摘要：計算機視覺與深度學習技術在眾多場景（如物體識別，圖像分類）取得了顯著進展，近年來這項技術在煙葉生產中展現(xiàn)出廣泛的應用空間與發(fā)展?jié)摿?。綜述了計算機視覺與深度學習技術在煙葉生產上的應用現(xiàn)狀，重點討論了其在解決煙葉病害識別、煙葉采收調制、煙葉分級等問題方面的方法。通過分析不同的算法及其在煙葉生產關鍵階段的運用，并考慮這項技術在煙葉生產領域所面臨的挑戰(zhàn)與發(fā)展方向，為智能化煙葉生產提供理論支持和參考。

關鍵詞：計算機視覺；深度學習；卷積神經網絡；煙草；應用

doi：10.13304/j.nykjdb.2023.0379

中圖分類號：TP181；S572

文獻標志碼：A

文章編號：1008?0864（2025）01?0096?11

計算機視覺技術是一種模仿人類視覺感知的技術，通過處理一幅或多幅圖像來描述景物，以達到與人類視覺感知類似的技術，是人工智能的重要組成部分。該領域最早的研究可以追溯到1962年，科學家研究了貓的視覺感知系統(tǒng)：簡單視覺神經元會在自身感受野內對圖像邊緣模式的刺激做出響應，而復雜視覺神經元則會選擇性地響應復雜刺激模式的特征，這一發(fā)現(xiàn)為計算機視覺與深度學習的突破性發(fā)展奠定了基礎[1]。

計算機視覺技術通常涉及對圖像的評估，主要包括圖像分類、目標檢測、語義分割等子任務[2]。伴隨著深度學習的興起，計算機視覺領域中卷積神經網絡（convolutional neural networks，CNN）技術被廣泛應用于諸如車輛檢測[3]、行為檢測[4]、醫(yī)學影像分割[5]等方面。在傳統(tǒng)農業(yè)方面，關于計算機視覺技術的應用也得到廣泛應用。劉衛(wèi)國等[6]對各個生育期的大豆植株圖像進行語義分割和特征向量提取，并基于多層感知機（multilayerperception，MLP）構建全生育期的大豆生物量預測模型，提高了大田管理及產量智能監(jiān)測能力。涂智瀟[7]基于卷積神經網絡與特征融合的方法構建農作物病害的自動識別系統(tǒng)，提高了農作物病害預報的時效性與準確性。在煙葉生產領域，計算機視覺技術在煙草農業(yè)生產中的應用得到廣泛研究[8]，極大程度上提高了煙葉的生產效率。

煙草是一種重要的經濟作物，其生產過程包括種植、采收、調制、分級等環(huán)節(jié)，在這些環(huán)節(jié)中，很多工作依賴于人工，耗費大量人力物力。計算機視覺技術作為一種自動化和智能化的手段，已在許多領域取得顯著成果。近年來，煙草行業(yè)開始嘗試將這些技術應用于煙葉生產，以提高煙葉的產量、質量與智能化水平。本文綜述了計算機視覺與深度學習技術在煙葉生產領域的應用現(xiàn)狀，探討其在煙草病害識別、成熟采收、煙葉調制和煙葉分級的研究現(xiàn)狀，并對其應用和研究前景進行展望，旨在提高煙草生產效率、降低企業(yè)成本，為實現(xiàn)煙葉生產的智能化、數(shù)字化提供參考。

1 在煙草病害識別中的應用

在煙草大田生長階段，由于氣候、土壤、降水量等因素隨時間與空間的變化，極易受到各種病害的影響。煙草行業(yè)2010年發(fā)布實施《煙草病蟲害測報調查技術規(guī)程》等11 項煙草行業(yè)系列標準，包括了病毒病、赤星病、黑脛病、青枯病、白粉病、根結線蟲病和角斑病7項病害測報調查技術規(guī)程[9]。精準檢測是煙草病害及時防治的前提，傳統(tǒng)檢測方式都依賴人工完成，存在耗時耗力、易于疲勞等局限性，基于機器視覺的算法可提高煙草病害檢測的準確性，并且快速簡便。

1.1 病害圖像矯正

煙草病害智能識別的過程是將采集的圖像輸入計算機，通過構建算法模型對煙株葉片所發(fā)生病害進行精準識別。然而，在煙草病害圖像采集過程中，即便是同一種病害也會由于光照的不均勻而影響圖像信息，因此，田間采集到的煙葉病害圖像在處理前需要先進行矯正。

在消除光照對圖像影響的過程中，可以采用不同的圖像增強技術，如基于視網膜大腦皮層理論（Retinex）的光照補償算法[包括單尺度Retinex（single scale retinex，SSR）、多尺度Retinex（multiscaleretinex，MSR）與顏色恢復（multi-scale retinexwith color restoration，MSRCR）3種]、直方圖均衡化法、色調映射算法、Gamma矯正法等。Retinex算法融合了色彩恒常性理論，使增強后的圖像更符合人眼視覺感知，然而也會造成圖像失真和細節(jié)丟失的情況。Gamma矯正可以在最大程度地保留圖像信息的同時消除亮度不均對圖像造成的影響，但該算法遷移性較差，在不同的田間環(huán)境往往會導致采集到的煙葉圖像色彩失真[10]。張文靜等[11]提出了一種加權平均的圖像融合算法，采用MSRCR和Gamma矯正算法分別對田間采集到的煙葉病害圖像進行處理后，對2個圖像數(shù)據(jù)集進行加權融合，以消除由于田間光照不均對煙葉病害圖像所造成的影響，并構建了基于InceptionV3網絡結構的煙草病害分類模型。與原始圖像相比，經過融合算法處理后的圖像具有更小的明暗差異，并在一定程度上壓縮了圖像顏色的動態(tài)范圍，通過這種算法模型的預測準確率提高20%。

1.2 病斑區(qū)域提取

在接收經過預處理操作后的煙葉病害圖像時，計算機會根據(jù)圖像的像素點提取特征信息，而煙草病斑區(qū)域的顏色特征、形態(tài)特征、紋理特征表現(xiàn)出更獨特的模式。其中，顏色特征在圖像中最直觀，且較易提取、旋轉不變性、有很強的魯棒性。常見的顏色特征提取方法有顏色直方圖、顏色空間、顏色矩等。在大田中采集到的煙葉病害圖像病斑部分的顏色與葉片其余部分的顏色差異較大，可以被用于病斑圖像的分割。喻勇等[12]通過對比HSV（hue saturation value）色彩空間下不同分量的成分差異，選用色相分量（H）對煙草赤星病與野火病斑進行分割，將同一類病斑的連通區(qū)域作為1個整體來處理，采用基于標準特征庫的模糊模式識別算法對2種病斑類型進行識別，識別準確率達到95%。由于采集環(huán)境的差異，常常會出現(xiàn)煙葉病斑區(qū)域圖像邊緣模糊、顏色不均等問題，僅依靠單一顏色通道的單一閾值很難使病斑區(qū)域精準分割，因此綜合使用形態(tài)學運算與顏色特征、紋理特征結合的方法可以有效避免背景復雜，顏色不均等問題，提高分割質量[13]。紋理特征是指圖像上某些像素區(qū)域的重復出現(xiàn)，是一種人工構造的特征。常用的紋理特征有局部二值模式（local binary pattern，LBP）、灰度共生矩陣（graylevelco-occurrence matrix，GLCM）和小波變換[14]。劉建新等[15]利用形態(tài)學和小波變換的最大類間方差算法對煙葉圖像病斑區(qū)域進行分割，分割準確率達到98.56%。

