不同成熟度茄衣烟叶高光谱特征分析及分类模型构建

王大彬　孟贵星　王雪松　陈红华　邓建强　向必坤　谭绍安　王瑞

摘要：為掌握不同成熟度茄衣烟叶的高光谱特征，本研究利用便携式高光谱相机采集3种成熟度[尚熟（SS）、成熟（CS ）以及完熟（WS）]茄衣烟叶的高光谱图像并提取光谱数据，通过多元统计分析研究了不同成熟度茄衣烟叶高光谱特征，并构建了支持向量机（ SVM ）模型用于茄衣烟叶成熟度的分类判别。茄衣烟叶高光谱在400～680 nm、730～1000 nm 各自区域内以及400～430 nm 与730～1000 nm 两个区域之间具有很强的正相关性，在460～730 nm 与760～940 nm 之间相关性较弱；3个特征值大于1的主成分（PC1～PC3）几乎包含了所有的光谱信息；主成分方差分析结果表明，不同成熟度茄衣烟叶的高光谱反射特征在可见光、红边以及近红外区域均存在统计学差异； SVM 对3种成熟度茄衣烟叶的分类准确率达到98%以上，对 CS 茄衣烟叶的精确率、召回率和 F1分数均为100%，对 SS 和 WS 茄衣烟叶均达到94%以上。茄衣烟叶高光谱存在多重共线性，具有很好的降维效果，不同成熟度茄衣烟叶的光谱反射特征差异明显， SVM 在茄衣烟叶成熟度分类判别方面表现优异，可辅助用于茄衣烟叶适熟采收。

关键词：茄衣烟叶；成熟度；高光谱成像；光谱特征；模型构建

中图分类号：S572.01         文献标识码： A          文章编号：1007-5119（2023）03-0085-07

Analysis of Hyperspectral Characteristics of Coat-oriented Cigar Tobacco with Different Maturity and Construction of a Classification Model

WANG Dabin1， MENG Guixing2， WANG Xuesong2， CHEN Honghua2， DENG Jianqiang2， XIANG Bikun2， TAN Shaoan2， WANG Rui2*

（1. Laboratory of Quality & Safety Risk Assessment for Tobacco， Ministry of Agriculture， Tobacco Research Institute of ChineseAcademy of Agricultural Sciences， Qingdao 266101， China;2. Enshi Tobacco Company of Hubei Province， Enshi， Hubei 445000，China）

Abstract： To obtain hyperspectral characteristics of different-maturity coat-oriented cigar tobacco， in this study we used a portable hyperspectral camera to collect hyperspectral images of coat-oriented cigar tobacco at three-maturity stages （SS， CS and WS） and extracted their spectral data. The characteristics of hyper spectrum was analyzed by using multivariate statistical analysis， and a supported vector machine （SVM） model was constructed for discriminating the maturity of coat-oriented cigar tobacco. There existed strong correlation for the bands in the region of 400-680 nm， 730-1000 nm as well as between 400-430 nm and 730-1000 nm， while the correlation between 460-730 nm and 760-940 nm was weak. Three principal components （PC1， PC2 and PC3） with eigenvalues larger than 1 almost contained all the spectral information， and analysis of variance from principal components indicated that there was significant difference among the three-maturity coat-oriented cigar tobacco in visible light， red edge and near infrared region. For SVM， the accuracy of discriminating cigar maturity was more than 98%， and the precision， recall and F1 scores were 100% for CS cigar as well as more than 94% for SS and WS cigar. The hyper spectrum of cigar had multicollinearity with a good dimension reduction effect. The spectral reflection characteristics of different-maturity coat-oriented cigar tobacco was significantly different. SVM had good performance in discriminating maturity of coat-oriented cigar tobacco， which could be used in ripening harvest of coat-oriented cigar tobacco.

