基于叶面特征的烤烟中部叶采收成熟度量化初探

裴晓东，赵晨，武劲草，张文军，李帆，王建文，刘优雄，李姣姣，李生栋，路晓崇*

基于叶面特征的烤烟中部叶采收成熟度量化初探

裴晓东1，赵晨2，武劲草3，张文军1，李帆1，王建文1，刘优雄1，李姣姣1，李生栋4，路晓崇2*

1 中国烟草总公司长沙市公司，湖南长沙 410000；2 河南农业大学烟草学院，河南郑州 450002；3 江苏中烟工业有限责任公司，江苏南京 210019；4 云南省烟草公司曲靖市公司，云南曲靖 655000

【目的】推进烤烟采收成熟度数字化判断的实现。【方法】以云烟87中部烟叶为试验材料，将采集的746个烟叶样品按照欠熟、尚熟、适熟和过熟4个档次进行分类，利用模糊DEMATEL分析法对烤烟的农艺特征、颜色特征以及纹理特征3方面的叶面特征指标进行权重赋予，初步得到不同成熟度烤烟的得分区域，之后采用偏最小二乘判别（PLS-DA）法简化烤烟采收成熟度量化模型，并对该模型的鲁棒性进行验证。【结果】（1）欠熟档次的最终得分确定区域为[0.0，81.0) 分，尚熟档次确定区域为[81.0，85.0) 分，成熟档次确定区域为[85.0，91.0]分，过熟档次确定区域为(91.0，100]分；（2）所构建的成熟度识别模型的正确率达到89.04%。【结论】通过采集鲜烟叶的叶面特征可以对烤烟的进行成熟度量化。

烤烟；成熟度量化；模糊DEMATEL分析；偏最小二乘判别

烤烟采收成熟度的正确分类是烘烤工艺制定的基石，是保障烤烟质量的前提[1-2]，国内已建立了一套比较完善的烤烟成熟采收标准[3]，但该标准是一种描述性标准，且受人为因素的影响较大，不同人在不同时间对烤烟成熟度做出的判断亦不同，导致烤烟成熟度判断的错误率上升[4]。因此，将烤烟采收成熟度的识别由经验为主导转变为以数字化为主导[5-6]，对推动现代烟草农业的发展有一定的促进作用。近年来一些国内外学者将图像处理技术、神经网络技术以及高光谱技术应用于烤烟生产以及成熟度识别中[7-11]。而图像处理技术主要研究物体的颜色特征与纹理特征[12-14]。刘剑君等[13]对不同成熟度烤烟的RGB图像进行研究用来计算烤烟的成熟指数，结果表明计算出的成熟度指数与人工感官识别的烟叶经验成熟度有很好的关联度。谢滨瑶[14]、汪睿琪[15]、林天然[16]等利用神经网络模型实现了对鲜烟叶成熟度的判别，虽然所采用的网络模型不同，但三人所构建模型的识别率均达到了93%以上，可知神经网络技术在鲜烟叶的成熟度识别方面有较大的优势[17]。路晓崇等[8]利用鲜烟叶的颜色特征与纹理特征通过建立BP神经网络模型成功预测了烟叶的成熟度，使得预测值与实际值的决定系数达到了0.9855。近年来随着光谱技术的越来越成熟，越来越多的学者将高光谱技术应用到烤烟成熟度的识别[18-19]，且取得了较好的识别效果，正确率均达到了93%以上[19-20]，最高达到了98%[21]。然而，目前关于利用图像处理技术对不同烤烟成熟档次指标阈值确定方面的研究鲜有报道。为此，基于传统烤烟成熟度判断标准（眼观、手摸），本研究将烤烟的叶面信息分为农艺特征、颜色特征、纹理特征3方面进行综合评判，旨在筛选出影响烤烟成熟度的代表性指标，得到基于烤烟外观特征的不同成熟度得分区间，进而实现烤烟成熟度的量化。

