GaiaField Pro便携式光谱成像系统赋能：与卷积神经网络的折叠烤烟精准分类方法

应用方向：

高光谱成像技术因其同时获取丰富图像与光谱数据的能力，展现出在非破坏性、快速且高精度检测中的巨大潜力。结合本研究对折叠烤烟的自动分级探索，高光谱成像不仅能提取复杂光谱特征用于深度学习模型分类，还能有效应对复杂背景干扰和样品多样性，进一步拓展了其在农业、食品与工业自动检测领域中的应用边界，为实现智能化、精准化生产与品质控制提供了有力技术支撑。

背景：

烤烟叶作为卷*生产的主要原料，其分级在整个生产流程中具有至关重要的地位。传统的烤烟叶分级主要依赖人工经验判断，不仅存在主观性强、准确率低、工作量大等问题，还受限于**的工作环境和人力短缺，尤其是年轻人不愿从事此类繁琐工作。因此，亟需开发一种快速、客观且准确的烤烟叶分级方法，以满足**行业大规模生产的需求。

高光谱成像技术（HSI）因其具备同时采集丰富图像信息与光谱信息的优势，已在农作物分类等领域展现出广泛应用前景。然而，面对高维复杂的高光谱数据，传统机器学习方法（如SVM、RF等）在计算效率与准确性上存在局限。近年来，深度学习方法（如CNN）因其**的特征提取与学习能力，成为高光谱数据处理的新兴方案。尽管已有研究在图像分类上取得了进展，但针对折叠状态下的烤烟叶分级，仍存在特征提取困难、分类精度不高等挑战。

因此，本文提出将高光谱成像技术与深度学习方法相结合，开发一种面向折叠烤烟叶的高效分级识别方法，以提升自动分级系统的性能和可靠性，为实现烤烟叶的智能化质量检测与精准分类提供技术支持。

作者信息：王玉柱，福建农林大学机电工程学院

期刊来源：Industrial Crops & Products

研究内容

本研究旨在开发一种高效、准确的折叠烤烟叶分级方法，以解决传统人工分级存在的主观性强、准确率低、效率低下的问题。研究采用了高光谱成像技术结合卷积神经网络（CNN），构建了一套可实现烤烟叶质量自动分级的系统。主要方法包括：首先，采集折叠烤烟叶的高光谱图像数据，通过光谱预处理提取有效特征；其次，设计并优化CNN网络结构，使其能够充分挖掘烤烟叶在不同波段的图像与光谱特征，提升分级性能；*后，结合实验验证，将所提出方法与传统机器学习模型（如SVM、RF）进行比较，结果表明深度学习模型在折叠烤烟叶分级任务中表现更优。研究不仅提升了分级准确率，还为烤烟叶生产的自动化、智能化提供了技术支撑。

实验设计

本研究采用的烟叶样品由福建省邵武市（东经117.48°，北纬27.34°）某**公司提供。根据当年实际收购烟叶质量状况，并参照中国烤烟国家标准，选取了10个具有代表性的烟叶等级作为研究对象，包括：上部杂色**（B1K）、上部橘黄二级（B2F、B2K）、上部橘黄三级（B3F）、上部柠檬黄四级（B4L）、中部橘黄二级（C2F）、中部橘黄三级（C3F）、中部橘黄四级（C4F）、光滑**（S1）以及下部橘黄二级（X2F）。

本研究采用的高光谱成像系统为内置推扫式相机（GaiaField Pro-V10E，江苏双利合谱科技有限公司生产）。该系统的光谱检测范围为401-1046纳米，光谱分辨率达2.8纳米，像素分辨率为1392×1040，共包含360个波段。整套系统由高光谱相机（含四个100瓦溴钨灯光源）、载物台及计算机组成（如图1所示）。

图1.高光谱图像采集系统示意图

研究方法

首先采用光谱-理化共生距离（SPXY）算法对数据集进行划分。在预处理阶段，采用Savitzky-Golay平滑（SG）、标准正态变量（SNV）、平均中心化（MC）和多元散射校正（MSC）四种预处理方法对数据进行降噪、纠正散射误差、消除基线漂移及增强光谱与数据相关性。随后通过连续投影算法（SPA）、逐步回归法（LAR）和主成分分析（PCA）提取与分级高度相关的特征波段。

*后，比较了五种不同的分类模型，包括卷积神经网络（CNN）、残差神经网络（ResNet）、支持向量机（SVM）、随机森林（RF）和极限学习机（ELM）。其中CNN和ResNet代表深度学习方法，SVM、RF和ELM则代表传统机器学习方法。

本研究提出的用于烟叶等级分类识别的一维卷积神经网络（1D-CNN）结构如图2所示，模型架构包含标准化层、输入层、六层一维卷积层、三层*大池化层，以及展平层和全连接层。各卷积层均采用双曲正切函数（tanh）作为激活函数，该选择显著增强了神经网络模型的表达能力。

图2.一维卷积神经网络（1D-CNN）结构示意图

结果

不同预处理方法对RF、ANN和CNN模型的分类性能具有显著影响。其中，MC预处理方法在三种分类模型中均取得了*高的准确率。此外，本研究比较了三种不同数据划分策略对模型性能的影响，包括7:3（70%训练集/30%测试集）、8:2以及9:1三种比例方案。RF模型在7:3和9:1的数据划分下表现良好，而ANN和CNN在8:2的划分比例中展现出更优异的性能。

在特征波长的提取上，SPA和CARS算法选择的特征波长在整个光谱范围内分布较为分散，而LAR算法则主要集中在669-1039 nm区间内。对比了不同特征波段选择方法下的1D-CNN模型的准确率和损失值，结果显示LAR特征选择下模型的测试集损失值*低（0.1），准确率*高（96.3%），优于SPA和CARS方法。

基于LAR算法选择的特征波段，结合MC预处理，进一步比较了1D-CNN与RF、ANN、BPNN和ResNet模型的分类结果（见下表），发现LAR-1D-CNN不仅在准确率上大幅**（96.3%），且模型体积*小（0.21MB），运行效率更高。

通过图3混淆矩阵结果表明，1D-CNN模型在大多数类别上的分类表现优异，虽有少量混淆（如B2F与B3F、B4L与S1），但整体分类精度和稳定性突出。相较于依赖图像的传统方法，本研究采用光谱数据训练的1D-CNN模型，显著提升了折叠烤烟的自动分级精度与效率，验证了光谱特征与深度学习模型结合的优越性。

图3. 1D-CNN模型分类结果的混淆矩阵

结论

本研究**性地将高光谱成像技术与深度学习方法相结合，应用于初烤烟叶的智能化分级。基于LAR特征波段提取算法，构建了一维卷积神经网络（1D-CNN）模型，利用401-1046nm范围的高光谱数据对折叠式初烤烟叶进行分类研究。研究发现，1D-CNN模型的分类性能显著优于其他所有对比模型。实验结果表明：高光谱成像技术能够有效提取折叠初烤烟叶的特征信息，而深度学习算法可以充分挖掘光谱中的复杂特征用于烟叶分级。该研究有助于解决人工烟叶分级的主观性和不确定性，提升烟叶自动化分级水平。随着**质量和**要求的不断提高，亟需通过进一步的研究和改进来拓展折叠式初烤烟叶分类技术的应用范围。通过持续的技术优化和**，该技术有望延伸至多个相关产业领域，创造更大的经济效益和社会价值。