Para melhorar a precisão da análise quantitativa do teor de nicotina em folhas de tabaco usando espectroscopia no infravermelho próximo, foi proposto um modelo de aprendizado profundo que combina o Algoritmo de Otimização Kepler (KOA), Redes Neurais Convolucionais (CNN), Unidade Recorrente com Portão (GRU) e mecanismo de atenção múltipla (MultiAttention). Primeiramente, foi realizado o pré-processamento da primeira derivada de Savitzky-Golay nos espectros de 1790 amostras de folhas de tabaco, extraindo características multiescalares do espectro via CNN, utilizando GRU para capturar dependências temporais entre pontos de comprimento de onda e introduzindo MultiAttention para ponderação dinâmica das características; simultaneamente, o algoritmo KOA otimizou os hiperparâmetros do modelo (taxa de aprendizado, número de núcleos convolucionais, número de nós da camada oculta), regulando o período orbital (T_C), intensidade gravitacional inicial (M₀) e coeficiente de decaimento (λ), resolvendo problemas comuns de modelos tradicionais, como ficarem presos em mínimos locais e convergência lenta. Os resultados experimentais mostram que, quando T_C=1, M₀=0.05 e λ=8, o coeficiente de determinação (R²) da previsão do conteúdo de nicotina do modelo foi 0,980, o erro quadrático médio da raiz (RMSE) foi 0,069 e o erro absoluto médio (MAE) foi 0,049, demonstrando uma melhora significativa em relação a modelos comparativos como regressão por mínimos quadrados parciais (PLS) e regressão por CNN (CNNR). O estudo mostra que o modelo, por meio de uma estrutura integrada de extração de características, modelagem sequencial e otimização global, melhorou eficazmente a robustez e a capacidade de generalização da análise quantitativa por espectroscopia no infravermelho próximo, oferecendo um novo método para a detecção rápida e precisa dos componentes químicos das folhas de tabaco.

espectroscopia no infravermelho próximo; análise quantitativa de nicotina; algoritmo de otimização Kepler; mecanismo de atenção múltipla; aprendizado profundo