1.一种仪器间的近红外深度神经网络模型转移方法，其特征在于：具体包括以下步骤：

(1)用多台不同型号便携式可见近红外光谱仪测定待测物质的近红外光谱；

(2)将多台不同型号便携式可见近红外光谱仪的近红外光谱的波长范围和分辨率统一；

(3)对多台不同型号便携式可见近红外光谱仪的近红外光谱进行预处理；

(4)对多台不同型号便携式可见近红外光谱仪的近红外光谱划分数据集；

(5)开发主型号光谱仪的1D‑Inception‑Resnet定量网络；

(6)用不同从型号光谱仪数据调整主型号光谱仪的1D‑Inception‑Resnet定量网络的参数，而非从头开发；

(7)使用不同从型号光谱仪数据验证校正模型。

2.根据权利要求1所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(2)中，使用3次埃尔米特插值统一波长范围和分辨率。

3.根据权利要求1所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(3)中，对多台不同型号便携式可见近红外光谱仪的近红外光谱进行线性映射，增强训练模型的鲁棒性。

4.根据权利要求1所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(3)中，对多台不同型号便携式可见近红外光谱仪的近红外光谱进行标准正态变量变换SNV，来减小基线偏移。

5.根据权利要求4所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(4)中，使用联合x‑y距离SPXY算法进行数据集划分，分别将多台不同型号便携式可见近红外光谱仪的近红外光谱数据按3:1:1划分为独立校正集、验证集和预测集。

6.根据权利要求5所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(4)中，开发的1D‑Inception‑Resnet整体网络框架为：sequenceInputLayer‑convolutionLayer‑batchnormLayer‑eluLayer‑convolutionLayer‑batchnormLayer‑eluLayer‑(1D‑Inception module)‑(Residual module)‑flattenLayer‑fullyconectedLayer‑softplusLayer‑fullyconectedLayer‑softplusLayer‑fullyconectedLayer‑softplusLayer‑fullyconectedLayer‑regressionLayer。

7.根据权利要求6所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(4)中，1D‑Inception module由4个卷积通路通过concatLayer拼接构成：通路1：convolutionLayer‑batchnormLayer‑eluLayer通路2：maxpoolingLayer‑convolutionLayer‑batchnormLayer‑eluLayer通路3：convolutionLayer‑batchnormLayer‑eluLayer‑convolutionLayer‑batchnormLayer‑eluLayer通路4：convolutionLayer‑batchnormLayer‑eluLayer‑convolutionLayer‑batchnormLayer‑eluLayer。

8.根据权利要求7所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(4)中，Residual module由1D‑Inception module的输入和输出通过addictionLayer跳跃连接构成。

9.根据权利要求1所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(6)中，用不同从型号光谱仪数据调整主型号光谱仪的1D‑Inception‑Resnet定量网络的参数。

10.根据权利要求1所述的一种仪器间的近红外深度神经网络模型转移方法，其特征在于：所述步骤(7)中，用于验证模型校准转移的评估指标分别为相关系数R2、均方根误差RMSEP。