基于小波核極限學(xué)習(xí)機(jī)的煙葉烘烤過程的智能識(shí)別

邢玉清，樊彩霞，豆根生，宋朝鵬，吳莉莉*

基于小波核極限學(xué)習(xí)機(jī)的煙葉烘烤過程的智能識(shí)別

邢玉清1, 2，樊彩霞1，豆根生3，宋朝鵬4，吳莉莉1*

1 河南農(nóng)業(yè)大學(xué)理學(xué)院，河南省農(nóng)業(yè)物聯(lián)網(wǎng)安全與創(chuàng)新工程技術(shù)研究中心，河南 鄭州 450002；2 信息工程大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，河南 鄭州 450001；3 河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，河南 鄭州 450002；4 河南農(nóng)業(yè)大學(xué)煙草學(xué)院，河南 鄭州 450002

煙葉烘烤設(shè)備操作復(fù)雜、技術(shù)含量高、熟練掌握煙葉烘烤技術(shù)人員不足等問題，影響了煙葉的烘烤質(zhì)量。針對(duì)上述問題，本文提出了基于小波核極限學(xué)習(xí)機(jī)的煙葉烘烤過程的智能識(shí)別方法。實(shí)驗(yàn)中對(duì)三段式烘烤過程中的葉片變軟、主脈變軟、勾尖卷邊、小打筒、大打筒和干筋6個(gè)烘烤階段分別提取了顏色、紋理和溫濕度特征，組建了9維特征向量進(jìn)入小波核極限學(xué)習(xí)機(jī)，通過增量型算法自適應(yīng)地選擇神經(jīng)元個(gè)數(shù)，快速準(zhǔn)確地識(shí)別了6個(gè)階段，得到了98.33%的識(shí)別率。實(shí)驗(yàn)結(jié)果表明本文提出的基于小波核極限學(xué)習(xí)機(jī)的煙葉烘烤過程的智能識(shí)別方法具有一定的可行性，為研發(fā)煙葉烘烤智能調(diào)控系統(tǒng)奠定了理論基礎(chǔ)。

極限學(xué)習(xí)機(jī)；小波核函數(shù)；煙葉烘烤；特征提??；識(shí)別

煙葉烘烤是決定煙葉質(zhì)量的關(guān)鍵環(huán)節(jié)。如何高效高質(zhì)量地完成煙葉烘烤是烤煙工作中的重點(diǎn)問題。目前煙葉烘烤大多采用三段式烘烤技術(shù)，即變黃、定色和干筋三個(gè)階段[1-12]；烘烤時(shí)以烘烤曲線為參考，預(yù)設(shè)每個(gè)階段的烘烤時(shí)間和溫濕度。

煙葉烘烤過程中需要經(jīng)驗(yàn)豐富的技工實(shí)時(shí)觀察煙葉烘烤情況，根據(jù)煙葉狀態(tài)來調(diào)節(jié)烘烤工藝參數(shù)。這種烘烤方式受人的主觀影響，導(dǎo)致烘烤質(zhì)量不穩(wěn)定。同時(shí)較長(zhǎng)的烘烤周期也會(huì)消耗大量的人力資源。

針對(duì)目前煙葉烘烤過程中存在的上述問題，國(guó)內(nèi)外許多學(xué)者做了大量的研究工作。2015年唐嵐[3]實(shí)時(shí)采集了煙葉烘烤圖像，并提取圖像特征，采用人工神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)預(yù)測(cè)與自動(dòng)調(diào)控烤房溫濕度，取得了較好的烘烤效果。2015年劉軍令[4]提出了一種基于電子鼻的煙葉烘烤控制預(yù)測(cè)算法，通過對(duì)煙葉烘烤過程中氣敏傳感器陣列采集的煙葉氣味數(shù)據(jù)進(jìn)行分析，得到烘烤過程中煙葉氣味的變化規(guī)律，依據(jù)煙葉氣味變化特征，建立了基于BP 網(wǎng)絡(luò)的煙葉烘烤預(yù)測(cè)模型，取得了一定的預(yù)測(cè)效果。2017年Wang等[13]通過獲取烘烤過程中煙葉的光學(xué)圖像，提取煙葉的顏色特征和紋理特征，利用BP網(wǎng)絡(luò)對(duì)烤房的溫濕度進(jìn)行預(yù)測(cè)和控制，開發(fā)了一種新型的智能實(shí)時(shí)烤房控制系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，基于顏色和紋理特征的方法比僅采用顏色特征的方法，能顯著提高檢測(cè)精度。2020年Miguel Condorí 等[14]研制了一種基于數(shù)字圖像處理技術(shù)的煙葉烘烤過程控制系統(tǒng)，通過采用HSV彩色模型、葉片樣品的重量損失和每個(gè)階段的預(yù)期參數(shù)來控制烘烤條件，實(shí) 驗(yàn)結(jié)果表明該系統(tǒng)可以很好地區(qū)分變黃、定色和干筋階段。

