基于模糊光照处理的田间鲜烟成熟度图像智能判别方法研究.pdf

基于模糊光照处理的田间鲜烟成熟度图像智能判别方法研究代英鹏1，刘浩1,2，毕庆文3，赵勇4，王松峰1，孟令峰1，张国超5，孙福山1*（1.中国农业科学院烟草研究所，青岛266101；2.中国农业科学院研究生院，北京100081；3.湖北中烟工业有限责任公司，武汉430040；4.江苏中烟工业有限责任公司，南京210019；5.山东烟草研究院有限公司，济南250101）摘要：自然环境下田间烟叶受光照影响导致采收机械对烟叶成熟度的判别率较低，为解决此问题，提出一种基于模糊光照处理的田间烟叶成熟度判别模型。首先，使用卷积神经网络分割模型提取感兴趣烟叶区域；其次，构建烟叶区域的分段模型用以建立光照与烟叶颜色信息间的模糊非线性关系，消除光照的影响；然后，统计不同成熟度颜色先验知识，根据先验知识建立自然环境下黄色、绿色模糊关系推理烟叶区域像素点颜色属性并计算黄色面积；最后，构建黄色面积与鲜烟叶成熟度之间的隶属度概率关系，计算烟叶成熟度。使用本研究方法对四川地区云烟 87 中、上部叶和中川 208 中、上部叶田间鲜烟叶进行处理，分别获得 82.0%、77.0%、75.0%和 71%的成熟度分类准确率，普遍优于 ELM、SVM 和 BP 神经网络。试验结果表明，提出的田间烟叶成熟度判别方法能够有效克服光照的影响，准确判定不同田间环境烟叶的成熟度，为烟叶智能采集装备视觉系统提供理论基础。关键词：烟叶成熟度；田间环境；智能识别；光照；模糊关系中图分类号：S572；S126文献标识码：A文章编号：1007-5119（2024）01-0096-08A Fuzzy Illumination-based Method for Identifying the Maturity ofTobacco Leaves in FieldDAIYingpeng1,LIUHao1,2,BIQingwen3,ZHAOYong4,WANGSongfeng1,MENGLingfeng1,ZHANGGuochao5,SUNFushan1*(1.InstituteofTobaccoResearchofCAAS,Qingdao266101,China;2.GraduateSchoolofChineseAcademyofAgriculturalSciences,Beijing100081,China;3.ChinaTobaccoHubeiIndustrialCo.,Ltd.,Wuhan430040,China;4.ChinaTobaccoHubeiIndustrialCo.,Ltd.,Nanjing210019,China;5.ShandongTobaccoResearchInstituteCo.,Ltd.,Jinan250101,China)Abstract:Innaturalenvironments,thematurityoftobaccoleavesinthefieldisdifficulttorecognizeduetotheinfluenceoflight.Tosolvethisproblem,afuzzyillumination-basedmethodforidentifyingthematurityoftobaccoleavesinthefieldisproposed.Firstly,aconvolutionalneuralnetworksegmentationmodelisusedtoextractregionsofinterestintobaccoleaves;Secondly,asegmentedmodel of the tobacco leaf area is constructed to build a fuzzy nonlinear relationship between lighting and tobacco leaf