Tín hiệu NIR liên quan đến dao động và bội âm của các liên kết phân tử. Trong hạt cà phê, những thay đổi về nước, cấu trúc và thành phần sau rang có thể làm phổ thay đổi. Một vùng phổ có thể chứa thông tin chồng lấn của nhiều yếu tố nên thường cần tiền xử lý và mô hình hóa. Điều này giải thích vì sao hai nghiên cứu dùng NIR có thể cho hiệu năng khác nhau. Phổ không phải bảng thành phần trực tiếp; nó là tín hiệu giàu thông tin cần được diễn giải bằng dữ liệu tham chiếu.
Từ phổ đến phân loại
Quy trình thường gồm thu phổ, gán nhãn mức rang, tiền xử lý, giảm chiều hoặc chọn biến và xây mô hình. Nghiên cứu HSI về bảy mức rang cho thấy PCA có thể hỗ trợ khảo sát cấu trúc dữ liệu và chọn bước sóng trước khi xây mô hình phân loại. Dù HSI rộng hơn NIR đơn điểm, nguyên tắc về dữ liệu vẫn tương tự: nhãn phải đáng tin và tập mẫu phải đại diện. Nếu mức rang được gán thiếu nhất quán, mô hình sẽ học cả sai lệch của nhãn.
Tiền xử lý và lựa chọn bước sóng
Phổ chịu ảnh hưởng của tán xạ, kích thước hạt, bề mặt và điều kiện đo. Tiền xử lý có thể giảm một số nguồn biến thiên nhưng không phải càng nhiều càng tốt. Nếu chọn biến và tham số xử lý trên toàn bộ dữ liệu, tập kiểm tra không còn độc lập. Cách đúng là thực hiện lựa chọn trong phần dữ liệu huấn luyện rồi đánh giá cuối cùng trên mẫu chưa tham gia quá trình đó. Mục tiêu là tìm mô hình giữ được hiệu năng khi điều kiện thay đổi trong phạm vi dự kiến.
Khả năng tổng quát hóa
Nguồn gốc, giống, mùa vụ, độ ẩm, kích thước hạt, thiết bị và điều kiện chiếu sáng đều có thể ảnh hưởng phổ. Vì vậy, độ chính xác cao trên một tập mẫu đồng nhất không đồng nghĩa mô hình dùng được cho mọi cà phê. Nghiên cứu mới về cảm biến phổ đa kênh năm 2026 cho thấy thử nghiệm trên các loại cà phê khác nhau là một bước quan trọng để xem mô hình có chuyển giao được không. Phạm vi ứng dụng phải được xác định từ dữ liệu, không mở rộng chỉ vì một chỉ số R² cao.
Ứng dụng và giới hạn
NIR phù hợp cho kiểm tra nhanh và hỗ trợ tự động hóa, nhưng cần chuẩn hóa hình học đo, điều kiện môi trường, cách đặt mẫu và quy trình hiệu chuẩn. Khi nguyên liệu hoặc thiết bị thay đổi, mô hình cần được đánh giá lại. Không nên coi một mô hình phân loại mức rang trong phòng thí nghiệm là bằng chứng rằng NIR luôn xác định đúng chất lượng. Giá trị hợp lý hơn là dùng NIR như phép đo nhanh bổ sung cho màu, dữ liệu quá trình và phương pháp tham chiếu.
Mẫu chuẩn và phạm vi áp dụng
Một mô hình NIR cần tập mẫu có phạm vi biến thiên phù hợp với nơi nó sẽ được sử dụng. Nếu toàn bộ mẫu huấn luyện đến từ một nguồn nguyên liệu, một mùa hoặc một thiết bị, mô hình có thể học đặc điểm riêng của nhóm đó. Khi đưa sang nguồn mới, sai số có thể tăng dù quy trình đo không thay đổi. Vì vậy, mẫu kiểm tra nên được thiết kế để trả lời câu hỏi chuyển giao: mô hình có còn hoạt động khi nguyên liệu, mức rang hoặc thiết bị thay đổi trong phạm vi dự kiến hay không? Nếu chưa có dữ liệu để trả lời, phạm vi tuyên bố phải được giữ hẹp.
NIR không thay thế phép đo tham chiếu
Một mô hình NIR thường cần một phương pháp tham chiếu để tạo nhãn hoặc kiểm tra. Nếu nhãn được tạo bởi một thiết bị có sai số đáng kể, mô hình có thể học gần với sai số của thiết bị tham chiếu. Điều này không làm NIR vô ích, nhưng cần hiểu rằng mô hình đang dự báo đại lượng được định nghĩa bởi quy trình tham chiếu. Khi thay đổi phương pháp tham chiếu, cần đánh giá lại. Trong triển khai thực tế, một số mẫu kiểm tra định kỳ bằng phương pháp tham chiếu có thể giúp phát hiện khi mô hình bắt đầu lệch. Cách kết hợp này thực tế hơn việc coi mô hình NIR là hệ thống độc lập hoàn toàn.
