农业机械学报

作者：杨忠泮，靳伍银，吴恋恋，张新新，堵劲松

单位：兰州理工大学;甘肃烟草工业有限责任公司,兰州理工大学,甘肃烟草工业有限责任公司,中国烟草总公司郑州烟草研究院,中国烟草总公司郑州烟草研究院,

关键词：加料烟叶;丙二醇含量;无损检测;高光谱成像;卷积神经网络;CARS算法

基金：中国烟草总公司重大科技项目(110202401040(YJ-03))、中国烟草实业发展中心科技计划项目(ZYSYQ-2023-09)和甘肃烟草工业有限责任公司科技项目(KJXM-2023-09)

烟叶加料作为烟草加工制丝工艺中的关键环节，对改善烟叶的物理和化学特性，以及提升产品品质具有重要意义，但现有加料精度检测主要集中在用量监控，缺乏加料后效果的评估。本文针对加料后烟叶的微量添加物含量的无损检测及可视化分析，构建了基于高光谱成像和卷积神经网络（CNN）方法的烟叶微量添加物含量检测模型、光谱预处理方法与特征波长选择技术优化开展建模探究。通过高光谱成像系统采集添加不同比例丙二醇烟叶样本的光谱数据，分别采用标准正态变换（SNV）、多元散射校正（MSC）、Savitzky-Golay滤波平滑3种数据预处理方法对比，并通过竞争性自适应重加权算法（CARS）、主成分分析（PCA）筛选特征波长以及光谱曲线波谷点对应波长，确定了1146、1614、2511、2517、2522、1941nm 6个共同的一致关键波长。分别构建CNN、随机森林（RF）、偏最小二乘回归（PLSR）模型进行加料烟叶微量添加物丙二醇含量的检测。结果表明，SNV-PCA-CNN模型在训练集和测试集中的检测效果最佳，取前4个主成分数量累计贡献率可达99%，训练集决定系数R2C为0.9880、均方根误差RMSE为0.0020kg/kg，测试集决定系数R2P为0.9896、均方根误差RMSE为0.0021kg/kg，具备优良的拟合与泛化能力，深度学习CNN模型在测试集上的表现显著优于机器学习RF和PLSR方法。因此基于高光谱成像的CNN模型能够对加料烟叶微量添加物丙二醇含量及可视化进行准确检测及评估。

来源：2025年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第4期