基于小波核極限學習機的煙葉烘烤過程的智能識別

邢玉清，樊彩霞，豆根生，宋朝鵬，吳莉莉*

基于小波核極限學習機的煙葉烘烤過程的智能識別

邢玉清1, 2，樊彩霞1，豆根生3，宋朝鵬4，吳莉莉1*

1 河南農業大學理學院，河南省農業物聯網安全與創新工程技術研究中心，河南 鄭州 450002；2 信息工程大學網絡空間安全學院，河南 鄭州 450001；3 河南農業大學農學院，河南 鄭州 450002；4 河南農業大學煙草學院，河南 鄭州 450002

煙葉烘烤設備操作復雜、技術含量高、熟練掌握煙葉烘烤技術人員不足等問題，影響了煙葉的烘烤質量。針對上述問題，本文提出了基于小波核極限學習機的煙葉烘烤過程的智能識別方法。實驗中對三段式烘烤過程中的葉片變軟、主脈變軟、勾尖卷邊、小打筒、大打筒和干筋6個烘烤階段分別提取了顏色、紋理和溫濕度特征，組建了9維特征向量進入小波核極限學習機，通過增量型算法自適應地選擇神經元個數，快速準確地識別了6個階段，得到了98.33%的識別率。實驗結果表明本文提出的基于小波核極限學習機的煙葉烘烤過程的智能識別方法具有一定的可行性，為研發煙葉烘烤智能調控系統奠定了理論基礎。

極限學習機；小波核函數；煙葉烘烤；特征提??；識別

煙葉烘烤是決定煙葉質量的關鍵環節。如何高效高質量地完成煙葉烘烤是烤煙工作中的重點問題。目前煙葉烘烤大多采用三段式烘烤技術，即變黃、定色和干筋三個階段[1-12]；烘烤時以烘烤曲線為參考，預設每個階段的烘烤時間和溫濕度。

煙葉烘烤過程中需要經驗豐富的技工實時觀察煙葉烘烤情況，根據煙葉狀態來調節烘烤工藝參數。這種烘烤方式受人的主觀影響，導致烘烤質量不穩定。同時較長的烘烤周期也會消耗大量的人力資源。

針對目前煙葉烘烤過程中存在的上述問題，國內外許多學者做了大量的研究工作。2015年唐嵐[3]實時采集了煙葉烘烤圖像，并提取圖像特征，采用人工神經網絡實時預測與自動調控烤房溫濕度，取得了較好的烘烤效果。2015年劉軍令[4]提出了一種基于電子鼻的煙葉烘烤控制預測算法，通過對煙葉烘烤過程中氣敏傳感器陣列采集的煙葉氣味數據進行分析，得到烘烤過程中煙葉氣味的變化規律，依據煙葉氣味變化特征，建立了基于BP 網絡的煙葉烘烤預測模型，取得了一定的預測效果。2017年Wang等[13]通過獲取烘烤過程中煙葉的光學圖像，提取煙葉的顏色特征和紋理特征，利用BP網絡對烤房的溫濕度進行預測和控制，開發了一種新型的智能實時烤房控制系統。實驗結果表明，基于顏色和紋理特征的方法比僅采用顏色特征的方法，能顯著提高檢測精度。2020年Miguel Condorí 等[14]研制了一種基于數字圖像處理技術的煙葉烘烤過程控制系統，通過采用HSV彩色模型、葉片樣品的重量損失和每個階段的預期參數來控制烘烤條件，實 驗結果表明該系統可以很好地區分變黃、定色和干筋階段。

上述研究從氣味、外觀、重量等不同方面對烘烤過程中煙葉的變化狀態進行了探討，取了一定的成果。

為解決煙葉烘烤過程中人力消耗大、烘烤質量不穩定的問題，本文將機器學習應用到煙葉的烘烤過程中，提出基于小波核極限學習機的煙葉烘烤過程的智能識別方法，通過電子設備實時獲取煙葉烘烤信息，并由機器自動識別當前煙葉烘烤階段，從而實現煙葉烘烤過程的智能調控，穩定煙葉烘烤品質，減少人力投入，提高生產效率。

