機器學習算法在煙葉烘烤過程化學成分估測中的應用

關鍵詞：煙葉烘烤；Lab顏色空間；機器學習算法；回歸估測；化學成分中圖分類號：S126； TS44⁺1 文獻標志碼：A 文章編號：1002-1302（2025）11-0189-09

烘烤過程是煙葉品質形成的關鍵階段[1]。新鮮煙葉從大田采收后，需要給予一定的時間和溫濕度條件，使其完成脫水干燥、顏色變黃和致香物質轉化過程[2-3]。煙葉顏色轉變是烘烤過程煙葉外觀最明顯的變化之一，準確判斷煙葉顏色狀態是靈活調整烘烤工藝的基礎[4]。因此，煙葉在烘烤過程中顏色變化的探究吸引了眾多科研人員的濃厚興趣。如孫福山等提出“五到六成黃”“七到八成黃”“九成黃”“十成黃”等烘烤各階段煙葉變黃程度要求[5-6]。煙葉表面顏色的變化實質上是其內在生理生化反應的綜合呈現，與煙葉化學成分含量密切相關[7]。自 2010 年以來，隨著檢測手段的不斷進步，使用各類顏色模型量化研究煙葉烘烤過程顏色轉變成為熱點，如霍開玲等采用色差儀定量測定了煙葉烘烤過程中 L^*，a^*，b^* 顏色值[8-10]。雷強等在煙葉烘烤過程中采用圖像提取煙葉的RGB、HSV顏色值[11-13]。張麗英等基于顏色量化分析，采用多元線性回歸手段初步證明了基于顏色值的煙葉化學成分估測可行性[14-16]。綜合來看，目前采用多元線性回歸構建煙葉化學成分估測模型的研究較多，但由于分析方法的局限性，其估測精度難以進一步提升[17] 。

機器學習方法依據已有的歷史數據集合，利用計算機程序模仿人類的學習行為，揭示復雜系統內部變量之間的關聯性，使系統能夠對新的未見數據進行有效估測[18]。機器學習中的回歸算法主要用于解決估測問題，是通過擬合訓練數據中的模式和趨勢，構建一個函數模型，根據輸入變量的值估測輸出變量的值[19-20]，常見的機器學習回歸算法包括偏最小二乘回歸（partial least squaresregression，簡稱PLSR）嶺回歸（ridgeregression，簡稱RR）、支持向量機（supportvectormachine，簡稱SVM）、隨機森林算法（randomforest，簡稱RF）等。區別于多元線性回歸，機器學習算法能對各種復雜的信息進行科學高效地分析和總結，被廣泛應用于處理線性和非線性問題[21]。如基于近紅外光譜數據，張勇等、李倩倩等利用支持向量機、偏最小二乘等算法，建立了烤后煙葉總糖、總氮等化學成分指標的估測模型，模型的精度和泛化性能較好[22-23]。然而，近紅外光譜技術所需設備的高昂成本，在實際烘烤過程中的應用較難。

基于此，本研究通過烘烤過程中煙葉Lab顏色空間數值和化學成分數據一一對應采集，采用偏最小二乘回歸、嶺回歸、支持向量機和隨機森林4種機器學習算法構建烘烤過程煙葉化學成分的回歸估測模型，探討機器學習算法與顏色量化分析結合估測烘烤過程煙葉化學成分的可行性，旨在為煙葉烘烤狀態智能化監測提供新的方法參考。

1材料與方法

1.1 試驗材料

試驗于2022年6月在福建省南平邵武市進行，供試烤煙品種為K326。在同一塊田選取生長基本相同、葉色、葉大小相對一致、具有相似田間品質的中部煙葉和上部煙葉作為試驗材料。參照三段式烘烤工藝正常烘烤[24]，在氣流上升式密集烤房進行烘烤，同一烤房內在中部煙葉和上部煙葉烘烤期間各取1炕進行取樣。

