計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)在煙葉生產(chǎn)上的研究進(jìn)展

摘要：計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)在眾多場(chǎng)景（如物體識(shí)別，圖像分類）取得了顯著進(jìn)展，近年來這項(xiàng)技術(shù)在煙葉生產(chǎn)中展現(xiàn)出廣泛的應(yīng)用空間與發(fā)展?jié)摿Α＞C述了計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)在煙葉生產(chǎn)上的應(yīng)用現(xiàn)狀，重點(diǎn)討論了其在解決煙葉病害識(shí)別、煙葉采收調(diào)制、煙葉分級(jí)等問題方面的方法。通過分析不同的算法及其在煙葉生產(chǎn)關(guān)鍵階段的運(yùn)用，并考慮這項(xiàng)技術(shù)在煙葉生產(chǎn)領(lǐng)域所面臨的挑戰(zhàn)與發(fā)展方向，為智能化煙葉生產(chǎn)提供理論支持和參考。

關(guān)鍵詞：計(jì)算機(jī)視覺；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；煙草；應(yīng)用

doi：10.13304/j.nykjdb.2023.0379

中圖分類號(hào)：TP181；S572

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1008?0864（2025）01?0096?11

計(jì)算機(jī)視覺技術(shù)是一種模仿人類視覺感知的技術(shù)，通過處理一幅或多幅圖像來描述景物，以達(dá)到與人類視覺感知類似的技術(shù)，是人工智能的重要組成部分。該領(lǐng)域最早的研究可以追溯到1962年，科學(xué)家研究了貓的視覺感知系統(tǒng)：簡(jiǎn)單視覺神經(jīng)元會(huì)在自身感受野內(nèi)對(duì)圖像邊緣模式的刺激做出響應(yīng)，而復(fù)雜視覺神經(jīng)元?jiǎng)t會(huì)選擇性地響應(yīng)復(fù)雜刺激模式的特征，這一發(fā)現(xiàn)為計(jì)算機(jī)視覺與深度學(xué)習(xí)的突破性發(fā)展奠定了基礎(chǔ)[1]。

計(jì)算機(jī)視覺技術(shù)通常涉及對(duì)圖像的評(píng)估，主要包括圖像分類、目標(biāo)檢測(cè)、語義分割等子任務(wù)[2]。伴隨著深度學(xué)習(xí)的興起，計(jì)算機(jī)視覺領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）技術(shù)被廣泛應(yīng)用于諸如車輛檢測(cè)[3]、行為檢測(cè)[4]、醫(yī)學(xué)影像分割[5]等方面。在傳統(tǒng)農(nóng)業(yè)方面，關(guān)于計(jì)算機(jī)視覺技術(shù)的應(yīng)用也得到廣泛應(yīng)用。劉衛(wèi)國(guó)等[6]對(duì)各個(gè)生育期的大豆植株圖像進(jìn)行語義分割和特征向量提取，并基于多層感知機(jī)（multilayerperception，MLP）構(gòu)建全生育期的大豆生物量預(yù)測(cè)模型，提高了大田管理及產(chǎn)量智能監(jiān)測(cè)能力。涂智瀟[7]基于卷積神經(jīng)網(wǎng)絡(luò)與特征融合的方法構(gòu)建農(nóng)作物病害的自動(dòng)識(shí)別系統(tǒng)，提高了農(nóng)作物病害預(yù)報(bào)的時(shí)效性與準(zhǔn)確性。在煙葉生產(chǎn)領(lǐng)域，計(jì)算機(jī)視覺技術(shù)在煙草農(nóng)業(yè)生產(chǎn)中的應(yīng)用得到廣泛研究[8]，極大程度上提高了煙葉的生產(chǎn)效率。

煙草是一種重要的經(jīng)濟(jì)作物，其生產(chǎn)過程包括種植、采收、調(diào)制、分級(jí)等環(huán)節(jié)，在這些環(huán)節(jié)中，很多工作依賴于人工，耗費(fèi)大量人力物力。計(jì)算機(jī)視覺技術(shù)作為一種自動(dòng)化和智能化的手段，已在許多領(lǐng)域取得顯著成果。近年來，煙草行業(yè)開始嘗試將這些技術(shù)應(yīng)用于煙葉生產(chǎn)，以提高煙葉的產(chǎn)量、質(zhì)量與智能化水平。本文綜述了計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)在煙葉生產(chǎn)領(lǐng)域的應(yīng)用現(xiàn)狀，探討其在煙草病害識(shí)別、成熟采收、煙葉調(diào)制和煙葉分級(jí)的研究現(xiàn)狀，并對(duì)其應(yīng)用和研究前景進(jìn)行展望，旨在提高煙草生產(chǎn)效率、降低企業(yè)成本，為實(shí)現(xiàn)煙葉生產(chǎn)的智能化、數(shù)字化提供參考。

1 在煙草病害識(shí)別中的應(yīng)用

在煙草大田生長(zhǎng)階段，由于氣候、土壤、降水量等因素隨時(shí)間與空間的變化，極易受到各種病害的影響。煙草行業(yè)2010年發(fā)布實(shí)施《煙草病蟲害測(cè)報(bào)調(diào)查技術(shù)規(guī)程》等11 項(xiàng)煙草行業(yè)系列標(biāo)準(zhǔn)，包括了病毒病、赤星病、黑脛病、青枯病、白粉病、根結(jié)線蟲病和角斑病7項(xiàng)病害測(cè)報(bào)調(diào)查技術(shù)規(guī)程[9]。精準(zhǔn)檢測(cè)是煙草病害及時(shí)防治的前提，傳統(tǒng)檢測(cè)方式都依賴人工完成，存在耗時(shí)耗力、易于疲勞等局限性，基于機(jī)器視覺的算法可提高煙草病害檢測(cè)的準(zhǔn)確性，并且快速簡(jiǎn)便。

1.1 病害圖像矯正

煙草病害智能識(shí)別的過程是將采集的圖像輸入計(jì)算機(jī)，通過構(gòu)建算法模型對(duì)煙株葉片所發(fā)生病害進(jìn)行精準(zhǔn)識(shí)別。然而，在煙草病害圖像采集過程中，即便是同一種病害也會(huì)由于光照的不均勻而影響圖像信息，因此，田間采集到的煙葉病害圖像在處理前需要先進(jìn)行矯正。

在消除光照對(duì)圖像影響的過程中，可以采用不同的圖像增強(qiáng)技術(shù)，如基于視網(wǎng)膜大腦皮層理論（Retinex）的光照補(bǔ)償算法[包括單尺度Retinex（single scale retinex，SSR）、多尺度Retinex（multiscaleretinex，MSR）與顏色恢復(fù)（multi-scale retinexwith color restoration，MSRCR）3種]、直方圖均衡化法、色調(diào)映射算法、Gamma矯正法等。Retinex算法融合了色彩恒常性理論，使增強(qiáng)后的圖像更符合人眼視覺感知，然而也會(huì)造成圖像失真和細(xì)節(jié)丟失的情況。Gamma矯正可以在最大程度地保留圖像信息的同時(shí)消除亮度不均對(duì)圖像造成的影響，但該算法遷移性較差，在不同的田間環(huán)境往往會(huì)導(dǎo)致采集到的煙葉圖像色彩失真[10]。張文靜等[11]提出了一種加權(quán)平均的圖像融合算法，采用MSRCR和Gamma矯正算法分別對(duì)田間采集到的煙葉病害圖像進(jìn)行處理后，對(duì)2個(gè)圖像數(shù)據(jù)集進(jìn)行加權(quán)融合，以消除由于田間光照不均對(duì)煙葉病害圖像所造成的影響，并構(gòu)建了基于InceptionV3網(wǎng)絡(luò)結(jié)構(gòu)的煙草病害分類模型。與原始圖像相比，經(jīng)過融合算法處理后的圖像具有更小的明暗差異，并在一定程度上壓縮了圖像顏色的動(dòng)態(tài)范圍，通過這種算法模型的預(yù)測(cè)準(zhǔn)確率提高20%。