1 小波核極限學習機

1.1 極限學習機的基本模型

極限學習機（extreme learning machine，ELM）是一種單隱含層前饋神經網絡[7]，該算法隨機設置輸入層與隱含層間的連接權值以及隱含層神經元閾值，無需進行更新，只需設置隱含層神經元的個數，一次性求解出輸出權值的最小二乘解即可完成網絡的訓練，不僅學習速度快，而且具有良好的泛化性能[15-17]。

根據Huang等[18]的理論研究可知，當()無限可微時，w和b不需要訓練調整，可在學習前隨機選取，網絡的訓練誤差可以接近任意小的正數ε。此時學習過程等價為求式（2）的最小二乘解[19-21]。

其解為

1.2 小波核ELM

由于ELM無法解決線性加權與非線性樣本不匹配的問題，以及輸入權值的隨機選取可能導致某些隱含層節點權值近似為零，進而影響分類準確度。因此Huang等[22]在ELM中引入了核的概念，與ELM相比，核極限學習機能夠使用核函數保持一定的映射，而不考慮確定的映射相關性，不僅可以減少訓練和輸出權重的誤差，同時還能提高網絡的整體效率。

引入懲戒因子C（C為可調參數），可得權值矩陣的最小二乘解為：

此時ELM分類器的輸出為：

在ELM中把每一個樣本的隱層輸出看成是樣本的特征映射，這個特征映射可以用核函數去替代，如式（6）所示：

此時ELM分類器的輸出由式（5）變為式（7），

式中就是核函數，當核函數采用小波函數時[23]，ELM就是小波核極限學習機（wavelet kernel extreme learning machine，WKELM）。

本文采用Mexican Hat（mexh）小波核函數對煙葉烘烤過程進行智能識別，小波核函數表達式如式（8）所示。

2 煙葉烘烤過程的數據獲取和預處理

2.1 數據獲取

本實驗中的烤煙品種為云煙98，于2019年9月21日10:00至28日10:00在河南省三門峽市某密集烤房進行煙葉烘烤。烘烤過程中，自帶LED的攝像頭和溫濕度傳感器都置于烤房人走通道固定架上，距離煙葉50 cm處，通過WIFI方式將數據傳至服務器。其中攝像頭采用的是水星MIPC451-4，獲取烘烤全程煙葉視頻，溫濕度傳感器選用RS-WS-WIFI-6系列產品，獲取烘烤全程烤房內的溫濕度。

2.2 數據預處理

將攝像頭獲取的視頻轉換為JPG圖像，每隔2 s采樣一次，轉換好的圖像統一設置為1280×720像素。為保證識別效果，對圖像進行平滑預處理。由于中值濾波在去噪的同時還能較好地保護細節，因此文中采用中值濾波法對煙葉圖像進行平滑去噪。為提高分析效率和準確度，對去噪后的煙葉圖像利用區域生成的方法選取感興趣區域，只對選定區域進行特征提取。圖1為6個階段的原始圖像，圖2為經過預處理之后的6個階段的樣本圖像。

圖2 經過預處理后的不同階段煙葉烘烤圖像

3 煙葉烘烤過程特征值的提取

三段式烘烤中變黃階段可分為2步，一是葉片變軟，二是主脈變軟，該階段不僅要使煙葉實現變黃，還要使煙葉適量脫水實現變軟；定色階段可分為勾尖卷邊、小打筒和大打筒3步，主要目的是使葉片干燥，從而將黃色固定下來；干筋階段煙葉主脈全干。

實驗中將識別葉片變軟、主脈變軟、勾尖卷邊、小打筒、大打筒和干筋6個烘烤階段，以圖像和溫濕度為主要參考特征，組建特征向量。

3.1 顏色特征提取

煙葉在烘烤過程中，顏色的變化比較明顯，從綠色逐漸變到黃褐色。實驗中擬分別從RGB與HIS 2種顏色空間進行顏色特征的提取，從不同角度來表征煙葉烘烤過程中色彩狀態的變化。

RGB模型是目前運用最廣的顏色模型之一，通過對紅（Red）、綠（Green）、藍（Blue）3種顏色的疊加得到視覺所能感知的顏色。由于紅色與綠色融合會呈現黃色，所以煙葉的顏色變化主要與紅色和綠色分量有關，在特征提取時主要選取R和G分量。

