화학계량학적 전처리가 과일 품질 예측을 위한 근적외선 분광 모델의 성능에 부정적인 영향을 미칠 수 있다.

스펙트럼 데이터의 화학계량학적 전처리는 신선한 과일 품질과 관련된 근적외선(NIR) 모델의 예측 성능을 향상시키기 위해 광범위하게 수행된다. NIR 데이터 분석 영역에서의 전처리 접근법은 산란 효과를 제거하여 화학적 성질과 관련된 흡수 성분을 향상시키는 데 사용된다. 그러나 신선한 과일의 경우, 산란 및 흡수 특성 모두가 주요 관심사로, 이들이 함께 과일의 물리화학적 상태를 설명하기 때문이다. 따라서 스펙트럼에서 산란 정보를 줄이는 전처리 데이터는 성능이 떨어지는 모델로 이어질 수 있다. 본 연구의 목표는 NIR 스펙트럼의 신선한 과일에 대한 전처리의 영향을 탐구하기 위해 두 가지 가설을 시험하는 것이다. 첫 번째 가설은 산란 보정 기술로 NIR 스펙트럼을 전처리하면 모델의 예측 성능이 감소할 수 있다는 것이다. 왜냐하면 산란 보정이 관심 있는 특성과 상관된 유용한 산란 정보를 줄일 수 있기 때문이다. 두 번째 가설은 딥러닝(DL)이 부분 최소 제곱(PLS) 회귀 분석보다 원시 흡수 데이터(산란과 흡수의 혼합)를 훨씬 더 효율적으로 모델링할 수 있다는 것이다. 가설을 테스트하기 위해 망고 과일의 건물질(DM) 예측과 관련된 실제 NIR 데이터 세트를 사용하였다. 데이터 세트는 모델 훈련 및 독립 테스트를 위한 총 11,420개의 NIR 스펙트럼과 참조 DM 측정값으로 구성되었다. 탐구된 화학계량학적 전처리 방법은 표준 정규 변량(SNV), 정규화를 위한 변량 정렬(VSN), Savitzky-Golay 기반의 2차 도함수 및 이들의 조합이었다. 추가로 PLS 회귀와 DL이라는 두 가지 모델링 접근법을 사용하여 전처리의 영향을 평가하였다. 결과는 PLS 모델과 DL 모델 모두에 대해 원시 흡수 데이터를 사용했을 때 가장 낮은 평균 제곱 오차(RMSEP)가 얻어졌음을 보여주었다. 일반적으로 스펙트럼 전처리는 PLS 모델과 DL 모델 모두의 성능을 감소시켰다. 더욱이, DL 모델은 원시 흡수 데이터에서 PLS 회귀보다 13% 낮은 0.76%의 낮은 RMSEP를 달성하였다. 신선한 과일과 관련된 NIR 데이터를 분석할 때 전처리 접근법은 신중하게 사용해야 한다.