近红外光谱（Near-infrared Spectroscopy,NIR）技术作为一种高效、无损的化学组分分析工具，在烟草行业中展现了显著的技术优势[1]。NIR的单次检测仅需几秒至几分钟，可实时在线完成，满足烟草工业生产中对快速质量控制的需求。同时，NIR检测技术具备非破坏性和非侵入性，能够在不破坏样品的情况下直接对烟草及其制品进行检测，避免了复杂的样品预处理过程，特别适合烟草这种复杂基质的分析。随着化学计量学、机器学习以及深度学习的快速发展，NIR技术的分析精度和效率得到了显著提升，进一步推动了其在烟草行业中的广泛应用和深入发展。
在烟草行业内，NIR技术的应用场景涵盖了从烟草种植、原料加工到卷烟生产的全产业链，主要包括化学成分检测[、烟草属性分析[、产品配方设计[与质量监测[及其他相关领域。在化学成分检测方面，NIR技术主要用于烟草常规化学成分（如烟碱、总糖、总氮等）[19][20][21]和特殊化学成分（如多酚、绿原酸等）[22][23][24]的快速测定，同时还可用于杂质、有害物质及烟气成分的分析[25][26]，为烟草品质管理提供科学依据。在属性分析方面，NIR技术通过对光谱特征的解析，实现了烟叶产地、等级、风格、部位等属性的判别[27][28][29]，为烟叶原料的分类和高效利用提供了强有力技术支持。在产品质量监控与配方设计方面，NIR技术可以用于生产中烟丝掺配均匀性和配方稳定性的评估[，确保卷烟品质稳定并满足产品要求，同时也能够检测原料和烟草制品中的异物和霉变[30][31]，及时发现和处理受污染的原料与产品。此外，NIR技术还扩展到烟草农业生产、病虫害检测、环境评估以及卷烟品牌识别等其他应用领域[32][33][34][35][36]，展现了应用场景丰富、功能多样化的使用特点。
1 近红外光谱技术
1.1 近红外光谱技术原理及特点
NIR技术基于分子振动光谱，波长范围780～2 526 nm，位于可见光和中红外光谱区域，如图2所示，其核心原理是利用含氢基团（如C-H、N-H、O-H等）的倍频和合频振动吸收特性[1]。近红外光谱对含氢基团（如C-H、O-H、N-H）的振动倍频和合频吸收非常敏感，使得其在烟草中水分、尼古丁、糖类、总氮等关键成分的定量分析中表现出色。尽管近红外光谱的信号强度相对较弱，但其凭借较强的穿透能力，能够对烟草样品进行深层分析，尤其适合烟草这种非均匀性较强的材料。由于这些特性，NIR技术能够高效检测有机物的成分和结构信息，从而在烟草行业的品质控制、化学成分分析及质量监测等方面发挥重要作用。
NIR技术的一个显著优势是可以同时分析多组分，通过结合化学计量学方法，可以从复杂的光谱信息中提取多组分的定量和定性数据，实现对烟草中多种化学成分的同步检测。此外，NIR仪器具有便携性和灵活性，小型化设备和手持式仪器的开发使其能够适应烟草田间、生产线和实验室等多种场景。尽管NIR技术在烟草分析中表现出诸多优势，但其模型依赖性较强，需要建立可靠的校正模型并定期校准，以确保分析结果的准确性和稳定性。总体而言，NIR技术以其快速、无损、多组分分析的特点，在烟草行业的品质控制、工艺优化和科学研究中发挥了重要作用[37]。
NIR技术的应用流程主要包括样品准备、光谱采集、数据预处理、模型建立与优化以及模型应用等关键环节，检测步骤如下。
1）样品准备。根据样品的物理特性需要选择适宜的检测模式，如透射、反射或漫反射等，这是NIR分析流程的基础。为了确保分析结果的准确性和可靠性，需要重点关注样品的代表性和均匀性，尤其是在复杂基质中，样品的非均质性可能会对光谱数据产生显著影响，进而影响后续模型的预测性能。
