基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

干旱胁迫下保水剂对雪茄烟叶碳氮代谢和中性香气物质含量的影响

为研究干旱胁迫下保水剂种类和用量对雪茄烟叶碳氮代谢和香气质量的影响,以德雪3号为试材,采用盆栽试验研究不同保水剂种类(SAP保水剂、沃特保水剂和自制保水剂TS-PAA)与用量(2、4、6 g·株^-1)下的雪茄烟叶碳氮代谢和中性致香成分含量变化。结果表明:1)使用保水剂可有效提高雪茄烟生长发育前期(45 d以前)氮代谢强度,加速氮素营养向烟碱的转化与积累,削弱后期(60 d以后)氮代谢强度,使烟碱的积累程度明显减弱,75 d时各处理的烟碱含量较对照均有大幅度下降,以TS-PAA 2 g·株^-1处理降幅最大,为32.26%。2)使用保水剂能加速中后期(45 d以后)碳代谢进程,促进雪茄烟叶中淀粉、总糖、还原糖含量增加,其中以TS-PAA 4 g·株^-1处理增幅最高,较CK增幅分别为327.28%、80.51%、79.54%,糖碱比增幅161.90%,两糖比(还原糖/总糖)均维持在0.9左右。3)使用保水剂还能显著延迟叶片衰老,提升烟株的抗旱能力,促进雪茄烟叶中性致香成分积累。4)在干旱协迫条件下,保水剂的使用有利于促进雪茄烟叶生长发育过程中碳氮代谢的合理转化与动态平衡,提升烟叶品质。不同处理比较,TS-PAA、沃特保水剂处理以4 g·株^-1,SAP保水剂处理以6 g·株^-1用量时作用效果最佳。     

雪茄烟叶发酵过程中颜色参数与发酵品质的关系

【目的】分析发酵过程中雪茄烟叶颜色参数与多酚类物质、化学成分及评吸质量的关系,为快速分析雪茄烟叶发酵过程中发酵品质提供参考。【方法】以调制后的德雪3号中部二级雪茄烟叶为试验材料,采用人工堆积法进行发酵30 d,从发酵开始每隔5 d取样1次,直至发酵结束。测定发酵过程中烟叶颜色参数（亮度值（L^*）、红度值（a^*）、黄度值（b^*）、饱和度（C）、色泽比（H）、色相角（H⁰）、色差值（ΔE））、多酚类物质（莨菪亭、绿原酸、芸香苷、总酚）含量、化学成分（总糖、还原糖、总氮、蛋白质）含量及评吸质量（香气质、香气量、劲头、浓度、余味、杂气、刺激性、甜度、灰色）的变化,分析颜色参数变化与多酚类物质、化学成分及评吸质量的关系,并建立动态变化预测回归方程。【结果】随着发酵进程的推进,雪茄烟叶多酚类物质（莨菪亭、绿原酸、芸香苷、总酚）含量、化学成分（总糖、还原糖、总氮、蛋白质）含量与颜色参数L^*、a^*、b^*、C值均呈缓慢降低的变化趋势,H值呈先升高后降低的变化趋势,H⁰值呈先降低后升高的变化趋势,ΔE值呈缓慢上升的变化趋势。发酵25~30 d烟叶的评吸质量较好,各评吸指标较未发酵烟叶均有明显提升。相关分析表明,发酵过程中雪茄烟叶颜色参数与多酚类物质、化学成分和评吸质量达显著或极显著水平。回归分析表明,多酚类物质和化学成分对发酵过程中雪茄烟叶颜色变化有直接影响,评吸质量与颜色参数关系密切。【结论】通过量化雪茄烟叶发酵过程中颜色参数,建立发酵过程中评吸质量变化模型,提高雪茄烟叶发酵过程中的可调控性及烟叶品质。     

不同成熟度雪茄烟晾制过程碳水化合物及相关酶活性变化规律研究

为了解不同成熟度晾制对雪茄烟叶品质的影响,以雪茄烟品种‘H382’为研究对象,采用大田试验方法,研究不同成熟度雪茄烟在晾制过程中碳水化合物含量及相关酶活性的变化,并对不同成熟度雪茄烟进行品质分析。结果表明,在晾制过程中适熟采收的烟叶失水速度和含水率适中,能促进内在物质的转化;雪茄烟适熟时采收,淀粉含量最低,淀粉降解速率快、降解较彻底,总糖、还原糖含量相对较高;淀粉酶和淀粉磷酸化酶活性均以适熟采收的烟叶最高;晾制后烟叶化学成分的主成分综合得分也以适熟采收的烟叶最高,化学品质较好。研究可为五指山雪茄烟叶采收提供理论基础。     

