基于物理化学指标的多模光谱波段选择与融合技术，用于新鲜烟草叶子 curing 特性的无损检测

《Industrial Crops and Products》：Physicochemical indicator-driven multimodal spectroscopy band selection and fusion for non-destructive detection of curing characteristics in fresh tobacco leaves

　　黄忠涛|朱荣光|孟凌峰|康雅鹏|任杰
新疆石河子市石河子大学机电工程学院，邮编832003

**摘要**
烘烤特性，主要表现为易烘烤特性（EaCC）和耐烘烤特性（EnCC），是新鲜烟草叶质量分级和智能烘烤的关键指标。然而，现有的检测方法依赖于复杂的物理化学分析，这些方法具有破坏性，不适合实时应用。因此，本研究提出了一种基于物理化学指标的多模态光谱融合方法，用于快速且无损地检测新鲜烟草叶的烘烤特性。通过显著性分析，确定了与EaCC和EnCC相关的关键物理化学指标。这些指标被用作中间变量，以明确指导从叶绿素荧光（ChlF）、可见近红外（VNIR）和短波红外（SWIR）光谱中选择特征带。使用选定的光谱带和通过Sparrow搜索算法（SSA）优化的支持向量机（SVM）开发了多模态融合模型。结果表明：（1）叶绿素-a、叶绿素-b、类胡萝卜素、叶片厚度和SPAD值是影响EaCC的主要因素，其光谱响应主要出现在ChlF和VNIR模式中；水分含量、叶片厚度、叶绿素-a和尼古丁影响EnCC，其响应主要出现在VNIR和SWIR模式中；（2）该方法筛选出了129个和96个与EaCC和EnCC相关的特征带，分别消除了95.04%和96.31%的多余带；（3）使用基于物理化学指标的多模态光谱带开发的SSA-SVM模型，对EaCC和EnCC的准确率分别为83.00%和82.00%，优于CARS、SPA和IRIV等数据驱动方法。本研究提供了一种快速、无损的烘烤特性评估方法，强调了其在实时质量监测和新鲜及湿农业材料智能评估中的潜力。

**1. 引言**
烟草是经济发展中 Country 的主要经济作物，在提升农业经济和减少贫困方面具有重要的战略意义（Cui等人，2023年；Liu等人，2024年；Huang等人，2025b年）。然而，新鲜烟草叶通常具有较高的水分、尼古丁和淀粉含量，导致其工业利用价值较低（Wang等人，2014年；Wei等人，2018年；Di等人，2022年）。烘烤是连接田间种植和工业加工的关键环节，直接影响烟草叶的最终质量和经济价值（Jia等人，2023年；Li等人，2025a年）。EaCC和EnCC是分类新鲜烟草叶质量的重要标准，在烘烤过程中起着关键作用。因此，在烘烤前准确评估新鲜烟草叶的EaCC和EnCC至关重要。

近年来，研究人员对烟草叶烘烤特性的理论和仪器检测方面进行了广泛研究。目前，叶片质量评估主要依赖于感官评估和物理化学分析。感官评估基于视觉、嗅觉和触觉检查直接评估叶片质量，但通常精度较低。例如，有研究通过感官测试来评估烘烤后烟草叶的风味、香气和化学成分（Wang等人，2023年）。Li等人选取了三种美国烤烟叶，并通过感官分析评估了它们的特征香气（Li等人，2025b年）。Shi等人研究了不同灌溉方法和钾肥施用对新鲜烟草叶感官属性的交互作用，发现施用钾肥和蔗糖脂肪酸酯后，叶片的油含量更高、颜色更好、结构更开放，EaCC也更佳（Shi等人，2024年）。在物理化学分析方面，方法主要依赖于暗室实验（Wang等人，2021年）和烘烤室实验（He等人，2020年）。这些方法耗时且劳动密集，通常需要约15天才能完成评估，从而导致较大的时间滞后（Huang等人，2025a年）。例如，有研究对比了低温度缺氧干燥（LOD）和传统干燥（COD）方法，并结合淀粉颗粒的动态微结构分析和淀粉降解来详细评估叶片质量（Gu等人，2025年）。基于涉及低温、中等湿度黄化和中等湿度叶片干燥的烘烤技术，研究了不同加热速率对类胡萝卜素降解及相关酶活性的影响（Song等人，2010年）。研究结果表明，在批量烘烤过程中，类胡萝卜素降解产物（β-胡萝卜素、叶黄素、新黄质和 violaxanthin）在颜色固定阶段逐渐减少。在实际烟草叶生产中，新鲜叶片必须在收获后一天内开始烘烤。因此，感官评估和物理化学分析都无法提供准确及时的新鲜烟草叶烘烤特性评估，限制了它们在制定烘烤策略决策中的作用。随着智能烟草烘烤技术的发展，迫切需要开发一种快速、准确的检测新鲜烟草叶烘烤特性的方法和系统。

光谱分析是一种高效准确地从样品中获取多维光学信息的技术，且不会破坏样品结构，已广泛应用于农产品的快速质量评估研究中。其中，叶绿素荧光（ChlF）光谱学分析植物叶片在光照激发下发出的荧光光谱，反映了光合作用效率和生理状态；可见近红外（VNIR）光谱学分析可见光和近红外区域的反射变化，能够估算水分状况和叶绿素含量；短波红外（SWIR）光谱学分析植物在短波红外区域的反射和吸收特性，能够评估水分含量、碳水化合物相关化合物和结构性质。随着光谱数据类型和获取方法的多样性增加，数据融合技术为提高光谱分析模型的稳定性和泛化能力提供了新的研究方向（Nunekpeku等人，2024年）。例如，Cai等人（2024年）提出了一种双分支卷积神经网络（CNN）模型，用于融合VNIR和SWIR光谱信息以预测鸡胸肉中的总挥发性碱性氮和总挥发性化合物含量；Liu等人（2023年）使用215个苹果样本的VNIR和SWIR光谱，系统评估了多光谱信息融合与各种特征提取策略结合对建模性能的影响。这些研究表明，结合多光谱信息融合与机器学习方法可以提高预测精度。然而，将多模态光谱融合技术与机器学习模型有效集成仍面临几个关键挑战：1）多模态光谱数据的高维性和强烈的带间相关性导致大量信息冗余（Zhuang等人，2024年；Zhuang等人，2024年）；传统的融合策略（如高维数据的直接连接）会降低模型效率并增加过拟合风险；2）尽管现有的数据驱动特征选择方法可以降低维度，但往往缺乏机制可解释性，基本上仍然是“黑箱”方法。特征选择的不可解释性限制了跨模态互补信息的有效整合以及从融合结果中提取有意义的领域知识。

