基于顏色分布信息的煙葉煙堿含量預(yù)測模型評(píng)估與比較

關(guān)鍵詞：顏色分布；煙堿預(yù)測；回歸模型； 近鄰；無損檢測中圖分類號(hào)：TP391.4；TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）08-0132-07

Abstract： This paper uses optical imaging technology to establish an image dataset of abatch oftobacco leaves with knownnicotinecontent，anduses theneuralnetworkmodelU2-Nettoaccuratelydetecttobaccoleaftargets.Byextractingthe color distributioninformationofthetobaccoleaf targets，four typicalMachineLeamingalgorithmsofRF，XGBoost，MP，and KNNareusedtomaketheregressonpredictionforthenicotinecontentof tobacco leaves，respectively.Theresults indicate that theKNNmodelcanefectivelyutilizecolordistributioninformationtoaccuratelypredictthenicotinecontentoftbaccoleaves. The value of determination coefficient is as high as 9 7 . 4 6 % ，theMSE isaslow as O.020 2，and the MAE is as low as 0.075 6，indicatingasigncantcorelationbetweentobaccoleafcolordistributioniformationandnicotinecontent，andprovidingan effective nondestructive detection method for nicotine.

Keywords： color distribution; nicotine prediction;regressionmodel; K-Nearest Neighbor;nondestructive testing

0 引言

煙草作為一種重要的農(nóng)作物，廣泛應(yīng)用于煙草制品的生產(chǎn)，對(duì)于全球經(jīng)濟(jì)和人們的日常生活有著重要的影響。在煙草生產(chǎn)和加工過程中，由于煙葉顏色影響到煙葉的外觀品質(zhì)和市場價(jià)值，顏色性狀是煙葉質(zhì)量評(píng)估的重要外在依據(jù)。在煙葉質(zhì)量評(píng)估中，內(nèi)在的化學(xué)成分也起著至關(guān)重要的作用[。其中，煙堿含量作為煙葉中最重要的化學(xué)成分之一，對(duì)于煙草制品的口感和質(zhì)量具有顯著影響。

然而，傳統(tǒng)的煙堿含量測量方法是通過常規(guī)化學(xué)法或高效液相色譜法等[2-3]，這些方法雖然準(zhǔn)確率較高，但卻需要破壞性的化學(xué)分析，操作復(fù)雜且耗時(shí)費(fèi)力。在近年的研究中，主要利用近紅外成像技術(shù)來測量煙葉生化成分[4-5]，例如潘威等人利用主成分回歸法建立了煙草種子淀粉含量的近紅外光譜定量分析模型，該模型的決定系數(shù)高達(dá) 9 9 . 8 0 % ，校正標(biāo)準(zhǔn)差和預(yù)測標(biāo)準(zhǔn)差分別低至0.1493和0.1838，誤差較小且實(shí)驗(yàn)結(jié)果可靠[，李陽陽等近紅外光譜快速測定卷煙煙氣中煙堿，焦油和一氧化碳釋放量[]，比起傳統(tǒng)測量方法有一定優(yōu)勢，但也有許多缺點(diǎn)，比如需要建立復(fù)雜的校正模型。近年來的近紅外成像技術(shù)對(duì)樣品的預(yù)處理和數(shù)據(jù)分析要求較高，對(duì)非煙物質(zhì)的抗干擾能力較低，無法定量分析單一成分，只能給出整體成分的預(yù)測值等。實(shí)際生產(chǎn)中，迫切需要一種非破壞性且高效的方法來預(yù)測煙葉的煙堿含量，以提高煙葉質(zhì)量評(píng)估的效率。

一些研究者發(fā)現(xiàn)農(nóng)作物的顏色分布信息和成分有關(guān)，例如吳雪梅等通過分析嫩芽與老葉的G和G-B分量的顏色信息，利用顏色信息差異來有效區(qū)分嫩芽和背景，進(jìn)而提出了茶葉嫩芽的識(shí)別算法[]。中國中醫(yī)科學(xué)院中藥研究所基于顏色－特征成分關(guān)聯(lián)分析及網(wǎng)絡(luò)藥理學(xué)探討金銀花中潛在的質(zhì)量標(biāo)志物，為控制金銀花的質(zhì)量提供了依據(jù)[。更重要的是，煙葉的顏色分布特征可以反映煙葉部分化學(xué)成分和品質(zhì)特征[10-12]，因此，本文在穩(wěn)定光源環(huán)境下使用電荷耦合器件（CCD）數(shù)碼相機(jī)對(duì)一批已知煙堿含量的煙葉進(jìn)行圖像采集，通過分析煙葉圖像中的顏色分布模式，分別使用隨機(jī)森林（RandomForest，RF）、梯度提升（eXtremeGradientBoosting，XGBoost）、多層感知機(jī)（Multi-LayerPerceptron，MLP）和K-最近鄰（K-NearestNeighbors，KNN）算法對(duì)煙葉煙堿含量進(jìn)行預(yù)測[13-17]，篩選出精準(zhǔn)的預(yù)測模型，用于探索煙葉煙堿含量與顏色之間的關(guān)聯(lián)性，為煙葉煙堿含量的無損檢測提供了一種新的方法。

