基于特征融合与贝叶斯优化的烟草烘烤阶段混合专家识别模型研究

本研究针对烟草烘烤阶段识别中单一特征或模型精度不足的问题，提出基于特征融合的贝叶斯混合专家模型。通过整合ResNet34、MobileNetV2和EfficientNetb0的深度特征与传统特征（颜色/纹理/像素），采用串联融合、尺度融合和自适应门控融合策略构建多层次特征表示，结合贝叶斯优化集成方法，最终在测试集实现93.96%的识别准确率，为烟草产业智能化升级提供关键技术支撑。

　　

烟草烘烤是决定烟叶品质的核心环节，传统依赖人工经验判断烘烤阶段的方法存在主观性强、响应滞后等问题。由于烟叶外观特征受产区、品种和烘烤环境等多因素影响，单一模型难以应对复杂动态变化。针对这一技术瓶颈，中国农业科学院烟草研究所等机构的研究人员创新性地提出基于特征融合与贝叶斯优化的混合专家识别模型。

研究团队首先构建了包含30,158张烟叶图像的多产区数据集，涵盖10个典型烘烤阶段。通过数据增强技术（旋转/对比度调整/噪声注入等）提升模型泛化能力。关键技术包括：（1）融合传统特征（27个颜色/纹理指标）与深度特征（ResNet34/MobileNetV2/EfficientNetb0提取）；（2）开发三种特征融合策略（串联/尺度/自适应门控）；（3）采用贝叶斯优化集成三个最优基模型，相比投票法和加权平均法提升1.36%准确率。

特征提取与融合
通过相关性分析筛选出27个与烘烤阶段显著正相关的传统特征，结合深度卷积网络提取的高维特征。自适应门控融合表现最优，其通过Sigmoid(MLP([F_d
,F_t
]))动态调整特征权重，使ResNet34-adaptive模型准确率达90.94%。

模型集成
贝叶斯优化确定各模型先验概率（0.1458-0.4789）和似然值（0.7479-0.7759），集成后准确率提升至93.96%，显著优于单模型（最高90.66%）和传统集成方法。如图10所示，该机制能自适应平衡不同模型贡献，在颜色变化敏感阶段（5-7阶段）仍保持稳定识别。

可靠性验证
如图11所示，模型在01/04/10阶段表现最佳（准确率>95%，熵值0.10-0.19），而在07/08阶段需进一步优化（准确率83-86%）。嵌入式设备测试显示，树莓派5B平台可实现93%准确率与1000ms内单帧处理速度，满足实时监测需求。

该研究通过多尺度特征融合与概率化集成策略，首次实现复杂环境下烟叶烘烤阶段的精准识别。创新性体现在：（1）构建传统特征与深度特征的互补表征体系；（2）开发动态权重调整的自适应门控机制；（3）建立基于贝叶斯理论的模型不确定性量化框架。相比现有技术，识别准确率提升3.3%，为烟草加工智能化提供了可解释、可落地的解决方案。研究结果发表于《Plant Methods》，其方法论对农产品加工过程监控具有普适性参考价值。