基于CIE顏色空間構(gòu)建烤煙外觀質(zhì)量預(yù)測模型

李 崢，譚方利，賀 帆，吳文信，劉小斌，李宏光，方 明，徐辰生,3*

(1.河南農(nóng)業(yè)大學(xué) 煙草學(xué)院，河南 鄭州 450002； 2.湖南省煙草公司 郴州市公司，湖南 郴州 423000； 3.福建省煙草公司 南平市公司，福建 南平 350003)

煙草是一種以葉片為收獲對象且對其內(nèi)外觀品質(zhì)要求非常高的特殊經(jīng)濟(jì)作物，烤后煙葉的外觀質(zhì)量是決定煙葉等級的重要指標(biāo)之一[1-2]。對于煙葉外觀質(zhì)量的評價(jià)長期以來一直以人為感官判斷作為評定依據(jù)[3]，對烤煙外觀質(zhì)量的評定具有一定的主觀性。隨著計(jì)算機(jī)、現(xiàn)代儀器等學(xué)科的飛速發(fā)展，煙葉外觀質(zhì)量評價(jià)也應(yīng)借助新的方法和儀器實(shí)現(xiàn)突破性的發(fā)展。其中，顏色作為國家烤煙分級標(biāo)準(zhǔn)的第二分組因素以及外觀質(zhì)量評價(jià)的重要指標(biāo)[4]，與煙葉外觀質(zhì)量和內(nèi)在質(zhì)量密切相關(guān)。早在1931年CIE(國際標(biāo)準(zhǔn)照明委員會(huì))就建立了一系列表示可見光譜的顏色空間標(biāo)準(zhǔn)[5]，目前，在煙草行業(yè)中主要應(yīng)用于顏色參數(shù)與煙葉內(nèi)在化學(xué)成分的相關(guān)分析，從而反映顏色與內(nèi)在品質(zhì)的關(guān)系[3-6]，而煙葉外觀質(zhì)量的本質(zhì)是化學(xué)成分的綜合表現(xiàn)，從側(cè)面反映出了煙葉表面顏色參數(shù)與外觀質(zhì)量存在某種關(guān)聯(lián)。李悅等[7-8]研究了不同品種、部位的烤后煙葉表面顏色特征參數(shù)與外觀質(zhì)量之間的關(guān)系，結(jié)果表明，烤煙顏色特征參數(shù)與外觀質(zhì)量指標(biāo)之間存在顯著或極顯著相關(guān)關(guān)系。

上述研究均反映了煙葉表面顏色參數(shù)與外觀質(zhì)量存在某種依存關(guān)系，而BP神經(jīng)網(wǎng)絡(luò)具備處理任何復(fù)雜非線性映射的功能，其無論在網(wǎng)絡(luò)理論還是在性能方面均已比較成熟，近年來在經(jīng)濟(jì)、工業(yè)、醫(yī)療以及農(nóng)業(yè)等領(lǐng)域均有廣泛的應(yīng)用[9-13]。煙草方面主要應(yīng)用于感官質(zhì)量的預(yù)測。彭黔榮等[14]和邵惠芳等[15]以常規(guī)化學(xué)成分含量為網(wǎng)絡(luò)模型輸入指標(biāo)，路曉崇等[16]以煙葉顏色參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入層分別構(gòu)建了感官質(zhì)量預(yù)測模型，結(jié)果均表明,各項(xiàng)感官質(zhì)量評價(jià)指標(biāo)網(wǎng)絡(luò)模型的預(yù)測效果與實(shí)際得分?jǐn)M合程度較高。而煙葉外觀質(zhì)量與感官質(zhì)量密切相關(guān)[17]。為此，本研究以烤煙顏色參數(shù)為基礎(chǔ)，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建外觀質(zhì)量預(yù)測模型，旨在為煙葉外觀質(zhì)量評價(jià)體系的智能化、精準(zhǔn)化發(fā)展提供一定科學(xué)依據(jù)。