2）光谱采集。一般NIR光谱的采集过程快速高效，借助图3所示的近红外光谱分析仪，通常仅需几秒至几分钟即可完成采集。在此过程中需对仪器的各项参数进行精确设置，如波长范围、扫描次数和光程等，以确保光谱数据的质量。由于样品成分的复杂性，光谱中可能会出现多种干扰信号，因此采集过程中需严格控制实验条件，减少系统误差和环境因素的干扰，以提高光谱数据的可靠性。
3）在获得原始光谱数据后，需要对数据进行预处理。考虑近红外光谱数据可能受到噪声、基线漂移或散射光等因素的影响，直接使用原始光谱进行建模可能导致模型性能下降，因此通常采用平滑、导数处理、标准正态变量变换（SNV）或多元散射校正（MSC）等方法对光谱数据进行预处理，以消除干扰并提高数据的信噪比。预处理保证了后续建模过程的准确性和鲁棒性。
4）数学模型的建立与优化，常使用化学计量学和机器学习方法（如偏最小二乘法、主成分分析法等），将光谱数据与参考分析方法的结果进行关联，建立校正模型。为了评估模型的性能，通常采用交叉验证或独立验证集进行检验，并根据评估结果对模型进行相应的优化，模型的准确性直接影响到关键成分的定量分析结果。
2 烟草化学成分检测
利用近红外光谱检测烟草化学成分本质上是定量分析问题，通常建立回归模型来预测原料或烟草制品中各种成分的含量，包括烟叶中的常规化学成分测定，如还原糖、氯、钾、总氮等；以及特殊化学成分的测定，如：重金属、微量物质、致香成分等。表1整体总结了所调研的相关研究中使用到的模型方法或技术，包括常用的化学计量学方法、机器学习和深度学习等模型，以及数据增强、噪声抑制、模型迁移等算法技术。
2.1 常规化学成分测定
烟草的品质特征主要由其内部化学成分决定，其中常规化学成分（如烟碱、总糖、还原糖、总氮等）是评价烟草品质的核心指标。这些成分不仅直接影响烟草的感官特性（如香气、气味和舒适度），还决定了烟草的加工性能和最终产品的市场价值。因此，快速、准确地检测烟草中的常规化学成分，对于烟草品质的提升、工艺优化及产品标准化具有重要意义。
化学计量学分析方法以其轻量化、易调参、鲁棒性强的优势，在基于NIR数据的成分测定中得到了广泛应用。DIVYANTH等[2]确定了近红外高光谱的五个最佳中心波，建立了PLSR-变量重要性投影（VIP）模型，实现了对烟碱含量的准确预测。BI等[3]提出了一种改进的偏最小二乘（PLS）算法，用于高效的信息提取和降噪，实现对烟叶中烟碱含量的准确预测，显著优于传统的PLS算法。陆伟等[4]基于核变换的非线性偏最小二乘法建模方法（NPLS），建立了烟叶无机元素K、Cl等指标预测的数学模型。于洁等[5]利用傅里叶变换近红外漫反射光谱技术实现了烟叶中生物碱的快速定量检测。类似地，袁而文等[6]提出了一种基于近红外漫反射的再造烟叶原料常规化学组分的快速定量分析方法，成功建立了近红外光谱同原料烟碱、总糖、还原糖及氯的含量关系模型。
NIR技术除了与传统化学计量学方法结合外，越来越多的研究者开始使用机器学习和深度学习方法进行预测，通过强大的特征挖掘和信息表征能力来提高预测的准确性。例如，WANG等[40]采用轻量级一维卷积神经网络模型（1D-CNN），大大改善了近红外光谱预测烟碱含量的精度。ZHU等[41]利用一种基于残差网络（ResNet）和长短期记忆（LSTM）神经网络的化学成分含量检测算法（TCCANN），综合分析了多种常规化学成分与对应光谱之间的相关性，在烟碱、总糖、还原糖、总氮、钾、氯和pH值上的预测性能良好。SHEN等[42]构建了加权ELMTrAdaBoost模型，用于在实际生产中建立不同仪器的近红外模型，在烟碱、氯、钾、总氮4个关键成分的模型预测效果较好。
