（1.，南寧53000；2.，重慶400715；3.，重慶奉節(jié)404600)

中圖分類號：S572；S126文獻(xiàn)標(biāo)識碼：A

文章編號：1007-5119（2025）02-0101-12

An Analytical Model for Assessing Tobacco Seedling Uniformity

LI Qunling1， SUN Jiazhao， WANG Zhenguo3， CHENG ，RAN Yu'ao2， LI ，DING Wei1*

(1.ChinaTobaoagxistrialCoLtd.，ago，Cina;2.CllgeoantrotectioouthwstUiy

Chongqing 40o715，China;3.FengjieBranchofChongqingTobacoCompany，ChinaNationalTobacco Corporatio，F(xiàn)engie 404600， Chongqing， China)

Abstract:Toacheverapidassessmentandeficentanalysisoftheuniforityoftobaccosedlings inintensiveedlingfactorythis studyemploysageneralizedaditive model(GAM)toanalyetobaccoseed nurserydataadscrnfor idicatorsoftobaccoseedling uniformity. We evaluatedRandomForest algorithm，BPNeuralNetworkalgorithm，and Support VectorMachine(SVM)algorithm. Particle Swarm Optimization (PSO)isthen appliedtooptimizeeachof these modelsseparately.Thisstudyconstructed image recognitionmodelsforassessingtheuniforityof tobaccseednurseryusingdeepleaingalgorithms，twooptimizers，Adamand Nadam，specificallyAlexNet，ResNet-10l，and GoogleNet.Teresearchresultsindicated thattheplantheight，stemcicuferee， and numberofefectiveleaves of tobaccoseedlings hadasignificantimpactontheuniformityofthe tobaccoseedlings.ThePartcle Swarm Optimized Random Forest model demonstrates the best performance， with accuracy of 8 8 . 0 0 % valueof O.69，andMean AbsoluteError(MAE）of 0.13.TheAdam-GoogLeNet modelshows thebestrecognition performance，averagingacuracyof 9 3 . 8 9 % Overall，findings of thisstudy provideareasonable basis for thescientificevaluationoftobacco nurserybeduniformityand offer support for the development of tobacco seedling uniformity image recognition systems.

Keywords: tobacco seedbed; uniformity index; deep learning; uniformity model; image recognition

煙草是一種重要的經(jīng)濟(jì)作物，煙苗整齊度是煙草生產(chǎn)的關(guān)鍵指標(biāo)之一，直接影響田間管理效果。整齊度高的煙苗易于統(tǒng)一管理，可以提高移栽效率和質(zhì)量，使煙苗在田間生長整齊，促進(jìn)光照、水分和養(yǎng)分均衡利用。煙苗整齊度依靠傳統(tǒng)人工方法評估，不僅效率低下，而且易受到主觀影響導(dǎo)致評估結(jié)果產(chǎn)生誤差，難以實(shí)現(xiàn)苗床精準(zhǔn)化管理。集約化育苗工廠的興起，對作物整齊度的科學(xué)評價(jià)和高效管理提出了更高的要求。在作物苗期整齊度研究中，Yang等1利用植被覆蓋率、葉面指數(shù)、植物高度等數(shù)據(jù)，采用圖像學(xué)習(xí)方法對小麥整齊度進(jìn)行評估，可實(shí)現(xiàn)無人機(jī)輔助判別小麥整齊度。Liu等[2采用無人機(jī)搜集小麥幼苗RGB圖像，使用變異系數(shù)、覆蓋率等方法分析小麥出苗整齊度。Zhou等]采用基于閾值優(yōu)化的圖像分割方法對玉米幼苗圖像進(jìn)行提取，實(shí)現(xiàn)玉米出苗整齊度評估。以往研究為作物出苗整齊度圖像識別提供了有效方法，但對整齊度指標(biāo)的確立和模型構(gòu)建方面研究較少。

苗床內(nèi)煙苗整體生長情況的快速高效判別，有助于提升煙草苗床管理的精準(zhǔn)度和智能化水平，降低人工成本，提高生產(chǎn)效率。因此，本研究通過采集煙草育苗數(shù)據(jù)，采用廣義加性模型分析影響煙株苗床整齊度的指標(biāo)，采用隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)構(gòu)建煙草苗床整齊度評估模型，同時(shí)采用深度卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）、殘差網(wǎng)絡(luò)(ResNet-101)和谷歌網(wǎng)絡(luò)（GoogleNet)開發(fā)煙草苗床整齊度圖像識別模型，以實(shí)現(xiàn)對煙苗整齊度的快速、自動(dòng)化評估。

1 材料與方法

1.1試驗(yàn)地概況與試驗(yàn)材料

試驗(yàn)在重慶渝東北地區(qū)煙草集約化育苗工廠開展，品種為當(dāng)?shù)刂髟云贩N云煙87。育苗時(shí)間為2024年3—5月，育苗周期 6 0 d 。漂浮育苗，育苗池營養(yǎng)液深度控制在 8 c m 左右。

