不同成熟度茄衣煙葉高光譜特征分析及分類模型構(gòu)建

王大彬　孟貴星　王雪松　陳紅華　鄧建強(qiáng)　向必坤　譚紹安　王瑞

摘要：為掌握不同成熟度茄衣煙葉的高光譜特征，本研究利用便攜式高光譜相機(jī)采集3種成熟度[尚熟（SS）、成熟（CS ）以及完熟（WS）]茄衣煙葉的高光譜圖像并提取光譜數(shù)據(jù)，通過多元統(tǒng)計(jì)分析研究了不同成熟度茄衣煙葉高光譜特征，并構(gòu)建了支持向量機(jī)（ SVM ）模型用于茄衣煙葉成熟度的分類判別。茄衣煙葉高光譜在400～680 nm、730～1000 nm 各自區(qū)域內(nèi)以及400～430 nm 與730～1000 nm 兩個(gè)區(qū)域之間具有很強(qiáng)的正相關(guān)性，在460～730 nm 與760～940 nm 之間相關(guān)性較弱；3個(gè)特征值大于1的主成分（PC1～PC3）幾乎包含了所有的光譜信息；主成分方差分析結(jié)果表明，不同成熟度茄衣煙葉的高光譜反射特征在可見光、紅邊以及近紅外區(qū)域均存在統(tǒng)計(jì)學(xué)差異； SVM 對(duì)3種成熟度茄衣煙葉的分類準(zhǔn)確率達(dá)到98%以上，對(duì) CS 茄衣煙葉的精確率、召回率和 F1分?jǐn)?shù)均為100%，對(duì) SS 和 WS 茄衣煙葉均達(dá)到94%以上。茄衣煙葉高光譜存在多重共線性，具有很好的降維效果，不同成熟度茄衣煙葉的光譜反射特征差異明顯， SVM 在茄衣煙葉成熟度分類判別方面表現(xiàn)優(yōu)異，可輔助用于茄衣煙葉適熟采收。

關(guān)鍵詞：茄衣煙葉；成熟度；高光譜成像；光譜特征；模型構(gòu)建

中圖分類號(hào)：S572.01???????? 文獻(xiàn)標(biāo)識(shí)碼： A????????? 文章編號(hào)：1007-5119（2023）03-0085-07

Analysis of Hyperspectral Characteristics of Coat-oriented Cigar Tobacco with Different Maturity and Construction of a Classification Model

WANG Dabin1， MENG Guixing2， WANG Xuesong2， CHEN Honghua2， DENG Jianqiang2， XIANG Bikun2， TAN Shaoan2， WANG Rui2*

（1. Laboratory of Quality & Safety Risk Assessment for Tobacco， Ministry of Agriculture， Tobacco Research Institute of ChineseAcademy of Agricultural Sciences， Qingdao 266101， China;2. Enshi Tobacco Company of Hubei Province， Enshi， Hubei 445000，China）

Abstract： To obtain hyperspectral characteristics of different-maturity coat-oriented cigar tobacco， in this study we used a portable hyperspectral camera to collect hyperspectral images of coat-oriented cigar tobacco at three-maturity stages （SS， CS and WS） and extracted their spectral data. The characteristics of hyper spectrum was analyzed by using multivariate statistical analysis， and a supported vector machine （SVM） model was constructed for discriminating the maturity of coat-oriented cigar tobacco. There existed strong correlation for the bands in the region of 400-680 nm， 730-1000 nm as well as between 400-430 nm and 730-1000 nm， while the correlation between 460-730 nm and 760-940 nm was weak. Three principal components （PC1， PC2 and PC3） with eigenvalues larger than 1 almost contained all the spectral information， and analysis of variance from principal components indicated that there was significant difference among the three-maturity coat-oriented cigar tobacco in visible light， red edge and near infrared region. For SVM， the accuracy of discriminating cigar maturity was more than 98%， and the precision， recall and F1 scores were 100% for CS cigar as well as more than 94% for SS and WS cigar. The hyper spectrum of cigar had multicollinearity with a good dimension reduction effect. The spectral reflection characteristics of different-maturity coat-oriented cigar tobacco was significantly different. SVM had good performance in discriminating maturity of coat-oriented cigar tobacco， which could be used in ripening harvest of coat-oriented cigar tobacco.

