基于BP神經(jīng)網(wǎng)絡(luò)的烘烤變黃期煙葉含水量預(yù)測(cè)

張廣普 李崢 黃廣華 徐志強(qiáng) 鐘永健 趙程虹

摘? ? 要：量化研究烘烤變黃期煙葉顏色變化，實(shí)現(xiàn)烘烤變黃期葉片含水量的無(wú)損檢測(cè)。利用色差儀檢測(cè)‘K326中部葉不同變黃溫度（烤前32，34，36，38，40，42 ℃）下的葉片顏色參數(shù)（L*、a*、b*、C、H°），通過(guò)因子分析法對(duì)作為輸入變量的顏色參數(shù)進(jìn)行篩選，分別構(gòu)建不同溫度點(diǎn)的葉片含水量預(yù)測(cè)模型。網(wǎng)絡(luò)模型訓(xùn)練結(jié)果表明：各溫度點(diǎn)葉片含水量預(yù)測(cè)模型的模擬值與目標(biāo)值的回歸系數(shù)均達(dá)到顯著水平或極顯著水平，各網(wǎng)絡(luò)模型預(yù)測(cè)誤差在0～2.0范圍內(nèi)的樣本占比達(dá)到88%以上，預(yù)測(cè)誤差在0～3.0范圍內(nèi)的樣本占比均達(dá)到95%以上。構(gòu)建的不同變黃溫度葉片含水量預(yù)測(cè)模型具有較高的準(zhǔn)確性，在烘烤變黃期可利用BP神經(jīng)網(wǎng)絡(luò)基于煙葉顏色參數(shù)進(jìn)行葉片含水量的快速無(wú)損估測(cè)。

關(guān)鍵詞：烤煙;變黃期;BP神經(jīng)網(wǎng)絡(luò);顏色參數(shù);葉片含水量;預(yù)測(cè)模型

中圖分類號(hào)：S572? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? DOI 編碼：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

變黃期是煙葉烘烤過(guò)程中的重要階段，煙葉在變黃階段發(fā)生的理化變化對(duì)其商品質(zhì)量的形成具有決定性的作用。實(shí)際烘烤作業(yè)中，操作人員通常對(duì)煙葉的變黃程度和失水程度進(jìn)行監(jiān)測(cè)和判斷，并調(diào)控?zé)熑~所處溫、濕環(huán)境以促進(jìn)變黃和失水達(dá)到協(xié)調(diào)的狀態(tài)[1-3]，為煙葉定色打下良好的基礎(chǔ)。變黃期煙葉顏色由青轉(zhuǎn)黃的變化較為明顯[2]，但對(duì)于煙葉失水程度的判斷則是基于葉片和主脈的形態(tài)變化進(jìn)行分析[4-5]，存在較強(qiáng)的主觀性和隨意性。因此，研究變黃期煙葉含水量的準(zhǔn)確測(cè)算方法對(duì)指導(dǎo)烘烤操作有重要意義。目前，對(duì)于煙葉水分測(cè)量的方法較多，例如：烘箱法[6]、低場(chǎng)核磁檢測(cè)法[7-8]、近紅外分析技術(shù)[9]等，但上述方法存在周期長(zhǎng)、成本高的問題，無(wú)法滿足烘烤過(guò)程中快速實(shí)時(shí)監(jiān)測(cè)煙葉含水量的需求。有研究表明，烘烤過(guò)程中煙葉顏色與含水量的變化存在復(fù)雜的相關(guān)關(guān)系[10-12]，隨著色彩學(xué)科的不斷發(fā)展，顏色的量化研究在煙葉生產(chǎn)及相關(guān)研究中得以廣泛應(yīng)用，例如：武圣江等[13]用顏色參數(shù)和失水速率等指標(biāo)探究了不同烤煙品種不同成熟度上部葉的烘烤特性;李志剛等[14]分析了烘烤過(guò)程中顏色值與含水量的變化及相關(guān)關(guān)系;賀帆等[15]基于色度學(xué)通過(guò)回歸分析建立了烘烤過(guò)程水分預(yù)測(cè)模型，經(jīng)檢測(cè)相對(duì)誤差達(dá)到18.25%，模型預(yù)測(cè)精準(zhǔn)度略差。在含水量預(yù)測(cè)模型構(gòu)建方法選擇的問題上，簡(jiǎn)單的相關(guān)分析和回歸分析難以處理指標(biāo)間非線性的變化關(guān)系。而BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)能力以及高度非線性的特點(diǎn)[16]，近年來(lái)在煙葉品質(zhì)指標(biāo)預(yù)測(cè)、自動(dòng)分級(jí)等方面有所應(yīng)用[17-18]。本研究基于煙葉正、背面顏色參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建烘烤過(guò)程中預(yù)測(cè)不同變黃溫度點(diǎn)葉片含水量的模型，為處理煙葉烘烤變黃期顏色與水分的復(fù)雜關(guān)系提供解決思路，同時(shí)為煙葉烘烤逐步實(shí)現(xiàn)智能化提供一定理論依據(jù)。

