基于葉色偏態分布模式的鮮煙葉成熟度判定

沈 平，童德文，陳鄭盟，陳 煒，石三三，林萍萍，王福政，儲偉杰，張 佩

1.福建省煙草公司龍巖市公司，福建省龍巖市新羅區龍巖大道288號 364000

2.勤耕仁現代農業科技發展（淮安）有限責任公司，江蘇省淮安市清江浦區曦園街67號 223001

3.南京南部新城生態農林發展有限公司，南京市六合區馬鞍街道 211500

4.江蘇省氣象局，南京市建鄴區雙閘街道雨順路6號 210008

鮮煙葉成熟度是指大田煙葉生長達到適于烘烤工藝要求的程度［1-2］，直接影響烤后煙葉的外觀、評吸及香氣品質；準確判斷鮮煙葉成熟度并開展適熟采收已成為煙葉生產過程中至關重要的環節［3-5］。目前煙葉生產中，鮮煙葉成熟度的判定主要通過煙農肉眼識別及依據生產經驗，但由于操作人員水平、經驗差異較大，導致鮮煙葉成熟度人工判定的準確率和穩定性較低。前人曾嘗試通過量化指標來判定鮮煙葉成熟度，如通過煙株的莖葉夾角、葉片厚度等物理參數［1，4］，葉綠素含量（質量分數）及相關的SPAD值［6］等作為鮮煙葉成熟度的量化指標。但這些方法耗時耗力還易損傷煙葉，在大田生產中的應用受到限制［7-9］。

隨著數字成像技術的日益成熟及高分辨率攝像設備的普及，利用數碼圖像對植物外觀表型性狀進行定性和定量描述的研究越來越多［10-12］。數碼圖像可記錄可見光波段的光譜信息，分辨率高、成本低，且該類圖像包含大量的植物形態結構和顏色信息［13-14］。有研究通過數碼圖片來判定番茄［15］、李子［16］果實的成熟度。煙草種植標準化程度高，煙葉成熟期集中，葉片較大且較平整，成熟過程中顏色變化特征明顯，這些特點使采用數碼圖像分析法對鮮煙葉成熟度進行自動化識別成為可能。使用RGB顏色模型參數作為輸入因子是最常用的數碼圖像分析法，HSV（Hue Saturation Value）顏色模型、Lab顏色模型也是通過RGB顏色模型的數據進行轉化得到的［17-19］。Chen等［20］研究發現，煙草鮮煙葉圖像RGB顏色模型色階為偏態分布，并揭示了RGB顏色模型偏態參數能夠準確量化葉色與SPAD值的關系，這為使用RGB顏色模型判定鮮煙葉成熟度提供了新路徑。

已有學者利用顏色模型來嘗試量化鮮煙葉成熟度［21-24］，但這些研究都集中在判定當年生產的鮮煙葉熟度，而沒有對往年生產的煙葉成熟度進行驗證。為了能夠更準確地判定鮮煙葉成熟度，并嘗試對多年度生產的煙葉進行預測，將采收后的鮮煙葉片分為欠熟、成熟和過熟3類，并分別提取這3類葉片RGB圖像紅（Red，R）、綠（Green，G）、藍（Blue，B）3個顏色通道及灰度（Gray，Y）圖像的正態參數、偏態參數及葉色復合參數（R、G、B通道均值、HSV顏色模型參數、Lab顏色模型參數、葉面紋理參數）等參數作為自變量，運用多元逐步回歸及反向傳遞神經網絡（BPNN）構建葉色參數-鮮煙葉成熟度判定模型。同時比較不同參數體系、建模方式對鮮煙葉成熟度判定模型的擬合優度及對不同年份間煙葉判定精準度的影響，篩選出最佳的鮮煙葉成熟度定量判定模型，以期為鮮煙葉成熟度的智能化準確判定提供依據。

