桂家祥 耿響 周麗萍 要磊 王京力 李慧

(1.江西出入境檢驗(yàn)檢疫局 江西南昌 330038;2.中山出入境檢驗(yàn)檢疫局)

1 前言

紡織品是人們?nèi)粘Ｉ畹谋匦杵罚滟|(zhì)量好壞直接關(guān)系到生產(chǎn)商、貿(mào)易關(guān)系人、政府監(jiān)管部門(mén)以及每個(gè)消費(fèi)者。各國(guó)政府監(jiān)管部門(mén)對(duì)紡織品原料組份標(biāo)識(shí)都十分重視，幾乎所有的國(guó)家(地區(qū))為保護(hù)消費(fèi)者的合法權(quán)益，都頒布了法令、強(qiáng)制性標(biāo)準(zhǔn)規(guī)定紡織品必須標(biāo)注紡織品纖維組份及其含量，這使得紡織品原料組份的定性、定量分析在紡織品的眾多檢測(cè)項(xiàng)目中地位非常重要。

現(xiàn)有的紡織品組份分析方法［1］周期長(zhǎng)，檢測(cè)環(huán)境要求高，化學(xué)試劑有毒有害，檢測(cè)成本高，對(duì)檢測(cè)人員的要求高，同時(shí)檢測(cè)過(guò)程對(duì)樣品的破壞不可避免。因此，研究和開(kāi)發(fā)一種快速、簡(jiǎn)便、環(huán)保、無(wú)損的檢測(cè)方法是長(zhǎng)期以來(lái)紡織品檢測(cè)技術(shù)人員的期待，也是全球性紡織品組份檢測(cè)的重大需求。

近紅外光是最早發(fā)現(xiàn)的不可見(jiàn)光，由于其光譜信息弱、譜峰重疊等缺點(diǎn)，早期未能有效進(jìn)行開(kāi)發(fā)應(yīng)用。隨著計(jì)算機(jī)，特別是化學(xué)計(jì)量學(xué)和儀器硬件技術(shù)的不斷發(fā)展和完善，彌補(bǔ)了其光譜峰重疊、信息弱、數(shù)據(jù)量大等不足，近紅外光譜技術(shù)(NIR)自20世紀(jì)90年代以來(lái)得到較快發(fā)展，成為最引人注目的光譜分析技術(shù)，已廣泛應(yīng)用于農(nóng)業(yè)［2－4］、石油化工［5］、食品工業(yè)、制藥工業(yè)及臨床醫(yī)學(xué)［6］等領(lǐng)域。近年來(lái)，已有學(xué)者對(duì)NIR在紡織品原料組份快速檢測(cè)中的應(yīng)用進(jìn)行了研究［7－9］，結(jié)果顯示NIR在紡織品原料組份定性和定量分析方面具有良好的效果和廣闊的應(yīng)用前景。

本研究在已有研究成果的基礎(chǔ)上，就NIR用于紡織品原料組份定性、定量分析模型的建立進(jìn)行了研究，并對(duì)研究成果進(jìn)行了驗(yàn)證。

2 NIR在紡織品原料組份快速檢測(cè)中的應(yīng)用研究

化學(xué)計(jì)量學(xué)方法和計(jì)算機(jī)的發(fā)展使得NIR得以發(fā)展和廣泛應(yīng)用。NIR用于定性分析主要依據(jù)“相似相聚”的原理，通過(guò)不同的模式識(shí)別方法將同類(lèi)樣品聚在一起，對(duì)不同的樣品進(jìn)行分離，從而對(duì)樣品的類(lèi)別進(jìn)行判定;定量分析是利用化學(xué)計(jì)量學(xué)方法將樣品的光譜數(shù)據(jù)與待檢測(cè)樣品組份的經(jīng)典檢測(cè)值之間建立數(shù)學(xué)關(guān)系，從而對(duì)未知樣品進(jìn)行預(yù)測(cè)。NIR的實(shí)際應(yīng)用效果與所用儀器和光譜采集條件都有一定關(guān)系，但更重要的是光譜數(shù)據(jù)的預(yù)處理和建模方法的選擇。