HIS模型與人眼對事物的觀察模式一致，用色調（Hue）、飽和度（Saturation）和亮度（Intensity）來描述顏色，反映了人的視覺系統感知彩色的方式。

選用2種不同色彩模型可以從不同角度表征煙葉烘烤過程中色彩狀態的改變，使得提取的顏色特征更多元化。

在HIS模型中，只有H分量變化較為規律且明顯，因此在特征提取時選取H分量。

HSI模型與RGB模型的關系如式（9）～（11）所示。

其中

實驗中對煙葉烘烤過程中6個不同階段的圖像進行顏色特征提取時，考慮到實時性，每個階段隨機選用60幅圖像作為訓練樣本，20幅圖像作為測試樣本，共計360個訓練樣本，120個測試樣本。對這些樣本分別計算R、G、H分量的均值作為顏色特征，為了便于觀察，圖3分別給出了6個烘烤階段的各特征值分布。從顏色特征值分布來看，葉片變軟、主脈變軟和勾尖卷邊3個階段的特征值幾乎無交叉，較易區分，這是因為烘烤過程中煙葉從綠色逐漸變到黃色，顏色變化明顯；而后面幾個階段煙葉脫水嚴重，顏色幾乎沒有大的變化，因此顏色特征值混疊在一起，不易區分。為了能有效地識別各個烘烤階段，還需融合其他特征。

（a）R分量特征值分布 （b）G分量特征值分布

（c）H分量特征值分布

圖3 顏色特征值分布

Fig.3 Color eigenvalue distribution

3.2 紋理特征提取

煙葉烘烤達到定色期以后顏色變化緩慢，但煙葉失水量較大，葉片皺縮明顯，由平整逐漸卷曲，紋理特征發生了較明顯的變化。紋理是圖像中局部不規則而宏觀上有規律的特性，是物體表面的一種自然屬性，也是常用的圖像特征之一。

實驗中利用灰度共生矩陣來提取紋理特征，分別從0°、45°、90°、135°4個方向計算圖像的能量、對比度、相關性和同質性來表示紋理特征，計算公式如式（12）～（15）所示。

能量表征了圖像灰度分布的均勻性。

對比度反映了圖像紋路的深淺和清晰度。

相關性體現了水平和垂直方向上相鄰像素間的相似性。

同質性反映了圖像紋理局部變化的均勻性。

圖4分別給出了6個烘烤階段的紋理征值分布。勾尖卷邊和干筋階段的對比度幾乎和其他階段無交叉，較易區分；葉片變軟和小打筒階段的相關性起伏不大，趨于一致，也比較好辨認。葉片變軟和主脈變軟處于烘烤前期，失水量較少，紋理特征不易區分。

（a）能量 （b）對比度

（c）相關性 （d）同質性

圖4 紋理特征值分布

Fig.4 Texture feature value distribution

3.3 溫濕度特征提取

參照樣本圖像獲取的時間節點，讀取相應時間的溫濕度傳感器的溫度和濕度值，分別按式（16）進行歸一化處理，使其位于[0，1]。

4 煙葉烘烤過程的智能識別

核極限學習機訓練速度快，準確度較高，但核函數的種類和參數會影響KELM的學習能力和泛化能力。實驗中，利用WKELM對煙葉烘烤過程智能識別時，顏色特征、紋理特征和溫濕度一同作為輸入向量，建立9維輸入和6維（待識別的烘烤階段）輸出。

實驗中在Matlab環境下編寫了WKELM的訓練和預測函數。WKELM的訓練過程主要有以下3個步驟：

（1）確定隱含層神經元個數，隨機設定輸入層與隱含層的連接權值矩陣以及隱含層神經元的閾值矩陣；

（2）選擇Mexican Hat小波核函數作為隱含層神經元的激活函數，計算隱含層輸出矩陣；

在建立WKELM模型時，隱含層神經元個數需要提前設置，為了得到最佳的識別性能，擬采用增量型算法[23-29]自適應選擇神經元個數。在迭代過程中逐漸增加隱含層神經元個數，更新隱含層神經元的輸出權值和期望余差，直到余差等于或接近期望值。