1 材料和方法

1.1 試驗(yàn)材料

供試烤煙品種為‘K326，2020年4月3號(hào)移栽，種植株行距50 cm×110 cm。試驗(yàn)田土壤為紅壤，土壤有機(jī)質(zhì)含量23.7 g·kg-1，土壤pH值偏酸性，有效磷和速效鉀含量分別為22.1，161.3 mg·kg-1，氯離子含量19.8 mg·kg-1。田間種植管理按照優(yōu)質(zhì)烤煙生產(chǎn)技術(shù)規(guī)范進(jìn)行。對(duì)中部葉（第10～12葉位）掛牌標(biāo)記，待田間成熟度達(dá)到適熟標(biāo)準(zhǔn)后，選取株高、葉片顏色基本一致，且無(wú)病、蟲害的煙株一次性采收烘烤。供試烤房為普通燃煤式密集烤房，裝煙室為3層2路式，裝煙室規(guī)格為長(zhǎng)×寬×高=8.0 m×2.8 m×3.4 m，裝煙量4 000～4 300 kg。

1.2 試驗(yàn)方法

參照三段式烘烤工藝[2]，試驗(yàn)結(jié)合烤房實(shí)際溫、濕度，將烘烤變黃期溫度等間距劃分為32（烤前），34，36，38，40，42 ℃等6個(gè)取樣溫度點(diǎn)。每個(gè)取樣溫度點(diǎn)選取大小、顏色基本一致的煙葉240片，進(jìn)行顏色參數(shù)和葉片含水量的測(cè)定。為避免空隙影響后續(xù)烤房中煙葉顏色和水分的變化，取樣后采用麻袋片進(jìn)行填補(bǔ)。

1.3 顏色參數(shù)和葉片含水量測(cè)定

顏色參數(shù)測(cè)定參照霍開玲等[19]方法進(jìn)行。采用Color-Eye7000A型分光光譜儀（美國(guó)GretagMac-beth公司，光譜范圍360 nm～700 nm，測(cè)量孔徑1.5 cm），測(cè)量時(shí)避開支脈和病斑，每片煙葉于葉尖、葉中、葉基部各選取對(duì)稱的2個(gè)測(cè)量位點(diǎn)（圖1），葉片正面、背面共計(jì)檢測(cè)12個(gè)位點(diǎn)。檢測(cè)指標(biāo)為亮度值L*、紅度值a*、黃度值b*、飽和度C、色相角H°。顏色參數(shù)為無(wú)損測(cè)量，測(cè)量后采用烘箱法[6]檢測(cè)葉片含水量，測(cè)量時(shí)用刀片將主脈和葉片剝離，通過(guò)稱重計(jì)算葉片含水量。

1.4 數(shù)據(jù)處理與分析

采用Matlab2014b軟件進(jìn)行數(shù)據(jù)統(tǒng)計(jì)、數(shù)據(jù)處理、模型構(gòu)建及樣本訓(xùn)練，采用Excel2013軟件制作圖片。

2 結(jié)果與分析

2.1 烘烤變黃期煙葉顏色參數(shù)和含水量變化

烘烤變黃期不同取樣溫度點(diǎn)測(cè)量的烤煙樣品顏色參數(shù)和葉片含水量如表1所示。由表1可知，烘烤變黃期煙葉正、背面各項(xiàng)顏色參數(shù)變化規(guī)律基本一致，表現(xiàn)為：L*、a*、b*、C呈上升趨勢(shì)，H°則不斷下降，表明隨變黃期烘烤溫度的上升，煙葉顏色的亮度變高，綠色變淡，黃色變濃，顏色愈發(fā)飽和鮮亮，色相角H°在180°～90°的變化反映顏色逐漸由綠轉(zhuǎn)黃，檢測(cè)的煙葉H°變化介于103.1°～76.28°，表征了變黃期烤煙顏色變化規(guī)律。煙葉正面和背面顏色參數(shù)呈現(xiàn)一定的差異性，煙葉采收至烘烤變黃期結(jié)束的過(guò)程中，葉片正面的L*、H°兩項(xiàng)指標(biāo)高于背面，a*、b*、C則低于背面。采收后鮮煙葉葉片含水量在80%左右，隨烘烤進(jìn)行葉片失水速率逐漸加快，其中以38～42 ℃區(qū)間失水幅度最為明顯，表明變黃中后期葉片失水較快，變黃期葉片失水比例約為20%。

