔn)確掌握鮮煙葉的成熟度，并選擇恰當(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。劉輝等[2]和李佛琳等[3]研究了烤煙鮮煙葉成熟度的量化，認(rèn)為對(duì)于田間煙葉成熟度的判別一般通過目測(cè)、手摸等感官感受定性識(shí)別，依據(jù)特征主要包括葉面顏色、主支脈外觀變化、茸毛脫落程度、葉片下垂、葉緣下卷、葉面發(fā)皺和成熟斑等。該判別方法主觀性較強(qiáng)，而且費(fèi)時(shí)費(fèi)力。現(xiàn)階段對(duì)于煙葉成熟度的判別，主要利用光譜技術(shù)開展煙葉化學(xué)成分含量檢測(cè)，估測(cè)煙葉中尼古丁、焦油和香氣物質(zhì)等化學(xué)成分的含量[4-6]，從而對(duì)煙葉成熟度進(jìn)行判別。該方法相較于人工感官判別提高了判別準(zhǔn)確性，同時(shí)降低了成本[7-8]。近年來(lái)，隨著信息技術(shù)的不斷發(fā)展，基于機(jī)器視覺的圖像識(shí)別技術(shù)日趨完善[9]，進(jìn)而推動(dòng)了基于圖像對(duì)煙葉成熟度進(jìn)行判別的深入研究[10-11]。如謝濱瑤等[12]和汪睿琪等[13]應(yīng)用該技術(shù)獲取煙葉圖像信息，提取其顏色或紋理特征等對(duì)不同部位的煙葉成熟度進(jìn)行預(yù)測(cè)，該方法具有無(wú)損、高效和低成本等優(yōu)點(diǎn)。與此同時(shí)，煙葉烤房的智能化建設(shè)也取得了一定的進(jìn)展，通過采用工控軟件、傳感器及紅外線技術(shù)等實(shí)現(xiàn)對(duì)烤房的智能化控制[14-15]，并逐步應(yīng)用到煙葉烘烤實(shí)踐中，提升了煙葉的烘烤質(zhì)量及效率，同時(shí)顯著降低了烘烤過程中的能耗。

與實(shí)驗(yàn)室環(huán)境下理想的煙葉識(shí)別不同，烤房?jī)?nèi)的成桿鮮煙葉懸掛烘烤，葉片間相互重疊，使得獲取整片煙葉的清晰圖像變得較為困難。此外，還面臨如何實(shí)現(xiàn)煙葉的準(zhǔn)確分離以及對(duì)桿上煙葉整體成熟度的綜合判別等挑戰(zhàn)。目前，針對(duì)烤房中成桿鮮煙葉成熟度識(shí)別的研究有待進(jìn)一步深入。為此，本研究采用機(jī)器視覺技術(shù)，對(duì)烤房中成桿鮮煙葉的成熟度識(shí)別進(jìn)行深入研究，以期探索一種準(zhǔn)確、快速判斷煙葉成熟度的技術(shù)方法，為智能烤房的開發(fā)提供技術(shù)支持，進(jìn)而提升煙葉品質(zhì)和烘烤效率，降低烘烤過程中的能耗和對(duì)環(huán)境的污染，實(shí)現(xiàn)煙葉的智能綠色烘烤。

1 材料與方法

1.1 試驗(yàn)材料

收集云煙87中下部煙葉，每株采摘中下部葉片各2片，共收集煙葉41 872片。剔除病葉、殘葉后，將剩余鮮煙葉送入室內(nèi)進(jìn)行鮮煙葉成熟度分選，將其歸類為過熟、成熟和欠熟3個(gè)檔次，從不同成熟檔次中隨機(jī)選出2/3樣品用于識(shí)別訓(xùn)練，剩余樣品用于外部測(cè)試。將訓(xùn)練樣品煙葉懸掛于煙桿上（圖1），每桿懸掛110片煙葉，訓(xùn)練集建模樣本共計(jì)237桿。煙葉成熟度檔次建模樣本數(shù)據(jù)如表1所示。

