背景
煙葉成熟度分為田間成熟度和烘烤成熟度。田間成熟度是煙葉在田間的生長情況。烘烤成熟度是烤制后煙葉成熟的情況。合適的田間成熟度是獲得高品質(zhì)煙葉的基礎。

煙葉田間成熟度影響著烤后質(zhì)量的好壞，包括色澤、香氣、油分等。目前，鑒別煙葉田間成熟度的方法是通過煙農(nóng)肉眼鑒別，鑒別質(zhì)量參差不齊、效率低且可靠性差。因此，建立一種能直接在田間鑒別煙葉成熟度的方法很有必要。

研究方法

本實驗采用近紅外光譜技術和圖像識別技術結合機器學習算法，建立相應的煙葉成熟度鑒別模型，最 后通過分析對比各個模型的分類效果，尋找最合適的煙葉成熟度檢測方法。

實驗主要于2019年在大理兩不同烘烤工場進行，選擇烤煙品種K326，上、中和下部位各采集鮮煙葉樣本2431、2401和2400個，共采集7232個樣本，每個樣本都進行了近紅外光譜的采集。

圖1. 光譜采集位置分布示意圖

實驗用海洋光學NIRQuest近紅外光譜儀采集樣本光譜，配件包含標準探頭和漫反射白板，積分時間為5 ms，光譜范圍為900-2500 nm，開機預熱30 min，優(yōu)化光譜儀掃描條件后進行近紅外光譜掃描，掃描時每個樣本在視線范圍內(nèi)避開主脈在左右兩側各取3個點掃描（見圖1），所有點的平均值作為該煙葉的代表光譜。

數(shù)據(jù)采集及處理

近紅外光譜含大量噪聲，預處理有助于提取和分析有用信息。不同預處理方法導致不同的預測結果。因此，為探索不同預處理方法對模型構建的影響，試算了一階導數(shù)、二階導數(shù)、標準正態(tài)變換（SNV）四種經(jīng)典預處理方法、多元散射校正（MSC）結合Savitz-Golay平滑和歸一化進行對比分析。

圖2. 煙葉近紅外光譜圖(a)原始光譜,(b)預處理后光譜

從上部煙葉樣本訓練集中隨機抽取450個樣本，按2:1比例分組，選擇合適的預處理方法。實驗隨機重復五次，取平均值作為結果。發(fā)現(xiàn)與原始光譜比，預處理后的光譜鑒別準確度有所提高。

經(jīng)對比發(fā)現(xiàn)一階導數(shù)處理的光譜數(shù)據(jù)可獲得更好的分類結果。因此，在隨后的分類實驗中，選擇其作為上、中、下煙葉光譜的預處理方法。預處理前后的光譜如圖2所示。

值得注意的是，不同的預處理方法對CNN模型的分類結果影響較小。這表明，與其他方法相比，用于開發(fā)NIR模型的CNN方法對預處理的依賴性較小。

表1. 不同預處理方法的判別準確率（%）

模型對比及結論
作者隨后采用主成分分析法（PCA）對煙葉各成熟度水平的光譜數(shù)據(jù)進行聚類分析，發(fā)現(xiàn)樣本數(shù)據(jù)顯著重疊，無法分離。因此，有必要開發(fā)一種更強大的多分類方法來區(qū)分不同成熟度的煙葉?？紤]到CNN強大的特征提取和學習能力，它可能是一個不錯的選擇。

圖3. 上部煙葉五個成熟度水平NIR光譜方差的PCA得分圖

為對比CNN模型的性能，建立了KNN、BPNN、SVM和ELM模型進行比較分析。證實了CNN模型在區(qū)分煙葉成熟度方面的出色分類能力。

表2. CNN和其他四種方法的預測結果（%）

結論
本實驗研究了近紅外光譜結合深度學習方法對新鮮煙葉成熟度水平進行分類的潛力。近紅外光譜技術是一種非常有用的工具，可準確、無損地測定煙葉的內(nèi)部和外部品質(zhì)。實驗表明，CNN方法具有很強的特征提取和學習能力，對分類精度有著有利的影響。為進一步準確識別煙葉成熟度、研制煙葉采收機奠定基礎，從而提高煙葉的生產(chǎn)效益。

特別鳴謝

特別感謝云南煙草農(nóng)業(yè)研究院陳頤老師及貴州大學煙草學院老師及其實驗室其他成員的工作及對海洋光學的支持和信任。