烟叶田间成熟度作为影响烟叶品质的重要因素,仅靠烟农人工肉眼难以准确鉴别。为了实现在烟叶采收环节中准确地鉴别烟叶的成熟度,以下部烟叶为样本,基于图像处理技术对烟叶图像进行预处理,然后基于传统机器学习(BP神经网络和支持向量机)和深度学习(AlexNet和VGG16Net)建立相应的烟叶成熟度鉴别模型;通过分析对比各个模型的分类效果,得到最优模型。试验结果表明,基于图像处理技术、传统机器学习和深度学习鉴别烟叶成熟度的方法是可行的,为进一步研制烟叶采收机奠定了基础。本文主要研究内容与结论如下:(1)基于传统机器学习的烟叶成熟度鉴别方法。对采集的样本进行预处理,首先采用中值滤波算法进行去噪,然后采用二维伽马函数光照不均匀图像自适应矫正算法进行光照平衡,最后采用改进后的最大类间方差法和数学形态学的方法进行分割。预处理结束后,基于颜色空间模型和灰度共生矩阵,提取目标图像的颜色特征(R、G、H、S和V值)和纹理特征(能量、熵、惯性矩和相关性)。将提取的特征作为输入,BP神经网络作为分类技术,通过训练集中的1208份样本训练模型,得到基于BP神经网络的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为90.82%;支持向量机作为分类技术,通过训练集中的1208份样本训练模型,得到基于支持向量机的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为94.54%。(2)基于深度学习的烟叶成熟度鉴别方法。通过仿射变换算法对训练集中1208份样本进行数据增强,将训练集的样本扩充为4832份,Alex Net作为分类技术,在不同的优化器下,得到基于Alex Net的烟叶成熟度鉴别模型。在优化器SGDM下训练,得到的模型对测试集中403份样本进行预测,准确率为97.77%;在优化器RMSProp下训练,得到的模型对测试集中403份样本进行预测,准确率为96.28%;在优化器Adam下训练,得到的模型对测试集中403份样本进行预测,准确率为98.26%。通过仿射变换算法对训练集中1208份样本进行数据增强,训练集的样本扩充为4832份,VGG16Net作为分类技术,在优化器SGDM下训练模型,得到基于VGG16Net的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为98.76%。(3)基于传统机器学习的烟叶成熟度鉴别方法中,采用支持向量机作为分类技术建立的模型准确率更高;基于深度学习的烟叶成熟度鉴别方法中,采用VGG16Net作为分类技术建立的模型准确率更高;深度学习模型的鉴别准确率普遍高于传统机器学习模型的准确率。