1.2煙苗素質(zhì)數(shù)據(jù)采集

采用“五點(diǎn)取樣法\"對每盤煙苗標(biāo)記5株煙株，移栽前測量標(biāo)記煙苗的株高、莖圍、有效葉數(shù)，用清水洗去基質(zhì)露出全部根系，根莖葉分離后烘干分別稱取干質(zhì)量。每株煙苗采集到的數(shù)據(jù)為1條數(shù)據(jù)，每盤采集5條數(shù)據(jù)，共采集240盤1200條數(shù)據(jù)。使用手機(jī)采集煙苗圖像(無任何修圖處理)，所用手機(jī)型號為iphone 1 4 P r o （像素4800萬），三星s23ultra(像素2.0億），小米12（像素5000萬）。采集方式為2種：1，平行于煙苗種植方向距離煙苗頂部 5 0 c m 處進(jìn)行圖像拍攝(圖1a)；2，與地面呈 夾角距離煙苗頂部 4 0 c m 處斜攝煙苗（圖1b）。兩種方法均要求在取景范圍內(nèi)至少有1盤煙苗被完整拍到，共采集3019張圖像。

1.3煙苗整齊度指標(biāo)建立

采用廣義加性模型[4-5]（GeneralizedAdditiveModel，GAM)對煙苗素質(zhì)數(shù)據(jù)與煙苗整齊度進(jìn)行分析，篩選出對煙苗整齊度具有顯著影響的因子。采用Magic進(jìn)行平滑參數(shù)優(yōu)化。同時(shí)采用2種樣條函數(shù) B-spline function (BS) 和 P-spline function(PS)分析各加性項(xiàng)的擬合殘差。

在本研究中GAM模型公式為：

，煙苗整齊度變量均值的鏈接函數(shù)； 第 i 個(gè)觀測值的期望值； ，截距項(xiàng)； ，未知平滑函數(shù)，對應(yīng)于k個(gè)預(yù)測變量xi1，xi2，…xik；Xik，是第 i 個(gè)觀測值的第 k 個(gè)預(yù)測變量的值。

1.4煙苗整齊度模型的構(gòu)建

煙苗整齊度可歸納為“整齊”與“不整齊”二分類問題，“整齊\"則不需要剪葉，“不整齊”則需要剪葉以促進(jìn)煙苗生長整齊。通過廣義加性模型對煙苗株高、莖圍、有效葉數(shù)、總干質(zhì)量進(jìn)行分析，篩選出對煙苗整齊度具有顯著影響的關(guān)鍵因子。運(yùn)用隨機(jī)森林（RandomForest）、BP神經(jīng)網(wǎng)絡(luò)（BackPropagationNeuralNetwork)和支持向量機(jī)（SupportVectorMachines)3種方法對篩選到的因子與煙苗整齊度數(shù)據(jù)進(jìn)行模型構(gòu)建。將測試集準(zhǔn)確率、決定系數(shù) 與平均絕對誤差MAE作為不同模型評判指標(biāo)，篩選出最優(yōu)模型。

隨機(jī)森林通過構(gòu)建多個(gè)決策樹來進(jìn)行分類或回歸預(yù)測，對二分類問題具有很好的處理性能[6-7]。本研究將隨機(jī)森林的預(yù)測過程表示為一個(gè)函數(shù)的集成：

是第 i 棵樹對輸入 x 的預(yù)測結(jié)果， B 是樹的總數(shù)， u 表示模型入?yún)⑻卣黜?xiàng)，mode表示眾數(shù)，本研究為二分類中出現(xiàn)次數(shù)最多的類別。模型超參數(shù)設(shè)置為決策樹數(shù)目100，最小葉子數(shù)目1，訓(xùn)練集與測試集比例隨機(jī)劃分為 0 . 7 5 : 0 . 2 5 。

BP神經(jīng)網(wǎng)絡(luò)包含一個(gè)輸入層、一個(gè)或多個(gè)隱藏層以及一個(gè)輸出層。BP神經(jīng)網(wǎng)絡(luò)通過在訓(xùn)練過程中調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置來最小化輸出誤差，利用一種監(jiān)督學(xué)習(xí)技術(shù)來訓(xùn)練網(wǎng)絡(luò)，使其能夠?qū)斎藬?shù)據(jù)進(jìn)行分類[8]。本研究中模型超參數(shù)設(shè)置為最大迭代次數(shù)1000，目標(biāo)訓(xùn)練誤差 ，學(xué)習(xí)率 0 . 0 1 。

支持向量機(jī)是機(jī)器學(xué)習(xí)中一種基于最佳邊距的分類技術(shù)，屬于二進(jìn)制分類器[9-10]。本研究中設(shè)置該模型懲罰因子 c = 1 0 . 0 ，徑向基函數(shù)參數(shù) g = 0 . 0 1 。