材料與方法

1.1 煙葉數(shù)據(jù)集的構(gòu)建

本研究使用的煙葉樣本源自云南省某煙葉公司，種植產(chǎn)地包括普洱、文山，在色澤程度上分為10個(gè)等級(jí)，在品質(zhì)上分為6個(gè)等級(jí)，為了獲得這些煙草樣本的煙堿真實(shí)含量，實(shí)驗(yàn)室采用傳統(tǒng)的氣相色譜（GC）分析方法測定其煙堿成分百分比值[18]，其步驟包括：從煙草樣品中提取煙堿組分；采用有機(jī)溶劑甲醇對(duì)煙草樣品進(jìn)行浸提，得到含有煙堿的粗提取物；為了提高分析的準(zhǔn)確性和重復(fù)性，采用固相萃取方法對(duì)提取物進(jìn)行必要的純化和濃縮；借助色譜柱對(duì)煙堿成分進(jìn)行分離；借助氮磷檢測器（NPD）對(duì)分離出的煙堿進(jìn)行定量分析；根據(jù)預(yù)先建立的標(biāo)準(zhǔn)曲線，將檢測到的煙堿峰面積或峰高與濃度進(jìn)行對(duì)應(yīng)，從而計(jì)算出樣品中煙堿的含量百分比。最終得的煙堿含量數(shù)據(jù)如表1所示，表1中不同產(chǎn)地，不同等級(jí)的煙葉煙堿含量不同。

鑒于在煙葉圖像采集過程中，現(xiàn)場光照條件、灰塵等因素可能對(duì)圖像質(zhì)量產(chǎn)生不利影響，專門設(shè)計(jì)了一套拍攝燈箱系統(tǒng)，使用CanonEOS80D數(shù)碼相機(jī)進(jìn)行煙葉圖像數(shù)據(jù)采集。為了保證圖像數(shù)據(jù)的穩(wěn)定性、可靠性和可辨識(shí)性，相機(jī)的參數(shù)手動(dòng)固定設(shè)置如表2所示。

將每片煙葉單獨(dú)平鋪放置于平臺(tái)上，從三個(gè)角度和正反方向進(jìn)行拍攝，對(duì)24種不同煙堿含量的煙葉樣品采集了1728幅圖像，構(gòu)建了一個(gè)包含煙堿含量標(biāo)簽的“煙葉圖像數(shù)據(jù)集”（下載地址：https：//github.com/Ikaros-sc/tobacco-leaf），如圖1所示。

1.2煙葉顏色分布信息提取

煙葉顏色分布信息的提取分為四個(gè)步驟：

1）對(duì)采集到的煙葉圖像 的3個(gè) R ， G ， B 通道分別使用 1 1 × 1 1 中值濾波模板進(jìn)行降噪處理。

2）使用 去除 的背景，如圖2（b）所示，獲得煙葉目標(biāo)圖像。

3）為更好地捕捉煙葉色彩特征與煙堿含量之間的關(guān)系，需要將圖像 從RGB顏色空間轉(zhuǎn)換到CIELAB顏色空間，得到 ，公式如下：

式中， R 、 G ， B 為相機(jī)紅、綠、藍(lán)三通的響應(yīng)歸一化值； X ， Y、 Z 為CIE三刺激值； 為對(duì) X Y Z 值進(jìn)行標(biāo)準(zhǔn)化和參考白點(diǎn)調(diào)整后的值； 、 ， 為D65標(biāo)準(zhǔn)觀察條件下的白點(diǎn)的三刺激值； L 、a、 b 分別表示CIELAB顏色空間下的亮度、綠-紅軸和藍(lán)-黃軸的值，當(dāng) 時(shí)， ，否則， ，當(dāng) 時(shí)， ，否則， 1 ，當(dāng) 時(shí)， 否則， 。CIELAB顏色空間是一種建立在非線性壓縮坐標(biāo)（如CIEXYZ色彩空間）和生理特性基礎(chǔ)上的、與設(shè)備無關(guān)并且基于顏色對(duì)立的色彩系統(tǒng)，它能夠運(yùn)用數(shù)字化的方法描繪人類的視覺感知，并保證顏色計(jì)算的準(zhǔn)確性。CIELAB因其出色的顏色恒定性可將光照條件的影響降到最低，是科學(xué)和工程領(lǐng)域最廣泛使用的色彩系統(tǒng)。

