Zur Untersuchung der Beziehung zwischen dem Online-Nahinfrarotspektrum von Tabakstreifen und Zigarettenmarken wurde eine Methode zur Klassifizierung und Erkennung von Zigarettenmarken basierend auf einem hybriden ResNeXt18-CNN-LightGBM-Modell vorgeschlagen. Zunächst wurden die online erfassten Spektraldaten der Tabakstreifenproben vorverarbeitet, und ein ResNeXt18-Netzwerkmodell wurde zur anfänglichen Merkmalsextraktion aus den vorverarbeiteten Spektren eingesetzt. Anschließend wurden die extrahierten Merkmale in ein benutzerdefiniertes dreischichtiges Convolutional Neural Network (CNN) eingespeist, um eine sekundäre Merkmalsextraktion durchzuführen. Schließlich wurden die vom CNN extrahierten Merkmale in den LightGBM-Klassifikator zur Markenklassifikation eingespeist und trainiert. Die Ergebnisse zeigen, dass die Genauigkeit der Tabakstreifen-Markenklassifikation im ResNeXt18-CNN-LightGBM-Modell 97 % erreicht. Im Vergleich zu herkömmlichen einzelnen chemometrischen Algorithmen ist die in dieser Arbeit vorgeschlagene Methode zur Markenklassifikation von Zigaretten basierend auf einem kombinierten Convolutional-Neural-Network-Algorithmus einfach, genau und stabil und kann zur Online-Erkennung von Zigarettenmarken in der Zigarettenindustrie angewendet werden. Dies ist von großer Bedeutung für das Markenmanagement, die Produktionsqualitätsbewertung und die Qualitätskontrolle von Zigaretten.

Online-Nahinfrarotspektrum; Zigarettenmarken; ResNeXt18; LightGBM; Klassifikationsergebnisse