1 材料和方法

1.1 試驗(yàn)材料

參照中國煙草種植區(qū)劃[18]對河南煙區(qū)的劃分，河南煙區(qū)分為豫中、豫西、豫南、豫東4個(gè)生態(tài)區(qū)域，分別收集豫中煙區(qū)的襄城、郟縣、臨潁、舞陽，豫西煙區(qū)的洛寧、澠池、盧氏，豫南煙區(qū)的方城、內(nèi)鄉(xiāng)、確山，豫東煙區(qū)的鹿邑、睢縣等12個(gè)縣(市)的27個(gè)烤煙主產(chǎn)鄉(xiāng)鎮(zhèn)2017年初烤煙葉樣品270個(gè)。經(jīng)嚴(yán)格分選后，共獲取248個(gè)煙葉樣品。

1.2 試驗(yàn)方法

1.2.1 煙葉顏色特征值的獲取 每個(gè)煙葉樣品隨機(jī)選取20片，采用Color-Eye7000A 型分光光譜儀(美國GretagMac-beth公司)在國家煙草專賣局制定的煙葉分級實(shí)驗(yàn)室環(huán)境[19]條件下測量煙葉正面和背面顏色的L*(明度值)、a*(紅度)、b*(黃度)、C*(飽和度)以及H*(色相角)5個(gè)顏色特征值，以煙葉1/4、1/2、3/4處對稱的6個(gè)位置作為測量點(diǎn)(圖1)，測量點(diǎn)距離主脈約5 cm，每片煙葉正面和背面共計(jì)12個(gè)測量位點(diǎn)。

圖1 煙葉顏色特征值的測量位點(diǎn)

1.2.2 煙葉外觀質(zhì)量評價(jià) 外觀質(zhì)量評定前將煙葉樣品平衡含水率至16%～18%，由聘請的10名農(nóng)業(yè)標(biāo)準(zhǔn)化委員會(huì)烤煙煙葉分級專家參照《GB 2635—92烤煙分級標(biāo)準(zhǔn)》和煙葉外觀質(zhì)量測評標(biāo)準(zhǔn)(表1)對最終確定的248個(gè)煙葉樣品的顏色、成熟度、葉片結(jié)構(gòu)、身份、油分、色度等6項(xiàng)外觀質(zhì)量指標(biāo)進(jìn)行評價(jià)打分，其中各項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)最高得分值均為10，不同分值表示煙葉外觀質(zhì)量歸屬的不同檔次。

表1 烤煙外觀質(zhì)量評價(jià)指標(biāo)及評分標(biāo)準(zhǔn)

1.3 數(shù)據(jù)處理

試驗(yàn)數(shù)據(jù)采用Matlab 2014b與Excel 2010進(jìn)行處理分析和作圖。

2 結(jié)果與分析

2.1 煙葉樣品顏色參數(shù)與外觀質(zhì)量基本特征

煙葉樣品的顏色特征值及各項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)得分結(jié)果見表2。變異系數(shù)是概率分布離散程度的一個(gè)歸一化量度[20]，從煙葉樣品正面和背面的顏色特征值統(tǒng)計(jì)結(jié)果可以看出，煙葉正面和背面的H*值變異系數(shù)分別為0.27%和0.20%，屬弱變異，其余顏色參數(shù)的變異系數(shù)均在5%以上，尤其是煙葉正面的a*值，變異系數(shù)達(dá)到10.33%，煙葉背面顏色參數(shù)變異系數(shù)以L*值最大，為8.01%。煙葉外觀質(zhì)量評價(jià)各項(xiàng)指標(biāo)的變異系數(shù)從大到小排列為油分>身份>色度>葉片結(jié)構(gòu)>成熟度>顏色，其中僅顏色指標(biāo)變異系數(shù)小于5%?？梢?，樣本顏色特征值和外觀質(zhì)量指標(biāo)的變異系數(shù)均小于15%，表明數(shù)據(jù)的穩(wěn)定性較好。峰度和偏度可反映樣本的集中趨勢和變異程度，從表2可以看出，煙葉樣品正面和背面顏色特征值的峰度和偏度均接近0，服從正態(tài)分布。外觀質(zhì)量中油分指標(biāo)的峰度較高，達(dá)到了1.25，但表現(xiàn)為高狹峰，其余指標(biāo)的峰度均小于1，結(jié)合偏度來看，各項(xiàng)外觀質(zhì)量指標(biāo)均較小，同樣服從正態(tài)分布，具有良好的統(tǒng)計(jì)學(xué)意義。

表2 樣本的描述性統(tǒng)計(jì)

