Une équipe de recherche des Instituts Hefei des sciences physiques (HFIPS) de l'Académie chinoise des sciences (CAS) a récemment développé un nouvel algorithme pour la technologie de spectroscopie proche infrarouge afin d'améliorer l'efficacité du transfert des modèles d'analyse qualitative proche infrarouge entre les instruments. Les résultats ont été publiés dans Infrared Physics &Technology.

La spectroscopie dans le proche infrarouge (NIRS) est une technologie de détection rapide et non destructive. Les modèles d'étalonnage sont la clé de l'analyse NIRS, et la précision du transfert des modèles entre les instruments détermine l'efficacité de la vulgarisation et de l'application de cette technologie. Afin de s'assurer que les performances prédictives des modèles ne sont pas affectées lors du transfert entre instruments, de nouveaux algorithmes et techniques d'étalonnage doivent être continuellement développés. Dans les études précédentes, les chercheurs se sont principalement concentrés sur le transfert de modèles quantitatifs NIR, mais moins sur le transfert de modèles qualitatifs.

Pour résoudre ce problème, l'équipe a étudié de manière comparative divers algorithmes de transfert avec l'identification NIR des grains défectueux dans les grains de blé et de maïs comme exemples, visant à optimiser les performances des modèles qualitatifs NIR lors du transfert de différents instruments et à améliorer la robustesse de la prédiction NIR.

L'équipe de recherche a proposé une méthode de sélection de longueur d'onde basée sur l'analyse de corrélation (CAWS) dans une étude précédente pour améliorer l'efficacité de transfert des modèles quantitatifs NIR en criblant des bandes d'ondes stables et cohérentes entre les instruments.

Cette fois, les chercheurs ont encore amélioré l'algorithme CAWS pour le rendre également applicable aux modèles de discrimination qualitative.

Les résultats montrent que les coefficients de corrélation de Matthews de validation des modèles discriminants blé et maïs optimisés par CAWS sont respectivement de 0,718 et 1, se classant deuxième et premier dans diverses conditions de traitement de l'algorithme, ce qui vérifie l'efficacité de la méthode proposée.

Cette étude propose un algorithme pour améliorer l'efficacité de transfert des modèles qualitatifs NIR entre les instruments, ce qui est bénéfique pour la vulgarisation et l'application du NIRS. + Explorer plus loin

L'apprentissage par transfert offre un nouvel aperçu de l'estimation des erreurs d'apprentissage automatique