2.2 樣品顏色參數(shù)的因子分析

為加快網(wǎng)絡(luò)模型的收斂速度，實(shí)現(xiàn)最好的訓(xùn)練效果，采用因子分析法對(duì)網(wǎng)絡(luò)模型的輸入變量進(jìn)行篩選。因子分析采用主成分提取的方法，并進(jìn)行方差極大正交旋轉(zhuǎn)，得到的因子旋轉(zhuǎn)矩陣如表2所示。由表可知，在累計(jì)貢獻(xiàn)率>90%的情況下共提取出5個(gè)主成分因子，其中，前3個(gè)因子的貢獻(xiàn)率較高，均達(dá)到20%以上，因子4和因子5的貢獻(xiàn)率較低，分別為13.058%，11.473%，5個(gè)主成分因子累計(jì)貢獻(xiàn)率為95.162%，表明提取的主成分可以描述樣本的顏色參數(shù)。從因子載荷系數(shù)來(lái)看，因子1主要反映了背面a*、b*、H°的影響，因子2主要反映正面b*、C的影響，因子3主要反映正面L*的影響，因子4主要反映背面C的影響，因子5主要反映正面a*、H°的影響。

2.3 結(jié)構(gòu)設(shè)計(jì)與數(shù)據(jù)處理

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層，3層結(jié)構(gòu)組成。本文構(gòu)建的烘烤變黃期葉片含水量預(yù)測(cè)模型結(jié)構(gòu)設(shè)計(jì)如圖2所示。根據(jù)因子分析結(jié)果，將葉片正面L*、a*、b*、C、H°以及背面a*、b*、C、H°等9項(xiàng)指標(biāo)作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，以32～42 ℃區(qū)間內(nèi)6個(gè)取樣溫度點(diǎn)的葉片含水率分別作為輸出節(jié)點(diǎn)構(gòu)建各溫度點(diǎn)的預(yù)測(cè)模型。隱含層的節(jié)點(diǎn)數(shù)量依據(jù)經(jīng)驗(yàn)公式（1）來(lái)確定取值范圍：

式中，q為隱含層節(jié)點(diǎn)數(shù)量;n為輸入層節(jié)點(diǎn)數(shù)量;m為輸出層節(jié)點(diǎn)數(shù)量;α為調(diào)節(jié)常數(shù)（α=1，2，……，10）。

實(shí)際訓(xùn)練過(guò)程中，調(diào)節(jié)常數(shù)α的取值會(huì)影響輸出結(jié)果的準(zhǔn)確性，表3反映了所有隱含層節(jié)點(diǎn)取值時(shí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差。由表3可知，隱含層節(jié)點(diǎn)數(shù)量在4～14范圍內(nèi)，經(jīng)網(wǎng)絡(luò)性能測(cè)試，隱含層節(jié)點(diǎn)數(shù)為11時(shí)模型擬合誤差最小，為3.87%，結(jié)合輸入節(jié)點(diǎn)及輸出節(jié)點(diǎn)個(gè)數(shù)，構(gòu)建“輸入層-隱含層-輸出層”結(jié)構(gòu)為“9-11-1”的BP神經(jīng)網(wǎng)絡(luò)模型。

作為神經(jīng)網(wǎng)絡(luò)輸入層的顏色參數(shù)指標(biāo)之間具有不同的量綱和量綱單位，例如：烘烤前期煙葉a*值為負(fù)，其余顏色參數(shù)均為正，且明顯高于a*值;H°值反映顏色在色相環(huán)中存在的角度，其余顏色參數(shù)則采用數(shù)值的高低來(lái)反映顏色。同時(shí)，為避免輸入層數(shù)據(jù)數(shù)值差異較大引起的輸出飽和現(xiàn)象，為進(jìn)一步加快網(wǎng)絡(luò)收斂速度、提升網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確性，需要對(duì)輸入層顏色參數(shù)數(shù)據(jù)進(jìn)行歸一化處理。由于采集的煙葉樣本數(shù)量有限，為避免后續(xù)新數(shù)據(jù)加入改變樣本數(shù)據(jù)的最大值和最小值，因此采用Matlab2014b軟件通過(guò)Z-score標(biāo)準(zhǔn)化函數(shù)進(jìn)行數(shù)據(jù)處理。