上述研究從氣味、外觀、重量等不同方面對(duì)烘烤過程中煙葉的變化狀態(tài)進(jìn)行了探討，取了一定的成果。

為解決煙葉烘烤過程中人力消耗大、烘烤質(zhì)量不穩(wěn)定的問題，本文將機(jī)器學(xué)習(xí)應(yīng)用到煙葉的烘烤過程中，提出基于小波核極限學(xué)習(xí)機(jī)的煙葉烘烤過程的智能識(shí)別方法，通過電子設(shè)備實(shí)時(shí)獲取煙葉烘烤信息，并由機(jī)器自動(dòng)識(shí)別當(dāng)前煙葉烘烤階段，從而實(shí)現(xiàn)煙葉烘烤過程的智能調(diào)控，穩(wěn)定煙葉烘烤品質(zhì)，減少人力投入，提高生產(chǎn)效率。

1 小波核極限學(xué)習(xí)機(jī)

1.1 極限學(xué)習(xí)機(jī)的基本模型

極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)[7]，該算法隨機(jī)設(shè)置輸入層與隱含層間的連接權(quán)值以及隱含層神經(jīng)元閾值，無需進(jìn)行更新，只需設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，一次性求解出輸出權(quán)值的最小二乘解即可完成網(wǎng)絡(luò)的訓(xùn)練，不僅學(xué)習(xí)速度快，而且具有良好的泛化性能[15-17]。

根據(jù)Huang等[18]的理論研究可知，當(dāng)()無限可微時(shí)，w和b不需要訓(xùn)練調(diào)整，可在學(xué)習(xí)前隨機(jī)選取，網(wǎng)絡(luò)的訓(xùn)練誤差可以接近任意小的正數(shù)ε。此時(shí)學(xué)習(xí)過程等價(jià)為求式（2）的最小二乘解[19-21]。

其解為

1.2 小波核ELM

由于ELM無法解決線性加權(quán)與非線性樣本不匹配的問題，以及輸入權(quán)值的隨機(jī)選取可能導(dǎo)致某些隱含層節(jié)點(diǎn)權(quán)值近似為零，進(jìn)而影響分類準(zhǔn)確度。因此Huang等[22]在ELM中引入了核的概念，與ELM相比，核極限學(xué)習(xí)機(jī)能夠使用核函數(shù)保持一定的映射，而不考慮確定的映射相關(guān)性，不僅可以減少訓(xùn)練和輸出權(quán)重的誤差，同時(shí)還能提高網(wǎng)絡(luò)的整體效率。

引入懲戒因子C（C為可調(diào)參數(shù)），可得權(quán)值矩陣的最小二乘解為：

此時(shí)ELM分類器的輸出為：

在ELM中把每一個(gè)樣本的隱層輸出看成是樣本的特征映射，這個(gè)特征映射可以用核函數(shù)去替代，如式（6）所示：

此時(shí)ELM分類器的輸出由式（5）變?yōu)槭剑?），

式中就是核函數(shù)，當(dāng)核函數(shù)采用小波函數(shù)時(shí)[23]，ELM就是小波核極限學(xué)習(xí)機(jī)（wavelet kernel extreme learning machine，WKELM）。

