Spettri originali e medi di chicchi di grano e chicchi di mais normali e non sani. Credito:Xu Zhuoping
Un gruppo di ricerca dell'Hefei Institutes of Physical Science (HFIPS) dell'Accademia cinese delle scienze (CAS) ha recentemente sviluppato un nuovo algoritmo per la tecnologia della spettroscopia nel vicino infrarosso per migliorare l'efficienza di trasferimento dei modelli di analisi qualitativa del vicino infrarosso tra gli strumenti. I risultati sono stati pubblicati su Infrared Physics &Technology.
La spettroscopia nel vicino infrarosso (NIRS) è una tecnologia di rilevamento rapido e non distruttivo. I modelli di calibrazione sono la chiave dell'analisi NIRS e l'accuratezza del trasferimento dei modelli tra gli strumenti determina l'efficacia della divulgazione e dell'applicazione di questa tecnologia. Per garantire che le prestazioni predittive dei modelli non siano influenzate durante il trasferimento tra strumenti, è necessario sviluppare continuamente nuovi algoritmi e tecniche di calibrazione. In studi precedenti, i ricercatori si sono concentrati principalmente sul trasferimento di modelli quantitativi NIR, ma meno sul trasferimento di modelli qualitativi.
Per risolvere questo problema, il team ha studiato comparativamente vari algoritmi di trasferimento con l'identificazione NIR di chicchi malsani nel grano e chicchi di mais come esempi, con l'obiettivo di ottimizzare le prestazioni dei modelli qualitativi NIR durante il trasferimento di diversi strumenti e migliorare la robustezza della previsione NIR.
Il team di ricerca ha proposto un metodo di selezione della lunghezza d'onda basato sull'analisi di correlazione (CAWS) in uno studio precedente per migliorare l'efficienza di trasferimento dei modelli quantitativi NIR mediante lo screening di bande d'onda stabili e coerenti tra gli strumenti.
Questa volta, i ricercatori hanno ulteriormente migliorato l'algoritmo CAWS per renderlo ugualmente applicabile ai modelli di discriminazione qualitativa.
I risultati mostrano che i coefficienti di correlazione di Matthews di validazione dei modelli discriminanti di frumento e mais ottimizzati da CAWS sono rispettivamente 0,718 e 1, posizionandosi al secondo e al primo posto in varie condizioni di elaborazione dell'algoritmo, il che verifica l'efficacia del metodo proposto.
Questo studio propone un algoritmo per migliorare l'efficienza di trasferimento dei modelli qualitativi NIR tra strumenti, il che è vantaggioso per l'ulteriore divulgazione e applicazione di NIRS. + Esplora ulteriormente