基于上述分析，本研究提出了一种基于物理化学指标的多模态光谱融合方法和系统，用于快速准确检测新鲜烟草叶的烘烤特性。首先，通过统计显著性分析识别与EaCC和EnCC相关的关键物理化学成分；然后，利用这些成分作为中间变量指导从多模态光谱中选择特征带，将EaCC和EnCC的形成机制明确纳入光谱特征筛选过程，从而提高模型的可解释性和鲁棒性；最后，基于支持向量机（SVM）、反向传播神经网络（BPNN）和偏最小二乘判别分析（PLS-DA）建立了多模态融合分类模型，并使用Sparrow搜索算法（SSA）对所有模型进行了优化。本研究的主要贡献如下：（1）建立了一个基于机制理解和可解释的多模态光谱融合框架；（2）开发了一种基于物理化学指标的多光谱分类模型和系统，用于准确预测烟草叶的EaCC和EnCC等级；（3）通过与典型数据驱动的特征选择方法对比，系统评估了所提出特征选择策略的有效性；（4）通过与主流机器学习模型的对比，全面验证了所提模型的性能。

**2. 材料与方法**
2.1. 样本采集
本研究中使用的新鲜烟草叶样本均来自中国福建省龙岩市。从当地土壤肥力适中、无病虫害的烟草田中选取了具有代表性的叶片样本，田间管理符合当地农艺标准。为防止强烈阳光造成日灼，采收时间安排在清晨06:00至08:00之间。2024至2025年间，共采集了500片新鲜烟草叶用于数据采集和特征物理化学成分分析。所有叶片均来自云烟87品种植物的中部茎秆位置。实验样本涵盖了四个关键的烘烤阶段：旺盛生长后期、早熟期、中熟期和晚熟期，确保了样本采集的时间分布具有代表性和全面性，如图1所示。

**2.2. 多模态光谱系统和数据采集**
2.2.1. 多模态光谱系统配置
为了获取新鲜烟草叶的ChlF、VNIR和SWIR光谱，设计并开发了一个多模态光谱检测系统。该系统主要包括图像采集单元、多模态光谱采集单元、叶片传送单元、控制单元和烘烤特性评估单元。系统有两种工作模式：一种是用于ChlF采集的荧光激发模式，另一种是用于VNIR和SWIR采集的宽带激发模式，如图2所示。

图像采集单元由工业相机（MV-CS200–10UC，Hikvision，中国）和漫射线性光源（MV-LLDS-H，Hikvision，中国）组成，用于获取烟草叶的完整视觉图像。工业相机的空间分辨率为5472×3648像素。这些图像用于指导多模态光谱采集单元自适应采集叶片信息。多模态光谱采集单元配备了多分支光纤探头、压缩夹持器、光谱仪（Lispec-NIR400–2.5TEC，LiSen Optics，美国）、卤素激发光源（LS-UV-HAL，LiSen Optics，美国）和荧光激发光源（TP-450LD，LiSen Optics，美国）。光谱仪的工作波长范围为350–2350 nm，光谱分辨率为1 nm，其中350–1100 nm范围用于ChlF和VNIR采集，1100–2350 nm范围用于SWIR采集。控制单元由PC终端和微控制器组成，自动化控制整个工作流程，包括系统控制、多模态数据采集和信号处理。经过光谱仪预热和参数校准后，VNIR和SWIR采集的卤素灯功率设定为35 W，ChlF激发的激光功率设定为40 mW。ChlF、VNIR和SWIR光谱的积分时间分别为20 ms、50 ms和12 ms。光纤探头与叶片表面的垂直距离固定为20 mm。采集的标准白色和暗参考光谱如图2(b)所示。

新鲜烟草叶平铺在样本传送平台上。图像采集单元首先捕捉每片叶片的完整图像，并确定光谱采集点。这些点的坐标被计算并映射到实际空间的相应三维位置，如图2(c)所示。根据这些坐标，控制单元驱动三轴位移台将光纤探头定位到每个采集点进行ChlF光谱采集。三轴位移台沿x轴和y轴的速度为100 mm/s，沿z轴的速度为50 mm/s。其单模块重复定位精度为±0.02 mm，由一个步进角为1.8°、丝杠螺距为5 mm的57步闭环电机驱动。随后，系统切换到宽带激发模式，进行VNIR和SWIR光谱的采集。

为了减少光谱采集过程中光照强度波动和暗电流引起的噪声，首先根据公式（1）（Zou等人，2025年）使用白色和暗参考校准对VNIR和SWIR光谱进行校准。然后，利用光谱仪系统内置的移动平均平滑函数对光谱进行平滑处理，窗口大小为3。对于ChlF光谱，应用了相同的自带移动平均平滑函数，窗口大小为3。由于激发光源的干扰，在光谱采集过程中蓝紫色区域（400–500 nm）发生了过曝。因此，移除了500 nm以下的光谱数据，留下600个有效的光谱带用于后续分析。

(1) Ri = Si ? DiWi ? Di
其中，Ri和Si分别代表第i个波段的VNIR/SWIR光谱的校准后的反射强度和原始反射强度。Wi和Di分别表示白色和暗色参考光谱强度。

2.2.2 光谱数据采样优化
作为典型的收获后的经济作物，烟草叶的长度通常为55–75 cm，宽度为15–45 cm。由于其较大的表面积和薄的结构，水分、色素和淀粉等物理化学成分在叶片表面分布往往不均匀。因此，对整片烟草叶进行不规则的单点或稀疏点光谱采样会导致代表性较差和重复性降低。为解决这一问题，本研究探讨了针对新鲜烟草叶的多点光谱数据采样方法，这些烟草叶具有较高的水分含量和明显的化学成分空间异质性。
通常情况下，新鲜烟草叶表面的光谱数据采集点越多，收集的信息就越能代表整个叶片的整体质量状况。然而，增加光谱数据采集点的数量会导致信息采集的时间和成本增加。在现有的关于烟叶光谱采样优化的研究中，通常采用48点的高密度方法作为参考基线，以近似整个叶片的光谱特征（Bin等人，2018年；Dong等人，2008年）。遵循这一方法，并考虑到新鲜烟草叶的形态和结构，本研究采用48点方法作为数据采集的高密度参考，如图3(a)所示。如图3(b)所示，实验因素包括2点、4点、6点、8点和12点的采样策略。光谱在每个子区域的几何中心进行采集，刻意避开了主脉和次脉。在四个关键收获阶段，每个阶段选择了10片烟草叶进行光谱数据采集实验。每个叶片的数据采集重复了五次。不同采样方法得到的平均叶片光谱如图3(c)所示。