1 材料與方法

1.1 試驗材料

供試煙草品種為云煙87，于2018—2020年連續3年在福建省武平縣巖前鎮雙坊村（24°54′19″N，116°14′24″E）同一田塊種植，其中2018年于2月1日移栽，6月5日開始采收；2019年于2月1日移栽，6月4日開始采收；2020年于1月15日移栽，5月18日開始采收。栽培土壤為輕砂壤，前茬作物為水稻，土壤肥力中等，排水方便，大田管理按照當地優質烤煙生產技術規范執行［25］。在采收前1 d，選取相同田塊、生長正常、長勢一致，無病蟲害的100株煙掛牌標識。取每株煙第6～10葉位（從上往下數）的葉片，并及時將收獲的鮮煙葉送入室內立即進行成熟度分選（煙葉離體時間＜20 min）。

1.2 煙葉成熟度分選

由煙草行業執證技師對完成圖像采集的鮮煙葉進行外觀成熟度判定，將鮮煙葉分為欠熟（UL，成熟度等級賦值為1）、成熟（RL，成熟度等級賦值為2）、過熟（OL，成熟度等級賦值為3）3類［2］，見表1。結合Shapiro-Wilk檢驗法［26］及中心極限原理［27］對相關分析和回歸模型前置條件的要求，以50個樣本為數據分析的下限值。選取2018年150片煙葉作為建模樣本（每個成熟度50片），選取3年（2018、2019和2020年）共225片煙葉作為預測樣本（每年75片，每年每個成熟度各25片）。

表1 不同成熟度中部鮮煙葉的外觀特征比較Tab.1 Appearance characteristics of middle tobacco leaves with different maturity levels

1.3 葉片RGB圖像采集

采用煙葉標準化分級臺（圖1）進行圖像采集，臺面為長300 cm、寬200 cm、高80 cm，桌面底板顏色為灰白色（R∶G∶B=235∶235∶235）的啞光磨砂臺面。照明光源為2支20 W條狀白色LED燈管，色溫為5 000 K，燈管懸掛位置位于平臺1/4處和3/4處，以保證平臺臺面光線均勻。在距離平臺臺面100 cm處固定數碼相機，采用高分辨率照相機（CANON EOS-550D，日本佳能公司）進行圖像采集，原始數字圖像分辨率像素為3 840×5 120。將采集到的鮮煙葉表面灰塵和露水用吸水紙擦凈后，將樣品放入平臺中央進行拍照，以確保葉脈與桌面邊緣垂直。

圖1 鮮煙葉圖像采集方法及葉片數碼圖像示例Fig.1 Schematic diagram of image acquisition method of fresh tobacco leaf and samples of digital leaf images

1.4 鮮煙葉圖像信息參數提取

1.4.1 葉片圖像預處理

采用Adobe Photoshop CS軟件對煙葉樣品原始圖像進行切割，只保留鮮煙葉葉片部分，并將切割后的圖像保存為透明背景的png圖像格式，分辨率像素調整為1 000×1 330。

1.4.2 葉片圖像RGB顏色模型參數提取

參照Chen等［20］的方法，采用MATLAB軟件對葉片圖像葉色特征參數進行提取，得到葉色偏態參數，即紅（R）通道色階的均值（RMean）、中位數（RMedian）、眾 數（RMode）、偏 度（RSkewness）及 峰 度（RKurtosis）；綠（G）通道色階的均值（GMean）、中位數（GMedian）、眾 數（GMode）、偏 度（GSkewness）及 峰 度（GKurtosis）；藍（B）通道色階的均值（BMean）、中位數（BMedian）、眾 數（BMode）、偏 度（BSkewness）及 峰 度（BKurtosis）；灰度（Y）圖像色階的均值（YMean）、中位數（YMedian）、眾 數（YMode）、偏 度（YSkewness）及 峰 度（YKurtosis）。其中RMean、GMean、BMean和YMean構成葉色正態參數。

1.4.3 葉色復合參數提取

①葉片圖像Lab顏色模型參數提取。參照楊超等［28］的方法，采用MATLAB先將目標圖像RGB顏色模型轉換為Lab顏色模型，而后通過內置函數計算圖像的亮度（L）、a通道值（a）及b通道值（b）。②葉片圖像HSV顏色模型參數提取。參照史飛龍等［21］和謝濱瑤等［24］的方法，采用MATLAB先將目標圖像RGB顏色模型轉換為HSV顏色模型，而后通過內置函數計算圖像的色調（H）、飽和度（S）和明度（V）。③葉片紋理參數提取。參照馮建輝等［29］、史飛龍等［21］和謝濱瑤等［24］的方法，采用MATLAB先將目標圖像從RGB顏色模型轉換為HSV顏色模型再轉化為灰度圖像，然后通過Graycomatrix函數獲取灰度圖像的64位灰度共生矩陣，通過MATLAB內置函數計算圖像的對比度（CON）、相關度（COR）、熵（ENT）、同質性（HOM）和對角二階矩（ASM）。