1.3 病害識別模型

目前，基于機器視覺的植物病害識別方式有2種：一種是基于傳統(tǒng)圖像特征提取的機器學習模型，另一種是基于高維特征提取的深度學習模型。傳統(tǒng)圖像特征提取算法依賴于手動選擇和設計可觀察到的特征，如顏色、輪廓和紋理等，并結合機器學習模型對病害進行分類，這種算法對于計算機算力要求較低，但其泛化能力受限于特征的選擇。相比之下，深度學習模型能夠自動學習圖像的高維特征信息，具有更強的魯棒性，但其龐大的參數(shù)量不僅耗費計算成本，還進一步降低了模型的可解釋性。針對這一問題，國內外學者提出了一些輕量級高精度網絡模型，包括Resnet（residual networks）、InceptionV3、YOLO（you onlylook once）系列網絡等模型[16]，這些模型在保持較高精度的同時減少參數(shù)量，以滿足更復雜的任務與更大規(guī)模的數(shù)據(jù)集。

1.3.1 機器學習模型

機器學習由Rosenblatt于1957年首次提出，旨在研究如何使計算機模擬人類學習行為，以獲取新知識和技能，從而更高效地處理類似問題[17]。根據(jù)數(shù)據(jù)類型的不同，機器學習可分為回歸模型與分類模型。煙草病害識別屬于分類問題，機器學習模型主要集中于反向傳播（back propagation，BP）神經網絡、支持向量機（support vector machine，SVM）、K 均值聚類算法（K-means clustering algorithm，K-means）等方法。滕娟[18]利用K-means算法對煙葉病斑區(qū)域進行圖像分割，將所提取到的特征參數(shù)輸入基于二叉樹的SVM 模型進行分類預測，預測準確率比普通SVM模型高出6%。張紅濤等[19]提取葉片病斑部分圖像的顏色與紋理特征，利用基于螢火蟲算法優(yōu)化的SVM模型識別葉片赤星病與蛙眼病，整體準確率達到96%。張艷令[20]基于遺傳算法優(yōu)化的BP神經網絡，對8種煙草病害進行識別，構建了煙草病害識別系統(tǒng)，平均準確率達到92.5%。

1.3.2 深度學習模型

隨著深度學習領域研究的不斷深入，CNN因其強大的泛化能力和快速的收斂速度，在植物病害識別領域得到廣泛研究[21]。李敬[22]利用CNN模型結合BP神經網絡算法，構建了煙草病毒病、炭疽病等9種病害的分類預測模型，準確率達到96.7%，高于傳統(tǒng)人工神經網絡（artificial neural networks，ANN）的分類結果。劉延鑫等[23]構建了基于YOLOv3的煙草病害檢測模型對煙草病害進行分類，該算法由特征提取網絡與多尺度檢測網絡組成，可以對感興趣的區(qū)域生成邊界預測框[24]，實現(xiàn)對煙草病害的精準檢測。

2 在煙葉成熟采收與調制中的應用

煙葉成熟采收是大田生長中的重要環(huán)節(jié)，對煙葉外觀成熟度特征的準確判斷一直是個難題。煙草調制是煙葉在人為提供的特定溫濕度條件下處理最終達到適宜的品質的過程，是煙葉逐漸脫水干燥的物理過程與煙葉內部生理生化變化過程的統(tǒng)一[25]，是煙葉加工中的重要環(huán)節(jié)，烘烤質量取決于煙葉調制過程的溫度和濕度控制[26]。目前，煙葉調制主要依靠技術人員通過干濕球溫度計來檢測烤房，進而判斷煙葉調制進展狀態(tài)，這對于技術人員要求極高，不僅要長時間值守，還要具備足夠的調制經驗。如何利用計算機視覺技術實現(xiàn)煙草調制過程簡便高效、提質降本與智能化烘烤，是煙葉烘烤研究的重要方向之一。

2.1 在煙葉成熟采收中的應用

2.1.1 不同著生部位煙葉的識別

不同品質的煙葉表現(xiàn)出的成熟特征不同，進而對調制過程的控制和最終煙葉質量有重要影響。由于煙葉的葉齡、葉位與著生環(huán)境的不同，外觀特性與內含物積累也存在差異[27]，因此針對不同葉齡、葉位的煙葉，適宜的采收成熟度也應相應調整[28?29]。在實際煙葉生產中，由于品種、栽培措施、生長期氣候條件等因素影響，會產生一些部位特征變異的特殊煙葉，對于這類煙葉的判別大都依賴于采收人員的經驗判斷，無法量化[30]，通過計算機視覺技術對不同部位煙葉進行客觀、準確的判別，對烘烤質量的保障有重要意義。趙晨等[31]以5個部位煙葉的輪廓特征，分別基于KNN（K-nearest neighbor）分類器、高斯核函數(shù)（radial basis function，rbf）的支持向量機（SVM-rbf）、最小二乘的支持向量機（SVM-liner）、BP神經網絡構建了煙葉部位的識別模型，結果顯示，BP神經網絡在測試集上表現(xiàn)最好，識別準確率達到93.75%，表明機器學習模型可以實現(xiàn)對煙葉著生部位的精準判別。

2.1.2 不同成熟度煙葉的識別

煙葉在成熟過程中所表現(xiàn)出的有規(guī)律的外觀顏色變化作為一種重要的表觀特征，與煙葉成熟度有密切關系[32]。葉綠素含量是影響待采收煙葉顏色的關鍵因素，可以通過SPAD值進行間接測量。汪強等[33]通過提取不同成熟度煙葉圖像的HSV值，利用線性回歸分析建立不同成熟度煙葉顏色參數(shù)與SPAD的函數(shù)關系，從而構建煙葉顏色特征值與成熟度之間的關系模型TMDHSV，模型驗證的決定系數(shù)達到0.926 2，為煙葉的成熟采收提供了決策依據(jù)。謝濱瑤等[34]提出了一種基于顏色空間的田間煙葉圖像分割算法，提取分割后煙葉圖像的顏色與紋理特征，建立了基于BP神經網絡的煙葉成熟度識別模型與基于支持向量機的煙葉成熟度識別模型，能滿足對煙葉成熟度快速且準確的判別。沈平等[35]在煙葉顏色參數(shù)的基礎上，以RGB（red greenyellow）圖像及灰度圖像的正態(tài)參數(shù)、偏態(tài)參數(shù)和復合參數(shù)為自變量，基于多元逐步回歸與BP神經網絡構建葉色參數(shù)-鮮煙葉成熟度回歸模型，結果顯示，在采用BP神經網絡的建模方式下，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，且在跨年度的煙葉成熟度判定上準確率達到66.67%，說明葉色偏態(tài)參數(shù)可以更準確地描述煙葉狀態(tài)，基于此構建的BP神經網絡模型可以在保持本年度煙葉成熟度判別準確率的同時，兼顧跨年度煙葉成熟度的準確判斷。