1.2 試驗設計

在烘烤過程中，從烘烤開始（ （0h） 以及隨后的

24、48、60、72、84、96、108、120h，直至烘烤結束（共^132h ），從烤房上棚、中棚、下棚分別取樣，共取樣10次。在每個取樣點，系統收集9張完整且具代表性的煙葉樣本，每3張作為1個樣品，即每個棚次、每個取樣時間各3個樣品，共190份樣品，

每次所取的樣品先用于煙葉顏色值測定，后煙葉葉片去除主脈，裝入自封袋中，在 -20^°C 條件下冷凍保存。帶回實驗室經冷凍干燥后，磨粉用于測定還原糖、總糖、總氮、淀粉、煙堿含量等常規化學成分。

1.3 測定項目與方法

1.3.1顏色值的測定對于每次采集的煙葉樣本，采用了便攜式分光測色儀（Ci64，美國X-rite愛色麗）對煙葉3個關鍵區域（葉尖、葉中部與葉基部）進行顏色測定。在測量中，確保在每張煙葉主脈的兩側采取對稱位置，均勻分布選取6個測點，計算其平均值，進而表征該樣本的整體顏色特性[25]。顏色值包括：煙葉的 L^* 值、 ?a^* 值和 b^* 值，并計算 C^* 值、H^° 值和 H^* 值。計算公式為

色澤比 （H^*）=a^*/b^* 6 色相角 ： 飽和度（C*）=√a*2+b*2

1.3.2化學成分的測定煙葉樣品經冷凍干燥后磨粉，測定煙葉樣品中的化學成分（還原糖、總糖、總氮、淀粉和煙堿）。各項化學成分參照標準如下：

還原糖、總糖含量：YC/T159—2019《煙草及煙 草制品水溶性糖的測定 連續流動法》;總氮含量： YC/T161—2002《煙草及煙草制品總氮的測定連 續流動法》;淀粉含量：YC/T216—2013《煙草及煙 草制品淀粉的測定 連續流動法》;煙堿含量： YC/T160—2002《煙草及煙草制品總植物堿的測 定連續流動法》。

1.4估測模型的構建

1.4.1樣本集劃分為確保建模集和驗證集中的待估測成分分布具有一致性和代表性，采用了梯度質量分層抽樣策略。首先，依據待估測化學成分的含量，對煙葉樣本集合進行升序排列。隨后，遵循嚴格的等間隔原則，等距抽取1個樣品作為驗證集的組成部分，將全部煙葉樣本按照 3：1 的比例分為2組，分別用于構建模型的訓練集與驗證集，確保模型的有效性和泛化能力（圖1）。

1.4.2建模方法偏最小二乘回歸分析是一種高級的多元統計分析方法。通過數學優化原理，旨在尋求一種最優的數據擬合方案，即通過最小化殘差平方和的目標函數，精準地估算模型中無法直接觀測的潛在變量的真實值，從而達到簡化模型結構的同時最大程度地減少估測誤差的目的[26]。算法可以描述為 Y=bX+e 。式中， b 表示回歸系數的向量（p×1） L e 表示模型殘差。

核嶺回歸是嶺回歸與核函數結合起來的算法。通過犧牲最小二乘法的無偏估計這一特性，在一定程度上接受信息損失、精度略微下降，使嶺回歸在面對多重共線等問題展現出更高的實用性和可靠性[27]。算法可以描述為 （K+λmI）α=y 。式中， K 是 m×m 的核矩陣； 是回歸向量； α 是未知解向量； λ 是平衡損失和懲罰項之間的系數； 是向量維度； I 是單位矩陣。

支持向量機是一種基于監督學習原理的高級機器學習算法。通過引入核函數，實施了將數據從原始特征空間轉換至高維特征空間的映射，從而有效地解決線性可分與非線性可分問題。研究中使用高斯徑向基（RBF）核函數，即 K（x，x_i）= 式中， σ 為核參數， x，x_i 為輸入的數據。其決策函數為 x_j）+b] 。式中， a_i 為拉格朗日乘子； y_i 為樣本 x_i 的標簽;b為截距向量[28] 。

