初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题，本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络（Flue-cured Tobacco Leaf Grade Detection Network，FTGDNet）。首先，FTGDNet采用CSPNet作为特征提取主干网络，采用GhostNet作为辅助特征提取网络以增强模型的特征提取能力；其次，在主干网络末端嵌入显式视觉中心瓶颈模块（Explicit Visual Center Bottleneck module，EVCB）以实现全局特征信息与局部细节特征信息融合；然后，构建多感受野特征自适应融合模块（Multi-Receptive Field Feature Adaptive Fusion module，MRFA_d），利用注意力特征融合机制（Attention Feature Fusion，AFF）将不同感受野特征图进行自适应加权融合，在增强模型局部感受野的同时突出有效通道信息；最后，设计了一种新的定位损失函数（More Complete IoU Loss，MCIoU_Loss），结合预测框与真实框面积损失以解决在回归定位过程中二者宽高比相等且中心点重合时CIoU_Loss性能退化导致定位精度下降问题，此外，引入矩形相似度衰减系数在训练过程中对真实框与预测框的相似度判别项进行动态调整，加快模型拟合。实验结果表明，FTGDNet对十个等级的初烤烟叶的验证精度达到90.0%，测试精度达到87.4%，且推理时间仅为12.6 ms。相较于多种先进目标检测算法，FTGDNet具有更高的检测精度和更快的检测速度，可为高精度初烤烟叶等级检测提供关键技术支撑。
初烤烟叶 目标检测 多感受野特征融合 动态损失调整 flue-cured tobacco leaf object detection multi receptive field feature fusion dynamic loss adjustment
1 内蒙古农业大学, 园艺与植物保护学院, 呼和浩特 010019
2 吉林省农业科学院,农产品加工研究所,长春 130033
3 吉林省农业科学院,吉林省农业生物技术重点实验室,长春 130033
4 内蒙古农业大学,园艺与植物保护学院,呼和浩特 010019
5 生物农药创制与资源利用内蒙古自治区高等学校重点实验室,呼和浩特 010019
为了研究烟草脉斑驳病毒(TVMV)侵染本氏烟的抗病分子机制, 本文建立了TVMV转录组数据库, 挖掘抗病相关基因以及代谢和信号通路, 采用Illumina Novaseq 6000高通量测序平台对侵染TVMV的本氏烟进行转录组测序, 并进行生物信息学分析; 利用R package: edge R等软件分析了有关抗病的差异表达基因, 对差异表达基因进行基因本体论(GO)及京都基因和基因组百科全书(KEGG)基于途径的通路富集分析。基于TVMV侵染本氏烟转录组的测序结果中共获得4 593个差异表达基因, 其中3 564个基因上调表达, 1 029个基因下调表达。共筛选出10个抗病相关的差异表达显著基因, 6个上调, 4个下调。GO数据库中注释到生物学过程、细胞组分及分子功能等三大类共50个功能组。其中, 在第三大类分子功能中, 蛋白质结合功能以及ATP结合功能所涉及的差异表达基因最显著, 分别为501个和453个差异基因。KEGG共富集20条通路, 注释到核糖体途径的差异基因富集程度最高, 基因最显著, 差异表达基因数为307个。蛋白质结合、ATP结合、核糖体、真核生物核糖体的生物反应、DNA复制(DNA replication)等通路可能在调控本氏烟抗TVMV病毒中起着重要作用。通过对转录组中筛选的差异表达基因进行分析研究, 为后续本氏烟抗TVMV病毒的深入研究奠定了重要的基础。
烟草脉斑驳病毒 转录组 KEGG通路 本氏烟 生物信息学分析 tobacco vein mottle virus transcriptome KEGG pathway Nicotiana benthamiana bioinformatics analysis
