應(yīng)用方向：

高光譜成像技術(shù)因其同時獲取豐富圖像與光譜數(shù)據(jù)的能力,，展現(xiàn)出在非破壞性,、快速且高精度檢測中的巨大潛力。結(jié)合本研究對折疊烤煙的自動分級探索,，高光譜成像不僅能提取復(fù)雜光譜特征用于深度學(xué)習(xí)模型分類,，還能有效應(yīng)對復(fù)雜背景干擾和樣品多樣性，進(jìn)一步拓展了其在農(nóng)業(yè),、食品與工業(yè)自動檢測領(lǐng)域中的應(yīng)用邊界,，為實現(xiàn)智能化、精準(zhǔn)化生產(chǎn)與品質(zhì)控制提供了有力技術(shù)支撐,。

背景：

烤煙葉作為卷煙生產(chǎn)的主要原料,，其分級在整個生產(chǎn)流程中具有至關(guān)重要的地位。傳統(tǒng)的烤煙葉分級主要依賴人工經(jīng)驗判斷,，不僅存在主觀性強(qiáng),、準(zhǔn)確率低、工作量大等問題,，還受限于不良的工作環(huán)境和人力短缺,，尤其是年輕人不愿從事此類繁瑣工作。因此,，亟需開發(fā)一種快速,、客觀且準(zhǔn)確的烤煙葉分級方法,，以滿足煙草行業(yè)大規(guī)模生產(chǎn)的需求。

高光譜成像技術(shù)（HSI）因其具備同時采集豐富圖像信息與光譜信息的優(yōu)勢,，已在農(nóng)作物分類等領(lǐng)域展現(xiàn)出廣泛應(yīng)用前景,。然而，面對高維復(fù)雜的高光譜數(shù)據(jù),，傳統(tǒng)機(jī)器學(xué)習(xí)方法（如SVM,、RF等）在計算效率與準(zhǔn)確性上存在局限。近年來,，深度學(xué)習(xí)方法（如CNN）因其卓*的特征提取與學(xué)習(xí)能力,，成為高光譜數(shù)據(jù)處理的新興方案。盡管已有研究在圖像分類上取得了進(jìn)展,，但針對折疊狀態(tài)下的烤煙葉分級,，仍存在特征提取困難、分類精度不高等挑戰(zhàn),。

因此,，本文提出將高光譜成像技術(shù)與深度學(xué)習(xí)方法相結(jié)合，開發(fā)一種面向折疊烤煙葉的高效分級識別方法,，以提升自動分級系統(tǒng)的性能和可靠性,，為實現(xiàn)烤煙葉的智能化質(zhì)量檢測與精準(zhǔn)分類提供技術(shù)支持。

作者信息：王玉柱,，福建農(nóng)林大學(xué)機(jī)電工程學(xué)院

期刊來源：Industrial Crops & Products

研究內(nèi)容

本研究旨在開發(fā)一種高效,、準(zhǔn)確的折疊烤煙葉分級方法，以解決傳統(tǒng)人工分級存在的主觀性強(qiáng),、準(zhǔn)確率低,、效率低下的問題。研究采用了高光譜成像技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）,，構(gòu)建了一套可實現(xiàn)烤煙葉質(zhì)量自動分級的系統(tǒng),。主要方法包括：首先，采集折疊烤煙葉的高光譜圖像數(shù)據(jù),，通過光譜預(yù)處理提取有效特征,；其次，設(shè)計并優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu),，使其能夠充分挖掘烤煙葉在不同波段的圖像與光譜特征,，提升分級性能；最后,，結(jié)合實驗驗證,，將所提出方法與傳統(tǒng)機(jī)器學(xué)習(xí)模型（如SVM、RF）進(jìn)行比較，結(jié)果表明深度學(xué)習(xí)模型在折疊烤煙葉分級任務(wù)中表現(xiàn)更優(yōu),。研究不僅提升了分級準(zhǔn)確率,，還為烤煙葉生產(chǎn)的自動化、智能化提供了技術(shù)支撐,。

實驗設(shè)計

本研究采用的煙葉樣品由福建省邵武市（東經(jīng)117.48°，北緯27.34°）某煙草公司提供,。根據(jù)當(dāng)年實際收購煙葉質(zhì)量狀況,，并參照中國烤煙國家標(biāo)準(zhǔn)，選取了10個具有代表性的煙葉等級作為研究對象,，包括：上部雜色一級（B1K）,、上部橘黃二級（B2F、B2K）,、上部橘黃三級（B3F）,、上部檸檬黃四級（B4L）、中部橘黃二級（C2F）,、中部橘黃三級（C3F）,、中部橘黃四級（C4F）、光滑一級（S1）以及下部橘黃二級（X2F）,。

本研究采用的高光譜成像系統(tǒng)為內(nèi)置推掃式相機(jī)（GaiaField Pro-V10E,，江蘇雙利合譜科技有限公司生產(chǎn)）。該系統(tǒng)的光譜檢測范圍為401-1046納米,，光譜分辨率達(dá)2.8納米,，像素分辨率為1392×1040，共包含360個波段,。整套系統(tǒng)由高光譜相機(jī)（含四個100瓦溴鎢燈光源）,、載物臺及計算機(jī)組成（如圖1所示）。

