煙苗整齊度評估分析模型研究

（1.，南寧53000；2.，重慶400715；3.，重慶奉節404600)

中圖分類號：S572；S126文獻標識碼：A

文章編號：1007-5119（2025）02-0101-12

An Analytical Model for Assessing Tobacco Seedling Uniformity

LI Qunling1， SUN Jiazhao， WANG Zhenguo3， CHENG ，RAN Yu'ao2， LI ，DING Wei1*

(1.ChinaTobaoagxistrialCoLtd.，ago，Cina;2.CllgeoantrotectioouthwstUiy

Chongqing 40o715，China;3.FengjieBranchofChongqingTobacoCompany，ChinaNationalTobacco Corporatio，Fengie 404600， Chongqing， China)

Abstract:Toacheverapidassessmentandeficentanalysisoftheuniforityoftobaccosedlings inintensiveedlingfactorythis studyemploysageneralizedaditive model(GAM)toanalyetobaccoseed nurserydataadscrnfor idicatorsoftobaccoseedling uniformity. We evaluatedRandomForest algorithm，BPNeuralNetworkalgorithm，and Support VectorMachine(SVM)algorithm. Particle Swarm Optimization (PSO)isthen appliedtooptimizeeachof these modelsseparately.Thisstudyconstructed image recognitionmodelsforassessingtheuniforityof tobaccseednurseryusingdeepleaingalgorithms，twooptimizers，Adamand Nadam，specificallyAlexNet，ResNet-10l，and GoogleNet.Teresearchresultsindicated thattheplantheight，stemcicuferee， and numberofefectiveleaves of tobaccoseedlings hadasignificantimpactontheuniformityofthe tobaccoseedlings.ThePartcle Swarm Optimized Random Forest model demonstrates the best performance， with accuracy of 8 8 . 0 0 % valueof O.69，andMean AbsoluteError(MAE）of 0.13.TheAdam-GoogLeNet modelshows thebestrecognition performance，averagingacuracyof 9 3 . 8 9 % Overall，findings of thisstudy provideareasonable basis for thescientificevaluationoftobacco nurserybeduniformityand offer support for the development of tobacco seedling uniformity image recognition systems.

Keywords: tobacco seedbed; uniformity index; deep learning; uniformity model; image recognition

煙草是一種重要的經濟作物，煙苗整齊度是煙草生產的關鍵指標之一，直接影響田間管理效果。整齊度高的煙苗易于統一管理，可以提高移栽效率和質量，使煙苗在田間生長整齊，促進光照、水分和養分均衡利用。煙苗整齊度依靠傳統人工方法評估，不僅效率低下，而且易受到主觀影響導致評估結果產生誤差，難以實現苗床精準化管理。集約化育苗工廠的興起，對作物整齊度的科學評價和高效管理提出了更高的要求。在作物苗期整齊度研究中，Yang等1利用植被覆蓋率、葉面指數、植物高度等數據，采用圖像學習方法對小麥整齊度進行評估，可實現無人機輔助判別小麥整齊度。Liu等[2采用無人機搜集小麥幼苗RGB圖像，使用變異系數、覆蓋率等方法分析小麥出苗整齊度。Zhou等]采用基于閾值優化的圖像分割方法對玉米幼苗圖像進行提取，實現玉米出苗整齊度評估。以往研究為作物出苗整齊度圖像識別提供了有效方法，但對整齊度指標的確立和模型構建方面研究較少。

苗床內煙苗整體生長情況的快速高效判別，有助于提升煙草苗床管理的精準度和智能化水平，降低人工成本，提高生產效率。因此，本研究通過采集煙草育苗數據，采用廣義加性模型分析影響煙株苗床整齊度的指標，采用隨機森林、BP神經網絡和支持向量機構建煙草苗床整齊度評估模型，同時采用深度卷積神經網絡（AlexNet）、殘差網絡(ResNet-101)和谷歌網絡（GoogleNet)開發煙草苗床整齊度圖像識別模型，以實現對煙苗整齊度的快速、自動化評估。

