基于圖像分析技術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.河南農業大學煙草學院，鄭州市金水區文化路95號450002 2.中國煙草總公司重慶市公司，重慶市江北區五江路20號400023 3.中國農業科學院煙草研究所 農業部煙草生物學與加工重點實驗室，山東省青島市嶗山區科苑經4路11號266101 4.四川省煙草公司宜賓市公司 四川省宜賓市敘州區南岸街道戎州路4號644000

烤煙采收成熟度的判別是烤煙品質彰顯的重要前提，而當前成熟度的判斷主要通過個人經驗進行，由于每個人的判斷標準不同，因此在烤煙田間采收成熟度判別的準確性方面存在差異［1-3］。此外上部葉烘烤難度大［4-5］，更需對烤煙上部葉的田間成熟度進行研判。有關烤煙采收成熟度判斷已有一些研究報道［6-8］，李佛琳等［8］利用SPAD-502葉綠素計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讀數模型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到91%；汪強等［9］構建了煙葉圖像HSV顏色特征值與煙葉成熟度之間的關系模型TMDHSV，所建立模型判斷的準確率較高；王杰等［10］利用稀疏自編碼器對煙葉成熟度進行分類，測試數據分類準確率達到98.63%；劉劍君等［11］針對烤煙田間成熟度指數提出了一種基于數字圖像處理的計算方法，用該方法計算出的成熟度指數與人工感官識別煙葉成熟度關聯度較高；梁寅等［12］基于烤煙田間成熟度的光譜特征，運用支持向量機建立了識別煙葉成熟度的數學模型，分類精度均在90%以上。而這些研究通常是通過將樣本采集后帶回實驗室，再對烤煙圖像進行采集處理，圖像采集需要固定光源提供拍攝照明，由于多數試驗田與實驗室有一定距離，天氣溫度、田間滯留時間、環境濕度等對煙葉的形態與顏色均會產生一定影響。為此，以烤煙上部葉為研究對象，在煙葉采收前對田間煙葉圖像進行采集分析，并提取顏色特征值和紋理特征值，建立基于BP神經網絡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。

1 材料與方法

1.1 試驗材料

試驗于2018年在重慶市彭水縣潤溪鄉煙草基地單元進行。供試土壤為黃壤土，移栽期為4月15號，土壤基本理化性狀：pH 5.48，有機質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。試驗田前茬作物為油菜，供試品種云煙87。按當地優質煙葉生產技術規范進行栽培管理。

1.2 試驗方法

上部葉烤煙圖像的采集位置為從上至下第4葉位，拍照時選擇晴朗的天氣，為避免陽光光照強度太強對圖像質量的影響，圖像采集時間為上午5∶30—8∶30和下午17∶00—19∶00，選取能代表當地種植水平的煙田670 m2。以行為單位，從田邊第1行第1株起到最后1株止，舍棄沒有烘烤價值的病葉和衰老葉，由當地長期從事生產的專業技術人員鑒別煙葉成熟度并記錄結果。利用Nikon D850相機對不同成熟度上部葉烤煙的圖像進行采集，圖像采集時相機模式采用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，過熟樣本21份，并隨機編號，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、紋理相關度、紋理慣性矩以及紋理熵等紋理特征值進行獲取［15］。為了方便建立神經網絡模型，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”，過熟檔次烤煙樣本定義為“4”。此外隨機選取總樣本中的320份樣本作為訓練集，余下65份樣本作為模型驗證，建立神經網絡模型。

1.3 參數的釋義

烤煙的顏色特征值采用國際照明委員會（Commission Internationale de l′Eclairage，CIE）CIE-L*a*b*色度空間指標進行表征［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度，能量越大，紋理越細膩光滑；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：反映圖像灰度復雜程度，其值越大，圖像溝紋越明顯；紋理相關度：反映圖像紋理的一致性，值越大一致性越好［17］。

計算公式：

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表示圖像灰度級數；pij表示歸一化后的灰度共生矩陣元素，i，j=1，2，…，N。

