Este artículo se centra en el estudio de tejidos de cachemira y mezclas de cachemira/lana, así como algodón puro y algodón mercerizado, utilizando sus espectros "dinámicos" para ampliar la información sobre las diferencias espectrales entre clases. Al fusionar espectros correlacionados bidimensionales sincrónicos y asincrónicos, se construye una "imagen química" mediante múltiples espectros dinámicos que refleja diferencias químicas detalladas. Utilizando el modelo de reconocimiento de imágenes basado en redes neuronales profundas GoogLeNet combinado con aprendizaje por transferencia, se estableció un nuevo método de clasificación espectral. Se recolectaron 234 muestras de tejidos, con contenidos de agua del 0%, 5.4%, 11.2% y 16.3%, y se obtuvieron espectros de infrarrojo cercano de reflexión difusa de las muestras. Utilizando espectros preprocesados en base seca y métodos de clasificación lineales como SIMCA y no lineales como SVM, se construyeron 16 modelos. Las mejores precisiones predictivas de SIMCA y SVM para los tejidos de cachemira y mezcla de cachemira/lana fueron del 63.33% y 70.09%, respectivamente, y para algodón puro y algodón mercerizado 71.02% y 72.51%, sin lograr una clasificación efectiva. El nuevo método alcanzó precisiones predictivas de 92.59% para los tejidos de cachemira y mezcla de cachemira/lana, y 94.74% para algodón puro y mercerizado, logrando una clasificación efectiva. Este artículo es el primero en aplicar un método de clasificación de imágenes a la clasificación espectral, abriendo una nueva vía de investigación. Debido a que las muestras recolectadas para aplicaciones prácticas son de pequeño tamaño y no satisfacen la necesidad de grandes datos para el aprendizaje profundo, se utilizó el aprendizaje por transferencia para adaptar el marco de aprendizaje profundo a la clasificación espectral (muestras pequeñas), proporcionando un ejemplo exitoso de la aplicación de tecnologías avanzadas de inteligencia artificial para resolver problemas químicos.

espectroscopía de infrarrojo cercano;reconocimiento de patrones;aprendizaje profundo;aprendizaje por transferencia