基于圖像分析技術(shù)的烤煙上部葉采收成熟度判別

路曉崇，楊 超，王松峰，鄢 敏，楊 洋，彭玖華，鄭小雨，楊懿德*

1.河南農(nóng)業(yè)大學(xué)煙草學(xué)院，鄭州市金水區(qū)文化路95號(hào)450002 2.中國(guó)煙草總公司重慶市公司，重慶市江北區(qū)五江路20號(hào)400023 3.中國(guó)農(nóng)業(yè)科學(xué)院煙草研究所 農(nóng)業(yè)部煙草生物學(xué)與加工重點(diǎn)實(shí)驗(yàn)室，山東省青島市嶗山區(qū)科苑經(jīng)4路11號(hào)266101 4.四川省煙草公司宜賓市公司 四川省宜賓市敘州區(qū)南岸街道戎州路4號(hào)644000

烤煙采收成熟度的判別是烤煙品質(zhì)彰顯的重要前提，而當(dāng)前成熟度的判斷主要通過(guò)個(gè)人經(jīng)驗(yàn)進(jìn)行，由于每個(gè)人的判斷標(biāo)準(zhǔn)不同，因此在烤煙田間采收成熟度判別的準(zhǔn)確性方面存在差異［1-3］。此外上部葉烘烤難度大［4-5］，更需對(duì)烤煙上部葉的田間成熟度進(jìn)行研判。有關(guān)烤煙采收成熟度判斷已有一些研究報(bào)道［6-8］，李佛琳等［8］利用SPAD-502葉綠素計(jì)研究烤煙鮮煙葉的成熟度量化判別，建立了煙葉成熟度的葉綠素計(jì)讀數(shù)模型TMDSPADV，利用該模型的判別分類與人工判斷的成熟度分類符合率達(dá)到91%；汪強(qiáng)等［9］構(gòu)建了煙葉圖像HSV顏色特征值與煙葉成熟度之間的關(guān)系模型TMDHSV，所建立模型判斷的準(zhǔn)確率較高；王杰等［10］利用稀疏自編碼器對(duì)煙葉成熟度進(jìn)行分類，測(cè)試數(shù)據(jù)分類準(zhǔn)確率達(dá)到98.63%；劉劍君等［11］針對(duì)烤煙田間成熟度指數(shù)提出了一種基于數(shù)字圖像處理的計(jì)算方法，用該方法計(jì)算出的成熟度指數(shù)與人工感官識(shí)別煙葉成熟度關(guān)聯(lián)度較高；梁寅等［12］基于烤煙田間成熟度的光譜特征，運(yùn)用支持向量機(jī)建立了識(shí)別煙葉成熟度的數(shù)學(xué)模型，分類精度均在90%以上。而這些研究通常是通過(guò)將樣本采集后帶回實(shí)驗(yàn)室，再對(duì)烤煙圖像進(jìn)行采集處理，圖像采集需要固定光源提供拍攝照明，由于多數(shù)試驗(yàn)田與實(shí)驗(yàn)室有一定距離，天氣溫度、田間滯留時(shí)間、環(huán)境濕度等對(duì)煙葉的形態(tài)與顏色均會(huì)產(chǎn)生一定影響。為此，以烤煙上部葉為研究對(duì)象，在煙葉采收前對(duì)田間煙葉圖像進(jìn)行采集分析，并提取顏色特征值和紋理特征值，建立基于BP神經(jīng)網(wǎng)絡(luò)的煙葉成熟度鑒別模型，以期為烤煙成熟度的智能化判斷提供依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)于2018年在重慶市彭水縣潤(rùn)溪鄉(xiāng)煙草基地單元進(jìn)行。供試土壤為黃壤土，移栽期為4月15號(hào)，土壤基本理化性狀：pH 5.48，有機(jī)質(zhì)11.45 g/kg，全氮0.72 g/kg，堿解氮55.00 mg/kg，速效磷15.01 mg/kg，速效鉀160.00 mg/kg。試驗(yàn)田前茬作物為油菜，供試品種云煙87。按當(dāng)?shù)貎?yōu)質(zhì)煙葉生產(chǎn)技術(shù)規(guī)范進(jìn)行栽培管理。

