基于植物表型复合参数体系的烤烟等级初分检测方法

林润英，施伟平，童德文，杨振纲，吴 龙，石三三，沈翠玉，杨志杰*

（1.福建省烟草公司 龙岩市公司，福建 龙岩 364000；2.福建省烟草公司，福建 福州 350001）

烟草(NicotianaTabacumL.)是我国主要经济作物之一，其种植收益由初烤烟叶等级决定［1］。烤烟国家标准［2］根据成熟度、叶片结构、身份、油分、色度、长度、残伤等7个外观品级因素将初烤烟叶分为42个等级。目前，全国半数烟区的烟叶仍需由烟农自主进行等级的初分，在没有辅助工具的条件下，该工序不仅耗时耗力，还会造成主观误差，导致初分后烤烟等级合格率较低，直接影响了烟农的收益，也无法满足日益提升的卷烟工业均质化生产及成品烟质量控制的需求［3-5］。

近年来，有关植物表型的研究受到越来越多的关注［6-10］，其成果已被广泛应用于植物识别［11］、农产品品质判定［12-13］、产量预测［14］、病虫害检测［15-16］以及植物改良育种［17］等。采用植物表型学平台、图像处理、物联网及人工智能等技术辅助检测烟叶外观等级成为智慧烟草农业发展的趋势［4-5,18-21］。王士鑫［4］使用烟叶数码图像为输入，构建了基于改进型卷积神经网络算法(Convolutional Neural Network, CNN)的烤烟烟叶质量分级研究系统；童德文等［5］确定了中、上部烟叶数码图像叶型轮廓特征区间及Red、Green、Blue 3个色彩通道、灰度图像的叶色均值特征区间，并以此构建了贝叶斯分类模型；苏明秋［21］利用图像处理技术提取了颜色、轮廓、主支脉夹角等多维特征参数，并应用CNN实现了烟叶参数自动提取及智能分级；庄珍珍等［18-20］分别采用不同类型表型学采集设备实现了烟叶等级的智能检测。然而，当前烟叶智能分级检测技术大多还停留在试验阶段，所需的图像采集及处理分析设备价格昂贵、占地面积大，限制了其使用范围。因此，寻找一种快速、有效、便携的烤烟等级检测方法和辅助检查设备尤其必要。

本研究基于植物表型学及计算机图像学，以烟农烟叶初分工序为主要应用场景，以小型化、轻便化、智能化为设计目标，通过开发一款便携式烤烟叶等级快速检测仪，对烤烟等级特征复合参数体系的优化及判定模型进行了优选，以期提高检测仪器的便携性，解决传统研究中需要大型设备作为硬件支撑的问题，并通过试验及数据处理找到最优的烤烟等级特征复合参数体系及智能判定模型，并开展仪器性能检验，以实现对初烤烟叶等级快速准确的智能检测。

1 初烤烟叶等级检测仪设计

1.1 整体结构设计

检测仪由采集模块、处理模块及智能软件分析系统组成，整体结构如图1所示。采集模块为检测仪的主体部分，主要包括采集箱体、照明光源及摄像头；处理模块由工控机和触控屏组成，承担图像信号转换、数据处理及人机交互功能；智能软件分析系统是检测仪的核心，实现对烟叶等级的智能分析判定。

图1 便携式烤烟烟叶等级初分检测仪整体结构示意图

1.2 工作流程

叶片数码图像包含了丰富的叶片形态结构及颜色信息，通过对参数信息的提取与分析，可以实现对特定叶片状态的识别判定［4-10,18-22］。图2为检测仪的总体技术方案，检测仪工作时，接通电源，打开照明光源，将待判定等级的烟叶正面朝上平展放入采集箱中，确保叶柄基部基本垂直于取样箱。摄像头采集叶片数码图像，而后将图像信息传输至分析系统进行处理。分析系统对目标叶片进行图像识别并分离背景，然后提取叶片多维度复合参数，将这些参数输入分析判定模型中确定烤烟等级，最后将结果输出至触控屏显示。

图2 便携式烤烟叶等级初分检测仪总体技术方案

1.3 装置功能模块设计

1.3.1 采集模块 采集模块由采集箱体、照明光源、摄像头组成（图1）。采集箱体为长方体铝合金箱体，整体尺寸为90 cm×40 cm×62 cm，总重量为6.7 kg（含处理模块）。箱体侧面及底部均匀粘贴白色哑光贴纸，顶部则为黑色哑光贴纸。照明光源根据烟草行业人工分级照明要求［3］，由2条10 W的欧普品牌LED灯管组成，其色温为5000 K，频率为50 Hz，照射至箱体底部的有效光照强度为（900±20） lx。摄像头采用杰锐微通品牌DF500—1944P免驱动工业摄像头，图像分辨率为2592×1944，将摄像头镜头穿过采集窗后用隔光条固定，采用USB 3.0连接线与处理模块的工控机进行通信。

