近红外光谱法定性鉴别竹纤维和竹浆黏胶纤维

贾凯凯，周兆懿，刘鹏，李卫东

（上海市质量监督检验技术研究院，上海200040）

0 引言

竹纤维和竹浆黏胶纤维作为一种可再生、可降解、廉价、资源丰富的纤维素纤维，具有良好的物理化学性能。近年来，竹纤维和竹浆黏胶纤维素纤维受到了越来越多人的青睐。然而，由于竹浆黏胶纤维与黏胶纤维、竹类纤维与麻类纤维具有较为相似的形态结构或理化性能，对竹纤维和竹浆黏胶纤维的有效鉴别已成为检测行业的难题[1-3]。随着人们对红外光谱应用的不断深入研究，发现近红外光谱测试方法具有快速、无损、无需化学试剂等优点，并已经广泛应用于纺织品纤维定性定量的研究中[4-7]。文中未直接建立竹纤维和竹浆黏胶纤维的近红外定性模型，而是分别建立了天然纤维素纤维与再生纤维素纤维校正模型、竹类纤维与麻类纤维校正模型、竹浆黏胶纤维与黏纤纤维校正模型三个近红外光谱定性模型。将未知样品的近红外光谱带入上述三个定性模型中，通过先进行初次区分、再进行精确区分的方式，辨识出纤维类别，从而避免出现因纤维理化性质相似造成误判的现象，提高了试验方法的精确度。

1 试验

1.1 仪器与设备

漫反射型近红外光谱仪，PbS检测器，扫描分辨率为2 cm-1，光谱范围为12 500～3 500 cm-1，具有光谱采集、光谱预处理、定性等功能。

近红外光谱试验专用的低羟值样品瓶，规格为520 mm×2 200 mm×120 mm。

1.2 样品选择与制备

选择具有代表性、种类齐全的竹纤维42只、竹浆黏胶纤维42只、黏胶纤维42只和常见的麻类纤维40只（亚麻25只、苎麻15只）样品，建模样品集［竹纤维32只、竹浆黏胶纤维32只、黏胶纤维32只和常见的麻类纤维30只（亚麻20只、苎麻10个）］和验证样品集［竹纤维10只、竹浆黏胶纤维10只、黏胶纤维10只和常见的麻类纤维10只（亚麻5只、苎麻5只）］。

样品应为散纤维状或将样品拆解成纱线，并将样品装入近红外专用的低羟值样品瓶中进行光谱采集。样品瓶中装样厚度不得低于1 cm，样品装填密实并确保装样密实程度基本一致，保证其不透光。

2 建立定性模型

由于竹纤维与麻类纤维、竹浆黏胶纤维与其它黏胶纤维的物理化学性质相似，若直接建立竹纤维和竹浆黏胶纤维的近红外光谱定性模型，则易将麻纤维误判为竹纤维、黏胶纤维误判为竹浆黏胶纤维。因而，先使用天然纤维素纤维（竹纤维、麻类纤维）和再生纤维素纤维（竹浆黏胶纤维、其它黏胶纤维）建立天然纤维素与再生纤维素纤维的校正模型，先对测试样品进行一个初步判定，确认其属于天然纤维素纤维还是再生纤维素纤维；再建立竹类纤维与麻类纤维（亚麻、苎麻）、竹浆黏胶纤维与黏胶纤维校正模型，在初步判定的结果基础上选择相应的模型进一步进行确认。通过综合使用三个定性模型的测试结果，最终确定测试样品为何种纤维（竹纤维或竹浆黏胶纤维）。

为了消除近红外光谱中一些与待测样品性质无关的因素（样品物理状态、测量环境及仪器响应等）带来的干扰，提高光谱信噪比，试验时可采用多种预处理方法对光谱进行预处理。同时，为进一步提高模型的预测能力，试验时对光谱波长进行选择，采用不同的波段组合进行分析。

2.1 样品的近红外光谱采集

直接将装有样品的玻璃小瓶置于近红外光谱仪的积分球附件上，采集其近红外漫反射光谱。在试样进行红外光谱检测时，选择波段为12 500～3 500 cm-1、分辨率为2 cm-1的测试条件，且样品在光谱采集过程中每条光谱信号扫描32次。各类样品的近红外光谱图见图1～4，且由红外光谱图可知，所测纤维的红外光谱形状大致相似。