下载：下载高分辨率图像（846KB）
下载：下载全尺寸图像

图3. 新鲜烟草叶表面的光谱采集方案及其得到的平均叶片光谱。

光谱角度映射器（SAM）和光谱信息差异（SID）是两种广泛使用的光谱相似性度量指标。它们的计算公式分别如下：
(2)、(3)所示。通过比较不同采样方法获得的光谱数据与48点方法得到的数据之间的相似性，评估了光谱的表征能力。通过比较每种方法重采样光谱数据及其对应平均光谱之间的SAM和SID值，评估了光谱信号的稳定性。

(2) pi = ∑j=1^n s1,j qi
(3) SID(p,q) = ∑i=1^n log(pi/qi) + ∑i=1^n log(qi/pi)
SAM(S1,S2) = cos?1(∑i=1^n s1,j s2,j1 s2,j2)

其中S1 = [s1,1, s1,2, ···, s1,n]和S2 = [s2,1, s2,2, ···, s2,n]是两个标准化的光谱向量。SID和SAM的较小值对应于两个光谱之间的较高相似性。

2.3 瘫曲特性等级评估
新鲜烟草叶的真实 curing 特性等级是通过暗室实验确定的（Wang等人，2021年）。在室内条件下构建了一个光密封的光学暗室。光谱数据采集后，烟草叶在室温下垂直悬挂在暗室中，相邻叶片之间的距离为50 mm。每隔12小时拍摄一次叶片的图像，之后将样品返回暗室继续观察。如图4所示，EaCC和EnCC等级是根据叶片黄化和褐化的时间进程来评估的。具体来说，EaCC等级定义为叶片从初始状态变为完全黄化所需的持续时间，而EnCC等级对应于从完全黄化变为30%褐化所需的时间。因为叶柄区域在暗室实验中通常不会变色，并且不影响到烟草叶的工业质量属性，因此将其排除在分析之外。

下载：下载高分辨率图像（985KB）
下载：下载全尺寸图像

图4. 暗室实验设置及代表性示例。

叶片黄化是使用基于阈值的图像处理算法自动量化的，黄色像素由RGB阈值R > 160和G > 100定义。一旦识别出黄色像素，剩余的非黄色像素根据暗室实验的时间阶段自动分类为绿色或棕色：在叶片完全黄化之前被分类为绿色，在叶片完全变黄之后被分类为棕色。这种方法能够完整且时间分辨地分割叶片颜色的动态变化，以实现自动EaCC和EnCC分级。为了进一步确保分级的可靠性，所有500片烟草叶样本的自动评估结果均由三位经验丰富的烟草农学专家独立审核。在样本中，471片（94.20%）的自动分级与专家评估完全一致，而剩余的29片（5.80%）存在轻微差异，这些差异通过2:1的专家共识得到了解决。这些结果表明自动分级方法与人工分级之间具有很高的一致性，支持了基于阈值的自动分级方法的可靠性。分级标准及相应结果总结在表1中。

表1. 暗室实验的评估标准和结果。

项目 | 评估指标 | 评估标准 | 等级 | 样本数量
--- | --- | --- | --- |
| EaCC | 从初始状态到100%黄化所需的时间 | ≤ 84小时 | 172 | 良好 |
| | (84小时, 108小时] | 158 | 正常 |
| | > 108小时 | 170 | 不良 |
| EnCC | 从100%黄化到30%褐化所需的时间 | ≥ 120小时 | 154 | 良好 |
| | [84小时, 120小时) | 176 | 不良 |

2.4 物理化学成分分析
为了阐明新鲜烟草叶 curing 特性的形成机制，测量了一组反映叶片质量的代表性物理化学指标，包括叶绿素-a、叶绿素-b、类胡萝卜素、水分含量、烟碱、总糖、淀粉和SPAD值（Zhao等人，2022年；Li等人，2022年）。
叶绿素-a、叶绿素-b和类胡萝卜素通过乙醇提取后进行分光光度分析来量化（Clevers等人，2017年）。大约0.20 g的新鲜烟草叶样品（精确重量记录为鲜重）被转移到研钵中。加入少量95%乙醇，将叶组织研磨成绿色匀浆。然后将匀浆转移到50 mL离心管中，用95%乙醇稀释至最终体积25 mL，以4000 rpm离心8分钟。得到的上清液转移到比色皿中。使用95%乙醇作为空白参考，使用分光光度计（UV-1500 UV-Vis分光光度计，Aoyi Instrument Co., Ltd.）在665 nm和649 nm处测量样品溶液的吸光度。根据公式(4)计算相应色素的含量。

(4) {Ca = 13.95D665?6.88D649, Cb = 24.96D649?7.32D665, CXC = 1000D470?2.05Ca?1, 14.8Cb245}
其中Ca、Cb和CXC分别代表叶绿素-a、叶绿素-b和类胡萝卜素的浓度。这三者的总和构成总叶绿素浓度。D665、D649和D470分别表示叶绿体色素提取物在665 nm、649 nm和470 nm处的吸光度。新鲜烟草叶的色素含量通过将色素溶液的浓度乘以液体体积再除以样品的鲜重(FW)来计算。

新鲜烟草叶的水分含量是通过烘箱干燥法确定的（Luo等人，2023年）。称量一片新鲜烟草叶的重量，记录为W?。然后将样品放入烘箱中，在105 °C下干燥直到达到恒定重量。干燥后取出样品，让其冷却至室温，再次称重，记录其重量W?。根据公式(5)计算新鲜烟草叶的水分含量。

