基于AE-BiRNN 的片煙含水率高光譜檢測(cè)

魏 雷，徐迎波，曹海兵，薛訓(xùn)明，王 澍，何金華，嚴(yán)志景，計(jì) 敏，張 龍，張 超*

1.安徽大學(xué)物質(zhì)科學(xué)與信息技術(shù)研究院，合肥市九龍路111 號(hào) 230601 2.中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院安徽光學(xué)精密機(jī)械研究所，合肥市蜀山湖路350 號(hào) 230031 3.安徽中煙工業(yè)有限責(zé)任公司生產(chǎn)制造部，合肥市天達(dá)路9 號(hào) 230088 4.安徽中煙工業(yè)有限責(zé)任公司技術(shù)中心，合肥市天達(dá)路9 號(hào) 230088

松散回潮是卷煙加工過(guò)程中的關(guān)鍵工藝環(huán)節(jié)，松散回潮機(jī)的參數(shù)設(shè)置不僅會(huì)影響片煙含水率分布均勻性，還會(huì)對(duì)片煙的耐加工性以及制絲后的煙絲結(jié)構(gòu)、填充值、出絲率、感官評(píng)價(jià)等指標(biāo)產(chǎn)生影響。因此，實(shí)時(shí)檢測(cè)松散回潮后片煙含水率對(duì)于提升卷煙產(chǎn)品質(zhì)量具有重要意義。常用的片煙含水率檢測(cè)方法有氣相色譜法、近紅外技術(shù)和卡爾費(fèi)休-加熱爐法［1］，但這些方法耗時(shí)長(zhǎng)、測(cè)量范圍小，難以直觀反映片煙表面水分分布狀況。目前基于機(jī)器視覺(jué)開展了大量煙葉含水率預(yù)測(cè)研究。其中，魏碩等［2］根據(jù)烘烤過(guò)程中煙葉形態(tài)收縮情況判斷水分含量；段史江等［3］通過(guò)量化烘烤過(guò)程中煙葉形態(tài)變化的數(shù)值特征指標(biāo)，建立了含水率BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。上述根據(jù)煙葉物理形態(tài)和表面顏色變化建立的模型雖具有較好的預(yù)測(cè)精度，但在更換煙葉品種或葉片舒展性較差時(shí)容易產(chǎn)生誤差，且實(shí)驗(yàn)結(jié)果無(wú)法直接觀察水分分布狀況。高光譜成像技術(shù)（Hyperspectral imaging，HSI）具有光譜分辨率高、測(cè)量范圍廣、圖譜合一等特點(diǎn)［4］，普遍應(yīng)用于地表監(jiān)測(cè)、礦物探測(cè)等領(lǐng)域。隨著便攜式高光譜相機(jī)的發(fā)展和光譜分析方法的深入研究，高光譜成像技術(shù)被廣泛應(yīng)用于農(nóng)副產(chǎn)品水分或化學(xué)成分含量檢測(cè)。田美玲等［5］通過(guò)梯度提升回歸樹對(duì)光譜特征進(jìn)行重要性遴選，用于估算土壤含水量；孫紅等［6］利用高光譜成像技術(shù)，使用隨機(jī)蛙跳算法選擇特征波長(zhǎng)預(yù)測(cè)馬鈴薯葉片含水率；禹文杰等［7］通過(guò)CARS（Competitive Adaptive Reweighted Sampling）提取牛肉水分特征波長(zhǎng)預(yù)測(cè)牛肉樣本水分含量。近年來(lái)高光譜成像技術(shù)在煙草制品的化學(xué)分析領(lǐng)域也取得廣泛關(guān)注。趙科文等［8］使用高光譜成像技術(shù)結(jié)合PCA（Principal Component Analysis）降維實(shí)現(xiàn)了煙絲組分摻配均勻性檢測(cè)；李士靜等［9］通過(guò)高光譜成像技術(shù)結(jié)合F-Score 算法選取煙葉高光譜特征波長(zhǎng)實(shí)現(xiàn)了不同煙葉等級(jí)識(shí)別。然而，結(jié)合CARS、PCA 等數(shù)據(jù)降維算法對(duì)原始高光譜數(shù)據(jù)進(jìn)行預(yù)處理，需要人工提前設(shè)置算法參數(shù)，若預(yù)處理方法使用不當(dāng)，則容易導(dǎo)致模型預(yù)測(cè)準(zhǔn)確率下降。為此，提出一種嵌入點(diǎn)積注意力機(jī)制的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)AE-BiRNN（Attention mechanism Embed Bidirectional Recurrent Neural Networks）用于片煙含水率預(yù)測(cè)，并利用自制的155個(gè)高光譜數(shù)據(jù)開展方法性能驗(yàn)證，以期實(shí)現(xiàn)片煙含水率分布可視化，為快速調(diào)整松散回潮機(jī)工藝參數(shù)提供支持。