Keywords： coat-oriented cigar tobacco; maturity; hyperspectral imaging; spectral characteristics; model construction

茄衣是雪茄中最為昂貴的部分，知名雪茄品牌都十分注重茄衣品質(zhì)。田間適熟采收是保證茄衣品質(zhì)的重要環(huán)節(jié)，目前茄衣煙葉田間成熟度判定主要基于其外觀特征。然而，從業(yè)人員的主觀感受存在個(gè)體差異以及外觀特征指標(biāo)難以精準(zhǔn)量化等問題給茄衣煙葉適熟采收工作帶來挑戰(zhàn)。已有研究發(fā)現(xiàn)煙葉中的生理生化指標(biāo)也可作為判別成熟度的依據(jù)，如抗氧化酶活性和能量代謝物質(zhì)[1]、碳水化合物和淀粉酶活性[2-3]、氨基酸和轉(zhuǎn)氨酶活性[4]、色素含量[5-6]等，但測(cè)定工作需在實(shí)驗(yàn)室進(jìn)行，操作繁瑣且周期長(zhǎng)，難以在生產(chǎn)中大范圍推廣。目前基于地物光譜的快速檢測(cè)技術(shù)在煙葉成熟度判別方面亦有相關(guān)報(bào)道[7-9]。然而，煙葉成熟度判別是基于整張葉片的外觀特征，而傳統(tǒng)的地物光譜技術(shù)是單點(diǎn)測(cè)量，使得光譜數(shù)據(jù)受制于測(cè)量點(diǎn)選擇，如果測(cè)量點(diǎn)代表性不強(qiáng)則會(huì)影響判別結(jié)果[10]。由此可見，開發(fā)一種兼顧測(cè)量速度和茄衣整體形貌的檢測(cè)技術(shù)用于茄衣煙葉成熟度分類判別，對(duì)于精準(zhǔn)掌握茄衣煙葉采收成熟度進(jìn)而提高茄衣品質(zhì)具有重大意義。

高光譜成像技術(shù)是一種將二維成像與光譜掃描有機(jī)結(jié)合的新型檢測(cè)技術(shù)，圖像中的每個(gè)像元都包含一條連續(xù)波段，具有光譜波段多、分辨率高、圖譜合一的特點(diǎn)[11]。因此高光譜成像技術(shù)能夠獲取目標(biāo)物整體形貌的光譜信息，目前在農(nóng)產(chǎn)品成熟度的判別研究方面已有報(bào)道，如桃[12]、油茶果[13]、草莓[14]以及杏[15]等。高光譜成像技術(shù)在煙葉成熟度研究領(lǐng)域尚處于起步階段，李鑫等[16]基于高光譜成像技術(shù)構(gòu)建了烤煙田間成熟度的判別模型，而在茄衣煙葉成熟度的高光譜特征以及分類模型構(gòu)建方面尚無研究報(bào)道。本研究利用便攜式高光譜相機(jī)采集了不同成熟度茄衣煙葉的高光譜圖像并提取光譜數(shù)據(jù)，應(yīng)用多元統(tǒng)計(jì)分析方法探究了它們的高光譜特征，并構(gòu)建了分類模型用于茄衣煙葉成熟度判別，以期為準(zhǔn)確判定茄衣煙葉田間成熟度提供技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)基本情況

試驗(yàn)于2021年在湖北省恩施州來鳳市舊司鎮(zhèn)巖縫窩村開展，供試雪茄煙品系為 CX-80，土壤類型為黃棕壤，理化指標(biāo)如下：pH 5.98，有機(jī)質(zhì)27.2 g/kg，堿解氮131.6 mg/kg，速效磷45.7 mg/kg，速效鉀231.8 mg/kg，交換性鈣2729.1 mg/kg，交換性鎂280.8 mg/kg，有效硫60.6 mg/kg，有效硼0.93 mg/kg ，有效氯4.84 mg/kg。