本文采用Mexican Hat（mexh）小波核函數(shù)對(duì)煙葉烘烤過程進(jìn)行智能識(shí)別，小波核函數(shù)表達(dá)式如式（8）所示。

2 煙葉烘烤過程的數(shù)據(jù)獲取和預(yù)處理

2.1 數(shù)據(jù)獲取

本實(shí)驗(yàn)中的烤煙品種為云煙98，于2019年9月21日10:00至28日10:00在河南省三門峽市某密集烤房進(jìn)行煙葉烘烤。烘烤過程中，自帶LED的攝像頭和溫濕度傳感器都置于烤房人走通道固定架上，距離煙葉50 cm處，通過WIFI方式將數(shù)據(jù)傳至服務(wù)器。其中攝像頭采用的是水星MIPC451-4，獲取烘烤全程煙葉視頻，溫濕度傳感器選用RS-WS-WIFI-6系列產(chǎn)品，獲取烘烤全程烤房?jī)?nèi)的溫濕度。

2.2 數(shù)據(jù)預(yù)處理

將攝像頭獲取的視頻轉(zhuǎn)換為JPG圖像，每隔2 s采樣一次，轉(zhuǎn)換好的圖像統(tǒng)一設(shè)置為1280×720像素。為保證識(shí)別效果，對(duì)圖像進(jìn)行平滑預(yù)處理。由于中值濾波在去噪的同時(shí)還能較好地保護(hù)細(xì)節(jié)，因此文中采用中值濾波法對(duì)煙葉圖像進(jìn)行平滑去噪。為提高分析效率和準(zhǔn)確度，對(duì)去噪后的煙葉圖像利用區(qū)域生成的方法選取感興趣區(qū)域，只對(duì)選定區(qū)域進(jìn)行特征提取。圖1為6個(gè)階段的原始圖像，圖2為經(jīng)過預(yù)處理之后的6個(gè)階段的樣本圖像。

圖2 經(jīng)過預(yù)處理后的不同階段煙葉烘烤圖像

3 煙葉烘烤過程特征值的提取

三段式烘烤中變黃階段可分為2步，一是葉片變軟，二是主脈變軟，該階段不僅要使煙葉實(shí)現(xiàn)變黃，還要使煙葉適量脫水實(shí)現(xiàn)變軟；定色階段可分為勾尖卷邊、小打筒和大打筒3步，主要目的是使葉片干燥，從而將黃色固定下來；干筋階段煙葉主脈全干。

實(shí)驗(yàn)中將識(shí)別葉片變軟、主脈變軟、勾尖卷邊、小打筒、大打筒和干筋6個(gè)烘烤階段，以圖像和溫濕度為主要參考特征，組建特征向量。

3.1 顏色特征提取

煙葉在烘烤過程中，顏色的變化比較明顯，從綠色逐漸變到黃褐色。實(shí)驗(yàn)中擬分別從RGB與HIS 2種顏色空間進(jìn)行顏色特征的提取，從不同角度來表征煙葉烘烤過程中色彩狀態(tài)的變化。

RGB模型是目前運(yùn)用最廣的顏色模型之一，通過對(duì)紅（Red）、綠（Green）、藍(lán)（Blue）3種顏色的疊加得到視覺所能感知的顏色。由于紅色與綠色融合會(huì)呈現(xiàn)黃色，所以煙葉的顏色變化主要與紅色和綠色分量有關(guān)，在特征提取時(shí)主要選取R和G分量。

HIS模型與人眼對(duì)事物的觀察模式一致，用色調(diào)（Hue）、飽和度（Saturation）和亮度（Intensity）來描述顏色，反映了人的視覺系統(tǒng)感知彩色的方式。

