基于遷移學習的MobileViT-CBAM鮮煙葉成熟度識別模型研究

中圖分類號：S572；S126 文獻標識碼：A文章編號：1007-5119（2025）02-0093-08

1.，青島266101；2.中國農業(yè)科學院研究生院，北京100081；3.江西省煙草公司撫州市公司，江西撫州344000；4.江西省煙草公司吉安市公司，）

MobileViT-CBAM Model for Fresh Tobacco Leaf Maturity Recognition Based on Transfer Learning

ZHAO Panzhen12， WANG Songfeng1*， QI Fei3， HU Qiang3， WANG Aihual， LI Yachun4， MENG Lingfeng1， YIN Dong?， DUAN Shijiang4*， WANG Zhisheng4

(1.InstituteofTobacoResearchofChinese AcademyofAgriculturalSciences/KeyLaboratoryofTobaccoBiologyandProcesing

MinistryofAgricultureandRuralAfairs，Qingdao266101，China;2.GraduateSchoolofChineseAcademyofAgriculturalSciences

Beijing10oo81，Chia;3.FuzhoBranchofJngxiProvincialobaccoompanyuzhou34o，Jangxi，China; 4.Jaach ofJiangxiProvincial Tobacco Company，Ji'an343oo9， Jiangxi， China)

Abstract:Toestablishoreeconomicalandeientodestructiveintelligentrecogitionthnologyfortobaccleafmaturitya lightweight network modelMobileVi-CBAMonmobile devices was constructed.Firstly，adatasetwasbuiltbycolecting imagesof the middle andupper leaves of‘Yunyan87withdiferent maturity.The CBAMatentionmechanismmodule wasintroduced into the MobileViTstructuretancethefatureexpresioabilityoffreshtobaccoleafmaturitymages.econdlyteginalactiation function Swish wasreplaced with thesmoother SMUfunction tohelpthemodelconverge faster.Finaly，transferlearning was employedtoimprovethetrainingeficiencyandgeneralizationabilityof temodelandachievetheclasificatiooffreshtobacoleaf maturity in complex field environment.Results showed that MobileViT-CBAM exhibited an accuracy of 9 2 . 8 1 % inmaturity clasificationoffreshtbacoeaves，wichissignificantlysperiortotemodelsofG16，ResNet4，VisionTrasforin Transformer，MobileNetV2，andMobileViT.TheproposedMobileVi-CBAMmodelcaneectivelyidentifythematurityegreeof tobacco leaves，providing technical support for the visual system of inteligent tobacco harvesting equipment.

(eywords: maturity of tobacco fresh leaf; lightweight; classfication model; attention mechanism

適宜的鮮煙葉成熟度是保證煙葉烘烤質量的必要條件，直接影響烤后煙葉的外觀、評吸及香氣品質[1-2]。田間煙葉的成熟度一般分為欠熟、尚熟、適熟、過熟，目前其判定方法以眼看、手摸等感官感受定性識別為主，依據特征包括葉面顏色變化、茸毛脫落程度、葉面發(fā)皺程度和成熟斑等[3-4]。此類方法主觀性較強，判別標準不統一，易受操作人員經驗影響。因此，當前研究重點是在煙葉實際生產中提出一種科學、便捷的成熟程度判斷方法，以實現大田鮮煙葉成熟度的客觀、準確、快速識別[5]。

現階段鮮煙葉成熟度識別方法主要分為3類：一是基于化學成分的檢測[6-7]；二是基于光譜的檢測[8-10]；三是基于機器視覺的檢測。基于化學成分和高光譜的檢測雖然均可以取得較高的準確率和較好的分類結果，但化學成分檢測需要破壞植物組織結構，實時性較差；高光譜檢測需要專業(yè)的高光譜成像設備，操作難度較高；而使用基于機器視覺的鮮煙葉成熟度模型識別方法操作簡便，可以實現快速無損檢測，適合應用于煙葉成熟度識別任務[11]。史龍飛等[12]、王杰等[13]和謝濱瑤等[14]分別利用反向傳播神經網絡、極限學習機和支持向量機構建鮮煙葉成熟度識別模型，準確率分別達到 9 3 . 6 7 % /9 6 . 4 3 % 和 9 7 . 5 3 % ，證明傳統機器學習模型在鮮煙葉成熟度識別中的可行性；汪睿琪等[15]和杜鵬程等[16]利用YOLOv5和YOLOv5s對鮮煙葉成熟度進行識別，不同部位不同成熟度煙葉識別準確率分別達到 93 % 和 9 7 % 以上，實現模型端到端的實際應用；李云捷等[17]利用XGBoost算法實現對鮮煙葉成熟度識別，準確率達到 9 5 . 8 5 % ，實現通過集成學習擬合煙葉不同成熟度特征之間的復雜關系。