隨機森林算法屬于集成學習方法的一種，是決策樹回歸的組合算法，可以有效降低過擬合的風險。該算法實質為若干決策樹模型 h（X，θ_k），k=1 ，2，3，…，k 構建的組合回歸模型，其中， k 為隨機森林中決策樹的數量； X 為輸人特征向量； θ_k 為第 k 棵決策樹的參數向量； h（X，θ_k） 為第 k 棵決策樹對輸入 X 的預測結果。選取基尼（Gini）指數，即 Gini（L）=1- ，其中， L 為數據集的樣本集合， P_j 是數據集中第j 類樣本的比例。將集合分割，經過 k 次訓練后，獲得隨機森林回歸模型公式

采用偏最小二乘回歸、嶺回歸、支持向量機和隨機森林算法等4種方法構建烤煙烘烤過程中煙葉化學成分的估測模型。研究中以 L^* 值、 a^* 值、 b^* 值 ?H^* 值 ?H^° 值和 C^* 值為自變量，以烘烤過程中煙葉待估測指標為因變量，模型參數的優化選擇是采用系統網格搜索方法確定的，通過10折交叉驗證（圖1），最佳估測模型是根據建模集均方根誤差（root mean square error of training set，簡稱RMSET）最小時確定的。

1.4.3模型評估在評估估測模型的效能時，采用R² 、建模集均方根誤差、驗證集均方根誤差（rootmeansquareerrorofvalidation，簡稱RMSEV），以及相對分析誤差（residualpredictiondeviation，簡稱RPD）進行評估。其中，RMSET與RMSEV用以量化模型估測值與其實際觀測值間的平均偏差平方根，其數值越小，表明模型在訓練數據及未見數據上的擬合度越高，估測精度越好。而 R² 值趨近于1，則表明模型能夠解釋大部分變異，具有較高的解釋力和準確性。RPD是評估模型整體估測效能的一個綜合性度量。當RPD?2 時，表明模型具備對待估測成分進行較為精細估測的能力，預示著模型效能顯著。相反，當1.4?RPDlt;2 時，表明模型僅能提供對目標成分的大概估算，估測精度相對較低，模型效能有限[30-31] O

式中： Y_i，Y_i^pre，Y_i^avg 分別為樣本 i 的真實值、估測值和平均值； n 為樣本數。

1.5 數據分析

數據處理采用MicrosoftExcel2016；圖形的繪制采用Origin2021；運用SPSS21.0最小顯著差異法（least significantdifference，簡稱 LSD ）實施事后檢驗，判定各組間存在的顯著性差異（ α=0.05 ），模型的構建使用Python3.9軟件。

2 結果與分析

2.1煙葉烘烤過程中顏色特征參數的變化烘烤過程中上部葉和中部葉的煙葉顏色變化趨勢總體一致（圖2）。 L^* 值 ?^b* 值和 c^* 值呈先上升、然后穩定、最后下降的變化趨勢； a^* 值和 H^* 值呈先持續上升變化趨勢； H^° 值呈先急劇增加、隨后漸趨平穩的變化趨勢。隨著烘烤時間的增加，煙葉的 L^* 值 ?b^* 值和 C^* 值先顯著增加后顯著降低； a^* 值和 H^* 值顯著增加; H^° 值在 48h 之前顯著增加。

兩部位相比，上部葉和中部葉的 L^* 值在烘烤 24～ ^72h 取得最大值，其中上部葉在烘烤的 ^48h 取得最大值，中部位在 ^72h 取得最大值。 b^* 值和 C^* 值在烘烤 24～48h 取得最大值，其中上部葉的 b^* 值和C^* 值均在在烘烤的 ^48h 取得最大值，中部位的 b^* 值和 c^* 值均在 24h 取得最大值。