colorinformation.Theroleofthissegmentedmodelistoeliminatetheinfluenceoflighting.Next,thepriorknowledgeofcolorsatdifferentmaturitylevelsiscalculated.Basedonthepriorknowledge,establishingafuzzyrelationshipbetweenyellowandgreeninthenaturalenvironmentinfersthecolorattributesoftobaccoleafpixelpoints,andcalculatestheyellowarea.Finally,amembershipprobabilityrelationshipbetweentheyellowareaandthematurityoffreshtobaccoleavesisconstructedtocalculatethematurityoftobaccoleaves.ForfreshtobaccoleavesfromthemiddleandupperleavesofYunyan87andZhongchuan208inSichuanregion,thisresearchmethodachievesmaturityclassificationaccuracyof82.0%,77.0%,75.0%,and71%,respectively,whichisgenerallybetterthanELM,SVM,andBPneuralnetworks.Theresultsshowthattheproposedfuzzyillumination-basedmethodfordeterminingthematurityoftobaccoleavesinthefieldcouldeffectivelyovercometheinfluenceoflighting,accuratelydeterminethematurityoftobaccoleavesindifferentfieldenvironments,andprovideatheoreticalbasisforthevisualsystemoftobaccointelligentcollectionequipment.Keywords:maturityoftobaccoleaves;fieldenvironment;intelligentidentification;light;fuzzyrelationships基于视觉的环境感知是机械实现智能化的主要手段。烟叶机械采收过程中的成熟度识别直接影响烤后烟叶质量1-6。在大田环境下，烟叶色彩信息受光照影响发生重大偏差，造成鲜烟叶成熟度判别基金项目：中国烟草总公司重点项目（110202102007）；中国烟草总公司四川省公司科技重点项目（SCYC202012）；中国烟草总公司陕西省公司科技项目（KJ202103）；中国农业科学院科技创新工程（ASTIP-TRIC03）第一作者：代英鹏（1992），男，博士，助理研究员，主要研究方向为智能环境感知。E-mail：*通信作者：孙福山（1964），男，研究员，从事烟叶调制加工与分级研究。E-mail：收稿日期：2023-07-06修回日期：2023-12-26中国烟草科学ChineseTobaccoScience2024,45(1):96-103DOI:10.13496/j.issn.1007-5119.2024.01.013结果准确性降低。研究光照环境下基于视觉感知的鲜烟叶成熟度识别，是智能烟叶采收机必需解决的问题。目前，鲜烟叶成熟度识别方法主要分为 3 类，一是基于化学成分检测的鲜烟叶成熟度识别方法；二是基于高光谱的鲜烟叶成熟度识别方法7-10；三是基于视觉的鲜烟叶成熟度识别方法。使用化学成分检测和光谱信息的鲜烟叶成熟度判别方法因采集便利性、处理时效性等应用范围受到限制，而使用视觉的鲜烟叶成熟度识别方法应用较为普遍。谢滨瑶等11提取 R、G 等 5 个颜色特征和熵、纹理等 4 个中层特征输入到 BP 神经网络和支持向量机（SupportVectorMachine，SVM）中，分别得到 93.83%和 97.53%的准确率；王杰等12利用稀疏自编码器提取烟叶成熟度特征，Softmax对学习到的特征进行分类，成熟度分类准确率可达 98.63%；汪睿琪等13使用 YouOnlyLookOnce（YOLO）V5 模型识别鲜烟叶成熟度，对上、中、下 3 个部位平均识别准确率达到 90%以上；林天然等14以 33 个叶色偏态分布复合参数作为输入，使用 BP 神经网络得到 94.15%的总体精度；路晓崇等15提取多项颜色和纹理特征，然后将这些特征输入 BP 神经网络识别鲜烟叶成熟度。