在数据来源上进行扩展和增强，也是提高NIR预测效果的重要方式。RODRIGUES等[19]发现可见光、近红外和短波光谱在同时测定生物碱和糖等常规化学成分中表现出极佳的预测能力。类似地，WANG等[20]利用近红外和中红外（MIR）两种光谱数据的特征融合技术，明显提升了总烟碱、总糖、还原糖和总氮含量的检测性能。QIN等[21]提出了烟片和粉末的混合NIR预测模型，将测定烟叶总糖含量的平均预测误差从7.25%显著下降到4.98%。这些研究主要通过扩充样品的数据来源和维度，增加信息量，以提升预测稳定性。
此外，NIR测量方法对外部条件非常敏感，例如水分含量和样品形态等，因此克服外界条件的干扰，保证检测的稳定性十分关键。SHEN等[42]提出了一种有效的无监督无参数校准增强（NS-PFCE）方法，有效补偿了水分和样品外观引起的近红外光谱差异，对非均质潮湿样品的总糖含量实现了优异的定量分析。GUO等[37]借助带有湿度自适应校正的NIR预测模型准确量化了中国不同地区烟草样品的常规化学成分。SHU等[46]提出基于尺度不变特征变换（SIFT）光谱图像特征提取算法的多步波长选择方法，建立了长期稳健的NIR模型用于烟叶总还原糖（TRS）的预测。QIN等[43]提出了一种特征选择方法最大信息系数-连续投影算法（MIC-SPA）结合极限学习机-遗传算法（GA-ELM）的建模方法，提高烟碱、还原糖和总氮定量分析NIR模型的准确性和稳健性。
针对NIR模型在不同场景中的可迁移性问题，也有研究者进行了相关探索。SHU等[46]开发了一种三步波长选择方法（SISCW），建立了鲁棒的近红外校准模型，该方法有效提高了校准模型的可移植性和使用寿命。WEI等[49]开发了深度迁移学习在线模型来预测烤烟过程中水分、淀粉、蛋白质和可溶性糖的含量变化，辅助实时控制烤房的温度和湿度，实现了近红外模型在不同温湿度环境下的可迁移性。
2.2 特殊化学成分测定
除了常规化学成分外，烟草中还含有致香物质、氨基酸、纤维素、重金属等对烟草品质有着重要影响的上百种化学物质，准确测定这些化学物质对烟草产业同样有着至关重要的作用。
潘威等[47]借助近红外光谱结合多元分析实现了对烟草制品中咖啡因、薄荷醇、甘油和可可的快速全面检测。杨盼盼等[22]建立了新植二烯含量近红外PLS校正模型，实现了对初烤烟叶中新植二烯含量的准确预测。LIANG等[23]运用即时学习集成偏最小二乘（JIT-PLS）建模策略，定量分析了中国代表性陈化烟叶样本和卷烟样本中的多种微量化学成分，显著降低了平均预测偏差。考虑到波长选择对近红外定量分析有至关重要的影响，周文忠等[24]通过间隔随机蛙跳（Interval Random Frog）的波长筛选算法结合PLS，对烟草中绿原酸、芸香苷、莨菪亭及总多酚等化学成分实现了NIR精准预测。
烟草植株极易从土壤中吸收重金属，因而重金属污染对烟叶原料的质量形成了持续的潜在威胁[25]，传统烟草中重金属的检测主要采用电感耦合等离子体质谱（ICP-MS）法。HUANG等[26]采用竞争自适应重加权抽样（CARS）结合PLS方法，建立了晾晒烟中Zn、As、Cd、Hg、Pb、Cr六种重金属的近红外光谱模型，预测结果整体较好。通过建立重金属的NIR预测模型，有助于合理管理烟草资源，从源头上降低卷烟的危害性。
