近赤外分光法によるたばこ葉中のニコチン含有量の定量分析精度を向上させるために、ケプラー最適化アルゴリズム（KOA）、畳み込みニューラルネットワーク（CNN）、ゲート付き循環ユニット（GRU）、およびマルチヘッド自己注意メカニズム（MultiAttention）を融合した深層学習モデルを提案した。まず、1790のたばこ葉サンプルの近赤外スペクトルに対してSavitzky-Golay一次微分前処理を行い、CNNを用いてスペクトルの多スケール特徴を抽出し、GRUで波長点間の時系列依存関係を捉え、MultiAttentionを導入して特徴の動的重み付けを実現した。同時に、KOAアルゴリズムを用いて学習率、畳み込みカーネル数、隠れ層ノード数といったモデルのハイパーパラメータを最適化し、軌道周期（T_C）、初期重力強度（M₀）、減衰係数（λ）を調整することで、従来モデルの局所最適解への陥りや収束の遅さという問題を解決した。実験結果は、T_C=1、M₀=0.05、λ=8のとき、モデルのニコチン含有量予測の決定係数（R²）が0.980、二乗平均平方根誤差（RMSE）が0.069、平均絶対誤差（MAE）が0.049であり、部分最小二乗法（PLS）や畳み込みニューラルネットワーク回帰（CNNR）などの比較モデルに比べて精度が大幅に向上したことを示している。本研究は、特徴抽出–時系列モデリング–グローバル最適化の統合フレームワークを通じて、近赤外分光の定量分析の頑健性と一般化能力を効果的に向上させ、たばこ葉の化学成分の迅速かつ正確な検出に新たな手法を提供することを示した。

近赤外分光; ニコチン定量分析; ケプラー最適化アルゴリズム; マルチヘッド自己注意メカニズム; 深層学習