1 材料與方法

1.1試驗地概況與試驗材料

試驗在重慶渝東北地區煙草集約化育苗工廠開展，品種為當地主栽品種云煙87。育苗時間為2024年3—5月，育苗周期 6 0 d 。漂浮育苗，育苗池營養液深度控制在 8 c m 左右。

1.2煙苗素質數據采集

采用“五點取樣法\"對每盤煙苗標記5株煙株，移栽前測量標記煙苗的株高、莖圍、有效葉數，用清水洗去基質露出全部根系，根莖葉分離后烘干分別稱取干質量。每株煙苗采集到的數據為1條數據，每盤采集5條數據，共采集240盤1200條數據。使用手機采集煙苗圖像(無任何修圖處理)，所用手機型號為iphone 1 4 P r o （像素4800萬），三星s23ultra(像素2.0億），小米12（像素5000萬）。采集方式為2種：1，平行于煙苗種植方向距離煙苗頂部 5 0 c m 處進行圖像拍攝(圖1a)；2，與地面呈 夾角距離煙苗頂部 4 0 c m 處斜攝煙苗（圖1b）。兩種方法均要求在取景范圍內至少有1盤煙苗被完整拍到，共采集3019張圖像。

1.3煙苗整齊度指標建立

采用廣義加性模型[4-5]（GeneralizedAdditiveModel，GAM)對煙苗素質數據與煙苗整齊度進行分析，篩選出對煙苗整齊度具有顯著影響的因子。采用Magic進行平滑參數優化。同時采用2種樣條函數 B-spline function (BS) 和 P-spline function(PS)分析各加性項的擬合殘差。

在本研究中GAM模型公式為：

，煙苗整齊度變量均值的鏈接函數； 第 i 個觀測值的期望值； ，截距項； ，未知平滑函數，對應于k個預測變量xi1，xi2，…xik；Xik，是第 i 個觀測值的第 k 個預測變量的值。

1.4煙苗整齊度模型的構建

煙苗整齊度可歸納為“整齊”與“不整齊”二分類問題，“整齊\"則不需要剪葉，“不整齊”則需要剪葉以促進煙苗生長整齊。通過廣義加性模型對煙苗株高、莖圍、有效葉數、總干質量進行分析，篩選出對煙苗整齊度具有顯著影響的關鍵因子。運用隨機森林（RandomForest）、BP神經網絡（BackPropagationNeuralNetwork)和支持向量機（SupportVectorMachines)3種方法對篩選到的因子與煙苗整齊度數據進行模型構建。將測試集準確率、決定系數 與平均絕對誤差MAE作為不同模型評判指標，篩選出最優模型。

隨機森林通過構建多個決策樹來進行分類或回歸預測，對二分類問題具有很好的處理性能[6-7]。本研究將隨機森林的預測過程表示為一個函數的集成：

是第 i 棵樹對輸入 x 的預測結果， B 是樹的總數， u 表示模型入參特征項，mode表示眾數，本研究為二分類中出現次數最多的類別。模型超參數設置為決策樹數目100，最小葉子數目1，訓練集與測試集比例隨機劃分為 0 . 7 5 : 0 . 2 5 。

BP神經網絡包含一個輸入層、一個或多個隱藏層以及一個輸出層。BP神經網絡通過在訓練過程中調整網絡中的權重和偏置來最小化輸出誤差，利用一種監督學習技術來訓練網絡，使其能夠對輸人數據進行分類[8]。本研究中模型超參數設置為最大迭代次數1000，目標訓練誤差 ，學習率 0 . 0 1 。

支持向量機是機器學習中一種基于最佳邊距的分類技術，屬于二進制分類器[9-10]。本研究中設置該模型懲罰因子 c = 1 0 . 0 ，徑向基函數參數 g = 0 . 0 1 。

