Cet article porte sur l'étude des tissus en cachemire, des mélanges cachemire/laine ainsi que du coton brut et du coton mercerisé, en utilisant leurs spectres "dynamiques" pour élargir l'information sur les différences spectrales inter-classes. En fusionnant les spectres corrélés bi-dimensionnels synchrones et asynchrones, plusieurs spectres dynamiques sont combinés pour construire une "image chimique" reflétant les différences chimiques détaillées. En utilisant le modèle de reconnaissance d'images par réseau neuronal profond GoogLeNet combiné à l'apprentissage par transfert, une nouvelle méthode de classification spectrale a été établie. 234 échantillons de tissus ont été collectés, avec des contenus en eau de 0%, 5,4%, 11,2% et 16,3%, et leurs spectres proches infrarouges à réflexion diffuse ont été acquis. À partir des spectres prétraités à sec, et en utilisant des méthodes de classification linéaires (SIMCA) et non linéaires (SVM), 16 modèles ont été construits. Les meilleurs taux de prédiction SIMCA et SVM pour le cachemire et les tissus mélangés cachemire/laine étaient respectivement de 63,33% et 70,09%, et pour le coton brut et le coton mercerisé de 71,02% et 72,51%, ce qui n'a pas permis une classification efficace. La nouvelle méthode a atteint des taux de prédiction de 92,59% pour le cachemire et cachemire/laine, et de 94,74% pour le coton brut et mercerisé, obtenant une classification efficace. Cet article est le premier à appliquer la classification d'images à la classification spectrale, ouvrant une nouvelle voie de recherche. En raison du petit nombre d'échantillons collectés en application pratique, ne répondant pas aux besoins de l'apprentissage profond en données volumineuses, l'utilisation de l'apprentissage par transfert a adapté le cadre d'apprentissage profond à la classification spectrale (petits échantillons), fournissant une démonstration réussie de l'application des technologies avancées d'IA à la résolution de problèmes chimiques.

spectroscopie proche infrarouge;reconnaissance de motifs;apprentissage profond;apprentissage par transfert