1 材料与方法

1.1 试验材料

试验于2021—2022年在湖南省长沙市浏阳市北盛镇开展，产区海拔700～800 m，供试土壤为黄壤土，pH 5.48，有机质11.45 g/kg，全氮0.72 g/kg，碱解氮55.00 mg/kg，速效磷15.01 mg/kg，速效钾160.00 mg/kg。试验田前茬作物为油菜，由于云烟 87作为湖南烟区的主栽品种，且各卷烟企业对中部叶的需求较多，因此以云烟87中部叶为研究对象开展相关研究。

1.2 试验方法

随机挑选746片采收后的烤烟中部烟叶（9～11位叶），邀请7位长期从事烤烟采烤工作的专家依据烤烟传统的成熟采收标准[3]，对采集的样品成熟度进行综合判断，其中欠熟档次烟叶103片，尚熟档次烟叶228片，适熟档次烟叶332片，过熟档次烟叶83片。之后采用螺旋测微仪（桂林广陆数字测控有限公司）对不同部位烤烟的厚度进行测量，并制作长、宽、高分别为100、50和70 cm的暗箱，暗箱顶部开直径10 cm的圆孔用于放置相机镜头。在暗箱底部铺满黑色棉布，并在暗箱顶部中间位置设置一个敏宏士A200370LED光源（深圳市敏宏士科技有限公司）。供试烟叶平放于黑布上，使用高摄HT-UBS500MCCD相机（深圳市华腾威视科技有限公司）采集图像，利用Matlab2018b软件的图像分析工具箱测不同成熟度烤烟的(亮度)、(红色度)、(黄色度)、(饱和度)、(色相角)等颜色参数，并获取采集的烟叶灰度共生矩阵，计算图像的纹理能量、纹理熵、纹理惯性矩和纹理相关度4个纹理特征值。运用模糊DEMATEL分析法对烤烟外观特征的各指标进行权重赋予，并计算相应成熟度烤烟的综合得分区域。为进一步简化模型，使用SIMCA 14.1软件对影响烤烟成熟度的指标进行偏最小二乘判别（PLS-DA）分析，筛选出代表性指标，建立成熟度简化识别模型，计算简化后的烤烟成熟度综合得分区域，并额外随机选取82片烤烟进行模型鲁棒性验证。

1.2.1 图像预处理

由于受到相机传感器材料的属性、电路结构、拍摄环境等因素的限制，使用相机采集的图片大多会存在噪点和杂质[22]，因此必须通过图像增强（滤波）来消除噪声进而改善图像质量。高斯滤波因其对图像的模糊程度较小，能够保持图像的整体细节在图像处理方面的应用越来越广泛[23-24]。因此本研究选用高斯滤波对采集到的烟叶图像进行滤波处理，经滤波后噪声基本得到消除，图像更加平滑。

1.2.2 图像纹理特征值的计算

烟叶图像特征包括颜色特征、纹理特征以及形状特征，纹理特征体现全局特征的性质的同时，也描述了图像或图像区域所对应景物的表面性质。先利用HT-UBS500MCCD相机采集烟叶图像，再用Matlab2018b软件的图像分析工具计算图像的灰度共生矩阵（GLCM）[25]选并得到 0°、45°、90°以及135°的纹理能量、纹理熵、纹理惯性矩、纹理相关度，分别求其均值和方差作为图像纹理特征。