圖5給出了當隱含層神經元個數從20個至200個時對應的識別率關系曲線，可以看到當神經元個數為52時，識別率達到最大，為98.33%。

圖5 隱含層神經元個數與識別率的關系曲線

為了說明WKELM對煙葉烘烤過程識別的有效性，實驗中采用不同分類器進行識別性能對比。將相同的訓練樣本和測試樣本分別進入卷積神經網絡（convolutional neural network，CNN）、決策樹、概率神經網絡、極限學習機、多項式核極限學習機和小波核極限學習機分類器中，識別結果如表1所示。從表中的分類性能來看，采用概率神經網絡的分類識別率最低，CNN和WKELM的識別率最高，可達98.33%，小波核函數繼承了小波函數的多尺度逼近的特點，因此在分類問題上也有更好的效果。使用深度學習中的CNN分類器的耗時最長，ELM的耗時最短，而WKELM的耗時比ELM多了1.41 s，識別率卻提高了1.66%。

表1 不同分類器識別結果對比

Tab.1 Comparison of recognition results of different classifiers

為了增強WKELM模型的魯棒性，在所有實驗樣本中隨機生成了10組訓練樣本和測試樣本進行分類實驗，識別率如圖6所示?？梢钥闯?，模型的最低識別率為92.5%，最高為98.33%，平均識別率可達95.75%，因此采用WKELM對煙葉烘烤過程的識別方法是可行的。

圖6 10組隨機測試樣本的識別率

5 結束語

為實現煙葉烘烤過程的智能識別，本文以云煙98烘烤過程為例，對葉片變軟、主脈變軟、勾尖卷邊、小打筒、大打筒和干筋6個烘烤階段的特征提取和分類識別進行了研究，提出了融合顏色、紋理和溫濕度的特征提取方法，利用小波核極限學習機作為分類器得到了98.33%的識別率。與卷積神經網絡、決策樹、概率神經網絡、極限學習機等分類器的對比實驗結果說明了采用小波核極限學習機進行煙葉烘烤過程智能識別的理論一定可行性。本文的研究將為研發煙葉烘烤智能調控系統奠定理論基礎，促進機器學習在烤煙領域的應用。

[1] JIE Chen, YAN Li, XIAN He, et al. Influences of different curing methods on chemical compositions in different types of tobaccos[J]. Industrial Crops & Products, 2021, 167: 1-11.

[2] CAO Gengshuo, BAO Yafeng, WU Chao, et al. Analysis on efficiency optimization of tobacco leaf flue-curing process[J]. Procedia Engineering, 2017, 205: 540–547.

[3] 唐嵐. 密集化煙葉烘烤中圖像特征提取及應用研究[D].重慶：重慶大學，2015.

TANG Lan.Research on image feature’s extraction and application in bulk tobacco curing[D]. Chongqing: Chongqing University, 2015.

[4] 劉軍令. 煙草智能烤房系統中電子鼻關鍵技術研究[D]. 重慶：重慶大學，2015.

LIU Junling. Study on the key technology of electronic nose in intelligent tobacco barn systems[D]. Chongqing: Chongqing University,2015.

[5] 李增盛，孟令峰，王松峰，等. 基于圖像處理的煙葉烘烤階段判別模型優選[J]. 中國煙草學報,2022,28(02):65-76.

LI Zengsheng, MENG Lingfeng, WANG Songfeng, et al. Selection of optimum discriminant model in tobacco curing stage based on image processing[J]. Acta Tabacaria Sinica, 2022,28(02):65-76.

[6] 林志，譚軍，曾惠宇，等. 不同溫濕度自控儀對煙葉烘烤的影響[J]. 現代農業科技，2021(24):185-187.

LIN Zhi, TAN Jun, ZENG Huiyu, et al. Effect of different temperature and humidity automatic control instruments on tobacco baking[J]. Modern Agricultural Science and Technology, 2021(24):185-187.

[7] 仙立國，王松峰，孫帥帥，等. 熱泵密集烤房對煙葉烘烤主要生理變化和質量的影響[J]. 中國煙草科學，2021,42(06):53-59.

XIAN Liguo, WANG Songfeng, SUN Shuaishuai, et al. The effect of air-source heat pump bulk curing barn on the main physiological changes and quality of flue-cured tobacco[J]. Chinese Tobacco Science, 2021,42(06):53-59.

[8] 劉兆宇，陳頤，羅會龍，等. 煙葉烘烤定色期密集烤房熱濕環境數值分析[J]. 西南農業學報，2021,34(11):2518-2524.