(5) YW = (W0?W1) / W0
其中W0是新鲜烟草叶的初始重量(g)；W1是干燥后的重量(g)；YW是新鲜烟草叶的水分含量(%)。

新鲜烟草叶中的烟碱含量是通过气相色谱法确定的（EL-Hellani等人，2016年）。首先将新鲜叶片加热固定，然后干燥至恒定重量以获得干样品。准确称量大约0.30 g的干烟草样品（以干重为基础，DW；记录为m?），放入30 mL的带塞试管中。随后加入2 mL的5%氢氧化钠溶液。放置15分钟后，加入20 mL的混合内标溶液——包含2-甲基喹啉（180 μg/mL）和2,4'-联吡啶（10 μg/mL），在0.01%三乙胺-氯仿溶液中制备，然后超声处理15分钟。将塞子试管以4000 rpm离心5分钟。大约2 mL下层溶液通过0.22 μm有机相过滤膜，使用装有无水硫酸钠的无菌注射器过滤，然后进行GC-MS/MS分析。新鲜烟草叶中的烟碱含量根据公式(6)计算。

(6) Yn = Cvm0 × 10?
其中C是从标准校正曲线计算出的样品溶液中的烟碱浓度(μg/mL)；V是样品提取物的最终体积(mL)；m?是干烟草样品的质量(g)；Y?是新鲜烟草叶中的烟碱含量(%)。

新鲜烟草叶中的淀粉含量是通过连续流动法确定的（Akriti Nepal等人，2023年）。首先将新鲜叶片加热固定，然后干燥得到干样品。称量大约0.2000 g的干烟草样品（质量记录为m?），放入50 mL的带塞离心管中。随后加入10 mL的80%乙醇溶液，在80°C水浴中加热30分钟。离心后丢弃上清液。向沉淀物中加入20 mL的醋酸缓冲溶液（pH 4.8）和淀粉酶溶液。然后在55°C水浴中加热混合物30分钟并搅拌。去除后冷却，将混合物用缓冲溶液稀释至最终体积50 mL并充分混合。适当量的上清液通过0.45 μm水性过滤膜过滤，使用连续流动分析仪分析。新鲜烟草叶中的淀粉含量Y?根据公式(7)计算。

(7) Ya = 0.9ρVm0(1?ω) × 10?
其中ρ是葡萄糖的质量浓度(μg/mL)，ω是样品的水分含量。

叶片厚度是使用数字叶片厚度计（SYS-YHD-3，Saiyas，中国）测量的，测量叶片的多个区域，包括顶端、中部和基部，并取平均值。

新鲜烟草叶的SPAD值是使用SPAD计（SPAD-502Plus，Konica Minolta，日本）测量的（Viridiana Silva-Perez等人，2018年）。首先关闭探头不加样品进行校准。然后使样本叶片与中心测量线对齐，完全覆盖接收窗口。轻轻关闭探头直到发出声音，此时SPAD值显示在屏幕上并自动存储。

2.5 机制驱动的光谱带选择和融合建模
传统的纯数据驱动的带选择方法往往过度依赖少数对分类结果贡献最大的主导物理化学因素（Su等人，2024年；Zhuang等人，2024年）。由于新鲜烟草叶中的色素含量和水分状态显著影响光谱响应，当带选择直接由目标特征监督时，选定的带通常集中在相应的敏感光谱区域内。这导致带选择的波长分布偏斜，并削弱了模型全面表示多种 curing 相关机制的能力。为了解决这个问题，本研究提出了一个基于关键物理化学指标的多模态光谱带选择和融合建模框架。该方法使用与新鲜烟草叶的 curing 特性密切相关的物理化学指标作为中介变量，明确地将EaCC和EnCC的形成机制纳入光谱特征筛选过程中。因此，选定的带可以同时反映不同生理和化学过程的光谱响应特性。通过结合机制约束和多模态信息融合，所提出的框架增强了机制的可解释性，并实现了更平衡的光谱覆盖范围，同时保持了强大的分类和区分性能。在这个框架内，波段选择和分类建模过程包括以下步骤：基于物理化学指标的光谱相关性测量、在稳定性约束下的波段筛选、多模态光谱波段压缩与融合以及分类模型构建。具体细节如下：

**步骤1：基于互信息和稳定性约束的波段选择**

假设样本集为D。对于第i个样本，来自三种模态（ChlF、VNIR、SWIR）的光谱数据被合并形成组合光谱向量xi=[xiCHLF, xiVNIR, xiSWIR]∈RP。总维度P是各个模态维度之和。除了光谱向量，每个样本还关联有一个长度为m的物理化学指标向量zi=[zi1, zi2, …, zim]，以及一个相应的标签yi（EaCC或EnCC）。第i个样本的这些组分之间的关系可以表示为：
(8) D={(xi, zi, yi)}i=1N

对于每个关键物理化学指标zi，它被用作监督变量来衡量单个光谱波段Xk与该指标之间的统计依赖性。考虑到光谱响应与物理化学指标之间的关系可能是非线性的，因此采用互信息（MI）作为相关性度量，公式为：
(9) I(Xk; Z)=∫p(xk, z)logp(xk, z)p(xk)p(z)dxkdz

其中Z是一个连续变量，互信息是通过基于k最近邻的回归方法来估计的。为了增强波段选择结果对样本扰动的鲁棒性，引入了一种基于自举的稳定性选择策略。具体来说，从原始样本集中有放回地抽取100个自举重采样，每个重采样包含65%的样本。在第b个重采样中，计算所有光谱波段与指标Z之间的互信息得分向量，并根据这些得分选择前K个波段形成候选集合C???。对于每个波段k，其在100个重采样中的选择频率以及其标准化互信息得分的中位数被用作其相关性强弱的鲁棒估计。一个波段只有在同时满足关于其相关性（互信息得分）和稳定性的双重阈值标准时才被视为有效的。这里，τ表示互信息得分分布的分位数阈值，π代表稳定性阈值。为了避免信息泄露，上述光谱波段选择和确定过程仅在训练集上执行，然后将选定的波段未经修改地应用于验证集和测试集。
(10) {fk=1B∑b=1Bk∈C(b)s?k=median({I(b)(Xk; Z)}b=1B)s?k≥τ, fk≥π

**步骤2：区间代表性波段压缩和多模态特征构建**

由于光谱数据中相邻波段之间的高相关性，上一步中选出的波段会进一步基于波长区间进行冗余压缩。波段按其中心波长排序，间隔±3 nm内的波段被分组到同一波段簇gc中。在每个簇内，保留具有最高中位数互信息得分的波段作为代表性波段。然后分别将对应于EaCC和EnCC的物理化学指标的特征波段集合并，以构建用于分类建模的最终多模态特征子集。基于选定的多模态特征子集F，并结合机器学习模型，建立了新鲜烟草叶片EaCC和EnCC的分类模型。分类器可以统一表示为：
(11) y?=g(xF; θ)

