Variable selection procedures in near infrared quantitative analysis and classification of textiles
Méthodes de sélection de variables appliquées en spectroscopie proche infrarouge pour l'analyse et la classification de textiles
Résumé
Multivariate analysis methods enable to extract information from spectroscopic data for the prediction of properties of interest. Due to the dimensionality of the data in near infrared spectroscopy, a selection of spectroscopic variables and samples is necessary in order to improve performances, model robustness or to use a simplified instrumentation. Determining the composition of textile is an essential topic due to the wide range of applications. The first study relates to the determination of the cotton content in cotton/polyester and cotton/viscose blend. In order to improve the predictive capacities obtained on the full spectra, two procedures of variable selection, mutual information and the genetic algorithms were applied. The standard error of prediction obtained for the data set cotton/polyester is 2.53% on the 8 variables selected by mutual information. The second part develops the qualitative analysis for the classification of textile samples in three classes according to the physicochemical property of interest. The method of support vector machines has powerful results with a well classified samples rate of 93.2% in prediction. The arbitrary reduction of the number of spectroscopic variables demonstrates that the predictive capacities obtained on the full spectra are not degraded. These results are confirmed by the use of a simplified instrumentation.
Les méthodes d'analyse multivariée permettent d'extraire l'information présente dans les données spectroscopiques expérimentales pour la prédiction d'une propriété d'intérêt. La dimensionnalité des données en spectroscopie proche infrarouge est telle qu'une sélection des variables spectroscopiques et d'échantillons est nécessaire afin d'améliorer les performances, la robustesse des modèles ou de tendre vers une instrumentation simplifiée. L'analyse rapide de la composition chimique des échantillons textiles est fondamentale dans certaines applications. Une première étude concerne la détermination de la teneur en coton dans des mélanges de fibres coton/polyester et coton/viscose par spectroscopie proche infrarouge. Afin d'améliorer les capacités prédictives obtenues sur les spectres complets, deux procédures de sélection de variables, l'information mutuelle et les algorithmes génétiques, ont été appliquées. L'erreur standard de prédiction obtenue pour le lot coton/polyester est de 2,53% sur les 8 variables sélectionnées par l'information mutuelle. Une seconde étude présente l'analyse qualitative pour la classification d'échantillons textiles dans trois classes par rapport à une propriété physico-chimique d'intérêt. La méthode des support vector machine présente des résultats performants avec un taux d'échantillons bien classés en prédiction de 88,8%. La réduction arbitraire du nombre de variables spectroscopiques a permis de montrer que les capacités prédictives obtenues sur les spectres complets ne sont pas dégradées. Ces résultats sont confirmés par l'utilisation d'une instrumentation simplifiée.
Loading...