Afin de classifier précisément les marques de cigarettes, une nouvelle méthode rapide de reconnaissance des marques de cigarettes basée sur la spectroscopie proche infrarouge (NIRS) combinée à la reconnaissance de motifs supervisée est proposée. Les spectres du tabac ont été prétraités par des méthodes telles que la transformation des variables normales standard (SNV), la correction de diffusion multiple (MSC), la première dérivée (FD), la seconde dérivée (SD) et le lissage de Savitzky-Golay (SG) ainsi que leurs combinaisons. Trois méthodes de reconnaissance de motifs, à savoir l'analyse en composantes principales (PCA), l'analyse discriminante par moindres carrés partiels (PLS-DA) et l'analyse discriminante orthogonale par moindres carrés partiels (OPLS-DA), ont été utilisées pour classifier les différents types de tabac, et la précision de classification a été prise comme indicateur d'évaluation. Les résultats expérimentaux montrent que : (1) les graphes des scores des composantes principales des spectres proches infrarouges du tabac se chevauchent et la distinction est peu claire, PCA ne peut pas identifier les 5 marques de tabac fini ; (2) le modèle PLS-DA prétraité par MSC+FD donne de bons résultats de reconnaissance, avec une précision de classification de 100 % pour le jeu de calibration et de 98,3 % pour le jeu de test ; (3) le modèle OPLS-DA prétraité par MSC+SD présente la meilleure performance de reconnaissance, avec des indices d'ajustement des variables indépendantes (R2X), des variables dépendantes (R2Y) et de la prédiction du modèle (Q2) respectivement à 0,485, 0,907 et 0,748, et une précision de classification de 100 % pour les jeux de calibration et de test. Cela montre que la technologie NIRS combinée à la méthode de reconnaissance supervisée OPLS-DA pour établir un modèle de classification des marques de tabac est efficace, rapide, précise et non destructive, offrant une nouvelle méthode rapide d'identification pour la classification du tabac à cigarette.

spectroscopie proche infrarouge ; tabac fini ; classification et reconnaissance ; analyse en composantes principales (PCA) ; analyse discriminante par moindres carrés partiels (PLS-DA) ; analyse discriminante orthogonale par moindres carrés partiels (OPLS-DA)