用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法

摘要

本发明提供一种自动化模型训练方法，用于训练用于不同的光谱仪的管线，包括：取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪；以及根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。本发明也提供一种自动化模型训练装置。本发明提供自动化模型训练方法和自动化模型训练方法以快速地建立最佳的识别模型，并且使识别模型用于不同的光谱仪。

说明书

技术领域

本发明关于一种光谱仪的技术，且特别是关于一种用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法。

背景技术

光谱仪的应用依赖于用于检测光谱特征之识别模型的优劣，而不同应用所对应的光谱特征也不相同。因此，光谱仪的每一项应用都需要由专家来建立对应的识别模型。专家需要反复地尝试多种前处理模型、机器学习模型及超参数(hyperparameter)的组合，才能产生适合的识别模型，且所产生的识别模型还不一定是最佳的。

另一方面，多个光谱仪之间经常存在差异，且进行光谱测量时，测量结果容易受散射光光程影响。因此，相同的识别模型往往不用于不同的光谱仪，使用者需要分别针对不同的光谱仪进行识别模型的训练或校正。如此，厂商不仅无法大量地生产光谱仪，还需要耗费相当多的成本以维护众多的识别模型。

发明内容

鉴于此，本发明提供一种用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法以快速地建立最佳的识别模型，并且使识别模型用于不同的光谱仪。

本发明的其他目的和优点可以从本发明所公开的技术特征中得到进一步的了解。

为达到上述之一或部分或全部目的或是其他目的，本发明的自动化模型训练方法用于训练用于不同的光谱仪的管线，并且包括：取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪；以及根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。

为达到上述之一或部分或全部目的或是其他目的，本发明的自动化模型训练装置用于训练用于不同的光谱仪的管线，并且包括收发器、处理器以及储存媒体。收发器取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪。储存介质储存多个模块。处理器耦接至收发器和储存媒体，并且存取和执行多个模块，其中多个模块包括训练模块。训练模块根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。

基于上述，本发明能从众多的前处理演算法、机器学习演算法以及超参数的组合之中，自动地挑选出针对特定光谱特征的最佳组合，以产生用于检测该特定光谱特征的识别模型。另一方面，本发明所训练出的管线可用于不同的光谱仪，更可透过测试值预估该管线在不同光谱仪上的表现，可显著地降低了训练以及维护识别模型的成本。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。

附图说明

图1根据本发明的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练装置的示意图。

图2根据本发明的实施例绘示使用自动化模型训练装置训练识别模型的示意图。

图3根据本发明的实施例绘示第一光谱资料以及第二光谱资料的示意图。

图4根据本发明的实施例绘示计算对应于候选识别模型的损失函数的值的示意图。

图5根据本发明的实施例绘示对应于第二候选识别模型的损失函数的值的示意图。

图6根据本发明的实施例绘示第一光谱资料、第二光谱资料以及第三光谱资料的示意图。

图7根据本发明的实施例绘示计算对应于第三候选识别模型的损失函数的值的示意图。

图8根据本发明的实施例绘示对应于第四候选识别模型的损失函数的值的示意图。

图9根据本发明的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练方法的流程图。

附图标记列表

40：自动化模型训练装置

150：处理器

21、510、520、810、820、830：光谱资料

22：管线

23：前处理模型组合

24：机器学习模型

26：识别模型

250：储存媒体

350：收发器

251：取样模块

252：训练模块

253：测试模块

511、521、811、821、831：训练资料

512、522、812、822、832：验证资料

513、523、813、823、833：测试资料

610、920：第一值

620、940：第二值

710、910、930、1100：训练集合

720、1200：验证集合

730、1300：分数

S21、S22、S23、S111、S112：步骤。

具体实施方式

为了使本发明的内容可以被更容易明了，以下特举实施例作为本发明确实能够据以实施的范例。另外，凡可能之处，在附图及实施方式中使用相同标号的元件/构件/步骤，是代表相同或类似部件。有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图的一优选实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的方向用语，例如：上、下、左、右、前或后等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本发明。

