一种新型的跨模态解耦双光谱融合系统与方法：以现场估算新鲜烟草叶片干燥特性为例

《Industrial Crops and Products》：A novel cross-modal decoupling dual-spectral fusion system and method: A case study on the on-site estimation of fresh tobacco leaf curing characteristics

烟草leaf的易熟特性和耐熟特性估算需结合多光谱数据与深度学习模型。本文提出一种双光谱系统（ChlF和VNIR）与CMCDN-MT模型，通过多任务学习策略，有效融合两种光谱模态的特征。实验表明，该模型在测试集上EaCC和EnCC的准确率分别为88.00%和86.00%，推理时间仅3.35ms，显著优于传统机器学习和单一模态方法。模型创新性地采用跨模态协作解耦网络，结合任务驱动特征融合模块，解决了多任务协同中的特征冲突问题，同时通过三角聚类损失函数优化模态解耦过程。研究为烟草 curing 质量快速评估提供了可靠工具，并验证了多光谱融合在农业品质检测中的潜力。

　　烟草是一种全球广泛种植的非粮食作物，对于许多发展中国家的农民来说，它是重要的经济来源。在烟草加工过程中，烘烤是一个关键环节，决定了烟草叶的工业品质。然而，不恰当的烘烤可能会降低鲜烟叶的品质，从而影响其市场价值。烘烤特性是鲜烟叶的内在品质，由农艺过程形成，是设计烘烤策略的主要参考。烘烤特性的评估包括两个方面：易烘烤特性（EaCC）和耐烘烤特性（EnCC）。每个特性进一步分为三个等级，通常定义为优良、正常和较差。

目前，烟草种植者仍然依赖视觉检查和感官评估来判断鲜烟叶的烘烤特性。由于个体经验的差异，这种主观方法常常导致结果不一致和不准确。为了提高评估的客观性，已经建立了诸如暗室实验和烘烤室实验等标准方法。然而，这些方法耗时费力，通常需要大约15天才能完成一次评估。在实践中，鲜烟叶的烘烤必须在收获后一天内开始。因此，这些方法无法提供及时可靠的评估来指导烘烤策略的设计。随着智能烘烤技术的发展，迫切需要更快速、更高效的方法来估计鲜烟叶的烘烤特性。

近年来，光谱分析技术在精准农业中被越来越多地应用，用于快速和非破坏性地评估作物品质。特别是可见-近红外（VNIR）光谱和叶绿素荧光（ChlF）光谱，由于其高灵敏度和光谱分辨率，特别适用于评估鲜叶质量。ChlF光谱可以揭示叶片的光合作用效率和生理状态，而VNIR光谱可以检测电子跃迁和氢相关化学键，从而揭示关键的生化成分。先前研究表明，不同烘烤特性的烟草叶在生化成分（如叶绿素、类胡萝卜素）和生理特性（如含水量、光合作用）方面存在差异。此外，这些差异可以在叶片的反射光谱中检测到。这些研究表明，VNIR和ChlF光谱可能在估计鲜烟叶的烘烤特性方面具有潜力。然而，据我们所知，尚未有研究探讨这两种光谱在估计鲜烟叶烘烤特性方面的有效性及性能差异。

除了信息感知组件，典型的光谱分析方法还包括另一个关键元素：算法模型。传统建模方法主要集中在机器学习算法上，如支持向量机、反向传播神经网络和随机森林。然而，机器学习模型依赖于有效的预处理和特征提取方法，以减少原始光谱数据中的噪声干扰。识别多源光谱数据集的统一和普遍最优处理组合具有挑战性和耗时性。为了解决这些技术挑战，深度学习在自动特征提取和复杂模式识别方面显示出显著优势。在深度学习中，卷积神经网络（CNN）特别适合于光谱分析，因其强大的特征提取能力和快速的计算速度。有研究提出了一种端到端的CNN模型，用于基于荧光光谱评估橄榄油质量。另一项研究证明，CNN模型在识别微发芽小麦粒方面显著优于传统方法，准确性和效率均较高。在使用超光谱数据的典型CNN模型中，可以准确分类折叠的晒制烟草，即使样本数量仅为400左右。然而，简单的CNN模型只能处理单模态信息，导致模型准确性和稳定性较差。鉴于田间作物的自然变化和复杂性，有必要开发更稳定和鲁棒的模型。