1 中国石油大学(华东)海洋与空间信息学院, 山东 青岛 266580
2 海洋国家实验室海洋矿产资源评价与探测技术功能实验室, 山东 青岛 266237
3 中国农业科学院烟草研究所, 山东 青岛 266101
烟草是我国重要的经济作物, 税收的重要来源, 为国家的经济发展做出了巨大贡献, 然而, 烟草病害严重影响烟叶产量与品质。 采用光谱分析技术对烟草病害进行早期防治具有非常重要的现实意义。 以接种烟草花叶病毒(TMV)与马铃薯Y病毒(PVY)的烟草为研究对象, 分别采集室内与室外培养的染病烟草叶片高光谱数据。 为实现对烟草病害的精准识别, 每隔两天对两种染病烟草进行光谱数据采集, 将每种病害数据详细地分成五个严重度等级, 最终获得1 697个在350~2 500 nm波段范围内的光谱数据。 为对烟草高光谱数据进行有效利用, 以支持向量机(SVM)为基础, 结合快速近邻波段选择算法(FNGBS)与归一化匹配滤波(NMFW), 提出一种聚类与排序相结合的波段选择算法(FNG-NMFW)。 FNG-NMFW首先采用FNGBS算法对烟草光谱进行精细分组, 再采用NMFW算法对各组波段进行排序以选择特征光谱, 实现烟草光谱特征提取与降维。 在波段选择的基础上, 采用SVM对烟草特征光谱进行分类, 最终实现高精度烟草病害检测。 研究结果显示: 该模型性能稳定, 在样本数量较少情况下, 即可实现TMV与PVY两种病害的高精度识别。 对于TMV1与TMV3, 该算法可以获得精度优于94%的检测结果, 对于PVY1与PVY3, 该算法精度接近90%, 表明该算法可有效完成两种病害早期的识别与预防工作。 与采用全波段光谱数据进行病害检测的模型相比, FNG-NMFW模型优势明显, 烟草病害检测结果总体精度达94.46%, 精度提高约1.5%, 检测时间由12.9 s缩短为1.1 s。
烟草病害 精准识别 高光谱 波段选择 支持向量机 Tobacco disease Precise identification Hyperspectral Band selection Support vector machine 光谱学与光谱分析
2023, 43(4): 1023
1 湖南省烟草公司郴州市公司，郴州 423000
2 中南大学资源加工与生物工程学院，长沙 410083
3 湖南省烟草公司永州市公司，永州 425000
植物根际微生物与植物生长密切相关，但根际微生物群落如何影响根系的发育情况仍研究甚少。本研究利用16S rRNA基因高通量测序技术检测了烟草的根际细菌群落，并探究了烟草根系不同发育情况与根际微生物群落差异的关联机制。结果表明: 相比不发达根系(UDR)，发达根系(WDR)的根际细菌物种的丰度和多样性均较高，Gallionella和Luteimona等属的丰度显著增加，而Edaphobaculum、PLTA13和Rhodobacter等属的丰度则显著降低(P<0.05); UDR的分子生态网络更加复杂，且物种间相互作用强，特别是合作行为，而WDR的网络关键节点数较多，其碳循环相关网络模块数与UDR相比增加; 此外，WDR的根际细菌群落装配更趋向于发育聚集，且环境过滤在其中发挥了更重要的作用。总体上，本研究结果强调了根际微生物群落的结构组成、网络变化和群落装配在植物根系的生长过程中的重要作用，为植物根际微生物生态学研究提供了理论依据。
根际细菌 群落结构 发育装配 烟草 根系生长性状 rhizosphere bacteria community structure developmental assembly tobacco root growth traits
1 浙江大学药学院, 浙江 杭州 310030
2 浙江大学智能创新药物研究院, 浙江 杭州 310018