LIU Zhaoyu, CHEN Yi, LUO Huilong, et al. Numerical analysis of hot and wet environment in bulk curing barn during color fixing period[J]. Southwest China Journal of Agricultural Sciences,2021,34(11):2518-2524..

[9] 楊波，張喜峰. 不同烘烤工藝對中部煙葉烘烤質量的影響[J]. 陜西農業科學，2021,67(11):86-90.

YANG Bo, ZHANG Xifeng. Effect of different flue-curing processes on tobacco quality of middle leaves[J]. Shaanxi Journal of Agricultural Sciences,2021,67(11):86-90.

[10] 李永輝，徐銳.不同烘烤工藝對云煙87上部煙葉烘烤質量的影響[J]. 綠色科技，2021,23(21):107-109.

LI Yonghui, XU Rui. Effects of different baking processes on the baking quality of upper leaves of Yunyan 87[J]. Journal of Green Science and Technology, 2021,23(21):107-109.

[11] 朱昌銀. 分類編煙對煙葉烘烤質量的影響[J]. 農技服務, 2021, 38(09):28-30.

ZHU Changyin. Effect of classified cooking on tobacco baking quality[J]. Agricultural Technology Service, 2021, 38(09):28-30.

[12] 過偉民，趙虎，鄭勁民，等. 基于物聯網數據采集技術的河南煙葉烘烤工藝大數據分析[J]. 煙草科技，2021,54(09):11-18+39.

GUO Weimin, ZHAO Hu, ZHENG Jinmin, et al. Big data analysis on flue-curing process of tobacco leaves in Henan based on data acquisition via internet of things(IoTs)[J]. Tobacco Science & Technology, 2021,54(09):11-18+39.

[13] WANG Lutao, CHENG Bei, LI Zhengzhou, et al. Intelligent tobacco flue-curing method based on leaf texture feature analysis[J]. Optik, 2017,150: 117–130.

[14] Miguel Condorí, Federico Albesa, Fabiana Altobelli, et al. Image processing for monitoring of the cured tobacco process in a bulk-curing stove[J]. Computers and Electronics in Agriculture, 2020, 168:1-9.

[15] LU Sijia, GAO Wei, HONG Cui, et al. A newly-designed fault diagnostic method for transformers via improved empirical wavelet transform and kernel extreme learning machine[J]. Advanced Engineering Informatics, 2021, 49: 1-12.

[16] GONG Daozhi, HAO Weiping, GAO Lili, et al. Extreme learning machine for reference crop evapotranspiration estimation: Model optimization and spatiotemporal assessment across different climates in China[J]. Computers and Electronics in Agriculture, 2021, 187: 1-13.

[17] Pegah Golestaneh, Maryam Zekri, Farid Sheikholeslam. Fuzzy wavelet extreme learning machine[J]. Fuzzy Sets and Systems, 2018, 342: 90-108.

[18] HUANG GB, ZHU QY, SIEW CK. Extreme learning machine: a new learning scheme of feedforward neural networks[C]. Proceedings of the 2004 IEEE International Joint Conference on Neural Networks. Budapest, Hungary, 2004: 985-990.

[19] Pengpeng Pi, Dimas Lima. Gray level co-occurrence matrix and extreme learning machine for Covid-19 diagnosis[J]. International Journal of Cognitive Computing in Engineering, 2021, 2:93-103.

[20] Maryam Malekzadeh, Saeid Kardar, Saeid Shabanlou. Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models[J]. Groundwater for Sustainable Development, 2019, 9: 1-18.

[21] Diker A, Avci D, Avci E, et al. A new technique for ECG signal classification genetic algorithm wavelet kernel extreme learning machine[J]. International Journal for Light and Electron Optics, 2019, 180: 46–55.

[22] HUANG GB, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics, 2012, 42(2): 513-529.

[23] 王杰，李自豪. 脈象分類識別的小波核極限學習機方法[J]. 計算機工程與設計，2019, 40 (5): 1472-1476.

WANG Jie, LI Zihao. Pulse classification using wavelet kernel extreme learning machine[J]. Computer Engineering and Design, 2019, 40 (5): 1472-14760.

[24] HUANG GB, CHEN L. Enhanced random search based incremental extreme learning machine[J]. Neurocomputing, 2008, 71: 3460- 3468.

[25] 王超，王建輝，顧樹生，等. 改進式混合增量極限學習機算法[J]. 控制與決策，2015, 11: 1981-1986.

