摘要" 鮮煙葉成熟度判別是生產(chǎn)優(yōu)質(zhì)煙葉的關鍵環(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。基于機器視覺方法，使用StackingClassifier集成學習策略，建立了成桿鮮煙葉成熟度判別模型，使用外測樣本進行兩個批次的成桿鮮煙葉成熟度等級判別。結(jié)果表明，所建立的模型在兩個批次樣品中的判別準確率均在94%以上；在成桿鮮煙葉主體成熟度檔次比例的預測上，預測比例與真實比例的平均絕對誤差為6%。該方法實現(xiàn)了批量化的煙葉成熟度預測，為烤房煙葉成熟度的精準把控提供了參考。

關鍵詞" 烤煙；成熟度識別；烤房；機器視覺；智能化烘烤

中圖分類號" TP391.41;TS452 """文獻標識碼" A """文章編號" 1007-7731（2024）24-0106-04

DOI號" 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)煙葉的關鍵環(huán)節(jié)之一，成熟度反映了煙葉內(nèi)化學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]。準確掌握鮮煙葉的成熟度，并選擇恰當?shù)臅r機進行采收，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，認為對于田間煙葉成熟度的判別一般通過目測、手摸等感官感受定性識別，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，而且費時費力。現(xiàn)階段對于煙葉成熟度的判別，主要利用光譜技術開展煙葉化學成分含量檢測，估測煙葉中尼古丁、焦油和香氣物質(zhì)等化學成分的含量[4-6]，從而對煙葉成熟度進行判別。該方法相較于人工感官判別提高了判別準確性，同時降低了成本[7-8]。近年來，隨著信息技術的不斷發(fā)展，基于機器視覺的圖像識別技術日趨完善[9]，進而推動了基于圖像對煙葉成熟度進行判別的深入研究[10-11]。如謝濱瑤等[12]和汪睿琪等[13]應用該技術獲取煙葉圖像信息，提取其顏色或紋理特征等對不同部位的煙葉成熟度進行預測，該方法具有無損、高效和低成本等優(yōu)點。與此同時，煙葉烤房的智能化建設也取得了一定的進展，通過采用工控軟件、傳感器及紅外線技術等實現(xiàn)對烤房的智能化控制[14-15]，并逐步應用到煙葉烘烤實踐中，提升了煙葉的烘烤質(zhì)量及效率，同時顯著降低了烘烤過程中的能耗。

與實驗室環(huán)境下理想的煙葉識別不同，烤房內(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，還面臨如何實現(xiàn)煙葉的準確分離以及對桿上煙葉整體成熟度的綜合判別等挑戰(zhàn)。目前，針對烤房中成桿鮮煙葉成熟度識別的研究有待進一步深入。為此，本研究采用機器視覺技術，對烤房中成桿鮮煙葉的成熟度識別進行深入研究，以期探索一種準確、快速判斷煙葉成熟度的技術方法，為智能烤房的開發(fā)提供技術支持，進而提升煙葉品質(zhì)和烘烤效率，降低烘烤過程中的能耗和對環(huán)境的污染，實現(xiàn)煙葉的智能綠色烘烤。

1 材料與方法

1.1 試驗材料

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)進行鮮煙葉成熟度分選，將其歸類為過熟、成熟和欠熟3個檔次，從不同成熟檔次中隨機選出2/3樣品用于識別訓練，剩余樣品用于外部測試。將訓練樣品煙葉懸掛于煙桿上（圖1），每桿懸掛110片煙葉，訓練集建模樣本共計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（型號BFS-PGE-120S4C-CS），圖像像素1 200萬，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 試驗方法

1.2.1 圖像采集 煙桿長135 cm，與相機的水平距離為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行關聯(lián)。

1.2.2 成桿鮮煙葉分離 使用DeeplabV3算法對成桿鮮煙葉進行分離，該算法是在DeepLabV1～2的基礎上進一步擴展和改進而來的，是一種基于深度學習的語義分割算法。其主要特點包括使用空洞卷積（Atrous convolution，AC）來增大模型的感受野，同時使用空洞空間金字塔池化（Atrous spatial pyramid pooling，ASPP）模塊來捕獲多尺度信息。此外，該算法還引入了有效的解碼器模塊，用于恢復物體邊界的詳細信息。

1.2.3 成桿鮮煙葉成熟度識別模型構(gòu)建 成桿鮮煙葉成熟度識別模型是采用StackingClassifier方法建立的一種集成學習策略，其主要由初級學習器和次級學習器兩部分組成。其中，初級學習器為在原始數(shù)據(jù)中訓練的多個獨立分類器，次級學習器則用于組合基分類器的預測結(jié)果，其核心是通過對初級學習器預測結(jié)果的加權(quán)組合，得到最終的分類結(jié)果。