纹理能量：反映图像灰度的分布程度与纹理粗细度，能量越大，纹理越细腻光滑；

纹理熵：反映图像中纹理的非均匀程度或混乱程度，值越大混乱度越高；

纹理惯性矩：反映图像灰度复杂程度，其值越大，图像沟纹越明显；

纹理相关度：反映图像纹理的一致性，值越大一致性越好。

计算公式：

式中：表示灰度共生矩阵所有元素的均值；表示灰度共生矩阵所有元素的方差；表示图像灰度级数；p表示归一化后的灰度共生矩阵元素，-。

1.2.3 模糊DEMATEL分析实现过程

构建模糊DEMATEL模型所用的语言算子及对应的三角模糊数（表1）。

表1 语言变量及其三角模糊数的取值

Tab.1 The value of language variables and their triangular fuzzy numbers

利用表1的语言算子及对应三角模糊数，构建了各个因素对其它因素影响的三角模糊直接影响矩阵为：

然后将式（1）标准化：

通过矩阵间计算得到综合影响矩阵：

1.2.4 各影响因素的打分结果

根据科学性和全面性的原则，以面向大范围烟区为目的，通过系统分析，调查归纳总结，确定出影响烤烟生长发育的3类10个外观因素，农艺特征：叶片厚度(A)；颜色特征：L*(A)a*(A)、b*(A)C*(A)H*(A)；纹理特征：纹理能量(A)、纹理熵(A)、纹理惯性矩(A)、纹理相关度(A)。聘请长期从事烤烟生产科研的专业人员3名，利用德尔菲法（Delphi Method），采用10分制（>0，≤2分无影响（NO）；>2，≤4分影响小(VL)；>4，≤6分影响较小(L)；>6，≤8分影响较大(H)；>8，≤10分影响非常大(VL)）对确定的影响烟叶烤烟成熟度判断的10个因素的影响程度进行打分，并将所打的分数求均值后转换成模糊语言算子。由表2可知，不同的影响因素间有不同程度的直接影响，其中烟叶的颜色特征因子间存在较大的影响，而纹理特征因子对农艺特征因子与颜色特征因子有较大的影响。

表2 各影响因素打分转化为语言算子

Tab.2 Conversion of scores for each influencing factor into language operators

1.2.5 不同识别模型准确率的综合评价

为保障所建立的成熟度识别模型的有效性，额外随机选取82片烤烟中部叶（9～11叶位）作为验证样品，首先对所选取的验证样品的成熟度进行专家分类，其中欠熟档次用“1”表示，尚熟档次用“2”表示，适熟档次用“3”表示，过熟档次用“4”表示，然后对验证样品的叶面特征指标进行测量，分别利用原始模型与简化模型计算其综合得分，并将综合得分依次归入相应的成熟档次。

2 结果与分析

2.1 影响烤烟采收成熟度判别的各因素模糊DEMATEL分析

利用DEMATEL算法计算各影响因素的中心度和原因度（表3）。

表3 DEMATEL分析的中心度与原因度

Tab.3 The centrality and causality of DEMATEL analysis

2.2 不同成熟度烤烟得分区域

由于各外观指标的中心度代表了该指标对整个成熟度评价体系的影响程度，因此以各指标中心度值与所有中心度之和的比值作为该指标对烤烟田间成熟影响的权重，由表4可知，不同成熟度的鲜烟叶的外观特征有一定的差异。由于各指标间的单位数值差异较大，因此将各成熟烤烟的每项外观特征指标放在一起进行归一化处理，再者考虑到“”与“”表征数据均为负值，为了能够顺利保障各指标的综合评判，因此将各样本的“”与“”值统一取倒数之后再进行归一化处理。将各指标对应的归一化数据与相应的指标权重进行相乘运算，之后将所有得分乘以100，得到各成熟档次的综合得分，可知欠熟档次的得分在64.75～71.57分之间，尚熟档次的得分在69.77～74.23分之间，适熟档次在75.34～82.01分之间，过熟档次在80.26～87.45分之间，可知不同成熟档次的综合得分在一定范围内有重合的现象发生。考虑到当前烘烤技术的不断进步，烘烤设备的不断更新，以及样本选取的规模，通过咨询业内相关专家，最终对不同成熟烤烟的得分区域进行修正，将欠熟档次的最终得分确定在[0.0，70.0）分，尚熟档次确定在[70.0，79.0)分，成熟档次确定在[79.0，90.0]分，过熟档次确定在(90.0，100]分。

表4 烤烟中部叶的成熟度得分

Tab.4 Maturity score of the middle leaves of flue-cured tobacco

2.3 烤烟成熟度判断的算法简化

为进一步简化考验成熟度量化模型，采用偏最小二乘判别（PLS-DA）以影响成熟度的10个指标为自变量，成熟度（欠熟档次用“1”表示，尚熟档次用“2”表示，适熟档次用“3”表示，过熟档次用“4”表示）为因变量建立PLS-DA模型，计算成熟度指标的VIP值（VIP值越大对烤烟成熟度的影响越大），筛选出影响烤烟成熟度的主要指标，由图2可知，不同指标对烤烟成熟度均有一定的影响，其中影响影响较大（VIP>1）的4个指标分别为纹理相关度、、以及，其VIP值分别为1.083、1064、1.052、1.035。