1.2 試驗(yàn)方法

上部葉烤煙圖像的采集位置為從上至下第4葉位，拍照時(shí)選擇晴朗的天氣，為避免陽(yáng)光光照強(qiáng)度太強(qiáng)對(duì)圖像質(zhì)量的影響，圖像采集時(shí)間為上午5∶30—8∶30和下午17∶00—19∶00，選取能代表當(dāng)?shù)胤N植水平的煙田670 m2。以行為單位，從田邊第1行第1株起到最后1株止，舍棄沒(méi)有烘烤價(jià)值的病葉和衰老葉，由當(dāng)?shù)亻L(zhǎng)期從事生產(chǎn)的專業(yè)技術(shù)人員鑒別煙葉成熟度并記錄結(jié)果。利用Nikon D850相機(jī)對(duì)不同成熟度上部葉烤煙的圖像進(jìn)行采集，圖像采集時(shí)相機(jī)模式采用P（Program）檔。共采集圖像樣本385份，其中欠熟樣本117份，尚熟樣本179份，適熟樣本68份，過(guò)熟樣本21份，并隨機(jī)編號(hào)，不同成熟度烤煙的外觀特征見表1。

表1 不同成熟度烤煙的葉面特征.Tab.1 Leaf surface characteristics of flue-cured tobacco with different maturity

用MATLAB2018b圖像處理工具箱對(duì)所采集圖像的L*、a*、b*、C*和H*等顏色特征值［14］與紋理能量、紋理相關(guān)度、紋理慣性矩以及紋理熵等紋理特征值進(jìn)行獲取［15］。為了方便建立神經(jīng)網(wǎng)絡(luò)模型，將欠熟檔次烤煙樣本定義為“1”，尚熟檔次烤煙樣本定義為“2”，適熟檔次烤煙樣本定義為“3”，過(guò)熟檔次烤煙樣本定義為“4”。此外隨機(jī)選取總樣本中的320份樣本作為訓(xùn)練集，余下65份樣本作為模型驗(yàn)證，建立神經(jīng)網(wǎng)絡(luò)模型。

1.3 參數(shù)的釋義

烤煙的顏色特征值采用國(guó)際照明委員會(huì)（Commission Internationale de l′Eclairage，CIE）CIE-L*a*b*色度空間指標(biāo)進(jìn)行表征［16］。明度值（L*）表示圖像的明亮程度，從純黑到純白，取值范圍是0～100；紅度值（a*）表示從紅色到綠色，取值范圍是-128～127；黃度值（b*）表示從黃色到藍(lán)色，取值范圍是-128～127；飽和度（C*）表示顏色的濃淡程度，取值范圍為0～100%；色相角（H*）表示各類色彩的相貌，取值范圍為-π～π。

烤煙的紋理特征值包括紋理能量：反映圖像灰度的分布程度與紋理粗細(xì)度，能量越大，紋理越細(xì)膩光滑；紋理熵：反映圖像中紋理的非均勻程度或混亂程度，值越大混亂度越高；紋理慣性矩：反映圖像灰度復(fù)雜程度，其值越大，圖像溝紋越明顯；紋理相關(guān)度：反映圖像紋理的一致性，值越大一致性越好［17］。

計(jì)算公式：

式中：μ表示灰度共生矩陣所有元素的均值；σ表示灰度共生矩陣所有元素的方差；N表示圖像灰度級(jí)數(shù)；pij表示歸一化后的灰度共生矩陣元素，i，j=1，2，…，N。

1.4 數(shù)據(jù)處理

試驗(yàn)數(shù)據(jù)采用Origin2019b軟件做出不同成熟烤煙各參數(shù)的分布圖，采用MATLAB2018b進(jìn)行顏色特征值與紋理特征值的采集以及BP神經(jīng)網(wǎng)絡(luò)的建立。

圖1 烤煙上部葉紋理特征值的變化Fig.1 Changes in texture characteristic values of upper flue-cured tobacco leaves