在本研究中，初級學習器使用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（Support vector machine，SVM）和隨機森林（Random forest，RF）模型，每個模型均采用五折交叉驗證方式，將3個模型的預測值合并為一個新的矩陣，使用新的矩陣和相應的目標變量（類別標簽）來訓練邏輯回歸模型（Logistic regression，LR）；次級學習器使用LR算法，在測試集上進行模型驗證。

1.2.4 模型應用效果驗證 運用成熟度識別模型StackingClassifier預測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測效果

基于PLSDA、SVM和RF分別建立成桿煙葉成熟度檔次預測模型，3種基礎模型在驗證集上的預測準確率分別為93.4%、91.6%和94.1%?；谏鲜?種基礎模型，利用StackingClassifier方法建立成桿煙葉成熟度檔次預測模型，在驗證集上的預測準確率為97.8%，由此可知，利用StackingClassifier方法建立的模型對于成桿煙葉成熟度檔次預測的效果優(yōu)于3種基礎模型。

為了驗證基于Stacking方法建立的模型的魯棒性，利用外部測試樣本對兩個批次的成桿鮮煙葉進行了成熟度判別。在每個批次中，隨機選取50桿煙葉，對所選煙葉的拍攝圖像進行過熟、成熟和欠熟3個檔次的判別。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測模型具有較強的魯棒性，且模型的實際應用效果較好。

2.2 成桿鮮煙葉成熟度比例預測效果

成熟度識別模型除了能判別成桿鮮煙葉的成熟度檔次外，還能標識出鮮煙葉主體成熟度檔次的比例。使用外測樣品進行成熟度比例判別，其預測比例與真實比例的誤差曲線如圖2所示。經(jīng)統(tǒng)計，模型預測的成桿鮮煙葉成熟度比例與真實比例的平均絕對誤差為6%。說明利用StackingClassifier方法建立的成桿鮮煙葉成熟度預測模型在鮮煙葉主體成熟度檔次比例的預測效果較好，進一步說明該模型在成桿鮮煙葉成熟度預測的實際應用方面具有一定的價值。

3 結(jié)論與討論

屈靖雄等[1]和劉輝等[2]研究認為，準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)量的關鍵。智能烘烤技術的發(fā)展和應用為煙葉烘烤帶來了技術革新，通過將煙葉成熟度判別方法與智能烘烤技術相結(jié)合，可以實現(xiàn)更加精準和高效的烘烤管理[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)能夠通過實時監(jiān)測煙葉的濕度、溫度和化學成分的變化，實現(xiàn)烘烤環(huán)境的自動調(diào)整，確保煙葉在最佳條件下烘烤。本研究使用StackingClassifier集成學習策略，建立了成桿鮮煙葉成熟度判別模型，初級學習器使用PLSDA、SVM和RF模型，次級學習器使用LR算法。在成桿鮮煙葉的預處理階段，使用DeeplabV3算法進行成桿鮮煙葉分離，使用外測樣本進行兩個批次的成熟度等級預測，其成熟度判別準確率均在94%以上；成桿鮮煙葉主體成熟度檔次的預測比例與真實比例的平均絕對誤差為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測上也表現(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用的判定方法。與常規(guī)的實驗室單片煙葉成熟度識別技術不同，該判定方法對成桿鮮煙葉整體進行成熟度識別，每桿可承載110片煙葉，實現(xiàn)了批量、高效的煙葉成熟度判別。該方法充分考慮了真實烤房環(huán)境中煙葉的排布方式，更貼近烤房實際應用場景，明顯提高了識別效率。隨著技術的不斷進步和應用的深入，智能烤房將得到更廣泛的應用。

參考文獻

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

[2] 劉輝，祖慶學，王松峰，等. 不同成熟度對鮮煙素質(zhì)和烤后煙葉質(zhì)量的影響[J]. 中國煙草科學，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. 基于高光譜技術的烤煙成熟度判別研究[J]. 延邊大學農(nóng)學學報，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結(jié)合隨機森林的煙葉成熟度快速判別[J]. 西南農(nóng)業(yè)學報，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別技術融合的煙葉成熟度的判別[J]. 湖南農(nóng)業(yè)大學學報（自然科學版），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. 基于機器視覺的烤煙鮮煙成熟度判別模型優(yōu)選[J]. 中國農(nóng)機化學報，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)學報，2018，31（1）：62-67.

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

[12] 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.

[13] 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.

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

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

（責任編輯：何艷）