1 數(shù)據(jù)與方法

1.1 片煙樣本及含水率測(cè)定

實(shí)驗(yàn)樣本為卷煙生產(chǎn)中松散回潮后的烤煙片煙，共選取38個(gè)等級(jí)（由安徽中煙工業(yè)有限責(zé)任公司提供）。要求外觀平展無(wú)折疊，避免因片煙重疊處含水率過(guò)高或過(guò)低而無(wú)法準(zhǔn)確采集片煙光譜信息。利用烘箱法制作不同含水率片煙樣本并測(cè)量真實(shí)含水率，首先將數(shù)片片煙（大于5 g）置于電子天平（精度0.001 g，賽多利斯科學(xué)儀器有限公司）進(jìn)行3次稱重取平均質(zhì)量Mfn，采集片煙高光譜圖像；然后根據(jù)表1中設(shè)定的烘烤溫度和時(shí)間，將片煙置于40 ℃的烘箱（寧國(guó)沙鷹科學(xué)儀器有限公司）中烘烤40 s，每次烘烤后記錄片煙質(zhì)量并采集高光譜圖像，此過(guò)程連續(xù)進(jìn)行5次；最后100 ℃烘烤片煙120 min，設(shè)此時(shí)片煙質(zhì)量為Md，含水率為0。因不同片煙初始含水率及失水速率不同，有部分片煙在第3次或第4次烘烤后質(zhì)量變化不明顯，則直接烘烤至含水率為0。片煙含水率計(jì)算方法見(jiàn)公式（1）。最終采集155張片煙高光譜圖像，所有片煙樣本含水率分布在0～25.05%之間，平均含水率為12.35%，標(biāo)準(zhǔn)差為6.14%。

表1 烘烤溫度和時(shí)間設(shè)定Tab.1 Setting of temperature and duration of flue curing

式中：Mfn為片煙初始質(zhì)量或烘烤后質(zhì)量，g；Md為片煙含水率為0時(shí)的質(zhì)量，g；LWCn為片煙含水率，%。

1.2 片煙高光譜數(shù)據(jù)采集

Gaia Field高光譜成像儀（江蘇雙利合譜科技有限公司）主要由便攜式高光譜成像儀主機(jī)（Gaia Field Pro-V10）、成像鏡頭（HSIA-0LES30）、校正白板（HSIA-CT-150 mm×150 mm）和數(shù)據(jù)采集軟件（SpecView）等組成，見(jiàn)圖1。此外，還配備了2臺(tái)33 W柏林二代鹵素雙臂臺(tái)燈（朗德萬(wàn)斯照明有限公司）用于改善光源條件，1臺(tái)天逸510 Pro計(jì)算機(jī)（聯(lián)想集團(tuán)有限公司）用于采集和保存光譜數(shù)據(jù)。采用推掃成像模式，光譜范圍為873～1 720 nm，光譜分辨率為1.7 nm，即512個(gè)波段，像素為640 px×640 px。

圖1 高光譜成像系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of hyperspectral imaging system