图1据本发明的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练装置40的示意图。自动化模型训练装置40用以产生可同时用于多个光谱仪的多个候选识别模型，从而从多个候选识别模型选出最佳者所对应的管线以供使用者使用。自动化模型训练装置40包括处理器150、储存媒体250以及收发器350。

处理器150例如是中央处理单元(central processing unit，CPU)，或是其他可编程之一般用途或特殊用途的微控制单元(micro control unit，MCU)、微处理器(microprocessor)、数字信号处理器(digital signal processor，DSP)、可编程控制器、特殊应用集成电路(application specific integrated circuit，ASIC)、图形处理器(graphics processing unit，GPU)、算数逻辑单元(arithmetic logic unit，ALU)、复杂可编程逻辑装置(complex programmable logic device，CPLD)、现场可编程逻辑门阵列(field programmable gate array，FPGA)或其他类似元件或上述元件的组合。

储存媒体250例如是任何型态的固定式或可移动式的随机存取存储器(randomaccess memory，RAM)、只读存储器(read-only memory，ROM)、快闪存储器(flash memory)、硬盘驱动器(hard disk drive，HDD)、固态驱动器(solid state drive，SSD)或类似元件或上述元件的组合，而用于储存可由处理器150执行的多个模块或各种应用程序。在本实施例中，储存媒体250可储存包括取样模块251、训练模块252以及测试模块253等多个模块，其功能将于后续说明。

收发器350以无线或有线的方式传送及接收信号。收发器350还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。

图2根据本发明的实施例绘示使用自动化模型训练装置40训练识别模型26的示意图。请参照图1和图2，自动化模型训练装置40可通过收发器350取得(例如：自光谱仪)用于训练识别模型26的光谱资料21。储存媒体250中的训练模块252可根据光谱资料21来训练识别模型26。

具体来说，储存媒体250可储存用于对光谱资料21进行前处理的多个前处理模型，其中所述多个前处理模型可关联于例如光滑(smooth)程序、小波(wavelet)程序、基线校正(baseline correction)程序、微分(differentiation)程序、标准化(standardization)程序或随机森林(Random Forest，RF)程序，本发明不限于此。

另一方面，储存媒体250可储存用于训练用于光谱资料21之识别模型的多个机器学习模型，机器学习模型可包括例如回归模型以及分类模型，本发明不限于此。

训练模块252可选出一或多个前处理模型，并且对所述一或多个前处理模型进行排序以产生包括至少一前处理模型的前处理模型组合23。举例来说，训练模块252可选出多个前处理模型以组合出如表1所示的前处理模型组合23的一种态样。由表1可知，依序由光滑程序、小波程序、基线校正程序、微分程序以及标准化程序所组成的态样#1可对应于最小的均方差(mean square error，MSE)，故在本实施例中，态样#1为前处理模型组合23的最佳态样。在其他实施例中，一个态样可包含不同数量的程序，本发明不以此为限制。

表1

此外，训练模块252还可选出一个机器学习模型24。训练模块252可将前处理模型组合23以及机器学习模型24组成管线22。管线22还包括对应于前处理模型组合23的超参数(或超参数组合)以及对应于机器学习模型24的超参数(或超参数组合)等资讯。具体而言，超参数(hyperparameters)组合相关于使用者设定机器学习模型24调整资料变数，例如包含神经网路的层数、损失函数、卷积核心(convolution kernel)的大小、学习率等等。

在决定好管线22的组成之后，在步骤S21中，训练模块252可根据光谱资料21训练候选识别模型。具体来说，训练模块252可将光谱资料21分割为训练集合、验证集合以及测试集合。训练模块252可利用训练集合来训练管线22，由此产生对应于管线22的候选识别模型。训练候选识别模型时所使用的损失函数例如关联于均方差(mean square error，MSE)演算法，但本发明不限于此。

而后，在步骤S22中，训练模块252可利用光谱资料21的验证集合来调整及优化对应于管线22之候选识别模型的超参数(或超参数集合)。训练模块253可根据例如网格式搜寻(Grid search)演算法、排列搜寻(permutation search)演算法、随机搜寻(randomsearching)演算法、贝氏最优化(Bayesian optimization)演算法、遗传演算法(geneticalgorithm)或强化学习(reinforcement learning)演算法等演算法来为候选识别模型决定出最佳超参数(或最佳超参数集合)。