其中g(xF; θ)表示机器学习分类模型，θ代表模型参数。

**步骤3：多模态光谱融合模型构建**

考虑到光谱特征的特点，包括高维度、强波段间相关性以及相对有限的样本量，本研究采用支持向量机（SVM）作为主要分类模型，并使用径向基函数（RBF）作为核函数。其表达式如下：
(12) K(xi, xj)=exp(?γ‖xi?xj‖2)

其中C是平衡分类误差和模型复杂度的惩罚因子，γ是决定样本在特征空间中缩放的核参数。为了实现SVM参数的自适应优化，采用了Sparrow Search Algorithm（SSA）来联合优化C和γ。SSA结合了强大的全局搜索能力和快速收敛性，适用于具有多个局部最优解的高维、非线性问题（Xue和Shen，2020）。与网格搜索和贝叶斯优化等传统方法相比，它在平衡探索和利用的同时有效地探索了参数空间。这些特性促进了其在机器学习和信号处理任务参数优化中的广泛应用。对于SSA-SVM模型，使用20个个体的种群大小，并最多进行100次迭代。C和γ的优化范围设置为[1 × 10??, 100]。采用五折交叉验证。在SSA中，70%的个体是探索者，20%是意识到危险的个体，剩余的10%是加入者。使用训练集上的交叉验证分类性能作为适应度函数，SSA在预定义范围内搜索最优参数组合。

**2.6. 模型评估指标**

模型性能通过包括准确率、精确度、F1分数和Kappa值在内的指标进行综合评估。在本研究中，采用了代表性的定性模型评估参数来评估模型性能，包括准确率、精确度、F1分数和Kappa值。每个指标根据以下公式计算：
(13), (14), (15), (16)
(13) Accuracy=∑i=1cMiiN
(14) Precision=1C×∑i=1CMii∑j=1cMij
(15) F1_score=1C×∑i=1CMii∑j=1cMij+∑j=1cMji
(16) Kappa=P0?Pe1?Pe

其中C表示类别的数量，N表示样本总数。M是一个大小为C×C的混淆矩阵，M??表示被错误预测为类别i的类别j的样本数量；M??表示被错误预测为类别j的非i类样本数量；P?表示准确率，P?表示每个类别的准确率。每个性能指标的值范围在0到1之间，较高的值表示相应模型的性能更好。

**2.7. 数据集和训练环境配置**

实际上，烟草叶片的EaCC和EnCC等级标签并不完全一致。仅依赖EaCC或EnCC标签来划分数据集可能导致另一种标签类型的样本分布严重不平衡。因此，将EaCC和EnCC等级标签结合起来形成复合标签。基于这些复合标签，使用分层随机抽样方法将样本光谱数据集独立地分为训练集、验证集和测试集，比例分别为6:2:2。因此，训练集、验证集和测试集分别包含300个、100个和100个样本。数据集分割后，复合标签被恢复为原始等级标签。训练集用于训练模型参数，而在验证集上的消融研究结果用于评估关键模型组件的有效性。外部测试集仅用于最终的性能测试和评估，因此未参与模型训练过程。模型开发和数据处理使用PyCharm软件作为集成开发环境（IDE）。训练环境包括Windows 10、Python 3.9.5和PyTorch 2.0.1，运行在配备NVIDIA GeForce RTX 4060 GPU和Intel Core (TM) i9–13900HX CPU @ 2.20 GHz的系统中。

**3. 结果和讨论**

**3.1. 光谱采样方法的优化**

图5展示了光谱数据采样方法和采样点分布实验的结果。如图5所示，由于采样点数量不足，2点（T6）和4点（T3）方法导致光谱信息获取不足，表现出最差的稳定性和准确率。8点A（T2）方法的采样点集中在叶片的外缘，提供的整体光谱信息有限，导致准确率较低。12点方法（T1）得出的结果更具代表性。然而，如图5(c)所示，它在重采样的ChlF方面表现出不足的稳定性。8点B（T4）和六点方法显示出相对较好的准确率和稳定性。原因是它们充分覆盖了叶片尖端、叶片中部和叶片基部区域，提供了空间上具有代表性的采样。此外，六点方法所需的采样时间更少。基于上述综合分析，六点方法在信息准确性和采样效率方面取得了最佳结果。对于ChlF、VNIR和SWI，系统重采样光谱的SID和SAM值始终保持在较低水平。

**3.2. 光谱数据分析**

图6(a)、(c)和(e)分别显示了不同EaCC等级的新鲜烟草叶片样本的ChlF、VNIR和SWIR光谱曲线。从图中可以看出，不同EaCC等级的叶片在特定波长范围内的ChlF和VNIR光谱存在明显差异。这主要是由于叶片中叶绿素含量的变化（Xiong等人，2015；Yendrek等人，2016；Zhang等人，2022）。然而，不同EaCC等级的叶片的SWIR光谱曲线表现出严重重叠，表明SWIR在区分烟草叶片的EaCC方面能力较弱。

**3.3. 特征物理化学成分确定的结果和分析**

图7和图8分别展示了不同EaCC等级和EnCC等级的新鲜烟草叶片之间叶片成分指标差异的显著性分析结果。显然，新鲜烟草叶片的特征物理化学成分指标在EaCC和EnCC方面表现出不同的分布模式。关于EaCC，叶绿素-a和叶绿素-b的含量在不同等级之间具有高度显著的差异（P < 0.001），表明它们可以被视为区分EaCC等级的特征物理化学成分。此外，类胡萝卜素含量、叶片厚度和SPAD值在不同EaCC等级中也表现出一定的变化。尽管这些差异没有达到极显著的水平，但它们显示出相对稳定的趋势，可以作为辅助分级指标。