烟草是一种成分复杂的天然植物, 地理位置、 生长条件等外界因素直接影响着烟叶的品质; 我国烟叶种植范围十分广泛, 每个产区种植的烟叶都有其独特的风格特征, 不同产区的烟叶配比对卷烟的质量起着决定性的作用。 为实现烟叶产地准确、 快速判别, 基于近红外光谱(NIRS), 采用灰狼算法(GWO)优化的支持向量机(SVM)算法实现烟叶产地鉴别分类。 以8个产地的824个烟叶样本为研究对象, 基于x-y距离样本集划分(SPXY)方法得到校正集617个和验证集207个样品。 首先应用最佳波长筛选方法, 如竞争自适应加权采样(CARS)和随机青蛙(RF)算法减少光谱冗余信息, 最终从1 609个变量中分别获得141和534个与产地相关的重要变量, 并以此输入SVM作为建模数据, 接下来在相同搜索范围内比较了粒子群优化算法(PSO)、 遗传算法(GA)和GWO对SVM分类模型的优化效果。 结果表明, 经RF筛选后的光谱变量较CARS具有更好的产地建模性能, 其中RF-GWO-SVM对8个产地烟叶的整体判别正确率达到了96.62%, 相较于RF-PSO-SVM和RF-GA-SVM正确率更高。 同时, RF-GWO-SVM的运行时间分别比RF-PSO-SVM和RF-GA-SVM的运行时间缩短156和131 min, RF-GWO-SVM具有精度更高、 寻优速度更快等优点。 GWO对于SVM模型参数具有更高效的优化能力, 可用于烟叶产地快速鉴别模型的建立。
近红外光谱技术 灰狼算法 支持向量机 烟叶 产地鉴别 Near-infrared spectroscopy Grey wolf optimizer Support vector machine Tobacco Origin identification 光谱学与光谱分析
2022, 42(9): 2830
中国农业科学院烟草研究所/农业农村部烟草生物学与加工重点实验室, 山东 青岛 266101
利用不同氮肥用量田间试验, 分析基于无人机平台的可见光谱诊断技术对烟草氮素营养进行无损评估预测的可行性, 明确该技术的最佳颜色参数和方程模型。 2018年在江西省安福县开展田间试验, 设置不同氮肥用量, 分别为0, 45, 90, 135, 180和300 kg N·ha-1, 于移栽后47 d(团棵期)、 移栽后83 d(旺长后期)和移栽后116 d(下部叶成熟期), 利用无人机获取冠层RGB色彩数字图像, 同时采集植株样品分析地上部生物量、 叶片生物量、 地上部氮浓度、 叶片氮浓度、 叶片SPAD值等氮营养状况指标, 对冠层数字图像进行数字化分析, 获得颜色指标值, 通过颜色指标与烟草氮营养状况指标的相关性分析, 筛选适宜的颜色指标并建立氮营养诊断方程。 利用不同地块的氮肥用量试验, 对氮营养诊断方程拟合精度进行验证。 试验结果表明, 旺长后期各处理间冠层图像的颜色标准值存在显著差异, 团棵期与下部叶成熟期不存在显著差异。 在10个颜色指标中, NRI, NGI, G/R, G/(R+B), (G-R)/(R+G+B)和ExG与5个烤烟氮素营养指标均达到极显著相关(p<0.01)。 在归一化颜色指标体系、 比颜色指标体系和归一化差分颜色指标体系中选择潜在的最佳颜色参数指标分别为NGI, G/R和ExG。 根据不同类型的回归分析结果, 确定指数回归作为地上部生物量和叶片生物量的预测模型, 线性回归作为地上部氮浓度、 叶片氮浓度及叶片SPAD值的预测模型。 对潜在的最佳指标进行验证性筛选, G/R对地上部氮浓度和叶片氮浓度的RMSE值分别为0.375 1%和0.249 1%, 明显低于NGI和ExG, 预测精度最高。 用G/R值表示的地上部生物量、 叶片生物量、 地上部氮浓度、 叶片氮浓度、 SPAD值预测方程分别为Y=21.785e1.3502G/R, Y=4.057 9e1.937 3G/R, Y=5.039 9G/R-3.333 2, Y=4.281 4G/R-3.802 9, Y=40.168G/R-28.188。 因此, 基于无人机平台的可见光谱诊断技术在烤烟氮素营养诊断方面具有应用潜力, 评估最佳时期为旺长后期, 最佳预测参数为G/R值。
烤烟 冠层可见光谱 氮营养诊断 颜色指标 方程模型 生育期 Flue-cured tobacco Canopy visible spectrum Nitrogen diagnosis Color index Equation model Growth period