2.2煙葉烘烤過程中化學成分的變化

由圖3可知，烘烤過程中，煙葉中2部位（即中部與上部）的煙堿及總氮含量呈現相對穩定的變化趨勢；還原糖與總糖含量則表現出初期快速增長隨后逐漸達到穩定的變化趨勢；淀粉含量呈先快速下降后趨于穩定的變化趨勢。隨著烘烤時間的增加，還原糖和總糖含量在 0～48h 間顯著增加，淀粉含量在 0～48h 間顯著降低。其中，上部葉的還原糖，總糖和淀粉含量分別在烘烤 24、72、60h 后趨于穩定，中部葉的還原糖、總糖和淀粉含量分別在在烘烤 48，48，60h 后趨于穩定。

2.3烘烤過程中煙葉顏色值變化與化學成分變化 的相關分析

由表1可知，不考慮部位差異， L^* 值與還原糖和總糖含量均呈極顯著正相關，與總氮和淀粉含量均呈極顯著負相關，與煙堿含量呈顯著負相關； a^* 值與煙堿、總氮、還原糖和總糖含量均呈極顯著正相關，與淀粉含量呈極顯著負相關； b^* 值與還原糖

含量均呈極顯著正相關，與總糖含量呈顯著正相 關； H^* 值與煙堿、總氮、還原糖和總糖含量均呈極顯 著正相關，與淀粉含量呈極顯著負相關； H^° 值與煙 堿、總氮、還原糖和總糖含量均呈極顯著正相關，與 淀粉含量呈極顯著負相關； C^* 值與還原糖含量呈極 顯著正相關，與總糖含量呈顯著正相關。

而考慮部位差異，顏色值與化學成分的相關性規律基本表現一致。上部葉和中部葉的還原糖含量與顏色值均呈顯著相關。總糖、淀粉含量與 a^* 值 ?H^* 值和 H^° 值均呈極顯著相關。

2.4烘烤過程煙葉化學成分估測模型的構建與 驗證

分別采用偏最小二乘回歸、嶺回歸、支持向量機和隨機森林算法構建烤煙烘烤過程中煙葉化學成分的估測模型。由表2和表3可知，除煙堿和總氮外，基于顏色值采用4種建模方法構建的煙葉還原糖、總糖和淀粉估測模型效果均較好。其中使用隨機森林算法構建的烘烤過程中煙葉還原糖、總糖和淀粉含量估測模型精度均最高，還原糖含量估測模型驗證集的 R²，RMSEV 和 RPD 分別為 0.91，1.92 和3.31；總糖含量估測模型驗證集的 R²，RMSEV 和RPD分別為0.93、2.50和3.77；淀粉含量估測模型精度最高，模型的驗證集 R² RMSEV和RPD分別為0.92、2.64和3.57。整體看，還原糖和總糖含量估測模型精度排序均為 RFgt;SVMgt;RRgt;PLSR ，淀粉含量估測模型精度排序為 RFgt;RRgt;SVMgt;PLSR 說明基于顏色值在估測烘烤過程中煙葉還原糖、總糖和淀粉含量方面，使用RF方法比PLSR、SVM、RR方法具有更高的準確度和穩定的擬合效果。

由圖4可知，相較于其他建模方法構建的煙葉烘烤過程中還原糖、總糖和淀粉含量估測模型，使用隨機森林算法構建估測模型驗證集實測值與估測值更加均勻地分布在 1：1 線附近。