图2 各影响烤烟成熟度指标的VIP值

Fig. 2 VIP values of maturity indexes of flue cured tobacco

2.4 简化算法不同烤烟成熟度得分区域

通过对影响烤烟成熟度的各指标进行PLS-DA分析，可知纹理相关度、、以及的VIP值较大，可以作为评价烤烟成熟度的代表性指标，因此挑选4个指标DEMATLE分析所计算的中心度计算各指标的权重，并将不同成熟度烤烟指标数值经过归一化后与权重加权相加得到综合得分。由表5可知，简化后欠熟档次烤烟的得分区域在77.12～83.86分布，尚熟档次烤烟的得分区域在81.37～85.05分布，适熟档次烤烟的得分区域在85.75～89.83分布，过熟档次烤烟的得分区域在91.14～98.44分布；同样考虑到当前烟叶生产技术的不断提高，故而本着最大限度提高烟叶烘烤价值的原则，对烤烟的得分区域进行修正，修正后结果为：欠熟档次烤烟的得分区域在[0.0，81.0)分布，尚熟档次烤烟的得分区域在[81.0，85.0)分布，适熟档次烤烟的得分区域在[85.0，91.0]分布，过熟档次烤烟的得分区域在(91.0，100]分布。

表5 算法简化后烤烟中部叶的成熟度得分

Tab.5 Maturity score of the middle leaves of flue-cured tobacco after algorithm simplication

2.5 模型结果验证

由图3、4可知，在验证样本中利用原始模型的结果有7个样品识别错误，而利用简化模型有9个样品识别错误，因此所建立模型识别的正确率为91.46%，而简化模型识别的正确率为89.02%。在识别错误的样品中，模型所识别的成熟档次与专家判断的成熟档次为相邻成熟档次，因此可知所构建的识别模型在对不同成熟度烤烟进行识别时，基本均能有效达到成熟度识别的目的。虽然所建立的原始模型的正确率比简化模型的正确率高2.44%，但简化模型所选取的指标较少，生产中能够在很大程度降低劳动成本的同时实现烤烟成熟度的高正确率识别。

图3 原始模型结果验证

Fig.3 Verification results of original model

图4 简化模型结果验证

Fig.4 Validation results of simplied model

3 讨论

由于当前烤烟成熟度的判断主要是从烤烟的表面形态、颜色特征以及大小长短等方面进行的考量，而表面形态为烟叶表面的凸起褶皱等信息，会受到生态环境、品种以及生长部位等因素的影响，烟叶表面的凸起褶皱会有一定的差异[3]，随着烟叶成熟进程的不断推进，烟叶内淀粉等大分子物质以及纤维素与果胶等物质不断降解，烟叶开始发软形变，叶面褶皱与凸起会发生一定的变化，因此本研究采用纹理特征值对烟叶的褶皱与凸起进行表征。故而本研究中以采后烟叶的纹理特征、颜色特征以及农艺特征等3方面的叶面信息开展研究，结果表明，就大类别而言烤烟的纹理特征>颜色特征>农艺特征，这可能是因为在某一特定产区烤烟成熟期农艺性状基本稳定，而纹理特征主要解释了烤烟表面的起伏褶皱情况，这一特征直接影响烤烟的成熟进程与成熟的均匀性[15,26-27]，因此对烤烟成熟度的影响最大。鲜烟叶成熟度的判断是一个对烟叶颜色、纹理、大小的综合性判断的结果，与路晓崇等[8]以及谢滨瑶等[15]的研究结果相比，当前的研究多是将颜色与纹理单独割裂的进行研究，不能更好地将鲜烟叶成熟度的判断作为一个系统进行分析，本研究则研究了纹理与颜色的对鲜烟成熟度的影响程度大小，更加接近当前烟叶的成熟采收标准的判断流程。