**3.4.**

其他物理化学指标（如水分含量、尼古丁含量和总糖分）在不同EaCC等级之间没有显著差异（P ≥ 0.05）。它们在区分EaCC等级方面的指示作用较弱，不适合作为主要区分依据。关于EnCC，水分含量和叶片厚度在不同等级之间表现出最显著的差异（P < 0.01）。叶绿素-a和尼古丁含量在不同EnCC等级之间有一定变化，可以用作辅助分级指标。其他物理化学指标（包括叶绿素b和类胡萝卜素）在不同EnCC等级之间没有显著差异（P ≥ 0.05）。它们在区分EnCC等级方面的指示作用较弱，不能作为主要区分标准。物理化学指标驱动的多模态光谱带选择
图9展示了基于新鲜烟草叶片关键物理化学指标的多模态光谱带提取结果。从图中可以看出，与叶绿素-a、叶绿素-b、类胡萝卜素和SPAD值相关的特征带主要反映在ChlF和VNIR光谱模态中。这表明这两种光谱模态对叶片色素含量的差异非常敏感，尤其是在VNIR区域的400–750 nm范围内，那里叶绿素吸收的主要特征带与光合作用密切相关（Simkin等，2022年；Chazaux等，2022年）。水分含量的特征带在VNIR光谱的950 nm处也有少量体现。在SWIR光谱中，1350–1600 nm和1940 nm处出现了明显的吸收峰（Demattê等，2018年；Castaldi等，2019年）。与VNIR和SWIR光谱相比，ChlF光谱对新鲜烟草叶片的水分含量敏感性较低，这可能是由于新鲜叶片中色素的强烈干扰。对于尼古丁、总糖和淀粉，这些化学成分的特征带主要集中于SWIR光谱的1850–2050 nm范围内。该范围内的吸收特性与分子结构特征（如C–H键伸缩振动和CO键弯曲振动）密切相关。叶片厚度的特征带仅分布在VNIR光谱的850–980 nm范围内。在这个波长区域内，光散射与叶片的物理结构和细胞壁特性有关，特别是细胞壁厚度和表面粗糙度对光散射的影响（Pezhman Sasanpour和Mohammadpour，2014年；Duarte等，2022年）。
下载：下载高分辨率图像（629KB）
下载：下载全尺寸图像

图9. 基于互信息的多模态光谱特征筛选方法的示意图。

3.5. 模型参数的敏感性分析
根据第2.5节提出的物理化学指标驱动的多模态光谱带选择和建模框架，构建了用于EaCC和EnCC等级的分类模型。对于EaCC模型，选择了叶绿素-a、叶绿素-b、类胡萝卜素、SPAD值和叶片厚度等关键物理化学指标作为区分标准。对于EnCC模型，选定的指标包括水分含量、叶片厚度、叶绿素-a和尼古丁含量。在模型开发过程中，优化了关键超参数，如数据集分割比例、互信息得分阈值（τ）和选择频率阈值（π）。参数敏感性分析的结果显示在图10中。数据分割比例指的是分配给训练集、验证集和测试集的样本比例。从图10(a)和(b)可以看出，模型在测试集和验证集上的准确率在不同数据场景下保持相对稳定，正确分类的样本数量仅有轻微差异（相差1个或2个）。然而，对于当前的数据集，使用7:1.5:1.5或8:1:1等分割比例可能导致准确率出现显著波动，因为验证集和测试集的样本量较小，使得模型对单个样本的变化过于敏感。相比之下，6:2:2的分割比例在训练规模和模型鲁棒性之间提供了更好的平衡，更适合当前的数据集。
下载：下载高分辨率图像（942KB）
下载：下载全尺寸图像

图10. 模型参数对预测性能和带选择的敏感性分析
鉴于光谱带选择阈值的选择直接影响最终的特征子集，互信息得分阈值（τ）和选择频率阈值（π）被依次优化。最初，互信息得分阈值（τ）被设置为0.5，因为这个值通常用于保留信息丰富的带的同时最小化排除相关特征的风险。通过测试0.5、0.6、0.7、0.8、0.9和1.0的值来优化π，EaCC和EnCC的分析结果分别显示在图10(c)和(d)中。随着π的增加，选择的特征带数量逐渐减少，验证集和测试集的准确率最初增加后出现下降。当π为0.8时，模型获得了最高的准确率。在这种最佳π值下，研究了τ对模型性能的影响。图10(e)和(f)分别显示了在τ = 0.3、0.4、0.5、0.6和0.8时，EaCC和EnCC等级的模型预测准确率和选择的特征带数量。随着τ的增加，选择的特征带减少，有助于减轻训练集和验证集之间的过拟合。EaCC和EnCC模型在τ = 0.5时表现出最佳性能，此时验证集和测试集的准确率最高。对于EaCC等级，训练集、测试集和验证集的准确率分别为91.00%、86.00%和83.00%，选择了129个带。对于EnCC等级，准确率分别为90.33%、85.00%和82.00%，选择了96个带。这些结果强调了减少信息冗余和保留足够特征以避免模型过拟合的重要性。

3.6. 光谱带融合策略的分析
为了评估所选物理化学指标的有效性，采用了一种分层机制引导的特征带融合策略来构建新鲜烟草叶片的EaCC和EnCC等级分类模型。具体而言，M1模型仅使用了类别间显著不同的指标；M2模型结合了类别间显著不同的指标和次显著指标；M3模型整合了所有指标筛选出的光谱特征带。表2显示了不同层级下由物理化学指标驱动的多模态光谱融合模型使用的带数量和实现的准确率。

表2. 不同物理化学指标驱动的EaCC和EnCC分类模型的性能比较
项目 模型 生化指标用于特征选择 光谱模态选择的带数量 空单元 分类准确率（%）
ChlF VNIR SWIR
M1 叶绿素-a 叶绿素-b 19 37 89.33
类胡萝卜素 Spad 0 77.00
M2 叶绿素-a 叶绿素-b 4 80 91.00
水分 厚度 4 80 91.00
82 83.00
M3 所有指标 4 94 82 91.67
84 80 80.00

对于EaCC分类，仅依赖类别间显著不同指标（叶绿素-a和叶绿素-b含量）的模型在训练集、验证集和测试集上的准确率分别为89.33%、80.00%和77.00%。由于使用的特征带数量有限，该模型无法支持足够准确的决策。结合类别间显著不同指标和次显著指标（例如类胡萝卜素含量、叶片厚度和SPAD值）的模型表现最佳，分别在训练集、验证集和测试集上的准确率为91.00%、86.00%和83.00%。选定的光谱带数量分别为：ChlF 49个，VNIR 80个，SWIR 0个。这表明ChlF和VNIR带提供了更多信息丰富的特征，同时也证实了SWIR在EaCC方面的区分能力相对较弱。这表明添加不相关的物理化学指标及其相应的特征带可能贡献甚微，可能会导致训练集过拟合，从而影响模型的泛化性能（Han等，2024年）。
同样，对于EnCC，M2模型利用了类别间显著不同的指标（水分含量和叶片厚度）和次显著指标（叶绿素-a和尼古丁）作为监督信号，表现最佳。选择的带数量分别为：ChlF 11个，VNIR 43个，SWIR 42个。该模型在训练集、验证集和测试集上的准确率分别为90.33%、85.00%和82.00%。M1模型（基于水分含量和叶片厚度）和M3模型（基于所有指标）在选择的带数量和特征指标集上有所不同；然而，两者在训练集和测试集上的性能差异不大，测试集准确率均在73.00%左右。这表明信息不足和信息冗余都对模型性能有害。

