Pour améliorer la précision de l'analyse quantitative de la teneur en nicotine du tabac par spectroscopie proche infrarouge, un modèle d'apprentissage profond intégrant l'algorithme d'optimisation de Kepler (KOA), un réseau de neurones convolutionnels (CNN), une unité récurrente avec portes (GRU) et un mécanisme d'attention multi-têtes (MultiAttention) est proposé. Tout d'abord, les spectres proche infrarouge de 1790 échantillons de feuilles de tabac ont été prétraités par dérivée première de Savitzky-Golay, les caractéristiques spectrales multi-échelles extraites par CNN, les dépendances séquentielles entre les points de longueur d'onde capturées par GRU, et MultiAttention a été introduit pour un pondération dynamique des caractéristiques ; parallèlement, l'algorithme KOA a optimisé les hyperparamètres du modèle (taux d'apprentissage, nombre de noyaux convolutionnels, nombre de nœuds de la couche cachée) en régulant la période orbitale (T_C), l'intensité gravitationnelle initiale (M₀) et le coefficient de décroissance (λ), résolvant ainsi le problème de convergence lente et de minima locaux des modèles traditionnels. Les résultats expérimentaux montrent qu'avec T_C=1, M₀=0.05, λ=8, le coefficient de détermination (R²) de la prédiction de la teneur en nicotine est de 0.980, la racine de l'erreur quadratique moyenne (RMSE) est de 0.069, l'erreur absolue moyenne (MAE) de 0.049, indiquant une amélioration significative par rapport aux modèles comparatifs tels que la régression par moindres carrés partiels (PLS) et la régression par CNN (CNNR). L'étude montre que ce modèle, à travers un cadre intégré d'extraction de caractéristiques, de modélisation séquentielle et d'optimisation globale, améliore efficacement la robustesse et la capacité de généralisation de l'analyse quantitative par spectroscopie proche infrarouge, offrant une nouvelle méthode pour la détection rapide et précise des composants chimiques du tabac.

spectroscopie proche infrarouge; analyse quantitative de la nicotine; algorithme d'optimisation de Kepler; mécanisme d'attention multi-têtes; apprentissage profond