本研究中建立了以烟叶的纹理特征、颜色特征以及农艺特征等外观特征为指标的烤烟成熟度判定模型，结果表明所建立的模型验证样本的准确率达到了91.46%；为进一步降低劳动成本，提高模型可用性，采用PLS-DA法筛选出了纹理相关度、、以及等4个代表性成熟指标，且简化模型验证样本的准确率达到了89.02%；所建立的2个模型的正确率虽然与李佛琳[19]（97%）、CHEN Yi[22]（97.3%）以及谢滨瑶等[15]（97.53%）的相比偏低，但本研究方法所需试验仪器成本较低，且仅需4个指标即可获得相对较高的正确率，实用性更强。同时，通过本方法可在较短的时间内获取较多的样本量，进一步增加了试验数据的可靠性。此外，本研究中各外观特征的权重赋予是基于学者多年来不断摸索出的生产经验，因此本研究中所获取的烤烟田间成熟度的判断量化结果更接近生产实际。

本研究提出了一种鲜烟叶成熟度的判断方法，为进一步实现该技术在生产中的推广应用，可将采后烟叶放置在特定的装置上，批量通过摄像头采集鲜烟叶图像，经过模型计算，判断鲜烟叶的成熟度，通过统计不同成熟档次鲜烟叶的数量以及比例，并制定配套的烘烤工艺，进而提高烟叶的烘烤质量。但生产中鲜烟叶的厚度、颜色以及纹理会因烟叶品种[13, 15]、部 位[8,13]、栽培措施以及生态环境[28]不同而存在较大差异，本研究尚未将以上信息进行整理融合，下一步将围绕不同烤烟品种、部位、栽培措施以及生态环境下的不同成熟度鲜烟叶颜色特征与纹理特征的差异开展研究，将品种、部位、栽培措施以及生态环境等因素纳入鲜烟成熟度的量化体系中，进而提升模型的实用性和推广价值。

4 结论

本研究中发现烤烟叶面特征信息对烤烟成熟的影响大小顺序为：纹理特征>颜色特征>农艺特征。利用偏最小二乘回归法筛选出了纹理相关度、、以及4个代表性指标可以表征成熟度。通过对4个指标进行赋权加和，并考虑到当前的生产实际，最终确定欠熟档次的得分区域为[0.0，81.0)分，尚熟档次确定区域为[81.0，85.0)分，成熟档次确定区域为[85.0，91.0]分，过熟档次确定区域为(91.0，100]分；并随机选取验证样本对模型进行验证，结果表明所建立的原始成熟度识别模型的正确率达到91.28%，简化成熟度识别模型的正确率达到89.04%。

[1] 欧明毅，刘素参，马坤. 不同成熟度采收对浓香型烤烟上部烟叶产值及品质的影响[J]. 作物研究，2018, 32(1): 42-46.

OU Mingyi, LIU Sucan, MA Kun. Effect of different harvest maturity on yield and quality of upper tobacco leaves with full aroma style[J]. Crop Research, 2018, 32(1): 42-46.

[2] 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 Yi, ZHENG Zhushan, WANG Jianbing, et al. Study on changes of free amino acids and transaminase activities in tobacco leaves with different maturity during flue-curing process[J]. Chinese Tobacco Science, 2019, 40(3): 75-83.

[3] 宫长荣，杨焕文，艾复清，等. 烟草调制学[M]. 北京：中国农业出版社，2003.

GONG Changrong, YANG Huanwen, AI Fuqing, et al. Tobacco curing[M]. Beijing: Chinese Agricultural Press, 2003.

[4] 杨睿，宾俊，苏家恩，等. 基于近红外光谱与图像识别技术融合的烟叶成熟度的判别[J]. 湖南农业大学学报（自然科学版），2021, 47(4): 406-411.

