Estrutura de aprendizado profundo semisupervisionada para análise de leite usando espectrômetros NIR

Resumo:

Os modelos DL de aprendizado profundo de dados espectrais NIR superam os algoritmos quimiométricos tradicionais, especialmente ao analisar espectros de materiais complicados com bandas sobrepostas. A ampla variedade de espectrômetros miniaturizados portáteis permite a coleta de conjuntos de dados maiores, necessários para criar modelos DL robustos. No entanto, com o alto custo do referenciamento químico, a maioria das amostras coletadas não são referenciadas (não supervisionadas). Neste artigo, um algoritmo DL semi/supervisionado é proposto para fornecer um modelo escalável robusto em um espaço amostral e espaço de sensor mais amplos. Dois conjuntos de dados de leite de vaca foram coletados e medidos com 14 espectrômetros Neospectra. O algoritmo proposto é usado para prever o teor de gordura do leite e a taxa de adulteração de água no leite. Os resultados mostram que com um conjunto de dados referenciado (supervisionado) reduzido de apenas 35% das amostras de leite e 50% das unidades do espectrômetro aumentado com o conjunto de dados não supervisionado restante, podemos prever o teor de gordura do leite com R2 = 0,95 e RMSE = 0,22 e a adulteração da água do leite com R2 = 0,8 e RMSE = 0,12.