근적외선 분광법을 이용한 담배 잎 니코틴 함량 정량 분석의 정확성을 향상시키기 위해 케플러 최적화 알고리즘(KOA), 합성곱 신경망(CNN), 게이트 순환 유닛(GRU), 다중 헤드 자기 주의 메커니즘(MultiAttention)을 융합한 딥러닝 모델을 제안했다. 우선 1790개의 담배 잎 샘플 근적외선 스펙트럼에 대해 Savitzky-Golay 1차 미분 전처리를 수행하고, CNN으로 다중 스케일 스펙트럼 특징을 추출했으며, GRU를 통해 파장 점 간의 시퀀스 의존성을 포착하고, MultiAttention을 도입하여 특징의 동적 가중치를 실현했다; 동시에 KOA 알고리즘으로 학습률, 합성곱 커널 개수, 은닉층 노드 수 등 모델의 하이퍼파라미터를 최적화하고, 궤도 주기(T_C), 초기 중력 세기(M₀), 감쇠 계수(λ)를 조절하여 기존 모델의 국소 최적화 문제와 느린 수렴 문제를 해결했다. 실험 결과 T_C=1, M₀=0.05, λ=8일 때 모델의 니코틴 함량 예측 적합도(R²)는 0.980, 평균 제곱근 오차(RMSE)는 0.069, 평균 절대 오차(MAE)는 0.049로 부분 최소 제곱법(PLS), CNN 회귀(CNNR) 등의 비교 모델 대비 정확도가 크게 향상되었다. 연구 결과 이 모델은 특징 추출-시퀀스 모델링-전역 최적화 통합 프레임워크를 통해 근적외선 분광 정량 분석의 강인성과 일반화 능력을 효과적으로 향상시켜 담배 잎 화학 성분의 빠르고 정확한 검출에 새로운 방법을 제시한다.

근적외선 분광; 니코틴 정량 분석; 케플러 최적화 알고리즘; 다중 헤드 자기 주의 메커니즘; 심층 학습