相同的檢測(cè)對(duì)象，采用不同的建模方法會(huì)產(chǎn)生不同的效果，針對(duì)紡織品原料組份的定性鑒別和定量分析特點(diǎn)，篩選適用于紡織品原料組份快速分析的定性和定量建模方法是實(shí)現(xiàn)突破的關(guān)鍵環(huán)節(jié)之一。

2.1 NIR在定性分析方法中的應(yīng)用

2.1.1 定性分析方法

NIR在定性方面的應(yīng)用是利用模式識(shí)別方法［10］對(duì)樣品的近紅外光譜數(shù)據(jù)進(jìn)行分析，即對(duì)樣品中的各組份特征進(jìn)行挖掘和鑒別。

模式識(shí)別是指計(jì)算機(jī)自動(dòng)地(或盡量少人為干預(yù))把待識(shí)別的模式分配到各自所屬的模式類(lèi)別中。模式識(shí)別的目的和作用在于通過(guò)分析光譜量測(cè)數(shù)據(jù)對(duì)不同樣本按某些共同的特征進(jìn)行分類(lèi)，從而發(fā)現(xiàn)被測(cè)樣本之間的內(nèi)在聯(lián)系，獲得決策性的信息。因此，光譜模式識(shí)別是將光譜數(shù)據(jù)轉(zhuǎn)化為解決實(shí)際問(wèn)題所需信息的一種重要手段。

模式識(shí)別方法可分為有監(jiān)督模式識(shí)別和無(wú)監(jiān)督模式識(shí)別兩種。有監(jiān)督模式識(shí)別方法指的是用一組已知類(lèi)別的樣本作為訓(xùn)練集，讓計(jì)算機(jī)向這些已知樣本學(xué)習(xí)，這種求取分類(lèi)的模式識(shí)別方法稱(chēng)為“有監(jiān)督”或“有老師”的學(xué)習(xí)，其中訓(xùn)練集就是老師，并由這個(gè)學(xué)習(xí)過(guò)程得到分類(lèi)模型，從而對(duì)未知樣本的類(lèi)別進(jìn)行預(yù)測(cè)。無(wú)監(jiān)督模式識(shí)別方法是一種事先對(duì)樣本的類(lèi)別未知，無(wú)需訓(xùn)練過(guò)程的分類(lèi)識(shí)別方法。研究人員可通過(guò)專(zhuān)用近紅外軟件、matlab等可編程工具，利用模式識(shí)別方法進(jìn)行數(shù)據(jù)處理。

2.1.1.1 有監(jiān)督模式識(shí)別方法

(1)線(xiàn)性學(xué)習(xí)機(jī)法

以線(xiàn)性分類(lèi)函數(shù)為基礎(chǔ)，將n維空間劃分為類(lèi)別區(qū)域，該函數(shù)在二維空間為一條直線(xiàn)，在三維空間為一平面，在多維空間則為一超平面。該方法的主要缺點(diǎn)是所求的線(xiàn)性判別函數(shù)不具有唯一性，當(dāng)訓(xùn)練集中樣本排列發(fā)生變化或初始矢量不同時(shí)，會(huì)得到不同的結(jié)果;另外，由于判別面簡(jiǎn)單，存在奇異樣本容易錯(cuò)判和收斂速度慢等不足。所以該方法主要用于線(xiàn)性可分的兩類(lèi)樣本的判別分析。

(2)K－最近鄰法

是基于距離函數(shù)的分類(lèi)法。它的核心思想是使用一類(lèi)的重心來(lái)代表這個(gè)類(lèi)，計(jì)算待分類(lèi)樣本到各類(lèi)重心的距離，歸入距離最近的類(lèi)。其中距離常用馬氏距離，因?yàn)轳R氏距離既考慮了類(lèi)的均值，又包含了類(lèi)內(nèi)方差的信息，對(duì)訓(xùn)練樣本蘊(yùn)含的信息利用比較充分。

(3)簇類(lèi)獨(dú)立軟模式法(SIMCA)

