基于植物表型復合參數體系的烤煙等級初分檢測方法

林潤英，施偉平，童德文，楊振綱，吳 龍，石三三，沈翠玉，楊志杰*

（1.福建省煙草公司 龍巖市公司，福建 龍巖 364000；2.福建省煙草公司，福建 福州 350001）

煙草(NicotianaTabacumL.)是我國主要經濟作物之一，其種植收益由初烤煙葉等級決定［1］。烤煙國家標準［2］根據成熟度、葉片結構、身份、油分、色度、長度、殘傷等7個外觀品級因素將初烤煙葉分為42個等級。目前，全國半數煙區的煙葉仍需由煙農自主進行等級的初分，在沒有輔助工具的條件下，該工序不僅耗時耗力，還會造成主觀誤差，導致初分后烤煙等級合格率較低，直接影響了煙農的收益，也無法滿足日益提升的卷煙工業均質化生產及成品煙質量控制的需求［3-5］。

近年來，有關植物表型的研究受到越來越多的關注［6-10］，其成果已被廣泛應用于植物識別［11］、農產品品質判定［12-13］、產量預測［14］、病蟲害檢測［15-16］以及植物改良育種［17］等。采用植物表型學平臺、圖像處理、物聯網及人工智能等技術輔助檢測煙葉外觀等級成為智慧煙草農業發展的趨勢［4-5,18-21］。王士鑫［4］使用煙葉數碼圖像為輸入，構建了基于改進型卷積神經網絡算法(Convolutional Neural Network, CNN)的烤煙煙葉質量分級研究系統；童德文等［5］確定了中、上部煙葉數碼圖像葉型輪廓特征區間及Red、Green、Blue 3個色彩通道、灰度圖像的葉色均值特征區間，并以此構建了貝葉斯分類模型；蘇明秋［21］利用圖像處理技術提取了顏色、輪廓、主支脈夾角等多維特征參數，并應用CNN實現了煙葉參數自動提取及智能分級；莊珍珍等［18-20］分別采用不同類型表型學采集設備實現了煙葉等級的智能檢測。然而，當前煙葉智能分級檢測技術大多還停留在試驗階段，所需的圖像采集及處理分析設備價格昂貴、占地面積大，限制了其使用范圍。因此，尋找一種快速、有效、便攜的烤煙等級檢測方法和輔助檢查設備尤其必要。

本研究基于植物表型學及計算機圖像學，以煙農煙葉初分工序為主要應用場景，以小型化、輕便化、智能化為設計目標，通過開發一款便攜式烤煙葉等級快速檢測儀，對烤煙等級特征復合參數體系的優化及判定模型進行了優選，以期提高檢測儀器的便攜性，解決傳統研究中需要大型設備作為硬件支撐的問題，并通過試驗及數據處理找到最優的烤煙等級特征復合參數體系及智能判定模型，并開展儀器性能檢驗，以實現對初烤煙葉等級快速準確的智能檢測。

1 初烤煙葉等級檢測儀設計

1.1 整體結構設計

檢測儀由采集模塊、處理模塊及智能軟件分析系統組成，整體結構如圖1所示。采集模塊為檢測儀的主體部分，主要包括采集箱體、照明光源及攝像頭；處理模塊由工控機和觸控屏組成，承擔圖像信號轉換、數據處理及人機交互功能；智能軟件分析系統是檢測儀的核心，實現對煙葉等級的智能分析判定。

圖1 便攜式烤煙煙葉等級初分檢測儀整體結構示意圖

1.2 工作流程

葉片數碼圖像包含了豐富的葉片形態結構及顏色信息，通過對參數信息的提取與分析，可以實現對特定葉片狀態的識別判定［4-10,18-22］。圖2為檢測儀的總體技術方案，檢測儀工作時，接通電源，打開照明光源，將待判定等級的煙葉正面朝上平展放入采集箱中，確保葉柄基部基本垂直于取樣箱。攝像頭采集葉片數碼圖像，而后將圖像信息傳輸至分析系統進行處理。分析系統對目標葉片進行圖像識別并分離背景，然后提取葉片多維度復合參數，將這些參數輸入分析判定模型中確定烤煙等級，最后將結果輸出至觸控屏顯示。