粒子群優化技術是一種基于群體的元啟發式技術，用于解決優化問題[11]。為了提高煙苗整齊度評估分析模型的準確度，采用粒子群算法對3種基礎模型進行優化。粒子群優化算法中學習因子c 1 = 4 . 0 ， c 2 = 4 . 0 ，種群更新次數maxgen 1 = 3 0 ，種群規模sizepop 。

采用R軟件4.3.3進行分析，gamm函數對廣義加性模型進行擬合，MATLAB2023b構建煙苗整齊度模型，Python3.11構建煙苗整齊度識別模型。

1.5煙苗整齊度圖像識別

1.5.1圖像數據處理研究中為得到最佳的模型識別結果，采用隨機選取方式采集圖片樣本，拍攝圖片兼具單一背景和復背景環境。拍攝過程中不采用微距鏡頭放大倍數。可見光圖像采集的圖片數量約為3000張，進行篩選后總計獲得有效圖片2242張。采取以下步驟進行圖像預處理和數據增強：將圖像大小調整為 9 6×9 6 像素，隨機旋轉圖像，旋轉的角度在 到 之間；從圖像中心裁剪出一個2 2 4 × 2 2 4 像素的區域，以 5 0 % 的概率水平翻轉圖像，以 50 % 的概率垂直翻轉圖像；對圖像的顏色進行隨機擾動，包括亮度、對比度、飽和度和色調的變化，以 2 . 5 % 的概率將圖像轉換為灰度圖像。數據增強效果如圖2。將增強圖像轉換為PyTorch張量(Tensor），并將其從整數像素值歸一化為0到1之間的浮點數，使用ImageNet數據集的均值和標準差對圖像張量進行標準化。

1.5.2模型參數設置采用AlexNet、ResNet-101和GoogleNet三種網絡結構對圖像數據進行訓練，并使用Adam優化器和Nadam優化器提高訓練過程中的收斂速度和性能。AlexNet作為早期的深度卷積神經網絡(CNN)之一，有8層網絡結構，包括5層卷積層和3層全連接層[12（結構如圖3a）。

ResNet-101作為預訓練模型，可用于遷移學習[13]（結構如圖3b)。GoogleNet已廣泛應用于圖像識別，該模型使用稀疏網絡結構來改善過度擬合和計算資源過度占用的缺點[14-15](結構如圖3c)。

圖像識別訓練計算機使用Win11X64操作系統作為試驗軟件環境，采用深度學習開源框架PyTorch。計算機內存為 3 2 G B ，搭載13th Gen Intel(R)Core(TM)i9-13900H2.60GHz，支持GPU加速和動態神經網絡，采用英偉達RTX460Ti的GPU對深度學習模型進行加速。本次研究中將模型訓練周期設置為50epoch。在使用過程中添加RectifiedLinear U n i t( R e L U ) 作為激活函數，解決梯度消失問題并加快訓練過程，結構如圖 。導入煙苗整齊度照片數據，劃分兩個數據集“Lowneatness\"和“Highneatness”，分別代表煙苗不整齊和整齊。隨機選出 90 % 和 10 % 的圖像樣本分別作為訓練集與測試集。學習率設置為 0 . 0 1 。采用StepLR調度器，用于在訓練過程中調整優化器的學習率。在每個迭代次數結束后將學習率乘以一個因子gamma，gamma 1 = 0 . 1 。每7個epoch調整一次學習率。

2結果

2.1煙草苗床整齊度指標分析

本試驗共采集煙苗生長指標數據1200條。廣義加性模型由含有截距的參數項和含有平滑項的非參數項組成，模型擬合結果如表1所示，從中可以看出煙苗株高、莖圍和有效葉數對擬合結果有顯著影響 ( p<0 . 0 5 ) 。

在廣義加性模型中第 i 個加性項的偏殘差是指，當因變量減去不包含該加性項在內的其他所有加性項的估計值后，所得到的殘差。從偏殘差（partialresiduals)分布圖(圖4)看出，在2種光滑樣條函數中， 、 和 殘差呈現離散分布，表明擬合效果較好。而 則呈現出規則分布，這可能由于在研究過程中苗床的煙苗莖圍數值較為集中。2個樣條函數參數項值及殘差分布圖非常接近，表明模型較為穩定。