選用2種不同色彩模型可以從不同角度表征煙葉烘烤過程中色彩狀態(tài)的改變，使得提取的顏色特征更多元化。

在HIS模型中，只有H分量變化較為規(guī)律且明顯，因此在特征提取時(shí)選取H分量。

HSI模型與RGB模型的關(guān)系如式（9）～（11）所示。

其中

實(shí)驗(yàn)中對(duì)煙葉烘烤過程中6個(gè)不同階段的圖像進(jìn)行顏色特征提取時(shí)，考慮到實(shí)時(shí)性，每個(gè)階段隨機(jī)選用60幅圖像作為訓(xùn)練樣本，20幅圖像作為測(cè)試樣本，共計(jì)360個(gè)訓(xùn)練樣本，120個(gè)測(cè)試樣本。對(duì)這些樣本分別計(jì)算R、G、H分量的均值作為顏色特征，為了便于觀察，圖3分別給出了6個(gè)烘烤階段的各特征值分布。從顏色特征值分布來看，葉片變軟、主脈變軟和勾尖卷邊3個(gè)階段的特征值幾乎無交叉，較易區(qū)分，這是因?yàn)楹婵具^程中煙葉從綠色逐漸變到黃色，顏色變化明顯；而后面幾個(gè)階段煙葉脫水嚴(yán)重，顏色幾乎沒有大的變化，因此顏色特征值混疊在一起，不易區(qū)分。為了能有效地識(shí)別各個(gè)烘烤階段，還需融合其他特征。

（a）R分量特征值分布 （b）G分量特征值分布

（c）H分量特征值分布

圖3 顏色特征值分布

Fig.3 Color eigenvalue distribution

3.2 紋理特征提取

煙葉烘烤達(dá)到定色期以后顏色變化緩慢，但煙葉失水量較大，葉片皺縮明顯，由平整逐漸卷曲，紋理特征發(fā)生了較明顯的變化。紋理是圖像中局部不規(guī)則而宏觀上有規(guī)律的特性，是物體表面的一種自然屬性，也是常用的圖像特征之一。

實(shí)驗(yàn)中利用灰度共生矩陣來提取紋理特征，分別從0°、45°、90°、135°4個(gè)方向計(jì)算圖像的能量、對(duì)比度、相關(guān)性和同質(zhì)性來表示紋理特征，計(jì)算公式如式（12）～（15）所示。

能量表征了圖像灰度分布的均勻性。

對(duì)比度反映了圖像紋路的深淺和清晰度。

相關(guān)性體現(xiàn)了水平和垂直方向上相鄰像素間的相似性。

同質(zhì)性反映了圖像紋理局部變化的均勻性。

圖4分別給出了6個(gè)烘烤階段的紋理征值分布。勾尖卷邊和干筋階段的對(duì)比度幾乎和其他階段無交叉，較易區(qū)分；葉片變軟和小打筒階段的相關(guān)性起伏不大，趨于一致，也比較好辨認(rèn)。葉片變軟和主脈變軟處于烘烤前期，失水量較少，紋理特征不易區(qū)分。

（a）能量 （b）對(duì)比度

（c）相關(guān)性 （d）同質(zhì)性

圖4 紋理特征值分布

Fig.4 Texture feature value distribution

3.3 溫濕度特征提取

參照樣本圖像獲取的時(shí)間節(jié)點(diǎn)，讀取相應(yīng)時(shí)間的溫濕度傳感器的溫度和濕度值，分別按式（16）進(jìn)行歸一化處理，使其位于[0，1]。

4 煙葉烘烤過程的智能識(shí)別

核極限學(xué)習(xí)機(jī)訓(xùn)練速度快，準(zhǔn)確度較高，但核函數(shù)的種類和參數(shù)會(huì)影響KELM的學(xué)習(xí)能力和泛化能力。實(shí)驗(yàn)中，利用WKELM對(duì)煙葉烘烤過程智能識(shí)別時(shí)，顏色特征、紋理特征和溫濕度一同作為輸入向量，建立9維輸入和6維（待識(shí)別的烘烤階段）輸出。

實(shí)驗(yàn)中在Matlab環(huán)境下編寫了WKELM的訓(xùn)練和預(yù)測(cè)函數(shù)。WKELM的訓(xùn)練過程主要有以下3個(gè)步驟：

（1）確定隱含層神經(jīng)元個(gè)數(shù)，隨機(jī)設(shè)定輸入層與隱含層的連接權(quán)值矩陣以及隱含層神經(jīng)元的閾值矩陣；

