Une méthode rapide, non destructive et précise a été développée pour détecter la teneur en protéines des graines de blé. La technologie de spectroscopie proche infrarouge (NIRS) combinée à une méthode d'apprentissage automatique basée sur un modèle empilé a été utilisée pour analyser les données spectrales proches infrarouges de 248 graines de blé, et les effets de deux méthodes de regroupement des bandes spectrales, le regroupement par fenêtre glissante (SWG) et le regroupement par échantillonnage stratifié (LSG), ont été comparés. Dans le modèle de base, la régression par moindres carrés partiels (PLS) a montré la plus faible erreur quadratique moyenne de prédiction (RMSEP) et le coefficient de détermination (R²) le plus élevé, respectivement 0,2120 et 0,9899. Après implémentation du modèle empilé, les performances des différents algorithmes ont été considérablement améliorées. La combinaison de LSG avec la régression linéaire a réduit le RMSEP à 0,1990 et augmenté R² à 0,9911, constituant ainsi le modèle optimal. Les résultats indiquent que l'algorithme d'apprentissage automatique du modèle empilé intégré à LSG offre un algorithme plus précis pour la prédiction de la teneur en protéines des graines de blé.

spectroscopie proche infrarouge; graines de blé; teneur en protéines; modèle empilé; apprentissage automatique