基于圖像處理的雪茄煙葉晾制期間含水率預(yù)測模型比較

楊 浩, 張 通, 陽葦麗, 向 歡, 郭仕平, 劉曉麗, 張洪淇, 劉 雷, 劉雅潔, 楊興有, 曾淑華

(1.四川農(nóng)業(yè)大學(xué)農(nóng)學(xué)院,四川 成都 611130; 2.四川省煙草公司達州市公司,四川 達州 635000; 3.四川省煙草公司德陽市公司,四川 德陽 618400; 4.四川省煙草公司,四川 成都 610017)

近年來雪茄煙發(fā)展空間良好,已成為煙草市場和科研領(lǐng)域的研究重點[1]。含水率是雪茄煙葉在晾制期間的重要物理參數(shù),對煙葉質(zhì)量影響重大,煙葉在晾制期間的溫濕度調(diào)控、晾制密度等是基于煙葉含水率進行設(shè)置的,晾制過程中的凋萎和變黃實際上也是煙葉含水率變化的體現(xiàn),只有控制好含水率才能使煙葉含有的物質(zhì)朝著人們期望的方向轉(zhuǎn)化。目前生產(chǎn)上雪茄煙葉含水率的判斷往往憑借眼觀手摸,主觀性強且誤差大,定量測定方法如烘箱法[2]、快速水分測定法[3]、卡爾費休法[4]等耗時,且對煙葉有損,難以滿足實際需求。

圖像處理技術(shù)可以量化圖像的顏色、紋理等特征,而顏色、紋理特征反映煙葉的變黃、失水、皺縮過程,是含水率預(yù)測的主要依據(jù)[5-6],圖像處理技術(shù)結(jié)合機器學(xué)習(xí)的方法因具有快速、實時、準確等優(yōu)點,近年來在作物含水率預(yù)測、病蟲害識別、成熟度判別等方面得到廣泛應(yīng)用。前人對烤煙烘烤過程中煙葉含水率的預(yù)測進行了初步探索,陳飛程等[7]提取煙葉圖像的顏色、紋理特征建立前饋神經(jīng)網(wǎng)絡(luò)(BPNN)對含水率進行預(yù)測,模型R2為0.998 7。杜海娜等[8]對烘烤階段的煙葉圖像進行拍攝,采用稱質(zhì)量法計算煙葉失水率,以顏色、紋理特征建立螢火蟲算法優(yōu)化支持向量機(GS-SVM)、遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)(GA-BPNN)、極限學(xué)習(xí)機(ELM),結(jié)果所建模型R2均大于0.996 1。李增盛等[9]提取煙葉顏色、紋理特征建立遺傳算法優(yōu)化支持向量機(GA-SVM)、粒子群算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)(PSO-BPNN)、極限學(xué)習(xí)機,模型準確率分別為93.27%、89.35%、85.05%。此外,Ghosh等[10]提取Flavia和Swedish 2個植物葉片的顏色、紋理特征,并建立人工神經(jīng)網(wǎng)絡(luò)(ANN)對其進行分類識別,2個數(shù)據(jù)集的ANN準確率均超過93%。宋佳[11]對生菜葉片圖像的顏色、紋理、形狀特征進行提取,建立偏最小二乘回歸模型(PLSR)含水率預(yù)測模型,結(jié)果R2為0.902,均方根誤差僅為0.302。但基于圖像處理的機器學(xué)習(xí)方法對晾制期間雪茄煙葉含水率的預(yù)測目前鮮見報道,前人的研究主要集中于烤煙,而雪茄煙葉的調(diào)制方法相比烤煙差異大,調(diào)制階段不同,其含水率也不同,所建模型在雪茄煙葉含水率預(yù)測上難以達到預(yù)期效果。

