便攜式高光譜驅(qū)動(dòng)折疊烤煙智能分級(jí)：高光譜成像技術(shù)結(jié)合深度學(xué)習(xí)模型的應(yīng)用

應(yīng)用方向：

高光譜成像技術(shù)因其同時(shí)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(cè)中的巨大潛力。結(jié)合本研究對(duì)折疊烤煙的自動(dòng)分級(jí)探索，高光譜成像不僅能提取復(fù)雜光譜特征用于深度學(xué)習(xí)模型分類(lèi)，還能有效應(yīng)對(duì)復(fù)雜背景干擾和樣品多樣性，進(jìn)一步拓展了其在農(nóng)業(yè)、食品與工業(yè)自動(dòng)檢測(cè)領(lǐng)域中的應(yīng)用邊界，為實(shí)現(xiàn)智能化、精準(zhǔn)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(jí)在整個(gè)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(jí)主要依賴人工經(jīng)驗(yàn)判斷，不僅存在主觀性強(qiáng)、準(zhǔn)確率低、工作量大等問(wèn)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(lèi)繁瑣工作。因此，亟需開(kāi)發(fā)一種快速、客觀且準(zhǔn)確的烤煙葉分級(jí)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(shí)采集豐富圖像信息與光譜信息的優(yōu)勢(shì)，已在農(nóng)作物分類(lèi)等領(lǐng)域展現(xiàn)出廣泛應(yīng)用前景。然而，面對(duì)高維復(fù)雜的高光譜數(shù)據(jù)，傳統(tǒng)機(jī)器學(xué)習(xí)方法（如SVM、RF等）在計(jì)算效率與準(zhǔn)確性上存在局限。近年來(lái)，深度學(xué)習(xí)方法（如CNN）因其卓*的特征提取與學(xué)習(xí)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(lèi)上取得了進(jìn)展，但針對(duì)折疊狀態(tài)下的烤煙葉分級(jí)，仍存在特征提取困難、分類(lèi)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(xué)習(xí)方法相結(jié)合，開(kāi)發(fā)一種面向折疊烤煙葉的高效分級(jí)識(shí)別方法，以提升自動(dòng)分級(jí)系統(tǒng)的性能和可靠性，為實(shí)現(xiàn)烤煙葉的智能化質(zhì)量檢測(cè)與精準(zhǔn)分類(lèi)提供技術(shù)支持。

作者信息：王玉柱，福建農(nóng)林大學(xué)機(jī)電工程學(xué)院

期刊來(lái)源：Industrial Crops & Products

研究?jī)?nèi)容

本研究旨在開(kāi)發(fā)一種高效、準(zhǔn)確的折疊烤煙葉分級(jí)方法，以解決傳統(tǒng)人工分級(jí)存在的主觀性強(qiáng)、準(zhǔn)確率低、效率低下的問(wèn)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(shí)現(xiàn)烤煙葉質(zhì)量自動(dòng)分級(jí)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(guò)光譜預(yù)處理提取有效特征；其次，設(shè)計(jì)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(jí)性能；最后，結(jié)合實(shí)驗(yàn)驗(yàn)證，將所提出方法與傳統(tǒng)機(jī)器學(xué)習(xí)模型（如SVM、RF）進(jìn)行比較，結(jié)果表明深度學(xué)習(xí)模型在折疊烤煙葉分級(jí)任務(wù)中表現(xiàn)更優(yōu)。研究不僅提升了分級(jí)準(zhǔn)確率，還為烤煙葉生產(chǎn)的自動(dòng)化、智能化提供了技術(shù)支撐。

實(shí)驗(yàn)設(shè)計(jì)

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(dāng)年實(shí)際收購(gòu)煙葉質(zhì)量狀況，并參照中國(guó)烤煙國(guó)家標(biāo)準(zhǔn)，選取了10個(gè)具有代表性的煙葉等級(jí)作為研究對(duì)象，包括：上部雜色一級(jí)（B1K）、上部橘黃二級(jí)（B2F、B2K）、上部橘黃三級(jí)（B3F）、上部檸檬黃四級(jí)（B4L）、中部橘黃二級(jí)（C2F）、中部橘黃三級(jí)（C3F）、中部橘黃四級(jí)（C4F）、光滑一級(jí)（S1）以及下部橘黃二級(jí)（X2F）。

