为提高采收时不同部位烟叶成熟度识别准确率，本研究系统收集上、中、下部3个部位烟叶的欠熟、适熟、过熟图像，提出一种基于深度学习的改进VGG-16的烟叶成熟度识别方法。该方法使用迁移学习预训练VGG-16模型作为基础模型，并对其进行微调、卷积层特征融合，以提升模型在烟叶成熟度识别任务上的性能，冻结卷积层及后续层的微调、添加BN层和使用Adam优化器，进一步提高了训练效率、避免过拟合现象产生并增强模型的稳健性和精确度。试验结果表明，改进后的VGG-16模型在烟叶成熟度识别任务中具有高准确度的优势，其测试集识别准确率达到99.7%，优于经典机器学习BP神经网络、支持向量机、原始VGG-16和VGG-19、AlexNet、ResNet50等方法结果。其参数量为14 721 353、模型大小为58.9 M、单张图像识别时间为0.024 9 s，表现出计算和存储资源需求低，识别速度快的高效优势。进一步通过Score-CAM算法对不同成熟度烟叶图像识别结果进行可视化分析，揭示了烟叶主脉中部区域为不同成熟度烟叶核心差异区域，为识别模型提供关键信息，进而可为明确不同部位烟叶成熟过程中化学物质转化规律提供信息。本研究提出的改进VGG-16深度学习模型在不同部位烟叶成熟度识别上具有高准确率和高效率的优势，有望为烟草采收生产提供精准有效的决策支持。未来可进一步探讨不同的特征融合策略和网络结构，以提高不同产地及不同年份间烟叶成熟度识别的泛化能力和稳健性。