雖然上述研究在針對特定場景時表現出優(yōu)異的分類性能，但由于訓練樣本數量有限，這些方法普遍存在泛化能力較弱以及參數量過大的問題，影響了其實用性和部署難度。MobileViT網絡將卷積神經網絡和VisionTransformer結合，可以融合局部和全局特征提取能力，減少計算復雜度和模型體積，在保證精度的同時也具有較好的實時性，更適合移動端設備部署[18]。因此，在鮮煙葉成熟度識別任務中，本文提出構建基于遷移學習的MobileViT-CBAM輕量級分類網絡模型，利用預訓練模型的知識并融合了輕量級的MobileViT網絡和注意力機制CBAM(ConvolutionalBlock Attention Module），提高模型在小樣本數據上的學習效率和識別準確率，并與VGG16、ResNet34、VisionTransformer、Swin

Transformer、MobileNetV2、MobileViT等深度學習網絡模型進行對比，以期實現精準快速判別鮮煙葉成熟度，為提高煙葉生產管理的智能化水平提供新的技術支撐。

材料與方法

1.1 試驗材料

試驗于2023年7月在江西省吉安市安福縣寮塘煙葉工作站內進行。選取肥力適中煙田中長勢一致的云煙87煙葉作為供試材料，單株留葉 1 8 ～ 20片，以中部葉和上部葉為研究對象。

1.2 圖像采集構建

研究人員使用華為P30、iphonel1、OPPORenoZ等手機分別在大田和暗箱環(huán)境下，對不同部位(中部葉C、上部葉B)不同成熟度(欠熟M1、尚熟M2、適熟M3、過熟M4)煙葉進行圖像采集，保證每個處理不少于200張圖像，共計1600張原始圖像。依據鮮煙葉成熟度分級標準以及已有相關研究經驗[3.5]，本研究將采集到的不同部位鮮煙葉圖像劃分為欠熟、尚熟、適熟、過熟，并構建鮮煙葉成熟度圖像數據集。

1.3圖像數據增強

對所構建的鮮煙葉成熟度圖像數據集隨機選擇圖像增強技術中的一種操作，包括圖像旋轉、增加對比度、增加亮度、添加噪聲等。如圖1所示，通過引入多樣化的數據樣本，可以使模型更好地適應各種現實場景下的變化和不確定性，減少過擬合風險，提高對外部復雜環(huán)境下新數據的泛化能力。經圖像增強處理后共有3200張圖像，每個處理各有400張，為方便后續(xù)處理將圖像大小縮減為 2 2 4 × 224像素，處理語言為python3.7.0。

2 模型設計

MobileViT模型的核心組成部分為MV2模塊和MobileViT模塊。MV2模塊利用倒殘差結構，通過優(yōu)化的特征提取和殘差連接，有效提取煙葉成熟度相關的視覺特征(如顏色、紋理、形狀)，在保持高準確性的同時減少計算成本，使其更適合移動設備[19-20]。另一方面，MobileViT模塊通過局部和全局特征建模以及 3 × 3 卷積層和Transformer自注意力機制，顯著提升了圖像語義信息的提取精度[21-23]，從而使MobileViT模型在煙葉成熟度識別中表現出更高的準確性和魯棒性[23-25]。盡管如此，為了進一步提升大田鮮煙葉成熟度識別的分類精度和模型的整體性能，本研究對現有的MobileViT模型架構進行了優(yōu)化改進。如圖2所示，在原有網絡結構的基礎上引入了CBAM注意力機制，以增強模型對田間煙葉圖像中重要視覺特征的關注，從而提升特征表達能力；此外，將原有的Swish激活函數更換為具有更強非線性表達能力的SMU激活函數。這一改動有助于防止模型梯度消失，并提高模型收斂速度。最后，本研究還采用了遷移學習的方法對模型進行訓練，以加快訓練過程的收斂速度并提高模型的泛化能力。這些改進不僅增強了模型在復雜應用場景下的適應性，也為更精確識別煙葉成熟度提供了更強大的工具。