又稱(chēng)相似分析法，該方法是建立在主成分分析基礎(chǔ)上的一種有監(jiān)督模式識(shí)別方法，基本思路是對(duì)訓(xùn)練集中每一類(lèi)樣本的光譜數(shù)據(jù)矩陣分別進(jìn)行主成分分析，建立每一類(lèi)的主成分分析數(shù)學(xué)模型，然后在此基礎(chǔ)上對(duì)未知樣本進(jìn)行分類(lèi)，即分別試探將該類(lèi)未知樣本與各類(lèi)樣本數(shù)學(xué)模型進(jìn)行擬合，以確定其屬于哪一類(lèi)或不屬于哪一類(lèi)。

(4)人工神經(jīng)網(wǎng)絡(luò)法(ANN)

是生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)的一種高度簡(jiǎn)化后的近似建模方法，它用大量簡(jiǎn)單的神經(jīng)元廣泛連成一種計(jì)算結(jié)構(gòu)，屬于自適應(yīng)非線(xiàn)性動(dòng)力學(xué)系統(tǒng)，具有學(xué)習(xí)、記憶、計(jì)算和各種智能處理功能，在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)及信息處理方式。該方法建立的模型有存儲(chǔ)和檢索功能。

(5)支持向量機(jī)法(SVM)

是在20世紀(jì)90年代后建立的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的化學(xué)計(jì)量學(xué)方法。該方法的基本思想來(lái)源于線(xiàn)性判別的最優(yōu)分類(lèi)面，即要求分類(lèi)面不但能將兩類(lèi)樣本無(wú)錯(cuò)誤的分開(kāi)，而且要求分類(lèi)空隙或稱(chēng)分類(lèi)間隔最大。通過(guò)建立最優(yōu)分類(lèi)面，可以提高預(yù)測(cè)能力，降低分類(lèi)錯(cuò)誤率。

(6)判別偏最小二乘法(PLS－DA)

是基于判別分析基礎(chǔ)上的偏最小二乘算法，并且以Y變量為二進(jìn)制變量(類(lèi)別變量)來(lái)取代含量變量。為了決定類(lèi)歸屬，組成矩陣的樣品必須能描述該樣品的特定種類(lèi)，一般可以設(shè)定一個(gè)臨界值來(lái)判定歸屬。應(yīng)用PLS－DA進(jìn)行定性判別分析時(shí)，作為樣品光譜的輸入變量矩陣和二進(jìn)制變量(類(lèi)別變量)即輸出變量矩陣之間的關(guān)系可以用圖1描述。其中，N代表建模時(shí)的樣品數(shù)，K表示樣品光譜的吸光度點(diǎn)數(shù)，M表示類(lèi)別的數(shù)目。

圖1 輸入變量矩陣和輸出變量矩陣之間的關(guān)系示意圖

2.1.1.2 無(wú)監(jiān)督模式識(shí)別方法——聚類(lèi)分析

在對(duì)樣本進(jìn)行模式識(shí)別時(shí)，事先往往對(duì)數(shù)據(jù)的內(nèi)在分類(lèi)一無(wú)所知，在這種情況下無(wú)監(jiān)督模式識(shí)別方法的優(yōu)點(diǎn)尤為突出，它具有無(wú)需已知類(lèi)別的訓(xùn)練樣本即可對(duì)數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別的特點(diǎn)。聚類(lèi)分析利用同類(lèi)樣本彼此相似，即常說(shuō)的“物以類(lèi)聚”，相似的樣本在多維空間中彼此距離相對(duì)較小，從而達(dá)到分類(lèi)的目的。

聚類(lèi)分析的研究對(duì)象主要有樣品間的距離、類(lèi)間的距離、并類(lèi)的方式和聚類(lèi)數(shù)據(jù)的判定。該方法將每一個(gè)樣品看作是n維空間的一個(gè)點(diǎn)，在這n維空間中定義樣本間的親疏程度。