YANG Rui, BIN Jun, SU Jiaen, et al. Identification of tobacco leaf maturity based on the fusion of near infrared spectroscopy and image recognition[J]. Journal of Hunan Agricultural University (Natural Sciences), 2021, 47(4): 406-411．

[5] 陆振山. 基于 ResNet 的烟叶成熟度判定研究与应用[D]. 桂林：桂林电子科技大学，2022.

LU Zhenshan. Research and application of tobacco maturity determination based on ResNet[D]. Guilin: Guilin University of Electronic Technolgy, 2022.

[6] 储伟杰. 基于图像信息的烟叶成熟度判定研究[D]. 南京：南京农业大学，2020

CHU Weijie. Study on tobacco leaf maturity determination based on image information[D]. Nanjing: Nanjing Agricultural University, 2020.

[7] 路晓崇，杨超，王松峰，等. 基于图像分析技术的烤烟上部叶采收成熟度判别[J]. 烟草科技，2021, 54(5): 31-37.

LU Xiaochong, YANG Chao, WANG Songfeng, et al. Harvest maturity discrimination of upper leaves of flue-cured tobacco based on image analysis technology[J]. Tobacco Science and Technology, 2021, 54(5): 31-37.

[8] 谢滨瑶. 基于图像处理的烟叶成熟度鉴别方法[D]. 重庆：西南大学，2020.

XIE Binyao. Tobacco leaf maturity identification method based on image processing [D]. Chongqing: Southwest University,2020.

[9] 孙阳，李青山，谭效磊，等. 鲜烟叶高光谱特征与颜色分析及其关系研究[J]. 中国烟草学报，2018,24(4):55-64.

SUN Yang, LI Qingshan, TAN Xiaolei, et al. Research on hyperspectral characteristics and color analysis of fresh tobacco leaves and their Relationship[J]. Acta Tabacaria Sinica, 2018, 24(4):55-64.

[10] 王承伟，宾俊，范伟，等. 基于近红外光谱技术结合随机森林的烟叶成熟度快速判别[J]. 西南农业学报，2017,30(4):931-936.

WANG Chengwei, BIN Jun, FAN Wei, et al. Rapid identification of tobacco leaf maturity based on near-infrared spectroscopy combined with random forest[J]. Southwest China Journal of Agricultural Sciences,2017,30(4):931-936.

[11] 赵晨，赵浩斌，路晓崇，等. 基于轮廓纹理特征和线性判别分析的鲜烟叶部位识别方法[J]. 河南农业科学，2022,51(10):161-168.

ZHAO Chen, ZHAO Haobin, LU Xiaochong, et al. Green tobacco position identification method based on contourtexture features and LDA[J]. Journal of Henan Agricultural Sciences,2022,51(10): 161-168.

[12] 李嘉康，陶智麟，徐波，等. 基于随机森林的烟叶纹理定量分析[J]. 湖北农业科学，2022,61(14):155-159.

LI Jiakang, TAO Zhilin, XU Bo, et al. Quantitative analysis of tobacco texture based on random forest[J].Hubei Agricultural Sciences,2022,61(14):155-159.

[13] 宋朝鹏，路晓崇，裴晓东，等. 烘烤过程中烘烤环境对烤烟外观特征的影响[J]. 西北农林科技大学学报（自然科学版），2017, 45(4):71-78.

SONG Zhaopeng, LU Xiaochong, PEI Xiaodong, et al. The influence of curing environment on tobacco morphology feature in curing process[J]. Journal of Northwest A&F University (Naturel Science Edition), 2017,45(4):71-78.

[14] 刘剑君，杨铁钊，朱宝川，等. 基于数字图像数据的烤烟成熟度指数研究[J]. 中国烟草学报，2013, 19(3): 61-66.

LIU Jianjun, YANG Tiezhao, ZHU Baochuan, et al. Study on maturity index of flue-cured tobacco leaves based on digital image processing technique[J]. Acta Tabacaria Sinica, 2013, 19(3): 61-66.

[15] 谢滨瑶，祝诗平，黄华. 基于BPNN和SVM的烟叶成熟度鉴别模型[J]. 中国烟草学报，2019, 25(1): 45-50.