2.1 CBAM注意力模塊

由于大田環(huán)境較為復雜，使得模型難以關注到關鍵的信息，影響模型的性能。為了使網絡更好地關注于目標煙葉的成熟度，本研究將CBAM引入MobileViT網絡結構中，并選擇在原網絡第2層和第3層下采樣前添加注意力機制CBAM模塊。CBAM模塊由通道注意力機制和空間注意力機制組成，通道注意模塊主要關注的是特征圖中各通道的有效性，空間注意模塊旨在突出特征圖的關鍵位置信息[26-27]。

下采樣的過程是一個信息損失的過程，CBAM結合了通道和空間兩個維度的特征，能夠有針對性地加強對關鍵特征的關注，這樣在對煙葉圖像進行下采樣時可以有效去除無效特征信息，保留關鍵特征信息，得到更豐富的特征表達，最終提高模型在復雜場景下的分類能力[28-29]

2.2 激活函數

使用SMU激活函數替換Swish激活函數，SMU激活函數是一種平滑的非線性函數，有助于緩解梯度消失問題[30-31]。相比于Swish激活函數SMU沒有額外的參數，這使得整個網絡具有更簡單的結構，在訓練過程中，有3個主要的函數發(fā)揮著重要作用：f ( x ) 神經網絡決定了神經元的激活狀態(tài)； 函數結合了線性和非線性的特性；誤差函數 e r f ( x ) 描述了標準正態(tài)分布在區(qū)間 [ 0 ， x ] 內的累積概率。

f ( x ) = x ? s i g m o i d( β x )

β 一超參數； α 一超參數； μ 一可訓練參數；e r f ( x ) 一高斯誤差函數。

2.3 遷移學習

當前的卷積神經網絡模型通常具有龐大的層數和參數量，因此直接使用隨機初始化權值進行訓練可能會導致梯度消失問題[32]。本研究選擇了ImageNet上訓練好的MobileViT作為源模型，并將改進后的MobileViT作為目標模型。在訓練過程中，載入了源模型的參數和權重到卷積層，并利用目標數據集進行了新模型的訓練。具體的訓練方式為如圖3所示，在前20輪訓練中，使用了源模型的網絡權重，并且凍結了全連接層之外的網絡權重，只針對該全連接層進行了訓練。在后續(xù)的180輪中，解除了網絡權重的凍結，并對所有的網絡進行了訓練，實現最佳訓練結果。

3結果

3.1 試驗環(huán)境

試驗環(huán)境配置采用Windows10操作系統，py-thon編程語言版本為3.9.5，深度學習框架為PyTor-ch1.9.0，CUDA版本為11.3，計算機硬件配置為Intel(R) Core(TM) i9-10980XE CPU @ ① 3 . 0 0 G H z 處理器，內存16Gb，GPU為NVIDIAGeForceRTX3090。

3.2 參數設置

試驗過程中將訓練集、驗證集、測試集按照8 : 1 : 1 的比例進行隨機劃分，批處理大小設置為32，模型迭代200個epoch，優(yōu)化器模塊使用Adam，初始學習率設置為0.001，損失值為交叉熵損失函數，為避免該模型出現過擬合的現象，采用Dropout正則化，Dropout值設置為0.1。

3.3 分類評價指標

為準確且全面描述數據處理效果，本研究利用準確率（Accuracy）、精確率（Precision）、召回率(Recall）、F1分數(F1-score）、特異性（Specificity）等性能指標對數據處理效果進行評價。同時，利用thop庫中的profile包對模型的浮點運算次數(FLOPs和參數量(Parameters)進行計算，來全面評估模型的計算復雜度和參數量。其中各性能指標均基于以下4個基本指標： T P 代表正確分類為正樣本的數量，TN代表正確分類為負樣本的數量，FN代表錯誤分類為負樣本的數量， F P 代表錯誤分類為正樣本的數量。