粒子群優(yōu)化技術(shù)是一種基于群體的元啟發(fā)式技術(shù)，用于解決優(yōu)化問題[11]。為了提高煙苗整齊度評估分析模型的準(zhǔn)確度，采用粒子群算法對3種基礎(chǔ)模型進(jìn)行優(yōu)化。粒子群優(yōu)化算法中學(xué)習(xí)因子c 1 = 4 . 0 ， c 2 = 4 . 0 ，種群更新次數(shù)maxgen 1 = 3 0 ，種群規(guī)模sizepop 。

采用R軟件4.3.3進(jìn)行分析，gamm函數(shù)對廣義加性模型進(jìn)行擬合，MATLAB2023b構(gòu)建煙苗整齊度模型，Python3.11構(gòu)建煙苗整齊度識別模型。

1.5煙苗整齊度圖像識別

1.5.1圖像數(shù)據(jù)處理研究中為得到最佳的模型識別結(jié)果，采用隨機(jī)選取方式采集圖片樣本，拍攝圖片兼具單一背景和復(fù)背景環(huán)境。拍攝過程中不采用微距鏡頭放大倍數(shù)?？梢姽鈭D像采集的圖片數(shù)量約為3000張，進(jìn)行篩選后總計(jì)獲得有效圖片2242張。采取以下步驟進(jìn)行圖像預(yù)處理和數(shù)據(jù)增強(qiáng)：將圖像大小調(diào)整為 9 6×9 6 像素，隨機(jī)旋轉(zhuǎn)圖像，旋轉(zhuǎn)的角度在 到 之間；從圖像中心裁剪出一個(gè)2 2 4 × 2 2 4 像素的區(qū)域，以 5 0 % 的概率水平翻轉(zhuǎn)圖像，以 50 % 的概率垂直翻轉(zhuǎn)圖像；對圖像的顏色進(jìn)行隨機(jī)擾動(dòng)，包括亮度、對比度、飽和度和色調(diào)的變化，以 2 . 5 % 的概率將圖像轉(zhuǎn)換為灰度圖像。數(shù)據(jù)增強(qiáng)效果如圖2。將增強(qiáng)圖像轉(zhuǎn)換為PyTorch張量(Tensor），并將其從整數(shù)像素值歸一化為0到1之間的浮點(diǎn)數(shù)，使用ImageNet數(shù)據(jù)集的均值和標(biāo)準(zhǔn)差對圖像張量進(jìn)行標(biāo)準(zhǔn)化。

1.5.2模型參數(shù)設(shè)置采用AlexNet、ResNet-101和GoogleNet三種網(wǎng)絡(luò)結(jié)構(gòu)對圖像數(shù)據(jù)進(jìn)行訓(xùn)練，并使用Adam優(yōu)化器和Nadam優(yōu)化器提高訓(xùn)練過程中的收斂速度和性能。AlexNet作為早期的深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)之一，有8層網(wǎng)絡(luò)結(jié)構(gòu)，包括5層卷積層和3層全連接層[12（結(jié)構(gòu)如圖3a）。

ResNet-101作為預(yù)訓(xùn)練模型，可用于遷移學(xué)習(xí)[13]（結(jié)構(gòu)如圖3b)。GoogleNet已廣泛應(yīng)用于圖像識別，該模型使用稀疏網(wǎng)絡(luò)結(jié)構(gòu)來改善過度擬合和計(jì)算資源過度占用的缺點(diǎn)[14-15](結(jié)構(gòu)如圖3c)。

圖像識別訓(xùn)練計(jì)算機(jī)使用Win11X64操作系統(tǒng)作為試驗(yàn)軟件環(huán)境，采用深度學(xué)習(xí)開源框架PyTorch。計(jì)算機(jī)內(nèi)存為 3 2 G B ，搭載13th Gen Intel(R)Core(TM)i9-13900H2.60GHz，支持GPU加速和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，采用英偉達(dá)RTX460Ti的GPU對深度學(xué)習(xí)模型進(jìn)行加速。本次研究中將模型訓(xùn)練周期設(shè)置為50epoch。在使用過程中添加RectifiedLinear U n i t( R e L U ) 作為激活函數(shù)，解決梯度消失問題并加快訓(xùn)練過程，結(jié)構(gòu)如圖 。導(dǎo)入煙苗整齊度照片數(shù)據(jù)，劃分兩個(gè)數(shù)據(jù)集“Lowneatness\"和“Highneatness”，分別代表煙苗不整齊和整齊。隨機(jī)選出 90 % 和 10 % 的圖像樣本分別作為訓(xùn)練集與測試集。學(xué)習(xí)率設(shè)置為 0 . 0 1 。采用StepLR調(diào)度器，用于在訓(xùn)練過程中調(diào)整優(yōu)化器的學(xué)習(xí)率。在每個(gè)迭代次數(shù)結(jié)束后將學(xué)習(xí)率乘以一個(gè)因子gamma，gamma 1 = 0 . 1 。每7個(gè)epoch調(diào)整一次學(xué)習(xí)率。