XIE Binyao, ZHU Shiping, HUANG Hua. Model for identification of tobacco leaf maturity based on BPNN and SVM[J]. Acta Tabacaria Sinica, 2019, 25(1): 45-50.

[16] 汪睿琪，张炳辉，顾钢，等. 基于YOLOv5的鲜烟叶成熟度识别模型研究[J]. 中国烟草学报，2023, 29(2):46-55.

WANG Ruiqi, ZHANG Binghui, GU Gang, et al. Recognition model of tobacco fresh leaf maturity based on YOLOv5[J]. Acta Tabacaria Sinica, 2023, 29(2):46-55.

[17] 林天然，姚争毅，常鹏飞，等. 基于叶片图像复合参数的烟叶成熟度判定模型[J]. 贵州农业科学，2022, 50(8): 134-141.

LIN Tianran, YAO Zhengyi, CHANG Pengfei, et al. Judgment model of tobacco maturity based on leaf image composite parameters[J]. Guizhou Agricultural Sciences, 2022, 50(8): 134-141.

[18] 李俊贤. 基于深度学习的鲜烟成熟度与烤烟等级识别研究[D]. 重庆：西南大学，2022.

LI Junxian. Recognition of fresh tobacco maturity and flue-cured tobacco grade based on deep learning[D]. Chongqing: Southwest University,2022.

[19] 李佛琳，赵春江，王纪华，等. 一种基于反射光谱的烤烟鲜烟叶成熟度测定方法[J]. 西南大学学报（自然科学版），2008, 30(10): 51-55.

LI Folin, ZHAO Chunjiang, WANG Jihua, et al. A reflection spectrum-based method for determining the maturity grades of fresh flue-cured tobacco leaves[J]. Journal of Southwest University (Natural Science Edition), 2008, 30(10): 51-55.

[20] 刘红芸，吴雪梅，张富贵，等. 基于PLS-DA烟叶成熟度判别模型研究[J]. 计算机与数字工程2022.50(9): 2083-2088.

LIU Hongyun, WU Xuemei, ZHANG Fugui, et al. Research on Discriminate Model of Tobacco Leaves Maturity Based on PLS- DA[J].Computer & Digital Engineering, 2022.50(9):2083-2088.

[21] 李佛琳，赵春江，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, 37(6): 565-569.

LI Folin, ZHAO Chunjiang, WANG Jihua, et al. Spectral characteristic of flue-cured Virginia tobacco leaves of different maturity grades and spectra discriminant classification[J]. Journal of Fujian Agriculture and Forestry University (Natural Science Edition), 2008, 37(6): 565-569.

[22] CHENYi,BINJun, ZOUCongming, et al. Discrimination of fresh tobacco leaves with different maturity levels by near-infrared (NIR) spectroscopy and deep learning. J. Anal. Methods Chem. 2021, 2021, 9912589.

[23] LU Xiaochong, ZHAO Chen, QIN Yanqing, et al. The Application of hyperspectral images in the classification of fresh leaves’ maturity for flue-curing tobacco. Processes 2023, 11:1249.

[24] 黄飞宏，李兴成，王凯，等. 基于灰度共生矩阵纹理特征和MLP的二极管字符识别[J]. 江苏理工学院学报，2023, 29(2): 64-71.

HUANG Feihong, LI Xingcheng, WANG Kai, et al. Diode character recognition based on gray level co-occurrence matrix texture feature and MLP[J]. Journal of Jiangsu University of Science and Technology,2023, 29(2): 64-71.

[25] 马鹏阁，魏宏光，孙俊灵，等. 基于高斯-拉普拉斯滤波的增强局部对比度红外小目标检测算法[J]. 兵工学报，2023,44(4): 1041-1049.

MA Pengge, WEI Hongguang, SUN Junling, et al. Infrared Small target detection algorithm with enhanced Local contrast based on Gauss-Laplacian filtering[J]. Acta Armamentarii,2023,44(4): 1041-1049.

[26] 李齐霖，金江华，李旭，等. 采收成熟度对稻茬烤烟上部6片烟叶质量的影响[J]. 作物研究，2023,37(1):41-48.