1.2 病斑區(qū)域提取

在接收經(jīng)過預(yù)處理操作后的煙葉病害圖像時(shí)，計(jì)算機(jī)會(huì)根據(jù)圖像的像素點(diǎn)提取特征信息，而煙草病斑區(qū)域的顏色特征、形態(tài)特征、紋理特征表現(xiàn)出更獨(dú)特的模式。其中，顏色特征在圖像中最直觀，且較易提取、旋轉(zhuǎn)不變性、有很強(qiáng)的魯棒性。常見的顏色特征提取方法有顏色直方圖、顏色空間、顏色矩等。在大田中采集到的煙葉病害圖像病斑部分的顏色與葉片其余部分的顏色差異較大，可以被用于病斑圖像的分割。喻勇等[12]通過對(duì)比HSV（hue saturation value）色彩空間下不同分量的成分差異，選用色相分量（H）對(duì)煙草赤星病與野火病斑進(jìn)行分割，將同一類病斑的連通區(qū)域作為1個(gè)整體來處理，采用基于標(biāo)準(zhǔn)特征庫的模糊模式識(shí)別算法對(duì)2種病斑類型進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率達(dá)到95%。由于采集環(huán)境的差異，常常會(huì)出現(xiàn)煙葉病斑區(qū)域圖像邊緣模糊、顏色不均等問題，僅依靠單一顏色通道的單一閾值很難使病斑區(qū)域精準(zhǔn)分割，因此綜合使用形態(tài)學(xué)運(yùn)算與顏色特征、紋理特征結(jié)合的方法可以有效避免背景復(fù)雜，顏色不均等問題，提高分割質(zhì)量[13]。紋理特征是指圖像上某些像素區(qū)域的重復(fù)出現(xiàn)，是一種人工構(gòu)造的特征。常用的紋理特征有局部二值模式（local binary pattern，LBP）、灰度共生矩陣（graylevelco-occurrence matrix，GLCM）和小波變換[14]。劉建新等[15]利用形態(tài)學(xué)和小波變換的最大類間方差算法對(duì)煙葉圖像病斑區(qū)域進(jìn)行分割，分割準(zhǔn)確率達(dá)到98.56%。

1.3 病害識(shí)別模型

目前，基于機(jī)器視覺的植物病害識(shí)別方式有2種：一種是基于傳統(tǒng)圖像特征提取的機(jī)器學(xué)習(xí)模型，另一種是基于高維特征提取的深度學(xué)習(xí)模型。傳統(tǒng)圖像特征提取算法依賴于手動(dòng)選擇和設(shè)計(jì)可觀察到的特征，如顏色、輪廓和紋理等，并結(jié)合機(jī)器學(xué)習(xí)模型對(duì)病害進(jìn)行分類，這種算法對(duì)于計(jì)算機(jī)算力要求較低，但其泛化能力受限于特征的選擇。相比之下，深度學(xué)習(xí)模型能夠自動(dòng)學(xué)習(xí)圖像的高維特征信息，具有更強(qiáng)的魯棒性，但其龐大的參數(shù)量不僅耗費(fèi)計(jì)算成本，還進(jìn)一步降低了模型的可解釋性。針對(duì)這一問題，國(guó)內(nèi)外學(xué)者提出了一些輕量級(jí)高精度網(wǎng)絡(luò)模型，包括Resnet（residual networks）、InceptionV3、YOLO（you onlylook once）系列網(wǎng)絡(luò)等模型[16]，這些模型在保持較高精度的同時(shí)減少參數(shù)量，以滿足更復(fù)雜的任務(wù)與更大規(guī)模的數(shù)據(jù)集。

1.3.1 機(jī)器學(xué)習(xí)模型

機(jī)器學(xué)習(xí)由Rosenblatt于1957年首次提出，旨在研究如何使計(jì)算機(jī)模擬人類學(xué)習(xí)行為，以獲取新知識(shí)和技能，從而更高效地處理類似問題[17]。根據(jù)數(shù)據(jù)類型的不同，機(jī)器學(xué)習(xí)可分為回歸模型與分類模型。煙草病害識(shí)別屬于分類問題，機(jī)器學(xué)習(xí)模型主要集中于反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（support vector machine，SVM）、K 均值聚類算法（K-means clustering algorithm，K-means）等方法。滕娟[18]利用K-means算法對(duì)煙葉病斑區(qū)域進(jìn)行圖像分割，將所提取到的特征參數(shù)輸入基于二叉樹的SVM 模型進(jìn)行分類預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確率比普通SVM模型高出6%。張紅濤等[19]提取葉片病斑部分圖像的顏色與紋理特征，利用基于螢火蟲算法優(yōu)化的SVM模型識(shí)別葉片赤星病與蛙眼病，整體準(zhǔn)確率達(dá)到96%。張艷令[20]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，對(duì)8種煙草病害進(jìn)行識(shí)別，構(gòu)建了煙草病害識(shí)別系統(tǒng)，平均準(zhǔn)確率達(dá)到92.5%。

1.3.2 深度學(xué)習(xí)模型

隨著深度學(xué)習(xí)領(lǐng)域研究的不斷深入，CNN因其強(qiáng)大的泛化能力和快速的收斂速度，在植物病害識(shí)別領(lǐng)域得到廣泛研究[21]。李敬[22]利用CNN模型結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建了煙草病毒病、炭疽病等9種病害的分類預(yù)測(cè)模型，準(zhǔn)確率達(dá)到96.7%，高于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）的分類結(jié)果。劉延鑫等[23]構(gòu)建了基于YOLOv3的煙草病害檢測(cè)模型對(duì)煙草病害進(jìn)行分類，該算法由特征提取網(wǎng)絡(luò)與多尺度檢測(cè)網(wǎng)絡(luò)組成，可以對(duì)感興趣的區(qū)域生成邊界預(yù)測(cè)框[24]，實(shí)現(xiàn)對(duì)煙草病害的精準(zhǔn)檢測(cè)。

2 在煙葉成熟采收與調(diào)制中的應(yīng)用

煙葉成熟采收是大田生長(zhǎng)中的重要環(huán)節(jié)，對(duì)煙葉外觀成熟度特征的準(zhǔn)確判斷一直是個(gè)難題。煙草調(diào)制是煙葉在人為提供的特定溫濕度條件下處理最終達(dá)到適宜的品質(zhì)的過程，是煙葉逐漸脫水干燥的物理過程與煙葉內(nèi)部生理生化變化過程的統(tǒng)一[25]，是煙葉加工中的重要環(huán)節(jié)，烘烤質(zhì)量取決于煙葉調(diào)制過程的溫度和濕度控制[26]。目前，煙葉調(diào)制主要依靠技術(shù)人員通過干濕球溫度計(jì)來檢測(cè)烤房，進(jìn)而判斷煙葉調(diào)制進(jìn)展?fàn)顟B(tài)，這對(duì)于技術(shù)人員要求極高，不僅要長(zhǎng)時(shí)間值守，還要具備足夠的調(diào)制經(jīng)驗(yàn)。如何利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)煙草調(diào)制過程簡(jiǎn)便高效、提質(zhì)降本與智能化烘烤，是煙葉烘烤研究的重要方向之一。

2.1 在煙葉成熟采收中的應(yīng)用

2.1.1 不同著生部位煙葉的識(shí)別

不同品質(zhì)的煙葉表現(xiàn)出的成熟特征不同，進(jìn)而對(duì)調(diào)制過程的控制和最終煙葉質(zhì)量有重要影響。由于煙葉的葉齡、葉位與著生環(huán)境的不同，外觀特性與內(nèi)含物積累也存在差異[27]，因此針對(duì)不同葉齡、葉位的煙葉，適宜的采收成熟度也應(yīng)相應(yīng)調(diào)整[28?29]。在實(shí)際煙葉生產(chǎn)中，由于品種、栽培措施、生長(zhǎng)期氣候條件等因素影響，會(huì)產(chǎn)生一些部位特征變異的特殊煙葉，對(duì)于這類煙葉的判別大都依賴于采收人員的經(jīng)驗(yàn)判斷，無法量化[30]，通過計(jì)算機(jī)視覺技術(shù)對(duì)不同部位煙葉進(jìn)行客觀、準(zhǔn)確的判別，對(duì)烘烤質(zhì)量的保障有重要意義。趙晨等[31]以5個(gè)部位煙葉的輪廓特征，分別基于KNN（K-nearest neighbor）分類器、高斯核函數(shù)（radial basis function，rbf）的支持向量機(jī)（SVM-rbf）、最小二乘的支持向量機(jī)（SVM-liner）、BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了煙葉部位的識(shí)別模型，結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)在測(cè)試集上表現(xiàn)最好，識(shí)別準(zhǔn)確率達(dá)到93.75%，表明機(jī)器學(xué)習(xí)模型可以實(shí)現(xiàn)對(duì)煙葉著生部位的精準(zhǔn)判別。

