Este artigo foca o estudo de tecidos de caxemira e misturas de caxemira/lã, assim como algodão puro e algodão mercerizado, utilizando seus espectros "dinâmicos" para ampliar a informação das diferenças espectrais entre classes. Por meio da fusão dos espectros bidimensionais correlacionados síncronos e assíncronos, vários espectros dinâmicos foram combinados para construir uma "imagem química" que reflete diferenças químicas detalhadas. Utilizando o modelo de reconhecimento de imagens baseado em redes neurais profundas GoogLeNet combinado com aprendizado por transferência, foi estabelecido um novo método de classificação espectral. Foram coletadas 234 amostras de tecidos, preparadas com teores de água de 0%, 5,4%, 11,2% e 16,3%, e os espectros de refletância difusa no infravermelho próximo das amostras foram coletados. Usando diversos espectros pré-processados em base seca, juntamente com métodos de classificação lineares como SIMCA e métodos não lineares como máquinas de vetores de suporte (SVM), foram construídos 16 modelos de classificação. As melhores precisões preditivas dos métodos SIMCA e SVM para tecidos de caxemira e misturas de caxemira/lã foram 63,33% e 70,09%, e para algodão puro e algodão mercerizado foram 71,02% e 72,51%, respectivamente, não alcançando uma classificação eficaz. O novo método atingiu precisões preditivas de 92,59% para tecidos de caxemira e misturas de caxemira/lã, e 94,74% para algodão puro e mercerizado, obtendo uma classificação eficaz. Este artigo é o primeiro a aplicar métodos de classificação de imagens à classificação espectral, abrindo um novo caminho de pesquisa. Considerando que as amostras coletadas para aplicações práticas são de pequeno porte e não satisfazem a necessidade de grandes dados para aprendizado profundo, foi utilizado aprendizado por transferência para adaptar a estrutura de aprendizado profundo à classificação espectral (pequenas amostras), fornecendo um exemplo bem-sucedido da aplicação de tecnologias avançadas de inteligência artificial para resolver problemas químicos.

espectroscopia no infravermelho próximo;reconhecimento de padrões;deep learning;aprendizado por transferência