1.2 設(shè)備與儀器

本研究所用的高光譜成像系統(tǒng)（購自北京易科泰生態(tài)技術(shù)有限公司），包括便攜式高光譜相機(jī)（Specim IQ，光譜范圍397～1004 nm，光譜分辨率7 nm ，空間分辨率512×512像素，波段數(shù)204）、鹵素?zé)艄庠?、三腳架、校正白板、黑色幕布等。

1.3 高光譜圖像采集

在雪茄成熟期（7月中上旬），每隔5～7 d 由經(jīng)驗(yàn)豐富的技術(shù)人員采摘代表尚熟（SS）、成熟（CS ）和完熟（WS ）的下二棚茄衣煙葉，帶回室內(nèi)進(jìn)行高光譜成像掃描，共采集樣品185份，其中尚熟（SS）61份、成熟（CS）62份、完熟（WS）62份。圖1 展示了3個(gè)成熟度典型茄衣煙葉的高光譜圖像以及所有樣品的平均光譜曲線。

1.4 數(shù)據(jù)預(yù)處理

利用 ENVI 軟件選擇整片茄衣煙葉作為關(guān)注區(qū)域（Region of Interest， ROI），由于高光譜圖像中的每個(gè)像素點(diǎn)都包含一條光譜曲線，將 ROI 內(nèi)所有像素點(diǎn)的平均光譜反射率作為該茄衣煙葉的高光譜反射曲線，最終得到不同成熟度茄衣煙葉樣品的高光譜數(shù)據(jù)。

1.5 分類模型與評(píng)價(jià)指標(biāo)

1.5.1 數(shù)據(jù)集劃分將不同成熟度茄衣煙葉樣品按照7∶3的比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集，且彼此之間不重疊。其中訓(xùn)練集用于模型構(gòu)建，測(cè)試集用于評(píng)價(jià)模型泛化能力。

1.5.2 分類模型本研究采用支持向量機(jī)（SVM）對(duì)不同成熟度茄衣煙葉樣品的光譜數(shù)據(jù)集進(jìn)行建模。SVM 是一種對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策函數(shù)由少數(shù)支持向量確定，是一個(gè)具有稀疏性和穩(wěn)健性的分類器，通過引入核函數(shù)可實(shí)現(xiàn)非線性分類。

1.5.3 模型評(píng)價(jià)指標(biāo)（1）混淆矩陣：表1為混淆矩陣，包括真正例（True Positive ，TP）、假正例（False Positive，F(xiàn)P）、假反例（False Negative，F(xiàn)N ）和真反例（True Negative ，TN ）4種情況。根據(jù)測(cè)試集中每個(gè)樣品的預(yù)測(cè)情況，分別將它們放到這4個(gè)格子的相應(yīng)位置。

（2）準(zhǔn)確率（Accuracy）：準(zhǔn)確率表示分類正確的樣品占總樣品的比例，如公式（1）。

（3）精確率（Precision）：精確率又叫查準(zhǔn)率，表示預(yù)測(cè)結(jié)果為正確的樣品數(shù)量占該類別預(yù)測(cè)數(shù)量的比例，如公式（2）。

（4）召回率（Recall）：召回率又被稱為查全率，表示預(yù)測(cè)結(jié)果正確的樣品數(shù)量占該類別真實(shí)數(shù)量的比例，如公式（3）：

（5）F1分?jǐn)?shù)：F1分?jǐn)?shù)是綜合了精確率和召回率的一個(gè)判斷指標(biāo)， F1分?jǐn)?shù)取值范圍是0到1，1是最好，0是最差，F(xiàn)1分?jǐn)?shù)越高，說明模型越穩(wěn)健，如公式（4）：

1.6 數(shù)據(jù)分析

采用 ENVI 軟件提取茄衣煙葉樣品的高光譜數(shù)據(jù)，采用 R 語言進(jìn)行光譜數(shù)據(jù)的相關(guān)性分析、主成分分析及方差分析，采用 Python 進(jìn)行高光譜數(shù)據(jù)建模。

