基于BP神经网络的烘烤变黄期烟叶含水量预测

张广普 李峥 黄广华 徐志强 钟永健 赵程虹

摘    要：量化研究烘烤变黄期烟叶颜色变化，实现烘烤变黄期叶片含水量的无损检测。利用色差仪检测‘K326中部叶不同变黄温度（烤前32，34，36，38，40，42 ℃）下的叶片颜色参数（L*、a*、b*、C、H°），通过因子分析法对作为输入变量的颜色参数进行筛选，分别构建不同温度点的叶片含水量预测模型。网络模型训练结果表明：各温度点叶片含水量预测模型的模拟值与目标值的回归系数均达到显著水平或极显著水平，各網络模型预测误差在0～2.0范围内的样本占比达到88%以上，预测误差在0～3.0范围内的样本占比均达到95%以上。构建的不同变黄温度叶片含水量预测模型具有较高的准确性，在烘烤变黄期可利用BP神经网络基于烟叶颜色参数进行叶片含水量的快速无损估测。

关键词：烤烟;变黄期;BP神经网络;颜色参数;叶片含水量;预测模型

中图分类号：S572         文献标识码：A          DOI 编码：10.3969/j.issn.1006-6500.2021.10.014

Prediction of Moisture Content of Tobacco Leaves in Yellowing Stage Based on Back Propagation Artificial Neural Network

ZHANG Guangpu， LI Zheng， HUANG Guanghua， XU Zhiqiang，ZHONG Yongjian， ZHAO Chenghong

（China Tobacco Zhejiang Industrial Co.， Ltd.， Hangzhou， Zhejiang 310024， China）

Abstract： Quantitative study on color change of flue cured tobacco leaves during yellowing period. Non-destructive testing of leaf moisture content during yellowing stage. The middle leaves of 'K326' were used as experimental materials. The leaf color parameters （L*，a*，b*，C，H°） were measured colorimeter under different yellowing temperatures （32，34，36，38，40，42℃）. The color parameters were screened by factor analysis. The prediction models of leaf moisture content at different temperature points were established. The network model training results showed that： the regression coefficients between the simulated value and the target value of each prediction model reached a significant level or extremely significant level. The proportion of samples with prediction error in the range of 0-2.0 was more than 88%. And the proportion of samples with prediction error in the range of 0-3.0 was more than 95%. The prediction model of leaf moisture content with different yellowing temperature had high accuracy. BP neural network could be used to estimate leaf moisture content rapidly and non-destructively based on tobacco color parameters during yellowing period.

Key words： flue-cured tobacco; yellowing stage; back propagation artificial neural network; color parameters; moisture content of tobacco leaves; Prediction model

变黄期是烟叶烘烤过程中的重要阶段，烟叶在变黄阶段发生的理化变化对其商品质量的形成具有决定性的作用。实际烘烤作业中，操作人员通常对烟叶的变黄程度和失水程度进行监测和判断，并调控烟叶所处温、湿环境以促进变黄和失水达到协调的状态[1-3]，为烟叶定色打下良好的基础。变黄期烟叶颜色由青转黄的变化较为明显[2]，但对于烟叶失水程度的判断则是基于叶片和主脉的形态变化进行分析[4-5]，存在较强的主观性和随意性。因此，研究变黄期烟叶含水量的准确测算方法对指导烘烤操作有重要意义。目前，对于烟叶水分测量的方法较多，例如：烘箱法[6]、低场核磁检测法[7-8]、近红外分析技术[9]等，但上述方法存在周期长、成本高的问题，无法满足烘烤过程中快速实时监测烟叶含水量的需求。有研究表明，烘烤过程中烟叶颜色与含水量的变化存在复杂的相关关系[10-12]，随着色彩学科的不断发展，颜色的量化研究在烟叶生产及相关研究中得以广泛应用，例如：武圣江等[13]用颜色参数和失水速率等指标探究了不同烤烟品种不同成熟度上部叶的烘烤特性;李志刚等[14]分析了烘烤过程中颜色值与含水量的变化及相关关系;贺帆等[15]基于色度学通过回归分析建立了烘烤过程水分预测模型，经检测相对误差达到18.25%，模型预测精准度略差。在含水量预测模型构建方法选择的问题上，简单的相关分析和回归分析难以处理指标间非线性的变化关系。而BP神经网络具有较强的自学习能力以及高度非线性的特点[16]，近年来在烟叶品质指标预测、自动分级等方面有所应用[17-18]。本研究基于烟叶正、背面颜色参数，利用BP神经网络构建烘烤过程中预测不同变黄温度点叶片含水量的模型，为处理烟叶烘烤变黄期颜色与水分的复杂关系提供解决思路，同时为烟叶烘烤逐步实现智能化提供一定理论依据。

