基于近红外技术的纺织品纤维快速鉴别研究

文/季惠 谈敏 耿倩 李佳璐 高明真 刘蛟 于美慧 周成凤

1 引言

纺织纤维成分鉴别是纤维定量分析的基础，是政府监管、工厂企业进行质量监控非常重要的一项指标[1]。目前鉴别纤维[2]的方法主要包括感官鉴别法、显微镜鉴别法、燃烧法、化学溶解法、药品着色法、熔点法、密度法、双折射法等。此外，也可以根据纤维分子结构鉴别纤维，如X射线衍射法[3]及红外线吸收光谱法[4]等。以上方法虽然能够有效鉴别纺织品的成分，但是缺点明显，包括操作复杂、检测周期长、受环境制约强、人为因素影响大、检测成本较高、需破坏样品等。

近年来，快速、无损鉴别纺织纤维的技术研究主要包括近红外光谱技术、中红外光谱技术、拉曼光谱技术[5]和图像识别技术4种快速、简单、不破坏样品而又环保的分析方法。

近红外光[6]是一种介于红外光和可见光之间的波段为780nm～2526nm的电磁波，兼具可见光光谱信息和红外光谱分析丰富的优点。近红外技术的工作原理是根据不同物质在近红外光谱谱段的信息[7]，进而对其进行定性，而后应用到所有的含氢基团的相关样品的物理化学分析中；分析过程简单，无需前期处理，能够全面反映物质信息；能够光纤传输，因其波长短，不被玻璃和石英吸收，因而能制成玻璃或者石英光纤进行信号传输，实现在线分析；不破坏样品，绿色环保，近红外光谱分析只需要得到样品的近红外光信号，对样品只需简单的预处理甚至不需要预处理，不用破坏原样本，不影响样品的继续正常使用，生产过程也不会产生污染。近红外光谱分析（NIR）是一种间接分析技术，需要利用常规分析方法获得样品的组分或性质的基本数据，再运用化学计量法[8]建立模型，实现对未知样品的定性或定量分析[9]。

近红外光谱分析技术在纺织纤维鉴别方面，已有较多的研究，并取得了较好的进展。袁洪福、柴金朝、王戈、Y Langeron、吴桂芳、耿响[10]等都基于近红外并结合其他方法对纺织纤维鉴别进行了研究，且取得了很好的成果，但是也都存在着一些问题。例如利用某些方法建模后对异常样品较为敏感；建模样品必须有代表性且准确度要求高；建模样品数量要求很高等。因此，本文主要探讨了近红外光谱分析技术在纯纺纺织品检测中的应用，对纯纺纺织品可进行快速、高效、无损的鉴别。

2 试验部分

2.1 试验材料

试验原料来自日常收集的纯纺棉、涤纶、锦纶、羊毛纺织品，样品全部经过洗涤并烘干备用。共收集棉织物50个、涤纶织物32个、锦纶织物29个、羊毛织物21个用于建模。另外， 4个混纺纺织品用于模型的验证。

2.2 光谱采集

本研究使用Perkin Elmer Frontier近红外光谱仪，使用漫反射方式对样品进行近红外光谱扫描，光谱扫描分辨率为2cm-1，对同一样品扫描32次取平均得到一个样品的近红外光谱图。

具体光谱采集步骤如下：

将0.2cm～1cm厚度的样品织物放置在近红外光谱仪光谱采集窗口，并且将固定重量的砝码置于样品之上以保证样品具有相对均匀的密度，最后进行光谱扫描。扫描完成后标注每件样品的详细信息，包括成分含量、成型方法、颜色、所测部位等，便于后续的查找筛选。由于一些外部因素会造成光谱的不准确性，在建模之前要进行光谱预处理，即剔除异常值。通过分析光谱，对比相同成分的样品光谱，将一些异常光谱去除以便后期建模。

2.3 SIMCA模型构建

本文中建模用到的方法是SIMCA模式识别法。在本研究中，SIMCA模式识别法首先针对每一类样品的光谱数据矩阵进行主成分分析，建立主成分回归类模型，然后依据该模型对未知样品进行分类，即将未知样本与各样本的类模型分别进行拟合，以确定未知样本类别。

