基于圖像信息的烤煙烘烤過程中煙葉含水率預測

陳飛程，楊懿德，李常軍，楊 洋，冉 茂，鄢 敏，江厚龍，汪代斌*

(1.河南農業大學煙草學院，河南 鄭州 450002；2.四川省煙草公司宜賓市公司，四川 宜賓 644000；3.中國煙草總公司重慶市公司，重慶 400023)

【研究意義】含水率是煙葉烘烤過程中的重要指導參數，為煙葉烘烤過程中的變化預測和工藝參數調控提供了重要依據[1]。由于烘烤過程中煙葉含水率具有非線性和時空多變性，且干燥過程受多種參數共同控制，僅靠單一固定模型進行擬合，其適應性和預測精確性的局限性較大[2-6]。【前人研究進展】目前，煙葉含水率測定的方法可分為兩類：一類是基于時間序列和統計理論的結合，主要包括烘箱法[7]、快速水分測定法[8]、卡爾費休法[9]和氣相色譜法[10]等。另一類是通過物理學微粒性質和運動原理形成的一些新的檢測方法，包括微波法[11]、核磁共振技術法[12]和圖像技術處理[13]等。近年來，BP神經網絡對物料含水率無損預測時，具有較強的適應性和較高的擬合效果，白竣文等[14]基于BP神經網絡構建了葡萄氣體射流沖擊干燥過程中含水率預測模型，實現了葡萄干燥過程中含水率的預測，有效提高了葡萄干燥效率。張利娟等[15]利用小麥真空干燥中的工藝參數作為輸入層，構建以小麥含水率為輸出層的BP神經網絡預測模型，并且該BP神經網絡模型能較好地反映小麥真空干燥工藝參數與含水率之間的非線性關系。孫俊等[16]以大米的高光譜數據建立MEA_BP神經網絡預測大米的水分含量。宋華魯等[17]基于雙介電參數和變量篩選構建支持向量回歸機的預測模型實現對玉米含水率的快速無損檢測。【本研究切入點】本研究以煙葉為研究對象，對從鮮煙葉到烘烤結束各關鍵溫度時段煙葉圖像進行采集分析，通過提取顏色特征和紋理特征，利用BP神經網絡建立煙葉含水率預測模型。【擬解決的關鍵問題】通過對煙葉含水率進行預測，精準把控烘烤過程中煙葉含水率的變化，為煙葉烘烤過程中含水率的在線預測提供數據參考。

1 材料與方法

1.1 試驗材料

本試驗于2018—2019年在四川省宜賓市興文縣大壩鄉煙草科技園進行。供試煙葉為云煙116品種成熟采收的中部葉。

1.2 試驗設計

共采集云煙116煙葉的圖像樣本196份。鮮煙葉采摘后采集1次圖像，然后將其裝入密集烤房，按照三段式烘烤工藝烘烤，分別于變黃前期(36 ℃)穩溫結束、變黃中期(38 ℃)穩溫結束、變黃后期(42℃)穩溫結束、定色前期(46℃)穩溫結束、定色后期(54 ℃)穩溫結束、干筋期(68 ℃)穩溫結束時取樣(每次取顏色變化均勻一致的煙葉28片)。利用最高分辨率為8256×5504像素水平的Nikon/尼康D850對煙葉的圖像進行采集，圖像采集時相機模式采用P(Program)檔，選用白色背景(方便使用最大類間方差法(Ostu)[18]進行圖像分割)拍照時將相機固定在三腳架上，鏡頭位于樣品1 m正上方，同時為了保障光線環境的一致，將采集時將樣品置于黑暗環境中以兩根40 W的日光燈為照明光源，運用圖像處理軟件Adobe Photoshop CC 2018手動去除冗雜的信息(圖1)。

圖1 采集圖像的預處理Fig.1 Preprocessing of the acquisition of images

1.3 指標參數

1.3.1 煙葉的顏色參數 采用WSC-3型全自動色差計，參考賀帆等[19]的方法測定煙葉的顏色參數，以橫向距離煙葉主脈5 cm處的對稱點為測量點，每半片葉等距離測量3個點，測量鮮煙葉這6個點亮度值(L*)、紅度值(a*)、黃度值(b*)、飽和度(C*)和色相角(H*)的平均值作為該葉片的顏色指標參數(圖2)。