LI Qilin, JIN Jianghua, LI Xu, et al. Effect of harvesting maturity on the quality of the upper six leaves of rice crop flue-cured tobacco[J]. Crop Research,2023,37(1):41-48.

[27] 刘辉，祖庆学，王松峰，等. 不同成熟度对鲜烟素质和烤后烟叶质量的影响[J]. 中国烟草科学，2020,41(2):66-71,78.

LIU Hui, ZU Qingxue, WANG Songfeng, et al. Effect of different maturity on the quality features of fresh and cured tobacco[J]. Chinese Tobacco Science, 2020, 41(2): 66-71,78.

[28] 王廷贤，郑小雨，张广东，等. 烤烟生态环境和纹理特征的典型相关分析[J]. 昆明学院学报，2019,41(6):18-23.

WANG Yanxian, ZHENG Xiaoyu, ZHANG Guangdong, et al. Typical correlation analysis between flue-cured tobacco ecological environment and texture characteristics[J]. Journal of Kunming University, 2019,41(6):18-23.

A preliminary investigation on the quantification of the harvesting maturity of flue-cured tobacco middle leaf based on leaf surface characteristics

PEI Xiaodong1, ZHAO Chen2, WU Jincao3, ZHANG Wenjun1, LI Fan1, WANG Jianwen1, LIU Youxiong1, LI Jiaojiao1, LI Shengdong4, LU Xiaochong2*

1 Changsha City Corporation of China National Tobacco Corporation, Changsha Hunan 410000, China;2 College of Tobacco, Henan Agricultural University, Zhengzhou, Henan 450002, China;3 Jiangsu China Tobacco Industry Company Limited, Nanjing, Jiangsu 210019, China;4 Qujing City Corporation of Yunnan Province Tobacco Company, Qujing, Yunnan 655000, China

This study aims to promote the realization of digital judgment of flue-cured tobacco harvesting maturity.746 tobacco samples collected from the central part of Yunnan Tobacco 87 were classified according to four grades: under-ripe, still-ripe, moderately ripe and over-ripe, and the fuzzy DEMATEL analysis method was used to assign weights to the leaf surface characteristics of flue-cured tobacco in three aspects: agronomic characteristics, color characteristics and texture characteristics. After that, the partial least squares discriminant (PLS-DA) method was used to simplify the quantification model of the harvesting maturity of the flue-cured tobacco, and the robustness of the model was verified.The results showed that: (1) the final score for the under-ripe grade was determined as [0.0, 81.0), and the final score for the under-ripe grade was determined as [0.0, 81.0). (2) The final scores of under-ripe grades were determined as [0.0, 81.0), under-ripe grades as [81.0, 85.0), under-ripe grades as [85.0, 91.0], and over-ripe grades as (91.0, 100]; (3) The results of the optimized maturity recognition model had a correct rate of 89.04%.The maturity of flue-cured tobacco was quantified by collecting the leaf surface characteristics of fresh tobacco leaves.

flue-cured tobacco; maturity quantification; Fuzzy DEMATEL analysis; partial least-squares discrimination analysis

. Email：luxiaochong@126.com

中国烟草总公司长沙市公司资助项目“烟叶密集烘烤增容提质关键技术研究”（2022430100240141）

裴晓东（1979—），农艺师，硕士，主要从事烤烟烘烤研究与技术推广工作，Tel：13765422275，Email：buwangchuxin12@163.com

路晓崇（1988—），Tel：13069578686，Email：luxiaochong@126.com

2023-06-02；

2023-10-24

裴晓东，赵晨，武劲草，等. 基于叶面特征的烤烟中部叶采收成熟度量化初探[J]. 中国烟草学报，2024，30（1）. PEI Xiaodong, ZHAO Chen, WU Jincao, et al. A preliminary investigation on the quantification of the harvesting maturity of flue-cured tobacco middle leaf based on leaf surface characteristics[J]. Acta Tabacaria Sinica, 2024, 30(1). doi:10.16472/j.chinatobacco.2023.074