2.1.2 定性分析方法研究成果

2.1.2.1 已有研究成果

2009年，王丹紅［11］利用NIR與化學(xué)模式識(shí)別方法相結(jié)合，采用主成分分析和判別分析技術(shù)對(duì)天絲、棉、粘纖、銅氨纖維進(jìn)行快速鑒別，效果良好。吳桂芳［12］提出利用NIR快速無(wú)損鑒別山羊絨原料品種，應(yīng)用可見(jiàn)/近紅外光譜漫反射技術(shù)采集各種山羊絨原料的光譜曲線(xiàn)，采用主組份分析法進(jìn)行聚類(lèi)分析并獲取山羊絨原料的近紅外指紋圖譜，結(jié)合SVM技術(shù)進(jìn)行品種鑒別，模型對(duì)山羊絨原料的鑒別準(zhǔn)確率達(dá)到100%。2010年，袁洪福［13］收集了214個(gè)紡織樣品，樣品纖維組份包括氨綸、蠶絲、聚酯、棉聚酯、錦綸、棉、麻、棉麻混紡、粘膠、山羊絨、錦羊毛和羊絨羊毛混紡，先對(duì)樣品光譜進(jìn)行系統(tǒng)樹(shù)分析，組成相近的不同種類(lèi)纖維之間有重疊，后結(jié)合SIMCA方法對(duì)有交疊的纖維進(jìn)行分類(lèi)，成功地將化學(xué)組成非常接近的纖維類(lèi)別進(jìn)行正確的區(qū)分。

上述學(xué)者雖然對(duì)NIR用于紡織品原料組份的定性判定進(jìn)行了大量研究，但均是停留在實(shí)驗(yàn)室研究階段，研究的樣本量較小，研究的紡織纖維種類(lèi)不夠全面，所使用的建模方法千差萬(wàn)別，難以對(duì)研究成果進(jìn)行應(yīng)用和推廣，也未利用足夠的未知樣品對(duì)模型的準(zhǔn)確性和實(shí)用性進(jìn)行驗(yàn)證，更沒(méi)有建立相應(yīng)的標(biāo)準(zhǔn)方法，故無(wú)法直接應(yīng)用于實(shí)際檢測(cè)。

2.1.2.2 本研究成果

2.1.2.2.1 定性分析方法篩選

為了確定適用于紡織品原料組份的近紅外定性判定方法，達(dá)到判定結(jié)果準(zhǔn)確率高、穩(wěn)定性好的目標(biāo)，本研究選擇了全棉、聚酯、錦綸、羊毛、蠶絲、粘膠和氨綸共7種紡織纖維成份構(gòu)成的544個(gè)樣品，利用SIMCA、K－最近鄰法、ANN和PLS－DA 4種定性方法建立定性模型，分析結(jié)果見(jiàn)表1。

表1 4種定性建模方法的結(jié)果比較

表1顯示，4個(gè)模型中PLS－DA法模型的準(zhǔn)確率和穩(wěn)定性最好，所以本研究選擇該方法作為紡織品原料組份定性判定的建模方法，并以此為基礎(chǔ)進(jìn)行模型優(yōu)化、完善和驗(yàn)證。

本研究首次提出使用各種成分純纖維樣品建立多個(gè)模型并集成為模型組的紡織品定性分析方法，利用該模型組對(duì)未知樣品進(jìn)行預(yù)測(cè)，從而得到該樣品的纖維成分定性結(jié)果。

2.1.2.2.2 定性分析模型驗(yàn)證

圖2所列為8種常見(jiàn)紡織品原料組份的近紅外光譜圖。

圖2 8種紡織品原料組份的近紅外光譜圖

從圖上可看出，8種紡織纖維原料組份的特征區(qū)域主要分布在1389－1886nm范圍內(nèi)，除棉和麻相似度較高外，其他6種原料組份的光譜圖均有明顯特征，易于識(shí)別。但對(duì)于混紡紡織樣品，各纖維間相互影響，使得纖維的特征譜峰不明顯甚至消失，僅通過(guò)光譜圖無(wú)法正確判定纖維組成。通過(guò)采用化學(xué)計(jì)量學(xué)方法，對(duì)紡織樣品的近紅外數(shù)據(jù)進(jìn)行數(shù)學(xué)處理，可以提煉出紡織品原料組份的特征信息，進(jìn)而識(shí)別出紡織品的纖維種類(lèi)。