基于视觉的鲜烟叶成熟度识别方法均是提取鲜烟叶颜色、纹理等特征，随后将提取的特征输入机器学习算法或者 BP 等神经网络算法进行成熟度分类，一定条件下能够很好地识别鲜烟叶成熟度，但是忽略了光照的影响，对光照的变化非常敏感，在光照环境下基本失去其原有的识别能力，所以研究自然环境下受光照影响的大田鲜烟叶成熟度判别方法极具挑战并具有实用价值。不同成熟度烟叶颜色具有差异，通过检测这种差异可以进行田间烟叶成熟度的判别。而由于光照影响使视觉上原本绿色的烟叶呈现偏黄色，从而造成田间烟叶成熟度判别的失败。针对上述问题，提出自然环境下基于模糊光照处理的田间烟叶成熟度判别方法，构建鲜烟叶成熟度识别的软计算方法，以降低自然环境下光照对烟叶颜色信息的影响，提升鲜烟叶成熟度识别的准确率。1材料与方法1.1试验材料试验于 2022 年在四川省西昌市中国农业科学院西南烟草试验基地内进行，试验田土壤肥力适中，供试烟草品种为云烟 87 和中川 208，留叶 1820片，按照优质烟生产管理技术规范栽培。使用OPPORenoZ 手机进行图像采集，采集图像大小为30004000 像素，为方便后续处理将图像大小缩减为 600800 像素，图像处理系统为 Ubuntu20.04，处理语言为 python3.7.0。数据采集时间为 79 月份，采集田间烟叶图像 1200 幅作为训练图像，包括云烟 87 中部叶、上部叶和中川 208 中部叶、上部叶各 300 幅，其中每个品种每个部位欠熟、尚熟、适熟和过熟图像各 75 幅；采集田间测试烟叶800 幅，包括云烟 87 中部叶、上部叶和中川 208中部叶、上部叶各 200 幅，其中每个品种每个部位欠熟、尚熟、适熟和过熟图像各 50 幅。1.2试验方法1.2.1提取感兴趣烟叶区域由于所拍摄图片往往出现多片鲜烟叶和烟叶区域外的背景区域，易对鲜烟叶成熟度识别产生不利影响，所以需要提取目标单片鲜烟叶区域，称为感兴趣烟叶区域。使用卷积神经网络分割模型-平行双支路网络16提取感兴趣鲜烟叶区域（RegionofInterest,ROI）。1.2.2构建烟叶区域去光照模型自然环境下，大田烟叶图像中烟叶受到阳光直射从而影响烟叶色彩信息表达的区域被称为亮区；不受阳光直射能够准确表达烟叶色彩信息的区域被称为暗区。在 HSV颜色空间，光照强度与亮度相关性较大，与色调和饱和度关联性较小，所以可通过 HSV 颜色空间的亮度值 v 判断鲜烟叶是否受到光照影响以及衡量受光照影响的程度；在 RGB 颜色空间，光照影响 R、G、B 各分量值的绝对大小和三者之间的比例关系，但不会改变 R、G、B 分量值之间的大小顺序关系，即当 R 分量值比 G 分量值大时，不会因为受到光照的影响而出现 R 分量值小于 G 分量值的情况。因此，首先使用 v 分量值判断是否受到光照影响及受光照影响的像素位置，其次调节相应位置各颜色分量值的大小以及比例关系：（1）提取受光照影响第 1 期代英鹏等：基于模糊光照处理的田间鲜烟成熟度图像智能判别方法研究97区域；（2）建立光照与颜色之间的模糊关系模型。(i,j)v(i,j)T（1）提取受光照影响区域。假设图像位置亮度值为，存在阈值使公式（1）关系成立：1，v(i,j)T0，(i,j)T（1）TTm11m22当前像素位置亮度值大于阈值时，判定为受光照影响位置并标记为 1，否则为不受光照影响位置并标记为 0。为适应不同环境，阈值应该有自适应调整的能力，最大类间方差法17能够满足此需求。给定阈值 将亮度分量分为两部分，受光照影响部分的亮度均值为，面积占比为，不受光照影响部分的亮度均值为，面积占比为，则整个烟叶区域亮度均值为：m=1m1+2m2（2）1+2=1T其中，则阈值为 时类间方差可以表示为：var=1(m1m)2+2(m2m)2（3）varTT其中表示类间方差，阈值 遍历图像各个像素值，类间方差最大值对应的阈值记为，即为区分是否受光照影响的最佳阈值。(m2m1)(m2m1)m1m2(m2m1)m1m2(m2m1)另外，存在烟叶区域基本不受光照影响和基本都受光照影响两种情况，此时不再适用于上述方法，所以通过判断烟叶区域受光照影响状态。根据 1200 幅田间烟叶图像统计结果，当小于 0.2 且、均不小于 0.5 时，烟叶区域基本都受光照影响；小于 0.2 且、均小于0.5 时，烟叶区域基本不受光照影响；不小于 0.2 时，利用上述方法获取受光照影响区域。AlMAnN(Rl,Gl,Bl)(Rn,Gn,Bn)（2）建立光照与颜色之间的模糊关系模型。