2結(jié)果

2.1煙草苗床整齊度指標(biāo)分析

本試驗(yàn)共采集煙苗生長指標(biāo)數(shù)據(jù)1200條。廣義加性模型由含有截距的參數(shù)項(xiàng)和含有平滑項(xiàng)的非參數(shù)項(xiàng)組成，模型擬合結(jié)果如表1所示，從中可以看出煙苗株高、莖圍和有效葉數(shù)對擬合結(jié)果有顯著影響 ( p<0 . 0 5 ) 。

在廣義加性模型中第 i 個(gè)加性項(xiàng)的偏殘差是指，當(dāng)因變量減去不包含該加性項(xiàng)在內(nèi)的其他所有加性項(xiàng)的估計(jì)值后，所得到的殘差。從偏殘差（partialresiduals)分布圖(圖4)看出，在2種光滑樣條函數(shù)中， 、 和 殘差呈現(xiàn)離散分布，表明擬合效果較好。而 則呈現(xiàn)出規(guī)則分布，這可能由于在研究過程中苗床的煙苗莖圍數(shù)值較為集中。2個(gè)樣條函數(shù)參數(shù)項(xiàng)值及殘差分布圖非常接近，表明模型較為穩(wěn)定。

2.2 煙苗整齊度模型的構(gòu)建結(jié)果

根據(jù)廣義加性模型分析結(jié)果得出煙苗有效葉數(shù)、莖圍和株高對煙苗整齊度具有顯著影響，因此采用這3個(gè)因素作為模型入?yún)⒁蜃樱瑹熋缡欠裾R(0，不整齊；1，整齊)為模型輸出指標(biāo)。

隨機(jī)森林模型預(yù)測結(jié)果如圖5所示。模型訓(xùn)練集準(zhǔn)確率為 9 8 . 3 3 % (圖5a)，測試集準(zhǔn)確率為 8 3 . 3 3 % （圖5b)，訓(xùn)練集混淆矩陣中選取的180個(gè)樣本第

a 0.3 ·· 中 X 1.00 0.3 . ： 00 白 X 1.00 b 0.3 ·i ： ： X 1.00 0.3 0. X 1.00

kassrtss 0 心 0.75 kassiss 0 e0·0 0.75 sessiss 0 心 0.75 keeesisr 0 o06 0.750.50 0.50 0.50 0.50

-0.3 0.25 -0.3 0.25 -0.3 0.25 0.3 0.250 ： ·. 0 0 ·. 0

-0.6-1 -0.6- T -0.6 -0.6-10 0.250.500.751.00 0 0.250.500.751.00 0 0.25 0.500.751.00 0 0.250.500.751.00X X X X

es ￥ .0 天 x 1.0 mps X 1.0 8. 00 X 1.0.ii0 0.50 0 福 8 0.50 0- 0.50 0.50心 0.25 1 0.25 心 0.25 \\` 富業(yè) 0.25

-0.3 -0.3 80 -0.3 -0.3 5000 0 0 0

-0.6- P -0.6-1 -0.6-1 r -0.6-10 0.250.500.751.00 0 0.250.500.751.00 0 0.250.50 0.751.00 0 0.250.500.751.00X X4 X X4

Fig.4Partial residuals of input factors inBS spline function (a)andPS spline function (b)in generalized aditive model一分類準(zhǔn)確率為 9 8 . 9 % ，第二分類準(zhǔn)確率為 9 7 . 8 % 訓(xùn)練集總體第一分類樣本準(zhǔn)確率 9 7 . 8 % ，第二分類樣本準(zhǔn)確率 9 8 . 9 % （圖5c)。測試集中選取的60個(gè)分類樣本第一分類準(zhǔn)確率為 8 2 . 8 % ，第二分類樣本準(zhǔn)確率為 8 3 . 9 % （圖5d）。模型 為0.63，MAE為 0 . 1 6 。

BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果如圖6所示，訓(xùn)練集準(zhǔn)確率為 78 . 3 3 % （圖6a)，測試集準(zhǔn)確率為 7 5 . 0 0 % （圖6b），訓(xùn)練集混淆矩陣中選取的180個(gè)樣本第一分類準(zhǔn)確率為 7 2 . 8 % ，第二分類準(zhǔn)確率為 8 4 . 1 % ，訓(xùn)練集總體第一分類樣本準(zhǔn)確率 8 2 . 7 % ，第二分類樣本準(zhǔn)確率 7 4 . 7 % （圖6c）。測試集中選取的60個(gè)分類樣本第一分類準(zhǔn)確率為 5 5 . 6 % ，第二分類樣本準(zhǔn)確率為 9 0 . 9 % （圖6d)。模型 為0.61，MAE為 0 . 5 1 。