图11展示了分类模型在独立测试集上的混淆矩阵和性能指标，进一步说明了分层机制引导的特征带融合策略的有效性。如图11(a–c)所示，EaCC和EnCC等级较低的烟草叶片样本更易于正确分类。与M1和M3模型相比，M2模型在所有处理等级上的分类性能更高。对于EaCC分级，模型的准确率为83.00%，精确率为84.43%，F1分数为83.40%，Kappa值为74.52%。对于EnCC分级，相应值分别为82.00%、83.19%、81.40%和73.26%。
下载：下载高分辨率图像（519KB）
下载：下载全尺寸图像

图11. 独立测试集上分类模型的混淆矩阵和性能指标。(a) – (c) 对应于表2中列出的M1 – M3模型使用的带选择策略。

3.7. 与主流带选择方法的比较
为了验证本研究中提出方法的有效性，基于全光谱数据以及主流带选择方法（如CARS、SPA和IRIV）建立了EaCC和EnCC的分类模型。表3展示了不同带选择策略对EaCC和EnCC分类模型性能的影响。

表3. 基于不同特征选择策略的EaCC和EnCC分类模型的性能比较
项目 光谱来源 带选择方法 带数量 测试集评估指标（%）
ChlF 无 600 76.00 79.31 77.46 65.18
VNIR 750 74.00 71.31 70.39 58.80
SWIR 1250 71.00 75.31 70.30 55.98
ChlF+VNIR+SWIR 2600 79.00 78.51 78.21 68.49
CARS 917 79.00 78.39 78.45 68.45
SPA 717 77.00 78.36 76.90 64.35
IRIV 132 81.00 80.75 80.76 71.44
我们提出的M2 129 83.00 84.43 83.40 74.52

对于EaCC分类，不使用带选择的模型使用了所有光谱带进行建模，包括600个ChlF带、750个VNIR带和1250个SWIR带。基于单一模态光谱数据的模型在测试集上的准确率分别为76.00%（ChlF）、74.00%（VNIR）和71.00%（SWIR），显示出相对较低的分类精度。相比之下，基于多模态全光谱数据的模型在准确率上提高了3.00%。然而，对于EnCC分类，多模态全光谱模型的性能低于单一模态VNIR和SWIR光谱模型。这种现象可能是由于信息冗余导致的模型过拟合。此外，虽然CARS和SPA方法减少了带的数量，但测试集上的分类性能下降了。IRIV方法选择了信息含量最高的带进行特征提取，但得到的结果并不理想：对于EaCC分类，准确率为81.00%，Kappa值为71.44%；对于EnCC分类，准确率为76.00%，Kappa值为64.30%。相比之下，我们提出的M2模型在所有性能指标上显著优于其他带选择方法。特别是对于EnCC分类，M2模型不仅选择的带较少，还将准确率提高了7.00%，Kappa值提高了8.96%。比较结果充分证明了机制驱动的多光谱带筛选和融合建模方法在提高分类准确率和泛化能力方面的显著优势。此外，使用所提方法获得的带选择结果与CARS、SPA和IRIV的结果进行了可视化比较。图12(a)、(c)和(e)分别显示了ChlF、VNIR和SWIR光谱与EaCC相关的特征带。图12(b)、(d)和(f)显示了相应的EnCC相关带。CARS方法选择的带分布过于分散且数量有限，导致VNIR和SWIR光谱模态中丢失了重要信息。这可能是由于CARS方法在带选择过程中陷入了局部最优解。SPA方法在EaCC和EnCC分类中的带选择范围相对相似，可能是因为处理特性较差的叶片更容易识别，导致模型关注的范围较窄。然而，对于处理特性好或中等的叶片，区分特征可能更为微妙和多样，SPA方法难以有效捕捉这些差异，导致带选择范围未能充分覆盖所有关键特征。在EaCC分类中，IRIV方法提取了许多与色素相关的带，但未能捕捉到与叶片厚度相关的特征。对于EnCC分类，它忽略了与水分相关的带，而这对于处理特性至关重要。

下载：下载高分辨率图像（881KB）
下载：下载全尺寸图像

图12. 不同带选择策略下EaCC和EnCC的特征光谱带分布

总之，纯粹的数据驱动带选择方法由于缺乏对机制特征的深入考虑，往往无法全面捕获所有关键特征。相比之下，我们提出的方法明确地将EaCC和EnCC的物理化学形成机制纳入光谱带筛选过程中，从而能够更全面地提取特征带，并充分利用多模态光谱融合的优势。与其他机器学习模型的比较
为了评估所提出的基于SVM的分类器的有效性，采用了BPNN和PLS-DA作为对比模型。BPNN使用了一个三层前馈架构，包括输入层、隐藏层和输出层，隐藏神经元的数量从5个到100个不等，以5为一个步长变化。隐藏层使用了sigmoid激活函数，而输出层使用了线性激活函数。网络权重和偏置使用SSA进行优化。BPNN优化的SSA参数设置与SSA-SVM模型中使用的参数相同，以确保一致性。学习率设置为0.01，网络通过带有动量和自适应学习率的梯度下降进行训练，直到收敛。对于PLS-DA，影响模型性能的关键参数——潜在变量（LVs）的数量通过在5-30的范围内进行网格搜索来优化。在优化过程中，使用五折交叉验证来评估模型性能。表4总结了所提出方法与对比模型在EaCC和EnCC分类上的性能。

