Este estudo utilizou as técnicas de espectroscopia no infravermelho próximo com transformada de Fourier (FT-NIR), espectroscopia de infravermelho com reflectância total atenuada com transformada de Fourier (ATR-FTIR) e espectroscopia correlacional bidimensional (2DCOS), combinadas com quimiometria e aprendizado profundo para estabelecer modelos discriminativos utilizando análise discriminante por mínimos quadrados parciais (PLS-DA) e rede neural convolucional residual (ResNet) para rastrear rápida e precisamente 221 amostras de frutos de anis-estrelado de 7 principais regiões produtoras. Os resultados indicam que o modelo PLS-DA baseado em dados espectrais ATR-FTIR pré-processados com segunda derivada (2nd) e transformação normal padrão (SNV) apresentou o melhor desempenho (95,31%), sendo que para os dados FT-NIR o melhor pré-processamento foi a segunda derivada. O modelo ResNet baseado em imagens 2DCOS síncronas derivadas de FT-NIR e ATR-FTIR não requer seleção do melhor pré-processamento nem transformações complexas dos dados para alcançar 100% de precisão. Entre esses modelos, o ResNet baseado nas imagens 2DCOS síncronas derivadas dos dados FT-NIR apresentou o menor número de iterações, menor tempo e menor custo. Este estudo fornece um novo método rápido e preciso para identificação de anis-estrelado de diferentes origens geográficas, estabelecendo a base para estudos futuros sobre o sistema de avaliação da qualidade do anis-estrelado.

anis-estrelado; quimiometria; aprendizado de máquina; espectroscopia correlacional bidimensional; origem geográfica