En utilisant la technologie d'imagerie hyperspectrale combinée à la régression par apprentissage automatique, une méthode nondestructive pour déterminer le temps de formation des fichiers d'impression jet d'encre a été proposée. Les données hyperspectrales de samples imprimés par 9 imprimantes jet d'encre de différentes marques et modèles ont été collectées. Tout d'abord, une analyse en composantes principales (ACP) et une régression par moindres carrés partiels (PLSR) ont été utilisées pour extraire les caractéristiques en réduisant la dimensionnalité des données hyperspectrales, et le modèle a été interprété initialement par le taux d'explication des composantes principales après extraction des caractéristiques. Quatre modèles, la régression LASSO, PLSR, la régression de crête (RR) et la régression bayésienne (BR), ont été appliqués avec une répartition des ensembles d'entraînement et de test de 1:4 pour effectuer la régression sur les données extraites. Les résultats montrent que les coefficients de détermination (R²) de LASSO, PLAR, RR et BR après extraction par PLSR ne sont pas inférieurs à 0,99, et que l'erreur moyenne absolue (MAE), l'erreur quadratique moyenne (MSE) et la racine carrée de l'erreur quadratique moyenne (RMSE) sont proches de zéro pour les quatre méthodes de régression. Les valeurs de F et les p-values des quatre méthodes extraites par PLSR sont toutes suffisamment grandes et inférieures à 0,001, indiquant un niveau hautement significatif. La régression PLSR et BR obtiennent de meilleurs résultats que LASSO et RR. Une explication supplémentaire des coefficients de poids PLSR a permis de clarifier la relation entre les composantes principales et les bandes spectrales clés. Les résultats des tests de régression présentent des coefficients de détermination supérieurs à 0,9 et des p-values inférieures à 0,05, ce qui signifie que le modèle explique la variable dépendante avec une signification statistique élevée et que les erreurs de test sont dans une plage raisonnable. Les résultats montrent que la technologie d'imagerie hyperspectrale peut déterminer de manière non destructive, précise et rapide le temps de formation des fichiers d'impression jet d'encre, pouvant être utilisée pour identifier le temps de formation des fichiers d'impression jet d'encre.

imagerie hyperspectrale; apprentissage automatique; imprimante jet d'encre; temps de formation des fichiers d'impression