受光照影响烟叶区域的像素个数为，不受光照影响的正常区域的像素个数为，则其颜色中心分别为和，通过公式（4）（9）计算得到：Rl=(i,j)r(i,j)/M，(i,j)Al（4）Gl=(i,j)g(i,j)/M，(i,j)Al（5）Bl=(i,j)b(i,j)/M，(i,j)Al（6）Rl=(i,j)r(i,j)/N，(i,j)An（7）Gn=(i,j)g(i,j)/N，(i,j)An（8）Bn=(i,j)b(i,j)/N，(i,j)An（9）r(i,j)g(i,j)b(i,j)(i,j)(i,j)Al(i,j)An(i,j)(i,j)r(i,j),g(i,j),b(i,j)其中、分别表示红色分量、绿色分量、蓝色分量在处的像素值，、分别表示像素位置属于受光照影响烟叶区域和正常区域。将受光照影响区域的颜色值映射到正常区域，对于受光照影响区域处的像素值通过公式（10）（12）消除光照影响：r(i,j)=RnRlr(i,j)，(i,j)An（10）g(i,j)=GnGlg(i,j)，(i,j)An（11）b(i,j)=BnBlb(i,j)，(i,j)An（12）r(i,j),g(i,j),b(i,j)(i,j)其中为处的像素校正值。结合烟叶区域部分受到光照影响、基本都受到光照影响两种情况，可以由公式（13）计算消除光照影响：r(i,j),g(i,j),b(i,j)=RnRlr(i,j),GnGlg(i,j),BnBlb(i,j)，(m2m1)0.2r(i,j),g(i,j),b(i,j)，(m2m1)402,30 G(i,j)R(i,j)403,20 G(i,j)R(i,j)304,G(i,j)R(i,j)20（16）cl(i,j)(i,j)Dk，k=1,2,3,4表示处像素颜色值的成熟度类别，1表示欠熟，2 表示尚熟，3 表示适熟，4 表示过熟。定义类属上述 4 个成熟度的像素个数分别为，则判定鲜烟叶分别隶属于 4 个成熟度的概率为：pk=Dk4i=1Di，k=1,2,3,4（17）最后选取最大概率值所对应的成熟度作为鲜烟叶成熟度。1.3效果评价为准确且全面地描述数据处理效果，使用准确率、精确率、召回率和 F1分数进行数据处理效果的评价18。假定 TP 表示正类预测为正类的数据量，FP 表示负类预测为正类的数据量，FN 表示正类预测为负类的数据量，TN 表示负类预测为负类的数据量，准确率为正类与负类均预测正确的数量占总数据量的比例，衡量模型预测结果的命中能力，表示为：Accuracy=TP+TNTP+FP+FN+TN（18）精确率为预测正确的正类数据量占预测正类数据量的比例，表征模型能否预测一个正类即为正类，衡量模型预测正类结果的准确能力，表示为：Precision=TP/(TP+FP)（19）召回率为预测正确的正类数据量占实际正类数据量的比例，表征模型能否将正类结果全部预测出来，衡量模型预测正类结果的全面能力，表示为：Recall=TP/(TP+FN)（20）一般来说，精确率（预测一个正类就要确保预测的正类准确）和召回率（即使预测错误也要将正类全部预测出来）相互矛盾，偏重某一方面评价模型预测能力，所以引入 F 分数（F1）兼顾模型的精确率和召回率，表示如下：F1=2PrecisionRecallPrecision+Recall（21）2结果2.1感兴趣烟叶区域提取提取感兴趣烟叶区域效果如图 1 所示。从图 1 可以看到，在有阳光直射和遮荫等因素影响的环境中，使用卷积神经网络分割模型-平行双支路网络能够准确地识别田间杂草、地垄等背景信息，成功提取感兴趣烟叶区域。2.2烟叶光照区域提取以感兴趣烟叶区域提取图像为基础，使用大津法分割烟叶受光照直射区域和遮荫部分并提取烟叶受光照直射影响区域，结果如图 2 所示，针对不同光照强度，大津法可以自适应调整烟叶受光照直射区域和遮荫部分间的分割阈值，所以在自然环境中能够取得较好的分割效果，从而保证烟叶受光照直射影响区域提取的准确性。2.3消除光照影响的图像利用公式（13）计算消除光照直射影响的烟叶图像，效果如图 3 所示，烟叶光照直射区域的光照强度明显降低，基本消除光照直射的影响，消除光照直射影响后的图像色彩信息由偏黄色转变为绿色，但不同图像间依然存在亮绿和暗绿等图像颜色亮暗不一致的情况。