（2）選擇Mexican Hat小波核函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，計(jì)算隱含層輸出矩陣；

在建立WKELM模型時(shí)，隱含層神經(jīng)元個(gè)數(shù)需要提前設(shè)置，為了得到最佳的識(shí)別性能，擬采用增量型算法[23-29]自適應(yīng)選擇神經(jīng)元個(gè)數(shù)。在迭代過程中逐漸增加隱含層神經(jīng)元個(gè)數(shù)，更新隱含層神經(jīng)元的輸出權(quán)值和期望余差，直到余差等于或接近期望值。

圖5給出了當(dāng)隱含層神經(jīng)元個(gè)數(shù)從20個(gè)至200個(gè)時(shí)對(duì)應(yīng)的識(shí)別率關(guān)系曲線，可以看到當(dāng)神經(jīng)元個(gè)數(shù)為52時(shí)，識(shí)別率達(dá)到最大，為98.33%。

圖5 隱含層神經(jīng)元個(gè)數(shù)與識(shí)別率的關(guān)系曲線

為了說明WKELM對(duì)煙葉烘烤過程識(shí)別的有效性，實(shí)驗(yàn)中采用不同分類器進(jìn)行識(shí)別性能對(duì)比。將相同的訓(xùn)練樣本和測(cè)試樣本分別進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）、決策樹、概率神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、多項(xiàng)式核極限學(xué)習(xí)機(jī)和小波核極限學(xué)習(xí)機(jī)分類器中，識(shí)別結(jié)果如表1所示。從表中的分類性能來看，采用概率神經(jīng)網(wǎng)絡(luò)的分類識(shí)別率最低，CNN和WKELM的識(shí)別率最高，可達(dá)98.33%，小波核函數(shù)繼承了小波函數(shù)的多尺度逼近的特點(diǎn)，因此在分類問題上也有更好的效果。使用深度學(xué)習(xí)中的CNN分類器的耗時(shí)最長(zhǎng)，ELM的耗時(shí)最短，而WKELM的耗時(shí)比ELM多了1.41 s，識(shí)別率卻提高了1.66%。

表1 不同分類器識(shí)別結(jié)果對(duì)比

Tab.1 Comparison of recognition results of different classifiers

為了增強(qiáng)WKELM模型的魯棒性，在所有實(shí)驗(yàn)樣本中隨機(jī)生成了10組訓(xùn)練樣本和測(cè)試樣本進(jìn)行分類實(shí)驗(yàn)，識(shí)別率如圖6所示。可以看出，模型的最低識(shí)別率為92.5%，最高為98.33%，平均識(shí)別率可達(dá)95.75%，因此采用WKELM對(duì)煙葉烘烤過程的識(shí)別方法是可行的。

圖6 10組隨機(jī)測(cè)試樣本的識(shí)別率

5 結(jié)束語

為實(shí)現(xiàn)煙葉烘烤過程的智能識(shí)別，本文以云煙98烘烤過程為例，對(duì)葉片變軟、主脈變軟、勾尖卷邊、小打筒、大打筒和干筋6個(gè)烘烤階段的特征提取和分類識(shí)別進(jìn)行了研究，提出了融合顏色、紋理和溫濕度的特征提取方法，利用小波核極限學(xué)習(xí)機(jī)作為分類器得到了98.33%的識(shí)別率。與卷積神經(jīng)網(wǎng)絡(luò)、決策樹、概率神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)等分類器的對(duì)比實(shí)驗(yàn)結(jié)果說明了采用小波核極限學(xué)習(xí)機(jī)進(jìn)行煙葉烘烤過程智能識(shí)別的理論一定可行性。本文的研究將為研發(fā)煙葉烘烤智能調(diào)控系統(tǒng)奠定理論基礎(chǔ)，促進(jìn)機(jī)器學(xué)習(xí)在烤煙領(lǐng)域的應(yīng)用。

[1] JIE Chen, YAN Li, XIAN He, et al. Influences of different curing methods on chemical compositions in different types of tobaccos[J]. Industrial Crops & Products, 2021, 167: 1-11.

