Resumen

El origen del tabaco es el factor más importante para determinar las características de estilo y la calidad intrínseca del tabaco. Existen muchas aplicaciones para la identificación del origen del tabaco mediante espectroscopia de infrarrojo cercano. Con el fin de mejorar la precisión de la clasificación del origen del tabaco, se propuso un método de identificación del espectro infrarrojo cercano (NIRS) basado en redes neuronales convolucionales multimodales (CNN), aprovechando la gran capacidad de extracción de características de las CNN. En primer lugar, se utiliza la red neuronal convolucional unidimensional (CNN 1-D) para extraer y combinar las características de patrón de los datos NIRS unidimensionales y, a continuación, las características extraídas se utilizan para la clasificación. En segundo lugar, los datos NIRS unidimensionales se convierten en imágenes espectrales bidimensionales y las características estructurales se extraen de las imágenes espectrales bidimensionales mediante el método de red neuronal convolucional bidimensional (CNN bidimensional). La clasificación se realiza mediante la combinación de características de entrenamiento globales y locales. Por último, se estudian las influencias de los distintos parámetros de estructura de la red en el rendimiento de la identificación del modelo, y se seleccionan y comparan los modelos CNN óptimos. Los modelos de identificación multimodal NIR-CNN del origen del tabaco se establecieron utilizando NIRS de 5.200 muestras de tabaco procedentes de 10 de las principales provincias productoras de tabaco de China y de 3 países extranjeros. La precisión de clasificación de los modelos CNN 1-D y CNN 2-D fue del 93,15 y 93,05%, respectivamente, mejor que la del método PLS-DA tradicional. Los resultados experimentales muestran que la aplicación de CNN 1-D y CNN 2-D puede distinguir con precisión y fiabilidad los datos NIRS, y puede convertirse en un nuevo método de identificación rápida del origen del tabaco, que tiene un importante valor de promoción.

• Materias:Análisis cromatográfico Electroquímica Análisis químico Farmacocinética Análisis espectroquímico
• Subjects:Chromatographic analysis Electrochemistry Chemical test Pharmacokinetics Spectrochemical analysis
• Palabras claves:d cnn, red neuronal convolucional dimensional, datos nirs dimensionales, imágenes espectrales dimensionales, origen del tabaco, diferentes parámetros de estructura de red, redes neuronales convolucionales multimodales, nuevo método de identificación rápida, fuerte capacidad de extracción de características, modelos de identificación cnn
• Keywords:d cnn, dimensional convolutional neural network, dimensional nirs data, dimensional spectral images, tobacco origin, different network structure parameters, multimodal convolutional neural networks, new rapid identification method, strong feature extraction ability, cnn identification models