為避免日照光線的影響，實(shí)驗(yàn)在暗室環(huán)境中進(jìn)行，使用鹵素?zé)粞a(bǔ)充光源。高光譜成像儀鏡頭距離載物臺(tái)30 cm，曝光時(shí)間設(shè)置為14 ms，兩側(cè)鹵素?zé)舯３值雀?、平行并折?5°。采集光譜數(shù)據(jù)前進(jìn)行黑白板校正，以減少光源或暗電流噪聲的影響。打開高光譜成像儀后，先獲得標(biāo)準(zhǔn)白板數(shù)據(jù)，再蓋上鏡頭蓋獲得黑板數(shù)據(jù)，然后對(duì)片煙高光譜數(shù)據(jù)進(jìn)行采集。為減少鹵素?zé)艄庠礋崃康拳h(huán)境因素對(duì)片煙含水率產(chǎn)生影響，應(yīng)盡快完成數(shù)據(jù)采集。原始圖像校正方法見(jiàn)公式（2）。

式中：W為全漫反射標(biāo)準(zhǔn)白板校正圖像上像素點(diǎn)（x，y）對(duì)應(yīng)的光譜數(shù)據(jù)；B 為黑板校正圖像上像素點(diǎn)（x，y）對(duì)應(yīng)的光譜數(shù)據(jù)；I為原始片煙圖像光譜數(shù)據(jù)；R為黑白板校正過(guò)的片煙光譜數(shù)據(jù)。

高光譜數(shù)據(jù)處理平臺(tái)為PyCharm。其中，計(jì)算機(jī)系統(tǒng)為Ubuntu 18.04.6 LTS 版本，硬件配置：CPU為AMD?Ryzen 5 2600x six-core processor×12，內(nèi)存為7.8 GiB，顯卡為NVIDIA GeForce RTX 2060/PCIe/SSE2。

1.3 基于SG的光譜平滑

因高光譜數(shù)據(jù)具有大量噪聲，影響模型精度，故選取Savitzky-Golay（SG）算法對(duì)光譜曲線進(jìn)行平滑處理。SG平滑算法主要通過(guò)移動(dòng)窗口，對(duì)窗口內(nèi)的光譜數(shù)據(jù)點(diǎn)進(jìn)行K 階多項(xiàng)式擬合［10］，從而抑制噪聲干擾、平滑曲線，并保持光譜長(zhǎng)度和信號(hào)強(qiáng)度不變。

1.4 基于AE-BiRNN的含水率預(yù)測(cè)

目前循環(huán)神經(jīng)網(wǎng)絡(luò)RNN被廣泛應(yīng)用于音頻、文本、光譜等一維序列的分類與回歸［11-12］。實(shí)驗(yàn)采集的高光譜圖像尺寸為640 px×640 px，每個(gè)像素點(diǎn)包含512 個(gè)波段的光譜數(shù)據(jù)。當(dāng)樣本維度過(guò)高時(shí)，RNN容易出現(xiàn)梯度消失、預(yù)測(cè)準(zhǔn)確率下降等問(wèn)題。為此，本研究中將點(diǎn)積注意力機(jī)制［13］嵌入雙向循環(huán)神經(jīng)網(wǎng)絡(luò)組合成AE-BiRNN 用于片煙含水率預(yù)測(cè)。如圖2所示，AE-BiRNN 通過(guò)雙向門控制單元BiGRU［14］（Bidirectional Gate Recurrent Unit）關(guān)聯(lián)片煙含水率光譜序列前后波段的光譜信息，Attention 為基于點(diǎn)積結(jié)構(gòu)的注意力機(jī)制。

圖2 AE-BiRNN網(wǎng)絡(luò)架構(gòu)Fig.2 AE-BiRNN network architecture

（1）BiGRU由兩個(gè)方向（正向和反向）的循環(huán)神經(jīng)網(wǎng)絡(luò)組成，每個(gè)方向上的循環(huán)神經(jīng)網(wǎng)絡(luò)基本單元為門控循環(huán)單元（GRU）。門控循環(huán)單元由更新門（zt）和重置門（rt）組成，更新門用于控制隱藏狀態(tài)的信息更新，重置門決定前一個(gè)時(shí)間步的隱藏狀態(tài)信息保留。取值范圍均在0～1之間。更新門（zt）和重置門（rt）的計(jì)算方法見(jiàn)公式（3）。

