В статье исследуются кашемировые и кашемирово-шерстяные смеси, а также чистый хлопок и пряденый хлопок с использованием их "динамических" спектров для расширения информации о спектральных различиях между классами. Путем объединения синхронных и асинхронных двумерных корреляционных спектров строится "химическое изображение", отражающее детальные химические различия. С использованием модели глубокого нейронного распознавания изображений GoogLeNet и переноса обучения разработан новый метод спектральной классификации. Собрано 234 образца тканей с влажностью 0%, 5.4%, 11.2% и 16.3%, при этом собирался диффузно отраженный ИК-спектр образцов. С использованием различных предварительных обработок спектров на сухой основе и методов линейной классификации (SIMCA) и нелинейной поддержки векторных машин (SVM) было построено 16 моделей классификации. Лучшие предсказательные точности SIMCA и SVM для кашемировых и кашемирово-шерстяных тканей составили 63.33% и 70.09%, а для чистого и пряденого хлопка — 71.02% и 72.51% соответственно, что не позволило эффективно классифицировать. Новый метод достиг точности прогноза 92.59% для кашемировых и кашемирово-шерстяных тканей и 94.74% для хлопка и пряденого хлопка, обеспечив эффективную классификацию. Впервые метод классификации изображений применен для спектральной классификации, открывая новое направление исследований. Учитывая, что практические образцы малы и не удовлетворяют требованиям больших данных для глубокого обучения, использование переноса обучения позволило адаптировать глубокую обучающую систему к спектральной классификации (малые выборки), что является успешным примером применения передовых технологий искусственного интеллекта для решения химических задач.

ближний инфракрасный спектр;распознавание образцов;глубокое обучение;перенос обучения