Marco de aprendizaje profundo semisupervisado para el análisis de leche mediante espectrómetros NIR

Resumen:

Los modelos DL de datos espectrales NIR de aprendizaje profundo superan a los algoritmos quimiométricos tradicionales, especialmente cuando se analizan espectros de materiales complicados con bandas superpuestas. La amplia variedad de espectrómetros miniaturizados portátiles permite recopilar conjuntos de datos más grandes, lo cual es necesario para construir modelos de DL robustos. Sin embargo, dado el alto costo de la referenciación química, la mayoría de las muestras recolectadas no están referenciadas (no están supervisadas). En este artículo, se propone un algoritmo DL semisupervisado o semisupervisado para proporcionar un modelo robusto y escalable en un espacio muestral y un espacio de sensores más amplios. Se recopilaron dos conjuntos de datos sobre leche de vaca y se midieron con 14 espectrómetros Neospectra. El algoritmo propuesto se utiliza para predecir el contenido de grasa de la leche y la proporción de adulteración del agua en la leche. Los resultados muestran que con un conjunto de datos referenciado (supervisado) reducido de solo el 35% de las muestras de leche y el 50% de las unidades del espectrómetro, sumado al resto del conjunto de datos no supervisado, podemos predecir el contenido de grasa de la leche con R2 = 0,95 y RMSE = 0,22 y la adulteración del agua de la leche con R2 = 0,8 y RMSE = 0,12.