Es wurde die differentielle Raman-Spektroskopie in Kombination mit maschinellen Lerntechniken verwendet, um 43 verschiedene Marken und Modelle von blauen Gelstiften auf dem Markt zu klassifizieren. Zunächst wurden mittels differentieller Raman-Spektroskopie die charakteristischen Raman-Peaks der Proben erhalten, und basierend auf der differentiellen Raman-Spektroskopie wurden die Proben manuell in 4 Hauptkategorien eingeteilt. Anschließend wurden Cluster-Analyse und Random-Forest-Algorithmus für die Klassifikationsstudie eingesetzt und mit den manuellen Klassifikationsergebnissen verglichen. Die Ergebnisse zeigen, dass das durch Random Forest erstellte Klassifikationsmodell eine Vorhersagegenauigkeit von 90,00 % erzielt. Die differentielle Raman-Spektroskopie ermöglicht eine schnelle, zerstörungsfreie Analyse der Farbstoffkomponenten von blauen Gelstiften, und in Kombination mit dem Random-Forest-Algorithmus zur Erstellung eines Klassifikationsmodells ist eine schnelle Klassifikation möglich. Das Random-Forest-Modell verbessert die Effizienz und Genauigkeit der Identifikation unbekannter Verbindungen mittels differentieller Raman-Spektroskopie und ermöglicht eine bessere Klassifikation und Vorhersage der Probenkategorien.

Spektrum; differentielle Raman; blauer Gelstift; maschinelles Lernen; Random Forest