Keywords： coat-oriented cigar tobacco; maturity; hyperspectral imaging; spectral characteristics; model construction

茄衣是雪茄中最为昂贵的部分，知名雪茄品牌都十分注重茄衣品质。田间适熟采收是保证茄衣品质的重要环节，目前茄衣烟叶田间成熟度判定主要基于其外观特征。然而，从业人员的主观感受存在个体差异以及外观特征指标难以精准量化等问题给茄衣烟叶适熟采收工作带来挑战。已有研究发现烟叶中的生理生化指标也可作为判别成熟度的依据，如抗氧化酶活性和能量代谢物质[1]、碳水化合物和淀粉酶活性[2-3]、氨基酸和转氨酶活性[4]、色素含量[5-6]等，但测定工作需在实验室进行，操作繁琐且周期长，难以在生产中大范围推广。目前基于地物光谱的快速检测技术在烟叶成熟度判别方面亦有相关报道[7-9]。然而，烟叶成熟度判别是基于整张叶片的外观特征，而传统的地物光谱技术是单点测量，使得光谱数据受制于测量点选择，如果测量点代表性不强则会影响判别结果[10]。由此可见，开发一种兼顾测量速度和茄衣整体形貌的检测技术用于茄衣烟叶成熟度分类判别，对于精准掌握茄衣烟叶采收成熟度进而提高茄衣品质具有重大意义。

高光谱成像技术是一种将二维成像与光谱扫描有机结合的新型检测技术，图像中的每个像元都包含一条连续波段，具有光谱波段多、分辨率高、图谱合一的特点[11]。因此高光谱成像技术能够获取目标物整体形貌的光谱信息，目前在农产品成熟度的判别研究方面已有报道，如桃[12]、油茶果[13]、草莓[14]以及杏[15]等。高光谱成像技术在烟叶成熟度研究领域尚处于起步阶段，李鑫等[16]基于高光谱成像技术构建了烤烟田间成熟度的判别模型，而在茄衣烟叶成熟度的高光谱特征以及分类模型构建方面尚无研究报道。本研究利用便携式高光谱相机采集了不同成熟度茄衣烟叶的高光谱图像并提取光谱数据，应用多元统计分析方法探究了它们的高光谱特征，并构建了分类模型用于茄衣烟叶成熟度判别，以期为准确判定茄衣烟叶田间成熟度提供技术支撑。

1 材料与方法

1.1 试验基本情况

试验于2021年在湖北省恩施州来凤市旧司镇岩缝窝村开展，供试雪茄烟品系为 CX-80，土壤类型为黄棕壤，理化指标如下：pH 5.98，有机质27.2 g/kg，碱解氮131.6 mg/kg，速效磷45.7 mg/kg，速效钾231.8 mg/kg，交换性钙2729.1 mg/kg，交换性镁280.8 mg/kg，有效硫60.6 mg/kg，有效硼0.93 mg/kg ，有效氯4.84 mg/kg。

1.2 设备与仪器

本研究所用的高光谱成像系统（购自北京易科泰生态技术有限公司），包括便携式高光谱相机（Specim IQ，光谱范围397～1004 nm，光谱分辨率7 nm ，空间分辨率512×512像素，波段数204）、卤素灯光源、三脚架、校正白板、黑色幕布等。

1.3 高光谱图像采集

在雪茄成熟期（7月中上旬），每隔5～7 d 由经验丰富的技术人员采摘代表尚熟（SS）、成熟（CS ）和完熟（WS ）的下二棚茄衣烟叶，带回室内进行高光谱成像扫描，共采集样品185份，其中尚熟（SS）61份、成熟（CS）62份、完熟（WS）62份。图1 展示了3个成熟度典型茄衣烟叶的高光谱图像以及所有样品的平均光谱曲线。

1.4 数据预处理

利用 ENVI 软件选择整片茄衣烟叶作为关注区域（Region of Interest， ROI），由于高光谱图像中的每个像素点都包含一条光谱曲线，将 ROI 内所有像素点的平均光谱反射率作为该茄衣烟叶的高光谱反射曲线，最终得到不同成熟度茄衣烟叶样品的高光谱数据。

1.5 分类模型与评价指标

1.5.1 数据集划分将不同成熟度茄衣烟叶样品按照7∶3的比例随机划分为训练集和测试集，且彼此之间不重叠。其中训练集用于模型构建，测试集用于评价模型泛化能力。

1.5.2 分类模型本研究采用支持向量机（SVM）对不同成熟度茄衣烟叶样品的光谱数据集进行建模。SVM 是一种对数据进行二元分类的广义线性分类器，其决策函数由少数支持向量确定，是一个具有稀疏性和稳健性的分类器，通过引入核函数可实现非线性分类。

1.5.3 模型评价指标（1）混淆矩阵：表1为混淆矩阵，包括真正例（True Positive ，TP）、假正例（False Positive，FP）、假反例（False Negative，FN ）和真反例（True Negative ，TN ）4种情况。根据测试集中每个样品的预测情况，分别将它们放到这4个格子的相应位置。

