Unter Verwendung der hyperspektralen Bildgebungstechnologie kombiniert mit maschinellem Lern-Regression wurde eine zerstörungsfreie Methode zur Bestimmung der Entstehungszeit von Tintenstrahldruckdateien vorgeschlagen. Hyperspektraldaten von Proben, die mit 9 verschiedenen Marken und Modellen von Tintenstrahldruckern über einen gewissen Zeitraum gedruckt wurden, wurden gesammelt. Zuerst wurden Hauptkomponentenanalyse (PCA) und Partial Least Squares Regression (PLSR) zur Merkmalsreduzierung aus den hyperspektralen Daten verwendet, und das Modell wurde vorläufig durch die Erklärungsrate der Dimensionenreduktion der Hauptkomponenten interpretiert. Anschließend wurden vier Modelle angewendet: Lasso-Regression (LASSO), PLSR, Ridge-Regression (RR) und Bayessche Regression (BR) mit einem Verhältnis von 1:4 zur Bestimmung von Test- und Trainingsdatensätzen für die Regression auf den extrahierten Merkmalen. Die Ergebnisse zeigten, dass die Bestimmtheitsmaße (R²) für LASSO nach Merkmalsextraktion durch PLSR, PLAR, RR und BR nicht unter 0,99 lagen und dass die mittleren absoluten Fehler (MAE), mittleren quadratischen Fehler (MSE) und root mean square errors (RMSE) der vier Regressionsmethoden nahe null lagen. Die F-Werte und p-Werte der vier durch PLSR extrahierten Regressionsmethoden waren ausreichend groß und kleiner als 0,001, was ein hoch signifikantes Niveau darstellt. Die Regressionsleistungen von PLSR und BR waren besser als die von LASSO und RR. Die Beziehung zwischen Hauptkomponenten und spektralen Bändern wurde durch PLSR-Gewichtungskoeffizienten erklärt, um die Rolle kritischer spektraler Bänder zu klären. Die Bestimmtheitsmaße der Regressionstestergebnisse lagen über 0,9 und die Signifikanzwerte (p) unter 0,05, was zeigt, dass das Modell die abhängige Variable mit hoher statistischer Signifikanz erklärt und die Testfehler in einem vernünftigen Bereich liegen. Die Ergebnisse zeigen, dass die hyperspektrale Bildgebungstechnologie die Entstehungszeit von Tintenstrahldruckdateien zerstörungsfrei, genau und schnell bestimmen kann und zur Identifikation der Entstehungszeit von Tintenstrahldruckdateien verwendet werden kann.

hyperspektrale Bildgebung; maschinelles Lernen; Tintenstrahldrucker; Entstehungszeit von Druckdateien