本研究对棉、涤、锦、羊毛随机挑选了部分样品组成训练集，其余作为验证集，用来验证样品的可靠性。分组情况如表1所示。

表1 试验样品及分组

3 结果与讨论

3.1 样品近红外光谱分析

4种纯纺织物的近红外光谱图如图1所示。图1表明，4种纯纺织物的近红外光谱图具有较大的差异，证明其具有较好的近红外建模基础。为了消除机械噪音带来的影响，我们对光谱进行了一阶导数处理，所得结果图2所示，经一阶导数预处理后的光谱曲线消除了基线噪音带来的误差，进一步提高了建模精度。

图1 6种织物样本原光谱图

图2 经一阶导数处理后6种织物样本的光谱图

3.2 近红外光谱分类模型的建立与训练

本研究使用SIMCA法对样品进行了分类模型的构建。由于建立模型所选的校正集样品光谱差异显著（见图1），其分类模型的校正模型结果较好，模型内部验证的识别率和拒绝率均达到了100%。但由于校正模型主要采用内部验证手段，易出现过拟合现象。因此，研究过程中选择了28个样品（表1）进行外部验证工作，通过外部验证的方式来评价模型的实际鉴别能力，外部验证采用验证通过率作为评价指标。图3表明，未经优化的模型虽然具有较高的内部识别率和拒绝率，但其对外部样品的验证通过率较低，仅为75%，预测能力尚需进一步提高。

为了提高模型的精确性，研究过程中对建模参数进行了多次调整和优化，而各阶段的参数如表2所示，主要对波段区间和光谱预处理方法进行多次优选，最终优选出最佳建模参数。对于波段区间的选择，通过图1可知，所有样品在10000 cm-1～7000cm-1波段区间内，并没有显著的特征峰出现，通过对比原始光谱图和一阶导数光谱图（图1和图2），经比较选择不同波段分析，结果显示7000cm-1～5000cm-1波长范围的识别率最佳。对于光谱预处理手段，主要采用了一阶导数处理，以调整光谱基线，消除光谱的噪声。图3为识别率、拒绝率及验证通过率随优化过程的变化趋势，由验证结果通过率可知，随着所建模型的逐步优化，验证通过率在逐步提高，由最初的75%逐渐提高到96%，达到了精确识别的目的。

表2 优化过程参数列表

图3 识别率、拒绝率及验证通过率随优化过程的变化趋势

使用表2的最佳参数对4种样品进行近红外建模的结果如表3所示。由表3可知，经优化后的模型可对4种样品进行较好的内部识别工作，识别率为100%，拒绝率为99%。

表3 分类校正模型结果

3.3 模型验证

最终，将表1所选的棉、涤纶、锦纶、羊毛和混纺织物样品组成的验证集使用建立的模型进行验证工作，以确定模型的实际预测能力，验证结果如表4所示。

表4 验证结果

验证结果表明，所建立的模型对棉纤维的识别率为90%，其他纤维的验证准确率为100%，说明所建立的预测模型可以对上述纤维的纯纺纺织品进行快速准确的鉴别，鉴别准确率在90%以上。不过，本次试验尚存在一些问题：样品量较少且种类不足，需在以后的研究中加以改进。前期研究曾对腈纶、桑蚕丝也相应地建立了模型，但是由于样品量过少，数据不具有代表性，所以不将结果列入本文结论中。

3.4 近红外光谱法的优势分析

纺织纤维的鉴别对于商品检验和废旧纺织品回收均具有较大的指导意义。但迄今尚未有全面和标准的纺织品纤维鉴别方法。本研究发现，使用近红外光谱法可对不同化学组成的纺织纤维进行精确的鉴别工作。同时经文献调研与分析，近红外光谱法还具有其他的优势，近红外光谱法与其他传统鉴别方法的比较如表所示[11]。由表5可知，近红外光谱法具有无损、快速、准确且鉴别范围广的特点，是一种具有较大潜力和优势的纺织纤维鉴别方法。近红外光谱法的建模研究工作对纺织纤维鉴别的发展有重要的意义。

表5 近红外光谱法与其他鉴别方法的比较

4 结论

本文对棉、涤纶、锦纶、羊毛等纯纺织物进行近红外光谱扫描，使用SIMCA方法对样品建立了预测模型。试验证明近红外光谱法对纤维鉴别具有识别准确率高、自动化程度强、识别方法可扩充和适用范围广等优点，所建立模型对棉、涤纶、锦纶和羊毛的纯纺纺织品识别率均高于90%。但是研究仍存在一些不足有待后续改进，后续研究将继续增大样品数量，以期建立更为广泛全面的纺织品纤维识别模型。