Для создания портативного метода быстрого распознавания 3D-печатных материалов с использованием рамановской спектроскопии было собрано 100 образцов материалов 3D-печати и построено 120 кандидатных процессов предварительной обработки с использованием методов сглаживания Савитцкого-Голея (SG), асимметричных наименьших квадратов (AsLS) и др. Эти процессы были объединены с 11 традиционными классификаторами машинного обучения и глубокого обучения. Отбор моделей и оценка их обобщающей способности выполнялись с помощью вложенной стратифицированной кросс-валидации с независимыми образцами в качестве групп. Результаты показали, что лучшим решением для трехклассовой классификации материалов является сочетание SG сглаживания, коррекции базовой линии AsLS и нормализации Min-Max с применением спектрального трансформера, с точностью 88,0%, при этом акрилонитрил-бутадиен-стирольный сополимер (ABS) содержит всего 4 независимых образца, что делает показатели класса очень чувствительными к единичным ошибкам. Классификация брендов гликоль-модифицированного полиэтилентерефталата (PETG) в качестве исследовательской проверки второго уровня показала, что лучшим решением стал SG сглаживание, первая производная и стандартная нормальная переменная (SNV) в сочетании с многослойным перцептроном (MLP), с точностью 88,9%. При предварительной оптимизации времени интеграции для одного представительного образца каждого из трех материалов средний корреляционный коэффициент спектра при 9 с составил 0,995; среднее косинусное сходство повторных измерений фиксированной точки одного образца PETG составляло 0,994. Этот метод можно использовать для последующего химического скрининга и сравнений источников образцов, предварительно отфильтрованных на месте как подозрительные 3D-печатные доказательства, обеспечивая техническую поддержку быстрой классификации доказательств на месте преступления.

3D-печатные материалы;портативная рамановская спектроскопия;иерархическая классификация;вложенная перекрестная проверка;экспертиза доказательств