除了应用于烟叶和卷烟外，使用NIR技术测定烟草种子中特定的化学成分，在烟草育苗过程中也具有十分重要的价值。潘威等[47]提出了一种SNV与异常光谱处理结合De-trending模型算法，对烟草种子的蛋白质含量进行了精确标定。WEI等[49]使用SNV的一阶Savitzky-Goly导数（SG-1stD）对近红外光谱进行预处理，建立了油分、糖分和粗纤维的最佳模型，用于快速准确地测定烟草种子的化学成分。
3 烟叶属性判别
利用近红外光谱判别烟叶属性本质上是一个定性分析（分类）问题，通常通过建立二分类、多分类或单分类模型进行判别，包括各种化学计量学和统计学习方法，以及深度学习的分类方法等。除此之外，现有研究不局限于对类群进行离散表征，也有工作对属性进行量化处理，转化成回归（预测）问题。本章主要从烟叶产地、烟叶等级、烟叶风格、烟叶部位和烟叶其他方面属性的判别进行综述，
3.1 烟叶产地判别
烟叶产地是决定烟叶风格特征和内在品质的最重要因素，NIR技术在烟叶产地识别中有着广泛的应用。WANG等[7]提出了一种带有Takagi-Sugeno(TS）模糊子系统的新型广义学习系统，能够保证很高的烟叶产地判别准确率。ZHU等[8]提出了一种用于烟草产区分类的基于随机森林（RF）变量重要性度量的特征分组方法，实现了对产地的准确分类。WANG等[9]提出了一种基于支持向量机（SVM）的新方法，利用遗传算法选择的有效主成分SVM模型具有更好的产地判别能力。
使用神经网络也能够显著提升NIR对烟叶产地的判别准确率和稳定性。ZHANG等[10]提出了一种基于多模态CNN的NIR烟叶产地识别方法，对来自国内10个烟草主产省及国外3个国家的5 200个烟草样品进行产地分类，建立了产地多模态NIR-CNN鉴别模型，显著提高了产地分类准确率。JIANG等[27]提出了一种融合ResNet和NIR数据的烟叶产地分类模型，成功实现了在烟叶不均匀的情况下，准确识别不同烟叶的种植区域。WANG等[28]提出了一种改进的深度CNN，利用近红外传感器实现了烟叶产地的良好分类。
3.2 烟叶等级判别
香气和口感是烟草制品的重要感官品质，主要取决于烟叶的等级，我国烟叶的等级评定主要依据烟叶的颜色和在烟梗上的位置，但评定工作通常耗时、费力，且受人为因素的主观影响较大，而NIR技术为烟叶等级的判别提供了更加精准、省时、客观的选择。
BIN等[29]提出了一种改进的随机森林方法用于提高NIR的多级分类性能，可以代替人工判断，实现了快速而精准的烟叶等级分类。XIANG等[50]利用化学计量学算法建立基于化学成分、部位、香气风格等10个指标的烤烟等级分类定量预测模型，同样表现了出色的分类效果。
对于NIR中存在的噪声影响，QIN等[51]提出了一种改进的深度残差收缩网络（GASF），减少了NIR中的噪声干扰，取得了优于其他模型的烟叶等级分类准确率。考虑等级划分复杂且繁多的问题，ZHANG等[52]提出一种非负最小二乘分类器对烟叶等级进行分类，解决了利用光谱数据建立的分类模型准确率随着类别数的增加而显著下降的问题。沈欢超等[53]采用基于教与学的优化（TLBO）算法对ELM模型进行优化，建立了烤烟样品的等级分类模型，实现了对大规模分布烤烟样本的等级判定。
