基于太赫兹时域光谱的烟草含水量与厚度深度学习识别模型

基于太赫兹时域光谱的烟草含水量与厚度深度学习识别模型

摘要

太赫兹时域光谱技术因其对水分子敏感、穿透性强、非接触等优势，在烟草品质检测中具有重要应用价值。本文针对烟草含水量与厚度这两个关键品质指标，构建了一种基于一维卷积神经网络与长短时记忆网络混合结构的深度学习模型，实现从太赫兹光谱数据到双目标连续值的端到端回归预测。实验结果表明，模型在测试集上含水量预测的平均绝对误差为0.18%，决定系数R²为0.96；厚度预测的平均绝对误差为0.015 mm，R²为0.97，均优于项目验收标准。本文详细阐述了数据预处理、模型设计、训练策略、超参数调优及结果分析全过程，所有代码基于PyTorch实现，具有良好的可复现性。

关键词：太赫兹时域光谱；深度学习；多输出回归；烟草品质检测；1D-CNN-LSTM

第一章 引言

1.1 研究背景

烟草制品的含水量与厚度是决定其物理特性、燃烧性能及感官质量的核心指标。传统检测方法如烘箱法、机械测厚仪虽精度较高，但存在破坏性、耗时、无法在线检测等局限。太赫兹时域光谱技术（Terahertz Time-Domain Spectroscopy, THz-TDS）利用0.1–10 THz频段的电磁波对极性分子（如水）敏感的特性，可无损获取样品内部信息，近年来在农产品、药品、烟草等领域展现出巨大潜力。

1.2 研究目标

本项目旨在利用深度学习模型，建立THz-TDS光谱与烟草含水量、厚度之间的非线