式中：xt為當(dāng)前時(shí)刻的輸入；W、U和b分別為更新門或重置門的權(quán)重和偏置；ht-1為上一時(shí)刻隱藏狀態(tài)信息。

隱藏狀態(tài)信息ht的計(jì)算方法見(jiàn)公式（4）。

（2）注意力機(jī)制（Attention Mechanism）［13］是嵌入機(jī)器學(xué)習(xí)模型的一種特殊結(jié)構(gòu)，用于自動(dòng)學(xué)習(xí)和計(jì)算輸入數(shù)據(jù)對(duì)輸出數(shù)據(jù)的貢獻(xiàn)大小。點(diǎn)積注意力［15］常用于文本翻譯、音頻分類等一維序列任務(wù)，主要利用相似度分?jǐn)?shù)對(duì)特征光譜分配較大的權(quán)重信息，使得模型在計(jì)算加權(quán)求和時(shí)更多地關(guān)注權(quán)重大的片煙含水率波長(zhǎng)，從而起到特征波長(zhǎng)選擇、降低輸入數(shù)據(jù)維度的作用。設(shè)網(wǎng)絡(luò)輸入信息H＝［h1，h2，…，hN］。其中，N 為輸入信息數(shù)，hm為輸入信息量，ht為查找關(guān)鍵信息的查詢向量。通過(guò)softmax 歸一化點(diǎn)積相似度s，將其轉(zhuǎn)化為注意力權(quán)重，并將注意力權(quán)重與輸入信息量加權(quán)求和計(jì)算Attention作為輸出。點(diǎn)積注意力機(jī)制計(jì)算過(guò)程見(jiàn)公式（5）。

式中：s為點(diǎn)積相似度；αm為注意力權(quán)重；Attention為加權(quán)求和后的結(jié)果，輸入全連接層［16］進(jìn)行特征映射和非線性變換，最后輸出回歸預(yù)測(cè)的片煙含水率。

1.5 片煙含水率分布可視化方法

片煙高光譜圖像的每個(gè)像素點(diǎn)對(duì)應(yīng)一條反射率曲線，對(duì)每條曲線進(jìn)行預(yù)測(cè)，即可得到基于像素級(jí)的片煙含水率灰度圖。因單個(gè)像素點(diǎn)的光譜信息噪聲較大，為減少預(yù)測(cè)偏差，對(duì)片煙含水率灰度圖使用3×3改進(jìn)均值濾波進(jìn)行處理［17］。如圖3所示，在對(duì)背景和片煙區(qū)域像素進(jìn)行判別后，只對(duì)片煙區(qū)域灰度值進(jìn)行濾波處理；對(duì)經(jīng)過(guò)濾波處理的含水率灰度圖進(jìn)行偽彩色映射，選取OpenCV 中有較高對(duì)比度的COLORMAP_JET 偽彩色處理函數(shù)作為映射方案，以突出圖像細(xì)節(jié)。

圖3 3×3改進(jìn)均值濾波算法Fig.3 Diagram of 3×3 improved mean filtering algorithm

1.6 片煙含水率均勻性評(píng)價(jià)

采用片煙像素點(diǎn)預(yù)測(cè)含水率的極差、方差和預(yù)測(cè)區(qū)間覆蓋率，評(píng)價(jià)片煙含水率均勻性。利用極差反映片煙像素點(diǎn)含水率的變異范圍或離散幅度，極差計(jì)算方法見(jiàn)公式（6）。

式中：nmax為基于片煙像素點(diǎn)預(yù)測(cè)含水率的最大值，%；nmin為預(yù)測(cè)含水率的最小值，%；R為極差，%。

利用方差觀察每個(gè)像素點(diǎn)含水率與均值的差異，方差計(jì)算方法見(jiàn)公式（7）。

式中：S為片煙區(qū)域的所有像素點(diǎn)數(shù)；μ為均值，%；σ2為方差；ni為基于片煙像素點(diǎn)預(yù)測(cè)含水率值，%。

松散回潮后片煙平均含水率標(biāo)準(zhǔn)區(qū)間為17%～20%［18］，允差為±1.5%，則預(yù)測(cè)區(qū)間覆蓋率計(jì)算方法見(jiàn)公式（8）。