FLIR相機(jī)（型號(hào)BFS-PGE-120S4C-CS），圖像像素1 200萬(wàn)，類型為RGB8真彩圖像，最高幀率8.5 fps；圖像經(jīng)色彩白平衡校正矩陣、伽馬矯正和飽和度校正等處理。

1.2 試驗(yàn)方法

1.2.1 圖像采集 煙桿長(zhǎng)135 cm，與相機(jī)的水平距離為50 cm，一桿煙拍攝1次，于煙桿正中位置獲取煙葉的清晰圖像。將設(shè)備采集的成桿鮮煙葉成熟度圖像與人工判別的成熟度檔次進(jìn)行關(guān)聯(lián)。

1.2.2 成桿鮮煙葉分離 使用DeeplabV3算法對(duì)成桿鮮煙葉進(jìn)行分離，該算法是在DeepLabV1～2的基礎(chǔ)上進(jìn)一步擴(kuò)展和改進(jìn)而來(lái)的，是一種基于深度學(xué)習(xí)的語(yǔ)義分割算法。其主要特點(diǎn)包括使用空洞卷積（Atrous convolution，AC）來(lái)增大模型的感受野，同時(shí)使用空洞空間金字塔池化（Atrous spatial pyramid pooling，ASPP）模塊來(lái)捕獲多尺度信息。此外，該算法還引入了有效的解碼器模塊，用于恢復(fù)物體邊界的詳細(xì)信息。

1.2.3 成桿鮮煙葉成熟度識(shí)別模型構(gòu)建 成桿鮮煙葉成熟度識(shí)別模型是采用StackingClassifier方法建立的一種集成學(xué)習(xí)策略，其主要由初級(jí)學(xué)習(xí)器和次級(jí)學(xué)習(xí)器兩部分組成。其中，初級(jí)學(xué)習(xí)器為在原始數(shù)據(jù)中訓(xùn)練的多個(gè)獨(dú)立分類器，次級(jí)學(xué)習(xí)器則用于組合基分類器的預(yù)測(cè)結(jié)果，其核心是通過對(duì)初級(jí)學(xué)習(xí)器預(yù)測(cè)結(jié)果的加權(quán)組合，得到最終的分類結(jié)果。

在本研究中，初級(jí)學(xué)習(xí)器使用3種模型，分別為偏最小二乘判別分析（Partial least squares discriminant analysis，PLSDA）、支持向量機(jī)（Support vector machine，SVM）和隨機(jī)森林（Random forest，RF）模型，每個(gè)模型均采用五折交叉驗(yàn)證方式，將3個(gè)模型的預(yù)測(cè)值合并為一個(gè)新的矩陣，使用新的矩陣和相應(yīng)的目標(biāo)變量（類別標(biāo)簽）來(lái)訓(xùn)練邏輯回歸模型（Logistic regression，LR）；次級(jí)學(xué)習(xí)器使用LR算法，在測(cè)試集上進(jìn)行模型驗(yàn)證。

1.2.4 模型應(yīng)用效果驗(yàn)證 運(yùn)用成熟度識(shí)別模型StackingClassifier預(yù)測(cè)鮮煙葉的成熟度檔次以及鮮煙葉主體成熟度檔次的比例。

2 結(jié)果與分析

2.1 成桿鮮煙葉成熟度檔次預(yù)測(cè)效果

基于PLSDA、SVM和RF分別建立成桿煙葉成熟度檔次預(yù)測(cè)模型，3種基礎(chǔ)模型在驗(yàn)證集上的預(yù)測(cè)準(zhǔn)確率分別為93.4%、91.6%和94.1%?；谏鲜?種基礎(chǔ)模型，利用StackingClassifier方法建立成桿煙葉成熟度檔次預(yù)測(cè)模型，在驗(yàn)證集上的預(yù)測(cè)準(zhǔn)確率為97.8%，由此可知，利用StackingClassifier方法建立的模型對(duì)于成桿煙葉成熟度檔次預(yù)測(cè)的效果優(yōu)于3種基礎(chǔ)模型。

