Les différences entre les instruments de spectroscopie proche infrarouge rendent difficile l'utilisation commune d'un modèle de prédiction sur différents instruments, limitant ainsi la diffusion de la technologie. Afin de réduire la difficulté de reconstruire un modèle de prédiction après un décalage spectral, cet article propose une méthode de transfert de modèle spectrale proche infrarouge basée sur un autoencodeur jumeau débruiteur à pont convolutif (CBSDAE). Cette méthode utilise l'encodeur d'un autoencodeur débruiteur convolutif (CDAE) pour extraire les caractéristiques cachées des spectres, puis ajuste une fonction de transformation des caractéristiques cachées spectrales entre la machine cible et la machine source via un réseau de neurones convolutifs, enfin elle reconstruit les spectres transférés via le décodeur du CDAE. Pour vérifier son efficacité, cet article évalue les spectres proche infrarouge des feuilles de tabac et les résultats de prédiction des composants chimiques. Les résultats montrent que les spectres de la machine cible transférés par la méthode CBSDAE coïncident fortement avec ceux de la machine source. Comparée à la standardisation directe (DS), la standardisation directe segmentée (PDS), l'algorithme de correction par différence spectrale (SSC), l'algorithme de Shenk, le réseau de neurones convolutifs (CNN) et l'algorithme d'autoencodeur profond, cette méthode de transfert spectral a permis de réduire l'erreur relative moyenne de prédiction de la nicotine de 6,42%, 5,84%, 5,32%, 5,24%, 4,35% et 4,85% respectivement, avec des valeurs RMSEP et des coefficients de corrélation meilleures que ces méthodes. Les résultats indiquent que cette méthode est une méthode efficace de transfert de modèle.

transfert de modèle;encodeur;jumeau;pont convolutif;spectres proche infrarouge