在决定好最佳超参数后，在步骤S23中，训练模块252可利用光谱资料21的测试集合以根据对应于候选识别模型的管线22来判断管线22的表现。在取得管线22的表现后，训练模块252可决定是否选用对应于候选识别模型的管线22所对应的管线，该管线可透过特定的光谱资料训练以输出识别模型26，决定所输出的管线的具体方式将在后面进行描述。举例来说，训练模块252可基于候选识别模型的表现良好(例如：候选识别模型的损失函数的均方差小于一阈值)而决定输出候选识别模型所对应的管线以供使用者使用，该管线可透过特定光谱仪的光谱资料训练以输出识别模型26。

或者，在步骤S23中，训练模块252可选择训练新的候选识别模型，并且从多个由训练模块252所训练的候选识别模型中，选出最佳的候选识别模型所对应的管线，该管线可透过特定的光谱资料训练以输出为识别模型26，决定所输出的管线的具体方式将在后面进行描述。

在训练新的候选识别模型，训练模块252需要先产生新的管线22。举例来说，训练模块252可以根据多个前处理模型的至少其中之一来产生新的前处理模型组合23，并且根据多个机器学习模型的其中之一来产生新的机器学习模型24。据此，训练模块252可利用新的前处理模型组合23以及新的机器学习模型24产生新的管线22。在训练模块252产生了分别对应于不同管线的多个候选识别模型后，训练模块252可响应于一特定候选识别模型的表现优于其他候选识别模型(例如：该特定候选识别模型的损失函数具有最小的值)而选择该特定候选识别模型作为识别模型26。

在一实施例中，训练模块253可根据例如网格式搜寻演算法、排列搜寻演算法、随机搜寻演算法、贝氏最优化演算法、遗传演算法或强化学习演算法等演算法来匹配新的前处理模型组合23以及新的机器学习模型24，由此产生新的管线22，从而根据新的管线22训练出识别模型26。由于管线22的组成具有多种不同的态样，故训练模块252可根据上述的演算法来快速地筛选出管线22的较佳组成，从而降低识别模型26的训练时间。

在另一实施例中，储存媒体250可储存对应于至少一管线的历史管线清单，其中历史管线清单记载了自动化模型训练装置40在过去曾经使用的管线之组成。训练模块252可从历史管线清单中选择出一历史管线来做为新的管线22，从而根据新的管线22训练出识别模型26。换句话说，历史管线清单可帮助训练模块252更快速地找出最佳的管线22。

图3根据本发明的实施例绘示第一光谱资料510以及第二光谱资料520的示意图。图4根据本发明的实施例绘示计算对应于候选识别模型的损失函数的值的示意图。

参照图3和图4。处理器150可通过收发器350取得对应于第一光谱仪的第一光谱资料510以及对应于第二光谱仪的第二光谱资料520。训练模块252可根据第一光谱资料510以及第二光谱资料520训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型，所述候选识别模型例如是由前处理模型组合(例如：如图2所示的前处理模型组合23)以及机器学习模型(例如：如图2所示的机器学习模型24)所组成(例如：如图2所示的管线22)。训练模块252可基于与如图2所示的步骤S21相似的方式来训练出管线。

在一实施例中，取样模块251可产生训练集合和验证集合，藉以根据训练集合和验证集合训练出候选识别模型。为了训练出可同时用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型，取样模块251可使对应于第一光谱仪的第一光谱资料510关联于训练集合和验证集合中的至少一个，并使对应于第二光谱仪的第二光谱资料520关联于训练集合和验证集合中的至少一个。

举例来说，取样模块251可将第一光谱资料510分割成训练资料511、验证资料512以及测试资料513，并将第二光谱资料520分割成训练资料521、验证资料522以及测试资料523。接着，取样模块251可选择将训练资料511作为用于候选识别模型的训练集合，并将验证资料522作为用于候选识别模型的验证集合。训练模块252可根据第一光谱资料510和第二光谱资料520训练出对应于候选识别模型的第一模型。详言之，训练模块252可根据训练资料511训练用于第一光谱仪和第二光谱仪的第一模型。训练模块252还可利用验证资料522对第一模型进行验证以计算出对应于第一模型的损失函数的第一值610。

