并联卷积神经网络的近红外光谱定量分析模型.pdfVIP

第44卷，第6期光谱学与光谱分析Vol44,No.6,pp1627-1635

2024年6月SpectroscopyandSpectralAnalysisJune,2024

并联卷积神经网络的近红外光谱定量分析模型

于水，宦克为1*，刘小溪²，王磊1

1.长春理工大学物理学院，吉林长春130022

2.吉林省科学技术信息研究所，吉林长春130033

摘要近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一，在食品、

农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型

可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增，传统的近红外光谱建模方法已经出现

明显的不足。随着人工智能技术的不断发展，深度学习算法在近红外光谱分析领域得到了广泛应用。提出了

一种基于并联卷积神经网络的近红外光谱定量分析模型（PaBATunNet）。该模型由1个一维卷积层、1个并

联卷积模块（Module）、1个展平层、4个全连接层和1个参数调节器（PR)组成，Module模块包括5个子模块

分别对光谱数据进行线性及非线性多维特征提取，并通过Concatenate函数将提取后的光谱特征数据进行拼

接，PR模块通过调节优化PaBATunNet模型参数，提高模型预测精度。基于Gard-CAM思想给出了PaBA-

TunNet模型高贡献度特征波长，增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公

开的近红外光谱数据为例，将PaBATunNet模型的预测结果与偏最小二乘（PLS)、主成分回归（PCR）、支持

向量机(SVM)和BP神经网络（BP)模型的预测结果进行比较。结果表明，与PLS相比，PaBATunNet模型

在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%；与PCR相比，

PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%；与SVM相比，PaBATunNet模

型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%；与BP相比，PaBATunNet模型的预测精度分

别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模

方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题，可有效应用于工农业生产

中不同物质的定量分析，为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。

关键词近红外光谱；深度学习；并联卷积神经网络；定量分析；预测模型

文献标识码：AD0l:10.3964/j.issn,1000-0593(2024)06-1627-09

中图分类号：0657.3

二乘（partialleastsquares，PLS)[8}、主成分回归（principal

引言componentregression，PCR)[9，支持向量机（supportvector

machine，SVM)[1o]、BP神经网络（backpropagationneural

近红外光谱分析（nearinfraredspectroscopy，NIRS）技network，BP)[1I等。但随着近红外光谱数据量的激增，传统

术在大型流程工业的应用日趋成熟和广泛，NIRS技术正在的近红外光谱建模方法在预测精度上难以达到预期效果，如

以产业链的方式应用于诸多领域，如农业[1]、石化[2]、医PLS和PCR表现为对线性特征拟合好，但是对于非线性特

药[3]、食品L4)和饲料[5]等。NIRS技术根据样本含氢基