目前常用于植物分類和預(yù)測研究的機器學(xué)習(xí)算法有BPNN、支持向量機(SVM)、ELM等。其中BPNN是一種多隱含層網(wǎng)絡(luò),通過梯度下降方式不斷修正訓(xùn)練權(quán)重,其特點在于逼近數(shù)據(jù)間的相關(guān)性。ELM則是單隱含層網(wǎng)絡(luò),與梯度下降方法不同的是,ELM采用隨機的輸入層權(quán)重,輸出層權(quán)重則通過隱含層輸出的廣義逆矩陣確定,其特點在于學(xué)習(xí)速度快、泛化能力強。在回歸問題上,SVM通過將不同維度空間特征最大程度地映射到同一平面上而達到逼近效果,在處理中小型樣本、高維特征時其效果理想,且SVM的核函數(shù)類型眾多,從而可以靈活解決各種非線性的回歸問題。本研究采用BPNN、GA-BPNN、SVM、GA-SVM、ELM、粒子群算法優(yōu)化極限學(xué)習(xí)機(PSO-ELM) 6種模型對煙葉含水率的預(yù)測效果進行比較,得出優(yōu)選模型,以期為雪茄煙葉的智能晾制發(fā)展提供參考。

1 材料與方法

1.1 試驗材料

試驗于2022年在四川省達州市峰城鎮(zhèn)蜜甜香雪茄煙種植基地進行,供試品種為川雪1號,株距0.4 m,行距1.1 m,施氮量為202.5 kg/hm2,N含量∶P2O5含量∶K2O含量為1.0∶1.1∶2.0,其他相關(guān)栽培措施按照達州當?shù)厣a(chǎn)技術(shù)規(guī)范進行。采收時間為移栽后88 d,采收完后煙葉串桿掛入晾房晾制,每桿煙葉約50片,晾制房為新型密集式晾房,長、寬、高分別為15 m、6 m、8 m,共4層2路。

1.2 試驗方法

1.2.1 煙葉圖像采集 參考五段式晾制技術(shù),分別在凋萎期、變黃期、變褐期、干濕交替勻色期、干筋期采集煙葉圖像。圖像采集裝置如圖1所示,上下左右均為黑色背景,左右兩側(cè)、頂部裝有補光設(shè)備,光源類型為模擬晾制房的自然光,下地板為煙葉拍攝區(qū),攝像頭至煙葉距離固定為0.8 m。攝像頭為?？低?×106像素鏡頭工業(yè)相機,鏡頭型號為MVL-MF0828M-8MP。晾制階段的判定和圖像采集數(shù)量如表1所示。

1.2.2 含水率的測定 各晾制時期煙葉的含水率使用殺青烘干法[12]測定。

圖1 圖像采集裝置示意Fig.1 Diagram of the image acquisition device

表1 雪茄煙晾制時期特征和圖像采集數(shù)量

1.2.3 圖像預(yù)處理 本試驗拍攝設(shè)備對外界環(huán)境適應(yīng)性較強,但對拍攝背景顆粒物和相機溫度升高導(dǎo)致的電子動能增加及光電荷轉(zhuǎn)移不確定性增強所產(chǎn)生的成像噪點適應(yīng)性較差。需對圖像進行預(yù)處理,增強圖像信息,剔除冗余信息。本研究使用Matlab自帶的圖像分割器對圖像背景和煙葉區(qū)域進行分割,再對分割的圖像進行5×5的中值濾波,達到降噪目的。原始圖像、分割后圖像和中值濾波后圖像如圖2、圖3、圖4所示。

圖2 煙葉原始圖像Fig.2 Original image of tobacco leaf

圖3 煙葉和背景分割后圖像Fig.3 Image of tobacco leaf after segmented from the background

圖4 煙葉中值濾波后圖像Fig.4 Median filtered image of tobacco leaf

1.2.4 圖像特征提取 本研究通過圖像灰度共生矩陣計算反映紋理變化的能量(E)、同一性(Hg)、對比度(Ct)、相關(guān)性(Cl)、均值(Mean)、方差(Var)6個特征作為煙葉的紋理特征。提取RGB、HSV、Lab、YCrCb 4個顏色空間的12個單通道顏色特征,按表2中的計算公式,衍生出13種顏色相關(guān)的特征,最終共獲得25個特征作為顏色特征。