第 1 期代英鹏等：基于模糊光照处理的田间鲜烟成熟度图像智能判别方法研究992.4光照强度归一化后的图像将所有烟叶图像颜色值归一化到光照强度为0.5 环境下，效果如图 4 所示，整个烟叶区域不再有明显的光照直射区域与遮荫区域的差别，烟叶光照直射区域消除光照影响后的烟叶颜色与遮荫部分接近，除部分光照直射与遮荫部分交界处，烟叶颜色值变化平缓并且烟叶黄绿颜色区分明显。2.5模糊光照处理对烟叶成熟度识别率的影响为了验证光照对烟叶成熟度识别正确率的影响以及模糊去光照方法的有效性，设计对照试验进行验证。试验组使用本文提出的方法首先对光照进行模糊光照预处理，缓解光照影响，再进行成熟度的(a)Original image of Yunyan87 in the field(c)Extract ROI of Yunyan87 in the field(b)Original image of Zhongchuan208 in the field(d)Extract ROI of Zhongchuan208 in the field(a)云烟 87 田间烟叶原始图像(c)提取田间云烟 87 感兴趣烟叶区域(b)中川 208 田间烟叶原始图像(d)提取田间中川 208 感兴趣烟叶区域图1提取感兴趣烟叶区域Fig.1Tobaccoleafofinterestextractionarea(a)云烟 87(b)中川 208图2田间烟叶提取受光照影响区域图像Fig.2Extractimagesofareasoftobaccoleavesaffectedbylightinthefield(a)云烟 87(b)中川 208图3田间烟叶去除光照图像Fig.3Lightremovalimageoftobaccoleavesinthefield100中国烟草科学2024 年第 45 卷判断；对照组将拍摄的原始图像直接用于成熟度分类，不进行光照的预处理。对四川地区大田环境采集的云烟 87 中部鲜烟叶、中川 208 上部鲜烟叶各200 张（欠熟、适熟、尚熟、过熟各 50 张），在无光照预处理和有光照预处理方法情况下田间烟叶成熟度判别的结果如表 1 和表 2 所示。表1云烟 87 中部叶成熟度识别结果Table1MaturityrecognitionresultsofYunyan87middleleaves处理Processing成熟度Maturity精确率Accuracyrate/%召回率Recallrate/%F1/%原始图像Originalimage欠熟86.087.886.9尚熟46.063.953.5适熟60.054.557.1过熟92.076.783.7平均71.070.770.3模糊光照预处理Fuzzyillumination-basedprocessing欠熟100.092.696.2尚熟74.082.277.9适熟64.068.166.0过熟90.083.386.5平均82.081.681.7表2中川 208 上部叶成熟度识别结果Table2MaturityrecognitionresultsofZhongchuan208upperleaves处理Processing成熟度Maturity精确率Accuracyrate/%召回率Recallrate/%F1/%原始图像Originalimage欠熟6.060.010.9尚熟34.033.333.6适熟42.038.940.4过熟100.055.671.5平均45.547.039.1模糊光照预处理FuzzyIllumination-basedprocessing欠熟76.082.679.2尚熟60.055.657.7适熟58.055.856.9过熟90.091.890.9平均71.071.571.2由表 1 可见，直接对云烟 87 中部叶原始图像进行成熟度识别时，F1平均为 70.3%，而经过模糊光照预处理，F1提高 11.4 个百分点左右。由表 2可见，直接对中川 208 上部叶原始图像进行成熟度识别时，F1仅为 39.1%，其中欠熟烟叶判别的精确率和 F1分数分别仅为 6.0%和 10.9%，远低于其他成熟度。而经过模糊光照预处理，烟叶判别精确率、召回率以及 F1分数平均分别提升 25.5、24.5和 32.1 个百分点。以上结果表明，模糊光照预处理的方法能够有效克服光照的影响，提升田间烟叶成熟度判别的准确率。另外，从表 1、表 2 中还可以看到，虽然经预处理，尚熟和适熟的判别准确率仍然比欠熟和过熟的判别准确率低得多，如尚熟和适熟判别的 F1分数比欠熟和过熟的判别约低 8.924.4 个百分点。