LI等[54]提出了一种基于手持式近红外光谱仪和粒子群优化-极限学习机算法的烟叶无损快速分级方法，为现场收购过程中的烟叶分级提供了可靠的解决方案。MARCELO等[55]使用SVM判别分析结合近红外高光谱成像，根据烟秆位置、烟叶颜色和烟叶质量，对弗吉尼亚烤烟和白肋烟实现了准确的等级分类。
3.3 烟叶风格判别
不同产区的烟叶一般具有不同的风格特点，准确识别烟叶风格对配方设计和维护有着重要意义，使用NIR技术判别烟叶风格可以为专业评吸人员提供辅助的鉴别方法。王文俊等[56]将近红外和电子鼻数据进行融合，对烟叶风格进行判别，将电子鼻风味分析仪获取的致香成分信息作为近红外的补充，可以显著提升中间香和浓香型烟叶的分辨率。类似地，沙云菲等[57]将近红外数据与中红外数据融合进行烟叶香型判别，数据融合之后可以提供更多的特征信息。LIAO等[58]提出了一种模型筛选感官验证策略，基于化学计量学方法，借助近红外光谱甄别烤烟的香气类型，克服感官评估的主观性障碍，进一步为配方设计提供依据。
3.4 烟叶部位判别
不同部位的烟叶由于化学成分的不同，燃烧和热解时会产生不同的风味，因此烟叶不同部位的判别也是专业人员的一项重要任务。LU等[59]开发了“多区域+多点”的近红外光谱采集方法，利用不同光谱和不同算法构建烟叶位置判别模型，验证了完整叶片建模的可行性并确定了最佳模型条件。LIU等[60]整合了近红外和电子鼻数据，建立了烟叶部位预测的近红外光谱-电子鼻-支持向量机模型，展现出了比单一数据模型更高的预测准确率。此外，YIN等[61]还对比了近红外和热解反应曲线对烟叶部位预测的准确程度。
3.5 其他属性判别
除了上述烟叶的基本属性外，也有相关研究聚焦在判别烟叶的年份、质量等其他属性，这些属性对于烟叶的评价和使用同样具有重要意义。张浩博等[62]基于近红外光谱和电子鼻融合数据，训练了遗传算法-支持向量机模型进行变量选择和烟叶年份预测，得到了较高准确率的烟叶判别模型。张峰等[63]使用NIR结合逐步判别分析法，对比了烟叶近红外谱图、化学成分两种数据在烟叶种植区域、品种、部位等信息上的建模能力和定性识别能力，实现了快速有效的烟叶识别。WU等[64]采用竞争性自适应加权抽样和偏最小二乘判别法建立分类模型对再造烟叶制品进行近红外光谱表征，实现了对再造烟叶制品的鉴别和材料质量检测。
4 产品配方设计和质量监控
近红外光谱技术在卷烟产品配方设计与生产质量监控中发挥着关键作用，通过提供快速、客观的检测数据，显著提升了配方设计的科学性、高效性以及生产过程的稳定性和质量控制水平。
4.1 配方设计和稳定性控制
在配方设计与维护过程中，烟叶成本控制、筛选、评级等工作通常需要消耗大量的人力、物力，NIR技术的引入能够有效减轻配方人的工作量，降低资源消耗，缩短研发周期，同时减少主观因素的影响。在基础方法与理论模型构建方面，研究者致力于建立光谱与卷烟配方间的关系。ZHAO等[11]基于近红外漫反射分析的Kubelka-Munk(KM）理论，利用近红外漫反射光谱的加和性与求和规律，开发了快速准确的卷烟原料配方模拟分析算法，提升了配方设计的工作效率和精度，拓宽了配方中原料的范围和组合方式。李石头等[65]提出了一种局部校正的光谱预处理方法和集成的光谱相似度算法，旨在更精准地表征烟叶间的相似性，为配方设计与维护提供依据。
