Para explorar la relación entre el espectro de infrarrojo cercano en línea de las virutas de tabaco y las marcas de cigarrillos, se propuso un método de clasificación y reconocimiento de marcas de cigarrillos basado en un modelo híbrido ResNeXt18-CNN-LightGBM. Primero se preprocesaron los datos espectrales en línea de las muestras de virutas de tabaco y se utilizó el modelo de red ResNeXt18 para una extracción inicial de características de los espectros preprocesados. Luego, las características extraídas se introdujeron en un modelo personalizado de red neuronal convolucional (CNN) de 3 capas para una extracción secundaria de características. Finalmente, las características extraídas por la CNN se introdujeron en el clasificador LightGBM para el entrenamiento de la clasificación de marcas. Los resultados indican que la precisión de clasificación de marcas de virutas de tabaco en el modelo ResNeXt18-CNN-LightGBM alcanza el 97%. En comparación con los algoritmos quimiométricos tradicionales individuales, el método propuesto basado en un algoritmo combinado de redes neuronales convolucionales es simple, preciso, estable y se puede aplicar al reconocimiento en línea de marcas de cigarrillos en la producción industrial, lo cual es de gran importancia para la gestión de marcas, evaluación de calidad de producción y control de calidad de cigarrillos.

espectro de infrarrojo cercano en línea; marcas de cigarrillos; ResNeXt18; LightGBM; resultados de clasificación