说明大田中，欠熟与过熟能够较容易分别，而尚熟与适熟之间颜色差异性相对较小，判别难度更大。表 3 和表 4 为中川 208 上部叶在无光照处理和有光照处理下成熟度识别的混淆矩阵。自然环境下直接对原始图像进行成熟度判别，欠熟、尚熟、适熟、过熟烟叶的判别准确率分别为 6.0%、34.0%、42.0%、100.0%，相较于模糊光照预处理图像成熟(a)云烟 87(b)中川 208图4田间烟叶归一化效果图Fig.4Normalizedrenderingsoftobaccoleavesinthefield表3中川 208 上部叶原始图像成熟度判别混淆矩阵Table3ConfusionmatrixofmaturitydiscriminationofupperleavesofZhongchuan208withoutlightpretreatment预测值Predictedvalue真实值Truevalue欠熟尚熟适熟过熟欠熟0.060.020.020.00尚熟0.480.340.200.00适熟0.300.360.420.00过熟0.160.280.361.00表4中川 208 上部叶模糊光照预处理图像成熟度判别混淆矩阵Table4ConfusionmatrixofmaturityidentificationofupperleavesofZhongchuan208byfuzzylightpretreatment预测值Predictedvalue真实值Truevalue欠熟尚熟适熟过熟欠熟0.760.100.060.00尚熟0.160.600.320.00适熟0.080.280.580.10过熟0.000.040.040.90第 1 期代英鹏等：基于模糊光照处理的田间鲜烟成熟度图像智能判别方法研究101度判别方法，原始图像成熟度判别方法欠熟、尚熟、适熟烟叶的判别准确率分别低 70.0、26.0 和 16.0个百分点。2.6与已有算法的结果比较分别选取以 SVM19为代表的传统机器学习算法、极限学习机20（ExtremeLearningMachine，ELM）为代表的随机化网络和反向传播网络（BackPropagation，BP）为代表的全连接神经网络 3 种算法与所提算法进行比较，结果如表 5 所示。表5不同算法田间烟叶成熟度判别结果Table5Resultsoftobaccomaturitydiscriminationbydifferentalgorithmsinthefield算法Algorithm品种Variety部位Position准确率Accuracy/%平均准确率MeanAccuracy/%ELM云烟87中部叶79.067.8上部叶71.0中川208中部叶68.0上部叶53.0BP云烟87中部叶68.062.5上部叶64.0中川208中部叶60.0上部叶58.0SVM云烟87中部叶80.071.3上部叶69.0中川208中部叶74.0上部叶62.0本研究方法云烟87中部叶82.076.3上部叶77.0中川208中部叶75.0上部叶71.0由表 5 可知，在云烟 87 中、上部叶和中川208 中、上部叶成熟度分类任务中，SVM 分别取得 80.0%、69.0%、74.0%和 63.0%的分类准确率。相较于 SVM，BP 神经网络的分类准确率普遍低，平均准确率仅为 62.5%，特别是云烟 87、中川208 中部叶，BP 神经网络分类准确率比 SVM 分别低 12.0 和 14.0 个百分点；ELM 的分类准确率介于BP 神经网络和 SVM 之间，平均准确率为 67.8%；本研究方法平均分类准确率比 SVM、ELM 和 BP神经网络分别提升 5.0、8.5 和 13.8 个百分点，特别是中川 208 上部叶成熟度分类任务，所提算法取得 71.0%的分类准确率，比 ELM、SVM 和 BP 神经网络分别高 18.0、9.0 和 13.0 个百分点。3讨论由于光照影响，田间烟叶成熟度判别一直是一个难题。田间环境的复杂性使得烟叶信息表达具有很大的差异，而以受光照影响的烟叶为基础直接构建烟叶与成熟度之间的非线性关系有很大的局限性，所以消除光照影响是有效判断田间烟叶成熟度的必要条件。模糊光照预处理方式建立光照与颜色之间的模糊关系，将受光照影响的烟叶区域近似投影到无光照影响的映射面上，模糊恢复烟叶受光照区域的颜色值，使得光照影响造成的混乱的成熟度间颜色差异变得条理化，不同成熟度烟叶的颜色值波动范围趋于一致，从而提升烟叶成熟度判别的准确率。