圖2 便攜式烤煙葉等級初分檢測儀總體技術方案

1.3 裝置功能模塊設計

1.3.1 采集模塊 采集模塊由采集箱體、照明光源、攝像頭組成（圖1）。采集箱體為長方體鋁合金箱體，整體尺寸為90 cm×40 cm×62 cm，總重量為6.7 kg（含處理模塊）。箱體側面及底部均勻粘貼白色啞光貼紙，頂部則為黑色啞光貼紙。照明光源根據煙草行業人工分級照明要求［3］，由2條10 W的歐普品牌LED燈管組成，其色溫為5000 K，頻率為50 Hz，照射至箱體底部的有效光照強度為（900±20） lx。攝像頭采用杰銳微通品牌DF500—1944P免驅動工業攝像頭，圖像分辨率為2592×1944，將攝像頭鏡頭穿過采集窗后用隔光條固定，采用USB 3.0連接線與處理模塊的工控機進行通信。

1.3.2 處理模塊 處理模塊采用嵌入式一體工控機，其CPU為賽揚J1990處理器，運行內存4GB，存儲設備為60GB固態硬盤，包含VGA、HDMI、USB 3.0（4個）、COM（2個）等接口。操控及輸出硬件為10寸電容液晶觸摸屏。觸摸屏及工控機安裝在同一鋁合金框中，通過不銹鋼合頁與采集模塊進行連接。

1.4 智能軟件分析系統設計

智能軟件分析系統包括烤煙識別及背景分離模塊、烤煙特征參數提取模塊、烤煙等級智能判定模塊3個部分。

1.4.1 烤煙識別及背景分離模塊 檢測儀中的烤煙識別及背景分離模塊所使用算法改良于趙羨波等［23］提出的圖像飽和度背景分離法(Saturation Back ground Segregate Method，SBSM)，具體步驟如下：

步驟一：將采集模塊獲取的烤煙數碼圖像轉化為HSV圖像，以飽和度值0.2為界限，將小于界限的圖像明度值調整為0，而后轉化為灰度圖；

步驟二：對步驟一所獲得的圖像邊緣進行檢測提取，而后進行膨脹操作、填補邊緣縫隙；

步驟三：對步驟二的圖像進行平滑處理，而后采用中值濾波去除冗余信息；

步驟四：對步驟三的圖像進行二值化處理后進行連通域面積篩選，去除小面積的雜質及碎片。

將經過步驟四處理后的圖像（識別效果詳見圖3A）傳輸至參數提取模塊進行下一步處理。

圖3 烤煙識別效果（A）及葉型復合參數示意圖（B、C）

1.4.2 烤煙特征參數提取模塊 本研究綜合前人研究結果［1］，對照《烤煙》［2］標準，將確定烤煙等級的七大因素與數碼圖像所能獲得的特征參數體系進行一一對應（表1）。可以看出，葉色復合參數體系主要對應成熟度、油分、色度3個因素，葉面紋理參數體系主要對應體系葉片結構、身份2個因素，葉型復合參數體系主要對應長度因素，而殘傷這一因素尚無較好的對應特征參數體系。

表1 烤煙等級因素及其表型特征參數體系的對應關系

1.4.2.1 葉色復合參數體系提取 葉色復合參數體系由RGB顏色模型偏態參數、Lab顏色模型參數、HSV顏色模型參數這3類組成［15］。

（1）RGB顏色模型偏態參數提取：參照Chen等［24］的方法提取葉色偏態參數，即紅(R)通道色階的均值(RMean)、中位數(RMedian)、眾數(RMode)、偏度(RSkewness)及峰度(RKurtosis)；綠(G)通道色階的均值(GMean)、中位數(GMedian)、眾數(GMode)、偏度(GSkewness)及峰度(GKurtosis)；藍(B)通道色階的均值(BMean)、中位數(BMedian)、眾數(BMode)、偏度(BSkewness)及峰度(BKurtosis)；灰度(Y)圖像色階的均值(YMean)、中位數(YMedian)、眾數(YMode)、偏度(YSkewness)及峰度(YKurtosis)。