2.4 網(wǎng)絡(luò)建立與訓(xùn)練

基于BP神經(jīng)網(wǎng)絡(luò)的烘烤變黃期葉片含水量預(yù)測(cè)通過(guò)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供的函數(shù)進(jìn)行編程進(jìn)而完成模型的構(gòu)建及樣本的訓(xùn)練，具體步驟如下：

（1）導(dǎo)入數(shù)據(jù)，將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)導(dǎo)入MATLAB軟件中。

（2）函數(shù)設(shè)置，確定輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)后，使用newff函數(shù)初始化網(wǎng)絡(luò)，輸入層至隱含層使用Tan-Sigmoid飽和正切函數(shù)進(jìn)行連接，隱含層至輸出層使用purelin線性轉(zhuǎn)換函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm。

（3）參數(shù)設(shè)定，設(shè)置訓(xùn)練步數(shù)為100，反復(fù)訓(xùn)練次數(shù)為1 000，學(xué)習(xí)率為0.05，訓(xùn)練目標(biāo)誤差為0.005，其余參數(shù)使用系統(tǒng)默認(rèn)值，設(shè)定參數(shù)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）樣本訓(xùn)練，隨機(jī)選取每個(gè)取樣溫度點(diǎn)樣品數(shù)量的70%（168個(gè)）作為訓(xùn)練集，剩余30%（72個(gè)）樣品作為驗(yàn)證集以測(cè)試模型的精度，各集合樣本提取的程序如下：

net.divideFcn =‘dividerand;

net.divideMode =‘sample;

net.divideParam.trainRatio = 70/100;

net.divideParam.testRatio = 30/100;

2.5 樣本訓(xùn)練結(jié)果與分析

基于煙葉正、背面顏色參數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了烘烤變黃期不同溫度點(diǎn)葉片含水量預(yù)測(cè)模型。采用模型對(duì)樣本進(jìn)行訓(xùn)練和仿真，以訓(xùn)練完成后各模型輸出的模擬值為縱坐標(biāo)，以實(shí)際檢測(cè)的目標(biāo)值為橫坐標(biāo)，進(jìn)行回歸分析，結(jié)果如圖3所示。圖中虛線函數(shù)為y=x，即表明輸出值與目標(biāo)值數(shù)值完全一致。由圖3可知，不同變黃期溫度點(diǎn)葉片含水量的模擬值與目標(biāo)值的擬合程度較高，大部分?jǐn)?shù)據(jù)較為集中。從回歸系數(shù)來(lái)看，32，34 ℃預(yù)測(cè)模型達(dá)到顯著水平，36，38，40，42 ℃的預(yù)測(cè)模型達(dá)到了極顯著水平。表明各模型的模擬值與目標(biāo)值較為接近，預(yù)測(cè)精準(zhǔn)度較高。

為進(jìn)一步驗(yàn)證模型的精準(zhǔn)性，分別對(duì)不同溫度點(diǎn)的168個(gè)訓(xùn)練樣本和72個(gè)驗(yàn)證樣本的預(yù)測(cè)值與輸出值的差異進(jìn)行統(tǒng)計(jì)分析，得到歸屬于不同誤差區(qū)間的樣本比例。結(jié)果如表4所示，誤差絕對(duì)值區(qū)間在0～1.0范圍內(nèi)的樣本比例均達(dá)到40%以上，誤差絕對(duì)值區(qū)間<2.0的樣本占比基本在90%以上，僅32 ℃模型的訓(xùn)練樣本和34 ℃模型的驗(yàn)證樣本占比低于90%，但也分別達(dá)到了88.92%， 89.70%，誤差絕對(duì)值區(qū)間<3.0的樣本占比均高于95%，表明構(gòu)建的模型預(yù)測(cè)效果較好。

