在阅读此文前，为了方便您进行讨论和分享，麻烦您点击一下“关注”，可以给您带来不一样的参与感，感谢您的支持。

文|史这样滴

编辑|史这样滴

前言

欧洲的纺织品消费对气候变化和环境的影响最大，仅次于食物，住房和流动性，因为欧洲人平均每人每年扔掉11公斤纺织品。

欧洲人平均每人每年消费26公斤纺织品，增加再利用和再生纺织品份额的需求需要开发更严格控制的生产工艺，以保证最终纺织品的预期质量。

基于光学传感器的质量控制方法因其非接触性质而具有吸引力，红外光谱法通常与多变量化学计量学方法相结合，用于各种工业部门的分类、分类、材料表征和质量控制。

其中，包括原材料、制药和化学工业或食品工业等，红外光谱技术允许快速和非侵入式地采集光谱数据，因此，它们可以应用于控制不同工业领域的各种质量相关参数。

那么，纺织业该如何发展呢？

高科技时代的来临

纺织行业采用严格的质量控制，这可以通过使用最先进的光谱传感器来改进，这些传感器提供快速和非侵入式控制。

无需使用化学试剂或需要专业技术人员，尽管纺织品样品红外光谱中的大部分信息来自主要的纺织纤维。

但其他产品的存在往往会掩盖这种光谱信息，因此，在设计分类方法时，有必要在去除背景噪声的同时。

从纺织品光谱中提取和选择相关信息，这可以通过应用适当的多变量统计方法来实现，使其应用至关重要。

近红外光谱被选为本研究质量控制的分析工具，因为它能够穿透固体样品并获得有关它们的重要信息。

在近红外中，辐射的吸收是由于中红外中产生，基本振动的泛音和波段的组合，其中，NIR中最常见的能带是由于含有轻原子的键，例如C-H，N-H，O-H，P-H和S-H。

因为它们具有更大的和谐性，NIR波段的强度较小、较宽，并且不如中红外波段定义良好，近红外光谱是一种分析技术。

已广泛应用于各个领域，例如医疗保健，医学，农业，土壤中的塑料污染检测，农业食品，石油和燃料工业或纺织工业等。

可以从样品中快速、无创且无损地获取信息，这些特性使近红外光谱成为解决质量控制问题的有效技术。

然而，近红外光谱必须与强大的数学技术相结合，因为不同样品光谱的微小差异不能仅靠人眼进行分析。

通过使用基于便携式近红外传感器的仪器，结合对原始光谱数据的适当数学处理来解决针织品制造商面临的实际问题。

如何解决问题

问题之所以出现，是因为同一件衣服的不同部分，应该用来自两个供应商的“相同”纱线制成，毛衣的成分为50%腈纶，45%羊毛和5%粘胶纤维。

服装染色后，在不同部位观察到不同的色调，这个问题归因于腈纶纱线的不同来源。

据公司专家称，在服装染色之前没有表现出任何视觉差异，此信息是直接从存在质量问题的公司获得的。

因此，挑战在于能够识别染色服装中两种类型的丙烯酸来源于，德拉隆与阿克萨丙烯酸，获得的织物。

以便区分毛衣毛衣毛料中的两种来源，并最大限度地减少制造过程中的问题，目标是使用便携式近红外光谱模块，结合适当的统计处理方法确定这两个来源，以便公司可以常规应用此质量控制程序。

所提出的解决方案应通过识别腈纶纱线的来源或成分来更容易控制最终产品的质量，防止同一件衣服的两件具有不同来源的腈纶纱线。

不同来源的丙烯酸纱线的样品，染色后可以观察到不同的色调，尤其是与德拉隆样品相对应的深色。

大多数鉴定研究都是基于复杂而昂贵的台式近红外光谱仪，这些近红外光谱仪具有一些局限性。

尤其是在需要现场分析或现场质量控制时，然而，随着小型化便携式光谱仪的商业化。

近红外光谱分析在现场应用中变得可行，在某些应用中，低成本的便携式近红外光谱仪正在取代台式光谱仪。

这些传感器包括一个InGaAsPIN光电二极管阵列检测器、一个可调谐滤波器、一个内置灯和一个用于通信的USB端口。

这是一个具有挑战性的现实问题，因为有两个不同的方面，使这项工作具有创新性。

首先是需要在尽可能短的时间内用有限的样本解决现实世界的问题，第二点是，由于要区分的样品成分相同。

因此使用近红外光谱数据显然不容易解决这个问题，最后，我们提出了一种解决类似挑战的方法。

即首先评估高性能台式近红外光谱仪是否能够结合适当的数学方法解决问题，然后，确定最方便的便携式传感器在公司现场解决问题，这项工作旨在评估便携式NIR传感器。

在与光谱数据的适当多变量统计处理相结合时用于纺织品质量控制的性能，这种数学处理首先对谱信息进行归一化，然后通过应用主成分分析、规范变量分析算法来减少自变量的数量。

最后，应用k-最近邻算法将未知输入纺织品样本分类，为问题中预定义的类之一，尽管已经提出了各种机器学习方法来识别纺织品样本，包括支持向量机，遗传算法或深度学习神经网络。

