近红外光谱技术在二组分混纺面料纤维成分含量快检中的应用

郭雪松 商 琳 张卓姝

(1. 杭州职业技术学院，杭州 310018；2.杭州服装职业高级中学，杭州 310016)



近红外光谱技术在二组分混纺面料纤维成分含量快检中的应用

郭雪松1商 琳2张卓姝2

(1. 杭州职业技术学院，杭州 310018；2.杭州服装职业高级中学，杭州 310016)

研究利用近红外漫反射光谱分析技术针对常见二组分混纺面料棉涤、棉氨、氨涤等纤维成分含量快速检测进行研究，采用偏最小二乘法算法建立定量分析模型，从采谱方式、预处理方法、波段选择、主因子选择、分段建模等方面提高模型的准确度，以模型的关键评价参数交互检验标准偏差SECV、模型预测标准偏差SEP及模型分辨能力指标RPDC作为指标，选择最优化模型参数，得到棉涤模型的预测平均偏差小于1.5%。棉氨模型的预测平均偏差小于0.7%、氨涤模型的预测平均偏差小于1.2%，可为纺织品成分快速检测提供参考。

近红外 二组分混纺 成分含量 纺织品

几乎所有国家为保护消费者的合法权益，都颁布法令或者标准，规定销售的纺织品上必须标注纺织原料成分标签。我国的强制性国家标准GB 5296.4-1998《消费品使用说明 纺织品和服装使用说明》中规定纺织服装产品应在其标签上标明产品采用的原料的成分名称及其含量。但一些面料生产企业为降低成本，擅自降低混纺面料中某些纤维成分的含量，偷工减料，以次充好。因此，纺织品原料成分的定量分析是纺织品众多检测项目中非常重要的。

现有的纺织品成分分析方法[1](化学溶解、显微镜法)存在检测周期长，检测环境要求高且使用有毒有害化学试剂，检测成本高，破坏样品等缺点，无法满足检验监督部门，包括生产企业对纺织品批量抽检的要求。近红外光谱分析(NIR)是20世纪90年代以来发展最快的光谱分析技术，它将近红外光谱分析仪采集的包含样品信息的光谱与认可的参比方法测得的数据利用化学计量学方法建立模型，通过对未知样品光谱的测定来快速预测其组成，该项技术已广泛应用于农业、石油化工、医药等领域[2-6]，有文献报道近红外光谱技术应用于纺织纤维定性判别[7-9]，混纺面料纤维含量预测[10-11]等方面，取得了一定的成果，但如何考虑各种影响因素，优化建模并选择关键评价指标鲜有报道，本实验重点针对市场上常见的二组分混纺面料(如棉涤、棉氨、氨涤)纤维成分快速检测进行研究，建立相应的定量分析模型，从采谱方式、预处理方法、波段、分段建模等方面对模型进行优化，提高模型预测的准确度。

1 实验部分

1.1 材料与仪器

近红外光谱仪： SupNIR-1520便携式近红外分析仪(聚光科技，配备平面大光斑漫反射探头)。

仪器参数如下：波段范围：1000～1800nm；检测器：铟镓砷；波长准确性：<0.2nm；波长重复性：<0.05nm。

1.2 实验材料

以棉涤、棉氨、氨涤二组分混纺样品为研究对象，所有样品的成分含量均根据国家标准采用的检测方法得到。

为确保样品的代表性，收集纤维成分含量具有一定梯度的样品，且涵盖了不同颜色、厚薄、平纹斜纹等面料相对均匀的样品，不包括抓绒等正反面差异较大的非均匀面料样品。用于建模的棉涤样品300份，棉氨样品202份，氨涤样品196份，另外挑选了10份左右代表性样品用于模型验证。

1.3 光谱采集方法

为保证不同类型的布料样品光谱的重复性，规范样品的采谱方法，具体的操作步骤如下：

(1)仪器开机，光源预热半小时后进行性能检测，性能测试合格后，进行下一步；

(2)在仪器探头旋紧参比盒，采集仪器参比光谱；

(3)选择布料均匀的样品区域(即避开印花、含胶质等)，将布料样品进行Z字型折叠，对于较薄样品，需要折叠至少3次以上，对于较厚样品折叠1～2次即可。采用Z字型折叠，可保证布料内外表面不在同一个面上，便于检测布料的正反面(内外表面)；