1.2.5 數(shù)據(jù)處理和預(yù)測模型的建立 采用隔三選一法,將樣本圖像劃分為訓(xùn)練集和測試集,其中訓(xùn)練集1 086個樣本,測試集368個樣本。以最初提取的31個特征作為初始特征,使用SIMCA 13.0對31個特征進行正交偏最小二乘(OPLS-DA)分析,得出優(yōu)選特征?；贛atlab 2021a,以初始特征和優(yōu)選特征作為模型輸入,含水率作為輸出,分別建立BPNN、GA-BPNN、SVM、GA-SVM、ELM和 PSO-ELM。比較所建模型的準確度,篩選出預(yù)測準確度最優(yōu)的模型。

表2 圖像特征指標計算公式

1.2.6 模型預(yù)測準確度評價方法 各模型對測試集的整體預(yù)測效果的評價由決定系數(shù)(R2)和均方根誤差(RMSE)衡量。對各階段的預(yù)測效果以準確度(Accuracy)衡量,準確度計算公式如下。

式中,T真實為雪茄煙葉實際含水率,P預(yù)測為模型預(yù)測含水率。

2 結(jié)果與分析

2.1 各晾制階段煙葉含水率測定結(jié)果

各晾制階段煙葉的含水率測定結(jié)果如表3所示,由表3可知,隨著晾制進行,煙葉含水率逐漸下降。各階段含水率間均有顯著差異,其中凋萎期含水率最高,平均84.6%,干筋期最低,平均21.4%。

2.2 初始特性的提取結(jié)果

1 454個樣本的顏色特征和紋理特征提取結(jié)果見表4,由方差分析結(jié)果可知,色調(diào)(H)、綠色通道值(G)、藍色通道值(B)、灰階值(Y)、歸一化紅色指數(shù)(r)、歸一化綠色指數(shù)(g)、歸一化藍色指數(shù)(b1)、超紅指數(shù)(ExR)、超藍指數(shù)(ExB)、黃色指數(shù)(YI)、藍綠指數(shù)(CI)、方差(Var)、亮度(L*)在干濕交替勻色期和干筋期間沒有顯著差異,在凋萎期、變黃期、變褐期間差異均達到顯著水平;紅色差異值(Cr)、超綠指數(shù)(ExG)、歸一化紅綠差值指數(shù)(NGRDI)、綠葉指數(shù)(GLI)、修正的紅綠植被指數(shù)(MGRVI)、對比度(Ct)、能量(E)、綠-紅差值指數(shù)(GMR)、深綠顏色指數(shù)(DGCV)、明度(V)、均值(Mean)、黃藍色度值(b*)在5個晾制時期間有顯著差異;同一性(Hg)、紅綠色度值(a*)在變褐期、干濕交替勻色期和干筋期間差異不顯著,其余2個時期間差異顯著;飽和度(S)、紅色通道值(R)、藍色差異值(Cb)分別在變褐期和干筋期間、凋萎期和干筋期間、變褐期和干濕交替勻色期間差異不顯著,其余3個時期間均差異顯著;相關(guān)性(Cl)在5個時期間均沒有顯著差異。

表3 煙葉含水率測定結(jié)果

2.3 特征優(yōu)選結(jié)果

在方差分析的基礎(chǔ)上,進一步對初始特征進行OPLS-DA判別分析,優(yōu)選出10個映射重要性值(Variable importance of projection,VIP)排名前10的特征,結(jié)果如圖5所示。10個特征的R2X(表示特征對總特征矩陣的百分比解釋能力)如表5所示,R2X累計為0.995 4,說明所提取的10個特征對總特征的解釋能力達99.54%。最終確立顏色特征飽和度(S)、Cr、NGRDI、MGRVI、GLI、GMR、DGCV、H、紅色通道值(R)和紋理特征E為優(yōu)選特征。

