Process of analyzing organic materials, based on processing of near infrared spectra through advanced methods

Near-infrared spectroscopy is a mature technique continuing to demonstrate steady progress. This is thanks to cutting-edge developments of new handheld spectrometers. These spectrometers can quickly generate a high volume of spectral data, requiring advanced methodologies such as artificial intelligence, big data, and deep learning to decipher the hidden content of the spectral data. This experimental research focuses on a handheld spectrometer based on MEMS technology and its application in various fields. We show that developing NIR models can be challenging upon application. We show the use case of this technology in the healthcare area and the industry (food). Plants and Fruits have been subjected to our research, such as Pothos and orange fruit. Organic powders have also found an application in our research. Furthermore, we extend our experimental research into animal wellness, particularly in dairy cow farms. We used advanced methodologies in specific use cases. We applied 1D-CNN when predicting quantities of content in mixtures of organic powder where a high volume of data was collected or a VAE model to predict water conditions as a health anomaly detection in the Pothos plant. We show spectra analysis and preprocessing approaches to remove signal artifacts. We implement different effective preprocessing methods: scaling methods, spectral derivatives, and the Savitsky Golay filter. We present the results of different data scaling and transformation methods using a convolutional neural network.

La spettroscopia nel vicino infrarosso è una tecnica abbastanza sviluppata che continua a dimostrare progressi costanti. Questo grazie agli sviluppi di nuovi spettrometri miniaturizzati d'avanguardia. Questi spettrometri possono generare rapidamente un volume elevato di dati spettrali, richiedendo metodologie avanzate come intelligenza artificiale, big data e deep learning per decifrare il contenuto nascosto di questi dati spettrali. Questa ricerca sperimentale si concentra su uno spettrometro miniaturizzato basato sulla tecnologia MEMS e sulla sua applicazione in vari campi. Dimostriamo che lo sviluppo di modelli NIR può essere impegnativo a seconda del campo applicativo. Mostriamo il caso d'uso di questa tecnologia nell'area di Healhcare e nell'industria (alimentare). Piante e Frutti sono stati oggetto delle nostre ricerche, come il Pothos e l'arancia. Anche le polveri organiche hanno trovato applicazione nella nostra ricerca. Inoltre, estendiamo la nostra ricerca sperimentale sul benessere degli animali, in particolare negli allevamenti di bovini da latte. Abbiamo utilizzato metodologie avanzate in casi d'uso specifici. Abbiamo applicato 1D-CNN per la previsione delle quantità di contenuto di materiali organici in miscele di polvere organica in cui è stato raccolto un volume elevato di dati o un modello VAE per prevedere le condizioni dell'acqua come rilevamento di un'anomalia del benessere della pianta Pothos. Mostriamo l'analisi degli spettri e gli approcci di preelaborazione per rimuovere gli artefatti del segnale. Implementiamo diversi metodi di preelaborazione efficaci: metodi di ridimensionamento, derivate spettrali e il filtro Savitsky Golay. Presentiamo i risultati di diversi metodi di ridimensionamento e trasformazione dei dati utilizzando una rete neurale convoluzionale.