(4)将折叠好的布料样品放置于参比白板上，然后将探头贴紧样品，采集样品光谱；

(5)如步骤4，采集布料的反面光谱，保证每个样品至少采集正反两面光谱，在实际预测时，最终检测结果采用正反面的算术平均结果。

1.4 建模方法

采用仪器配套的化学计量学建模分析软件，选用最常用的偏最小二乘法算法，软件中有各种光谱预处理方法(MSC、SNV、DT、S-G平滑导数等)供选择。采用模型的关键指标进行评价，由交互验证校正标准偏差(SECV)、预测标准偏差(SEP)、模型分辨能力指标(RPDC)来评价，其中RC越接近1，SECV、SEP越接近0，RPDC越高，表明模型性能越好。

2 数据处理与分析

将采集的棉涤、棉氨、氨涤3种混纺布料样品光谱数据与其纤维成分含量进行一一对应后，分别建立棉涤样品集、棉氨样品集、氨涤样品集，并对这3种样品集分别进行处理，选择不同的预处理方法、波段及主因子进行建模，以模型评价参数SECV及RPDC等指标进行综合评判，确定最佳建模参数，并挑选验证样品进行验证，计算预测偏差SEP。

(1)棉涤模型

棉涤混纺布料的近红外光谱如图1所示，其中大多的牛仔布料样品或颜色较深的样品会在短波区域吸光度较高，这可能是与布料所用的特定染料有关，经过SG平滑+SG一阶求导预处理后的光谱如图2所示。从图2可看出，不同棉含量的光谱存在较大差异。

图1 棉涤混纺面料近红外吸光度谱图

图2 棉涤混纺面料近红外吸光度一阶导数处理后的谱图

因棉含量浓度梯度过大，先按棉含量分布建立0～100%全局模型及不同含量段的局部模型。在实际检测中先用全局模型进行粗侧，再以预测值所属区间选择对应的局部模型进行精测。

利用偏最小二乘法，按照棉含量分布0～100%、0～30%、30～70%、70～100%共建立4个模型，为提高分段模型的准确度，在具体挑选浓度范围建模时，将分段两端的含量适当拓宽，如70～100%的分段，实际建模时选用60～100%。

为减少布料回潮率等影响，在波段选择上，避开棉料水分的吸收带1430～1460nm。

对预处理方法如标准正态变换(SNV)、去趋势校正(DT)、多元散射校正(MSC)、SG平滑、SG一阶求导、均值中心化、标准化等，经过反复选用比较多种预处理方法及其组合、不同主因子、不同波段，综合考虑SEC、RC、SECV、RPDC评价参数，并以SECV及RPDC作为关键指标进行评价，最终确定如表1所示的模型参数。(棉氨及氨涤模型也采用类似方法)，模型预测值与真实值的关系图如图3～图6所示。

表1 棉/涤模型参数

图3 棉涤全局模型预测值与真实值关系图

图4 0～30棉含量局部模型预测值与真实值关系图

图5 30～70棉含量局部模型预测值与真实值关系图

图6 70～100棉含量局部模型预测值与真实值关系图

在预测样品时，首先利用0～100%的模型对样品的棉含量进行预测，然后根据预测值所属区间选择0～30%、30～70%、70～100%中的一个模型进行检测作为最终结果。挑选10份样品作为验证，模型最终预测结果及其偏差如表2所示，绝对偏差一般小于3%，预测偏差SEP小于1.5%。

(2)氨涤模型

氨涤混纺布料的近红外光谱如图7所示，经过SG平滑+SG一阶求导预处理后的光谱如图8所示。从图8可看出，不同氨含量的光谱存在较大差异。经过比较综合比较各种光谱预处理方法，最后采用SNV、DT、SG平滑、SG一阶求导和均值中心化的光谱预处理，并结合合适的主因子数和光谱段以SEC、RC、SECV、RPDC为评价参数进行评价，最终确定如表3的模型参数，模型预测值与真实值的关系如图9所示。

表2 棉涤样品验证

图7 氨涤混纺样品吸光度谱图

图8 氨涤混纺样品吸光度一阶导数谱图

图9 氨涤模型涤纶含量真实值与预测值曲线图

性质名称预处理方法主因子波段SECRCSECVRPDC性质范围涤纶含量SNV+DT+SG平滑+SG一阶求导+均值中心化81100～1430nm,1460～1775nm0.610.980.715.01[83.2,98.6]

选择有梯度的8份样品作为验证集，利用模型进行预测，其预测偏差结果如表4所示。从表4中可看出绝对偏差小于1.1%，预测偏差SEP小于0.7%。

表4 氨涤样品验证

(3)棉氨模型

棉氨混纺布料的近红外光谱如图10所示，经过SG平滑+SG一阶求导预处理后的光谱如图11所示。从图11可看出，不同氨含量的光谱存在较大差异。采用如棉氨、氨涤一样的光谱处理方法和评价指标，得到如表5所示模型参数，模型预测值与真实值的关系如图12所示。

