應(yīng)用方向：
高光譜成像技術(shù)因其同時獲取豐富圖像與光譜數(shù)據(jù)的能力，展現(xiàn)出在非破壞性、快速且高精度檢測中的巨大潛力。結(jié)合本研究對折疊烤煙的自動分級探索，高光譜成像不僅能提取復雜光譜特征用于深度學習模型分類，還能有效應(yīng)對復雜背景干擾和樣品多樣性，進一步拓展了其在農(nóng)業(yè)、食品與工業(yè)自動檢測領(lǐng)域中的應(yīng)用邊界，為實現(xiàn)智能化、精準化生產(chǎn)與品質(zhì)控制提供了有力技術(shù)支撐。
背景：
烤煙葉作為卷煙生產(chǎn)的主要原料，其分級在整個生產(chǎn)流程中具有至關(guān)重要的地位。傳統(tǒng)的烤煙葉分級主要依賴人工經(jīng)驗判斷，不僅存在主觀性強、準確率低、工作量大等問題，還受限于不良的工作環(huán)境和人力短缺，尤其是年輕人不愿從事此類繁瑣工作。因此，亟需開發(fā)一種快速、客觀且準確的烤煙葉分級方法，以滿足煙草行業(yè)大規(guī)模生產(chǎn)的需求。
高光譜成像技術(shù)（HSI）因其具備同時采集豐富圖像信息與光譜信息的優(yōu)勢，已在農(nóng)作物分類等領(lǐng)域展現(xiàn)出廣泛應(yīng)用前景。然而，面對高維復雜的高光譜數(shù)據(jù)，傳統(tǒng)機器學習方法（如SVM、RF等）在計算效率與準確性上存在局限。近年來，深度學習方法（如CNN）因其卓*的特征提取與學習能力，成為高光譜數(shù)據(jù)處理的新興方案。盡管已有研究在圖像分類上取得了進展，但針對折疊狀態(tài)下的烤煙葉分級，仍存在特征提取困難、分類精度不高等挑戰(zhàn)。
因此，本文提出將高光譜成像技術(shù)與深度學習方法相結(jié)合，開發(fā)一種面向折疊烤煙葉的高效分級識別方法，以提升自動分級系統(tǒng)的性能和可靠性，為實現(xiàn)烤煙葉的智能化質(zhì)量檢測與精準分類提供技術(shù)支持。
作者信息：王玉柱，福建農(nóng)林大學機電工程學院
期刊來源：Industrial Crops & Products
研究內(nèi)容
本研究旨在開發(fā)一種高效、準確的折疊烤煙葉分級方法，以解決傳統(tǒng)人工分級存在的主觀性強、準確率低、效率低下的問題。研究采用了高光譜成像技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN），構(gòu)建了一套可實現(xiàn)烤煙葉質(zhì)量自動分級的系統(tǒng)。主要方法包括：首先，采集折疊烤煙葉的高光譜圖像數(shù)據(jù)，通過光譜預(yù)處理提取有效特征；其次，設(shè)計并優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)，使其能夠充分挖掘烤煙葉在不同波段的圖像與光譜特征，提升分級性能；最后，結(jié)合實驗驗證，將所提出方法與傳統(tǒng)機器學習模型（如SVM、RF）進行比較，結(jié)果表明深度學習模型在折疊烤煙葉分級任務(wù)中表現(xiàn)更優(yōu)。研究不僅提升了分級準確率，還為烤煙葉生產(chǎn)的自動化、智能化提供了技術(shù)支撐。
實驗設(shè)計
本研究采用的煙葉樣品由福建省邵武市（東經(jīng)117.48°，北緯27.34°）某煙草公司提供。根據(jù)當年實際收購煙葉質(zhì)量狀況，并參照中國烤煙國家標準，選取了10個具有代表性的煙葉等級作為研究對象，包括：上部雜色一級（B1K）、上部橘黃二級（B2F、B2K）、上部橘黃三級（B3F）、上部檸檬黃四級（B4L）、中部橘黃二級（C2F）、中部橘黃三級（C3F）、中部橘黃四級（C4F）、光滑一級（S1）以及下部橘黃二級（X2F）。
本研究采用的高光譜成像系統(tǒng)為內(nèi)置推掃式相機（GaiaField Pro-V10E，江蘇雙利合譜科技有限公司生產(chǎn)）。該系統(tǒng)的光譜檢測范圍為401-1046納米，光譜分辨率達2.8納米，像素分辨率為1392×1040，共包含360個波段。整套系統(tǒng)由高光譜相機（含四個100瓦溴鎢燈光源）、載物臺及計算機組成（如圖1所示）。
圖1. 高光譜圖像采集系統(tǒng)示意圖
研究方法