2.5烘烤過程煙葉化學成分估測模型的模型外樣 品的驗證

為了更深入地證實所構建模型在未見過數據上的適用性和泛化能力，選取上述分析中效果較好的還原糖、總糖和淀粉含量的隨機森林估測模型，對另一產區（云南曲靖）的烘烤過程煙葉樣品進行驗證。由表4可知，烘烤過程中煙葉還原糖含量估測模型驗證集的 R² 和RPD分別為0.73和3.93；總糖含量估測模型驗證集的 R² 和RPD分別為0.77和3.95；淀粉含量估測模型的驗證集 R² 和 RPD 分別為0.82和5.27。說明采用本研究建立的隨機森林算法，估測模型外樣品的還原糖、總糖和淀粉含量也有較高的準確度和較穩定的擬合效果，模型的泛化性能得到進一步驗證。

由圖5可知，使用精度較高的RF算法估測模型驗證集實測值與估測值較為均勻的分布在 1：1線附近。

3討論與結論

本研究發現，烘烤過程中煙葉 L^* 值、 b^* 值和C^* 值先增大后減小， a^* 值和 H^* 值持續上升，煙葉顏色呈現由黃綠向桔黃的變化，這與Meng等的研究結果[32-33]相似。烘烤過程中除煙堿和總氮含量外，還原糖、總糖和淀粉含量在變黃階段變化幅度最大，在定色階段和干筋階段變化幅度逐漸減小至基本不變，這與雷強等的研究結果[\"基本一致。煙葉烘烤過程中顏色值與化學成分的相關分析表明，煙葉顏色值與還原糖，總糖和淀粉含量均呈極顯著相關，這與劉偉等的研究結果[34-35]基本一致，本研究結果的相關程度更高，可能是因為試驗品種、地區、烘烤條件存在差異[4]

利用4種機器學習算法，本研究嘗試構建了煙葉化學成分的估測模型，總氮和煙堿含量的估測模型精度較低，模型驗證集的 R² 均小于 0.48，RPD 值均小于1.4，表明基于顏色值使用機器學習算法不能對烘烤過程中煙葉總氮和煙堿含量進行估測，這與烘烤過程煙堿和總氮含量的變化較小且其主要受肥料運籌、打頂等栽培措施的影響有關[36]。而煙葉還原糖、總糖和淀粉含量的最優估測模型精度均較高，模型驗證集的 R² 均高于 0.90，RPD 值均大于2.0，且在跨產區的驗證中，模型驗證集的 R² 依然高于0.70，這表明通過顏色值運用機器學習算法可實現烘烤過程中煙葉還原糖、總糖和淀粉含量的高精度估測。與前人研究結果相比，賀帆等基于色度學構建的密集烘烤過程中煙葉淀粉變化的多元線性回歸估測模型的平均相對誤差為 ，黃濤等基于烘烤過程中煙葉色度信號值與總糖估測模型的平均相對誤差為 11.61%^[15] 。上述研究中平均相對誤差用于評價建模數據的好壞，未用到建模數據之外的數據進行獨立驗證，難以評價模型用于其他數據估測時的精度高低。而與采用近紅外光譜和機器學習算法模型的精度相比，張勇等利用SVM技術建立總糖和還原糖的估測模型 R² 均在0.90以上，RMSEP分別為 0.45%.0.48% ，沈林峰等應用偏最小二乘回歸法建立淀粉含量估測模型 R² 也在0.90以上，RMSEP為 0.29%^[37] ，本研究與這些研究的精度相當，但采用的近紅外光譜手段成本較高，實際生產中難以應用。綜合來看，本研究基于Lab顏色空間的機器學習算法（特別是隨機森林算法）估測模型效果良好，泛化能力強，其原因一方面可能是隨機森林是一種非線性的集成算法，適用于高維度數據樣本的建模[38];另一方面可能是煙葉的顏色狀態與常規化學成分含量之間本身就是一種非線性的關系。