4）計(jì)算煙葉目標(biāo)L，a， b 的直方圖作為煙葉顏色分布信息：

式中， ， ， 分別為 L ， a ！ b 在煙葉目標(biāo)中出現(xiàn)的概率， ， ， 分別為煙葉目標(biāo)區(qū)域 L 、a ， b 值出現(xiàn)的次數(shù)， N 為煙葉目標(biāo)區(qū)域的像素總量。

1.3煙葉煙堿含量預(yù)測模型

運(yùn)用機(jī)器學(xué)習(xí)算法，根據(jù)已獲取的煙葉樣本特征數(shù)據(jù)作為輸入變量，以及相應(yīng)的煙堿含量數(shù)據(jù)作為目標(biāo)變量，建立一個(gè)回歸模型。在實(shí)驗(yàn)過程中，對(duì)不同的機(jī)器學(xué)習(xí)算法進(jìn)行了初步的比較分析。最終，挑選出以下四個(gè)與本實(shí)驗(yàn)預(yù)測任務(wù)高度適配的模型，進(jìn)行深入的訓(xùn)練和結(jié)果對(duì)比。

RandomForestRegressor，一種基于隨機(jī)森林算法的回歸模型，通過集成多個(gè)決策樹來達(dá)成預(yù)測目標(biāo)。其核心理念在于利用集成學(xué)習(xí)的方法優(yōu)化預(yù)測性能。每個(gè)決策樹的構(gòu)建都基于隨機(jī)選取的特征子集和樣本子集，旨在增強(qiáng)模型的多樣性和泛化能力。研究中，輸入訓(xùn)練數(shù)據(jù)集 ，其中 ， 為 1 6 8 7 個(gè)煙葉樣本的特征向量， ，…， 為對(duì)應(yīng)的煙堿含量標(biāo)簽。從訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取一部分樣本和特征，訓(xùn)練一棵決策樹。重復(fù)這一過程多次，訓(xùn)練出多棵決策樹。對(duì)于新的煙葉樣本特征向量 ，將其輸入到訓(xùn)練好的多棵決策樹中，每棵樹都會(huì)給出一個(gè)預(yù)測結(jié)果 。最終的預(yù)測結(jié)果 為這些預(yù)測結(jié)果 的平均值。

XGBRegressor是基于梯度提升算法的回歸模型，它是XGBoost庫中的一種實(shí)現(xiàn)。梯度提升通過迭代地添加弱學(xué)習(xí)器，每次迭代都在之前模型的殘差上進(jìn)行學(xué)習(xí)，逐步減小預(yù)測誤差。研究中模型訓(xùn)練過程：給定訓(xùn)練數(shù)據(jù)集 ，其中 ，…， 為1687個(gè)煙葉樣本的特征向量， ， ，…， 為對(duì)應(yīng)的煙堿含量標(biāo)簽。XGBRegressor算法會(huì)通過以下步驟進(jìn)行模型訓(xùn)練：初始化一棵決策樹作為基模型；計(jì)算當(dāng)前模型的預(yù)測誤差，并使用梯度下降法優(yōu)化模型參數(shù)，以最小化預(yù)測誤差；重復(fù)上一步驟，添加新的決策樹基模型，直到達(dá)到預(yù)設(shè)的迭代次數(shù)或性能指標(biāo)收斂。經(jīng)過這個(gè)訓(xùn)練過程，算法會(huì)學(xué)習(xí)到一個(gè)由多棵決策樹組成的集成模型，用于捕捉輸入特征與目標(biāo)變量之間的復(fù)雜非線性關(guān)系。后期的回歸過程：給定一個(gè)新的煙葉樣本特征向量 ，輸入到訓(xùn)練好的XGBRegressor模型中。

