Para investigar a relação entre o espectro no infravermelho próximo online do fumo cortado e as marcas de cigarro, foi proposta uma metodologia de classificação e reconhecimento de marcas baseada em um modelo híbrido ResNeXt18-CNN-LightGBM. Primeiro, os dados do espectro online das amostras de fumo cortado foram pré-processados e o modelo de rede ResNeXt18 foi utilizado para a extração inicial de características dos espectros pré-processados. Em seguida, as características extraídas foram inseridas em um modelo personalizado de rede neural convolucional (CNN) de 3 camadas para extração secundária de características. Por fim, as características extraídas pela CNN foram inseridas no classificador LightGBM para o treinamento da classificação das marcas. Os resultados mostraram que a precisão da classificação das marcas de fumo cortado no modelo ResNeXt18-CNN-LightGBM atingiu 97%. Em comparação com algoritmos quimiométricos tradicionais individuais, o método de classificação e reconhecimento de marcas de cigarro baseado em um algoritmo combinado de rede neural convolucional proposto neste artigo é simples, preciso, estável e pode ser aplicado ao reconhecimento online das marcas na produção industrial de cigarros, tendo grande importância para a gestão de marcas, avaliação da qualidade de produção e controle da qualidade dos cigarros.

espectro no infravermelho próximo online; marcas de cigarro; ResNeXt18; LightGBM; desempenho de classificação