The maturity affects the yield, quality, and economic value of tobacco leaves. Leaf maturity level discrimination is an important step in manual harvesting. However, the maturity judgment of fresh tobacco leaves by grower visual evaluation is subjective, which may lead to quality loss and low prices. Therefore, an objective and reliable discriminant technique for tobacco leaf maturity level based on near-infrared (NIR) spectroscopy combined with a deep learning approach of convolutional neural networks (CNNs) is proposed in this study. To assess the performance of the proposed maturity discriminant model, four conventional multiclass classification approaches—K-nearest neighbor (KNN), backpropagation neural network (BPNN), support vector machine (SVM), and extreme learning machine (ELM)—were employed for a comparative analysis of three categories (upper, middle, and lower position) of tobacco leaves. Experimental results showed that the CNN discriminant models were able to precisely classify the maturity level of tobacco leaves for the above three data sets with accuracies of 96.18%, 95.2%, and 97.31%, respectively. Moreover, the CNN models with strong feature extraction and learning ability were superior to the KNN, BPNN, SVM, and ELM models. Thus, NIR spectroscopy combined with CNN is a promising alternative to overcome the limitations of sensory assessment for tobacco leaf maturity level recognition. The development of a maturity-distinguishing model can provide an accurate, reliable, and scientific auxiliary means for tobacco leaf harvesting.

中文翻译：

---

通过近红外 (NIR) 光谱和深度学习识别不同成熟度的新鲜烟叶

成熟度影响烟叶的产量、质量和经济价值。叶片成熟度判别是人工采收的重要步骤。然而，种植者视觉评价对新鲜烟叶的成熟度判断是主观的，这可能导致质量损失和价格低廉。因此，本研究提出了一种基于近红外（NIR）光谱结合卷积神经网络（CNN）深度学习方法的客观可靠的烟叶成熟度判别技术。为了评估所提出的成熟度​​判别模型的性能，四种传统的多类分类方法——K-最近邻 (KNN)、反向传播神经网络 (BPNN)、支持向量机 (SVM)、和极限学习机（ELM）——用于三类（上、中、下）烟叶的比较分析。实验结果表明，CNN判别模型能够对上述三个数据集的烟叶成熟度进行精确分类，准确率分别为96.18%、95.2%和97.31%。此外，CNN 模型具有较强的特征提取和学习能力，优于 KNN、BPNN、SVM 和 ELM 模型。因此，NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。和较低的位置）烟叶。实验结果表明，CNN判别模型能够对上述三个数据集的烟叶成熟度进行精确分类，准确率分别为96.18%、95.2%和97.31%。此外，CNN 模型具有较强的特征提取和学习能力，优于 KNN、BPNN、SVM 和 ELM 模型。因此，NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。和较低的位置）烟叶。实验结果表明，CNN判别模型能够对上述三个数据集的烟叶成熟度进行精确分类，准确率分别为96.18%、95.2%和97.31%。此外，CNN 模型具有较强的特征提取和学习能力，优于 KNN、BPNN、SVM 和 ELM 模型。因此，NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。实验结果表明，CNN判别模型能够对上述三个数据集的烟叶成熟度进行精确分类，准确率分别为96.18%、95.2%和97.31%。此外，CNN 模型具有较强的特征提取和学习能力，优于 KNN、BPNN、SVM 和 ELM 模型。因此，NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。实验结果表明，CNN判别模型能够对上述三个数据集的烟叶成熟度进行精确分类，准确率分别为96.18%、95.2%和97.31%。此外，CNN 模型具有较强的特征提取和学习能力，优于 KNN、BPNN、SVM 和 ELM 模型。因此，NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。NIR 光谱与 CNN 相结合是克服烟叶成熟度识别感官评估局限性的一种有前景的替代方法。成熟度判别模型的开发可为烟叶采收提供准确、可靠、科学的辅助手段。