1.3.2 煙葉的紋理特征 用Matlab2018b圖像處理工具箱處理所采集的圖像樣本[20-21]，獲取圖像樣本的紋理均值(m)、標準差(σ)、平滑度(R)、三階矩(μ3)、一致性(U)以及紋理熵(e)等紋理特征值。

(1)

(2)

圖2 煙葉顏色特征值測量位點Fig.2 The position of measuring color characteristics

平滑度(R)=1-1/(1+σ2)

(3)

(4)

(5)

(6)

1.3.3 煙葉的含水率 參照行業標準YC/T 311—1996用烘箱法[7]測定煙葉的含水率。

1.4 數據統計分析

采用Excel對數據進行處理分析，采用MATLABR2018b中NEWFF神經網絡工具箱進行BP神經網絡模型的構建和運行工作。選取決定系數R2和均方根誤差RMSE作為擬合評價指標[14]，R2越大、RMSE值越小，則擬合越好。

(7)

(8)

式中，FWexp,t為烘烤試驗實測的第t個含水率；FWpre,t為利用神經網絡預測的第t個含水率；N為試驗測得數據的個數。

2 結果與分析

2.1 不同時段的煙葉顏色特征變化

由表1可知，鮮煙葉的紅度值為負值，表明鮮煙葉的主體顏色是綠色，隨著烘烤的推進，煙葉的紅度值逐漸由負值轉為正值，這是因為煙葉的主體顏色由綠色轉為黃色，所以煙葉在變黃期黃度值逐漸增加，并且在變黃后期色相角由負值突躍為正值，代表人眼對顏色的感覺由綠色轉成了黃色。煙葉圖像亮度值變化介于40～73，在變黃前期達到最大值后逐漸減小，在定色前期亮度值先增大后減小；煙葉圖像紅度值變化介于-14～14，且在變黃階段快速上升；煙葉圖像黃度值和飽和度變化介于35～55，在變黃后期達到最大值后逐漸減小；煙葉圖像色相角變化介于-85～88，負值為人眼對綠色的感覺，從鮮煙葉到干筋結束的推移過程中，負值減小轉為正值的過程即為煙葉顏色由綠轉黃，在變黃后期達到最大值后逐漸減小，這是因為煙葉在變黃后期變黃程度達到最高后紅度值與之增加與黃度值混合形成橙色的過程。

2.2 不同時段的煙葉紋理特征變化

如表2所示，平滑度是圖像灰度的均勻性，值為0-1代表平滑-不平滑，煙葉在變黃階段和定色前期葉片表面相對光滑、紋理較細，鮮煙葉紋理較清晰，定色后期至干筋期煙葉皺縮粗糙，所以煙葉烘烤前期平滑度比鮮煙葉和烘烤后期小。紋理熵是圖像所具有的信息量的度量，表示圖像中紋理的非均勻程度或復雜程度，值越大紋理越混亂、粗糙，烘烤后期煙葉紋理不規則、混亂度大，所以紋理熵值明顯大于烘烤前期。紋理平均值灰度反映了圖像灰度整體的亮暗，值越高代表越亮，標準差反映了該圖像的亮暗差異。在烘烤定色后期和干筋期，煙葉卷曲與皺縮程度最大，所以這2個階段的紋理平均值、標準差最大。三階矩反映直方圖偏斜度的度量，對稱為0，右偏斜為正，左偏斜為負；一致性反映度量一致性，值越大越好。不同時段間的三階矩和一致性差異顯著。由此可知，以上6個紋理特征數據均可對不同時段的煙葉圖像的紋理信息進行了描述，能較好地反映煙葉的紋理特征。

表1 不同時段煙葉的顏色特征

表2 不同時段煙葉紋理特征的變化

2.3 BP神經網絡模型的設計

2.3.1 訓練樣本集的選擇 為了加速BP神經網絡的運算效率，利用因子分析的主成分法從烤煙顏色特征指標L*、a*、b*、C*、H*及紋理特征指標平均值、標準差、平滑度、三階矩、一致性和熵11個表觀指標中篩選出烤煙表觀特征的6個代表性影響因子L*、a*、b*、平均值、標準差和紋理熵(表3)。從因子的載荷值可以看出，因子1主要反映了煙葉變黃程度的影響，可以用黃度值b*為代表；因子2主要反映了煙葉表面紋理復雜程度，可以用紋理熵為代表；因子3主要反映了煙葉表面褐變程度，褐變反映于紅度值的深淺程度，因此選取a*為代表；因子4主要反映了煙葉紋理標準差的變化；因子5主要反映了煙葉紋理均值的變化；因子6主要反映了煙葉亮度值L*的變化。