首先采用光譜-理化共生距離（SPXY）算法對數(shù)據(jù)集進行劃分。在預(yù)處理階段，采用Savitzky-Golay平滑（SG）、標準正態(tài)變量（SNV）、平均中心化（MC）和多元散射校正（MSC）四種預(yù)處理方法對數(shù)據(jù)進行降噪、糾正散射誤差、消除基線漂移及增強光譜與數(shù)據(jù)相關(guān)性。隨后通過連續(xù)投影算法（SPA）、逐步回歸法（LAR）和主成分分析（PCA）提取與分級高度相關(guān)的特征波段。
最后，比較了五種不同的分類模型，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、殘差神經(jīng)網(wǎng)絡(luò)（ResNet）、支持向量機（SVM）、隨機森林（RF）和極限學習機（ELM）。其中CNN和ResNet代表深度學習方法，SVM、RF和ELM則代表傳統(tǒng)機器學習方法。
本研究提出的用于煙葉等級分類識別的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）結(jié)構(gòu)如圖2所示，模型架構(gòu)包含標準化層、輸入層、六層一維卷積層、三層最大池化層，以及展平層和全連接層。各卷積層均采用雙曲正切函數(shù)（tanh）作為激活函數(shù)，該選擇顯著增強了神經(jīng)網(wǎng)絡(luò)模型的表達能力。
圖2. 一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）結(jié)構(gòu)示意圖
結(jié)果
不同預(yù)處理方法對RF、ANN和CNN模型的分類性能具有顯著影響。其中，MC預(yù)處理方法在三種分類模型中均取得了最高的準確率。此外，本研究比較了三種不同數(shù)據(jù)劃分策略對模型性能的影響，包括7:3（70%訓練集/30%測試集）、8:2以及9:1三種比例方案。RF模型在7:3和9:1的數(shù)據(jù)劃分下表現(xiàn)良好，而ANN和CNN在8:2的劃分比例中展現(xiàn)出更優(yōu)異的性能。
在特征波長的提取上，SPA和CARS算法選擇的特征波長在整個光譜范圍內(nèi)分布較為分散，而LAR算法則主要集中在669-1039 nm區(qū)間內(nèi)。對比了不同特征波段選擇方法下的1D-CNN模型的準確率和損失值，結(jié)果顯示LAR特征選擇下模型的測試集損失值*低（0.1），準確率最高（96.3%），優(yōu)于SPA和CARS方法。
基于LAR算法選擇的特征波段，結(jié)合MC預(yù)處理，進一步比較了1D-CNN與RF、ANN、BPNN和ResNet模型的分類結(jié)果（見下表），發(fā)現(xiàn)LAR-1D-CNN不僅在準確率上大幅*先（96.3%），且模型體積最?。?.21MB），運行效率更高。
通過圖3混淆矩陣結(jié)果表明，1D-CNN模型在大多數(shù)類別上的分類表現(xiàn)優(yōu)異，雖有少量混淆（如B2F與B3F、B4L與S1），但整體分類精度和穩(wěn)定性突出。相較于依賴圖像的傳統(tǒng)方法，本研究采用光譜數(shù)據(jù)訓練的1D-CNN模型，顯著提升了折疊烤煙的自動分級精度與效率，驗證了光譜特征與深度學習模型結(jié)合的優(yōu)*性。
圖3. 1D-CNN模型分類結(jié)果的混淆矩陣
結(jié)論
本研究創(chuàng)新性地將高光譜成像技術(shù)與深度學習方法相結(jié)合，應(yīng)用于初烤煙葉的智能化分級?；贚AR特征波段提取算法，構(gòu)建了一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）模型，利用401-1046nm范圍的高光譜數(shù)據(jù)對折疊式初烤煙葉進行分類研究。研究發(fā)現(xiàn)，1D-CNN模型的分類性能顯著優(yōu)于其他所有對比模型。實驗結(jié)果表明：高光譜成像技術(shù)能夠有效提取折疊初烤煙葉的特征信息，而深度學習算法可以充分挖掘光譜中的復雜特征用于煙葉分級。該研究有助于解決人工煙葉分級的主觀性和不確定性，提升煙葉自動化分級水平。隨著煙草質(zhì)量和安全要求的不斷提高，亟需通過進一步的研究和改進來拓展折疊式初烤煙葉分類技術(shù)的應(yīng)用范圍。通過持續(xù)的技術(shù)優(yōu)化和創(chuàng)新，該技術(shù)有望延伸至多個相關(guān)產(chǎn)業(yè)領(lǐng)域，創(chuàng)造更大的經(jīng)濟效益和社會價值。
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服