3.4 結果分析

3.4.1訓練結果為驗證本研究MobileViT-CBAM模型識別鮮煙葉成熟度的性能優(yōu)勢，訓練了多個對比的卷積網絡模型，包括經典分類模型VGG16和ResNet34網絡模型，使用注意力機制的VisionTransformer和SwinTransformer模型，以及在輕量化圖像識別任務中表現出色的MobileNetV2和MobileViT網絡。通過選擇合適的超參數并進行調優(yōu)，在相同的數據集和試驗平臺條件下進行對比試驗，并對各模型訓練集損失值和驗證集準確率進行可視化展示，試驗結果如圖4、5所示。研究提出的MobileViT-CBAM明顯優(yōu)于其他網絡模型。

從表1中可以看出，在鮮煙葉成熟度識別任務中，所設計的MobileViT-CBAM模型識別效果要好于其他卷積神經網絡模型，本方法在識別準確率、精準率、F1分數和特異性上均為最高，分別為0.9281、0.9281、0.9359、0.9287和0.9897；準確率較通用卷積網絡VGG16和ResNet34分別增加約0.122和0.084，較擁有注意力機制的VisionTransformer和SwinTransformer分別上升O.094和0.056，較輕量化卷積網絡MobileNetV2和Mobile-ViT提高0.034和0.025，試驗結果表明，本方法具有較大的鮮煙葉成熟度識別性能優(yōu)勢。

同時就模型復雜度和模型參數量進行對比分析。傳統卷積神經網絡模型復雜度較高且參數量龐大，難以部署在移動終端，不適用于大田鮮煙葉成熟度識別任務中；輕量化卷積神經網絡的識別速度快，但準確度較低。為此，本研究提出將注意力機制模塊CBAM與倒殘差結構相結合，在保證模型準確率的同時降低模型復雜度。如表1所示，由于本試驗加人了CBAM注意力模塊，因此較原Mobile-ViT模型的計算復雜度和參數量略有增加，但較其他模型的復雜度和參數量降低，其計算復雜度和參數量分別是VGG網絡的1/56和1/124、ResNet34的1/13和1/20、VisionTransformer的1/62和1/80、SwinTransformer的1/16和1/25、MobileNetV2的5/6和1/2。該研究實現大田鮮煙葉成熟度識別準度和速度的權衡，可以很好地應用于鮮煙葉成熟度識別任務中。

3.4.2混淆矩陣MobileViT-CBAM的混淆矩陣如圖6所示，對于適熟的中、上部葉模型均可以作出較為精確的判斷，表明其具有較強的特征學習能力，能夠有效捕獲適熟狀態(tài)的中、上部葉特征，從而實現準確分類和識別。識別誤區(qū)主要集中在上部葉的欠熟和過熟煙葉，其原因可能是：欠熟和尚熟狀態(tài)葉片在質地上的變化不夠明顯，外觀具有一定相似性，特征較難區(qū)分；上部葉受光照、溫度、濕度等生長環(huán)境因素的影響，成熟過程可能有所不同，如果天氣條件導致葉片干燥較快，可能使得煙葉在被判斷為適熟時已經開始接近過熟狀態(tài)，這種環(huán)境因素的變化可以使判斷變得更加復雜。由于鮮煙葉成熟度識別受復雜外界環(huán)境條件制約，這可能需要進一步研究以確定影響模型判斷的具體特征，并且可能需要更多的樣本數據、特征工程或者模型調優(yōu)來改善模型在這些類別上的表現，

4討論

復雜的大田環(huán)境使煙葉信息表達具有很大差異，同一片煙葉的成熟度在不同環(huán)境中會呈現出較大的多樣性和變異性，導致成熟度特征難以進行量化。同時，煙葉成熟度與顏色、紋理、形狀等視覺特征密切相關，但這些特征受到光照、陰影和葉片自身特性等因素影響，難以準確提取和識別。在光照強度過足或光源不均勻情況下，葉片顏色可能出現誤差，使得圖像中表現出的成熟度特征無法準確反映其實際狀態(tài)，從而難以準確識別大田煙葉的實際成熟程度[3]。并且，葉片自身紋理和形狀特征往往在不同生長階段或環(huán)境條件下表現出自然的變異性，這種變異可能掩蓋或偽裝成熟度的真實信息，容易引起誤判[33]。而現有的鮮煙葉成熟度評定通常依賴于人工經驗和主觀判斷，不同的人對成熟程度認知存在差異，因此標注和評估的一致性和客觀性較差。已有研究大多在受控條件下完成，如實驗室或專用的光照環(huán)境，數據樣本量有限，無法充分訓練模型的泛化能力。盡管模型具有較高的準確率，但可能存在過度擬合標準環(huán)境下的特征，無法有效處理大田環(huán)境中的光照變化、背景干擾等因素，從而無法適應真實大田環(huán)境中的煙葉表征變異和復雜性[16]