2.4 預(yù)測模型的建立

本研究對初始特征和優(yōu)選特征分別建立預(yù)測模型,最終比較平均準確度,確定預(yù)測效果最佳的模型。

表4 圖像31個初始特征提取結(jié)果

S:飽和度;E:能量;Cr:紅色差異值;NGRDI:歸一化紅綠差值指數(shù);MGRVI:修正的紅綠植被指數(shù);GLI:綠葉指數(shù);GMR:綠-紅差值指數(shù);DGCV:深綠顏色指數(shù);H:色調(diào);R:紅色通道值;ExG:超綠指數(shù);a*:紅綠色度值;Var:方差;Cb:藍色差異值;b*:黃藍色度值;YI:黃色指數(shù);V:明度;B:藍色通道值;Ct:對比度;Mean:均值;Y:灰階值;L*:亮度;ExR:超紅指數(shù);ExB:超藍指數(shù);r:歸一化紅色指數(shù);CI:藍綠指數(shù);b1:歸一化藍色指數(shù);g:歸一化綠色指數(shù);G:綠色通道值;Cl:相關(guān)性;Hg:同一性。圖5 顏色、紋理特征變量映射重要性值Fig.5 Variable importance of projection value of color and texture feature variables

表5 優(yōu)選特征的R2X

2.4.1 初始特征的含水率預(yù)測模型建立結(jié)果 利用初始特征的訓(xùn)練集樣本作為輸入,含水率作為輸出,建立BPNN、GA-BPNN、SVM、GA-SVM、ELM、PSO-ELM預(yù)測模型。其中GA-BPNN的初始權(quán)值和閾值、GA-SVM的誤差懲罰因子(c)和核函數(shù)參數(shù)(g)由遺傳算法尋優(yōu)獲得,PSO-ELM的輸入層權(quán)值、輸出層權(quán)值、偏置由粒子群優(yōu)化算法尋優(yōu)確定,尋優(yōu)過程如圖6所示。GA-BPNN、GA-SVM在進化代數(shù)分別為63、62時,達到最佳適應(yīng)度值,PSO-ELM在進化代數(shù)為103時,達到最佳適應(yīng)度值。

模型建立后,利用測試集樣本對每個模型進行測試,得到各個模型的預(yù)測值、測定值散點圖(圖7)。從圖7可以看出,GA-SVM的預(yù)測值和真實值擬合度最優(yōu),R2、RMSE分別為0.905 8、0.081 5,其次是GA-BPNN,BPNN的R2(0.766 3)最低。

GA-BPNN:遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò);GA-SVM:遺傳算法優(yōu)化支持向量機;PSO-ELM:粒子群算法優(yōu)化極限學(xué)習(xí)機。圖6 初始特征的GA-BPNN(a)、GA-SVM(b)、PSO-ELM(c)的參數(shù)尋優(yōu)過程Fig.6 Parameter optimization process of genetic algorithm optimized back propagation neural network (GA-BPNN) (a), genetic algorithm optimized support vector machine (GA-SVM) (b) and particle swarm optimized extreme learning machine (PSO-ELM) (c) of initial characteristics

GA-BPNN:遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò);BPNN:前饋神經(jīng)網(wǎng)絡(luò);GA-SVM:遺傳算法優(yōu)化支持向量機;SVM:支持向量機;PSO-ELM:粒子群算法優(yōu)化極限學(xué)習(xí)機;ELM:極限學(xué)習(xí)機。R2:決定系數(shù);RMSE:均方根誤差。圖7 初始特征的GA-BPNN(a)、BPNN(b)、GA-SVM(c)、SVM(d)、PSO-ELM(d)、ELM(e)測試集的預(yù)測值和真實值散點圖Fig.7 Scatter plot of predicted and true values of genetic algorithm optimized back propagation neural network (GA-BPNN) (a), back propagation neural network (BPNN) (b), genetic algorithm optimized support vector machine (GA-SVM) (c), support vector machine (SVM) (d), particle swarm optimized extreme learning machine (PSO-ELM) (d), extreme learning machine (ELM) (e) test sets for initial features

2.4.2 優(yōu)選特征的含水率預(yù)測模型建立結(jié)果 利用優(yōu)選特征的訓(xùn)練集樣本作為輸入,含水率作為輸出,建立BPNN、 GA-BPNN、SVM、GA-SVM、ELM、PSO-ELM預(yù)測模型。其中GA-BPNN的初始權(quán)值和閾值、GA-SVM的誤差懲罰因子和核函數(shù)參數(shù)以及PSO-ELM的輸入層權(quán)值、輸出層權(quán)值、偏置的尋優(yōu)過程如圖8所示。GA-BPNN、GA-SVM在進化代數(shù)分別為38、17時,達到最佳適應(yīng)度值,PSO-ELM在進化次數(shù)為90時,達到最佳適應(yīng)度值。