2.1.2 不同成熟度煙葉的識(shí)別

煙葉在成熟過程中所表現(xiàn)出的有規(guī)律的外觀顏色變化作為一種重要的表觀特征，與煙葉成熟度有密切關(guān)系[32]。葉綠素含量是影響待采收煙葉顏色的關(guān)鍵因素，可以通過SPAD值進(jìn)行間接測(cè)量。汪強(qiáng)等[33]通過提取不同成熟度煙葉圖像的HSV值，利用線性回歸分析建立不同成熟度煙葉顏色參數(shù)與SPAD的函數(shù)關(guān)系，從而構(gòu)建煙葉顏色特征值與成熟度之間的關(guān)系模型TMDHSV，模型驗(yàn)證的決定系數(shù)達(dá)到0.926 2，為煙葉的成熟采收提供了決策依據(jù)。謝濱瑤等[34]提出了一種基于顏色空間的田間煙葉圖像分割算法，提取分割后煙葉圖像的顏色與紋理特征，建立了基于BP神經(jīng)網(wǎng)絡(luò)的煙葉成熟度識(shí)別模型與基于支持向量機(jī)的煙葉成熟度識(shí)別模型，能滿足對(duì)煙葉成熟度快速且準(zhǔn)確的判別。沈平等[35]在煙葉顏色參數(shù)的基礎(chǔ)上，以RGB（red greenyellow）圖像及灰度圖像的正態(tài)參數(shù)、偏態(tài)參數(shù)和復(fù)合參數(shù)為自變量，基于多元逐步回歸與BP神經(jīng)網(wǎng)絡(luò)構(gòu)建葉色參數(shù)-鮮煙葉成熟度回歸模型，結(jié)果顯示，在采用BP神經(jīng)網(wǎng)絡(luò)的建模方式下，采用偏態(tài)參數(shù)可提高模型對(duì)鮮煙葉成熟度判定的總體準(zhǔn)確度，且在跨年度的煙葉成熟度判定上準(zhǔn)確率達(dá)到66.67%，說明葉色偏態(tài)參數(shù)可以更準(zhǔn)確地描述煙葉狀態(tài)，基于此構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型可以在保持本年度煙葉成熟度判別準(zhǔn)確率的同時(shí)，兼顧跨年度煙葉成熟度的準(zhǔn)確判斷。

汪睿琪等[36]利用手機(jī)攝像頭采集晴天和雨天、向陽和逆光環(huán)境下不同成熟度的田間煙葉圖像1 400幅，以還原真實(shí)大田采摘環(huán)境條件，基于輕量級(jí)YOLOv5網(wǎng)絡(luò)構(gòu)建5個(gè)成熟度的判別模型，并開發(fā)了基于Android端的煙草成熟度智能識(shí)別應(yīng)用程序，實(shí)現(xiàn)在大田環(huán)境下響應(yīng)式的鮮煙葉成熟度等級(jí)判斷。

2.2 在煙葉調(diào)制中的應(yīng)用

2.2.1 煙葉含水率的檢測(cè)

煙葉調(diào)制過程是煙葉自身與外界環(huán)境進(jìn)行熱質(zhì)交換的過程，與此同時(shí)，煙葉外觀特征會(huì)隨著含水率的降低而發(fā)生變化[25，37]。煙葉水分散失的過程也伴隨著碳水化合物及蛋白質(zhì)的轉(zhuǎn)化[38]、酶活性變化[39]、色素類物質(zhì)的降解[40]等一系列生理生化反應(yīng)，其中色素含量的降低導(dǎo)致煙葉顏色的變化尤為直觀[41]。段史江[42]針對(duì)不同烘烤階段煙葉圖像特征的研究發(fā)現(xiàn)，在定色期之前，煙葉逐漸由綠轉(zhuǎn)黃，煙葉圖像的紅分量與綠分量逐漸增大，而定色后期與干筋期，葉片失水皺縮，黃色變暗，圖像各通道顏色分量降低，變黃期結(jié)束和烤后的煙葉圖像顏色均勻，此時(shí)紋理能量與紋理相關(guān)性達(dá)到最大，根據(jù)煙葉圖像信息構(gòu)建含水率預(yù)測(cè)模型，準(zhǔn)確率達(dá)到99.8%。杜海娜等[43]使用耐高溫相機(jī)對(duì)密集烘烤過程中整桿煙葉圖像進(jìn)行采集，通過聚類相關(guān)性提取的方式優(yōu)選出4類顏色與紋理特征，以網(wǎng)格式支持向量機(jī)（grid search-support vector machine，GS-SVM）、基于遺傳算法的BP 神經(jīng)網(wǎng)絡(luò)（geneticalgorithm-back propagation，GA-BP）、極限學(xué)習(xí)機(jī)（extreme learning machines，ELM）構(gòu)建3個(gè)煙葉烘烤過程中的失水率預(yù)測(cè)模型，預(yù)測(cè)精度均在0.99以上，該研究實(shí)現(xiàn)了密集烘烤過程中煙葉失水率的實(shí)時(shí)無損檢測(cè)，為烘烤工藝參數(shù)的智能調(diào)控提供了參考。

2.2.2 烘烤階段的識(shí)別

煙葉烘烤整體分為3個(gè)階段，分別是變黃階段、定色階段和干筋階段。在此基礎(chǔ)上又形成了與之相對(duì)應(yīng)的五段式、七段式烘烤工藝[44]。煙葉變黃干燥過程主要依靠技術(shù)人員感官判斷，存在一定主觀性與盲目性，因此，利用計(jì)算機(jī)視覺技術(shù)對(duì)煙葉顏色與形態(tài)的變化進(jìn)行識(shí)別[45]，實(shí)現(xiàn)調(diào)制過程的智能化成為當(dāng)下研究的重點(diǎn)。李增盛等[46]利用耐高溫?cái)z像頭對(duì)烘烤過程中整夾煙葉圖像進(jìn)行實(shí)時(shí)采集，利用特征聚類的方式優(yōu)選出與烘烤階段相關(guān)性最高的2個(gè)顏色特征（R/G、l*）、2個(gè)紋理特征（灰度平均、慣性），構(gòu)建了ELM、基于遺傳算法的支持向量機(jī)（GA-SVM）、基于粒子群算法的BP 神經(jīng)網(wǎng)絡(luò)（partricle swarm optimization-back propagation，PSO-BP）3種分類模型來對(duì)煙葉烘烤階段進(jìn)行判別，結(jié)果顯示，GASVM對(duì)烘烤階段識(shí)別效果優(yōu)于另外2種模型。相較于另外2種模型，SVM在處理高維空間和復(fù)雜數(shù)據(jù)時(shí)表現(xiàn)出更好的性能，雖然神經(jīng)網(wǎng)絡(luò)依賴于非線性函數(shù)生成的超平面對(duì)樣本進(jìn)行分類，但在相鄰烘烤階段顏色和紋理特征空間分布較接近時(shí)，SVM可以將原本線性不可分樣本轉(zhuǎn)化為高維空間中的線性可分樣本，從而簡(jiǎn)化最優(yōu)分類超平面的構(gòu)建。

傳統(tǒng)計(jì)算機(jī)視覺技術(shù)以“特征工程+分類器”的模式應(yīng)用于煙葉烘烤，然而這種方法存在一定的局限性，如特征構(gòu)建的復(fù)雜性和分類器泛化能力的不足。由于CNN具有自動(dòng)學(xué)習(xí)特征的能力和更強(qiáng)的泛化性能，在煙葉調(diào)制中的應(yīng)用得到廣泛研究[47]。楊海清等[48]基于模型融合算法構(gòu)建了用于5個(gè)煙草烘烤階段判別的壓縮激勵(lì)殘差網(wǎng)絡(luò)模型，結(jié)果顯示，模型融合之后能夠在增加極少參數(shù)的情況下增加網(wǎng)絡(luò)的非線性，提高網(wǎng)絡(luò)的泛化能力并降低過擬合風(fēng)險(xiǎn)，對(duì)于不同烘烤階段的識(shí)別精度達(dá)到97.2%以上。相較于人工檢測(cè)，通過計(jì)算機(jī)對(duì)煙葉烘烤過程進(jìn)行監(jiān)控，可以提高煙葉烘烤質(zhì)量與效率。

3 在煙葉分級(jí)方面的應(yīng)用

煙葉質(zhì)量的優(yōu)劣直接決定了卷煙產(chǎn)品的品質(zhì)以及配方的穩(wěn)定性，不同等級(jí)的煙葉在葉組配方中發(fā)揮著重要作用，我國(guó)現(xiàn)行標(biāo)準(zhǔn)中，根據(jù)煙葉素質(zhì)的不同將煙葉劃分為42個(gè)等級(jí)，分級(jí)專家通過視覺、嗅覺、觸覺對(duì)煙葉的外在特征和內(nèi)在品質(zhì)進(jìn)行評(píng)價(jià)[49]。傳統(tǒng)的煙葉分級(jí)方法依賴于分級(jí)人員的主觀判斷，這種方式不僅耗費(fèi)人工，且較多依賴分級(jí)人員的主觀經(jīng)驗(yàn)[50]，而通過圖像識(shí)別的方法對(duì)煙葉進(jìn)行自動(dòng)分級(jí)具有高效、節(jié)省人工等特點(diǎn)，是煙葉分級(jí)方面重要的研究方向。