支持向量機(jī)模型預(yù)測結(jié)果如圖7所示。訓(xùn)練集準(zhǔn)確率為 8 2 . 0 0 % （圖 7 a )，測試集準(zhǔn)確率為 8 1 . 6 6 % （圖7b)，訓(xùn)練集混淆矩陣中選取的180個(gè)樣本第一分類準(zhǔn)確率為 7 6 . 9 % ，第二分類準(zhǔn)確率為 8 7 . 6 % 訓(xùn)練集總體第一分類樣本準(zhǔn)確率 8 6 . 4 % ，第二分類樣本準(zhǔn)確率 78 . 8 % （圖7c）。測試集中選取的60個(gè)分類樣本第一分類準(zhǔn)確率為 78 . 6 % ，第二分類樣本準(zhǔn)確率為 8 4 . 4 % （圖7d）。模型 為0.63，MAE為 1 . 9 2 。

采用粒子群優(yōu)化隨機(jī)森林模型，預(yù)測結(jié)果如圖8所示。訓(xùn)練集準(zhǔn)確率為 9 6 . 6 7 % （圖8a)，測試集準(zhǔn)確率為 8 8 . 0 0 % （圖8b)，訓(xùn)練集混淆矩陣中選取的180個(gè)樣本第一分類準(zhǔn)確率為 9 6 . 6 % ，第二分類準(zhǔn)確率為 9 6 . 7 % ，訓(xùn)練集總體第一分類樣本準(zhǔn)確率 9 6 . 6 % ，第二分類樣本準(zhǔn)確率 9 6 . 7 % （圖8c）。測試集中選取的60個(gè)分類樣本第一分類準(zhǔn)確率為8 0 . 6 % ，第二分類樣本準(zhǔn)確率為 9 6 . 6 % (圖8d)。模型 為0.69，MAE為 0 . 1 3 。

采用粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測結(jié)果如圖9所示。訓(xùn)練集準(zhǔn)確率為 8 8 . 3 3 % （圖 9 a )，測試集準(zhǔn)確率為 8 5 . 0 0 % （圖9b)，訓(xùn)練集混淆矩陣中選取的180個(gè)樣本第一分類準(zhǔn)確率為 9 0 . 0 % ，第二分類準(zhǔn)確率為 8 6 . 7 % ，訓(xùn)練集總體第一分類樣本準(zhǔn)確率 8 7 . 1 % ，第二分類樣本準(zhǔn)確率 8 9 . 7 % （圖9c）。測試集中選取的60個(gè)分類樣本第一分類準(zhǔn)確率為7 9 . 3 % ，第二分類樣本準(zhǔn)確率為 9 0 . 3 % （圖9d)。模型 為0.55，MAE為 2 . 3 9 。

采用粒子群優(yōu)化支持向量機(jī)模型，預(yù)測結(jié)果如圖10所示。訓(xùn)練集準(zhǔn)確率為 9 1 . 6 7 % （圖10a），測試集準(zhǔn)確率為 8 3 . 0 0 % （圖10b），訓(xùn)練集混淆矩陣中選取的180個(gè)樣本第一分類準(zhǔn)確率為 7 0 . 4 % ，第二分類準(zhǔn)確率為 8 7 . 9 % ，訓(xùn)練集總體第一分類樣本準(zhǔn)確率 8 2 . 6 % ，第二分類樣本準(zhǔn)確率 7 8 . 4 % (圖10c）。測試集中選取的60個(gè)分類樣本第一分類準(zhǔn)確率為91 . 3 % ，第二分類樣本準(zhǔn)確率為 9 2 . 0 % （圖10d）。模型 為0.58，MAE為 1 . 2 6

2.3煙苗整齊度圖像識別模型訓(xùn)練結(jié)果

3種模型訓(xùn)練精度隨迭代次數(shù)的變化情況如圖11所示。Adam優(yōu)化器訓(xùn)練模型訓(xùn)練集損失率隨著迭代次數(shù)逐漸降低，在第10次后逐漸趨于穩(wěn)定，ResNet-101模型損失率整體低于AlexNet模型（圖11a）。測試集損失函數(shù)相較于訓(xùn)練集波動(dòng)較大，但模型整體損失率隨著迭代次數(shù)也呈現(xiàn)逐漸降低的態(tài)勢(圖11b)。訓(xùn)練集準(zhǔn)確率在5次迭代之后趨于穩(wěn)定，AlexNet模型準(zhǔn)確率在0.8附近波動(dòng)，ResNet-101模型準(zhǔn)確率在0.85附近波動(dòng)。迭代5次后ResNet-101模型準(zhǔn)確率整體高于AlexNet模型（圖11c)。測試集準(zhǔn)確率相較于訓(xùn)練集波動(dòng)較大，AlexNet模型與ResNet-101準(zhǔn)確率范圍出現(xiàn)多次交叉，但模型整體準(zhǔn)確率隨著迭代次數(shù)呈現(xiàn)逐漸升高的態(tài)勢。其中AlexNet模型多次準(zhǔn)確率低至0.5附近，具有較大波動(dòng)性(圖11d)。而GoogleNet模型訓(xùn)練集及測試集的損失值和準(zhǔn)確率均優(yōu)于AlexNet模型和ResNet-101模型(表2)，并且模型曲線更加穩(wěn)定。Adam比Nadam優(yōu)化器模型(圖12)訓(xùn)練集和測試集準(zhǔn)確率波動(dòng)更小，模型輸出更穩(wěn)定。Adam優(yōu)化器訓(xùn)練的GoogleNet模型測試集損失值最低（0.1688），準(zhǔn)確率最高（0.9389），Adam-GoogleNet模型訓(xùn)練集和測試集的損失值比Nadam-

