Исходный и средний спектры нормальных и нездоровых зерен пшеницы и кукурузы. Кредит: Сюй Чжуопин

Ближняя инфракрасная спектроскопия (NIRS) — это технология быстрого и неразрушающего обнаружения. Калибровочные модели являются ключом к анализу NIRS, и точность передачи моделей между приборами определяет эффективность популяризации и применения этой технологии. Чтобы гарантировать, что прогностическая эффективность моделей не пострадает при переносе между приборами, необходимо постоянно разрабатывать новые алгоритмы и методы калибровки. В предыдущих исследованиях исследователи в основном сосредоточились на передаче количественных моделей NIR, но в меньшей степени на передаче качественных моделей.

Чтобы решить эту проблему, группа сравнила различные алгоритмы переноса с NIR-идентификацией нездоровых зерен в зернах пшеницы и кукурузы в качестве примеров, стремясь оптимизировать производительность качественных моделей NIR при переносе различных инструментов и повысить надежность NIR-прогнозирования.

Исследовательская группа предложила метод выбора длины волны, основанный на корреляционном анализе (CAWS) в предыдущем исследовании, чтобы повысить эффективность передачи количественных моделей NIR путем проверки стабильных и согласованных диапазонов волн между приборами.

На этот раз исследователи усовершенствовали алгоритм CAWS, чтобы сделать его в равной степени применимым к моделям качественной дискриминации.

Результаты показывают, что проверочные коэффициенты корреляции Мэтьюза дискриминантных моделей пшеницы и кукурузы, оптимизированных с помощью CAWS, составляют 0,718 и 1 соответственно, занимая второе и первое место в различных условиях обработки алгоритма, что подтверждает эффективность предложенного метода.

В этом исследовании предлагается алгоритм повышения эффективности передачи качественных моделей NIR между инструментами, что полезно для дальнейшей популяризации и применения NIRS.