Een onderzoeksteam van de Hefei Institutes of Physical Science (HFIPS) van de Chinese Academie van Wetenschappen (CAS) heeft onlangs een nieuw algoritme ontwikkeld voor nabij-infraroodspectroscopietechnologie om de overdrachtsefficiëntie van nabij-infrarood kwalitatieve analysemodellen tussen instrumenten te verbeteren. De resultaten zijn gepubliceerd in Infrared Physics &Technology.

Near-infrared spectroscopie (NIRS) is een snelle en niet-destructieve detectietechnologie. Kalibratiemodellen zijn de sleutel tot NIRS-analyse en de nauwkeurigheid van de overdracht van modellen tussen instrumenten bepaalt de effectiviteit van de popularisering en toepassing van deze technologie. Om ervoor te zorgen dat de voorspellende prestaties van de modellen niet worden beïnvloed wanneer ze tussen instrumenten worden overgedragen, moeten voortdurend nieuwe kalibratie-algoritmen en -technieken worden ontwikkeld. In eerdere studies richtten onderzoekers zich vooral op de overdracht van kwantitatieve NIR-modellen, maar minder op de overdracht van kwalitatieve modellen.

Om dit probleem op te lossen, heeft het team verschillende overdrachtsalgoritmen vergeleken met de NIR-identificatie van ondeugdelijke korrels in tarwe- en maïskorrels als voorbeelden, met als doel de prestaties van kwalitatieve NIR-modellen tijdens de overdracht van verschillende instrumenten te optimaliseren en de robuustheid van NIR-voorspelling te verbeteren.

Het onderzoeksteam stelde in een eerdere studie een golflengteselectiemethode voor op basis van correlatieanalyse (CAWS) om de overdrachtsefficiëntie van NIR-kwantitatieve modellen te verbeteren door stabiele en consistente golfbanden tussen instrumenten te screenen.

Deze keer hebben de onderzoekers het CAWS-algoritme verder verbeterd om het ook toepasbaar te maken op de kwalitatieve discriminatiemodellen.

De resultaten laten zien dat de Matthews-correlatiecoëfficiënten van de door CAWS geoptimaliseerde tarwe- en maïsdiscriminantmodellen respectievelijk 0,718 en 1 zijn, op de tweede en eerste plaats in verschillende verwerkingsomstandigheden van algoritmen, wat de effectiviteit van de voorgestelde methode bevestigt.

Deze studie stelt een algoritme voor om de overdrachtsefficiëntie van kwalitatieve NIR-modellen tussen instrumenten te verbeteren, wat gunstig is voor de verdere popularisering en toepassing van NIRS. + Verder verkennen

Transfer learning biedt nieuw inzicht in foutschatting bij machine learning