1 材料和方法

1.1 试验材料

供试烤烟品种为‘K326，2020年4月3号移栽，种植株行距50 cm×110 cm。试验田土壤为红壤，土壤有机质含量23.7 g·kg-1，土壤pH值偏酸性，有效磷和速效钾含量分别为22.1，161.3 mg·kg-1，氯离子含量19.8 mg·kg-1。田间种植管理按照优质烤烟生产技术规范进行。对中部叶（第10～12叶位）挂牌标记，待田间成熟度达到适熟标准后，选取株高、叶片颜色基本一致，且无病、虫害的烟株一次性采收烘烤。供试烤房为普通燃煤式密集烤房，装烟室为3层2路式，装烟室规格为长×宽×高=8.0 m×2.8 m×3.4 m，装烟量4 000～4 300 kg。

1.2 试验方法

参照三段式烘烤工艺[2]，试验结合烤房实际温、湿度，将烘烤变黄期温度等间距划分为32（烤前），34，36，38，40，42 ℃等6个取样温度点。每个取样温度点选取大小、颜色基本一致的烟叶240片，进行颜色参数和叶片含水量的测定。为避免空隙影响后续烤房中烟叶颜色和水分的变化，取样后采用麻袋片进行填补。

1.3 颜色参数和叶片含水量测定

颜色参数测定参照霍开玲等[19]方法进行。采用Color-Eye7000A型分光光谱仪（美国GretagMac-beth公司，光谱范围360 nm～700 nm，测量孔径1.5 cm），测量时避开支脉和病斑，每片烟叶于叶尖、叶中、叶基部各选取对称的2个测量位点（图1），叶片正面、背面共计检测12个位点。检测指标为亮度值L*、红度值a*、黄度值b*、饱和度C、色相角H°。颜色参数为无损测量，测量后采用烘箱法[6]检测叶片含水量，测量时用刀片将主脉和叶片剥离，通过称重计算叶片含水量。

1.4 数据处理与分析

采用Matlab2014b软件进行数据统计、数据处理、模型构建及样本训练，采用Excel2013软件制作图片。

2 结果与分析

2.1 烘烤变黄期烟叶颜色参数和含水量变化

烘烤变黄期不同取样温度点测量的烤烟样品颜色参数和叶片含水量如表1所示。由表1可知，烘烤变黄期烟叶正、背面各项颜色参数变化规律基本一致，表现为：L*、a*、b*、C呈上升趋势，H°则不断下降，表明随变黄期烘烤温度的上升，烟叶颜色的亮度变高，绿色变淡，黄色变浓，颜色愈发饱和鲜亮，色相角H°在180°～90°的变化反映颜色逐渐由绿转黄，检测的烟叶H°变化介于103.1°～76.28°，表征了变黄期烤烟颜色变化规律。烟叶正面和背面颜色参数呈现一定的差异性，烟叶采收至烘烤变黄期结束的过程中，叶片正面的L*、H°两项指标高于背面，a*、b*、C则低于背面。采收后鲜烟叶叶片含水量在80%左右，随烘烤进行叶片失水速率逐渐加快，其中以38～42 ℃区间失水幅度最为明显，表明变黄中后期叶片失水较快，变黄期叶片失水比例约为20%。

2.2 样品颜色参数的因子分析

为加快网络模型的收敛速度，实现最好的训练效果，采用因子分析法对网络模型的输入变量进行筛选。因子分析采用主成分提取的方法，并进行方差极大正交旋转，得到的因子旋转矩阵如表2所示。由表可知，在累计贡献率>90%的情况下共提取出5个主成分因子，其中，前3个因子的贡献率较高，均达到20%以上，因子4和因子5的贡献率较低，分别为13.058%，11.473%，5个主成分因子累计贡献率为95.162%，表明提取的主成分可以描述样本的颜色参数。从因子载荷系数来看，因子1主要反映了背面a*、b*、H°的影响，因子2主要反映正面b*、C的影响，因子3主要反映正面L*的影响，因子4主要反映背面C的影响，因子5主要反映正面a*、H°的影响。