表4. 与其他机器学习模型在EaCC和EnCC分类上的性能比较

| 项目 | 光谱源 | 波段选择方法 | 模型 | 测试集评估指标(%) |
|------|--------|---------|--------|-------------|
| | | | |---------------|
| EaCC | ChlF | 无 | BPNN | 71.00 | 70.28 | 69.77 | 56.30 |
| | | | PLS-DA | 72.00 | 71.23 | 71.39 | 57.93 |
| | | | SVM | 76.00 | 79.31 | 77.46 | 65.18 |
| | ChlF+VNIR+SWIR| IRIV | BPNN | 75.00 | 74.54 | 74.59 | 62.42 |
| | | | PLS-DA | 79.00 | 78.41 | 78.26 | 68.37 |
| | | | SVM | 81.00 | 80.75 | 80.76 | 71.44 |
| | | | 我们的方法 | 77.00 | 76.95 | 76.99 | 65.51 |
| | | | PLS-DA | 81.00 | 80.45 | 80.10 | 71.42 |
| | | | SVM | 83.00 | 84.43 | 83.40 | 74.52 |
| EnCC | SWIR | 无 | BPNN | 70.00 | 76.13 | 73.11 | 59.77 |
| | | | PLS-DA | 69.00 | 68.28 | 67.90 | 53.88 |
| | | | SVM | 75.00 | 74.28 | 74.63 | 62.39 |
| | ChlF+VNIR+SWIR| IRIV | BPNN | 71.00 | 74.22 | 68.80 | 57.49 |
| | | | PLS-DA | 73.00 | 74.92 | 73.48 | 62.07 |
| | | | SVM | 76.00 | 76.33 | 75.31 | 64.30 |
| | | | 我们的方法 | 74.00 | 77.83 | 72.19 | 61.83 |
| | | | PLS-DA | 77.00 | 76.70 | 76.30 | 65.68 |
| | | | SVM | 82.00 | 83.19 | 81.40 | 73.26 |

结果表明，BPNN在EaCC和EnCC上的分类性能相对较差。这是因为BPNN通常需要较大的训练数据集和更复杂的网络结构来有效捕捉多模态、高维光谱数据中的内在模式。相比之下，PLS-DA通过潜在变量提取减少了数据维度，提高了计算效率和模型稳定性。然而，PLS-DA主要依赖数据中的线性关系，因此在模拟光谱信号中常见的非线性特性方面能力有限。相比之下，SVM由于其基于核的学习机制，能够有效处理高维特征空间中的非线性关系，从而表现出更优越的分类性能。SVM的优越性能还可以通过考虑光谱数据的特性来进一步解释。多模态光谱特征是高维的，可能具有相关性，并且包括关键物理化学指标与固化特性之间的非线性关系。虽然BPNN能够模拟非线性模式，但它需要更大的数据集和更复杂的架构以避免过拟合，因此在样本量有限的情况下效果较差。PLS-DA虽然减少了维度并提高了稳定性，但主要捕获线性关系，限制了其对数据中非线性依赖关系的建模能力。相比之下，SVM采用基于核的方法，能够将数据高效地映射到高维特征空间中，即使在数据集较小且模式复杂的情况下也能有效分离类别。SVM的这一结构优势与其光谱数据的内在特性高度吻合，为其优越的分类性能提供了明确的理由。总之，在关键物理化学指标的指导下筛选出的多模态光谱特征带，结合SSA-SVM模型，实现了对新鲜烟草叶EaCC和EnCC等级的准确和稳健分类。

本研究初步验证了多模态光谱方法在快速预测新鲜烟草叶固化特性方面的有效性，但其在不同气候环境下的泛化能力仍需进一步验证。烟草种植区的局部气候为亚热带海洋季风气候，夏季温暖多雨。在这种条件下，叶片含水量和物理化学性质相对稳定。然而，在降水量较低或气候条件不同的地区，新鲜烟草叶的含水量和化学成分可能会发生变化，从而影响光谱响应和模型性能（Bin等人，2018年）。先前的研究表明，环境因素可以影响作物的生化成分和光谱特性（Dong等人，2008年），从而引入模型预测的可变性。此外，田间种植的作物由于基因型、栽培方式和环境条件的差异而表现出自然变异性。因此，未来的工作将集中在不同气候区域和烟草品种上验证和调整该模型，以提高其鲁棒性和泛化能力。

4. 结论
传统上，对新鲜烟草叶固化特性的物理化学分析受到复杂影响因素、延迟反馈和有限机制可解释性的限制。为了克服这些限制，本研究提出了一种基于物理化学指标的多模态光谱融合方法，用于快速、无损检测和分类。通过在每种模式下选择具有生理意义的波段，并将它们连接起来进行融合建模，所提出的机制引导的特征级融合方法增强了特征选择的可解释性。观察到具有不同固化特性的新鲜烟草叶在物理化学组成和光谱响应特性上存在显著差异。EaCC主要受叶绿素a、叶绿素b、类胡萝卜素、叶厚度和SPAD值的影响，主要在ChlF和VNIR模式下表现出显著的光谱响应。而EnCC则主要与含水量、叶厚度、叶绿素a和尼古丁含量相关，在VNIR和SWIR模式下表现出更强的响应。根据这些关键物理化学指标的光谱响应机制，分别筛选出129个和96个与EaCC和EnCC相关的特征波段作为模型输入。与全波段多模态光谱模型相比，特征维度减少了约95%，同时EaCC的分类准确率和Kappa系数分别提高了4.00%和6.03%，EnCC分别提高了10.00%和17.86%。所提出的方法在准确性和稳定性方面均优于纯数据驱动的波段选择方法，如CARS、SPA和IRIV。

总体而言，结合物理化学指标的光谱响应机制可以有效减少冗余信息并提高模型的泛化能力。它还通过指导选择具有生理意义的波段，增强了多模态光谱特征选择的可解释性。与传统的数据驱动方法相比，所提出的框架提供了一种实用且透明的替代方案，在复杂农产品质量特征的多模态光谱融合中展现出巨大潜力。未来的工作将扩大样本集，包括来自不同地区和品种的烟草叶，以进一步提高模型的鲁棒性和适用性。

**作者贡献声明**
黄中涛：撰写——审阅与编辑，撰写——原始草稿，方法论，概念化。
孟凌峰：验证，监督，资金获取。
朱荣光：撰写——审阅与编辑，验证，项目管理。
任杰：验证，调查，数据管理。
康亚鹏：调查，形式分析。

**参与同意**
不适用。

**出版同意**
所有作者同意发表该手稿。

**伦理批准**
本文不包含任何由作者进行的人体参与者或动物研究。

**声明**
无