对于四川地区不同光照环境下大田鲜烟叶成熟度，本研究方法取得 76.25%的平均分类准确率，表明模糊去光照预处理方法能够有效缓解光照影响，提升田间烟叶成熟度分类准确率。从试验中也发现所提算法具有一定局限性，光照模糊处理时光照区域映射范围不稳定导致去光照过程中光照映射过大或者过小，造成烟叶成熟度分类错误，这应是后续任务的重点。对于 SVM、ELM 和 BP 神经网络算法，首先提取图像颜色信息、熵和纹理等信息，进而使用降维方法对颜色和纹理等特征进行优选，随后将优选的特征输入到 SVM、ELM 或者 BP 网络中进行烟叶成熟度的预测。SVM 注重超平面的设计，将数据从低维空间映射到高维空间以寻找合适有效判别烟叶成熟度的超平面，达到烟叶成熟度准确分类的目的；ELM 与 BP 神经网络依靠激活函数等构建输入特征与预测类别之间的非线性函数试图描述或者寻找两者之间的非线性关系，完成烟叶成熟度分类的视觉任务。SVM、ELM 和 BP 神经网络依靠各自算法特点重点构建输入特征与预测成熟度类别间的非线性关系，起到不错的效果，分别取得71.25%、67.75%和 62.5%的分类准确率，但是均未考虑到光照影响，从而对大田环境适应性不强，遇到强光照时分类性能不佳。本研究方法重点解决大田环境光照问题，模糊去光照预处理方法缓解光照影响，结合归一化光照强度使得不同大田环境烟叶颜色信息处于相近的环境下，从而增强对不同大田环境的适应性，达到准确判别烟叶成熟度的目的。而对尚熟、适熟烟叶判别准确率较低的问题，从特征提取的有效性出发，重点提取烟叶的细节信息以102中国烟草科学2024 年第 45 卷突出尚熟和适熟烟叶间的区别，所以如何更好地提取烟叶细节信息是下一步研究方向。4结论为解决田间光照对烟叶成熟度判别的影响，提出一种基于模糊光照处理的田间鲜烟成熟度图像智能判别方法，所提算法重点从模糊去光照预处理建立光照与烟叶颜色之间的模糊关系克服光照问题入手，继而构建烟叶表观与成熟度间非线性关系，最终根据这一关系实现田间烟叶成熟度的准确分类。与常用的 SVM、ELM 以及 BP 神经网络相比，本研究方法将烟叶成熟度分类准确率至少提高 5.0 个百分点，适用于田间的环境，但是在对尚熟和适熟烟叶判别准确率方面略有不足。参考文献曾宇.中部烟叶采收成熟度对鲜烟素质及烤后烟叶质量的影响J.安徽农业科学，2022，50（17）：157-159，162.ZENGY.EffectsofharvestmaturityofmiddletobaccoleavesonthequalityoffreshandcuredtobaccoJ.JournalofAnhuiAgriculturalSciences,2022,50(17):157-159,162.1曾宇.成熟度对上部叶鲜烟素质和烤后烟叶质量的影响J.浙江农业科学，2022，63（8）：1847-1849，1854.ZENGY.Effectofmaturityonqualityoffreshtobaccoleavesandflue-cured tobacco leaves quality of upper leavesJ.Journal ofZhejiangAgriculturalSciences,2022,63(8):1847-1849,1854.2李峥，张晓兵，夏琛，等.成熟度对 K326 上部叶鲜烟素质及烤后质量的影响J.湖南文理学院学报（自然科学版），2022，34（2）：67-72，94.LIZ,ZHANGB,XIAC,etal.EffectofmaturityonqualityofK326upperleaffreshtobaccoandqualityafterflue-curingJ.JournalofHunan University of Arts and Science(Science and Technology),2022,34(2):67-72,94.3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.LIUH,ZUQX,WANGSF,etal.Effectofdifferentmaturityonthequality features of fresh and cured tobaccoJ.Chinese TobaccoScience,2020,41(2):66-71,78.4张帅，李明全，曾超宁.