2.2 煙苗整齊度模型的構建結果

根據廣義加性模型分析結果得出煙苗有效葉數、莖圍和株高對煙苗整齊度具有顯著影響，因此采用這3個因素作為模型入參因子，煙苗是否整齊(0，不整齊；1，整齊)為模型輸出指標。

隨機森林模型預測結果如圖5所示。模型訓練集準確率為 9 8 . 3 3 % (圖5a)，測試集準確率為 8 3 . 3 3 % （圖5b)，訓練集混淆矩陣中選取的180個樣本第

a 0.3 ·· 中 X 1.00 0.3 . ： 00 白 X 1.00 b 0.3 ·i ： ： X 1.00 0.3 0. X 1.00

kassrtss 0 心 0.75 kassiss 0 e0·0 0.75 sessiss 0 心 0.75 keeesisr 0 o06 0.750.50 0.50 0.50 0.50

-0.3 0.25 -0.3 0.25 -0.3 0.25 0.3 0.250 ： ·. 0 0 ·. 0

-0.6-1 -0.6- T -0.6 -0.6-10 0.250.500.751.00 0 0.250.500.751.00 0 0.25 0.500.751.00 0 0.250.500.751.00X X X X

es ￥ .0 天 x 1.0 mps X 1.0 8. 00 X 1.0.ii0 0.50 0 福 8 0.50 0- 0.50 0.50心 0.25 1 0.25 心 0.25 \\` 富業 0.25

-0.3 -0.3 80 -0.3 -0.3 5000 0 0 0

-0.6- P -0.6-1 -0.6-1 r -0.6-10 0.250.500.751.00 0 0.250.500.751.00 0 0.250.50 0.751.00 0 0.250.500.751.00X X4 X X4

Fig.4Partial residuals of input factors inBS spline function (a)andPS spline function (b)in generalized aditive model一分類準確率為 9 8 . 9 % ，第二分類準確率為 9 7 . 8 % 訓練集總體第一分類樣本準確率 9 7 . 8 % ，第二分類樣本準確率 9 8 . 9 % （圖5c)。測試集中選取的60個分類樣本第一分類準確率為 8 2 . 8 % ，第二分類樣本準確率為 8 3 . 9 % （圖5d）。模型 為0.63，MAE為 0 . 1 6 。

BP神經網絡模型預測結果如圖6所示，訓練集準確率為 78 . 3 3 % （圖6a)，測試集準確率為 7 5 . 0 0 % （圖6b），訓練集混淆矩陣中選取的180個樣本第一分類準確率為 7 2 . 8 % ，第二分類準確率為 8 4 . 1 % ，訓練集總體第一分類樣本準確率 8 2 . 7 % ，第二分類樣本準確率 7 4 . 7 % （圖6c）。測試集中選取的60個分類樣本第一分類準確率為 5 5 . 6 % ，第二分類樣本準確率為 9 0 . 9 % （圖6d)。模型 為0.61，MAE為 0 . 5 1 。

支持向量機模型預測結果如圖7所示。訓練集準確率為 8 2 . 0 0 % （圖 7 a )，測試集準確率為 8 1 . 6 6 % （圖7b)，訓練集混淆矩陣中選取的180個樣本第一分類準確率為 7 6 . 9 % ，第二分類準確率為 8 7 . 6 % 訓練集總體第一分類樣本準確率 8 6 . 4 % ，第二分類樣本準確率 78 . 8 % （圖7c）。測試集中選取的60個分類樣本第一分類準確率為 78 . 6 % ，第二分類樣本準確率為 8 4 . 4 % （圖7d）。模型 為0.63，MAE為 1 . 9 2 。