（2）Lab顏色模型參數提取：參照沈平等［22］的方法提取圖像的亮度(L)、a通道值(a)及b通道值(b)。

（3）HSV顏色模型參數提取：參照史飛龍等［25-26］的方法提取圖像的色調(H)、飽和度(S)和明度(V)。

1.4.2.2 葉面紋理參數體系提取 參照史飛龍等［25-27］的方法提取圖像的對比度(CON)、相關度(COR)、熵(ENT)、同質性(HOM)和對角二階矩(ASM)。

1.4.2.3 葉型復合參數體系提取 《烤煙》標準［2］中的長度因素僅從烤煙長度一個緯度對烤煙等級進行界定。在實際生產中，煙草葉片表現為下部葉較寬大、中部葉長寬適中、上部葉較狹長，因此葉型復合參數是識別不同部位煙葉的關鍵指標［1-4,18,21］。參照蘇明秋［21］的研究結果，通過計算目標烤煙的內部及邊緣像素點數，將其數值分別定義為葉面積(Leaf Area，LA)及葉周長(Leaf Perimeter，LP)。最小外接矩形(Minimum Bounding Rectangle，MBR)是以給定的二維形狀各頂點中的最大橫坐標、最小橫坐標、最大縱坐標、最小縱坐標4個參數值為邊界點所確定的矩形（圖3B中虛線框），用來表示二維形狀最大范圍。由于被檢測烤煙的葉柄基本垂直于采集箱體邊緣，因此，可以采用MBR［18,21］的長邊像素點數近似代表葉長(Leaf Length，LL)，短邊像素點數近似代表葉寬(Leaf Width，LW)，并通過公式計算MBR面積(S)、近似葉長葉寬比(LLW)及葉面積占比(SS)，計算公式如下：

由于烤煙葉片均為紡錘形，可以通過最小二乘法擬合出該葉片的最小外接橢圓，進而計算出該橢圓的離心率(Eccentricity，EC)、長軸長(Ellipse Length，EL)及短軸長(Ellipse Width，EW)。其中，EC取值范圍為［0,1］，EC值越小，圖像越接近圓形，EC值越大，圖像越扁。同時，通過公式計算葉片擬合橢圓長軸短軸比ELW，計算公式為：

綜上所述，葉型復合參數體系包括葉面積(LA)、葉周長(LP)、近似葉長(LL)，近似葉寬(LW)、近似葉長葉寬比(LLW)、葉面積占比(SS)、擬合橢圓離心率(EC)、擬合橢圓長軸長(EL)、擬合橢圓短軸長(EW)、擬合橢圓長軸短軸比(EWL)等10種，具體如圖3所示。

1.4.3 烤煙等級智能判定模塊 通過選取與烤煙等級顯著、極顯著相關的各類參數，組成烤煙等級特征復合參數體系，將其作為輸入變量導入合適的模型中進行分析，最后將分析結果輸出到處理模塊的觸控屏進行可視化顯示。