3 結(jié)論與討論

烘烤過(guò)程中對(duì)煙葉顏色變化的描述通常用變黃程度，對(duì)于煙葉干燥狀態(tài)則采用勾尖卷邊、卷筒等形態(tài)的變化來(lái)描述[2，20-21]。這種烘烤模式主要基于對(duì)煙葉變黃程度和形態(tài)變化的定性判斷，對(duì)技術(shù)水平的要求較高。CIELab顏色系統(tǒng)是國(guó)際照明委員會(huì)公布的一種包括人眼可見的所有色彩的顏色模式[22]，可以實(shí)現(xiàn)烘烤過(guò)程中煙葉表面顏色的量化研究。烘烤變黃期煙葉顏色參數(shù)變化的研究結(jié)果表明：a*值在38 ℃之前增幅較為緩慢，38～42 ℃顯著增長(zhǎng)，結(jié)合5項(xiàng)顏色參數(shù)來(lái)看，隨烘烤變黃溫度上升，煙葉顏色愈發(fā)鮮亮飽和，綠色變淡，黃色逐漸凸顯，且變黃后期顏色變化較為明顯。由于煙葉為典型異面葉，葉片正、背面的細(xì)胞結(jié)構(gòu)和生理生化特征存在較大差異[5]。因此，鮮煙葉葉面和葉背的顏色參數(shù)有明顯的不同，但各項(xiàng)顏色參數(shù)在烘烤變黃期間的變化規(guī)律基本一致。葉片含水率變化結(jié)果顯示，變黃期葉片失水速率逐漸加快，在38～42 ℃的溫度區(qū)間內(nèi)失水幅度最為明顯，與顏色變化最明顯的時(shí)期相吻合。

在葉片含水率檢測(cè)方面，本研究采用的烘箱法具有成本低、結(jié)果準(zhǔn)確的特點(diǎn)[23]，但在實(shí)際生產(chǎn)中由于檢測(cè)時(shí)效性差、需要損壞樣品[6]，不能用于烘烤實(shí)時(shí)監(jiān)測(cè)煙葉含水量。烘烤過(guò)程中煙葉顏色變化不僅是指導(dǎo)烘烤操作的重要依據(jù)，同時(shí)也是判斷煙葉失水程度的重要指標(biāo)[24]。常規(guī)的線性分析方法無(wú)法處理煙葉顏色與葉片含水率之間的關(guān)系，本研究通過(guò)精密色差儀檢測(cè)煙葉顏色參數(shù)，并作為輸入變量，采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)烘烤變黃期葉片含水率進(jìn)行模擬預(yù)測(cè)，利用神經(jīng)網(wǎng)絡(luò)具備的優(yōu)秀的復(fù)雜模式分類能力和多維函數(shù)映射能力[25]，快速高效地判斷葉片含水量，且實(shí)現(xiàn)了葉片含水量的無(wú)損檢測(cè)，滿足烘烤過(guò)程對(duì)水分檢測(cè)的需求。

本文對(duì)烘烤變黃期的溫度進(jìn)行劃分，基于烤煙正、背面顏色參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)不同變黃溫度點(diǎn)的葉片含水率進(jìn)行了預(yù)測(cè)。結(jié)果表明：各溫度點(diǎn)葉片含水率模型的預(yù)測(cè)值與實(shí)際檢測(cè)值的誤差在0～3.0區(qū)間內(nèi)的樣本占比均達(dá)到95%以上，預(yù)測(cè)誤差在0～2.0區(qū)間內(nèi)的樣本占比均達(dá)到88%以上，表明該網(wǎng)絡(luò)模型具有較好的預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性，為烘烤變黃期依據(jù)量化的顏色指標(biāo)實(shí)現(xiàn)煙葉含水量的判斷提供了研究基礎(chǔ)，同時(shí)為煙葉烘烤的智能化研究提供了一定的支撐。本研究?jī)H選用烤煙品種‘K326進(jìn)行分析和測(cè)試，缺少對(duì)不同烤煙品種的比較分析，具有一定局限性。再者由于煙葉烘烤特性受生態(tài)條件、栽培措施等因素影響較大，導(dǎo)致年度間鮮煙葉素質(zhì)存在一定波動(dòng)，進(jìn)而影響烘烤過(guò)程中煙葉顏色和水分的變化。因此，模型的普適性還有待于進(jìn)一步擴(kuò)大取樣范圍進(jìn)行檢驗(yàn)和完善。

參考文獻(xiàn)：

[1] 魏碩， 徐宸， 王松峰， 等. 預(yù)凋萎煙葉烘烤過(guò)程中水分遷移干燥及形態(tài)收縮特性[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 46（6）： 39-47.

[2] 宮長(zhǎng)榮. 煙草調(diào)制學(xué)[M]. 北京： 中國(guó)農(nóng)業(yè)出版社， 2003： 1-7.