但提出的数学工具易于应用，并且只需要很少的计算工作，这允许它们嵌入到便携式仪器中，这个问题中提出的方法可以应用于许多其他需要现场光谱测量的领域。

快速解决实际问题的新方法，可以在现场应用该方法来区分相同成分的样品，该方法包括首先分析使用高性能台式近红外光谱仪的可行性，并结合适当的统计方法来解决问题。

接下来，如果可以使用NIR技术解决问题，则必须对商用便携式NIR传感器进行筛选。

随后必须使用相同的统计方法，根据不同的约束条件测试所选传感器的性能，最后，提出的解决方案将在公司实施。

试验示例

纺织品样品的成分为50%丙烯酸、45%羊毛和5%粘胶纤维，腈纶纱线有两个不同的来源。

分别被确定为“Aksa”和“Dralon”，大约15000件毛衣在染色前被编织和组装，问题发生在对某些毛衣进行染色后。

当同一件毛衣的某些部分出现不同的颜色强度时，有缺陷的毛衣不能出售，因此，必须从染色样品中制备一种分类方法。

以便能够在染色前，对毛衣进行正确分类，结合这两种产地毛衣的“原始”识别，将使公司能够将它们染成更柔和的颜色。

该公司提供了一套40个染色样品，每种类型有20个样品，分别标记为A1至A20和D1至D20，用于Aksa和Dralon样品。

分析的传感器

几十年来，光谱学一直应用于确定不同材料的化学成分，然而，这些分析通常使用昂贵的台式光谱仪进行。

这限制了可能的应用，最近，对原位检测的需求迫使便携式光谱传感器的快速发展，其成本更低，占地面积更小，这扩大了应用领域，紧凑型光谱仪的制造是一项重大挑战。

特别是在化学信息最相关的红外区域，由于硅加工的成熟，在可见光区域和高达1100nm方面取得了重大进展。

然而，集成近红外光谱仪的进展更具挑战性，由于其在NIR光谱中的高灵敏度，砷化铟镓，是各种半导体材料中最有希望的NIR传感器候选者之一。

通过分析来自滨松的便携式光谱模块，C15713和C15714和PhasePhotonics的NIR-Q器件。

这些光谱模块基于InGaAsPIN光电二极管阵列检测器、可调谐滤波器、用于反射测量的内置钨丝灯和用于通信的USB端口。

分析的光谱模块包括MEMS-FPI可调谐滤波器，该滤波器可以通过改变施加的电压来改变其透射波长。

这些模块，为了最大限度地提高重现性并最大限度地减少噪声，对光谱进行四次扫描的平均值。

CVA是多类降维的强大方法，它试图计算称为规范变量的新潜在变量，这些变量最大化不同数据集或类之间的距离，并最小化属于同一类的样本之间的距离，因此它是专门为分类目的而设计的。

CVA计算的CV数等于问题中定义的类数减去35，它的主要缺点是它需要比原始变量具有更多样本的数据集。

然而，对于大多数基于光谱数据的分类问题，情况并非如此，其中光谱由数百或数千个变量组成，这一事实迫使在应用CVA之前应用。

无监督PCA降维算法来降低问题的维数，PCA试图将光谱中发现的重要信息集中到一组不相关和正交的潜在变量中。

PC通常按解释的方差量降序排列，尽管PCA计算的PC数量，与问题中的原始变量数量相同，但它仅保留了解释最大方差量的PC数量减少数量。

因此忽略其余PC，PCA+CVA算法的应用大大降低了问题的维数，并计算了新的潜在变量。

即从分类角度来看最佳的CV，以便可以应用分类器，在这种情况下，提出了广泛使用的kNN算法。

因为它简单且结果准确，KNN是一个监督分类器，这意味着它以先前的训练过程为指导。。

在该过程中，“专家”将训练样本分类为不同的类，从而确保分类的准确性，KNN在区间中计算的规范化，类成员值数与问题中先前定义的类数相同。

假定给定的输入样本属于与大于5.1的成员值关联的类，KNN在校准集中不同样本的CV定义的空间中，查找输入样本的k最近邻。

接下来，kNN将k票分配给最近邻类，将票分配给第二个最近邻类，依此类推，直到将票分配给第k个最远的邻居类。

我们展示了使用NIR光谱和进一步统计处理的多功能性和适应性，以解决不仅通过成分而且按来源区分样品的挑战。

生产系统通常具有难以控制的变量，这些变量可能会影响产品的最终质量，从而产生经济和环境影响，因此，应用所提议的方法将具有重大价值。

针织品制造商要解决的真正而复杂的问题，是使用便携式近红外传感器识别不同来源的腈纶纱线，以进行现场质量控制。

为此，分析了三种基于InGaAsPIN光电二极管阵列探测器的便携式近红外传感器，验证了通过将NIR与适当的统计方法相结合可以解决问题。

结果表明，其中一台便携式仪器可以正确分类不同来源的腈纶纱线，准确率为95%。

该解决方案帮助该公司解决了问题，节省了时间、金钱和缺陷材料，光谱范围和分辨率是选择传感器时要考虑的重要因素。

结语

每个问题都需要在开发该方法时仔细工作，首先，需要用最明智的近红外光谱仪采集要分类的样品的光谱。

接下来，必须选择最合适的便携式传感器，因为这种类型的传感器不会记录样品的完整NIR光谱。

最后，有必要应用稳健的分类方法，提供可重复的结果和低误分类率。

参考文献：

1欧洲环境署，欧洲循环经济中的纺织品;欧洲环境署：丹麦哥本哈根，2019年，[谷歌学术]

2卡萨内利;北卡罗来纳州伦齐尼;法拉利;Rovati，L.通过近红外光谱法估计作物水分和密度的偏最小二乘法，IEEETrans.Instrum.Meas.2021，70，1004510.[谷歌学术][交叉参考]

3里巴;坎特罗;Puig，R.使用结合近红外和中红外光谱信息的数据融合对纺织品样品进行分类，聚合物2022，14，3073.[谷歌学术][交叉参考][公共医学]