1.3.2 处理模块 处理模块采用嵌入式一体工控机，其CPU为赛扬J1990处理器，运行内存4GB，存储设备为60GB固态硬盘，包含VGA、HDMI、USB 3.0（4个）、COM（2个）等接口。操控及输出硬件为10寸电容液晶触摸屏。触摸屏及工控机安装在同一铝合金框中，通过不锈钢合页与采集模块进行连接。

1.4 智能软件分析系统设计

智能软件分析系统包括烤烟识别及背景分离模块、烤烟特征参数提取模块、烤烟等级智能判定模块3个部分。

1.4.1 烤烟识别及背景分离模块 检测仪中的烤烟识别及背景分离模块所使用算法改良于赵羡波等［23］提出的图像饱和度背景分离法(Saturation Back ground Segregate Method，SBSM)，具体步骤如下：

步骤一：将采集模块获取的烤烟数码图像转化为HSV图像，以饱和度值0.2为界限，将小于界限的图像明度值调整为0，而后转化为灰度图；

步骤二：对步骤一所获得的图像边缘进行检测提取，而后进行膨胀操作、填补边缘缝隙；

步骤三：对步骤二的图像进行平滑处理，而后采用中值滤波去除冗余信息；

步骤四：对步骤三的图像进行二值化处理后进行连通域面积筛选，去除小面积的杂质及碎片。

将经过步骤四处理后的图像（识别效果详见图3A）传输至参数提取模块进行下一步处理。

图3 烤烟识别效果（A）及叶型复合参数示意图（B、C）

1.4.2 烤烟特征参数提取模块 本研究综合前人研究结果［1］，对照《烤烟》［2］标准，将确定烤烟等级的七大因素与数码图像所能获得的特征参数体系进行一一对应（表1）。可以看出，叶色复合参数体系主要对应成熟度、油分、色度3个因素，叶面纹理参数体系主要对应体系叶片结构、身份2个因素，叶型复合参数体系主要对应长度因素，而残伤这一因素尚无较好的对应特征参数体系。

表1 烤烟等级因素及其表型特征参数体系的对应关系

1.4.2.1 叶色复合参数体系提取 叶色复合参数体系由RGB颜色模型偏态参数、Lab颜色模型参数、HSV颜色模型参数这3类组成［15］。

（1）RGB颜色模型偏态参数提取：参照Chen等［24］的方法提取叶色偏态参数，即红(R)通道色阶的均值(RMean)、中位数(RMedian)、众数(RMode)、偏度(RSkewness)及峰度(RKurtosis)；绿(G)通道色阶的均值(GMean)、中位数(GMedian)、众数(GMode)、偏度(GSkewness)及峰度(GKurtosis)；蓝(B)通道色阶的均值(BMean)、中位数(BMedian)、众数(BMode)、偏度(BSkewness)及峰度(BKurtosis)；灰度(Y)图像色阶的均值(YMean)、中位数(YMedian)、众数(YMode)、偏度(YSkewness)及峰度(YKurtosis)。

（2）Lab颜色模型参数提取：参照沈平等［22］的方法提取图像的亮度(L)、a通道值(a)及b通道值(b)。

（3）HSV颜色模型参数提取：参照史飞龙等［25-26］的方法提取图像的色调(H)、饱和度(S)和明度(V)。

1.4.2.2 叶面纹理参数体系提取 参照史飞龙等［25-27］的方法提取图像的对比度(CON)、相关度(COR)、熵(ENT)、同质性(HOM)和对角二阶矩(ASM)。

1.4.2.3 叶型复合参数体系提取 《烤烟》标准［2］中的长度因素仅从烤烟长度一个纬度对烤烟等级进行界定。在实际生产中，烟草叶片表现为下部叶较宽大、中部叶长宽适中、上部叶较狭长，因此叶型复合参数是识别不同部位烟叶的关键指标［1-4,18,21］。参照苏明秋［21］的研究结果，通过计算目标烤烟的内部及边缘像素点数，将其数值分别定义为叶面积(Leaf Area，LA)及叶周长(Leaf Perimeter，LP)。最小外接矩形(Minimum Bounding Rectangle，MBR)是以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标4个参数值为边界点所确定的矩形（图3B中虚线框），用来表示二维形状最大范围。由于被检测烤烟的叶柄基本垂直于采集箱体边缘，因此，可以采用MBR［18,21］的长边像素点数近似代表叶长(Leaf Length，LL)，短边像素点数近似代表叶宽(Leaf Width，LW)，并通过公式计算MBR面积(S)、近似叶长叶宽比(LLW)及叶面积占比(SS)，计算公式如下：

