高光谱成像技术在烟叶非烟物质检测中的应用研究综述

在烟草加工品质管控体系中，非烟物质（NTRMs）的精准筛查与去除，是保障烟草制品品质、筑牢产品安全底线的关键工序。现阶段行业仍以人工筛选为主要手段，普遍存在劳动强度大、检测效率低、主观干扰强、漏检误检率高等问题。同时，传统物理、光学检测技术难以适配非烟物质种类繁杂、纹理多变、形态不规则的检测特点，无法满足现代烟草工业实时化、高精度、批量化的智能分选需求。针对以上行业痛点，现有相关研究结合高光谱成像技术与深度学习算法，构建了一套高精度、轻量化、可落地的非烟物质智能检测方案，为烟草智能化分选提供了全新技术路径。

该研究首先搭建了专属烟叶检测数据集Tobacco-3000，包含3000张高光谱图像、共计12609个非烟物质检测目标，有效弥补了行业专用高光谱样本数据稀缺的短板。研究通过主成分分析（PCA）完成光谱波段优选，筛选出450–850nm有效波段，并提取580nm、680nm、850nm三大核心特征波长，大幅剔除光谱冗余信息。同时结合伪彩色图像融合、去相关对比度拉伸等图像优化算法，显著拉大烟叶与非烟物质的特征差异，既提升了样本标注精度，也为后续模型训练提供了优质数据支撑。

为适配工业复杂检测场景，研究创新设计三款轻量化深度学习检测模型，针对性解决漏检、定位偏差、小目标遮挡、复杂背景干扰等难题。其中YLRT-DETR模型依托RT-DETR基础框架，融合YOLOv8特征结构与轻量化模块，在降低计算成本的同时，有效提升多尺度目标检测适配性；EL-YOLO模型基于轻量化YOLOv8n优化网络结构，强化小目标、模糊边界、遮挡目标的特征提取能力，适配复杂田间及生产场景；创新提出的双分支DB-YOLO模型，通过双骨干网络融合高光谱与RGB双重特征，搭配轻量化跨尺度特征融合模块，全面提升复杂工况下的检测稳定性。

实验测试结果表明，DB-YOLO模型综合性能表现优异，F1分数达89.7%，mAP@50精度为92.8%，mAP@50-95精度73.7%，召回率、精确度分别为87.6%、91.8%，推理帧率可达151FPS，相较于传统RGB、多光谱检测模型，精度与实时性均实现显著提升，完全适配生产线高速实时检测需求。

总体来看，该系列研究有效突破了传统烟叶杂质检测的技术瓶颈，摆脱了人工检测的局限性，实现了烟叶非烟物质的自动化、高精度、实时化检测。整套方案轻量化、易部署，适配工业边缘设备落地，为烟草行业智能分选、品质标准化管控提供了扎实的理论支撑与成熟的技术方案，具备极高的工程推广价值与产业经济效益。