3.1 圖像采集

煙葉圖像采集的質(zhì)量直接影響煙葉的分級(jí)效果。基于計(jì)算機(jī)視覺的煙葉分級(jí)系統(tǒng)由輸送模塊、圖像采集與分析模塊、在線稱重模塊組成[51]。在圖像采集過程中，光照的作用是突出圖像前景部分特征，抑制背景部分特征。低光照?qǐng)D像有低對(duì)比度、色偏、噪聲等嚴(yán)重的質(zhì)量問題[52]；高光照條件下，圖像對(duì)比度通常較高，且前景區(qū)域受到抑制。秦芝乾[53] 基于結(jié)構(gòu)相似度（structuralsimilarity，SSIM）算法的研究表明，光照過暗或過亮都會(huì)影響煙葉的分級(jí)精度，2 800～3 000 lx光照強(qiáng)度下煙葉圖像的平均結(jié)構(gòu)相似度（meanstructural similarity，MSSIM）最小，可作為煙葉圖像采集的最佳光照強(qiáng)度。

與一般農(nóng)產(chǎn)品不同，分級(jí)過程中由于人為或機(jī)械造成的損傷也會(huì)影響分級(jí)質(zhì)量。因此，對(duì)煙葉進(jìn)行無損檢測(cè)分級(jí)的研究尤為重要。劉新宇等[54]針對(duì)機(jī)械手抓取煙葉時(shí)會(huì)造成煙葉破損的問題，提出了一種基于改進(jìn)YOLOv3的網(wǎng)絡(luò)模型，通過對(duì)煙梗圖像上所有信息的定位識(shí)別，實(shí)現(xiàn)了分級(jí)過程中對(duì)煙梗的智能定位抓取，減少了煙葉分級(jí)試驗(yàn)臺(tái)設(shè)備配置要求，為煙葉分級(jí)系統(tǒng)提供更準(zhǔn)確的位置信息。

3.2 基于傳統(tǒng)算法的分級(jí)模型

圖像經(jīng)過采集之后，需要進(jìn)行特征提取，煙葉圖像特征分為自然特征與人工特征，自然特征是直觀可見的特征，如顏色、輪廓等，人工特征是需要對(duì)圖像進(jìn)行一定構(gòu)造后所得到的特征，包括紋理特征、幾何特征等[55]。何艷等[56]利用區(qū)域生長(zhǎng)算法對(duì)不同部位待分級(jí)的煙葉圖像進(jìn)行分割，并針對(duì)提取分割后煙葉圖像的顏色與形態(tài)特征進(jìn)行研究。莊珍珍等[57]提取煙葉圖像幾何與紋理特征，利用模糊綜合評(píng)判的方法開發(fā)了煙葉分組軟件。Harjoko等[58]基于圖像閾值分割、形態(tài)學(xué)運(yùn)算、葉球檢測(cè)等技術(shù)，提出了一種基于圖像處理技術(shù)對(duì)煙葉顏色和質(zhì)量進(jìn)行分級(jí)的方法，分類準(zhǔn)確率達(dá)到91.67%。郭強(qiáng)[59]利用改進(jìn)后的矢量中值濾波對(duì)煙葉圖像進(jìn)行平滑處理，基于圖像特征和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建煙葉分級(jí)模型具有良好的分類準(zhǔn)確性。楊述斌等[60]提取5個(gè)不同等級(jí)的煙葉圖像特征，基于主成分分析法（principal component analysis，PCA）、麻雀搜索算法（sparrow search algorithm，SSA）、BP神經(jīng)網(wǎng)絡(luò)算法對(duì)提取到的圖像特征進(jìn)行建模預(yù)測(cè)，平均識(shí)別率達(dá)到96.5%。

3.3 基于深度學(xué)習(xí)的煙葉分級(jí)模型

對(duì)煙葉的質(zhì)量評(píng)價(jià)包括煙葉的外部特征與內(nèi)部特征。外部特征如顏色、大小等可以直接被感知和提取，而內(nèi)部特征如化學(xué)成分、油分、組織結(jié)構(gòu)和吸食品質(zhì)等需要專業(yè)人員利用觸覺、味覺與測(cè)試分析進(jìn)行評(píng)價(jià)。研究表明，煙葉的內(nèi)部特征與外部特征密切相關(guān)[61-63]。利用深度學(xué)習(xí)算法提取外部特征，并與內(nèi)部特征相結(jié)合從而對(duì)煙葉分級(jí)，以達(dá)到更高的識(shí)別精度。陳文兵等[64]使用改進(jìn)的空間?通道注意力機(jī)制和殘差結(jié)構(gòu)來搭建多流注意力殘差網(wǎng)絡(luò)，對(duì)煙葉成熟度、組織結(jié)構(gòu)、油分等內(nèi)部特征進(jìn)行量化，并與傳統(tǒng)方法提取煙葉的外部特征相結(jié)合，并用KNN、隨機(jī)森林（randomforest，RF）、SVM等機(jī)器學(xué)習(xí)分類器對(duì)不同等級(jí)煙葉進(jìn)行圖像分類，結(jié)果顯示，內(nèi)外特征結(jié)合之后高于單一特征的方法。由于CNN具有較強(qiáng)的高維信息提取能力，可以直接作為煙葉的自動(dòng)分級(jí)模型，且相較于傳統(tǒng)機(jī)器學(xué)習(xí)模型有更高的精度[65]。焦方圓等[66]提出了一種基于VGG16網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)模型，以空洞卷積代替?zhèn)鹘y(tǒng)卷積，在增加感受野的同時(shí)避免了圖像特征損失，并將激活函數(shù)替換為L(zhǎng)eaky-ReLu，解決了ReLu激活函數(shù)硬飽和的問題，相較于傳統(tǒng)VGG16模型，改進(jìn)后的模型分類準(zhǔn)確率提高7.87%。陳人杰[67]利用遷移學(xué)習(xí)的方法，對(duì)Efficient Net V2-S網(wǎng)絡(luò)模型優(yōu)化，將計(jì)算機(jī)視覺傳統(tǒng)方法提取到的特征與深度學(xué)習(xí)模型融合，構(gòu)建42個(gè)等級(jí)煙葉的分級(jí)模型，分類精度達(dá)到90%以上。魯夢(mèng)瑤等[68]基于多尺度特征融合的方法構(gòu)建了煙葉分級(jí)模型，考慮到圖像采集設(shè)備對(duì)煙葉正面與背面圖像采集的隨機(jī)性，首先采用經(jīng)典CNN模型對(duì)煙葉正面與背面進(jìn)行分類，接著以經(jīng)典CNN 模型為骨干網(wǎng)絡(luò)，采用注意力機(jī)制（squeeze-and-excitation，SE）模塊，結(jié)合ResNet-50進(jìn)行煙葉分級(jí)模型的構(gòu)建，分類準(zhǔn)確率達(dá)到75.45%，最后引入特征金字塔（feature pyramidnetwork，F(xiàn)PN）模塊與不同層級(jí)輸出的特征圖融合，以提升圖像特征表達(dá)能力，結(jié)果表明，這種算法由于其在獲得高維信息的同時(shí)也保留了底層的信息特征，使模型的分類正確率比經(jīng)典CNN高出5.21%。

4 相關(guān)數(shù)據(jù)來源

煙葉的生產(chǎn)涵蓋了栽培、調(diào)制、分級(jí)等眾多環(huán)節(jié)，每個(gè)環(huán)節(jié)所需解決的問題也大相徑庭。現(xiàn)有研究中的圖像數(shù)據(jù)集大都依靠研究人員親自采集與標(biāo)注。這一過程不僅耗時(shí)耗力，且難以獲得大量圖像數(shù)據(jù)以供模型訓(xùn)練。

4.1 遷移學(xué)習(xí)

在許多具有特殊數(shù)據(jù)需求的研究領(lǐng)域中，常常面臨沒有公眾可及的數(shù)據(jù)集的情況，而遷移學(xué)習(xí)是解決這一問題的有效策略，其主要思想是將在某一領(lǐng)域（源領(lǐng)域）學(xué)習(xí)到的知識(shí)用于解決另一領(lǐng)域（目標(biāo)領(lǐng)域）的任務(wù)[69]。在計(jì)算機(jī)視覺與深度學(xué)習(xí)領(lǐng)域，針對(duì)某些特定任務(wù)而缺少足夠多的標(biāo)注數(shù)據(jù)進(jìn)行模型訓(xùn)練時(shí)，往往會(huì)采用遷移學(xué)習(xí)這一策略，將在大規(guī)模數(shù)據(jù)集上訓(xùn)練的模型作為預(yù)訓(xùn)練模型，根據(jù)目標(biāo)任務(wù)對(duì)預(yù)訓(xùn)練模型進(jìn)行微調(diào)，以達(dá)到預(yù)期效果。

4.2 相關(guān)數(shù)據(jù)集

盡管在煙葉生產(chǎn)領(lǐng)域并沒有公開數(shù)據(jù)集可供使用，但研究人員可以借助與煙葉特征相似度較高的植物葉片數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)，以減小由于圖像數(shù)據(jù)較少而造成的模型準(zhǔn)確率較低的問題。