烤烟香型的判别一直是烟草行业的关注焦点。 利用中红外和近红外光谱对189份不同香型的烟叶进行分析。 分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素。 通过主成分分析方法分别对选取的中红外、 近红外数据进行烟叶清香型、 中间香型和浓香型三种香型风格的定性分析。 结果表明基于中红外和近红外数据PCA投影图中三种香型混淆严重, 区分界面不清晰。 随后, 将中红外、 近红外数据进行融合, 将提取的34个特征波数处的吸光值同时代入主成分分析, 得到基于中红外和近红外融合数据的PCA投影图。 该投影图可以将不同香型的烟叶明显地区分出来。 随后利用后退法和遗传算法对中红外和近红外融合后的34个吸光度值进行变量选择, 后退法选择出了24个变量, 遗传算法选择出了19个变量。 对比34, 24和19个变量的烟叶三种香型风格的主成分投影图, 遗传算法虽然选择了比较少的变量, 但其仍然可以将烟叶进行准确的分类。 利用遗传算法对中红外和近红外融合后数据进行变量选择, 剔除对烟叶香型分类影响小的因素。 最后, 利用支持向量机建立烟叶清香型、 中间香型和浓香型分类判别模型。 该模型的建模结果准确率为92.72%, 其中清香型、 中间香型和浓香型的准确率分别为93.75%, 92.11%和91.84%。 内部交叉验证留一法结果准确率为88.74%, 其中清香型、 中间香型和浓香型的准确率分别为90.63%, 86.84%和87.76%。 对未知样本预报结果的准确率为86.84%, 其中清香型、 中间香型和浓香型的准确率分别为88.24%, 85.71%和85.71%。 无论是建模结果、 留一法结果和预报结果其准确率都大于85%。 研究结果表明中红外和近红外数据融合可以提供更多的特征信息, 利用这些信息可以建立烟叶香型风格的分类判别模型, 为烟叶香型风格快速鉴别提供帮助。
中红外光谱 近红外光谱 烤烟 数据融合 Middle infrared spectrum Near infrared spectrum Tobacco flavor Data fusion
1 上海烟草集团有限责任公司, 上海 200082
2 中国农业大学信息与电气工程学院, 北京 100083
烤烟等级质量对配方设计和卷烟工业生产的稳定起着重要的作用。 采用传统外观分级法对2018年全国40个地级市产地的768份烤烟烟叶样品进行分类定级, 包括7个不同烟叶质量等级。 应用近红外光谱建立烟叶质量等级预测模型, 分析不同等级烟叶化学基团及相关成分的近红外吸收光谱特征。 结果表明: 不分产区建立全国烟叶等级预测模型, 建模集与预测集的预测标准差不大于1.35。 将样品按五大产区分区后, 建立各产区模型, 发现较全国模型, 分区后各个产区所建模型的预测标准差有所降低, 其中东南、 西南、 黄淮烟区模型提高较大, 检验集与预测标准差均不大于1.07。 对不同质量等级烟叶的平均光谱进行标准正态变量变换预处理后, 依据近红外光在不同频率范围吸收的有机基团及相关物质成分信息, 发现质量等级较好的烟叶, 纤维素含量较低, 淀粉等糖类物质含量较高; 质量等级较差的烟叶, 纤维素含量较高, 淀粉等糖类物质含量较低; 质量等级最差(上部低等)烟叶, 同时具有蛋白质类物质含量较高的特点。 因此, 应用近红外光谱可实现烟叶质量等级的快速预测, 预测偏差基本在相邻等级之间, 满足实际应用要求, 通过建立不同产区预测模型可进一步提高预测准确度; 同时, 不同等级烟叶在以纤维素、 淀粉和糖类、 蛋白质类等物质为主产生的基团吸收特征不同, 这也是应用近红外光谱实现烟叶质量等级快速检测的信息基础。 该研究结果对完善烟叶分级评价体系, 进一步优化分级方案, 为产品质量和维护等方面可提供了更加科学的方法指导和技术支撑。
