模型传递是近红外光谱分析技术中一个关键的共性基础技术问题, 通过在同一工作原理的两台仪器之间寻求可行的数学方法, 使得在一台仪器上建立的模型能够应用于另外一台仪器样品光谱响应的预测, 对近红外技术的实际应用具有重要意义。 以150份烤烟作为试验样品, 以两台布鲁克公司MPA近红外光谱仪, 一台热电公司Antaris近红外光谱仪作为研究对象, 通过积分球漫反射检测技术获得光谱数据。 采用一阶导数(first-order derivative, 1st Der)和标准正态变量变换（standard normal variate, SNV)对光谱数据进行处理分析, 计算不同仪器间光谱的残差值、 残差一阶矩、 残差信号概率密度和最大信噪比等参数, 并采用偏最小二乘法（partial least squares, PLS）建立烤烟总糖含量数学模型, 检验模型传递效果。 结果表明, 一阶导数具有降低残差一阶矩, 将仪器偏差信号转换为标准高斯分布的优点, 但同时会降低信噪比。 标准正态变量变换同样可以降低一阶矩, 同时可大幅度提高信噪比, 但无法将仪器偏差信号转换为标准高斯分布, 需要进一步的信号处理。 一阶导数与SNV相结合可保留两种方法的优点, 同时在一定程度上弥补每种方法单独处理的缺点, 是一种可以消除以积分球漫反射作为光谱测量方式的因仪器厂家或型号不同、 使用年限不同等原因所产生的噪声的处理方法, 可实现傅里叶型近红外光谱仪之间的模型传递效果的明显改善。

卷积神经网络(CNN)在图像分类识别领域应用广泛, 但其在近红外光谱分类中的研究还未见报道, 对基于CNN的近红外光谱分类建模方法进行了研究。 针对近红外光谱数据的特点, 提出了一种改进的卷积神经网络建模方法, 对CNN经典模型LeNet-5所做改进: ①将方形矩阵卷积核改为适用于一维近红外光谱的向量卷积核; ②简化网络结构, 将LeNet-5结构中C5, F6及输出层改为单层感知机。 同时, 采用隔点采样的方法对近红外光谱降维, 加快收敛速度; 并对卷积核尺寸对建模结果的影响进行了研究。 以我国东北、 黄淮、 西南三大烤烟产区的600个中部烟叶样本的近红外光谱为实验对象, 建立烟叶产区分类NIR-CNN模型。 该模型对训练集和测试集的判别准确率为98.2%和95%。 实验结果表明, 应用卷积神经网络可对近红外光谱数据准确、 可靠地判别分类; 烟叶产区NIR-CNN建模方法可为卷烟企业烟叶原料科学合理利用提供指导, 为维护卷烟产品的质量稳定有重要意义; 基于卷积神经网络的近红外光谱判别方法也可推广到其他农产品的分类应用中。