数据融合方法为提高光谱分析模型的稳定性提供了有价值的见解。为了提高深度学习网络的性能，已经研究了CNN与数据融合策略的结合。提出了一种双分支CNN模型，用于融合VNIR和近红外（NIR）光谱，以预测鸡肉胸肉中的TVB-N和TVC。使用无人机和地面传感器集成的双流CNN被用来预测玉米叶的叶绿素含量和平均叶角。这些研究显示，结合多光谱融合技术和深度学习算法可以实现更准确的预测结果。然而，仍然存在两个主要挑战：（1）忽视了模态间的信息交互和相互监督，直接融合单模态特征未能充分捕捉模态间的互补信息；（2）设计的融合模块忽视了探索所需特征的通用性和特异性。预测多个质量属性需要设计和训练单独的模型，这在实际应用中是不切实际的。这些挑战突显了开发更先进和高效的数据融合算法的必要性。

本研究的目的是基于VNIR光谱和ChlF光谱建立一种快速和准确的鲜烟叶烘烤特性（EaCC和EnCC等级）估计方法。为了更好地利用多模态数据，本研究提出了一种任务驱动的模态解耦融合策略。具体目标包括：（1）开发一种双光谱采集系统，能够自动从多个叶区域获取ChlF和VNIR光谱；（2）提出一种基于多任务的跨模态协同解耦网络（CMCDN-MT模型），以预测烟草叶的EaCC和EnCC等级；（3）通过与典型的数据层和特征层融合策略的比较，评估融合策略的有效性；（4）通过与主流机器学习和先进深度学习模型的比较，评估所提出模型的性能。

在本研究中，鲜烟叶样品是从福建省连城县的主要烟草种植区收集的。当地的气候是亚热带海洋季风，夏季温暖多雨。选择了土壤肥力适中且无病虫害的烟草田作为实验田，面积为8000平方米。根据当地的烟草烘烤周期，由当地农艺师选择代表性的鲜烟叶。在每次采样中，收集100片鲜烟叶并运输到实验室。为了避免采样偏差并确保多样性，从任何单个烟草植株中最多采集两片烟叶。烟叶在清晨6:00至8:00之间收获，时间为5月至6月下旬。从实验田中总共收集了500片烟草叶用于数据收集和建模。所有烟草叶均从云烟87植株的中部收获。烟草田管理遵循当地的农艺标准。

本研究中，样品的ChlF光谱和VNIR光谱数据是使用自开发的双光谱系统采集的。系统由图像引导单元、光谱激发单元和光谱接收单元组成。图像引导单元包括漫射环形光源、工业相机和三轴位移台。先前研究表明，新鲜叶片中的叶绿素在蓝紫光谱范围（430-450nm）中具有强吸收，而450nm激发能提供高效的叶绿素荧光信号。基于这些发现，使用450nm激光和卤素灯分别激发烟草叶的ChlF和VNIR光谱。光谱接收单元集成了多分支光纤探头和具有350-1100nm波长范围和1nm分辨率的光谱仪。采集过程涉及模式切换，以获取ChlF和VNIR光谱。

由于ChlF和VNIR光谱的贡献不均，设计了一种基于多任务的跨模态协同解耦网络（CMCDN-MT模型）来融合这两种光谱，同时估计EaCC和EnCC等级。CMCDN-MT集成了两个独立的子网络和一个分支交互子网络，以在三模态聚类损失函数的监督下提取单模态和跨模态光谱特征。设计了一个任务驱动的模态融合（TDMF）模块，以自适应地重新组织子任务偏好特征，减少多任务中的冲突。与单光谱、单任务、传统机器学习和先进深度学习模型相比，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