表3 煙葉的表觀特征值的因子載荷

表4 隱含層神經元個數及其仿真訓練結果

圖3 煙葉含水率的BP神經網絡模型網格結構Fig.3 Grid structure of BP neural network model of tobacco moisture content

2.3.2 BP神經網絡數據分析與模型設計 根據因子分析從11個顏色和紋理特征值中篩選出的L*、a*、b、平均值、標準差和紋理熵6個優度因子作為輸入向量層，輸入層神經元個數即為6個。輸出層是不同時段煙葉的實時含水率，因此輸出神經元個數即為1個。通過premnmx函數對輸入樣本數據和輸出樣本數據進行歸一化以消除量綱影響。網絡的輸入層與隱含層之間的傳遞函數為正切S型函數，為了逼近網絡的精度隱含層與輸出層的傳遞函數為線性傳遞函數，因此本研究選擇tansig-purelin組合作為該網絡的傳遞函數。為了避免神經網絡訓練一定程度出現網絡麻痹現象，采用LM算法的trainlm作為網絡訓練函數，提高網絡的收斂速度和泛化能力。

2.3.3 隱含層節點數的選擇 隱含層神經元個數會影響到網絡精度和訓練時長。隱藏層的節點數一般采用Kolmogorov定理(隱藏層=2×輸入層個數+1)和多次嘗試的方式獲得，本文分別選取了5、7、9、10、11、13、15作為隱含神經元個數，對所建預測模型進行訓練，通過對比訓練精度和訓練時間，具體如表2所示。隱藏層節點數為13時有最優的訓練效果。綜合以上分析，采用6-13-1結構的BP神經網絡模型對烤煙含水率進行預測，網絡模型結構圖如圖3所示。

2.3.4 模型的訓練與測試 按照上述神經網絡結構和參數，學習速率設置為0.001，隨機選擇的165組數據作為訓練樣本，經過15次訓練停止，均方誤差值達到0.0031。用得到模型對余下的31組測試樣本集進行測試。經對比，預測含水率與實測含水率最大偏差為0.0459(圖4)，決定系數R2為0.9886，均方根誤差RMSE為0.0191。

2.3.5 模型的驗證 為進一步驗證模型的準確性，測量從鮮煙葉到干筋結束的干燥曲線，并與BP神經網絡預測值進行對比，。除干燥初始預測值與實測值稍有偏差外，其余預測值(特別是干筋期)幾乎與實測值重合(圖5)。經計算，預測值與實測值之間的決定系數R2為0.9987，均方根誤差RMSE為0.0118，其較高的預測精度說明BP神經網絡模型能夠較好地預測煙葉在不同時段的含水率。

3 討 論

本研究利用機器視覺技術定量煙葉的表觀特征，通過煙葉的色差參數和紋理特征指標量化煙葉的外觀特征。煙葉的顏色、紋理特征的變化不僅可以判斷煙葉的成熟度和烘烤特性的重要依據[2,22-23]，同時也是衡量煙葉水分變化的重要指標[24]。本研究量化煙葉顏色指標采用的是CIE- L*a*b*圖像模式，相較于RGB圖像模式，其色域廣，能更大程度地體現圖像顏色信息，并且做到明度與色度的有效分離，有效避免因環境的亮暗變化影響樣品圖像色彩信息，能更好反映不同時段煙葉圖像變化的顏色敏感性。