為了驗(yàn)證基于Stacking方法建立的模型的魯棒性，利用外部測(cè)試樣本對(duì)兩個(gè)批次的成桿鮮煙葉進(jìn)行了成熟度判別。在每個(gè)批次中，隨機(jī)選取50桿煙葉，對(duì)所選煙葉的拍攝圖像進(jìn)行過熟、成熟和欠熟3個(gè)檔次的判別。由表2可知，第一、二批次成桿鮮煙葉的成熟度判別準(zhǔn)確率分別為96%和94%，整體判別效果較好。說明利用StackingClassifier方法建立的成桿煙葉成熟度檔次預(yù)測(cè)模型具有較強(qiáng)的魯棒性，且模型的實(shí)際應(yīng)用效果較好。

2.2 成桿鮮煙葉成熟度比例預(yù)測(cè)效果

成熟度識(shí)別模型除了能判別成桿鮮煙葉的成熟度檔次外，還能標(biāo)識(shí)出鮮煙葉主體成熟度檔次的比例。使用外測(cè)樣品進(jìn)行成熟度比例判別，其預(yù)測(cè)比例與真實(shí)比例的誤差曲線如圖2所示。經(jīng)統(tǒng)計(jì)，模型預(yù)測(cè)的成桿鮮煙葉成熟度比例與真實(shí)比例的平均絕對(duì)誤差為6%。說明利用StackingClassifier方法建立的成桿鮮煙葉成熟度預(yù)測(cè)模型在鮮煙葉主體成熟度檔次比例的預(yù)測(cè)效果較好，進(jìn)一步說明該模型在成桿鮮煙葉成熟度預(yù)測(cè)的實(shí)際應(yīng)用方面具有一定的價(jià)值。

3 結(jié)論與討論

屈靖雄等[1]和劉輝等[2]研究認(rèn)為，準(zhǔn)確掌握鮮煙葉的成熟度是降低烘烤損失率和提升烘烤煙葉質(zhì)量的關(guān)鍵。智能烘烤技術(shù)的發(fā)展和應(yīng)用為煙葉烘烤帶來(lái)了技術(shù)革新，通過將煙葉成熟度判別方法與智能烘烤技術(shù)相結(jié)合，可以實(shí)現(xiàn)更加精準(zhǔn)和高效的烘烤管理[9]。陳霖等[14]探索了基于物聯(lián)網(wǎng)技術(shù)的智慧化煙葉烤房系統(tǒng)，提出智能烘烤系統(tǒng)能夠通過實(shí)時(shí)監(jiān)測(cè)煙葉的濕度、溫度和化學(xué)成分的變化，實(shí)現(xiàn)烘烤環(huán)境的自動(dòng)調(diào)整，確保煙葉在最佳條件下烘烤。本研究使用StackingClassifier集成學(xué)習(xí)策略，建立了成桿鮮煙葉成熟度判別模型，初級(jí)學(xué)習(xí)器使用PLSDA、SVM和RF模型，次級(jí)學(xué)習(xí)器使用LR算法。在成桿鮮煙葉的預(yù)處理階段，使用DeeplabV3算法進(jìn)行成桿鮮煙葉分離，使用外測(cè)樣本進(jìn)行兩個(gè)批次的成熟度等級(jí)預(yù)測(cè)，其成熟度判別準(zhǔn)確率均在94%以上；成桿鮮煙葉主體成熟度檔次的預(yù)測(cè)比例與真實(shí)比例的平均絕對(duì)誤差為6%。該模型不僅能夠有效判別成桿鮮煙葉的成熟度，而且在主體成熟度檔次比例的預(yù)測(cè)上也表現(xiàn)出較高的精度。