2 結(jié)果

2.1 不同成熟度茄衣煙葉的高光譜特征分析

2.1.1 不同成熟度茄衣煙葉的高光譜反射特征及相關(guān)性分析圖2（a）展示了不同成熟度茄衣煙葉的高光譜反射曲線，它們呈現(xiàn)典型的植物光譜特征：400～500 nm 和600～700 nm 兩個(gè)區(qū)域內(nèi)的光子被色素吸收形成低反射區(qū)，最低反射率小于0.1，導(dǎo)致在550 nm 附近形成反射峰，反射率大約在0.2～0.3 之間；680 nm 附近反射率急劇上升，進(jìn)入近紅外區(qū)域后逐漸達(dá)到平臺(tái)，反射率大約在0.7～0.8之間；680-730 nm 的過渡區(qū)域就是“紅邊區(qū)”。不同成熟度茄衣煙葉在500～650 nm 區(qū)間內(nèi)的反射率差異最為明顯，且隨著成熟度增加，反射曲線整體上呈現(xiàn)上升趨勢(shì)（WS>CS>SS）。在紅邊位置， SS 茄衣煙葉光譜反射率稍低于 CS 和 WS，而 CS 和 WS 幾乎重疊在一起。在近紅外波段，CS 茄衣煙葉的光譜反射率高于 SS 和 WS，其中在900 nm 以前， SS 和 WS 茄衣煙葉的光譜反射率幾乎無差別。值得注意的是，在950 nm 附近，所有成熟度茄衣煙葉都有一個(gè)明顯的吸收峰，這是由葉片中水分子吸收導(dǎo)致的，且吸收值大小排序?yàn)?SS>WS>CS。

圖2（b）展示了不同成熟度茄衣煙葉的高光譜各波段間的相關(guān)性。總體上，茄衣煙葉高光譜波段間具有較強(qiáng)的正相關(guān)性，其中400～680 nm 和730～1000 nm 各自區(qū)域內(nèi)的波段之間具有很強(qiáng)的正相關(guān)性，400～430 nm 與730～1000 nm 兩個(gè)區(qū)域的波段之間具有很強(qiáng)的正相關(guān)性，而460～730 nm 與760～940 nm 兩個(gè)區(qū)域的波段之間相關(guān)性較弱，某些區(qū)域的相關(guān)系數(shù)甚至接近于0。

2.1.2 不同成熟度茄衣煙葉高光譜的主成分分析及方差分析相關(guān)性分析表明不同成熟度茄衣煙葉高光譜的波段之間存在多重共線性，可采用主成分分析對(duì)高光譜數(shù)據(jù)進(jìn)行降維。表2列出了不同成熟度茄衣煙葉高光譜數(shù)據(jù)的主成分特征值及其貢獻(xiàn)率，共提取得到3個(gè)特征值大于1的主成分，方差累積貢獻(xiàn)率達(dá)到0.99以上，表明以上3個(gè)主成分能夠全面反映茄衣煙葉的光譜特征。

為探究以上3個(gè)主成分代表的高光譜波段信息，圖3（a）展示了各主成分在400～1000 nm 波段上的載荷曲線。 PC1在400～740 nm 范圍內(nèi)載荷系數(shù)較高，其中在500～650 nm 范圍內(nèi)載荷系數(shù)幾乎達(dá)到1.0左右，在750～900 nm 區(qū)間內(nèi)載荷系數(shù)較低，當(dāng)λ=1000 nm 時(shí)載荷系數(shù)又增加到0.4左右；PC2在400 nm 時(shí)載荷系數(shù)大約在0.8左右，在750～1000 nm 波段上載荷系數(shù)較高，在其他波段上載荷系數(shù)相對(duì)較低； PC3在400～430 nm 范圍內(nèi)載荷系數(shù)穩(wěn)定在0.4左右，在650～700 nm 之間最大載荷系數(shù)在0.2 左右，在其他波段上載荷系數(shù)保持在一個(gè)較低水平。載荷系數(shù)越大表明主成分在該波段上包含的光譜信息越多。由此可見， PC1包含了絕大部分的可見光、紅邊區(qū)以及部分近紅外區(qū)域（950～1000 nm ）的光譜信息；PC2包含一部分紫色光（400～430 nm）以及絕大部分近紅外區(qū)域的光譜信息；PC3包含一部分紫色光以及紅邊區(qū)的光譜信息。