由于烤烟叶片均为纺锤形，可以通过最小二乘法拟合出该叶片的最小外接椭圆，进而计算出该椭圆的离心率(Eccentricity，EC)、长轴长(Ellipse Length，EL)及短轴长(Ellipse Width，EW)。其中，EC取值范围为［0,1］，EC值越小，图像越接近圆形，EC值越大，图像越扁。同时，通过公式计算叶片拟合椭圆长轴短轴比ELW，计算公式为：

综上所述，叶型复合参数体系包括叶面积(LA)、叶周长(LP)、近似叶长(LL)，近似叶宽(LW)、近似叶长叶宽比(LLW)、叶面积占比(SS)、拟合椭圆离心率(EC)、拟合椭圆长轴长(EL)、拟合椭圆短轴长(EW)、拟合椭圆长轴短轴比(EWL)等10种，具体如图3所示。

1.4.3 烤烟等级智能判定模块 通过选取与烤烟等级显著、极显著相关的各类参数，组成烤烟等级特征复合参数体系，将其作为输入变量导入合适的模型中进行分析，最后将分析结果输出到处理模块的触控屏进行可视化显示。

2 烤烟等级判定模型的建立

2.1 数据采集

烤烟等级判定模型建立样本的烟草品种为云烟87，于2020年在福建省龙岩市武平县岩前镇双坊村（116°14′24″E，24°54′19″N）进行连片种植，种植面积为700 m2，种植烟株为1200株。育苗时间为2019年11月29日，移栽时间为2020年1月22日。栽培大田土壤为轻沙壤，前茬作物为水稻，田块肥力中等，排水方便，栽培管理严格按照企业标准［28］执行。烟叶烘烤前，选取该田块大田生长正常、长势一致、无病虫害的500株烟株并进行挂牌标志。烟叶烘烤时，根据宫长荣［1］的研究从挂牌标志的烟株中选取鲜叶成熟度为适熟的烟叶进行烘烤。烘烤全过程按照企业标准［28］执行。烟叶出烤后，在自然环境下回潮48 h后，由国家烟草行业执证分级技师根据《烤烟》［2］标准进行分级，从中选取6个主要烤烟等级进行数据采集。具体分类及数量如表2所示。

表2 试验样品分类及数量

2.2 烤烟等级特征复合参数的选择

选取300个建模样品（表2），采用SPSS软件对烤烟等级值分别与烤烟数码图像参数进行皮尔森(Person)相关分析。结果如表3所示。

表3 烤烟等级与烤烟数码图像参数的相关性（n=300）

由表3可知，在叶色复合参数体系中，3种颜色模型所有参数均与烤烟等级值呈显著或极显著相关。在RGB颜色模型中，各通道的均值(RMean、GMean、BMean、YMean)、中位数(RMedian、GMedian、BMedian、YMedian)、众数(RMode、GMode、BMode、YMode)均与烤烟等级值呈极显著正相关，说明这些参数随着烤烟等级值的增加而同步上升；各通道的偏度(RSkewness、GSkewness、BSkewness、YSkewness)均与烤烟等级值呈极显著负相关，说明偏度随着烤烟等级值的增加而同步降低；R、G通道及Y图像的峰度(RKurtosis、GKurtosis、YKurtosis)与烤烟等级值呈极显著正相关，B通道的峰度(BKurtosis)与烤烟等级值的表现则相反。在Lab颜色模型中，叶片亮度值、b通道值与烤烟等级值均呈极显著正相关，说明随着烤烟等级值的增加，烤烟亮度逐渐提高，烤烟颜色从蓝色向黄色转变；a通道值与烤烟等级值的表现则相反，说明随着烤烟等级值的增加，烤烟颜色从红色向绿色转变。在HSV颜色模型中，色调及明度与烤烟等级值均表现出极显著正相关，说明随着烤烟等级值的增加，H值逐步提升，图像从红色调转为黄色调；而图像饱和度与烤烟等级值的表现则相反，说明随着烤烟等级值的增加，图像色彩饱和度逐渐下降。

在叶片纹理参数体系中，对比度与烤烟等级值呈极显著负相关，而相关度及同质性表现为极显著正相关，说明随着烤烟等级值的增加，叶面纹理沟纹变浅，叶面不同区域间纹理趋向一致，整体叶面变得更光滑。而熵、对角二阶矩与烤烟等级值无显著相关性。

