烟叶成熟度判别是生产优质烟叶的关键环节之一，成熟度反映了烟叶内化学成分含量与比例的变化程度，是保证和提高烤烟品质的前提[1]。准确掌握鲜烟叶的成熟度，并选择恰当的时机进行采收，可以降低烟叶的田间损失率和烘烤损失率。刘辉等[2]和李佛琳等[3]研究了烤烟鲜烟叶成熟度的量化，认为对于田间烟叶成熟度的判别一般通过目测、手摸等感官感受定性识别，依据特征主要包括叶面颜色、主支脉外观变化、茸毛脱落程度、叶片下垂、叶缘下卷、叶面发皱和成熟斑等。该判别方法主观性较强，而且费时费力。现阶段对于烟叶成熟度的判别，主要利用光谱技术开展烟叶化学成分含量检测，估测烟叶中尼古丁、焦油和香气物质等化学成分的含量[4-6]，从而对烟叶成熟度进行判别。该方法相较于人工感官判别提高了判别准确性，同时降低了成本[7-8]。近年来，随着信息技术的不断发展，基于机器视觉的图像识别技术日趋完善[9]，进而推动了基于图像对烟叶成熟度进行判别的深入研究[10-11]。如谢滨瑶等[12]和汪睿琪等[13]应用该技术获取烟叶图像信息，提取其颜色或纹理特征等对不同部位的烟叶成熟度进行预测，该方法具有无损、高效和低成本等优点。与此同时，烟叶烤房的智能化建设也取得了一定的进展，通过采用工控软件、传感器及红外线技术等实现对烤房的智能化控制[14-15]，并逐步应用到烟叶烘烤实践中，提升了烟叶的烘烤质量及效率，同时显著降低了烘烤过程中的能耗。
与实验室环境下理想的烟叶识别不同，烤房内的成杆鲜烟叶悬挂烘烤，叶片间相互重叠，使得获取整片烟叶的清晰图像变得较为困难。此外，还面临如何实现烟叶的准确分离以及对杆上烟叶整体成熟度的综合判别等挑战。目前，针对烤房中成杆鲜烟叶成熟度识别的研究有待进一步深入。为此，本研究采用机器视觉技术，对烤房中成杆鲜烟叶的成熟度识别进行深入研究，以期探索一种准确、快速判断烟叶成熟度的技术方法，为智能烤房的开发提供技术支持，进而提升烟叶品质和烘烤效率，降低烘烤过程中的能耗和对环境的污染，实现烟叶的智能绿色烘烤。
1 材料与方法
1.1 试验材料
FLIR相机（型号BFS-PGE-120S4C-CS），图像像素1 200万，类型为RGB8真彩图像，最高帧率8.5 fps；图像经色彩白平衡校正矩阵、伽马矫正和饱和度校正等处理。
1.2 试验方法
1.2.1 图像采集
烟杆长135 cm，与相机的水平距离为50 cm，一杆烟拍摄1次，于烟杆正中位置获取烟叶的清晰图像。将设备采集的成杆鲜烟叶成熟度图像与人工判别的成熟度档次进行关联。
1.2.2 成杆鲜烟叶分离
使用DeeplabV3算法对成杆鲜烟叶进行分离，该算法是在DeepLabV1～2的基础上进一步扩展和改进而来的，是一种基于深度学习的语义分割算法。其主要特点包括使用空洞卷积（Atrous convolution，AC）来增大模型的感受野，同时使用空洞空间金字塔池化（Atrous spatial pyramid pooling，ASPP）模块来捕获多尺度信息。此外，该算法还引入了有效的解码器模块，用于恢复物体边界的详细信息。
1.2.3 成杆鲜烟叶成熟度识别模型构建
成杆鲜烟叶成熟度识别模型是采用StackingClassifier方法建立的一种集成学习策略，其主要由初级学习器和次级学习器两部分组成。其中，初级学习器为在原始数据中训练的多个独立分类器，次级学习器则用于组合基分类器的预测结果，其核心是通过对初级学习器预测结果的加权组合，得到最终的分类结果。
