Utilizando tecnología de imagen hiperespectral combinada con regresión de aprendizaje automático, se propuso un método no destructivo para determinar el tiempo de formación de archivos de impresión por chorro de tinta. Se recopilaron datos hiperespectrales de muestras impresas durante un período de tiempo con 9 impresoras de inyección de tinta de diferentes marcas y modelos. Primero, se utilizó análisis de componentes principales (PCA) y regresión por mínimos cuadrados parciales (PLSR) para extraer características con reducción de dimensionalidad de los datos hiperespectrales, y el modelo se interpretó preliminarmente mediante la tasa de explicación de la reducción dimensional de cada componente principal. Posteriormente, se aplicaron cuatro modelos: regresión LASSO, PLSR, regresión Ridge (RR) y regresión Bayesiana (BR), con una proporción de 1:4 para determinar los conjuntos de prueba y entrenamiento y realizar regresión sobre los datos extraídos. Los resultados mostraron que los coeficientes de determinación (R²) para LASSO después de la extracción de características mediante PLSR, PLAR, RR y BR no fueron inferiores a 0.99, y los errores absolutos medios (MAE), errores cuadráticos medios (MSE) y errores cuadráticos medios de la raíz (RMSE) para los cuatro métodos de regresión se acercaron a cero. Los valores F y los valores p para los cuatro métodos de regresión extraídos mediante PLSR fueron suficientemente grandes y menores que 0.001, alcanzando un nivel altamente significativo. La regresión PLSR y BR tuvieron un mejor rendimiento que LASSO y RR. Además, se explicó la asociación entre las componentes principales y las bandas espectrales mediante los coeficientes de peso PLSR para aclarar la función de las bandas espectrales clave. Los resultados de la prueba de regresión mostraron que los coeficientes de determinación R² fueron mayores a 0.9 y los valores p de significancia fueron menores a 0.05, indicando que el modelo explica significativamente la variable dependiente y que el error de prueba está dentro de un rango razonable. Los resultados muestran que la tecnología de imagen hiperespectral puede determinar el tiempo de formación de archivos de impresión por chorro de tinta de manera no destructiva, precisa y rápida, lo que puede usarse para la identificación del tiempo de formación de archivos de impresión por inyección de tinta.

imagen hiperespectral; aprendizaje automático; impresora de inyección de tinta; tiempo de formación de archivos de impresión