本研究的目的是建立一种基于VNIR光谱和ChlF光谱的快速准确的鲜烟叶烘烤特性（EaCC和EnCC等级）估计方法。为了更好地利用多模态数据，本研究提出了一种新颖的任务驱动的模态解耦融合策略。具体目标包括：（1）开发一种双光谱采集系统，能够自动从多个叶区域获取ChlF和VNIR光谱；（2）提出一种基于多任务的跨模态协同解耦网络（CMCDN-MT模型）来预测烟草叶的EaCC和EnCC等级；（3）通过与典型的数据层和特征层融合策略的比较，评估融合策略的有效性；（4）通过与主流机器学习和先进深度学习模型的比较，评估所提出模型的性能。

为了提高模型的稳定性和泛化能力，数据融合方法提供了有价值的见解。为提高深度学习网络的性能，已经研究了CNN与数据融合策略的结合。提出了一种双分支CNN模型，用于融合VNIR和NIR光谱，以预测鸡肉胸肉中的TVB-N和TVC。使用无人机和地面传感器集成的双流CNN被用来预测田间玉米叶的叶绿素含量和平均叶角。这些研究显示，结合多光谱融合技术和深度学习算法可以实现更准确的预测结果。然而，仍然存在两个主要挑战：（1）忽视了信息交互和相互监督，直接融合单模态特征未能充分捕捉模态间的互补信息；（2）设计的融合模块忽视了探索所需特征的通用性和特异性。预测多个质量属性需要设计和训练单独的模型，这在实际应用中是不切实际的。这些挑战突显了开发更先进和高效的数据融合算法的必要性。

本研究的目的是建立一种基于VNIR光谱和ChlF光谱的快速准确的鲜烟叶烘烤特性（EaCC和EnCC等级）估计方法。为了更好地利用多模态数据，本研究提出了一种新颖的任务驱动的模态解耦融合策略。具体目标包括：（1）开发一种双光谱采集系统，能够自动从多个叶区域获取ChlF和VNIR光谱；（2）提出一种基于多任务的跨模态协同解耦网络（CMCDN-MT模型）来预测烟草叶的EaCC和EnCC等级；（3）通过与典型的数据层和特征层融合策略的比较，评估融合策略的有效性；（4）通过与主流机器学习和先进深度学习模型的比较，评估所提出模型的性能。

本研究中，ChlF和VNIR光谱数据是使用自开发的双光谱系统采集的。该系统包括图像引导单元、光谱激发单元和光谱接收单元。图像引导单元包括漫射环形光源、工业相机和三轴位移台。光谱激发单元使用卤素灯和450nm激光分别激发ChlF和VNIR光谱。光谱接收单元集成了多分支光纤探头和光谱仪，其波长范围为350-1100nm，分辨率为1nm。系统架构和采集ChlF和VNIR光谱数据的流程如图1所示。

图1展示了ChlF光谱和VNIR光谱的采集过程。首先，光谱仪被预热并校准其参数。用于VNIR光谱激发的卤素灯功率设为35W，而用于ChlF光谱激发的激光功率设为40mW。ChlF光谱和VNIR光谱的积分时间分别设为20ms和50ms。光纤探头与叶表面的垂直距离保持在20mm。然后，将鲜烟叶样品平铺在样品平台上，拍摄完整的烟草叶图像并标记以获取光谱采集点的坐标。使用六点采样法确定光谱采集点的位置，这是根据先前研究的实践进行的。

每个叶被分为左右部分，基于主脉，然后每个部分被进一步分为从叶尖到叶基的三个大致相等的区域。光谱采样点位于每个烟草叶区域的中心附近，远离主脉。在标记图像上的光谱采集点后，配备光纤探头的三轴位移模块移动并自动采集光谱。通过光学路径切换实现了激发光源的交替切换。

为了减少在光谱采集过程中由光强波动和暗电流引起的噪声，VNIR光谱根据公式进行校准。由于激发光源的干扰，在采集ChlF光谱时，蓝紫光谱范围（400-500nm）会发生过曝。因此，移除了500nm以下的光谱数据，留下600个光谱带，这些被认为是有效的ChlF光谱。为了确保后续模型的输入维度一致，应用线性插值调整VNIR光谱长度至600，如公式所示。之后，通过平均六个区域的光谱数据，获得了代表烟草叶整体质量的平均ChlF和VNIR光谱。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于使用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