汪睿琪等[36]利用手機攝像頭采集晴天和雨天、向陽和逆光環(huán)境下不同成熟度的田間煙葉圖像1 400幅，以還原真實大田采摘環(huán)境條件，基于輕量級YOLOv5網絡構建5個成熟度的判別模型，并開發(fā)了基于Android端的煙草成熟度智能識別應用程序，實現(xiàn)在大田環(huán)境下響應式的鮮煙葉成熟度等級判斷。

2.2 在煙葉調制中的應用

2.2.1 煙葉含水率的檢測

煙葉調制過程是煙葉自身與外界環(huán)境進行熱質交換的過程，與此同時，煙葉外觀特征會隨著含水率的降低而發(fā)生變化[25，37]。煙葉水分散失的過程也伴隨著碳水化合物及蛋白質的轉化[38]、酶活性變化[39]、色素類物質的降解[40]等一系列生理生化反應，其中色素含量的降低導致煙葉顏色的變化尤為直觀[41]。段史江[42]針對不同烘烤階段煙葉圖像特征的研究發(fā)現(xiàn)，在定色期之前，煙葉逐漸由綠轉黃，煙葉圖像的紅分量與綠分量逐漸增大，而定色后期與干筋期，葉片失水皺縮，黃色變暗，圖像各通道顏色分量降低，變黃期結束和烤后的煙葉圖像顏色均勻，此時紋理能量與紋理相關性達到最大，根據(jù)煙葉圖像信息構建含水率預測模型，準確率達到99.8%。杜海娜等[43]使用耐高溫相機對密集烘烤過程中整桿煙葉圖像進行采集，通過聚類相關性提取的方式優(yōu)選出4類顏色與紋理特征，以網格式支持向量機（grid search-support vector machine，GS-SVM）、基于遺傳算法的BP 神經網絡（geneticalgorithm-back propagation，GA-BP）、極限學習機（extreme learning machines，ELM）構建3個煙葉烘烤過程中的失水率預測模型，預測精度均在0.99以上，該研究實現(xiàn)了密集烘烤過程中煙葉失水率的實時無損檢測，為烘烤工藝參數(shù)的智能調控提供了參考。

2.2.2 烘烤階段的識別

煙葉烘烤整體分為3個階段，分別是變黃階段、定色階段和干筋階段。在此基礎上又形成了與之相對應的五段式、七段式烘烤工藝[44]。煙葉變黃干燥過程主要依靠技術人員感官判斷，存在一定主觀性與盲目性，因此，利用計算機視覺技術對煙葉顏色與形態(tài)的變化進行識別[45]，實現(xiàn)調制過程的智能化成為當下研究的重點。李增盛等[46]利用耐高溫攝像頭對烘烤過程中整夾煙葉圖像進行實時采集，利用特征聚類的方式優(yōu)選出與烘烤階段相關性最高的2個顏色特征（R/G、l*）、2個紋理特征（灰度平均、慣性），構建了ELM、基于遺傳算法的支持向量機（GA-SVM）、基于粒子群算法的BP 神經網絡（partricle swarm optimization-back propagation，PSO-BP）3種分類模型來對煙葉烘烤階段進行判別，結果顯示，GASVM對烘烤階段識別效果優(yōu)于另外2種模型。相較于另外2種模型，SVM在處理高維空間和復雜數(shù)據(jù)時表現(xiàn)出更好的性能，雖然神經網絡依賴于非線性函數(shù)生成的超平面對樣本進行分類，但在相鄰烘烤階段顏色和紋理特征空間分布較接近時，SVM可以將原本線性不可分樣本轉化為高維空間中的線性可分樣本，從而簡化最優(yōu)分類超平面的構建。

傳統(tǒng)計算機視覺技術以“特征工程+分類器”的模式應用于煙葉烘烤，然而這種方法存在一定的局限性，如特征構建的復雜性和分類器泛化能力的不足。由于CNN具有自動學習特征的能力和更強的泛化性能，在煙葉調制中的應用得到廣泛研究[47]。楊海清等[48]基于模型融合算法構建了用于5個煙草烘烤階段判別的壓縮激勵殘差網絡模型，結果顯示，模型融合之后能夠在增加極少參數(shù)的情況下增加網絡的非線性，提高網絡的泛化能力并降低過擬合風險，對于不同烘烤階段的識別精度達到97.2%以上。相較于人工檢測，通過計算機對煙葉烘烤過程進行監(jiān)控，可以提高煙葉烘烤質量與效率。

3 在煙葉分級方面的應用

煙葉質量的優(yōu)劣直接決定了卷煙產品的品質以及配方的穩(wěn)定性，不同等級的煙葉在葉組配方中發(fā)揮著重要作用，我國現(xiàn)行標準中，根據(jù)煙葉素質的不同將煙葉劃分為42個等級，分級專家通過視覺、嗅覺、觸覺對煙葉的外在特征和內在品質進行評價[49]。傳統(tǒng)的煙葉分級方法依賴于分級人員的主觀判斷，這種方式不僅耗費人工，且較多依賴分級人員的主觀經驗[50]，而通過圖像識別的方法對煙葉進行自動分級具有高效、節(jié)省人工等特點，是煙葉分級方面重要的研究方向。

3.1 圖像采集

煙葉圖像采集的質量直接影響煙葉的分級效果?；谟嬎銠C視覺的煙葉分級系統(tǒng)由輸送模塊、圖像采集與分析模塊、在線稱重模塊組成[51]。在圖像采集過程中，光照的作用是突出圖像前景部分特征，抑制背景部分特征。低光照圖像有低對比度、色偏、噪聲等嚴重的質量問題[52]；高光照條件下，圖像對比度通常較高，且前景區(qū)域受到抑制。秦芝乾[53] 基于結構相似度（structuralsimilarity，SSIM）算法的研究表明，光照過暗或過亮都會影響煙葉的分級精度，2 800～3 000 lx光照強度下煙葉圖像的平均結構相似度（meanstructural similarity，MSSIM）最小，可作為煙葉圖像采集的最佳光照強度。

與一般農產品不同，分級過程中由于人為或機械造成的損傷也會影響分級質量。因此，對煙葉進行無損檢測分級的研究尤為重要。劉新宇等[54]針對機械手抓取煙葉時會造成煙葉破損的問題，提出了一種基于改進YOLOv3的網絡模型，通過對煙梗圖像上所有信息的定位識別，實現(xiàn)了分級過程中對煙梗的智能定位抓取，減少了煙葉分級試驗臺設備配置要求，為煙葉分級系統(tǒng)提供更準確的位置信息。

3.2 基于傳統(tǒng)算法的分級模型

圖像經過采集之后，需要進行特征提取，煙葉圖像特征分為自然特征與人工特征，自然特征是直觀可見的特征，如顏色、輪廓等，人工特征是需要對圖像進行一定構造后所得到的特征，包括紋理特征、幾何特征等[55]。何艷等[56]利用區(qū)域生長算法對不同部位待分級的煙葉圖像進行分割，并針對提取分割后煙葉圖像的顏色與形態(tài)特征進行研究。莊珍珍等[57]提取煙葉圖像幾何與紋理特征，利用模糊綜合評判的方法開發(fā)了煙葉分組軟件。Harjoko等[58]基于圖像閾值分割、形態(tài)學運算、葉球檢測等技術，提出了一種基于圖像處理技術對煙葉顏色和質量進行分級的方法，分類準確率達到91.67%。郭強[59]利用改進后的矢量中值濾波對煙葉圖像進行平滑處理，基于圖像特征和BP神經網絡構建煙葉分級模型具有良好的分類準確性。楊述斌等[60]提取5個不同等級的煙葉圖像特征，基于主成分分析法（principal component analysis，PCA）、麻雀搜索算法（sparrow search algorithm，SSA）、BP神經網絡算法對提取到的圖像特征進行建模預測，平均識別率達到96.5%。