綜 合R、G、B通 道 色 階 的 均 值（RMean、GMean、BMean），Lab顏色模型參數（L、a、b），HSV顏色模型參數（H、S、V）及葉片紋理參數（CON、COR、ENT、HOM、ASM）構成葉色復合參數。

1.5 數據處理

1.5.1 方差分析

選取建模樣品（2018年產，150片），以鮮煙葉成熟度為分類因子，采用SPSS軟件對RGB顏色模型葉色偏態參數進行方差分析，采用最小顯著差數（LSD）法［30］進行多重比較。

1.5.2 相關分析

選取建模樣品（2018年產，150片），采用SPSS軟件對鮮煙葉成熟度分別與葉色特征參數進行皮爾森（Person）相關分析。

1.6 判定模型構建及效果分析

1.6.1 回歸模型構建

選取建模樣品（2018年，150片），采用SPSS軟件以鮮煙葉成熟度作為因變量，分別以葉色正態參數、葉色復合參數及葉色偏態參數作為自變量，采用基于最小二乘法的逐步回歸方法建立線性模型F1、F2和F3，見表2。并對備選回歸模型進行決定系數優選、回歸模型及回歸系數的顯著性檢驗、回歸模型自變量共線性診斷［30］，最終確定最佳回歸模型。

1.6.2 反向傳遞神經網絡（BPNN）模型構建

BPNN模型拓撲結構包括輸入層、隱含層和輸出層3層。選取建模樣品（2018年產，150片），以鮮煙葉成熟度為輸出層因子，分別采用葉色正態參數、葉色復合參數及葉色偏態參數作為輸入層因子構建基于BPNN的鮮煙葉成熟度判定模型F4、F5和F6，見表2。

表2 鮮煙葉成熟度的判定模型結構Tab.2 Structure of discrimination models for maturity of fresh tobacco leaves

采用MATLAB的神經網絡工具箱（Neural Network Toolbox）［31］構建鮮煙葉成熟度的BPNN判定模型。其中，網絡中間層神經元傳遞函數采用Logsig函數，輸出層神經元傳遞函數采用線性函數Purelin，訓練函數采用Trainlm。將75%數據用于模型訓練，15%數據用于預測驗證，15%數據用于模型測試。設置模型的收斂誤差為0.000 1，學習速率為0.05，最大訓練輪數為1 000。

1.6.3 反向傳遞神經網絡（BPNN）模型參數貢獻率

采用MATLAB中Neural Network Toolbox中的神經網絡輸入層到隱含層權重提取函數獲取判定準確率最高的BPNN模型中每個輸入因子權重值，然后將這些因子在所有隱含層中的權重值取絕對值后相加，最后通過MATLAB歸一化函數Mapminmax求得每個輸入層因子在［0，1］中的歸一化值，該值即是每個輸入層因子對該BPNN模型的歸一化貢獻率。

