Utilizando tecnologia de imageamento hiperespectral combinada com regressão de aprendizado de máquina, foi proposto um método não destrutivo para determinar o tempo de formação de arquivos de impressão por jato de tinta. Foram coletados dados hiperespectrais de amostras impressas durante um período por 9 impressoras jato de tinta de diferentes marcas e modelos. Inicialmente, foi aplicada a análise de componentes principais (PCA) e regressão parcial por mínimos quadrados (PLSR) para extração de características com redução de dimensionalidade dos dados hiperespectrais, e o modelo foi interpretado preliminarmente pela taxa de explicação da redução dimensional de cada componente principal. Em seguida, foram aplicados quatro modelos: regressão LASSO, PLSR, regressão Ridge (RR) e regressão Bayesiana (BR), com uma proporção de 1:4 para definir conjuntos de teste e treinamento para regressão sobre os dados extraídos. Os resultados mostraram que os coeficientes de determinação (R²) para LASSO após extração de características via PLSR, PLAR, RR e BR não foram inferiores a 0,99, e que o erro médio absoluto (MAE), o erro quadrático médio (MSE) e a raiz do erro quadrático médio (RMSE) dos quatro métodos de regressão se aproximaram de zero. Os valores F e p das quatro metodologias de regressão extraídas via PLSR foram suficientemente grandes e inferiores a 0,001, atingindo nível altamente significativo. As regressões PLSR e BR tiveram desempenho superior a LASSO e RR. Além disso, a associação entre componentes principais e bandas espectrais foi explicada por coeficientes de peso PLSR para esclarecer o papel das bandas espectrais críticas. Os resultados dos testes de regressão indicaram coeficientes de determinação superiores a 0,9 e valores p inferiores a 0,05, indicando que o modelo explica significativamente a variável dependente, com erros de teste dentro de uma faixa razoável. Os resultados mostram que a tecnologia de imageamento hiperespectral pode determinar o tempo de formação de arquivos de impressão por jato de tinta de forma não destrutiva, precisa e rápida, podendo ser usada para identificar o tempo de formação de arquivos de impressão por jato de tinta.

imageamento hiperespectral; aprendizado de máquina; impressora jato de tinta; tempo de formação de arquivos de impressão