為探究不同成熟度茄衣煙葉高光譜的反射特征差異，方差分析研究了各主成分在不同成熟度間的統(tǒng)計(jì)學(xué)差異（圖3b、c、d）。對(duì)于 PC1，3個(gè)成熟度茄衣煙葉得分的平均值排序?yàn)椋?CS>WS>SS，其中 SS 得分顯著低于 CS、WS（p<0.01），而 CS 和 WS 之間無顯著性差異（p>0.05）；對(duì)于 PC2，3個(gè)成熟度茄衣煙葉得分的平均值排序?yàn)椋?CS>WS>SS，且互相之間差異都極顯著（p<0.01）；對(duì)于 PC3，3 個(gè)成熟度茄衣煙葉得分的平均值排序?yàn)椋篊S>WS>SS，且相互之間差異同樣極顯著（p<0.01）。

2.2 分類模型構(gòu)建

將訓(xùn)練集中茄衣煙葉樣品的高光譜數(shù)據(jù)輸入到 SVM 模型中，使用網(wǎng)格搜索并采用5折交叉驗(yàn)證的方法得到模型的最優(yōu)超參數(shù)（ c=1.0， gamma=0.1，核函數(shù)為多項(xiàng)式）。將具有最優(yōu)超參數(shù)組合的 SVM 模型應(yīng)用于測(cè)試集中茄衣煙葉樣品的成熟度判別，考察模型在測(cè)試集上的泛化能力。圖4列出了不同成熟度茄衣煙葉的真實(shí)類別和預(yù)測(cè)類別的混淆矩陣，SVM 對(duì)測(cè)試集中茄衣煙葉成熟度的判別準(zhǔn)確率達(dá)到98%以上，除 WS 中的一例樣品被誤判為 SS 外， SS 和 CS 均判別正確。

基于混淆矩陣的結(jié)果，本研究計(jì)算了 SVM 判別茄衣煙葉成熟度的精確率、召回率以及 F1分?jǐn)?shù)等指標(biāo)（表3）。SS 樣品的判別精確率低于 CS 和 WS 樣品，WS 樣品的召回率低于 SS 和 CS，但兩項(xiàng)指標(biāo)均在94%以上。綜合 F1分?jǐn)?shù)分析，本研究中 SVM 對(duì) CS 茄衣煙葉樣品的判別性能最好（100%），而 WS 和 SS 之間由于存在誤判使得性能指標(biāo)稍差，但仍然在97%以上。以上結(jié)果表明， SVM 分類模型在茄衣煙葉成熟度的判別中表現(xiàn)優(yōu)異，可用于茄衣煙葉成熟度分類判別。

3 討論

在可見光區(qū)域，葉綠素等色素是支配植物光譜響應(yīng)的主要因素。當(dāng)植物開始成熟衰老時(shí)，色素含量改變進(jìn)而導(dǎo)致葉片在可見光區(qū)域的光譜反射特征發(fā)生變化[11]。在近紅外波段，植物的光譜反射特性主要受葉片內(nèi)部組織結(jié)構(gòu)以及含氫基團(tuán)（-CH、-NH 和-OH）的影響[11]。在本研究中，茄衣煙葉在500～650 nm 區(qū)域的光譜反射率隨成熟度增加而增大，與已報(bào)道的研究結(jié)果一致[8，16]，主要原因是葉綠素等色素在成熟過程中不斷分解，使得葉片對(duì)該波段內(nèi)的光子吸收減少。在近紅外區(qū)域（750～1000 nm），茄衣煙葉光譜反射率隨成熟度增加呈先升高后降低的趨勢(shì)，表明茄衣煙葉在成熟過程中內(nèi)部組織結(jié)構(gòu)和內(nèi)含物質(zhì)的變化影響了光譜的反射特性，但具體機(jī)理還有待探究。已有研究表明烤煙葉片在近紅外區(qū)域的光譜反射率隨成熟度一直呈下降趨勢(shì)[8，16]，這與本文的研究結(jié)果有所差別，說明茄衣和烤煙葉片的光譜反射特性在近紅外區(qū)域存在差異，具體原因還需進(jìn)一步探討。