2.3 結构设计与数据处理

BP神经网络由输入层、隐含层、输出层，3层结构组成。本文构建的烘烤变黄期叶片含水量预测模型结构设计如图2所示。根据因子分析结果，将叶片正面L*、a*、b*、C、H°以及背面a*、b*、C、H°等9项指标作为网络的输入节点，以32～42 ℃区间内6个取样温度点的叶片含水率分别作为输出节点构建各温度点的预测模型。隐含层的节点数量依据经验公式（1）来确定取值范围：

式中，q为隐含层节点数量;n为输入层节点数量;m为输出层节点数量;α为调节常数（α=1，2，……，10）。

实际训练过程中，调节常数α的取值会影响输出结果的准确性，表3反映了所有隐含层节点取值时神经网络训练误差。由表3可知，隐含层节点数量在4～14范围内，经网络性能测试，隐含层节点数为11时模型拟合误差最小，为3.87%，结合输入节点及输出节点个数，构建“输入层-隐含层-输出层”结构为“9-11-1”的BP神经网络模型。

作为神经网络输入层的颜色参数指标之间具有不同的量纲和量纲单位，例如：烘烤前期烟叶a*值为负，其余颜色参数均为正，且明显高于a*值;H°值反映颜色在色相环中存在的角度，其余颜色参数则采用数值的高低来反映颜色。同时，为避免输入层数据数值差异较大引起的输出饱和现象，为进一步加快网络收敛速度、提升网络训练准确性，需要对输入层颜色参数数据进行归一化处理。由于采集的烟叶样本数量有限，为避免后续新数据加入改变样本数据的最大值和最小值，因此采用Matlab2014b软件通过Z-score标准化函数进行数据处理。

2.4 网络建立与训练

基于BP神经网络的烘烤变黄期叶片含水量预测通过MATLAB神经网络工具箱提供的函数进行编程进而完成模型的构建及样本的训练，具体步骤如下：

（1）导入数据，将标准化处理后的数据导入MATLAB软件中。

（2）函数设置，确定输入层、隐含层、输出层节点数后，使用newff函数初始化网络，输入层至隐含层使用Tan-Sigmoid饱和正切函数进行连接，隐含层至输出层使用purelin线性转换函数，网络训练函数为trainlm。

（3）参数设定，设置训练步数为100，反复训练次数为1 000，学习率为0.05，训练目标误差为0.005，其余参数使用系统默认值，设定参数的Matlab程序如下：

net. trainParam. Show =100;

net. trainParam. goal=0.005;

net. trainParam. Epochs=1 000;

net.trainParam.lr=0.05;

（4）样本训练，随机选取每个取样温度点样品数量的70%（168个）作为训练集，剩余30%（72个）样品作为验证集以测试模型的精度，各集合样本提取的程序如下：

net.divideFcn =‘dividerand;

net.divideMode =‘sample;

net.divideParam.trainRatio = 70/100;

net.divideParam.testRatio = 30/100;

2.5 样本训练结果与分析

基于烟叶正、背面颜色参数，使用BP神经网络构建了烘烤变黄期不同温度点叶片含水量预测模型。采用模型对样本进行训练和仿真，以训练完成后各模型输出的模拟值为纵坐标，以实际检测的目标值为横坐标，进行回归分析，结果如图3所示。图中虚线函数为y=x，即表明输出值与目标值数值完全一致。由图3可知，不同变黄期温度点叶片含水量的模拟值与目标值的拟合程度较高，大部分数据较为集中。从回归系数来看，32，34 ℃预测模型达到显著水平，36，38，40，42 ℃的预测模型达到了极显著水平。表明各模型的模拟值与目标值较为接近，预测精准度较高。

