استخدمت هذه الدراسة تقنيات التحويل فورييه للأشعة تحت الحمراء القريبة (FT-NIR)، والتحويل فورييه للأشعة تحت الحمراء ذات الانعكاس الكلي المتناقص (ATR-FTIR)، وتقنيات الطيف ثنائي الأبعاد التآزري (2DCOS)، مع الجمع بين الكيمياء الحصائية والتعلم العميق لبناء نماذج التمييز باستخدام تحليل التمييز بالحد الأدنى للمربعات الجزئية (PLS-DA) وشبكة العصب الالتفافية المتبقية (ResNet) لتتبع عينات القضبان من 7 مناطق رئيسية (221 عينة) بسرعة ودقة. أظهرت النتائج أن نموذج PLS-DA الذي تم بناؤه على بيانات طيف ATR-FTIR بعد المعالجة المسبقة بالمشتق الثاني (2nd) والتحويل الطبيعي القياسي (SNV) كان الأفضل أداءً (95.31%)، في حين أن أفضل معالجة مسبقة لبيانات طيف FT-NIR كانت المشتق الثاني. نموذج ResNet المبني على صور 2DCOS المتزامنة المستندة إلى FT-NIR وATR-FTIR لا يحتاج إلى اختيار أفضل معالجة مسبقة أو تحويلات بيانات معقدة لتحقيق دقة 100%. من بين هذه النماذج، كان نموذج ResNet المبني على صور 2DCOS المتزامنة الناتجة عن بيانات FT-NIR هو الأقل في عدد التكرارات، والأقل استهلاكًا للوقت، والأقل تكلفة. تقدم هذه الدراسة طريقة جديدة سريعة ودقيقة للتعرف على القضبان من مصادر جغرافية مختلفة، مما يرسخ الأساس لمزيد من الدراسات حول نظام تقييم جودة القضبان.

حبوب القضبان;الكيمياء الحصائية;التعلم الآلي;الطيف ثنائي الأبعاد;المصدر الجغرافي