• English
  • Deutsch
  • Log In
    Password Login
    Research Outputs
    Fundings & Projects
    Researchers
    Institutes
    Statistics
Repository logo
Fraunhofer-Gesellschaft
  1. Home
  2. Fraunhofer-Gesellschaft
  3. Artikel
  4. New active learning algorithms for near-infrared spectroscopy in agricultural applications
 
  • Details
  • Full
Options
2021
Journal Article
Title

New active learning algorithms for near-infrared spectroscopy in agricultural applications

Other Title
Neue aktive Lernalgorithmen für die Nahinfrarotspektroskopie in landwirtschaftlichen Anwendungen
Abstract
The selection of training data determines the quality of a chemometric calibration model. In order to cover the entire parameter space of known influencing parameters, an experimental design is usually created. Nevertheless, even with a carefully prepared Design of Experiment (DoE), redundant reference analyses are often performed during the analysis of agricultural products. Because the number of possible reference analyses is usually very limited, the presented active learning approaches are intended to provide a tool for better selection of training samples.

; 

Mit Hilfe von chemometrischen Kalibrierungsmodellen können verschiedene Qualitäts- und Reifeparameter für Agrarprodukte aus Nahinfrarotspektren geschätzt werden. Die verwendeten Trainingsdatenbestimmen dabei die Güte des chemometrischen Kalibrierungsmodells. Für das Training wird deshalb ein Datensatz benötigt, welcher Proben im gesamten Parameterraum beinhaltet. In der Regel wird ein Versuchsplan zur Probennahme erstellt, jedoch können viele Parameter in der Herstellung von Agrarprodukten nicht eingestellt werden. Daher muss in der Regel eine große Menge an Proben gesammelt werden, wobei häufig zahlreiche Proben den Informationsgehalt des Datensatzes nicht erhöhen. Des Weiteren müssen die Qualitäts- und Reifeparameter der Proben im Trainingsdatensatz aufwändig durch chemische Referenzanalysen erstellt werden. Die vorgestellten aktiven Lernansätze dienen einer optimalen Probenauswahl anhand von Nahinfrarotspektren, wodurch sich die Zahl der benötigten Proben den damit verbundenen Referenzanalysen verringert.
Author(s)
Krause, Julius  
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  
Günder, Maurice  
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS  
Schulz, Daniel  
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS  
Gruna, Robin  
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  
Journal
Automatisierungstechnik : AT  
File(s)
Download (597.59 KB)
Rights
Use according to copyright law
DOI
10.1515/auto-2020-0143
10.24406/h-266763
Language
English
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS  
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  
Keyword(s)
  • near infrared spectroscopy

  • Active Learning

  • sample selection

  • Nahinfrarotspektroskopie

  • aktives Lernen

  • Versuchsplanung

  • Cookie settings
  • Imprint
  • Privacy policy
  • Api
  • Contact
© 2024