應用方向：

高光譜成像技術因其同時獲取豐富圖像與光譜數據的能力，展現出在非破壞性、快速且高精度檢測中的巨大潛力。結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雜光譜特征用于深度學習模型分類，還能有效應對復雜背景干擾和樣品多樣性，進一步拓展了其在農業、食品與工業自動檢測領域中的應用邊界，為實現智能化、精準化生產與品質控制提供了有力技術支撐。

背景：

烤煙葉作為卷煙生產的主要原料，其分級在整個生產流程中具有至關重要的地位。傳統的烤煙葉分級主要依賴人工經驗判斷，不僅存在主觀性強、準確率低、工作量大等問題，還受限于不良的工作環境和人力短缺，尤其是年輕人不愿從事此類繁瑣工作。因此，亟需開發一種快速、客觀且準確的烤煙葉分級方法，以滿足煙草行業大規模生產的需求。

高光譜成像技術（HSI）因其具備同時采集豐富圖像信息與光譜信息的優勢，已在農作物分類等領域展現出廣泛應用前景。然而，面對高維復雜的高光譜數據，傳統機器學習方法（如SVM、RF等）在計算效率與準確性上存在局限。近年來，深度學習方法（如CNN）因其卓*的特征提取與學習能力，成為高光譜數據處理的新興方案。盡管已有研究在圖像分類上取得了進展，但針對折疊狀態下的烤煙葉分級，仍存在特征提取困難、分類精度不高等挑戰。

因此，本文提出將高光譜成像技術與深度學習方法相結合，開發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的性能和可靠性，為實現烤煙葉的智能化質量檢測與精準分類提供技術支持。

作者信息：王玉柱，福建農林大學機電工程學院

期刊來源：Industrial Crops & Products

研究內容

本研究旨在開發一種高效、準確的折疊烤煙葉分級方法，以解決傳統人工分級存在的主觀性強、準確率低、效率低下的問題。研究采用了高光譜成像技術結合卷積神經網絡（CNN），構建了一套可實現烤煙葉質量自動分級的系統。主要方法包括：首先，采集折疊烤煙葉的高光譜圖像數據，通過光譜預處理提取有效特征；其次，設計并優化CNN網絡結構，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，結合實驗驗證，將所提出方法與傳統機器學習模型（如SVM、RF）進行比較，結果表明深度學習模型在折疊烤煙葉分級任務中表現更優。研究不僅提升了分級準確率，還為烤煙葉生產的自動化、智能化提供了技術支撐。

實驗設計

本研究采用的煙葉樣品由福建省邵武市（東經117.48°，北緯27.34°）某煙草公司提供。根據當年實際收購煙葉質量狀況，并參照中國烤煙國家標準，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為內置推掃式相機（GaiaField Pro-V10E，江蘇雙利合譜科技有限公司生產）。該系統的光譜檢測范圍為401-1046納米，光譜分辨率達2.8納米，像素分辨率為1392×1040，共包含360個波段。整套系統由高光譜相機（含四個100瓦溴鎢燈光源）、載物臺及計算機組成（如圖1所示）。

圖1. 高光譜圖像采集系統示意圖

研究方法

首先采用光譜-理化共生距離（SPXY）算法對數據集進行劃分。在預處理階段，采用Savitzky-Golay平滑（SG）、標準正態變量（SNV）、平均中心化（MC）和多元散射校正（MSC）四種預處理方法對數據進行降噪、糾正散射誤差、消除基線漂移及增強光譜與數據相關性。隨后通過連續投影算法（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，包括卷積神經網絡（CNN）、殘差神經網絡（ResNet）、支持向量機（SVM）、隨機森林（RF）和極限學習機（ELM）。其中CNN和ResNet代表深度學習方法，SVM、RF和ELM則代表傳統機器學習方法。

本研究提出的用于煙葉等級分類識別的一維卷積神經網絡（1D-CNN）結構如圖2所示，模型架構包含標準化層、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（tanh）作為激活函數，該選擇顯著增強了神經網絡模型的表達能力。

圖2. 一維卷積神經網絡（1D-CNN）結構示意圖

結果

不同預處理方法對RF、ANN和CNN模型的分類性能具有顯著影響。其中，MC預處理方法在三種分類模型中均取得了最高的準確率。此外，本研究比較了三種不同數據劃分策略對模型性能的影響，包括7:3（70%訓練集/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的數據劃分下表現良好，而ANN和CNN在8:2的劃分比例中展現出更優異的性能。

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分布較為分散，而LAR算法則主要集中在669-1039 nm區間內。對比了不同特征波段選擇方法下的1D-CNN模型的準確率和損失值，結果顯示LAR特征選擇下模型的測試集損失值*低（0.1），準確率最高（96.3%），優于SPA和CARS方法。

基于LAR算法選擇的特征波段，結合MC預處理，進一步比較了1D-CNN與RF、ANN、BPNN和ResNet模型的分類結果（見下表），發現LAR-1D-CNN不僅在準確率上大幅*先（96.3%），且模型體積最小（0.21MB），運行效率更高。

通過圖3混淆矩陣結果表明，1D-CNN模型在大多數類別上的分類表現優異，雖有少量混淆（如B2F與B3F、B4L與S1），但整體分類精度和穩定性突出。相較于依賴圖像的傳統方法，本研究采用光譜數據訓練的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習模型結合的優*性。

圖3. 1D-CNN模型分類結果的混淆矩陣

結論

本研究創新性地將高光譜成像技術與深度學習方法相結合，應用于初烤煙葉的智能化分級。基于LAR特征波段提取算法，構建了一維卷積神經網絡（1D-CNN）模型，利用401-1046nm范圍的高光譜數據對折疊式初烤煙葉進行分類研究。研究發現，1D-CNN模型的分類性能顯著優于其他所有對比模型。實驗結果表明：高光譜成像技術能夠有效提取折疊初烤煙葉的特征信息，而深度學習算法可以充分挖掘光譜中的復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。隨著煙草質量和安全要求的不斷提高，亟需通過進一步的研究和改進來拓展折疊式初烤煙葉分類技術的應用范圍。通過持續的技術優化和創新，該技術有望延伸至多個相關產業領域，創造更大的經濟效益和社會價值。