图10 棉氨混纺样品吸光度谱图

图11 棉氨混纺样品吸光度一阶导数谱图

性质名称预处理方法主因子波段SECRCSECVRPDC性质范围棉含量SG平滑+SG一阶求导+均值中心化81100～1430nm,1460～1775nm0.770.930.822.35[91.2,99.7]

图12 棉含量模型真实值与预测值曲线图

选择有梯度的8份样品作为验证集，利用模型进行预测，其预测偏差结果如表6所示。从表6中可看出绝对偏差小于1%，只有一个样品预测偏差为2.9%，预测偏差SEP小于1.2%。

表6 棉氨样品验证

3 结论

通过近红外便携式分析仪对棉涤、棉氨、氨涤的二组分混纺面料实际测试得到，采用近红外光谱分析技术对于混纺布料均匀的样品检测效果较好，得到棉涤模型的预测平均偏差小于1.5%，棉氨模型的预测平均偏差小于0.7%，氨涤模型的预测平均偏差小于1.2%，可为纺织品成分快速检测提供参考。

(1)对于含量跨度在0～100%这个大梯度范围内的棉涤模型，采用建立全局模型及分区段模型结合的方式，预测能力更优；

(2)在实际样品检测时，需要考虑布料样品本身的均匀性，尽可能避开印花，胶质等区域，如果样品预测偏差较大情况下，需要进一步确认异常样品原因，建议对样品的参考值进行复测；

(3)选用模型评价的关键指标，需综合考虑交互检验标准偏差、预测偏差及模型分辨能力指标。

利用近红外光谱分析快检技术，质检部门可实现纺织品纤维成分初步快筛，对于快检不合格的情况，依法启动抽样检验程序，可实现对进出口企业纺织品、原材料加工厂、成衣加工厂以及批发零售终端等多点大批量的抽检，让这种抽查实现常态化，有望充分保证国内纺织品品质质量。

[1]李青山．纺织纤维鉴别手册[M]．2版．北京：中国纺织出版社，2003：303-305．

[2]陆婉珍.现代近红外光谱分析技术(2版)[M]. 北京:中国石化出版社, 2007:1

[3]严衍禄.近红外光谱分析基础及应用[M].北京:中国轻工业出版社,2005:24

[4]Norris K H, Roman J D. Qualitative Applecaiton of Near-Infrared Reflectance Spectroscopy. Agriculture Engineering. 1962,43:154

[5]许禄.化学计量学一些重要方法的原理及应用[M].北京:科学出版社,2004:23

[6]徐广通,袁洪福,陆婉珍. 现代近红外光谱技术及应用进展[J]. 光谱学与光谱分析.2000,20(2): 134 -142

[7]吴桂芳,何勇.应用可见/近红外光谱进行纺织纤维鉴别的研究[J].光谱学与光谱分析.2010,30(2):331-335

[8]吕丹,于婵,赵国樑.利用近红外光谱进行羊绒与羊毛的鉴别技术研究[J].北京服装学院学报.2010,30(2):29-34

[9]张兴详,石海峰.近红外线吸收纤维的组成、结构与性能研究[J].功能材料.2003.2(34):218-220.

[10]赵国樑.近红外光谱技术及其在合成纤维工业中的应用[J].合成纤维工业.2005.28(3):43-46

[11]陈斌,崔广,金尚忠．近红外光谱在快速检测棉制品中含棉量的应用[J]．江苏大学学报.2007.28(3):l85-188

Rapid detection of fiber content in two components mixed textiles based NIRS.

Guo Xuesong1, Shang Lin2, Zhang Zhuoshu2

(1.HangzhouVocational&TechnicalCollege；2.HangzhouClothingVocationalSchool,Hangzhou312500,China)

We adopted partial least squares algorithm to establish the quantitative analysis models, and researched to improve the accuracy of the models from spectrum sampling, preprocessing method, band selection, main factor selection, segmentation modeling，and selected evaluation parameters SECV, SEP and RPDC to determine the optimal model parameters. The results showed that the average deviation of cotton polyester model, cotton spandex model and polyester spandex model were less than 1.5%, 0.7%, 1.2% respectively, which could provide reference for the rapid detection of textile components.

two components; component content; textiles

作者简介:郭雪松,女,1978出生,2009年毕业于苏州大学,服装工程硕士,现就职于杭州职业技术学院达利女装学院,从事服装专业教学研究工作十余年,致力于服装面料、服装立体裁剪与结构制版设计研究。

董丽君，女，1983出生，工程师，从事木制品相关工作，E-mail：donglijun.china.msn@hotmail.com。

10.3969/j.issn.1001-232x.2017.03.006

2017-01-09