来源：期刊VIP网 时间：
作者：居雷;高扬;张鑫;葛炯;岳宝华;束茹欣;
单位：上海烟草集团有限责任公司技术中心;上海大学理学院化学系;
摘要：为了提升小产地烟叶识别的准确率，解决近红外光谱分析技术在面对样本量大、相似度高、分类数多时类别预测不佳的问题。采集4 625个云南省8个小产地的烟叶样品，将一维近红外光谱数据重构为二维图像数据，采用卷积神经网络（Convolutional neural network,CNN）建立了小产地烟叶的分类识别模型，并比较了不同机器学习算法的效果。结果表明：(1)主成分分析（PCA）、支持向量机（SVM）等常规的机器学习算法在处理多个相邻产地烟叶分类时效果一般，SVM算法的训练集、测试集总体准确率分别为78.86%、69.08%。(2)采用CNN的训练集、测试集准确率分别达97.41%、92.54%，相较于SVM算法分别高出18.55、23.46百分点。通过近红外光谱维度转换并结合CNN算法，可以提取更多的样品特征信息，有效应用于小产地烟叶的分类识别。
关键词：烟叶;小产地;近红外光谱;光谱维度转换;卷积神经网络;分类识别
基金资助：中国烟草总公司重点研发项目“面向多品牌、多品规卷烟产品数字化设计内核算法研发与应用”（110202202001）; 上海烟草集团有限责任公司科技项目“卷烟产品数字化综合设计平台架构研究”（K2024-1-030Z）