2.2 煙葉顏色特征值的因子分析

為避免數(shù)據(jù)冗余，對測得的煙葉顏色特征值進(jìn)行因子分析，并將因子載荷矩陣方差極大正交旋轉(zhuǎn)，在累計(jì)方差貢獻(xiàn)率為95.49%(>90%)的前提下，最終分析得到5個(gè)主因子。從因子分析結(jié)果(表3)可以看出，因子1方差貢獻(xiàn)率最高，為22.91%，因子5對烤煙顏色特征值的方差貢獻(xiàn)率最低，為12.22%，其中因子2、因子3和因子4方差貢獻(xiàn)率較為近似，分別為20.59%、20.03%、19.74%。相關(guān)系數(shù)統(tǒng)計(jì)結(jié)果表明，因子1主要反映了煙葉背面顏色特征值H*的影響；因子2和因子3主要反映了煙葉正反面顏色特征值b*和C*的影響；因子4主要反映煙葉正面顏色特征值a*的影響；因子5則主要反映了煙葉正面顏色特征值中L*的影響。

表3 烤煙顏色特征值與因子間的相關(guān)系數(shù)

2.3 BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理與結(jié)構(gòu)設(shè)計(jì)

采用3層BP神經(jīng)網(wǎng)絡(luò)(輸入層、隱含層、輸出層)創(chuàng)建煙葉外觀質(zhì)量評價(jià)預(yù)測模型。依據(jù)因子分析結(jié)果，煙葉背面L*值與各主因子間的相關(guān)系數(shù)均較低，因此，以248個(gè)煙葉樣品的煙葉正面的5個(gè)顏色特征值以及煙葉背面的a*、b*、C*、H*共9個(gè)參數(shù)作為網(wǎng)絡(luò)的輸入值。以煙葉外觀質(zhì)量中顏色、成熟度、葉片結(jié)構(gòu)等6項(xiàng)指標(biāo)得分分別作為網(wǎng)絡(luò)模型的輸出值建立各自的預(yù)測模型。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型輸入層單元數(shù)為9，輸出層單元數(shù)為1，隱含層單元個(gè)數(shù)依據(jù)經(jīng)驗(yàn)公式(1)確定[21],

(1)

式中：p為隱含層節(jié)點(diǎn)數(shù)，n為輸入神經(jīng)元數(shù)量，m為輸出神經(jīng)元數(shù)量，α為經(jīng)驗(yàn)值(1≤α≤10)。

訓(xùn)練樣本中作為網(wǎng)絡(luò)輸入變量的9個(gè)煙葉顏色特征值存在較大差異，以葉片正面顏色參數(shù)為例，L*值變化為55.34～63.64，a*值則在10.28～22.17。輸入變量之間的差異造成各分量尺度不一致，網(wǎng)絡(luò)訓(xùn)練結(jié)果則會(huì)偏重于分量值大的變量，忽略分量值小的變量，進(jìn)而影響網(wǎng)絡(luò)的精準(zhǔn)性；此外由于網(wǎng)絡(luò)輸入層至隱含層轉(zhuǎn)換函數(shù)采用Sigmoid函數(shù)，數(shù)據(jù)差異較大可使神經(jīng)元的輸入值過早進(jìn)入Sigmoid 函數(shù)的飽和區(qū)[22]，使網(wǎng)絡(luò)學(xué)習(xí)進(jìn)程停滯。因此，對網(wǎng)絡(luò)模型輸入層數(shù)據(jù)采用離差標(biāo)準(zhǔn)化的方法(公式2)使結(jié)果落在[0,1]區(qū)間。

(2)

經(jīng)計(jì)算，隱含層節(jié)點(diǎn)數(shù)在5～14，通過網(wǎng)絡(luò)性能測試確定節(jié)點(diǎn)數(shù)為11的隱含層所構(gòu)建的網(wǎng)絡(luò)模型擬合殘差最小。最終構(gòu)建9-11-1的3層BP神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2.4 網(wǎng)絡(luò)創(chuàng)建與訓(xùn)練