中微量元素对雪茄烟叶的施用效果

为了探究不同中微量元素在雪茄烟上的施用效果，本研究采用田间试验的方法，对比了增施不同中微量元素肥料对雪茄烟烟叶产量、产值、等级结构及表观品质的影响。中微量元素施用能够提高烟叶总产量，其中施用锌肥总产量提升最高可达1716kg/hm2。施用Ca、Mg、Zn和B通过提高中上部烟叶茄衣、茄套产量，改善烟叶等级结构，从而提高产值。施用B处理茄衣产量和烟叶产值均最高，分别可达到21.36%和16.7万元/hm2。施用中微量元素能调节叶表观质量以及烟叶化学协调性，但并无显著性提升。因此，在丹江口烟区增施中微量元素有利于雪茄烟生长，其中增施适宜B肥有利于烟叶产量、茄衣产量及经济价值的提升。     

全叶卷手工雪茄关键工艺技术研究

全叶卷手工雪茄是国内外消费者普遍认可的一种雪茄类型,也是国内雪茄烟发展的主要趋势。目前,我国雪茄烟整体生产水平参差不齐。据此,重点分析了烟叶预处理、烟支卷制和养护工序中的关键工艺对雪茄质量的影响,探讨优质全叶卷雪茄的关键工艺技术要点,以期为国内雪茄烟生产提供参考依据。     

海南茄衣人工发酵过程中非挥发性有机酸的变化

【目的】研究海南茄衣人工发酵过程中非挥发性有机酸的变化规律。【方法】以海南茄衣品种JH-2为材料,采用GC/MS-QP-5000和SHIMAD2U,研究了雪茄茄衣在人工发酵过程中非挥发性有机酸的变化规律。【结果】在发酵过程中茄衣非挥发性有机酸总量呈单峰变化,在发酵18d时出现256.40mg/g的最大值,在36d时出现204.01mg/g的最小值;半挥发性有机酸与非挥发性有机酸总量的变化趋势一致,同样在18d时达到最大值;高级饱和脂肪酸在整个发酵过程中呈现下降趋势;高级不饱和脂肪酸尤其是亚油酸在发酵的前6d快速下降了81.45%。非挥发性有机酸总量与半挥发性有机酸总量和柠檬酸含量均呈极显著正相关,与丙二酸、富马酸、苹果酸含量呈显著正相关。【结论】海南雪茄发酵18d前后非挥发性有机酸含量最高,更有利于产生烟气柔和、吃味更好的烟叶。     

蛋白酶处理对雪茄芯叶品质的影响

以雪茄芯叶为材料,在单一蛋白酶处理的基础上,采用正交试验进行组合蛋白酶处理,研究蛋白酶处理对雪茄芯叶蛋白质含量和芯叶品质的影响.结果表明:单一蛋白酶处理时,中性蛋白酶和碱性蛋白酶效果较好,芯叶蛋白质含量分别降低18.98%和17.54%;组合蛋白酶处理时,最佳发酵条件为雪茄芯叶用组合蛋白酶(中性蛋白酶120U/g烟叶+碱性蛋白酶4×10-4 AU/g烟叶)于45℃、85%湿度下处理8h.经组合蛋白酶处理后,芯叶蛋白质含量降低25.38%,化学成分更加协调,感官品质得到提高.     

基于多元统计分析的茄衣烟叶生产气候资源配置

为探究茄衣烟叶生产中的气候资源配置情况,以“云雪1号”品种为试验材料,通过调整移栽期以改变烟株生育期内的气候指标,采用多元统计分析法研究茄衣烟叶的气候资源配置及其对烟株农艺性状及发酵后烟叶化学成分的影响。相关性分析结果显示,烟株大田期的积温、≥10 ℃有效积温、总降水量与总温差对烟株农艺性状各指标的影响较大,其相关系数分布范围为0.478~0.939,而积温、≥10 ℃有效积温、平均气温对烟叶总糖、烟碱、总氮、蛋白质含量影响较大,其相关系数分布范围为-0.955~-1.000。采用因子分析的方法在8项气候指标中提取出气候积累因子与湿度因子2个主因子,进一步通过灰色关联分析得出上述二者分别是影响烟株农艺性状和烟叶常规化学成分的主因子。以上结果表明,确定茄衣烟株移栽期的主要气候因子依据为大田生育期的气温、降水量和相对湿度的综合配置。     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。