Cette étude a utilisé les techniques de spectroscopie proche infrarouge à transformée de Fourier (FT-NIR), de spectroscopie infrarouge à transformée de Fourier en réflexion totale atténuée (ATR-FTIR) et de spectroscopie corrélationnelle bidimensionnelle (2DCOS), combinées avec la chimiométrie et l'apprentissage profond pour établir des modèles de discrimination par analyse PLS-DA et par réseau de neurones convolutifs résiduels (ResNet) afin de tracer rapidement et précisément 221 échantillons de badiane provenant de 7 régions principales. Les résultats montrent que le modèle PLS-DA basé sur les données ATR-FTIR prétraitées par dérivée seconde (2nd) et normalisation standard normale (SNV) a la meilleure performance (95,31%), tandis que le meilleur prétraitement pour les données FT-NIR est la dérivée seconde. Le modèle ResNet basé sur les images synchrones 2DCOS générées à partir des données FT-NIR et ATR-FTIR n'a pas besoin de sélection du meilleur prétraitement ni de transformations complexes des données pour atteindre une précision de 100%. Parmi eux, le modèle ResNet basé sur les images synchrones 2DCOS dérivées des données FT-NIR nécessite le moins d'itérations, le temps le plus court et le coût le plus faible. Cette étude offre une nouvelle méthode rapide et précise pour identifier la badiane d'origines géographiques différentes, posant les bases pour de futures recherches sur le système d'évaluation de la qualité de la badiane.

badiane; chimiométrie; apprentissage automatique; spectroscopie corrélationnelle bidimensionnelle; origine géographique