Cadre d'apprentissage profond semi-supervisé pour l'analyse du lait à l'aide de spectromètres NIR

Résumé :

Les modèles DL d'apprentissage profond de données spectrales NIR surpassent les algorithmes chimiométriques traditionnels, en particulier lors de l'analyse de spectres de matériaux complexes comportant des bandes superposées. La large gamme de spectromètres miniaturisés portables permet de collecter des ensembles de données plus importants, ce qui est nécessaire pour créer des modèles DL robustes. Cependant, en raison du coût élevé du référencement chimique, la plupart des échantillons collectés ne sont pas référencés (non supervisés). Dans cet article, un algorithme DL semi-supervisé est proposé pour fournir un modèle évolutif robuste sur un espace d'échantillonnage et un espace de capteurs plus larges. Deux ensembles de données sur le lait de vache ont été collectés et mesurés à l'aide de 14 spectromètres Neospectra. L'algorithme proposé est utilisé pour prédire la teneur en matière grasse du lait et le taux d'adultération de l'eau dans le lait. Les résultats montrent qu'avec un ensemble de données référencé (supervisé) réduit de seulement 35 % des échantillons de lait et 50 % des unités de spectrométrie, augmenté par l'ensemble de données non supervisé restant, nous pouvons prédire la teneur en matières grasses du lait avec R2 = 0,95 et RMSE = 0,22 et la falsification de l'eau du lait avec R2 = 0,8 et RMSE = 0,12.