3.3 基于深度學習的煙葉分級模型

對煙葉的質量評價包括煙葉的外部特征與內部特征。外部特征如顏色、大小等可以直接被感知和提取，而內部特征如化學成分、油分、組織結構和吸食品質等需要專業(yè)人員利用觸覺、味覺與測試分析進行評價。研究表明，煙葉的內部特征與外部特征密切相關[61-63]。利用深度學習算法提取外部特征，并與內部特征相結合從而對煙葉分級，以達到更高的識別精度。陳文兵等[64]使用改進的空間?通道注意力機制和殘差結構來搭建多流注意力殘差網絡，對煙葉成熟度、組織結構、油分等內部特征進行量化，并與傳統(tǒng)方法提取煙葉的外部特征相結合，并用KNN、隨機森林（randomforest，RF）、SVM等機器學習分類器對不同等級煙葉進行圖像分類，結果顯示，內外特征結合之后高于單一特征的方法。由于CNN具有較強的高維信息提取能力，可以直接作為煙葉的自動分級模型，且相較于傳統(tǒng)機器學習模型有更高的精度[65]。焦方圓等[66]提出了一種基于VGG16網絡結構的改進模型，以空洞卷積代替?zhèn)鹘y(tǒng)卷積，在增加感受野的同時避免了圖像特征損失，并將激活函數(shù)替換為Leaky-ReLu，解決了ReLu激活函數(shù)硬飽和的問題，相較于傳統(tǒng)VGG16模型，改進后的模型分類準確率提高7.87%。陳人杰[67]利用遷移學習的方法，對Efficient Net V2-S網絡模型優(yōu)化，將計算機視覺傳統(tǒng)方法提取到的特征與深度學習模型融合，構建42個等級煙葉的分級模型，分類精度達到90%以上。魯夢瑤等[68]基于多尺度特征融合的方法構建了煙葉分級模型，考慮到圖像采集設備對煙葉正面與背面圖像采集的隨機性，首先采用經典CNN模型對煙葉正面與背面進行分類，接著以經典CNN 模型為骨干網絡，采用注意力機制（squeeze-and-excitation，SE）模塊，結合ResNet-50進行煙葉分級模型的構建，分類準確率達到75.45%，最后引入特征金字塔（feature pyramidnetwork，F(xiàn)PN）模塊與不同層級輸出的特征圖融合，以提升圖像特征表達能力，結果表明，這種算法由于其在獲得高維信息的同時也保留了底層的信息特征，使模型的分類正確率比經典CNN高出5.21%。

4 相關數(shù)據(jù)來源

煙葉的生產涵蓋了栽培、調制、分級等眾多環(huán)節(jié)，每個環(huán)節(jié)所需解決的問題也大相徑庭?，F(xiàn)有研究中的圖像數(shù)據(jù)集大都依靠研究人員親自采集與標注。這一過程不僅耗時耗力，且難以獲得大量圖像數(shù)據(jù)以供模型訓練。

4.1 遷移學習

在許多具有特殊數(shù)據(jù)需求的研究領域中，常常面臨沒有公眾可及的數(shù)據(jù)集的情況，而遷移學習是解決這一問題的有效策略，其主要思想是將在某一領域（源領域）學習到的知識用于解決另一領域（目標領域）的任務[69]。在計算機視覺與深度學習領域，針對某些特定任務而缺少足夠多的標注數(shù)據(jù)進行模型訓練時，往往會采用遷移學習這一策略，將在大規(guī)模數(shù)據(jù)集上訓練的模型作為預訓練模型，根據(jù)目標任務對預訓練模型進行微調，以達到預期效果。

4.2 相關數(shù)據(jù)集

盡管在煙葉生產領域并沒有公開數(shù)據(jù)集可供使用，但研究人員可以借助與煙葉特征相似度較高的植物葉片數(shù)據(jù)集進行遷移學習，以減小由于圖像數(shù)據(jù)較少而造成的模型準確率較低的問題。

4.2.1 Leafsnap 數(shù)據(jù)集

Leafsnap 數(shù)據(jù)集是由美國幾所研究機構聯(lián)合創(chuàng)建，用于特定植物識別的公開數(shù)據(jù)集[70]。這份數(shù)據(jù)集包含2個子集：實驗室條件下所采集的高光壓葉圖像（Lab子集）與野外環(huán)境下使用移動設備所采集的含有陰影、噪聲、復雜背景的植物葉片圖像（Field子集）。2個子集中均包含185種植物葉片的種類、形態(tài)特征、生長習性等信息。

4.2.2 Flavia 數(shù)據(jù)集

Flavia 數(shù)據(jù)集是由武漢大學生物信息學研究中心所發(fā)布的植物葉片數(shù)據(jù)集[71]。這份數(shù)據(jù)集共包含1 907幅葉片圖像，分為32個類別。所有圖像均為實驗室固定背景下，由掃描儀或相機采集，所有圖像均去除了葉柄，只包含葉片部分。

4.2.3 PlantVillage數(shù)據(jù)集

PlantVillage數(shù)據(jù)集是由賓夕法尼亞州大學所創(chuàng)建的作物病害數(shù)據(jù)集[72]。這份數(shù)據(jù)集包含了5.4萬幅健康或感病的作物圖像，每幅圖像都包含作物類型及病狀、拍攝環(huán)境條件等信息，可以應用于多種植物的病害研究。

5 現(xiàn)存問題與展望

5.1 現(xiàn)存問題

相較于其他作物，煙草及其制品的生產有著更復雜的工藝。伴隨深度學習研究的深入，煙草行業(yè)開始嘗試將計算機視覺技術應用于煙草的數(shù)字化、智能化生產，實現(xiàn)煙葉的智能化種植、采收、質量評價、加工，進而推動煙草工商業(yè)的高質量發(fā)展。但同時這項技術在煙葉生產應用過程中仍存在以下問題。

5.1.1 數(shù)據(jù)集的數(shù)量與質量較低

模型經過大量高質量的有標注的數(shù)據(jù)樣本訓練后才會有更好的預測能力。在煙葉生產的各個環(huán)節(jié)中，背景、遮擋、光照等干擾因素較多，導致數(shù)據(jù)集質量較低。此外，數(shù)據(jù)標注的過程仍依賴于標注人員的主觀判斷，這也為模型訓練和應用帶來了難度。

5.1.2 模型的泛化能力不強

目前，計算機視覺在煙葉生產中的研究只局限于構建特定品種或特定產地的數(shù)據(jù)集，導致所訓練的模型只在特定數(shù)據(jù)集上表現(xiàn)較好，在不同數(shù)據(jù)集上的泛化能力較差，使得在實際生產環(huán)境中的應用受限。

5.1.3 技術的普及應用面臨挑戰(zhàn)