GoogleNet模型分別降低0.0866和0.6224，訓(xùn)練集和測試集準(zhǔn)確率分別提升0.0188和0.2333。

3討論

整齊度可評判作物排列和生長的一致性，通常與作物的種植方式、生長條件和管理措施有關(guān)。整齊度好的作物，作物的產(chǎn)量和品質(zhì)通常更高，同時(shí)也便于農(nóng)業(yè)機(jī)械化作業(yè)，降低勞動(dòng)強(qiáng)度。影響煙苗整齊度的因素眾多，其關(guān)系尚未明確為線性或非線性。廣義加性模型(GAM結(jié)合了廣義線性模型（GeneralizedLinearModel，GLM）和加性模型(AdditiveModel)的優(yōu)點(diǎn)，無需預(yù)先設(shè)定函數(shù)形式，適用于本研究中對煙苗整齊度多因素的判別。煙苗整齊度問題本質(zhì)是一種二分類情況，符合隨機(jī)森林分類樹判別和粒子群搜索特點(diǎn)[17]，因此研究結(jié)果也表明粒子群優(yōu)化隨機(jī)森林具有更好的預(yù)測效果。

本研究從實(shí)用性角度出發(fā)，選擇煙苗生產(chǎn)中較易獲取的表型因素株高、莖圍、有效葉數(shù)和干質(zhì)量作為模型入?yún)⒁蛩?。采用粒子群?yōu)化隨機(jī)森林算法模型預(yù)測，測試集準(zhǔn)確率在 8 8 . 0 0 % ，可在較大程度上評估煙苗整齊度。因作物生長中的生物因素如品種、化學(xué)成分與酶活性等較難在大規(guī)模農(nóng)業(yè)生產(chǎn)中直接獲取，因此本研究未對其進(jìn)行進(jìn)一步分析，可能對模型精準(zhǔn)性有一定影響[18-19]。未來快速檢測普及后可對該部分與煙苗整齊度關(guān)系進(jìn)行進(jìn)一步探索。

由于各種模型都有其優(yōu)勢和局限性，在建立煙苗整齊度圖像識別模型時(shí)采用3種模型及2種優(yōu)化器同時(shí)對煙草整齊度進(jìn)行圖像識別訓(xùn)練，篩選出最適模型。本研究從圖像中心裁剪出一個(gè) 2 2 4 × 2 2 4 像素的區(qū)域以減少背景干擾，使模型可以更專注于學(xué)習(xí)圖像的核心特征。同時(shí)采用數(shù)據(jù)增強(qiáng)生成多樣化的訓(xùn)練樣本，幫助模型學(xué)習(xí)到更多樣化的特征，減少對訓(xùn)練數(shù)據(jù)的過擬合。遷移學(xué)習(xí)中的域適應(yīng)方法可以有效解決訓(xùn)練樣本和測試樣本概率分布不一致的學(xué)習(xí)問題[20]，在本研究中加入遷移學(xué)習(xí)模塊用作特征提取器，將預(yù)訓(xùn)練模型的輸出用作新任務(wù)的輸人特征，提高模型泛化能力。結(jié)果表明Adam-GoogleNet模型對煙苗整齊度的識別效果更佳，在測試集上具有最低的損失值0.1688，和最高的準(zhǔn)確率0.9389。Adam優(yōu)化器性能高于Nadam，這與Fatima[21]對不同優(yōu)化器性能的研究結(jié)果一致。

4結(jié)論

本研究表明，煙苗株高、莖圍、有效葉數(shù)對煙苗整齊度具有顯著影響；粒子群優(yōu)化隨機(jī)森林模型對煙苗整齊度具有更高的預(yù)測準(zhǔn)確率( 8 8 . 0 0 % ，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。在經(jīng)兩種優(yōu)化器(Adam、Nadam)優(yōu)化的3種煙苗整齊度圖像識別模型(AlexNet、ResNet-101、GoogleNet)中，Adam-GoogleNet擁有最高的識別準(zhǔn)確率（ 9 3 . 8 9 % )和最低的模型損失值(0.1688)。本研究可為煙草苗床整齊度評價(jià)和整齊度圖像識別提供依據(jù)。

參考文獻(xiàn)

[1] YANG YD，LI Q，MU Y，et al.UAV-assisted dynamic monitoring of wheat uniformity toward yield and biomass estimation[J].Plant Phenomics，2024， 6:191.