（2）准确率（Accuracy）：准确率表示分类正确的样品占总样品的比例，如公式（1）。

（3）精确率（Precision）：精确率又叫查准率，表示预测结果为正确的样品数量占该类别预测数量的比例，如公式（2）。

（4）召回率（Recall）：召回率又被称为查全率，表示预测结果正确的样品数量占该类别真实数量的比例，如公式（3）：

（5）F1分数：F1分数是综合了精确率和召回率的一个判断指标， F1分数取值范围是0到1，1是最好，0是最差，F1分数越高，说明模型越稳健，如公式（4）：

1.6 数据分析

采用 ENVI 软件提取茄衣烟叶样品的高光谱数据，采用 R 语言进行光谱数据的相关性分析、主成分分析及方差分析，采用 Python 进行高光谱数据建模。

2 结果

2.1 不同成熟度茄衣烟叶的高光谱特征分析

2.1.1 不同成熟度茄衣烟叶的高光谱反射特征及相關性分析图2（a）展示了不同成熟度茄衣烟叶的高光谱反射曲线，它们呈现典型的植物光谱特征：400～500 nm 和600～700 nm 两个区域内的光子被色素吸收形成低反射区，最低反射率小于0.1，导致在550 nm 附近形成反射峰，反射率大约在0.2～0.3 之间；680 nm 附近反射率急剧上升，进入近红外区域后逐渐达到平台，反射率大约在0.7～0.8之间；680-730 nm 的过渡区域就是“红边区”。不同成熟度茄衣烟叶在500～650 nm 区间内的反射率差异最为明显，且随着成熟度增加，反射曲线整体上呈现上升趋势（WS>CS>SS）。在红边位置， SS 茄衣烟叶光谱反射率稍低于 CS 和 WS，而 CS 和 WS 几乎重叠在一起。在近红外波段，CS 茄衣烟叶的光谱反射率高于 SS 和 WS，其中在900 nm 以前， SS 和 WS 茄衣烟叶的光谱反射率几乎无差别。值得注意的是，在950 nm 附近，所有成熟度茄衣烟叶都有一个明显的吸收峰，这是由叶片中水分子吸收导致的，且吸收值大小排序为 SS>WS>CS。

图2（b）展示了不同成熟度茄衣烟叶的高光谱各波段间的相关性。总体上，茄衣烟叶高光谱波段间具有较强的正相关性，其中400～680 nm 和730～1000 nm 各自区域内的波段之间具有很强的正相关性，400～430 nm 与730～1000 nm 两个区域的波段之间具有很强的正相关性，而460～730 nm 与760～940 nm 两个区域的波段之间相关性较弱，某些区域的相关系数甚至接近于0。

2.1.2 不同成熟度茄衣烟叶高光谱的主成分分析及方差分析相关性分析表明不同成熟度茄衣烟叶高光谱的波段之间存在多重共线性，可采用主成分分析对高光谱数据进行降维。表2列出了不同成熟度茄衣烟叶高光谱数据的主成分特征值及其贡献率，共提取得到3个特征值大于1的主成分，方差累积贡献率达到0.99以上，表明以上3个主成分能够全面反映茄衣烟叶的光谱特征。

为探究以上3个主成分代表的高光谱波段信息，图3（a）展示了各主成分在400～1000 nm 波段上的载荷曲线。 PC1在400～740 nm 范围内载荷系数较高，其中在500～650 nm 范围内载荷系数几乎达到1.0左右，在750～900 nm 区间内载荷系数较低，当λ=1000 nm 时载荷系数又增加到0.4左右；PC2在400 nm 时载荷系数大约在0.8左右，在750～1000 nm 波段上载荷系数较高，在其他波段上载荷系数相对较低； PC3在400～430 nm 范围内载荷系数稳定在0.4左右，在650～700 nm 之间最大载荷系数在0.2 左右，在其他波段上载荷系数保持在一个较低水平。载荷系数越大表明主成分在该波段上包含的光谱信息越多。由此可见， PC1包含了绝大部分的可见光、红边区以及部分近红外区域（950～1000 nm ）的光谱信息；PC2包含一部分紫色光（400～430 nm）以及绝大部分近红外区域的光谱信息；PC3包含一部分紫色光以及红边区的光谱信息。

