In dieser Arbeit werden Kaschmir- und Kaschmir/Wollmischgewebe sowie reiner Baumwoll- und mercerisierter Baumwollstoff untersucht, wobei deren "dynamische" Spektren verwendet werden, um die spektralen Unterschiede zwischen den Klassen zu erweitern. Durch die Fusion synchroner und asynchroner zweidimensionaler Korrelationsspektren werden mehrere dynamische Spektren kombiniert, um ein "chemisches Bild" zu erstellen, das detaillierte chemische Unterschiede widerspiegelt. Mit dem GoogLeNet tiefen neuronalen Netz für die Bilderkennung in Kombination mit Transferlernen wurde eine neue Methode zur Spektralklassifikation entwickelt. Es wurden 234 Gewebeproben gesammelt, mit Wassergehalten von 0 %, 5,4 %, 11,2 % und 16,3 %, und diffus reflektierende Nahinfrarotspektren der Proben wurden erfasst. Unter Verwendung verschiedener Vorverarbeitungsspektren auf Trockensubstanzbasis und linearen Klassifikationsmethoden wie SIMCA und nichtlinearen Methoden wie Support Vector Machine (SVM) wurden insgesamt 16 Klassifikationsmodelle erstellt. Die besten Vorhersagegenauigkeiten der SIMCA- und SVM-Methoden für Kaschmir- und Kaschmir/Wollmischgewebe betrugen jeweils 63,33 % und 70,09 %, für reinen und mercerisierten Baumwollstoff 71,02 % bzw. 72,51 %, was keine effektive Klassifizierung ermöglichte. Die neue Methode erreichte Vorhersagegenauigkeiten von 92,59 % für Kaschmir- und Kaschmir/Wollmischgewebe sowie 94,74 % für reinen und mercerisierten Baumwollstoff und erzielte damit eine effektive Klassifizierung. Diese Arbeit ist die erste, die Bildklassifizierungsmethoden auf die Spektralklassifizierung anwendet und eröffnet einen neuen Forschungsweg. Da die in der Praxis erhobenen Proben klein sind und nicht den Anforderungen an große Datenmengen für das Deep Learning entsprechen, wurde Transferlernen verwendet, um den Deep-Learning-Rahmen an die Spektralklassifizierung (kleine Stichproben) anzupassen, was ein erfolgreiches Beispiel für den Einsatz fortschrittlicher KI-Erkennungstechnologien zur Lösung chemischer Probleme darstellt.

Nahinfrarotspektroskopie;Mustererkennung;Deep Learning;Transferlernen