为进一步验证模型的精准性，分别对不同温度点的168个训练样本和72个验证样本的预测值与输出值的差异进行统计分析，得到归属于不同误差区间的样本比例。结果如表4所示，误差绝对值区间在0～1.0范围内的样本比例均达到40%以上，误差绝对值区间<2.0的样本占比基本在90%以上，仅32 ℃模型的训练样本和34 ℃模型的验证样本占比低于90%，但也分别达到了88.92%， 89.70%，误差绝对值区间<3.0的样本占比均高于95%，表明构建的模型预测效果较好。

3 结论与讨论

烘烤过程中对烟叶颜色变化的描述通常用变黄程度，对于烟叶干燥状态则采用勾尖卷边、卷筒等形态的变化来描述[2，20-21]。这种烘烤模式主要基于对烟叶变黄程度和形态变化的定性判断，对技术水平的要求较高。CIELab颜色系统是国际照明委员会公布的一种包括人眼可见的所有色彩的颜色模式[22]，可以实现烘烤过程中烟叶表面颜色的量化研究。烘烤变黄期烟叶颜色参数变化的研究结果表明：a*值在38 ℃之前增幅较为缓慢，38～42 ℃显著增长，结合5项颜色参数来看，随烘烤变黄温度上升，烟叶颜色愈发鲜亮饱和，绿色变淡，黄色逐渐凸显，且变黄后期颜色变化较为明显。由于烟叶为典型异面叶，叶片正、背面的细胞结构和生理生化特征存在较大差异[5]。因此，鲜烟叶叶面和叶背的颜色参数有明显的不同，但各项颜色参数在烘烤变黄期间的变化规律基本一致。叶片含水率变化结果显示，变黄期叶片失水速率逐渐加快，在38～42 ℃的温度区间内失水幅度最为明显，与颜色变化最明显的时期相吻合。

在叶片含水率检测方面，本研究采用的烘箱法具有成本低、结果准确的特点[23]，但在实际生产中由于检测时效性差、需要损坏样品[6]，不能用于烘烤实时监测烟叶含水量。烘烤过程中烟叶颜色变化不仅是指导烘烤操作的重要依据，同时也是判断烟叶失水程度的重要指标[24]。常规的线性分析方法无法处理烟叶颜色与叶片含水率之间的关系，本研究通过精密色差仪检测烟叶颜色参数，并作为输入变量，采用BP神经网络模型对烘烤变黄期叶片含水率进行模拟预测，利用神经网络具备的优秀的复杂模式分类能力和多维函数映射能力[25]，快速高效地判断叶片含水量，且实现了叶片含水量的无损检测，满足烘烤过程对水分检测的需求。

本文对烘烤变黄期的温度进行划分，基于烤烟正、背面颜色参数，利用BP神经网络对不同变黄温度点的叶片含水率进行了预测。结果表明：各温度点叶片含水率模型的预测值与实际检测值的误差在0～3.0区间内的样本占比均达到95%以上，预测误差在0～2.0区间内的样本占比均达到88%以上，表明该网络模型具有较好的预测稳定性和准确性，为烘烤变黄期依据量化的颜色指标实现烟叶含水量的判断提供了研究基础，同时为烟叶烘烤的智能化研究提供了一定的支撑。本研究仅选用烤烟品种‘K326进行分析和测试，缺少对不同烤烟品种的比较分析，具有一定局限性。再者由于烟叶烘烤特性受生态条件、栽培措施等因素影响较大，导致年度间鲜烟叶素质存在一定波动，进而影响烘烤过程中烟叶颜色和水分的变化。因此，模型的普适性还有待于进一步扩大取样范围进行检验和完善。

参考文献：

[1] 魏硕， 徐宸， 王松峰， 等. 预凋萎烟叶烘烤过程中水分迁移干燥及形态收缩特性[J]. 西北农林科技大学学报（自然科学版）， 2018， 46（6）： 39-47.

[2] 宫长荣. 烟草调制学[M]. 北京： 中国农业出版社， 2003： 1-7.

[3] 王传义， 张忠锋， 徐秀红， 等. 烟叶烘烤特性研究进展[J]. 中国烟草科学， 2009， 30（1）： 38-41.

[4] 李峥， 邱坤， 方明， 等. 基于形态学和色度学的烘烤过程中烟叶水分含量变化的模型[J]. 江苏农业科学， 2019， 47（19）： 209-214.