[2] LIU T，LIR，JIN X L，et al.Evaluation of seed emergence uniformty ofmechanically sownwheatwithUAVRGB imagery[J].Remote Sensing，2017， 9(12):1241.

[3] ZHOU C Q，YANG G J， LIANG D， et al.An integrated skeleton extraction and pruning method for spatial recognition of maize seedlingsinMGV and UAV remoteimages[J].IEEE Transactions on Geoscience and Remote Sensing，2018， 56(8): 4618-4632.

[4] BECK M W， de VALPINE P， MURPHY R， et al. Multi-scale trend analysis of water quality using error propagation of generalized additive models[J].Science of the Total Environment，2022，802: 149927.

[5] LIULL， DONG Y C， KONG M， et al. Towards the comprehensive water quality control in Lake Taihu:Correlating chlorphyll a and water quality parameters with generalized additive model[J]. Science of the Total Environment，2020，705:135993.

[6] 張書偉，過偉民，陳祥，等.烤煙柔韌性與內(nèi)在品質(zhì)的相關(guān)分析 [J].中國煙草科學(xué)，2022，43(1)：82-88，95. ZHANG SW，GUOWM，CHENX，et al.The correlation analysisof flue-cured tobacco toughness and main quality indexes[J].Chinese Tobacco Science，2022，43(1):82-88，95.

[7] SPEISER JL，MILLER ME， TOOZE J， et al.A comparison of random forest variable selection methods for classification prediction modeling[J].Expert Systems with Applications，2019，134:93-101.

[8] YURY，ANXM，JINB，etal.Particleclassification optimizationbasedBP network for telecommunication customerchurn prediction[J]. Neural Computing and Applications， 2018， 29(3): 707- 720.

[9] CHAUHANVK，DAHIYAK，SHARMAA.Problem formulations and solvers in linear SVM: A review[J]. Artificial Intelligence Review，2019，52(2): 803-855.

[10]王大彬，孟貴星，王雪松，等.不同成熟度茄衣煙葉高光譜特征 分析及分類模型構(gòu)建[J].中國煙草科學(xué)，2023，44(3)：85-91. WANGDB，MENGGX，WANG XS，et al.Analysisof hyperspectral characteristics of coat-oriented cigar tobacco with different maturity and construction of a classification model[J]. Chinese Tobacco Science，2023，44(3):85-91.

[11]JAIN M， SAIHJPAL V， SINGH N， et al. An overview of variants and advancements of PSO algorithm[J]. Applied Sciences，2022，12(17): 8392.

[12] SHI YL， CHEN W S. Sea surface target detection using global 1 alarm controllable adaptive boosting based on correlation features[J]. IEEE Transactions on Geoscience and Remote Sensing，2023，61: 5103014.

[13]LINK S， ZHAO YC，GAO XF， et al.Applying a deep residual network coupling with transfer learning for recyclablewaste sorting[J].EnvironmentalScienceand PolutionResearch International， 2022，29(60): 91081-91095.

[14]ZHANGXH，QIAO Y，MENGFF，et al.Identification of maize leaf diseases using improved deep convolutional neural networks[J]. IEEE Access，2018，6: 30370-30377.

[15]黃本榮，范兆烽，王飛，等.基于VGG16-DenseNet集成模型的 烤煙智能分級[J].中國煙草科學(xué)，2024，45(3)：102-112. HUANGBR，F(xiàn)ANZF，WANGF，etal.Intelligentgradingoffluecured tobacco based on VGGl6-DenseNet integrated model[J]. Chinese Tobacco Science，2024，45(3):102-112.

[16]LUSY，LUZH，ZHANGYD.Pathological braindetectionbased on AlexNet and transfer learning[J]. Journal of Computational Science，2019，30:41-47.

[17] BEDOLLA-IBARRAMG， delCARMENCABRERAHERNANDEZ M， ACEVES-FERNANDEZ M A， etal. Classification of attention levels usinga Random Forest algorithm optimized with Particle Swarm Optimization[J].Evolving Systems， 2022，13(5): 687-702.

[18] 解黎明，姜仲禹，柳洪鵑，等.甘薯發(fā)根分枝期適宜土壤水分促 進(jìn)塊根糖供應(yīng)和塊根形成的研究[J].作物學(xué)報(bào)，2022，48(8)： 2080-2087. XIELM， JIANG ZY，LIUHJ， et al. Suitable soil moisture promotes sugar supply and tuberization insweet potato at root branching stage[J].ActaAgronomica Sinica，2022，48(8):2080-2087.

[19]李娟，周小鳳，劉文豪，等.42個(gè)早熟陸地棉產(chǎn)量與品質(zhì)性狀的 多樣性分析[J].江蘇農(nóng)業(yè)科學(xué)，2022，50(2)：73-78. LIJ，ZHOUXF，LIUWH，etal.Diversityanalysisofyieldand qualitytraitsof42 early-maturinguplandcottoncultivars[J]. Jiangsu Agricultural Sciences，2022，50(2):73-78.