采用粒子群優化隨機森林模型，預測結果如圖8所示。訓練集準確率為 9 6 . 6 7 % （圖8a)，測試集準確率為 8 8 . 0 0 % （圖8b)，訓練集混淆矩陣中選取的180個樣本第一分類準確率為 9 6 . 6 % ，第二分類準確率為 9 6 . 7 % ，訓練集總體第一分類樣本準確率 9 6 . 6 % ，第二分類樣本準確率 9 6 . 7 % （圖8c）。測試集中選取的60個分類樣本第一分類準確率為8 0 . 6 % ，第二分類樣本準確率為 9 6 . 6 % (圖8d)。模型 為0.69，MAE為 0 . 1 3 。

采用粒子群優化BP神經網絡模型，預測結果如圖9所示。訓練集準確率為 8 8 . 3 3 % （圖 9 a )，測試集準確率為 8 5 . 0 0 % （圖9b)，訓練集混淆矩陣中選取的180個樣本第一分類準確率為 9 0 . 0 % ，第二分類準確率為 8 6 . 7 % ，訓練集總體第一分類樣本準確率 8 7 . 1 % ，第二分類樣本準確率 8 9 . 7 % （圖9c）。測試集中選取的60個分類樣本第一分類準確率為7 9 . 3 % ，第二分類樣本準確率為 9 0 . 3 % （圖9d)。模型 為0.55，MAE為 2 . 3 9 。

采用粒子群優化支持向量機模型，預測結果如圖10所示。訓練集準確率為 9 1 . 6 7 % （圖10a），測試集準確率為 8 3 . 0 0 % （圖10b），訓練集混淆矩陣中選取的180個樣本第一分類準確率為 7 0 . 4 % ，第二分類準確率為 8 7 . 9 % ，訓練集總體第一分類樣本準確率 8 2 . 6 % ，第二分類樣本準確率 7 8 . 4 % (圖10c）。測試集中選取的60個分類樣本第一分類準確率為91 . 3 % ，第二分類樣本準確率為 9 2 . 0 % （圖10d）。模型 為0.58，MAE為 1 . 2 6

2.3煙苗整齊度圖像識別模型訓練結果

3種模型訓練精度隨迭代次數的變化情況如圖11所示。Adam優化器訓練模型訓練集損失率隨著迭代次數逐漸降低，在第10次后逐漸趨于穩定，ResNet-101模型損失率整體低于AlexNet模型（圖11a）。測試集損失函數相較于訓練集波動較大，但模型整體損失率隨著迭代次數也呈現逐漸降低的態勢(圖11b)。訓練集準確率在5次迭代之后趨于穩定，AlexNet模型準確率在0.8附近波動，ResNet-101模型準確率在0.85附近波動。迭代5次后ResNet-101模型準確率整體高于AlexNet模型（圖11c)。測試集準確率相較于訓練集波動較大，AlexNet模型與ResNet-101準確率范圍出現多次交叉，但模型整體準確率隨著迭代次數呈現逐漸升高的態勢。其中AlexNet模型多次準確率低至0.5附近，具有較大波動性(圖11d)。而GoogleNet模型訓練集及測試集的損失值和準確率均優于AlexNet模型和ResNet-101模型(表2)，并且模型曲線更加穩定。Adam比Nadam優化器模型(圖12)訓練集和測試集準確率波動更小，模型輸出更穩定。Adam優化器訓練的GoogleNet模型測試集損失值最低（0.1688），準確率最高（0.9389），Adam-GoogleNet模型訓練集和測試集的損失值比Nadam-

GoogleNet模型分別降低0.0866和0.6224，訓練集和測試集準確率分別提升0.0188和0.2333。

3討論

整齊度可評判作物排列和生長的一致性，通常與作物的種植方式、生長條件和管理措施有關。整齊度好的作物，作物的產量和品質通常更高，同時也便于農業機械化作業，降低勞動強度。影響煙苗整齊度的因素眾多，其關系尚未明確為線性或非線性。廣義加性模型(GAM結合了廣義線性模型（GeneralizedLinearModel，GLM）和加性模型(AdditiveModel)的優點，無需預先設定函數形式，適用于本研究中對煙苗整齊度多因素的判別。煙苗整齊度問題本質是一種二分類情況，符合隨機森林分類樹判別和粒子群搜索特點[17]，因此研究結果也表明粒子群優化隨機森林具有更好的預測效果。

