Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes

F. Chauchard (1) , R. Cogdill (2) , S. Roussel (3) , J.M. Roger (4) , Véronique Bellon Maurel (4)

1 UMR ITAP - Information – Technologies – Analyse Environnementale – Procédés Agricoles
2 Graduate School of Pharmaceutical Sciences
3 Ondalys
4 UMR ITAP - Information – Technologies – Analyse Environnementale – Procédés Agricoles

Un des enjeux majeurs de spectroscopie NIR est le transfert des méthodes développées en laboratoire vers le domaine industriel pour des applications en ligne ou portable. Il apparaît ainsi de nouvelles problématiques telles que la nécessité de robustesse ou, l'aptitude des modèles à prendre en compte les non-linéarités présentes dans les données. Les méthodes semi-paramétrique ont été suggérées comme outils pour compenser ce type de problèmes.Dans cet article, les régressions 'Least-Squared Support Vector Machine (LS-SVM)' sont mis en oeuvre pour la prédir l'acidité de trois différentes variétés de raisins à partir de leur spectre NIR. Les performances sont comparés au modèles utilisant des techniques classiques (PLSR, MLR). Les LS-SVM permettent s'obtenir de meilleures prédictions. Néanmoins un prétraitement par SNV est nécéssaire afin d'améliorer la robustesse des modèles / Nowadays, near infrared (NIR)technology is being transferred from the laboratory to the industrial world for on-line and portable applications. As a result, new issues are arising, such as the need for increased robustness, or the ability to compensate for non-linearities in the calibration or instrument. Semi-parametric modeling has been suggested as a means for adapting to these complications. In this article, Least-Squared Support Vector Machine (LS-SVM) regression, a semi-parametric modeling technique, is used to predict the acidity of three different grape varieties using NIR spectra. The performance and robustness of LS-SVM regression are compared to Partial Least Square Regression (PLSR) and Multivariate Linear Regression (MLR). LS-SVM regression produces more accurate prediction. However SNV pretreatment is required to improve the model robustness

Mots clés: ACIDITE; FRUIT; INFRAROUGE; MODELE; REGRESSION; SPECTROSCOPIE; RAISIN

Domaines: Sciences de l'environnement

F. Chauchard, R. Cogdill, S. Roussel, J.M. Roger, Véronique Bellon Maurel. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes. Chemometrics and Intelligent Laboratory Systems, 2004, 71 (2), p. 141 - p. 150. ⟨10.1016/j.chemolab.2004.01.003⟩. ⟨hal-00450846⟩