本研究選擇PLS－DA方法建立紡織品原料組份的近紅外定性模型。為提高模型的準(zhǔn)確率，對(duì)建模的預(yù)處理方法和建模波段進(jìn)行了優(yōu)化，表2給出了優(yōu)化后的定性模型對(duì)3698個(gè)未參與建模的兩組份樣品的判定結(jié)果。判定錯(cuò)誤的樣品主要原因是樣品中某種纖維成份所占比例較低，或樣品顏色造成光譜變形等，而為了避免假陰性，模型設(shè)定的閾值較高，所以造成誤判比例較高。剔除樣品中某一原料組份小于3%的樣品后，模型的預(yù)測(cè)準(zhǔn)確性大大提高，均實(shí)現(xiàn)了98%以上的準(zhǔn)確判斷率(見(jiàn)表3)。

表2 定性模型的驗(yàn)證結(jié)果(隨機(jī)樣品)

表3 定性模型的驗(yàn)證結(jié)果(剔除某一原料組份小于3%樣品)

將NIR作為紡織品原料組份定性判定的初篩方法，可大大提高檢測(cè)速度，減輕實(shí)驗(yàn)人員的工作量，實(shí)現(xiàn)無(wú)損、快速、高效檢測(cè)。在已有的研究基礎(chǔ)上，本研究下一步研究重點(diǎn)是進(jìn)一步提高模型的準(zhǔn)確性和覆蓋率。

2.2 NIR在定量分析方法中的應(yīng)用

2.2.1 定量分析方法

NIR的定量即在原料組份含量(或其他物化性質(zhì))與分析儀器響應(yīng)值之間建立定量關(guān)聯(lián)關(guān)系，從而對(duì)原料組份比例進(jìn)行分析。在近紅外分析中常用的多元校正方法包括:多元線(xiàn)性回歸法、主成分回歸法(PCR)和偏最小二乘法(PLS)等線(xiàn)性校正方法，以及ANN等非線(xiàn)性校正方法。

PCR法是采用多元統(tǒng)計(jì)中的主成分分析法(PCA)先對(duì)混合物光譜量測(cè)矩陣X進(jìn)行分解，然后選取其中的主成分進(jìn)行多元線(xiàn)性回歸分析。PCR法只對(duì)光譜矩陣X進(jìn)行分解，消除無(wú)用的噪聲信息。同樣，濃度矩陣Y也包含PLS法對(duì)光譜矩陣X和濃度Y進(jìn)行分解，對(duì)于無(wú)用信息，也應(yīng)作同樣的處理，且在分解光譜矩陣X時(shí)應(yīng)考慮濃度矩陣Y的影響。PLS法就是基于以上思想提出的多元回歸方法。

2.2.2 定量分析研究成果

2.2.2.1 已有研究成果

2000年，中國(guó)農(nóng)業(yè)大學(xué)近紅外課題組［14］利用PLS法定量對(duì)羊毛/粘膠混紡樣品中羊毛含量進(jìn)行嘗試性研究，模型的相關(guān)系數(shù)達(dá)到0.982，待測(cè)樣品的預(yù)測(cè)值變異系數(shù)為 4.1%。2007年，陳斌［15］以棉/絲、棉/聚酯兩類(lèi)棉制品為研究對(duì)象，利用遺傳算法和PLS法分別建立了棉制品中含棉量的近紅外定量校正模型，預(yù)測(cè)相關(guān)系數(shù)均達(dá)到0.99以上。2010年，楊萌［16］利用46個(gè)棉/氨樣品建立了分析精度較高的用于檢測(cè)棉/氨混紡面料中氨綸含量的近紅外光譜分析模型，相關(guān)系數(shù)達(dá)到0.99。

上述研究均是針對(duì)某一種紡織品進(jìn)行分析，研究進(jìn)展局限于模型的建立，建模樣品量少，未經(jīng)大量的樣品驗(yàn)證，尚不能投入實(shí)際應(yīng)用。

2.2.2.2 本研究成果

2.2.2.2.1 定量分析方法篩選

本研究在模型建立初期，選擇200個(gè)棉/聚酯樣品，比較了PLS法和ANN兩種定量分析方法對(duì)紡織品原料組份的定量分析效果，兩種方法建立的定量分析模型對(duì)樣品的判定準(zhǔn)確率分別為98%和92%，而且PLS法最成熟、應(yīng)用最廣，所以本研究選擇其作為近紅外光譜法定量分析紡織品原料組份的建模方法。