近红外光谱技术 烟草工业分级 烟草质量等级 烟草产区 Near infrared spectroscopy Classification of tobacco industry Quality classification of tobacco Tobacco production areas
中国农业大学信息与电气工程学院, 北京 100083
应用近红外光谱技术实现农产品产地、 质量等级等属性特征的快速、 准确鉴别, 在农产品的收购、 加工中可发挥重要作用。 目前, 应用近红外技术实现上述目标虽有一些文献报道, 但已实际应用的事例却很少, 其主要原因在于所建模型的可靠性尚存在一定问题。 以来自四川省内不同部位(不同等级)的烟叶样品为例, 基于主要化学成分, 近红外光谱和定性判别结果评价了烟叶等级识别模型的可靠性; 并通过探究主要化学成分和光谱特征分析了四川省烟叶的等级特征。 研究结果表明: 在一定生态产区范围内, 可建立可靠性较好的烟叶等级识别模型, 物质信息基础和模型识别结果的一致性可验证模型的可靠性。 通过探究化学成分和光谱特征, 分析了四川省不同等级烟叶具有的化学成分特征: 上部烟叶具有低总糖, 高烟碱, 高总氮, 高纤维素, 高酰胺的等级特征; 中部烟叶具有高总糖, 中烟碱, 中总氮, 中纤维素, 中酰胺的等级特征; 下部烟叶具有高总糖, 低烟碱, 低总氮, 低纤维素, 低酰胺的等级特征。 本文得出的依据物质信息基础判定定性模型可靠性的方法, 以及基于化学成分和近红外光谱特征分析烟叶等级特征的方法, 对其他农产品的建模和化学成分特征分析具有参考价值。
近红外 烟叶 定性判别 可靠性 等级特征 Near-infrared Tobacco Qualitative discrimination Reliability Grade feature 光谱学与光谱分析
2020, 40(10): 3260
1 上海烟草集团有限责任公司技术中心, 上海 200082
2 华东理工大学化学与分子工程学院, 上海功能性材料化学重点实验室, 上海 200237
色素是烟草中的重要组成成分, 烟草的外观质量和内在品质都与色素相关。 色素主要分为绿色素、 黄色素和黑色素。 在生长期, 烟草中的绿色素主要是叶绿素, 成熟期的烟草中黄色素则主要为叶黄素和胡萝卜素, 黑色素则存在于成熟的烟叶中, 或在调制和发酵的过程中产生。 色素的检测对于烟草原料评价和成品质量都非常重要。 鉴于烟草色素基于液相色谱的传统检测方法耗时较长、 样品制备过程复杂, 以及拉曼光谱操作简单、 测定时间短、 能提供有关分子官能团信息的特点, 开发了一种应用拉曼光谱同时定量检测烟草中叶黄素和β-胡萝卜素的快检方法。 烟草样品的有机溶剂提取物, 密封在透明玻璃瓶中, 将激光聚焦于瓶内溶液样品直接测定拉曼光谱。 研究发现, 不同于常见的514和785 nm激发波长, 在短波455 nm激光作用下, 可获得更理想的拉曼信号, 光谱强度较高, 荧光干扰较低。 对色素萃取溶剂、 焦平面与光学平台间的距离等实验条件进行了优化。 考虑到不同检测日期仪器操作条件的变化可对拉曼光谱产生影响, 以溶剂峰为内标峰, 对光谱进行归一化处理, 以校正因测定条件不稳定而引起的物理干扰。 为了解决荧光干扰, 以及色素分子之间的拉曼光谱干扰问题, 采用偏最小二乘法(PLS)建立光谱分析的多元校正模型。 建模中对波长区域以及光谱预处理方法进行了优化。 研究结果表明, 光谱归一化处理显著降低了因物理因素产生的光谱干扰, 光谱求导运算对建模影响不大, 而波长选择能明显改善模型的预测能力。 利用798.2～1 752.8 cm-1波段建立叶黄素的PLS定量模型时, 预测效果最佳, 预测集的均方根误差(RMSEP)为6.68 μg·g-1; 对于β-胡萝卜素, 798.2～1 752.8 cm-1组合2 254.2～2 784.5 cm-1用来建模时得到的RMSEP最小, 为2.56 μg·g-1。 该方法操作简便、 耗时少、 结果准确可靠, 为烟草样本中色素的定量分析提供了一种切实有效的新途径。
拉曼光谱 烟草 色素 偏最小二乘法 Raman spectroscopy Tobacco Pigments PLS 光谱学与光谱分析
2019, 39(11): 3519