模型建立后,利用測試集樣本對每個模型進行測試,得到各個模型的預(yù)測值、真實值散點圖(圖9)。從圖9c可以看出,GA-SVM的擬合度最優(yōu),R2、RMSE分別為0.969 3、0.044 7,其次是GA-BPNN,BPNN的R2(0.847 7)最低。

GA-BPNN:遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò);GA-SVM:遺傳算法優(yōu)化支持向量機;PSO-ELM:粒子群算法優(yōu)化極限學(xué)習(xí)機。圖8 優(yōu)選特征的GA-BPNN(a)、GA-SVM(b)、PSO-ELM(c)的參數(shù)尋優(yōu)過程Fig.8 Parameter optimization process of genetic algorithm optimized back propagation neural network (GA-BPNN) (a), genetic algorithm optimized support vector machine (GA-SVM) (b) and particle swarm optimized extreme learning machine (PSO-ELM) (c) of preferred features

GA-BPNN:遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò);BPNN:前饋神經(jīng)網(wǎng)絡(luò);GA-SVM:遺傳算法優(yōu)化支持向量機;SVM:支持向量機;PSO-ELM:粒子群算法優(yōu)化極限學(xué)習(xí)機;ELM:極限學(xué)習(xí)機。R2:決定系數(shù);RMSE:均方根誤差。圖9 優(yōu)選特征的GA-BPNN(a)、BPNN(b)、GA-SVM(c)、SVM(d)、PSO-ELM(e)、ELM(f)測試集的預(yù)測值和真實值散點圖Fig.9 Scatter plot of predicted and true values of genetic algorithm optimized back propagation neural network (GA-BPNN) (a), back propagation neural network (BPNN) (b), genetic algorithm optimized support vector machine (GA-SVM) (c), support vector machine (SVM) (d), particle swarm optimized extreme learning machine (PSO-ELM) (e), extreme learning machine (ELM) (f) test sets for preferred features

2.5 對5個晾制階段含水率預(yù)測準確度結(jié)果分析

根據(jù)方法1.2.6計算初始特征和優(yōu)選特征對各晾制階段的預(yù)測準確度,結(jié)果見表6。由表6可知,各模型對凋萎期和變黃期的預(yù)測效果理想,準確度均高于90.0%,優(yōu)選特征建立的GA-SVM對變黃期的預(yù)測準確度最高(98.9%),但對干濕交替勻色期和干筋期的預(yù)測準確度較低,初始特征的ELM對干筋期的預(yù)測準確度最低(68.5%)。綜合考慮5個晾制階段的預(yù)測準確度,以優(yōu)選特征的GA-SVM準確度最高,對干筋期和干濕交替勻色期的預(yù)測準確度也高于87.0%。