1.6.4 模型判定準確度比較

運用模型F1～F6對全部建模樣品（225片）進行判定，并對其判定準確度進行計算，計算公式：

式中：DA為模型判定準確度，%；CN為模型準確判定成熟度的樣品數量，片；TN為模型判定的樣品總數量，片。

2 結果與分析

2.1 不同成熟度鮮煙葉葉色圖像RGB顏色模型偏態參數的差異分析

葉色偏態參數中，色階均值、中位數、眾數是反映葉色的深淺情況，偏度反映葉色的偏向性，峰度則是反映葉色分布的集中程度［20］。對3個不同鮮煙葉成熟度葉色RGB圖像的偏態參數進行LSD分析（表3）。R、G和B 3個通道及Y圖像色階的均值（RMean、GMean、BMean、YMean）、中位數（RMedian，GMedian，BMedian，YMedian）、眾數（RMode、GMode、BModes、YMode）均隨著成熟度的增加而提高，其中，不同鮮煙葉成熟度葉色圖像的R、G通道及Y圖像色階的均值（RMean、GMean、YMean）、中位數（RMedian、GMedian、YMedian）、眾數（RMode、GMode、YMode）間存在顯著差異（P＜0.05），而UL與RL葉片圖像的B通道色階的偏態參數（BMean、BMedian、BMode、BSkewness、BKurtosis）之間差異不顯著，OL、UL和RL間存在顯著差異；反映到葉色變化上，則與葉片從鮮綠轉為黃綠相間、最后變為黃色的成熟過程相對應（圖2）。在偏度方面，R、G通道及Y圖像色階的偏度（RSkewness、GSkewness、YSkewness）隨著成熟度的增加而顯著下降（P＜0.05），負偏態程度逐漸加深，色階分布逐漸傾向高值段，但B通道色階的偏度（BSkewness）表現則相反。而峰度方面，R、G通道及Y圖像色階的峰度（RKurtosis、GKurtosi、YKurtosis）隨著成熟度的增加呈現先下降后上升的趨勢，反映到葉色變化上，則與葉片從鮮綠色變成黃綠相間（葉色離散程度最高，峰度最?。?，最后變為黃色的成熟過程相對應，其中UL和OL葉片圖像的R、G通道及Y圖像色階的峰度（RKurtosis、GKurtosis、YKurtosis）均無顯著差異，而成熟（RL）葉片圖像的峰度（RKurtosis、GKurtosis、YKurtosis）顯著低于UL及OL（P＜0.05）；B通道色階的峰度值（BKurtosis）隨著成熟度的增加呈現逐漸升高的趨勢，UL與RL之間差異不顯著，OL與UL、RL之間均存在顯著差異（P＜0.05）。

圖2 不同成熟度鮮煙葉葉色圖像色階累積頻次直方圖Fig.2 Histograms of color gradation cumulative frequency for tobacco leaves with 3 different maturity levels

表3 不同成熟度鮮煙葉葉色偏態參數的差異性①Tab.3 Differences of skewness parameters of leaf color for fresh tobacco leaves with different maturity levels

2.2 鮮煙葉成熟度與葉色特征參數的相關性

對鮮煙葉圖像葉色特征參數與成熟度進行相關分析，結果見表4。在RGB顏色模型中，R、G通道 和Y圖 像 的 均 值（RMean、GMean、YMean），中 位 數（RMedian、GMedian、YMedian），眾數（RMode、G Mode、YMode）這3類參數以及B通道5類參數（BMean、BMedian、BMode、BSkewness、BKurtosis）與煙葉成熟度呈極顯著正相關，說明這些參數隨著成熟度的增加而同步提高；R、G通道和Y圖像的偏度（RSkewness、GSkewness、YSkewness）則與成熟度呈極顯著負相關，說明偏度隨著成熟度的增加而同步降低；而R、G通道及Y圖像的峰度（RKurtosis、GKurtosis、YKurtosis）與成熟度的相關性不顯著。

表4 鮮煙葉成熟度與葉色特征參數的相關性①Tab.4 Correlations between leaf maturity and parameters of leaf color characteristics

在Lab顏色模型中，L、a、b 3個參數均與成熟度呈極顯著正相關，說明隨著成熟度的增加，葉片亮度值（L）逐漸提高，a通道值從綠色向紅色轉變，b通道值從藍色向黃色轉變。在HSV顏色模型中，色調（H）與成熟度呈極顯著負相關，說明隨著成熟度的增加，H值逐步減小，圖像從綠色調轉為黃色調；而圖像飽和度（S）及明度（V）間相關性不顯著。在葉片紋理參數中，除對比度（CON）與成熟度呈極顯著負相關外，其他4個參數均與成熟呈極顯著正相關，說明隨著成熟度的增加，對比度（CON）下降，葉面紋理溝紋變淺；熵（ENT）、對角二階矩（ASM）提高，葉面紋理變粗；相關度（COR）及同質性（HOM）提高，葉面不同區域間紋理趨向一致，整體葉面變得更光滑。因此，與成熟度極顯著相關的葉色特征參數可作為構建鮮煙葉成熟度模型的重要指標。