2 結(jié)果與分析

2.1 不同成熟度烤煙上部葉紋理特征值的分布

由圖1可知，上部葉的紋理能量、紋理慣性矩以及紋理相關(guān)度均表現(xiàn)為過(guò)熟＞適熟＞尚熟＞欠熟，而紋理熵則表現(xiàn)為欠熟＞尚熟＞適熟＞過(guò)熟。欠熟煙葉的紋理能量在0.138～0.172之間，紋理慣性矩在0.145～0.176之間，紋理相關(guān)度在0.283～0.302之間，紋理熵在2.78～3.42之間；尚熟煙葉的紋理能量在0.168～0.199之間，紋理慣性矩在0.166～0.213之間，紋理相關(guān)度在0.301～0.324之間，紋理熵在2.43～3.21之間；適熟煙葉的紋理能量在0.185～0.223之間，紋理慣性矩在0.188～0.237之間；紋理相關(guān)度在0.322～0.346之間，紋理熵在1.533～2.743之間；過(guò)熟煙葉的紋理能量在0.184～0.355之間，紋理慣性矩在0.223～0.254之間，紋理相關(guān)度在0.331～0.369之間，紋理熵在1.584～2.473之間。且各成熟度烤煙紋理特征值范圍均有一定程度的交叉，尤其是成熟檔次的紋理熵與過(guò)熟檔次出現(xiàn)較多的重合，表明不同成熟度間的紋理特征值存在一定的相似之處，但總體上表現(xiàn)為紋理能量、紋理慣性矩、紋理相關(guān)度隨著成熟度的提高而增加，紋理熵隨著成熟度的提高而降低，且不同成熟度烤煙紋理特征值的差異較大。

2.2 不同成熟度烤煙上部葉顏色特征值的分布

由圖2可知，不同成熟度烤煙的顏色特征值均表現(xiàn)為過(guò)熟＞適熟＞尚熟＞欠熟，其中上部葉欠熟煙葉的L*值在38.6～39.8之間，a*值在-7.3～-6.0之間，b*值在42.7～43.8之間，C*值在29.7%～30.8%，H*值在-0.28～-0.22之間；而尚熟煙葉的L*值在39.6～41.1之間，a*值在-6.3～-4.9之間，b*值在43.6～44.7之間，C*值在30.7%～32.1%之間，H*值在-2.0～-0.12之間；適熟煙葉的L*值在40.7～41.2之間；a*值在-2.2～-4.0之間，b*值在43.7～45.8之間，C*值在31.8%～32.8%之間，H*值在-0.16～-0.6之間。過(guò)熟煙葉的L*值在41.5～44.1之間；a*值在-3.9～-1.9之間，b*值在45.1～47.8之間，C*值在31.2%～33.8%之間，H*值在-0.16～-0.8之間。可見，不同成熟度間的各顏色參數(shù)的差異較大，表明隨著烤煙田間成熟度的提高，烤煙的顏色特征值逐漸增加，且不同成熟度烤煙的顏色特征值存在較大差異。

圖2 烤煙上部葉顏色特征值的變化Fig.2 Changes in color characteristic values of upper flue-cured tobacco leaves

2.3烤煙田間成熟度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

2.3.1神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

以不同成熟度烤煙上部葉的L*、a*、b*、C*和H*等5個(gè)顏色特征值以及紋理能量、紋理熵、紋理慣性矩和紋理相關(guān)度等4個(gè)紋理特征值作為網(wǎng)絡(luò)模型的輸入值，以對(duì)應(yīng)的烤煙田間成熟度的成熟檔次作為輸出值。經(jīng)過(guò)反復(fù)訓(xùn)練將網(wǎng)絡(luò)模型的隱含層的單元數(shù)確定為11，采用MATLAB2018b建立拓?fù)浣Y(jié)構(gòu)為9-11-1的BP神經(jīng)網(wǎng)絡(luò)模型，見圖3。

2.3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程及誤差分析

由圖4可知，當(dāng)所建立的網(wǎng)絡(luò)模型迭代次數(shù)為5時(shí)，模型開始收斂，網(wǎng)絡(luò)訓(xùn)練下降梯度達(dá)到0.005 542，權(quán)值誤差保持在1×10-5，動(dòng)量達(dá)到1×10-6，可知所建立的網(wǎng)絡(luò)模型在迭代5次之后，便趨于穩(wěn)定，各指標(biāo)誤差保持在較低水平，以上表明所建立的網(wǎng)絡(luò)模型在甄別不同田間成熟度烤煙上部葉方面有較好的效果。

