高效通道注意力結合卷積神經網絡的近紅外光譜分析模型研究

王妞，宦克為，傅鉦淇，劉賦偉，王迪

（1.長春理工大學 物理學院，長春 130022；2.中移建設有限公司吉林分公司，長春 130112）

近紅外光譜（Near Infrared Spectroscopy，NIRS）技術是一種高效、可靠、無損的分析方法，被廣泛應用在藥物［1-2］、食品［3］、煙草［4］和其他化學物質成分定性和定量分析中。然而，近紅外光譜數據量的激增給常用模型的泛化能力和預測精度帶來了重大挑戰，傳統的建模方法都出現其不足之處，如偏最小二乘（Partial Least Squares，PLS）［5］無法有效對非線性關系進行擬合、支持向量回歸（Support Vector Regression，SVR）［6］在數據較多時預測精度差、BP 神網絡（Back Propagation，BP）［7］無法有效避免過擬合現象出現并且運算速度慢等。隨著機器學習的不斷發展，基于卷積神經網絡的近紅外光譜分析技術可以實現比傳統方法更有效地對不同的物質進行定性定量分析，并得到了廣泛應用。Feng 等人［8］通過卷積神經網絡結合不同光譜預處理方法對芒果中干物質進行了定量分析；Bian 等人［9］基于極限學習機對柴油組分進行了預測，獲得了較好的預測結果；Mishra 等人［10］利用最小二乘支持向量機和近紅外光譜分析了柴油的沸點、十六烷值、密度、冷凍溫度、總芳烴和粘度；魏錦山等人［11］基于深度學習和近紅外光譜實現砂土、壤土、黏壤土和黏土的快速區分；談愛玲等人［12］基于近紅外光譜與深度學習融合對玉米成分進行定量檢測。為了提升預測精度和泛化能力，本研究以啤酒、牛奶、柴油、谷物公共數據集為研究對象，采用高效通道注意力（Efficient Channel Attention，ECA）結合卷積神經網絡（Convolutional Neural Network，CNN）建立了不同物質成分預測的近紅外光譜分析模型。……