La transformation de Fourier du spectre proche infrarouge (FT-NIR) combinée à la spectroscopie corrélationnelle bidimensionnelle (2DCOS), ainsi que les méthodes chimiométriques et les algorithmes d'apprentissage profond, ont permis de construire des modèles d'analyse discriminante par moindres carrés partiels (PLS-DA) et de réseaux de neurones convolutifs résiduels (ResNet) pour identifier rapidement et précisément trois variétés cultivées de Gastrodia elata Blum (au total 447 échantillons). Les résultats montrent que le modèle PLS-DA établi à partir des données FT-NIR prétraitées par la dérivée première (1st Der) et la correction de diffusion multiple (MSC) présente les meilleures performances globales (précision 99,00%). Par ailleurs, la méthode d'identification basée sur les images synchrones 2DCOS FT-NIR combinées au modèle ResNet permet une identification rapide et précise des différentes variétés cultivées de Gastrodia sans nécessité de sélectionner le meilleur prétraitement ni d'effectuer des transformations complexes des données (précision 100,00%). Cette étude propose une nouvelle méthode rapide et précise pour distinguer les différentes variétés cultivées de Gastrodia, posant ainsi une base pour la recherche sur les ressources génétiques de Gastrodia et le développement de nouvelles variétés.

transformation de Fourier proche infrarouge;chimiométrie;apprentissage automatique;Gastrodia elata;variétés cultivées