4.2.1 Leafsnap 數(shù)據(jù)集

Leafsnap 數(shù)據(jù)集是由美國(guó)幾所研究機(jī)構(gòu)聯(lián)合創(chuàng)建，用于特定植物識(shí)別的公開數(shù)據(jù)集[70]。這份數(shù)據(jù)集包含2個(gè)子集：實(shí)驗(yàn)室條件下所采集的高光壓葉圖像（Lab子集）與野外環(huán)境下使用移動(dòng)設(shè)備所采集的含有陰影、噪聲、復(fù)雜背景的植物葉片圖像（Field子集）。2個(gè)子集中均包含185種植物葉片的種類、形態(tài)特征、生長(zhǎng)習(xí)性等信息。

4.2.2 Flavia 數(shù)據(jù)集

Flavia 數(shù)據(jù)集是由武漢大學(xué)生物信息學(xué)研究中心所發(fā)布的植物葉片數(shù)據(jù)集[71]。這份數(shù)據(jù)集共包含1 907幅葉片圖像，分為32個(gè)類別。所有圖像均為實(shí)驗(yàn)室固定背景下，由掃描儀或相機(jī)采集，所有圖像均去除了葉柄，只包含葉片部分。

4.2.3 PlantVillage數(shù)據(jù)集

PlantVillage數(shù)據(jù)集是由賓夕法尼亞州大學(xué)所創(chuàng)建的作物病害數(shù)據(jù)集[72]。這份數(shù)據(jù)集包含了5.4萬幅健康或感病的作物圖像，每幅圖像都包含作物類型及病狀、拍攝環(huán)境條件等信息，可以應(yīng)用于多種植物的病害研究。

5 現(xiàn)存問題與展望

5.1 現(xiàn)存問題

相較于其他作物，煙草及其制品的生產(chǎn)有著更復(fù)雜的工藝。伴隨深度學(xué)習(xí)研究的深入，煙草行業(yè)開始嘗試將計(jì)算機(jī)視覺技術(shù)應(yīng)用于煙草的數(shù)字化、智能化生產(chǎn)，實(shí)現(xiàn)煙葉的智能化種植、采收、質(zhì)量評(píng)價(jià)、加工，進(jìn)而推動(dòng)煙草工商業(yè)的高質(zhì)量發(fā)展。但同時(shí)這項(xiàng)技術(shù)在煙葉生產(chǎn)應(yīng)用過程中仍存在以下問題。

5.1.1 數(shù)據(jù)集的數(shù)量與質(zhì)量較低

模型經(jīng)過大量高質(zhì)量的有標(biāo)注的數(shù)據(jù)樣本訓(xùn)練后才會(huì)有更好的預(yù)測(cè)能力。在煙葉生產(chǎn)的各個(gè)環(huán)節(jié)中，背景、遮擋、光照等干擾因素較多，導(dǎo)致數(shù)據(jù)集質(zhì)量較低。此外，數(shù)據(jù)標(biāo)注的過程仍依賴于標(biāo)注人員的主觀判斷，這也為模型訓(xùn)練和應(yīng)用帶來了難度。

5.1.2 模型的泛化能力不強(qiáng)

目前，計(jì)算機(jī)視覺在煙葉生產(chǎn)中的研究只局限于構(gòu)建特定品種或特定產(chǎn)地的數(shù)據(jù)集，導(dǎo)致所訓(xùn)練的模型只在特定數(shù)據(jù)集上表現(xiàn)較好，在不同數(shù)據(jù)集上的泛化能力較差，使得在實(shí)際生產(chǎn)環(huán)境中的應(yīng)用受限。

5.1.3 技術(shù)的普及應(yīng)用面臨挑戰(zhàn)

雖然近年來計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)在煙葉生產(chǎn)領(lǐng)域取得了一定的研究成果，但仍面臨著理論與實(shí)踐脫節(jié)的情況，從而在實(shí)際生產(chǎn)中的應(yīng)用依然較少。

5.2 展望

隨著深度學(xué)習(xí)領(lǐng)域研究的不斷深入，更加高效且準(zhǔn)確的算法也不斷被提出，例如Transformer、UNet、長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）等模型。其中，Transformer是一種通過自注意力（self-attention）機(jī)制處理序列數(shù)據(jù)的深度學(xué)習(xí)模型[73]，由于其突破了感受野的限制且能夠捕獲序列中長(zhǎng)距離依賴關(guān)系，在圖像識(shí)別領(lǐng)域的性能優(yōu)于傳統(tǒng)CNN模型。在作物生產(chǎn)領(lǐng)域，現(xiàn)有研究主要集中于作物病害識(shí)別[74]與農(nóng)產(chǎn)品缺陷檢測(cè)[75]；UNet是一種基于有監(jiān)督學(xué)習(xí)算法的語義分割網(wǎng)絡(luò)，具有較小的模型參數(shù)和較高的分割精度，且由于其端到端訓(xùn)練的特點(diǎn)，可以從原圖像直接學(xué)習(xí)到分割后的圖像[76]，在醫(yī)學(xué)影像分割中被廣泛應(yīng)用。目前，國(guó)內(nèi)外基于UNet的研究已在作物病害圖像分割[77?78]與植株生物量監(jiān)測(cè)[6]取得一定成果；LSTM 是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN），在語音識(shí)別、時(shí)間序列預(yù)測(cè)等任務(wù)中被廣泛應(yīng)用[79]。由于其特殊的“門機(jī)制”，可以處理較長(zhǎng)的時(shí)間序列數(shù)據(jù)而避免“遺忘”[80]，在作物產(chǎn)量預(yù)測(cè)[81]、土壤輪作決策[82]上的研究已取得一定成果。

上述算法在農(nóng)業(yè)生產(chǎn)領(lǐng)域中被廣泛研究，以提高農(nóng)業(yè)生產(chǎn)數(shù)字化與智能化水平。而在煙葉生產(chǎn)領(lǐng)域，現(xiàn)有研究的手段與內(nèi)容存在一定局限性。未來的研究應(yīng)注重與前沿算法的結(jié)合和研究?jī)?nèi)容的拓寬，運(yùn)用更具適應(yīng)性的算法以解決煙株?duì)I養(yǎng)供應(yīng)、田間管理決策、煙葉產(chǎn)質(zhì)量預(yù)測(cè)等問題。

計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)在煙葉生產(chǎn)各個(gè)環(huán)節(jié)都有廣泛的發(fā)展?jié)摿蛻?yīng)用前景，是未來煙草行業(yè)的重點(diǎn)研究領(lǐng)域和發(fā)展方向，煙草行業(yè)應(yīng)注重專業(yè)人員的培訓(xùn)與硬件設(shè)備的投入，加強(qiáng)產(chǎn)學(xué)研結(jié)合，以應(yīng)對(duì)技術(shù)普及與推廣所面臨的挑戰(zhàn)。

參考文獻(xiàn)

［1］ 楊振東. SAR圖像艦船目標(biāo)檢測(cè)方法研究[D]. 西安：西安電子科技大學(xué)，2021.

YANG Z D. Research on ship target detection in SAR images [D].Xi’an： Xidian University， 2021.

［2］ 劉文婷，盧新明. 基于計(jì)算機(jī)視覺的Transformer 研究進(jìn)展[J]. 計(jì)算機(jī)工程與應(yīng)用，2022，58（6）：1-16.

LIU W T， LU X M. Research progress of Transformer based oncomputer vision [J].Comput. Eng. Appl.， 2022，58 （6）：1-16.

［3］ 仇成群，李沛潤(rùn)，楊鋒，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的前方車輛檢測(cè)系統(tǒng)研究[J]. 重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（11）：58-63.

QIU C Q， LI P R， YANG F， et al .. Front vehicle detectionsystem based on convolution neural network [J]. J. ChongqingJiaotong Univ. （Nat. Sci.）， 2022，41 （11）：58-63.

［4］ 徐濤，田崇陽，劉才華. 基于深度學(xué)習(xí)的人群異常行為檢測(cè)綜述[J]. 計(jì)算機(jī)科學(xué)，2021，48（9）：125-134.

XU T， TIAN C Y， LIU C H. Deep learning for abnormal crowdbehavior detection： a review [J]. J. Comput. Sci.， 2021，48（9）：125-134.

［5］ 彭璟，羅浩宇，趙淦森，等. 深度學(xué)習(xí)下的醫(yī)學(xué)影像分割算法綜述[J]. 計(jì)算機(jī)工程與應(yīng)用，2021，57（3）：44-57.

PENG J， LUO H Y， ZHAO G S， et al .. Survey of medical imagesegmentation algorithm in deep learning [J]. Comput. Eng.Appl.，2021， 57 （3）：44-57.

［6］ 劉衛(wèi)國(guó)，李秀妮，向帥，等. 一種大豆全生育期生物量無損測(cè)量方法： CN114324336B[P].2022-09-13.

［7］ 涂智瀟. 基于計(jì)算機(jī)視覺的農(nóng)作物病蟲害檢測(cè)系統(tǒng)[D]. 武漢：中南財(cái)經(jīng)政法大學(xué)，2020.

TU Z X. Pests diseases of crop detection system based oncomputer vision [D]. Wuhan： Zhongnan University of Economicsand Law， 2020.