2.3.3 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果

由圖5、圖6可知，訓(xùn)練樣本的預(yù)測(cè)值與實(shí)際值的決定系數(shù)均達(dá)到0.985 5，驗(yàn)證樣本的預(yù)測(cè)值與真實(shí)值的決定系數(shù)達(dá)到0.981 6，表明所建立的網(wǎng)絡(luò)模型能夠很好地對(duì)烤煙的田間成熟度進(jìn)行分類識(shí)別，在烤煙生產(chǎn)中可以運(yùn)用此網(wǎng)絡(luò)模型對(duì)烤煙的田間成熟度進(jìn)行鑒定與識(shí)別。

圖3 烤煙田間成熟度神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)Fig.3 Topological structure of neural network model for field maturity of flue-cured tobacco

圖4 烤煙田間成熟度BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果Fig.4 Training results of BP neural network model for field maturity of flue-cured tobacco

圖5 訓(xùn)練樣本模擬值與真實(shí)值對(duì)比Fig.5 Comparison of simulated and real values of training samples

圖6 驗(yàn)證樣本模擬值與真實(shí)值對(duì)比Fig.6 Comparison of simulated and real values of verification samples

3 討論

本試驗(yàn)中發(fā)現(xiàn)，煙葉顏色特征值與紋理特征值是烤煙成熟度判斷的主要依據(jù)，尤其是顏色特征值中，L*值、a*值以及b*值差異最為明顯，隨著成熟度的提高，L*值與b*值均表現(xiàn)為逐漸增加的趨勢(shì)，這與宋朝鵬［18］的研究結(jié)果一致；此外雖然本研究中a*值同樣表現(xiàn)為隨成熟度的增加而逐漸增加的趨勢(shì)，但與宋朝鵬［18］的研究結(jié)果存在差異，這可能是由于選取樣本的部位不同所致。在紋理特征值中，除紋理熵隨著烤煙成熟度的增加逐漸降低外，其余3個(gè)紋理指標(biāo)均隨著煙葉成熟度的提高而逐漸升高，這與史龍飛等［19］的研究結(jié)果一致。

BP神經(jīng)網(wǎng)絡(luò)模型在模擬人腦思維的基礎(chǔ)之上，以其較好的自適應(yīng)性在多個(gè)行業(yè)廣泛應(yīng)用［20-23］。本研究中發(fā)現(xiàn)，以烤煙上部葉顏色特征值與紋理特征值為輸入并以成熟度為輸出值所建立的網(wǎng)絡(luò)模型，能較好地識(shí)別烤煙上部葉的成熟度，訓(xùn)練樣本的預(yù)測(cè)值與實(shí)際值的決定系數(shù)達(dá)到0.985 5，驗(yàn)證樣本的預(yù)測(cè)值與實(shí)際值的決定系數(shù)達(dá)到了0.981 6，與謝濱瑤等［24］等的研究結(jié)果相比，雖然所選取的表征顏色特征值的色度空間不同，但同樣得到了較高的準(zhǔn)確率，可見依據(jù)烤煙顏色對(duì)田間成熟度進(jìn)行判斷效果較好。然而由于本試驗(yàn)中樣品圖像的采集是由一臺(tái)相機(jī)在晴天上午5∶30—8∶30和下午17∶00—19∶00進(jìn)行的，而實(shí)際生產(chǎn)中光照、空氣濕度、采集時(shí)間等因素均會(huì)對(duì)圖像品質(zhì)產(chǎn)生一定影響，因此還需要進(jìn)一步優(yōu)化算法，減少或修正外界因素的影響。

4 結(jié)論

烤煙上部葉的顏色特征值隨著田間采收成熟度的提升逐漸增加，紋理特征值中除紋理熵隨著成熟度的增加逐漸降低外，其余3個(gè)紋理指標(biāo)均隨著成熟度的增加而逐漸升高，且不同成熟度煙葉各指標(biāo)差異較大；建立的成熟度識(shí)別網(wǎng)絡(luò)模型訓(xùn)練樣本的預(yù)測(cè)值與實(shí)際值的決定系數(shù)達(dá)到0.985 5，驗(yàn)證樣本的預(yù)測(cè)值與實(shí)際值的決定系數(shù)達(dá)到0.981 6。因此，利用烤煙顏色特征值與紋理特征值建立的BP神經(jīng)網(wǎng)絡(luò)模型能夠較好地識(shí)別烤煙上部葉的田間成熟度。