2 烤煙等級判定模型的建立

2.1 數據采集

烤煙等級判定模型建立樣本的煙草品種為云煙87，于2020年在福建省龍巖市武平縣巖前鎮雙坊村（116°14′24″E，24°54′19″N）進行連片種植，種植面積為700 m2，種植煙株為1200株。育苗時間為2019年11月29日，移栽時間為2020年1月22日。栽培大田土壤為輕沙壤，前茬作物為水稻，田塊肥力中等，排水方便，栽培管理嚴格按照企業標準［28］執行。煙葉烘烤前，選取該田塊大田生長正常、長勢一致、無病蟲害的500株煙株并進行掛牌標志。煙葉烘烤時，根據宮長榮［1］的研究從掛牌標志的煙株中選取鮮葉成熟度為適熟的煙葉進行烘烤。烘烤全過程按照企業標準［28］執行。煙葉出烤后，在自然環境下回潮48 h后，由國家煙草行業執證分級技師根據《烤煙》［2］標準進行分級，從中選取6個主要烤煙等級進行數據采集。具體分類及數量如表2所示。

表2 試驗樣品分類及數量

2.2 烤煙等級特征復合參數的選擇

選取300個建模樣品（表2），采用SPSS軟件對烤煙等級值分別與烤煙數碼圖像參數進行皮爾森(Person)相關分析。結果如表3所示。

表3 烤煙等級與烤煙數碼圖像參數的相關性（n=300）

由表3可知，在葉色復合參數體系中，3種顏色模型所有參數均與烤煙等級值呈顯著或極顯著相關。在RGB顏色模型中，各通道的均值(RMean、GMean、BMean、YMean)、中位數(RMedian、GMedian、BMedian、YMedian)、眾數(RMode、GMode、BMode、YMode)均與烤煙等級值呈極顯著正相關，說明這些參數隨著烤煙等級值的增加而同步上升；各通道的偏度(RSkewness、GSkewness、BSkewness、YSkewness)均與烤煙等級值呈極顯著負相關，說明偏度隨著烤煙等級值的增加而同步降低；R、G通道及Y圖像的峰度(RKurtosis、GKurtosis、YKurtosis)與烤煙等級值呈極顯著正相關，B通道的峰度(BKurtosis)與烤煙等級值的表現則相反。在Lab顏色模型中，葉片亮度值、b通道值與烤煙等級值均呈極顯著正相關，說明隨著烤煙等級值的增加，烤煙亮度逐漸提高，烤煙顏色從藍色向黃色轉變；a通道值與烤煙等級值的表現則相反，說明隨著烤煙等級值的增加，烤煙顏色從紅色向綠色轉變。在HSV顏色模型中，色調及明度與烤煙等級值均表現出極顯著正相關，說明隨著烤煙等級值的增加，H值逐步提升，圖像從紅色調轉為黃色調；而圖像飽和度與烤煙等級值的表現則相反，說明隨著烤煙等級值的增加，圖像色彩飽和度逐漸下降。

在葉片紋理參數體系中，對比度與烤煙等級值呈極顯著負相關，而相關度及同質性表現為極顯著正相關，說明隨著烤煙等級值的增加，葉面紋理溝紋變淺，葉面不同區域間紋理趨向一致，整體葉面變得更光滑。而熵、對角二階矩與烤煙等級值無顯著相關性。

在葉型復合參數體系中，葉周長、近似葉長，近似葉長葉寬比、擬合橢圓離心率、擬合橢圓長軸長、擬合橢圓長軸短軸比均與烤煙等級值呈極顯著負相關，說明隨著烤煙等級值的增加，葉周長逐漸變短，葉長逐漸變小，葉形逐漸從狹長變為寬圓。葉面積占比、擬合橢圓短軸長與烤煙等級值均呈極顯著正相關，說明隨著烤煙等級值的增加，烤煙葉面寬度逐漸增加，葉形向寬圓轉變。而葉面積、近似葉寬與烤煙等級無顯著相關性。