圖1. 高光譜圖像采集系統(tǒng)示意圖

研究方法

首先采用光譜-理化共生距離（SPXY）算法對數(shù)據(jù)集進(jìn)行劃分,。在預(yù)處理階段,，采用Savitzky-Golay平滑（SG）、標(biāo)準(zhǔn)正態(tài)變量（SNV）,、平均中心化（MC）和多元散射校正（MSC）四種預(yù)處理方法對數(shù)據(jù)進(jìn)行降噪,、糾正散射誤差、消除基線漂移及增強(qiáng)光譜與數(shù)據(jù)相關(guān)性,。隨后通過連續(xù)投影算法（SPA）,、逐步回歸法（LAR）和主成分分析（PCA）提取與分級高度相關(guān)的特征波段。

最后,，比較了五種不同的分類模型,，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、殘差神經(jīng)網(wǎng)絡(luò)（ResNet）,、支持向量機(jī)（SVM）,、隨機(jī)森林（RF）和極限學(xué)習(xí)機(jī)（ELM）,。其中CNN和ResNet代表深度學(xué)習(xí)方法，SVM,、RF和ELM則代表傳統(tǒng)機(jī)器學(xué)習(xí)方法,。

本研究提出的用于煙葉等級分類識別的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）結(jié)構(gòu)如圖2所示，模型架構(gòu)包含標(biāo)準(zhǔn)化層,、輸入層,、六層一維卷積層、三層最大池化層,，以及展平層和全連接層,。各卷積層均采用雙曲正切函數(shù)（tanh）作為激活函數(shù)，該選擇顯著增強(qiáng)了神經(jīng)網(wǎng)絡(luò)模型的表達(dá)能力,。

圖2. 一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）結(jié)構(gòu)示意圖

結(jié)果

不同預(yù)處理方法對RF,、ANN和CNN模型的分類性能具有顯著影響。其中,，MC預(yù)處理方法在三種分類模型中均取得了最高的準(zhǔn)確率,。此外，本研究比較了三種不同數(shù)據(jù)劃分策略對模型性能的影響,，包括7:3（70%訓(xùn)練集/30%測試集）,、8:2以及9:1三種比例方案。RF模型在7:3和9:1的數(shù)據(jù)劃分下表現(xiàn)良好,，而ANN和CNN在8:2的劃分比例中展現(xiàn)出更優(yōu)異的性能,。

在特征波長的提取上，SPA和CARS算法選擇的特征波長在整個光譜范圍內(nèi)分布較為分散,，而LAR算法則主要集中在669-1039 nm區(qū)間內(nèi),。對比了不同特征波段選擇方法下的1D-CNN模型的準(zhǔn)確率和損失值，結(jié)果顯示LAR特征選擇下模型的測試集損失值*低（0.1）,，準(zhǔn)確率最高（96.3%）,，優(yōu)于SPA和CARS方法。

基于LAR算法選擇的特征波段,，結(jié)合MC預(yù)處理,，進(jìn)一步比較了1D-CNN與RF、ANN,、BPNN和ResNet模型的分類結(jié)果（見下表）,，發(fā)現(xiàn)LAR-1D-CNN不僅在準(zhǔn)確率上大幅*先（96.3%），且模型體積最?。?.21MB）,，運行效率更高。

通過圖3混淆矩陣結(jié)果表明，1D-CNN模型在大多數(shù)類別上的分類表現(xiàn)優(yōu)異,，雖有少量混淆（如B2F與B3F,、B4L與S1），但整體分類精度和穩(wěn)定性突出,。相較于依賴圖像的傳統(tǒng)方法,，本研究采用光譜數(shù)據(jù)訓(xùn)練的1D-CNN模型，顯著提升了折疊烤煙的自動分級精度與效率,，驗證了光譜特征與深度學(xué)習(xí)模型結(jié)合的優(yōu)*性,。

圖3. 1D-CNN模型分類結(jié)果的混淆矩陣

結(jié)論

本研究創(chuàng)新性地將高光譜成像技術(shù)與深度學(xué)習(xí)方法相結(jié)合，應(yīng)用于初烤煙葉的智能化分級,。基于LAR特征波段提取算法,，構(gòu)建了一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）模型,，利用401-1046nm范圍的高光譜數(shù)據(jù)對折疊式初烤煙葉進(jìn)行分類研究。研究發(fā)現(xiàn),，1D-CNN模型的分類性能顯著優(yōu)于其他所有對比模型,。實驗結(jié)果表明：高光譜成像技術(shù)能夠有效提取折疊初烤煙葉的特征信息，而深度學(xué)習(xí)算法可以充分挖掘光譜中的復(fù)雜特征用于煙葉分級,。該研究有助于解決人工煙葉分級的主觀性和不確定性,，提升煙葉自動化分級水平。隨著煙草質(zhì)量和安全要求的不斷提高,，亟需通過進(jìn)一步的研究和改進(jìn)來拓展折疊式初烤煙葉分類技術(shù)的應(yīng)用范圍,。通過持續(xù)的技術(shù)優(yōu)化和創(chuàng)新，該技術(shù)有望延伸至多個相關(guān)產(chǎn)業(yè)領(lǐng)域,，創(chuàng)造更大的經(jīng)濟(jì)效益和社會價值,。