［8］ 劉朝營(yíng)，許自成，閆鐵軍. 機(jī)器視覺技術(shù)在煙草行業(yè)的應(yīng)用狀況[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2011，13（4）：79-84.

LIU C Y， XU Z C， YAN T J. Application status of machinevision technology in tobacco industry [J]. J. Agric. Sci. Technol.，2011，13（4）：79-84.

［9］ 王剛.我國(guó)煙草病蟲害預(yù)測(cè)預(yù)報(bào)工作進(jìn)展與展望[J]. 中國(guó)煙草科學(xué)，2004，25（1）：44-46.

WANG G. Advances and outlook for forecast work of tobaccodiseases and insect pests in China [J]. Chin. Tob. Sci.，2004，25（1）：44-46.

［10］ 彭大鑫，甄彤，李智慧. 低光照?qǐng)D像增強(qiáng)研究方法綜述[J]. 計(jì)算機(jī)工程與應(yīng)用，2023，59（18）：14-27.

PENG D X， ZHEN T， LI Z H. A survey of research methods forlow light image enhancement [J]. Comput. Eng. Appl.， 2023，59（18）：14-27.

［11］ 張文靜，孫秀朋，喬永亮， 等. 基于InceptionV3的煙草病害識(shí)別[J]. 中國(guó)煙草學(xué)報(bào)，2021，27（5）： 61-70.

ZHANG W J， SUN X P， QIAO Y L， et al .. Tobacco diseaseidentification based on InceptionV3 [J]. Acta Tab. Sin.， 2021，27（5）： 61-70.

［12］ 喻勇，張?jiān)苽ィ蹯o， 等. 基于計(jì)算機(jī)視覺的煙葉病害識(shí)別研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2015，51（20）：167-171.

YU Y， ZHANG Y W， WANG J， et al .. Research on recognitionof tobacco leaf disease based on computer vision [J]. Comput.Eng. Appl.，2015，51（20）：167-171.

［13］ 張經(jīng)緯，貢亮，黃亦翔，等. 基于隨機(jī)森林算法的黃瓜種子腔圖像分割方法[J]. 農(nóng)機(jī)化研究，2017，39（10）：163-168.

ZHANG J W， GONG L， HUANG Y X， et al .. Imagesegmentation of cucumber seed cavity based on the random forestalgorithm [J]. J. Agric. Mech. Res.， 2017，39（10）：163-168.

［14］ 王拓. 基于內(nèi)容的圖像檢索技術(shù)研究與應(yīng)用[D]. 貴陽：貴州師范大學(xué)，2017.

WANG T. Research and application of content based imageretrieval technology [D]. Guiyang： Guizhou Normal University，2017.

［15］ 劉建新，曾嬙，徐可， 等. 基于形態(tài)學(xué)和小波變換的煙葉病斑分割[J]. 圖學(xué)學(xué)報(bào)，2018，39（5）：933-938.

LIU J X， ZENG Q， XU K， et al .. Research on the method oftobacco leaf disease spot segmentation based on morphologyand wavelet transform [J]. J. Graphics， 2018，39（5）： 933-938.

［16］ 張珂，馮曉晗，郭玉榮，等. 圖像分類的深度卷積神經(jīng)網(wǎng)絡(luò)模型綜述[J]. 中國(guó)圖象圖形學(xué)報(bào)，2021，26（10）：2305-2325.

ZHANG K， FENG X H， GUO Y R， et al .. Overview of deepconvolutional neural networks for image classification [J]. J.Image Graphics， 2021，26（10）：2305-2325.

［17］ 姜豐輝，劉祥鵬，邵巍， 等. 影響因子操縱期刊識(shí)別與分類方法構(gòu)建與應(yīng)用[J]. 中國(guó)科技期刊研究，2023，34（2）：136-143.

JIANG F H， LIU X P， SHAO W，et al .. Identification andclassification of journals of impact factor manipulation [J].Chin. J. Sci. Technol.， 2023，34（2）：136-143.

［18］ 滕娟. 赤星病煙葉圖像分割研究[D]. 吉首：吉首大學(xué)，2017.

TENG J. Image segmentation of tobacco brown spot [D].Jishou： Jishou University，2017.

［19］ 張紅濤，朱洋，譚聯(lián)， 等. 基于FA-SVM技術(shù)的煙草早期病害識(shí)別[J]. 河南農(nóng)業(yè)科學(xué)，2020，49（8）：156-161.

ZHANG H T， ZHU Y， TAN L， et al .. The recognition of earlytobacco disease based on FA-SVM technology [J]. J. HenanAgric. Sci.， 2020，49（8）：156-161.

［20］ 張艷令. 煙草病害自動(dòng)識(shí)別診斷系統(tǒng)的研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2015.

ZHANG Y L. Reserch on automatic identification system oftobacco diseases [D]. Taian： Shandong Agriculture University，2015.

［21］ AMARA J，BOUAZIZ B，ALGERGAWY A. A deep learningbasedapproach for banana leaf diseases classification [C]//Proceedings of Datenbanksysteme für Business， Technologieund Web （BTW）. 2017：17.

［22］ 李敬. 基于卷積神經(jīng)網(wǎng)絡(luò)的煙草病害自動(dòng)識(shí)別研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2016.

LI J. Automatic identification research of tobacco diseasesbased on convolutional neural network [D]. Taian： ShandongAgriculture University， 2016.

［23］ 劉延鑫，王俊峰，杜傳印， 等. 基于YOLOv3的多類煙草葉部病害檢測(cè)研究[J]. 中國(guó)煙草科學(xué)，2022，43（2）：94-100.

LIU Y X， WANG J F， DU C Y， et al .. Detection of varioustobacco leaf diseases based on YOLOv3 [J]. Chin. Tob. Sci.，2022，43（2）：94-100.

［24］ 邵延華，張鐸，楚紅雨， 等. 基于深度學(xué)習(xí)的YOLO目標(biāo)檢測(cè)綜述[J]. 電子與信息學(xué)報(bào)，2022，44（10）：3697-3708.

SHAO Y H， ZHANG D，CHU H Y，et al .. A review of YOLOobject detection based on deep learning [J]. J. Electron. Inf.Technol.， 2022，44（10）：3697-3708.

［25］ 熊濤. 煙葉烘烤過程中外觀形態(tài)與內(nèi)在質(zhì)量關(guān)系研究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2021.

XIONG T. Study on the relationship between appearance andinternal quality of tobacco leaves during curing [D]. Beijing：Chinese Academy of Agriculture Sciences，2021.

［26］ 劉軍令. 煙草智能烤房系統(tǒng)中電子鼻關(guān)鍵技術(shù)研究[D]. 重慶：重慶大學(xué)，2015.

LIU J L. Study on the key technology of electronic nose inintelligent tobacco barn systems [D]. Chongqing： ChongqingUniversity，2015.

［27］ 蔡杰，朱國(guó)蕾，孫曉燕， 等. 基于不同部位煙葉外觀特征與內(nèi)在質(zhì)量分析研究[J].農(nóng)業(yè)與技術(shù)，2019，39（13）：27-28.

［28］ 盧瑞琳. 四川德陽產(chǎn)區(qū)雪茄煙葉成熟特征與調(diào)制工藝研究[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2022.

LU R L. Study on maturity characteristics and modulationtechnology of cigar leaves in Deyang of Sichuan [D]. Zhengzhou：Henan Agricultural University， 2022

［29］ 陳乾錦，池國(guó)勝，吳華建， 等. 采收成熟度對(duì)K326不同部位煙葉品質(zhì)的影響[J]. 貴州農(nóng)業(yè)科學(xué)，2020，48（9）：43-46.

CHEN Q J， CHI G S， WU H J， et al .. Effect of harvest maturityof different positions on quality of flue-cured tobacco cultivarK326 [J]. Guizhou Agric. Sci.， 2020，48（9）： 43-46.

［30］ 楊尚明，李宜健，肖云峰， 等. 特殊外觀特征煙葉部位的識(shí)別判定研究[J]. 安徽農(nóng)業(yè)科學(xué)，2014，42（5）：1534-1535， 1560.

［31］ 趙晨，王濤，郭偉雄， 等. 基于機(jī)器視覺的烤煙煙葉部位的智能識(shí)別[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，49（4）：405-411.

ZHAO C， WANG T， GUO W X， et al .. Intelligent recognition offlue-cured tobacco position based on machine vision [J]. J.Hunan Agric. Univ. （Nat. Sci.）， 2023，49（4）：405-411.

［32］ 張軍剛，王永利，呂國(guó)新，等. 烤煙成熟過程中鮮煙顏色值與色素含量變化及相關(guān)分析[J]. 中國(guó)煙草科學(xué)，2014，35（1）：54-60.

ZHANG J G， WANG Y L， LYU G X， et al .. Changes of colorparameters and pigment contents in flue-cured tobacco leavesduring maturing process and their correlational relationship [J].Chin. Tob. Sci.，2014，35（1）：54-60.

