煙葉含水率是煙草工業中決定加工工藝參數（如烘烤溫度、卷煙燃燒效率）和儲存品質（防霉、防蟲）的核心指標。傳統檢測方法中，烘干法雖為行業標準（ISO 349:2017），但需破壞樣品且單次檢測耗時超過2小時；電導率法則因煙葉表面油分干擾導致重復性差。高光譜成像技術（Hyperspectral Imaging, HSI）通過非接觸式光譜采集（空間分辨率≤0.1mm，光譜分辨率≤2nm），可在30秒內同步獲取煙葉表面水分分布，其技術優勢在煙草分級、在線分選等場景中逐漸顯現。近年來，隨著機器學習算法與成像硬件的迭代，相關研究已從實驗室驗證轉向實際產線測試，推動煙草品質控制向智能化、精準化方向發展。

高光譜成像技術原理

光譜吸收機制

水分在近紅外波段（1300–1900 nm）的O-H鍵伸縮振動（1450 nm）及彎曲振動（1950 nm）吸收峰強度隨含量變化顯著。例如，含水率每增加1%，1450 nm處吸光度可上升0.02–0.05（基于漫反射模型計算）。此外，水分含量超過18%時，細胞結構膨脹導致光散射路徑延長，使光譜斜率在900–1200 nm波段發生非線性偏移。

研究進展

光譜預處理與特征提取

噪聲抑制技術

Savitzky-Golay平滑：采用二次多項式擬合（窗口寬度7–15點），可消除高斯噪聲的同時保留吸收峰尖銳度；

多元散射校正（MSC）：通過標準化光譜斜率和截距，消除樣品厚度差異導致的基線偏移（如煙葉莖稈與葉片厚度差異可達3mm）；

小波閾值降噪：對光譜進行離散小波變換（DWT），在db4基函數下選擇軟閾值（如固定閾值0.1×σ，σ為噪聲標準差），可提升信噪比20%以上。

特征波段篩選

基于連續投影算法（SPA）的特征選擇流程：

計算所有波段與含水率的相關系數（Pearson ≥0.6）；

通過SPA迭代選擇貢獻度最大的波段（如1440 nm、1900 nm）；

消除冗余波段（波長間隔<20 nm且相關系數>0.9的相鄰波段）。
研究表明，精選10–15個特征波段可使模型計算效率提升3倍，同時保持R2>0.80。

數據降維方法

主成分分析（PCA）：將原始512維光譜數據降至前5個主成分（累計方差貢獻率≥85%）；

局部保留投影（LPP）：在保持樣本鄰域結構的前提下，將特征維度壓縮至20維，適用于小樣本數據集（如n<100）；

深度特征提取：利用卷積神經網絡（CNN）自動學習光譜-空間聯合特征，其提取的抽象特征在跨品種測試中表現更優（如云煙87到K326的預測誤差從4.2%降至2.8%）。

建模方法研究

傳統回歸模型

偏最小二乘回歸（PLSR）：通過尋找X（光譜）與Y（含水率）的共同潛變量，在實驗室靜態檢測中表現穩定（R2=0.88±0.03），但對光照變化敏感；

多元自適應回歸 spline（MARS）：通過分段多項式擬合非線性關系，在含水率梯度變化區域（如12–22%）的RMSE降低至0.9%。

機器學習方法

支持向量機（SVM）：采用徑向基核函數（RBF，γ=0.1，C=100），在含水率10–25%區間內實現R2=0.92；

隨機森林（RF）：通過100棵決策樹集成，在特征重要性分析中顯示1450 nm波段貢獻度達28%；

梯度提升決策樹（XGBoost）：通過正則化參數（λ=0.3，學習率=0.1）控制過擬合，在交叉驗證中RMSE穩定在1.1%以內。

深度學習前沿

卷積神經網絡（CNN）：構建ResNet-18架構，在光譜-圖像融合數據集上（輸入尺寸224×224×240）實現端到端預測，測試集準確率達92%；

圖神經網絡（GNN）：將光譜立方體轉化為圖結構（節點為像素，邊為空間鄰接關系），在葉片裂隙區域的水分預測中誤差降低15%；

聯邦學習框架：煙草企業間通過加密參數共享訓練模型，使跨地域數據集（云南、湖南、河南）的預測誤差從3.5%降至1.8%。

硬件系統優化

成像設備小型化

推掃型高光譜相機（如VIX-N110P）的典型參數：

波長范圍：400–1000 nm；

光譜分辨率：1nm；

采樣間隔：0.5nm。

環境控制技術

LED光源系統：采用多波長LED陣列（450–900 nm），通過PWM調光實現光強穩定性±3%；

環境艙設計：恒溫恒濕箱（25±1℃，60±5% RH）消除溫濕度波動對光譜的影響，使重復性誤差從4.1%降至1.5%；

多角度成像：配置旋轉臺采集0°–60°多視角光譜，補償葉片曲率導致的反射率偏差。

關鍵技術突破

高光譜成像技術正推動煙草檢測從“經驗驅動”向“數據驅動”轉型。當前研究已突破實驗室驗證階段，在云南中煙、湖南中煙等企業試點中，水分檢測效率提升80%，分揀準確率超95%。未來需重點關注低成本設備研發與算法輕量化部署，同時加強跨學科合作（如與植物生理學、燃燒動力學的交叉研究），以實現從單點水分檢測到煙草全產業鏈質量控制的跨越。隨著2025年“智慧煙草”戰略目標的推進，高光譜技術有望成為煙草工業4.0的核心使能技術之一。

審核編輯 黃宇