煙葉含水率是煙草工業(yè)中決定加工工藝參數(shù)（如烘烤溫度、卷煙燃燒效率）和儲(chǔ)存品質(zhì)（防霉、防蟲）的核心指標(biāo)。傳統(tǒng)檢測方法中，烘干法雖為行業(yè)標(biāo)準(zhǔn)（ISO 349:2017），但需破壞樣品且單次檢測耗時(shí)超過2小時(shí)；電導(dǎo)率法則因煙葉表面油分干擾導(dǎo)致重復(fù)性差。高光譜成像技術(shù)（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(nèi)同步獲取煙葉表面水分分布，其技術(shù)優(yōu)勢在煙草分級(jí)、在線分選等場景中逐漸顯現(xiàn)。近年來，隨著機(jī)器學(xué)習(xí)算法與成像硬件的迭代，相關(guān)研究已從實(shí)驗(yàn)室驗(yàn)證轉(zhuǎn)向?qū)嶋H產(chǎn)線測試，推動(dòng)煙草品質(zhì)控制向智能化、精準(zhǔn)化方向發(fā)展。

高光譜成像技術(shù)原理

光譜吸收機(jī)制

水分在近紅外波段（1300–1900 nm）的O-H鍵伸縮振動(dòng)（1450 nm）及彎曲振動(dòng)（1950 nm）吸收峰強(qiáng)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(jì)算）。此外，水分含量超過18%時(shí)，細(xì)胞結(jié)構(gòu)膨脹導(dǎo)致光散射路徑延長，使光譜斜率在900–1200 nm波段發(fā)生非線性偏移。

研究進(jìn)展

光譜預(yù)處理與特征提取

噪聲抑制技術(shù)

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

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

小波閾值降噪：對(duì)光譜進(jìn)行離散小波變換（DWT），在db4基函數(shù)下選擇軟閾值（如固定閾值0.1×σ，σ為噪聲標(biāo)準(zhǔn)差），可提升信噪比20%以上。

特征波段篩選

基于連續(xù)投影算法（SPA）的特征選擇流程：

計(jì)算所有波段與含水率的相關(guān)系數(shù)（Pearson ≥0.6）；

通過SPA迭代選擇貢獻(xiàn)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(guān)系數(shù)>0.9的相鄰波段）。
研究表明，精選10–15個(gè)特征波段可使模型計(jì)算效率提升3倍，同時(shí)保持R2>0.80。

數(shù)據(jù)降維方法

主成分分析（PCA）：將原始512維光譜數(shù)據(jù)降至前5個(gè)主成分（累計(jì)方差貢獻(xiàn)率≥85%）；

局部保留投影（LPP）：在保持樣本鄰域結(jié)構(gòu)的前提下，將特征維度壓縮至20維，適用于小樣本數(shù)據(jù)集（如n<100）；

深度特征提取：利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）自動(dòng)學(xué)習(xí)光譜-空間聯(lián)合特征，其提取的抽象特征在跨品種測試中表現(xiàn)更優(yōu)（如云煙87到K326的預(yù)測誤差從4.2%降至2.8%）。

建模方法研究

傳統(tǒng)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(shí)驗(yàn)室靜態(tài)檢測中表現(xiàn)穩(wěn)定（R2=0.88±0.03），但對(duì)光照變化敏感；

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

機(jī)器學(xué)習(xí)方法

支持向量機(jī)（SVM）：采用徑向基核函數(shù)（RBF，γ=0.1，C=100），在含水率10–25%區(qū)間內(nèi)實(shí)現(xiàn)R2=0.92；

隨機(jī)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(xiàn)度達(dá)28%；

梯度提升決策樹（XGBoost）：通過正則化參數(shù)（λ=0.3，學(xué)習(xí)率=0.1）控制過擬合，在交叉驗(yàn)證中RMSE穩(wěn)定在1.1%以內(nèi)。

深度學(xué)習(xí)前沿

卷積神經(jīng)網(wǎng)絡(luò)（CNN）：構(gòu)建ResNet-18架構(gòu)，在光譜-圖像融合數(shù)據(jù)集上（輸入尺寸224×224×240）實(shí)現(xiàn)端到端預(yù)測，測試集準(zhǔn)確率達(dá)92%；

圖神經(jīng)網(wǎng)絡(luò)（GNN）：將光譜立方體轉(zhuǎn)化為圖結(jié)構(gòu)（節(jié)點(diǎn)為像素，邊為空間鄰接關(guān)系），在葉片裂隙區(qū)域的水分預(yù)測中誤差降低15%；

聯(lián)邦學(xué)習(xí)框架：煙草企業(yè)間通過加密參數(shù)共享訓(xùn)練模型，使跨地域數(shù)據(jù)集（云南、湖南、河南）的預(yù)測誤差從3.5%降至1.8%。

硬件系統(tǒng)優(yōu)化

成像設(shè)備小型化

推掃型高光譜相機(jī)（如VIX-N110P）的典型參數(shù)：

波長范圍：400–1000 nm；

光譜分辨率：1nm；

采樣間隔：0.5nm。

環(huán)境控制技術(shù)

LED光源系統(tǒng)：采用多波長LED陣列（450–900 nm），通過PWM調(diào)光實(shí)現(xiàn)光強(qiáng)穩(wěn)定性±3%；

環(huán)境艙設(shè)計(jì)：恒溫恒濕箱（25±1℃，60±5% RH）消除溫濕度波動(dòng)對(duì)光譜的影響，使重復(fù)性誤差從4.1%降至1.5%；

多角度成像：配置旋轉(zhuǎn)臺(tái)采集0°–60°多視角光譜，補(bǔ)償葉片曲率導(dǎo)致的反射率偏差。

關(guān)鍵技術(shù)突破

高光譜成像技術(shù)正推動(dòng)煙草檢測從“經(jīng)驗(yàn)驅(qū)動(dòng)”向“數(shù)據(jù)驅(qū)動(dòng)”轉(zhuǎn)型。當(dāng)前研究已突破實(shí)驗(yàn)室驗(yàn)證階段，在云南中煙、湖南中煙等企業(yè)試點(diǎn)中，水分檢測效率提升80%，分揀準(zhǔn)確率超95%。未來需重點(diǎn)關(guān)注低成本設(shè)備研發(fā)與算法輕量化部署，同時(shí)加強(qiáng)跨學(xué)科合作（如與植物生理學(xué)、燃燒動(dòng)力學(xué)的交叉研究），以實(shí)現(xiàn)從單點(diǎn)水分檢測到煙草全產(chǎn)業(yè)鏈質(zhì)量控制的跨越。隨著2025年“智慧煙草”戰(zhàn)略目標(biāo)的推進(jìn)，高光譜技術(shù)有望成為煙草工業(yè)4.0的核心使能技術(shù)之一。

審核編輯 黃宇