为探究不同成熟度茄衣烟叶高光谱的反射特征差异，方差分析研究了各主成分在不同成熟度间的统计学差异（图3b、c、d）。对于 PC1，3个成熟度茄衣烟叶得分的平均值排序为： CS>WS>SS，其中 SS 得分显著低于 CS、WS（p<0.01），而 CS 和 WS 之间无显著性差异（p>0.05）；对于 PC2，3个成熟度茄衣烟叶得分的平均值排序为： CS>WS>SS，且互相之间差异都极显著（p<0.01）；对于 PC3，3 个成熟度茄衣烟叶得分的平均值排序为：CS>WS>SS，且相互之间差异同样极显著（p<0.01）。

2.2 分类模型构建

将训练集中茄衣烟叶样品的高光谱数据输入到 SVM 模型中，使用网格搜索并采用5折交叉验证的方法得到模型的最优超参数（ c=1.0， gamma=0.1，核函数为多项式）。将具有最优超参数组合的 SVM 模型应用于测试集中茄衣烟叶样品的成熟度判别，考察模型在测试集上的泛化能力。图4列出了不同成熟度茄衣烟叶的真实类别和预测类别的混淆矩阵，SVM 对测试集中茄衣烟叶成熟度的判别准确率达到98%以上，除 WS 中的一例样品被误判为 SS 外， SS 和 CS 均判别正确。

基于混淆矩阵的结果，本研究计算了 SVM 判别茄衣烟叶成熟度的精确率、召回率以及 F1分数等指标（表3）。SS 样品的判别精确率低于 CS 和 WS 样品，WS 样品的召回率低于 SS 和 CS，但两项指标均在94%以上。综合 F1分数分析，本研究中 SVM 对 CS 茄衣烟叶样品的判别性能最好（100%），而 WS 和 SS 之间由于存在误判使得性能指标稍差，但仍然在97%以上。以上结果表明， SVM 分类模型在茄衣烟叶成熟度的判别中表现优异，可用于茄衣烟叶成熟度分类判别。

3 讨论

在可见光区域，叶绿素等色素是支配植物光谱响应的主要因素。当植物开始成熟衰老时，色素含量改变进而导致叶片在可见光区域的光谱反射特征发生变化[11]。在近红外波段，植物的光谱反射特性主要受叶片内部组织结构以及含氢基团（-CH、-NH 和-OH）的影响[11]。在本研究中，茄衣烟叶在500～650 nm 区域的光谱反射率随成熟度增加而增大，与已报道的研究结果一致[8，16]，主要原因是叶绿素等色素在成熟过程中不断分解，使得叶片对该波段内的光子吸收減少。在近红外区域（750～1000 nm），茄衣烟叶光谱反射率随成熟度增加呈先升高后降低的趋势，表明茄衣烟叶在成熟过程中内部组织结构和内含物质的变化影响了光谱的反射特性，但具体机理还有待探究。已有研究表明烤烟叶片在近红外区域的光谱反射率随成熟度一直呈下降趋势[8，16]，这与本文的研究结果有所差别，说明茄衣和烤烟叶片的光谱反射特性在近红外区域存在差异，具体原因还需进一步探讨。

相关性分析结果表明，茄衣烟叶的高光谱在可见光和近红外各自区域内部的波段之间高度相关，存在较强的多重共线性，而在两个区域之间，除紫色光部分（400～430 nm）与近红外波段相关性较强外，其他波段之间相关性较弱，这说明茄衣烟叶高光谱的反射特征在可见光和近红外两个区域内部关联性强，在两个区域之间关联性弱。主成分分析表明茄衣烟叶高光谱的204个波段可被压缩为3个主成分变量，韩龙洋等[17]发现烤烟高光谱数据的前2个主成分的累积贡献率达到95.3%，与本研究结果相似，这进一步说明茄衣烟叶高光谱存在严重的多重共线性，因此通过降维处理可为不同成熟度茄衣烟叶的高光谱反射特征的差异性分析提供便利条件。由 PC1、PC2和 PC3得分的方差分析结果可知，在部分可见光区域（430～650 nm），SS 茄衣烟叶的光谱反射率极显著低于 CS 和 WS 茄衣烟叶（p<0.01），而 CS 和 WS 茄衣烟叶之间的统计学差异不明显，在近红外区域（750～1000 nm），3个成熟度茄衣烟叶相互之间的光谱反射率均存在极显著差异（p <0.01），在紫色光和红边区域，3个成熟度茄衣烟叶的差异同样极显著（p <0.01）。由此可见，不同成熟度茄衣烟叶的高光谱反射特征在可见光、红边以及近红外区域均存在明显差异，这为不同成熟度茄衣烟叶的分类模型构建提供了理论基础。此外，李佛琳等[9]研究发现不同成熟度烤烟烟叶的光谱反射率在可见光区域（503～651 nm）差异显著，而在近红外区域（750～1350 nm）差异很小，进一步说明茄衣叶片和烤烟叶片的光谱反射特性在可见光区域具有相似性，而在近红外区域存在差异。