本研究為烤房中成桿鮮煙葉的成熟度判別提供了一種高效且實(shí)用的判定方法。與常規(guī)的實(shí)驗(yàn)室單片煙葉成熟度識(shí)別技術(shù)不同，該判定方法對(duì)成桿鮮煙葉整體進(jìn)行成熟度識(shí)別，每桿可承載110片煙葉，實(shí)現(xiàn)了批量、高效的煙葉成熟度判別。該方法充分考慮了真實(shí)烤房環(huán)境中煙葉的排布方式，更貼近烤房實(shí)際應(yīng)用場(chǎng)景，明顯提高了識(shí)別效率。隨著技術(shù)的不斷進(jìn)步和應(yīng)用的深入，智能烤房將得到更廣泛的應(yīng)用。

參考文獻(xiàn)

[1] 屈靖雄，劉彪，殷雪艷，等. 成熟度對(duì)煙葉質(zhì)量的影響[J]. 鄉(xiāng)村科技，2022，13（11）：78-80.

[2] 劉輝，祖慶學(xué)，王松峰，等. 不同成熟度對(duì)鮮煙素質(zhì)和烤后煙葉質(zhì)量的影響[J]. 中國(guó)煙草科學(xué)，2020，41（2）：66-71，78.

[3] 李佛琳，趙春江，劉良云，等. 烤煙鮮煙葉成熟度的量化[J]. 煙草科技，2007，40（1）：54-58.

[4] 韓龍洋，王一丁，張文龍，等. 基于高光譜技術(shù)的烤煙成熟度判別研究[J]. 延邊大學(xué)農(nóng)學(xué)學(xué)報(bào)，2015，37（4）：286-291，301.

[5] 刁航，吳永明，楊宇虹，等. 田間原位光譜的鮮煙葉成熟度判別模型的研究[J]. 光譜學(xué)與光譜分析，2016，36（6）：1826-1830.

[6] 王承偉，賓俊，范偉，等. 基于近紅外光譜技術(shù)結(jié)合隨機(jī)森林的煙葉成熟度快速判別[J]. 西南農(nóng)業(yè)學(xué)報(bào)，2017，30（4）：931-936.

[7] 楊睿，賓俊，蘇家恩，等. 基于近紅外光譜與圖像識(shí)別技術(shù)融合的煙葉成熟度的判別[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，47（4）：406-411，418.

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

[9] 劉浩，孟令峰，王松峰，等. 基于機(jī)器視覺的烤煙鮮煙成熟度判別模型優(yōu)選[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（8）：118-124.

[10] 張玉琴，李青山，王傳義，等. 烤煙煙葉成熟過程中的顏色參數(shù)與烘烤特性研究[J]. 西南農(nóng)業(yè)學(xué)報(bào)，2018，31（1）：62-67.

[11] 林天然，姚爭(zhēng)毅，常鵬飛，等. 基于葉片圖像復(fù)合參數(shù)的煙葉成熟度判定模型[J]. 貴州農(nóng)業(yè)科學(xué)，2022，50（8）：134-141.

[12] 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.

[13] 汪睿琪，張炳輝，顧鋼，等. 基于YOLOv5的鮮煙葉成熟度識(shí)別模型研究[J]. 中國(guó)煙草學(xué)報(bào)，2023，29（2）：46-55.

[14] 陳霖，肖勇，陳陽(yáng)，等. 基于物聯(lián)網(wǎng)技術(shù)的智慧化煙葉烤房系統(tǒng)探索[J]. 科學(xué)技術(shù)創(chuàng)新，2024（7）：88-91.

[15] 鄭煜，張豐奇，劉陽(yáng)，等. 不同類型烤房煙葉烘烤效果評(píng)價(jià)[J]. 現(xiàn)代農(nóng)業(yè)科技，2023（15）：198-202.

（責(zé)任編輯：何艷）