在叶型复合参数体系中，叶周长、近似叶长，近似叶长叶宽比、拟合椭圆离心率、拟合椭圆长轴长、拟合椭圆长轴短轴比均与烤烟等级值呈极显著负相关，说明随着烤烟等级值的增加，叶周长逐渐变短，叶长逐渐变小，叶形逐渐从狭长变为宽圆。叶面积占比、拟合椭圆短轴长与烤烟等级值均呈极显著正相关，说明随着烤烟等级值的增加，烤烟叶面宽度逐渐增加，叶形向宽圆转变。而叶面积、近似叶宽与烤烟等级无显著相关性。

综上所述，采用与烤烟等级值具有显著与极显著相关性的3大类37个参数指标组成烤烟等级特征复合参数体系作为分析系统的输入变量。

2.3 烤烟等级最优判定模型的选择与构建

目前，判定模型常用的分类方法有K-Means聚类法、系统聚类法、CHAID决策树算法、贝叶斯分类器算法、反向传递神经网络算法（BPNN）等。选取300个建模样品（表2），以37个烤烟等级特征复合参数作为输入变量，以6个烤烟等级作为分类因子，采用SPSS软件分别构建烤烟等级K-Means聚类模型F1、系统聚类模型F2（采用离差平方和法进行聚类，采用平方欧式距离计算区间距离）、卡方自动交互检测(Chi-squared Automatic Interaction Detection, CHAID)决策树模型F3；采用MATLAB的贝叶斯工具箱(Naïve Bayes Toolbox)、神经网络工具箱(Neural Network Toolbox)分别构建贝叶斯分类器模型F4（参照童德文等［5］的研究）、反向传递神经网络(Back Propagation Neural Network，BPNN)BPNN模型F5（参照沈平［22］、张佩等［29］的研究）。

采用模型F1～F5对300个建模组样品（表2）进行判定，并对其模型判定准确度进行计算。由表4可以看出，F4模型的总体判定准确率最高，达75.00%，因此，本研究选择采用贝叶斯分类器算法的F4模型作为烤烟等级判定模型并嵌入检测仪分析系统中。

表4 不同分类方法的烤烟等级模型判定准确度（n=300） %

3 试验验证

选取与建模组相同生态区及相同栽培、烘烤工艺的验证样品295份（表2），依次放入便携式初烤烟叶等级检测仪进行检测，记录其判定等级，并计算其判定准确度。从结果中可以看出（表5），检测仪总体判定准确度为75.59%，在6个主要烤烟等级的判定准确度上均超过63%，达到了人工分级水平，符合企业标准［28］（判定准确度≥60%）对烟农初分烤烟等级合格率的要求。后续会开展不同生态区不同年份间的检测试验，进一步验证检测仪的普适性及准确性。

表5 便携式烤烟烟叶等级初分检测仪在试验室内验证结果（n=295）

4 讨论与结论

Dasari等［30］研究认为，图像分类具有较强效果，卷积神经网络法等被用于研究烟叶成熟度分类，但由于其在建模过程无叶色特征参数输入，仅是对图像直接进行卷积运算，缺乏对参数生理生化意义的解释。同时，由于CNN模型训练需要较高配置的硬件支持等问题，限制了该项技术在大田生产实际中的推广应用，因此研究人员转而使用图像颜色特征参数构建相关判定模型。目前，应用较多的图像颜色特征参数主要包括RGB颜色模型参数、HSV颜色模型参数、Lab颜色模型参数三大类别［8,15,22］。本研究首先通过试验，在3类图像颜色特征参数基础上，综合叶片纹理参数及叶型复合参数，分别选取K-Means聚类法、系统聚类法、CHAID决策树算法、贝叶斯分类器算法和反向传递神经网络算法对烟叶等级进行判定，对比分析各个算法的判定结果表明：基于贝叶斯分类器算法的等级判定效果最优。

（1）本文选用的叶色复合参数体系、叶面纹理参数体系、叶型复合参数体系这3类烟叶表型参数体系，与烤烟等级特征之间存在显著相关性，可以作为烤烟等级判定模型的输入参数。

（2）通过选取的表型复合参数体系，利用贝叶斯分类器算法，可以构建快速有效的烤烟判定模型，该模型整体判别准确度达到75.59%，高于规定的烟农初分准确度（企业标准要求≥60%）。

基于表型复合参数体系的烟叶判定贝叶斯模型，可构建便携式轻量化的烤烟等级快速检测仪。该检测仪以烟农烟叶初分工序为主要应用场景，摆脱了传统类似功能设备中需配置大型计算机或服务器作为处理模块的约束，实现了检测仪便携式和轻量化的设计需求，并为后续开展不同生态区烤烟等级快速检验研究奠定了基础。

致谢：感谢加拿大卡尔顿大学的安子越使用MATLAB 软件对数据进行处理。