模型會(huì)通過之前學(xué)習(xí)到的多棵決策樹進(jìn)行前向傳播計(jì)算，得到最終的煙堿含量預(yù)測值ypredo

MLP是一種前饋神經(jīng)網(wǎng)絡(luò)模型，也是最早和最基本的人工神經(jīng)網(wǎng)絡(luò)架構(gòu)之一。核心思想是通過構(gòu)建具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)模型，利用反向傳播算法自動(dòng)學(xué)習(xí)輸入特征與目標(biāo)變量之間的復(fù)雜映射關(guān)系，從而實(shí)現(xiàn)對(duì)新樣本的準(zhǔn)確預(yù)測。研究中的模型訓(xùn)練：輸入數(shù)據(jù)集 ，其中 ， ， ? s ， 為1687個(gè)煙葉樣本的特征向量， ， ，…， 為對(duì)應(yīng)的煙堿含量標(biāo)簽。將輸入特征 X 和目標(biāo)變量y劃分為訓(xùn)練集和驗(yàn)證集。定義MLP模型結(jié)構(gòu)，包括輸入層、隱藏層和輸出層。隱藏層可以使用多個(gè)全連接層，采用ReLU激活函數(shù)。輸出層使用單個(gè)線性節(jié)點(diǎn)來預(yù)測煙堿含量。使用梯度下降法優(yōu)化MLP模型參數(shù)，目標(biāo)是最小化訓(xùn)練集上的均方誤差損失函數(shù)。使用驗(yàn)證集評(píng)估模型性能，并根據(jù)驗(yàn)證集誤差調(diào)整MLP的超參數(shù)以提高模型泛化能力。后期的回歸過程：將新的煙葉樣本特征向量 送入訓(xùn)練好的MLP模型的輸入層，即輸入層的輸出 ，再通過MLP模型的前向傳播計(jì)算，依次得到每個(gè)隱藏層的輸出，公式如下：

其中， 為第 i 個(gè)隱藏層的輸出， 和 分別為第 i 個(gè)隱藏層的權(quán)重矩陣和偏置向量， f （ ） 為激活函數(shù)。最后，將最后一個(gè)隱藏層的輸出 送入輸出層，得到最終的煙堿含量預(yù)測值 ，公式如下：

其中， 和 分別為輸出層的權(quán)重向量和偏置標(biāo)量。

KNN算法的核心思想是：如果一個(gè)樣本在特征空間中的 K 個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。其核心在于距離度量，它決定了樣本之間的相似度。通過選擇合適的距離度量方法，KNN算法能夠準(zhǔn)確地找出與待分類樣本最相似的鄰居，通過計(jì)算鄰居的加權(quán)平均值來預(yù)測待分類樣本的具體數(shù)值。在研究中，開始的模型訓(xùn)練：輸入訓(xùn)練數(shù)據(jù)集 ，其中 …， 為1687個(gè)煙葉樣本的特征向量，y={y，y，…， 是對(duì)應(yīng)的煙堿含量標(biāo)簽。不需要構(gòu)建任何模型數(shù)，KNN算法直接利用訓(xùn)練數(shù)據(jù)集作為模型的知識(shí)庫。訓(xùn)練過程僅涉及存儲(chǔ)訓(xùn)練數(shù)據(jù)集中的樣本特征和標(biāo)簽信息，為后續(xù)的近鄰搜索和標(biāo)簽預(yù)測做準(zhǔn)備。后期的回歸：輸入新的煙葉樣本特征向量 ，使用歐氏距離來計(jì)算 與訓(xùn)練集中所有樣本 之間的距離 ），其歐氏距離可以通過下面公式計(jì)算：

找出訓(xùn)練集中與 距離最近的 k （ （ k ∈ R ） 個(gè)最近鄰訓(xùn)練樣本，輸入新的煙葉樣本特征向量 與這 k 個(gè)樣本歐式距離記為 確定算法中的 k 值的最佳方法是使用交叉驗(yàn)證將原始數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集。從如 k = 2 開始，然后逐步增大，計(jì)算每個(gè) k 值下模型在驗(yàn)證集上的分類準(zhǔn)確率，模型結(jié)果如表3所示，在 k = 5 的時(shí)候，模型的性能表現(xiàn)較好。因此，研究中選擇在驗(yàn)證集上取得最高分類準(zhǔn)確率的5作為最優(yōu) k 值。