2.3 鮮煙葉成熟度判定模型的構建

采用葉色正態參數、葉色復合參數及葉色偏態參數，運用多元逐步回歸法構建鮮煙葉成熟度判定模型，綜合考慮各方程的擬合優度及共線性檢測結果，最終得到最優回歸模型F1、F2、F3及其模型表達式，見表5。從表5中可以看出，模型F1自變量只有鮮煙葉葉片RGB圖像R通道色階的均值（RMean）1個，模型F2自變量由RGB圖像紅通道色階的均值（RMean）、葉片紋理的對比度（CON）及同質性（HOM）構成，模型F3自變量由鮮煙葉片RGB圖像R通道色階的均值（RMean）和B通道色階的偏度（BSkewness）構成。HSV顏色模型參數及Lab顏色模型參數均未參與判定模型的構建。

表5 鮮煙葉成熟度的判定模型Tab.5 Discrimination models for maturity of fresh tobacco leaves

結合模型的擬合結果（圖3）可看出，在BPNN模型的構建中，經過多次優選后，發現輸入層的神經元數（m）為4、輸出層的神經元數（n）為1、常數（q）為1時，隱含層的神經元數（Z）為4，此結構下的基于葉片正態參數所構建的模型F4的網絡收斂效果最佳，由此確定模型F4的最佳BPNN結構為4-4-1；當m=14、n=1、q=6時Z=10，基于葉片復合參數所構建的F5模型BP網絡收斂效果最佳，由此確定模型F5的最佳BPNN結構為14-10-1；當m=20、n=1、q=3時Z=8，基于葉片偏態參數所構建的模型F6的網絡收斂效果最佳，由此確定模型F6的最佳BPNN結構為20-8-1。

圖3 不同輸入因子對鮮煙葉成熟度BPNN判定模型的擬合結果Fig.3 Fitting results of BPNN discrimination models with different input factors for maturity of fresh tobacco leaves

2.4 鮮煙葉成熟度判定模型準確度分析

應用模型F1～F6分別對預測組2018、2019和2020年度的鮮煙葉成熟度進行判定，結果見表6?？傮w看來，采用葉片偏態參數且使用BPNN的模型F6總體判定準確度最優。

表6 不同模型對不同成熟度鮮煙葉的判定準確度比較Tab.6 Comparison of discrimination accuracy between different models for maturity of fresh tobacco leaves

從參數體系來看，在回歸模型中，使用葉色偏態參數的模型F3較使用葉色正態參數的模型F1判定準確度提高19.49%，較使用葉色復合參數的模型F2下降3.15%；在BPNN模型中，使用葉色偏態參數的模型F6較使用葉色正態參數的模型F4判定準確度提高14.45%，較使用葉色復合參數的模型F5提高11.11%。

從建模方式來看，在相同參數體系下，采用BPNN法構建的模型F4、F5和F6較使用多元逐步回歸法構建的模型F1、F2和F3判定準確度分別提高115.60%、80.01%和106.51%。

從不同年份看，6個模型對2018、2019和2020年煙葉平均判定準確度為95.33%、45.34%和35.11%，與建模組年份一致，其平均判定準確度最高。在對2018年煙葉判定中，以F4表現最優，準確度達100%，F2、F5和F6準確度均達到97.00%以上；在對2019年及2020年煙葉的判定中，均以F6表現最優，準確度分別達到89.33%和66.67%。

2.5 葉色偏態參數對鮮煙葉成熟度判定模型貢獻率分析

從判定準確率最高的模型F6輸入因子歸一化貢獻率（圖4）來看，貢獻率排名前7（高于50%）的依 次 為RMedian、RMean、YMedian、RSkewness、GMode、YMode和YKurtosis。其中，正態分布參數（葉色均值）只有1個，而葉色偏態參數則有6個。葉色偏態參數在模型F6的主要因子中占比達85.71%。