[3] 王傳義， 張忠鋒， 徐秀紅， 等. 煙葉烘烤特性研究進(jìn)展[J]. 中國(guó)煙草科學(xué)， 2009， 30（1）： 38-41.

[4] 李崢， 邱坤， 方明， 等. 基于形態(tài)學(xué)和色度學(xué)的烘烤過(guò)程中煙葉水分含量變化的模型[J]. 江蘇農(nóng)業(yè)科學(xué)， 2019， 47（19）： 209-214.

[5] 王濤， 賀帆， 詹軍， 等. 密集烘烤過(guò)程中基于色度學(xué)和形態(tài)學(xué)的烤煙外觀變化與化學(xué)成分關(guān)系[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2012， 31（6）： 765-770.

[6] 劉惠民， 馬明. 煙草及煙草制品試樣的制備和水分的測(cè)定-烘箱法：YC/T 31-1996[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 1996.

[7] 宋朝鵬， 魏碩， 賀帆， 等. 利用低場(chǎng)核磁共振分析烘烤過(guò)程煙葉水分遷移干燥特性[J]. 中國(guó)煙草學(xué)報(bào)， 2017， 23（4）： 50-55.

[8] 魏碩， 譚方利， 馬明， 等. 上部葉帶莖烘烤水分遷移及形態(tài)結(jié)構(gòu)變化[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2018， 52（2）： 187-192， 231.

[9] 尹旭， 徐其敏， 陳清， 等. 近紅外分析技術(shù)在片煙含水率快速檢測(cè)中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)信息， 2012， 31（17）： 88-89.

[10] 謝鵬飛， 鄧小華， 周清明， 等. 密集烘烤過(guò)程中煙葉顏色、形態(tài)和水分變化及相互關(guān)系[J]. 作物研究， 2012， 26（5）： 486-490.

[11] 郭朵朵. 基于機(jī)器視覺的煙草烘烤品質(zhì)檢測(cè)及控制系統(tǒng)的設(shè)計(jì)[D]. 楊凌： 西北農(nóng)林科技大學(xué)， 2017： 3-7.

[12] 段史江， 宋朝鵬， 馬力， 等. 基于圖像處理的烘烤過(guò)程中煙葉含水量檢測(cè)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2012， 40（5）： 74-80.

[13] 武圣江， 莫靜靜， 婁元菲， 等. 不同烤煙品種不同成熟度上部葉烘烤特性研究[J]. 核農(nóng)學(xué)報(bào)， 2020， 34（6）： 1337-1349.

[14] 李志剛， 王廷賢， 潘飛龍， 等. 烘烤中煙葉顏色值與水分的變化及相互關(guān)系[J]. 湖南文理學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2020， 32（2）： 65-70， 95.

[15] 賀帆， 王濤， 樊士軍， 等. 基于色度學(xué)的密集烘烤過(guò)程中煙葉主要化學(xué)成分變化模型研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)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] 顧金梅， 吳雪梅， 龍?jiān)睿?等. 基于BP神經(jīng)網(wǎng)絡(luò)的煙葉顏色自動(dòng)分級(jí)研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2016， 23（4）： 110-114.

[18] 李崢， 王建峰， 程小強(qiáng)， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的烤煙外觀質(zhì)量預(yù)測(cè)模型[J]. 西南農(nóng)業(yè)學(xué)報(bào)， 2019， 32（3）： 653-658.

[19] 霍開玲， 宋朝鵬， 武圣江， 等. 不同成熟度煙葉烘烤中顏色值和色素含量的變化[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2011， 44（10）： 2013-2021.

[20] 樊軍輝， 陳江華， 宋朝鵬， 等. 不同烤房烘烤過(guò)程中煙葉形態(tài)和物理特性的變化[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2010， 38（6）： 109-114.

[21] 夏春， 范寧波， 王彬， 等. 成熟度對(duì)云煙87上部煙葉烘烤中失水特性的影響[J]. 福建農(nóng)林大學(xué)學(xué)報(bào)（自然科學(xué)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] 鄭利鋒， 劉茜， 吳金鳳， 等. 試樣參數(shù)對(duì)烘箱法煙葉含水率檢測(cè)結(jié)果的影響[J]. 煙草科技， 2013， 49（2）： 40-45.

[24] 李崢， 邱坤， 楊鵬， 等. 煙葉烘烤過(guò)程中水分遷移干燥特性研究進(jìn)展[J]. 昆明學(xué)院學(xué)報(bào)， 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.