雖然近年來計算機視覺與深度學習技術在煙葉生產領域取得了一定的研究成果，但仍面臨著理論與實踐脫節(jié)的情況，從而在實際生產中的應用依然較少。

5.2 展望

隨著深度學習領域研究的不斷深入，更加高效且準確的算法也不斷被提出，例如Transformer、UNet、長短期記憶網絡（long short-term memory，LSTM）等模型。其中，Transformer是一種通過自注意力（self-attention）機制處理序列數(shù)據(jù)的深度學習模型[73]，由于其突破了感受野的限制且能夠捕獲序列中長距離依賴關系，在圖像識別領域的性能優(yōu)于傳統(tǒng)CNN模型。在作物生產領域，現(xiàn)有研究主要集中于作物病害識別[74]與農產品缺陷檢測[75]；UNet是一種基于有監(jiān)督學習算法的語義分割網絡，具有較小的模型參數(shù)和較高的分割精度，且由于其端到端訓練的特點，可以從原圖像直接學習到分割后的圖像[76]，在醫(yī)學影像分割中被廣泛應用。目前，國內外基于UNet的研究已在作物病害圖像分割[77?78]與植株生物量監(jiān)測[6]取得一定成果；LSTM 是一種特殊的循環(huán)神經網絡（recurrent neural networks，RNN），在語音識別、時間序列預測等任務中被廣泛應用[79]。由于其特殊的“門機制”，可以處理較長的時間序列數(shù)據(jù)而避免“遺忘”[80]，在作物產量預測[81]、土壤輪作決策[82]上的研究已取得一定成果。

上述算法在農業(yè)生產領域中被廣泛研究，以提高農業(yè)生產數(shù)字化與智能化水平。而在煙葉生產領域，現(xiàn)有研究的手段與內容存在一定局限性。未來的研究應注重與前沿算法的結合和研究內容的拓寬，運用更具適應性的算法以解決煙株營養(yǎng)供應、田間管理決策、煙葉產質量預測等問題。

計算機視覺與深度學習技術在煙葉生產各個環(huán)節(jié)都有廣泛的發(fā)展?jié)摿蛻们熬?，是未來煙草行業(yè)的重點研究領域和發(fā)展方向，煙草行業(yè)應注重專業(yè)人員的培訓與硬件設備的投入，加強產學研結合，以應對技術普及與推廣所面臨的挑戰(zhàn)。

參考文獻

［1］ 楊振東. SAR圖像艦船目標檢測方法研究[D]. 西安：西安電子科技大學，2021.

YANG Z D. Research on ship target detection in SAR images [D].Xi’an： Xidian University， 2021.

［2］ 劉文婷，盧新明. 基于計算機視覺的Transformer 研究進展[J]. 計算機工程與應用，2022，58（6）：1-16.

LIU W T， LU X M. Research progress of Transformer based oncomputer vision [J].Comput. Eng. Appl.， 2022，58 （6）：1-16.

［3］ 仇成群，李沛潤，楊鋒，等. 基于卷積神經網絡的前方車輛檢測系統(tǒng)研究[J]. 重慶交通大學學報（自然科學版），2022，41（11）：58-63.

QIU C Q， LI P R， YANG F， et al .. Front vehicle detectionsystem based on convolution neural network [J]. J. ChongqingJiaotong Univ. （Nat. Sci.）， 2022，41 （11）：58-63.

［4］ 徐濤，田崇陽，劉才華. 基于深度學習的人群異常行為檢測綜述[J]. 計算機科學，2021，48（9）：125-134.

XU T， TIAN C Y， LIU C H. Deep learning for abnormal crowdbehavior detection： a review [J]. J. Comput. Sci.， 2021，48（9）：125-134.

［5］ 彭璟，羅浩宇，趙淦森，等. 深度學習下的醫(yī)學影像分割算法綜述[J]. 計算機工程與應用，2021，57（3）：44-57.

PENG J， LUO H Y， ZHAO G S， et al .. Survey of medical imagesegmentation algorithm in deep learning [J]. Comput. Eng.Appl.，2021， 57 （3）：44-57.

［6］ 劉衛(wèi)國，李秀妮，向帥，等. 一種大豆全生育期生物量無損測量方法： CN114324336B[P].2022-09-13.

［7］ 涂智瀟. 基于計算機視覺的農作物病蟲害檢測系統(tǒng)[D]. 武漢：中南財經政法大學，2020.

TU Z X. Pests diseases of crop detection system based oncomputer vision [D]. Wuhan： Zhongnan University of Economicsand Law， 2020.

［8］ 劉朝營，許自成，閆鐵軍. 機器視覺技術在煙草行業(yè)的應用狀況[J]. 中國農業(yè)科技導報，2011，13（4）：79-84.

LIU C Y， XU Z C， YAN T J. Application status of machinevision technology in tobacco industry [J]. J. Agric. Sci. Technol.，2011，13（4）：79-84.

［9］ 王剛.我國煙草病蟲害預測預報工作進展與展望[J]. 中國煙草科學，2004，25（1）：44-46.

WANG G. Advances and outlook for forecast work of tobaccodiseases and insect pests in China [J]. Chin. Tob. Sci.，2004，25（1）：44-46.

［10］ 彭大鑫，甄彤，李智慧. 低光照圖像增強研究方法綜述[J]. 計算機工程與應用，2023，59（18）：14-27.

PENG D X， ZHEN T， LI Z H. A survey of research methods forlow light image enhancement [J]. Comput. Eng. Appl.， 2023，59（18）：14-27.

［11］ 張文靜，孫秀朋，喬永亮， 等. 基于InceptionV3的煙草病害識別[J]. 中國煙草學報，2021，27（5）： 61-70.

ZHANG W J， SUN X P， QIAO Y L， et al .. Tobacco diseaseidentification based on InceptionV3 [J]. Acta Tab. Sin.， 2021，27（5）： 61-70.

［12］ 喻勇，張云偉，王靜， 等. 基于計算機視覺的煙葉病害識別研究[J]. 計算機工程與應用，2015，51（20）：167-171.

YU Y， ZHANG Y W， WANG J， et al .. Research on recognitionof tobacco leaf disease based on computer vision [J]. Comput.Eng. Appl.，2015，51（20）：167-171.

［13］ 張經緯，貢亮，黃亦翔，等. 基于隨機森林算法的黃瓜種子腔圖像分割方法[J]. 農機化研究，2017，39（10）：163-168.

ZHANG J W， GONG L， HUANG Y X， et al .. Imagesegmentation of cucumber seed cavity based on the random forestalgorithm [J]. J. Agric. Mech. Res.， 2017，39（10）：163-168.

［14］ 王拓. 基于內容的圖像檢索技術研究與應用[D]. 貴陽：貴州師范大學，2017.

WANG T. Research and application of content based imageretrieval technology [D]. Guiyang： Guizhou Normal University，2017.

［15］ 劉建新，曾嬙，徐可， 等. 基于形態(tài)學和小波變換的煙葉病斑分割[J]. 圖學學報，2018，39（5）：933-938.

LIU J X， ZENG Q， XU K， et al .. Research on the method oftobacco leaf disease spot segmentation based on morphologyand wavelet transform [J]. J. Graphics， 2018，39（5）： 933-938.

［16］ 張珂，馮曉晗，郭玉榮，等. 圖像分類的深度卷積神經網絡模型綜述[J]. 中國圖象圖形學報，2021，26（10）：2305-2325.