图1 竹纤维的近红外光谱图

图2 黏胶纤维的近红外光谱图

图3 竹浆黏胶纤维的近红外光谱图

图4 麻纤维（亚麻、苎麻）的近红外光谱图

2.2 天然/再生纤维素纤维校正模型建立及验证

采用一阶导数（平滑点数为17）结合矢量归一化（SNV）对近红外光谱进行预处理。选择9 526.2～7 539.8 cm-1和4 941.0～4 504.2 cm-1两段波段对其进行分析建模，所得的模型结果较好，建模集样本的总正判率为100%,可以明显区分出天然纤维素纤维和再生纤维素纤维。将验证集样品的近红外光谱带入校正模型中进行预测，对校正模型的准确度进行检验，其预测结果详见表1，验证集样本的总正判率为100%。

此外，天然纤维素纤维与再生纤维素纤维校正模型的分类结果可以通过近红外图谱因子化第一主成分得分值来进行展示。由图5可以看出，相同纤维类别的样本紧密地聚集在一起，不同纤维类别样本之间存在明显的差异。由此可以得出，通过该方法可以得到一个较为理想的天然/再生纤维素纤维辨识模型。

图5 天然与再生纤维素纤维校正模型预测结果

2.3 竹类与麻类纤维的校正模型建立及验证

采用一阶导数（平滑点数为17）结合矢量归一化（SNV）对近红外光谱进行预处理，选择11 091.3～10 251.4 cm-1和4 954.4～4 535.1 cm-1两段波段进行分析建模，所得的模型结果较好，建模集样本的总正判率为100%，可以明显区分竹类纤维和麻类纤维。将验证集样品的近红外光谱带入判别模型中进行预测，对模型的准确度进行检验，其模型的预测结果详见表2，验证集样本的总正判率为100%。

此外，竹类与麻类纤维校正模型的分类结果可以通过近红外图谱因子化第一主成分得分值来进行展示。由图6可以看出，相同纤维类别的样本紧密地聚集在一起，不同纤维类别样本之间存在明显的差异。由此可知，通过该方法可以得到一个较为理想的竹类/麻类纤维辨识模型。

2.4 竹浆黏胶纤维与黏胶纤维校正模型建立及验证

采用一阶导数（平滑点数为17）结合矢量归一化对近红外光谱进行预处理，选择10315～8 858 cm-1和4 954.5～4 613.2 cm-1两段波段进行分析建模，所得的模型结果较好，建模集样本的总正判率为100%，可以明显区分竹浆黏胶纤维与黏胶纤维。将验证集样品的近红外光谱带入判别模型中进行预测，对模型的准确度进行检验。模型的预测结果详见表3，验证集样本的总正判率为100%。

表1 天然/再生纤维素纤维验证集样品的定性判别结果

此外，竹浆黏胶纤维与黏胶纤维校正模型的分类结果可以通过近红外图谱因子化第一主成分得分值来进行展示。由图7可以看出，相同类别的纤维样本紧密地聚集在一起，不同类别样本间存在明显的差异。由此可知，通过该方法可以得到一个较为理想的竹浆黏胶纤维与黏胶纤维定性识别模型。

表2 竹类/麻类纤维验证集样品的定性判别结果

图6 竹纤维与亚麻、苎麻纤维校正模型的预测结果

3 结论

由上述所建立的3个近红外定性模型可以清晰地对竹纤维和竹浆黏胶纤维进行定性鉴别，同时还可以对理化性质相似的竹类纤维与麻类纤维、竹浆黏胶纤维与黏胶纤维进行准确区分，说明使用近红外光谱法对竹纤维和竹浆黏胶纤维进行定性鉴别的方法是可行的。对于待测纤维样品，只需将其所测试的近红外光谱依次带入相应的近红外定性模型中辨识出纤维类别，从而实现竹纤维和竹浆黏胶纤维的快速、无损鉴别。

图7 竹浆黏胶纤维与黏胶纤维校正模型的预测结果

表3 竹浆黏胶纤维与黏胶纤维验证集样品的定性判别结果