相關(guān)性分析結(jié)果表明，茄衣煙葉的高光譜在可見光和近紅外各自區(qū)域內(nèi)部的波段之間高度相關(guān)，存在較強(qiáng)的多重共線性，而在兩個(gè)區(qū)域之間，除紫色光部分（400～430 nm）與近紅外波段相關(guān)性較強(qiáng)外，其他波段之間相關(guān)性較弱，這說明茄衣煙葉高光譜的反射特征在可見光和近紅外兩個(gè)區(qū)域內(nèi)部關(guān)聯(lián)性強(qiáng)，在兩個(gè)區(qū)域之間關(guān)聯(lián)性弱。主成分分析表明茄衣煙葉高光譜的204個(gè)波段可被壓縮為3個(gè)主成分變量，韓龍洋等[17]發(fā)現(xiàn)烤煙高光譜數(shù)據(jù)的前2個(gè)主成分的累積貢獻(xiàn)率達(dá)到95.3%，與本研究結(jié)果相似，這進(jìn)一步說明茄衣煙葉高光譜存在嚴(yán)重的多重共線性，因此通過降維處理可為不同成熟度茄衣煙葉的高光譜反射特征的差異性分析提供便利條件。由 PC1、PC2和 PC3得分的方差分析結(jié)果可知，在部分可見光區(qū)域（430～650 nm），SS 茄衣煙葉的光譜反射率極顯著低于 CS 和 WS 茄衣煙葉（p<0.01），而 CS 和 WS 茄衣煙葉之間的統(tǒng)計(jì)學(xué)差異不明顯，在近紅外區(qū)域（750～1000 nm），3個(gè)成熟度茄衣煙葉相互之間的光譜反射率均存在極顯著差異（p <0.01），在紫色光和紅邊區(qū)域，3個(gè)成熟度茄衣煙葉的差異同樣極顯著（p <0.01）。由此可見，不同成熟度茄衣煙葉的高光譜反射特征在可見光、紅邊以及近紅外區(qū)域均存在明顯差異，這為不同成熟度茄衣煙葉的分類模型構(gòu)建提供了理論基礎(chǔ)。此外，李佛琳等[9]研究發(fā)現(xiàn)不同成熟度烤煙煙葉的光譜反射率在可見光區(qū)域（503～651 nm）差異顯著，而在近紅外區(qū)域（750～1350 nm）差異很小，進(jìn)一步說明茄衣葉片和烤煙葉片的光譜反射特性在可見光區(qū)域具有相似性，而在近紅外區(qū)域存在差異。

茄衣煙葉成熟是一個(gè)連續(xù)變化的過程，成熟度判別實(shí)質(zhì)上是在兩個(gè)鄰近類別之間找到一個(gè)合適的臨界狀態(tài)，理論上相鄰類別之間（SS 和 CS、CS 和 WS）發(fā)生誤判的可能性大，而相間類別之間（SS 和 WS）發(fā)生誤判的可能性小。然而，本研究中 SVM 在 SS 和 WS 之間發(fā)生了誤判，而在 SS 和 CS 以及 CS 和 WS 之間沒有誤判發(fā)生，由 PC2得分的箱線圖可知，雖然3個(gè)成熟度茄衣煙葉之間差異顯著，但 CS 茄衣煙葉的得分分布明顯高于 SS 和 WS，這可能提高了 SVM 對(duì) CS 樣本的識(shí)別能力，從而避免了 CS 分別與 SS 和 WS 之間的誤判發(fā)生，同時(shí)也進(jìn)一步說明近紅外波段在 SVM 判別茄衣煙葉成熟度的過程中發(fā)揮了重要作用。