鑒于此我們提出基于MobileViT-CBAM對鮮煙葉成熟度進行識別研究。首先，創(chuàng)建一個包含真實大田環(huán)境鮮煙葉的圖像數據集，通過添加CBAM模塊引人空間和通道注意力機制，動態(tài)調整輸入特征圖的權重，增強關鍵特征的表達能力，在復雜的外界環(huán)境下更有效地捕捉與煙葉成熟度相關的重要特征如顏色、紋理和形狀等；其次，改進SMU激活函數可以顯著增強模型的非線性表達能力，提高模型訓練過程中的收斂速度，更好利用硬件資源；最后，采用遷移學習的方式進行訓練，用在ImageNet數據集上訓練好的模型權重作為特征提取器，利用已有大量數據進行特征學習，增強模型對煙葉圖像中細微差異的敏感度，有效捕捉到煙葉的形態(tài)和紋理細節(jié)，從而在處理實際任務時能夠更好識別煙葉成熟度。因此，新模型能夠更好地在大田環(huán)境下獲取煙葉圖像的全局信息，有效捕捉煙葉不同成熟度的特征，對煙葉形態(tài)和紋理等細節(jié)進行全面分析，有助于識別大田鮮煙葉成熟程度。

本研究僅使用了云煙87品種的中部葉和上部葉圖像，數據集的局限性可能影響模型的泛化能力；后續(xù)工作應引入來自不同地理區(qū)域、氣候條件及其他品種的煙葉樣本，以涵蓋更多成熟階段和變異特征，增強模型的適用性和魯棒性。同時，當前數據標注工作仍依賴專家主觀評估完成，可能存在一定偏差；應結合煙葉內部化學成分和光譜數據等，實現多維度的客觀評估，以提高標注準確性和可靠性，從而為模型訓練提供高質量數據支持。未來研究應考慮將成熟度識別模型與煙葉自動采收系統集成，進行實時成熟程度評估并指導機器人精準采收，推動農業(yè)技術智能化進程

5結論

為精準識別大田鮮煙葉成熟度，滿足移動端的內存空間大小和算力要求，同時提高識別準確率和降低模型參數，本文提出一種輕量化MobileViT-CBAM的網絡分類模型：通過引入CBAM模塊、SMU激活函數，并且使用遷移學習方法進行訓練，在相同數據集上與原網絡模型和其他經典網絡分類模型進行對比試驗。結果表明，在參數量和準確率之間均表現出較高水平的性能，且鮮煙葉成熟度識別平均準確率達到 9 2 . 8 1 % ，相較其他卷積神經網絡有顯著提高，可以實現更精確更快速的大田鮮煙葉成熟度識別，滿足低性能設備上快速識別鮮煙葉成熟度的需求。

參考文獻

[1] 劉輝，祖慶學，王松峰，等.不同成熟度對鮮煙素質和烤后煙葉 質量的影響[J].中國煙草科學，2020，41(2)：66-71，78. LIUH， ZU QX，WANG SF， et al. Effect of different maturity on the quality features of fresh and cured tobacco[J].Chinese Tobacco Science，2020，41(2): 66-71，78.

[2] 劉芳，宋笑龍，馬浩波，等.不同成熟度烤煙萜類物質含量及相 關基因研究[J].中國煙草科學，2023，44(4)：79-86. LIUF，SONG XL，MAHB， etal.Study on the content of terpenoids andrelated genes in flue-cured tobacco with different maturity levels[J].Chinese Tobacco Science，2023，44(4):79-86.

[3] 代英鵬，劉浩，畢慶文，等.基于模糊光照處理的田間鮮煙成熟 度圖像智能判別方法研究[J].中國煙草科學，2024，45(1)：96- 103. DAIYP，LIUH，BIQW，etal.A fuzzyillumination-basedmethod foridentifying the maturity of tobacco leaves in field[J].Chinese Tobacco Science，2024，45(1):96-103.