本研究從實用性角度出發，選擇煙苗生產中較易獲取的表型因素株高、莖圍、有效葉數和干質量作為模型入參因素。采用粒子群優化隨機森林算法模型預測，測試集準確率在 8 8 . 0 0 % ，可在較大程度上評估煙苗整齊度。因作物生長中的生物因素如品種、化學成分與酶活性等較難在大規模農業生產中直接獲取，因此本研究未對其進行進一步分析，可能對模型精準性有一定影響[18-19]。未來快速檢測普及后可對該部分與煙苗整齊度關系進行進一步探索。

由于各種模型都有其優勢和局限性，在建立煙苗整齊度圖像識別模型時采用3種模型及2種優化器同時對煙草整齊度進行圖像識別訓練，篩選出最適模型。本研究從圖像中心裁剪出一個 2 2 4 × 2 2 4 像素的區域以減少背景干擾，使模型可以更專注于學習圖像的核心特征。同時采用數據增強生成多樣化的訓練樣本，幫助模型學習到更多樣化的特征，減少對訓練數據的過擬合。遷移學習中的域適應方法可以有效解決訓練樣本和測試樣本概率分布不一致的學習問題[20]，在本研究中加入遷移學習模塊用作特征提取器，將預訓練模型的輸出用作新任務的輸人特征，提高模型泛化能力。結果表明Adam-GoogleNet模型對煙苗整齊度的識別效果更佳，在測試集上具有最低的損失值0.1688，和最高的準確率0.9389。Adam優化器性能高于Nadam，這與Fatima[21]對不同優化器性能的研究結果一致。

4結論

本研究表明，煙苗株高、莖圍、有效葉數對煙苗整齊度具有顯著影響；粒子群優化隨機森林模型對煙苗整齊度具有更高的預測準確率( 8 8 . 0 0 % ，優于BP神經網絡和支持向量機。在經兩種優化器(Adam、Nadam)優化的3種煙苗整齊度圖像識別模型(AlexNet、ResNet-101、GoogleNet)中，Adam-GoogleNet擁有最高的識別準確率（ 9 3 . 8 9 % )和最低的模型損失值(0.1688)。本研究可為煙草苗床整齊度評價和整齊度圖像識別提供依據。

參考文獻

[1] YANG YD，LI Q，MU Y，et al.UAV-assisted dynamic monitoring of wheat uniformity toward yield and biomass estimation[J].Plant Phenomics，2024， 6:191.

[2] LIU T，LIR，JIN X L，et al.Evaluation of seed emergence uniformty ofmechanically sownwheatwithUAVRGB imagery[J].Remote Sensing，2017， 9(12):1241.

[3] ZHOU C Q，YANG G J， LIANG D， et al.An integrated skeleton extraction and pruning method for spatial recognition of maize seedlingsinMGV and UAV remoteimages[J].IEEE Transactions on Geoscience and Remote Sensing，2018， 56(8): 4618-4632.

[4] BECK M W， de VALPINE P， MURPHY R， et al. Multi-scale trend analysis of water quality using error propagation of generalized additive models[J].Science of the Total Environment，2022，802: 149927.

[5] LIULL， DONG Y C， KONG M， et al. Towards the comprehensive water quality control in Lake Taihu:Correlating chlorphyll a and water quality parameters with generalized additive model[J]. Science of the Total Environment，2020，705:135993.

[6] 張書偉，過偉民，陳祥，等.烤煙柔韌性與內在品質的相關分析 [J].中國煙草科學，2022，43(1)：82-88，95. ZHANG SW，GUOWM，CHENX，et al.The correlation analysisof flue-cured tobacco toughness and main quality indexes[J].Chinese Tobacco Science，2022，43(1):82-88，95.