［33］ 汪強(qiáng)，席磊，任艷娜，等. 基于計(jì)算機(jī)視覺技術(shù)的煙葉成熟度判定方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（4）：175-179.

WANG Q， XI L， REN Y N， et al .. Determination of tobacco leafmaturity degree based on computer vision technology [J].Trans. Chin. Soc. Agric. Eng.， 2012，28（4）：175-179.

［34］ 謝濱瑤，祝詩平，黃華. 基于BPNN和SVM的煙葉成熟度鑒別模型[J]. 中國(guó)煙草學(xué)報(bào)，2019，25（1）：45-50.

XIE B Y， Z HU S P， HUANG H. Model for identification oftobacco leaf maturity based on BPNN and SVM [J]. Acta Tab.Sin.， 2019，25 （1）：45-50.

［35］ 沈平，童德文，陳鄭盟， 等. 基于葉色偏態(tài)分布模式的鮮煙葉成熟度判定[J]. 煙草科技，2021，54（8）：26-35.

SHEN P， TONG D W， CHEN Z M， et al .. Maturitydiscrimination on fresh tobacco leaves based on skewed leafcolor distribution patterns [J]. Tob. Sci. Technol.， 2021，54 （8）：26-35.

［36］ 汪睿琪，張炳輝，顧鋼， 等. 基于YOLOv5的鮮煙葉成熟度識(shí)別模型研究[J]. 中國(guó)煙草學(xué)報(bào)，2023，29（2）：46-55.

WANG R Q， ZHANG B H， GU G， et al .. Recognition model oftobacco fresh leaf maturity based on YOLOv5 [J]. Acta Tab.Sin.， 2023，29（2）：46-55.

［37］ 葉惠源，丁松爽，段旺軍， 等. 雪茄煙葉晾制過程中形態(tài)與水分含量的協(xié)同變化研究[J]. 中國(guó)煙草學(xué)報(bào)，2023，29（1）：97-105.

YE H Y， DING S S， DUAN W J， et al .. Study on the synergisticchanges of morphological parameters and moisture contentduring the drying process of cigar tobaccoleaves [J]. Acta Tab.Sin.， 2023，29（1）：97-105.

［38］ 孫計(jì)平，李雪君，賈保順， 等. 不同品種烤煙調(diào)制前后化學(xué)成分變化及與感官質(zhì)量的關(guān)系[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2012，28（18）：251-255.

SUN J P， LI X J， JIA B S， et al .. Relationship between sensoryquality and chemicalcharacteristics of different flue-cured tobaccovarieties and its changes before and after flue-curing [J]. Chin.Agric. Sci. Bull.， 2012，28（18）：251-255.

［39］ 張帆. 烤煙烘烤過程中主要酶活性變化規(guī)律及其與化學(xué)成分關(guān)系的研究[D]. 貴陽：貴州大學(xué)，2009.

ZHANG F. Study on the tobacco of the changing regulation ofthe activity of primary enzyme during curing process [D].Guiyang： Guizhou University，2009.

［40］ 李艷，李崢，張永輝， 等. 基于CIE色度空間的煙葉烘烤過程中色素含量預(yù)測(cè)研究[J]. 昆明學(xué)院學(xué)報(bào)，2019，41（3）：20-25.

LI Y， LI Z， ZHANG Y H， et al .. Predictive study of pigmentcontent during tobacco curing based on CIE chromaticity space [J].J. Kunming Univ.， 2019，41（3）：20-25.

［41］ 李生棟，譚方利，黎妍妍， 等. 不同素質(zhì)煙葉烘烤過程中顏色值與色素含量的關(guān)系[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2016，47（9）：1570-1575.

LI S D，TAN F L，LI Y Y，et al .. Relationship between colorparameters and pigment contents during flue-curing process ofdifferent-quality tobacco leaves [J]. J. South. Agric.，2016，47（9）：1570-1575.

［42］ 段史江. 圖像處理技術(shù)在烤煙烘烤過程中的應(yīng)用研究[D].鄭州：河南農(nóng)業(yè)大學(xué)，2012.

DUAN S J. Research on application of image processingtechnology during curing process of flue-cured tobacco [D].Zhengzhou：Henan Agricultural University，2012.

［43］ 杜海娜，孟令峰，王松峰， 等. 基于機(jī)器學(xué)習(xí)的密集烘烤過程煙葉失水率預(yù)測(cè)模型對(duì)比[J]. 煙草科技，2022，55（9）：81-88.

DU H N， MENG L F， WANG S F， et al .. Machine learningbasedmodels for predicting dehydration rate of tobacco leafduring bulk curing and comparisons thereof [J]. Tob. Sci.Technol.，2022，55（9）： 81-88.

［44］ 何軍，王奎武，朱列書， 等. 烤煙不同烘烤方法的研究進(jìn)展[J].作物研究，2007，21（5）：729-732.

［45］ 賀帆，王濤，武圣江，等. 密集烘烤烤煙不同品種煙葉質(zhì)地和顏色變化[J]. 核農(nóng)學(xué)報(bào)，2014，28（9）：1647-1655.

HE F， WANG T， WU S J， et al .. Study on the change of textureand color of different flue-cured tobacco varieties during thebulk-curing [J]. Acta Agric. Nucl. Sin.， 2014，28（9）：1647-1655.

［46］ 李增盛，孟令峰，王松峰，等. 基于圖像處理的煙葉烘烤階段判別模型優(yōu)選[J]. 中國(guó)煙草學(xué)報(bào)，2022，28（2）：65-76.

LI Z S， MENG L F， WANG S F， et al .. Selection of optimumdiscriminant model in tobacco curing stage based on imageprocessing [J]. Acta Tab. Sin.， 2022，28（2）：65-76.

［47］ 王暑. 煙葉烘烤智能控制系統(tǒng)研究[D]. 昆明：昆明理工大學(xué)，2008.

WANG S. Research on intelligent control system for tobaccobaking room [D]. Kunming：Kunming University of Science andTechnology， 2008.

［48］ 楊海清，劉永輝. 深度學(xué)習(xí)的煙葉烘干狀態(tài)識(shí)別算法[J]. 浙江工業(yè)大學(xué)學(xué)報(bào)，2021，49（1）：30-33，87.

YANG H Q， LIU Y H. Tobacco leaf drying state recognitionalgorithm based on deep learning [J]. J. Zhejiang Univ.Technol.， 2021，49 （1）：30-33，87.

［49］ 趙鐳，劉文. 感官分析技術(shù)應(yīng)用指南[M].北京：中國(guó)輕工業(yè)出版社，2011：1-199.

［50］ 王戈，丁冉，徐瑋杰，等. 計(jì)算機(jī)視覺和智能識(shí)別技術(shù)在烤煙煙葉分級(jí)中的應(yīng)用[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)，2019，36（，5）：548-553.

WANG G， DING R， XU W J， et al .. Application of computervision and intelligent identification technology in grading offlue-cured tobacco [J]. Comput. Appl. Chem.， 2019， 36（5）：548-553.

［51］ 毛鵬軍，賀智濤，杜東亮，等. 烤煙煙葉視覺檢測(cè)分級(jí)系統(tǒng)的研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 農(nóng)業(yè)機(jī)械，2006（16）：43.

［52］ 梁錦秀. 低光照條件下的圖像增強(qiáng)和識(shí)別關(guān)鍵技術(shù)研究[D]. 廣州：華南理工大學(xué)，2021.

LIANG J X. Research on key technologies of image enhancementand recognition in low-light conditions [D]. Guangzhou： SouthChina University of Technology， 2021.

［53］ 秦芝乾. 不同波段光源和光照強(qiáng)度對(duì)煙葉分級(jí)的影響研究[D]. 貴陽：貴州大學(xué)，2020.

QIN Z Q. Study on the effects of different band light sourcesand light intensity on tobacco leaf grading [D]. Guiyang：Guizhou University， 2020.

［54］ 劉新宇，郝同盟，張紅濤，等. 基于改進(jìn)YOLOv3網(wǎng)絡(luò)的煙梗識(shí)別定位方法[J]. 食品與機(jī)械，2022，38（3）：103-109.

LIU X Y， HAO T M， ZHANG H T，et al .. Cigarette stemidentification and location method based on improved YOLOv3network [J]. Food Mach.， 2022，38（3）：103-109.

［55］ 張聲超. 基于特征融合的肺結(jié)節(jié)檢測(cè)關(guān)鍵技術(shù)研究[D]. 廣州：華南理工大學(xué)，2018.

ZHANG S C. Research on key techniques of pulmonary noduledetection based on feature fusion [D]. Guangzhou：South ChinaUniversity of Technology， 2018.

［56］ 何艷，王海軍，莊珍珍， 等. 基于機(jī)器視覺技術(shù)的煙葉分級(jí)特征提取[J]. 南方農(nóng)機(jī)，2020，51（15）：29-30.