[2] CAO Gengshuo, BAO Yafeng, WU Chao, et al. Analysis on efficiency optimization of tobacco leaf flue-curing process[J]. Procedia Engineering, 2017, 205: 540–547.

[3] 唐嵐. 密集化煙葉烘烤中圖像特征提取及應(yīng)用研究[D].重慶：重慶大學(xué)，2015.

TANG Lan.Research on image feature’s extraction and application in bulk tobacco curing[D]. Chongqing: Chongqing University, 2015.

[4] 劉軍令. 煙草智能烤房系統(tǒng)中電子鼻關(guān)鍵技術(shù)研究[D]. 重慶：重慶大學(xué)，2015.

LIU Junling. Study on the key technology of electronic nose in intelligent tobacco barn systems[D]. Chongqing: Chongqing University,2015.

[5] 李增盛，孟令峰，王松峰，等. 基于圖像處理的煙葉烘烤階段判別模型優(yōu)選[J]. 中國(guó)煙草學(xué)報(bào),2022,28(02):65-76.

LI Zengsheng, MENG Lingfeng, WANG Songfeng, et al. Selection of optimum discriminant model in tobacco curing stage based on image processing[J]. Acta Tabacaria Sinica, 2022,28(02):65-76.

[6] 林志，譚軍，曾惠宇，等. 不同溫濕度自控儀對(duì)煙葉烘烤的影響[J]. 現(xiàn)代農(nóng)業(yè)科技，2021(24):185-187.

LIN Zhi, TAN Jun, ZENG Huiyu, et al. Effect of different temperature and humidity automatic control instruments on tobacco baking[J]. Modern Agricultural Science and Technology, 2021(24):185-187.

[7] 仙立國(guó)，王松峰，孫帥帥，等. 熱泵密集烤房對(duì)煙葉烘烤主要生理變化和質(zhì)量的影響[J]. 中國(guó)煙草科學(xué)，2021,42(06):53-59.

XIAN Liguo, WANG Songfeng, SUN Shuaishuai, et al. The effect of air-source heat pump bulk curing barn on the main physiological changes and quality of flue-cured tobacco[J]. Chinese Tobacco Science, 2021,42(06):53-59.

[8] 劉兆宇，陳頤，羅會(huì)龍，等. 煙葉烘烤定色期密集烤房熱濕環(huán)境數(shù)值分析[J]. 西南農(nóng)業(yè)學(xué)報(bào)，2021,34(11):2518-2524.

LIU Zhaoyu, CHEN Yi, LUO Huilong, et al. Numerical analysis of hot and wet environment in bulk curing barn during color fixing period[J]. Southwest China Journal of Agricultural Sciences,2021,34(11):2518-2524..

[9] 楊波，張喜峰. 不同烘烤工藝對(duì)中部煙葉烘烤質(zhì)量的影響[J]. 陜西農(nóng)業(yè)科學(xué)，2021,67(11):86-90.

YANG Bo, ZHANG Xifeng. Effect of different flue-curing processes on tobacco quality of middle leaves[J]. Shaanxi Journal of Agricultural Sciences,2021,67(11):86-90.

[10] 李永輝，徐銳.不同烘烤工藝對(duì)云煙87上部煙葉烘烤質(zhì)量的影響[J]. 綠色科技，2021,23(21):107-109.

LI Yonghui, XU Rui. Effects of different baking processes on the baking quality of upper leaves of Yunyan 87[J]. Journal of Green Science and Technology, 2021,23(21):107-109.

[11] 朱昌銀. 分類編煙對(duì)煙葉烘烤質(zhì)量的影響[J]. 農(nóng)技服務(wù), 2021, 38(09):28-30.

ZHU Changyin. Effect of classified cooking on tobacco baking quality[J]. Agricultural Technology Service, 2021, 38(09):28-30.

[12] 過偉民，趙虎，鄭勁民，等. 基于物聯(lián)網(wǎng)數(shù)據(jù)采集技術(shù)的河南煙葉烘烤工藝大數(shù)據(jù)分析[J]. 煙草科技，2021,54(09):11-18+39.