烟叶成熟度对烤烟 K326 品种上部叶烟叶烘烤的影响J.安徽农业科学，2014，42（5）：1530-1531，1541.ZHANGS,LIMQ,ZENGCN.Effectsofmaturityofflue-curedtobacco on curing of k326 upper leavesJ.Journal of AnhuiAgriculturalSciences,2014,42(5):1530-1531,1541.5陈乾锦，池国胜，袁帅，等.鲜烟不同采收成熟度和 SPAD 值与烤后烟叶质量关系研究J.江西农业学报，2021，33（1）：55-59.CHENQJ,CHIGS,YUANS,etal.Studyonrelationshipamongharvestmaturity,SPADvaluesandqualityofflue-curedtobaccoaftercuringJ.ActaAgriculturaeJiangxi,2021,33(1):55-59.6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（6）：565-569.LIFL,ZHAOCJ,WANGJH,etal.Spectralcharacteristicofflue-7curedvirginiatobaccoleavesofdifferentmaturitygradesandspectradiscriminant classificationJ.Journal of Fujian Agriculture andForestryUniversity(NaturalScienceEdition),2008(6):565-569.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.LIQS,WANGCY,TANXL,etal.HyperspectralcharacteristicsofdifferentmaturitytobaccoandrelationshipbetweenSPADvalueJ.SouthwestChinaJournalofAgriculturalSciences,2017,30(2):333-338.8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.LIX,TANGWR,ZHANGYH,etal.Discriminantmodelforfieldmaturity of tobacco leaves based on hyperspectral imagingtechnologyJ.TobaccoScience&Technology,2022,55(7):17-24.9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）：406-411，418.YANGR,BINJ,SUJE,etal.Identificationoftobaccoleafmaturitybased on the fusion of near infrared spectroscopy and imagerecognitionJ.Journal of Hunan Agricultural University(NaturalSciences),2021,47(4):406-411,418.10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.XIEBY,ZHUSP,HUANGH.ModelforidentificationoftobaccoleafmaturitybasedonBPNNandSVMJ.ActaTabacariaSinica,2019,25(1):45-50.11王杰，贾育衡，赵昕.基于稀疏自编码器的烟叶成熟度分类J.烟草科技，2014（9）：18-22.WANGJ,JIAYH,ZHAOX.Tobaccoleafmaturityclassificationbased on sparse auto-encoderJ.Tobacco Science&Technology,2014(9):18-22.12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 R Q,Z