تركز هذه الورقة على دراسة نسيج الكشمير ونسيج مزيج الكشمير والصوف بالإضافة إلى القطن الخام والقطن المصقول، باستخدام طيف "ديناميكي" لها لتوسيع معلومات الفروقات الطيفية بين الفئات. من خلال دمج أطياف الارتباط ثنائية الأبعاد المتزامنة وغير المتزامنة، تم تكوين "صورة كيميائية" قادرة على عكس الفروق الكيميائية التفصيلية عبر عدة أطياف ديناميكية. باستخدام نموذج GoogLeNet للتعرف على الصور المبني على الشبكات العصبية العميقة مع التعلم الانتقالي، تم تطوير طريقة تصنيف طيفية جديدة. تم جمع 234 عينة من الأقمشة، وتم تحضير عينات بمحتوى مائي بنسبة 0، 5.4٪، 11.2٪، و16.3٪، وتم جمع أطياف الاشعة تحت الحمراء القريبة للانعكاس المنتشر لهذه العينات. باستعمال عدة طرق معالجة مسبقة على الطيف القائم على المادة الجافة، وباستخدام طرق تصنيف خطية مثل التعرف الرخو المستقل للعيّنات (SIMCA) وغير الخطية مثل آلة الدعم الناقل (SVM)، تم إنشاء 16 نموذج تصنيف. كانت أفضل دقة تنبؤية لطريقة SIMCA وSVM لنسيج الكشمير ومزيج الكشمير والصوف 63.33% و70.09% على التوالي، وللقطن الخام والقطن المصقول 71.02% و72.51% على التوالي، مما لم يحقق تصنيفًا فعالًا. أما الطريقة الجديدة فحققت دقة تنبؤية 92.59% لنسيج الكشمير ومزيج الكشمير والصوف، و94.74% للقطن الخام والقطن المصقول، محققة تصنيفًا فعالًا. هذه الورقة تعد الأولى التي تطبق طريقة تصنيف الصور على تصنيف الطيف، مما يفتح مجالًا بحثيًا جديدًا. وبالنظر إلى أن العينات التي تم جمعها للتطبيقات العملية قليلة العدد ولا تلبي الحاجة لبيانات كبيرة في التعلم العميق، فقد تم استخدام التعلم الانتقالي لجعل إطار التعلم العميق يتناسب مع تصنيف الطيف (عينات صغيرة)، مما قدم نموذجًا ناجحًا لتطبيق تقنيات التعرف المتقدمة في الذكاء الاصطناعي لحل المشكلات الكيميائية.

طيف الأشعة تحت الحمراء القريبة;التعرف على الأنماط;التعلم العميق;التعلم الانتقالي