茄衣烟叶成熟是一个连续变化的过程，成熟度判别实质上是在两个邻近类别之间找到一个合适的临界状态，理论上相邻类别之间（SS 和 CS、CS 和 WS）发生误判的可能性大，而相间类别之间（SS 和 WS）发生误判的可能性小。然而，本研究中 SVM 在 SS 和 WS 之间发生了误判，而在 SS 和 CS 以及 CS 和 WS 之间没有误判发生，由 PC2得分的箱线图可知，虽然3个成熟度茄衣烟叶之间差异显著，但 CS 茄衣烟叶的得分分布明显高于 SS 和 WS，这可能提高了 SVM 对 CS 样本的识别能力，从而避免了 CS 分别与 SS 和 WS 之间的误判发生，同时也进一步说明近红外波段在 SVM 判别茄衣烟叶成熟度的过程中发挥了重要作用。

4 结论

本研究结果表明，茄衣烟叶高光谱在可见光和近红外各自区域内部相关性强，在两个区域之间相关性较弱，可进行降维处理，并且不同成熟度茄衣烟叶的光谱反射特征在可见光、红边以及近红外区域差异明显。SVM 在茄衣烟叶成熟度判别中表现优异，未来可辅助用于茄衣烟叶适熟采收。

参考文献

[1] 牛浩，徐辰生，王胜雷，等.不同成熟度烟叶采后抗氧化能力和能量代谢研究[J].中国烟草科学，2021，42（6）：45-52.

NIU H， XU C S， WANG S L， et al. Study on antioxidant capacity and energy metabolism of postharvest tobacco leaves with different maturity[J]. Chinese Tobacco Science， 2021， 42（6）：45-52.

[2] 饶超奇，符云鹏，侯振武，等.成熟度对不同品种晒红烟主要生理生化变化和品质的影响[J].中国烟草科学，2019，40（6）：66-74.

RAO C Q， FU Y P， HOU Z W， et al. Effects of maturity on main physiological and biochemical changes and quality of different varieties of sun-cured tobacco[J]. China Tobacco Science， 2019， 40（6）：66-74.

[3] 刘博远，赵松超，李一凡，等.不同成熟度雪茄烟晾制过程碳水化合物及相关酶活性变化规律研究[J].中国农业科技导报，2021，23（4）：192-201.

LIU B Y， ZHAO S C， LI Y F， et al. Study on the change law of carbohydrate and related enzyme activities of cigars with different maturity during air-curing[J]. China Agricultural Science and Technology Herald， 2021， 23（4）：192-201.

[4] 陈颐，郑竹山，王建兵，等.不同成熟度烤烟烘烤过程中游离氨基酸及转氨酶活性变化[J].中国烟草科学，2019，40（3）：75-83.

CHEN Y， ZHENG Z S， WANG J B， et al. Study on changes of freeamino acids and transaminase activities in tobacco leaves with different maturity during flue-curing process[J]. Chinese Tobacco Science， 2019， 40（3）：75-83.

[5] 孙阳阳，靳志伟，黄明迪，等. SPAD 值與鲜烟叶成熟度及烤后烟叶质量的关系[J].中国烟草科学，2016，37（2）：42-46.

SUN Y Y， JIN Z W， HUANG M D， et al. The relationship of SPAD value， maturity of fresh tobacco leaves and quality of flue-cured tobacco leaves[J]. China Tobacco Science， 2016， 37（2）：42-46.

[6] 张军刚，王永利，吕国新，等.烤烟成熟过程中鲜烟颜色值与色素含量变化及相关分析[J].中国烟草科学，2014，35（1）：54-60.

ZHANG J G， WANG Y L， LYU G X， et al. Changes and correlation analysis of color value and pigment content of fresh tobacco during maturation[J]. China Tobacco Science， 2014， 35（1）：54-60.