Nhãn mức rang và sai lệch mô hình
Mức rang phải được định nghĩa bằng tiêu chí nhất quán. Nếu một nhóm mẫu được gán nhãn bằng cảm nhận thị giác trong khi nhóm khác dùng thiết bị đo màu, mô hình có thể phải học hai hệ nhãn khác nhau. Ngay cả khi nhãn nhất quán, ranh giới giữa các mức rang vẫn cần được xác định trước. Khi mô hình sai, cần xem sai ở ranh giới nào và liệu lỗi có tập trung ở một nhóm nguyên liệu hay không. Cách phân tích này hữu ích hơn việc chỉ báo một tỷ lệ đúng chung, vì nó cho biết hệ thống có điểm yếu ở đâu và có phù hợp với quyết định cần đưa ra hay không.
Tài liệu tham khảo
- Chu B. et al. (2018). Sensors, 18, 1259. DOI: 10.3390/s18041259.
- Catelani T. A. et al. (2018). Talanta, 179, 292–299. DOI: 10.1016/j.talanta.2017.11.010.
- Sagita D. et al. (2026). Food Chemistry, 503, 147773. DOI: 10.1016/j.foodchem.2025.147773.
An NIR signal relates to vibrations and overtones of molecular bonds. In coffee beans, changes in water, structure, and composition after roasting can shift the spectrum. A spectral region can contain overlapping information from several factors, so preprocessing and modeling are usually needed. This explains why two studies using NIR can show fairly different performance even on a similar-sounding question, since the details of preprocessing and modeling can differ significantly.
From spectrum to classification
The usual pipeline includes spectrum acquisition, roast-level labeling, preprocessing, dimension reduction or variable selection, and model building. An HSI study on seven roast levels showed PCA can support exploring data structure and selecting wavelengths before building a classification model. Although HSI is broader than single-point NIR, the data principles are similar: labels need to be trustworthy and the sample set needs to be representative.
Preprocessing and wavelength selection
Spectra are affected by scattering, particle size, surface, and measurement conditions. Preprocessing can reduce some sources of variation, but more preprocessing isn't always better. If variable selection and processing parameters are chosen using the entire dataset, the test set is no longer independent. The correct approach is performing selection within the training portion, then doing the final evaluation on samples that weren't part of that process.
Generalization ability
Origin, variety, season, moisture, bean size, equipment, and lighting conditions can all affect the spectrum. So high accuracy on one homogeneous sample set doesn't mean the model works for every type of coffee. A 2026 study on multi-channel spectral sensors showed testing across different types of coffee is an important step to see whether a model can generalize beyond the conditions it was built under.
Applications and limits
NIR is suited for quick checks and supporting automation, but requires standardizing measurement geometry, environmental conditions, sample placement, and calibration procedure. When raw material or equipment changes, the model needs to be reassessed. A lab-built roast-level classification model shouldn't be treated as proof that NIR always correctly determines quality. Its practical value lies in a specific, well-defined scope rather than a general claim.
Reference sample and scope of application
An NIR model needs a sample set with variation matching where it will be used. If all training samples come from one raw-material source, one season, or one instrument, the model may learn characteristics specific to that group. When applied to a new source, error can increase even though the measurement procedure hasn't changed. So the test set should be designed to answer the question of whether the model generalizes, not just whether it fits the training data.
NIR doesn't replace a reference measurement
An NIR model usually needs a reference method to create labels or for verification. If labels are created by a device with significant error, the model may learn something close to that reference device's own error. This doesn't make NIR useless, but it needs to be understood that the model is predicting a quantity defined by the reference procedure. When the reference method changes, the model may need retraining or reassessment.
Roast-level labels and model bias
Roast level needs to be defined with consistent criteria. If one group of samples is labeled by visual perception while another uses a color-measuring device, the model may effectively have to learn two different labeling systems. Even with consistent labels, the boundaries between roast levels still need to be defined in advance. When the model makes an error, it's worth checking which boundary the error occurs at and whether errors cluster in a particular region.
References
- Chu B. et al. (2018). Sensors, 18, 1259. DOI: 10.3390/s18041259.
- Catelani T. A. et al. (2018). Talanta, 179, 292–299. DOI: 10.1016/j.talanta.2017.11.010.
- Sagita D. et al. (2026). Food Chemistry, 503, 147773. DOI: 10.1016/j.foodchem.2025.147773.