GUO Weimin, ZHAO Hu, ZHENG Jinmin, et al. Big data analysis on flue-curing process of tobacco leaves in Henan based on data acquisition via internet of things(IoTs)[J]. Tobacco Science & Technology, 2021,54(09):11-18+39.

[13] WANG Lutao, CHENG Bei, LI Zhengzhou, et al. Intelligent tobacco flue-curing method based on leaf texture feature analysis[J]. Optik, 2017,150: 117–130.

[14] Miguel Condorí, Federico Albesa, Fabiana Altobelli, et al. Image processing for monitoring of the cured tobacco process in a bulk-curing stove[J]. Computers and Electronics in Agriculture, 2020, 168:1-9.

[15] LU Sijia, GAO Wei, HONG Cui, et al. A newly-designed fault diagnostic method for transformers via improved empirical wavelet transform and kernel extreme learning machine[J]. Advanced Engineering Informatics, 2021, 49: 1-12.

[16] GONG Daozhi, HAO Weiping, GAO Lili, et al. Extreme learning machine for reference crop evapotranspiration estimation: Model optimization and spatiotemporal assessment across different climates in China[J]. Computers and Electronics in Agriculture, 2021, 187: 1-13.

[17] Pegah Golestaneh, Maryam Zekri, Farid Sheikholeslam. Fuzzy wavelet extreme learning machine[J]. Fuzzy Sets and Systems, 2018, 342: 90-108.

[18] HUANG GB, ZHU QY, SIEW CK. Extreme learning machine: a new learning scheme of feedforward neural networks[C]. Proceedings of the 2004 IEEE International Joint Conference on Neural Networks. Budapest, Hungary, 2004: 985-990.

[19] Pengpeng Pi, Dimas Lima. Gray level co-occurrence matrix and extreme learning machine for Covid-19 diagnosis[J]. International Journal of Cognitive Computing in Engineering, 2021, 2:93-103.

[20] Maryam Malekzadeh, Saeid Kardar, Saeid Shabanlou. Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models[J]. Groundwater for Sustainable Development, 2019, 9: 1-18.

[21] Diker A, Avci D, Avci E, et al. A new technique for ECG signal classification genetic algorithm wavelet kernel extreme learning machine[J]. International Journal for Light and Electron Optics, 2019, 180: 46–55.

[22] HUANG GB, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics, 2012, 42(2): 513-529.

[23] 王杰，李自豪. 脈象分類識(shí)別的小波核極限學(xué)習(xí)機(jī)方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2019, 40 (5): 1472-1476.

WANG Jie, LI Zihao. Pulse classification using wavelet kernel extreme learning machine[J]. Computer Engineering and Design, 2019, 40 (5): 1472-14760.

[24] HUANG GB, CHEN L. Enhanced random search based incremental extreme learning machine[J]. Neurocomputing, 2008, 71: 3460- 3468.

[25] 王超，王建輝，顧樹生，等. 改進(jìn)式混合增量極限學(xué)習(xí)機(jī)算法[J]. 控制與決策，2015, 11: 1981-1986.

WANG Chao, WANG Jianhui, GU Shusheng, et al. Improved hybrid incremental extreme learning machine algorithm[J]. Control and Decision 2015, 11: 1981-1986.

[26] 詹浩東，林勇，孫偉業(yè).基于極限學(xué)習(xí)機(jī)的高壓輸電線路障礙物識(shí)別方法[J]. 電子設(shè)計(jì)工程，2022,30(03):84-88+93.

ZHAN Haodong,LIN Yong,SUN Weiye. High voltage transmission line obstacle recognition method based on extreme learning machine[J]. Electronic Design Engineering, 2022,30(03): 84-88+93..

[27] 張海翔，李培培，胡學(xué)鋼.基于核極限學(xué)習(xí)機(jī)的多標(biāo)簽數(shù)據(jù)流集成分類方法[J]. 數(shù)據(jù)采集與處理，2022,37(01):183-193.

