深度学习助力近红外光谱技术的发展—参加第十届近红外光谱学术会议心得体会

2024年9月23日至25日，由中国仪器仪表学会近红外光谱分会主办、北京信立方科技发展股份有限公司（仪器信息网）承办的全国第十届近红外光谱学术会议在北京成功举办。作为业内顶尖学术盛会，国内近红外光谱相关领域的专家学者、用户和仪器厂商代表约 300 余人齐聚一堂，共同分享和见证近红外光谱技术的最新突破和进展。在本次会议中，深度学习与近红外光谱技术的结合成为了一个热点话题，引发了广泛的关注和深入的讨论。

一、深度学习为近红外光谱技术带来新机遇

深度学习作为强大的人工智能技术，与近红外光谱技术相结合，带来了新的机遇。在数据处理方面，近红外光谱技术常产生大量数据，传统分析方法效率低。而深度学习算法能快速、准确地分析处理大量近红外光谱数据。通过神经网络的强大计算能力，自动提取光谱特征信息，提高了光谱分析效率。

深度学习还可以提高近红外光谱分析的精度。传统方法易受噪声等因素影响，结果不够准确。深度学习算法通过对大量数据的学习，自动识别和过滤噪声，提取更准确特征信息。同时，可进行多模态数据融合，结合近红外光谱数据与其他相关数据，进一步提高分析结果准确性。

二、深度学习助力近红外光谱技术的应用案例

本次会议中，众多专家分享了深度学习与近红外光谱技术结合的实际应用案例，展示了这一技术组合的巨大潜力。南开大学的邵学广教授以深度学习用于光谱及成像分析为题进行了汇报，分享了众多具有创新性和实用性的深度学习方法。针对近红外光谱定量问题，提出了一种结合自动编码器和多元线性回归的非线性定量方法；针对变量选择问题，提出了基于扰动的可解释神经网络；针对重叠光谱的解混问题，提出了一种基于自动编码器结构的无监督神经网络。海南大学的云永欢副教授分享了卷积神经网络在近红外光谱分析中的应用探索。通过卷积神经网络自动提取不同产地的食品近红外光谱数据的关键特征，可以实现产地来源的高效准确鉴别；同时探讨了数据增强策略在近红外光谱分析中的应用，得到了结合数据增强策略的卷积神经网络能显著提高小样本光谱数据的分类和识别准确性的结论。桂林电子科技大学的李灵巧副教授利用KAN构建出一个端到端的定量模型，可以自动地提取光谱信息从而实现自动化预测，且模型的预测性能和泛化能力远超其他模型。南京农业大学的张晓蕾副教授构建了一种一维卷积神经网络光谱分析模型DeepSpectra，并在公开数据集上进行了验证。结果表明相比其他 CNN 模型，平均精度提高 15% 以上。

在墙报环节，来自南开大学的刘煦阳展示了深度学习用于复杂体系重叠光谱的解混，开发了一种用于分离重叠光谱的解混自编码器，为解决复杂光谱分析难题提供了新的思路和方法。来自海南大学的郑运展示了基于数据增强策略和卷积神经网络的近红外光谱分析研究，采用 Bootstrap 和 GAN 方法扩增样本的同时设计CNN模型架构，最终在不同数据集和分类类别上表现出更好的分类准确率和泛化性能。

三、深度学习与近红外光谱技术融合面临的挑战

深度学习为近红外光谱技术带来优势的同时，也面临一些挑战。深度学习模型的可解释性是难点。黑箱模型让人难以理解决策过程和分析结果产生机制，在医药、食品等对结果可靠性要求高的领域令人担忧。另外，数据质量和数量影响深度学习模型性能。训练高性能模型需要大量高质量数据，但实际获取高质量近红外光谱数据较困难，比如在数据采集过程中可能会受到环境干扰、仪器精度等因素影响，从而限制了模型性能。

综上，深度学习与近红外光谱技术的结合带来了机遇和挑战。未来应充分发挥深度学习优势，推动近红外光谱技术创新和应用，为各行业发展提供有力技术支持。相信在各方共同努力下，深度学习与近红外光谱的融合将取得更加辉煌的成就。

(山东大学药学院 臧恒昌教授药物智能制造技术研究团队 彭程供稿)