[7] 李青山，王传义，谭效磊，等.不同成熟度烟叶高光谱特征分析及与 SPAD 值的关系[J].西南农业学报，2017，30（2）：333-338.

LI Q S， WANG C Y， TAN X L， et al. Analysis of hyperspectral characteristics of tobacco leaves with different maturity and its relationship with SPAD value[J]. Southwest Agricultural Journal， 2017， 30（2）：333-338.

[8] 王建伟，张艳玲，李海江，等. 田间不同成熟度烤烟上部叶的高光谱特征分析[J].烟草科技，2013（5）：64-67.

WANG J W， ZHANG Y L， LI H J， et al. Hyperspectral characteristics of flue-cured tobacco leaves with different maturity in the field[J]. Tobacco Science and Technology， 2013（5）：64-67.

[9] 李佛琳，趙春江，王纪华，等.不同成熟度烤烟鲜叶的高光谱响应及其判别分析[J].福建农林大学学报（自然科学版），2008（6）：565-569.

LI F L， ZHAO C J， WANG J H， et al. Hyperspectral response and discriminant analysis of fresh flue-cured tobacco leaves with different maturity[J]. Journal of Fujian Agriculture and Forestry University （Natural Science Edition）， 2008（6）：565-569.

[10] 徐兴阳，何春荣，秦春丽，等.光谱判断田间鲜烟叶成熟度的影响因子研究[J].山地农业生物学报，2016，35（4）：88-94.

XU X Y， HE C R， QIN C L， et al. Study on influencing factors of judging maturity of fresh tobacco leaves in the field by spectrum[J].Journal of Mountain Agriculture and Biology， 2016， 35（4）：88-94.

[11] 童庆禧，张兵，郑兰芬，等.高光谱遥感[M].北京：高等教育出版社，2006.

TONG Q X， ZHANG B， ZHENG L F， et al. Hyperspectral Remote Sensing[M]. Beijing： Higher Education Press， 2006.

[12] 邵园园，王永贤，玄冠涛，等.基于高光谱成像的肥城桃品质可视化分析与成熟度检测[J].农业机械学报，2020，51（8）：344-350.

SHAO Y Y， WANG Y X， XUAN G T， et al. Visual analysis and maturity detection of Feicheng peach quality based on hyperspectral imaging[J]. Journal of Agricultural Machinery， 2020， 51（8）：344-350.

[13] 胡逸磊，姜洪喆，周宏平，等.高光谱成像技术检测油茶果成熟度[J].食品科学，2022，43（16）：324-331.

HU Y L， JIANG H Z， ZHOU H P， et al. Detection of Camellia oleifera fruit maturity by hyperspectral imaging[J]. Food Science， 2022， 43（16）：324-331.

[14] 蒋浩，张初，刘飞，等.基于高光谱图像多光谱参数的草莓成熟度识别[J].光谱学与光谱分析，2016，36（5）：1423-1427.

JIANG H， ZHANG C， LIU F， et al. Strawberry maturity recognition based on hyperspectral  image  multispectral parameters[J]. Spectroscopy and Spectral Analysis， 2016， 36（5）：1423-1427.

[15] 薛建新，张淑娟，张晶晶.基于高光谱成像技术的沙金杏成熟度判别[J].农业工程学报，2015，31（11）：300-307.

XUE J X， ZHANG S J， ZHANG J J. Gold placer apricot maturity discrimination based on hyperspectral imaging technology[J]. Journal of Agricultural Engineering， 2015， 31（11）：300-307.

[16] 李鑫，汤卫荣，张永辉，等.基于高光谱成像技术的烟叶田间成熟度判别模型[J].烟草科技，2022，55（7）：17-24.

LI X， TANG W R， ZHANG Y H， et al. Evaluation model of tobacco field maturity based on hyperspectral imaging technology[J]. Tobacco Science and Technology， 2022， 55（7）：17-24.

[17] 韩龙洋，王一丁，张文龙，等.基于高光谱技术的烤烟成熟度判别研究[J].延边大学农学学报，2015，37（4）：286-291.

HAN L Y， WANG Y D， ZHANG W L， et al. Research on identification of flue-cured tobacco maturity grades by hyper-spectral technology[J]. Agricultural Science Journal of Yanbian University， 2015， 37（4）：286-291.