本研究采用的高光譜成像系統(tǒng)為內(nèi)置推掃式相機(jī)（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(cè)范圍為401-1046納米，光譜分辨率達(dá)2.8納米，像素分辨率為1392×1040，共包含360個(gè)波段。整套系統(tǒng)由高光譜相機(jī)（含四個(gè)100瓦溴鎢燈光源）、載物臺(tái)及計(jì)算機(jī)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(duì)數(shù)據(jù)集進(jìn)行劃分。在預(yù)處理階段，采用Savitzky-Golay平滑（SG）、標(biāo)準(zhǔn)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(duì)數(shù)據(jù)進(jìn)行降噪、糾正散射誤差、消除基線漂移及增強(qiáng)光譜與數(shù)據(jù)相關(guān)性。隨后通過(guò)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(jí)高度相關(guān)的特征波段。

最后，比較了五種不同的分類(lèi)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(jī)（SVM）、隨機(jī)森林（RF）和極限學(xué)習(xí)機(jī)（ELM）。其中CNN和ResNet代表深度學(xué)習(xí)方法，SVM、RF和ELM則代表傳統(tǒng)機(jī)器學(xué)習(xí)方法。

本研究提出的用于煙葉等級(jí)分類(lèi)識(shí)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(biāo)準(zhǔn)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(qiáng)了神經(jīng)網(wǎng)絡(luò)模型的表達(dá)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(duì)RF、ANN和CNN模型的分類(lèi)性能具有顯著影響。其中，MC預(yù)處理方法在三種分類(lèi)模型中均取得了最高的準(zhǔn)確率。此外，本研究比較了三種不同數(shù)據(jù)劃分策略對(duì)模型性能的影響，包括7:3（70%訓(xùn)練集/30%測(cè)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(zhǎng)的提取上，SPA和CARS算法選擇的特征波長(zhǎng)在整個(gè)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(duì)比了不同特征波段選擇方法下的1D-CNN模型的準(zhǔn)確率和損失值，結(jié)果顯示LAR特征選擇下模型的測(cè)試集損失值*低（0.1），準(zhǔn)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(jìn)一步比較了1D-CNN與RF、ANN、BPNN和ResNet模型的分類(lèi)結(jié)果（見(jiàn)下表），發(fā)現(xiàn)LAR-1D-CNN不僅在準(zhǔn)確率上大幅*先（96.3%），且模型體積最小（0.21MB），運(yùn)行效率更高。

通過(guò)圖3混淆矩陣結(jié)果表明，1D-CNN模型在大多數(shù)類(lèi)別上的分類(lèi)表現(xiàn)優(yōu)異，雖有少量混淆（如B2F與B3F、B4L與S1），但整體分類(lèi)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(xùn)練的1D-CNN模型，顯著提升了折疊烤煙的自動(dòng)分級(jí)精度與效率，驗(yàn)證了光譜特征與深度學(xué)習(xí)模型結(jié)合的優(yōu)*性。

圖3. 1D-CNN模型分類(lèi)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(xué)習(xí)方法相結(jié)合，應(yīng)用于初烤煙葉的智能化分級(jí)?；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(duì)折疊式初烤煙葉進(jìn)行分類(lèi)研究。研究發(fā)現(xiàn)，1D-CNN模型的分類(lèi)性能顯著優(yōu)于其他所有對(duì)比模型。實(shí)驗(yàn)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(xué)習(xí)算法可以充分挖掘光譜中的復(fù)雜特征用于煙葉分級(jí)。該研究有助于解決人工煙葉分級(jí)的主觀性和不確定性，提升煙葉自動(dòng)化分級(jí)水平。隨著煙草質(zhì)量和安全要求的不斷提高，亟需通過(guò)進(jìn)一步的研究和改進(jìn)來(lái)拓展折疊式初烤煙葉分類(lèi)技術(shù)的應(yīng)用范圍。通過(guò)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(gè)相關(guān)產(chǎn)業(yè)領(lǐng)域，創(chuàng)造更大的經(jīng)濟(jì)效益和社會(huì)價(jià)值。