본 논문은 캐시미어 및 캐시미어/양모 혼방 직물과 순면 및 멕시코산 면 직물을 연구 대상으로 하여 이들의 "동적" 스펙트럼을 사용하여 클래스 간 스펙트럼 차이 정보를 확장하였다. 동기 및 비동기 2차원 상관 스펙트럼을 융합하여 여러 동적 스펙트럼으로 세부 화학 차이 정보를 반영할 수 있는 "화학 이미지"를 구성하였다. GoogLeNet 심층 신경망 이미지 인식 모델과 전이 학습을 결합하여 새로운 스펙트럼 분류 방법을 확립하였다. 234개의 직물 샘플을 수집하였고, 수분 함량이 0%, 5.4%, 11.2%, 16.3%인 샘플을 준비하고 동시에 시료의 확산 반사 근적외선 스펙트럼을 수집하였다. 건조 시료 기반의 다양한 전처리 스펙트럼을 사용하여 선형 분류 방법인 독립 소프트 모델 인식(SIMCA)과 비선형 방법인 서포트 벡터 머신(SVM)으로 총 16개의 분류 모델을 구축하였다. 캐시미어 및 캐시미어/양모 혼방 직물의 SIMCA 및 SVM 최적 예측 정확도는 각각 63.33% 및 70.09%, 순면 및 멕시코산 면 직물은 각각 71.02% 및 72.51%로 유효한 분류를 달성하지 못하였다. 새로운 방법은 캐시미어 및 캐시미어/양모 혼방 직물의 예측 정확도가 92.59%, 순면 및 멕시코산 면 직물은 94.74%로 효과적인 분류를 달성하였다. 본 논문은 처음으로 이미지 분류 방법을 스펙트럼 분류 인식에 적용하여 새로운 연구 경로를 개척하였다. 실제 응용에서 수집된 샘플이 소수 표본으로 깊은 학습에 필요한 대규모 데이터 샘플을 만족하지 못하는 문제를 전이 학습으로 해결하여 심층 학습 프레임워크를 스펙트럼 분류(소수 표본)에 적응시켰으며, 인공지능 분야에서 첨단 인식 기술을 화학 문제 해결에 적용한 성공적인 사례를 제시하였다.

근적외선 분광법;패턴 인식;심층 학습;전이 학습