式中：nk為基于像素點(diǎn)預(yù)測(cè)含水率在該區(qū)間內(nèi)的個(gè)數(shù)；P為預(yù)測(cè)區(qū)間覆蓋率，%。

2 結(jié)果與分析

2.1 片煙高光譜數(shù)據(jù)預(yù)處理

2.1.1 片煙高光譜數(shù)據(jù)

在155張片煙高光譜圖像中，隨機(jī)選擇圖像在波長(zhǎng)1 038 nm 的光譜反射率生成灰度圖，利用大津法（OTSU）［19］分割片煙區(qū)域，劃分過(guò)程見(jiàn)圖4。OTSU通過(guò)最小化類內(nèi)方差確定分割閾值，將背景與片煙進(jìn)行劃分，得到分割閾值為63。使用分割后的灰度圖對(duì)原始片煙高光譜圖像的每個(gè)波段進(jìn)行點(diǎn)乘，由此得到片煙區(qū)域的光譜信息。提取片煙區(qū)域每個(gè)波段的平均反射率作為原始樣本光譜數(shù)據(jù)，可獲得155個(gè)樣本×512 個(gè)波段的數(shù)據(jù)矩陣，將其保存為.xlsx 格式。使用隨機(jī)劃分法進(jìn)行劃分，70%片煙樣本用于訓(xùn)練，30%片煙樣本用于驗(yàn)證。

圖4 OTSU閾值分割過(guò)程Fig.4 OTSU threshold segmentation procedure

2.1.2 片煙光譜數(shù)據(jù)平滑

因原始光譜存在較大噪聲，設(shè)置SG算法的平滑窗口大小為5，使用3 階多項(xiàng)式擬合。由圖5a 可見(jiàn)，SG 對(duì)光譜具有較好平滑效果，且光譜信息不失真。由圖5b 可見(jiàn)，在波長(zhǎng)1 450 nm 左右存在明顯波谷，當(dāng)片煙含水率相差較大時(shí)，波谷差異也較大。說(shuō)明使用烘箱烘烤后片煙光譜信息與含水率具有一定相關(guān)性，故能夠在片煙光譜與含水率之間建立關(guān)系模型。

圖5 片煙光譜數(shù)據(jù)預(yù)處理Fig.5 Preprocessing of spectral data of tobacco strips

2.2 點(diǎn)積注意力機(jī)制性能分析

與傳統(tǒng)的光譜數(shù)據(jù)先降維再回歸的處理方法不同，點(diǎn)積注意力機(jī)制能夠?qū)Σ煌ǘ畏峙錂?quán)重參數(shù)，起到特征波長(zhǎng)選擇、降低輸入數(shù)據(jù)維度的作用。為考察點(diǎn)積注意力機(jī)制模塊的引入效果，選用高光譜分析中常用的競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法CARS［20］、主成分分析PCA、非信息變量消除（Uninformative Variables Elimination，UVE）3 種方法進(jìn)行特征波長(zhǎng)選擇，對(duì)降維后的光譜數(shù)據(jù)使用BiRNN 和AE-BiRNN 分別建模并進(jìn)行全波長(zhǎng)模型精度對(duì)比，以驗(yàn)證集的決定系數(shù)R2v和均方根誤差RMSEV作為評(píng)價(jià)標(biāo)準(zhǔn)。其中，BiRNN 和AE-BiRNN 模型參數(shù)設(shè)置：Input Dimension 為1；Hidden size 為32；Num layers 為2；Learning Rate 為0.000 05；Batch size 為128；Epochs為5 000。