4 結(jié)論

本研究結(jié)果表明，茄衣煙葉高光譜在可見光和近紅外各自區(qū)域內(nèi)部相關(guān)性強(qiáng)，在兩個(gè)區(qū)域之間相關(guān)性較弱，可進(jìn)行降維處理，并且不同成熟度茄衣煙葉的光譜反射特征在可見光、紅邊以及近紅外區(qū)域差異明顯。SVM 在茄衣煙葉成熟度判別中表現(xiàn)優(yōu)異，未來可輔助用于茄衣煙葉適熟采收。

參考文獻(xiàn)

[1] 牛浩，徐辰生，王勝雷，等.不同成熟度煙葉采后抗氧化能力和能量代謝研究[J].中國煙草科學(xué)，2021，42（6）：45-52.

NIU H， XU C S， WANG S L， et al. Study on antioxidant capacity and energy metabolism of postharvest tobacco leaves with different maturity[J]. Chinese Tobacco Science， 2021， 42（6）：45-52.

[2] 饒超奇，符云鵬，侯振武，等.成熟度對(duì)不同品種曬紅煙主要生理生化變化和品質(zhì)的影響[J].中國煙草科學(xué)，2019，40（6）：66-74.

RAO C Q， FU Y P， HOU Z W， et al. Effects of maturity on main physiological and biochemical changes and quality of different varieties of sun-cured tobacco[J]. China Tobacco Science， 2019， 40（6）：66-74.

[3] 劉博遠(yuǎn)，趙松超，李一凡，等.不同成熟度雪茄煙晾制過程碳水化合物及相關(guān)酶活性變化規(guī)律研究[J].中國農(nóng)業(yè)科技導(dǎo)報(bào)，2021，23（4）：192-201.

LIU B Y， ZHAO S C， LI Y F， et al. Study on the change law of carbohydrate and related enzyme activities of cigars with different maturity during air-curing[J]. China Agricultural Science and Technology Herald， 2021， 23（4）：192-201.

[4] 陳頤，鄭竹山，王建兵，等.不同成熟度烤煙烘烤過程中游離氨基酸及轉(zhuǎn)氨酶活性變化[J].中國煙草科學(xué)，2019，40（3）：75-83.

CHEN Y， ZHENG Z S， WANG J B， et al. Study on changes of freeamino acids and transaminase activities in tobacco leaves with different maturity during flue-curing process[J]. Chinese Tobacco Science， 2019， 40（3）：75-83.

[5] 孫陽陽，靳志偉，黃明迪，等. SPAD 值與鮮煙葉成熟度及烤后煙葉質(zhì)量的關(guān)系[J].中國煙草科學(xué)，2016，37（2）：42-46.

SUN Y Y， JIN Z W， HUANG M D， et al. The relationship of SPAD value， maturity of fresh tobacco leaves and quality of flue-cured tobacco leaves[J]. China Tobacco Science， 2016， 37（2）：42-46.

[6] 張軍剛，王永利，呂國新，等.烤煙成熟過程中鮮煙顏色值與色素含量變化及相關(guān)分析[J].中國煙草科學(xué)，2014，35（1）：54-60.

ZHANG J G， WANG Y L， LYU G X， et al. Changes and correlation analysis of color value and pigment content of fresh tobacco during maturation[J]. China Tobacco Science， 2014， 35（1）：54-60.

[7] 李青山，王傳義，譚效磊，等.不同成熟度煙葉高光譜特征分析及與 SPAD 值的關(guān)系[J].西南農(nóng)業(yè)學(xué)報(bào)，2017，30（2）：333-338.

LI Q S， WANG C Y， TAN X L， et al. Analysis of hyperspectral characteristics of tobacco leaves with different maturity and its relationship with SPAD value[J]. Southwest Agricultural Journal， 2017， 30（2）：333-338.

