Ursprungliga och genomsnittliga spektra av normala och osunda vetekärnor och majskärnor. Kredit:Xu Zhuoping
Ett forskarlag från Hefei Institutes of Physical Science (HFIPS) vid den kinesiska vetenskapsakademin (CAS) har nyligen utvecklat en ny algoritm för nära-infraröd spektroskopiteknik för att förbättra överföringseffektiviteten för nära-infraröda kvalitativa analysmodeller mellan instrument. Resultaten publicerades i Infrared Physics &Technology.
Nära-infraröd spektroskopi (NIRS) är en snabb och oförstörande detekteringsteknik. Kalibreringsmodeller är nyckeln till NIRS-analys, och noggrannheten i modellöverföringen mellan instrument avgör effektiviteten av populariseringen och tillämpningen av denna teknologi. För att säkerställa att modellernas prediktiva prestanda inte påverkas när de överförs mellan instrument, behöver nya kalibreringsalgoritmer och tekniker kontinuerligt utvecklas. I tidigare studier fokuserade forskarna främst på överföring av NIR kvantitativa modeller, men mindre på överföring av kvalitativa modeller.
För att lösa detta problem studerade teamet jämförelsevis olika överföringsalgoritmer med NIR-identifiering av osunda kärnor i vete- och majskärnor som exempel, i syfte att optimera prestandan för NIR-kvalitativa modeller under överföringen av olika instrument och förbättra robustheten i NIR-förutsägelse.
Forskargruppen föreslog en metod för våglängdsval baserad på korrelationsanalys (CAWS) i tidigare studie för att förbättra överföringseffektiviteten för NIR kvantitativa modeller genom att screena stabila och konsekventa vågband mellan instrument.
Den här gången förbättrade forskarna CAWS-algoritmen ytterligare för att göra den lika tillämpbar på de kvalitativa diskrimineringsmodellerna.
Resultaten visar att Matthews valideringskoefficienter för diskriminantmodellerna för vete och majs optimerade av CAWS är 0,718 resp.
Denna studie föreslår en algoritm för att förbättra överföringseffektiviteten för NIR kvalitativa modeller mellan instrument, vilket är fördelaktigt för ytterligare popularisering och tillämpning av NIRS. + Utforska vidare