[5] 王涛， 贺帆， 詹军， 等. 密集烘烤过程中基于色度学和形态学的烤烟外观变化与化学成分关系[J]. 华中農业大学学报， 2012， 31（6）： 765-770.

[6] 刘惠民， 马明. 烟草及烟草制品试样的制备和水分的测定-烘箱法：YC/T 31-1996[S]. 北京： 中国标准出版社， 1996.

[7] 宋朝鹏， 魏硕， 贺帆， 等. 利用低场核磁共振分析烘烤过程烟叶水分迁移干燥特性[J]. 中国烟草学报， 2017， 23（4）： 50-55.

[8] 魏硕， 谭方利， 马明， 等. 上部叶带茎烘烤水分迁移及形态结构变化[J]. 河南农业大学学报， 2018， 52（2）： 187-192， 231.

[9] 尹旭， 徐其敏， 陈清， 等. 近红外分析技术在片烟含水率快速检测中的应用[J]. 中国农业信息， 2012， 31（17）： 88-89.

[10] 谢鹏飞， 邓小华， 周清明， 等. 密集烘烤过程中烟叶颜色、形态和水分变化及相互关系[J]. 作物研究， 2012， 26（5）： 486-490.

[11] 郭朵朵. 基于机器视觉的烟草烘烤品质检测及控制系统的设计[D]. 杨凌： 西北农林科技大学， 2017： 3-7.

[12] 段史江， 宋朝鹏， 马力， 等. 基于图像处理的烘烤过程中烟叶含水量检测[J]. 西北农林科技大学学报（自然科学版）， 2012， 40（5）： 74-80.

[13] 武圣江， 莫静静， 娄元菲， 等. 不同烤烟品种不同成熟度上部叶烘烤特性研究[J]. 核农学报， 2020， 34（6）： 1337-1349.

[14] 李志刚， 王廷贤， 潘飞龙， 等. 烘烤中烟叶颜色值与水分的變化及相互关系[J]. 湖南文理学院学报（自然科学版）， 2020， 32（2）： 65-70， 95.

[15] 贺帆， 王涛， 樊士军， 等. 基于色度学的密集烘烤过程中烟叶主要化学成分变化模型研究[J]. 西北农林科技大学学报（自然科学版）， 2014， 42（5）： 111-118.

[16] WANG R， JIANG J， PAN Y， et al. Prediction of impact sensitivity of nitro energetic compounds by neural network based on electrotopological-state indices[J]. Journal of Hazardous Materials， 2009， 166（1）： 155-186.

[17] 顾金梅， 吴雪梅， 龙曾宇， 等. 基于BP神经网络的烟叶颜色自动分级研究[J]. 中国农机化学报， 2016， 23（4）： 110-114.

[18] 李峥， 王建峰， 程小强， 等. 基于BP神经网络的烤烟外观质量预测模型[J]. 西南农业学报， 2019， 32（3）： 653-658.

[19] 霍开玲， 宋朝鹏， 武圣江， 等. 不同成熟度烟叶烘烤中颜色值和色素含量的变化[J]. 中国农业科学， 2011， 44（10）： 2013-2021.

[20] 樊军辉， 陈江华， 宋朝鹏， 等. 不同烤房烘烤过程中烟叶形态和物理特性的变化[J]. 西北农林科技大学学报（自然科学版）， 2010， 38（6）： 109-114.

[21] 夏春， 范宁波， 王彬， 等. 成熟度对云烟87上部烟叶烘烤中失水特性的影响[J]. 福建农林大学学报（自然科学版）， 2020， 49（2）： 159-166.

[22] HILL B， ROGER T H，VORHAGEN F W. Comparative analysis of the quantization of color spaces on the basis of the CIELAB color-difference formula[J]. ACM Transactions on Graphics， 1997， 16（2）： 109-154.

[23] 郑利锋， 刘茜， 吴金凤， 等. 试样参数对烘箱法烟叶含水率检测结果的影响[J]. 烟草科技， 2013， 49（2）： 40-45.

[24] 李峥， 邱坤， 杨鹏， 等. 烟叶烘烤过程中水分迁移干燥特性研究进展[J]. 昆明学院学报， 2017， 39（6）： 37-41.

[25] OU G B，MURPHEY Y L. Multi-class pattern classification using neural networks[J]. Pattern Recognition， 2007， 40（1）： 4-18.