使用Matlab 2014b軟件進(jìn)行網(wǎng)絡(luò)訓(xùn)練，將已經(jīng)標(biāo)準(zhǔn)化處理的訓(xùn)練樣本導(dǎo)入軟件中，在輸入層、隱含層、輸出層參數(shù)設(shè)定的基礎(chǔ)上，利用軟件工具箱中的newff函數(shù)進(jìn)行創(chuàng)建。輸入層至隱含層的連接函數(shù)采用tan-sigmoid飽和正切函數(shù)，隱含層至輸出層選用線性傳遞函數(shù)purelin以拓展輸出值域，學(xué)習(xí)函數(shù)采用trainlm；在248個(gè)樣品中隨機(jī)選擇80%作為訓(xùn)練樣本，剩余20%為測試樣本；訓(xùn)練步數(shù)設(shè)定為100，反復(fù)訓(xùn)練2 000次，目標(biāo)誤差精度設(shè)置為10-3，學(xué)習(xí)速率設(shè)為0.1。其余參數(shù)設(shè)置均使用系統(tǒng)默認(rèn)值，依據(jù)上述設(shè)定標(biāo)準(zhǔn)，設(shè)計(jì)以下程序代碼：

net=newff (minmax(P),[11,1],{‘tansig’ ,‘ purelin’ },‘trainlm’)；

net.divideFcn=‘dividerand’；

net.divideMode=‘sample’；

net.divideParam.trainRatio=80/100；

net.divideParam.testRatio=20/100；

net.trainParam.Show=100；

net.trainParam.goal=0.001；

net.trainParam.Epochs=2 000；

net.trainParam.lr=0.1；

[net,tr]=train(net,P,T)；

a=sim(net,P)

代碼中，P為煙葉顏色特征值，T為煙葉外觀質(zhì)量評價(jià)指標(biāo)；minmax(P)表示由9個(gè)訓(xùn)練樣本的輸入矩陣P的最大值和最小值組成的9×2維矩陣；[11，1]表示隱含層和輸出層神經(jīng)元個(gè)數(shù)；tansig和purelin分別表示隱含層和輸出層采用的傳遞函數(shù)；trainlm指訓(xùn)練函數(shù)采用L-M優(yōu)化算法以降低網(wǎng)絡(luò)對誤差曲面局部細(xì)節(jié)的敏感度，防止網(wǎng)絡(luò)陷入局部極小值，并有效地提升網(wǎng)絡(luò)收斂速度和泛化能力。

2.5 訓(xùn)練結(jié)果分析

通過對6項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)構(gòu)建的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和仿真。以訓(xùn)練完成后各項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)網(wǎng)絡(luò)模型的模擬值為縱坐標(biāo)，以該項(xiàng)外觀質(zhì)量評價(jià)得分目標(biāo)輸出值為橫坐標(biāo)，建立統(tǒng)計(jì)回歸分析圖(圖3)。圖中的直線為y=x，表示模擬值與目標(biāo)輸出值完全相同時(shí)的結(jié)果。由圖3可知，所建立的網(wǎng)絡(luò)模型的模擬值與目標(biāo)輸出值中顏色、成熟度和葉片結(jié)構(gòu)3項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)的線性回歸決定系數(shù)達(dá)到顯著水平，身份、油分和色度的線性回歸決定系數(shù)均達(dá)到極顯著水平。表明各項(xiàng)外觀質(zhì)量得分的模型預(yù)測值與目標(biāo)輸出值非常接近。

分別對訓(xùn)練樣本和測試樣本的各項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)的模型預(yù)測值與目標(biāo)輸出值的差異進(jìn)行統(tǒng)計(jì)，得到歸屬于不同誤差區(qū)間的樣本比例。從表4可以看出，各項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)預(yù)測值與目標(biāo)輸出值的誤差區(qū)間在0～0.5的訓(xùn)練樣本比例均達(dá)到80%以上，誤差在0～1.0的訓(xùn)練樣本比例均達(dá)到90%以上，表明模型預(yù)測結(jié)果的準(zhǔn)確性較高。測試樣本各項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)預(yù)測值與目標(biāo)輸出值的誤差范圍集中程度較訓(xùn)練樣本分散，但整體也集中在較小的誤差范圍內(nèi)，表明構(gòu)建的外觀質(zhì)量預(yù)測模型具有較好的推廣泛化性能。雖然有部分外觀質(zhì)量評價(jià)指標(biāo)網(wǎng)絡(luò)模型的預(yù)測值與目標(biāo)輸出值決定系數(shù)未達(dá)到極顯著水平，且極少數(shù)樣本的訓(xùn)練結(jié)果與目標(biāo)輸出值有較大偏差，但考慮到煙葉外觀質(zhì)量評價(jià)打分過程受人為因素影響較大，存在明顯的主觀性和隨機(jī)性，因此，整體來看，所建立的神經(jīng)網(wǎng)絡(luò)模型的模擬效果較好，具有一定的可行性和實(shí)用性。