[4] 裴文燦，孫光偉，黃金國，等.田間即時鮮煙葉SPAD值預測和 成熟度識別方法[J].計算機工程與應用，2024，60(8)：348-360. PEIWC，SUNGW，HUANGJG， etal.Immediate predictionmodel ofSPADvalueand maturity of fresh tobacco leavesinthe field[J]. Computer Engineering and Applications， 2024， 60(8): 348-360.

[5] 劉浩，孟令峰，王松峰，等.基于機器視覺的烤煙鮮煙成熟度判 別模型優(yōu)選[J].中國農機化學報，2023，44(8)：118-124. LIUH，MENGLF，WANG SF，etal.Optimizationof fresh fluecured tobacco maturity discrimination model based on machine vision[J]. Journal of Chinese Agricultural Mechanization，2023， 44(8): 118-124.

[6] 孫陽陽，靳志偉，黃明迪，等.SPAD值與鮮煙葉成熟度及烤后 煙葉質量的關系[J].中國煙草科學，2016，37(2)：42-46. SUNYY，JINZW，HUANGMD，etal.TherelationshipofSPAD value，maturity of fresh tobacco leaves and quality of flue-cured tobacco leaves[J].Chinese Tobacco Science，2016，37(2): 42-46.

[7] 裴曉東，趙晨，武勁草，等.基于葉面特征的烤煙中部葉采收成 熟度量化初探[J].中國煙草學報，2024，30(1)：46-54. PEI X D， ZHAO C， WUJC， et al. A preliminary investigation on the quantification of the harvesting maturity of flue-cured tobacco middle leaf based on leaf surface characteristics[J]. Acta Tabacaria Sinica， 2024，30(1): 46-54.

[8] 王承偉，賓俊，范偉，等.基于近紅外光譜技術結合隨機森林的 煙葉成熟度快速判別[J].西南農業(yè)學報，2017，30(4)：931-936. WANG CW， BJ，FAN W，etalRapiddiserinatioftrit of tobacco leaf based on near-infrared spectroscopy and random forest[J].Southwest China Journal of Agricultural Sciences，2017， 30(4): 931-936.

[9] 楊睿，賓俊，蘇家恩，等.基于近紅外光譜與圖像識別技術融合 的煙葉成熟度的判別[J].湖南農業(yè)大學學報（自然科學版)，2021， 47(4):406-411. YANG R， BIN J，SUJE，etal.Identification of tobacco leaf maturity basedon the fusion of near infrared spectroscopy and image recognition[J].Journal of Hunan Agricultural University (Natural Sciences)，2021，47(4): 406-411.

[10]鄧建強，王大彬，乾艷，等.基于高光譜成像技術的烤煙上部煙 葉成熟度光譜特征分析及判別模型構建應用研究[J].中國煙草學 報，2024，30(1)：36-45. DENG JQ，WANGDB，QIANY，etal.Spectral characteristics analysis and discriminating model construction of flue-cured upper tobacco leaves with different maturity based on hyperspectral imaging technology[J].Acta Tabacaria Sinica，2024，30(1):36-45.

[11]黨滿意，孟慶魁，谷芳，等.基于機器視覺的馬鈴薯晚疫病快速 識別[J].農業(yè)工程學報，2020，36(2)：193-200. DANG M Y， MENG Q K， GU F， et al. Rapid recognition of potato lateblight based on machine vision[J].Transactions of the Chinese Society of Agricultural Engineering，2020，36(2):193-200.

[12]史龍飛，宋朝鵬，賀帆，等.基于機器視覺技術的烤煙鮮煙葉成 熟度檢測[J].湖南農業(yè)大學學報（自然科學版)，2012，38(4)： 446-450. SHI LF，SONG C P，HEF，et al.Determination of the aturity grades of fresh leaves for flue-cured tobacco[J]. Journal of Hunan Agricultural University (Natural Sciences)，2012，38(4): 446-450.

[13]王杰，畢浩洋.基于極限學習機的煙葉成熟度分類[J].煙草科技， 2013(5): 17-19. WANG J，BI HY.Tobacco leaf maturity classification based on extreme learming machine[J].Tobacco Science Technology， 2013(5): 17-19.