CARS是基于達(dá)爾文的“適者生存”原則，使用蒙特卡洛采樣法采樣，利用指數(shù)衰減函數(shù)確定N 次迭代過(guò)程中的波長(zhǎng)數(shù)，根據(jù)波長(zhǎng)權(quán)重選擇特征波長(zhǎng)進(jìn)行回歸［21］。其中，｜bi｜為第i個(gè)波長(zhǎng)的偏最小二乘回歸系數(shù)絕對(duì)值，m 為采樣的變量數(shù)。由圖6a 可見(jiàn)，第19 次采樣模型精度較高，選擇了72個(gè)特征波長(zhǎng)。由圖6b可見(jiàn)，前兩個(gè)主成分貢獻(xiàn)率達(dá)到99%以上，表明PCA 能夠最大限度地保留原始數(shù)據(jù)信息［22］。因此，使用前3 個(gè)主成分根據(jù)PCA loadings選擇了75個(gè)特征波長(zhǎng)。UVE能夠剔除對(duì)建模貢獻(xiàn)率較小的波長(zhǎng)變量，保留需要的特征波長(zhǎng)［23］，以回歸系數(shù)矩陣的平均值與標(biāo)準(zhǔn)差的比值作為變量指標(biāo)，圖6c為四折交叉驗(yàn)證得分的變化趨勢(shì)，選擇了64個(gè)特征波長(zhǎng)。

圖6 特征波長(zhǎng)選擇結(jié)果Fig.6 Characteristic wavelength selection results

2.2.1 降維效果對(duì)比

表2 為不同方法在高光譜片煙含水率驗(yàn)證集上的預(yù)測(cè)結(jié)果?？梢?jiàn)：①UVE 選擇特征波長(zhǎng)對(duì)比全波長(zhǎng)建立的BiRNN 模型，驗(yàn)證集決定系數(shù)R2v降低0.024 7，說(shuō)明未提取到有效的特征波長(zhǎng)，CARS+BiRNN 模型效果最好；②嵌入點(diǎn)積注意力機(jī)制模塊后，AE-BiRNN的預(yù)測(cè)準(zhǔn)確率高于BiRNN和CARS+BiRNN 模型，驗(yàn)證集R2v分別提升0.026 2 和0.013 7；③將CARS 特征波長(zhǎng)與AE-BiRNN 結(jié)合，對(duì)比AE-BiRNN 預(yù)測(cè)準(zhǔn)確率無(wú)明顯變化。圖7 為AE-BiRNN 模型驗(yàn)證集預(yù)測(cè)結(jié)果，根據(jù)擬合直線可以看出該算法能夠較為準(zhǔn)確地預(yù)測(cè)片煙含水率。綜上，AE-BiRNN 在無(wú)特征波長(zhǎng)選擇的條件下同樣能夠獲得較好的預(yù)測(cè)準(zhǔn)確率，表明嵌入的點(diǎn)積注意力機(jī)制模塊具有較好的特征波長(zhǎng)選擇作用。

圖7 AE-BiRNN驗(yàn)證集預(yù)測(cè)結(jié)果Fig.7 AE-BiRNN validation set results

表2 不同特征波長(zhǎng)選擇方法的片煙含水率預(yù)測(cè)準(zhǔn)確率Tab.2 Prediction accuracies based on different characteristic wavelength selection methods

2.2.2 收斂速度對(duì)比

圖8 為BiRNN、CARS+BiRNN、AE-BiRNN 在5 000 次Epoch 中的驗(yàn)證集R2v和損失值（Loss）變化曲線?？梢?jiàn)，AE-BiRNN 模型的R2v擬合曲線在3 000 次Epoch 左右趨于穩(wěn)定，收斂于0.940 4，且5 000 次Epoch 后Loss 仍有下降趨勢(shì)。表明嵌入點(diǎn)積注意力機(jī)制模塊能夠根據(jù)片煙含水率特征波長(zhǎng)快速分配權(quán)重信息，減少模型運(yùn)算量，提高收斂速度。

圖8 不同模型收斂速度對(duì)比Fig.8 Comparison of convergence speed among different models

2.3 AE-BiRNN模型的性能驗(yàn)證

為考察AE-BiRNN模型用于高光譜數(shù)據(jù)的回歸預(yù)測(cè)性能，基于全波長(zhǎng)數(shù)據(jù)集選用光譜分析中常用的傳統(tǒng)機(jī)器學(xué)習(xí)方法PLSR（Partial Least Squares Regression）、RF（Random Forest）以及經(jīng)典神經(jīng)網(wǎng)絡(luò)模型LeNet 和多層感知機(jī)MLP（Multilayer Perceptron）進(jìn)行預(yù)測(cè)精度對(duì)比［24-26］。各回歸模型的參數(shù)設(shè)置見(jiàn)表3。