圖4 模型F6中各參數的貢獻率Fig.4 Contribution rates of various parameters in F6 model

3 討論

已有研究發現，煙草鮮葉數碼圖像的RGB顏色模型色階分布遵循偏態分布［20］。本研究結果顯示，不同鮮煙葉成熟度葉色數碼圖像的RGB顏色模型色階分布也同樣遵循偏態分布，并由此得到了20個葉色偏態參數，極大地豐富了煙草葉片圖像的信息量，從深淺程度和分布偏向性、分布集中度3個方面系統和定量地描述了葉片葉色。不同鮮煙葉成熟度的煙草葉片肉眼可見葉色存在差異，通過方差分析發現，不同鮮煙葉成熟度的葉片葉色偏態參數大多存在顯著差異，且不同偏態參數的變化規律不同，其中反映葉色深淺的均值、中位數、眾數隨著成熟度的增加而同步提高；反映葉色偏向性的偏度與成熟度在R、G通道及Y圖像上存在顯著負相關；在B通道上存在顯著正相關。說明鮮煙葉色偏態參數可很好地表征成熟度的等級差異，且與鮮煙葉成熟過程中葉色的變化也存在一致的對應關系。這為利用偏態參數構建鮮煙葉成熟度判定模型奠定了基礎。

本研究中基于葉色正態參數、葉色復合參數（R、G、B通道色階的均值，HSV顏色模型參數，Lab顏色模型參數，葉面紋理參數）及葉色偏態參數等3套葉色特征參數，依次采用多元逐步回歸法和BPNN法構建了鮮煙葉成熟度的判定模型。通過比較不同參數體系、不同建模方式下的6種模型的擬合效果及判定準確度發現，基于BPNN法構建的模型F4、F5和F6較基于多元逐步回歸法構建的模型F1、F2和F3擬合效果更優且鮮煙葉成熟度判定準確度更高，其對同年度生產煙葉的成熟度判定準確度達100%、98.67%和97.33%，這可能是由于鮮煙葉成熟度與葉色特征參數不是線性關系所致。同時，在采用BPNN的建模方式下，采用偏態參數可提高模型對鮮煙葉成熟度判定的總體準確度，特別是在跨年度的煙葉成熟度判定上表現良好。進一步對模型F6的參數貢獻率分析后發現，葉色偏態參數在模型F6的主要因子中占比達到85.71%。這說明偏態參數極大地豐富了葉色信息，可更準確地描述葉片狀態，基于偏態參數構建的鮮煙葉成熟度判定模型有了更多的葉色信息輸入，在保證對同年度鮮煙葉成熟度高判定準確度的同時，也明顯提高了對跨年度鮮煙葉成熟度的判定準確度，使本研究方法在大田推廣應用中優勢更明顯，無需每年重新建模、更新智能判定系統，尤其適用于丘陵山區以及分散種植的農戶使用。

雖然引入圖像偏態參數可明顯提高模型對成熟度判定的準確度，但對鮮煙葉成熟度的跨年判定準確度，仍低于當年所建模型，這可能是由于不同年份間氣象、生產環境條件及農藝措施等方面存在差異所致，具體原因還有待進一步研究。

4 結論

①不同成熟度鮮煙葉葉片數碼圖像的RGB顏色模型色階分布遵循偏態分布。通過偏態分析得到的偏態參數可很好地表征不同成熟度鮮煙葉間的等級差異，且不同葉色信息參數隨著成熟度的提高呈現不同的變化規律；且不同葉色信息參數隨著成熟度的提高呈現不同的變化規律。

②葉色正態參數、葉色復合參數（R、G、B通道色階的均值，HSV顏色模型參數，Lab顏色模型參數，葉片紋理參數）及葉色偏態參數等葉色特征參數與鮮煙葉成熟度間存在顯著或極顯著相關，這些高度相關的葉色特征參數可作為構建鮮煙葉成熟度模型的重要指標。

③采用BPNN法構建的鮮煙葉成熟度判定模型的擬合效果均優于多元逐步回歸法。無論是多元逐步回歸法還是BPNN法，采用偏態參數可明顯提高對鮮煙葉成熟度的判定準確度，尤其是在鮮煙葉成熟度的跨年度預測方面，模型F6優于其他模型。