*、**分別表示模擬值與目標(biāo)值相關(guān)性達(dá)到0.05和 0.01顯著水平圖3 訓(xùn)練后網(wǎng)絡(luò)模擬值與目標(biāo)值輸出的統(tǒng)計(jì)回歸分析

表4 單項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)預(yù)測模型輸出誤差情況統(tǒng)計(jì)

注：括號(hào)中內(nèi)容為50個(gè)測試樣本在各個(gè)誤差區(qū)間所占比例。

3 結(jié)論與討論

本研究利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了烤煙外觀質(zhì)量評價(jià)的預(yù)測模型，為加快網(wǎng)絡(luò)收斂速度，采用因子分析法對作為輸入層的煙葉正反面顏色特征值進(jìn)行篩選，最終確定以煙葉正面的L*、a*、b*、C*、H*以及煙葉背面的a*、b*、C*、H*共9個(gè)參數(shù)作為網(wǎng)絡(luò)輸入指標(biāo)，分別對顏色、成熟度、葉片結(jié)構(gòu)、身份、油分、色度等6項(xiàng)外觀質(zhì)量評價(jià)指標(biāo)得分進(jìn)行預(yù)測。構(gòu)建的模型擬合效果較好，預(yù)測精準(zhǔn)度高。

雖然烤煙外觀質(zhì)量的本質(zhì)是內(nèi)在化學(xué)成分綜合表現(xiàn)的結(jié)果[23]，然而，煙葉中已被鑒定的化學(xué)成分高達(dá)3 035種[24]，此外品種、部位等遺傳因素以及田間生長過程、采后烘烤過程等環(huán)境因素均會(huì)影響煙葉的內(nèi)在品質(zhì)[25-28]，最終影響烤煙外觀質(zhì)量的形成。若通過測量常規(guī)化學(xué)成分含量實(shí)現(xiàn)對外觀質(zhì)量的預(yù)測，既要考慮到測量過程的時(shí)效性，還需考慮測量結(jié)果的準(zhǔn)確性，因此，實(shí)現(xiàn)外觀質(zhì)量評價(jià)過程的智能化仍需要進(jìn)一步探究。煙葉顏色是葉內(nèi)多種化學(xué)成分綜合作用的外在表現(xiàn)。梁洪波等[3]、丁根勝等[4]、賀帆等[6]研究表明，煙葉顏色與其內(nèi)在化學(xué)成分密切相關(guān)。再者隨著現(xiàn)代儀器學(xué)科的發(fā)展，CIE顏色空間以非常具體的數(shù)據(jù)直觀地反映煙葉表面的呈色特性，是一種快速、準(zhǔn)確、無損的顏色檢測方式，因此，基于煙葉表面顏色特征值實(shí)現(xiàn)對外觀質(zhì)量預(yù)測的模型是有效的。

預(yù)測模型的適用性應(yīng)與我國烤煙生產(chǎn)模式密切相關(guān)，我國共有21個(gè)煙葉產(chǎn)區(qū)[18]，生態(tài)條件和煙葉品種的差異可能造成煙葉顏色特征值和外觀質(zhì)量出現(xiàn)明顯區(qū)別[29-30]，而研究僅針對河南煙區(qū)部分代表性產(chǎn)區(qū)煙葉，模型的適用性方面有待探究。未來應(yīng)針對煙葉產(chǎn)地、品種、部位建立相應(yīng)的外觀質(zhì)量預(yù)測模型，結(jié)合儀器智能檢測、計(jì)算機(jī)智能分析等先進(jìn)技術(shù)和方法，建立多個(gè)不同層次的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，形成一個(gè)龐大的模型集，隨著數(shù)據(jù)量的不斷擴(kuò)大，網(wǎng)絡(luò)模型的模擬效果會(huì)不斷提升，預(yù)測結(jié)果更為精準(zhǔn)。