[7] SPEISER JL，MILLER ME， TOOZE J， et al.A comparison of random forest variable selection methods for classification prediction modeling[J].Expert Systems with Applications，2019，134:93-101.

[8] YURY，ANXM，JINB，etal.Particleclassification optimizationbasedBP network for telecommunication customerchurn prediction[J]. Neural Computing and Applications， 2018， 29(3): 707- 720.

[9] CHAUHANVK，DAHIYAK，SHARMAA.Problem formulations and solvers in linear SVM: A review[J]. Artificial Intelligence Review，2019，52(2): 803-855.

[10]王大彬，孟貴星，王雪松，等.不同成熟度茄衣煙葉高光譜特征 分析及分類模型構建[J].中國煙草科學，2023，44(3)：85-91. WANGDB，MENGGX，WANG XS，et al.Analysisof hyperspectral characteristics of coat-oriented cigar tobacco with different maturity and construction of a classification model[J]. Chinese Tobacco Science，2023，44(3):85-91.

[11]JAIN M， SAIHJPAL V， SINGH N， et al. An overview of variants and advancements of PSO algorithm[J]. Applied Sciences，2022，12(17): 8392.

[12] SHI YL， CHEN W S. Sea surface target detection using global 1 alarm controllable adaptive boosting based on correlation features[J]. IEEE Transactions on Geoscience and Remote Sensing，2023，61: 5103014.

[13]LINK S， ZHAO YC，GAO XF， et al.Applying a deep residual network coupling with transfer learning for recyclablewaste sorting[J].EnvironmentalScienceand PolutionResearch International， 2022，29(60): 91081-91095.

[14]ZHANGXH，QIAO Y，MENGFF，et al.Identification of maize leaf diseases using improved deep convolutional neural networks[J]. IEEE Access，2018，6: 30370-30377.

[15]黃本榮，范兆烽，王飛，等.基于VGG16-DenseNet集成模型的 烤煙智能分級[J].中國煙草科學，2024，45(3)：102-112. HUANGBR，FANZF，WANGF，etal.Intelligentgradingoffluecured tobacco based on VGGl6-DenseNet integrated model[J]. Chinese Tobacco Science，2024，45(3):102-112.

[16]LUSY，LUZH，ZHANGYD.Pathological braindetectionbased on AlexNet and transfer learning[J]. Journal of Computational Science，2019，30:41-47.

[17] BEDOLLA-IBARRAMG， delCARMENCABRERAHERNANDEZ M， ACEVES-FERNANDEZ M A， etal. Classification of attention levels usinga Random Forest algorithm optimized with Particle Swarm Optimization[J].Evolving Systems， 2022，13(5): 687-702.

[18] 解黎明，姜仲禹，柳洪鵑，等.甘薯發根分枝期適宜土壤水分促 進塊根糖供應和塊根形成的研究[J].作物學報，2022，48(8)： 2080-2087. XIELM， JIANG ZY，LIUHJ， et al. Suitable soil moisture promotes sugar supply and tuberization insweet potato at root branching stage[J].ActaAgronomica Sinica，2022，48(8):2080-2087.

[19]李娟，周小鳳，劉文豪，等.42個早熟陸地棉產量與品質性狀的 多樣性分析[J].江蘇農業科學，2022，50(2)：73-78. LIJ，ZHOUXF，LIUWH，etal.Diversityanalysisofyieldand qualitytraitsof42 early-maturinguplandcottoncultivars[J]. Jiangsu Agricultural Sciences，2022，50(2):73-78.

[20]王佳昊，付一夫，馮海男，等.基于遷移學習的動態環境室內定 位方法研究[J].計算機科學，2024，51(5)：277-283. WANGJH，FUYF，FENGHN，etal.Indoorlocationalgorithmin dynamic environment based on transfer learning[J].Computer Science，2024，51(5):277-283.

[21]FATIMA N.Enhancing performance of a deep neural network:A comparative analysis of optimization algorithms[J]. Advancesin Distributed Computing and Artificial Intelligence Journal， 2020， 9(2): 79-90.