ZHANG Haixiang，LI Peipei，HU Xuegang. Multi?label Data Stream Ensemble Classification Approach Based on Kernel Extreme Learning Machine[J]. Journal of Data Acquisition and Processing, 2022,37(01):183-193.

[28] 蔡祥云，王小鵬. 利用極限學(xué)習(xí)機(jī)的人臉活體檢測(cè)方法[J]. 傳感器與微系統(tǒng)，2021,40(12):122-124+132.

CAI Xiangyun, WANG Xiaopeng. Face liveness detection method using ELM[J]. Transducer and Microsystem Technologies, 2021, 40(12):122-124+132.

[29] 韓寶珠. 基于在線極限學(xué)習(xí)機(jī)的電機(jī)滾動(dòng)軸承故障識(shí)別方法研究[J]. 電子技術(shù)，2021,50(12):36-39.

HAN Baozhu. Study on fault identification of rolling element bearings based on os-elm[J]. Electronic Technology, 2021, 50(12): 36-39.

Intelligent recognition of tobacco curing process based on wavelet kernel extreme learning machine

XING Yuqing1,2, FAN Caixia1, DOU Gensheng3, SONGZhaopeng4, WULili1*

1 College of Sciences, Henan Agricultural University, Henan Agricultural Internet of Things Security and Innovation Engineering Technology Research Center, Zhengzhou, 450002, China;2 School of Cybersecurity, Information Engineering University, Zhengzhou ,450001, China;3 College of Agronomy, Henan Agricultural University, Zhengzhou, 450002, China;4 College of Tobacco, Henan Agricultural University, Zhengzhou, 450002, China

In order to solve the problems of large manpower consumption and unstable baking quality in the tobacco curing process, an intelligent recognition method of tobacco curing process based on wavelet kernel limit learning machine is proposed in this paper. In the experiment, the six baking stages including leaf softening, main vein softening, leaf curling, leaf small rolling, leaf large rolling and stem drying during the three-stage baking process were identified. The color, texture, temperature and humidity features were extracted from the six baking stages and a 9-dimensional feature vector was established to enter the wavelet kernel extreme learning machine. The number of neurons was adaptively selected through an incremental algorithm to identify the six stages quickly and accurately. The recognition rate was 98.33%. The experimental results show that the intelligent recognition method of tobacco curing process based on wavelet kernel extreme learning machine is feasible, which lays a theoretical foundation for the development of tobacco curing intelligent control system.

extreme learning machine; wavelet kernel function; tobacco curing; feature extraction; recognition

. Email：wulili@henau.edu.cn

中國(guó)煙草總公司科技重點(diǎn)研發(fā)項(xiàng)目（110202102007）；中國(guó)煙草總公司福建省公司資助項(xiàng)目（2021350000240019）；重慶中煙工業(yè)有限責(zé)任公司資助項(xiàng)目（YL202202）；河南農(nóng)業(yè)大學(xué)自然科學(xué)類青年創(chuàng)新基金項(xiàng)目（KJCX2017A19）

邢玉清（1981—），博士，副教授，碩士生導(dǎo)師，主要從事機(jī)器學(xué)習(xí)、網(wǎng)絡(luò)安全與數(shù)學(xué)模型等方面的研究，Email：xyq@henau.edu.cn

吳莉莉（1977—），博士，教授，碩士生導(dǎo)師，主要從事傳感器技術(shù)、生物信號(hào)處理和模式識(shí)別等方面的研究，Email：wulili@henau.edu.cn

2022-01-21；

2023-08-30

邢玉清，樊彩霞，豆根生，等. 基于小波核極限學(xué)習(xí)機(jī)的煙葉烘烤過程的智能識(shí)別[J]. 中國(guó)煙草學(xué)報(bào)，2024,30（1）. XING Yuqing, FAN Caixia, DOU Gensheng，et al . Intelligent recognition of tobacco curing process based on wavelet kernel extreme learning machine[J]. Acta Tabacaria Sinica, 2024,30(1). doi:10.16472/j.chinatobacco.2022.T0019