2.2.2.2.2 定量分析模型驗(yàn)證

在研究過(guò)程中，由于棉/聚酯樣品的纖維含量從0－100%均有可能存在，直接采用PLS法建立定量分析模型，準(zhǔn)確率無(wú)法提高到理想程度。為提高近紅外快速檢測(cè)棉/聚酯紡織品原料組份的預(yù)測(cè)準(zhǔn)確率，本研究首次采用分段建模方法建立了定量分析模型［17］，并對(duì)紡織品顏色、厚度、結(jié)構(gòu)等因素進(jìn)行深入研究，該成果在2012年9月舉行的全國(guó)第四屆近紅外光譜學(xué)術(shù)會(huì)議上進(jìn)行了詳細(xì)介紹［18］，得到與會(huì)專(zhuān)家認(rèn)可。

為了能將NIR應(yīng)用于實(shí)際檢測(cè)中，本研究利用PLS法建立了棉/聚酯、錦/氨、聚酯/氨、棉/氨等16種常見(jiàn)紡織品的系列定量分析模型，并針對(duì)每類(lèi)紡織品的特點(diǎn)，對(duì)以上模型進(jìn)行優(yōu)化，然后在優(yōu)化的基礎(chǔ)上進(jìn)行大量的數(shù)據(jù)驗(yàn)證，結(jié)果見(jiàn)表4。其中模型的判定標(biāo)準(zhǔn)是指模型預(yù)測(cè)結(jié)果與經(jīng)典結(jié)果的誤差在±3%范圍內(nèi)，判定為正確，否則判定錯(cuò)誤。為驗(yàn)證模型的準(zhǔn)確性，利用F檢驗(yàn)(95%的置信度，5%的置信區(qū)間，臨界值1.08)對(duì)近紅外預(yù)測(cè)結(jié)果與經(jīng)典方法結(jié)果進(jìn)行統(tǒng)計(jì)分析，F(xiàn)統(tǒng)計(jì)值為1.05，小于臨界值，結(jié)果證明所建定量模型的預(yù)測(cè)結(jié)果與經(jīng)典方法間不存在顯著差異。

表4 16個(gè)定量模型的基本信息

(續(xù)表)

在取得此研究成果的基礎(chǔ)上，本研究建立了《紡織品近紅外光譜法定量分析第1部分:棉和聚酯纖維的混合物》等8個(gè)系列標(biāo)準(zhǔn)［19］。該方法作為快速篩選方法，2012年初通過(guò)了CNAS認(rèn)可，目前已經(jīng)應(yīng)用于實(shí)際檢測(cè)，對(duì)外出具檢測(cè)報(bào)告1萬(wàn)余批，取得了顯著成效。此外，本研究在現(xiàn)有成熟模型的基礎(chǔ)上進(jìn)一步擴(kuò)展了棉/氨、聚酯/氨、錦/氨等20多個(gè)紡織品組份模型，并已成功立項(xiàng)了多個(gè)行業(yè)標(biāo)準(zhǔn)，其中NIR快速檢測(cè)棉/聚酯已于2012年11月通過(guò)審定。這些成果將為NIR在紡織領(lǐng)域的應(yīng)用奠定堅(jiān)實(shí)的技術(shù)基礎(chǔ)。

為了推進(jìn)該技術(shù)的廣泛應(yīng)用，本研究正在開(kāi)發(fā)和研制一種專(zhuān)用于紡織纖維組份快速檢測(cè)的便攜式NIR儀，并著手建立含蓋多種近紅外儀器、多種定性、定量模型為一體的NIR檢測(cè)紡織品原料組份物聯(lián)網(wǎng)。鑒于此項(xiàng)研究的進(jìn)展，2012年11月，本課題組受邀參加第446次香山科學(xué)會(huì)議并作《消費(fèi)品品質(zhì)安全與近紅外分析物聯(lián)網(wǎng)》學(xué)術(shù)報(bào)告。

3 總結(jié)

NIR在紡織品原料組份定性和定量方面的應(yīng)用將顛覆傳統(tǒng)紡織品原料組份判定分析方法，使依賴(lài)于實(shí)驗(yàn)室、化學(xué)試劑、具備紡織專(zhuān)業(yè)知識(shí)背景的操作人員才能完成的繁冗的分析工作由配備了近紅外分析模型的NIR儀代替，分析時(shí)間由十幾小時(shí)縮短為3分鐘，這將極大地提高紡織品原料組份的分析速度，為紡織品生產(chǎn)、市場(chǎng)監(jiān)管和銷(xiāo)售等各個(gè)環(huán)節(jié)提供快速便捷的分析技術(shù)，是紡織品原料組份檢測(cè)技術(shù)的重大創(chuàng)新。

［1］李青山.紡織纖維鑒別手冊(cè)［M］(第2版).北京:中國(guó)紡織出版社，2003:303 －305.