綜上所述，采用與烤煙等級值具有顯著與極顯著相關性的3大類37個參數指標組成烤煙等級特征復合參數體系作為分析系統的輸入變量。

2.3 烤煙等級最優判定模型的選擇與構建

目前，判定模型常用的分類方法有K-Means聚類法、系統聚類法、CHAID決策樹算法、貝葉斯分類器算法、反向傳遞神經網絡算法（BPNN）等。選取300個建模樣品（表2），以37個烤煙等級特征復合參數作為輸入變量，以6個烤煙等級作為分類因子，采用SPSS軟件分別構建烤煙等級K-Means聚類模型F1、系統聚類模型F2（采用離差平方和法進行聚類，采用平方歐式距離計算區間距離）、卡方自動交互檢測(Chi-squared Automatic Interaction Detection, CHAID)決策樹模型F3；采用MATLAB的貝葉斯工具箱(Na?ve Bayes Toolbox)、神經網絡工具箱(Neural Network Toolbox)分別構建貝葉斯分類器模型F4（參照童德文等［5］的研究）、反向傳遞神經網絡(Back Propagation Neural Network，BPNN)BPNN模型F5（參照沈平［22］、張佩等［29］的研究）。

采用模型F1～F5對300個建模組樣品（表2）進行判定，并對其模型判定準確度進行計算。由表4可以看出，F4模型的總體判定準確率最高，達75.00%，因此，本研究選擇采用貝葉斯分類器算法的F4模型作為烤煙等級判定模型并嵌入檢測儀分析系統中。

表4 不同分類方法的烤煙等級模型判定準確度（n=300） %

3 試驗驗證

選取與建模組相同生態區及相同栽培、烘烤工藝的驗證樣品295份（表2），依次放入便攜式初烤煙葉等級檢測儀進行檢測，記錄其判定等級，并計算其判定準確度。從結果中可以看出（表5），檢測儀總體判定準確度為75.59%，在6個主要烤煙等級的判定準確度上均超過63%，達到了人工分級水平，符合企業標準［28］（判定準確度≥60%）對煙農初分烤煙等級合格率的要求。后續會開展不同生態區不同年份間的檢測試驗，進一步驗證檢測儀的普適性及準確性。

表5 便攜式烤煙煙葉等級初分檢測儀在試驗室內驗證結果（n=295）

4 討論與結論

Dasari等［30］研究認為，圖像分類具有較強效果，卷積神經網絡法等被用于研究煙葉成熟度分類，但由于其在建模過程無葉色特征參數輸入，僅是對圖像直接進行卷積運算，缺乏對參數生理生化意義的解釋。同時，由于CNN模型訓練需要較高配置的硬件支持等問題，限制了該項技術在大田生產實際中的推廣應用，因此研究人員轉而使用圖像顏色特征參數構建相關判定模型。目前，應用較多的圖像顏色特征參數主要包括RGB顏色模型參數、HSV顏色模型參數、Lab顏色模型參數三大類別［8,15,22］。本研究首先通過試驗，在3類圖像顏色特征參數基礎上，綜合葉片紋理參數及葉型復合參數，分別選取K-Means聚類法、系統聚類法、CHAID決策樹算法、貝葉斯分類器算法和反向傳遞神經網絡算法對煙葉等級進行判定，對比分析各個算法的判定結果表明：基于貝葉斯分類器算法的等級判定效果最優。

（1）本文選用的葉色復合參數體系、葉面紋理參數體系、葉型復合參數體系這3類煙葉表型參數體系，與烤煙等級特征之間存在顯著相關性，可以作為烤煙等級判定模型的輸入參數。

（2）通過選取的表型復合參數體系，利用貝葉斯分類器算法，可以構建快速有效的烤煙判定模型，該模型整體判別準確度達到75.59%，高于規定的煙農初分準確度（企業標準要求≥60%）。

基于表型復合參數體系的煙葉判定貝葉斯模型，可構建便攜式輕量化的烤煙等級快速檢測儀。該檢測儀以煙農煙葉初分工序為主要應用場景，擺脫了傳統類似功能設備中需配置大型計算機或服務器作為處理模塊的約束，實現了檢測儀便攜式和輕量化的設計需求，并為后續開展不同生態區烤煙等級快速檢驗研究奠定了基礎。

致謝：感謝加拿大卡爾頓大學的安子越使用MATLAB 軟件對數據進行處理。