ZHANG K， FENG X H， GUO Y R， et al .. Overview of deepconvolutional neural networks for image classification [J]. J.Image Graphics， 2021，26（10）：2305-2325.

［17］ 姜豐輝，劉祥鵬，邵巍， 等. 影響因子操縱期刊識別與分類方法構建與應用[J]. 中國科技期刊研究，2023，34（2）：136-143.

JIANG F H， LIU X P， SHAO W，et al .. Identification andclassification of journals of impact factor manipulation [J].Chin. J. Sci. Technol.， 2023，34（2）：136-143.

［18］ 滕娟. 赤星病煙葉圖像分割研究[D]. 吉首：吉首大學，2017.

TENG J. Image segmentation of tobacco brown spot [D].Jishou： Jishou University，2017.

［19］ 張紅濤，朱洋，譚聯(lián)， 等. 基于FA-SVM技術的煙草早期病害識別[J]. 河南農業(yè)科學，2020，49（8）：156-161.

ZHANG H T， ZHU Y， TAN L， et al .. The recognition of earlytobacco disease based on FA-SVM technology [J]. J. HenanAgric. Sci.， 2020，49（8）：156-161.

［20］ 張艷令. 煙草病害自動識別診斷系統(tǒng)的研究[D]. 泰安：山東農業(yè)大學，2015.

ZHANG Y L. Reserch on automatic identification system oftobacco diseases [D]. Taian： Shandong Agriculture University，2015.

［21］ AMARA J，BOUAZIZ B，ALGERGAWY A. A deep learningbasedapproach for banana leaf diseases classification [C]//Proceedings of Datenbanksysteme für Business， Technologieund Web （BTW）. 2017：17.

［22］ 李敬. 基于卷積神經網絡的煙草病害自動識別研究[D]. 泰安：山東農業(yè)大學，2016.

LI J. Automatic identification research of tobacco diseasesbased on convolutional neural network [D]. Taian： ShandongAgriculture University， 2016.

［23］ 劉延鑫，王俊峰，杜傳印， 等. 基于YOLOv3的多類煙草葉部病害檢測研究[J]. 中國煙草科學，2022，43（2）：94-100.

LIU Y X， WANG J F， DU C Y， et al .. Detection of varioustobacco leaf diseases based on YOLOv3 [J]. Chin. Tob. Sci.，2022，43（2）：94-100.

［24］ 邵延華，張鐸，楚紅雨， 等. 基于深度學習的YOLO目標檢測綜述[J]. 電子與信息學報，2022，44（10）：3697-3708.

SHAO Y H， ZHANG D，CHU H Y，et al .. A review of YOLOobject detection based on deep learning [J]. J. Electron. Inf.Technol.， 2022，44（10）：3697-3708.

［25］ 熊濤. 煙葉烘烤過程中外觀形態(tài)與內在質量關系研究[D].北京：中國農業(yè)科學院，2021.

XIONG T. Study on the relationship between appearance andinternal quality of tobacco leaves during curing [D]. Beijing：Chinese Academy of Agriculture Sciences，2021.

［26］ 劉軍令. 煙草智能烤房系統(tǒng)中電子鼻關鍵技術研究[D]. 重慶：重慶大學，2015.

LIU J L. Study on the key technology of electronic nose inintelligent tobacco barn systems [D]. Chongqing： ChongqingUniversity，2015.

［27］ 蔡杰，朱國蕾，孫曉燕， 等. 基于不同部位煙葉外觀特征與內在質量分析研究[J].農業(yè)與技術，2019，39（13）：27-28.

［28］ 盧瑞琳. 四川德陽產區(qū)雪茄煙葉成熟特征與調制工藝研究[D]. 鄭州：河南農業(yè)大學，2022.

LU R L. Study on maturity characteristics and modulationtechnology of cigar leaves in Deyang of Sichuan [D]. Zhengzhou：Henan Agricultural University， 2022

［29］ 陳乾錦，池國勝，吳華建， 等. 采收成熟度對K326不同部位煙葉品質的影響[J]. 貴州農業(yè)科學，2020，48（9）：43-46.

CHEN Q J， CHI G S， WU H J， et al .. Effect of harvest maturityof different positions on quality of flue-cured tobacco cultivarK326 [J]. Guizhou Agric. Sci.， 2020，48（9）： 43-46.

［30］ 楊尚明，李宜健，肖云峰， 等. 特殊外觀特征煙葉部位的識別判定研究[J]. 安徽農業(yè)科學，2014，42（5）：1534-1535， 1560.

［31］ 趙晨，王濤，郭偉雄， 等. 基于機器視覺的烤煙煙葉部位的智能識別[J]. 湖南農業(yè)大學學報（自然科學版），2023，49（4）：405-411.

ZHAO C， WANG T， GUO W X， et al .. Intelligent recognition offlue-cured tobacco position based on machine vision [J]. J.Hunan Agric. Univ. （Nat. Sci.）， 2023，49（4）：405-411.

［32］ 張軍剛，王永利，呂國新，等. 烤煙成熟過程中鮮煙顏色值與色素含量變化及相關分析[J]. 中國煙草科學，2014，35（1）：54-60.

ZHANG J G， WANG Y L， LYU G X， et al .. Changes of colorparameters and pigment contents in flue-cured tobacco leavesduring maturing process and their correlational relationship [J].Chin. Tob. Sci.，2014，35（1）：54-60.

［33］ 汪強，席磊，任艷娜，等. 基于計算機視覺技術的煙葉成熟度判定方法[J]. 農業(yè)工程學報，2012，28（4）：175-179.

WANG Q， XI L， REN Y N， et al .. Determination of tobacco leafmaturity degree based on computer vision technology [J].Trans. Chin. Soc. Agric. Eng.， 2012，28（4）：175-179.

［34］ 謝濱瑤，祝詩平，黃華. 基于BPNN和SVM的煙葉成熟度鑒別模型[J]. 中國煙草學報，2019，25（1）：45-50.

XIE B Y， Z HU S P， HUANG H. Model for identification oftobacco leaf maturity based on BPNN and SVM [J]. Acta Tab.Sin.， 2019，25 （1）：45-50.

［35］ 沈平，童德文，陳鄭盟， 等. 基于葉色偏態(tài)分布模式的鮮煙葉成熟度判定[J]. 煙草科技，2021，54（8）：26-35.

SHEN P， TONG D W， CHEN Z M， et al .. Maturitydiscrimination on fresh tobacco leaves based on skewed leafcolor distribution patterns [J]. Tob. Sci. Technol.， 2021，54 （8）：26-35.

［36］ 汪睿琪，張炳輝，顧鋼， 等. 基于YOLOv5的鮮煙葉成熟度識別模型研究[J]. 中國煙草學報，2023，29（2）：46-55.

WANG R Q， ZHANG B H， GU G， et al .. Recognition model oftobacco fresh leaf maturity based on YOLOv5 [J]. Acta Tab.Sin.， 2023，29（2）：46-55.

［37］ 葉惠源，丁松爽，段旺軍， 等. 雪茄煙葉晾制過程中形態(tài)與水分含量的協(xié)同變化研究[J]. 中國煙草學報，2023，29（1）：97-105.

YE H Y， DING S S， DUAN W J， et al .. Study on the synergisticchanges of morphological parameters and moisture contentduring the drying process of cigar tobaccoleaves [J]. Acta Tab.Sin.， 2023，29（1）：97-105.