［2］McCaig T N.Extending the use of visible/near－infrared reflectance spectrophotometers to measure of food and agriculture products［J］.Food Research International，2002，35(8):731 －736.

［3］吉海彥，嚴(yán)衍祿.在國(guó)產(chǎn)近紅外光譜儀實(shí)驗(yàn)樣機(jī)上用偏最小二乘法定量分析大麥組份［J］.分析化學(xué)，1998，26(5):607－611.

［4］Delwiche S R，McKenzie K S，Webb B D.Quality characteristics in rice by near Infrared reflectance analysis of whole grain milled samples［J］.J Cereal Chem，1996，73:257 －263.

［5］雷猛，馮新瀘.二維近紅外光譜定量分析內(nèi)燃機(jī)油粘度指數(shù)性能的研究［J］.石油煉制與化工，2009，40(4):61 －65.

［6］陳衛(wèi)國(guó)，李鵬程，盧廣，等.用近紅外光拓?fù)鋱D技術(shù)實(shí)時(shí)跟蹤腦血流變化［J］.生物物理學(xué)報(bào)，2000，16(3):613－617.

［7］王棟民，金尚忠，陳華才，等.棉－滌混紡面料中棉含量的近紅外光譜分析［J］.光學(xué)精密工程，2008，16(11):2051－2054.

［8］顏麗，劉莉.紡織混紡面料里纖維含量的紅外光譜法測(cè)定［J］.激光與紅外，2009，39(6):605 －607.

［9］吳桂芳，何勇.應(yīng)用可見(jiàn)/近紅外光譜進(jìn)行紡織纖維鑒別的研究［J］.光譜學(xué)與光譜分析，2010，30(2):331－335.

［10］陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)［M］(第二版).中國(guó)石化出版社，2007:13.

［11］王丹紅，吳文晞，林志武，等.近紅外光譜法鑒別Tencel等四種纖維［J］.福建分析測(cè)試，2009，18(4):32－34.

［12］吳桂芳，何勇.基于主組份分析和支持向量機(jī)的山羊絨原料品種鑒別分析［J］.光譜學(xué)與光譜分析，2009，29(6):1541－1544.

［13］袁洪福，常瑞學(xué)，田玲玲.紡織纖維及其制品非破壞性快速鑒別的研究［J］.光譜學(xué)與光譜分析，2010，30(5):1229－1233.

［14］李曉微，趙環(huán)環(huán)，趙龍蓮，等.用近紅外光譜定量分析混紡毛織品中羊毛的質(zhì)量分?jǐn)?shù)［J］.中國(guó)紡織大學(xué)學(xué)報(bào)，2000，26(3):72－75.

［15］陳斌，崔廣，金尚忠，等.近紅外光譜在快速檢測(cè)棉制品中含棉量的應(yīng)用［J］.江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007，28(3):185－188.

［16］楊萌.近紅外光譜技術(shù)在棉/氨綸面料分析中的應(yīng)用［J］.中國(guó)纖檢，2010:61 －63.

［17］桂家祥，耿響，要磊，等.基于近紅外光譜法快速檢測(cè)棉滌混紡織物棉含量的研究［J］.紡織學(xué)報(bào)，2012，33(4):55 －59.

［18］耿響，桂家祥，廖燕燕，等.基于近紅外光譜法快速檢測(cè)滌綸氨綸混紡織物纖維含量的研究［C］.全國(guó)第四屆近紅外光譜學(xué)術(shù)會(huì)議，2012.

［19］要磊，耿響，李慧.紡織品近紅外光譜法定量分析第1部分:棉和聚酯纖維的混合物(標(biāo)準(zhǔn)操作規(guī)范)［Z］.2011.