表3 不同回歸模型的參數(shù)設(shè)置Tab.3 Parameter settings of different regression model

由表4 可見(jiàn)，神經(jīng)網(wǎng)絡(luò)模型LeNet、MLP、AE-BiRNN 的預(yù)測(cè)精度均高于機(jī)器學(xué)習(xí)PLSR 和RF。其中，AE-BiRNN 模型精度最高，對(duì)比LeNet 和MLP網(wǎng)絡(luò)模型，R2v分別提高0.012 3和0.024 5。說(shuō)明AE-BiRNN在光譜分析中能夠充分發(fā)揮序列建模能力的優(yōu)勢(shì)，關(guān)聯(lián)片煙含水率光譜序列前后的信息，精準(zhǔn)預(yù)測(cè)片煙含水率。

表4 不同回歸模型的預(yù)測(cè)精度Tab.4 Prediction accuracies of different regression models

2.4 片煙含水率分布可視化結(jié)果

利用AE-BiRNN模型對(duì)片煙高光譜圖像的像素點(diǎn)進(jìn)行含水率預(yù)測(cè)，對(duì)含水率灰度圖使用3×3 改進(jìn)均值濾波法處理，采用COLORMAP_JET 映射方案對(duì)處理后的含水率灰度圖進(jìn)行顏色映射。由圖9可見(jiàn)，a、b、c 片煙預(yù)測(cè)平均含水率分別為18.36%、19.06%、19.28%。利用Colorbar 顏色代表含水率高低，根據(jù)可視化結(jié)果可以看出葉莖含水率較高，葉片含水率較低，與客觀認(rèn)知相符合。

圖9 片煙含水率分布可視化結(jié)果Fig.9 Visual results of moisture content distribution of tobacco strips

2.5 片煙含水率均勻性評(píng)價(jià)結(jié)果

分別選取合肥卷煙廠生產(chǎn)線上6組片煙（每組隨機(jī)挑選100 片），使用AE-BiRNN 模型逐像素點(diǎn)進(jìn)行預(yù)測(cè)，計(jì)算每組片煙的平均含水率，利用極差（R）、方差（σ2）和預(yù)測(cè)區(qū)間覆蓋率（P）進(jìn)行片煙含水率均勻性評(píng)價(jià)。由表5可見(jiàn)，AE-BiRNN模型對(duì)每組樣品含水率預(yù)測(cè)的平均絕對(duì)誤差ε穩(wěn)定在1%以內(nèi)，表明模型具有較好準(zhǔn)確性和實(shí)用性；松散回潮后片煙含水率在18%左右，且含水率分布的極差和方差較小，預(yù)測(cè)區(qū)間覆蓋率較高，表明片煙含水率分布較為均勻。

表5 AE-BiRNN模型測(cè)試結(jié)果Tab.5 Test results of AE-BiRNN model

3 結(jié)論

為預(yù)測(cè)松散回潮后片煙含水率及評(píng)價(jià)片煙含水率分布狀況，利用高光譜圖譜合一和BiRNN序列建模能力的優(yōu)勢(shì)，提出一種嵌入點(diǎn)積注意力機(jī)制的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)AE-BiRNN。使用BiRNN網(wǎng)絡(luò)提取片煙含水率光譜特征深層關(guān)聯(lián)性信息，引入點(diǎn)積注意力機(jī)制對(duì)波長(zhǎng)分配不同權(quán)重，起到選擇特征波長(zhǎng)的作用。對(duì)比PLSR、RF和LeNet、MLP方法，結(jié)果表明：AE-BiRNN模型預(yù)測(cè)片煙含水率精度最高，減少了光譜分析的預(yù)處理工作量，提高了模型收斂速度；通過(guò)快速分析片煙含水率分布狀況，為松散回潮機(jī)工藝參數(shù)調(diào)整和改進(jìn)提供幫助。該模型還可在倉(cāng)儲(chǔ)片煙含水率監(jiān)測(cè)、烘烤片煙失水變化、煙草香料施加均勻性檢測(cè)等方面推廣應(yīng)用。