［38］ 孫計平，李雪君，賈保順， 等. 不同品種烤煙調制前后化學成分變化及與感官質量的關系[J]. 中國農學通報，2012，28（18）：251-255.

SUN J P， LI X J， JIA B S， et al .. Relationship between sensoryquality and chemicalcharacteristics of different flue-cured tobaccovarieties and its changes before and after flue-curing [J]. Chin.Agric. Sci. Bull.， 2012，28（18）：251-255.

［39］ 張帆. 烤煙烘烤過程中主要酶活性變化規(guī)律及其與化學成分關系的研究[D]. 貴陽：貴州大學，2009.

ZHANG F. Study on the tobacco of the changing regulation ofthe activity of primary enzyme during curing process [D].Guiyang： Guizhou University，2009.

［40］ 李艷，李崢，張永輝， 等. 基于CIE色度空間的煙葉烘烤過程中色素含量預測研究[J]. 昆明學院學報，2019，41（3）：20-25.

LI Y， LI Z， ZHANG Y H， et al .. Predictive study of pigmentcontent during tobacco curing based on CIE chromaticity space [J].J. Kunming Univ.， 2019，41（3）：20-25.

［41］ 李生棟，譚方利，黎妍妍， 等. 不同素質煙葉烘烤過程中顏色值與色素含量的關系[J]. 南方農業(yè)學報，2016，47（9）：1570-1575.

LI S D，TAN F L，LI Y Y，et al .. Relationship between colorparameters and pigment contents during flue-curing process ofdifferent-quality tobacco leaves [J]. J. South. Agric.，2016，47（9）：1570-1575.

［42］ 段史江. 圖像處理技術在烤煙烘烤過程中的應用研究[D].鄭州：河南農業(yè)大學，2012.

DUAN S J. Research on application of image processingtechnology during curing process of flue-cured tobacco [D].Zhengzhou：Henan Agricultural University，2012.

［43］ 杜海娜，孟令峰，王松峰， 等. 基于機器學習的密集烘烤過程煙葉失水率預測模型對比[J]. 煙草科技，2022，55（9）：81-88.

DU H N， MENG L F， WANG S F， et al .. Machine learningbasedmodels for predicting dehydration rate of tobacco leafduring bulk curing and comparisons thereof [J]. Tob. Sci.Technol.，2022，55（9）： 81-88.

［44］ 何軍，王奎武，朱列書， 等. 烤煙不同烘烤方法的研究進展[J].作物研究，2007，21（5）：729-732.

［45］ 賀帆，王濤，武圣江，等. 密集烘烤烤煙不同品種煙葉質地和顏色變化[J]. 核農學報，2014，28（9）：1647-1655.

HE F， WANG T， WU S J， et al .. Study on the change of textureand color of different flue-cured tobacco varieties during thebulk-curing [J]. Acta Agric. Nucl. Sin.， 2014，28（9）：1647-1655.

［46］ 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]. 中國煙草學報，2022，28（2）：65-76.

LI Z S， MENG L F， WANG S F， et al .. Selection of optimumdiscriminant model in tobacco curing stage based on imageprocessing [J]. Acta Tab. Sin.， 2022，28（2）：65-76.

［47］ 王暑. 煙葉烘烤智能控制系統(tǒng)研究[D]. 昆明：昆明理工大學，2008.

WANG S. Research on intelligent control system for tobaccobaking room [D]. Kunming：Kunming University of Science andTechnology， 2008.

［48］ 楊海清，劉永輝. 深度學習的煙葉烘干狀態(tài)識別算法[J]. 浙江工業(yè)大學學報，2021，49（1）：30-33，87.

YANG H Q， LIU Y H. Tobacco leaf drying state recognitionalgorithm based on deep learning [J]. J. Zhejiang Univ.Technol.， 2021，49 （1）：30-33，87.

［49］ 趙鐳，劉文. 感官分析技術應用指南[M].北京：中國輕工業(yè)出版社，2011：1-199.

［50］ 王戈，丁冉，徐瑋杰，等. 計算機視覺和智能識別技術在烤煙煙葉分級中的應用[J]. 計算機與應用化學，2019，36（，5）：548-553.

WANG G， DING R， XU W J， et al .. Application of computervision and intelligent identification technology in grading offlue-cured tobacco [J]. Comput. Appl. Chem.， 2019， 36（5）：548-553.

［51］ 毛鵬軍，賀智濤，杜東亮，等. 烤煙煙葉視覺檢測分級系統(tǒng)的研究現(xiàn)狀與發(fā)展趨勢[J]. 農業(yè)機械，2006（16）：43.

［52］ 梁錦秀. 低光照條件下的圖像增強和識別關鍵技術研究[D]. 廣州：華南理工大學，2021.

LIANG J X. Research on key technologies of image enhancementand recognition in low-light conditions [D]. Guangzhou： SouthChina University of Technology， 2021.

［53］ 秦芝乾. 不同波段光源和光照強度對煙葉分級的影響研究[D]. 貴陽：貴州大學，2020.

QIN Z Q. Study on the effects of different band light sourcesand light intensity on tobacco leaf grading [D]. Guiyang：Guizhou University， 2020.

［54］ 劉新宇，郝同盟，張紅濤，等. 基于改進YOLOv3網絡的煙梗識別定位方法[J]. 食品與機械，2022，38（3）：103-109.

LIU X Y， HAO T M， ZHANG H T，et al .. Cigarette stemidentification and location method based on improved YOLOv3network [J]. Food Mach.， 2022，38（3）：103-109.

［55］ 張聲超. 基于特征融合的肺結節(jié)檢測關鍵技術研究[D]. 廣州：華南理工大學，2018.

ZHANG S C. Research on key techniques of pulmonary noduledetection based on feature fusion [D]. Guangzhou：South ChinaUniversity of Technology， 2018.

［56］ 何艷，王海軍，莊珍珍， 等. 基于機器視覺技術的煙葉分級特征提取[J]. 南方農機，2020，51（15）：29-30.

［57］ 莊珍珍，祝詩平，孫雪劍， 等. 基于機器視覺的煙葉自動分組方法[J]. 西南師范大學學報（自然科學版），2016，41（4）：122-129.

ZHUANG Z Z， ZHU S P， SUN X J， et al .. On method oftobacco automatic groping based on machine vision [J]. J.Southwest China Norm. Univ. （Nat. Sci.）， 2016，41（4）：122-129.

［58］ HARJOKO A， PRAHARA A， SUPARDI T W， et al .. Imageprocessing approach for grading tobacco leaf based on color andquality [J]. Int. J. Smart Sens. Intell. Syst.， 2019， 12（1）：1-10.

［59］ 郭強. 基于圖像處理與神經網絡的煙葉分級研究[D]. 長沙：中南大學，2013.

GUO Q. The research of tobacco grading based on imageprocessing and neural network [D]. Changsha： Central SouthUniversity， 2013.

［60］ 楊述斌，董春林，王鋒， 等. 基于PCA-SSA-BP神經網絡的煙葉分級方法[J]. 自動化與儀表，2023，38（2）：70-75.

YANG S B， DONG C L， WANG F， et al .. Tobacco leaf gradingmethod based on PCA-SSA-BP neural network [J]. Autom.Instrument.， 2023，38（2）：70-75.