另一方面，取样模块251可选择将训练资料521作为候选识别模型的训练集合，并将验证资料512作为候选识别模型的验证集合。训练模块252可根据第一光谱资料510和第二光谱资料520训练出对应于候选识别模型的第二模型。详言之，训练模块252可根据训练资料521训练用于第一光谱仪和第二光谱仪的第二模型。训练模块252还可利用验证资料512对第二模型进行验证以计算出对应于第二模型的损失函数的第二值620。

在取得第一值610和第二值620后，训练模块252可根据对应于第一模型的第一值610和对应于第二模型的第二值620判断出候选识别模型所对应的管线的分数。候选识别模型所对应的管线的分数例如是第一值610和第二值620的函数，因此，可由候选识别模型所对应的管线的分数推知出该多个候选识别模型所对应的管线的表现。举例来说，候选识别模型所对应的管线的分数可以是第一值610和第二值620的平均值(即：候选识别模型的损失函数的平均值)，但本发明不限于此。

在一实施例中，若候选识别模型所对应的管线的分数低于一阈值，则自动化模型训练装置40可直接输出该候选识别模型所对应于的管线以供使用者使用。管线在使用上，使用者取得此管线后，可针对特定光谱仪的光谱资料进行训练以获得最终用于特定光谱仪的识别模型，而特定光谱仪的光谱资料相关于取样模块251使用的光谱资料所对应的光谱仪的其中一个。举例而言，第一光谱仪可具有以第一光谱资料训练此管线而获得的识别模型。

在一实施例中，在训练模块252根据第一值610和第二值620判断候选识别模型所对应的管线的分数后，训练模块252可根据第一光谱资料510和第二光谱资料520训练新的候选识别模型，并且计算出对应的分数。在取得分别对应于多个候选识别模型的多个分数后，训练模块252可挑选出具有较低的分数的至少一个候选识别模型所对应的管线以供使用者所使用。

在一实施例中，在训练模块252取得管线后，训练模块252可利用训练资料511对识别模型进行训练。测试模块253可利用测试资料513计算对应于由训练资料511所训练之识别模型的损失函数的第一测试值，并且利用测试资料523计算出对应于由训练资料511所训练之识别模型的损失函数的第二测试值。

另一方面，训练模块252可利用训练资料521对管线进行训练。测试模块253可利用测试资料513计算对应于由训练资料521所训练之识别模型的损失函数的第三测试值，并且还利用测试资料523计算出对应于由训练资料521所训练之识别模型的损失函数的第四测试值。训练模块252可将第一测试值、第二测试值、第三测试值以及第四测试值输出给使用者，如表2所示。使用者可根据第一测试值、第二测试值、第三测试值以及第四测试值中的至少其中之一来评估由训练资料511和训练资料521所训练之识别模型的表现，特别是管线针对不同光谱仪的表现。

表2

图5根据本发明的实施例绘示另一对应于第二候选识别模型的损失函数的值的示意图。参考图3和图5。训练模块252可根据第一光谱资料510以及第二光谱资料520训练出用于第一光谱仪以及第二光谱仪的管线，其中该管线对应于第二候选识别模型。

在一实施例中，取样模块251可将训练资料511和训练资料521组合成用于第二候选识别模型的训练集合710。取样模块251还可将验证资料512和验证资料522组合成用于第二候选识别模型的验证集合720。训练模块252可根据训练集合710训练是用于第一光谱仪和第二光谱仪的第二候选识别模型，并且利用验证集合720对第二候选识别模型进行验证以调整第二候选识别模型的超参数，并且计算出对应于第二候选识别模型所对应的管线的分数730，其中分数730例如是损失函数的函数值。