［57］ 莊珍珍，祝詩平，孫雪劍， 等. 基于機(jī)器視覺的煙葉自動(dòng)分組方法[J]. 西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，41（4）：122-129.

ZHUANG Z Z， ZHU S P， SUN X J， et al .. On method oftobacco automatic groping based on machine vision [J]. J.Southwest China Norm. Univ. （Nat. Sci.）， 2016，41（4）：122-129.

［58］ HARJOKO A， PRAHARA A， SUPARDI T W， et al .. Imageprocessing approach for grading tobacco leaf based on color andquality [J]. Int. J. Smart Sens. Intell. Syst.， 2019， 12（1）：1-10.

［59］ 郭強(qiáng). 基于圖像處理與神經(jīng)網(wǎng)絡(luò)的煙葉分級(jí)研究[D]. 長(zhǎng)沙：中南大學(xué)，2013.

GUO Q. The research of tobacco grading based on imageprocessing and neural network [D]. Changsha： Central SouthUniversity， 2013.

［60］ 楊述斌，董春林，王鋒， 等. 基于PCA-SSA-BP神經(jīng)網(wǎng)絡(luò)的煙葉分級(jí)方法[J]. 自動(dòng)化與儀表，2023，38（2）：70-75.

YANG S B， DONG C L， WANG F， et al .. Tobacco leaf gradingmethod based on PCA-SSA-BP neural network [J]. Autom.Instrument.， 2023，38（2）：70-75.

［61］ 張恒，徐文韜，張子穎， 等. 不同生態(tài)區(qū)影響烤煙上部煙葉感官品質(zhì)的關(guān)鍵外觀指標(biāo)[J]. 煙草科技，2023，56（1）：24-32.

ZHANG H， XU W T， ZHANG Z Y， et al .. Key appearanceindexes affecting sensory quality of upper flue-cured tobaccoleaves from different ecological regions [J]. Tob. Sci. Technol.，2023，56（1）： 24-32.

［62］ 郝賢偉，李奇，畢一鳴， 等. 不同顏色上部烤煙主要品質(zhì)指標(biāo)的差異分析[J]. 河南農(nóng)業(yè)科學(xué)，2023，52（3）：173-180.

HAO X W， LI Q， BI Y M， et al .. Difference analysis of mainquality indicators of upper leaves of flue-cured tobacco withdifferent colors [J]. Henan Agric. Sci.， 2023，52（3）：173-180.

［63］ 李悅，符云鵬，甄煥菊， 等. 烤后煙葉表面顏色特征參數(shù)及其與外觀質(zhì)量指標(biāo)的關(guān)系[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，51（1）：1-7.

LI Y， FU Y P， ZHEN H J， et al .. The relationship between thecharacteristic parameters of surface color and the index ofappearance quality of flue-cured tobacco [J]. J. Henan Univ.Agric.， 2017，51（1）：1-7．

［64］ 陳文兵，車文剛. 內(nèi)外特征結(jié)合的煙葉自動(dòng)分級(jí)方法[J]. 陜西理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，38（6）：28-37.

CHEN W B，CHE W G. Automatic grading method of tobaccoleaves based on combination of internal and external features [J]. J.Shaanxi Technol. Univ. （Nat. Sci.）， 2022，38（6）：28-37.

［65］ 王士鑫. 基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的烤煙煙葉質(zhì)量分級(jí)研究[D]. 昆明：云南師范大學(xué)，2020.

WANG S X. Quality classification of flue-cured tobacco leafbased on convolutional neural network （CNN） [D]. Kunming：Yunnan Normal University， 2020.

［66］ 焦方圓，申金媛，郝同盟. 一種基于卷積神經(jīng)網(wǎng)絡(luò)的煙葉等級(jí)識(shí)別方法[J]. 食品與機(jī)械，2022，38（2）：222-227.

JIAO F Y，SHEN J Y，HAO T M. A method of tobacco leaf graderecognition based on convolution neural network [J]. FoodMach.， 2022，38（2）：222-227.

［67］ 陳人杰. 基于機(jī)器視覺的烤煙自動(dòng)分級(jí)方法研究[D]. 成都：電子科技大學(xué)，2022.

CHEN R J. Research on automatic classification method offlue-cured tobacco based on machine vision [D]. Chengdu：University of Electronic Science and Technology， 2022.

［68］ 魯夢(mèng)瑤，周強(qiáng)，姜舒文，等. 基于深度學(xué)習(xí)與多尺度特征融合的烤煙煙葉分級(jí)方法[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（1）：158-166.

LU M Y， ZHOU Q， JIANG S W， et al .. Flue-cured tobacco leafgrading method based on deep learning and multi-scale featurefusion [J]. J. Chin. Agric. Mach.， 2022，43（1）：158-166.

［69］ 莊福振，羅平，何清， 等. 遷移學(xué)習(xí)研究進(jìn)展[J]. 軟件學(xué)報(bào)，2015，26（1）：26-39.

ZHUANG F Z， LUO P， HE Q， et al .. Survey on transferlearning research [J]. J. Softw.， 2015，26（1）：26-39.

［70］ BARRE P， STOVER B C， MULLER K F， et al.. LeafNet： acomputer vision system for automatic plant species identification[J]. Ecol. Inform.， 2017，40： 50-56.

［71］ WU S G， BAO F S， XU E Y， et al .. A leaf recognition algorithmfor plant classification using probabilistic neural network [C]//Proceddings of IEEE International Symposium on SignalProcessing and Information Technology. 2007：11-16.

［72］ HUGHES D P， SALATHE M. An open access repository ofimages on plant health to enable the development of mobiledisease diagnostics [J/OL]. Comput. Sci.，2015， 11： 8060 [2023-04-16]. https：//doi.org/10.48550/arXiv.1511.08060.

［73］ VASWANI A，SHAZEER N，PARMAR N，et al .. Attention is allyou need [C]//Advances in neural information processingsystems.2017：5998-6008.

［74］ 吳書陪. 基于視覺Transformer 的番茄病害程度識(shí)別研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2022.

WU S P. Recognition of tomato disease degree based on visualtransformer [D]. Hefei： University of Science and Technologyof China， 2022.

［75］ 安小松，宋竹平，梁千月， 等. 基于CNN-Transformer的視覺缺陷柑橘分選方法[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，41（4）：158-169.

AN X S， SONG Z P， LIANG Q Y， et al .. A CNN-transformerbasedmethod for sorting citrus with visual defects [J]. J.Huazhong Agric. Univ.， 2022，41（4）：158-169.

［76］ CHEN L C， PAPANDREOU G， SCHROFF F， et al ..Rethinking atrous convolution for semantic imagesegmentation [J/OL]. Comput. Sci.， 2017， 6： 5587 [2023-04-16] .https：//doi.org/10.48550/arXiv.1706.05587.

［77］ 毛萬菁，阮炬全，劉朔. 基于注意力機(jī)制的改進(jìn)UNet草莓病害語義分割[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2023，32（6）：251-259.

MAO W J， RUAN J Q， LIU S. Improved UNet based onattention mechanism in semantic segmentation of strawberrydiseases [J]. Comput. Syst. Appl.， 2023，32（6）：251-259.

［78］ 陳鵬，馬子涵，章軍，等. 融合注意力機(jī)制的小麥赤霉病語義分割網(wǎng)絡(luò)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（4）：145-152.

CHEN P ，MA Z H， ZHANG J， et al .. Semantic segmentationnetwork based on attention mechanism wheat FHB [J]. J. Chin.Agric. Mechan.， 2023，44（4）：145-152.

［79］ AKALYA D C， DHANARAJ K R， KIRUBA R. Affective modelbased speech emotion recognition using deep learningtechniques [J/OL]. Indian J. Comput. Sci.， 2020，5（4-5）：154783[2023-04-16]. https：//doi.org/10.17010/ijcs/2020/v5/i4-5/154783.

［80］ 劉建偉，王園方，羅雄麟. 深度記憶網(wǎng)絡(luò)研究進(jìn)展[J]. 計(jì)算機(jī)學(xué)報(bào)，2021，44（8）：1549-1589.

LIU J W， WANG Y F， LUO X L. Research and development ondeep memory network [J]. J. Chin. Comput.， 2021，44（8）：1549-1589.

［81］ BHIMAVARPU U， BATTINENI G， CHINTALAPUDI N.Improved optimization algorithm in LSTM to predict cropyield [J/OL]. Computers， 2023， 12（1）： 10 [2023-04-16]. https：//doi.org/10.3390/computers12010010.

［82］ DUPUIS A， DADOUCHI C， AGARD B. Methodology for multitemporalprediction of crop rotations using recurrent neuralnetworks [J/OL]. Smar. Agric. Technol.， 2023，4：100152 [2023-04-16]. https：//doi.org/10.1016/j.atech.2022.100152.

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（32101851）；永州陽明雪茄煙綜合研究與開發(fā)項(xiàng)目（yz2022KJ01）。