圖4 烤煙測試組含水率預測Fig.4 Water content prediction of flue-cured tobacco test group

煙葉的L*、a*、b*、C*和H*值均在變黃階段出現不同程度的上升，其原因主要是煙葉的主體顏色在變黃階段顏色由綠色轉變為黃色，亮度值L*因為主體顏色的轉變，在變黃前期煙葉表面的淺色系對光的吸收減少且反射增加，故而L*值達到最大值，并隨著表面黃色系的加深逐漸減小，黃度值b*在變黃階段呈現劇烈的上升，故而飽和度C*的值在變黃階段逐漸上升，紅度值a*和色相角H*由代表綠色的負值向代表黃色的正值轉變；在定色前期煙葉進一步變黃后將黃色固定，在此階段烤煙葉片失水較少，煙葉表面較為光滑且黃色也較為鮮亮，因此在定色前期煙葉L*、a*繼續增大并且H*達到最大值；定色后期煙葉失水程度增加，煙葉表面出現不同程度的皺縮，煙葉黃色變得較為暗淡，因此煙葉除了a*值繼續增加，L*、b*、C*和H*值均有所減小；干筋期煙葉主脈失水，葉片全干，煙葉皺縮最為嚴重，葉片顏色進一步變暗轉變為橙色系，所以干筋期煙葉a*值繼續增加逐漸接近紅色系范圍，L*、b*、C*和H*值均再次減小。

煙葉紋理特征中的平滑度呈現出不平滑、葉片的直方圖偏斜度從總體左偏移逐漸對稱再向右偏移和煙葉紋理度量值相一致的結果與張麗[25]的研究結果一致。本研究中煙葉紋理特征的灰度平均值和標準差這兩個關鍵指標，可以有效減小和校正測量煙葉色差參數時因環境光線的多變性對所測定的指標數據的誤差，減少BP神經網絡模型訓練過程中的逆傳播修正，加快模型的運行的速度，其重要性在因子分析的因子能荷得以體現。

a、b、c、d、e、f、g分別為鮮煙葉、變黃前期、變黃中期、變黃后期、定色前期、定色后期、干筋期a，b，c，d，e，f and g were fresh tobacco leaves,earlier stage of yellowing,middle stage of yellowing,later stage of yellowing,earlier stage of set color,later stage of set color,and stem-dry stage，respectively圖5 烤煙含水率預測值與實測值比較Fig.5 Comparison of predicted and measured values of flue-cured tobacco moisture content

鮮煙葉顏色為綠黃相間，圖像混亂度較高，溝紋明顯；在變黃階段煙葉逐漸由綠轉黃，煙葉失水程度不高，葉面相對平滑，亮暗差異較小，紋理度量簡單且均勻，故而平滑度趨于平滑范圍，紋理標準差、一致性和紋理熵值較小且隨著失水程度增加逐漸增大；變黃后期煙葉接近或達到全黃，此時煙葉一致性達到最大值；定色前期，煙葉葉片失水增加，葉片卷曲皺縮，圖像亮暗差異明顯，紋理度量相對復雜，因此煙葉紋理均值減小，標準差和紋理熵逐漸增大，平滑度趨于不平滑，三階矩表現為不同程度的偏移；定色后期之后煙葉含水率較少，葉形皺縮卷曲，葉面粗糙圖像紋理復雜，溝紋逐漸明顯，因此，煙葉圖像標準差、平滑度和紋理熵逐漸增大，紋理平均值逐漸減小。

常規的線性分析模型很難準確地建立作物表觀信息與含水率間的關系[26]，本研究通過提取煙葉的顏色指標和紋理特征，并將其作為BP神經網絡的輸入層對煙葉的含水率進行模擬，在樣本訓練與驗證過程中模型的均方根誤差分別為0.0191和0.0118，其輸出的模擬值準確度優于甘露萍[24]和段史江等[27]對煙葉含水量無損檢測結果。含水率預測模型的擬合程度和輸出的預測值與真實值的決定系數說明該模型可以實現對含水率的精確估測，這與詹攀等人[27-28]研究結果一致。

4 結 論

為了精準預測不同時段煙葉中含水率，本研究以煙葉顏色和紋理特征指標為輸入層構建了結構為“6-13-1”的BP神經網絡模型，以因子分析篩選優度因子，以tansig-purelin組合作為該網絡的傳遞函數，采用L-M算法為訓練函數，結果表明BP神經網絡模型能夠很好預測煙葉含水率。BP神經網絡可以將表現煙葉含水率的指標包含于1個模型之中，具有較好的便捷性和精確性。受限于本研究所采集的樣本品種部位單一，網絡的覆蓋面和適應性有所影響，因此本研究還需要進一步優化品種和部位研究，以進一步提高模型通用性。