在一实施例中，若第二候选识别模型的损失函数的分数730低于一阈值，则自动化模型训练装置40可直接输出该第二候选识别模型以作为使用者所使用的识别模型。

在一实施例中，训练模块252可根据第一光谱资料510以及第二光谱资料520训练出新的第二候选识别模型，并且计算对应的分数。在取得分别对应于多个第二候选识别模型的多个分数后，训练模块252可挑选出具有较低的分数的第二候选识别模型所对应的管线以供使用者所使用。

本发明的自动化模型训练装置40还可以用来训练用于超过两个光谱仪的识别模型。图6根据本发明的实施例绘示第一光谱资料810、第二光谱资料820以及第三光谱资料830的示意图。图7根据本发明的实施例绘示计算对应于第三候选识别模型的损失函数的值的示意图。

参照图6和图7。处理器150可通过收发器350取得对应于第一光谱仪的第一光谱资料810、对应于第二光谱仪的第二光谱资料820以及对应于第三光谱仪的第三光谱资料830。

训练模块252可根据第一光谱资料810、第二光谱资料820以及第三光谱资料820训练出用于第一光谱仪、第二光谱仪以集以及的管线，管线对应于至少一个第三候选识别模型，其中所述第三候选识别模型例如是由前处理模型组合(例如：如图2所示的前处理模型组合23)以及机器学习模型(例如：如图2所示的机器学习模型24)所组成的(例如：如图2所示的管线22)。训练模块252可基于与如图2所示的步骤S21相似的方式来训练出第三候选识别模型。

在一实施例中，取样模块251可产生训练集合和验证集合，藉以根据训练集合和验证集合训练出第三候选识别模型。为了训练出可同时用于第一光谱仪、第二光谱仪以及第三光谱仪的候选识别模型，取样模块251可使对应于第一光谱仪的第一光谱资料810关联于训练集合和验证集合中的至少一个，使对应于第二光谱仪的第二光谱资料820关联于训练集合和验证集合中的至少一个，并使应于第三光谱仪的第三光谱资料820关联于训练集合和验证集合中的至少一个。

举例来说，取样模块251可将第一光谱资料810分割成训练资料811、验证资料812以及测试资料813，将第二光谱资料820分割成训练资料821、验证资料822以及测试资料823，并将第三光谱资料830分割成训练资料831、验证资料832以及测试资料833。

取样模块251可选择将训练资料811以及训练资料831组合成用于第三候选识别模型的训练集合910，并将验证资料822作为用于第三候选识别模型的验证集合。训练模块252可根据第一光谱资料810、第二光谱资料820和第三光谱资料830训练出对应于第三候选识别模型的第一模型。详言之，训练模块252可根据训练集合910训练用于第一光谱仪、第二光谱仪和第三光谱仪的第一模型。训练模块252还可利用验证资料822对第一模型进行验证以计算出对应于第一模型的损失函数的第一值920。

另一方面，取样模块251可选择将训练资料821以及训练资料831组合成用于第三候选识别模型的训练集合930，并将验证资料812作为用于第三候选识别模型的验证集合。训练模块252可根据第一光谱资料510、第二光谱资料820和第三光谱资料830训练出对应于第三候选识别模型的第二模型。详言之，训练模块252可根据训练集合930训练用于第一光谱仪、第二光谱仪和第三光谱仪的第二模型。训练模块252还可利用验证资料812对第二模型进行验证以计算出对应于第二模型的损失函数的第二值940。

在取得第一值920和第二值940后，训练模块252可根据对应于第一模型的第一值920和对应于第二模型的第二值940判断出第三候选识别模型所对应的管线的分数。

第三候选识别模型所对应的管线的分数例如是第一值920和第二值940的函数。举例来说，第三候选识别模型所对应的管线的分数可以是第一值920和第二值940的平均值(即：第三候选识别模型的损失函数的平均值)，但本发明不限于此。

在一实施例中，若第三候选识别模型所对应的管线的分数低于一阈值，则自动化模型训练装置40可直接输出该第三候选识别模型对应的管线以供使用者所使用。

在一实施例中，在训练模块252根据第一值920和第二值940判断第三候选识别模型所对应的管线的分数后，训练模块252可根据第一光谱资料810、第二光谱资料820以及第三光谱资料830训练新的第三候选识别模型，并且计算出对应的分数。在取得分别对应于多个第三候选识别模型的多个分数后，训练模块252可挑选出具有较低的分数的至少一个第三候选识别模型所对应的管线以供使用者所使用。

