Pour explorer la relation entre le spectre proche infrarouge en ligne de la poussière de tabac et les marques de cigarettes, une méthode de classification des marques de cigarettes basée sur un modèle hybride ResNeXt18-CNN-LightGBM a été proposée. Tout d'abord, les données spectrales en ligne des échantillons de poussière de tabac ont été prétraitées, puis un modèle de réseau ResNeXt18 a été utilisé pour extraire les caractéristiques initiales des spectres prétraités. Ensuite, les caractéristiques extraites ont été entrées dans un modèle personnalisé de réseau de neurones convolutifs (CNN) à 3 couches pour une extraction secondaire des caractéristiques. Enfin, les caractéristiques extraites par le CNN ont été utilisées dans un classificateur LightGBM pour entraîner la classification des marques. Les résultats montrent que la précision de classification des marques de poussière de tabac avec le modèle ResNeXt18-CNN-LightGBM atteint 97 %. Comparée aux algorithmes chimiométriques traditionnels uniques, la méthode proposée basée sur un algorithme combiné de réseau neuronal convolutif pour la classification des marques de cigarettes est simple à mettre en œuvre, précise, stable et peut être appliquée à la reconnaissance en ligne des marques dans la production industrielle de cigarettes, ce qui est significatif pour la gestion des marques, l’évaluation de la qualité de production et le contrôle de la qualité des cigarettes.

spectre proche infrarouge en ligne; marques de cigarettes; ResNeXt18; LightGBM; performance de classification