本研究通過分析烘烤過程煙葉Lab顏色空間值和化學成分的協同變化，通過4種機器學習算法建模探討了其在煙葉化學成分估測中的應用效果，基于隨機森林算法的煙葉還原糖、總糖和淀粉含量估測模型的精度和泛化性能均較好，驗證集的 R² 高于0.90，RPD 值大于2.0，跨產區驗證集的 R² 大于0.70。基于煙葉Lab顏色空間值計算和機器學習算法，本研究提供了一種成本可控、便于應用的烘烤過程煙葉化學成分智能化監測方法，下一步將持續研究驗證模型對不同區域、不同品種的適用性。

參考文獻：

[1]LiYX，LiuFF，SunSB，etal.Metabolomeofflue-curedtobaccoissignificantlyaffectedbythepresenceofleafstemJ].BMCPlantBiology，2023，23（1） ：89.

[2]賀帆，王濤，王梅，等.烘烤過程中煙葉顏色變化與主要化學成分的關系[J].中國煙草學報，2014，20（6）：97-102.

[3]丁燕芳，張昭，朱銀峰，等.煙葉烘烤過程中生理指標和顏色值變化研究[J].江西農業學報，2021，33（1）：50-54，59.

[4]CondoriM，Albesa F，AltobelliF，etal.Imageprocessingformonitoringof the cured tobacco processinabulk-curing stove[J].Computers and Electronicsin Agriculture，202O，168：105113.

[5]國家質量監督檢驗檢疫總局，中國國家標準化管理委員會.烤煙烘烤技術規程：GB/T23219—2008［S]．北京：中國標準出版社，2009.

[6]孫福山，王松峰，王愛華，等.五段五對應煙葉烤香密集烘烤精準工藝：CN102599624B[P].2014-07-16.

[7]張偉娜，龐立峰，竇素平，等.烤煙鮮煙葉顏色參數與烘烤特性的關系[J].山東農業科學，2017，49（12）：25-28.

[8]霍開玲，張勇剛，樊軍輝，等.密集烘烤中烤煙顏色變化及其與主要成分的關系研究[J].湖南農業科學，2011（9）：115-119.

[9]馬留軍，李崢，張瑞亞，等.不同部位煙葉烘烤過程中顏色與化學成分之間的關系研究[J].天津農業科學，2018，24（9）：60-64.

[10]王濤，賀帆，詹軍，等.烘烤過程中不同部位煙葉顏色值和主要化學成分的變化［J]．湖南農業大學學報（自然科學版），2012，38（2）：125-130.

[11]雷強，李春光，劉園，等.烘烤過程中不同部位煙葉圖像提取值與化學成分的變化[J]．浙江農業科學，2023，64（5）：1258-1263.

[12]汪伯軍，郭保銀，黃富饒，等．基于HSV顏色空間的煙葉烘烤階段判別模型研究[J]．南方農機，2023，54（13）：5-9.

[13]吳娟．密集烤房烘烤過程中煙葉圖像在線特征提取及分析[J]．激光雜志，2015，36（6）：64-67，71.

[14]張麗英，鮮興明，楊杰，等.烘烤過程中煙葉顏色特征參數與色素含量的關系[J]．煙草科技，2013，46（8）：85-90.

[15]黃濤，俞世康，顧會戰，等.烘烤過程中煙葉色度信號值與主要化學成分的關系［J]．江蘇農業科學，2022，50（5）：173-180.

[16]賀帆，王濤，樊士軍，等.基于色度學的密集烘烤過程中煙葉主要化學成分變化模型研究［J]．西北農林科技大學學報（自然科學版），2014，42（5）：111-118.

[17]石菊，王小倩，王熙.微觀醫療費用預測模型：從線性回歸到機器學習[J].經濟學，2023，23（6）：2247-2263.

[18]Guo FX，LiJY，Zhu F，et al.A comparative study of machinelearningmodelsfortrafficaccident severitypredictiononruralhighways[J/OL].Journalof Traffc and Transportation Engineering（English Edition），2024：1-32（2024?03-02）[2024-04-20].https：//link.cnki.net/urlid/61.1494. U.20240229.1437.002.