［61］ 張恒，徐文韜，張子穎， 等. 不同生態(tài)區(qū)影響烤煙上部煙葉感官品質的關鍵外觀指標[J]. 煙草科技，2023，56（1）：24-32.

ZHANG H， XU W T， ZHANG Z Y， et al .. Key appearanceindexes affecting sensory quality of upper flue-cured tobaccoleaves from different ecological regions [J]. Tob. Sci. Technol.，2023，56（1）： 24-32.

［62］ 郝賢偉，李奇，畢一鳴， 等. 不同顏色上部烤煙主要品質指標的差異分析[J]. 河南農業(yè)科學，2023，52（3）：173-180.

HAO X W， LI Q， BI Y M， et al .. Difference analysis of mainquality indicators of upper leaves of flue-cured tobacco withdifferent colors [J]. Henan Agric. Sci.， 2023，52（3）：173-180.

［63］ 李悅，符云鵬，甄煥菊， 等. 烤后煙葉表面顏色特征參數(shù)及其與外觀質量指標的關系[J]. 河南農業(yè)大學學報，2017，51（1）：1-7.

LI Y， FU Y P， ZHEN H J， et al .. The relationship between thecharacteristic parameters of surface color and the index ofappearance quality of flue-cured tobacco [J]. J. Henan Univ.Agric.， 2017，51（1）：1-7．

［64］ 陳文兵，車文剛. 內外特征結合的煙葉自動分級方法[J]. 陜西理工大學學報（自然科學版），2022，38（6）：28-37.

CHEN W B，CHE W G. Automatic grading method of tobaccoleaves based on combination of internal and external features [J]. J.Shaanxi Technol. Univ. （Nat. Sci.）， 2022，38（6）：28-37.

［65］ 王士鑫. 基于卷積神經網絡（CNN）的烤煙煙葉質量分級研究[D]. 昆明：云南師范大學，2020.

WANG S X. Quality classification of flue-cured tobacco leafbased on convolutional neural network （CNN） [D]. Kunming：Yunnan Normal University， 2020.

［66］ 焦方圓，申金媛，郝同盟. 一種基于卷積神經網絡的煙葉等級識別方法[J]. 食品與機械，2022，38（2）：222-227.

JIAO F Y，SHEN J Y，HAO T M. A method of tobacco leaf graderecognition based on convolution neural network [J]. FoodMach.， 2022，38（2）：222-227.

［67］ 陳人杰. 基于機器視覺的烤煙自動分級方法研究[D]. 成都：電子科技大學，2022.

CHEN R J. Research on automatic classification method offlue-cured tobacco based on machine vision [D]. Chengdu：University of Electronic Science and Technology， 2022.

［68］ 魯夢瑤，周強，姜舒文，等. 基于深度學習與多尺度特征融合的烤煙煙葉分級方法[J]. 中國農機化學報，2022，43（1）：158-166.

LU M Y， ZHOU Q， JIANG S W， et al .. Flue-cured tobacco leafgrading method based on deep learning and multi-scale featurefusion [J]. J. Chin. Agric. Mach.， 2022，43（1）：158-166.

［69］ 莊福振，羅平，何清， 等. 遷移學習研究進展[J]. 軟件學報，2015，26（1）：26-39.

ZHUANG F Z， LUO P， HE Q， et al .. Survey on transferlearning research [J]. J. Softw.， 2015，26（1）：26-39.

［70］ BARRE P， STOVER B C， MULLER K F， et al.. LeafNet： acomputer vision system for automatic plant species identification[J]. Ecol. Inform.， 2017，40： 50-56.

［71］ WU S G， BAO F S， XU E Y， et al .. A leaf recognition algorithmfor plant classification using probabilistic neural network [C]//Proceddings of IEEE International Symposium on SignalProcessing and Information Technology. 2007：11-16.

［72］ HUGHES D P， SALATHE M. An open access repository ofimages on plant health to enable the development of mobiledisease diagnostics [J/OL]. Comput. Sci.，2015， 11： 8060 [2023-04-16]. https：//doi.org/10.48550/arXiv.1511.08060.

［73］ VASWANI A，SHAZEER N，PARMAR N，et al .. Attention is allyou need [C]//Advances in neural information processingsystems.2017：5998-6008.

［74］ 吳書陪. 基于視覺Transformer 的番茄病害程度識別研究[D]. 合肥：中國科學技術大學，2022.

WU S P. Recognition of tomato disease degree based on visualtransformer [D]. Hefei： University of Science and Technologyof China， 2022.

［75］ 安小松，宋竹平，梁千月， 等. 基于CNN-Transformer的視覺缺陷柑橘分選方法[J]. 華中農業(yè)大學學報，2022，41（4）：158-169.

AN X S， SONG Z P， LIANG Q Y， et al .. A CNN-transformerbasedmethod for sorting citrus with visual defects [J]. J.Huazhong Agric. Univ.， 2022，41（4）：158-169.

［76］ CHEN L C， PAPANDREOU G， SCHROFF F， et al ..Rethinking atrous convolution for semantic imagesegmentation [J/OL]. Comput. Sci.， 2017， 6： 5587 [2023-04-16] .https：//doi.org/10.48550/arXiv.1706.05587.

［77］ 毛萬菁，阮炬全，劉朔. 基于注意力機制的改進UNet草莓病害語義分割[J]. 計算機系統(tǒng)應用，2023，32（6）：251-259.

MAO W J， RUAN J Q， LIU S. Improved UNet based onattention mechanism in semantic segmentation of strawberrydiseases [J]. Comput. Syst. Appl.， 2023，32（6）：251-259.

［78］ 陳鵬，馬子涵，章軍，等. 融合注意力機制的小麥赤霉病語義分割網絡[J]. 中國農機化學報，2023，44（4）：145-152.

CHEN P ，MA Z H， ZHANG J， et al .. Semantic segmentationnetwork based on attention mechanism wheat FHB [J]. J. Chin.Agric. Mechan.， 2023，44（4）：145-152.

［79］ AKALYA D C， DHANARAJ K R， KIRUBA R. Affective modelbased speech emotion recognition using deep learningtechniques [J/OL]. Indian J. Comput. Sci.， 2020，5（4-5）：154783[2023-04-16]. https：//doi.org/10.17010/ijcs/2020/v5/i4-5/154783.

［80］ 劉建偉，王園方，羅雄麟. 深度記憶網絡研究進展[J]. 計算機學報，2021，44（8）：1549-1589.

LIU J W， WANG Y F， LUO X L. Research and development ondeep memory network [J]. J. Chin. Comput.， 2021，44（8）：1549-1589.

［81］ BHIMAVARPU U， BATTINENI G， CHINTALAPUDI N.Improved optimization algorithm in LSTM to predict cropyield [J/OL]. Computers， 2023， 12（1）： 10 [2023-04-16]. https：//doi.org/10.3390/computers12010010.

［82］ DUPUIS A， DADOUCHI C， AGARD B. Methodology for multitemporalprediction of crop rotations using recurrent neuralnetworks [J/OL]. Smar. Agric. Technol.， 2023，4：100152 [2023-04-16]. https：//doi.org/10.1016/j.atech.2022.100152.

基金項目：國家自然科學基金項目（32101851）；永州陽明雪茄煙綜合研究與開發(fā)項目（yz2022KJ01）。