在面向实际生产的应用优化层面，研究重点转向如何利用NIR数据直接指导配方决策与工艺优化。郝贤伟等[12]基于NIR光谱投影和风格标定，构建了典型片烟样本的风格分布图，并结合化学检测和感官评价，实现了模块化配方中特定产区烟叶（5%巴西烟叶）的精准替代。针对多批次原料的质量波动问题，吴海云等[17]提出了“循环枚举不同批次组合的中位数调控法（RMEB）”，基于NIR测定的烟碱含量数据，优化了制丝过程中的原料配比和加工次序，从源头有效调控了不同批次烟丝的均匀度。
此外，NIR技术也为原料与配方的品质评价提供了工具。郝贤伟等[14]基于偏最小二乘法等数据处理方法，对多个年度的云南初烤烟叶和复烤片烟的近红外光谱进行建模，实现了对片烟品质的全面评价。BI等[13]系统研究了基于NIR光谱相似性表征烤烟品质相似性的关键影响因素，为通过样品相似性计算服务配方设计提供了方法论支持。
在生产过程的质量监控中，烟丝均匀度、水分及含梗率等是关键控制指标。WU等[15]建立了基于NIR光谱的含梗率识别与均匀度评价模型，实现了对多品牌卷烟及香料烟相关指标的快速测定。LI等[16]进一步利用偏最小二乘构建了综合表征烟丝掺配均匀性的统计量（F分数），建立了相应的快速检测方法，为生产过程调控提供了直接指导。付秋娟等[18]则采用偏最小二乘回归算法建立近红外光谱一阶导数与平衡含水率之间的定量校正模型，实现了对烤烟烟叶该指标的快速无损检测。
4.2 霉变和异物检测
烟叶在仓储、运输及加工过程中可能发生霉变或混入各类异物（如麻线、塑料、金属等），严重影响烟叶原料价值和产品质量，燃烧产生的有害物质如果长期大量吸入，会对消费者的呼吸系统和循环系统造成损害。因此，借助NIR对烟叶中存在的霉变和异物进行高效准确检测，及时剔除掉有害杂质，对烟草生产具有重要意义。
在霉变早期检测方面，传统方法往往难以识别。YANG等[30]结合视觉分析评分与好到坏算法进行NIR特征选择，并采用线性判别分析建立分类模型，实现了对早期霉变烟叶的快速准确识别。周继月等[31]则利用NIR检测样品中麦角甾醇（霉菌特征代谢物）的含量，建立了霉变预警模型，实现了霉变烟叶与正常烟叶的精准分类。
在异物识别与剔除方面，尤其是针对与烟叶颜色相近的异物，可见光检测面临挑战。LIANG等[66]采用可见-近红外高光谱（VIS-NIR）成像技术，结合化学计量学方法，建立了基于主成分分析和反向传播人工神经网络的分类识别模型。该模型不仅能准确区分烟丝与同色异物（如麻线、木屑），还能实现异物的可视化定位，为生产线上的有效剔除提供了技术支持。
1）烟草生长过程中会受到多种病害威胁，如烟草花叶病毒、番茄斑萎病毒等病原体会对烟草的质量和产量造成极大的损害，因此在感染早期识别烟草病害对预防和治理至关重要。许多研究者[32][67][68][69]借助近红外光谱技术，结合高光谱、可见光等其他光学技术，基于支持向量机、BP神经网络、随机森林、极限学习机等多种统计和机器学习模型，分别针对烟草花叶病毒、深绿病害、番茄斑萎病毒、马铃薯Y病毒等病原体感染，建立了有效的检测算法，实现了烟草病症早期的准确检测与分类。
2）监测烟草植株的叶面积指数和成熟度对田间管理、产量预测和行业监管具有重要意义。LI等[33]使用基于光谱波段重要性从田间反射光谱中选择的光谱子集来估算叶面积指数的可行性。烤烟烟叶厚度对于分级和品质划分具有重要的参考价值，胡巍耀等[34]在烟叶近红外模型特征变量的基础上，采用CARS优选特征变量，结合偏最小二乘法建立初烤烟烟叶厚度近红外校正模型，提高了烟叶厚度预测的准确性和稳定性。CHEN等[35]提出了一种基于近红外光谱结合卷积神经网络的烟叶成熟度判别技术，可以作为烟叶采收环节中准确、可靠和科学的辅助手段，克服了感官评估在烟叶成熟度识别中的局限性。
