近日，中科院合肥研究院智能所作物品质智能感知团队发展了一种近红外光谱技术方向的新算法，该算法适用于改进近红外定性分析模型在仪器间的转移效果。相关工作以“Comparative study of different wavelength selection methods in the transfer of crop kernel qualitive near-infrared models”为题被Infrared Physics & Technology接收并在线发表 。
近红外光谱是一种快速无损检测技术，这一技术推广应用的前提是拥有稳健准确的模型。然而，仪器间的近红外光谱模型转移问题是这一技术应用发展长期面临的瓶颈问题。近红外光谱模型的判别性能往往会在仪器变化的情况下降低，因此需要开发各种算法和手段实现仪器间的模型转移，保证预测性能。在之前的研究中，研究人员主要聚焦近红外光谱定量模型的转移，而鲜有对定性模型转移的研究报道。
为此，研究人员以小麦和玉米中不完善粒的近红外鉴定为实例，对比研究了多种转移算法，旨在优化定性模型在仪器间转移的性能，提高模型预测的稳健性。在课题组之前的研究中提出过一种基于相关分析的波长选择方法（CAWS），通过筛选仪器间稳定一致的波段提高近红外定量模型的转移效果。在此次研究中，科研人员对CAWS算法进一步改进，使之对定性判别模型具有同样适用性。结果表明，经过CAWS优化后的小麦和玉米判别模型的验证马修斯相关系数分别为0.718和1，在各种算法处理条件位居第二和第一位，验证了所开发方法的有效性。该研究改善了近红外光谱模型转移结果，有利于近红外光谱技术的进一步推广应用。
徐琢频博士为该论文第一作者，王琦副研究员和吴跃进研究员为通讯作者。该工作得到安徽省科技重大专项、国家自然科学基金、以及安徽省重点研究与开发计划等项目的支持。
文章链接：https://www.sciencedirect.com/science/article/pii/S1350449522001013