[14]謝濱瑤，祝詩平，黃華.基于BPNN 和 SVM的煙葉成熟度鑒別 模型[J].中國煙草學報，2019，25(1)：45-50. XIEBY，ZHU SP，HUANGH.Model foridentificationof tobacco leafmaturitybasedonBPNNandSVM[J].Acta Tabacaria Sinica， 2019，25(1): 45-50.

[15]汪睿琪，張炳輝，顧鋼，等.基于YOLOv5的鮮煙葉成熟度識別 模型研究[J].中國煙草學報，2023，29(2)：46-55. WANG R Q. ZHANG B H， GU G， et al. Recognition model of tobacco fresh leaf maturity based on YOLOv5[J].Acta Tabacaria Sinica，2023，29(2):46-55.

[16]杜鵬程，蔣篤忠，向陽，等.基于YOLO v5s 目標檢測算法的烤 煙鮮葉成熟度識別方法[J].江蘇農業(yè)科學，2023，51(19)：158- 165. DU P C， JIANG D Z， XIANG Y， et al. A method for identifying the maturity offlue-cured tobacco leavesbasedon YOLO vstarget detection algorithm[J].Jiangsu Agricultural Sciences，2023，51(19): 158-165.

[17]李云捷，陳振國，孫敬國，等.基于XGBoost算法的烤煙采收成 熟度圖像識別[J].中國煙草學報，2024，30(3)：85-94. LI Y J， CHEN Z G， SUNJG， et al. Image recognition of flue-cured tobacco harvest maturity based on XGBoost algorithm[J].Acta Tabacaria Sinica，2024，30(3): 85-94.

[18]吳鴻飛，劉萬學，洗曉青，等.基于改進MobileNet的輕量級外 來入侵植物識別模型研究[J].植物保護，2024，50(1)：85-96. WUHF，LIUWX，XIANXQ，etal.Alightweight identification model for alien invasive plants based on improved MobileNet[J]. Plant Protection，2024，50(1): 85-96.

[19]SANDLER M，HOWARD A， ZHUM，et al.MobileNetV2: Inverted residualsand linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and PatternRecognition，SaltLake City，UT.IEEE， 2018:4510-4520.

[20]陳洋，張欣，陳孝玉龍，等.CA-MobileNetV2：輕量化的作物病 害識別模型[J].計算機工程與設計，2024，45(2)：484-490. CHENY，ZHANGX，CHENXYL，etal.CA-MobileNetV2: Lightweight crop disease identificationmodel[J].Computer Engineering and Design，2024，45(2): 484-490.

[21]左銀華，趙明巖，吳順海，等.基于改進MobileViT模型的大球 蓋菇品質分級實驗研究[J].實驗技術與管理，2023，40(9)：81- 90. ZUOYH， ZHAO MY，WUSH，et al.Experimental studyon quality grading of stropharia rugoso-annulata based on improved MobileViT model[J].Experimental Technology andManagement， 2023，40(9): 81-90.

[22]賀宜，魯曼可，高嵩，等.基于MobileViT-CA模型的營運車輛 駕駛人分心行為檢測[J].中國公路學報，2024，37(1)：194-204. HEY，LUMK，GAOS，etal.Distracted behaviordetectionof commercial vehicle driversbased ontheMobileViT-CA Model[J]. China Journal ofHighwayand Transport，2024，37(1):194-204.

[23]馬維娣，吳欽木.基于改進輕量化網絡MobileViT的蘋果樹葉病 害識別[J].江蘇農業(yè)科學，2024，52(3)：229-236. MAWD，WUQM.Apple leafdisease identificationbased on improved lightweight network MobileViT[J]. Jiangsu Agricultural Sciences，2024，52(3):229-236.

[24]陳曉，夏穎.基于改進MobileViT 網絡的番茄葉片病害識別[J].電 子測量技術，2023，46(14)：188-196. CHENX，XIA Y.Improved MobileViT network for tomato leaf disease identification[J].Electronic Measurement Technology，2023， 46(14): 188-196.