（上接第92頁）

[13]FINNRD，CLEMENTSJ，EDDYSR.HMMER web server: interactive sequence similarity searching[J].Nucleic AcidsResearch， 2011，39(Web Server issue):W29-W37.

[14] EDWARDSKD，BOMBARELYA，STORYGW，etal.TobEA:An atlasof tobacco gene expression from seed to senescence[J].BMC Genomics，2010，11:142.

[15] 薛瑾，吳健，盧秀香，等.煙草磺肽素(PSK)基因家族鑒定及抗 旱功能分析[J].中國煙草科學，2024，45(3)：77-85. XUEJ，WUJ，LUXX，etal.Analysis of sulfopeptin(PSK）gene familyand drought resistance in tobacco[J].Chinese Tobacco Science，2024，45(3):77-85.

[16] 劉濤，郭存，鄒宗慶，等.煙草TPP基因家族鑒定及表達模式分 析[J].中國煙草科學，2022，43(6)：1-8，16. LIUT，GUO C， ZOU Z Q， et al.Identificationand expression pattern analysisofthe TPPgenefamilyin tobacco[J].Chinese Tobacco Science，2022，43(6):1-8，16.

[17] 李琦瑤，王樹聲，周培祿，等.低溫脅迫對煙苗葉形及生理特性 的影響[J].中國煙草科學，2018，39(1)：17-23. LIQY，WANGSS，ZHOUPL，etal.Effectsof low temperature stresson leaf shape and physiological characteristics of tobacco seedlings[J].Chinese Tobacco Science，2018，39(1):17-23.

[18] 鄧智超，田冬冬，宋青松，等.煙草OSCA基因家族鑒定及非生 物脅迫誘導表達模式分析[J].中國煙草科學，2022，43(1)：14-21. DENG ZC，TIAN D D，SONGQ S，et al.Genome wide identification and expressionanalysis of the OSCA gene familyin response to abiotic stressesin tobacco[J].Chinese Tobacco Science， 2022，43(1): 14-21.

[19] SMITH DL，FEDOROFFN V.LRP1，a gene expressed in lateral and adventitiousrootprimordiaofArabidopsis[J].ThePlant Cell，1995， 7(6): 735-745.

[20]BAYLIS T，CIERLIK I，SUNDBERG E，et al.SHORT INTERNODES/STYLISHgenes，regulatorsofauxin biosynthesis，are involved inleafveindevelopmentinArabidopsisthaliana[J].New Phytologist，2013，197(3):737-750.

[21] ZHU X L，WANG B Q，WANG X，et al.Genome-wide identification，structural analysis and expression profiles of short internodesrelated sequence gene familyinquinoa[J].Frontiersin Genetics，2022，13:961925.

[22] HEB，SHI PB，LVYD， et al.Gene coexpression network analysis reveals the role of SRS genes in senescence leaf of maize(Zea mays L.)[J].Journal ofGenetics，2020，99:3.

[23] GOMARIZ-FERNANDEZA，SANCHEZ-GERSCHON V， FOURQUINC，etal.The roleof SHI/STY/SRS genes inorgan growth andcarpel developmentis conserved in the distant eudicot species ArabidopsisthalianaandNicotianabenthamiana[J].Frontiersin PlantScience，2017，8:814.

[24]KIMSG，LEESM，KIMYS，etal.Activation taggingofan ArabidopsisSHI-RELATEDSEQUENCEgene producesabnormal anther dehiscence and floral development[J].Plant Molecular Biology，2010，74(4-5):337-351.

[25] 王龍，張永順，王紅艷，等.甘藍型油菜轉錄因子SRS基因家族 的全基因組鑒定及表達分析[J].中國油料作物學報，2024，46(4)： 795-807. WANG L，ZHANG Y S，WANG HY，et al.Genome-wide identification and expression analysis of the SRS gene familyin Brassica napus[J]. Chinese Journal of Oil Crop Sciences，2024， 46(4): 795-807.