[19]Yu T，Wang CY，Yang HC，et al.Machine learning in metal - ionbatteryresearch：Advancingmaterial prediction，characterization，andstatusevaluation[J]. Journal of Energy Chemistry，2O24，90：191-204.

[20]Xu NN，Yan GM，XuFJ，et al.Identifying the geographical originand processing technology of Moyao （Myrrh） on the basis of near -infrared spectroscopy combined with chemometrics[J]. Journal ofTraditionalChineseMedicine，2024，44（3）：505-514.

[21]田世杰，張一名．機器學習算法及其應用綜述[J]．軟件，2023，44（7） ：70 -75.

[22]張勇，叢茜，謝云飛，等.煙草組分的近紅外光譜和支持向量機分析[J].高等學校化學學報，2009，30（4）：697-700.

[23]李倩倩，田曠達，李祖紅，等.無信息變量消除法變量篩選優化煙草中總氮和總糖的定量模型[J]：分析化學，2013，41（6）：917 -921.

[24]Liu HP，Duan S M，Luo HL. Design and temperature modelingsimulationof the full closedhotair circulation tobaccobulk curingbarn[J]．Symmetry，2022，14（7） ：1300.

[25]Su H D. Retracted data research on tobacco leaf image collectionbased on computer vision sensor[J]. Journal of Sensors，2O21，2021（1） ：4920212.

[26] Spitzner D J. Communications in statistics- theory and methods[J].Communications in Statistics -Theory and Methods，2014，36（4） ：939 -953.

[27]Maalouf M，Homouz D.Kernel ridge regression using truncatedNewtonmethod[J]. Knowledge-Based Systems，2014，71：339-344.

[28]Ding SF，HuangHJ，Yu JZ，et al.Research on the hybrid modelsof granular computing and support vector machine[J].ArtificialIntelligenceReview，2015，43（4）：565-577.

[29]Song J.Bias corrections for random forest in regression usingresidual rotation[J].Journal of the Korean Statistical Society，2015，44（2） ：321-326.

[30]HuangJC，TsaiYC，WuPY，etal.Predictivemodelingofbloodpressure during hemodialysis：a comparison of linear model，randomforest，support vector regression， XGBoost，LASSO regression andensemble method[J].Computer Methods and ProgramsinBiomedicine，2020，195：105536.

[31]YanJ，HuangJH，He M，etal.Prediction of retention indices forfrequentlyreported compounds ofplant essential oilsusingmultiplelinear regression，partial least squares，and support vector machine[J].Journal of Separation Science，2013，36（15）：2464-2471.

[32]Meng Y，Song C，ElGamal R，et al.Relationship between heat/masstransfer and color change during drying process[J]. Journal of FoodMeasurement and Characterization，2022，16（5）：4151-4160.

[33]王超，賈健，胡戰軍，等.基于烘烤過程中煙葉顏色值變化的 K326 烘烤工藝[J]．湖北農業科學，2014，53（4）：830－833.

[34]劉偉，過偉民，徐磊，等．烘烤過程煙葉物理狀態與主要化學成分的協同變化[J]．河南農業科學，2021，50（11）：172-180.

[35]趙晨，王愛霞，范寧波，等.基于CIE-Lab 的雪茄煙葉晾制過程水分與顏色相關性研究［J]．湖南文理學院學報（自然科學版），2022，34（2）：60-66.

[36]賀國強，黃宗偉，張立錕，等.不同施肥處理下烤后煙葉化學成分特點與綜合評價[J]：浙江農業科學，2023，64（1）：225-229.

[37]沈林峰，沈掌泉．應用近紅外光譜和偏最小二乘回歸法預測玉米中淀粉含量[J].化學分析計量，2008，17（6）：26-28.

[38]王奕森，夏樹濤．集成學習之隨機森林算法綜述[J]．信息通信技術，2018，12（1）：49-55.