1.4 數據處理

試驗數據采用Origin2019b軟件做出不同成熟烤煙各參數的分布圖，采用MATLAB2018b進行顏色特征值與紋理特征值的采集以及BP神經網絡的建立。

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度均表現為過熟＞適熟＞尚熟＞欠熟，而紋理熵則表現為欠熟＞尚熟＞適熟＞過熟。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；紋理相關度在0.322～0.346之間，紋理熵在1.533～2.743之間；過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熟檔次出現較多的重合，表明不同成熟度間的紋理特征值存在一定的相似之處，但總體上表現為紋理能量、紋理慣性矩、紋理相關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為過熟＞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網絡模型的構建

2.3.1神經網絡的拓撲結構

以不同成熟度烤煙上部葉的L*、a*、b*、C*和H*等5個顏色特征值以及紋理能量、紋理熵、紋理慣性矩和紋理相關度等4個紋理特征值作為網絡模型的輸入值，以對應的烤煙田間成熟度的成熟檔次作為輸出值。經過反復訓練將網絡模型的隱含層的單元數確定為11，采用MATLAB2018b建立拓撲結構為9-11-1的BP神經網絡模型，見圖3。

2.3.2 神經網絡的訓練過程及誤差分析

由圖4可知，當所建立的網絡模型迭代次數為5時，模型開始收斂，網絡訓練下降梯度達到0.005 542，權值誤差保持在1×10-5，動量達到1×10-6，可知所建立的網絡模型在迭代5次之后，便趨于穩定，各指標誤差保持在較低水平，以上表明所建立的網絡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神經網絡模型訓練效果

由圖5、圖6可知，訓練樣本的預測值與實際值的決定系數均達到0.985 5，驗證樣本的預測值與真實值的決定系數達到0.981 6，表明所建立的網絡模型能夠很好地對烤煙的田間成熟度進行分類識別，在烤煙生產中可以運用此網絡模型對烤煙的田間成熟度進行鑒定與識別。

圖3 烤煙田間成熟度神經網絡模型拓撲結構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神經網絡模型訓練結果Fig.4 Training results of BP neural network model for field maturity of flue-cured tobacco

圖5 訓練樣本模擬值與真實值對比Fig.5 Comparison of simulated and real values of training samples

圖6 驗證樣本模擬值與真實值對比Fig.6 Comparison of simulated and real values of verification samples

3 討論

本試驗中發現，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，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*值均表現為逐漸增加的趨勢，這與宋朝鵬［18］的研究結果一致；此外雖然本研究中a*值同樣表現為隨成熟度的增加而逐漸增加的趨勢，但與宋朝鵬［18］的研究結果存在差異，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個紋理指標均隨著煙葉成熟度的提高而逐漸升高，這與史龍飛等［19］的研究結果一致。

BP神經網絡模型在模擬人腦思維的基礎之上，以其較好的自適應性在多個行業廣泛應用［20-23］。本研究中發現，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絡模型，能較好地識別烤煙上部葉的成熟度，訓練樣本的預測值與實際值的決定系數達到0.985 5，驗證樣本的預測值與實際值的決定系數達到了0.981 6，與謝濱瑤等［24］等的研究結果相比，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確率，可見依據烤煙顏色對田間成熟度進行判斷效果較好。然而由于本試驗中樣品圖像的采集是由一臺相機在晴天上午5∶30—8∶30和下午17∶00—19∶00進行的，而實際生產中光照、空氣濕度、采集時間等因素均會對圖像品質產生一定影響，因此還需要進一步優化算法，減少或修正外界因素的影響。

4 結論

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個紋理指標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差異較大；建立的成熟度識別網絡模型訓練樣本的預測值與實際值的決定系數達到0.985 5，驗證樣本的預測值與實際值的決定系數達到0.981 6。因此，利用烤煙顏色特征值與紋理特征值建立的BP神經網絡模型能夠較好地識別烤煙上部葉的田間成熟度。