本研究的目的是建立一种基于VNIR光谱和ChlF光谱的快速准确的鲜烟叶烘烤特性（EaCC和EnCC等级）估计方法。为了更好地利用多模态数据，本研究提出了一种新颖的任务驱动的模态解耦融合策略。具体目标包括：（1）开发一种双光谱采集系统，能够自动从多个叶区域获取ChlF和VNIR光谱；（2）提出一种基于多任务的跨模态协同解耦网络（CMCDN-MT模型）来预测烟草叶的EaCC和EnCC等级；（3）通过与典型的数据层和特征层融合策略的比较，评估融合策略的有效性；（4）通过与主流机器学习和先进深度学习模型的比较，评估所提出模型的性能。

本研究中，ChlF和VNIR光谱数据是使用自开发的双光谱系统采集的。该系统包括图像引导单元、光谱激发单元和光谱接收单元。图像引导单元包括漫射环形光源、工业相机和三轴位移台。光谱激发单元使用卤素灯和450nm激光分别激发ChlF和VNIR光谱。光谱接收单元集成了多分支光纤探头和光谱仪，其波长范围为350-1100nm，分辨率为1nm。系统架构和采集ChlF和VNIR光谱数据的流程如图1所示。

图1展示了ChlF光谱和VNIR光谱的采集过程。首先，光谱仪被预热并校准其参数。用于VNIR光谱激发的卤素灯功率设为35W，而用于ChlF光谱激发的激光功率设为40mW。ChlF光谱和VNIR光谱的积分时间分别设为20ms和50ms。光纤探头与叶表面的垂直距离保持在20mm。然后，将鲜烟叶样品平铺在样品平台上，拍摄完整的烟草叶图像并标记以获取光谱采集点的坐标。使用六点采样法确定光谱采集点的位置，这是根据先前研究的实践进行的。

每个叶被分为左右部分，基于主脉，然后每个部分被进一步分为从叶尖到叶基的三个大致相等的区域。光谱采样点位于每个烟草叶区域的中心附近，远离主脉。在标记图像上的光谱采集点后，配备光纤探头的三轴位移模块移动并自动采集光谱。通过光学路径切换实现了激发光源的交替切换。

为了减少在光谱采集过程中由光强波动和暗电流引起的噪声，VNIR光谱根据公式进行校准。由于激发光源的干扰，在采集ChlF光谱时，蓝紫光谱范围（400-500nm）会发生过曝。因此，移除了500nm以下的光谱数据，留下600个光谱带，这些被认为是有效的ChlF光谱。为了确保后续模型的输入维度一致，应用线性插值调整VNIR光谱长度至600，如公式所示。之后，通过平均六个区域的光谱数据，获得了代表烟草叶整体质量的平均ChlF和VNIR光谱。

本研究的目的是建立一种基于VNIR光谱和ChlF光谱的快速准确的鲜烟叶烘烤特性（EaCC和EnCC等级）估计方法。为了更好地利用多模态数据，本研究提出了一种新颖的任务驱动的模态解耦融合策略。具体目标包括：（1）开发一种双光谱采集系统，能够自动从多个叶区域获取ChlF和VNIR光谱；（2）提出一种基于多任务的跨模态协同解耦网络（CMCDN-MT模型）来预测烟草叶的EaCC和EnCC等级；（3）通过与典型的数据层和特征层融合策略的比较，评估融合策略的有效性；（4）通过与主流机器学习和先进深度学习模型的比较，评估所提出模型的性能。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型的比较，CMCDN-MT模型在测试中表现出最佳性能。使用CMCDN-MT模型部署的双光谱系统在识别低质量EaCC和EnCC烟叶时达到100.00%的精确度，EaCC等级的整体准确率为88.00%，EnCC等级的整体准确率为86.00%。由于采用了多任务策略，CMCDN-MT模型可以在3.35ms内同时估计样本的EaCC和EnCC等级。总体而言，所提出的方法显示出在线应用的潜力，并为其他工业作物的多属性质量评估提供了有效的方法。

为了提高模型的稳定性，设计了一个任务驱动的模态融合（TDMF）模块，自适应地重新组织子任务偏好特征，减少多任务中的冲突。通过与单光谱、单任务、传统机器学习和先进深度学习模型