为应对日益严格的排放法规和全球化石燃料储备的稀缺性，全球范围内对可再生替代燃料的研究取得了显著进展[1]。甲醇和乙醇可以通过生物质发酵和气化获得，被认为是特别有前景的可再生资源[2]。将这些醇类掺入传统燃料中已被证明有助于减少污染物排放，这对于汽车生产和消费量大的国家来说是一个关键考虑因素[3]。还有研究评估了醇类燃料对发动机的有益功能，包括宽燃限、快速燃烧速度、高热效率和增强的制动性能[[4], [5], [6]]。考虑到甲醇和乙醇添加对柴油物理化学性质和排放的影响，准确地进行醇柴油混合物的定性识别和定量检测对于确保燃料质量和合规性至关重要。
虽然传统的分析技术如色谱法[7,8]、质谱法[9]、生物传感器[10]和联用方法[11,12]已被用于表征环保燃料，但它们通常涉及复杂的样品预处理，导致耗时、成本高昂且对环境有负担。相比之下，NIR光谱技术作为一种快速、便携、灵敏、绿色且非破坏性的技术，能够记录X–H（X = C, N, O）键振动的信息，使其对醇柴油混合物的分子组成和结构高度敏感[13]。因此，人们越来越关注如何建立更适合NIR数据特征的高质量校准模型，以保证清洁燃料测定的准确性和可靠性。
NIR光谱学中的一个持续挑战是设计有效的分析流程，以应对其高维数据和显著光谱峰重叠带来的复杂性。传统策略包括分段工作流程：首先应用预处理[14,15]来减轻物理伪影，然后进行特征选择[[16], [17], [18]]，最后构建定性/定量校准模型[19,20]。尽管有这些重大优势，但不可避免的局限性在于需要通过反复试验来选择最佳处理组合，这需要大量时间和专业知识。随着2012年AlexNet的成功，深度学习特别是卷积神经网络（CNN）的出现，引入了一种变革性的替代方案。CNN因其自动特征提取的灵活性和在高维数据建模方面的能力而受到认可，并在NIR光谱分析中展示了巨大的潜力[22]。例如，Walsh等人[23]构建了一个CNN模型，从NIR数据预测芒果干物质含量，并通过较低的预测标准差证实了其稳健性。参考文献[24]中对并行输入和单块CNN架构进行了简要比较，用于使用大型NIR数据集进行水果成分预测。参考文献[25]使用带有自注意力机制的CNN-长短期记忆（LSTM）模型，证实了其在流化床造粒过程中水分含量的优越定量能力。Yue等人[26]将这种方法应用于传统中药，所提出的CNN框架在分类当归时表现出稳健的性能，同时显著降低了计算负担。NIR领域的成功应用为使用CNN深度学习构建校准模型提供了有力的证据。
尽管有先前的工作，但现有的应用和改进仍然局限于为1D NIR信号定制的1D深度架构，从而错过了利用深度学习在图像中建模2D空间信息方面的独特优势。阻碍NIR深度学习发展的一个关键技术挑战是如何将1D NIR光谱重建为可以强调特征的2D光谱图。值得注意的是，一些研究人员已经开始在这方面进行积极探索。例如，Deev等人[27]探索了2D CNN在光谱数据中的用途，他们将Mossbauer光谱和生物组织NIR光谱视为2D灰度图像，发现这种方法提高了Mossbauer光谱的参数预测准确性，但在生物组织NIR分类中的性能不如PLS-DA。Haghi等人[28]利用带有快速傅里叶变换（FFT）的2D光谱图的CNN进行土壤性质分析，但预测准确性略低于传统1D CNN。Ng等人[29,2D]通过汉宁窗重叠扫描光谱获得了2D光谱图，他们的土壤性质预测结果与1D CNN相当。关于这些关于NIR光谱图转换方法的新报告，迫切需要探索可靠的2D光谱图重建技术，以进一步提高NIR深度学习的可访问性和有效性。
多彩的2D图像重建方法在深度学习领域引起了广泛关注。然而，很少有研究报道将1D NIR光谱转换为2D光谱图，尤其是在燃料分析领域。递归图（RP）[30]、格拉米安角场（GAF）[31]和马尔可夫变换场（MTF）[32]作为多彩的2D序列图重建技术，主要通过编码转换概率来保留时间信息。虽然光谱信号基于空间波长域而非时间，但它们之间的共同点是强烈的信号相关性。受这些研究的启发，本文专注于在NIR领域推导这些多彩的2D图像重建技术，以便进一步提高将CNN的图像处理优势集成到NIR清洁燃料检测中的可靠性。为了验证通过RP、GAF和MTF增强的CNN的优越性，将1D-CNN以及常见的SVM和PLS模型用于真实的NIR醇柴油混合物的定性和定量检测进行了比较。根据不同的性能优势讨论了上述方法的结果。