在一实施例中，在训练模块252取得管线后，训练模块252可利用训练资料811对管线进行训练。测试模块253可利用测试资料813计算对应于由训练资料811所训练之识别模型的损失函数的第一测试值，利用测试资料823计算出对应于由训练资料811所训练之识别模型的损失函数的第二测试值，并利用测试资料833计算出对应于由训练资料811所训练之识别模型的损失函数的第三测试值。

此外，训练模块252可利用训练资料821对管线进行训练。测试模块253可利用测试资料813计算对应于由训练资料821所训练之识别模型的损失函数的第四测试值，利用测试资料823计算出对应于由训练资料821所训练之识别模型的损失函数的第五测试值，并利用测试资料833计算出对应于由训练资料821所训练之识别模型的损失函数的第六测试值。

再者，训练模块252可利用训练资料831对管线进行训练。测试模块253可利用测试资料813计算对应于由训练资料831所训练之识别模型的损失函数的第七测试值，利用测试资料823计算出对应于由训练资料831所训练之识别模型的损失函数的第八测试值，并利用测试资料833计算出对应于由训练资料831所训练之识别模型的损失函数的第九测试值。测试模块253可将第一测试值至第九测试值输出给使用者，如表3所示。使用者可根据第一测试值至第九测试值中的至少其中之一来评估由训练资料811、训练资料821和训练资料831所训练之识别模型的表现，特别是管线针对不同光谱仪的表现。

表3

图8根据本发明的实施例绘示对应于第四候选识别模型的损失函数的值的示意图。参考图6和图8。训练模块252可根据第一光谱资料810、第二光谱资料820以及第三光谱资料830训练出用于第一光谱仪、第二光谱仪以及第三光谱仪的管线，管线对应于第四候选识别模型。

在一实施例中，取样模块251可将训练资料811和训练资料821组合成用于第四候选识别模型的训练集合1100。取样模块251还可将训练资料831和验证资料832组合成用于第四候选识别模型的验证集合1200。训练模块252可根据训练集合1100训练用于第一光谱仪、第二光谱仪和第三光谱的管线，其中该管线对应于第四候选识别模型，并且利用验证集合1200对第四候选识别模型进行验证以计算出对应于第四候选识别模型所对应的管线的分数1300，其中分数1300例如是损失函数的函数值。

在一实施例中，若第四候选识别模型的损失函数的分数1300低于一阈值，则自动化模型训练装置40可直接输出该第四候选识别模型所对应的管线以供使用者所使用。

在一实施例中，训练模块252可根据第一光谱资料810、第二光谱资料820以及第三光谱资料830训练出新的第四候选识别模型，并且计算对应的分数。在取得分别对应于多个第四候选识别模型的多个分数后，训练模块252可挑选出具有较低的分数的第四候选识别模型所对应的管线以供使用者所使用。

图9根据本发明的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练方法的流程图，其中所述自动化模型训练方法可由如图1所示的自动化模型训练装置40实施。在步骤S111中，取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪。在步骤S112中，根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。

综上所述，本发明能从众多的前处理演算法、机器学习演算法以及超参数的组合之中，自动地挑选出针对特定光谱特征的最佳组合，以产生用于检测该特定光谱特征的识别模型。另一方面，本发明所训练出的管线可用于不同的光谱仪，更可透过测试值预估该管线在不同光谱仪上的表现，可显著地降低了训练以及维护识别模型的成本。

以上所述，仅为本发明的优选实施例而已，不能以此限定本发明实施的范围，即凡是依照本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。另外本发明的任一实施例或权利要求不须达到本发明所公开的全部目的或优点或特点。此外，说明书摘要和发明名称仅是用来辅助专利文件检索之用，并非用来限制本发明的权利范围。此外，本说明书或权利要求书中提及的“第一”、“第二”等用语仅用以命名元件(element)的名称或区别不同实施例或范围，而并非用来限制元件数量上的上限或下限。