[8] 王建偉，張艷玲，李海江，等. 田間不同成熟度烤煙上部葉的高光譜特征分析[J].煙草科技，2013（5）：64-67.

WANG J W， ZHANG Y L， LI H J， et al. Hyperspectral characteristics of flue-cured tobacco leaves with different maturity in the field[J]. Tobacco Science and Technology， 2013（5）：64-67.

[9] 李佛琳，趙春江，王紀(jì)華，等.不同成熟度烤煙鮮葉的高光譜響應(yīng)及其判別分析[J].福建農(nóng)林大學(xué)學(xué)報(bào)（自然科學(xué)版），2008（6）：565-569.

LI F L， ZHAO C J， WANG J H， et al. Hyperspectral response and discriminant analysis of fresh flue-cured tobacco leaves with different maturity[J]. Journal of Fujian Agriculture and Forestry University （Natural Science Edition）， 2008（6）：565-569.

[10] 徐興陽，何春榮，秦春麗，等.光譜判斷田間鮮煙葉成熟度的影響因子研究[J].山地農(nóng)業(yè)生物學(xué)報(bào)，2016，35（4）：88-94.

XU X Y， HE C R， QIN C L， et al. Study on influencing factors of judging maturity of fresh tobacco leaves in the field by spectrum[J].Journal of Mountain Agriculture and Biology， 2016， 35（4）：88-94.

[11] 童慶禧，張兵，鄭蘭芬，等.高光譜遙感[M].北京：高等教育出版社，2006.

TONG Q X， ZHANG B， ZHENG L F， et al. Hyperspectral Remote Sensing[M]. Beijing： Higher Education Press， 2006.

[12] 邵園園，王永賢，玄冠濤，等.基于高光譜成像的肥城桃品質(zhì)可視化分析與成熟度檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（8）：344-350.

SHAO Y Y， WANG Y X， XUAN G T， et al. Visual analysis and maturity detection of Feicheng peach quality based on hyperspectral imaging[J]. Journal of Agricultural Machinery， 2020， 51（8）：344-350.

[13] 胡逸磊，姜洪喆，周宏平，等.高光譜成像技術(shù)檢測(cè)油茶果成熟度[J].食品科學(xué)，2022，43（16）：324-331.

HU Y L， JIANG H Z， ZHOU H P， et al. Detection of Camellia oleifera fruit maturity by hyperspectral imaging[J]. Food Science， 2022， 43（16）：324-331.

[14] 蔣浩，張初，劉飛，等.基于高光譜圖像多光譜參數(shù)的草莓成熟度識(shí)別[J].光譜學(xué)與光譜分析，2016，36（5）：1423-1427.

JIANG H， ZHANG C， LIU F， et al. Strawberry maturity recognition based on hyperspectral? image? multispectral parameters[J]. Spectroscopy and Spectral Analysis， 2016， 36（5）：1423-1427.

[15] 薛建新，張淑娟，張晶晶.基于高光譜成像技術(shù)的沙金杏成熟度判別[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（11）：300-307.

XUE J X， ZHANG S J， ZHANG J J. Gold placer apricot maturity discrimination based on hyperspectral imaging technology[J]. Journal of Agricultural Engineering， 2015， 31（11）：300-307.

[16] 李鑫，湯衛(wèi)榮，張永輝，等.基于高光譜成像技術(shù)的煙葉田間成熟度判別模型[J].煙草科技，2022，55（7）：17-24.

LI X， TANG W R， ZHANG Y H， et al. Evaluation model of tobacco field maturity based on hyperspectral imaging technology[J]. Tobacco Science and Technology， 2022， 55（7）：17-24.

[17] 韓龍洋，王一丁，張文龍，等.基于高光譜技術(shù)的烤煙成熟度判別研究[J].延邊大學(xué)農(nóng)學(xué)學(xué)報(bào)，2015，37（4）：286-291.

HAN L Y， WANG Y D， ZHANG W L， et al. Research on identification of flue-cured tobacco maturity grades by hyper-spectral technology[J]. Agricultural Science Journal of Yanbian University， 2015， 37（4）：286-291.