48中国烟草学报ActaTabacariaSinica2025Vol.31No.6
郭玉立.基于多模态的烟叶等级预测方法试验研究与应用[J].中国烟草学报，2025，31（6）：48-58.GUOYuli.Experimentalstudy
andapplicationofamultimodalapproachfortobaccoleafgradeprediction[J].ActaTabacariaSinica,2025,31(6):48-58.
doi:10.16472/j.chinatobacco.2025.T0133
基于多模态的烟叶等级预测方法试验研究与应用
郭玉立
中烟物流技术有限责任公司数字业务部，湖南长沙东六路410000
摘要：利用人工智能多模态算法解决烤烟等级识别率低的问题。首先，利用OpenCV对烟叶进行去背景，并提取烟叶形态学特
征，如长度、宽度、含青率等45个特征；依据烟叶含青率和含杂率筛选出青、杂烟；其次，分析烟叶的部位形态学特征，利用
Densenet稠密连接神经网络融合SE注意力机制构建深度学习模型，并在深度学习最后一层加入烟叶的部分形态学特征，收集烟
叶5个部位图像数据进行训练，得到烟叶的部位识别准确率为92.46%；然后，分析烟叶各个部位不同等级的特征，以烟叶形态学
特征中的H均值、S均值等特征作为输入，烟叶等级为输出，采用随机森林算法构建机器学习模型，并利用遗传算法进行参数寻
优；最后，得到烟叶各个部位等级的平均预测精度为93.438%。经过实测得出烟叶等级的综合识别率为85.87%。该方法可为行业
智能化烟叶收购提供有力帮助。
关键词：烤烟；形态学；深度学习；机器学习；遗传算法
近年来，随着人工智能技术的发展，计算机视觉、并利用SSA对BP网络模型的权值和阈值进行优化，
[6]
数据科学与分析等前沿技术相继应用到烟草行业。烤完成网络模型的训练。陈人杰提出了一种形态特征
烟收购是保证烟叶质量的重要环节。目前，烟叶分定提取算法，结合自定义的灰度化，解决了形态特征
级主要依靠人工分选，受人为主观随意性、工人水平准确和鲁棒性低的缺点，使用HSI颜色空间和颜色矩
等因素的影响，烟叶分级识别率低下的状况时有发生。的方法对烟叶的颜色特征进行提取，优化了卷积神经
[7]
学者围绕如何提升烟叶分级方面展开了大量的工网络EfficientNetV2-S。李士静研究了高光谱数据经
[1]MSC预处理后，利用F-Score算法选取特征波段，在
作，取得了阶段性进展：顾晓东利用基于Fisher的
[8]
方法鉴别分析以及集成学习模型方法对5种烟叶进行不同特征波段数量下分类正确率的变化。陈壮宇以
分级，以颜色、纹理、形状为特征得到综合准确率南岭丘陵生态区-焦甜醇甜香型烟叶为实验材料，综合
74.8%。Xudong[2]利用深度学习技术，在烟叶的质量和评价值S为指标，探讨打叶框栏形状和尺寸组合以及
分类方面进行特征提取，构建图像分类算法以及模型烟叶等级对打后叶片结构的影响。LiRuidong[9]提出了
[3]基于手持式近红外光谱仪和粒子群优化极值学习机算
优化策略实现了烟叶分级。刘松岳利用语义分割网
络DeepLabv3+将重叠的烟叶进行分割，得出在多单法的组合，并分别与传统的线性判别分析、支持向量
片烟叶数据集上平均分级准确率达到71.23%，以及两机和极值学习