最后，計(jì)算這5個(gè)最近鄰訓(xùn)練樣本的目標(biāo)變量值的加權(quán)平均值 ，也就是新的煙葉樣本煙堿含量，公式如下：

其中， 為第 i 個(gè)最近鄰訓(xùn)練樣本的目標(biāo)變量值， 為第 i 個(gè)最近鄰訓(xùn)練樣本的距離。

1.4 實(shí)驗(yàn)環(huán)境

在表4所列出的環(huán)境配置和硬件支持下，對(duì)基于顏色分布信息的煙葉煙堿含量預(yù)測展開了系統(tǒng)而全面的研究。

2 結(jié)果與討論

2.1 結(jié)果分析

實(shí)驗(yàn)中，通過對(duì)四個(gè)不同模型的預(yù)測結(jié)果進(jìn)行對(duì)比分析，繪制出了相應(yīng)的散點(diǎn)圖，如圖3所示。這些散點(diǎn)圖清晰地展示了各模型預(yù)測值與實(shí)際值之間的分布情況，為評(píng)估模型性能提供了重要依據(jù)。通過觀察散點(diǎn)的密集程度和分布趨勢，可以初步判斷各模型在預(yù)測任務(wù)上的準(zhǔn)確性和穩(wěn)定性。

經(jīng)過對(duì)四個(gè)模型的散點(diǎn)圖進(jìn)行細(xì)致的對(duì)比分析，觀察到KNN模型的散點(diǎn)圖中Predicted值與Actual值之間的接近程度顯著優(yōu)于其他模型。為了更全面地評(píng)估各模型的性能，本研究使用決定系數(shù)（Coefficient ofDetermination， ），均方誤差（MeanSquaredError，MSE）和平均絕對(duì)誤差（MeanAbsoluteError，MAE）三個(gè)指標(biāo)對(duì)預(yù)測結(jié)果進(jìn)行了評(píng)估，如表5所示。

經(jīng)過對(duì)比分析四個(gè)模型的實(shí)驗(yàn)結(jié)果，以及基于決定系數(shù) 、均方誤差（MSE）和平均絕對(duì)誤差（MAE）三個(gè)評(píng)估指標(biāo)的數(shù)據(jù)，我們發(fā)現(xiàn)KNN模型在預(yù)測任務(wù)中展現(xiàn)出了較好的性能。具體而言，KNN模型在分類任務(wù)中取得了高達(dá)0.9746的 值，表明該模型能夠精準(zhǔn)地?cái)M合數(shù)據(jù)，其正確預(yù)測的樣本比例達(dá)到了約 9 7 . 4 6 % 。在回歸任務(wù)方面，KNN模型同樣表現(xiàn)出色，均方誤差僅為0.0202，顯示出模型預(yù)測值與真實(shí)值之間的平均差的平方非常小。此外，平均絕對(duì)誤差也相對(duì)較低，為 ，這進(jìn)一步證明了模型預(yù)測值與真實(shí)值之間的平均絕對(duì)差較小。

2.2 研究討論

本研究創(chuàng)新性地將煙葉顏色分布信息應(yīng)用于預(yù)測煙葉煙堿含量，不僅具有理論價(jià)值，而且在實(shí)際應(yīng)用中展現(xiàn)出獨(dú)特的優(yōu)勢。具體而言，近年來在煙堿的預(yù)測方面，雖然已有使用近紅外光譜分析、高光譜成像以及深度學(xué)習(xí)等技術(shù)，但這些技術(shù)在實(shí)際應(yīng)用中成本較高，對(duì)技術(shù)人員的技術(shù)要求也較高，這無疑增加了技術(shù)推廣的難度。相比之下，利用顏色的空間分布信息和機(jī)器學(xué)習(xí)方法的技術(shù)難度較低，對(duì)技術(shù)人員的要求相對(duì)較低，所需的相關(guān)系統(tǒng)搭建也更加方便簡單、成本低，更便于實(shí)際應(yīng)用。因此，顏色的空間分布信息和機(jī)器學(xué)習(xí)方法在實(shí)際應(yīng)用中具有獨(dú)特的優(yōu)勢。