WANG Chao, WANG Jianhui, GU Shusheng, et al. Improved hybrid incremental extreme learning machine algorithm[J]. Control and Decision 2015, 11: 1981-1986.

[26] 詹浩東，林勇，孫偉業.基于極限學習機的高壓輸電線路障礙物識別方法[J]. 電子設計工程，2022,30(03):84-88+93.

ZHAN Haodong,LIN Yong,SUN Weiye. High voltage transmission line obstacle recognition method based on extreme learning machine[J]. Electronic Design Engineering, 2022,30(03): 84-88+93..

[27] 張海翔，李培培，胡學鋼.基于核極限學習機的多標簽數據流集成分類方法[J]. 數據采集與處理，2022,37(01):183-193.

ZHANG Haixiang，LI Peipei，HU Xuegang. Multi?label Data Stream Ensemble Classification Approach Based on Kernel Extreme Learning Machine[J]. Journal of Data Acquisition and Processing, 2022,37(01):183-193.

[28] 蔡祥云，王小鵬. 利用極限學習機的人臉活體檢測方法[J]. 傳感器與微系統，2021,40(12):122-124+132.

CAI Xiangyun, WANG Xiaopeng. Face liveness detection method using ELM[J]. Transducer and Microsystem Technologies, 2021, 40(12):122-124+132.

[29] 韓寶珠. 基于在線極限學習機的電機滾動軸承故障識別方法研究[J]. 電子技術，2021,50(12):36-39.

HAN Baozhu. Study on fault identification of rolling element bearings based on os-elm[J]. Electronic Technology, 2021, 50(12): 36-39.

Intelligent recognition of tobacco curing process based on wavelet kernel extreme learning machine

XING Yuqing1,2, FAN Caixia1, DOU Gensheng3, SONGZhaopeng4, WULili1*

1 College of Sciences, Henan Agricultural University, Henan Agricultural Internet of Things Security and Innovation Engineering Technology Research Center, Zhengzhou, 450002, China;2 School of Cybersecurity, Information Engineering University, Zhengzhou ,450001, China;3 College of Agronomy, Henan Agricultural University, Zhengzhou, 450002, China;4 College of Tobacco, Henan Agricultural University, Zhengzhou, 450002, China

In order to solve the problems of large manpower consumption and unstable baking quality in the tobacco curing process, an intelligent recognition method of tobacco curing process based on wavelet kernel limit learning machine is proposed in this paper. In the experiment, the six baking stages including leaf softening, main vein softening, leaf curling, leaf small rolling, leaf large rolling and stem drying during the three-stage baking process were identified. The color, texture, temperature and humidity features were extracted from the six baking stages and a 9-dimensional feature vector was established to enter the wavelet kernel extreme learning machine. The number of neurons was adaptively selected through an incremental algorithm to identify the six stages quickly and accurately. The recognition rate was 98.33%. The experimental results show that the intelligent recognition method of tobacco curing process based on wavelet kernel extreme learning machine is feasible, which lays a theoretical foundation for the development of tobacco curing intelligent control system.

extreme learning machine; wavelet kernel function; tobacco curing; feature extraction; recognition

. Email：wulili@henau.edu.cn

中國煙草總公司科技重點研發項目（110202102007）；中國煙草總公司福建省公司資助項目（2021350000240019）；重慶中煙工業有限責任公司資助項目（YL202202）；河南農業大學自然科學類青年創新基金項目（KJCX2017A19）

邢玉清（1981—），博士，副教授，碩士生導師，主要從事機器學習、網絡安全與數學模型等方面的研究，Email：xyq@henau.edu.cn

吳莉莉（1977—），博士，教授，碩士生導師，主要從事傳感器技術、生物信號處理和模式識別等方面的研究，Email：wulili@henau.edu.cn

2022-01-21；

2023-08-30

邢玉清，樊彩霞，豆根生，等. 基于小波核極限學習機的煙葉烘烤過程的智能識別[J]. 中國煙草學報，2024,30（1）. XING Yuqing, FAN Caixia, DOU Gensheng，et al . Intelligent recognition of tobacco curing process based on wavelet kernel extreme learning machine[J]. Acta Tabacaria Sinica, 2024,30(1). doi:10.16472/j.chinatobacco.2022.T0019