在本研究中，初级学习器使用3种模型，分别为偏最小二乘判别分析（Partial least squares discriminant analysis，PLSDA）、支持向量机（Support vector machine，SVM）和随机森林（Random forest，RF）模型，每个模型均采用五折交叉验证方式，将3个模型的预测值合并为一个新的矩阵，使用新的矩阵和相应的目标变量（类别标签）来训练逻辑回归模型（Logistic regression，LR）；次级学习器使用LR算法，在测试集上进行模型验证。
1.2.4 模型应用效果验证
运用成熟度识别模型StackingClassifier预测鲜烟叶的成熟度档次以及鲜烟叶主体成熟度档次的比例。
2 结果与分析
2.1 成杆鲜烟叶成熟度档次预测效果
基于PLSDA、SVM和RF分别建立成杆烟叶成熟度档次预测模型，3种基础模型在验证集上的预测准确率分别为93.4%、91.6%和94.1%。基于上述3种基础模型，利用StackingClassifier方法建立成杆烟叶成熟度档次预测模型，在验证集上的预测准确率为97.8%，由此可知，利用StackingClassifier方法建立的模型对于成杆烟叶成熟度档次预测的效果优于3种基础模型。
为了验证基于Stacking方法建立的模型的鲁棒性，利用外部测试样本对两个批次的成杆鲜烟叶进行了成熟度判别。在每个批次中，随机选取50杆烟叶，对所选烟叶的拍摄图像进行过熟、成熟和欠熟3个档次的判别。由表2可知，第一、二批次成杆鲜烟叶的成熟度判别准确率分别为96%和94%，整体判别效果较好。说明利用StackingClassifier方法建立的成杆烟叶成熟度档次预测模型具有较强的鲁棒性，且模型的实际应用效果较好。
表2 不同批次成杆鲜烟叶成熟度档次预测准确率 |
| 验证批次 | 成熟度判别准确率/% |
|---|---|
| 第一批次 | 96 |
| 第二批次 | 94 |
2.2 成杆鲜烟叶成熟度比例预测效果
3 结论与讨论
屈靖雄等[1]和刘辉等[2]研究认为，准确掌握鲜烟叶的成熟度是降低烘烤损失率和提升烘烤烟叶质量的关键。智能烘烤技术的发展和应用为烟叶烘烤带来了技术革新，通过将烟叶成熟度判别方法与智能烘烤技术相结合，可以实现更加精准和高效的烘烤管理[9]。陈霖等[14]探索了基于物联网技术的智慧化烟叶烤房系统，提出智能烘烤系统能够通过实时监测烟叶的湿度、温度和化学成分的变化，实现烘烤环境的自动调整，确保烟叶在最佳条件下烘烤。本研究使用StackingClassifier集成学习策略，建立了成杆鲜烟叶成熟度判别模型，初级学习器使用PLSDA、SVM和RF模型，次级学习器使用LR算法。在成杆鲜烟叶的预处理阶段，使用DeeplabV3算法进行成杆鲜烟叶分离，使用外测样本进行两个批次的成熟度等级预测，其成熟度判别准确率均在94%以上；成杆鲜烟叶主体成熟度档次的预测比例与真实比例的平均绝对误差为6%。该模型不仅能够有效判别成杆鲜烟叶的成熟度，而且在主体成熟度档次比例的预测上也表现出较高的精度。
本研究为烤房中成杆鲜烟叶的成熟度判别提供了一种高效且实用的判定方法。与常规的实验室单片烟叶成熟度识别技术不同，该判定方法对成杆鲜烟叶整体进行成熟度识别，每杆可承载110片烟叶，实现了批量、高效的烟叶成熟度判别。该方法充分考虑了真实烤房环境中烟叶的排布方式，更贴近烤房实际应用场景，明显提高了识别效率。随着技术的不断进步和应用的深入，智能烤房将得到更广泛的应用。