在研究后期階段，深入對(duì)比了所提的四類經(jīng)典機(jī)器學(xué)習(xí)方法，旨在確保結(jié)果的嚴(yán)謹(jǐn)性與可靠性。所有相關(guān)實(shí)驗(yàn)均基于統(tǒng)一的數(shù)據(jù)集和平臺(tái)，并運(yùn)用MSE、MAE及 作為評(píng)價(jià)標(biāo)準(zhǔn)。圖4直觀展示了這四種模型在預(yù)測煙草樣本煙堿含量時(shí)的性能差異。具體地，圖中的每一個(gè)散點(diǎn)均代表了實(shí)際測量值與模型預(yù)測值之間的對(duì)應(yīng)關(guān)系，其中橫坐標(biāo)代表真實(shí)值，而縱坐標(biāo)則代表預(yù)測值。值得注意的是，圖中均有一條y = x 的紅色虛線作為參照，若模型預(yù)測值與真實(shí)值完全一致，則所有散點(diǎn)應(yīng)緊密圍繞此線分布。觀察結(jié)果顯示，在RandomForestRegressor與XGBRegressor模型中，散點(diǎn)分布相對(duì)分散，尤其在對(duì)角線兩側(cè)，表明這兩類模型的預(yù)測值與真實(shí)值之間存在明顯偏差。相較之下，KNN與MLP模型表現(xiàn)相對(duì)更佳。然而，MLP模型在煙堿含量較低時(shí)，其預(yù)測值往往偏高，這從散點(diǎn)分布在對(duì)角線上方的情況可以得到驗(yàn)證。而在KNN模型中，煙堿百分比位于 0 . 5 % ～ 3 % 這一范圍內(nèi)時(shí)，其預(yù)測值的準(zhǔn)確性顯著提升，表現(xiàn)為散點(diǎn)在對(duì)角線附近緊密分布。

3結(jié)論

本研究通過分析煙葉的顏色分布信息建立了對(duì)煙葉煙堿含量檢測的多個(gè)定量模型，通過評(píng)估指標(biāo)進(jìn)行了綜合比較，結(jié)果表明該方法測得的值與實(shí)際值接近，其中K-NearestNeighbors（KNN）且 k 值取為5的時(shí)候模型表現(xiàn)最優(yōu)異，達(dá)到了預(yù)計(jì)效果，其精度完全滿足對(duì)于快速預(yù)測煙葉煙堿含量的要求。

后續(xù)會(huì)對(duì)總糖、總氮等其他相關(guān)常規(guī)化學(xué)指標(biāo)進(jìn)行建模，希望本研究能夠?yàn)闊熑~質(zhì)控以及煙葉的分級(jí)，提供切實(shí)、可行的指導(dǎo)和借鑒。

參考文獻(xiàn)：

[1]蔣薇，湯亮，薛博文，等.基于連續(xù)小波變換的烤煙葉片總氮和煙堿含量高光譜監(jiān)測預(yù)測研究[J].中國煙草學(xué)報(bào)，2023，29（4）：33-43.

[2]王玉華，杜傳印，王先偉，等.箱式烘烤對(duì)烤后煙葉品質(zhì)的影響[J].安徽農(nóng)業(yè)科學(xué)，2024，52（1）：172-177

[3]朱貝貝，何聲寶，安泓汐，等.不同用途雪茄煙葉化學(xué)成分分析及其對(duì)感官質(zhì)量的影響[J].安徽農(nóng)業(yè)科學(xué)，2023，51（23）：181-184.

[4]冷紅瓊，郭亞東，劉巍，等.FT-NIR光譜法測定煙草中綠原酸、蕓香苷、茛蓉亭及總多酚含量[J].光譜學(xué)與光譜分析，2013，33（7）：1801-1804.

[5]葛炯，王維妙，張建平.近紅外光譜技術(shù)對(duì)煙草pH值的快速測定[J].分析測試學(xué)報(bào)，2009，28（6）：742-745.

[6]潘威，馬文廣，鄭昀曄，等.用近紅外光譜無損測定煙草種子淀粉含量[J].煙草科技，2017，50（2）：15-21.

[7]李陽陽，張辭海，彭黔榮，等.近紅外光譜快速測定卷煙煙氣中煙堿·焦油和一氧化碳釋放量[J].安徽農(nóng)業(yè)科學(xué)，2022，50（17）：175-178.

[8]吳雪梅，張富貴，呂敬堂.基于圖像顏色信息的茶葉嫩葉識(shí)別方法研究[J].茶葉科學(xué)，2013，33（6）：584-589.

[9]劉艷萍，王云，賈哲，等.基于顏色-特征成分關(guān)聯(lián)分析及網(wǎng)絡(luò)藥理學(xué)的金銀花質(zhì)量標(biāo)志物（Q-Marker）研究[J].中草藥，2024，55（14）：4882-4896.

[10]梁洪波，李念勝，元建，等.烤煙煙葉顏色與內(nèi)在品質(zhì)的關(guān)系[J].中國煙草科學(xué)，2002（1）：9-11.