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

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.