表6 各模型對各晾制階段的預(yù)測準確度

3 討 論

雪茄煙葉晾制過程中的變黃、失水狀態(tài)目前主要依靠人為判斷,存在較強的主觀性和盲目性,而烘箱法、快速水分測定法等測量速度緩慢,難以實現(xiàn)對含水率快速實時的判斷。研究結(jié)果表明,簡單的線性關(guān)系分析難以確定圖像信息和含水率的關(guān)系[20-21],而通過顏色特征和紋理特征結(jié)合機器學(xué)習(xí)方法可以對含水率進行準確估算。在其他作物上,程曉婷[22]基于番茄圖像的紋理、顏色特征建立神經(jīng)網(wǎng)絡(luò)對番茄含水率進行預(yù)測,模型均方根誤差為1.222 7;徐騰飛等[23]通過提取玉米葉片的顏色特征對含水率進行預(yù)測,模型標準誤差僅0.021;王甜等[24]提取沉香葉片的顏色、紋理特征建立RFE-RF模型預(yù)測含水率,其精度達到了91.62%。在烤煙方面,段史江等[25]對烘烤過程中煙葉的顏色特征和紋理特征進行提取,建立BPNN、GA-SVM含水率預(yù)測模型,其標準誤差分別為0.048 5和0.020 0,預(yù)測準確度理想;詹攀等[26]提取了烤煙鮮煙葉的顏色、紋理特征建立極限學(xué)習(xí)機模型對其含水率進行預(yù)測,模型平均絕對誤差僅0.007 9。本研究首次對雪茄煙葉晾制期間的圖像進行采集,并測定其含水率,提取出顏色特征和紋理特征,分別選用初始特征和OPLS-DA篩選的優(yōu)選特征作為輸入,建立含水率預(yù)測模型。結(jié)果表明,用優(yōu)選特征建立的GA-SVM 的決定系數(shù)(R2)達到了0.969 3,均方根誤差僅0.044 7,預(yù)測效果理想,這與陳飛程等[7]、張娟利等[27]所建模型準確度接近。此外,在本研究中,隨著晾制進行,煙葉含水率逐漸降低,與趙晨等[28]、范寧波[29]的研究結(jié)果一致。

本研究中,無論是使用初始特征還是優(yōu)選特征,GA-SVM預(yù)測效果均好于GA-BPNN和PSO-ELM,這與謝濱瑤等[30]、李增盛等[9]的研究結(jié)論一致。原因是BPNN和ELM 2類算法是模擬神經(jīng)元傳遞信息,采用非線性函數(shù)的形式通過連接權(quán)值和偏置對輸入特征進行映射,以達到預(yù)測效果,而晾制階段中的顏色特征較為接近,尤其是干濕交替勻色期和干筋期,因此難以達到十分精準的預(yù)測。SVM是基于結(jié)構(gòu)最小風(fēng)險原理將不同維度樣本映射到高維空間,在空間中確定一個平面,使得樣本盡可能映射在該平面上,從而達到較好的預(yù)測效果。此外,本研究采用遺傳算法對SVM的c、g參數(shù)進行尋優(yōu),解決了常規(guī)SVM的c、g參數(shù)敏感、難以確定的問題。OPLS-DA篩選的特征建立的模型準確度均高于初始特征所建模型,表明OPLS-DA可以作為優(yōu)選方法,篩選與預(yù)測響應(yīng)相關(guān)性高的特征指標。

本研究的煙葉拍攝環(huán)境是在補光均勻的暗箱內(nèi),最大程度地降低了外界光照、風(fēng)力、人為走動等的影響,將煙葉在晾制期間的變黃、失水與皺縮狀態(tài)充分體現(xiàn)在所拍攝的圖像上,使得所建模型的平均預(yù)測準確度均高于80.0%。本研究發(fā)現(xiàn),優(yōu)選特征和初始特征所建立的模型對干濕交替勻色期、干筋期樣本的預(yù)測準確度較低, ELM的干筋期初始特征預(yù)測準確度僅68.5%。原因是在雪茄煙晾制過程中,變褐期以后葉面顏色基本確定,更多的是煙筋的干燥過程,而這2個時期葉面顏色比較接近,故導(dǎo)致預(yù)測準確度較低,但干濕交替勻色期和干筋期是煙筋最后的干燥時期,重要性比前3個時期低,在實際預(yù)測中造成的偏差對最終煙葉質(zhì)量影響小。在今后的研究中,可對這2個時期進一步細化晾制的前、中、后階段,提取和含水率相關(guān)性更高的特征進行預(yù)測。

4 結(jié) 論

通過以上研究,可得出以下結(jié)論:①各晾制階段煙葉含水率差異顯著,隨著晾制進行,含水率逐漸下降,凋萎期含水率平均84.6%,干筋期含水率平均21.4%。②優(yōu)選特征建立的GA-SVM對雪茄煙葉全晾制階段的含水率整體預(yù)測能力相較于本研究其他模型表現(xiàn)最佳,R2和RMSE分別為0.969 3、0.044 7。③優(yōu)選特征建立的GA-SVM對各晾制階段含水率的預(yù)測準確度較高,其中干筋期預(yù)測準確度最低,但也高于87.0%。