[20]王佳昊，付一夫，馮海男，等.基于遷移學(xué)習(xí)的動(dòng)態(tài)環(huán)境室內(nèi)定 位方法研究[J].計(jì)算機(jī)科學(xué)，2024，51(5)：277-283. WANGJH，F(xiàn)UYF，F(xiàn)ENGHN，etal.Indoorlocationalgorithmin dynamic environment based on transfer learning[J].Computer Science，2024，51(5):277-283.

[21]FATIMA N.Enhancing performance of a deep neural network:A comparative analysis of optimization algorithms[J]. Advancesin Distributed Computing and Artificial Intelligence Journal， 2020， 9(2): 79-90.

（上接第92頁）

[13]FINNRD，CLEMENTSJ，EDDYSR.HMMER web server: interactive sequence similarity searching[J].Nucleic AcidsResearch， 2011，39(Web Server issue):W29-W37.

[14] EDWARDSKD，BOMBARELYA，STORYGW，etal.TobEA:An atlasof tobacco gene expression from seed to senescence[J].BMC Genomics，2010，11:142.

[15] 薛瑾，吳健，盧秀香，等.煙草磺肽素(PSK)基因家族鑒定及抗 旱功能分析[J].中國煙草科學(xué)，2024，45(3)：77-85. XUEJ，WUJ，LUXX，etal.Analysis of sulfopeptin(PSK）gene familyand drought resistance in tobacco[J].Chinese Tobacco Science，2024，45(3):77-85.

[16] 劉濤，郭存，鄒宗慶，等.煙草TPP基因家族鑒定及表達(dá)模式分 析[J].中國煙草科學(xué)，2022，43(6)：1-8，16. LIUT，GUO C， ZOU Z Q， et al.Identificationand expression pattern analysisofthe TPPgenefamilyin tobacco[J].Chinese Tobacco Science，2022，43(6):1-8，16.

[17] 李琦瑤，王樹聲，周培祿，等.低溫脅迫對煙苗葉形及生理特性 的影響[J].中國煙草科學(xué)，2018，39(1)：17-23. LIQY，WANGSS，ZHOUPL，etal.Effectsof low temperature stresson leaf shape and physiological characteristics of tobacco seedlings[J].Chinese Tobacco Science，2018，39(1):17-23.

[18] 鄧智超，田冬冬，宋青松，等.煙草OSCA基因家族鑒定及非生 物脅迫誘導(dǎo)表達(dá)模式分析[J].中國煙草科學(xué)，2022，43(1)：14-21. DENG ZC，TIAN D D，SONGQ S，et al.Genome wide identification and expressionanalysis of the OSCA gene familyin response to abiotic stressesin tobacco[J].Chinese Tobacco Science， 2022，43(1): 14-21.

[19] SMITH DL，F(xiàn)EDOROFFN V.LRP1，a gene expressed in lateral and adventitiousrootprimordiaofArabidopsis[J].ThePlant Cell，1995， 7(6): 735-745.

[20]BAYLIS T，CIERLIK I，SUNDBERG E，et al.SHORT INTERNODES/STYLISHgenes，regulatorsofauxin biosynthesis，are involved inleafveindevelopmentinArabidopsisthaliana[J].New Phytologist，2013，197(3):737-750.

[21] ZHU X L，WANG B Q，WANG X，et al.Genome-wide identification，structural analysis and expression profiles of short internodesrelated sequence gene familyinquinoa[J].Frontiersin Genetics，2022，13:961925.

[22] HEB，SHI PB，LVYD， et al.Gene coexpression network analysis reveals the role of SRS genes in senescence leaf of maize(Zea mays L.)[J].Journal ofGenetics，2020，99:3.

[23] GOMARIZ-FERNANDEZA，SANCHEZ-GERSCHON V， FOURQUINC，etal.The roleof SHI/STY/SRS genes inorgan growth andcarpel developmentis conserved in the distant eudicot species ArabidopsisthalianaandNicotianabenthamiana[J].Frontiersin PlantScience，2017，8:814.

[24]KIMSG，LEESM，KIMYS，etal.Activation taggingofan ArabidopsisSHI-RELATEDSEQUENCEgene producesabnormal anther dehiscence and floral development[J].Plant Molecular Biology，2010，74(4-5):337-351.

[25] 王龍，張永順，王紅艷，等.甘藍(lán)型油菜轉(zhuǎn)錄因子SRS基因家族 的全基因組鑒定及表達(dá)分析[J].中國油料作物學(xué)報(bào)，2024，46(4)： 795-807. WANG L，ZHANG Y S，WANG HY，et al.Genome-wide identification and expression analysis of the SRS gene familyin Brassica napus[J]. Chinese Journal of Oil Crop Sciences，2024， 46(4): 795-807.