[25]楊森森，張昊，興陸，等.改進MobileViT網絡識別輕量化田間 雜草[J].農業(yè)工程學報，2023，39(9)：152-160. YANG S S， ZHANG H，XING L，et al. Light weight recognition of weeds in thefield based on improved MobileViT network[J]. Transactions of the Chinese Society of Agricultural Engineering， 2023，39(9):152-160.

[26]ZHANG Q，WEI XH，WANG Y，et al. Convolutional neural network with attention mechanism and visual vibration signal analysis for bearing fault diagnosis[J].Sensors (Basel)，2024，24(6):1831.

[27]KANG R，HUANG J X， ZHOU X H， et al. Toward real scenery: A lightweight tomato growth inspection algorithm for leaf disease detection and fruit counting[J]. Plant Phenomics，2024， 6: 0174.

[28]LEIDY，DONGCY，GUO HF，etal.A fused multi-subfrequency bands and CBAM SSVEP-BCI classification method based on convolutional neural network[J]. Scientific Reports，2024，14(1): 8616.

[29] CAOZ，WANG K H，WEN JW，et al.Fine-grained image classification on bats usingVGGl6-CBAM: a practical example with 7horseshoe bats taxa (CHIROPTERA: Rhinolophidae:Rhinolophus) from Southern China[J].Front Zool，2024，21(1):10.

[30]張華衛(wèi)，張文飛，蔣占軍，等.引人上下文信息和Attention Gate 的GUS-YOLO遙感目標檢測算法[J].計算機科學與探索，2024， 18(2):453-464. ZHANGHW，ZHANG WF，JIANGZJ，et al.GUS-YOLO remote sensing target detection algorithm introducing context information andattentiongate[J].JournalofFrontiersofComputerScienceand Technology， 2024，18(2): 453-464.

[31]BISWASK，KUMAR S，BANERJEE S，et al.Smooth maximum unit: Smooth activation function for deep networks using smoothing maximum technique[C]//2022 IEEE/CVF Conference on Computer Visionand Pattern Recognition (CVPR)，New Orleans，LA.IEEE， 2022: 784-793.

[32]RENB，WUY，HUANGL，et al.Deep transfer learning of structural magnetic resonance imaging fused with blood parameters improves brain age prediction[J]. Human Brain Mapping， 2022， 43(5):1640- 1656.

[33]沈平，童德文，陳鄭盟，等.基于葉色偏態(tài)分布模式的鮮煙葉成 熟度判定[J].煙草科技，2021，54(8)：26-35. SHENP，TONGDW，CHENZM， etal.Maturitydiscriminationon fresh tobacco leaves based on skewed leaf color distribution patterns[J].Tobacco Science Technology，2021，54(8):26-35.

《煙草科技》2025年第3期目次

產果香微生物篩選及其對雪茄煙葉品質的影響 李天笑，李嘉欣，王躍，等 1

煙草廢料過熱水蒸氣蒸餾-干餾制備煙用香料 .蔡佳琪，朱凱，陳義純，等14

煙草中賴氨酸苯并吖啶的分離鑒定及風味效應. ..趙頤翔，郭亞龍，王丁眾，等22

煙株頂芽莖稈剪切力學特性分析. ..張銀志，周林，趙浩賓，等32

苜?；ㄈ~病毒和白三葉草花葉病毒復合侵染對黃花煙草中3種酚類物質的影響 .周鑫，梁巧蘭，魏列新，等 41

煙草野火病葉際微生物群落結構多樣性與碳源代謝表征 .童庭，李珍，胡靜榮，等 49

普通煙草NtWRKY40基因克隆及其抗旱功能. .耿少武，柴云霞，丁以紓，等 60

生防菌CY2的篩選鑒定及其與氟噻唑吡乙酮復配防治煙草黑脛病的效果 .高強，張曉陽，張漸隆，等 70

基于光譜共焦技術的軟盒卷煙透明紙褶皺檢測方法 ..柴武君，戚奇杰，馮東，等80

卷煙盒裝外觀檢測設備成像環(huán)境物理穩(wěn)定性原位測量方法 劉冠銘，張鵬飛，寧英豪，等87

一種雪茄煙紙質條盒包裝設備的設計， ..賀韌，王劍，尹亮，等97

基于遺傳算法的卷煙區(qū)域物流配送中心選址方法. ..董坤，鐘宇，徐宏偉，等103