3)OMAR等[36]利用近红外光谱结合化学计量学方法开发了校准模型，准确区分了三个烟草品牌生产商及地理来源，可有效应用于检测假冒烟草制品。考虑校准模型通常基于烟草粉等均质样本开发，而实际烟草产品大多以丝状或切片等非均匀状态存在，导致模型无法转移的问题，GENG等[70]提出了一种基于相应烟粉的校准模型预测烟草丝样品的方法，基于优化特征变量的校准转移消除样品形态差异引起的预测误差，直接将检测模型应用于烟草原料，满足了在线检测的需要。烟草种植和培育过程中不可避免地会使用多种化肥和农药，顾勇等[71]考虑了烟草种植中所使用的化肥和农药的特点，利用NIR技术和合格性测试方法，对四川泸州烟叶产区的多种化肥和农药分别建立了合格性测试模型，可以准确鉴别其他不同生产厂家的化肥和农药产品，实现了烟草种植过程中施用化肥和农药的快速鉴别。
6 展望
尽管深度学习（DL）在NIR分析中的应用取得了初步成果，但当前研究多基于小样本和未优化模型，难以全面超越传统化学计量学方法。在未来的工作中，凭借对复杂非线性关系的捕捉和建模能力，DL有望突破传统方法在特征提取与模型泛化方面的限制，构建面向光谱特征的大规模、高多样性数据集，并开发专用于光谱数据分析的深度学习架构，将成为推动该领域技术进步的关键。同时，融合化学计量学的专业知识，设计具有针对性的网络结构，深入解析模型内部机制，有助于提升DL模型的可解释性与实用性。另一方面，基于DL的大模型技术飞速发展，大模型凭借其强大的自监督学习和全局建模的能力，正在改变NIR传统光谱建模的范式。结合大模型在特征提取、模式识别和复杂非线性建模方面的能力，近红外光谱数据的分析将朝着更具通用性、鲁棒性和解释力的智能分析方向演进。
同时，与多模态数据融合将成为推动NIR技术突破的重要路径。近红外光谱在快速、无损分析方面具有显著优势，但其对结构相似物质区分能力有限。将其与热重分析、质谱、扫描电镜图像、气相色谱、电子鼻以及感官评价等多来源数据模态深度融合，能够从不同维度补充样本的理化特征与感官属性信息，实现更全面、更精确的样品分析。通过构建跨模态网络模型，可以实现多元信息的有效对齐与协同建模，增强模型的稳定性与解释力。特别是在烟草样品的相似性分析、真伪识别、缺陷检测及烟草制品质量控制等任务中，多模态融合不仅提高了预测性能，也赋予系统更强的“理解”与“判断”能力。这一技术趋势将深刻推动烟草行业从经验驱动向数据驱动、知识驱动转型。
在“双碳”战略和绿色生产理念的引领下，烟草行业正朝着环保、高效、低排放的方向发展。近红外光谱作为一种无损、无污染、无需化学试剂的绿色检测技术，不仅满足了精确检测需求，更显著降低了生产和实验过程对环境和操作人员的负面影响。未来该技术有希望从离线实验室分析逐步拓展到全流程、在线化监测场景。随着便携式、嵌入式近红外设备的快速发展，结合工业物联网与边缘计算架构，构建“检测即服务”的智能感知网络成为可能，进一步助力企业实现降本增效与绿色可持续发展。
综上所述，随着人工智能与大模型技术的持续突破、多模态数据融合的加速推进，以及绿色制造理念的深化，NIR技术正不断演进，逐步由烟草行业的辅助分析工具发展为关键核心技术，将在提升产业智能化水平、优化产品质量控制体系以及推动行业绿色可持续发展方面发挥重要作用。未来，近红外技术在烟草行业的持续创新与深入应用前景广阔，具有十分突出的研究价值。
HIGHLIGHTS